Методические материалы по организационно-методической, психолого-педагогической поддержке профессионального роста, самореализации педагогов и формированию ключевых компетентностей, профиля компетенций педагогического работника разработаны региональным научно-методическим центром экспертной оценки педагогической деятельности ГБОУ ВПО МО «Академия социального управления»

Текст предоставлен для ознакомления.
Разработанная в региональном научно-методическом центре экспертной оценки педагогической деятельности эталонная модель компетентностей педагогического работника в силу своих характеристик является нормативной, прогностической моделью, нацеленной на результат, поэтому лежит в основе контрольно-измерительных материалов, используемых при аттестации, определяя их цели, задачи и содержание.

Представляем эталонную модель компетентностей педагогического работника в графическом и описательном виде.

Рисунок 1 - Эталонная модель ключевых компетентностей педагогического работника

Эталонная модель компетентностей педагогического работника (Рисунок 1) - это идеальная, вербализованная, т. е. кодированная знаками естественного языка, модель педагога, представляющая собой идеальный образ, эталон специалиста , отвечающий всем требованиям, предъявляемым к педагогическим работникам при аттестации на первую и высшую квалификационные категории пп. 30, 31 Порядка аттестации педагогических работников государственных и муниципальных образовательных учреждений, требованиям, изложенным в едином квалификационном справочнике должностей руководителей, специалистов и служащих (приложение к приказу Министерства здравоохранения и социального развития Российской Федерации от 26 августа 2010 г. № 761 н), и профессиональным стандартам.

При проектировании эталонной модели компетентностей педагогического работника мы опирались на авторские разработки, различные научные школы, в частности использовали отечественные исследования И.А. Зимней, Н.В. Кузьминой, А.К. Марковой, и зарубежные исследования Совета Европы.

Ключевая компетентность нами рассматривается как интегральная характеристика педагогического работника, позволяющая ему свободно ориентироваться в социальном и профессиональном пространстве, качественно и эффективно выполнять профессиональную деятельность, решать стандартные и нестандартные профессионально-педагогические задачи, быть социально адаптированным человеком, способным к постоянному личностному и профессиональному саморазвитию.

Объем компетентности составляют профили компетенций как составляющие ее знания, умения и отношения, содержательно определяющие компетентность.

Рисунок 2 - Специальная и профессиональная компетентность

Специальная и профессиональная компетентность (Рисунок 2), т. е. владение собственно профессиональной деятельностью на достаточно высоком уровне, способность проектировать свое дальнейшее профессиональное развитие.

понимание предназначения, миссии профессии;

владение нормами профессиональной деятельности, высокая эффективность;

достижение высоких результатов и их стабильность; профессиональное мастерство;

профессиональное сознание (осознание максимального числа признаков профессиональной деятельности: содержания, средств, результатов труда);

профессиональное мышление, профессиональная интуиция, самостоятельность в решении профессиональных проблем;

оптимальная психологическая цена результата, отсутствие усталости и перегрузки.

В рамках специальной и профессиональной компетентности выделяются следующие профили компетенций :

1. Предметная компетенция , т. е. глубина, системность знаний по предмету и применение их в педагогической практике; способность реализовывать учебные программы базовых и элективных курсов в различных образовательных организациях.

2. Организационно-методическая компетенция , т. е. готовность применять современные образовательные методики и технологии, в том числе информационные, для обеспечения качества учебно-воспитательного процесса; деятельность, действия, приемы, умения, способы работы, техники, применяемые в данной профессии для успешного достижения результата; умение организовать образовательную деятельность обучающихся (воспитанников).

3. Диагностическая компетенция , т. е. владение психолого-педагогическими знаниями, психолого-педагогическими действиями, способами, приемами, умениями, техниками, технологиями; способность применять современные методы диагностирования достижений обучающихся и воспитанников; осуществлять педагогическое сопровождение процессов социализации и профессионального самоопределения обучающихся, подготовки их к сознательному выбору профессии.

4. Аналитическая и оценочная компетенции , т. е. умение проанализировать и оценить сформированность универсальных учебных действий, мыслительных операций учащихся с учетом их индивидуальных особенностей и возможностей, как в качественных, так и в количественных показателях (баллы в рейтинге, категории и др.); применять методы математической и статистической обработки информации; участвовать в профессиональных испытаниях, результатом которых является дифференцированная (качественная и количественная) оценка профессионализма.

5. Прогностическая компетенция , т. е. умение определять перспективы роста, зоны ближайшего развития своих учеников и своего профессионального развития; осознавать потенциальные возможности школьников и свои; осознание перспектив развития и возможностей их реализации (прогностические критерии); самопроектирование, самоэкспериментирование; построение собственной стратегии профессионального роста, построение и реализация сценария своей профессиональной жизни; согласованность между мотивационной и операциональной стороной деятельности.

6. Исследовательская компетенция , т. е. умение применять методы теоретического и экспериментального исследования; спланировать, организовать, провести и проанализировать педагогический эксперимент по внедрению инноваций; способность к анализу и синтезу; исследовательские навыки; способность порождать новые идеи (креативность); демонстрировать понимание качества исследований, относящихся к дисциплине; демонстрировать понимание экспериментальной проверки научных теорий.

Рисунок 3 -

Коммуникативная компетентность (Рисунок 3) - компетентность социального взаимодействия как способность адекватного ситуациям установления взаимопонимания, избегания конфликтов, создания климата доверия; отнесение себя к профессиональной общности; владение нормами профессионального общения, этическими нормами профессии; направленность профессиональных результатов на благо других людей, их духовное обогащение средствами своей профессии; умение сотрудничать, вступать в контакты, легкая совместимость; конкурентоспособность, умение вызвать в социуме интерес к результатам своей профессиональной деятельности.

Коммуникативная компетентность проявляется в следующих профилях компетенций :

1. Социально-коммуникативная компетенция , т. е. способность адекватного ситуациям взаимодействия нахождения вербальных и невербальных средств и способов формирования и формулирования мысли при ее порождении и восприятии; способность использовать навыки публичной речи, в том числе в сфере трансляции собственного опыта (способность транслировать собственный положительный опыт в педагогическое сообщество: статьи, выступления, участие в конкурсах; способность к ведению дискуссии, полемики; готовность к взаимодействию с коллегами).

2. Организационно-коммуникативная компетенция , т. е. умение организовать продуктивное общение и сотрудничество школьников; умение проводить учебно-воспитательные занятия в форме диалогов, полемик, диспутов, дискуссий, обмена мнениями, научных споров и т. п.

Рисунок 4 - Информационная компетентность

Информационная компетентность (Рисунок 4) связана с владением информационными технологиями:

• прием, переработка, выдача информации; преобразование информации (чтение, конспектирование);
• массмедийные, мультимедийные технологии, компьютерная грамотность;
• владение электронной, Интернет-технологией.

Информационная компетентность проявляется в следующих профилях:

1. Информационно-поисковая компетенция , т. е. умение находить необходимую информацию из различных источников.

2. Информационно-аналитическая компетенция , т. е. навыки анализировать информацию и управлять ею; готовность использовать основные методы, способы и средства получения, хранения, переработки информации; готовность работать с компьютером как средством управления информацией; способность работать с информацией в глобальных компьютерных сетях.

3. Информационно-технологическая компетенция , т. е. способность пользоваться, воспроизводить, совершенствовать средства и способы получения и воспроизведения информации в печатном и электронном виде; знание основных прикладных программ и умение пользоваться ими; навыки работы с компьютером.

Рисунок 5 - Личностная компетентность

Личностная компетентность , т. е. устойчивая профессиональная мотивация, наличие позитивной Я-концепции, творческая установка, сознательное профессиональное творчество, изменение себя средствами профессии; индивидуальность в профессиональном труде; открытость для постоянного профессионального обучения, накопления опыта, изменения; владение приемами самореализации и развития индивидуальности в рамках профессии, готовность к профессиональному росту, способность к индивидуальному самосохранению; саморазвитие профессиональных способностей; сильное целеполагание; профессиональная обучаемость; опора на прошлый профессиональный опыт, преемственность; возрастание индивидуализации и относительной автономии по мере профессионального роста.

Профили личностной компетентности:

1. Компетенция саморазвития и самовыражения - устойчивая мотивация, способность к целеполаганию, профессиональные способности, профессиональная обучаемость, самопрезентация, положительные эмоции; способность и готовность к образованию в течение всей жизни, владение приемами личностного самовыражения и саморазвития, средствами противостояния профессиональным деформациям личности.

2. Рефлексивная компетенция - системообразующий компонент профессиональной педагогической деятельности и качество личности, позволяющее наиболее эффективно и адекватно осуществлять рефлексию, что обеспечивает развитие и саморазвитие, способствует творческому подходу в учебной и профессиональной деятельности, достижению их максимальной эффективности и результативности; акмеологический феномен, способствующий достижению наивысших результатов в деятельности; профессионально-личностные качества педагога, его готовность и способность к рефлексивной деятельности с использованием знаний, умений, навыков, профессионального и жизненного опыта; способность к самоанализу и самооценке.

Модель с идеальной точкой предполагает сравнение конкретного продукта или иного объекта с некоторым эталоном в виде разности. В соответствии с моделью каждый признак нормируется в виде расстояния от идеального или эталонного значения признака. Для применения модели прежде всего формируется представление об идеальном с точки зрения потребителей продукте – вводится "идеальная" точка Х0.

Модель дает характеристику степени близости конкретного продукта к "идеальному" в соответствии с зависимостью

где К i – весовые коэффициенты; Х 0i – координаты идеальной точки. Показатель степени т выбирается исследователем и, как правило, принимает значения на уровне 1 или 2. Суммирование проводится по п свойствам продукта. Лучшими являются низкие значения W, поскольку если идеальная точка является наилучшей, то очевидно, что желательно минимальное расстояние от нее.

Выбор идеальной точки достаточно сложен и неоднозначен. Читателю следует обратить внимание на следующие возможные подходы к выбору идеальной точки.

• 1. Лучшие баллы по выраженности: "все пятерки". Если рассмотреть такой потребительский признак, как удобство управления сложной техникой, например автомобилем или музыкальным центром, то координаты идеальной точки будут соответствовать границе выбранной шкалы. Однако соответствующий гипотетический "лучший во всех отношениях" продукт будет далек от реальности, поскольку далеко не всегда существует продукт лучший по всем параметрам. В частности, трудно объединить в одном автомобиле свойства лимузина и внедорожника. Если лучший продукт все- таки существует, то цена его будет чрезмерно высока.
• 2. Применение параметров реального наиболее конкурентоспособного или "лучшего на рынке" продукта по принципу: "девушка моей мечты" или "настоящий мужчина". Особенность такого подхода состоит в том, что считаются нежелательными отклонения от идеальной точки в любую сторону, даже в сторону формального улучшения.
• 3. Применение таких объективных свойств, когда существует оптимальный уровень свойства. В этом случае идеальные уровни не обязательно будут или наибольшими, или наименьшими. В такой ситуации применение модели с идеальной точной наиболее обосновано. Примеры параметров с оптимумом: размер экрана телевизора для автомобиля или кухни, яркость телевизионного изображения. Хорошим примером наличия оптимального уровня является освещенность помещения, когда "слишком ярко" и "слишком темно" одинаково нежелательно. Следует сделать замечание о необходимости конкретизации назначения продукта. Так, если не указать, что телевизор предназначен для кухни, то может возникнуть желание считать идеальным самый большой телевизор из тех, которые есть в продаже.
• 4. Лучшие свойства при данной цене. Предлагается следующий подход. Чтобы не поставить "все пятерки", что в принципе и не требуется, да и нереально по цене, необходимо иметь регрессионную модель зависимости цены от уровней свойств, что соответствует параметрическому ценообразованию. Тогда эксперт может выбрать набор свойств при каждом доступном для него уровне цены. И это реально, поскольку подход "мобильный не должен стоить дороже десяти тысяч" применяется многими.

Очевидно, что для применения модели с идеальной точкой размерности всех координат должны совпадать, чтобы иметь возможность суммировать соответствующие величины в формуле. Одним выходом из проблемы является применение безразмерных балльных оценок. Другой способ, который и рассматривается далее, состоит в нормировании, когда фактические уровни делятся на эталонные или нормативные, которыми могут быть и координаты идеальной точки.

Модель с нормированными уровнями факторов

Применение моделей с относительными факторами позволяет в одной модели объединять факторы с различной размерностью. Соответствующая модель имеет следующий вид:

(16.2)

Все обозначения соответствуют введенным в формуле (16.1); Zi – параметрические индексы.

Модель широко применяется при расчете индексов качества продукции и, особенно, при оценке конкурентоспособности. При расчете индексов качества Х i0 – нормативные, заданные стандартами и техническими условиями уровни выраженности свойств товара. Как правило, модель (16.2) применяется при одновременном рассмотрении объективных (производственных и эксплуатационных) свойств продукта, таких как скорость, мощность, размеры, надежность и др., хотя возможно рассматривать и объективные свойства.

При оценке конкурентоспособности Х i0 – параметры сравниваемого товара, которым может быть товар сильнейшего конкурента. В литературе по конкурентному анализу встречаются различные названия показателя – сводный параметрический индекс потребительских свойств, групповой показатель конкурентоспособности.

Эталонная модель

Эталонная модель (англ. reference model , master model ) - это абстрактное представление понятий и отношений между ними в некоторой проблемной области. На основе эталонной строятся более конкретные и детально описанные модели, в итоге воплощённые в реально существующие объекты и механизмы. Понятие эталонной модели используется в информатике .

Примеры Эталонных моделей

• Сетевая модель OSI (Open Systems Interconnection Reference Model),
• модель Открытого геопространственного консорциума (англ.) ,
• архитектура фон Неймана - модель эталонной модели с последовательными вычислениями,
• эталонная модель Архитектуры государственного предприятия (англ.) ,
• Эталонная Информационная Модель HL7 (Reference Information Model, RIM HL7),
• Эталонная Модель (Reference Model, RM) openEHR .

Wikimedia Foundation . 2010 .

Смотреть что такое "Эталонная модель" в других словарях:

эталонная модель - иерархическая модель — [Л.Г.Суменко. Англо русский словарь по информационным технологиям. М.: ГП ЦНИИС, 2003.] Тематики информационные технологии в целом Синонимы иерархическая модель EN reference model …

эталонная модель - etaloninis modelis statusas T sritis automatika atitikmenys: angl. master model; reference model vok. Referenzmodell, n rus. эталонная модель, f pranc. modèle de référence, m; modèle standard, m … Automatikos terminų žodynas

эталонная модель - 3.1.41 эталонная модель (reference model): Структурированный комплект взаимосвязанных представлений об объекте (например информационной системе), охватывающий данный объект в целом, упрощающий разбиение связей по тематике, который может быть… … Словарь-справочник терминов нормативно-технической документации

эталонная модель ВОС - Модель взаимодействия открытых систем, разработанная ISO в 1984 г. Позволяет универсальным образом описать логику информационного обмена между взаимосвязанными системами и абонентами. Полная модель содержит семь уровней. На самом нижнем… … Справочник технического переводчика

эталонная модель ISO/OSI - Семиуровневая эталонная модель протоколов передачи данных. Определяет уровни: физический, канальный, сетевой, транспортный, сеансовый, представительский и прикладной. В CAN сетях обычно реализуются только физический, канальный и прикладной уровни … Справочник технического переводчика

эталонная модель протоколов широкополосной ISDN-сети - Модель включает четыре горизонтальных уровня (физический, ATM, адаптации ATM и верхние уровни) и три вертикальных плоскости (пользователя, управления и администрирования). Соответствие между моделями В ISDN и OSI обеспечивается на физическом… … Справочник технического переводчика

эталонная модель BOC - ЭМВОС Модель, разработанная МОС, содержащая семь уровней (слоев) протоколов и предназначенная для коммуникации между устройствами в сети. [Е.С.Алексеев, А.А.Мячев. Англо русский толковый словарь по системотехнике ЭВМ. Москва 1993] Тематики… … Справочник технического переводчика

эталонная модель взаимодействия открытых систем - — Тематики электросвязь, основные понятия EN ISO/OSI reference model … Справочник технического переводчика

эталонная модель протокола - — [Л.Г.Суменко. Англо русский словарь по информационным технологиям. М.: ГП ЦНИИС, 2003.] Тематики информационные технологии в целом EN protocol reference modulePRM … Справочник технического переводчика

эталонная модель соединения открытых систем - — [Л.Г.Суменко. Англо русский словарь по информационным технологиям. М.: ГП ЦНИИС, 2003.] Тематики информационные технологии в целом EN reference model of open systems … Справочник технического переводчика

Книги

• Компьютерные сети. В 2 томах. Том 1. Системы передачи данных , Р. Л. Смелянский. Приведены теоретические основы систем передачи данных, характеристики основных видов физических сред, способы кодирования и передачи аналоговых и цифровых данных, основы организации…

Классификация моделей

Проблема классификации моделей, как и любых достаточно сложных явлений и процессов, сложна и многогранна. Объективная причина этого состоит в том, что исследователя интересует лишь какое-то одно свойство (или несколько свойств) системы (объекта, процесса, явления), для отображения которого и создана модель. Поэтому в основу классификации можно положить множество различных классификационных признаков: способ описания, функциональное назначение, степень детализации, структурные свойства, область применения и т.д.

Рассмотрим некоторые наиболее часто используемые классы (виды) моделей (табл.1.4.1).

Таблица 1.4.1

Признак классификации	Виды моделей
Сущность модели	- материальные (физические) - идеальные (воображаемые) - информационные (теоретические, абстрактные)
Характеристика объекта моделирования	- модель внешнего вида - модель структуры - модель поведения
Степень формализации	- неформализованные - частично формализованные - формализованные
Назначение модели	- исследовательские: . дескрипторные. когнитивные. концептуальные. формальные - учебные - рабочие: . оптимизационные. управленческие
Роль в управлении объектом моделирования	- регистрирующие - эталонные - прогностические - имитационные - оптимизационные
Фактор времени	- статические - динамические

Материальные (физические, реальные) модели – модели, построенные средствами материального мира для отражения его объектов, процессов.

Идеальные (воображаемые) модели – модели, построенные средствами мышления на базе нашего сознания.

Информационные (абстрактные, теоретические) модели – модели, построенные на одном из языков (знаковых систем) кодирования информации.

Материальные модели представляют собой реальные, вещественные конструкции, служащие для замены оригинала в определенном отношении. Основным требованием к построению данного класса моделей является тре-бование сходства (подобия, аналогии) между моделью и оригиналом. Различают несколько типов подобия – геометрическое, физическое, аналогию и др.

Геометрическое подобие является основным требованием к построению геометрических моделей, которые представляют собой объект, геометрически подобный своему прототипу и служащий для демонстрационных целей. Две геометрические фигуры подобны, если отношение всех соответствующих длин и углов одинаковы. Если известен коэффициент подобия – масштаб, то простым умножением размеров одной фигуры на величину масштаба определяются размеры другой фигуры. В общем случае такая модель демонстрирует принцип действия, взаимное расположение частей, процесс сборки и разборки, компоновку объекта и предназначена для изучения свойств, которые инвариантны (независимы) от абсолютных величин линейных размеров объекта. Примерами геометрических моделей являются: макеты машин, манекены, скульптуры, протезы, глобусы и т.д. Они изображают прототип не во всем многообразии его свойств, не в любых качественных границах, а в границах чисто пространственных. Здесь имеет место сходство (подобие) не вообще между вещами, а между особыми типами вещей – телами. В этом ограниченность данного класса моделей. Отметим, что здесь реализуется прямое подобие.

Физическое подобие относится к модели и оригиналу одинаковой физической природы и отражает их сходство в одинаковости отношений одноименных физических переменных в соответствующих пространственно-временных точках. Два явления физически подобны, если по заданным характеристикам одного можно получить характеристики другого простым пересчетом, который аналогичен переходу от одной системы единиц измерения к другой. Геометрическое подобие является частным случаем физического подобия. При физическом подобии модель и оригинал могут находиться в более сложных геометрических отношениях, чем линейная пропорциональность, так как физические свойства оригинала не пропорциональны его геометрическим размерам. Здесь важно, чтобы пространство физических переменных модели было подобно пространству физических переменных оригинала. При этом физическая модель по отношению к оригиналу является аналогией типа изоморфизма (взаимно однозначного соответствия). Центральной проблемой является проблема корректного пересчета результатов модельного эксперимента на результаты испытания оригинала в реальных условиях. Сходство основано на соблюдении некоторых физических критериев.

Идеальные (воображаемые) модели – это идеальные конструкции в нашем сознании в виде образов или представлений о тех или иных физических явлениях, процессах, объектах, системах (геометрическая точка, бесконечность и т.д.).

Абстрактные (теоретические, информационные) модели – модели, представляющие объекты моделирования в образной или знаковой форме.

Примерами абстрактных моделей могут служить какая-либо гипотеза 1 о свойствах материи, предположения о поведении сложной системы в условиях неопределенности или новая теория о строении сложных систем.

На абстрактных моделях и на умозрительной аналогии (сходстве) между моделью М и оригиналом S строится абстрактное (теоретическое) моде-лирование.

Ярким представителем абстрактного и знакового моделирования является математическая модель.

Математическая модель – это совокупность математических формул, уравнений, соотношений, описывающая интересующие исследователя свойства объекта моделирования.

Для исследования каждого аспекта моделирования (вид, структура, поведение) или их комбинации могут использоваться соответствующие модели: модели внешнего вида , модели структуры , модели поведения .

Модель внешнего вида чаще всего сводится к перечислению внешних признаков объекта моделирования и предназначена для идентификации (распознавания) объекта.

Модель структуры представляет собой перечень составных элементов объекта моделирования с указанием связей между этими элементами и предназначена для наглядного отображения, изучения свойств, выявления значимых связей, исследования стабильности объекта моделирования.

Модель поведения представляет собой описание изменений внешнего вида и структуры объекта моделирования с течением времени и в результате взаимодействия с другими объектами. Назначение моделей поведения – прогнозирование будущих состояний объекта моделирования, управление объектов, установление связей с другими объектами, внешними по отношению к объекту моделирования.

Объективно уровни наших представлений, уровни наших знаний о различных явлениях, процессах, системах различны. Это отражается в способах представления рассматриваемых явлений.

К неформализованным моделям можно отнести отображения (образы), полученные с использованием различных форм мышления: эмоции, интуиции, образного мышления, подсознания, эвристики как совокупности логических приемов и правил отыскания истины. При неформализованном моделировании модель не формулируется, а вместо нее используется некоторое нечеткое мысленное отражение (образ) реальности, служащее основой для принятия решения.

Примером неопределенных (интуитивных) представлений об объекте может служить нечеткое описание ситуации, основанное на опыте и на ин-туиции.

К формализованным моделям можно отнести образные модели, когда модели строятся из каких-либо наглядных элементов (упругие шары, потоки жидкости, траектории движения тел и т.д.).

К формализуемым абстрактным моделям относятся знаковые модели, в том числе математические конструкции, языки программирования, естест-венные языки вместе с правилами их преобразования и интерпретации.

По своему назначению модели призваны решать множество задач:

исследовательские (дескрипторные, когнитивные, концептуальные, формальные) модели предназначены для генерации знаний путем изучения свойств объекта;

учебные модели предназначены для передачи знаний об изучаемом объекте;

рабочие (оптимизационные, управленческие) модели предназначены для генерации правильных действий в процессе достижения цели.

К исследовательским моделям относятся полунатурные стенды, физические модели, математические модели. Отметим, что исследова-тельские модели могут выступать в качестве учебных, если они пред-назначены для передачи знаний о свойствах объекта. Примерами рабочих моделей могут служить: робот; автопилот; математическая модель объекта, встроенная в систему управления или контроля; искусственное сердце и т.д. При этом исследовательские и учебные модели должны приближаться к реальности, а рабочие модели должны отражать эту реальность. Четкой границы между этими моделями не существует. Так, например, исследовательская модель, адекватно отражающая свойства объекта, может быть использована в качестве рабочей.

Исследовательские модели являются носителями новых знаний, учебные модели соединяют старые знания с новыми.

Рабочие модели идеализируют накопленные знания в форме идеальных действий по выполнению тех или иных функций, которые желательно было бы осуществить.

Дескрипторные модели – описательные модели, предназначены для установления законов изменения параметров этих процессов и являются реализациями описательных и объяснительных содержательных моделей на формальном уровне моделирования.

В качестве примера такой модели можно привести модель движения материальной точки под действием приложенных сил, использующую второй закон Ньютона. Задавая положение и скорость точки в начальный момент времени (входные величины), массу точки (параметр модели) и закон изменения прикладываемых сил (внешние воздействия), можно определить скорость и координаты точки в любой последующий момент времени (выходные величины).

Когнитивные (мысленные, познавательные) модели – модели, представляющие собой некий мысленный образ объекта, его идеальная модель в голове исследователя, полученная в результате наблюдения за объектом-оригиналом.

Формируя такую модель, исследователь, как правило, стремится ответить на конкретные вопросы, поэтому от бесконечно сложного устройства объекта отсекается все ненужное с целью получения его более компактного и лаконичного описания.

Когнитивные модели субъективны, так как формируются умозрительно на основе всех предыдущих знаний и опыта исследователя. Получить представление о когнитивной модели можно только описав ее в знаковой форме. Представление когнитивной модели на естественном языке на-зывается содержательной моделью .

Когнитивные и содержательные модели не эквивалентны, поскольку первые могут содержать элементы, которые исследователь не сможет или не хочет сформулировать.

Концептуальной моделью принято называть содержательную модель, при формулировке которой используются понятия и представления предметных областей знания, занимающихся изучением объекта моделирования.

В более широком смысле под концептуальной моделью понимают содержательную модель, базирующуюся на определенной концепции или точке зрения.

Формальная модель является представлением концептуальной модели с помощью одного или нескольких формальных языков (например, языков математических теорий, универсального языка моделирования или алгоритмических языков).

В гуманитарных науках процесс моделирования во многих случаях заканчивается созданием концептуальной модели объекта.

В естественно-научных и технических дисциплинах, как правило, удается построить формальную модель.

Таким образом, когнитивные, содержательные и формальные модели составляют три взаимосвязанных уровня моделирования.

Оптимизационные модели – модели, предназначенные для определения оптимальных (наилучших) с точки зрения некоторого критерия параметров моделируемого объекта или же для поиска оптимального (наилучшего) режима управления некоторым процессом.

Как правило, такие модели строятся с использованием одной или нескольких дескриптивных моделей и включают некоторый критерий, позволяющий сравнивать различные варианты наборов значений выходных величин между собой с целью выбора наилучшего. На область значений входных параметров могут быть наложены ограничения в виде равенств и неравенств, связанные с особенностями рассматриваемого объекта или процесса.

Примером оптимизационной модели может служить моделирование процесса запуска ракеты с поверхности Земли с целью подъема ее на заданную высоту за минимальное время при ограничениях на величину импульса двигателя, время его работы, начальную и конечную массу ракеты. Математические соотношения дескриптивной модели движения ракеты выступают в данном случае в виде ограничений типа равенств.

Отметим, что для большинства реальных процессов, конструкций требуется определение оптимальных параметров сразу по нескольким критериям, т.е. мы имеем дело с так называемыми многокритериальными задачами оптимизации.

Управленческие модели – модели, используемые для принятия эффективных управленческих решений в различных областях целенаправленной деятельности человека.

В общем случае принятие решений является процессом, по своей сложности сравнимым с процессом мышления в целом. Однако на практике под принятием решений обычно понимается выбор некоторых альтернатив из заданного их множества, а общий процесс принятия решений представляется как последовательность таких выборов альтернатив.

В отличие от оптимизационных моделей, где критерий выбора считается определенным и искомое решение устанавливается из условий его экстремальности, в управленческих моделях необходимо введение специфических критериев оптимальности, которые позволяют сравнивать альтернативы при различных неопределенностях задачи. Вид критерия оптимальности в управленческих моделях заранее не фиксируется. Именно в этом состоит основная особенность данных моделей.

Регистрирующие модели представляют собой модели, предназначенные для регистрации интересующих исследователя свойств и качеств, недоступных для непосредственной регистрации на объекте моделирования.

При решении задач управления сложными динамическими объектами используются эталонные и прогностические модели, которые представляют собой формализованное отображение желаемых характеристик объекта управления для целей текущего или будущего управления объектом.

Эталонная модель – это модель, описывающая в той или иной форме желаемые (идеализированные) свойства объекта моделирования (управления).

Прогностические модели – модели, предназначенные для определения будущих состояний (будущего поведения) объекта моделирования.

Имитационные модели – это совокупность описания элементов системы, взаимосвязей элементов друг с другом, внешних воздействий, алгоритмов функционирования системы (или правил изменения состояний) под влиянием внешних и внутренних возмущений.

Имитационные модели создаются и используются тогда, когда создание единой модели сложной системы невозможно или сопряжено с очень большими трудностями, имеющиеся математические методы не позволяют получить удовлетворительных аналитических или численных решений рассматриваемых задач. Но наличие описаний элементов и алгоритмов функционирования позволяет имитировать процесс функционирования системы и производить измерения интересующих характеристик.

Можно также отметить, что имитационные модели могут быть созданы для гораздо более широкого класса объектов и процессов, чем аналитические и численные модели. Кроме того, поскольку для реализации используются, как правило, вычислительные средства (компьютеры и другие средства) средствами формализованного описания имитационных моделей служат универсальные или специальные алгоритмические языки.

Имитационное моделирование при изучении больших (сложных) систем

остается практически единственно доступным методом получения информации о поведении системы в условиях неопределенности, что особенно важно на этапе ее проектирования. Данным методом можно выбирать структуру, параметры и алгоритмы управления синтезируемой системы, оценивать их эффективность, а также имитировать поведение системы в условиях, которые невозможно воспроизвести на реальном прототипе (например, аварии, отказы, чрезвычайные ситуации и т.д.). Когда при имитационном моделировании изучают поведение системы при действии случайных факторов с последующей статистической обработкой инфор-мации, то целесообразно в качестве метода машинной реализации имитационной модели использовать метод статического моделирования. При этом метод статистических испытаний (метод Монте-Карло) рассматривается как численный метод решения аналитических задач.

Особый класс моделей составляют кибернетические модели, которые отражают управленческие аспекты поведения сложных систем на основе информационного обмена между ее элементами. Сама физическая природа кибернетических моделей отличается от физической природы прототипа и ее элементов. Особенностью кибернетических моделей является возможное наличие в них, кроме механизма управления, также и механизмов самоорганизации, обучения, адаптации и т.д., а в более сложных системах – и искусственного интеллекта.

Учет фактора времени при моделировании приводит использованию статических и динамических моделей.

Статические модели отражают установившиеся (равновесные) режимы работы системы;

Статические режимы работы элементов, объектов, систем отражены в их статических характеристиках (линейных, нелинейных) и описываются соответствующими алгебраическими функциональными зависимостями.

Динамические модели отражают неустановившиеся (неравновесные, переходные) режимы работы системы.

Для описания неравновесных (переходных) режимов работы системы чаще всего используются дифференциальные уравнения или системы дифференциальных уравнений.

Рассмотрим некоторые свойства моделей, которые позволяют в той или иной степени либо различать, либо отождествлять модель с оригиналом (объектом, процессом). Принято выделять следующие свойства моделей: адекватность, сложность, конечность, истинность, приближенность.

Адекватность. Под адекватностью модели принято понимать правильное качественное и количественное описание объекта (процесса) по выбранному множеству характеристик с некоторой разумной степенью точности.

Адекватность является важнейшим требованием к модели, она требует соответствия модели ее реальному объекту (процессу, системе и т.д.) относительно выбранного множества его свойств и характеристик. При этом имеется в виду адекватность не вообще, а адекватность по тем свойствам модели, которые являются для исследователя существенными. Полная адекватность означает тождество между моделью и прототипом.

Математическая модель может быть адекватна относительно одного класса ситуаций (состояние системы + состояние внешней среды) и не адекватна относительно другого. Применение неадекватной модели может привести либо к существенному искажению реального процесса или свойств (характеристик) изучаемого объекта, либо к изучению несуществующих явлений, свойств и характеристик.

Можно ввести понятие степени адекватности, которая будет меняться от 0 (отсутствие адекватности) до 1 (полная адекватность). Степень адекватности характеризует долю истинности модели относительно выбранной характеристики (свойства) изучаемого объекта. Отметим, что в некоторых простых ситуациях численная оценка степени адекватности не представляет особой трудности. Трудность оценки степени адекватности в общем случае возникает из-за неоднозначности и нечеткости самих критериев адекватности, а также из-за трудности выбора тех признаков, свойств и характеристик, по которым оценивается адекватность.

Понятие адекватности является рациональным понятием, поэтому повышение ее степени также следует осуществлять на рациональном уровне. Адекватность модели должна проверяться, контролироваться, уточняться постоянно в процессе исследования на частных примерах, аналогиях, экспериментах и т.д. В результате проверки адекватности выясняют, к чему приводят сделанные допущения: то ли к допустимой потере точности, то ли к потере качества. При проверке адекватности также можно обосновать законность применения принятых рабочих гипотез при решении рассматриваемой задачи или проблемы.

Простота и сложность. Одновременное требование простоты и адекватности модели является противоречивым. С точки зрения адекватности сложные модели являются предпочтительнее простых. В сложных моделях можно учесть большее число факторов, влияющих на изучаемые характеристики объектов. Хотя сложные модели и более точно отражают моделируемые свойства оригинала, но они более громоздки, труднообозримы и неудобны в обращении. Поэтому исследователь стремится к упрощению модели, так как простыми моделями легче оперировать. При стремлении к построению простой модели должен соблюдаться основной принцип упрощения модели:

упрощать модель можно до тех пор, пока сохраняются основные свойства, характеристики и закономерности, присущие оригиналу.

Этот принцип указывает на предел упрощения.

При этом понятие простоты (или сложности) модели является понятием относительным. Модель считается достаточно простой, если современные средства исследования (математические, информационные, физические) дают возможность провести качественный и количественный анализ с требуемой точностью. А поскольку возможности средств исследований непрерывно растут, то те задачи, которые раньше считались сложными, теперь могут быть отнесены к категории простых.

Более трудной задачей является обеспечение простоты/сложности модели сложной системы, состоящей из отдельных подсистем, соединенных друг с другом в некоторую иерархическую и многосвязную структуру. При этом каждая подсистема и каждый уровень имеют свои локальные критерии сложности и адекватности, отличные от глобальных критериев системы.

С целью меньшей потери адекватности упрощение моделей целесообразнее проводить:

1) на физическом уровне с сохранением основных физических соотношений,

2) на структурном уровне с сохранением основных системных свойств.

Упрощение же моделей на математическом уровне может привести к существенной потере степени адекватности. Например, усечение характерис-тического уравнения высокого порядка до 2 – 3-го порядка может привести к совершенно неверным выводам о динамических свойствах системы.

Заметим, что более простые модели используются при решении задачи синтеза, а более сложные точные модели – при решении задачи анализа.

Конечность моделей. Известно, что мир бесконечен, как любой объект, не только в пространстве и во времени, но и в своей структуре (строении), свойствах, отношениях с другими объектами. Бесконечность проявляется в иерархическом строении систем различной физической природы. Однако при изучении объекта исследователь ограничивается конечным количеством его свойств, связей, используемых ресурсов и т.д. Он как бы «вырезает» из бесконечного мира некоторый конечный фрагмент в виде конкретного объекта, системы, процесса и т.д. и пытается познать бесконечный мир через конечную модель этого фрагмента.

Конечность моделей систем заключается, во-первых, в том, что они отображают оригинал в конечном числе отношений, т.е. с конечным числом связей с другими объектами, с конечной структурой и конечным количеством свойств на данном уровне изучения, исследования, описания, располагаемых ресурсов. Во-вторых, в том, что ресурсы (информационные, финансовые, энергетические, временные, технические и т.д.) моделирования и наши знания как интеллектуальные ресурсы конечны, а потому объективно ограничивают возможности моделирования и сам процесс познания мира через модели. Поэтому исследователь (за редким исключением) имеет дело с конечномерными моделями.

Выбор размерности модели (ее степени свободы, переменных состояния) тесно связан с классом решаемых задач. Увеличение размерности модели связано с проблемами сложности и адекватности. При этом необходимо знать, какова функциональная зависимость между степенью сложности и размерностью модели. Если эта зависимость степенная, то проблема может быть решена за счет применения вычислительных систем. Если же эта зависимость экспоненциальная, то «проклятие размерности» (Р. Калман 1) неизбежно и избавиться от него практически не удается.

Как отмечалось выше, увеличение размерности модели приводит к повышению степени адекватности и одновременно к усложнению модели. При этом степень сложности ограничена возможностью оперирования с моделью, т.е. теми средствами моделирования, которыми располагает исследователь. Необходимость перехода от грубой простой модели к более точной реализуется за счет увеличения размерности модели путем привлечения новых переменных, качественно отличающихся от основных и которыми пренебрегли при построении грубой модели. Эти переменные мо-гут быть отнесены к одному из следующих трех классов:

1) быстропротекающие переменные, протяженность которых во времени или в пространстве столь мала, что при грубом рассмотрении они принимались во внимание своими интегральными или осредненными характеристиками;

2) медленнопротекающие переменные, протяженность изменения которых столь велика, что в грубых моделях они считались постоянными;

3) малые переменные (малые параметры), значения и влияния которых на основные характеристики системы столь малы, что в грубых моделях они игнорировались.

Отметим, что разделение сложного движения системы по скорости на быстропротекающее и медленнопротекающее движения дает возможность изучать их в грубом приближении независимо друг от друга, что упрощает решение исходной задачи. Что касается малых переменных, то ими пренебрегают обычно при решении задачи синтеза, но стараются учесть их влияние на свойства системы при решении задачи анализа.

При моделировании стремятся по возможности выделить небольшое число основных факторов, влияние которых одного порядка и не слишком сложно описывается математически, а влияние других факторов оказывается возможным учесть с помощью осредненных, интегральных или "замороженных" характеристик.

Приближенность моделей. Из изложенного выше следует, что конечность и простота (упрощенность) модели характеризуют качественное различие (на структурном уровне) между оригиналом и моделью. Тогда приближенность модели будет характеризовать количественную сторону этого различия.

Можно ввести количественную меру приближенности путем сравнения, например, грубой модели с более точной эталонной (полной, идеальной) мо-делью или с реальной моделью. Приближенность модели к оригиналу неизбежна , существует объективно, так как модель как другой объект отражает лишь отдельные свойства оригинала. Поэтому степень приближенности (близости, точности) модели к оригиналу определяется постановкой задачи, целью моделирования.

Чрезмерное стремление к повышенной точности модели приводит к ее значительному усложнению, и, следовательно, к снижению ее практической ценности. Поэтому, видимо, справедлив принцип Л. Заде 1 о том, что при моделировании сложных (человеко-машинных, организационных) систем точность и практический смысл несовместимы и исключают друг друга. Причина противоречивости и несовместимости требований точности и практичности модели кроется в неопределенности и нечеткости знаний о самом оригинале – его поведении, его свойствах и характеристиках, о по-ведении окружающей среды, о механизмах формирования цели, путей и средствах ее достижения и т.д.

Истинность моделей. В каждой модели есть доля истины, т.е. любая модель в чем-то правильно отражает оригинал. Степень истинности модели выявляется только при практическом сравнении её с оригиналом, ибо только

практика является критерием истинности.

С одной стороны, в любой модели содержится безусловно истинное, т.е. определенно известное и правильное. С другой стороны, в модели содержится и условно истинное, т.е. верное лишь при определенных условиях. Типовая ошибка при моделировании заключается в том, что исследователи применяют те или иные модели без проверки условий их истинности , границ их применимости. Такой подход приводит заведомо к получению неверных результатов.

Отметим, что в любой модели также содержится предположительно-истинное (правдоподобное), т.е. нечто, могущее быть в условиях неопределенности либо верным, либо ложным. Только на практике устанавливается фактическое соотношение между истинным и ложным в конкретных условиях. Таким образом, при анализе уровня истинности модели необходимо выяснить:

1) точные, достоверные знания;

2) знания, достоверные при определенных условиях;

3) знания, оцениваемые с некоторой степенью неопределенности;

4) знания, не поддающиеся оценке даже с некоторой степенью неопределенности;

5) незнания, т.е. то, что неизвестно.

Таким образом, оценка истинности модели как формы знаний сводится к выявлению содержания в ней как объективных достоверных знаний, правильно отображающих оригинал, так и знаний, приближенно оценива-ющих оригинал, а также то, что составляет незнание.

Теория адаптивных систем возникла в связи с необходимостью решения широкого класса прикладных задач, для которых неприемлемы традиционные методы, требующие знания адекватной математической модели объекта. Качество традиционных (неадаптивных) методов управления тем выше, чем больше априорной информации о самом объекте и условиях его функционирования. На практике достаточно трудно обеспечить точное математическое описание объекта управления. Например, динамические характеристики летательных аппаратов сильно зависят от режима полета, технологических разбросов, состояния атмосферы. В этих условиях традиционные методы часто оказываются неприменимыми либо не обеспечивают требуемое качество системы автоматического управления.

В связи с этим уже на начальном этапе развития теории автоматического управления представлялся весьма эффективным путь построения управляющих систем, не требующих полной априорной информации об объекте и условиях его функционирования.

Эффект приспособления к условиям функционирования в адаптивных системах обеспечивается за счет накопления и обработки информации о поведении объекта в процессе его функционирования, что позволяет существенно снизить влияние неопределенности на качество управления, компенсируя недостаток априорной информации на этапе проектирования систем.

Система управления, автоматически определяющая требуемый закон управления посредством анализа поведения объекта при текущем управлении, называется адаптивной .

Адаптивные системы можно разделить на два больших класса: самоорганизующиеся и самонастраивающиеся.

В самоорганизующихся системах в процессе функционирования происходит формирование алгоритма управления (его структуры и параметров), позволяющего оптимизировать систему с точки зрения поставленной цели управления (ЦУ). Такого рода задача возникает, например, в условиях изменения структуры и параметров объекта управления в зависимости от режима функционирования, когда априорной информации недостаточно для определения текущего режима. При широком классе возможных структур объекта трудно надеяться на выбор единственной структуры алгоритма управления, способной обеспечить замкнутой системе достижение цели управления во всех режимах функционирования. Таким образом, речь идет о синтезе при свободной структуре регулятора. Очевидная сложность постановки задачи не позволяет надеяться на простые алгоритмы ее решения, а следовательно, и на широкое внедрение в настоящее время систем в практику.

Задача существенно упрощается, если структура объекта управления известна и неизменна, а поведение зависит от ряда неизменных параметров. Задача решается в классе самонастраивающихся систем (СНС), в которых структура регулятора задана (заранее выбрана) и требуется определить лишь алгоритм настройки его коэффициентов (алгоритм адаптации).

Самонастраивающейся системой автоматического управления называется система, самостоятельно изменяющая свои динамические характеристики в соответствии с изменением внешних условий с целью достижения оптимального выхода системы. В случае самонастраивающихся систем управления полетом таким оптимальным выходом системы будет оптимальная реакция на внешние возмущения.

СНС делятся на два подкласса: поисковые и беспоисковые. В поисковых СНС минимум (или максимум) меры качества (производительность установки, расход топлива и т.д.) ищется с помощью специально организованных поисковых сигналов. Простейшими поисковыми системами являются большинство экстремальных систем, в которых недостаток априорной информации восполняется за счет текущей информации, получаемой в виде реакции объекта на искусственно вводимые поисковые (пробные, тестовые) воздействия.

В беспоисковых СНС в явном или неявном виде имеется модель с желаемыми динамическими характеристиками. Задача алгоритма адаптации состоит в настройке коэффициентов регулятора таким образом, чтобы свести рассогласование между объектом управления и моделью к нулю. Такое управление называют прямым адаптивным управлением, а системы - адаптивными системами с эталонной моделью .

В случае непрямого адаптивного управления сначала проводят идентификацию объекта, а затем определяют соответствующие коэффициенты регулятора. Подобные регуляторы называются самонастраивающимися.

При прямом адаптивном управлении контуры адаптации работают по замкнутому циклу, что позволяет парировать изменения параметров объекта и регулятора в процессе функционирования. Однако каждый контур самонастройки повышает порядок системы как минимум на единицу, и при этом существенно влияет на общую динамику замкнутой системы.

В случае непрямого адаптивного управления контуры самонастройки работают по разомкнутому циклу и, следовательно, не влияют на динамику системы. Однако все ошибки идентификации, уходы параметров объекта и регулятора существенно влияют на точность управления. В беспоисковых самонастраивающихся системах эталонная модель может быть реализована в виде реального динамического звена (явная модель) или присутствовать в виде некоторого эталонного уравнения, связывающего регулируемые переменные и их производные (неявная модель). В неявной модели коэффициенты эталонного уравнения являются параметрами алгоритма адаптации.

На рисунке 1 показан один из часто используемых в исполнительных приводах вариантов адаптивного управления, где параметры регулятора настраиваются управляющим компьютером по эталонной модели.

Эталонная модель показывает идеальную желаемую реакцию системы на задающий сигнал g(t). В качестве эталонной модели применяют типовые звенья систем автоматического управления (например, апериодическое звено). Параметры ПИД-регулятора (пропорционально-интегрально-дифференциальный регулятор) настраиваются так, чтобы минимизировать рассогласование между выходом модели и реальной системы.

Задача контура настройки состоит в том, чтобы свести это рассогласование к нулю за определенное время с гарантией устойчивости переходного процесса. Данная проблема далеко не тривиальна – можно показать, что она не решается при линейных соотношениях «ошибка – коэффициенты регулятора». Например, в литературе предложен следующий алгоритм настройки параметров:

где k – настраиваемые коэффициенты ПИД-регулятора; А – постоянный коэффициент, задающий скорость адаптации.

Рис. 1. Блок-схема адаптивной системы с эталонной моделью

Функция градиента определяет чувствительность ошибки c(t) к вариации коэффициентов регулятора. Абсолютная устойчивость замкнутой системы, которая является существенно нелинейной, обеспечивается подбором параметра А в программе настройки. Таким образом, управляющий компьютер для реализации адаптивного управления по данной схеме должен в реальном времени решать следующие задачи:

• формировать задающий сигнал для управляемой системы;
• рассчитывать идеальную реакцию по эталонной модели;
• вычислять коэффициенты регулятора в соответствии с программой настройки, определять текущую ошибку и выдавать сигнал управления на вход мехатронного модуля.

Помимо рассмотренной блок-схемы с эталонной моделью известны и другие методы автоматической настройки параметров и структуры регуляторов.

Как работать