Формирование новых знаний о сложных производственных ситуациях на основе сети фреймов Текст научной статьи по специальности «Математика»

УДК 519.876.2

А.А. Склемин

ФОРМИРОВАНИЕ НОВЫХ ЗНАНИЙ О СЛОЖНЫХ ПРОИЗВОДСТВЕННЫХ СИТУАЦИЯХ

НА ОСНОВЕ СЕТИ ФРЕЙМОВ

Разработана оригинальная методика формирования новых знаний о сложной производственной ситуации и предложен формальный алгоритм проверки их достоверности.

Формирование новых знаний, сеть фреймов, производственная ситуация

A.A. Sklemin

FOSTERING NEW KNOWLEDGE ABOUT THE COMPLEX WORK SITUATIONS THROUGH

THE FRAME NETWORK

A unique method has been developed to foster new knowledge about complex performance situations and an algorithm has been proposed to test their reliability.

Formation of new knowledge, a frame network, work situation

Традиционно при разработке интеллектуальных систем управления производственного назначения большое внимание уделяется процессу формирования моделей представления знаний. Эти математические модели призваны облегчить процесс подготовки и принятия решений оперативно-диспетчерским персоналом, повысить эффективность распознавания ситуаций, машинным способом сформировать и занести в базу данных новые знания об объекте управления, а также способствовать успешному выполнению других когнитивных функций управляющих систем промышленного предприятия [1-6].

Из специальной литературы известна методика формирования знаний, получаемых в процессе обхода сети фреймов по предварительно выбранным маршрутам [6]. В связи с этим обстоятельством в статье новые знания о различных производственных ситуациях и способах их разрешения формируются машинным способом в процессе обхода графа &(и,е) (рис. 1) по маршрутам

Ui —— U3 —— и 4 —— и 5,

^ —— U2 —— U3 —— и 4 —— и 5,

ил —— иг —— и~ —— и~ —— и . —— U-1 6 2 3 4 5

и

и1 — и6 — и7 — и3 — и4 — и5 с учетом семантики ствующие вершины

дуг e. £ G(u, e), i = 1,9,

соединяющих соответ-

Рис. 1. Граф сети фреймов, характеризующих производственную ситуацию

При этом каждой вершине графа &(и,е) во взаимно однозначное соответствие ставится один из фреймов множества { Ргате1,Ргате7 } , характеризующих сложную производственную си-

-— -— I -----— -—

туацию w( x , и ) £ ^ W (X

det

U2 = Frame 2- «ФУНКЦИИ ОБЪЕКТА И СИСТЕМЫ УПРАВЛЕНИЯ»; и3 = Frame 3 -

det

«ПОДСИСТЕМЫ ПРЕДПРИЯТИЯ»; U4 = Frame 4 - «ПОДРАЗДЕЛЕНИЯ ПРЕДПРИЯТИЯ»;

и = Frame 1 - «ПРОИЗВОДСТВЕННАЯ СИТУАЦИЯ»;

det

det

det

и, = 6

Frame 6 - «ПЛАНЫ

и5 = Ргате 5 - «ПОКАЗАТЕЛИ ДЕЯТЕЛЬНОСТИ»;

det

МЕРОПРИЯТИЙ»; и7 = Ртте 7 - «ДАННЫЕ И ДОКУМЕНТЫ».

Обход графа по каждому из перечисленных маршрутов позволяет получить новые сведения о возникшей производственной ситуации и рациональном способе ее разрешения.

В частности, при обходе графа &(и,е) по маршруту и1 ^ и3 ^ и4 ^ и5 формируются знания о том, что производственная ситуация wi е

РЯАМЕХ} (вершина и1) возникает (дуга е1) в

подсистеме предприятия (ST1(i)) £ {FRAME3} (вершина и2), состоящей из (дуга e2) подразделений (ST4(i^ £ Frame 4, деятельность которых определяют (дуга e3) показатели {ST5(i)) £ Frame 5 .

Таким образом, в результате обхода графа G(u, e) по указанному маршруту может быть сформировано, например, следующее утверждение:

ПРОИЗВОДСТВЕННАЯ СИТУАЦИЯ «Фактическая величина запасов по комплектующим изделиям на складе предприятия не соответствует производственной программе» ВОЗНИКЛА В ПОДСИСТЕМЕ «Складское хозяйство», СОСТОЯЩЕЙ из подразделений «Склад комплектующих для вагона-хоппера», «Склад готовой продукции», ДЕЯТЕЛЬНОСТЬ КОТОРЫХ

ОПРЕДЕЛЯЮТ ПОКАЗАТЕЛИ «Запас комплектующих по различным видам изготовляемой продукции».

При обходе графа G(u, e) по маршруту U1 — U2 — U3 — U4 — U5 формируются знания о том, что возникшая производственная ситуация wi

£{ FRA.MEl} (вершина и1) нарушает (дуга e4) функции объекта и системы управления {ST2(i)) £{frame2} , которые выполняются (дуга e7) подсистемой предприятия

(STl(i)^ £ { FRAME3} (вершина и2) , состоящей из (дуга e2) подразделений {ST4(i)) £ Frame 4, деятельность которых определяют (дуга e3) показатели {ST5(i)) £ Frame 5.

В качестве примера, подтверждающего возможность получения новых знаний о производственной ситуации wi £ {FRAME1} указанным способом, приведем следующее утверждение, сформированное в разработанной информационно-управляющей системе при обходе графа G(u, e) по

маршруту Ui — и2 — и3 — и4 — и5 .

ПРОИЗВОДСТВЕННАЯ СИТУАЦИЯ «Фактическая величина запасов по комплектующим изделиям на складе предприятия не соответствует производственной программе» НАРУШАЕТ ФУНКЦИИ ОБЪЕКТА И СИСТЕМЫ УПРАВЛЕНИЯ «Снабжение производственного процесса комплектующими», ОТНОСЯЩИЕСЯ К ПОДСИСТЕМЕ ПРЕДПРИЯТИЯ «Складское хозяйство», СОСТОЯЩЕЙ ИЗ ПОДРАЗДЕЛЕНИИ «Склад комплектующих для вагона-хоппера», «Склад готовой продукции», ДЕЯТЕЛЬНОСТЬ КОТОРЫХ ОПРЕДЕЛЯЮТ ПОКАЗАТЕЛИ «Запас комплектующих по различным видам изготовляемой продукции».

Формирование новых знаний о производственных ситуациях при обходе графа G(u, e) по маршрутам Ui — и6 — и2 — и3 — и4 — и5 и Ul — и6 — U7 — U3 — U4 — U5 осуществляется аналогично.

— — I — — 1

Вся информация по производственной ситуации w( x, и ) £ <W(X ,U) I, содержащаяся во

фреймах Frame 1 - «ПРОИЗВОДСТВЕННАЯ СИТУАЦИЯ», Frame 2 - «ФУНКЦИИ ОБЪЕКТА И СИСТЕМЫ УПРАВЛЕНИЯ», Frame 3 - «ПОДСИСТЕМЫ ПРЕДПРИЯТИЯ», Frame 4 -

«ПОДРАЗДЕЛЕНИЯ ПРЕДПРИЯТИЯ», Frame 5 - «ПОКАЗАТЕЛИ ДЕЯТЕЛЬНОСТИ», Frame 6 -«ПЛАНЫ МЕРОПРИЯТИИ», Frame 7 - «ДАННЫЕ И ДОКУМЕНТЫ», хранится в виде девяти реляционных отношений следующей структуры:

Fl £{ ID SITUATION, NAME SITUATION...} ,

F2 £ { ID FUNCTION, NAME FUNCTION..} ,

F3 £ { ID DIVISION, NAME DIVISION..} , F4 £{ ID PLAN, NAME PLAN..} ,

F5 £ { ID SUBSYSTEM, NAME SUBSYSTEM..} ,

F6 £ { ID SPRAVKA, NAME SPRAVKA..} , F7 £{ ID DATA, NAME DATA,..} ,

F8 £ { ID OTHER, NAME OTHER..} , F9 £{ ID DOCUMENT, NAME DOCUMENT,.} .

Алгоритмы исключения недостоверных знаний. При практическом применении методики машинного формирования новых знаний о сложных производственных ситуациях, разработанной в первой части данной статьи, возникают определенные сложности, основными из которых являются: формирование большого количества высказываний о производственных ситуациях, многие из которых с точки зрения ЛПР являются недостоверными; отсутствие универсальных машинных алгорит-98

мов, позволяющих упорядочить сформированные знания по степени достоверности и заведомо исключить те из них, которые неадекватно описывают возникшую производственную ситуацию; необходимость просмотра ЛПР всего списка новых знаний о производственной ситуации с целью выбора тех из них, которые подлежат занесению в базу данных информационной системы.

Для преодоления указанных трудностей в статье разработана оригинальная методика исключения заведомо недостоверных высказываний о сложных производственных ситуациях, сформированных машинным способом. Рассмотрим ее основные положения. Каждой вершине сети фреймов

О (и, е) в соответствие ставится логико-лингвистическая переменная, область значений которой формирует набор ключевых слов, характеризующих все вершины ориентированного графа, входящие в состав выбранного маршрута.

* * * ^

Формируется граф ССИТ (и ’е ’ ^ ), вершинам и которого во взаимно однозначное соот-

*

ветствие поставлены значения логико-лингвистических переменных, вершины соединены дугами е ,

*

веса которых q - характеризуют степень семантической взаимосвязанности различных значений логико-лингвистических переменных в формируемом утверждении (рис.2). Чем больше суммарная ве-

& *

личина весов дуг К = 2 q г рассматриваемого маршрута, тем выше достоверность утверждения,

г = 1

формируемого в процессе его обхода.

* * *

Рис. 2. Граф С сит (и , е , q ), разработанный для синтеза новых знаний о производственных ситуациях

С помощью коэффициентов Жаккара, Дайса, косинуса или перекрытия определяется степень

— .. * * *

;ния наборов ключевых слов, которая приравнивается весам дуг графа (и , е , q ).

При использовании коэффициентов Жаккара или Дайса величина весовых коэффициентов дуг

определяется из выражений (1) или (2), соответственно

*

q г

Б

к21-к‘]к

Б Б Б

, при 2 '-к + 2 'к - 2 '* 'к *0 к = 1 гк к = 1 ]к к = 1 1к]к (1)

Б

Б

Б

О, при 2 ' + 2 ' - 2 ' ' = О

к = 1 гк к = 1 ]к к = 1 ]к

*

q

S

S

S Е к = 1

qi = < Е *ik + , Е, *jk

S Е к = 1

■> при Е tik + Е t.k * 0 k =1 ik k =1 jk

(2)

S

S

°, при е tik + Е t к =0 к = 1 1к к = 1 ]к

где Б - количество ключевых слов сравниваемых наборов, соответственно; '-к, ]к - переменные,

определяющие наличие ('-к =1; ' ]к=1) или отсутствие ('-к =0; ' ]к =0) к-го ключевого слова в

сравниваемых наборах соответственно).

В результате задача упорядочения новых знаний о сложной производственной ситуации по степени их достоверности сводится к решению известной задачи определения маршрута максималь-

* * *

ной длины, соединяющего начальную вершину графа ин е С^ИТ(и ’ е , q ) с его конечной вер

* * *

'СИТ (и ,е , q ):

я . ____

тах, г = 1, а

(3)

K = Е q*i ^ max; q.max < q. < q.

i = 1

Задача (3) принадлежит к классу задач динамического программирования и может быть решена, например, методом обратной прогонки. В результате ее решений список высказываний о сложной производственной ситуации упорядочивается по степени возрастания достоверности его отдельных элементов. Окончательный выбор новых знаний о производственной ситуации, полученных машинным путем, осуществляется ЛПР, который выбирает наиболее достоверные высказывания для последующего их включения в базу данных разрабатываемой информационной системы.

Рассмотренный подход к формированию новых знаний для интеллектуальных систем производственного назначения был использован при модернизации системы управления ОАО «Трансмаш» [7].

ЛИТЕРАТУРА

1. Люгер Д.Ф. Искусственный интеллект. Стратегия и метод решения сложных проблем / Д.Ф. Люгер. 4-е изд. М.: Изд. Дом «Вильямс», 2003.

2. Джексон П. Введение в экспертные системы / П. Джексон. М.: Изд. Дом «Вильямс», 2001.

3. Искусственный интеллект. Применение в интегрированных производственных системах. Под ред. Э. Кьюсиака. М.: Машиностроение, 1991. 541 с.

4. Васильев С.Н. От классических задач регулирования к интеллектуальному управлению I / С.Н. Васильев // Известия Академии наук. Теория и системы управления. 2001. № 1. С. 5-22.

5. Васильев С.Н. От классических задач регулирования к интеллектуальному управлению II / С.Н. Васильев // Известия Академии наук. Теория и системы управления. 2001. № 2. С. 5-21.

6. Искусственный интеллект: в 3 кн. Кн. 2. Модели и методы: справочник / под ред. Д.А. Поспелова. М.: Радио и связь, 1990. 304 с.

7. Модели и алгоритмы постановки задач разработки АСУ промышленными объектами / А.Ф. Резчиков, В.А. Кушников, Е.И. Шлычков, О.М. Бойкова // Приборы и системы. Управление, контроль, диагностика. 2006. № 9. С. 64-68.

Склемин Алексей Анатольевич - Aleksey A. Sklemin -

аспирант кафедры «Системотехника» Postgraduate

Саратовского государственного Department of Systems Engineering

технического университета имени Гагарина Ю.А. Gagarin Saratov State Technical University

Статья поступила в редакцию 01.02.12, принята к опубликованию 04.06.12