МОДЕЛЬ ИНТЕГРАЦИИ РАЗНОРОДНОЙ ИНФОРМАЦИИ ПРИ УПРАВЛЕНИИ СЛОЖНЫМИ ТЕХНОЛОГИЧЕСКИМИ СИСТЕМАМИ В УСЛОВИЯХ НЕОПРЕДЕЛЕННОСТИ

На сегодняшний день металлургическое производство с точки зрения управления и многостадийного характера изготовления продукции является сложной, большой системой с различными особенностями функционирования подсистем и элементов. Традиционные методы для реализации управления такими системами малоэффективны, так как одной из основных проблем при этом является выбор оптимальных управленческих решений с учетом текущих ситуаций и ограничений на изменения значений техно-логических параметров. Одной из проблем, возникающих при управлении сложными технологическими системами металлургического производства, является разнородность большого объема данных, затрудняющая процесс принятия эффективных и оперативных решений при управлении производством. Принятие адекватных решений экспертом связано с необходимостью агрегировать разного рода информацию на различных уровнях иерархии. Кроме того, функционирование реальных сложных систем металлургического производства происходит в условиях неопределенности информации, и реализовать эффективное управление, организовать поддержку принятия решений, обеспечить оперативность и точность информации для повышения качества металлопродукции и технико-экономических показателей производства в данном случае не представляется возможным. В связи с чем в работе предложена модель интеграции разнородной информации в условиях неопределенности, которая позволит учитывать меру значимости не только отдельных значений технологических параметров на определенной стадии производства, но и множества таких параметров за счет применения нечеткой меры при интеграции данных. Данная модель позволит повысить точность определения необходимых значений техноло-гических параметров за счет учета всех стадий производства, выполняемых технологических операций, а также за счет использования агрегирования данных на каждом переделе. Особенностью разработанной модели является возможность применения корректирующих процедур для последовательной адаптации функций принадлежности нечетких параметров.

сложные технологические системы, агрегирование данных, интеллектуальная поддержка управления, многостадийная технология в условиях неопределенности, complex technological systems, data aggregation, intelligent control support, multi-stage technology under uncertainty

1. Бусленко Н.П. Моделирование сложных систем. М.: Главная редакция физико-математической литературы изд-ва «Наука», 1968. 356 c.

2. Месарович М., Мако Д., Такахара И. Теория иерархических многоуровневых систем. М.: Издательство «Мир», 1973. 344 c.

3. Алфимцев А.С. Нечеткое агрегирование мультимодальной информации в интеллектуальном интерфейсе // Программные продукты и системы. 2011. № 3. С. 44-48.

4. Власов С.А., Шплихал И. Состояние разработок и перспективы развития имитационных систем для анализа функционирования и автоматизированного проектирования производства (на примере металлургии и машиностроения) // Моделирование и идентификация производственных систем. ИПУ, 1988. С. 5 - 17.

5. Рожков И.М., Власов С.А., Мулько Г.Н. Математические модели для выбора рациональной технологии и управления качеством стали. М.: Металлургия, 1990. 398 с.

6. Смирнов В.С. Методы и модели управления проектами в металлургии. М.: СИНТЕГ, 2001. 176 с.

7. B. Golden, E. Wasil and P. Harker The analytic hierarchy process: applications and studies. Springer-Verlag, New York, 1989. 265 p.

8. Gitman M.B., Trusov P.V., Fedoseev S.A. On optimization of metal forming with adaptable characteristics // Journal of Applied Mathematics and Computing. 2000. Vol. 7. No. 2. Pp. 387- 396.

9. Kabulova E.G. Application of methods of mathematical modeling and information processing in metallurgical production // Исследование, разработка и применение высоких технологий в промышленности. Тюмень, Стерлитамак АМИ, 2018. С. 4-8.

10. Saati T. and Kerns K. Analytical planning. Organization of systems. М.: Radio and communication, 1991. 224 p.

11. Marichal J. On Choquet and Sugeno integrals as aggregation functions // Fuzzy Measures and Integrals. 2000. Vol. 40. Pp. 247-272.

12. Merkuryeva G. Computer Simulation in Industrial Management Games // Proc. of MlM 2000. IFAK Symp. on Manufacturing, Modeling, Management and Control. University of Patras, Rio, Greece, 2000. P. 69 -73.

13. Matsko I.I. Adaptive fuzzy decision tree with dynamic structure for automatic process control system o of continuous-cast billet production // IOSR Journal of Engineering. 2012. Vol. 2. № 8. Pp. 53-55.

14. Baldwin J. F., Guild N.C. Comparison of Fuzzy Sets on the Same Decision Space // Fuzzy Sets and Systems. 1879. Vol. 2. № 3. Pp. 231-231.

15. Harald Meyer auf Hofe Nurse rostering as constraint satisfaction with Fuzzy Constraints and Inferred Control Strategies // In DIMACS Series in Discrete Mathematics and theoretical computer science. 2000. P. 257-272.