В статье дается определение статических и динамических окрестностных систем на языке метаграфов. Управление сложным производственным процессом вблизи номинального режима обычно осуществляется в предположении, что такому режиму соответствует стационарная точка гипотетической глобальной динамической модели, и потому статические окрестностные системы в этом случае являются удобным средством локального моделирования. Достаточно типичной является ситуация, когда номинальных режимов несколько и переходы между ними осуществляются дискретно или непрерывно в зависимости от входных данных. Мы рассматриваем задачу объединения локальных статических окрестностных систем (моделей) в общую квазистатическую систему c коэффициентами, зависящими от входных данных. Предлагаются две версии такого объединения: дискретная и непрерывная. Обе они основаны на кластеризации входных данных окрестностной системы. В дискретной версии выбор текущей локальной модели определяется центром кластера. В непрерывной версии используются линейные комбинации локальных моделей с весами, образующими ассоциированное с кластеризацией разбиение единицы. В качестве примера применения решается задача объединения локальных окрестностных моделей стадии диффузии производства сахара, полученных в результате параметрической идентификации на основе выборки данных производства АО АПО «Аврора» «Боринский сахарный завод».

In this paper, we define static and dynamic neighborhood systems in the language of metagraphs. The control of production process near a nominal mode is usually carried out on the assumption that this mode corresponds to a stationary point of a hypothetical global dynamic model, and therefore static neighborhood systems in this case are a convenient means of local modeling. A typical situation is that when there are several nominal modes and the transitions between them are carried out discretely or continuously depending on the input data. We consider the problem of integration of local static neighborhood systems (models) into a combined quasi-static system with coefficients that depend on the input data. Two versions of this integration are proposed: discrete and continuous. Both are based on the clustering of the input data of the neighborhood system. In the discrete version, the choice of the local model is determined by the cluster center. In the continuous version, linear combinations of local models are used with weights forming the partition of unity associated with clustering. As an example of the application, the problem of integration of local neighborhood models for the stage of diffusion of sugar production, obtained by the parametric identification based on a sample of production data of JSC «Avrora», Borinsky Sugar Plant, is considered.