Характеристика базы знаний

База знаний содержит два основных модуля:

1. базу знаний для диагностики нарушений хода доменной печи;

2. базу знаний для диагностики нарушений теплового режима.

Кроме этого, имеются еще два модуля, которые используются для определения:

1. причин (факторов), вызывающих соответствующие нарушения хода печи;

2. причин (факторов), вызывающих соответствующие нарушения теплового режима доменной плавки.

Схемы баз знаний указанных модулей представлены на рис. 7.4-7.7 из которых очевидна используемая информация и логика построения экспертных подсистем хода доменной печи. Все базы представляют собой многослойные структуры, в элементах которых производятся вычисления коэффициентов уверенности CF_{i .}

Некоторый фрагмент такой многослойной структуры схематически изображен на рис. 7.8.

Х¹₁ – давление горячего дутья (диапазон).

Имеет три альтернативы:

• оптимальное значение;

• выше оптимального значения;

• ниже оптимального значения.

Х¹₂ – давление горячего дутья (тенденция).

Может принимать следующие значения:

• уменьшается;

• увеличивается;

• не меняется.

Х¹₃ – давление горячего дутья (колебания):

• меньше или равно 0,05 атм;

• больше 0,05 атм, но меньше или равно 0,2 атм;

• больше 0,2 атм.

Основную часть первого (левого) слоя образуют  блоков входных переменных – результатов {X_i^j } работы блока первичной обработки измерений, причем X_i^j может принимать несколько значений. При этом в некоторых из модульных баз знаний первый слой может содержать переменные, значения которых определяются после работы других модулей. Каждый блок входных переменных описывает результаты измерений одного из технологических параметров печи. Так, например, группа X¹ = {X_i^1, }, i = 1, 2, 3 служит для описания параметров давления горячего дутья. При этом X₁¹ задает диапазон изменения давления , X₂¹ – тенденции изменения, а X₃¹ описывает колебания давления горячего дутья.

Второй слой образуют блоки правил Р_i^j вида

IF  условие  THEN uⁱ =a ELSE uⁱ =0.

В качестве условия используются предикаты вида uⁱ = значение , объединенные логическим «И». Результатом выполнения правила является значение переменной, имеющее смысл промежуточного коэффициента уверенности. Эти коэффициенты определяются экспертом при вводе правила в базу знаний. k-й блок второго слоя образует правила, в условиях которых используются переменные из k-го блока переменных. Фактические элементы j-го блока правил описывают воздействия j-го технологического параметра на технологический процесс. Для реализации правила второго слоя используется функция «И» (AND).

Третий слой образуют блоки «ИЛИ» OR-правил. OR-правила выполняются по следующему алгоритму.

Пусть S₁ ,......., S_n – входные переменные OR-правила, а S – выходные. Тогда:

1. если все S_i=0, то S=0;

2. если S_i0, в качестве S принимается максимальное отрицательное значение S_i;

3. если S_i имеют положительные, нулевые и отрицательные значения, то S= max S_i.

Как видно из рис. 7.8, «ИЛИ» (OR)-правила используются для объединения результатов, получаемых на втором слое.

Четвертый и последующие слои образуют блоки «КОМБ» (Сomb)-правил (см. рис. 7.8), в которых вычисляются коэффициенты уверенности по формулам (7.4)–(7.8).

Таким образом, в результате прогноза определяется коэффициент уверенности определения (состояния) хода доменной печи и коэффициент уверенности теплового режима.

Многослойная архитектура базы знаний обладает рядом преимуществ. К ним относятся:

• простота модификации. Многослойная структура позволяет легко добавлять, расширять или удалять блоки правил на любом слое. Это свойство особенно важно на двух первых слоях, т.к. позволяет легко учитывать появление новых групп измерений технологических параметров;

• адаптируемость. Предложенная структура базы знаний позволяет достаточно просто оценивать воздействия промежуточных коэффициентов уверенности на конечный результат и по результатам таких оценок вносить необходимые коррективы.

Пример отображения информации экспертной системы ведения доменной плавки на мониторе компьютера представлен на рис. 7.9.

Лекция 7.3. Использование распознавания образов для прогнозирования состояния технологических процессов (на примере прогноза теплового состояния доменной печи)

Постановка задачи. Технологические основы сбора и хранения данных о ходе доменной плавки. Учет динамики доменного процесса. Представление и подготовка данных для решения задач распознавания образов. Алгоритмическое и информационное обеспечение прогнозирования теплового состояния доменной печи методом распознавания образов. Выбор информативной системы признаков.