7.2. Стадии и этапы обработки

Интерактивные процедуры на граф-моделях можно разбить на

четыре стадии: построения первоначальной граф-модели; оценки

элементов (вершин и ребер) граф-модели; формализованной

обработки граф-модели; формирования эффективного множества

диагностических параметров.

Первоначальная стадия синтеза граф-модели может быть реализована

экспертом только вручную. В принципе она не связана

с другими стадиями синтеза собственно системы диагностирования,

так как реализующие систему программные средства отделены

от данных, строятся единожды, а модели —по мере расширения

классов объектов диагностирования. Однако включение этих

процедур в стадии синтеза помогает уяснить систему взаимодействия

средств распознавания с моделью и уточнить информационный

обмен между реализующими систему программами и

моделью.

Следующая стадия —оценка элементов граф-модели осуществляется

при помощи экспертного эксперимента (см. § 5.3).

Обработка результатов эксперимента производится на ЭВМ по

отдельным программам, не включенным в пакет ДОМПТОГРАМ.

Результаты работы экспертов представляют собой исходные

данные для получения достоверных оценок вершин —параметров

и ребер граф-модели и подготовки информации для создания

эффективного множества диагностических параметров.

Следующая стадия —стадия формализованной обработки исходной

информации, включает ряд автоматических и интерактивных

этапов, подготавливающих такой выбор. На данной стадии

осуществляется реализация алгоритмов 5.1, 5.4, 5.8 из главы 5.

Можно выделить три группы процедур, образующие следующие

этапы формализованной обработки исходных данных.

174

1 Этап —определение компонент достижимости p(XI) для

вершин, которыми шифруются дефекты или группы дефектов

структурных параметров е е ￡ . Такие вершины будем в дальнейшем

называть кодовыми для характеристики состояния. Компоненте

достижимости кодовой вершины инцидентны минимальные

маршруты р ( с м . § 5.1). Этот этап может реализоваться

автоматически организованными процедурами (программа

GRAF);

2 Этап —определение интервала и границ варьирования значений

критического расстояния как фактора, определяющего

дальность распространения влияния одной величины на другую

на графе, например, влияние неисправности на значение других

параметров, координаты гистограммы для обобщенного массива

расстояний маршрутов. Напомним, что ркр ограничивает ту область

на графе, в пределах которой распространяется существенное

взаимовлияние величин. Организация этого этапа также базируется

на автоматические процедуры (программа GIST);

3 Этап —уточнение (конкретизация) подходящего (допустимого)

значения критического расстояния ркр, а следовательно,

и границ усечения графа. Выделение рабочего графа для выбранного

допустимого значения критического расстояния ркр. Вычисление

оценок вершин Q; и %, дальнейшее уточнение

коэффициентов значимости факторов а, р и у с целью вычисления

показателя эффективности параметра-вершины Ф„Граф, выделенный

подобным образом, используется для анализа результатов

уточнения оценок вершин и проигрывания возможных вариантов.

Результат этого этапа существенно влияет на весь ход дальнейшего

решения задачи. Его целесообразно реализовать в

интерактивном режиме (программа PARA). Процедуры 3-го

этапа реализуют алгоритмы 5.4 и 5.8 по методике § 5.4, 5.6,

являющейся базовой. Так как практическое решение задачи

диагностирования требует привлечения достаточно гибкого алгоритма

исследования, дальнейшая формализация совершенствуется

и дополняется рядом алгоритмов и интерактивных

процедур.

Четвертая стадия —заключительная стадия обработки граф-

модели. Она реализует задачу формирования эффективного

множества диагностических параметров, включает подготовительную

процедуру построения общей таблицы покрытия (программа

MATI) и двухуровневую интерактивную процедуру

покрытия таблицы расстояний —ПОТАРА (программа POCR).

Ее первый уровень реализуется интерактивной процедурой дифференциального

диагностирования ДИДЕ (подпрограмма РОСТ

программы POCR), базирующейся на алгоритм 5.9 (§ 5.7), а

второй требует реализации специальной процедуры ≪тонкого≫

диагностирования (§ 7.5).

175

7.3. С ТА ДИ Я Ф ОР МА ЛИ ЗО ВА НН ОЙо бр аб от киг ра ф-м од ел и

7.3.1. В ыб орд оп ус ти мо го(п од хо дя ще го з на че ни я

к ри ти че ск ог о р ас ст оя ни я н а г ра фе Правильный выбор ркр во многом определяет результат решения

задач диагностирования, в первую очередь —определения

набора диагностических параметров. Это в свою очередь определяет

достоверность распознавания состояний, но требует проведения

тщательного исследования влияния вариаций значений

ркр на взаимовлияние параметров.

В гл. 5 приводились лишь общие соображения по выбору

р к Р без учета возможного его влияния на качество процесса

диагностирования, степени оптимальности выбранного значения.

Однако использование ЭВМ, особенно интерактивных процедур,

позволяет в каждом конкретном случае определить значение

ркр, достаточно близкое к оптимальному.

Принято считать, что возрастание ркр позволяет учесть слабые

взаимовлияния параметров, а уменьшение, упрощая граф,

существенно огрубляет модель.

Из сказанного вытекает, на первый взгляд, логическое и справедливое

соображение: чем меньше ограничений, т. е. чем больше

ркр, тем более слабые взаимовлияния величин учитываются,

описание объекта становится более подробным и повышается дос-

товерность диагностирования. В пользу уменьшения ркр говорит

лишь упомянутое выше стремление упростить задачу, отбрасывая

несущественные связи вершин графа, расстояние до которых превышает

ркр, таким образом, огрубляя модель.

Однако такие рассуждения упрощенны и прямолинейны и не

учитывают всей противоречивости требований, предъявляемых к

ркр. В первую очередь это относится к задаче выбора подмножества

диагностических параметров на основе граф-моделей.

Были проведены исследования влияния значений ркр на

качество решения задачи диагностирования, упорядочения элементов

граф-модели и нахождения покрытия таблицы расстояний при

варьировании значений ркр в пределах некоторых значений.

Качество решений оценивалось по ряду критериев, определяющих

оптимальность выбранного подмножества В диагностических

параметров.

Так как исследования такого рода на моделях общего вида

чрезвычайно сложны, они проводились на конкретной граф-

модели, включающей множество D = {d;}, i —1, 2, 3, ..., 32 из