Диссертация (1172939), страница 13
Текст из файла (страница 13)
Процесс синтеза модуля будет закончен при достижении суммарной величины вероятности эффективного обнаружения модуля (или его суммарной стоимости) с установленной точностью требуемого(предельного) значения. Алгоритм оптимизации проектирования системыохранно-пожарной сигнализации представлен на рисунке 3.6.Рассмотрим в качестве примера вариант использования данного метода при модернизации звуковых охранных извещателей серии «Стекло»,предназначенных для обнаружения разрушения остекленных конструкций[63, 64].
В качестве «исходного» технического средства выбираем извещатель – аналог «Стекло-1», обладающий недостаточно высокими значениемосновных ТТХ и имеющий PЭО(1000) = 0,9. В соответствии с техническимзаданиемсебестоимостьмодернизированногозвуковогоизвещателяне должна превышать себестоимость аналога более чем в 1,3 раза.В таблице 3.2 приведены рассмотренные при проектировании способыувеличения вероятности эффективного обнаружения PЭО(t) и результат ихприменения в «исходном» звуковом извещателе. Данные методы апробированы и уже использованы в извещателях «Стекло-2» – «Стекло-4» [23, 88-90].Для выявления взаимодействия способов может быть построена матрица, диагональными элементами которой являются величины приращенийстоимости к минимальному звуковому извещателю Si, а остальными элементами – добавка к этому приращению в результате использования ранее другого способа.Анализ показывает, что способы 1 и 4 являются зависимыми и применение первым 4-го способа, а вторым – 1-го более выгодно.С учетом затрат на реализацию данных способов оптимальная последовательность будет 4, 1, 2, 3, 5.96Рисунок 3.6 – Алгоритм оптимизации проектирования системыохранно-пожарной сигнализации97Расчет показывает, что 3-й и 5-й способы при их достаточно большойэффективности не удовлетворяют условию ограничения на себестоимостьмодернизируемого модуля, поэтому не могут быть применены.
Таким образом, в новом звуковом извещателе могут быть использованы способы 4, 1, 2.Вероятность эффективного обнаружения при этом возрастает на 0,034 и составит PЭО(1000) = 0,934.Таблица 3.2 – Способы повышения вероятности эффективного обнаружениязвукового извещателя№п/пНаименование способаНа какой пара- PЭОметр PЭО влияет (1000)1Селекция сигнала в двух спектральных областях с логическим объединением «2И»Pдо, Pбр0,0132Применение имитатора звукового сигналаразрушения стеклаPдо, Pур0,0053Введение периодического контроля функционирования и защиты от саботажаPбр, Pос0,0184Анализ непрерывности и длительностисигналаPдо0,0165Применение единого протокола обменаданными в системе охранной сигнализацииPбр, Pос0,08Следует отметить, что практическое применение данного метода показывает значительное влияние конкретной схемной реализации применяемогоспособа на PЭО(t).
Это придает большое значение совершенствованию схемотехнических и технологических приемов применения различных способовулучшения параметров проектируемого модуля.Таким образом, рассмотренный метод решения задачи оптимизации,учитывающий как основные характеристики обнаружения, так и затраты наих реализацию, может быть использован при проектировании эффективнойсистемы охранно-пожарной сигнализации промышленного объекта.983.3 Оптимизация состава автоматизированной системыцентрализованной охраны промышленного предприятияДля обеспечения оптимального состава ТС ССОД необходимо обеспечить соответствие категории охраняемого объекта степени функциональнойоснащенности ТС ССОД.
Наиболее часто такую задачу решают, используяметоды экспертных оценок [91, 92], нечетких множеств [93-95], кластерногоанализа [12, 96, 97].Возможность использования экспертных оценок и обоснование их объективности основаны на том, что неизвестная характеристика исследуемогоявления трактуется как случайная величина, отражением закона распределения которой является индивидуальная оценка специалиста-эксперта достоверности и значимости того или иного события. При этом предполагается,что истинное значение исследуемой характеристики находится внутри диапазона экспертных оценок рР (где Р = (р1, р2, …, рi, …, рn), − репрезентативная выборка), получаемых от группы экспертов, и что обобщенное коллективное мнение является достоверным.Необходимо отметить, что экспертные оценки наряду с достоинствамиимеют и ограничения, основные из которых представлены в таблице 3.3.На основе механизма теории нечетких множеств создано несколько методов многокритериального выбора альтернатив: отношения предпочтения,нечеткий вывод, аддитивная свертка, максиминная свертка.Достоинстваинедостаткиперечисленныхметодовприведеныв таблице 3.4.Все методы, основанные на теории нечетких множеств, имеют общиесвойства.
Однако методы, базирующиеся на разных подходах, дают различные результаты. Их общим недостатком является слабая устойчивость результатов относительно исходных данных.99Таблица 3.3 – Достоинства и недостатки экспертных оценокДостоинстваНедостатки1. Синтез опытаи интуиции для полученияновогознания1. Достоверность и надежность результатов исследованиязависятот компетентности экспертаСпособы повышенияистинности результата1. Применение специальных как индивидуальных, так и коллективных процедур сбора информации.2.
Возможность по- 2. Субъективность методалученияколичественныхоценокв случаях, когда отсутствуютстатистические сведенияилипоказательимеет качественнуюприроду2. Применение методовобсуждения,предполагающих личноевзаимодействиеэкспертов при рассмотрении проблемы3.Относительная 3. Трудоемкость процедурыбыстрота получения сбора информации и порезультатовтребность в высококвалифицированных специалистах для проведения опроса3. Применение методов,сочетающихтворческийподходк решению проблемыи статистические методы обработки полученныхданных(например, Дельфи)Наиболее применим для решения поставленной задачи кластерныйанализ, под которым понимают совокупность методов классификации многомерных наблюдений или объектов, основанных на определении понятиярасстояния между объектами с последующим выделением из них группнаблюдений (кластеров) [96-98].100Таблица 3.4 – Достоинства и недостатки методов нечетких множествДостоинстваНедостатки1.
Возможность оперировать нечеткими 1. Отсутствие стандартнойвходными данными: например, непрерывно методики конструированияизменяющиеся во времени значения (динами- нечетких системческие задачи), значения, которые невозможно задать однозначно (результаты статистических опросов)2. Возможность нечеткой формализации критериев оценки и сравнения: оперированиекритериями «большинство», «возможно»,преимущественно» и т. д.2.
Невозможность математического анализа нечеткихсистемсуществующимиметодами3. Возможность проведения качественныхоценок как входных данных, так и выходныхрезультатов: оперирование не только значениями данных, но и их степенью достоверности и ее распределением3. Применение нечеткогоподхода по сравнению с вероятностным не приводитк повышению точности вычисленийОсновные наиболее распространенные алгоритмы кластерного анализаприведены на рисунке 3.7.Рисунок 3.7 – Основные методы кластерного анализа101Основные достоинства и недостатки вышеупомянутых методов приведены в таблице 3.5.Таблица 3.5– Достоинства и недостатки алгоритмов кластерного анализаАлгоритмкластеризацииДостоинстваНедостаткиk-среднихПростотаиспользования,возможность останавливатьработу алгоритма, еслина шаге 2 не было объектов,переместившихся из кластера в кластерНеобходимостьзадаватьколичество кластеров дляразбиения, невозможностьприменения при пересекающихся кластерахИерархический алгоритмПростотаиспользования, Наличие системы полныхнаглядностьразбиений, которая можетявляться излишней в контексте решаемой задачис-среднихНечеткостьопределенияобъекта в кластер позволяетопределить объекты, которые находятся на границекластеровГрафовыеалгоритмыНаглядность, относительная Ограниченнаяприменипростота реализации и воз- мость, плохая управляеможность внесения различ- мость числом кластеров.ных усовершенствований,основанных на геометрических соображениях.Возможность создания какплоского разбиения данных,так и иерархического.Необходимость задавать количество кластеров для разбиения либо необходимостьоднозначно отнести каждыйобъект к одному кластеруПроведя анализ вышеуказанных методов, можно сделать вывод,что для решения конкретной задачи оптимизации наиболее применим методиерархической кластеризации со способом обработки данных агломеративным алгоритмом.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
