Диссертация (Исследование и разработка методов и алгоритмов обобщения знаний для систем поддержки принятия решений реального времени), страница 14

Диагностирование — одна из важных мер обеспечения иподдержания надёжности технических объектов.Диагностирование как раздел искусственного интеллекта занимается разработкой методов и алгоритмов, способных определить корректность работыизучаемого объекта (системы). Если система работает некорректно, нужно какможно более точно определить, в какой части системы произошел отказ и какаяошибка произошла. Определение ошибки происходит на основе наблюдений,которые дают информацию о поведении системы.Термин «диагностирование» также относится к определению неисправности системы.Исходными данными для задачи диагностики обычно бывают описаниянекорректных состояний объекта (или ситуаций, которые могут возникнуть наобъекте) и причины, к этому приведшие. При обучении на таких данных диагностическая система должна построить некоторую обобщенную модель, которая вдальнейшем смогла бы распознавать подобные (или схожие) ситуации на объекте и указывать причину неполадки.Математическая модель объекта диагностирования (детерминированнаяили вероятностная) представляет собой описание объекта в исправном и в неисправном его состояниях в виде формальных зависимостей между возможнымивоздействиями на объект и его реакциями на эти воздействия.

Модели (дажеисправных объектов), используемые при диагностировании, могут отличатьсяот моделей, используемых при проектировании тех же объектов. В случае обнаружения неисправности может быть произведено некоторое корректирующее81воздействие на диагностируемый объект с целью перевода его в исправное состояние.Алгоритм диагностирования предусматривает выполнение некоторойусловной или безусловной последовательности определённых экспериментов собъектом. Эксперимент характеризуется тестовым или рабочим воздействием исоставом контролируемых признаков, определяющих реакцию объекта на воздействие.3.1.1Диагностика на основе использования модели объектаВ данной работе предлагается использовать методы диагностики на основе использования модели объекта [101–103]. Для имитации поведения объекта ивыявления неисправностей может быть использована модель специального вида, которая описывает структуру и поведение сложного технического объекта;данная модель представляет собой четверку < , , , >, где:– – множество компонент сложного технического объекта;– – функциональные связи между компонентами;– – множество переменных, описывающих состояние системы (в технической диагностике это чаще всего измерения, получаемые от датчиков,установленных в системе, или результаты вычислений выполненные надполученными измерениями);– – множество управляющих действий, допустимых в системе.Для описания отдельного компонента ∈ также используется модель,представляющая из себя тройку < ′ , , >, где:– ′ ⊆ – подмножество переменных, описывающих состояние данногокомпонента;– – набор режимов работы, включающих в себя состояние «норма»(корректное поведение) и состояния «неисправность» (некорректное поведение);– – набор отношений, связывающих множество переменных , описывающих состояние системы, и набор режимов работы .Введем понятие – множество состояний сложного технического объекта, которые диагностируются как нормальные; – множество состояний, вкоторых наблюдаются неисправности на объекте.

Для использования методовискусственного интеллекта в диагностике предлагается сформировать описание82понятия и в рамках введенной модели. На основе полученных обобщенных описаний классов и необходимо определить, какая из неисправностейпроизошла на объекте и – в более сложном случае – выработать рекомендации повыбору восстанавливающего действия на сложном техническом объекте; такоедействие должно переводить систему из состояния «неисправно» в состояние«норма».Для оценки эффективности построенной модели, необходимо сравнить поведение, предсказанное моделью, и наблюдаемое поведение объекта. Результатынаблюдений за поведением системы представлены в виде S – множества показаний, поступающих с датчиков, установленных на сложном техническом объекте.

Чтобы построенная модель была полезной и для бортовой диагностики, онадолжна включать в себя действия, которые должны производиться в случае обнаружения неисправности/отказа. В общем случае действия (восстановительныедействия) характеризуются некоторой стоимостью, которая чаще всего выражается в уменьшении функциональности системы. Таким образом, основная цельпроцедуры бортовой диагностики заключается в выборе оптимального действияв аварийном режиме.Диагностирование на основе модели представляет собой частный случайабдуктивного вывода.Успешность функционирования моделей, используемых в диагностике, зависит от выбора способа описаний классов ситуаций и .

Для описания классов ситуаций можно использовать различные методы, такие как продукционные модели [104], нечеткие множества [105], приближенные множества [106; 107], деревья решений [35].3.1.2Исходные данные для задачи диагностикиВ общем случае динамический объект обобщения имеет более одного параметра, то есть представляет собой набор из нескольких временных рядов. Втаблице 3.3 приведен пример трёх классов динамических объектов, каждый изкоторых определяется тем, как меняются во времени сразу две величины (обозначим их далее Параметр 1, Параметр 2).Из таблицы 3.3 следует, что на основе информации, поступающей толькос одного датчика, невозможно точно различать классы Класс 1, Класс 2 и Класс3. Так, если в нашем распоряжении будет только величина Параметр 1, можно83Таблица 3.3 — Пример трёх классов динамических объектов с двумяпараметрамиПараметр 1Параметр 2КлассКласс 1Класс 2Класс 3однозначно распознать ситуации, соответствующие Классу 3, но Класс 1 и Класс2 окажутся неразличимыми.Используя 2 датчика (2 параметра), можно различить уже все 3 класса:Класс 2 и Класс 3 – на основании показаний первого датчика (Параметр 1),Класс 1 и Класс 2 – на основании показаний второго датчика (Параметр 2).Таким образом, предполагается, что наличие большего числа параметров можетповысить различающую способность алгоритмов, использующих такие данные.Рассмотрим более подробно пример для набора данных «контрольные карты», содержащего 6 классов, соответствующих различным образцам поведенияпараметра (рис.

3.1-3.6).84Рисунок 3.1 —«Цикличность»Рисунок 3.2 —«Уменьшение значения»Рисунок 3.3 — «Резкийспад»Рисунок 3.4 —«Увеличение значения»Рисунок 3.5 —«Нормальное значение»Рисунок 3.6 — «Резкоевозрастание»Сформируем из исходного набора данных новый набор следующим образом: динамические объекты обобщения будут иметь пять параметров, то естьпредставлять собой набор из пяти временных рядов. Каждый новый класс будетсодержать 5 временных рядов из следующего упорядоченного перечисления:1. «цикличность»2.

«уменьшение значения»3. «резкий спад»4. «увеличение значения»5. «нормальное значение»6. «резкое возрастание»В таблице 3.4 приведен пример шести классов динамических объектов,каждый из которых определяется тем, как меняются во времени сразу пять величин (обозначим их далее Параметр 1, Параметр 2, Параметр 3, Параметр4, Параметр 5). Первым классом в новом наборе будет являться динамический85объект с пятью параметрами, представляющими из собой следующие временныеряды:1. «уменьшение значения»2. «резкий спад»3. «увеличение значения»4. «нормальное значение»5.

«резкое возрастание»(все, кроме «цикличности»);Вторым классом в новом наборе будет являться динамический объект спятью параметрами, представляющими из собой следующие временные ряды:1. «цикличность»2. «резкий спад»3. «увеличение значения»4. «нормальное значение»5. «резкое возрастание»(все, кроме «уменьшения значения»);И так далее.Из таблицы 3.4 следует, что на основе информации, поступающей только с одного датчика, невозможно точно различать все 6 классов. Так, если внашем распоряжении будет только величина Параметр 1, можно однозначнораспознать ситуации, соответствующие Классу 1, но Класс 2 .. Класс 6 окажутся неразличимыми.

Используя 2 датчика (2 параметра), можно распознатьситуации, соответстующие Классу 1 и Классу 2, остальные 4 класса остаютсянеразличимыми. И только используя все 5 параметров, можно будет выделить 6классов из имеющегося набора данных.Таким образом, ни один из параметров не является наиболее информативным и каждый из параметров вносит свой вклад в процессе разделения объектовна классы. Предполагается, что наличие большего числа параметров может повысить различающую способность алгоритмов, использующих такие данные.Рассмотрим теперь следующий пример, приведённый в табл. 3.5.

Очевидно, что наиболее информативным является Параметр 5, так как значения этогопараметра (форма временного ряда) различны для каждого класса. Предполагается, что значения параметров Параметр 1.. Параметр 4 должны несколькоулучшить точность классификации за счет дополнительной информации.86Таблица 3.4 — Пример шести классов динамических объектов с пятьюпараметрамиПараметр 1Параметр 2Параметр 3Параметр 4Параметр 5Класс 1 – все временные ряды кроме «цикличности»Класс 2 – все временные ряды кроме «уменьшения значения»Класс 3 – все временные ряды кроме «резкого спада»Класс 4 – все временные ряды кроме «увеличения значения»Класс 5 – все временные ряды кроме «нормы»Класс 6 – все временные ряды кроме «резкого роста»Итак, в нашем случае исходные данные для задачи диагностики – это набор динамических объектов (динамических ситуаций).

Представление для динамических объектов введено в главе 1, табл. 1.2. Пример набора ситуаций, ис-87Таблица 3.5 — Пример шести классов динамических объектов с пятьюпараметрами. «Параметр 5» – наиболее информативный.Параметр 1Параметр 2Параметр 3Параметр 4Параметр 5Класс 1 – все временные ряды кроме «цикличности»Класс 2 – все временные ряды кроме «уменьшения значения»Класс 3 – все временные ряды кроме «резкого спада»Класс 4 – все временные ряды кроме «увеличения значения»Класс 5 – все временные ряды кроме «нормы»Класс 6 – все временные ряды кроме «резкого роста»пользуемых как исходные данные для задачи диагностики, приведён в табл. 3.6.Предположим, что для контроля за состоянием сложного технического объектаиспользуются = 3 датчика.