复杂生产过程

复杂生产过程（精选10篇）

复杂生产过程 篇1

1 引言

在现实生活中,复杂性现象很多,如经济领域、金融领域、管理领域、生命科学领域、自然科学领域等等。复杂性科学的研究重点是探索宏观领域的复杂性及其演化的问题,其研究对象是复杂系统,在这种系统中,众多因素在多方面进行着错综复杂的相互作用。由于大多数重大决策都面临着多变的决策环境、复杂的决策问题以及不断演化的决策过程,必须通过群体决策的方式来提高决策的可靠性。由此可见,群体决策问题具有复杂系统的典型特征。当前对群体决策理论的研究主要有三种理论模式[1]:效用决策模式、行为决策模式和复杂决策模式。关于效用决策模式方面的研究成果斐然,但大多集中在具体决策环节的效用算法优化和决策技术上。行为决策模式则从决策个体、决策群体的角度研究决策者的行为特征,规避影响决策的各类因素,营造良好的决策环境,以便提高决策质量。复杂决策模式的研究正是从系统论的角度重新诠释整个群体决策过程的复杂性的。目前针对群体决策的研究倾向于前两种理论模式,不足之处在于过多采用还原论的方法将整个决策过程进行分离,对决策过程的某个局部细节进行研究,缺乏整体性考虑。

因此,本文尝试基于复杂性科学理论的思想,从决策过程(Decision Making Process,DMP)的角度,论述了群体决策过程的复杂性,从横向过程和纵向过程两个方面探讨群体决策过程复杂性的构成,并分析了两种复杂性演化模式,最后提出面向复杂性的群体决策过程控制策略,以期对群体决策理论研究提供一种新的思路。

2 复杂性科学基本理论

从历史看来,正式提出“复杂性研究”的是埃德加.莫兰(Edgar Morin),提出“复杂性科学”概念的是普利高津(Llya Prigogine),而标志着复杂性科学诞生的是贝塔朗菲(Von Bertalanffy)对一般系统论的创立[2]。从此开始,复杂性科学研究方兴未艾,成果颇丰。1984年被誉为世界复杂性问题研究中枢的美国圣塔菲研究所(Santa Fe Institute,SFI)成立,并提出了很多极有影响力的复杂性科学理论,如复杂自适应系统理论(CAS)等。我国复杂性科学研究始于20世纪80年代,突出代表为钱学森教授,他提出了开放的复杂巨系统的概念和处理这类问题的系统方法——即从定性到定量的综合集成研讨厅体系。一般来说,复杂性科学主要研究对象为复杂系统与复杂性。复杂性科学的产生是为了避免传统还原论科学的局限性,而采用整体论或非还原论的方法论,其研究方法是定性与定量相结合、微观与宏观相结合、还原论与整体论相结合以及推理与思辨相结合。从复杂系统的特点来看,复杂性科学注意研究对象的完整性,注意构成对象系统的要素之间的联系性,注意由部分组成整体之后的涌现性,更注意研究对象在时间上的动态演化性。

黄欣荣[3]认为,复杂性科学并不是一门学科,而是在复杂性视野下的一群学科,其复杂性科学的内核为现代系统科学、非线性科学以及通过计算机仿真研究而提出的各种算法。目前来说,构成复杂性科学的核心理论主要有:涌现生成理论、复杂适应系统理论、进化计算理论、自组织临界性理论、人工生命理论、复杂网络理论。复杂性科学理论的每个分支研究角度有所差异,但是其遵循的原理基本相同,具体表现为:整体性原理、动态性原理、时间与空间相统一原理、宏观与微观相统一的原理、确定性与随机性相结合的原理[4]。目前复杂性科学理论已经运用于物理科学、生命科学、经济科学以及人文社会科学等领域中,取得了较好的成果。但是复杂性科学研究在某些领域尚不够深入,比如社会科学领域中的复杂性问题、经济管理领域中复杂性的运行机理等等,仍存在整体性考虑、定量化分析以及合理化建模的不足,需要开展相应的研究。

3 群体决策过程的复杂性

3.1 群体决策

对于那些复杂的决策问题,往往涉及目标的多重性、时间的动态性和状态的不确定性,这是单一决策个体的能力远远不能驾驭的。为此,群体决策因其特有的优势得到了越来越多的决策者的认同并日益受到重视。群体决策(Group Decision Making,GDM)一般是指为充分发挥群体的智慧,由多人共同参与决策分析并完成决策的整体过程,主要对某些重大的、复杂的、风险较大的问题进行集体决策(Collective Decision),以提高决策的质量。一般而言,群体决策主要包含了决策环境分析、决策问题分解、拟定决策方案、决策方案选择、决策结果评估等内容,决策主体和决策客体贯穿于整个群体决策过程。

由于群体决策由多个决策个体组成,其规模、结构均会影响整个决策的效果,决策过程中存在决策个体之间、决策个体与决策群体之间、不同决策群体之间的交互活动。因此,本文认为群体决策过程主要由决策知识构建过程、决策方案选择过程和群体共识形成过程构成。决策主体与决策客体之间有三个阶段的交互过程,如图1所示。

第一阶段,交互过程①为决策知识构建过程(Knowledge building process,KBP)。决策伊始,初始决策群体分析总体决策目标,找到初始决策问题,确定初始决策方案集。其次,决策个体针对初始决策目标、决策目标进行知识储备与预备,同时决策个体之间进行决策前的知识交互,互相启发,涌现出新的知识,形成决策知识。再则,初始决策方案可能会进行修正,甚至增减。

第二阶段,交互过程②为决策方案选择过程(Solutions choosing process,SCP)。首先,初始决策群体根据决策目标修正初始决策方案,得到新的决策方案集,确定群体分组、群体规模以及群体结构,以此确定扩大化的决策群体。其次,决策群体采用各种决策方法和技术对决策方案集进行判断,得到群体决策相关决策数据。最后,结合各种决策算法和决策信息,对群体决策得到的决策数据进行建模分析,得到决策方案集的排序。

第三阶段,交互过程③为群体共识形成过程(Consensus forming process,CFP)。在决策方案选择过程中,由于决策群体内部、决策群体之间可能存在意见不一致、利益冲突等问题,需要群体内部决策个体之间进行研讨,达成一定的群体内部共识,需要决策群体之间进行研讨,达成群体之间的共识,以便于更好地开展方案的决策。意见不一致可以通过决策权重设置来解决,利益冲突则通过决策博弈直到形成决策均衡。

3.2 决策过程复杂性

决策理论的代表性人物Simon教授[5]认为,“决策的制定过程主要由情报活动(intelligence activity)、设计活动(design activity)和抉择活动(choice activity)等三个基本阶段组成,各个决策阶段构成的链环远比此复杂,决策过程的每阶段本身又是一个复杂的决策过程,存在着环套环(Wheels within wheels)的现象。”实际上,由于受到环境中的不确定性因素、所能得到的有限信息量以及自身对决策信息判断计算能力的限制,决策者实施有限理性决策,而有限理性决策会带来决策过程的复杂性。

Lindblom教授强调[6]决策是一种“摸着石头过河”的过程,决策在接连有限的对比中做出,决策过程中价值目标的选择和对应采取行动的分析之间互相盘绕,很难相互区分,分析极为有限并且其初始点不是某个理想的目标而是现行的政策,决策所能考虑的仅是渐进的变化或边际的变化。决策者是有限理性的决策主体,其决策行为可能受到决策偏好、决策利益、决策环境的影响而导致决策主体的复杂性。由于决策问题可能具有一定的模糊性,在决策行动方案的递解分解过程中也会存在决策对象的复杂性。决策方案的选择过程由于决策者的信息交互、决策阶段的反馈循环导致选择过程的复杂性。由此可见,复杂性贯穿于整个决策过程。

3.3 群体决策过程的复杂性构成

有研究表明[7],当前的决策理论可分为两种研究路径。其一,当求解某一具体决策问题时,一般都是从时间维度的视角即按照时间的先后顺序来开展决策过程。其二,当研究某一个决策问题的共性时,考虑的重点则是从空间维度的视角来分析决策过程的某一具体的环节。在研究群体决策过程的复杂性时,本文从复杂性科学的整体性原理出发,沿用当前决策理论的这两种研究路径,主要从横向过程复杂性和纵向过程复杂性两个视角进行整体性的分析与研究。

(1)横向过程复杂性(Horizontal process complexity,HPC)

由前文可知,群体决策过程主要包括群体知识构建过程、方案构建过程和共识构建过程等三部分。由于整个群体决策过程是动态、不确定的,群体在知识构建、方案构建以及共识构建过程中存在着复杂性,具体表现在:

①源自知识构建的复杂性(Complexity from knowledge building)。

曾建华、何贵兵等[8]认为,群体决策的质量取决于其全部认知资源能否通过群体交互而得到有效利用,而决策信息和知识的有效分享、专长知识随决策情境和任务阶段变化而适应性转换、专长分布式群体对决策所需新知识的交互式构建是群体决策质量的三个重要的认知保证。Payne和Bettman[9]指出,决策中的知识构建过程包括问题表征、信息获取和解释、信息整合及知识表达四个阶段。决策问题的描述与表征形成决策问题知识,决策群体通过信息交互与整合构建群体知识库,甚至涌现出新的决策知识。不同专业领域的专家群体,不同信息交流模式的群体知识涌现都会导致群体知识的构建过程呈现复杂性。

②源自方案选择的复杂性(Complexity from solutions choosing)。

F. Herrera等[10]指出,群体决策选择过程主要包括群体偏好表述及转换、群体偏好集结与决策方案选择等三个方面。目前国内外的学术界对群体决策的研究大多集中在决策方案的选择算法上。在群决策的方案选择过程中,群决策主体面对着如此多的决策选择算法,可能存在算法选择的复杂性。同时,决策方案选择过程中还存在决策交互的现象,即子决策问题的决策过程之间的信息交叉、决策结果交叉,某一子决策过程产生的结果成为另一子决策过程的约束条件,影响其决策结果。

③源自群体共识的复杂性(Complexity from groups consensus)。

由于组织复杂性以及群体复杂性,在群决策过程中出现冲突是不可避免的,这就需要通过群体沟通达成群体共识来解决。Jehn[11]通过研究发现群体中存在三种冲突:以任务为中心的冲突、以关系为中心的冲突和以过程为中心的冲突。多目标群体决策的决策模式与决策过程存在着决策目标和决策问题的冲突、决策偏好和决策规则的冲突以及决策利益之间的冲突等三类决策矛盾冲突。因此在群体决策过程中需要达成决策目标和决策问题的共识,达成决策偏好和决策规则的共识,尤其要达成群体意见一致性的共识。由于群体决策过程中各类决策冲突的存在,必定导致群体共识的复杂性,要求群体进行交互决策达成一定的决策共识度。

(2)纵向过程复杂性(Vertical process complexity)

在群体决策进程的每一个进度结点中,存在着决策主体之间、决策客体之间以及决策主体与决策客体之间的交互,必然导致各类决策过程的复杂性。群体决策的纵向过程复杂性主要表现在:

①源自主体知识的复杂性(Complexity from subject knowledge)。

在决策过程中,主体知识是决策主体进行理性决策的材料和工具。而主体知识掌握多少和好坏必将影响着决策主体进行决策的质量。决策主体的有限知识会带来主体的有限理性,这两者均会导致主体决策产生决策偏差[12]。在实际群体决策过程,决策主体知识的拥有量会随着群体交互而不断增加,对整个决策过程产生一定的复杂性。

②源自主体行为的复杂性(Complexity from subject actions)。

在复杂的、不确定性的决策环境下,决策主体可能还存在规则支配和目标支配两种决策行为,决策主体会根据自身掌握的知识量来选择不同的决策行为。为了某一决策目标,单一决策主体通过聚类形成群体决策主体,而聚类的条件就是单一决策主体的决策偏好,如决策个性、风险承受程度、决策利益等。群体决策过程中,往往难以避免由于局部利益冲突带来的决策行为复杂性。

③源自群体结构的复杂性(Complexity from groups structure)。

为了获得高可靠性的群决策结果,决策群体要达到一定的规模。有研究认为[13],决策群体规模越大,越容易生成更合理的决策方案和决策结果。而大规模的决策群体具有多层次结构,各成员之间通过一定的结构构成一个复杂的网络,群体成员通过不断地学习交互并对层次结构进行重组[14]。

④源自决策问题的复杂性(Complexity from decision problem)。

群体决策问题往往是复杂和难以确定的,其目标通常是模糊和缺失的。决策目标的描述没有固定的模式或者程序,总体决策目标的递解分解存在模糊复杂性,决策子目标之间可能存在不可公度性和矛盾性,甚至还有决策目标交叉的现象。另外,决策过程不可避免地与决策环境进行信息交互和能量交互,决策环境随着时间进度不断地变化,并对决策目标产生影响,在一定程度上也使决策目标更加复杂化。群体决策过程复杂性的构成如图2所示。

4 群决策过程的复杂性演化

根据复杂性科学理论基本原理可知,复杂系统由于各个组成要素及其之间存在交互演化的不可确定性,因此具有复杂性和动态性。对于复杂群体决策,从决策过程的开始到结束,各种复杂性都在不断变化中,比如由于决策问题的模糊不确定性,在将决策问题进行分解后需要扩大群体规模,设定群体结构,此时决策问题复杂性演化为群体结构复杂性。源自群体结构的复杂性也会逐步演化为决策主体知识的复杂性。由于决策主体所拥有决策相关知识的差异性以及群体主体的有限理性必定会带来群体主体行为的复杂性。实际上,整个群体决策过程的复杂性也是从横向过程与纵向过程两个角度进行动态演化的。横向过程的复杂性演化是指群体决策的复杂性按照知识构建过程、方案选择过程和群体共识过程三个阶段进行演化,其演化的形式为螺旋向前式,前一个阶段的复杂性推动后一个阶段的复杂性,本文称之为横向旋进演化模式(Horizontal Spiral-propulsion Evolution Mode,HSE Mode)。纵向过程的复杂性演化是指群体决策某环节中,按照纵向空间的方式在决策主体与决策客体之间进行的决策交互形成的复杂性转换过程,其演化的形式为空间交互式,交互对象之间存在信息与行为的复杂性,本文称之为纵向交互演化模式(Vertical Interactive Evolution Mode,VIE Mode)。群体决策过程的复杂性演化模式如图3所示。

4.1 横向旋进演化模式(HSE Mode)

王浣尘等[15]曾提出一种“难度自增殖系统”的概念,认为“难度自增殖系统”指的是处理这类系统的困难程度会随着处理过程和时间进程而增加的系统。他还针对“难度自增殖系统”提出一种系统方法论——螺旋式结合推进原则(Spiral Combining Propulsion Principles),简称为旋进原则(SPIPRO Principles),认为旋进原则方法论在处理这样一类系统过程中,以动态跟踪系统目标为宗旨形成一条主轴线,坚持将多种方法相结合或交替灵活应用并及时进行反馈调整,以使系统在变化或演化过程中尽可能地接近主轴线。显然,作为一个系统工程,复杂大群体决策过程亦属于难度自增殖系统的范畴,其复杂性演化亦满足旋进原则的要求。因此,群体决策过程复杂性的横向演化呈现为旋进的态势。知识构建复杂性经过决策主体之间交互之后,群体知识达到一种稳态,并向前旋进演化为方案选择复杂性。当群体按照决策规则对决策方案集进行选择后,方案选择复杂性自然向群体共识复杂性旋进演化,达成群体之间的决策共识。

4.2 纵向交互演化(VIE Mode)

在群体决策过程中,涉及群体内部个体之间的决策知识交互、决策偏好交互,群体之间的群决策知识交互、群决策偏好交互,以及群体决策过程中前后决策过程之间的交互等,通过决策过程的交互,解决群体内部和群体之间的各类决策冲突问题,最终实现群体意见的一致性。陈建中,徐玖平等[16]认为通过多轮的交互决策过程,对决策方案、个体偏好等进行研讨,提供信息,澄清方案,在逐步优化选择过程中,逼近群体共同的理想决策方案。对于利益冲突类的决策过程,文献[17]中分析了交叉决策存在的可能,说明在复杂环境下系统决策不但需要依靠本系统各个决策部门的有效协作,充分利用群体决策信息共享的效益,且还需积极的获取对抗决策流信息,将信息优势最大化地转为决策优势,以获取系统最终竞争优势。决策主体和决策客体之间通过交互,决策过程复杂性不断地演化,比如从主体知识复杂性演化到主体行为复杂性,从决策问题复杂性演化到群体结构复杂性等。

5 群决策过程复杂性控制策略

5.1 对群体结构进行合理设计,控制群体主体复杂性

由前文可知,群体决策绩效会受到群体规模、决策环境的影响。关于群体规模对决策绩效的影响,无论在非计算机支持还是在计算机支持的决策环境下,国内外的研究人员进行了广泛的理论和实验探索。研究结果表明[18]:方案数量、方案质量随群体大小的增加而增加,群体规模的选择还受到群体个体所拥有相关决策知识量的影响。为了使群体决策结果更加可靠,当群体个体决策能力较强时,群体规模可以较小,而当群体成员决策能力较弱时,群体规模应当较大[19]。因此,在群体决策过程中,面向复杂性需要探讨的关键问题之一在于如何设计合适的群体规模,对决策主体进行适当的控制,形成良好的群体结构,集结更多的决策相关知识,以便更好地为群体决策服务,使群体决策过程复杂性得以横向旋进演化和纵向交互演化,提高群体决策的可靠性。

5.2 对决策问题进行合理分解,控制决策客体复杂性

对于高层决策的复杂问题而言,由于决策环境往往是复杂动态的,决策目标和对象一般具有不确定性和模糊性,因此需要适当地从还原论的视角对决策问题进行按层次进行递阶分解,以便研究如何开展决策[20]。在递阶分解过程中,随着决策问题的逐层展开,可能由于当时考虑不周导致子决策问题之间存在交叉、重叠甚至冲突等现象,而带来决策客体的过于复杂化,势必影响整个群体决策的绩效。为此,对决策问题本身进行分析,研究如何从整体论和还原论相结合的角度,适当地进行决策客体的分解和分组,控制好决策客体的复杂性,也是群体决策过程的关键任务之一。

5.3 对决策交互机制进行合理设计,控制决策过程复杂性

群体决策越来越受到重视,其原因在于群体决策有利于集中不同领域专家的智慧,通过集结群体的决策意见,应付日益复杂的决策问题,获取更高可靠性的决策结果。在群体决策过程中,决策交互机制的建立,是非常关键的步骤。对于决策客体而言,决策目标、决策问题和决策方案集的确定,均需要决策群体进行意见交互和意见集结。对于决策主体而言,决策主体知识的构建、决策主体行为的趋向以及群体规模的设置,亦需要决策群体进行意见的沟通与交互,尽可能降低决策冲突,达成决策意见的一致性,促使决策过程的复杂性按照横向旋进和纵向交互两个正确的方向进行演化。

6 结束语

复杂性科学是一种新兴的边缘、交叉学科,为复杂系统研究开辟了新路径。复杂系统是具有自适应能力的演化系统,是一种包含了多个行为主体、具有层次结构、允许反馈的系统。复杂性科学侧重于从整理论和系统论的角度对复杂系统开展研究。复杂群体决策系统具有复杂系统的典型特征,但是目前的研究大多依据还原论对群体决策的局部进行研究,缺乏对整个决策过程的整体思考。为此,结合复杂性科学理论的基本原理,本文尝试从决策过程的视角分析探讨了群体决策过程的复杂性,还分析了决策过程复杂性的两种演化模式:横向旋进演化模式和纵向交互演化模式,并提出面向复杂性的群体决策过程控制策略,以期为群体决策理论的研究打开新的思路。今后将在群体决策过程的复杂性测度、复杂性演化轨迹以及群体决策过程集结方面开展深入理论研究与实证分析。

摘要：由于群体决策过程受到决策环境、决策主体、决策客体的影响,复杂性贯穿于决策过程的始终。因此群体决策的过程复杂性逐渐成为决策理论的研究难点。基于复杂性科学理论,本文从横向过程复杂性和纵向过程复杂性两个维度对群体决策过程的复杂性构成框架开展分析与研究,探讨了横向旋进演化和纵向交互演化两种群体决策过程复杂性演化模式,并提出三个面向复杂性的群体决策过程控制的策略。

关键词：群体决策,决策过程,复杂性,演化

复杂生产过程 篇2

生产测井在复杂断块油藏开发中的应用

Y油区的许多开发单元已处于高含水、中高采出程度、剩余油分布十分复杂的.开发阶段,在动态监测的基础上加强了多种测井方法的应用与研究,与生产动态认识相结合,提出了各种注采调整方案和单井措施增油方案,实施效果明显,改善了油田开发效果.

作 者：杨波 吴传旺 崔梅红 唐建清 作者单位：江苏油田分公司试采一厂,江苏,江都,225265刊 名：断块油气田 PKU英文刊名：FAULT-BLOCK OIL AND GAS FIELD年，卷(期)：15(5)分类号：P631关键词：剩余油饱和度 水淹级别 产液剖面 油藏管理

复杂生产过程 篇3

关键词：中生代复杂构造体系；成矿体系；成矿过程

1概述

在我国东部的华北大陆北缘，中生代花岗岩进行广泛分布，它是岩浆活动后的主要特征，与中生代形成矿体有着密切的关系。本文对西拉木伦成矿带进行研究时，以矿床的成矿时代、地球化学特征以及矿床的地质等作为基础，根据构造环境，中生代成矿作用主要可分为三期，分别为造山后期的局部伸展、构造体系的转换以及岩石圈的大规模减薄。不同时期的成矿作用形成了不同的地球化学特征与矿床地质。并与中生代中复杂的构造演化，对矿床成因、地质特征等进行研究掌握，探究其成矿规律。

2华北大陆北缘区域构造演化与成矿特征

华北大陆北缘经过了古生代造山，其中包括古亚洲洋的闭合等，最终华北大陆板块与西伯利亚大陆板块进行并和形成了位于北缘的造山带。该造山带的形成是由多个大陆板块的共同作用，结合大洋和陆地的共同演变，经过多个大陆板块合并后所形成的，属于增生造山，该增生过程时期更久，原因更复杂，是增生型造山带的代表。经过不同板块的合并之后，中生代及新生代时期内发生的陆内伸展以及环太平洋的岩浆作用进行叠加，使华北大陆北缘造山带具有陆内垂向增生的特征。复杂的中生代作用加上岩浆及壳幔作用形成了造山带岩石圈的减薄，再加上岩浆活动中伴随的强烈物质迁移与交换等，因此矿床中具有复杂的矿物组成。华北大陆北缘造山带走向以东西向为主，特点为成矿时间早、成矿时间长、成矿原因复杂。区域内矿床的分布受到了构造格局的控制，总体上为东西走向，并分区集中。该种规律体现了构造体系对矿床的控制。从华北大陆北缘内矿床形成时间来看，主要形成时间为晚古生代以及中生代。中生代矿床形成与大量的岩浆活动息息相关，矿床类型以火山岩型、斑岩型等为主。

3中生代西拉木伦多金属成矿带形成的复杂过程与成矿模式

在西拉木伦多金属成矿带上主要分布有中生代的火山岩、碎屑岩以及沉积岩。在燕山期侵入的酸性岩广泛分布于矿带中，本矿带的三期成矿作用反映了区域构造的转变，对研究地球动力学过程有重要意义。

3.1三叠纪造山后期的局部伸展成矿作用

从华北大陆北缘区域中的构造来看，由于造山作用后的伸展，在三叠纪时期有一次构造热事件作用的发生，从而导致岩浆作用，虽然规模小，但是岩浆活跃于整个造山带。根据同位素测定，华北大陆北缘在早中生代时期为局部伸展的状态，同时有大量花岗岩侵入到造山带中，大量形成了锰矿、铜矿。

3.2侏罗纪构造体系转换与多方向构造的联合成矿作用

在侏罗纪时期，华北大陆北缘受到了多个构造的共同作用，不仅有古太平洋板块的西向俯冲作用，也有造山后伸展作用影响，共同作用所形成矿山的主要特点表现为多期次、多方向、多性质的断裂构造，岩脉同理。在侏罗纪时期早期，华北大陆北缘主要受到挤压作用，只有局部受到伸展作用形成构造，之所以受到挤压，与蒙古地区的闭合作用密切相关。在侏罗纪中期，由于断裂带的控制，形成了钼矿矿床。该时期的矿山带构造与古太平洋的西向俯冲具有紧密关系。侏罗纪时期晚期，华北大陆北缘构造发生了巨大变更，该地区成为环太平洋的一部分。由于古太平洋西向俯冲的作用，矿山带走向向北东方向转变，再加上花岗岩的侵入，形成了金矿、铜矿等的矿床。

3.3早白垩陆内伸展与岩石圈大规模减薄作用

在华北大陆北缘矿山带形成过程中，早白垩时期是成矿作用最为激烈的阶段，有大量多金属矿形成。这些矿体主要分布在大兴安岭主脊与西拉木伦河断裂的交汇处。其中小东沟斑岩型钼矿的主要产出形态为壳状或层状，岩体主体为斑状花岗岩，宽度几米到几十米不等，其中富含钾和碱。

4中生代西拉木伦多金属成矿带中酸性斑岩成矿属性与成矿作用

中酸性岩石与矿床的形成具有紧密联系，不同的岩石成矿元素的组合不同，这就是成矿专属性。本文对中酸性岩石的成矿专属性进行分析，并对成矿作用进行探讨。它能够反映出矿山带的构造背景。

4.1富钼花岗岩含大量硅和碱

根据研究，地球化学组成与岩石的成矿元素具有一定关系。钼矿形成的有利条件为二氧化硅含量大于70%，氧化钾在4%到6%之间。该类花岗岩的硅含量、碱含量以及钾含量都较高，而氧化钙、氧化铁等的含量都比较低。

4.2成矿作用与岩浆演化方式有关

岩浆活动时的熔融作用对铜矿和金矿的形成都有有利作用，而钼矿的形成则与分离结晶作用紧密相关。而如果熔融作用与分离结晶同时存在时，可以形成铜钼矿。这是通过对成矿作用与岩浆演化方式的关系进行研究得到的。

4.3成矿作用与区域构造性质相关

斑岩型的铜钼矿主要分布在陆内环境中，与陆弧或者裂谷相关，铜金矿则主要存在于造山带环境中，在造山带形成的后期存在有大型的断裂与走滑现象，这是华北大陆北缘形成大型矿床的重要原因。

总结：中生代由于发生了复杂的地质构造作用，再加上岩浆对造山带的侵入，形成了大量的矿床。整个时期中地质构造的不断叠加使得矿床特征变得更加复杂。因此对中生代的构造体系进行分析有利于分析出该时期的成矿原因与成矿作用。本文以华北大陆北缘的矿床作为案例，具体分析中生代复杂构造体系下的成矿体系以及成矿作用。矿体形成与多方面相关，不同的地质条件也会形成不同的矿床。对该矿床的分析有助于发现更多相似矿产。

网络群决策过程的复杂性研究 篇4

关键词：网络群决策,决策过程,复杂性

信息时代, 互联网作为代表的先进科学技术正在快速地更新、变革着我们的生活。根据2013年1月, 中国互联网络信息中心 (CN-NIC) 发布《第31次中国互联网络发展状况统计报告》的数据显示:截至2012年12月底, 我国网民规模达5.64亿, 全年共计新增网民5090万人;互联网普及率为42.1%, 较2011年底提升3.8个百分点;手机网民规模已达到4.20亿。

如今, 人们均已经置身于网络世界之中, 网络对于社会生活的各个层面都产生了深刻的影响, 其中也包括通过网络进行群决策活动。

群决策是指由多人参加进行行动方案的选择并制定决策的整体过程。网络群决策, 可以简单解释为平等的参与者们在网络所提供的虚拟空间当中进行信息的沟通, 共同实现决策议定的过程。

传统群决策理论研究主要的两种模式是效用决策模式和行为决策模式。前者注重研究具体决策环节的效用算法优化及决策技术, 后者从决策个体、群体的行为特征出发, 通过寻找并控制影响决策的各个因素、改善决策环境等方法, 以达到提高决策质量的目的。伴随社会的快速发展和信息量的急剧增加, 决策者所面对的决策问题日趋复杂, 传统决策理论已经不能很好的解决网络群决策的复杂问题, 网络群决策研究需要新的研究思路。

一、复杂性科学的理论思想

伴随着科学的迅猛发展, 传统的还原论和简单性的思想在20世纪受到了各方面的冲击。面对这一困境, 复杂性科学方法论由此诞生。复杂性科学以其统一的方法论———整体论或非还原论, 来研究复杂系统行为和性质, 探索宏观领域的复杂性及其演化问题。

目前来说, 复杂性科学的核心理论主要有涌现生成理论、复杂适应系统理论、进化计算理论、自组织临界性理论、人工生命理论、复杂网络理论等, 并且这些理论已经在物理科学、生命科学、经济科学等众多领域中得到了很好的应用。复杂性科学理论的每个分支研究角度有所差异, 但是其遵循的原理是基本相同的, 即包括整体性原理、动态性原理、宏观与微观相统一的原理、时间与空间相统一原理、确定性与随机性相结合的原理。

复杂性理论的整体论、定性与定量结合、宏观与微观结合以及推理与思辨结合的思想, 避免了传统还原论的局限性, 可以为网络群决策研究提供一种新的思路。

二、网络群决策过程的复杂性

目前, 研究决策的理论可以分为两个方向:一类根据时间进程的先后顺序, 即时间维度的视角, 来分析某一项具体的决策问题;另一类则是从某一具体环节入手, 从空间的维度来研究某一决策共性的问题。本文依据复杂性科学整体性的原理, 按照横向、纵向两种角度对网络群决策过程的复杂性进行分析。

(一) 网络群决策横向过程及其复杂性

网络群决策是多人通过网络平台共同参与决策分析并完成决策的整体过程, 主要包含发现与分析问题、确定决策目标、拟定各种可行的备选方案、分析比较并选出最优方案、决策的执行反馈与调整等方面内容。决策理论的代表人物西蒙认为, “决策的制定过程主要包括情报活动、设计活动和抉择活动三个基本阶段。这些阶段之间相互交错形成复杂的链环, 其中的每个阶段本身也是一个复杂的过程, 因此决策过程整体存在环环相套的现象。”

据此, 文认为网络群决策的横向过程主要是由群决策知识构建过程、方案设计与选择过程和群意见达成过程三个阶段组成。决策知识构建是网络群决策的初始阶段, 群体发现并分析决策问题, 确定决策目标。在这一过程中, 每个决策个体都会对决策目标进行知识的收集、储备, 决策个体与个体之间也会发生信息交互和知识启发, 不断涌现出新的知识, 从而构建整体的决策知识。此阶段的复杂性源于决策知识构建的复杂性。有学者认为, 群决策的质量好坏取决于决策的认知资源是否通过了群体交互而得到合理的利用。

在知识构建阶段有三个重要要素影响着群决策的质量, 一是信息知识能否得到有效的分享;二是知识能否随环境和任务的变化而进行适应性转换;三是来自不同领域的决策群体能否对所需新知识进行交互构建。网络环境中的决策者们对海量的信息进行收集、储存, 并通过交互与整合, 涌现出新的决策知识, 构建群知识库, 其中的网络决策者往往来自不同的专业领域, 这些不同信息交流模式的交互和所产生新的知识涌现都会使群体知识构建过程呈现出复杂性。

在方案设计与选择阶段中, 网络决策群体首先会根据决策目标确定决策方案集, 之后将采用不同方法与技术手段分析决策方案集, 获得相关的数据;然后运用决策信息和算法对已知数据建模分析, 最终得到决策方案集的排序。此过程中的复杂性源自于方案选择的复杂性。F.Herrera等指出, 群偏好的表述与转换、群偏好的集结以及群决策方案的选择是群决策选择阶段的三个内容。在对群决策的决策方案选择算法上, 国内外学者们已进行了大量的实验研究。群决策主体有众多的算法可供选择, 因此群决策方案的选择过程是复杂的。

由于决策群体及群体组织的复杂性, 网络决策群内部及群体之间很难避免意见不统一、利益冲突等现象。为了能够顺利实行决策方案, 决策群体之间需要进行研讨, 达成一致。在群意见达成过程中, 可以通过设置决策权重解决群体意见不一致的问题, 运用决策博弈解决群体冲突问题。这一阶段的复杂性源自解决群体冲突、达成群体共识的复杂性。Jehn认为决策群体存在三种主要冲突, 即任务型冲突、关系型冲突和阶段型冲突。群决策过程中存在着多种多样的复杂矛盾冲突, 因此达成群体意见一致性的过程也必然是复杂的。

(二) 网络群决策纵向过程及其复杂性

网络群决策的主体与客体贯穿于整个决策的过程, 在决策过程中的每一个进度结点上, 决策主体之间、客体之间以及主体与客体之间都发生着交互。网络群体决策纵向过程的复杂性主要表现在四个方面:

一是决策主体知识的复杂性。主体知识是决策主体进行理性决策的工具和材料, 影响着决策主体进行决策的质量。有限知识将产生有限理性, 导致主体决策产生决策偏差。在网络群决策过程里, 决策主体的知识会因网络群体之间信息的交互而不断增加, 从而对整个决策过程产生复杂性。

二是决策主体行为的复杂性。受复杂的、不确定的网络环境影响, 群决策主体进行决策行为时依据的是各自所掌握的知识量。为了某个目标, 单一的决策主体会因决策利益、风险承受程度、决策个性等决策偏好, 聚类形成群决策主体。网络群决策过程中通常难免因局部利益的冲突而产生的决策行为复杂性。

三是群体结构的复杂性。网络决策群体通常具有较大的规模, 具有多层次、多功能的结构, 各成员之间形成一个复杂的网络。决策群体成员通过不断地信息和知识的交互, 不断进行着层次结构的重组和完善, 产生了网络决策群体结构上的复杂性。

四是决策问题的复杂性。

网络群决策问题通常是复杂和难以确定的, 决策目标往往模糊甚至缺失。

如切克兰德指出:“问题的出发点往往是一种不安的感觉, 一种事情应该有比现有更好的意识, 而非一开始就有目标;在目标表达上, 网络群体策没有固定模式或者程序可遵循, 通常是目标最优、满意、公平、合理、有效, 而且有时目标间存在矛盾性。”

此外, 复杂多变的网络决策环境会随着时间而不断进行变化, 并对决策目标产生影响, 这也进一步增加了决策目标的复杂程度。

网络群决策过程的复杂性如图1所示。

三、网络群决策的复杂性演化

复杂系统具有多组分、多层级、动态性以及系统各组分之间存在着交互演化的不确定性。

网络群决策亦是复杂系统, 从其过程的开始到结束, 它的复杂性也不断发生着变化。

网络群决策过程复杂性的动态演化过程也可以从横向和纵向, 即时间与空间两个维度进行考虑。复杂性的横向演化是指复杂性以决策知识构建、方案设计与选择和群意见达成这三个阶段的时间发展顺序进行演化, 每个阶段的复杂性推动其后一阶段的复杂性。例如, 网络群决策主体在进行知识交互之后, 决策群体的知识就达到了一种稳态, 知识构建的复杂性推进演化为方案设计与选择的复杂性;当决策群体按照一定的决策规则选择好决策方案后, 方案选择的复杂性就演化为群体达成一致意见的复杂性。网络群决策过程的横向复杂性演化如图2所示。

纵向复杂性演化是指在网络群决策某一环节中, 群决策主体与客体之间进行了空间方式的交互, 发生复杂性转换。

例如, 由于决策问题存在着模糊和不确定性, 需要增加网络决策群体的规模、设置群体的结构, 这时网络群决策的复杂性就从决策问题方面的复杂性演化为群体结构方面的复杂性。

群结构的复杂性也会因信息的交互作用而演化为群决策主体知识的复杂性。

群决策主体知识的差异及决策主体的有限理性必然导致群体主体行为的复杂性, 复杂性再次发生了演化。

网络群决策过程的纵向复杂性演化如图3所示。

四、网络群决策过程复杂性的控制策略

(一) 对网络群决策主体复杂性的控制

网络群决策中的群决策主体的规模和结构对网络群决策的影响十分鲜明。有关群决策的规模效应问题, 国内外学者已进行了一定的实验和探讨, 认为决策方案的数量和决策的质量会随群体规模的扩大而增加和提高。良好的群体结构往往意味着决策主体能够集结更多的相关知识, 提高决策的可靠性。因此在网络群决策的过程中, 确定合适的网络群体规模、设置合理的网络群体结构是对决策主体进行控制的重要方法。

(二) 对网络群决策客体复杂性的控制

在动态的网络环境下, 决策群体面对的决策目标和对象通常是模糊和不确定性的, 需要适当地以还原论的视角把决策问题进行分解。如果在对决策问题进行分解的过程中欠缺思考, 分解生成的子决策问题之间发生交叉、重叠甚至冲突的情况, 将会导致决策客体的过于复杂化, 最终影响到群决策的整体质量。因此, 如何结合好整体论与还原论, 合理分解决策问题, 控制决策客体的复杂性, 是控制好网络群决策过程的一个重要难题。

(三) 对网络群决策过程复杂性的控制

为了对网络群决策过程实施有效的控制, 需要建立良好决策交互机制。对网络群决策主体而言, 构建知识、设计和选择决策方案、达成意见一致都需要相互沟通和交互。对于决策客体而言, 决策目标、决策方案的确定也需要决策主体进行意见交互。交互机制的控制可从交互的程度和规则两方面考虑。

一是控制交互程度。对于危机决策问题, 比如地震、救火、防洪等灾害, 由于其突发性, 必须立刻采取措施, 否则会造成更大损失, 此时决策时间是最重要的, 需要尽快给出方案, 应当减少主体间的交互作用;对于国家、政府全局发展的重大决策问题, 如果决策失误会造成长期致命损失, 就应当鼓励决策主体之间进行交互作用。

二是控制交互规则。可以对群决策的过程和结果进行总结和归纳, 在一定程度上把握决策群体交互规则对决策效果的影响, 如匿名制、实名制, 进而通过主动改变网络群体成员遵循的规则提高决策的质量。

参考文献

[1]黄欣荣.复杂性科学的研究纲领初探[J].系统科学学报, 2009.

[2]Simon H.The New Science of Management Decision[M].NewYork:Harp-er&Row, 1960.

[3]卢志平.群体决策过程的复杂性及其演化[J].科技管理研究, 2010.

[4]曾建华, 何贵兵.群体决策中的知识构建过程[J].心理科学进展, 2003.

[5]F HERRERA, E HERRERA-VIEDMA, J L VERDEGAY.A Model ofConsensus in Group Decision Making under Linguistic Assessments[J].Fuzzy Setsand Systems, 1996.

[6]JEHN K.A Multi-method Examination of The Benefits and Detriments ofIntragroup Conflict[J].Administrative Science Quarterly, 1995.

[7]刘明广.复杂群体决策系统决策与协同优化[M].北京:人民出版社, 2009.

生活复杂又不复杂作文 篇5

我们前面说过，生活如戏。是的，一场戏必会悲喜结合，总会发生意想不到的事。其实，最让人感到戏剧化的，就是这大千世界中的生活。我们哭了，我们笑着，总是五味杂陈，这一切好似深不可测，很复杂。但如果你这时又转念一想，这是人生，这就是生活!一切又好像都是最好的安排，一切又都很平淡无奇，一点儿也不复杂。这样看来，生活是有两面性的，复杂又不复杂。

生活多味，酸甜苦辣咸，味味俱全。我记得眼泪的味道，有点苦……

那时我四年级，一次考试之前，总觉得自己牛哄哄的，都学好了，学扎实了。直到我看到卷子，我一下就愣住了。题对于我来说，就好像是天书，卷子，有二分之一都是空的。窗外的小雨下着，我看着卷子，心情郁闷起来，虽然那时年纪小小，也免不了会触景生情。于是，那眼泪不争气地落了下来，流到我唇边。我尝到眼泪，有点苦，有点咸。

生活多味，酸甜苦辣咸，味味俱全。我记得成功的味道，很甜……

小时候看见人家骑单车，羡慕不已，缠着父母非要买一辆。那天下午我推着新车子，到大院里准备学单车。可是，现实是残酷的，我一次又一次跌倒，信心一次又一次减少。叹了一口气，想，这都第七次跌倒了，还是回家吧。这时，我突然看到一只蜘蛛在织网，它一次又一次失败，但一次又一次开始，一二三……

第七次失败，但它仍未放弃。是啊!蜘蛛尚有第八次，吾辈何惧第八次?我又一次骑上单车练习，一次又一次，我终于成功!那时，心里真是溢满了甜蜜。

生活简单，又简单在自己的心态。一切又好像都是最好的安排。那只蜘蛛，也许就是一个证明。其实，生活复杂又不复杂，取决于你自己怎样想，怎样看待，到底是一场患得患失的梦，还是一幕平平淡淡的戏。只是千万不要因为繁忙而忘记生活。

复杂生产过程 篇6

经典控制理论和现代控制理论,都需要精确数学模型。然而实际工业过程,往往是多变量、强耦合、时变、约束的复杂过程,难以得到其精确的数学模型。为了克服理论和应用的不协调,人们试图寻找一种对模型要求低、控制综合效果好的控制方法。预测控制就是在这种情况下发展起来的一类新型计算机控制算法。它汲取了现代控制理论中的优化思想,利用预测模型和滚动优化并结合反馈校正,取代了传统的最优控制,这种策略非常适用于复杂的工业过程[1,2]。从上世纪70年代问世到现在,已经从最初在工业过程中启发式使用的控制算法发展成为一个具有丰富理论和实践内容的新的学科分支。

2 预测控制的研究概况

2.1 参数优化设计

预测控制允许设计者自由地选择性能指标的形式,不同的参数设计所导致的控制效果可截然不同。Maurath等[3]提出了一种基于主元分析的DMC控制器调整方法。Rani等[4]比较并分析了各种DMC、GPC参数整定方法的控制效果,并在此基础上提出新的GPC参数整定方法。利用系统矩阵条件数与控制权系统的解析表达式,Shridhar等[5]提出了一种基于MIMO系统的预测控制器参数调整方法。根据对象闭环预测输出与控制器参数的近似线性关系,Al-Ghazzawi等[6]提出一种在线整定DMC控制器参数策略。Emad[7]提出一种基于模糊规则的非线性预测控制在线整定方法。徐祖华等[8]提出一种基于Min-Max准则的预测控制鲁棒参数设计方法。

2.2 稳定性分析

通常MPC是通过对一个带约束的有限时域开环最优控制问题反复在线求解来实现的,但是有限时域最优不能保证系统稳定,而且MPC系统的闭环描述很难得到,这是研究困难所在。近年来,人们在标准MPC问题的基础上,对其描述增加各种条件、约束,在稳定性研究方面得到一些成果。

(1)内模控制框架下的稳定性研究。席裕庚等[9]从该内模控制结构和最小化实现形式出发,分析了预测控制系统的闭环性能,给出了系统动态响应、抗干扰性、鲁棒性与设计参数的解析关系。

(2)无限时域策略。采用无限时域可以保证目标函数在滚动优化过程中不断下降,从而保证系统的稳定性。Rawlings等[10]将线性系统按稳定与否及有无约束分为四种情况进行MPC系统的稳定性研究。

(3)终端等式约束。为保证MPC稳定性,对有限时域滚动优化问题加入终端等式约束,在优化时域结束时将状态变量强制为零。Kwon等[11]最早提出了有限时域零状态约束MPC策略。这一思想被人们引入各种形式的预测控制,相关的文献很多[12~14]。

(4)终端加权策略。终端约束的引入,减少了控制器的灵活性和可行区域,甚至会导致可行解不存在。终端等式约束相当于终端加权系数为无穷大,因此人们考虑有限终端加权系数的情况。Parisini等[15]、Zheng[16]、Chen等[17]通过选取特殊形式的终端加权项,保证MPC系统的稳定性。Lee等[18]推导出使有限时域性能指标单调下降的不等式条件,并转化为LMI优化命题求解。

(5)压缩约束。Polak等[19]和Zheng[20]提出一种压缩MPC策略,它没有利用Lyapunov函数单调性来证明系统稳定性,而是要求状态变量按一定形式成递减趋势,通过状态压缩约束来确保闭环系统稳定性。

总之而言,目前稳定性理论的证明方法主要是利用性能指标的单调性来完成的。Manye等[21]在综述中指出,关于线性MPC的稳定性研究已经非常成熟,但关于非线性MPC还有待进一步研究。

2.3 鲁棒性分析

实际工业过程存在于不确定性环境中,模型和被控对象之间也不可避免地存在着失配,因此模型预测控制的鲁棒性研究十分必要而且有实际意义。预测控制的鲁棒性研究分为两个方向:MPC的鲁棒性分析和设计鲁棒MPC控制器。

MPC鲁棒性分析是指对不考虑模型不确定性的标准MPC算法进行鲁棒性分析。这是一项比较困难的工作,文献给出的分析方法屈指可数。针对不确定脉冲响应模型,Zafiriou等[22]利用压缩映射原理推导出保证系统鲁棒稳定性的充分、必要条件。Genceli等[23]对带约束L1范数性能指标的预测控制算法进行了研究,给出了保证闭环系统稳定性和鲁棒性能的充分条件。Primbs等[24]利用S-procedure方法对带输入约束的有限时域滚动优化控制算法进行了鲁棒性分析。

考虑模型不确定性,设计鲁棒MPC控制器,最典型的一种策略是采用Min-Max形式优化命题计算控制作用,其思想是求解控制律使在不确定性集合中的最坏情况下的目标函数值最小。Campo等[25]首次引入Min-Max鲁棒设计思想,针对不确定脉冲响应模型,设计了无穷范数性能指标的鲁棒MPC算法。

近年来,LMI理论被引入Min-Max预测控制的研究。Kothar等[26]对于多模型结构与反馈不确定两种不确定系统,提出一种基于LMI理论的鲁棒MPC综合方法。Lu等[27]只在第二步后才采用相同的状态反馈律,讨论相应的LMI描述及鲁棒稳定性。Wan等[28]提出基于LMI理论的离线鲁棒预测控制算法。

总的说来,MPC鲁棒性研究大多以其稳定性研究成果为基础,然后引入用来保证鲁棒稳定性的鲁棒约束条件或用来改善鲁棒性能的可调变量,设计鲁棒控制器使控制系统在稳定的同时具有一定的鲁棒性。

2.4 快速预测控制

由于每个控制周期都要求解一个复杂优化问题,使预测控制基本上都局限于慢过程对象。如何提高预测控制的在线计算速度,成为一个重要研究方向。

Bemporad等[29]提出了一种显式预测控制算法:对约束状态空间分区并设计各区间的显式闭环反馈控制律;在线控制时,依据系统当前状态,选择相应的状态反馈控制律。徐祖华等[30]提出了一种基于LMI的离线预测控制算法,离线求解LMI命题构造分段反馈控制律,在线实施满足条件的反馈控制律。

对标准优化求解算法进行改进或做近似处理,也是一类主要尝试方法。Kouvaritakis等[31]提出用扩展的Newton-Raphson算法取代目前普遍采用的QP形式,使计算量降低10倍以上。Wang等[32]提出了三种针对预测控制在线求解QP问题的快速算法。Diehl等[33]打破了求解优化问题中“优化直至收敛”的概念,提出了实时迭代的思想。

优化变量的集结策略也是减少预测控制计算量的一种有效手段。席裕庚等[34]针对一类受约束的线性离散系统,研究了基于集结策略的预测控制器可行性问题。席裕庚等[35]又提出了等效集结的概念。

2.5 分布式预测控制

随着交通、城市建设等领域的迅猛发展,交通控制系统、排水系统、污水处理系统等受到了格外的关注。这类系统的特点是组成单元多,规模大,具有多目标和多约束,需要采用分布式结构的预测控制。

Li等[36]提出了一种无约束分布式预测控制算法,属于独立、迭代的全局链接方式。Camponogara[37]提出了一种独立的、非迭代的分布式预测控制算法。由于它们得到均为Nash解,闭环系统稳定性无法得到保证,需添加稳定性约束,以保证系统稳定性。Venkat[38]提出一种分布式预测控制算法,各子控制器在每个控制周期完成多次信息交互、迭代求解优化命题,以协作方式将系统推向全局最优解,即Pareto解,使系统的稳定性得到了保证。

2.6 非线性预测控制

非线性预测控制在方法原理上与线性预测控制没有什么不同,但预测模型或目标函数是非线性的。由于非线性系统的复杂多样性,寻找一种统一的非线性模型预测控制方法很困难。非线性预测控制的研究主要集中在以下几个方面:

(1)基于机理模型的非线性预测控制。机理模型即根据被控对象的物理特性所建立的微分方程模型。求解这类微分方程的两种典型方法是:序贯求解法[39,40]和联立求解方法[41,42]。对非线性MPC稳定性与鲁棒性研究主要基于机理模型。

(2)基于线性化方法的非线性预测控制。传统的处理非线性问题的方法是线性化方法。非线性系统线性化的方法通常有李亚普诺夫线性化和反馈线性化方法。Lee等[43]将非线性机理模型李亚普诺夫线性化,用线性化模型构成QDMC。Kurtz等[44]通过输入-输出线性化方法,使非线性系统转化为线性系统,然后将线性预测控制方法应用于反馈线性化系统。张智焕等[45]通过静态非线性状态反馈使得闭环系统是输入输出解耦和线性的,然后设计一组单输入单输出预测函数控制器。

(3)基于多模型的非线性预测控制。多模型是一种改进的处理非线性系统的方法,其特点是将模型预测控制与多模型方法相结合,用多个线性子模型来逼近非线性过程。Bjarne等[46]把运行集分为几个运行区域,每一个运行区域分配一个局部线性模型,全局非线性模型是局部线性模型的加权组合。Xu等[47]提出了一种基于操作轨迹LPV模型的非线性预测控制算法,非线性模型是基于调度变量的多个线性子模型加权组合。

(4)基于特殊模型的非线性预测控制。针对一些非线性系统可以用特殊非线性模型,因而出现了基于特殊非线性模型的模型预测控制方法。Volterra模型是非线性脉冲响应模型,描述系统动态的精度取决于所取Volterra序列的阶次[48]。Hammerstein模型描述的是一类可分静态非线性和动态线性的系统,可用于描述PH过程和具有幂函数、死区、开关等非线性特性的过程[49]。Wiener模型与Hammerstein模型类似,不同的是Wiener模型的线性动态环节在非线性静态增益的前面[50]。

(5)基于智能模型的非线性预测控制。智能模型如神经网络模型、模糊模型等具有可以描述用常规方法无法描述的系统,已成为预测控制研究的另一热点[51,52]。将神经网络模型、模糊模型引入非线性MPC还存在许多问题,主要是对多步预测缺乏有效的方法;进行网络训练与实时修正耗时较多,不利于实现;理论分析较为困难。

3 工业预测控制软件包

预测控制技术在石油、化工等领域取得了成功应用,其主要原因之一就是预测控制提出后,商品化软件包也相继产生,使得其得以进一步推广。在过去的几十年里,它经历了从简单到复杂,从功能单一到功能强大,从不完善到完善的四代演化过程[53]。

(1)预测控制技术。第一代预测控制软件的代表是法国Adersa公司的IDCOM和Shell Oil公司的DMC,其主要用于处理无约束的多变量过程。IDCOM所采用的算法即Richalet在1978提出的MPHC,其主要特点有:•以过程的脉冲响应序列作为预测模型;•采用有限时域的二次型性能指标;•被控对象的未来输出跟踪参考轨迹;•可以处理输入、输出约束;•用启发式迭代算法求解最优控制作用序列。

与此同时,Shell Oil公司的工程师也开发出了自己的MPC软件,并于1973年首次投入使用。1979年Cutler和Ramaker对DMC技术进行了详细的阐述。DMC的主要特点包括:•采用线性阶跃响应序列模型描述被控对象;•采用有限时域的二次型性能指标;•使被控对象输出尽量靠近给定的设定值;•最优控制作用的求解归结为最小二乘问题的求解。

DMC算法的目标是在有MV惩罚项时使系统输出在最小二乘意义下尽可能接近期望的设定值。这样,系统输入变化的幅值不会太大,与IDCOM相比,这种方法对模型误差有更大的鲁棒性。

(2)第二代预测控制技术。为了能够处理有约束的情况,Shell Oil公司的设计人员将原DMC算法进行了改进。改进后的DMC算法被称为QDMC,并于1983年在AICh E年会上首次被提出。QDMC算法的主要特点:•采用线性阶跃响应模型;•性能指标为未来有限时域上的二次性能指标;•对象的未来输出尽量接近期望的设定值;•采用二次规划方法求解最优输入值。

作为第二代预测控制的代表,QDMC将MPC问题转化成一个QP问题,提供了系统处理输入、输出约束的方法。QDMC算法可以直接考虑输入、输出硬约束,同时,人们也开始通过在性能指标中加入加权项来实现尽量不违反所谓的“软”约束。

(3)第三代预测控制技术。随着MPC处理的问题规模越来越大,复杂程度越来越高,QDMC算法遇到新的问题:自由度问题、容错问题、经济优化问题等。这些在实际应用中遇到的问题使得许多公司对模型预测控制算法进行了新的研究,从而提出了第三代的模型预测控制软件包。Setpoint公司开发出IDCOM软件包的新版本—IDCOM-M。Grosdidier等人在1988年详尽阐述了IDCOM-M软件包的功能特点及应用情况:•采用线性脉冲响应模型;•具有可控性分析功能,能避免病态系统的发生;•采用多级目标函数,先进行被控变量的设定值优化,然后在保证其优化结果的基础上进行操纵变量的IRV优化;•每个输出仅从相应的参考轨迹中选择一个未来预测点加以控制;•每个输入只考虑一步控制作用;•约束可是硬约束或者软约束,且每个约束都有优先级的定义。

此外,Shell公司的SMOC、Adersa公司的HIECON、Profimatics公司的PCT和Honeywell公司的RMPC也都是第三代MPC软件的典型代表。

(4)第四代预测控制技术。Aspen Tech公司的DMC-plus和Honeywell公司的RMPCT是第四代MP C软件2个最重要产品。其特点是:•采用多级分层优化策略;•增强了稳态优化的灵活性;•控制器设计考虑模型的不确定性;•采用先进模型辨识技术。

近年来,国内一些企业和科研院校也通过合作或自主研发了多款MPC控制软件包。浙江大学工业控制研究所钱积新教授领导的研发团队于2002年推出了FRONT-Suite先进控制软件包[54,55]。它应用范围广、控制结构灵活、技术成熟,适用于TDC3000、Deltav、CENTUM-CS等DCS系统的集成。后又与荷兰Tai-Ji Control公司合力开发了Tai-Ji MPC软件包。Tai-Ji MPC是一种新颖的自适应MPC控制器,由控制模块、辨识模块和监控模块组成[56]。它的推出意在将MPC的设计、投运和维护做到最简化。利用Tai-Ji MPC建立MPC应用,工程师只需在控制器功能设计阶段对被控变量、输入变量和扰动变量进行选取,余下的工作,如装置测试与模型辨识、控制器整定与仿真、投运和后期的维护等,都可由Tai-Ji MPC自动完成。

4 预测控制的应用概况

预测控制理论从工业实践中来,随着其理论研究的不断深入,预测控制在工业过程的应用越来越广泛,应用范围遍及石油、化工、炼油、冶金、造纸、航空、机械制造、食品加工、液压传动、航海、军事等行业。据Qin和Badgwell[53]截至1999年的一次中等范围统计显示,在工业领域中应用预测控制技术的工业装置已达到4542套,而且近几年的应用呈不断加速增长的趋势,数量上远远超过这个数字,见表1。

根据文献报道,各种不同石油化工装置实施先进控制后,其净增效益如表2所示(含实时优化)。虽然各公司所报出的年效益有所不同,但其数量差别不大,因而表中数据可以作为实施先进控制的参考。

浙江大学工业控制研究所钱积新教授领导的研发团队先后对常减压装置、PTA装置、空气装置、乙醛装置等工业生产过程的先进控制展开了研究。大型PTA装置的先进控制,每年为企业净创直接经济效益达2.89亿元利润,近三年累计为企业创造了新增利税3.38亿元人民币,获2005年国家科技进步二等奖,2004年国家教育部科技进步一等奖。大型空气装置的自动变负荷先进控制,填补了国内在高端自动变负荷优化控制方面的空白,打破了空分装备自动变负荷技术的国际垄断,提升了国内空分厂商的国际竞争力。

5 未来研究方向

非线性预测控制。随着人们对产品质量和产量要求的不断提高,对生产经济效益的不断追求,非线性预测控制引起了人们的普遍关注。虽然近年来有了较大的进展,但仍存在不少问题,如建模困难、实时性差,值得进一步研究。

快速预测控制。由于每个控制周期要求解一个复杂优化问题,使预测控制基本都局限于慢过程对象。如何提高预测控制计算速度是一个重要研究方向。

复杂生产过程 篇7

现代流程工业系统是一类具有多个机电设备构成的分布式复杂机电系统[1,2,3],系统内部关联耦合度高,设备故障和工艺调整容易引起系统性的波动 . 及时准确的发现工业过程中的运行故障和合理评估故障过程的恢复程度,对流程系统上下游的合理调控显得尤为重要 . 调度人员往往依据调度经验对系统的上下游调度,常常为了安全期间,容易产生过调度或调度不及时等情况,造成生产的中断或生产负荷下降,由此引起的经济损失巨大 . 通过对DCS监测时间序列间的关联波动分析,及时获取过程监测变量间的关联波动信息,实现系统上下游的快速精准调度,进而实现系统的精细化管控,将有助于提升生产流程工业过程的安全运行水平 .

时间序列分析已广泛用于气象、金融、经济以及工程管理等众多领域,充分挖掘和分析时间序列数据中的有效信息,将有助于管理者进行管理和决策[4,5,6,7,8,9,10,11]. 时间序列分析包括单变量和多变量两类,包含众多监测变量的流程工业过程分析属于多变量的情况 .

流程工业过程是一个非线性动态变化复杂系统,过程监测变量时刻发生变化引起变量间的关联性也随之发生波动,关联波动性的恶化通常体现为过程故障 . 传统研究变量间关系的方法[5,6,7]主要侧重于探究它们之间的均衡关系,很难揭示变量间的关联波动机理 . 借鉴物理经济学的理论,将时间序列关联波动粗粒化方法与复杂网络理论结合,已取得了有益的研究效果[8,9,10,11].

研究多变量的关联波动问题首先应该研究两个变量的情况 . 本文将复杂网络理论与粗粒化方法相结合应用于流程工业过程的关联波动研究 . 首先运用粗粒化方法将故障上下游两个监测点位的时间序列关联波动关系转换为关联波动模态,以时间顺序关系为边构建关联波动过程的复杂网络模型,并运用复杂网络理论对其关联波动复杂网络进行统计分析,研究其内在的变化规律,旨在为故障预警和过程恢复评估提供参考 .

2关联波动复杂网络的构建方法

2.1时间序列关联波动的符号化

时间序列关联波动的符号化是其关联波动关系抽象化的有效途径[10],合理设置模态符号对于时间序列间的关联波动分析至关重要 . 对于两个时间序列A和B, At和Bt分别为时序A和B的第t个采样周期的采样值,At-1和Bt-1分别为时序A和B的第t-1个采样周期的采样值,则 ΔA=At-At-1,ΔB=Bt-Bt-1,当 ΔA×ΔB>0,表示两时间序列在由第t-1个采样向第t个采样转变时同向关联;当 ΔA×ΔB=0,表示两时间序列在由第t-1个采样向第t个采样转变时无关联;当 ΔA×ΔB<0,表示两时间序列在由第t-1个采样向第t个采样转变时异向关联 .

设两个时间序列之间的关联性为符号TCi

由此,可将双变量之间关联波动情况用连续的符号序列来表示,使得对粗粒化的符号序列等同于对时间序列数据的研究 . 转化为相应的符号序列TC为

2.2关联波动复杂网络的构建

时间序列的关联波动符号化后得到的抽象符号序列,以一定长度符号序列作为一个模态,以一定步长作数据滑动,得到连续的时间序列关联波动模态 . 由于模态形成过程是通过数据滑动的形式实现的,后一个模态的形成以前一个模态为基础,模态之间的传递性和有向性有利于模态复杂网络的构建 .

时间序列关联波动的复杂网络模型以关联波动模态为节点,模态之间的有向转换为边构建,由此构建的网络是一个有向加权网络,模态间的转换次数为此有向加权网络的权重 .

3关联波动复杂网络的分析方法

变量间关联波动复杂网络分析主要用来解释各模态的分布特征及它们之间的相互关系 . 复杂网络理论中包含众多统计参数,如度、点强度、累计度分布以及网络结构熵等 . 通过分析这些参数,掌握变量间关联波动情况和变化规律,可对其未来关联波动状态的变化趋势做合理预测 .

3.1关联波动模态统计

本文所构建的流程工业过程变量间的关联波动复杂网络属有向加权网络,网络的边带有权重 . 点强度及其强度分布可以描述变量间关联波动模态及其模态间的关联程度 . 其点强度的计算公式[10,12]为:

式 (1) 中,Ni为与节点i相连接的由节点i指向的所有近邻节点的集合,Wij为节点i到j的权重 . 点强度越大,表明该模态在复杂网络中的地位越重要,该模态向其他模态转换的次数越多 .

由于不同节点的点强度不同,强度分布存在差异性, 此处将两时间序列关联波动复杂网络点强度分布为

式 (3) 中n表示强度为ki的节点总数,N表示所有节点总数 . 节点的强度分布越大表明当前模态向其他模态转换的次数越多,在网络中出现的概率也就越大,此模态也就越重要 .

3.2关联波动模态变化规律

关联波动模态间复杂关系可以通过关联波动模态统计规律描述,在时间历程中可以表现为关联波动模态变化规律 .

现实中复杂网络中有少量具有高连通度的中枢节点和大量具有低连通度的节点,即无标度性(幂律特性).熵是系统的一种无序的度量,基于度分布的复杂网络结构熵可以简洁地度量复杂网络的序状态 . 其定义[13]为

为了消除节点数目N对E的影响,通常采用复杂网络的标准结构熵[13]其表达式为

4流程工业过程关联波动复杂网络建模与分析

4.1监测时间序列及其预处理方法选择

压缩机组作为以化工企业为代表的流程工业的典型单元,其安全运行对于整个流程工业生产过程稳定运行至关重要 . 当原材料稳定时,通常生产过程中的物料状态能够间接的反映工业过程运行状态,物料状态的波动可以间接体现工业过程故障,所以可以应用典型工艺故障数据用于过程故障预警和过程恢复评估研究 .

本文应用某煤化工企业的压缩机组停车前DCS系统中监测工艺数据,其事故的过程描述为:由于压缩机组空压机透平轴封泄漏,高温气体辐射到电液转换器上, 电液转换器的信号电缆被烤引起信号故障,最终导致高位阀无法动作,机组被迫手动停车。

选取流程中与此故障紧密相关的两个变量(变量名分别为PI7603:空压机排气压力和PI7611:增压机1段进气压力)作为分析的基础数据,验证方法的可行性。

由于从DCS系统采样得到的实际监测工艺时序数据往往含有大量的噪声,影响分析结果,所以首先需要对原始序列进行降噪处理。时序图1中可以观察到序列包含明显的高频噪声。对不同变量采取合适的小波基函数和分解层数后,用固定阈值方法对分解后的各小波细节系数进行软阈值处理,然后重构最后一层近似系数和所有层的细节系数,得到降噪后的变量时序图2,从降噪前后的对比可以看出,降噪后的数据保持了原数据的变化趋势,并且剔除了其中高频的变化, 得到更为光滑的曲线。为了方便比较,时序图中均采用标准化的处理数据。

4.2关联波动粗粒化粒度选择与处理过程

将两序列关联波动符号化后,将得到同样数量的抽象符号序列。以连续的5个关联波动符号作为一个符号序列,以1个采样周期为步长作数据滑动,得到一系列两时间序列关联波动模态。以2010年5月10日的数据为例,数据滑动及模态形成过程如表1所示。

4.3关联波动模态统计规律

运用上述序列关联波动的粗粒化方法将故障出现前6天的DCS数据进行处理,并对关联波动序列和模态进行统计如表2所示。

分析表2的数据表明:从关联波动符号序列统计来看,事故发生前6天变量间同向关联波动符号P占序列总长度百分比呈现明显下降趋势,异向关联波动符号N占序列总长度百分比呈现明显增长趋势,而无关联波动符号I占序列总长度百分比较低,说明两序列的关联性较强,符合实际情况。从关联波动模态统计总体来看, 理论上由3种5个符号关联波动模态有35=243种,而实际出现的种类明显较少,表明两变量的随机波动性受到一定的耦合约束,关联波动模态总数呈现增长趋势。

4.4关联波动模态变化规律研究

关联波动复杂网络节点强度k与累积强度LP(k) 分布关系如图3所示,发现它们整体上服从幂律分布。

从点强度与累计度分布的曲线变化可以看出,关联波动模态点强度最大的分布呈现增速下降,曲线的趋势线下滑明显,表征两节点的关联性持续变差,预示着压缩机组工作过程出现故障的概率增加。

压缩机组正常工作时变量PI7602与PI7611关联波动网络如图4所示,从图中可以看出,少数模态(如: PPPPP、NPPPP、PPPNP以及PNPPP)的连接较多, 而其余模态的连接较少,也直观的说明网络具有幂律特性,与上述分析结果一致。

为了定量量化关联波动性的变化趋势,这里应用复杂网络的结构熵来定量描述关联性的下降趋势,按照式 (5)计算得到事故发生前连续6天的结构熵变化如图5所示:

分析图5可知,事故发生前6天的变量间关联波动网络结构熵运行整体呈现连续的增长趋势,表明压缩机组中与此变量相关的系统出现故障的风险增加,所以为了维系系统的正常运行,监测变量间的关联波动网络的结构熵必须维持在一定范围内,系统才能保持稳定的工作状态。从事故的类型来看,此故障属于缓变型故障, 与实际情况相符。

通过对变量间关联波动复杂网络的结构熵进一步分析发现:变量间关联波动熵值较小,这意味着网络中监测点位时间序列的关联波动模态之间的转换相对稳定, 压缩机组处于较好的工作状态(如2010年5月7日和5月8日);变量间关联波动熵值较高,这意味着网络中监测点位时间序列的关联波动模态之间的转换不确定性增加,发现压缩机组的工作状态较差(如2010年5月7-12日),随机发生事故的可能性增减;而处于中间的过渡状态时,压缩机组维持原有状态的性质将发生改变(如2010年5月9日),它们在一定程度上可以作为关联波动模态异常转化的标志。对于这种过渡状态的把握具有重要意义,主要体现在有利于更好的把握监测点的状态变化规律性,这将对系统运行中出现异常情况而采取的应对措施赢得更多的时间,避免故障持续发展造成更大的损失。

5结束语

复杂工业过程的关联波动网络建模与分析将复杂网络理论与粗粒化方法相结合应用于流程工业过程的关联波动研究。

(1)运用粗粒化方法将复杂工业过程监测时间序列间的关联波动关系转换为关联波动模态,以时间顺序关系为边构建关联波动过程的复杂网络模型,该方法能够比较方便的刻画变量间的关联波动特性。

(2)运用复杂网络的度分布理论对工业过程中变量间的关联波动复杂网络进行统计分析,发现工业过程中变量的关联波动网络服从幂律分布。

(3)提出了一种运用网络结构熵方法研究工业过程中变量间关联波动的内在的变化规律,定量表达变量间关联波动变化情况,为故障预警和过程恢复评估提供决策支持。

复杂生产过程 篇8

复杂任务能否圆满成功与其过程管理有密切相关的联系。复杂过程管理主要有工作计划管理, 试验设备管理及操作信息管理组成[1,2]。

对于操作检验管理, 为了推进复杂项目过程控制, 强化操作精细化管理要求, 杜绝操作不到位, 确认不到位, 判读有遗漏的情况出现, 通常会组织各系统实施全过程表格化管理, 根据表格化要求制定详细的表格。但由于确认表格掌握在各岗位设计人员手中, 数据分散, 存单和传递存在困难, 导致信息零散、无法有效整合形成有价值的知识体系。另一方面, 许多复杂工作过程计划、任务管理还停留在手工阶段, 导致后方无法实时掌握工作现场的工作状态。另外对于现场操作人员填写的纸质表格数据的统计、处理分析及报告生成都需要人为处理, 必然会引入人为失误、效率低下等问题。

复杂工作过程信息管理系统依据工作总体规划及详细计划和具体任务流程, 通过对工作任务的实时管理、试验设备的管理、实现对工作现场各项活动的精细化管理[3]。

2 系统建设

如图1所示, 系统主要由操作信息采集终端, 数据通信模块, 业务服务层, 系统数据层四个功能单元组成。

其中操作信息采集终端软件由操作采集表格管理, 操作采集数据记录, 操作采集结果签署, 采集设备设置, 操作信息表格查看, 采集操作资料查看等功能组成。

数据通信模块由用户岗位信息同步, 产品零件信息同步, 设备信息同步, 检查表同步, 文件资料同步等功能软件组成。

业务服务层由工作计划管理, 操作过程管理, 设备管理等功能模块组成。

系统数据层由任务计划子库, 试验设备库, 系统管理库及系统元数据库四个业务子库组成。

系统通过工作计划管理模块依据任务总体规划, 以及工作现场的管理流程、相关作业文件和关键质量控制点编制任务执行的详细计划和具体任务流程, 通过对任务的实时管理、试验设备的管理、实现对工作场测试、试验等各项活动的精细化管理[4]。

系统通过操作过程管理模块能够实现工作计划编制、审批、发布、调度。落实工作责任、确保操作零失误、判断零遗漏。积累工作采集数据, 实现数据有效分析处理[5]。

设备管理模块能够实现采集设备自身信息的管理, 试验设备资源使用跟踪, 计量检定预警, 保证工作过程中试验数据采集的正确性。

3 主要功能

3.1 工作计划管理

3.1.1 计划编制

系统服务端需要包含现场工作计划编排, 编排主要按项目时间节点进行。在系统中能实现对工作项目添加或减少, 对其基本属性信息的编辑与查看, 如开始时间、完成时间等。

3.1.2 计划审核

系统对现场工作计划的新增、修改、删除采用审批流程, 只有审批后的工作计划才能进行任务的发布、数据同步等操作。同时, 在对工作计划进行调整时, 需要走审批流程, 只有审批通过的计划才可以由操作终端进行同步。

3.1.3 表格制作工具

支持现场使用电子表格的可视化编辑, 自动关联映射数据字段信息, 便于普通用户快捷定义现场使用表格。

3.1.4 任务分配

编制好的工作计划, 需要指定给具体的工作岗位去执行, 一个工作岗位可以由多个操作者, 一个操作者也可以兼不同的岗位。

3.1.5 计划调度

编制好的工作计划, 可以根据现场任务的执行情况, 动态调整计划的执行顺序, 执行时间以及执行岗位。但是工作计划的现场调度, 需要经过流程的审批方能生效。

3.1.6 统计分析

现场数据统计与分析模块主要功能是将操作终端现场采集的操作类数据信息、表格完成情况信息、对一个系统内的所有检查数据、已完成检查确认表格数据及各类单点、易错难、拧紧力矩等特殊操作检查项目的数据进行统计汇总, 并以报表的形式输出。

3.2 操作过程管理

3.2.1 现场数据采集

通过现场操作终端, 对现场检查确认信息以及前期累次进行的数据进行采集录入, 采集数据既可以是数据, 文本以及判定值, 也可以是录像、照片以及语音等多媒体信息。支持对信息有效性进行电子签署。

3.2.2 操作文档管理

文件和资料中心集中管理通过操作终端提供给用户的各类流程说明、操作说明等文件和资料信息。按照型号、技术状态和工作项目树的版本, 对现场任务相关的文件和资料信息进行分类存储和版本管理。通过操作终端数据同步功能, 向操作终端提供正确版本的文件和资料信息。

3.2.3 现场数据签署

现场采集的数据, 在提交到服务端之前, 为了保证数据准确性, 提供多人签署功能, 对已经采集的数据进行审批, 签署之后的数据才能提交到服务端。

3.2.4 数据通信模块

提供服务端与操作终端网络接口, 具备数据推送功能, 以便能够将服务端现场流程信息、检查确认表格文件、技术及管理文件通过网络接口推送到操作终端;具备数据自动抽取功能, 能够将检查确认表格中包含的数据信息抽取并存储。

3.3 设备管理

3.3.1 台账管理

完成设备的基本资料管理, 设备的导入导出, 设备台账及设备原值、净值计算, 设备附件进行管理等相关功能, 并可进行组合查询, 为设备管理奠定参数基础。资产设备基本资产的录入, 导入;设备台账, 设备附件及相关报表, 并可进行固定格式的导出。

3.3.2 计量信息管理

设备分为标准设备和非标设备, 其中部分设备具有检定标准证书, 对于这类设备, 需要定期为该设备进行计量检定, 如图2, 在对检定校准证书信息进行新增时, 能够和该计量设备信息相关联;能够根据单个或组合条件, 对检定校准证书信息进行条件查询;当检定校准证书信息发生改变时, 能够对指定设备的检定校准证书信息进行修改操作;有检定校准证书信息需要删除时, 能够对指定设备的检定校准证书信息进行删除操作。

3.3.3 预警

如图3, 在计量设备台账管理中, 对将要到期或已经到期的证书给出预警, 该条记录呈特殊颜色显示。在计量设备信息中有“校验日期”和“有效期”信息, 系统根据两者计算出有效期限, 在有效期限前二十天里的记录呈黄色显示, 在有效期限后的记录呈红色显示。对于报警 (即将需要检定) 的设备, 在选择设备时, 不推荐使用, 但是仍然可以选择;对于报错的设备 (已超出该检定的日期) , 在选择设备时, 不可以选择该设备。

3.3.4 多维度查询

如图4, 设备除了从自身的所具有的属性维度和状态维度进行检索查询, 筛选出满足需要的设备, 比如设备的类型, 量程等。

设备在用于现场工作时, 设备与具体的事件发生了借用关系, 这时设备处于占用状态, 事件结束后, 占用状态标记为可用, 因此可以从设备角度查看产品的使用记录。

3.3.5 状态监控

对设备的日常维护、检查及维修进行记录和管理, 并可进行设备保养的自动提醒及维修计划审批。对现有设备的保养及日常管理, 使设备在正常使用条件下最大限度地发挥其功能。确定和评估设备实际状态的措施, 检查用于查明和确定设备的磨损并作出评估。确保设备性能良好、正常运行而进行的维护、保养、定期检修、局部维修或对其恢复功能性的整体修理。

管理设备调拨申请, 审批, 实施过程及调拨情况记录。对设备调拨审批及流程进行控制和管理, 并对调拨情况进行记录和查询, 可生成相关报表。

对设备报废申请及审批流程进行管理与记录, 自动计算折旧年限。

设备状态监控能够实现对设备的使用状态的可视化管理, 哪些设备处于占用状态, 哪些设备处于可用状态。

能够远程对设备状态进行调试, 这类设备首先能够作为以太网的一个节点, 远程配置一些参数, 对设备进行调试设备状态。

利用设备管理操作终端, 通过录像语音等多媒体方式对设备进行现场设备进行记录, 同步到现场发射过程管理系统中。后场人员可以通过查看同步上来的录像和语音资料, 进行专家诊断, 定位设备存在的问题。

4 应用场景

图5给出了系统实现的物理框架。

4.1 操作信息采集系统应用

操作终端完成任务的下载, 处理及上传, 处理任务可以通过文字描述, 打钩、拍照、录像等方式记录。在处理任务的过程中, 既可以查看该任务的技术状态数据和文档, 同时也可以查看工作设备的相关参数信息。

PC终端可以进行任务计划的编制, 编制计划的审批, 表格的制作, 技术状态数据的同步, 终端采集数据的同步以及数据的统计分析。

4.2 试验设备管理系统应用

现场试验设备的现场信息来源既可以是PC终端也可以是现场操作信息终端, PC终端可以在产品结构上, 为该产品指定适用的设备类型, 约束设备的选择范围。PC终端可以对设备的使用状态和计量进行录入, 查看, 删除以及修改。现场操作信息终端, 在输入现场工作数据的同时, 需要指定该数据由哪个设备产生, 实现数据, 设备, 产品以及工作人员的绑定。也可以对设备的现场故障进行文字描述, 现场拍照录像以及录音, 同步到服务端作为专家的决策依据。

5 小结

本文给出了一种复杂工作过程信息管理系统建设方案, 介绍了其应用场景, 系统能够帮助例如大型试验等复杂流程的工作项目有序高效的进行, 最终能够替代以前纸质的工作现场流程, 系统已在某航空工作现场管理事件中得到初步应用。

摘要：为了推进复杂项目过程控制, 强化操作精细化管理要求, 提出了某复杂工作过程信息管理系统建设方案, 描述了系统研制目的、系统组成、工作原理及应用场景;对系统业务服务层工作计划管理, 操作过程管理, 设备管理等功能模块进行了详细说明;给出了系统实现的物理框架, 进行了操作信息采集系统应用和试验设备管理系统应用的应用场景分析, 系统已在某航空工作现场管理事件中得到初步应用。

关键词：复杂系统,信息管理,过程控制,系统,应用

参考文献

[1]叶丽娟.基于WEB的工作计划流程管理系统的设计与实现[D].成都:成都信息工程学院学位论文.

[2]GJB3206A-2010, 技术状态管理[S].

[3]孟卫辉, 宋鹏飞, 等.通用产品技术状态管理探索与实践[J].航天工业管理, 2014 (11) .

[4]许国贻, 李穗平.应用PDM系统加强技术状态管理[J].电子工程师, 2007 (02) .

复杂生产过程 篇9

以航空发动机为代表的复杂产品装配执行过程具有典型的离散制造特征,涉及的零部件众多,工艺繁杂,精度要求高,装配过程具有混流生产的特点,但这些复杂产品的装配操作以手工为主,随意性大。由于技术条件的限制,其装配执行过程监控的范围仅限于装配任务的执行过程本身,忽略了装配任务和物流任务之间的逻辑关系,不能对装配和物流进行统一管理,造成物料流与信息流的脱节,容易产生错装和漏装。为了解决这个问题,必须建立包含装配节点和物流节点的装配执行过程的模型,以便实现对装配节点和物流节点的统一监控和管理。而现有基于Petri网的航空发动机装配过程模型常被用于只包含装配节点的装配执行过程的建模[1,2]。另一方面,虽然Petri网可以从理论上显式地表示装配执行状态,但如何在现实中离线地自动识别这些状态也是一个亟待解决的问题。无线射频识别(radio frequency identification,RFID)技术凭借其非接触、远距离、可读写的特点,可以很方便地识别物料,提高装配现场监控的实时性,促进物料流和信息流之间的同步[3,4,5]。更重要的是,装配状态和物流状态的改变都可以通过RFID标签的产生、销毁和更新来反映。在这种情况下,如果能对装配节点和物流节点进行统一建模,建立起RFID标签状态与装配执行状态之间的映射关系,则可以增强装配执行过程模型的可行性,提高装配执行过程监控的实时性和精确性。

为此,本文首先建立航空发动机装配执行过程Petri网模型,然后讨论基于Agent和RFID的装配执行状态的监控方法,最后通过一个实例验证所论述方法的可行性,为相关的研究和应用提供参考。

1 装配执行过程Petri网模型

在复杂产品的装配执行过程中,物料在各装配工位之间流转,其状态大致可以分为装配状态和运输状态两种状态。当装配结束时,物料之间的组合形式发生改变,进入运输到下一个工位的状态;当运输结束时,物料的物理位置发生改变,进入在下一个工位装配的状态。可以看出,复杂产品装配执行过程具有离散状态、事件驱动的特点,其状态转移依赖于异步离散事件在时间域上的发生。物料在装配执行过程中的状态选自离散集合{装配状态,运输状态},而这两种状态之间的转换则受类似于“领料完成”、“物料已到达班组”、“组件或部件装配完成”等事件的触发。为了便于复杂产品装配执行过程的描述、分析和控制,本文提出了装配执行过程Petri网(assembly executive process petri nets, AEPPN)模型。

定义 AEPPN定义为以下七元组:

AEPPN={P, T, C, I, O,M0, D} (1)

其中每一元素介绍如下:

(1)T={t1, t2,…, tm}为变迁的集合,由装配变迁和物流变迁组成,分别表示装配执行过程中的装配状态和运输状态;

(2)P={p1, p2,…, pn}为库所的集合,表示装配执行过程中的事件;

(3)C是与库所和变迁关联的色彩集合,用来区分不同的产品,即一个产品对应一种颜色。在实际的装配执行过程中,可以用产品的唯一标识码作为颜色。假设共有s个产品,则每个库所和变迁的色彩就有s种,即

∀pi∈P:C(pi)={a1,a2,…,as} i=1,2,…,n

∀tj∈T:C(tj)={a1,a2,…,as) j=1,2,…,m (2)

(4)I(p, t)是从库所p到变迁t的输入函数: C(p)×C(t)→N,对应着从p到t的着色有向弧,这里I(p, t)为矩阵;

(5)O(p, t)是从变迁t到库所p的输出函数: C(t)×C(p)→N,对应着从t到p的着色有向弧,这里O(p, t)为矩阵;

(6)M0为初始标识,表示初始状态;

(7)D={d1, d2, …, dm}为所有变迁的时延集,其中dj为变迁tj的时延,可映射为处于该状态的时间长度。

这里,假设在同一型号不同产品的装配执行过程中,同一类型状态的持续时间相同,即变迁的时延与色彩无关,不同产品的装配过程中同一工序所占时长相同,即

∀tj∈T:D(tj)=djj=1,2,…,m (3)

库所pi(取色彩ah)到变迁tj(取色彩ak)的输入弧表示为标量I(ai,h, aj,k)。同理,输出弧表示为O(ai,h, aj,k)。

假设在每个产品的装配执行过程中不存在两个完全相同的事件,且事件与托肯之间具有一一对应关系,那么,每个库所中某种颜色的托肯数不多于1个,即

∀pi∈P,aj∈C(pi):M(ai,j)≤1

i=1,2,…,n;j=1,2,…,m (4)

一个变迁仅在触发所需事件都发生时才触发,即在标识M下,变迁tj关于色彩ak使能,当且仅当

∀pi∈·tj:M(ai,h)≥I(ai,h,aj,k) (5)

其中,·tj表示变迁tj触发前。当变迁tj一开始激发,AEPPN立即进入新的状态,产生新的标识M′,表示该装配任务正在进行:

∀pi∈·tj:M′(ai,h)=M(ai,h)-I(ai,h,aj,k) (6)

当变迁tj开始激发后延迟di执行,AEPPN进入另外一个状态,产生新的标识M″,表示该装配任务已完成:

∀pi∈tj·:M″(ai,h)=M(ai,h)+O(ai,h,aj,k) (7)

其中,tj·表示变迁tj激发后。

2 基于Agent和RFID的装配执行过程监控方法

如上文所述,AEPPN模型中的装配变迁和物流变迁分别表示装配执行过程中的装配状态和运输状态。在每一个状态中,相关人员都要完成一定的任务。通过Agent的方式对这些任务进行引导和控制,不仅提高了制造系统的敏捷性,而且使得制造系统具有分布性、异构性的特点。另一方面,为了提高物料识别的效率,这里通过RFID标签对物料进行标识。当某装配所需零件集合从仓库领出时或某装配任务完成时,立即用一个RFID标签对零件集合或新装配体进行标识;当物料按照设计路径运输到目的地时,更新其RFID标签内容。RFID标签的新建和更新与装配执行过程中的事件相统一,装配执行状态可以通过RFID标签的状态反映出来。

在这种情况下,所有的变迁都可以被视作是具有一定权限的、以一定协议相互协调的相互独立的平等实体,且每个实体都有一定的结构模式,在自己的局部数据驱动下完成各自不同的工作。AEPPN控制系统可以由一个多Agent系统来实现,主要的Agent包括装配Agent和物流Agent。这两种Agent的功能模型如图1所示。可以看出,装配Agent首先读取RFID标签信息,并给出装配任务提示,然后分别从装配数据库中读取任务信息和装配工艺,再进行装配操作的三维可视化引导和工序检验控制。装配完成后,更新数据库中的任务信息,产生新的RFID标签标识此次装配产生的装配体。而物流Agent首先读取RFID标签信息,并给出物料信息提示,然后从装配数据库获取物料信息,接下来引导运输过程。运输结束后同时更新数据库中的物料信息和RFID标签信息。

从图1还可以看出,装配Agent和物流Agent之间不直接进行通信,而是以RFID标签和装配数据库为共享黑板进行数据交换。其中,每一个RFID标签具有唯一的EPC(electronic product code),并在标签的用户存储空间中存储物料当前状态、下一个操作指令等信息,便于在离线监控时读取或更改。装配数据库则存储与装配过程相关的所有数据,并建立RFID标签与物料之间的关联关系。

3 实例研究

航空发动机是典型的复杂产品,其装配执行过程涉及的零部件众多,工艺较繁杂,精度要求高。一般地,航空发动机由分流机匣、滑油泵等部件装配而成。其中,分流机匣部件由上传动、中传动、下传动三个组件以及其他零件装配而成,这三个组件的装配和分流机匣部件的装配均由班组1完成。滑油泵装配由班组2完成。航空发动机的总装由班组3完成。这里用RFID标签对物料进行标识,并建立如图2所示的装配的AEPPN模型。为了既能说明问题又不失一般性,这里对其他部件的装配进行了简化。图2中各库所的意义如表1所示,各变迁的意义如表2所示。

表1中,各个RFID标签标识的对象如下:A——上传动装配所需零件集合;B——中传动装配所需零件集合;C——分流机匣装配所需零件集合;D——上传动组件;E——中传动组件;F——分流机匣部件;G——滑油泵装配所需零件集合;H——滑油泵部件;I——光身发动机装配所需零件集合;J——光身发动机。此外,☆表示关联已建立;★表示标签已更新;○表示关联已取消。可以看出,表2实际上是一个17×10的“事件-状态”矩阵,表达了RFID标签的状态与装配执行过程中的事件之间的对应关系。因此,通过识别RFID标签的状态,就可以识别出装配执行的状态。这使得复杂产品装配执行状态可以以RFID标签的形式显式地表达出来,也使得在离线状况下自动识别装配执行状态成为可能。

由表2可以看出,装配状态和物流状态的进入可以分别触发装配Agent和物流Agent的执行,而这两种Agent在引导操作员完成装配或物流任务的同时,也反过来促使装配状态和物流状态发生改变,并产生新的事件。在图2中,目前共有编号为0295、0318两个产品处于装配中,即所有变迁和库所仅有0295和0318两种颜色:

∀pi∈P:C(pi)={0295,0318} i=1,2,…,17

∀tj∈T:C(tj)={0295,0318} j=1,2,…,12 (8)

当前装配执行状态可用标识M表示。由于存在

∀pi∈·t7:M(0318)≥I(0318,0318)=1 (9)

满足变迁t7的触发条件。因此,变迁t7关于色彩0318使能。而变迁t7所对应的任务就是装配分流机匣部件。当变迁t7开始激发时,可得标识M′,表示装配正在进行中,分流机匣部件还未产生。当变迁t7开始激发后延迟d7时,分流机匣部件装配完成,可得标识M″。标识M、M′和M″正是“事件-状态”矩阵的简化形式,可以通过“事件-状态”矩阵的运算得到如下所示:

这说明了装配执行状态与RFID标签状态之间存在着映射关系,RFID标签的状态是装配执行状态的显式表达。通过识别各RFID标签的状态及其状态组合,即可离线地获知装配执行状态。变迁t7的具体业务逻辑可以通过分流机匣部件装配Agent实现。该Agent运行前,需要设置装配任务与装配工艺、装配班组之间的关联,以及装配任务之间的前后次序关系(第1步);定义触发该装配Agent的下达和执行等事件所需要的物料(第2步);列出该Agent运行时所要执行的工序(第3步);以三维的方式显示引导现场的装配操作(第4步);按照预先设定的规则控制工序质量的检验过程(第5步);当装配完成时,用一个新的RFID标签标识本次装配所产生的装配体,存储现场数据(第6步)。

5 结束语

包含装配节点与物流节点的AEPPN模型可

以完整地描述装配执行中的状态和事件;RFID标签不仅可以标识物料,而且可以反映装配执行的状态;装配Agent和物流Agent在引导装配任务和物流任务执行的同时,也促使装配执行状态的改变。这些方法的综合应用可大大提高装配执行过程在线监控的实时性和精确性,增强离线状况下装配执行状态的监控,在一定程度上避免错装的发生。

摘要：针对复杂产品装配执行过程中物料流与信息流脱节的问题,提出一种装配执行过程Petri网模型,该模型用变迁描述装配状态和物流状态,用库所描述装配执行中的事件,并分别以装配Agent、物流Agent和RFID标签的形式来实现和反映装配状态和物流状态。实例研究表明,该模型可提高装配执行过程在线监控的实时性和准确性,增强离线监控的可行性。

关键词：装配执行过程,Petri网,Agent,无线射频识别

参考文献

[1]钟诗胜,汤新民,池善纯.基于着色Petri网的航空发动机总装作业调度研究[J].航空精密制造技术,2006,42(6):52-55.

[2]汤新民,钟诗胜.基于Petri网的航空维修分解装配序列规划及其应用[J].中国民航学院学报,2006,24(5):21-25.

[3]Huang G Q,Zhang Y F,Jiang P Y.RFID-basedWireless Manufacturing for Real-ti me Mmanage-ment of Job Shop WIPInventories[J].The Interna-tional Journal of Advanced Manufacturing Technol-ogy,2008,36(7/8):752-764.

[4]Huang G Q,Zhang Y F,Jiang P Y.RFID-basedWireless Manufacturing for Walking-worker As-sembly Islands with Fixed-position Layouts[J].Robotics and Computer-integrated Manufacturing,2007,23(4):469-477.

复杂系统视角下的二语发展过程 篇10

关键词：复杂系统理论,二语发展过程

前言

在过去的几十年里, 二语习得研究领域先后出现有60余种理论、模式、假说和框架, 各门各派观点迥异, 仁智互见, 例如, 生成语言学家的一个基本观点就是人的大脑中存在一个独立的语言模块, 先天地制约着人类语言学习, 但心理学家们认为语言习得和其它认知技能的学习并无二致, 都受人类一般认知机制的制约。在这样的背景下, 拉尔森·弗里曼 (Larsen-Freeman 1997) 最早在应用语言学领域提出用复杂及混沌理论来看待语言和语言学习中的问题。此后, 越来越多的研究者以该理论为新的框架对二语习得的相关问题展开研究。相比于传统线性简化思维, 复杂系统理论显示出独特的方法论优势。有人甚至预言, 复杂系统理论与二语习得的研究将带来一场深刻的范式变革。

一、复杂系统理论概述

基于牛顿物理学的线性因果关系模式是我们认识世界的传统方式。在这样的认识视角下, 各种自然、社会现象都是相对封闭、非常稳定的系统, 系统自身及其内部要素的发展变化都是可以预测的。这种认识世界的视角随着自然科学、哲学的发展越来越受到挑战。复杂性系统 (complexity system) 的提出就是对这种传统认识世界方式的回应和挑战。在本文中, 混沌/复杂系统理论这一术语的内涵是从术语丛的含义上加以运用的。这个术语不仅包含了复杂系统理论本身, 而且在某种程度上还与混沌理论 (chaos theory) 、复杂性理论 (complexity theory) 以及动态系统理论 (dynamics system theory) 交替使用。尽管不同的理论具有不同的发展历史和关注点, 但在众多冠以混沌、复杂性、复杂适应性系统、非线性系统以及动态系统理论标签的研究中, 这些术语都是指一类相互可以替换的理论 (De Bot 2008) 。这些理论之间共同的特征是关注随时间不断发生变化的复杂系统 (complex system) 。

Larsen Freeman在其介绍复杂系统理论的专著 —“Complex Systems and Applied Linguistics”—中指出语言是复杂的, 包含许多复杂系统, 例如音位学、形态学、词汇、句法、语义学、语用学等。每个复杂系统可进一步分解为若干子系统。人类在学习语言的过程中需要消耗内在资源 (包括工作记忆、注意力和时间等) 。由于内在资源有限, 语言复杂系统的任意两个子系统之间既可能相互促进又可能相互竞争。

各种子系统之间的相互作用构成了复杂系统的整体行为。简而言之, 复杂系统具有如下三个基本特点:

第一, 系统的层级性和嵌入性, 指在整个系统中级别低或层次低的系统通常是内嵌在级别高或层次高的系统中。

第二, 整个系统是普遍联系的, 指组成系统的各个元素和部分之间是相互联系的, 从而构成一个互动的复杂系统。

第三, 系统的变化模式是在一定的规则下自发形成的, 由系统自身组织和进行, 这种变化的规则具有适应性和特定性。

第四, 系统的蝴蝶效应和非线性特征, 指在系统变化的初级阶段, 一个行为的变化就有可能引起整个系统发生更大的变化, 同时系统一旦发生巨大的变化也会引起某些细小的行为改变。

二、复杂系统视角下的二语发展过程

复杂系统理论认为二语发展中常常在各个层次分布有多个吸态 (attractor states) 。所谓吸态, 是指在时间流逝中, 某个动态子系统可能会停留的某个优先状态;那些明显的非优先状态叫做“斥态” (repeller states) 。就像球在一个有凹洞和隆起的平面上滚动, 球的滚动路线是发展, 凹洞就是吸态而隆起就是斥态。凹洞有深有浅, 洞愈深, 就需要愈多的能量把球从凹洞里取出来以到达下一个凹洞 (de Bot et al.2007) 。语言发展即是从一个吸态到另一个吸态的过程, 这个过程充满了非线性变异, 在各个层面都有增长和磨蚀, 但并不存在最终状态, 因为即使一些看起来非常牢固的方面, 也可能由于停用或者缺乏激活而失去 (de Bot et al.2005 :26-27) 。化石化是吸态的一个完美例子:“一个相对于其他状态, 系统更容易停留的状态, 只有通过强大的力量才能被克服”。从这里可以看出两概念的不同:传统观念的化石化是一种最终状态, 不会再改变;而吸态则是暂时的。Larsen-Freeman认为从语言教学的角度来说, 也不应该把吸态看作最终状态, 而应该看到“潜力的无穷性”。毫无疑问, 复杂系统理论的提出对传统二语习得理论带来了巨大冲击, 传统的理论视角将二语的发展看成是简单的线性因果关系, 而复杂系统理论则把二语发展看成是多种复杂因素相互影响, 相互作用的结果, 其过程是动态的、不可预测的。

参考文献

[1]de Bot, K. (2008) .Introduction:Second language development as a dynamic process.The Modern Language Journal, 2, 166-178.