5. Диагностические экспертные системы

Задача диагностирования современных информационно-управляющих систем достаточно сложна. Причем трудности возникают как при формировании контрольно-диагностической информации, так и при ее анализе. Трудности анализа сопряжены с многочисленностью влияющих на получаемую информацию факторов, сложностью организации вычислительного процесса, наличием целого ряда источников неопределенности в поведении этого процесса. Все это делает целесообразным применение сложных процедур анализа, эвристических приемов, нечетких рассуждений. Кроме того, следует отметить, что, несмотря на то, что в области технической диагностики за несколько последних десятилетий накоплен немалый багаж научных знаний, приходится констатировать, что целый ряд вопросов остается мало изученным. Чаще всего эти пробелы ощущаются при диагностировании сложных технических систем, и тогда решение задачи диагностирования оказывается по силам лишь высококвалифицированным экспертам, располагающим обширным опытом по обслуживанию конкретных систем. В настоящее время нередко на практике стараются заменить экспертов специальными программами, аккумулирующими их знания. Такие программы называются экспертными системами (ЭС), которые представляют собой один из видов систем искусственного интеллекта. ЭС используются не только в диагностических приложениях, но и во многих других прикладных областях (как технических, так и нетехнических), где необходимо принимать те или иные решения. Причем это могут быть как решения, принимаемые в реальном времени, например, при выборе маршрута для транспортного средства или при ведении воздушного боя, так и решения, принимаемые, например, при проектировании некоторой системы или узла. Очень часто ЭС оказывается в позиции консультанта по отношению к лицу, принимающему решение.

Обычно, когда говорят об ЭС, то подразумевают не просто программу, написанную по алгоритму эксперта, но и реализованную особым образом, а именно, в соответствии с так называемой технологией экспертных систем. Прежде чем пояснить, что подразумевается под этой технологией, позволим себе небольшой экскурс в историю программирования. Исторически первым в программировании появился подход, при котором данные и алгоритм их обработки составляют единое целое. На следующем историческом этапе, когда возникла необходимость создания программ для обработки больших массивов данных, данные были отделены от алгоритма, и родилась технология баз данных. В этом случае программа состоит из двух частей – базы данных и системы управления базой данных. База данных – это переменная часть программы, а система управления – постоянная.

Похожим образом появилась на свет и технология ЭС. Она нацелена на обеспечение возможности легкого перепрограммирования (без помощи со стороны профессиональных программистов) ЭС на новое алгоритмическое содержание. Такая возможность представляется очень важной ввиду непостоянства применяемых алгоритмов. Это происходит из-за того, что обычно изменчива даже позиция конкретного эксперта в отношении им же предложенного эвристического алгоритма, а тем более, подчас затруднительно найти даже двух экспертов, чьи бы позиции по одному и тому же вопросу совпадали. В связи с этим программа ЭС разрабатывается как состоящая из двух частей, первая из которых на протяжении всего периода эксплуатации ЭС остается постоянной – это так называемая машина логического вывода, а вторая – носитель знаний экспертов (база знаний) может по желанию пользователя легко изменяться. Для обеспечения легкости модификаций базы знаний ее разработка требует предварительного выбора языка описания знаний или, как принято говорить, модели представления знаний. Возможные варианты моделей описаны в приложении 2. Машина логического вывода разрабатывается как обычная программа, и ее назначение состоит в интерпретации знаний, а именно, в преобразовании знаний записанных на языке использованной модели в алгоритм решения рассматриваемой задачи.

К настоящему моменту для ЭС сложилась определенная архитектура (рис. 4.21), которую составляют следующие компоненты: база знаний (БЗ), рабочая память, машина логического вывода (МЛВ), компонента объяснения результата и интерфейс с пользователем.

База знаний - это совокупность отдельных элементов знаний, которые представляют собой формализованное описание объектов проблемной области, их взаимосвязей, действий над объектами и, возможно, неопределенностей, с которыми эти действия осуществляются.

Формализация описания осуществляется с помощью различных (методов) представления знаний. В качестве моделей представления знаний чаще всего используются либо продукционные правила, либо фреймы, либо семантические сети, либо объектно-ориентированная модель, либо их комбинация. На рис. 4.22 иллюстрируется возможность представления любого алгоритма (а) набором продукционных правил и универсальным алгоритмом логического вывода (б).

Как уже говорилось, машина логического вывода преобразует отдельные элементы знаний в алгоритм эксперта посредством механизма логического вывода.

Рабочая память – предназначена для хранения исходных и промежуточных данных решаемой в текущий момент задачи.

Через интерфейс пользователь вводит знания в ЭС и получает от нее необходимую информацию. В ЭС может быть предусмотрена функция объяснения результата.

ЭС функционирует следующим образом. Пользователь ставит перед ЭС задачу, вводя в ЭС все необходимые исходные данные. ЭС запускает механизм логического вывода, трактуя поставленную задачу как некоторую цель вывода и анализируя все возможные решения и события. При этом вывод строится на основе знаний из БЗ и данных об анализируемом объекте. Вывод прекращается при достижении цели, т.е. получении какой-либо рекомендации.

В случае диагностической ЭС цель вывода – вид отказа (например, или), присутствующего в системе, а исходные факты, с которыми оперирует ЭС – значения наблюдаемых параметров системы (например,p и q). В простейшем случае при использовании детерминированных продукционных правил эта связь записывается так:

1. Если , то.

2. Если , то.

Рассмотрим более сложный пример, в котором используются нечеткие продукционные правила. Пусть отказ – параметрический, т.е. он состоит в отклонении некоторого параметра Θ диагностируемой системы от своего номинального значения на величину. Пусть одно средство диагностирования указывает на принадлежность значения параметра к нечеткому множеству значений, близких к, а другое – на принадлежность значения параметра к нечеткому множеству значений, близких к. Функции принадлежности для этих нечетких множеств представлены на рис. 4.23.

1. Если номер средства диагностирования равен 1, то Θ близко к .

2. Если номер средства диагностирования равен 2, то Θ близко к .

Пусть наша уверенность в результатах диагностирования используемых средств разная и равна соответственно 0,4 и 0,8. Тогда в соответствии с правилами нечеткого логического вывода Мамдани (Приложение 3) получаем оценку параметра Θ* (рис. 4.24).

Таким образом, оценка параметра принимает промежуточное значение междуи.