4.4.8. Повышение достоверности решений экспертной системы

Как видно из подразд. 4.4.2–4.4.7, обучение экспертной системы за­канчивается по достижении заданной вероятности правильного ответа. Однако это не означает, что нам удалось добиться диагностирования с точностью до однократной неисправности. Пусть, например, при неис­правности водосчетчика 1 (гипотеза Н₁) экспертная система иногда выно­сит решение о неисправности датчика температуры 2 (гипотеза Н₂), но ни­когда не выносит решения о неисправности водосчетчика 3 (гипотеза Н₃) или датчика температуры 4 (гипотеза Н₄). Тогда гипотезы Н₁ и Н₂ можно сгруппировать, и, как следствие, появляется множество подозреваемых не­исправностей, состоящее из неисправности водосчетчика 1 и датчика тем­пературы 2. Тогда можно пересчитать вероятность правильного ответа, по­скольку правильным мы теперь будем считать определение неисправности с точностью до множества подозреваемых неисправностей. Все шаги обу­чения, на которых неисправность определялась внутри своего множества, будут объявлены успешными, следовательно, может увеличиться p^*.

Рассмотрим предыдущий пример, когда было произведено 200 шагов обучения экспертной системы. Процесс обучения был закончен вследствие того, что новые примеры перестали сказываться на точности классифика­ции. Вероятность правильного ответа экспертной системы с вероятностью 0,85 находилась в границах от 0,292 до 0,388.

Подсчитаем, какова уточненная вероятность правильного ответа экспертной системы. Рассматривая классификацию с точностью до одной подозреваемой неисправности, мы считали, что экспертная система дала правильный ответ в 68 случаях из 200. Теперь, рассматривая классифика­цию с точностью до множества подозреваемых неисправностей, мы уви­дели, что экспертная системы давала правильный ответ в 121 случае из 200. Тогда p^* = 0,605. Определим 85%-й доверительный интервал. Просчитаем по формулам (4.13) и (4.14) (так как n больше 100) p₁ и p₂:

p₁ = 0,573; p₂ = 0,782; I_ = (0,573, 0,782).

Таким образом, с вероятностью 0,85 вероятность правильного ответа экспертной системы будет находиться в границах от 0,573 до 0,782.

4.4.9. Прогнозирование технического состояния узлов

В самом начале примера построения экспертной системы мы при­няли допущение, что каждый узел системы может находиться в двух со­стояниях – исправен и неисправен.

Однако узел, к примеру датчик или исполнительный механизм, в за­висимости от значений параметров, характеризующих его состояние, мо­жет находиться не только в двух состояниях. Можно выделить 3 состоя­ния:  – исправен,  – не исправен, но работоспособен,  – неработоспосо­бен.

Представим переход из состояния исправности () в состояние нера­ботоспособности () на диаграмме (рис. 4.57).

Рис. 4.57. Диаграмма перехода узла из исправного в неисправное состояние

Количество состояний можно увеличивать и дальше, выделяя из со­стояния более работоспособные и менее работоспособные состояния, что позволит прогнозировать техническое состояние системы в зависимости от приближения значений параметров изделия к критической области, в ко­торой изделие неработоспособно. Методика построения обучаемой экс­пертной системы при этом не изменится, однако значительно увеличится количество гипотез и, следовательно, объем расчетов. В заключение сле­дует отметить, что рассмотренный в настоящем разделе подход позволяет решить не только задачу технического диагностирования системы, но и за­дачу прогнозирования поведения АСУ ТП.

Выводы

В данной главе был рассмотрен ряд вопросов технической диагно­стики цифровых и гибридных систем. Акцент сделан на проблемах, кото­рые были недостаточно освещены в предыдущих учебных пособиях авто­ров.

Каждая наука начинается с построения модели рассматриваемой сис­темы. Особенностью технической диагностики является построение не только модели системы, но и соответствующей ей модели дефекта. Для простых цифровых систем наиболее распространена структурно-логиче­ская модель системы и соответствующая ей константная модель де­фекта. Для более сложных систем используются различные варианты функциональных моделей объекта с соответствующими им функциональ­ными моделями дефектами. В ряде случаев, например при рассмотрении микропроцессорных систем, используются комбинированные диагности­ческие модели: функционально-структурные.

В первой части главы рассматривается построение проверяющих тестов для цифровых устройств. Приводится методика построения теста с помощью активизации существенного пути, использующая структурно-ло­гическую модель объекта и константную модель дефектов. Данная мето­дика позволяет читателю наилучшим способом усвоить особенности по­строения проверяющих тестов для комбинационных устройств. Поскольку цифровые устройства не ограничиваются комбинационными схемами, да­лее предлагается модификация метода, позволяющая применить его и для схем с памятью. Показано, как представить последовательную схему в виде ряда комбинационных копий, а затем использовать эти копии для по­строения тестовых наборов, используя метод активизации существенного пути.

Особое внимание уделено вопросам встроенного функционального контроля технических систем. Встроенный функциональный контроль системы может быть реализован, только если функционирование контро­лируемого устройства отличается некоторой закономерностью, которая позволяет выделить правильные выходные наборы, соответствующие ра­боте контролируемого устройства без неисправностей, из общей совокуп­ности возможных выходных наборов. Для определения полноты контроля используется понятие самопроверяемости.

Для наиболее распространенного класса цифровых устройств – мик­ропроцессоров – предлагаются диагностические модели, а также целый ряд методов контроля механизмов выборки, хранения и дешифрации ко­манд. Методы контроля делятся на пошаговые и блоковые. Приводится методология анализа и критерии сравнения пошаговых и блоковых мето­дов контроля. Пошаговые методы контроля позволяют быстрее обнаружи­вать отказы и сбои, а также проводить восстановление системы после сбоя, однако требуют вносить в программу большую избыточность. Для блоковых методов контроля избыточность меньше, однако отказы могут обнаруживаться со значительной задержкой. Читатель может определить, какие из приведенных критериев являются для его системы наиболее зна­чимыми, и выбрать подходящий вариант построения схемы встроенного контроля.

В качестве технологии диагностирования, позволяющей рабо­тать не только с цифровыми, но и с гибридными системами, предлагаются самообучаемые экспертные системы. Показано, что в отличие от обучае­мых экспертных системы самообучаемые системы самостоятельно выра­батывают правила принятия решений, вследствие чего необходимо пра­вильно выбрать критерии, которые использует самообучаемая экспертная система в процессе обучения. Если эти параметры не самоочевидны, то самообучение экспертной системы может не привести к удовлетворитель­ным результатам. Рассматриваются два алгоритма самообучения эксперт­ной системы: по максимальной вероятности (для системы с цифровыми параметрами) и по наименьшему расстоянию (для системы с аналоговыми параметрами). К сожалению, убедиться в целесообразности применения самообучаемой экспертной систем, равно как и выбранных критериев, можно только после успешно закончившегося периода обучения.