«Технологии искусственного интеллекта в асутп»

Р Е Ф Е Р А Т

Материал содержит результаты аналитических исследований по проблеме использования технологий построения интеллектуализированных компонентов современных АСУТП и включает:

- анализ перспектив использования экспертных систем реального времени (ЭСРВ) консультативного, диагностического и управляющего типов в человеко-машинных и автоматических контурах АСУТП;

- исследование основных направлений развития индустрии инструментальных программных средств искусственного интеллекта в области синтеза ЭСРВ;

- анализ опыта эксплуатации ведущих инструментальных средств разработки ЭСРВ.

Оглавление

Р Е Ф Е Р А Т 5

СПИСОК СОКРАЩЕНИЙ 5

1. Сферы применения экспертных систем реального времени (эсрв) в задачах асутп 6

2. Промышленные внедрения эсрв в асутп 18

2.1. Микро-ЭСРВ интеллектуальных оконечных устройств 19

2.2. Применение ЭСРВ в контроллерном слое АСУТП 36

2.3. ЭСРВ верхнего уровня АСУТП 50

2.4. Использование ЭСРВ в комплексных решениях 93

3. Инструментальные средства синтеза эсрв 134

3.1. Среды разработки и эксплуатации ЭСРВ 143

3.1.3.1. Язык представления знаний АБИС 186

3.2. Разработка ЭСРВ на базе универсальных языков высокого уровня 203

ЗАКЛЮЧЕНИЕ 226

Список литературы 236

Список сокращений

АРМ – автоматизированное рабочее место

АСУ – автоматизированная система управления

АСУП – автоматизированная система управления производством

АСУТП – автоматизированная система управления технологическим процессом

БД – база данных

БЗ – база знаний

ИД – интеллектуальные датчик

ИИ – искусственный интеллект

ИП – интеллектуальное предприятие

ИПр – интеллектуальное производство

ЛВС – локальная вычислительная сеть

ОС – операционная система

ОСРВ – операционная система реального времени

ПО – программное обеспечение

ППО – прикладное программное обеспечение

ПОРС – программное обеспечение рабочей станции

ПОС – программное обеспечение сервера

ПТК – программно-технический комплекс

РПО – рабочее программное обеспечение

РФСС – расширенные функционально-семантические сети

САПР – система автоматизированного проектирования

СПО – системное программное обеспечение

СВБУ – система верхнего (блочного) уровня

СУБД – система управления базой данных

ТОУ – технологический объект управления

ЭС – экспертная система

ЭСРВ – экспертная система реального времени

ЭСУ – экспертная система управления

ЯВУ – язык высокого уровня

ЯИЗ – язык инженерии знаний

1. Сферы применения экспертных систем реального времени (эсрв) в задачах асутп

Современный этап распространения концепций искусственного интеллекта (ИИ) в области АСУТП может быть охарактеризован как период быстрого роста сфер приложения интеллектуальных систем и технологий на всех уровнях системотехнической организации. Среди наиболее актуальных и быстро развивающихся в последнее время направлений исследований, связанных с использованием ИИ в АСУТП следует выделить:

1) в области внедрения «интеллектуального» аппаратного обеспечения различного функционального профиля и уровня специализации:

- применение «интеллектуальных» устройств (агрегатов, комплексов) локального измерения, контроля, управления, диагностики, сигнализации и т.п., а также интегрированных сетей и систем на их базе;

- построение «интеллектуальных» промышленных сетей (интеллектуальные коммуникационные устройства, средства интеллектуальной динамической реконфигурации сетей, самодиагностики, оптимизации);

- применение нейро- и fuzzy-контроллеров, процессоров, iPC и т.п.;

- применение специализированных ЭВМ промышленного исполнения и отдельных аппаратных компонентов, поддерживающих реализацию функций ИИ на верхнем уровне АСУТП, среди которых (с разделением по тематическим направлениям) могут быть особо отмечены:

• спец-ЭВМ с аппаратной поддержкой языков высокого уровня, часто используемых в задачах обработки знаний (Prolog, Lisp, РЕФАЛ и др.), в том числе - специализированных языков инженерии знаний (OPS, KL-x и др.);

• вычислительные средства поддержки высокоэффективной обработки (в первую очередь – параллельной и распределенной) специализированных, характерных для интеллектуальных систем классов моделей данных и знаний (как функционально-логической типизации – продукционных, семантических сетевых, семиотических, объектно-ориентированных, ассоциативных, эволюционных и т.п., так и структурной типизации – графовых, древесных, мультисписочных и т.п.), а также поддержки соответствующих классов алгоритмических задач (быстрого многофакторного поиска, логического вывода, хеширования, нахождения проекций и подобий графов и т.д.). Данные направления часто объединяют единым термином – «машины баз знаний». Следует также отметить, что большинство наиболее «популярных» на сегодняшний день направлений исследований в области суперкомпьютерных технологий (включая универсальные – такие, как однородные вычислительные структуры, систолические структуры, асинхронные вычислительные системы, апериодическая схемотехника, ассоциативные параллельные системы, мультипроцессорные архитектуры, машины «потоков данных» и т.д., и т.п.) традиционно связываются с теми или иными методами «интеллектуальной» обработки данных и знаний (или, по крайней мере, с быстрым решением традиционных задач обработки данных, являющихся «критическим моментом» в эффективной реализации функций ИИ), что делает практически любые классы супер-ЭВМ естественной потенциальной аппаратной базой для построения интеллектуальных систем;

- применение устройств поддержки «интеллектуального» человеко-машинного интерфейса;

2) в области внедрения моделей и методов «интеллектуального» решения базовых задач автоматизации:

- использование методов интеллектуальной адаптации в задачах первичной фильтрации и восстановления данных, парирования сбоев и отказов, динамической диагностики оконечных устройств и каналов передачи данных и т.п.;

- использование методов управления в гибридных системах с элементами ИИ;

- применение методов машинного обучения в задачах диагностики, контроля, идентификации, «интеллектуального» мониторинга и др.;

- использование современных методов теории автоматического распознавания в задачах идентификации, фильтрации, восстановления информации и др.;

- применение методов нечеткого управления;

- применение методов, базирующихся на нейросетевом подходе;

- применение концепций ситуационного управления;

- использование генетических и эволюционных алгоритмов в задачах динамического планирования, прогнозирования, диагностики и др.;

- применение формально-логических методов (теории рассуждений, принятия решений и др.) в задачах поддержки оперативного автоматизированного (диспетчерского) мониторинга, управления, диагностики и др.;

- применение методов автоматизации глубинного анализа данных и выявления (с последующим использованием) знаний (Data Mining) в контурах АСУТП и АСУП;

3) в области внедрения «интеллектуальных» программных средств и технологий, используемых (на уровне АСУТП) на фазе эксплуатации системы:

- использование диагностических, консультативных и управляющих экспертных систем (ЭС) реального времени (ЭСРВ) в автоматическом и полуавтоматическом режимах работы;

- применение мультиагентных интеллектуальных систем различной конфигурации в распределенных АСУТП и АСУП;

- использование оперативно-советующих подсистем (подсистем поддержки принятия решений) на операторских станциях;

- использование систем поддержки интеллектуального человеко-машинного интерфейса (речевого, текстографического и т.д.);

- разработка специализированных операционных систем (включая системы реального времени), ориентированных на реализацию функций ИИ и решение интеллектуальных задач (например, проект AIOS, интеллектуальные кластерные ОС и др. аналогичные);

4) в области интеграции средств АСУТП с системами верхних уровней управления:

- применение интеллектуализированных MES-, EAM- и др. подклассов систем уровня АСУП, способных оперативно взаимодействовать с компонентами АСУТП;

- интеграция интеллектуальных оперативно-советующих, диагностических, управляющих и консультативных подсистем АСУТП (на уровне поддержки диспетчерского управления) с корпоративными базами знаний и хранилищами данных уровня АСУП (включая использование интеллектуальных подсистем ретроспективного анализа технологических процессов и состояния технических средств, применение интеллектуальных банков моделей технологических процессов, интеллектуализацию OLAP-сервисов и т.п.);

- создание интегрированных «интеллектуальных» систем, включающих компоненты АСУТП и АСУП (например, концепции «Plant Intelligence» и подобные), как централизованной, так и децентрализованной функциональной архитектуры;

- интеграция ЭС и ЭСРВ уровня АСУТП с корпоративными информационными системами различных классов;

5) в сфере разработки инструментальных средств синтеза АСУТП (включая интеллектуальные):

- создание интеллектуальных САПР АСУТП, а также интегрированных сред разработки и эксплуатации интеллектуальных АСУТП;

- создание специализированных языков инженерии знаний для использования в задачах АСУТП;

- создание «интеллектуальных» надстроек для традиционных систем программирования, используемых в АСУТП.

Приведенный перечень, безусловно, не исчерпывает всех связанных с тематикой АСУТП разделов современной теории ИИ, в которых в настоящее время наблюдаются практические сдвиги. Достаточно самостоятельными областями приложения концепций ИИ являются и сфера интеллектуализации автоматизированного проектирования АСУТП в части CASE-технологий, и сфера развития интеллектуальных технологий корпоративного комплексного анализа и мониторинга производственной деятельности, и CALS-технологии, и самообучающиеся инструментальные системы, и «аккумуляторы технологических знаний», и «семантический Web» в больших распределенных производственных системах, и целый ряд других направлений. Однако, наиболее заметными и значимыми (в смысле широкого прикладного применения) все же представляются направления исследований, перечисленные выше в пп.1-5. При этом в рамках каждого из направлений выделены лишь наиболее показательные их представители.

Как было отмечено во Введении, основными предметами рассмотрения в рамках настоящей НИР стали проблемы и перспективы использования и разработки только одного из классов интеллектуальных систем – ЭСРВ.

Тематика ЭСРВ в общей проблематике ИИ является относительно молодым направлением исследований (данный подкласс ЭС получил распространение в начале 80-х гг.). Здесь следует отметить, что всегда существовал (и существует) ряд объективных проблем, препятствующих более широкому распространению технологий ЭС в АСУТП. На рубеже 90-х гг. на основании широкомасштабных исследований были сделаны выводы о том, что приоритетность данных проблем оценивается аналитиками приблизительно следующим образом: отсутствие квалифицированных инженеров по знаниям и разработчиков ЭС (более 20%); неприемлемые затраты на разработку и внедрение ЭС (около 20%); малая совместимость ЭС с другими компонентами гибридных систем, а также с аппаратным и программным окружением (около 20%); недостаточные эффективность и надежность (более 15%); трудности в сопровождении и модификации (более 10%); сложности в формализации знаний (около 5%) и неудобства в общении с человеком-оператором (2-3%). При использовании ЭС в системах реального времени перечисленные проблемы усугубляются. Кроме того, открываются и качественно новые трудности, непосредственно связанные с самой спецификой работы системы в реальном масштабе времени (моделируемость поведения во времени, достижимость результатов на текущих ограничениях, конкуренция ветвей логических выводов, «динамика знаний» и многие др.). Появление ЭСРВ повлекло за собой формирование целого ряда областей научных и практических разработок, связанных исключительно с проблемами организации обработки знаний в реальном масштабе времени и соответствующими методологиями проектирования интеллектуальных систем данного класса. На сегодняшний день указанное общее направление исследований является чрезвычайно широким и сильно связанным со множеством смежных областей в рамках теории ИИ и других разделах информатики и кибернетики. Поэтому предмет рассмотрения в контексте настоящей НИР был определен с учетом следующих тематических ограничений:

• вопросы, связанные со специализированной аппаратной поддержкой прикладных ЭСРВ, а также с интеграцией ЭСРВ в целевые программные среды, непосредственно не рассматривались;

• методологии проектирования ЭСРВ анализировались лишь с технологической точки зрения – рассматривались, в основном, инструментальные средства поддержки проектирования и обобщенная архитектура ЭС (выбор общих подходов к синтезу, методы непосредственной разработки моделей знаний и соответствующих механизмов логического вывода ЭСРВ и проч. не входили в исследуемый круг вопросов);

• основное внимание уделялось технологиям и средствам разработки ЭСРВ универсального профиля (как в плане предметных областей, так и в плане отсутствия необходимости в применении специализированной аппаратной поддержки);

• в качестве основных предметов исследования были приняты подклассы ЭСРВ со статическими (на уровне интенсиональных моделей) базами знаний. Соответственно, классы интеллектуальных систем реального времени, поддерживающие (на фазе эксплуатации системы) процессы динамического самообучения, автоматического извлечения знаний из данных и т.п., были практически вынесены за рамки рассмотрения;

• в ходе анализа наиболее показательных примеров внедрения и технологий разработки ЭСРВ акцент делался на подходы, предполагающие построение моделей знаний на базе априорного (на фазе проектирования) выявления и приобретения знаний, непосредственными источниками которых являются эксперты в предметной области.

В настоящее время общепринятое содержательное определение и формальное описание классов задач, имеющих «интеллектуальную» природу, отсутствует (как и определения понятий «искусственный интеллект», «интеллектуальная система» и др.). Наиболее часто используются 10-15 формулировок (среди их авторов – Ляпунов, Винер, Саридис, Робинсон, Поспелов и многие др.). В самой обобщенной форме круг задач, традиционно решаемых с использованием интеллектуальных систем (любого вида, включая ЭС), был охарактеризован Ньюэллом и Саймоном как класс трудно формализуемых задач, к которым принято относить: 1) задачи, не представимые в численной форме; 2) задачи, не имеющие строго определенной целевой функции; 3) задачи, для которых не известен или не реализуем (с требуемыми показателями качества и ресурсными ограничениями) алгоритм решения.

В значительном количестве источников понятие «трудно формализуемых» задач дополняется также характеристиками неопределенности обрабатываемой информации (неполнота, неточность, ошибочность, противоречивость, недостоверность, необъективность и т.п.). Но, несмотря на все часто используемые в технической литературе уточнения и расширения понятия «трудно формализуемых задач», определение таких категорий, как «интеллектуальная система», «система, основанная на знаниях» и многих др. принципиально не могут быть сформулированы на основании целевых характеристик функционирования системы (т.е. характеристик постановочных задач и общего «предназначения»). Не считаются достаточно эффективными и альтернативные классификационные линии, в основе которых лежат понятия «интеллектуальной деятельности», «неформальной логики», «жизненного подобия» и др., а также (что особенно важно для класса ЭС) «знаний» (т.е., категорий, характеризующих скорее не системные цели, а способы и средства их достижения). Относительно определения последнего понятия («знания») в настоящей работе принят достаточно традиционный подход (широко освещенный в научной литературе), констатирующий на качественном уровне специфику знаний (как подкласса данных) в виде перечня возможных обобщенных признаков (свойств), отличающих знания от прочих программно обрабатываемых данных – свойств внутренней интерпретируемости, сложной структуризации и типизации (на базе таких теоретико-множественных и классификационных отношений между объектами, структурами и типами, как «часть – целое», «тип – подтип», «общее – частное», «абстрактное – конкретное», «предок – потомок» и т.п.), многосвязности (возможности наличия значительного количества разнотипных отношений связи между объектами и типами – структурных, функциональных, причинно-следственных, семантических и т.д.), семантической метричности (наличия семантических соотношений тождественности, подобия, различия, ассоциативности, контекстной зависимости и т.п.) и активности (способности к генерации новых данных и знаний, к управлению способами собственной обработки и т.п.). Соответственно, в контексте настоящей НИР под термином «ЭСРВ» будет пониматься подкласс систем реального времени, оперирующий не только данными, но и знаниями, источником которых исходно являются специалисты в выбранной предметной области. В общем случае степень участия специалиста в формирования моделей знаний ЭС строго не оговаривается, что дает основания относить к данному классу интеллектуальных систем и системы, способные к обучению, самообучению и самоорганизации (в подобных случаях предметом знаний, вносимых в систему экспертом может являться «знание о способах обучения», о примерах проблемных ситуаций, об общих схемах поведения, о методах системной организации и т.п.). Однако, с учетом сформулированных тематических ограничений, последняя категория ЭС в настоящей работе детально не рассматривалась.

Как видно из приведенных определений, обобщенная характеристика функционального предназначения интеллектуальных систем (в т.ч. ЭС) не позволяет даже на качественном уровне точно определить подклассы АСУТП, типовые задачи и обобщенные проблемные области, в которых применение ИИ исходно может считаться целесообразным. Т.е., в каждом конкретном случае вопрос об эффективности включения ЭС в структуру АСУТП должен рассматриваться отдельно. Любые виды неопределенности модели технологического процесса или условий его реализации, сложность или неэффективность решения традиционными методами типовых задач наблюдения, идентификации, управления и др. в любой из подсистем АСУ, необходимость учета человеческого фактора, и многие другие обстоятельства могут стать причиной появления необходимости в использовании интеллектуальных систем и технологий в конкретной проектной задаче. В связи с этим в настоящем отчете все аспекты внедрения ЭСРВ, непосредственно связанные с их функциональной ориентацией, рассматриваются, в основном, на практических примерах (без каких-либо предметных обобщений и выводов).

В целом, постановка задачи анализа возможных сфер применения ЭСРВ в АСУТП в общем случае подразумевает исследование самых разнообразных аспектов данной проблемы – предметных характеристик функциональных задач автоматизации, которые могут эффективно решаться с применением ЭСРВ, оптимальных подходов к внутренней организации ЭСРВ соответствующего профиля, механизмов интеграции интеллектуальных и неинтеллектуальных систем и подсистем в рамках единой АСУТП и т.д. Однако, настолько широкий охват исследуемых вопросов в рамках данной НИР не представляется возможным и целесообразным. Учитывая общую предметную направленность текущего этапа НИР и принятые ранее тематические ограничения, основное внимание в настоящем отчете было уделено анализу некоторых наиболее показательных примеров использования ЭСРВ, характеризующих различные (в качественном отношении) подходы к построению АСУТП с применением концепций ИИ. При этом акцент был сделан на исследовании достаточно универсальных (в плане областей использования, применяемых технологий разработки и внедрения, требуемой аппаратно-программной поддержки и др.) решений промышленного уровня.

Предваряя рассмотрение конкретных примеров внедрения ЭСРВ в практику построения современных АСУТП, можно сформулировать лишь ряд достаточно общих положений, характеризующих состояние данной проблемной области в целом на настоящий момент. При этом удобно систематизировать главенствующие тенденции развития индустрии ЭСРВ в АСУТП по связи внутрисистемной организации и обобщенной функциональности (прочие виды систематизации тяжело поддаются выявлению в силу значительного многообразия как самих предметных и проблемных областей, в которых используются ЭСРВ, так и подходов к их построению, реализации, внедрению и организации эксплуатации).

Весьма условное (в силу обычной комбинированной природы базовых задач автоматизации, а также с поправкой на естественную неполноту и недостоверность информации) распределение объемов внедрения по наиболее характерным классам обобщенных задач, возлагаемых на ЭС и ЭСРВ в АСУТП, оценивается различными специалистами приблизительно следующим образом:

1. задачи диагностики и прогнозирования – 30-40%;

2. задачи контроля и управления – 25-35%;

3. задачи первичной обработки информации (наблюдение, фильтрация, идентификация, восстановление и т.п.) – 10-15%;

4. задачи поддержки принятия решений – 5-10%;

5. задачи планирования – менее 5%;

6. прочие – менее 5%.

Следует сразу отметить, что при формировании приведенного перечня не рассматривались постановки соответствующих задач, относящиеся к уровню АСУП или к комплексным решениям широкого функционального профиля (т.е., учитывалась лишь номенклатура базовых функциональных задач уровня АСУТП).

Распределение количеств внедряемых прикладных разработок по тому же перечню задач в целом может считаться аналогичным приведенному выше (по порядку следования мест в списке) за исключением задач первичной обработки информации «интеллектуальным» низовым оборудованием (группа 3), которые, естественно, занимают в данном случае первую позицию соответствующего рейтинга. Это обстоятельство объясняется самой природой постановок задач: решения для задач 1-ой и 2-ой групп (лидирующих в приведенном списке) являются, как правило, намного более масштабными, сложнее локализуются и интегрируются с целевым окружением, требуют значительно больших трудозатрат и тяжелее поддаются тиражированию (кроме того, в подавляющем числе случаев заказчиками приобретается «не только решение, но и инструмент»). Задачи же 3-ей группы присутствуют, практически, в каждом крупном проекте автоматизации и часто эффективно решаются на базе серийных, аппаратно реализуемых систем и средств. Задачи 4-ой группы по сложности и «стоимости» решения близки к задачам групп 1 и 2, но менее распространены. 5-я группа задач считается (в среднем) весьма сложной и затратной (сопоставимой с группами 1 и 2), но в «чистой» постановке встречается намного реже прочих.

В плане интегральной сложности решений лидером принято считать задачи автоматического интеллектуального управления в реальном времени. Однако, основные определяющие комплексную сложность той или иной разработки факторы, как правило, непосредственно связаны со спецификой предметной области и, соответственно, не имеют прямого отношения к типу постановки проектной задачи.

По отношению к категории «реального времени» (а значит, и к непосредственно исследуемому классу ЭС - ЭСРВ) приведенный список типов задач требует определенных дополнительных комментариев:

• по самой природе постановок, важности (в смысле общесистемной «значимости» и целостности) и интегральной сложности решения наиболее критичными к временным ресурсам являются задачи контроля и управления (группа 2), особенно в случае их отработки в автоматическом режиме, и первичной обработки информации (группа 3);

• использование ЭС жесткого реального времени на полевом и микроконтроллерном уровнях АСУТП в подавляющем большинстве случаев сводится к решению задач распознавания и парирования внештатных ситуаций, первичной обработки данных на уровне интеллектуальных оконечных устройств и интеллектуальной реконфигурации;

• решение задач планирования, прогнозирования, диагностики и поддержки принятия решений (включая оперативно-советующие и консультативные подсистемы АСУТП на уровне операторских станций) ориентированы, как правило, на мягкое реальное время (исключения единичны);

• преобладающими подходами к преодолению «проблем реального времени» (применительно к интеллектуальным алгоритмам поведения системы или ее подсистем) являются: 1) параллельная декомпозиция «интеллектуальных» и обычных вычислительных процессов с соблюдением требований синхронизации в «опорных точках»; 2) временная избыточность в организации циклограмм решения вычислительных задач (формирование «разумных» запасов времени для гарантированного достижения целей логического вывода и т.п.); 3) аппаратное обособление интеллектуальных подсистем с выделением внутренних, независимых схем тактирования, планирования вычислений и т.п.; 4) иерархическое разделение интеллектуальных (верхний уровень) и обычных (нижние уровни) подсистем, ориентированное на срабатывание интеллектуальных алгоритмов только в случае неэффективности обычных схем реагирования или наличия возможности относительно медленного «осмысления ситуации»; 5) сведение функций интеллектуальных подсистем к варианту «интеллектуальных реле», при котором эвристические методы применяются «на фоне» протекания реальных процессов или имеют интегрирующие (накопительные) механизмы решения задач (непосредственная реализация интеллектуального алгоритма сводится к переключениям известных, неинтеллектуальных схем реагирования); 6) игнорирование временного фактора и ориентация на «высокоскоростную реализацию» ЭС, удовлетворяющую общесистемным временным ограничениям (иногда – в совокупности с внешними контролирующими подсистемами, блокирующими работу ЭС при возникновении конфликтов с аппаратно-программным окружением, превышениях допустимых норм потребления вычислительных ресурсов, при выявлении «тупиков» логического вывода и циклов «холостого хода», при изменениях поведения АСУ на верхних системных уровнях и т.п.). Данный перечень не исчерпывает всех исследуемых в области теории ЭСРВ подходов к решению соответствующих проблем. Тем не менее, перечисленные выше подходы можно считать наиболее часто используемыми на практике;

• применение ЭСРВ с динамическими базами знаний (БЗ) в практике АСУТП широкого распространения не получило (на фазе функционирования БЗ остаются статичными на интенсиональном уровне: динамика касается лишь исходных и промежуточных данных, но не знаний, априорно внесенных в систему).

Систематизировать особенности реализации базовых задач автоматизации (уровня АСУТП) с использованием ЭСРВ более полно и детально представляется достаточно затруднительным в рамках настоящего отчета, ввиду чрезвычайно широкого спектра приложений, сильно различающихся по областям применения, которые и определяют, в первую очередь, характер и специфику решения «проблем реального времени» в каждом конкретном случае.

С точки зрения привязки областей применения ЭСРВ к уровням общей системотехнической организации АСУТП и АСУП сопоставительный анализ внедрений приводит к следующим качественным выводам.

В современной индустрии ЭСРВ (применительно к области АСУТП и АСУП) наблюдается параллельное развитие ряда достаточно независимых тенденций:

- применение микро-ЭСРВ в качестве автономных интеллектуальных подсистем или в качестве составных элементов «интеллектуальных коллективов» подсистем (например, в мультиагентных архитектурах). Степень автономности при этом может меняться в довольно широких пределах – от «замкнутого» модуля, изолированно решающего локальную задачу, до микросистемы, «умеющей общаться» с многочисленными внешними подсистемами (в т.ч., «себеподобными») различных рангов иерархии и функциональной природы (в частности – с управляющими подсистемами микро- и макро-уровня, координирующими работу микро-ЭСРВ в составе некоторой интегрированной системы);

- применение (на уровне операторских станций и серверов данных) ЭСРВ «интегрирующего» типа в качестве централизованных решателей разноплановых интеллектуальных задач, возникающих в различных подсистемах единой распределенных АСУТП на различных уровнях иерархии управления;

- применение ЭСРВ MES- и EAM-уровней, взаимодействующих с компонентами различных уровней АСУТП (в т.ч., посредством интеллектуальных агентов в низовых подсистемах, которые можно считать подсистемами функционально целостной распределенной ЭСРВ).

На более высоких уровнях АСУП использование ЭСРВ, как правило, нецелесообразно (достаточно применения обычных ЭС). Однако, случаи применения ЭСРВ в качестве широкопрофильного «интеллектуального ядра» АСУП и АСУТП (вплоть до общекорпоративного уровня организации производства и эксплуатации) все же встречаются (в основном, в тех ситуациях, когда внедренная на уровне АСУТП интеллектуальная среда оказывается приемлемой платформой для решения дополнительных задач обработки знаний и данных на более высоких уровнях управления и может исключить необходимость в построении распределенных архитектур ЭС и их «сообществ» или в применении разнородных инструментальных средств поддержки синтеза и эксплуатации ЭС).

Помимо перечисленных ниш эксплуатации собственно ЭСРВ, необходимо отметить также стремительное развитие концепций консолидированного «интеллектуального производства». В основе этих концепций лежат разнотипные архитектуры интегрированных гетерогенных систем с элементами ИИ, которые способны единообразно поддерживать универсальные (или гибко, динамически самонастраивающиеся) интерфейсы для взаимодействия как интеллектуальных, так и обычных подсистем различной функциональности и внутренней организации. Причем, общая идеология построения подобных «макросистем» изначально учитывает необходимость поддержки работы отдельных системных компонентов в реальном масштабе времени (а соответственно, и возможность включения ЭСРВ в номенклатуру структурных единиц таких макросистем).

Резюмируя выше сказанное, можно отметить, что в настоящем параграфе были рассмотрены определения основных терминов предметной области, принятые в настоящей работе, сформулированы тематические ограничения, необходимые для конкретизации приоритетных предметов исследования, а также обобщенно проанализированы некоторые, наиболее показательные (в плане прикладного использования) тенденции развития индустрии интеллектуальных средств и технологий в области задач АСУТП и АСУП. Для класса ЭСРВ промышленного назначения (являющихся основным объектом исследований на текущем этапе НИР) также отдельно рассмотрены основные сферы практического применения, охарактеризованные на уровне базовых функциональных задач автоматизации, на уровне организации функционирования интеллектуальных систем и подсистем в реальном времени и на уровне позиционирования ЭСРВ различных типов в общей системотехнической иерархии средств АСУТП и АСУП.

Дальнейшее изложение материалов настоящего отчета построено следующим образом: глава 2 посвящена рассмотрению ряда показательных обобщенных сфер внедрения ЭСРВ с соответствующими примерами реализации «живых» проектов; в главе 3 анализируются основные тенденции в развитии индустрии инструментальных средств синтеза и поддержки эксплуатации ЭСРВ.