Развитие основных психических процессов - памяти, внимания, воображения, образного мышления, речи; перекодирование информации, т.е. преобразование из абстрактных символов в образы; формирование навыка самостоятельного моделирования; развитие мелкой моторики при частичном или полном графическом воспроизведении. Развитие у детей познавательного интереса к математике Значение моделирования в развитии дошкольников.

Использование моделирования в развитии математических представлений дошкольников дает ощутимые положительные результаты, а именно: -позволяет выявить скрытые связи между явлениями и сделать их доступными пониманию ребенка; -улучшает понимание ребенком структуры и взаимосвязи составных частей объекта или явления; - повышает наблюдательность ребенка, дает ему возможность заметить особенности окружающего мира;

Этапы работы с моделями Четырех ступенчатая последовательность применения метода моделирования. Первый этап предполагает знакомство со смыслом арифметических действий. Второй - обучение описанию этих действий на языке математических знаков и символов. Третий - обучение простейшим приемам арифметических вычислений Четвертый этап - обучение способам решения задач Этапы работы с моделями

Наглядная плоскостная модель "Домик, где знаки и числа живут" Цель применения: -закрепить умения детей составлять числа из двух меньших; складывать и вычитать числа; -дать детям представления о неизменности числа, величины при условии различий в суммировании; - учить или закреплять умение сравнивать числа (больше, меньше, равно).

Наглядная плоскостная модель "Солнечная система" Только для детей старшей и подготовительной группы. Цели применения: -дать (или закрепить) представления детей о геометрических телах и фигурах (сравнивая круг, шар с другими геометрическими телами и фигурами); -научить детей определять и отражать в речи основания группировки, классификации, связи и зависимости полученной группы (солнечная система); -научить (или закрепить) умение детей определять последовательность ряда предметов по размеру; -развивать понимание пространственных отношений, определять местонахождение одних объектов относительно других; -совершенствовать порядковый и количественный счет; -закрепить умение пользоваться условной меркой для измерения расстояний; - закрепить умение решать арифметические задачи.

Наглядная плоскостная модель "Счетный торт" Цель применения: -учить детей решать арифметические задачи и развивать познавательные способности ребенка; - учить выделять математические отношения между величинами, ориентироваться в них.

Математическая модель - приближенное описание объекта моделирования, выраженное с помощью математической символики .

Математические модели появились вместе с математикой много веков назад. Огромный толчок развитию математического моделирования придало появление ЭВМ. Применение вычислительных машин позволило проанализировать и применить на практике многие математические модели, которые раньше не поддавались аналитическому исследованию. Реализованная на компьютере математическая модель называется компьютерной математической моделью , а проведение целенаправленных расчетов с помощью компьютерной модели называется вычислительным экспериментом .

Этапы компьютерного математического моделирования изображены на рисунке. Первый этап - определение целей моделирования . Эти цели могут быть различными:

1) модель нужна для того, чтобы понять, как устроен конкретный объект, какова его структура, основные свойства, законы развития и взаимодействия с окружающим миром (понимание);

2) модель нужна для того, чтобы научиться управлять объектом (или процессом) и определить наилучшие способы управления при заданных целях и критериях (управление);

3) модель нужна для того, чтобы прогнозировать прямые и косвенные последствия реализации заданных способов и форм воздействия на объект (прогнозирование).

Поясним на примерах. Пусть объект исследования - взаимодействие потока жидкости или газа с телом, являющимся для этого потока препятствием. Опыт показывает, что сила сопротивления потоку со стороны тела растет с ростом скорости потока, но при некоторой достаточно высокой скорости эта сила скачком уменьшается с тем, чтобы с дальнейшим увеличением скорости снова возрасти. Что же вызвало уменьшение силы сопротивления? Математическое моделирование позволяет получить четкий ответ: в момент скачкообразного уменьшения сопротивления вихри, образующиеся в потоке жидкости или газа позади обтекаемого тела, начинают отрываться от него и уноситься потоком.

Пример совсем из другой области: мирно сосуществовавшие со стабильными численностями популяции двух видов особей, имеющих общую кормовую базу, “вдруг” начинают резко менять численность. И здесь математическое моделирование позволяет (с известной долей достоверности) установить причину (или по крайней мере опровергнуть определенную гипотезу).

Выработка концепции управления объектом - другая возможная цель моделирования. Какой режим полета самолета выбрать для того, чтобы полет был безопасным и экономически наиболее выгодным? Как составить график выполнения сотен видов работ на строительстве большого объекта, чтобы оно закончилось в максимально короткий срок? Множество таких проблем систематически возникает перед экономистами, конструкторами, учеными.

Наконец, прогнозирование последствий тех или иных воздействий на объект может быть как относительно простым делом в несложных физических системах, так и чрезвычайно сложным - на грани выполнимости - в системах биолого-экономических, социальных. Если ответить на вопрос об изменении режима распространения тепла в тонком стержне при изменениях в составляющем его сплаве относительно легко, то проследить (предсказать) экологические и климатические последствия строительства крупной ГЭС или социальные последствия изменений налогового законодательства несравненно труднее. Возможно, и здесь методы математического моделирования будут оказывать в будущем более значительную помощь.

Второй этап : определение входных и выходных параметров модели; разделение входных параметров по степени важности влияния их изменений на выходные. Такой процесс называется ранжированием, или разделением по рангам (см. “Формализация и моделирование ”).

Третий этап : построение математической модели. На этом этапе происходит переход от абстрактной формулировки модели к формулировке, имеющей конкретное математическое представление.

Математическая модель - это уравнения, системы уравнений, системы неравенств, дифференциальные уравнения или системы таких уравнений и пр.

Четвертый этап : выбор метода исследования математической модели. Чаще всего здесь используются численные методы, которые хорошо поддаются программированию. Как правило, для решения одной и той же задачи подходит несколько методов, различающихся точностью, устойчивостью и т.д. От верного выбора метода часто зависит успех всего процесса моделирования.

Пятый этап : разработка алгоритма, составление и отладка программы для ЭВМ - трудно формализуемый процесс. Из языков программирования многие профессионалы для математического моделирования предпочитают FORTRAN: как в силу традиций, так и в силу непревзойденной эффективности компиляторов (для расчетных работ) и наличия написанных на нем огромных, тщательно отлаженных и оптимизированных библиотек стандартных программ математических методов. В ходу и такие языки, как PASCAL, BASIC, C, - в зависимости от характера задачи и склонностей программиста.

Шестой этап : тестирование программы. Работа программы проверяется на тестовой задаче с заранее известным ответом. Это - лишь начало процедуры тестирования, которую трудно описать формально исчерпывающим образом. Обычно тестирование заканчивается тогда, когда пользователь по своим профессиональным признакам сочтет программу верной.

Седьмой этап : собственно вычислительный эксперимент, в процессе которого выясняется, соответствует ли модель реальному объекту (процессу). Модель достаточно адекватна реальному процессу, если некоторые характеристики процесса, полученные на ЭВМ, совпадают с экспериментально полученными характеристиками с заданной степенью точности. В случае несоответствия модели реальному процессу возвращаемся к одному из предыдущих этапов.

Классификация математических моделей

В основу классификации математических моделей можно положить различные принципы. Можно классифицировать модели по отраслям наук (математические модели в физике, биологии, социологии и т.д.). Можно классифицировать по применяемому математическому аппарату (модели, основанные на применении обыкновенных дифференциальных уравнений, дифференциальных уравнений в частных производных, стохастических методов, дискретных алгебраических преобразований и т.д.). Наконец, если исходить из общих задач моделирования в разных науках безотносительно к математическому аппарату, наиболее естественна такая классификация:

· дескриптивные (описательные) модели;

· оптимизационные модели;

· многокритериальные модели;

· игровые модели.

Поясним это на примерах.

Дескриптивные (описательные) модели . Например, моделирование движения кометы, вторгшейся в Солнечную систему, производится с целью предсказания траектории ее полета, расстояния, на котором она пройдет от Земли, и т.д. В этом случае цели моделирования носят описательный характер, поскольку нет никаких возможностей повлиять на движение кометы, что-то в нем изменить.

Оптимизационные модели используются для описания процессов, на которые можно воздействовать, пытаясь добиться достижения заданной цели. В этом случае в модель входит один или несколько параметров, доступных влиянию. Например, меняя тепловой режим в зернохранилище, можно задаться целью подобрать такой режим, чтобы достичь максимальной сохранности зерна, т.е. оптимизировать процесс хранения.

Многокритериальные модели . Нередко приходится оптимизировать процесс по нескольким параметрам одновременно, причем цели могут быть весьма противоречивыми. Например, зная цены на продукты и потребность человека в пище, нужно организовать питание больших групп людей (в армии, детском летнем лагере и др.) физиологически правильно и, одновременно с этим, как можно дешевле. Ясно, что эти цели совсем не совпадают, т.е. при моделировании будет использоваться несколько критериев, между которыми нужно искать баланс.

Игровые модели могут иметь отношение не только к компьютерным играм, но и к весьма серьезным вещам. Например, полководец перед сражением при наличии неполной информации о противостоящей армии должен разработать план: в каком порядке вводить в бой те или иные части и т.д., учитывая и возможную реакцию противника. Есть специальный раздел современной математики - теория игр, - изучающий методы принятия решений в условиях неполной информации.

В школьном курсе информатики начальное представление о компьютерном математическом моделировании ученики получают в рамках базового курса. В старших классах математическое моделирование может глубоко изучаться в общеобразовательном курсе для классов физико-математического профиля, а также в рамках специализированного элективного курса.

Основными формами обучения компьютерному математическому моделированию в старших классах являются лекционные, лабораторные и зачетные занятия. Обычно работа по созданию и подготовке к изучению каждой новой модели занимает 3–4 урока. В ходе изложения материала ставятся задачи, которые в дальнейшем должны быть решены учащимися самостоятельно, в общих чертах намечаются пути их решения. Формулируются вопросы, ответы на которые должны быть получены при выполнении заданий. Указывается дополнительная литература, позволяющая получить вспомогательные сведения для более успешного выполнения заданий.

Формой организации занятий при изучении нового материала обычно служит лекция. После завершения обсуждения очередной модели учащиеся имеют в своем распоряжении необходимые теоретические сведения и набор заданий для дальнейшей работы. В ходе подготовки к выполнению задания учащиеся выбирают подходящий метод решения, с помощью какого-либо известного частного решения тестируют разработанную программу. В случае вполне возможных затруднений при выполнении заданий дается консультация, делается предложение более детально проработать указанные разделы в литературных источниках.

Наиболее соответствующим практической части обучения компьютерному моделированию является метод проектов. Задание формулируется для ученика в виде учебного проекта и выполняется в течение нескольких уроков, причем основной организационной формой при этом являются компьютерные лабораторные работы. Обучение моделированию с помощью метода учебных проектов может быть реализовано на разных уровнях.
Первый - проблемное изложение процесса выполнения проекта, которое ведет учитель.
Второй - выполнение проекта учащимися под руководством учителя.
Третий - самостоятельное выполнение учащимися учебного исследовательского проекта.

Результаты работы должны быть представлены в численном виде, в виде графиков, диаграмм. Если имеется возможность, процесс представляется на экране ЭВМ в динамике. По окончанию расчетов и получению результатов проводится их анализ, сравнение с известными фактами из теории, подтверждается достоверность и проводится содержательная интерпретация, что в дальнейшем отражается в письменном отчете.

Если результаты удовлетворяют ученика и учителя, то работа считается завершенной, и ее конечным этапом является составление отчета. Отчет включает в себя краткие теоретические сведения по изучаемой теме, математическую постановку задачи, алгоритм решения и его обоснование, программу для ЭВМ, результаты работы программы, анализ результатов и выводы, список использованной литературы.

Когда все отчеты составлены, на зачетном занятии учащиеся выступают с краткими сообщениями о проделанной работе, защищают свой проект. Это является эффективной формой отчета группы, выполняющей проект, перед классом, включая постановку задачи, построение формальной модели, выбор методов работы с моделью, реализацию модели на компьютере, работу с готовой моделью, интерпретацию полученных результатов, прогнозирование. В итоге учащиеся могут получить две оценки: первую - за проработанность проекта и успешность его защиты, вторую - за программу, оптимальность ее алгоритма, интерфейс и т.д. Учащиеся получают отметки и в ходе опросов по теории.

Существенный вопрос - каким инструментарием пользоваться в школьном курсе информатики для математического моделирования? Компьютерная реализация моделей может быть осуществлена:

· с помощью табличного процессора (как правило, MS Excel);

· путем создания программ на традиционных языках программирования (Паскаль, Бейсик и др.), а также на их современных версиях (Delphi, Visual Basic for Application и т.п.);

· с помощью специальных пакетов прикладных программ для решения математических задач (MathCAD и т.п.).

На уровне основной школы первое средство представляется более предпочтительным. Однако в старшей школе, когда программирование является, наряду с моделированием, ключевой темой информатики, желательно привлекать его в качестве инструмента моделирования. В процессе программирования учащимся становятся доступными детали математических процедур; более того, они просто вынуждены их осваивать, а это способствует и математическому образованию. Что же касается использования специальных пакетов программ, то это уместно в профильном курсе информатики в качестве дополнения к другим инструментам.

Виды математических моделей

В зависимости от того, какими средствами, при каких условиях и по отношению к каким объектам познания реализуется способность моде­лей отображать действительность, возникает их большое разнообразие, а вместе с ним - классификации. Путем обобщения существующих клас­сификаций выделим базовые модели по применяемому математическому аппарату, на основе которых получают раз­витие специальные модели (рисунок 8.1).

Рисунок 8.1 - Формальная классификация моделей

Математические модели отображают изучаемые объекты (процессы, системы) в виде явных функциональных соотношений: алгебраических равенств и неравенств, интегральных и дифферен­циальных, конечно-разностных и других математических выражений (закон распределения случайной величины, регрессионные модели и т.д.), а также отношений математической логики.

В зависимости от двух фундаментальных признаков построения математической модели - вида описания причинно-следственных связей и изменений их во вре­мени - различают детерминистические и стохастические, статические и динамические модели (рисунок 8.2).

Цель схемы, представленной на рисунке, - отобразить следующие особенности:

1) математические модели могут быть и детерминистическими, и стохастическими;

2) детерминистические и стохастические модели могут быть и статическими, и динамическими.

Математическая модель называется детерминистической (детерминированной) , если все ее параметры и переменные являются однозначно определяемыми ве­личинами, а также выполняется условие полной определенности ин формации. В противном случае, в условиях неопределенности инфор­мации, когда параметры и переменные модели - случайные величи­ны, модель называется стохастической (вероятностной) .

Рисунок 8.2 – Классы математических моделей

Модель называется динами­ческой , если как минимум одна переменная изменяется по периодам времени, и статической , если принимается гипотеза, что переменные не изменяются по периодам времени.

В простейшем случае балансовые модели выступают в виде уравнения баланса, где в левой части располагается сумма каких-либо поступлений, а в правой - расходная часть также в виде суммы. Например, в таком виде представляется годовой бюджет организации.

На основе статистических данных могут строиться не только балан­совые, но и корреляционно-регрессионные модели.

Если функция Y зависит не только от переменных х 1 , х 2 , … х n , но и от других факторов, связь между Y и х 1 , х 2 , … х n является неточной или корреляционной в отличие от точной или функциональной связи. Корреляционными, например, в большинстве случаев являются связи, наблюда­ющиеся между выходными параметрами ОПС и факторами ее внутренней и внешней среды (см. тему 5).

Корреляционно-регрессионные модели получают при исследовании влияния целого комплекса факторов на величину того или иного признака путем примене­ния статистического аппарата. При этом ставится задача не только установить корреляционную связь, но и выразить эту связь аналитически, то есть подобрать уравнения, описываю­щие данную корреляционную зависимость (уравнение регрессии).

Для нахождения численного значения параметров уравне­ния регрессии пользуются методом наименьших квадратов. Суть этого метода состоит в том, чтобы выбрать такую линию, при которой сумма квадратов отклонений от нее ординат Y отдель­ных точек была бы наименьшей.

Корреляционно-регрессионные модели часто используются при исследовании явлений, когда возникает необходимость установить зависимость между соответствующими характеристиками в двух и более рядах. При этом преимущественно используется парная и множественная линейная регрессия вида

y = a 1 x 1 + a 2 x 2 + … + a n x n + b .

В результате применения метода наименьших квадратов ус­танавливаются значения параметров a или a 1 , a 2 , …, a n и b, а затем выполняются оценки точности аппроксимации и значимости полученного уравнения регрессии.

В особую группу выделяют графоаналитиче­ские модели . Они используют различные графические изображения и поэтому обладают хорошей наглядностью.

Теория графов - одна из теорий дискретной математики, изучает графы, под которыми понимается совокупность точек и линий их соединяющих. Граф - это самостоятельный математи­ческий объект (впервые ввел Кёниг Д.). На основе теории гра­фов наиболее часто строят древовидные и сетевые модели.

Древовидная модель (дерево) - это неориентированный связ­ный граф, не содержащий петель и циклов. Примером такой модели является дерево целей.

Сетевые модели нашли широкое применение в управлении производством работ. Сетевые модели (графики) отражают последовательность выполнения работ и продолжи­тельность каждой работы (рисунок 8.3).

Рисунок 8.3 - Сетевая модель производства работ

Каждая линия сетевого графика - это некоторая работа. Цифра рядом с ней означает продолжительность ее выполнения.

Сетевые модели позволяют найти так называемый критический путь и оптимизировать график производства работ по времени при ограничениях на другие ресурсы.

Сетевые модели могут быть детерминированными и стоха­стическими. В последнем случае продолжительности выполнения работ задаются законами распределения случайных величин.

Оптимизационные модели служат для определения оптимальной траектории достижения системой поставленной цели при наложении некоторых ограничений на управление ее поведениям и движением. В этом случае оптимизационные модели описывают различного рода задачи нахождения экстремума некоторой целевой функции (критерия оптимизации).

Для выявления оптимального способа достижения цели управления в условиях ограниченных ресурсов – технических, материальных, трудовых и финансовых – применяют методы исследования операций. К ним относятся методы математическо­го программирования (линейное и нелинейное, целочисленное, ди­намическое и стохастическое программирование), аналитические и вероятностно-статистические методы, сетевые методы, методы тео­рии массового обслуживания, теории игр (теории конфликтных си­туаций) и др.

Оптимизационные модели применяются для объемного и календар­ного планирования, управления запасами, распределения ресурсов и работ, замены, параметризации и стандартизации оборудования, рас­пределения потоков товарных поставок на транспортной сети и дру­гих задач управления.

Одним из основных достижений теории исследования операций считается типизация моделей управления и методов решения задач. Например, для решения транспортной задачи, в зависимости от ее раз­мерности, разработаны типовые методы - метод Фогеля, метод по­тенциалов, симплекс-метод. Также при решении задачи управления запасами, в зависимости от ее постановки, могут использоваться ана­литические и вероятностно-статистические методы, методы динами­ческого и стохастического программирования.

В управлении особое значение придается сетевым методам плани­рования. Эти методы позволили найти новый и весьма удобный язык для описания, моделирования и анализа сложных многоэтапных работ и проектов. В исследовании операций значительное место отво­дится совершенствованию управления сложными системами с при­менением методов теории массового обслуживания (см. раздел8.3) и аппарата марков­ских процессов.

Модели марковских случайных процессов - система дифференци­альных уравнений, описывающих функционирование системы или ее процессов в виде множества упорядоченных состояний на некоторой траектории поведения системы. Этот класс моделей широко исполь­зуется при математическом моделировании функционирования слож­ных систем.

Модели теории игр служат для выбора оптимальной стратегии в ус­ловиях ограниченной случайной информации или полной неопреде­ленности.

Игра - математическая модель реальной конфликтной си­туации, разрешение которой ведется по определенным правилам, алгоритмам, описывающим некоторую стратегию поведения лица, принимающего решение в условиях неопределенности.

Различают «игры с природой» и «игры с противником». Исходя из ситуации опре­деляются методы и критерии оценки принятия решений. Так, при «играх с природой» применяют критерии: Лапласа, максиминный (кри­терий Вальда) и минимаксный, Гурвица и Сэвиджа и ряд других алго­ритмических правил. При «играх с противником» для принятия реше­ний используются платежные матрицы, максиминный и минимаксный критерии, а также специальные математические преобразования в свя­зи с тем, что лицу, принимающему решение, противостоит недобро­желательный противник.

Рассмотренные типы математических моделей не охватыва­ют всего их возможного многообразия, а лишь характеризуют отдельные виды в зависимости от принятого аспекта классифи­кации. В.А.Кардашем была предпринята попытка создания сис­темы классификации моделей по четырем аспектам детализации (рисунок 8.4).

А - модели без пространственной дифференциации параметров;

В - модели с пространственной дифференци­ацией параметров

Рисунок 8.4 - Классификация моделей по четырем аспектам детализации

С развитием вычислительных средств одним из распространенных методов принятия решений выступает деловая игра, представляющая собой численный эксперимент с активным участием человека. Существуют сотни деловых игр. Они применяются для изу­чения целого ряда проблем управления, экономики, теории организа­ции, психологии, финансов и торговли.

МОДЕЛИРОВАНИЕ ЭЛЕКТРОМЕХАНИЧЕСКИХ СИСТЕМ ЭЛЕКТРОПРИВОДА

Методические указания и лабораторный практикум для студентов дневного и заочного отделения

Специальность 140604 "Электропривод и автоматика промышленных установок и технологических комплексов"

Печатается по решению редакционно-издательского совета Вятского государственного университета

УДК 621.31112: 621.313

Рецензент: кандидат технических наук доцент каф. АТ В. И. Семёновых

Составитель: преподаватель кафедры ЭПиАПУ Д.В. Ишутинов

Подписано в печать Усл. печ. л. 2,5

Бумага офсетная. Печать копир Aficio 1022

Заказ № 340 Тираж 52 Бесплатно.

Текст напечатан с оригинал-макета, предоставленного составителем

610000, г. Киров, ул. Московская, 36.

Оформление обложки, изготовление – ПРИП ВятГУ

Ó Вятский государственный университет, 2011

ВВЕДЕНИЕ

Аналогия – это частное сходство двух объектов, которое может быть существенным или менее существенным. Существенность сходства зависит от уровня абстрагирования и определяется целью исследования.

Аналогии, отражающие реальный, объективно существующий мир, обладают наглядностью, а значит, упрощают рассуждения и помогают проводить эксперименты, уточняющие природу явлений. Такие аналогии называют моделями .

Модель – это объект-заменитель объекта оригинала, обеспечивающий изучение некоторых свойств оригинала.

Моделирование – это представление реального физического объекта его моделью для получения информации о важнейших свойствах и физических процессах, протекающих в нем, путем проведения экспериментов с его моделью.

В процессе моделирования модель выступает в роли самостоятельного объекта, позволяющие получить некоторые знания – результаты моделирования. Если они подтверждаются и могут служить основой для прогнозирования процессов, протекающих в исследуемых объектах, то модель считается адекватной объекту. На основании адекватных моделей могут исследоваться подобные объекты.

1. КЛАССИФИКАЦИЯ ВИДОВ МОДЕЛИРОВАНИЯ

При разработке и проектировании современных электромеханических систем, представляющих собой сочетание электродвигателя, механической части электропривода и системы управления, возникает необходимость в решении сложных расчетных задач. Для этого во многих случаях прибегают к моделированию.

Виды моделирования можно классифицировать по различным критериям. С точки зрения типа модели и способа представления математического описания классификация представлена на рисунке 1.1.

Таким образом, моделирование может быть условно разделено на два основных вида: математическое и физическое.

Физическим моделированием называют проведение исследований на реальном объекте или его макете. При проведении экспериментов на реальном объекте различные характеристики исследуются на самом объекте или его части. Физическое моделирование может проводиться на объектах, работающих в нормальном режиме или в специальных режимах. Реальное моделирование является наиболее адекватным, но его возможности ограничены физическими, техническими и другими особенностями реальных объектов и систем.

Другим видом физического моделирования является моделирование на макете, которое применяется, в случае если эксперименты с реальным объектом затруднены, невозможны или опасны. Исследования с помощью макета проводятся на установках, которые обладают физическим подобием и сохраняют природу явлений в изучаемом объекте.

Физическое моделирование может протекать в реальном или произвольном масштабе времени. Наибольшую сложность и интерес представляет моделирование в реальном масштабе времени, позволяющее получить наиболее достоверные результаты исследований.

Математическое моделирование может проводиться при помощи аналитических методов исследования, а также с использованием аналоговых (АВМ) и цифровых (ЭВМ) вычислительных машин.

При использовании аналитических методов исследования можно получить в общем виде явные зависимости для искомых характеристик объекта. Аналитическое исследование позволяет получить наиболее общее представление о процессах функционирования системы, однако оно возможно для относительно простых систем, и связано с проведением трудоёмких расчётов. Даже в простейших случаях (для линейных систем) аналитическое моделирование не позволяет получить исчерпывающие результаты. При наличии в системе нелинейных элементов, переменных параметров и других усложняющих расчеты факторов возможности аналитических методов расчёта ещё более ограничены.

Современные вычислительные машины позволяют с достаточной точностью имитировать любые передаточные функции, нелинейные статические характеристики, произведения и частные. Вычислительные машины, а, следовательно, и модели бывают аналоговыми и цифровыми.

Под аналоговой моделью понимается такая, которая описывается уравнениями, связывающими непрерывные величины. Решение дифференциальных уравнений в АВМ носит непрерывный характер. Реальный физический объект заменяется при аналоговом моделировании подобным физическим объектом. В АВМ в качестве такого объекта выступает решающий операционный усилитель. Основным преимуществом моделирования на АВМ является высокая наглядность модели и возможность подключения к модели других технических средств. Также применение АВМ может ускорить исследование достаточно простых систем. С другой стороны возникают проблемы связанные с настройкой сложных моделей; появляются погрешности, обусловленные дрейфом параметров АВМ и кусочной линеаризацией нелинейностей. Максимальная величина выходного напряжения решающего операционного усилителя в АВМ ограничена значением в сто вольт. Поэтому для всех переменных модели вводятся масштабные коэффициенты, в результате чего могут накапливаться дополнительные ошибки.

Под цифровой моделью понимается модель, в которой решение уравнений и процессы, протекающие в ней, носят дискретный характер. Следовательно, все рассчитываемые величины определены в некоторые дискретные интервалы времени. Цифровая модель обладает меньшей физической наглядностью, однако лишена недостатков присущих аналоговой модели. Для проектирования цифровых моделей применяются современные средства вычислительной техники, а расчёт таких моделей основан на применении численных методов.

С помощью средств вычислительной техники математические модели могут исследоваться как прямым решением систем дифференциальных уравнений, так и на основе моделирования по структурным схемам.

В первом случае математическое моделирование заключается в численном решении системы дифференциальных уравнений, описывающей поведение исследуемого объекта. Такая модель не отражает реальной структуры физического объекта. В данном случае для расчета модели не нужно знание специализированных САПР, однако затрудняется понимание структуры реального физического объекта.

Во втором случае строится структурная модель, в которой элементы соединены в соответствии со структурой исследуемой системы. При использовании структурного метода модель системы представляется в виде моделей типовых динамических звеньев ТАР и нелинейных блоков, имитирующих работу отдельных физических узлов исследуемой системы. Применение структурных моделей позволяет при моделировании сохранить структуру исследуемого объекта, и поэтому на модели легко воспроизводится изменение параметров и структуры реального физического объекта, например, включение корректирующих устройств, выбор глубины обратных связей, изменение момента инерции механической части и жесткости механических характеристик.

Методы математического моделирования

Для исследования характеристик технических систем и физических процессов, протекающих при функционировании любой системы, математическими методами должна быть проведена формализация процессов, т.е. построена математическая модель.

Математическое моделирование - это процесс установления соответствия реальному физическому объекту некоторого математического объекта (математического описания), называемого математической моделью , и исследование этой модели, позволяющее получить, с некоторым приближением, характеристики рассматриваемого реального объекта. Математическое моделирование может быть динамическим, имитационным и комбинированным.

При решении задач электропривода используются динамические модели объектов. Такие модели описываются системами дифференциальных уравнений и исследуются при помощи аналитических, численных или качественных методов.

Аналитическое исследование позволяет получить наиболее общее представление о процессах функционирования системы, однако оно возможно лишь для относительно простых или линейных систем.

Численные методы используются, если невозможно разрешить математическое описание системы в общем виде или система существенно не линейна. Численные методы наиболее эффективны при использовании ЭВМ.

В некоторых случаях для исследования системы достаточно качественных методов анализа математической модели. Такие методы применяются в теории автоматического регулирования и позволяют судить, например, об устойчивости системы при определённом управлении.

В общем виде некоторый динамический объект описывается системой дифференциальных уравнений n-го порядка вида:

, (2.1)

где x 1 , x 2 , … x n – переменные динамического объекта;

– скорость изменения (производные) переменных динамического объекта;

– значение переменных в начальный момент времени;

t – независимая переменная.

Математическое моделирование, основанное на решении обыкновенных дифференциальных уравнений, опирается на численные методы. Численные методы позволяют получить приближенные значения реального непрерывного процесса, которые отстоят друг от друга на некоторый интервал времени, называемый шагом интегрирования. Выбор шага интегрирования зависит от динамических свойств моделируемой системы. Для широкого спектра динамических систем численное решение тем точнее, чем меньше шаг интегрирования. Однако, следует иметь ввиду, что чрезмерное уменьшение шага интегрирования может приводить к существенному увеличению затрат машинного времени.

К наиболее часто применяемым методам численного интегрирования дифференциальных уравнений относятся метод Эйлера (метод конечных приращений) и метод Рунге – Кутта четвёртого порядка.

Метод Эйлера основан на разложении подынтегральной функции в окрестности исследуемой точки в ряд Тейлора:

, (2.2)

где h – малая окрестность исследуемой точки (шаг интегрирования);

e - погрешность разложения в ряд Тейлора.

Метод Эйлера учитывает только первую производную ряда Тейлора. Тогда уравнение (2.2) будет иметь вид:

где - правая часть дифференциального уравнения, вычисленная в точке .

Следовательно, для решения уравнения или системы дифференциальных уравнений первого порядка методом Эйлера должна быть составлена следующей система уравнений с начальными условиями:

, (2.4)

где t i , t i +1

x j , i , x j , i+1 – значение j

f j – подынтегральная функция для j – ой переменной;

h – шаг интегрирования;

i = 0 .. m

j = 0 .. n

К достоинствам метода Эйлера можно отнести следующие:

· При достаточно малом шаге интегрирования можно получить высокую точность решения. Погрешность метода примерно равна квадрату шага интегрирования: e » h 2 ;

· Метод Эйлера имеет устойчивый алгоритм вычислений при решении широкого круга задач, связанных с исследованием электромеханических систем электропривода.

К недостаткам метода Эйлера можно отнести то, что уменьшение шага интегрирования необходимое для обеспечения требуемой точности существенно замедляет вычисления.

Метод Рунге – Кутта основан на разложении подынтегральной функции в окрестности исследуемой точки в ряд Тейлора. Вычисление коэффициентов ряда Тейлора (до четвёртого порядка) осуществляется с помощью специальных коэффициентов Рунге – Кутта. Такой подход позволяет получить более высокую точность решения.

Формулы для нахождения численного решения дифференциального уравнения или системы дифференциальных уравнений первого порядка методом Рунге – Кутта имеют следующий вид:

, (2.5)

где t i , t i +1 – значение независимой переменной (времени) на предыдущем и следующем шаге интегрирования;

x j , i , x j , i+1 – значение j – ой переменной динамического объекта на предыдущем и следующем шаге интегрирования;

f j – подынтегральная функция для j – ой переменной;

k l i, j – коэффициенты Рунге – Кутта (l = 1 .. 4 );

h – шаг интегрирования;

i = 0 .. m – число шагов интегрирования;

j = 0 .. n – количество переменных динамического объекта.

К достоинствам метода Рунге – Кутта можно отнести следующие. Высокая точность численного решения. При фиксированном шаге интегрирования погрешность решения примерно равна пятой степени шага интегрирования: e » h 5 .

Однако данный метод не всегда обеспечивает устойчивые решения. Устойчивость решения зависит как от величины шага интегрирования, так и от особенностей динамики исследуемой системы.

3. Динамические расчеты систем по структурным схемам

с использованием системы САПР System View

САПР System View позволяет на уровне структурных моделей производить расчеты динамических систем и получать результаты в виде таблиц, графиков переходных процессов и частотных характерис­тик, а также комплексных показателей качества регулирования.

Структурная схема набирается на рабочем поле основного окна пакета SV (рис. 3.1) с помощью блоков, которые для удобства работы объединены в четыре библиотеки. Блоки суммирования и умножения выполнены отдельно.

Рисунок 3.1 – Основное окно System View

Библиотеки элементов расположены в левой части рабочего окна SV и содержат в своём составе набор различных функциональных и динамических элементов. Графически элементы представляются в виде прямоугольника с вхо­дами и выходами. В верхнем левом углу записывается порядковый номер элемента в структурной схеме, в центре в виде рисунка - тип элемента.

Математическое моделирование

1. Что такое математическое моделирование?

С середины XX в. в самых различных областях человеческой деятельности стали широко применять математические методы и ЭВМ. Возникли такие новые дисциплины, как «математическая экономика», «математическая химия», «математическая лингвистика» и т. д., изучающие математические модели соответствующих объектов и явлений, а также методы исследования этих моделей.

Математическая модель - это приближенное описание какого-либо класса явлений или объектов реального мира на языке математики. Основная цель моделирования - исследовать эти объекты и предсказать результаты будущих наблюдений. Однако моделирование - это еще и метод познания окружающего мира, дающий возможность управлять им.

Математическое моделирование и связанный с ним компьютерный эксперимент незаменимы в тех случаях, когда натурный эксперимент невозможен или затруднен по тем или иным причинам. Например, нельзя поставить натурный эксперимент в истории, чтобы проверить, «что было бы, если бы...» Невозможно проверить правильность той или иной космологической теории. В принципе возможно, но вряд ли разумно, поставить эксперимент по распространению какой-либо болезни, например чумы, или осуществить ядерный взрыв, чтобы изучить его последствия. Однако все это вполне можно сделать на компьютере, построив предварительно математические модели изучаемых явлений.

2. Основные этапы математического моделирования

1) Построение модели . На этом этапе задается некоторый «нематематический» объект - явление природы, конструкция, экономический план, производственный процесс и т. д. При этом, как правило, четкое описание ситуации затруднено. Сначала выявляются основные особенности явления и связи между ними на качественном уровне. Затем найденные качественные зависимости формулируются на языке математики, то есть строится математическая модель. Это самая трудная стадия моделирования.

2) Решение математической задачи, к которой приводит модель . На этом этапе большое внимание уделяется разработке алгоритмов и численных методов решения задачи на ЭВМ, при помощи которых результат может быть найден с необходимой точностью и за допустимое время.

3) Интерпретация полученных следствий из математической модели. Следствия, выведенные из модели на языке математики, интерпретируются на языке, принятом в данной области.

4) Проверка адекватности модели. На этом этапе выясняется, согласуются ли результаты эксперимента с теоретическими следствиями из модели в пределах определенной точности.

5) Модификация модели. На этом этапе происходит либо усложнение модели, чтобы она была более адекватной действительности, либо ее упрощение ради достижения практически приемлемого решения.

3. Классификация моделей

Классифицировать модели можно по разным критериям. Например, по характеру решаемых проблем модели могут быть разделены на функциональные и структурные. В первом случае все величины, характеризующие явление или объект, выражаются количественно. При этом одни из них рассматриваются как независимые переменные, а другие - как функции от этих величин. Математическая модель обычно представляет собой систему уравнений разного типа (дифференциальных, алгебраических и т. д.), устанавливающих количественные зависимости между рассматриваемыми величинами. Во втором случае модель характеризует структуру сложного объекта, состоящего из отдельных частей, между которыми существуют определенные связи. Как правило, эти связи не поддаются количественному измерению. Для построения таких моделей удобно использовать теорию графов. Граф - это математический объект, представляющий собой некоторое множество точек (вершин) на плоскости или в пространстве, некоторые из которых соединены линиями (ребрами).

По характеру исходных данных и результатов предсказания модели могут быть разделены на детерминистические и вероятностно-статистические. Модели первого типа дают определенные, однозначные предсказания. Модели второго типа основаны на статистической информации, а предсказания, полученные с их помощью, имеют вероятностный характер.

4. Примеры математических моделей

1) Задачи о движении снаряда.

Рассмотрим следующую задачу механики.

Снаряд пущен с Земли с начальной скоростью v 0 = 30 м/с под углом a = 45° к ее поверхности; требуется найти траекторию его движения и расстояние S между начальной и конечной точкой этой траектории.

Тогда, как это известно из школьного курса физики, движение снаряда описывается формулами:

где t - время, g = 10 м/с 2 - ускорение свободного падения. Эти формулы и дают математическую модель поставленной задачи. Выражая t через x из первого уравнения и подставляя во второе, получим уравнение траектории движения снаряда:

Эта кривая (парабола) пересекает ось x в двух точках: x 1 = 0 (начало траектории) и (место падения снаряда). Подставляя в полученные формулы заданные значения v0 и a, получим

ответ: y = x – 90x 2 , S = 90 м.

Отметим, что при построении этой модели использован ряд предположений: например, считается, что Земля плоская, а воздух и вращение Земли не влияют на движение снаряда.

2) Задача о баке с наименьшей площадью поверхности.

Требуется найти высоту h 0 и радиус r 0 жестяного бака объема V = 30 м 3 , имеющего форму закрытого кругового цилиндра, при которых площадь его поверхности S минимальна (в этом случае на его изготовление пойдет наименьшее количество жести).

Запишем следующие формулы для объема и площади поверхности цилиндра высоты h и радиуса r:

V = p r 2 h, S = 2p r(r + h).

Выражая h через r и V из первой формулы и подставляя полученное выражение во вторую, получим:

Таким образом, с математической точки зрения, задача сводится к определению такого значения r, при котором достигает своего минимума функция S(r). Найдем те значения r 0 , при которых производная

обращается в ноль:Можно проверить, что вторая производная функции S(r) меняет знак с минуса на плюс при переходе аргумента r через точку r 0 . Следовательно, в точке r0 функция S(r) имеет минимум. Соответствующее значение h 0 = 2r 0 . Подставляя в выражение для r 0 и h 0 заданное значение V, получим искомый радиус и высоту

3) Транспортная задача.

В городе имеются два склада муки и два хлебозавода. Ежедневно с первого склада вывозят 50 т муки, а со второго - 70 т на заводы, причем на первый - 40 т, а на второй - 80 т.

Обозначим через a ij стоимость перевозки 1 т муки с i-го склада на j-й завод (i, j = 1,2). Пусть

a 11 = 1,2 р., a 12 = 1,6 р., a 21 = 0,8 р., a 22 = 1 р.

Как нужно спланировать перевозки, чтобы их стоимость была минимальной?

Придадим задаче математическую формулировку. Обозначим через x 1 и x 2 количество муки, которое надо перевезти с первого склада на первый и второй заводы, а через x 3 и x 4 - со второго склада на первый и второй заводы соответственно. Тогда:

x 1 + x 2 = 50, x 3 + x 4 = 70, x 1 + x 3 = 40, x 2 + x 4 = 80. (1)

Общая стоимость всех перевозок определяется формулой

f = 1,2x 1 + 1,6x 2 + 0,8x 3 + x 4 .

С математической точки зрения, задача заключается в том, чтобы найти четыре числа x 1 , x 2 , x 3 и x 4 , удовлетворяющие всем заданным условиям и дающим минимум функции f. Решим систему уравнений (1) относительно xi (i = 1, 2, 3, 4) методом исключения неизвестных. Получим, что

x 1 = x 4 – 30, x 2 = 80 – x 4 , x 3 = 70 – x 4 , (2)

а x 4 не может быть определено однозначно. Так как x i і 0 (i = 1, 2, 3, 4), то из уравнений (2) следует, что 30Ј x 4 Ј 70. Подставляя выражение для x 1 , x 2 , x 3 в формулу для f, получим

f = 148 – 0,2x 4 .

Легко видеть, что минимум этой функции достигается при максимально возможном значении x 4 , то есть при x 4 = 70. Соответствующие значения других неизвестных определяются по формулам (2): x 1 = 40, x 2 = 10, x 3 = 0.

4) Задача о радиоактивном распаде.

Пусть N(0) - исходное количество атомов радиоактивного вещества, а N(t) - количество нераспавшихся атомов в момент времени t. Экспериментально установлено, что скорость изменения количества этих атомов N"(t) пропорциональна N(t), то есть N"(t)=–l N(t), l >0 - константа радиоактивности данного вещества. В школьном курсе математического анализа показано, что решение этого дифференциального уравнения имеет вид N(t) = N(0)e –l t . Время T, за которое число исходных атомов уменьшилось вдвое, называется периодом полураспада, и является важной характеристикой радиоактивности вещества. Для определения T надо положить в формуле Тогда Например, для радона l = 2,084 · 10 –6 , и следовательно, T = 3,15 сут.

5) Задача о коммивояжере.

Коммивояжеру, живущему в городе A 1 , надо посетить города A 2 , A 3 и A 4 , причем каждый город точно один раз, и затем вернуться обратно в A 1 . Известно, что все города попарно соединены между собой дорогами, причем длины дорог b ij между городами A i и A j (i, j = 1, 2, 3, 4) таковы:

b 12 = 30, b 14 = 20, b 23 = 50, b 24 = 40, b 13 = 70, b 34 = 60.

Надо определить порядок посещения городов, при котором длина соответствующего пути минимальна.

Изобразим каждый город точкой на плоскости и пометим ее соответствующей меткой Ai (i = 1, 2, 3, 4). Соединим эти точки отрезками прямых: они будут изображать дороги между городами. Для каждой «дороги» укажем ее протяженность в километрах (рис. 2). Получился граф - математический объект, состоящий из некоторого множества точек на плоскости (называемых вершинами) и некоторого множества линий, соединяющих эти точки (называемых ребрами). Более того, этот граф меченый, так как его вершинам и ребрам приписаны некоторые метки - числа (ребрам) или символы (вершинам). Циклом на графе называется последовательность вершин V 1 , V 2 , ..., V k , V 1 такая, что вершины V 1 , ..., V k - различны, а любая пара вершин V i , V i+1 (i = 1, ..., k – 1) и пара V 1 , V k соединены ребром. Таким образом, рассматриваемая задача заключается в отыскании такого цикла на графе, проходящего через все четыре вершины, для которого сумма всех весов ребер минимальна. Найдем перебором все различные циклы, проходящие через четыре вершины и начинающиеся в A 1:

1) A 1 , A 4 , A 3 , A 2 , A 1 ;
2) A 1 , A 3 , A 2 , A 4 , A 1 ;
3) A 1 , A 3 , A 4 , A 2 , A 1 .

Найдем теперь длины этих циклов (в км): L 1 = 160, L 2 = 180, L 3 = 200. Итак, маршрут наименьшей длины - это первый.

Заметим, что если в графе n вершин и все вершины попарно соединены между собой ребрами (такой граф называется полным), то число циклов, проходящих через все вершины, равно Следовательно, в нашем случае имеется ровно три цикла.

6) Задача о нахождении связи между структурой и свойствами веществ.

Рассмотрим несколько химических соединений, называемых нормальными алканами. Они состоят из n атомов углерода и n + 2 атомов водорода (n = 1, 2 ...), связанных между собой так, как показано на рисунке 3 для n = 3. Пусть известны экспериментальные значения температур кипения этих соединений:

y э (3) = – 42°, y э (4) = 0°, y э (5) = 28°, y э (6) = 69°.

Требуется найти приближенную зависимость между температурой кипения и числом n для этих соединений. Предположим, что эта зависимость имеет вид

y » a n + b,

где a , b - константы, подлежащие определению. Для нахождения a и b подставим в эту формулу последовательно n = 3, 4, 5, 6 и соответствующие значения температур кипения. Имеем:

– 42 » 3a + b, 0 » 4a + b, 28 » 5a + b, 69 » 6a + b.

Для определения наилучших a и b существует много разных методов. Воспользуемся наиболее простым из них. Выразим b через a из этих уравнений:

b » – 42 – 3a , b » – 4a , b » 28 – 5a , b » 69 – 6a .

Возьмем в качестве искомого b среднее арифметическое этих значений, то есть положим b » 16 – 4,5a . Подставим в исходную систему уравнений это значение b и, вычисляя a , получим для a следующие значения: a » 37, a » 28, a » 28, a » 36. Возьмем в качестве искомого a среднее значение этих чисел, то есть положим a » 34. Итак, искомое уравнение имеет вид

y » 34n – 139.

Проверим точность модели на исходных четырех соединениях, для чего вычислим температуры кипения по полученной формуле:

y р (3) = – 37°, y р (4) = – 3°, y р (5) = 31°, y р (6) = 65°.

Таким образом, ошибка расчетов данного свойства для этих соединений не превышает 5°. Используем полученное уравнение для расчета температуры кипения соединения с n = 7, не входящего в исходное множество, для чего подставим в это уравнение n = 7: y р (7) = 99°. Результат получился довольно точный: известно, что экспериментальное значение температуры кипения y э (7) = 98°.

7) Задача об определении надежности электрической цепи.

Здесь мы рассмотрим пример вероятностной модели. Сначала приведем некоторые сведения из теории вероятностей - математической дисциплины, изучающей закономерности случайных явлений, наблюдаемых при многократном повторении опыта. Назовем случайным событием A возможный исход некоторого опыта. События A 1 , ..., A k образуют полную группу, если в результате опыта обязательно происходит одно из них. События называются несовместными, если они не могут произойти одновременно в одном опыте. Пусть при n-кратном повторении опыта событие A произошло m раз. Частотой события A называется число W = . Очевидно, что значение W нельзя предсказать точно до проведения серии из n опытов. Однако природа случайных событий такова, что на практике иногда наблюдается следующий эффект: при увеличении числа опытов значение практически перестает быть случайным и стабилизируется около некоторого неслучайного числа P(A), называемого вероятностью события A. Для невозможного события (которое никогда не происходит в опыте) P(A)=0, а для достоверного события (которое всегда происходит в опыте) P(A)=1. Если события A 1 , ..., A k образуют полную группу несовместимых событий, то P(A 1)+...+P(A k)=1.

Пусть, например, опыт состоит в подбрасывании игральной кости и наблюдении числа выпавших очков X. Тогда можно ввести следующие случайные события A i ={X = i}, i = 1, ..., 6. Они образуют полную группу несовместных равновероятных событий, поэтому P(A i) = (i = 1, ..., 6).

Суммой событий A и B называется событие A + B, состоящее в том, что в опыте происходит хотя бы одно из них. Произведением событий A и B называется событие AB, состоящее в одновременном появлении этих событий. Для независимых событий A и B верны формулы

P(AB) = P(A) P(B), P(A + B) = P(A) + P(B).

8) Рассмотрим теперь следующую задачу . Предположим, что в электрическую цепь последовательно включены три элемента, работающие независимо друг от друга. Вероятности отказов 1-го, 2-го и 3-го элементов соответственно равны P 1 = 0,1, P 2 = 0,15, P 3 = 0,2. Будем считать цепь надежной, если вероятность того, что в цепи не будет тока, не более 0,4. Требуется определить, является ли данная цепь надежной.

Так как элементы включены последовательно, то тока в цепи не будет (событие A), если откажет хотя бы один из элементов. Пусть A i - событие, заключающееся в том, что i-й элемент работает (i = 1, 2, 3). Тогда P(A1) = 0,9, P(A2) = 0,85, P(A3) = 0,8. Очевидно, что A 1 A 2 A 3 - событие, заключающееся в том, что одновременно работают все три элемента, и

P(A 1 A 2 A 3) = P(A 1) P(A 2) P(A 3) = 0,612.

Тогда P(A) + P(A 1 A 2 A 3) = 1, поэтому P(A) = 0,388 < 0,4. Следовательно, цепь является надежной.

В заключение отметим, что приведенные примеры математических моделей (среди которых есть функциональные и структурные, детерминистические и вероятностные) носят иллюстративный характер и, очевидно, не исчерпывают всего разнообразия математических моделей, возникающих в естественных и гуманитарных науках.