CC BY
51
тивного пополнения контента, но и декларативной подстройки онтологии портала знаний в ходе его эксплуатации, что позволяет отслеживать динамику появления новых знаний и типов информационных ресурсов по его тематике и тем самым поддерживать его в актуальном состоянии.
Таким образом, в статье предложена технология, поддерживающая разработку порталов научных знаний без участия разработчиков-программистов. Для создания портала требуются только инженеры знаний - специалисты в представлении знаний и эксперты - носители знаний в моделируемой ПрО.
На основе этой технологии были разработаны археологический портал знаний (http://www.sati. archaeology.nsc.ru/classarch2/) и портал знаний по компьютерной лингвистике (http://uniserv.iis. nsk.su/cl/), обеспечивающие содержательный доступ широкому кругу пользователей к системати-
зированным знаниям и информационным ресурсам по археологии и компьютерной лингвистике соответственно.
Литература
1. Tim Berners-Lee, James Hendler and Ora Lassila. The Semantic Web // Scientific American, May 2001, pp. 29-37.
2. Загорулько Ю.А., Боровикова О.И., Загорулько Г.Б. Организация содержательного доступа к информационным ресурсам на основе онтологий // Электронные библиотеки: перспективные методы и технологии, электронные коллекции : тр. 9-й Всеросс. науч. конф. RCDL'2007. Переславль-Залесский: Изд-во «Университет города Переславля», 2007. Т. 1. С. 217224.
3. Guarino N. Formal Ontology in Information Systems. Proceedings of FOIS'98, Trento, Italy, 6-8 June 1998. Amsterdam, IOS Press, pp. 3-15.
4. Боровикова О.И., Загорулько Ю.А., Сидорова Е.А. Подход к автоматизации сбора онтологической информации для интернет-портала знаний // Компьютерная лингвистика и интеллектуальные технологии : тр. Междунар. конф. Диа-лог'2005. М.: Наука, 2005.
ЭКСПЕРТНАЯ СИСТЕМА ИДЕНТИФИКАЦИИ ТЕХНИЧЕСКОГО СОСТОЯНИЯ ТЕХНОЛОГИЧЕСКОГО ОБОРУДОВАНИЯ НА ОСНОВЕ НЕЙРОСЕТЕВОЙ МОДЕЛИ
С.В. Нусс (Пермский государственный технический университет, S.Nuss@ies-holdmg.com)
Излагается методика построения экспертной системы идентификации технического состояния технологического оборудования на основе нейросетевой модели.
Ключевые слова: экспертная система, идентификация технического состояния, технологическое оборудование, нейросетевая модель, формальный нейрон.
Подавляющее большинство отечественных промышленных предприятий применяет стратегию управления техническим состоянием оборудования на основе планово-предупредительных ремонтов. Эта стратегия обеспечивает поддержание необходимого уровня надежности оборудования, но имеет серьезный недостаток: при планировании технического обслуживания фактическое состояние оборудования практически не учитывается. Повышение эффективности ремонта достигается переходом к более прогрессивной стратегии - ремонту по фактическому состоянию, когда начало и объем работ определяются в зависимости от состояния оборудования. Применение подобной стратегии подразумевает наличие достоверной и оперативной информации об отказах в узлах и механизмах оборудования.
Современный уровень развития средств измерения позволяет проводить измерения подавляющего числа параметров оборудования непосредственно в процессе его эксплуатации под нагрузкой. Однако ввиду значительной сложности установления причинно-следственной связи между соотношением параметров оборудования и его техническим состоянием применяемые на практике ме-
тодики идентификации технического состояния базируются на специализированных математических моделях, описывающих узел или механизм только определенного типа оборудования [1]. Распространение таких моделей (как и их применение) на другие типы оборудования персоналом без определенного опыта работы затруднительно.
Выходом из сложившейся ситуации является разработка специализированного программного комплекса - экспертной системы, позволяющей изменять структуру базы знаний, дополнять ее новыми знаниями для решения задачи идентификации технического состояния при минимальном участии специалистов-экспертов [2]. В данной статье для организации экспертной системы идентификации технического состояния технологического оборудования предлагается использовать новый подход, основанный на применении нейросетевой модели. Такой подход позволяет на основе имеющейся на промышленных предприятиях статистики, содержащей излишние и противоречивые данные о значениях параметров и соответствующих им технических состояниях технологического оборудования, выявлять и распространять на вновь измеренные параметры оборудования
причинно-следственные связи между соотношением значений параметров контролируемого оборудования и его техническим состоянием.
Нейросетевая модель идентификации. В основе нейросетевой модели [3] лежит понятие формального нейрона (рис. 1) - алгоритмическая структура, обеспечивающая расчет суммы 8 произведений входных сигналов XI на соответствующие им значения весовых коэффициентов с учетом некоторого смещения 'о и в дальнейшем преобразующего ее через некоторую функцию активации 1"(8) в выходной сигнал:
(1) ¡=1
(2)
где Xj - компонента входного вектора (входной сигнал), ¡ = 1,п ; - весовой коэффициент синапса, ]=1,п ; \¥0 - значение смещения; 8 - результат суммирования в адаптивном сумматоре; п - число входов нейрона; 1"(8) - нелинейное преобразование (функция активации); У - выходной сигнал нейрона.
Математическое описание формального нейрона позволяет идентифицировать технические состояния посредством разделения их на диагнозы в зависимости от соотношения значений параметров только в виде прямой или плоскости (рис. 2). Из выражения (1) видно, что положение прямой или плоскости определяется значениями весовых коэффициентов и смещением формального нейрона. Поиск оптимальных значений весовых коэффициентов, величины смещения (обучение нейрона) выполняется на основе имеющейся статистики
Область 1 - неработоспособное техническое состояние »
О « О ь о * « о 0 =Х2 в
. *
. Область 2 - работоспособное техническое состояние
о о
0,6 Параметр 2
Рис. 2. Идентификация технического состояния маслонаполненного трансформатора с применением формального нейрона
значений технических параметров и соответствующих им технических состояний (рис. 3).
БД со статистикой значений параметров оборудования и соответствующих им отказов
Выбор обучающего примера
значение параметров ! техническое состояние
(вход сети) 1 (желаемый выход сети)
1
Расчет фактического
выхода формального
нейрона
1
Расчет ошибки
т
Корректировка весовых коэффициентов
Формальный нейрон обучен
Рис. 3. Иллюстрация процесса обучения формального нейрона
На практике техническое состояние оборудования характеризуется сложными причинно -следственными связями между большим количеством параметров и техническим состоянием. Граница раздела в этом случае описывается сложной кривой или совокупностью кривых, что не позволяет использовать формальный нейрон в качестве нейросетевой модели идентификации технического состояния. Решение такой постановки задачи предполагает применение нейросетевой модели, организованной по типу многослойного пер-септрона.
Многослойный персептрон представляет собой нейросетевую модель, состоящую из нескольких взаимосвязанных между собой групп формальных нейронов. Одна группа нейронов отвечает за восприятие и распространение входного сигнала (параметров оборудования) - входной слой. Другая группа обеспечивает окончательную обработку и формирование решения (рис. 4). Осталь-
2
Рис. 4. Многослойный персептрон: 1 - формальный нейрон входного слоя; 2, 4 - формальные нейроны скрытого и выходного слоев соответственно; 3 - связи между нейронами
3,0
2,0
1,0
0,0
0,2
0,4
0,8
1,0
ные группы нейронов - скрытые слои - обеспечивают промежуточную обработку входного сигнала, каждый формальный нейрон, входящий в эти группы, реализует одну классифицирующую прямую или плоскость, в результате чего в совокупности получается достаточно сложная кривая (кривые или поверхность (поверхности)) разделения технических состояний.
Математическая модель многослойного пер-септрона описывается как
11(1)
8 -У +\¥
У ^ ¡.У ],(/-!)-"о,у
(3)
(4)
где п(1) - число входов нейрона; Уу - входной сигнал нейрона 1 в слое I; Wi,j,/ - 1-й весовой коэффициент нейрона j в слое I; Wo,j,/ - величина смещения j нейрона слоя I; Sj,^ - сигнал нейрона j в слое I.
Обучение многослойного персептрона проводится с применением итеративных алгоритмов обучения. Разработано большое количество различных алгоритмов обучения многослойного пер-септрона, однако в основе всех лежит принцип определения величин значений весовых коэффициентов в зависимости от величины рассогласования желаемого выхода сети и фактического.
Формальная структура экспертной системы. Применение многослойного персептрона в качестве математической модели идентификации технического состояния технологического оборудования может быть представлено следующей последовательностью: формирование обучающего множества (значения параметров => техническое состояние) на основе статистики, имеющейся на предприятии, обучение (определение значений весовых коэффициентов) на основе обучающего множества нейросетевой модели, идентификация технического состояния оборудования на основе вновь измеренных параметров оборудования. Таким образом, применение многослойного персеп-трона в качестве математической модели экспертной системы идентификации накладывает ряд требований к организации БД системы:
- хранение обучающего множества для каждого типа технологического оборудования;
- хранение таблицы кодов технического состояния технологического оборудования и соответствующих им значений технических состояний в формате лингвистической переменной;
- ведение архива вновь измеренных параметров технологического оборудования;
- хранение параметров (значений весовых коэффициентов, смещения нейронов), структуры (количество слоев, количество нейронов в слое) многослойного персептрона.
Хранение обучающего множества, ведение архива вновь измеренных параметров, формирование и хранение таблицы кодов организуются посредством связи таблиц данных через отноше-
ния главная-подчиненная в БД параметров оборудования [4, 5]. Главной таблицей данных в этом случае выступает таблица, содержащая типы оборудования с их основными характеристиками. Другие таблицы являются подчиненными (рис. 5).
ТАБЛИЦА ДАННЫХ, СОДЕРЖАЩАЯТИПЫОБОРУДОВАШМ (справочник, содержащхш 1шформацию о к типах технологического оборудования, установленного на предприятии)
ТАБЛИЦА ДАННЫХ, СОДЕРЖАЩАЯ ОБУЧАЮЩЕЕ МНОЖЕСТВО (статистика значений параметров оборудования — техническое состояние)
ТАБЛИЦА ДАННЫХ С КОДАМИ ТЕХНИЧЕСКИХ СОСТОЯНИЙ т возможныекода т^^^еекии сосгтонни й соопвететвуююие им лингвисшчеаше перемешгвте)
ТАБЛИЦА ДАННЫХ ВНОВЬ ИЗМЕРЕННЫХ ПАРАМЕТРОВ (ведение архивавновв шмереннвк параме тров)
Рис. 5. Структура БД параметров оборудования
Описание многослойного персептрона в экспертной системе целесообразно выполнить в виде трехуровневой иерархической структуры: верхний уровень - количество слоев, средний - количество нейронов в слое; нижний уровень - значения весовых коэффициентов и смещение каждого нейрона в слое. При этом необходимо определить возможность формирования нейросетевой модели, ее обучения и хранения параметров обученной модели для каждого типа оборудования. В этом случае структура БД нейросетевой модели принимает вид, отображенный на рисунке 6.
ТАБЛИЦА ДАННЫХ, СОДЕРЖАЩАЯТИПЫОБОРУДОВАНИЯ (справочник, содержащий тшфoрмaмиш о к типах тнхнoлoп)чecкoгo оборудования, установлению го на щаелаpияуфс)
ТАБЛИЦА ДАННЫХ, СОДЕРЖАЩАЯЧИСЛО СЛОЕВ (содержит число слоее I многослойного пepceптpеoa для исeннуфисицис технического состожия к-го типа оборудования)
ТАБЛИЦА ДАННЫХ С ЧИСЛОМ НЕИРОНОВВ СЛОЕ (содержит число нейронов j слоя I многослойного персетрона ддл ид)нтиИикмцш тe)aнс^e)вигo cогвугиис к-го типа oбopyдoвífflIш)
ТАБЛИЦА ДАННЫХ ЗНАЧЕНИИ ВЕСОВЫХ КОЭФФИЦИЕНТОВ (содержит значения вееоов1х тooффифисннуo w нейрона j слоя I многослойного персептроон дол ифeнтафисaциф технического cocтo^Daнс к-го типа oбopyдoвжш))
Рис. 6. Структура БД параметров нейросетевой модели
С учетом описанных БД формальная структура экспертной системы принимает вид, показанный на рисунке 7. Модульный принцип дает возможность поэтапно внедрять экспертную систему (к примеру, внедрение программного модуля для регистрации технических параметров уже позволяет начать формирование необходимой статистики, в то время как разработка и внедрение других модулей только начались). Определенный в формальной структуре функционал экспертной системы является минимально необходимым и в дальнейшем может быть расширен.
На основе представленных теоретических выкладок на базе кафедры электрификации и автоматизации горных предприятий Пермского госу-
БД
параметров нейросетевой модели
Рис. 7. Формальная структура экспертной системы
дарственного технического университета разработана экспертная система идентификации технического состояния силовых маслонаполненных
трансформаторов. Экспертная система позволяет по результатам хромотографического анализа растворенных в трансформаторном масле газов установить отказ и его причину. Система находится в тестовой эксплуатации. Сбор статистической информации достаточно сильно сдерживает работу по ее настройке. Процесс можно ускорить за счет сотрудничества с диагностическими группами других организаций. Автор надеется на содействие и сотрудничество.
Литература
1. Аношкин А.А., Глазов О.Н., Кислов Г.И. Экспертные модели диагностики неисправностей основного технологического оборудования электрических станций. Расширение интеллектуальных возможностей АСУ. М.: Энергоатомиздат, 1989. 152 с.
2. Асуга С. Обработка знаний. М.: Мир, 1989. 293 с.
3. Уоссермен Ф. Нейрокомпьютерная техника. М.: Мир, 1992.
4. Гайдышев И.С. Анализ и обработка данных : специальный справочник. СПб: Питер, 2001. 752 с.
5. Корнеев В.В., Гареев А.Ф., Васютин С.В., Райх В.В. Базы данных. Интеллектуальная обработка информации. М.: Нолиндж, 2000.
МОДУЛЬ обучения нейросетевой модели
МЕТОДЫ АНАЛИЗА ФУНКЦИОНАЛЬНЫХ МОДЕЛЕЙ
В.А. Ильин, д.в.н.; С.П. Янча
(Высшие специальные офицерские классы ВМФ, г. Санкт-Петербург, iljin@interzet.ru)
В статье предлагаются подходы к аналитическому исследованию структурно--функциональных моделей, построенных на основе методологии IDEF0.
Ключевые слова: модель, система, орграф, марковский процесс.
Метод структурного функционального моделирования материально-информационных систем имеет почти сорокалетнюю историю. Структурные функциональные модели используются в самых разных предметных областях - от бытовой сферы до военной (например, планирование в НАТО). Однако в нашей стране этот метод применяет только узкий круг специалистов, главным образом в области финансов, экономики и производства. Вместе с тем методология функционального моделирования (IDEF) официально определена рекомендациями по стандартам. Общая методология IDEF включает в себя ряд частных методологий. Одна из них, IDEF0, используется для создания функциональных моделей (ФМ), отображающих структуру и функции системы, а также потоки информации и материальных объектов, преобразуемые этими функциями. С помощью наглядного графического языка IDEF0 изучаемая система предстает перед разработчиками и аналитиками в виде набора взаимосвязанных функций (функциональных блоков - в терминах IDEF0).
Целью создания любой системы является ее функционирование. Результат функционирования системы - осуществление ею материально-информационных обменов, то есть преобразований входов в выходы. Функционирование системы обеспечивается материальной инфраструктурой системы, составляющей ее устройство, ее морфологию. Характер (режим) функционирования системы в пределах морфологических возможностей определяется управлением работой системы. Именно особенности функционирования системы определяют и ее морфологию, и материально-информационные потоки.
ФМ есть графическое представление функционирования систем и объектов. ФМ может использоваться как для анализа процессов, протекающих в существующих системах (их функционирование), так и для синтеза структур при проектировании новых систем. Однако анализ функциональных моделей в настоящее время на качественном уровне выполняется путем анализа структуры связей между отдельными функциями
