Разработка интеллектуальной системы диагностики повреждения трубопровода

Двадцатый век насыщен многими событиями, которые будоражили и потрясали земную цивилизацию. Шла борьба за передел мира, за сферы экономического и политического влияния, за источники минерального сырья. Среди этого клокочущего страстями человеческого общества выделяется стремление обладать ресурсами «черного золота» и газа, столь необходимых для прогрессивного развития промышленности.

Ни одна проблема, пожалуй, не волнует сегодня человечество так, как топливо. Топливо — основа энергетики, промышленности, сельского хозяйства, транспорта. Без топлива немыслима жизнь людей. Именно поэтому крайне важно развивать базы знаний которые позволять в кратчайшие сроки помочь неопытным инженерам стать высококлассными специалистами в газовой промышленности.

Предтечи интеллектуальных систем в области газодобывающей промышленности были предложены еще в первой половине 19 века в далеком 1832 году российским изобретателем С. Н. Корсаковым, создавшим механические устройства, так называемые «интеллектуальные машины», позволявшие находить решения по заданным условиям, например, определять наиболее вероятные причины поломки оборудования.

Корсакова можно смело назвать первооткрывателем отечественной и мировой информатики, искусственного интеллекта. В 1832 году поставил задачу усиления возможностей разума посредством разработки научных методов и устройств, перекликающуюся с современной концепцией искусственного интеллекта, как усилителя естественного. Предложил пять механических устройств, так называемых «интеллектуальных машин» для информационного поиска и классификации, в конструкции которых впервые в истории информатики применил перфорированные карты. В работах Корсакова содержится целая плеяда новых для того времени идей, которые мы сегодня можем назвать как многокритериальный поиск с учетом относительной степени важности различных критериев (весовых коэффициентов), способ обработки больших массивов данных.

Перфорированные карты Корсаков использовал в качестве своего рода «баз знаний», содержащих связь между сущностями (идеями) и их признаками. Широко известный своими работами, Корсаков пояснял принцип работы своих машин на простом примере поиска необходимых инструментов для ремонта. Высококвалифицированный инженер мог составить перфорированную таблицу, определяющую инструменты (сущности) для ремонта повреждений диагностируемых при осмотре изделия (признаки). Столбцы таблицы могли соответствовать инструментам (сущностям), а строки — неисправностям в механизмах (признакам). Перфорированные отверстия в некоторых строках каждого столбца определяли совокупность неисправностей, для ремонта которых наиболее пригоден соответствующий инструмент. Единожды составленные, такие перфорированные таблицы могли впоследствии легко тиражироваться, и менее квалифицированный газодобывающий1 работник, например ассистент инженера, мог бы, используя готовую таблицу и машины Корсакова, подобрать перечень необходимых инструментов по непосредственно наблюдаемым у механизма повреждениям, даже не имея возможности точно диагностировать поломку.

В 1832 году Корсаков подал прошение в Императорскую Академию наук в Санкт-Петербурге для рассмотрения его метода и изобретений, кроме того опубликовал брошюру, в которой подробно описал устройство и принципы функционирования изобретенных машин. К сожалению, метод и изобретения Корсакова не были в должной мере оценены современниками, не получили государственной поддержки и были незаслуженно забыты.

В начале 1970х в College Brown University была разработана Интеллектуальная система ENFIXTOOL. Она была написана на ЛиспеЛисп (LISP, Lisp, от англ. LI St Processing language—язык обработки списков) cемейство языков программирования, программы и данные в которых представляются системами линейных списков символов. Лисп является вторым в истории (после Фортрана) используемым посей день высокоуровневым языком программирования. как докторская диссертация. В той же лаборатории была ранее создана Интеллектуальная система Dendral, но на этот раз внимание было акцентировано на использовании решающих правил с элементами неопределенности. ENFIXTOOL был спроектирован для анализа повреждений трубопроводов, которые в случае не оказания своевременного вмешательства, впоследствии могли привести к серьёзным авариям, таким как утечка или взрыв, а также для рекомендации необходимого количества специалистов и ремонтных бригад зависимости от длины и типа трубы. Название системы происходит от слияния трех слов «Engineer» — инженер, «Fix» — чинить, «Tool» — набор инструментов, то есть те самые компоненты, которыми оперирует данная Интеллектуальная система. Также ENFIXTOOL использовалась для расчетов наиболее удобных маршрутов при прокладывании трубопровода.

Исследования, проведенные в College Brown University, обнаружили, что ENFIXTOOL предлагает приемлемый алгоритм действий примерно в 80% случаев, что лучше, чем у неопытных ассистентов-инженеров по ремонтным работам, которых оценивали по тем же критериям. Это исследование часто цитируют, чтобы продемонстрировать возможную степень несогласия между решениями инженеров, даже если они эксперты, когда нет «золотого стандарта» для правильной последовательности проведения ремонтных работ.

В качестве примера можно привести банальный случай отказа главного датчика давления на одной линии трубопровода. В случае отключения трубопровода из транспортной сети простойка оборудования нанесет слишком большой урон с финансовой точки зрения, поэтому устанавливаются дополнительные датчики меньшей мощности. С другой стороны, если не исключать линию из транспортной сети, то сети информация, получаемая с дополнительных датчиков может оказаться либо не своевременной, либо не достаточно точной, что впоследствии приведет к аварийной ситуации.

Переходя к проблемам диагностики аварийных ситуаций при газодобывающих работах стоит отметить, что основная из них состоит в отсутствии достаточного количества специалистов (экспертов), обладающих необходимыми знаниями и опытом для мгновенного реагирования при чрезвычайных ситуациях. Кроме этого, трудность анализа состоит в необходимости исследования большого количества внешних информации во аварийной ситуации: свойства металлов, опись взрывоопасных элементов в атмосфере и так далее. Более того, аварийные ситуации нуждаются в максимально быстром анализе и ремонте. Таким образом, разрабатываемая Интеллектуальная система по устранению неполадок в трубопроводе должна основываться на знаниях специалистов в области энергетики и позволять использовать эти знания в рабочей деятельности старшего инженера или для обучения и контроля ассистента инженера и младшего ассистента инженера.

Существенным моментом, определяющим актуальность Интеллектуальной системы поддержки принятия решения, является ее эффективность в условиях различных ограничений:

• · дефицита времени на принятие решения, что имеет особое значение при неотложных состояниях и в чрезвычайных случаях;
• · неполноты данных об аварии и невозможности провести анализ, в случае преград и помех: дымовая завеса, едкие и отравляющие вещества, высокие температуры;
• · неопределенности данных, которые не могут быть уточнены инженером, где могут быть использованы методы нечеткой логики;
• · необходимости выбора дополнительных анализов и исследований по критериям диагностической эффективности и возможности их выполнения (с учетом степени угрозы для безопасности промышленного объекта).

Положительный эффект, ожидаемый от реализации и применения Интеллектуальной системы поддержки принятия решения при эксплуатации трубопровода, является совокупностью бонусов, относящихся к группе работников ремонтных отделов, группе инженеров, группе жителей близлежащих поселений: экономия времени на процессе обязательной диагностики и постановки аварийного положения, сокращение упущенного времени при назначении алгоритма для ремонтных бригад, снижение риска неправильной постановки задач для ремонтных бригад, значительное сокращение вероятности выброса вредных и токсичных отходов в атмосферу.

1. Постановка задачи «Интеллектуальной системы поддержки принятий решений при эксплуатации трубопровода»

Интеллектуальная система будет реализовываться на основании знаний экспертов, знаний, извлеченных из литературных источников. При ее создании максимально будет учитываться специфика проявления и представления информации.

Для получения конечного результата необходимо решить следующий ряд задач:

• 1. Разработка продукционной базы знаний (с единообразным представлением знаний, что облегчает их восприятие и понимание человеком);
• 2. (комбинированного);
• 3. Разработка удобного и дружественного пользовательского интерфейса;
• 4. Обеспечение основного режима функционирования ИС: режима консультации.
• 2. Методы интеллектуальных систем

Методы приобретения знаний

От выбора метода приобретения знаний зависит, насколько верно будет создана база данных, насколько она будет соответствовать действительности. Для приобретения знаний используются различные методы: анализ текстов, диалоги, Интеллектуальные игры, лекции, дискуссии, интервью, кейсы и так далее. Самым распространенным методом приобретения знаний является интервью. Исходя из этого метода, знания получают путем непосредственного контакта с экспертом (Инженером). Существует также деление на пассивные методы (инициатива у эксперта) и активные методы (инициатива у когнитологаКогнитолог — специалист в области инженерии знаний (область наук об искусственном интеллекте, связанная с разработкой интеллектуальных систем и баз знаний). Когнитолог изучает методы и средства извлечения, представления, структурирования и использования знаний, непосредственно занимается разработкой интеллектуальных систем и баз знаний.).

Пассивные методы:

• 1. Наблюдение. В процессе наблюдения когнитолог находится рядом с экспертом во время его профессиональной деятельности. Необходимое условие — невмешательство в работу эксперта.
• 2. Вербальный анализ. Отличается от предыдущего метода тем, что эксперта просят не просто прокомментировать свои действия и решения, но и объяснить, как это решение может быть найдено, продемонстрировать цепочку рассуждений.
• 3. Лекции. Это самый старый способ передачи знаний. Он используется в начале разработки, как эффективный способ быстрого погружения инженера-технолога в предметную область.

Активные методы:

• 1. Анкетирование. Это жесткий метод. Заранее составляется вопросник, который предоставляется экспертам, что является основным преимуществом этого метода.
• 2. Интервью. Задается серия заранее подготовленных вопросов. Похоже на анкетирование, но позволяет в зависимости от ситуации изменять вопросы.
• 3. Свободный диалог. Достаточно гибкий способ, сильна обратная связь с экспертом.
• 4. «Круглый стол». Подразумевает живую дискуссию с участием нескольких экспертов.
• 5. «Интеллектуальные игры» или «кейс игры». Воссоздание вида деятельности, моделирования реальных ситуаций.

Методы представления знаний

Одним из направлений исследования экспертных систем является обработка моделей знаний, которая подразумевает средства представления знаний и методы манипуляции знаниями.

Под термином «представление знаний» чаще всего подразумеваются способы представления знаний, ориентированные на автоматическую обработку современными ИС, и, в частности, представления, состоящие из явных объектов и из суждений или утверждений о них. Представление знаний в подобной явной форме позволяет ИС делать дедуктивные выводы из ранее сохранённого знания.

Различают следующие типы знаний:

• · понятийные,
• · конструктивные,
• · процедурные,
• · фактографические,
• · метазнания.

Используются пять моделей представления знаний:

• · логическая,
• · продукционная,
• · логико-лингвистическая.

Основные методы представления знаний:

• · декларативное представление знаний;
• · процедурное представление знаний;
• · реляционное представление знаний;
• · логическое представление знаний;
• · семантическое представление знаний;
• · исчисление представление знаний;
• · фреймовое представление знаний;
• · представление знаний с использованием продукционных правил;
• · унифицированные алгоритмические модули.

Декларативное представление знаний характеризуется представлением текущего знания системы полным описанием состояния (множество аксиом и всех, введенных к данному моменту теорем, множество операторов, то есть правило вывода). Преимущество данного метода является:

• · отсутствие необходимости указывать, как конкретный фрагмент знания должен быть использован,
• · удобство внесения изменений в БЗ,
• · близость к естественной форме описания знаний.

Однако при использовании данного метода затруднен учет специфики конкретной предметной области.

Процедурное представление знаний характеризуется представлением текущего знания системы в виде специальной организованной БД и набора более или менее специализированных процедур, обрабатывающих соответствующие области БД. При использовании данного метода имеются следующие преимущества: легко представляются знания вычислительного характера, более естественный способ для выражения многовариантного взаимодействия между блоками, на которые разделены знания. Однако, модификация знаний значительно сложнее, чем в предыдущем методе, так как здесь необходимо учитывать каким образом используется утверждение.

Реляционное представление знаний характеризуется представлением информации в виде некоторой таблицы.

RR (К DTD),.

где.

R — имя таблицы, К — классификационные разряды, с помощью которых объект DT относится к множеству данных D.

Преимущества данного метода:

• · компактность представляемой информации частного характера,
• · информационное содержание данных рассматривается, не зависимо от представления в памяти,
• · близость по структуре к естественному языку.

Недостатком данного метода является:

• · отсутствие явно выраженных отношений между понятиями,
• · избыточность информации,
• · жесткость форматов описания.

Логическое представление знаний. Основная идея подхода при построении логических моделей представления знаний — вся информация, необходимая для решения прикладных задач, рассматривается как совокупность фактов и утверждений, которые представляются как формулы в некоторой логике. Знания отображаются совокупностью таких формул, а получение новых знаний сводится к реализации процедур логического вывода. В основе логических моделей представления знаний лежит понятие формальной теории, задаваемое кортежем:

S=, где.

B — счетное множество базовых символов (алфавит);

F — множество, называемое формулами;

A — выделенное подмножество априори истинных формул (аксиом);

R — конечное множество отношений между формулами, называемое правилами вывода.

К достоинствам логических моделей представления знаний можно отнести следующие характеристики:

• · В качестве «фундамента» здесь используется классический аппарат математической логики, методы которой достаточно хорошо изучены и формально обоснованы (формальная семантика проста и ясна, синтез четок),
• · Существуют достаточно эффективные процедуры вывода, в том числе реализованные в языке логического программирования Пролог, использующие механизмы автоматического доказательства теорем для поиска и логически осмысленного вывода информации (наличие единой процедуры доказательства истинности),
• · В базах знаний можно хранить лишь множество аксиом, а все остальные знания получать из них по правилам вывода, а также Данные, факты и другие сведения о людях, предметах, событиях и процессах (не требуется хранить все формулы в БЗ, а достаточно лишь хранения аксиом. Остальные выражения формируются из аксиом с помощью правил вывода).

К недостаткам относятся:

• · Слабая наглядность и выразительная мощность для отображения проблемной области,
• · Отсутствие структуры представления знаний,
• · Невозможность построения частично правдоподобных рассуждений,
• · Низкая эффективность логического вывода.

Семантическое представление знаний. Элементами данного представления являются понятия и семантические отношения между ними. Формой представления являются семантическая сеть. Вершины содержат понятия (объект), дуги — отношения между ними. Преимущество этого метода — наглядность представления знаний. Недостатком данного метода являются:

• · трудность представления событий,
• · слабо отражаются структурные отношения, логические связки,
• · сложность программной реализации (особенно крупных сетей).

Исчисление предикатов. Знания представляются с помощью перевода некоторой предметной области формулой логики предикатов и добавления их в качестве аксиом в систему. Формула записи:

P (xi, x2,…, xn), где Р — логическая функция предикат, принимающая значение истинно или ложь (1,0),.

xi, — предметные переменные.

Логика предикатов используется в качестве основы языка Пролог. Существует множество мощных процедур для логического вывода предикатов первого порядка. Однако при использовании этого метода нет возможности в полной мере отразить специфику предметной области, так как знания выражаются ограниченным набором средств формальной системы. Также недостатками метода является слабая логическая связь между формулами, неоднозначность перевода предложений естественного языка в формулы предикатов, требование больших ресурсов ЭВМ для реализации предикатных систем.

Фреймы. Фрейм — минимальная структура информации, представляющая класс объектов, описывающая явления и процессы. Фрейм представляет собой декларативную процедурную структуру.

{ni, (vi, qi, pi),…, nn (vn, qn, pn) }, где.

ni — имя фрейма,.

vi — имя слота,.

qi — значение слота,.

pi — имя присоединенной процедуры.

Для организации связей между объектами предметной области строится сеть фреймов. Фрейм может содержать обращение к присоединенной процедуре. Используется принцип наследования, когда общая информация хранится в отдельном фрейме, а подчиненные фреймы обращаются к этому фрейму, чем достигается компактность. Данный метод обладает удобством описания знаний у проблемно ориентированных систем, возможностью описания временных характеристик систем за счет включения соответствующих процедур в слоты. Фреймовая структура создает в себе достоинства декомпозиции и взаимодействия за счет принципа наследования. Недостатки метода:

• · возможность возникновения путаницы при работе системы с различными областями знаний
• · знания задаются процедурами, что затрудняет приобретение знаний,
• · в чистом виде эвристические структуры не пригодны для описания эвристических знаний,
• · сам фрейм не содержит информации, в какой момент его следует обрабатывать.

Продукционные правила (ПП). Правило продукции состоит из левой части, которая представляет собой множество ситуаций, и правой части, которая представляет собой множество действий. В модели знаний продукционные правила представляются в виде конструкций «ЕСЛИ, ТО». Преимуществами этого метода являются:

• · простота создания и понимания отдельных правил,
• · простота понимания и модификации,
• · простота логического вывода знаний.

Отдельные продукционные правила могут независимо быть добавлены в БЗ, исключены или изменены, при этом не надо перепрограммировать всю систему. С помощью ПП достигается естественность выражения как декларативных, так и процедурных знаний, при этом знания отделены от способа их переработки.

Унифицированные алгоритмические модули (УНАМ). Форма представления процедурных (УНАМ) — элементарный функциональный блок, имеющий самостоятельное значение.

где.

Niимя модуля,.

Yi — унифицированная стандартная процедура,.

Ri — множество возможных параметров (входных),.

Ri — множество выходных параметров.

Достоинства данного метода характеризуются:

• · удобством формирования базы математических знаний,
• · возможностью синтеза решения прикладных задач,
• · удобством установления отношений между декларативными и процедурными знаниями.

Недостаток метода в слабости систематических связей между модулями в системе.

Для наглядности баланса достоинств и недостатков далее представлена сравнительная характеристика моделей представлений знаний (Таб.12).

Таблица — Сравнительная характеристика моделей представления знаний

Таблица — Сравнительная характеристика моделей представления знаний (продолжение)

Таблица — Сравнительная характеристика моделей представления знаний (продолжение)

Методы вывода решений

Механизм логического вывода управляет работой ИС в соответствии с принятой стратегией поиска решения в пространстве ситуаций. Механизм логического вывода предназначен для того, чтобы найти последовательность действий преобразования начальной ситуации в конечную целевую ситуацию. Процедура формального вывода в дедуктивных системах, или цепочка вывода, представляют собой последовательность формул, начинающуюся, с аксиом, в которой каждая последующая формула выводится на основе совокупности предшествующих формул и аксиом. При реализации формального вывода используют прямой и обратный метод рассуждений. Прямой метод — это решение от данных к цели. Обратный метод — это поиск решения от цели к данным. В системах обратного вывода намечается перечень конечных целей переменных, значение которых необходимо получить. Далее производится поиск правил, определяющих эти цели. Вычисляются значения всех переменных, входящих в условия правил. Если переменные определяются другими правилами, происходит переход к выяснению истинности их условий, в противном случае значения переменных запрашиваются у пользователя. Процесс экспертизы заканчивается после того, как будут найдены все поставленные цели консультации. Это означает, что должна быть выяснена истинность всех переменных, входящих в задействованные правила.

Выбор метода приобретения и представления знаний для «Интеллектуальной системы поддержки принятия решения при эксплуатации трубопровода»

В результате поставленной задачи для получения знаний от эксперта были использованы следующие методы:

• · Лекции. Это самый старый способ передачи знаний. Он используется в начале разработки, как эффективный способ быстрого погружения инженера-технолога в предметную область.
• · Анкетирование. Это жесткий метод. Заранее составляется вопросник, который предоставляется экспертам, что является основным преимуществом этого метода.
• · Интервью. Задается серия заранее подготовленных вопросов. Похоже на анкетирование, но позволяет в зависимости от ситуации изменять вопросы.
• · Свободный диалог. Достаточно гибкий способ, сильна обратная связь с экспертом.
• · Учет пояснений на практике. Этот метод позволяет за счет получения объяснений от специалиста в процессе реального диагностирования понять ход решения задач специалистом в рамках этого процесса.
• · Анализ литературы. Анализ офтальмологических справочников позволил заполнить пробелы в данных, которые остались после применения вышеуказанных пяти методов.

На основе ранее проведенного анализа методов представлений знаний был выбран продукционный метод представления знаний для ИС, так как он является наиболее эффективным и широко используемым методом представления знаний в системах искусственного интеллекта типа экспертных систем.

Выбор продукционного метода представления знаний систем обоснован достоинствами продукционных систем:

• 1. В базе знаний автоматизированной ИС обеспечивается быстрый отклик на изменяющиеся в широких пределах и часто непредсказуемые ситуации внешней среды.
• 2. В БЗ представление больших объемов знаний не вызывает затруднений, так как при добавлении, исключении, изменении отдельных продукционных правил не требуется перепрограммировать всю систему.
• 3. В БЗ достигается единообразие представления знаний, что облегчает понимание знаний человеком.
• 4. Для человека облегчаются способы построения модели представления знаний, так как с помощью продукционных правил знания отделены от способа их переработки.
• 5. В программном обеспечении продукционных систем возникает реальная возможность параллельных вычислений. База знаний состоит из правил (продукций) вида: ЕСЛИ, ТО; где условие — конкретный вызов некоторого сопоставителя, — конкретный вызов некоторой опции преобразования базы фактов.

Наряду с вышеперечисленными достоинствами продукционных систем, существуют недостатки, которые также необходимо учитывать: затрудненность проверки программы, возможность случаев взаимной зависимости продукционных правил, что требует привлечения специальных методов декомпозиции.

Итак, аналитический процесс при эксплуатации трубопровода, как уже было описано в пункте 1.6 общей части, сводится к определению наличия повреждений и/или источника аварийной ситуации. Для исключения неверной постановки алгоритма ремонтных работ необходимо сразу же отделить случаи внешних повреждений трубопровода, которые не привели к развитию аварийной ситуации и не приведут к таковому при правильных ремонтных работах (назначение курса превентивных мер совместно с курсом лечения повреждений).

При обнаружении трубопровода с подозрениями на аварийную ситуации или поражение внешнего трубопровода к нему прикрепляется ответственный инженер, в помощь инженеру может быть закреплен младший инженер. Иногда в подчинении Инженера имеется группа проходящих обучение младших инженеров и ассистентов. Действия обучающейся группы не рассматриваются, так как поставленный алгоритм, выписанные указания и проводимые манипуляции проходят под контролем ответственного инженера, и ответственный инженер несет ответственность перед государством и КПО.

• 1. В первую очередь, ответственный Инженер или младший инженер описывают повреждения трубопровода. Далее устанавливают наличие факта получения трубопроводом повреждений, а так же дату, время получения повреждения, период воздействия и локализацию. При возможности, Инженером проводятся манипуляции по устранению поражающих инородных тел или по нейтрализации инородных веществ. На этом этапе необходимо выявить количество трубопроводов с повреждениями (повреждение— нарушение целостности функций трубопровода в результате воздействия факторов внешней среды). Повреждения не является аварией, но в последствие может стать причиной развития той или иной аварийной ситуации. При выявлении признаков развития аварийной ситуации у трубопровода, так же возникает необходимость его дальнейшего диагностирования.
• 2. Затем проводится внешний осмотр трубопровода и его окружения с целью установления состояния объекта, выявления отклонений, проявляющихся во внешних признаках аварийной ситуации. Определенные фенотипические, или внешние, признаки позволяют заподозрить о возможности аварии уже на стадии физического осмотра. Например, коррозия под действием почвы приводят к изменению цвета покрытия и опор.
• 3. Далее проводится опрос бригады ответственной за установку трубопровода для выявления случаев халатности сотрудников, поскольку аварийные ситуации конъюнктивы и бывают следствием специфического отношения специалистов к работе.
• 4. При выявлении отклонений трубопровода вписывающихся в картину определенного типа или класса повреждений назначается специализированный комплекс ремонтных работ и исследований. При невозможности выявления частичной или полной картины произошедшего назначаются более общие методы сканирования.
• 5. После получения результатов сканирований и исследований можно определить класс или тип аварийной ситуации. После определения класса или типа повреждения, назначаются анализы специализированные для выявления аварии и возбудителя повреждения трубопровода.
• 6. После выявления общей картины назначается ответственная бригада для выполнения ремонтных работ и выписывается алгоритм ремонтного подряда для соответствующего специалиста.

В Таблице 13 приведен список исследований, который покрывает большинство типов возбудителей повреждений трубопровода.

Таблица 13- Список анализов с распределением по возбудителям и причинам аварий

Создание базы знаний

Формирование таблиц примеров

Следующим этапом решения поставленной задачи будет переход от вербального представления знаний к формальному — формулированию таблиц решений наиболее оптимальным способом. Исходя из полученных знаний, можно выделить список факторов определяющих выбор альтернатив поведения. интеллектуальный пользовательский интерфейс предикат К этим факторам относятся (Таб. 14):

В качестве выходных данных рассматриваются три основных группы: диагноз, рекомендации по ремонту, рекомендации по анализам. Так же подразумевается дальнейшее пополнение еще одной группы выходных данных: пояснения. Эта группа необходима не только для исключения момента полного перекладывания функция диагноста на систему, но и для обучения младших инженеров и инженеров ассистентов, так как она позволяется проследить логику того или иного алгоритма ремонтных работ, рекомендаций по восстановлению трубопровода и рекомендаций по анализам. Поскольку Интеллектуальной системы поддержки принятия решения при эксплуатации трубопровода должна стать инструментом в диагностировании и помочь специалистам с обучением младших инженеров, она не должна перерасти в заменитель инженера, контроль и конечное решение должно оставаться за специалистом.

Таблица 14- Значения факторов

Таблица — Значения факторов (продолжение)

Формирование учебного набора продукций правил

После того, как построено дерево решений, оно должно быть превращено в описание «ЕСЛИ ТО» продукций. База знаний построена исходя из выбранного продукционного метода представления знаний. Созданная база знаний состоит из продукционных правил (ППi), которые формально записываются в следующем виде:

ПП1=ECJIИ (ситуация), ТО (действие);

ПП2=ECJIИ (условие применимости), ТО (следствие);

ПП3=ECЛИ (причина), ТО (следствие);

ПП4=ЕСЛИ (посылка), ТО (заключение).

С точки структурно-синтаксических особенностей формирования были выделены четыре типа продукционных правил: простое, составное, фокусирующее, разветвляющееся.

• 1. Простое продукционное правило— это правило, имеющее единственное условие и единственное действие.
• 2. Составное продукционное правило — это правило, имеющее множество и условий и действий.
• 3. Фокусирующее продукционное правило имеет множество условий и одно действие.
• 4. Разветвляющееся продукционное правило имеет одно условие и множество действий.

Построение правил методом упорядочивания

Существует несколько алгоритмов для логических преобразований данных, далее приведены четыре из них:

• 1. Оптимизационный алгоритм. Из всех примеров строится оптимальное дерево решений. Консультант, работая с таким правилом, будет достигать решение кратчайшим путем, не задавая лишних вопросов.
• 2. Алгоритм слева — направо. Когда порядок вопросов не устраивает, то используется этот алгоритм.
• 3. Алгоритм настройки. Позволяет напрямую создавать правила, делая их очень сложными или использовать имеющиеся.
• 4. Алгоритм сравнения. Используется для задач, не имеющих простых правил.

Чтобы наиболее четко отразить весь процесс диагностики и учесть все возможные вопросы, а также их порядок, был использован метод упорядочивания, т. е. алгоритм слева — направо.

Построение дерева решений задачи «ИС поддержки принятий решений при эксплуатации трубопровода»

Важным этапом при создании базы знаний является этап приобретения знаний. На этом этапе разнообразный набор фактов о предметной области должен быть представлен в виде некоторой обобщенной структуры. Одной из них является структура, получившая название «дерево решений».

Деревья принятия решений обычно используются для решения задач классификации данных. Ситуация, в которой стоит применять деревья принятия решений, обычно выглядит так: есть много случаев, каждый из которых описывается некоторым конечным набором дискретных атрибутов, и в каждом из случаев дано значение некоторой (неизвестной) функции, зависящей от этих атрибутов. Задача — создать достаточно экономичную конструкцию, которая бы описывала эту функцию и позволяла классифицировать новые, поступающие извне данные.

Дерево принятия решений — это дерево, на ребрах которого записаны атрибуты, от которых зависит целевая функция, в листьях записаны значения целевой функции, а в остальных узлах — атрибуты, по которым различаются случаи.

Чтобы классифицировать новый случай, надо спуститься по дереву до листа и выдать соответствующее значение.

Алгоритмы построения дерева

Общая схема построения дерева принятия решений по тестовым примерам выглядит следующим образом:

• § Выбирается очередной атрибут Q, он помещается в корень.
• § Для всех его значений i:
• § Оставляются из тестовых примеров только те, у которых значение атрибута Q равно i
• § Рекурсивно строится дерево в этом потомке

Есть различные способы выбирать очередной атрибут:

• § Алгоритм ID3
• § Алгоритм ID3 с выбором атрибута с помощью GainRatio
• § Алгоритм ID3 с выбором атрибута с помощью индекса Гини.

Алгоритм ID3 — один из алгоритмов для построения дерева принятия решений. Разработан Джоном Р. Квинланом (англ.John R. Quinlan).

В общем, алгоритм ID3 следующий:

• 1. Взять все неиспользованные признаки и посчитать их энтропию относительно тестовых образцов;
• 2. Выбрать признак, для которого энтропия минимальна (а информационная выгода соответственно максимальна);
• 3. Сделать узел дерева, содержащий этот признак.

Алгоритм ID3(Таблица примеров, Целевой признак, Признаки).

• 1. Если все примеры положительны, то возвратить узел с меткой «+».
• 2. Если все примеры отрицательны, то возвратить узел с меткой «-».
• 3. Если множество признаков пустое, то возвратить узел с меткой, которая больше других встречается в значениях целевого признака в примерах.
• 4. Иначе:
• 4.1. A — признак, который лучше всего классифицирует примеры (с максимальной информационной выгодой).
• 4.2. Создать корень дерева решения; признаком в корне будет являться A.
• 4.3. Для каждого возможного значения A (vi):
• 4.3.1. Добавить новую ветвь дерева ниже корня с узлом со значением A=vi
• 4.3.2. Выделить подмножество Examples (vi)примеров, у которых A=vi.
• 4.3.3. Если подмножество примеров пусто, то ниже этой новой ветви добавить узел с меткой, которая больше других встречается в значениях целевого признака в примерах.
• 4.3.4. Иначе, ниже этой новой ветви добавить поддерево, вызывая рекурсивно ID3 (Examples (vi), Целевой признак, Признаки)
• 5. Возвратить корень.

На практике в результате работы этих алгоритмов часто получаются слишком детализированные деревья, которые при их дальнейшем применении дают много ошибок. Это связано с явлением переобучения.

Другой критерий GainRatio учитывает не только количество информации, требуемое для записи результата, но и количество информации для разделения по текущему атрибуту.

Ещё один часто используемый критерий — так называемый индекс Гини. Индекс Гини отчасти компенсирует уклон критерия прироста информации в сторону выбора самых «развесистых» атрибутов. Однако в остальном они очень похожи (индекс Гини и критерий прироста информации не согласуются только на приблизительно 2% возможных случаев).

Итак, дерево решений — это один из простейших способов представления фактов и его применение ограниченно. Вместе с тем, использование дерева решений может быть эффективно там, где знания представляются в виде правил.

Это показывает, как знания о конкретной предметной области могут быть формализованы до уровня структуры базы знаний Интеллектуальной системы.

Рис. Фрагмент дерева решений (начало)

Структура дерева решений иллюстрирует отношения, которые должны быть установлены между правилами с хорошо организованной базой знаний.

На Рисунке16частично представлено дерево решений. На рисунке 17 представлено продолжение фрагмента дерева решений. На рисунке 18 представлено окончание фрагмента дерева решений. Другие части дерева решений продемонстрированы на рисунках19 и 20.

Рис. Фрагмент дерева решений (начало)

Таблица 15- Значения факторов (продолжение)

Концептуальная модель базы знаний

Концептуальной моделью (схемой) данных обычно называют абстрактное описание фрагмента реальной действительности, которое получается в результате выделения свойственных этому фрагменту понятий, указания их атрибутов и возможных связей. Концептуальной моделью описывается структура данных, подлежащих накоплению в базе знаний.

Модель базы знаний включает описание проблемной среды и знания о порядке решения задачи. Описание проблемной среды состоит из описания факторов и правил вывода. Факты используются для описания состояний предметной среды.

В результате проведенных преобразований примеров в правила «ЕСЛИ…ТО» были получены правила, которые обеспечивают единообразие представления в БЗ, что облегчает их понимание человеком. На рисунке 21 представлена разработанная структура концептуальной базы знаний, которая содержит множество исходных фактов, отображающих постановку решаемой задачи и правила.

Таким образом, представленная структура базы знаний отображает совокупность всех имеющихся сведений о предметной области. Структура базы знаний записана с помощью набора продукционных правил.

Рис. Концептуальная структура базы знаний

3. Выбор и обоснование механизма логического вывода

Механизм логического вывода (МВЛ)выполняет следующие функции:

• 1. формирование и обработка активных фактов конкретной ситуации;
• 2. определение порядка выбора и применения фактов и правил.

МЛВ можно представить в виде четырех последовательных процессов:

• 1. выбор активных правил и фактов;
• 2. сопоставление (определение, какие правила выполнять в первую очередь);
• 3. разрешение конфликтов;
• 4. выполнение выбранного обозначенного правила (действия).

Исходя из построенной продукционной базы знаний, выбирается та стратегия, которая применяется в продукционных системах. По способу проведения рассуждений при выводе, то есть способу направления поиска решения (по способу применения продукционных правил) выделяют три вида, два уникальных, а один является комбинированием первых двух:

• 1. Прямой поиск — поиск от данных к цели. Прямой порядок вывода строится от активных фактов к заключению, то есть по известным фактам отыскивается заключение, которое из этих фактов следует.
• 2. Обратный поиск — поиск от цели к данным. При обратном порядке вывода заключения просматриваются последовательно до тех пор, пока не будут обнаружены факты конкретной ситуации, подтверждающие какое либо из заключений, т. е. путем подбора подходящих фактов под имеющееся заключение. Управление прямым выводом осуществляется проще, чем управление обратным выводом.
• 3. Комбинированный (циклический) поиск — совокупность прямого и обратного поиска. В некоторых ИС вывод основывается на сочетании вышеприведенных подходов — обратного и ограниченного прямого. Такой комбинированный метод получил название циклического или комбинированного поиска.

ВИС, базазнанийкоторойнасчитываетсотниправилвозникаетнеобходимостьиспользованиянекоторойстратегииуправлениявыводом, позволяющейструктурироватьпроцессвыводаиминимизироватьвремяпоискарешения.

К числу таких стратегий относятся:

• 1. Поиск в глубину. Идея поиска в глубину состоит в том, что при выборе очередной подцели в пространстве состояний предпочтение стремятся отдать той, которая соответствует следующему, более детальному, уровню описания задачи.
• 2. Поиск в ширину. В противоположность поиску в глубину стратегия поиска в ширину предусматривает переход в первую очередь к подцели того же уровня. Например, при поиске в глубину ИС, сделав на основе известных симптомов предположение о наличии определенного аварийной ситуации, будет продолжать запрашивать уточняющие признаки и симптомы этой аварии до тех пор, пока полностью не отвергнет выдвинутую гипотезу. При поиске в ширину, напротив, система в начале проанализирует все симптомы, находящиеся на одном уровне пространства состояний, даже если они относятся к разным аварийной ситуациим, и лишь затем перейдет к симптомам следующего уровня детальности.
• 3. Разбиение на подзадачи. Стратегия разбиение на подзадачи состоит в том, что в исходной задаче выделяют подзадачи, решение которых рассматривается как достижение промежуточных целей на пути к конечной цели. Такая стратегия хорошо зарекомендовала себя других диагностических медицинских ИС. Вначале выявляется подсистема органов с заболеванием (например, эндокринная система), затем на следующем уровне уточняется (например, поражение щитовидной железы) и на последнем шаге выдается причина неисправности (например, недостаток микроэлемента йод).
• 4. Альфа-бета алгоритм. Задача сводится к уменьшению пространства состояний путем удаления в нем ветвей, не перспективных для поиска успешного решения. Поэтому просматриваются только те вершины, в которые можно попасть в результате следующего шага, после чего неперспективные направления исключаются из дальнейшего рассмотрения. Например, если необходимо найти заболевание роговицы, то его не следует искать среди заболеваний поражающих исключительно конъюнктиву. Данный подход используется для повышения эффективности поиска решений в продукционных системах.

Для построения механизма логического вывода в случае Интеллектуальной системы поддержки принятия решения при эксплуатации трубопровода будет использоваться комбинированный способ поиска. Выбор комбинированного способа обосновывается тем, что база знаний — иерархическая и необходим возврат из поддеревьев на основное дерево. Поэтому необходимо использование прямого и обратного механизма логического вывода одновременно.

Стратегия комбинированного вывода должна на основе использования данных и правил привести к правильному заключению. Суть ее состоит в том, что задается последовательность вопросов, построенных таким образом, что каждый из них позволяет отбросить большую группу потенциальных ответов, а в случае если ответ не найден, происходит возврат на правило, которое определяет ответ. Так происходит до тех пор, пока не останется один определенный ответ.

Алгоритм комбинированного логического вывода

В результате выбранного комбинированного способа поиска решений алгоритм функционирования такой ИС будет иметь следующий вид (Рис. 22):

Блок-схема алгоритма доказательства локальной цели представлена на рисунке24.

Рис. 24. Блок-схема алгоритма доказательства локальной цели

Инструкция пользователю и контрольный пример программной реализации Интеллектуальной системы поддержки принятия решения при эксплуатации трубопровода Для работы с приложением необходимо запустить файл KPO-Tube.exe При запуске этого файла на экране появится основное рабочее окно приложения, данное окно представлено на рисунке 25.

Рис. 25. Главная форма

После нажатия на кнопку группы данных пользователь переходит в форму заполнения группы данных. Для исключения ошибки введения формы снабжены списками значений данных.

После нажатия на кнопку «Произвести обработку данных» пользователь переходит в форму заполнения группы данных. (Рис. 26).

Рис. 26. Форма ввода данных «Данные по трубопроводу»

Блок «входные данные» объединяет кнопки, при нажатии на которые можно перейти к заполнению той или иной группы данных:

• 1. Данные по трубопроводу (Рис. 27)
• 2. Тип поражения (Рис. 28)
• 3. Стадия аварийной ситуации (Рис. 29)
• 4. Род возбудителя (Рис. 30)

Рис. Форма ввода данных (Тип поражения)

Рис. Форма ввода данных (Стадия аварийной ситуации)

Рис. Форма ввода данных (Род возбудителя)

После введения всех имеющихся данных пользователь может перейти к постановке алгоритма ремонтных работ с помощью нажатия кнопки «Постановка алгоритма ремонтных работ». При нажатии этой кнопки открывается окно, на которое выводится ориентировочный диагноз (Рис. 30). Из окна «Обработка данных» можно перейти в окно «Далее», на которое выводятся непосредственно те рекомендации, которые относятся к поставленному диагнозу (Рис. 34).

Рис. Форма «Произвести обработку данных»

Рис. Форма «Рекомендации по исследованиям»

Разработанный графический интерфейс пользователя позволяет выбирать помимо основных пунктов меню дополнительные. Действия могут выполняться либо при помощи мыши, либо нажатием клавиш на клавиатуре. Для удобства пользователя программа снабжена кнопками, открывающими окно «О программе», содержащим краткую информацию о программе.

Рис. Форма «О программе»

Список источников информации

• 1. Гаврилова Т., Хорошевский В. Базы знаний интеллектуальных систем: Учебник для вузов. — СПб.: Питер, 2000 г.
• 2. Герман О. В.

  Введение

  в теорию экспертных систем и обработку знаний. — Минск.: ДизайнПРО, 1995. — 256с.

• 3. Голенков В. В., Емельянов В. В., Тарасов В. Б. Виртуальные кафедры и интеллектуальные обучающие системы // Новости искусственного интеллекта. — 2001. — N 4. — С. 3−13.
• 4. Люгер Д. Ф. Искусственный интеллект: стратегии и методы решения сложных проблем, 4-е издание.: Пер. с англ. — М.: Издательский дом «Вильямс», 2003. — 864c. [п. 2.1.5., стр. 122]
• 5. Попов Э. В., Фоминых И. Б., Кисель Е. Б., Шапот М. Д. Статические и динамические Интеллектуальные системы. М.: Финансы и статистика, 1996.
• 6. Попов Э. В. Интеллектуальные системы. Решение неформализованных задач в диалоге с ЭВМ.- М.: Наука, 1987. — 288с. [п. 2.2.1., стр. 140]
• 7. Рассел С., Норвиг П. Искусственный интеллект: современный подходМ.: Вильямс, 2006 г.
• 8. Таунсенд К., Фохт Д. Проектирование и программная реализация экспертных систем на персональных ЭВМ. -М.: Финансы и статистика, 1990. -320с.
• 9. Фомичева О. Е., Харахан О. Г. учебное пособие по дисциплине «Системы искусственного интеллекта».
• 10. Фомичева О. Е., Харахан О. Г. учебное пособие «Проектирование информационных систем».
• 11. Кански, Д. Клиническая офтальмология: системный подход. Пер. с англ./ Д. Кански. — М.: Логосфера, 206. — 744 с.

Аннотация

Данная работа посвящена разработке Интеллектуальной системы диагностики повреждения трубопровода.

Работа состоит из трех основных частей. Первая часть включает описание организации, для которой разрабатывается система, ее организационную структуру, вербальное описание и анализ процессов диагностики повреждений трубопровода. Также приводится обобщенная структура системы, обоснование актуальности разработки и постановка задачи.

Вторая часть посвящена разработке модели продукционной базы знаний для Интеллектуальной системы. В ней приводится обзор методов представления знаний и выбор оптимального для описываемой системы, приводится описание создания базы знаний и описание разработки механизма логического вывода.

This work is devoted to the development of diagnostic expert system of pipeline damage.

The paper consists of three main parts. The first part includes a description of the organization for which the expert system is developed, its organizational structure, verbal description and analysis of the process of eye diseases diagnosis. It also summarizes the structure of the system, includes the rationale for the relevance of the development and formulation of the problem.

The second part is devoted to developing a model of a product knowledge base for expert system. It provides an overview of the methods of knowledge representation, a description of a knowledge base, and a description of the development of inference engine. The third part covers the economic issues of implementation of the expert system diagnostics and includes a description of the project concept, the definition phase of the project life cycle.