Теоретические основы автоматизированного управления. Учебно-методическое пособие

как результат ненадежности данных и правил, что приводит к многообразию различных доступных выводов из одних и тех же исходных данных. В случае неполных данных альтернативные состояния являются результатом доопределения.

Большинство существующих ЭС решают задачи расширения, в которых нет ни изменений предметной области, ни активных агентов, преобразующих предметную область. Подобное ограничение неприемлемо при работе в динамических областях.

По степени сложности структуры ЭС делят на поверхностные и глубинные. Поверхностные ЭС представляют знания об области экспертизы в виде правил (условие-действие). Условие каждого правила определяет образец некоторой ситуации, при соблюдении которой правило может быть выполнено. Поиск решения состоит в выполнении тех правил, образцы которых сопоставляются с текущими данными (текущей ситуацией в РП). При этом предполагается, что в процессе поиска решения последовательность формируемых таким образом ситуаций не оборвется до получения решения, т. е. не возникнет неизвестной ситуации, которая не сопоставится ни с одним правилом. Глубинные ЭС, кроме возможностей поверхностных систем, обладают способностью при возникновении неизвестной ситуации определять с помощью некоторых общих принципов, справедливых для области экспертизы, какие действия следует выполнить.

По типу используемых методов и знаний ЭС делят на традиционные и гибридные. Традиционные ЭС используют в основном неформализованные методы инженерии знаний и неформализованные знания, полученные от экспертов. Гибридные ЭС используют и методы инженерии знаний, формализованные методы, а также данные традиционного программирования и математики.

Совокупность рассмотренных характеристик позволяет определить особенности конкретной ЭС. Однако пользователи зачастую стремятся охарактеризовать ЭС каким-либо одним обобщенным параметром. В этой связи говорят о поколениях ЭС. В настоящее время выделяют ЭС первого и второго поколений, Однако, по-видимому, следует говорить о трех поколениях эс. К первому поколению следует отнести статические поверхностные ЭС, ко второму – статические глубинные ЭС (иногда ко второму поколению относят гибридные ЭС), а к третьему – динамические ЭС (вероятно, они, как правило, будут глубинными и гибридными).

В последнее время выделяют два больших класса ЭС (существенно отличающиеся по технологии их проектирования), которые условно называют простыми и сложными эс. к простым ЭС можно отнести поверхностную и традиционную (реже гибридную) ЭС, выполненные на персональной ЭВМ, содержащие от 200 до 1000 правил. К сложным ЭС можно отнести глубинную и гибридную ЭС, выполненные либо на символьной, либо на мощной универсальной ЭВМ, либо на интеллектуальной рабочей станции, содержащие от 1500 до 10 тыс. правил.

Стадия существования характеризует степень проработанности и отлаженности эс. Обычно выделяют следующие стадии: демонстрационный прототип, исследовательский прототип, действующий прототип, промышленная система, коммерческая система.

Демонстрационным прототипом называют ЭС, которая решает часть требуемых задач, демонстрируя жизнеспособность метода инженерии знаний. При наличии развитых интеллектуальных систем для разработки демонстрационного прототипа требуется примерно 1–2 мес. Демонстрационный прототип работает, имея 50–100 правил. Развитие демонстрационного прототипа приводит к исследовательскому прототипу.

Исследовательским прототипом называют систему, которая решает все требуемые задачи, но неустойчива в работе и не полностью проверена. Исследовательский прототип обычно имеет в базе знаний 200–500 правил, описывающих проблемную область.

Действующий прототип надежно решает все задачи, но для решения сложных задач может потребоваться чрезмерно много времени и (или) памяти. Число правил в такой системе равно 500–1000.

Экспертная система, достигшая промышленной стадии, обеспечивает высокое качество решения всех задач при минимуме времени и памяти. Обычно процесс преобразования действующего прототипа в промышленную систему состоит в расширении правил до 1000–1500 и переписывании программ с использованием более эффективных интеллектуальных систем.

Обобщение задач, решаемых на стадии промышленной системы, позволяет перейти к стадии коммерческой системы, пригодной не только для собственного использования, но и для продажи различным потребителям. В базе знаний такой системы 1500–3000 правил.

Диапазон возможных средств построения ЭС простирается от языков высокого уровня до средств поддержки низкого уровня. Разделим инструментальные средства построения ЭС на четыре основные категории:

•языки программирования;

•языки инженерии знаний;

•вспомогательные средства;

•средства поддержки.

Языки программирования, применяемые для работы в области ЭС, – это, как правило, или проблемно-ориентированные языки (Фортран, Паскаль и т. д.), или языки обработки текстов (Лисп, Пролог). Проблемно-ориентированные языки разработаны для специального класса задач: например, Фортран удобен для выполнения алгебраических вычислений и чаще всего применяется в научных, математических и статистических вычислениях. Языки обработки текстов разработаны для прикладных областей искусственного интеллекта: например, Лисп имеет механизмы для манипулирования символами в форме списковых структур. Список является просто набором элементов, заключенных в скобки, где каждый элемент может быть или символом, или другим списком. Списковые структуры являются удобным строительным материалом для представления сложных понятий. В языке Лисп все отношения между объектами описываются через списки, содержащие отношения объекта с другими объектами.

Добавим, что Лисп существует в разных версиях, например, Интерлисп и Маклисп имеют различные средства поддержки (редакторы и средства отладки), но одинаковый синтаксис.

Языки программирования, подобные Лиспу, предоставляют максимальную гибкость разработчику ЭС, но никак не подсказывают ему, как представлять знания или как построить механизм доступа к базе знаний. С другой стороны, языки инженерии знаний, такие как КAS, обладают меньшей гибкостью, поскольку разработчик системы должен пользоваться схемой управления, определяемой встроенным в язык механизмом вывода. Эти языки, однако, обеспечивают некоторое руководство и готовые механизмы вывода для управления и использования базы знаний.

Язык инженерии знаний является искусным инструментальным средством разработки ЭС, погруженным в обширное поддерживаю-

щее окружение. Языки инженерии знаний можно разделить на скелетные и универсальные. Скелетный язык инженерии знаний является просто «раздетой» экспертной системой, т. е. ЭС без специальных предметных знаний, включающей в себя только механизм вывода и средства поддержки.

Универсальный язык инженерии знаний может быть применим к проблемам разного типа в различных прикладных областях. Он обеспечивает более широкие возможности управления поиском данных и доступом к ним, чем скелетные системы, но его может оказаться труднее использовать. Разные универсальные языки значительно варьируют в смысле общности и гибкости.

Вспомогательные средства построения ЭС состоят из программ, оказывающих помощь эксперту-человеку в приобретении и представлении знаний, и программ, которые помогают разрабатывать проекты экспертных систем.

Средства поддержки – это просто пакеты программ, которые прилагаются к средству построения ЭС, чтобы упростить его использование, облегчить диалог и сделать его более эффективным: средства отладки, средства ввода/вывода, средства объяснения, редакторы баз знаний.

Интеллектуальные системы расчетно-логического типа предполагают организацию базы знаний в виде функциональной семантической сети. Рассмотрим кратко алгоритмы поиска решений на функциональной семантической сети. Первой задачей, которая должна быть решена, является выбор представления, в котором реализуются процедуры поиска решений и организации вычислительного процесса. В качестве такого представления целесообразно выбрать представление в пространстве состояний. В данном представлении задача поиска решений формально представляется следующим образом:

Т =< S, So, SK, F>,

где So – начальное состояние; SK – конечное состояние или состояния; S – множество промежуточных состояний; F = {Fiƞ} – множество операторов, которые переводят процесс поиска из одного состояния в другое. Каждому математическому отношению Fi поставим в соответствие список (кортеж) параметров, которые в него входят. Таким образом, рассматриваемый алгоритм предусматривает работу со списочными структурами данных.

При поиске решений на ФСС в качестве множества операторов выступают разрешения математических отношений Fiƞ, реализуемые в виде отдельных программных модулей, совокупность которых для данной проблемной области составляет локальную (может одну из многих) базу процедур. Здесь верхний индекс 11 указывает на параметр, который в данном разрешении выступает как функция, а нижний индекс i – на номер соответствующего математического отношения в совокупности математических отношений. Задание исходных данных определяет начальное состояние So, а искомое решение – конечное (целевое) состояние. Выбор на каждом очередном шаге некоторого конкретного оператора осуществляется в соответствии с некоторыми правилами, которые для данной проблемной области составляют локальную базу правил.

Первый алгоритм реализует стратегию обратной волны, начиная поиск решения задачи с целевого состояния, т. е. от искомого параметра. Суть алгоритма состоит в следующем. В соответствии с алгоритмом поиска решений Нильсона образуем следующие списки: S1 – список параметров, которые должны быть рассчитаны; S2 – список параметров, для которых выбраны разрешения для расчета. Дополнительно образуем еще два списка: SЗ – список разрешений, включаемых в план решения задачи; S4 – список оценок сложности реализации разрешения, выбранного в план решения задачи. Данные оценки позволяют при наличии нескольких планов выбрать наилучший, т. е. реализовать классическую постановку задачи принятия решений.

Во втором алгоритме реализуется стратегия прямой волны, т. е. планирование идет от исходных данных к целевому параметру. Суть алгоритма состоит в следующем

Обозначим Ni0 – число параметров в математическом отношении; D – число заданных исходных данных (значений параметров); N – число параметров, оставшихся неизвестными; NɅ – число параметров, найденных на данном шаге применением соответствующего оператора F.

Многофункциональность разрабатываемых систем обработки интеллектуальной информации может быть обеспечена за счет современного подхода к хранению и использованию знаний проектировщиков.

Основной принцип данного подхода заключается в том, что задачи решаются на основе не просто данных, а знаний. Последние являются существенно более мощными и позволяют решать на их основе сложные задачи.

Традиционные ЭС имеют лишь один механизм поддержки принятия решений – логический вывод и лишь одно средство представления знаний – правила. В последнее время активно развивается новое поколение ЭС – гибридные экспертные системы (ГЭС).

Для использования ГЭС в качестве средства поддержки принятия управленческих решений необходимо предусмотреть возможность учета характеристик лица принимающего решение (ЛПР). В этом случае в экспертной системе должна присутствовать гибкая схема логического вывода, а поддержка принятия решений должна осуществляться в соответствии с конкретной аналитической моделью пользователя.

Эксперт соответствующей предметной области должен иметь возможность задавать оценки объектов, выявленные в результате его взаимодействия с подсистемой обработки экспертных знаний. Полученные таким образом экспертные знания будут храниться в базе экспертных знаний.

Одним из основных этапов решения задачи многокритериального выбора является настройка модели на систему предпочтений ЛПР. Она выявляется в результате взаимодействия ЛПР и подсистемы выявления предпочтений ЛПР. Найденные таким образом характеристики ЛПР сохраняются в базе характеристик ЛПР.

Банк моделей должен содержать широкий набор решающих правил, выражающих различные стратегии поведения пользователя.

5. ПРАКТИЧЕСКАЯ ЧАСТЬ

Лабораторная работа 1 Информационное обеспечение АСУ.

Контроль достоверности исходной информации и диагностика отказов

Цель работы:

1.Ознакомиться с алгоритмами допускового контроля достоверности исходной информации, с помощью которых выявляются полные

ичастичные отказы информационно-измерительных каналов (ИИК).

2.Освоить методы контроля достоверности исходной информации в АСУ ТП, диагностики частичных отказов и коррекции результатов измерений ИИК.

Теоретические положения. Алгоритмы контроля достоверности исходной информации. Диагностика частичных отказов и коррекция результатов измерений

Исходная информация о текущем состоянии объекта поступает в ЭВМ по многим десяткам, а иногда и сотням ИИК. С увеличением их числа возрастает риск попадания в систему недостоверной информации, поэтому одной из важнейших функций первичной обработки информации в АСУ является контроль ее достоверности.

Недостоверная исходная информация появляется при отказах ИИК, которые делятся на полные и частичные (метрологические). Полный отказ наступает при выходе из строя или повреждении ИИК. При частичном отказе средства измерения сохраняют работоспособность, однако, погрешность измерения соответствующего параметра превышает допустимое значение.

Обнаружение полных отказов ИИК является гораздо более простой задачей, чем выявление частичных отказов. При этом недостоверное значение параметра должно быть заменено достоверной оцен-

кой, в качестве которой может быть использовано предыдущее достоверное значение этого параметра или его значение, усредненное за некоторый интервал времени, предшествующий моменту обнаружения отказа ИИК. Последний способ применяют для наиболее ответственных параметров, например, расходов, значения которых используют при расчете технико-экономических параметров.

Алгоритм допускового контроля параметра

Данный алгоритм основан на том, что при работе объекта значения каждого из контролируемых технологических параметров не могут выходить за определенные границы:

Соответственно при исправном ИИК должен быть ограничен и сигнал измерительной информации Yi , поступающей в ЭВМ по этому каналу:

Контроль достоверности по этому алгоритму заключается в проверке выполнения условия (5.2) для каждого значения сигнала измерительной информации, поступившего при очередном опросе ИИК. Блок-схема алгоритма представлена на рис. 5.1.

После инициации работы алгоритма (блок I) и ввода исходных данных (блок 2) организуется цикл проверки ИИК, каждому из которых присвоен свой номер (r); в блоке 4 проверяется условие, при выполнении которого проверяется условие окончания работы алгоритма r = n (где n – число контролируемых ИИК). Если это условие не выполняется, счетчик номера ИИК увеличивается и цикл повторяется. Если при проверке в блоке 4 условие (5.1) не выполняется, то в блоке 6 недостоверное значение Yr(jt0) заменяется достоверным значением Yr[(j−1)t0] того же сигнала, полученным в предыдущем цикле опроса ИИК. Затем на печать выводится сообщение о том, что обнаружен отказ i-го ИИК (блок 7), и работу алгоритма продолжает блок 5.

/"@"#

=

A B

<

Рис. 5.1. Блок-схема алгоритма допускового контроля достоверности исходной информации

Этот алгоритм применим не только для стационарных, но и для нестационарных процессов, например, периодических. В этом случае

граничные значения yimin и yimax в условии (5.2) являются не константами, а функциями времени, отчитываемого от начала процесса.

Алгоритм допускового контроля скорости изменения сигнала измерительной информации основан на том, что скорость изменения любого параметра xr ограничена условием:

где – частота среза функции ; – среднее значение этой функции. Соответственно должна быть ограничена и скорость изменения

сигнала измерительной информации :

Контроль достоверности исходной информации по условиям (5.2) и (5.4) часто совмещается. Тогда в блок-схему алгоритма на рис. 5.1 между блоками 4 и 5 вводится еще один блок, осуществляющий проверку выполнения условия (5.4). При нарушении этого условия инициируется блок 6.

Алгоритмы контроля достоверности исходной информации, с помощью которых выявляются частичные отказы ИИК, основана на использовании информационной избыточности, которая всегда имеется в АСУ ТП. Избыточность, прежде всего, может быть создана искусственно при проектировании АСУ за счет аппаратурной избыточности, например, резервирования ИИК для контроля наиболее важных параметров.

Другой вид информационной избыточности в АСУ ТП обусловлен тем, что информация о действительном значении некоторого параметра содержится не только в измеренном значении этого параметра, но и в измеренных значениях других параметров, связанных с ним устойчивыми зависимостями, например, уравнениями материального баланса. При разработке алгоритмов контроля достоверности исходной информации на основе информационной избыточности принимают следующие допущения:

1)маловероятно одновременное появление в пределах рассматриваемой структуры более чем одного источника недостоверной информации;

2)маловероятно одновременное изменение характеристик двух независимых источников информации, при котором соотношение между ними остается неизменным;

3)маловероятен выход за допустимые пределы показателя, зависящего от нескольких независимых величин при нормальной вариации последних.