设计过程建模（精选9篇）
设计过程建模 篇1
0 引言
进入二十一世纪以来,计算机、电子、通讯、控制等领域得到了迅速发展,涌现了大批先进技术,在其基础上,以提高家居便利性、安全性、舒适性为目标的各类智能家庭系统得到了广泛应用,开始进入、改善和提升人们的日常生活。随着“服务化”成为计算机软件领域的主流思想,以及IBM智慧地球(Smart Planet)理念的提出,以家居设施智能控制为主的各类传统智能家庭系统,体现了智能感知、互联互通、软件服务化、服务资源集成整合等新特征,智慧家庭(Smart Home)的概念也应运而生。当前,智慧家庭已经成为产业界和学术界的关注热点,欧盟第七框架中的Sofia、Sensei、Hyrdra、Fcint等项目[1,2,3,4],美国杜克大学、华盛顿州立大学等研究结构,以及Microsoft、Google、IBM、Siemens、Nokia、海尔等知名企业均围绕智慧家庭开展了相关关键技术的研究和产品的研发,取得了一系列研究成果,实现了相应的应用系统。
智慧家庭服务系统中涉及的业务领域广泛、服务参与者和角色众多、交互过程复杂、多方协作要求高,在使用方式、交互模式、系统架构等方面均有其特殊性,因而对业务系统的流程分析、过程建模、系统设计和实现技术等方面提出了新的要求。而现有针对智慧家庭的研究,多侧重于家庭设施智能控制、物联网相关技术、互操作技术、人机交互技术等方面[5,6,7],对家庭服务业务的需求分析、建模方法以及系统设计技术涉及较少。而现有的服务业务过程分析与建模技术也很少涉及家庭服务领域,缺乏对家庭服务业务建模的应用和指导。因此,研究面向智慧家庭服务过程的建模与设计方法是有其实际应用价值和时代意义的。
本文首先给出智慧家庭的含义和智慧家庭服务系统的体系结构,然后在详细分析智慧家庭中典型业务基础上,给出基于BPMN的智慧家庭服务业务过程建模方法,并以采购服务业务为例进行详细的介绍。最后给出了家庭服务业务的设计与实现。
1 智慧家庭服务系统
1.1 智慧家庭概念
在智慧家庭发展过程中,出现了一些同其含义近似的概念,如智能住宅、家庭自动化(Home Automation)、电子家庭(Electronic Home)、数字家园(Digital Family)、家庭网络(Home Networks for Home)等[8]。
早期的系统是以住宅为平台,利用先进的计算机技术、安全防范技术、自动控制技术等将与家居有关的设施和软件系统有机地结合在一起,构建高效的住宅设施,提升家居安全性、便利性和舒适性,实现环保节能的居住环境[8]。而随着生活水平的提高,人们已经不仅仅满足于对家庭设施的智能控制,更希望能够方便、快捷、一站式地享受到各类丰富的家庭服务,使家庭物质生活和精神生活方面均得到提升。因此,2010年,哈尔滨工业大学企业与服务智能计算研究中心(ICES)扩展了传统的基于物联网的智慧家庭概念,在其中融入了务联网(IOS,Internet Of Service)和家庭社会关系网的理念,提出了新的智慧家庭概念,如下所述。
智慧家庭可定义为一个智慧系统,面向家庭生活和家居设施,通过利用先进计算技术和互联网技术等相关技术基础设施,构建的一个和谐、智慧、高效的家庭物质生活和精神生活的社会网络及服务系统,可提供在易居性、舒适性、交互性、安全性和节能性等方面均优的家庭生活与居住环境。一般而言,智慧家庭需要利用互联网技术、物联网技术、务联网技术、服务计算技术、云计算技术、社会计算技术等新一代信息技术。实现智慧家庭理念的服务系统称为智慧家庭服务系统(Smart Home Service System,SHS)。
由以上阐述可见,智慧家庭是以家庭物联网为基础,构建家庭服务网络,集成和聚合各类服务资源,为用户提供丰富、便捷的家庭服务,进而构建家庭社会网络,实现家庭间的互联、互通和互助。
1.2 SHS体系结构
智慧家庭服务系统由家庭物联网、家庭服务网和家庭社会网三个网络构成,目标是实现三个网络的融合和集成。SHS中主要包含家庭前端服务器、家庭服务中心、家庭用户、服务提供商、家庭基础设施和智慧家庭云计算环境等构成要素。SHS的体系结构如图1所示。
家庭物联网是SHS的基础,由各类智能家居设施、感知设备和控制设备构成,其核心是家庭前端服务器。家庭前端服务器具有两类功能:一方面,因其是家庭物联网的控制服务器,故能够从家庭设施和环境中接收、获取和感知各类信息,并可对数据进行融合和分析,将其结果提供给操作者和服务软件作为决策依据,进而可实现对家庭设施的智能控制。另一方面,作为家庭服务网的前端服务器,其内部署了核心的服务程序和用户根据个人偏好定制的服务程序,用户可通过前端服务器提供的操作接口使用家庭本地服务或调用远程服务中心的服务。家庭前端服务器从物理形态上通常封装为机顶盒的形式,文中称之为“智慧魔盒”。
家庭服务网是SHS的核心,其目标是聚合各类分散的、面向家庭的服务资源、服务系统、服务提供商,为众多家庭用户提供集成的、一站式的服务。家庭服务网的核心是各家庭服务中心,服务中心分为两类,一类是负责管理和运营智慧家庭服务系统的运营中心,另一类是专门提供各类家庭服务的业务中心,如采购服务中心、医疗保健服务中心等。服务中心构建在智慧家庭服务平台之上,服务平台提供了资源管理、服务注册、服务组合、服务信用、安全控制等服务系统构建和运行的基础功能。服务平台具有开放式架构,与智慧家庭云计算环境建立了密切的互联、互通、互操作的联系。通过服务中心的资源整合机制,众多的服务提供商和服务资源被整合到服务中心中,进而形成各类家庭生活服务系统,为用户提供服务。
家庭社会网则是在家庭物联网和家庭服务网构建的基础上,以家庭或个人为单位,建立起家庭与家庭、家庭成员与家庭、家庭成员与家庭成员、家庭成员与朋友之间的直接或间接联系,实现家庭及成员间相互的交流、沟通、互助。
智慧家庭服务系统的总体环境如图2所示。
2 智慧家庭服务业务
2.1 家庭服务业务分类结构
智慧家庭服务业务涵盖了家庭生活服务、家庭起居服务、家庭信息服务、家庭社会服务几大类功能,涉及起居、安防、采购、健康、娱乐等十几个领域,每个领域内包含了多种多样的服务功能。为清晰区分与界定众多服务功能间的关系,本节给出家庭服务业务分类结构。按照业务领域、服务间的包含关系以及服务活动粒度,可将家庭服务业务自顶向下划分为服务主题、服务项目、服务行为和服务活动。服务主题对应家庭服务涉及的某业务领域,如采购主题、健康主题等,一个服务主题包含若干服务项目。服务项目对应服务主题中的某服务需求,是服务功能的集合,一个服务项目由若干服务行为的执行而实现。服务行为是完成一个服务任务功能而执行的一个服务活动序列。而服务活动则是为完成一项具体的服务功能而进行的操作,在服务逻辑描述中是原子单位。分类结构示意如图3所示。
在家庭服务业务中,不同类型的用户在同一服务领域与场景中,使用服务时具有相似或相同的方式。如娱乐环境设置中,虽然存在个性化差异,但均涉及灯光调节、窗帘遮挡控制、音响控制等共性的服务组合和操作模式;再如采购业务,不同的购买方式均存在商品查询、下订单、收货等服务环节。因此,抽取和固化领域中常用的共性服务组合和资源配置方式,形成大量预制的“服务模式(Service Pattern)”,面对新的需求场景时,利用服务模式可快速高效地设计和搭建系统,提高设计效率和服务复用度,实现一种大粒度的服务组合方式。
在详尽分析家庭业务的基础上,给出了如表1所示的家庭业务和模式设计。
2.2 家庭业务过程交互方式
智慧家庭服务包含多个领域的多类业务,涉及家庭用户、服务提供商、服务中心、智慧魔盒、家具设施等众多参与者和各类不同角色。按照参与者间的交互协作方式,可将家庭服务业务过程划分为三类,如图4所示。
业务过程最简单的一类为用户通过智慧魔盒运行本地程序或者控制家居设施,如图4中a)子图所示;第二类业务则需要家庭用户、服务中心、服务提供商等多方参与者的交互和协作,如采购业务、健康医疗服务等,如图4中b)子图所示;第三类业务则涉及到家庭与服务中心、服务中心与服务提供商、家庭与家庭间的交互,如多方视频、远程协助等业务,如图4中c)子图所示。家庭服务业务参与者类型众多、跨领域及交互过程复杂的特点,对业务过程的建模提出了新的需求。
3 智慧家庭服务过程建模方法
3.1 服务过程建模语言
由前述分析可见,家庭服务系统是一个复杂的技术系统,众多的服务要素通过复杂的关系实现服务的价值目标。为支持家庭用户、服务提供者等各方人员之间的沟通和交流,支持分析、验证服务设计,指导服务工程团队进行系统研发,就需要将具体的服务过程,通过抽象和简化,以某种可视化的模型将目标服务系统的设计结果简洁清晰地表现出来。
在服务建模领域,由于不同服务模型的各自定位与作用,出现了不同类型的服务模型描述语言,主要有:面向对象的统一建模语言—UML、面向人可理解的图形化语言—BPMN、面向服务设计的图形化语言—服务蓝图、面向服务组合的过程执行语言-BPEL,以及WSDL、CDL等。其中,BPMN(Business Process Modeling Notation)建模语言更侧重于服务过程的描述,且符号及规范清晰简洁、易于理解,已成为业界公认的服务业务过程建模语言。结合智慧家庭中服务业务过程建模的特点和需求,本文采用BPMN建立家庭服务系统业务模型。
3.2 基于BPMN的家庭服务过程建模方法
BPMN由四种基本类型构成:流对象、连接对象、泳道和人工信息。在家庭服务系统建模中常用到的流对象是服务事件、服务活动、服务网关,其中服务事件包括开始事件、中间事件和终止事件。这三种事件代表在业务流程的运行过程中发生的事件,这些事件影响流程的流转。服务活动是指所要处理的工作,如采购业务中用户下订单等,一个活动可以由多个子活动组成。服务条件用于控制序列流的分支与合并,在家庭服务业务中多用到分支条件。
系统中常用的连接对象是顺序流和消息流,顺序流用于指定活动执行的顺序,消息流用于描述两个独立的业务参与者之间发送和接受的消息流动。
在泳道中,家庭服务常用到的是池(Pool),用来描述流程中的一个参与者,如家庭用户、服务中心等。其他具体的BPMN规范可参见文献[9]。下面给出基于BPMN建立家庭服务过程模型的指导过程:
步骤1:根据具体服务业务过程的分析,明确服务的各类参与者,如家庭服务中的家庭用户、智慧魔盒、服务中心和服务供应商等,将各服务参与者以“池”的形式展现出来。
步骤2:细致分析整个服务业务过程,确定每一服务参与者的服务开始事件,再按顺序流定义出各个服务活动,将服务活动按顺序归并在相应的参与者池道中,并在各个池道中用顺序流箭头将该参与者在整个服务业务过程中的服务活动连接起来。如在服务业务过程中遇到顺序流的分支与合并,则可定义出相应的服务网关,保证服务过程的完整与畅通。
步骤3:根据实际的家庭服务过程,用消息流表示两个业务参与者之间发送和接受的消息流动,使得整个服务过程模型不但拥有横向参与者的服务过程,也存在纵向参与者之间的信息交互。如家庭采购业务中,用户接到满意的商品后,则向服务中心发送确认收货消息。
步骤4:检查模型的正确性、完整性和一致性,确保完整、准确地刻画出了业务整体过程,不存在遗漏与偏差。
3.3 典型家庭服务业务模型示例
本节以家庭服务业务中具有典型性的采购服务业务为例,运用BPMN语言建立采购业务的过程模型。采购业务中主要涉及家庭用户、智慧魔盒、服务中心和服务供应商四类参与者。主要的交互活动发生在家庭用户与服务中心、服务中心与服务提供商之间。
典型的服务过程场景是:当智能家居设施采集和感知到有物品短缺时,系统向用户发出提示,用户通过智慧魔盒中的操作接口向服务中心发送采购申请。下发订单时,用户可通过历史购买记录快速生成同类订单,也可通过商品详细查询列表选择所要购买商品。用户填写完整的订购信息后,生成的订单会提交到服务中心。服务中心对订单进行审核,审核通过,则向相应的服务提供商发送订购单,服务提供商根据订购单情况派送商品。这一部分的业务过程模型如图5所示。
采购业务中另一核心过程是用户收货和评价。用户收到商品后,如成功收货,则可对商品和供应商进行评价,如希望退货,则向服务中心发出退货申请,服务中心将通知服务提供商上门退货。交易完成后,用户和服务中心均可对供应商和所售商品进行服务评价,用户还可对服务中心本次的服务进行评价。各种评价数据,将会作为对供应商信用评判的依据,也会成为今后服务中心为用户推荐商品时的排名参考。模型如图6所示。
4 智慧家庭服务业务设计与实现
4.1 智慧家庭服务业务设计
为实现智慧家庭中一个复杂的业务流程,众多的服务活动需要分布在智慧魔盒端和服务中心端,有时还需要集成供应商所提供的服务。因此,需要进行合理的服务程序分布,以及多方之间的交互和协同,根据上述业务过程分析建立起来的采购业务功能模型如图7所示。
智慧魔盒是SHS的前端,其中部署的服务程序有三类功能:一是控制硬件设备,如:物品短缺监测、灯光调控、红外线感知等;二是一些基本服务程序及与用户信息相关的管理程序,如:购买偏好、购买记录、个人信息等;三则是通过调用服务中心的程序来实施服务过程,这是最主要的功能。
服务中心是智慧家庭服务系统的核心,构建在服务平台之上,其中维护了各类基本信息库,包括:家庭服务构件库、主题库、模式库、资源库、信息库。服务中心系统通过提供接口,管理家庭用户、服务提供商、操作人员,支持各种资源的注册、管理、调度、集成。运行时,通过工作流引擎和BPEL服务执行引擎,支持服务系统运行。同时提供服务调用、服务资源调度、执行监控和服务日志与质量评价。
在供应商部分,服务中心应能够集成与聚合服务提供商的服务,完成Web serviced注册与服务功能的调用,实现供应商提供的服务与智慧家庭服务的系统完美结合。
ICES中心的智慧家庭服务系统综合使用了多种先进的开发技术,在表示层采用了Flex、Html、Java Script、XML,业务逻辑层则使用Java语言进行编写,JSP可以直接对其进行调用,而Flex则使用内部的远程调用机制访问Java方法,最后通过JDBC可访问SQLServer、Oracle、Postgre SQL等多种主流数据库。
根据智慧家庭服务系统的服务过程设计与具体功能的布局分配设计,采购服务的典型界面如图8所示,左上为智慧魔盒端的导航界面,指引客户完成服务,其余两个为服务中心端的服务操作界面,供用户及供应商完成服务操作。
5 结束语
针对智慧家庭服务业务横跨多领域、业务交互过程复杂、参与角色众多的特征,本文定义了智慧家庭的新理念,提出了家庭物联网、家庭服务网、家庭社会网三网融合的智慧家庭体系结构。对智慧家庭的业务进行了详细分析,给出了基于BPMN建模语言的家庭服务过程建模方法,并以具有典型性的采购业务为例,给出了建模实例、系统设计和实现。
本文方法是针对家庭服务过程建模的通用方法,适用于智慧家庭的各服务主题,但由于服务主题间存在差异,后期工作中需要针对特殊服务过程需求进行完善和优化,同时加入对价值、性能、质量等方面因素的考虑。
摘要：智慧家庭服务系统是现代服务计算和云计算环境下服务系统的新形态和新应用,对智慧家庭服务业务过程的分析、建模与设计问题进行了研究。介绍了智慧家庭的新理念,提出了智慧家庭服务系统的体系结构。在详细分析家庭服务业务过程基础上,提出了基于BPMN建模语言的智慧家庭服务过程建模方法。最后以具有典型性的采购服务为例,建立了服务过程模型,并给出了设计与实现方案。
关键词：智慧家庭,服务业务过程,服务业务建模,BPMN
参考文献
[1]“Introduction|Sofia”.http://www.sofia-project.eu/packages.
[2]“SENSEI-Project Description”.http://www.ict-sensei.org/index.php芽option=com_content&task=view&id=12&Itemid=65.
[3]“The Hydra project”.http://www.hydramiddleware.eu/articles.php芽cat_id=9&rowstart=0.
[4]“Despre Proiect”-Website Proiect FCINT.http://www.fcint.ro/Despre_Proiect.aspx.
[5]XU J,Lee Y,TSAI W,et al,“Ontology-based smart home solution and service composition”.International Conferences on Embedded Software and Systems,2009.
[6]MESHKOVA E,RIIHIHJJA··RVI J,MA··HO··NEN P.“Modeling the home environment using Ontology with applications in software configuration management”.International Conferences on Telecommunications(ICT'08).
[7]TSAI W,LEE Y,WIEZEL A,et al.“Ontology-based service composition framework for syndicating building intelligence”.Conference on Commerce and Enterprise Computing,2009 IEEE.
[8]中国智能家居网_解读智能家居-什么是智能家居,2007-0-3-22,http://www.smarthomecn.com/html/2007-03/3647.html.
[9]Introduction to BPMN,Stephen A.White-IBM,May 2004,http://www.omg.org/bpmn/Documents/Introduction_to_BPMN.pdf.
设计过程建模 篇2
下午仔细观察了一番，还是把这个模型建了起来，
可以综合运用一系列的命令，希望对新手有所帮助。
先看最终效果：
一、建立多边形(我的为24边)
二、以一边中心为圆心，分别画两个圆，如图所示：
三、复制圆，圆心放在临边中点位置，如图所示：
四、整体复制，备用。如图所示：
五、建立黄色面域
六、旋转黄色面域
七、将成品复制到备用多边形上
八、镜像红色线，连接(出了一点小差错，应该建立外圆相交的面域)
建立面域(我后来剖切掉了，所以后面看不到)
十、切换视图，拉伸、移动
十一、画两个球体
十二、求两次差集
十三、切换视图，将成品转入备用
十四、画球，并绘制如图辅助线
十五、以辅助线为中点，阵列
十六、建立如图面域，并镜像一个
十七、旋转90度
十八、带基点复制，如图
十九、旋转90度，如图
二十、带基点复制，如图
二十一、旋转两个面域，如图
二十二、将多余的线条归为同一个不可见图层，着色，OK!
设计过程建模 篇3
由于汽车本身是个复杂的产品, 每款车型的设计开发都是一项艰辛而复杂的系统工程, 包含从概念设计、数字化设计、工程实验与验证等多个阶段, 涉及设计、工艺、生产、销售等各个部门以及与众多的零配件供应商的合作, 涉及造型人员、总布置人员、各功能单元设计人员、工艺人员、采购人员、实验人员、试制人员等, 如何协调管理整车开发所有的过程、环节, 增加部门内部、部门之间以及与供应商的协同一致性, 制定规范化的业务流程和方法, 成为影响轿车整车产品开发效率和质量的重要因素之一。
1 业务建模方法
业务过程建模是指使用适当的描述语言从不同的角度 (如数据、功能、组织或过程等方面) 对企业的业务活动进行描述, 形成一组能代表企业实际业务过程的模型, 使得所有员工能够理解并对其进行讨论, 从而提升流程的效率和质量。
常用的业务流程建模方法有ARIS、IDEF、Petri Nets、CIM-OSA等。其中ARIS建模方法是面向过程的模型结构, 其不仅有一套完整的集成体系, 还提供了一系列的开发工具, 可以帮助企业完成各阶段建模工作。几种建模方法的比较如表1所示:
2 Aris方法概述
集成信息系统结构 (ARIS) 是由德国August-Wilhelm Scheer教授于1992年提出的, 全称是Architecture of Integrated Inform ation Sys te m (集成信息系统的体系结构) 。Sche e r教授认为企业流程是一连串组织附加价值的程序, 应该从开始到结束的整体性讨论。ARIS是在产生于对营运过程的整体分析的集成概念基础上形成的。ARIS不仅有一套完整集成体系, 而且提供了一系列的开发工具, 可以帮助企业完成各阶段建模工作。ARIS提供了多元功能, 为企业建模提供了丰富的方法。不同的开发者可结合企业的特点, 从不同的视角、层次和描述的深入程度来描述企业的业务。
为了减少结构的复杂性以及冗余, ARIS对过程链模型进行了简化处理, 关注信息的转变, 舍弃与信息过程无关的因素, 采用更加一般的描述视图, 利用分阶段的或者程序化的模型来减少相互间的关系。经过处理, 过程模型链被分解成五个视图:数据视图、过程视图或功能视图、组织视图、资源视图和控制视图。
数据视图:描述事件和环境条件, 它们表征了信息对象;
过程/功能视图:描述过程规则和过程结构, 也就是描述要实现的功能以及功能间的关系;
组织视图:描述使用者和组织单元间的结构关系;
资源视图:描述信息技术设备;
控制视图:记录和维护组织视图、数据视图和功能视图间的关系。
在ARIS结构中, 组织、数据和功能视图的发展过程是相对独立的, 也就是说, 发展其中任何一种视图, 并不需要利用其他视图的信息, 这样大大减少了描述的复杂性和冗余。它们间的关系由控制视图来描述。控制视图是ARIS区别其他结构的重要特征。它用来记录和维护组织视图、数据视图和功能视图间的关系。面向生命周期, ARIS定义了三个层次的概念:需求定义、设计说明和实施描述。这样, 就得到了ARIS结构, 如图1所示。
3 ARIS的整车设计过程建模
本案例研究的对象是汽车整车产品的设计流程。我们借助于ARIS这一建模工具, 采用分层的流程架构来梳理全公司内所有项目, 使得整车设计业务通过设计流程的形式体现出来, 企业的高层、中层及底层人员可以快速准确的了解到自己所关注的信息。如图2所示:
3.1 建立包含管理流程、核心流程和支持流程的业务流程总图
ARIS建模工具可以描述企业的目标及目标层次, 以及企业功能分解层次关系的配置信息。企业的高层可以通过流程总图来了解企业的核心流程、支持流程和管理流程, 从而明确企业的关键业务, 优化业务的核心流程。
3.2 基于增值链图的研发区域图和流程场景图
通过采用ARIS增值链图来帮助企业识别出直接创造企业价值的关键业务。如图4为流程总图中的产品设计与开发流程区域图, 其用增值链图的形式, 界定项目范围, 站在流程的角度进行由粗到细的流程细化过程, 在多部门协作工作中, 清晰界定出每个部门的项目范围, 避免了工作交叉带来的职责不清等。企业中层领导可以通过增值链图清晰辨别出本部门所要做的事情, 达到很好的控制、协调的目的。图5为流程区域图中产品目标设定的进一步细化。
3.3 指导业务活动的流程过程图
采用事件驱动的流程链式图 (EPC图) 来描述具体业务流程的末级流程。通过大规模的调研、流程辨识、流程整理和分类, 绘制出的规范的业务流程过程图一直细化到每一个操作岗位。图6确定BM需求的流程过程图就是对流程场景图中功能的展开。
采用EPC图的形式对增值链过程、或业务功能中的各功能展开, 侧重于动态行为的描述, 具体反应怎样做。企业各部门技术人员, 通过EPC图将各部门详细流程进行动态描述, 则形成了底层的末级流程。同时在梳理底层的末级流程时, 应用ARIS多管理主题集成的优势将企业重复流程、作业整合在一起, 使企业最终执行的是统一的流程, 避免了各部门之间责任不清, 工作重复, 项目范围界定不清的局面。
4 结束语
本文探讨了ARIS工具在整车产品设计中的建模过程。通过采用流程总图、流程区域图和流程过程图, 结合产品研发过程的特点、目标, 采取由上至下, 由粗到细层层分解的方法, 最终构建了整个产品设计过程模型。本文的研究对相关企业的业务建模过程具有一定的借鉴意义。
参考文献
[1]杨云涛, 王润孝等.企业建模方法及ARIS建模过程应用研究[J].组合机床与自动化加工技术.2007, 49 (3) :86-88.
[2]陈铓.基于ARIS的企业知识管理导入模式研究[J].集团经济研究, 2005, 17 (187) :188-190.
[3]徐国华.基于ARIS企业建模过程的应用研究[J].计算机工程.2005, 31 (14) :208-210.
设计过程建模 篇4
重组类人胶原蛋白工程菌补料发酵过程建模
对产类人胶原蛋白的重组大肠杆菌Escherichia coli(E.coli)的批式和分批-补料培养动力学进行了研究.通过检测发酵过程的基质浓度、菌体量和产物浓度,建立了一组反映发酵的.动力学模型,并考虑了非工程菌存在的影响,分析了细胞生长、底物消耗、基因工程产物生成的过程,结果显示该动力学模型可以很好地拟合发酵过程.
作 者：米钰 花秀夫 范代娣 张兮 MI Yu HUA Xiu-fu FAN Dai-di ZHANG Xi 作者单位：西北大学化工学院,西安,710069刊 名：中国生物工程杂志 ISTIC PKU英文刊名：CHINA BIOTECHNOLOGY年，卷(期)：26(4)分类号：Q815关键词：动力学 发酵 胶原蛋白
设计过程建模 篇5
在污水好氧处理过程中,溶解氧(DO)浓度是好氧处理生化反应过程中一个重要的指标,它能比较直观、迅速地反映整个系统的运行状况,对溶解氧的控制可以直接影响到污水排放进程和系统能耗,因此溶解氧的控制一直受到人们的普遍重视和广泛研究[1]。
由于输入水质水量的剧烈变化,以及微生物生长的复杂性,使得污水好氧处理过程具有多变量、非线性、强耦合、大滞后和不确定性等特点,这导致了采用传统的控制技术如PID控制对DO值进行精密控制难以取得理想效果,故成为工业自动化中较薄弱的环节之一。因此采用切换控制的思想将前馈专家控制、PID控制、专家反馈控制算法结合起来实现无扰动切换专家控制方案。实际应用效果证明了该方案的有效性。
2 好氧工艺流程及控制系统总体方案
2.1 好氧工艺流程
目前污水采用厌氧-好氧相结合的生化处理已较普遍,而好氧微生物必须在有氧的条件下才能使有机物分解成二氧化碳、水、硝酸盐。好氧工艺流程如图1所示。
2.2 曝气池控制
溶解氧的控制是重点也是难点。而曝气池的控制是整个好氧处理过程的核心。如果DO值不进行很好的控制,将会造成整个污水处理过程的失败,图2是曝气池测控系统的设计。
2.3 控制系统总体方案
本系统根据污水处理工艺指标的具体要求,设计了图3所示的基于西门子PCS7软件开发平台的DCS控制系统。系统以AS414H CPU为核心,由操作员站、控制器、远程I/O站以及通讯网络构成三级DCS。AS414H作为系统的控制核心,完成所有回路的控制功能。ET200M作为远程I/O站,用于现场厌氧和好氧处理工段的信号的采集与输出。
系统设置了三级网络:厂级MIS网、工业以太网和PROFIBUS现场总线。其中,PROFIBUS现场总线用于远程I/O站与CPU之间的信息交换,工业以太网用于工控机与CPU之间的信息交换以及工控机与厂级网之间的信息交换。下位机PLC编程软件采用西门子的STEP7 V5.2 SP1版本开发平台,程序主要包括采样和滤波子程序,主要用于对流量、压力、液位以及DO值等信号进行采集。上位机编程软件采用西门子公司的WinCC V6.0 SP1版本开发平台,主要完成现场数据在线显示、工艺报警、PID参数设置等功能。
3 活性污泥系统中曝气过程数学模型的建立
首先根据物料平衡定律并对活性污泥法污水处理系统作出如下假设:①微生物为非自养微生物,其生长率大于死亡率并满足Monod方程;②二沉池无生化反应发生;③回流污泥影响污泥龄与生长系数;④进水生物量为零,完全沉淀后的生物量为零;⑤有机物的饱和常数KS<
3.1 活性污泥系统模型
依据冯裕钊等人2003年在“变参数活性污泥系统的最优鲁棒控制法”一文中提出模型基础上[2],并根据废水处理过程微生物的生长机理和曝气机理及物料平衡:
【输入量】-【输出量】+【反应生成量】=【累积量】
可得活性污泥系统的状态方程,如下式(1)所示:
undefined
式中:x1(t)——微生物的浓度;x2(t)——底物浓度;x3(t)——混合液中氧的浓度;Q——流入量;uH——微生物的最大比增长速率;V——反应器体积;Si——流入污水中的有机物浓度;kd——内在的迟滞系数;C——二沉池浓度因子;QW——污质的流量;η——联系有机物与需氧量的一个因子;fx1——消耗因子;YNH——观察到的生长系数;δ——对溶解氧设定的冲量系数;u——打氧量。
3.2 模型的转换
本文选取曝气量u为控制量,溶解氧浓度x3(t)作为被控量,并将流入污水中的有机物浓度作为扰动,则方程可以表示为式(2):
undefined
式中:
3.3 不确定参数有界系统模型
在污水处理过程中,由于进水流Q、排出污泥泥量Qw、进水微生物的浓度Si、异氧菌的可观测产率YNH在污水处理过程中是随每天的废水进水量、废水水质等其它方面的因素而发生变化的,属于不确定的因素;同时又由于其进水量,废水水质是在一定范围波动的,因而又属于有界的。由以上分析可知:状态方程中的参数是在一定的范围内变动的,系统属于不确定参数有界系统,可以确定参数的变化如式(3):
undefined
根据污水处理的性质及上式中废水动力学参数,冲量系数恒取1,确定该污水处理系统中各参数的上、下界值如下式:
undefined
本文任取一中间状态的模型作为研究的对象,在下面章节中将先对它进行性能分析,然后用模糊控制的串级控制进行控制研究。所取的中间状态模型为:
由自动控制理论可知,实现闭环极点的任意配置的必要且充分条件是系统完全可控,即假如系统是能控的,则可以采用状态反馈将极点置于复平面的任意位置。因此当闭环系统的超调量σ≤10%且ts≤15 s时,根据经验公式undefined和ts=4/ξωn(2%稳态误差)可以得到一对主导极点:p1,2=-0.27±0.36j及S3=-10,其中一对复极点用来满足动态性能的要求,远离虚轴的极点对系统动态性能的影响很小[3]。可得到模型对应的反馈增益矩阵为:
K=4.010 1 7.852 6 5.435 0 (5)
4 溶解氧专家控制算法及仿真
溶解氧控制回路通过调节鼓风量来控制池内溶解氧值的含量,达到有效去除有机物的目的,控制系统结构框图如图4所示。为了保证活性污泥系统的正常工作,在混合液中必须保持浓度在2 mg/L左右的溶解氧,而且以曝气池出口为准[4]。
该回路根据溶解氧偏差e(t)的大小将系统响应分为两个区域,在不同区间采用不同的控制策略,从而增加了系统的控制精度。这两个区域分别是:I区域,当︱e(t)︱≤1时,系统超调不大,控制策略采用细调,即采用前馈专家控制器和PID控制策略(开关由b端切向a端);Ⅱ区域,当︱e(t)︱>1时,系统超调过大,控制策略采用粗调控制策略,即采用反馈专家控制器进行粗调,使系统加快向稳态方向靠近(开关由a端切向b端)。
4.1 前馈专家控制器结合PID控制器设计
专家控制是控制系统总地看作一个基于知识的系统[5]。在建立基于数据库的模糊对象模型时,数据库中每条记录的形式为:(进水流量,进水DO值,变频风机频率)。在本系统中根据实际情况设定输入变量为:进水DO值的变化ΔE1,进水流量的变化ΔE2。输出变量为:控制量输出U2(t)的变化ΔU2。
选择描述输入输出变量:
将输入ΔE1,ΔE2和输出ΔU2进行模糊化,即:进水DO值的变化为{负大,负小,零,正小,正大};进水流量的变化为{偏低,正常,偏高};前馈专家控制器控制量输出的变化为:{零,正小,正中,正大}。
用数学方法表示为:
式中:ΔE1(k)——k时刻的入水DO值变化;E1(k)——k时刻的入水DO值;ΔE2(k)——k时刻的入水流量变化;E2(k)——k时刻的入水流量;ΔU2(k)——k时刻的控制量输出变化;U2(k)——k时刻的控制器输出。
则总结其前馈专家规则如下:
本系统采用的PID控制算法如下:
undefined
由于DO值的变化非常敏感,要求系统超调量小,所以我们引入积分分离PID控制,其算式为:
undefined
即在DO值开始跟踪而偏差较大时,取消积分作用;一旦其接近设定值,引入积分作用消除余差。由合成前馈专家控制器得出的控制量U1(t)和PID控制器得出的控制量U2(t),得控制量:U(t)=U1(t)+U2(t),通过U(t)控制变频风机改变鼓风量,从而达到DO含量控制稳定的目的。
4.2 反馈专家控制器设计
在建立基于数据库的模糊对象模型时,数据库中每条记录的形式为:(DO值,风机频率,鼓风机量)。专家经验提供的是一种根据已知的状态得到应施加控制量的方法,但是,在有些场合下,无法找到这样的专家,而被控对象的模糊模型却己知,那么,就可以根据对象的模糊模型来推断相应的推理规则。
因此用数学方法表示为:
式中:e(k)——k时刻的DO值偏差;Δe(k)——k时刻的DO值偏差增量;F(k)——k时刻的变频风机频率;ΔF(k)——k时刻的变频风机频率增量;V(k)——k时刻的鼓风机鼓风量;ΔV(k)——k时刻的鼓风机鼓风量增量。
则其反馈专家规则总结如下:
4.3 仿 真
用MATLAB对专家方案控制下的曝气池内的溶解氧控制回路进行了仿真研究,将上面介绍的状态空间模型转化为传递函数模型,如下所示:
undefined
根据上面的模型我们首先得到图5所示的开环响应曲线。
作如下仿真:①单纯PID下的算法仿真;②PID+基于经验的专家规则的算法仿真(15条);③PID+基于经验的专家规则+基于模糊思想的专家规则算法仿真(21条);④PID+基于经验的专家规则+基于模糊思想的专家规则算法仿真(45条);⑤PID+基于经验的专家规则+基于模糊思想的专家规则算法仿真(65条)。
通过以上思路,得到以下仿真曲线图。并将这些曲线图进行对比分析。如图6所示,采用衰减曲线法进行PID参数的整定,好氧处理过程工艺要求含氧量波动不能太大,所以超调量必须小,而该PID响应曲线显然不能满足工艺控制需求,需要进行改进。
图7为本文采用的控制算法与PID算法应用于溶解氧控制系统后的仿真曲线对比图,在15 s时加入了50%的阶跃扰动以研究系统的抗扰性,综合考虑各方面的因素,其控制效果较好,能够达到设计要求。
为了比较上述两个控制器的干扰衰减性能,将对象开环比例增益K由1.0 增大到3.8,对应的响应曲线见图8(a),模型参数改变后的响应曲线见图8(b)。可以看出,采用本文专家控制方法能够得到更好的控制性能和鲁棒性,其结果充分证明了新的控制系统较PID控制系统在系统响应速度、超调量以及延迟时间、增强系统抗干扰能力等特性上均有明显优势。
5 小 结
本课题设计的曝气池溶解氧的专家智能控制方案已在污水处理控制系统中成功采用。该系统结构简单、调节时间短、调节精度高、稳态性能好、超调量小,能够很好地完成DO值的自动控制。投入运行后,对系统进行了实时控制。实时控制证明,专家控制不依赖被控对象的数学模型,实现了对时变、非线性和复杂反应过程的控制,取得了较为满意的效果,从而显著降低污水处理的运营成本,提高经济效益。
参考文献
[1]高大文,彭永臻,王淑莹,等.污水处理智能控制的研究、应用与发展[J].中国给水排水,2006,18(6):35-39.
[2]冯裕钊,龙腾锐.变参数活性污泥系统的最优鲁棒控制法[J].中国给水排水,2003,19(3):14-16.
[3]杨智,朱海锋,黄以华.PID控制器设计与参数整定方法综述[J].化工自动化及仪表,2005,32(5):1-7.
[4]唐海,刘桂中,蔡昌风,等.基于CBR的曝气池智能实时供氧控制专家系统的设计[J].中国给水排水,2006,3(32):99-101.
设计过程建模 篇6
一、把握建模时机
“建模”的过程 , 实际上就是“数学化”的过程 , 是学生在数学学习中, 获得某种带有“模型”意义的数学结构的过程建模的时机是否恰当, 要看“数学化”的程度如何. 建模的时机不当, 会使建模过程变成了简单的知识和技能的传授过程下面以“认识倍”为例剖析建模时机:
案例一:出示情境———3朵蓝花, 6朵红花. 演示:把3朵蓝花看成一份, 圈一圈, 6朵红花可以圈2个圈, 说明6里面有2个3, 红花就是蓝花的2倍. 列式表示6÷2 = 3.
案例二 :1演示后操 作 , 每3朵一圈 , 6朵红花可 以圈2个圈 , 红花就是蓝花的2倍 . 用学具分一分 , 操作中感悟 , () 里面有几个 () 的几倍. 在脑子里) 就是 () , (想象操作过程. 三个活动, 从“看”到“做”再到“想”, 逐步归纳操作方法, 建立“圈”的动作模型. 2数学表达. 先看图说, “把2朵花看成一份 , 红花里有3个2朵 , 所以红花是蓝花的3倍. ”再脱离具体物像说, “6里面有3个2, 所以6是2的3倍”. 建立“××里有几个××, ××就是××的几倍”的语言模型. 3抽象化. 逐步抽象, 由实物图到集合图到数字信息, 让学生说倍数关系. (如图1) 4组织探寻算法.
比较两个案例, 前一个案例中, 老师让学生理解了6里面有几个2, 就迫不及待地端出了算式, 算式虽由学生说出但学生并没产生建模的需求. 第二个案例中, 老师先在学生的头脑中建立动作模型, 再通过交流建立语言表达模型, 然后去掉图例, 摆脱对具象的依赖, 激发学生用数学式表达两数倍数关系的需求, 并最终根据除法的意义写出算式模型 () ÷ () . 两个案例都在帮学生建立“倍”的数学模型但第二个案例时机把握得更恰当. 由具体、形象的实例开始借助操作予以内化和强化, 最后通过去形象化, 归纳概括出数学表达式, 赋予了“ () ”更多的模型意义.) ÷ (
二、经历完整的建模过程
完整的建模过程分为这几个步骤:实际问题—建构数学基本模型—解决数学模型—运用检验模型 (模型与实际问题间的互译与表达) . 经历完整的建模过程更有利于培养学生发现、分析、解决问题的能力.
以“求相差数的实际问题”为例: (1) 提出问题:怎么让人一眼看出哪一种花片多? 多多少? 激发操作欲望. 学生提出用学具操作的办法. 追问:如果身边没带学具怎么办? 有学生考虑画图. (2) 建构模型:数量很大时画图方便吗? 有没有更简便的方法? 激发列式的需求. (3) 解决模型:探索算法及算理 (4) 练习巩固后拓展和深化 :“小熊比小兔少跳多少下”还可以怎么说? (小兔比小熊多跳多少下? 小熊再跳多少下就和小兔同样多? 小熊跳的增加多少下就和小兔同样多? ) 除了用“……比……多 (少 ) 多少”来表示求相差数 , 你还知道哪些表示求相差数的说法? (……比……高 (矮) 多少? ……比……长 (短) 多少? ……比……贵 (便宜) 多少? )
“谁的花片更多 , 多多少”是一个实际问题 , 操作、画图使学生理解了这一生活问题的数学意义. 操作、画图的局限, 让学生尝试寻找简洁的数学模型来解决问题. 解决求相差数的问题用加法还是减法, 为什么用减法计算, 这一数学活动是探究数学模型的解法. 在应用模型时, 既有不同情境中的应用, 还将相似的问题类化, 通过解决一个典型, 带动相关问题的解决, 由一个到一类, 渗透一种数学规律的思想, 也就是模型思想.
三、关注模型的表达
数学模型在数学学习中无处不在, 学生学习数学必然会利用一定的数学模型表达自己的数学思考. 研究学生数学模型的表达方式, 既是为了正视学生的差异, 也是为了检验建模的效果, 更是为了通过数学建模改善学生的学习方式, 改善老师的教学行为. 比如二年级下册学习了“三位数加三位数”的知识, 学生建立了哪些数学模型呢? 从问题库中就能看出学生对加法问题模型的不同理解.
(1) 不同的学生关注的内容不同
(2) 不同的学生采取不同的表达方式
同样的三位数加三位数的加法问题, 学生使用了多种形式表达自己获得的模型, 有的只能称为模型的雏形, 有的已经有了抽象化的意味, 有的能多角度诠释加法模型的外延……这些模型给教师提供了丰富的信息, 进一步解构就能成为我们制定教学计划的源泉.
基于建模过程的加工特征识别 篇7
自动特征识别是实现CAD/CAPP/CAM集成的智能转换接口, 主要包括基于面表示和基于体表示的两类特征识别[1]。这些方法大多从最低层的零件实体模型 (B-REP或CSG形式) 开始, 将最基本的点、线、面按照一定的拓扑结构组合, 对其进行基于某种规则的组合和匹配, 构造特征实体;并与预定义特征进行比较匹配, 确定特征类型并提取特征参数[2]。
目前的方法对简单零件模型是适用的, 对于存在许多相交特征的复杂零件, 则存在以下问题:①特征存在不同程度的几何信息和拓扑信息的丢失, 丢失情况无固定模式可循;②相交特征多重解释引起的组合爆炸, 造成了相交特征识别困难, 且相交后形状各异, 无法归纳出通用规则进行匹配;③线与线的相交、面与面的相交、体与体的相交是复杂的计算, 将耗费大量的计算资源[3]。
1 算法核心思想
依据建模方式可将建模过程可分为两类:一类是基于草图的建模, 如拉伸、旋转、扫描等操作;一类是基于已有拓扑实体的建模, 如倒角、倒圆等操作。大多数CAD系统利用宏命令记录零件建模的设计历史, 并维护用户设计意图[4]。本质上, CAD系统也接收上述用户输入信息, 计算模型的底层数据 (点、线、面及其拓扑关系) , 并构造模型的B-REP或CSG表达, 因此宏命令中的信息与模型的底层数据具有对应关系[5]。例如, 用户绘制了一个封闭边环, 选择拉伸命令并确定拉伸方向和长度, 得到一个拉伸体, 其宏命令中的信息如图1所示。
根据以上分析, 本文另辟蹊径, 避免对零件实体模型中的点、线、面进行拓扑分析和特征重组与匹配, 而利用零件设计过程中CAD系统以宏命令方式记录的建模过程, 采用递推式特征识别策略, 分析建模命令及其相关联的几何信息和拓扑信息, 查找特征痕迹, 识别每一个建模过程产生的特征, 而不是从零件的最终建模结果一次识别所有特征。
对于非草图的建模过程, 特征识别相对简单, 只需从宏命令中获得边或面的标识以及倒圆、倒角半径等特征参数就可以完成特征识别。对于基于草图的建模过程, 则需要设计相应的算法进行识别。本文着重讨论基于草图的建模过程的特征识别。
假设零件B-Rep模型中拓扑实体 (包含点、线和面) 数量为N, 第i次特征建模过程产生的拓扑实体 (只包含点和线) 数量为Ni (i=1, 2, …, m) 。因为模型中的部分几何实体和拓扑实体是在建模过程中由几何运算产生的, 并非由设计者绘制生成, 所以N>N1+N2+…+Nm。对于特定的算法来说, 假设前者复杂度为O (N2) , 则后者为O (N12+N22+…+Nm2) , 显然前者复杂度大于后者复杂度;同时由于避免了相交特征识别, 故效率将会大幅度提高。
2 相关概念
2.1 设计过程单元
用户创建了草图后, 对其进行拉伸、旋转等操作, 或者选择模型的边或面进行倒角或倒圆, 或者对两个特征体进行布尔操作, 最终使零件模型产生变化, 构成一次设计过程单元。
2.2 特征加入方式
零件模型可以用特征以一定操作顺序组合表达。特征加入方式表明特征对零件模型产生的效果。本文定义了如下4种特征加入方式 (图2) :
(1) 创建。对草图进行拉伸、旋转或扫掠等操作产生的特征, 零件的第一个特征必须以创建的形式生成。
(2) 布尔加。将本次生成的特征加入到模型中。
(3) 布尔减。从上一次操作的模型中减去本次生成的特征。
(4) 布尔交。上一次操作的模型与本次生成的特征的共同部分。
2.3 特征操作树
由于本文算法以设计过程单元为识别单位, 因此必须利用特征操作树记录零件的特征建模过程, 以便完成整个零件的特征识别, 特征操作树包括[6]:
(1) 根节点, 表达模型的建模结果。
(2) 叶子节点, 即特征对象, 包含所有属于或与其关联的信息, 如用户利用旋转操作创建特征, 则存储草图的依附面、草图本身以及旋转角度。
(3) 内部节点, 代表叶子节点与叶子节点或子树之间的特征加入方式, 反映操作对模型的影响。
零件的特征操作树实例如图3所示。本文利用宏命令重构操作特征树, 并从最底层叶子节点开始, 逐个识别每个建模过程产生的特征, 直至零件的根节点, 从而完成特征识别过程。
2.4 基于建模过程的零件模型定义
零件的B-REP模型是从点、线、面以及拓扑关系描述零件实体的模型。本文利用宏命令描述的建模过程及其相关信息定义零件模型PM, 格式如下:
其中, PU为设计过程单元分配的标识Tf i构成的数组, PU= (Tf1, Tf1, …, Tf n) , 用于描述建模过程。Fi表示每个设计过程单元对应的特征, Fi= (Si, Ti, Mi, Oi) , 其中, Si表示用户创建的二维草图, 一般由封闭边环表示, 当建模命令为倒角、倒圆等操作时, 该项为空;Ti表示创建时引用的已有拓扑实体, 对基于草图的特征, Ti表示特征的依附面, 对于倒圆、倒角等特征, Ti表示操作所对应的边或面;Mi表示生成特征的方法, 如拉伸、旋转、倒圆等;Oi表示特征的加入方式。限于篇幅, 本文讨论拉伸操作生成的特征的识别。
尽管CAD系统并没有为每个建模操作显式定义特征加入方式, 但不同的特征加入方式对零件模型产生的效果是不同的, 因此在基于建模过程的模型定义中, 显式定义了特征加入方式。例如, 对凸边倒角是切除零件材料 (布尔减) , 对凹边倒角是增加零件材料 (布尔加) , 如图4所示。
3 特征识别预处理
本文特征痕迹查找思路是:从草图轮廓开始, 构造表达轮廓的封闭、有向边环;分析边环的几何特性, 确定可能的特征痕迹;依据特征加入方式和建模方法进一步确定边环产生的特征类型。预处理的目的是:对草图中的边进行重组, 构造封闭、有向边环;判断边环的材料侧, 确定该边环产生的特征是增加零件材料还是切除零件材料。
3.1 边重组
CAD软件输出的宏命令中, 草图轮廓曲线是按照设计者创建的时间先后顺序记录的, 不一定是封闭边环, 需要进行重组, 重组方法具体如下:
(1) 从轮廓中任取一条边 (直线段或圆弧段) , 获得其端点的几何信息, 将该边作为FirstCurve。
(2) 从剩下的边中查找使用了FirstCurve端点的边, 作为NextCurve, 判断该端点是NextCurve的起点还是终点, 如果是终点则不处理, 如果是起点, 则将该边反向 (图5) 。随后将FirstCurve存储到Startcurve中, 将NextCurve作为FirstCurve。
(3) 重复步骤 (1) 和步骤 (2) , 直到FirstCurve和Startcurve相同为止。
(4) 如果轮廓中还有边未被查找到, 则重复步骤 (1) ～步骤 (3) , 直到所有的边均被查找到为止。
(5) 将边环的旋向调整为逆时针方向 (图5) , 以便进行下文中凸点和凹点的判断。本步骤可以通过相邻边之间的坐标值比较和判断完成。
若曲线是圆, 因本身已经封闭, 可直接将其旋向调整为逆时针方向, 单独作为边环处理。
3.2 材料侧的确定
确定模型材料位于边环的内侧或外侧是判断特征类型的重要信息。首先定义两个概念:
(1) 凸点和凹点。如图6a所示, 将以某顶点为起点的边, 绕起点顺时针旋转, 当与以该顶点为终点的边重合时, 若转过的角度小于180°, 则该顶点为凹点;若大于180°, 则该顶点为凸点。图6a中, B为凸点, D为凹点。如果存在圆弧 (图6b) , 则在其上任取一点插入到顶点序列中, 连接邻近顶点构成多边形, 依据以上规则判断顶点的凹凸性。
(a) 没有圆弧边的情况 (b) 有圆弧边的情况
(2) 边环法向量。垂直于边环每条边, 并指向所在边环外部的向量叫边环法向量。如果共享边环顶点的两条边的法线方向与该顶点相邻的两个顶点的连线相交, 则该顶点是凹点, 反之则为凸点。例如CD和DE法线方向与EC相交, 则D为凹点, 同理, B为凸点, 如图6a所示。
根据以上定义, 并结合特征加入方式, 可以确定零件的材料侧, 如图7所示:对于创建、布尔加和布尔交方式, 若材料位于外边环的内侧, 则边环法向量不经过材料侧;若材料侧位于内边环的外侧, 则边环法向量经过材料侧 (图7a) 。对于布尔减方式, 若材料位于外边环外侧, 则边环法向量经过材料侧;若材料侧位于内边环内侧, 则边环法向量不经过材料侧 (图7b) 。
(a) 创建、布尔加和布尔交情况 (b) 布尔减情况
根据边环的内外特性和特征加入方式, 将边环分为两类:
(1) Ⅰ型边环为特征加入方式为创建、布尔加和布尔交的内边环和特征加入方式为布尔减的外边环。材料侧位于这类边环外部。
(2) Ⅱ型边环为特征加入方式为创建、布尔加和布尔交的外边环和特征加入方式为布尔减的内边环。材料侧位于这类边环内部。
4 特征识别
本文以槽特征为例详细说明特征识别算法流程:从二维草图中查找特征的痕迹, 对特征痕迹进行分析并获取特征参数。
4.1 特征痕迹判定
加工方法和加工设备的不同时, 槽特征的定义不同。如果进行数控铣削, 那么槽的边界可以是任意不规则曲线。槽特征的识别相对简单, 只需判断边环内部是否有材料即可。如果采用普通铣床加工槽, 在一次定位装夹且没有靠模的情况下, 刀具只能沿着直线运动。本文将槽特征定义为铣刀在零件内部直线移动后形成的空腔, 即存在两个相互平行的平面, 且从平面法向看, 两平面存在重叠部分。从工艺和成本角度考虑, 槽宽应小于刀具的路径。
通过分析, 可得到槽特征痕迹的判据如下:两条平行边对必存在重叠区, 将一条直线段投射到另一条直线段上, 两者全部或部分将重叠, 如图8所示。
为保证两条平行边对构成零件空腔, 结合特征加入方式和所在边环的性质, 进行槽特征痕迹判断:
(1) 特征加入方式为创建、布尔加、布尔交时, 若所在边环都为Ⅰ型内边环, 且边环法向量相离 (一条边的边环法向量与另一条边不相交, 见图9b) , 则存在槽特征痕迹;若所在边环都为Ⅱ型外边环, 且边环法向量相对 (一条边的边环法向量与另一条边相交, 见图9c) , 则存在槽特征痕迹。
(2) 特征加入方式为布尔减时, 若所在边环都为Ⅱ型内边环, 且边环法向量相对 (图9e) , 则存在槽特征痕迹;若所在边环都为Ⅰ型外边环, 且边环法向量相离 (图9f) , 则存在槽特征痕迹;若一条边属于Ⅰ型外边环, 另一条边属于Ⅱ型内边环, 且边环法向量相同 (图9g) , 则存在槽特征痕迹。
槽特征判断决策树见图10。
4.2 特征验证和参数获取
特征验证和参数获取目的是确定槽特征与其他边或边环在不干涉条件下的最大边界, 并获得特征参数, 进一步剔除无效痕迹。最大边界的判断方法是:将平行边对的边延长, 若与边环的其他条边有交点, 则最大边界为延伸后的边界;若没有交点, 则槽特征原始边界不变。如图11所示, 边d延长后与a和i有交点;边h在+Y方向与e有交点;而b没有交点, 其槽特征边界不变。
在图11的封闭边环中, Y方向有5条平行边, 共10条平行边对:b-j、d-j、f-j、h-j、b-d、b-f、b-h、d-f、d-h、f-h, 其中平行边对b-d、d-f、f-h、d-h、b-f、b-h不存在重叠区, 是无效痕迹;b-j、d-j、f-j、h-j存在重叠区。
平行边对b-j的初始重叠区为线段b的长度, b延伸后与边环的其他边没有交点, 则b-j的最大边界仍为初始重叠区。槽的宽度为a的长度, 大于b的长度 (刀具轨迹长度) , 不符合槽特征定义, 将其剔除。同理, f-j也被剔除。
平行边对d-j的初始重叠区为线段d的长度, d延伸后与边环其他边的交点为A和B, 则最大边界为AB (代表刀具运动轨迹长度) , 大于槽宽 (d到j的距离) , 是有效槽特征。同理, h-j是有效槽特征, 注意此时要将由d-j构成的槽特征边界剔除。
对于X方向平行边对也采用同样的方法进行判断, 得到特征参数。注意, 要将Y方向的槽特征边界剔除, 如a-c边对, 最大边界只能为c的长度。最后根据拉伸长度确定槽深, 完成特征识别全过程。
由此可以看出本文算法的另一个优点, 基于零件B-Rep模型的特征识别只能得到特征的面表示, 但是为确定切削工艺参数[7], CAPP系统要求特征以体的方式表示。本文算法可直接获得特征参数, 省去了面表示转化为体表示和获取特征参数的环节, 提高了特征识别效率。
5 算法实例
本文以UGNX4.0为平台, 开发了加工特征识别软件。下面以某零件的建模过程 (图12) 详细说明。
对于草图2～草图4 (见图13～图15) , 宏命令记录了草图定位面、每条边的几何、拓扑数据、建模操作等信息, 例如:
datumPlane1=workPart.Datums.CreateFixedDatumPlane (origin1, orientation1) …/定位信息
Dim startPoint01 As Point3d=New Point3d (-38.0, 24.2, 0.0)
Dim endPoint01 As Point3d=New Point3d (-19.0, 24.2, 0.0)
line23=workPart.Curves.CreateLine
(startPoint01, endPoint01) ……指定线段起点和终点
算法对草图2和草图3的边进行预处理, 获得2个封闭边环, 由于边环的特征加入方式都是布尔减且为Ⅱ型内边环, 采用本文算法对它们进行分割, 识别槽特征, 草图2和草图3的识别结果如图13和图14所示。对于草图1和草图4, 由于边环的特征加入方式是布尔加且为Ⅰ型外边环 (其中草图1是建模的第1个特征) , 将产生凸起特征。草图1和草图4的边环中存在凹点, 根据材料侧和边环特性可以判断该草图存在槽特征, 草图4的槽特征如图15所示。最后根据边的几何信息计算特征参数, 提供给CAPP系统。
槽深由拉伸长度确定, 例如草图1的拉伸命令:
featureOptions2=extrudeBuilder1.FeatureOptions (
extend1.SetValue ("0") ;extend2.SetValue ("40") ) ,
//指定草图拉伸方向和长度, 拉伸方向垂直于草图平面
算法将圆环识别为孔特征, 根据其宏命令的内容可直接获得特征参数:
Dim center1 As Point3d=New Point3d (-5.8, -7.3, 25.0) ;//圆心
arc1=workPart.Curves.CreateArc (center1, nXMatrix1, 25, (360.0) ) …指定依附面、圆心、半径和圆弧弧度
holeFeatureBuilder1.SetDepthAndTipAngle ("50", "90") …;指定孔的长度和顶锥角
对于边倒圆特征, 宏命令中记录了边的标识和倒圆半径, 可直接识别并获得参数:
seedEdges1 (0) =CType (extrude1.FindObject ("EDGE * 150 * 130") , Edge) 倒圆操作边, 150和130为共享该边
//的面的标识
csIndex1=edgeBlendBuilder1.AddChainset (scCollector1, "5") 指定倒圆方式和倒圆半径
特征识别算法实现过程中还应注意如下几点:
(1) 解析宏命令时, 以建模命令为单元进行特征识别, 注意剔除与建模无关的命令;如果存在undo操作, 注意追踪并取消undo对应的建模命令。
(2) 必须记录每个已识别特征的拓扑元素标识, 并据此重构特征完整的拓扑关系。建模命令可能利用之前特征的拓扑元素作为定位基准或直接操作对象。例如, 创建半径为5mm的边倒圆特征时, 所指定的边并非草图1中的边 (在宏命令中也没有记录) , 而是顶点拉伸操作形成的边, 在草图特征1中该边记录为
Edge (#150, #130) ……;//共享该边的面标识
(3) 注意记录草图的拉伸方向。因为特征的加入方式有时是隐含的, 由特征的拉伸方向确定。例如, 草图2的拉伸方向表明该特征去除了零件材料, 是槽特征;草图4的拉伸方向表明该特征增加了零件材料, 是凸台特征。
(4) 相交特征的判断。特征相交会造成特征体的部分缺失, 并以复杂的形式存在, 对于加工制造工艺具有重要的影响。特征相交性判断方法如下:根据特征参数, 包括定位信息、建立特征的草图轮廓、特征拉伸 (或旋转等其他操作) 方向, 建立两个相交特征对应的特征体;对特征体进行布尔操作和相交关系分析;根据相交关系判别结果, 对特征进行制造特征映射和信息更新。以草图特征2和孔特征6为例, 相交性判断过程如图16所示。
6 结论
(1) 采用递推式特征识别策略, 避免了对零件B-Rep整体模型的点、线、面进行拓扑分析造成的大量计算。
(2) 一次仅对一个建模过程单元中用户绘制的草图及其建模命令进行分析, 避免了相交特征识别困难的问题;分析结果可直接获得特征参数。
(3) 可以方便地重构特征体。
进一步的工作是从以下方面扩展现有算法:更复杂的草图的特征痕迹识别方法, 基于旋转、复合扫掠等复杂建模操作的特征识别算法。
参考文献
[1]花广如, 周雄辉.特征识别的现状与存在的问题及解决方案[J].机床与液压, 2008, 36 (4) :19-22.
[2]王波, 宋长新, 程敬之.自动特征识别的新方法[J].西安交通大学学报, 2002, 36 (8) :707-710.
[3]黎荣, 王金诺.基于特征模型的特征相交识别[J].机械工程学报, 2006, 42 (1) :227-230.
[4]Choi1Guk-Heon, Mun Duhwan, Han Soonhung.Exchange of CAD Part Models Based on the Macro-parametric Approach[J].International Journal of CAD/CAM, 2002, 2 (1) :13-21.
[5]Ranjan R, Kumar N, Pandey R K, et al.Automatic Recognition of Machining Features from a Solid Model Using the2D Feature Pattern[J].Interna-tional Journal of Advanced Manufacturing Technol-ogies, 2005, 26 (7/8) :861-869.
[6]李伟平, 谷正气, 张洪涛.支持产品协同设计的隐式特征表达[J].中国机械工程, 2006, 17 (21) :2233-2237.
用支持向量机建模学习过程 篇8
1 支持向量机
支持向量机(SVMs)是学习分类器。例如,神经网络学习分类器。但它们使用的概念略有不同。支持向量机(SVMs)是一个线性分类器的概括,与神经网络相比,SVMs关键的优越性是其创建和训练算法[2]。
1.1 线性分类器
在超平面的帮助下,线性分类器可以把输入空间分成两个部分:类A为类B。位于超平面上部的每一点属于类A,面位于超平面下部的每一点属于类B。图1显示了一个已分类的数据集。在式(1)定义的平面D是分类器的唯一参数。如果xi被分为类A和类B,如果分类器是经过训练的,这些数据的分类可以由式(2)和式(3)来实现。
〈x,y〉代表标准点积 〈x,y〉=x1·y1+x2·y2+…
D≡〈w,x〉+d=0 (1)
xi∈A⇒⇐ 〈w,xi〉+d>0 (2)
xi∈B⇒⇐ 〈w,xi〉+d<0 (3)
然而,由两个约束条件组成系统的训练并非无足轻重。如果具备式(4)和式(5),那么分类的条件就变成了式(6)
y1=1⇒⇐ xi∈A (4)
y1=-1⇒⇐ xi∈B (5)
yi·(〈w,xi〉+d)>0 (6)
正如式(6)验证的每个点,训练就是要寻找w和d。但这里存在着无数个分离平面,需要从这些平面中选择一个。尽量选择一个最能概括分类器的平面。也就是说,使用一些没有包含在训练集合中的数据,也能得到比较好的结果。这决定使用式(7),如同在图3中显示的那样,有两个分离平面,每一个平面对应一个yi值,平面间的距离称为边界。可以表明,边界是与
为获得更概括的分类器,必须把边缘最大化,或者最小化
yi·(〈w,xi〉+d)≥0 (7)
验证式(8)的那些点称为支持向量。这些点支持此解决方法,其分布在限定平面上,并且位于它们类的边缘
yi·(〈w,xi〉+d)=0 (8)
可以证明,向量w是支持向量的一个线性组合[1]。式(8)和式(9)的组合可被改写为式(10),现在分类的条件与训练数据无关
w=∑ajyjxj且aj≥0 (9)
∑aiyi〈xi,x〉+d≥1 (10)
现在的训练在于寻找ai和d。每个不能验证式(8)的点,系数ai将为空。因此可以把它从解决方法中移走,这是训练所要达到的目标。支持向量及其相应的系数作为分类器的参数。
图4表明的解决平面都依赖于支持向量,因为它们都共享法线w,这些平面必定互相平行。可以证明,去掉一个非支持向量的向量,解决方法并不改变。这是合乎逻辑的,因为它们的ai为空,所以不会改变分类器的参数。
如果想用一个新数据集来训练系统,没有必要添加整个旧数据集,需要的仅是旧数据集中的支持向量。
1.2 非线性可分离数据集的扩展
如果输入空间被转换成一个高维空间,非线性可分离数据集也可以变成线性可分离的。图5就显示了这样一个空间转化的概念。
图6(a)显示了一个具体的例子。如果试图用线性分类器为这些数据集分类,则无法获得分离平面。如果在式(11)的帮助下,把一维的空间转换成一个二维的空间,那么这时候数据集就是线性可分离的。图6(b)表示转换过程和一个成功的分离平面。这个举例虽然简单,但也表明这种转化为更高维空间的可行性。
Ø(x)=(x,x2) (11)
1.3 核心函数
如果转换应用于每一个向量xi和w,式(10)就变成了式(12)。〈Ø(xi),Ø(x)〉是两个转换向量的点积。尽管转换空间已成为高维的,但返回值将总是一个标量值。可以把〈Ø(i),Ø(x)〉当成一个简单的函数,其功能就是要返回一个标量。这个函数称为kernel(K)。式(13)给出了这个函数K(x,y)定义。现在不需要强求知道Ø(x)的值。此时的Ø(x)也可以转换数据到一个无限纬度空间。作为一个举例,式(11)表示的等价核心的转换将在式(14)中计算。现在可以重写分类条件,最后形式如式(15)所示
核心函数必须验证在文献[1]中可以看到的条件。这种情况下,一些Ø(x)与核心函数匹配。式(16)中的核心函数具有如下的一些重要属性
式(17)展示了一些经典的核心函数。它们可以同式(16)中显示的属性相结合
1.4 训练
如前所述,在式(7)的约束下,训练在于寻找w和b。使用式(9),在式(15)的约束下,训练就是要寻找ai和b。目标是要找到一个最概括的分离平面。必须最大化边界或最小化
应用拉格郞日优化理论,式(18)就变成了式(19)[2]。式(19)是一种二次优化问题。二次优化理论表明问题是凸起的,不存在局部最小化问题。在这个优化问题中,通常可以找到最好的结果。这是支持向量机(SVM)的一个重要优势:当给定数据集并选中核心函数后,通常可以找到最好的结果。多次训练这个系统都是得到一个完全相同的结果。虽然二次优化算法有很多种,此处仅介绍支持向量机,更多的信息可以在文献[3]中找到
2 短期记忆模型化
分类器系统是采用收集的数据集进行训练。在一个神经网络中,不可能决定或者知道何时网络忘记过去学到的东西。在支持向量机(SVM)中,分类是支持向量和它们的系数ai来描述的。这些向量是收集到的数据集的一部分。这样就有可能给每个向量标定日期。然后,经过一定的时间段,为取消向量的影响,可以把它从解法集中移走。整个数据集就可以不断地减少最老的向量,增加最新的向量。图7显示了移走一个过时的支持向量时,相应的解法集的变化情况。图8显示了添加一个新的支持向量时,相应的解法集的变化情况。
一方面,只要支持向量没有改变,训练就会给出完全一样的结果,解法集也不会改变,并且训练速度也非常快。另外一方面,如果移走一个支持向量,与第一情况相比,训练需要的时间会更长一些,但训练速度也很快,因为非支持向量的数据权重(ai)仍然为零。
系统派生可能会是一个问题,而且除了支持向量和它们的系数ai,解法也受到所选择核心函数的约束。虽然这或许是一个优点,或是一个缺点,因为要选择这样的一个核心就可能会非常棘手。
这种技术在一个充满变化的环境中相当有用,因为过去学习到的知识对现在不会有无止境的影响。对于神经网络,如果环境发生了变化,一些决策可能就不再有效。有时为了纠正这种趋势,会犯多次错误。而对于带有标定日期的支持向量机(SVM),只会有一次错误或一次长时间的等待。
虽然只在SVM中介绍了这种技术,显然,这种技术也可适用到其他的分类器,只要分类器是从训练数据集中得到的数据来表示它们的参数,例如最邻近算法(KNN,K-Nearest Neighbors)。在加强学习方面,这种SVM可以代替神经网络。
3 CPU的消耗限制
评估点x的值,需要计算方程。这种分类需要计算K(x,y)的值和每个支持向量的两个乘积。重要的是限制分类器对CPU的消耗。降低CPU消耗的唯一方法是限制支持向量的数目,并限制到一个固定值。使用这些带有日期的系统,支持向量数目太高时,最老的支持向量在评估时可以抛开不计。然而,抛开不计的支持向量不能从训练数据集中移走。由此,支持向量必将被另外一个取代。这种行为将会降低分类器的有效性。在游戏中,限制支持向量的数目非常重要,因为它在决策中引入了一些噪音,所以效率下降并非总是坏事
4 结束语
介绍了支持向量机(SVMs),引出了老化数据的概念。尽管这一概念可以用于大多数的分类器系统,但SVM是个很好的候选者,因为分类器的参数是用训练数据集来表示的,还为支持向量的数量限制和CPU消耗的限制提出了解决方法。
参考文献
[1] BURGES C.A tutorial on support vector machines for pattern recognition[J].Knowledge Discovery and Data Mining,1998,2(2):955-974.
[2] CRISTIANINI N.Tutorial on support vector machines and kernel methods[EB/OL].(2010-08-26)[2011-12-19]http://www.support-vector.net/icml-tutorial.pdf.
[3]GOULD N,PHILIPPE T.A quadratic programming page[EB/OL].(2010-03-17)[2011-12-10]http://www.numeri-cal.rl.ac.uk/qp/qp.html.
列车通过车站过程建模及应用 篇9
由于现代科学技术的迅速发展, 计算机技术不断应用到各个学科领域, 包括铁路信号领域。计算机联锁系统已经开始取代传统的继电联锁系统, 实现铁路信号设备控制和行车作业指挥。在计算机联锁系统中, 联锁表说明车站信号设备联锁关系的图表。联锁表中表示出了进路、道岔、信号机之间的基本联锁关系。编制联锁表是一项复杂而重要的工作, 用计算机实现电气集中进路联锁表自动编制, 关键问题是建立正确的数学模型[1]。为了保证模型的正确性, 国内外普遍采用形式化方法对系统进行建模。目前比较流行的建模方法有UML、Petri网、自动机等。
目前越来越多的研究人员将Petri网运用到铁路系统中, 对轨道区段、列车、信号机等设备进行建模[2,3,4]。有色Petri网是一种形式化语言, 具有严格的数学语义基础, 利用它对列车通过车站过程建模, 在模型中实现进路、道岔等信号设备的联锁关系。不但可以利用有色Petri网验证模型中联锁关系的正确性, 减少错误的发生;而且利用有色Petri的状态空间分析工具可以得到模型对应的有向图, 进而可以利用图论有关知识自动生成联锁表。同时, 运用这种模块化的建模思想对列车通过车站过程进行建模, 对于不同的车站采用相同的方法, 提高了建模的效率, 减少了建模过程中的人为错误, 从另一方面保证自动生成联锁表的正确性。
1 有色Petri简介
Petri网是1960年由C.A.佩特里发明的, 适合于描述异步的、并发的计算机系统模型。Petri网既有严格的数学表述方式, 也有直观的图形表达方式。它是一种功能较强的图形化建模工具, 能较好地描述离散事件的动态过程, 并能精确描述系统的并行、同步、冲突和因果依赖关系。有色Petri网是在原有Petri网的基础上增加了着色标记等元素, 从而大大提高了模型的描述能力, 并且通过适当地添加运行规则, 使模型具有处理并发和资源竞争的机制。在有色Petri网中库所和变量都是有类型说明的。库所拥有一些确定类型的元素即颜色托肯, 托肯的分布决定了网的状态。变迁代表可能的动作, 影响状态的转换。弧表达式指明变迁引起的托肯消耗、增加的改变。防卫函数为一个与变迁相关的布尔表达式, 允许或限制变迁的发生。初始标识由初始函数I来定义, 并且必须赋以相应类型的值。CPN扩展了基本Petri网系统, 使之可以支持不同类型 (颜色) 的标记, 并支持变迁的约束条件 (Guard) , 从而减小了网络规模, 使其在实际问题中的应用成为可能[5,6,7,8,9]。
2 列车通过车站过程建模
2.1 列车通过无道岔区段模型
如图1所示, 通过结缘节a和b将无道岔区段BG与其他区段分割开。如果列车车身完全处于区段CG中, 当列车头部越过a时, 区段BG被占用。当列车尾部越过a时, 列车出清区段CG, 车身完全处于区段BG中。列车基于运行, 当列车头部越过b时, 区段1DG被占用。当列车尾部越过b时, 列车出清区段BG, 车身又完全处于区段1DG中。上面描述了列车通过无道岔区段的完整过程, 根据此描述, 可以得到列车通过无道岔区段的CPN模型, 如图2所示。列车通过无道岔区段模型库所说明和变迁说明如表1、表2所示。
2.2 列车通过有道岔区段模型
如图3所示, 通过结缘节b, c和d将有道岔区段1DG与其他区段分割开。列车头部越过b, 区段1DG被占用。列车尾部越过b, 列车出清区段BG, 车身完全进入区段1DG中。如果道岔处于定位状态, 则列车直向行驶, 列车头部越过c, 区段IG被占用。列车尾部越过c, 列车出清区段1DG。如果道岔处于反位状态, 则列车侧向行驶, 列车头部越过d, 区段IIG被占用。列车尾部越过d, 列车出清区段1DG。上面描述了列车通过有道岔区段的完整过程, 根据此描述, 可以得到列车通过无道岔区段的CPN模型, 如图4所示。具体说明如表3、表4所示。
2.3 列车通过车站模型
在图5中给出了一个简单的车站示意图, 包含2个道岔区段1DG和2DG, 以及5个无道岔区段CG, BG, IG, IIG和AG[10]。
对图5所示的车站示意图建模, 将图5中的结缘节对应成CPN模型的库所 (Place) , 将图5中的轨道区段对应成CPN模型的变迁 (Transition) , 得到如图6所示列车通过车站的CPN模型。在该模型中, 所有变迁均为置换变迁 (Substitution Transitions) 。其中, 置换变迁1DG和2DG的详细模型为列车通过有道岔区段的CPN模型, 置换变迁IG和IIG和详细模型为列车通过无道岔区段的CPN模型。通过这种层次化建模方法, 就可以得到完整的列车通过车站的CPN模型。
3 利用列车通过车站模型生成联锁表
在图6所示的CPN模型中, 实现了车站轨道区段与道岔之前的联锁关系。利用CPN tools中自带的状态空间分析工具 (the State Space Tool) 对图6中的CPN模型进行分析, 得到该模型的有向图, 利用有向图分析方法, 可以得到该车站的所有进路以及进路中轨道区段与道岔之间的联锁关系, 为自动生成联锁表提供了方便。如果能在模型中加入信号机等其他设备的联锁关系, 则可以生成完整的车站联锁表。
其中, 利用图论相关知识自动生成联锁表在文献[11,12]都有所介绍, 由于该部分内容不是论文的研究重点, 所以不再详细叙述。
4 结 语
本文利用有色Petri网对列车通过区段过程进行建模, 得到了列车通过无道岔区段模型和列车通过有道岔区段模型, 利用层次化建模思想, 进而得到列车通过车站模型。利用CPN tools的状态空间分析工具和有向图知识分析该模型, 研究了自动生成联锁表的方法。由于有色Petri网具有严格的数学语义基础, 可以保证模型中联锁逻辑的正确性;运用模块化建模思想对有道岔区段和无道岔区段进行建模, 可以提高建模的效率, 减少建模过程中的人为错误;利用有色Petri网自带的状态空间分析工具, 得到模型的有向图, 利用图论知识生成联锁表, 可以提高生成联锁表的自动化程度。目前该方法还处于理论探索阶段, 需要进一步的深入研究, 不过将有色Petri网这种形式化方法运用到联锁表自动生成上, 探索出一种系统的、有严格理论依据的方法, 具有重大的研究意义和实际运用价值。
参考文献
[1]林炳龙.在M-240D计算机上编制信号进路联锁表[J].铁道勘测与设计, 1991 (1) :34-35.
[2]刘皓玮, 黄康, 王振一.用Petri网对轨道区段和列车的建模[J].铁路计算机应用, 2000, 9 (3) :16-18.
[3]钟文燕.铁路信号系统的Petri网建模与分析研究[D].成都:西南交通大学, 2005.
[4]宫杰, 陈邦兴.基于Petri网的联锁软件测评仿真建模[J].计算机应用与软件, 2009, 26 (2) :11-13, 52.
[5]刘皓玮.行车指挥系统的Petri网建模与列车运行调整遗传优化的研究[D].北京:铁道科学研究院, 2000.
[6]袁崇义.Petri网原理与应用[M].北京:电子工业出版社, 2005.
[7]蒋昌俊.Petri网的行为理论及其应用[M].北京:高等教育出版社, 2003.
[8]吴哲辉.Petri网导论[M].北京:机械工业出版社, 2006.
[9]李景霞.基于扩展颜色Petri网的Web服务组合建模研究[D].北京:中国科学院计算技术研究所, 2006.
[10]高继祥.铁路信号运营基础[M].北京:中国铁道出版社, 1998.
[11]覃崇乾, 吴芳美.一种搜索与交互相结合的联锁表自动生成算法[J].上海铁道大学学报, 1999, 20 (12) :6-11.
【设计过程建模】推荐阅读：
设计型学习过程06-24
过程设计与开发08-03
结构设计过程08-31
阅读教学过程设计管理07-22
过程教学设计原则09-08
教学过程和板书设计09-18
教学过程优化与设计11-03
过程评价教学方案设计10-03
产品概念设计过程研究10-13
成本会计教学过程设计05-28