CC BY
79
УДК 621.391
В.А. Ушаков, В.С. Дрогайцев, Д.Е. Крупейников
ФРЕЙМОВО-ПРОДУКЦИОННЫЕ И ЛОГИЧЕСКИЕ МОДЕЛИ ПРЕДСТАВЛЕНИЯ ЗНАНИЙ В ПРОЦЕССАХ ОБНАРУЖЕНИЯ И ДИАГНОСТИРОВАНИЯ
ПРЕДОТКАЗНЫХ СОСТОЯНИЙ В ТЕХНИЧЕСКИХ ОБЪЕКТАХ
Рассматривается формальный подход к представлению знаний интеллектуальных технологий в процессах поддержки методов оценивания работоспособности технических объектов, обнаружения и диагностирования источников генерации предотказных состояний в их поведении.
Фреймы, продукционные правила, логические модели, предотказные состояния объектов, нейронные сети, интеллектуальные технологии
V.A. Ushakov, V.S. Drogaytsev, D.E. Krupeynikov
FRAME-PRODUCTIONS AND LOGICAL MODELS OF KNOWLEDGE REPRESENTATION IN THE PROCESS OF DETECTING AND DIAGNOSING FAULTS
IN TECHNICAL OBJECTS
We consider a formal approach to knowledge representation in the process of intelligent technologies to support health assessment methods of technical objects, detecting and diagnosing the sources of generation failures in their behavior.
Frames, production rules, logic model, the exemption status of the object, neural networks, intelligent technologies
Работа является развитием публикаций [1, 2], связанных с методами и интеллектуальными технологиями решения проблемных задач предметной области оценивания работоспособности технических объектов, обнаружения и диагностирования источников генерации предотказных состояний в их поведении.
Предпосылки, составляющие основу целесообразности применения фреймово-продукционных, логических и табличных моделей представления знаний интеллектуальных технологий поддержки методов решения проблемных задач предметной области, представляются факторами: сложностью методов решения проблемных задач; значительными объемами и разнородностью исходных данных и знаний; существенной априорной неопределенностью нечетких описаний состояний объектов.
Разрешающая способность интеллектуальных технологий поддержки методов решения проблемных задач соответствующих предметных областей в значительной степени зависит от средств и адекватности моделей представления знаний и способов обработки знаний в плане достоверного принятия решений.
В рассматриваемой постановке совокупность методов, алгоритмов и интеллектуальных технологий решения проблемных задач представляет собой иерархическую семантическую сеть, которая описывается фреймово-продукционными, логическими и табличными моделями. Вершины семантической сети представлены фреймами, а дуги определяют структуру переходов и взаимосвязей между фреймами и составными моделями.
В работе технология представления знаний процессов реализации формализованных методов и интеллектуальных технологий оценивания работоспособности технических объектов обнаружения и диагностирования предотказных состояний в их поведении средствами фреймово-продукционных, логических и табличных моделей рассматривается на примере структурной организации модели нейронной сети, приведенной на рисунке [2].
Y£ Hi Hi Ui
Нейросетевая структура формирования выводов и правил принятия решений
В методическом плане технология представления моделями знаний интеллектуальных средств поддержки формальных процедур методов решения проблемных задач предметной области обеспечивает решение задач: послойное обучение нейронной сети; описание моделями на уровне каждого слоя сети процессов исполнения заданной последовательности формальных процедур методов решения проблемных задач; представление моделями способов реализации нейронами скрытых слое сети функций активации, отражающих механизмы вывода и правила принятия решений в плане оценивания работоспособных состояний объектов, обнаружения и диагностирования предотказных состояний в их поведении.
Алгоритм обучения нейронной сети определяется подачей на входы нейронов сети эталонных образов обучающей выборки, оценивания правильности функции активации, которые сопоставляются по заданным условиям и критериям в смысле выбранной меры близости с эталонными моделями. При правильной реакции сети исполняется заданная последовательность эталонных образов, при неправильных результатах осуществляется корректировка весовых коэффициентов семантических связей в соответствии с выбранным алгоритмом обучения.
Применительно к рассматриваемой в работе предметной области в качестве базового вида модели представления знаний интеллектуальных средств поддержки формальных процедур методов решения заданного перечня проблемных задач приняты фреймы, структурная и информационная организация которых позволяет объединить продукционные правила, логические и табличные модели, востребованные при построении, обучении и применении по назначению нейронных сетей принятой направленности.
На уровне первого скрытого слоя, средствами нейронов которого обеспечивается оценивание работоспособных состояний объектов, обнаружение и диагностирование источников генерации предотказных состояний в их поведении. Знания интеллектуальных средств поддержки заданного перечня формальных процедур могут быть представлены фреймом, включающим слоты:
Слот 1. Агрегирование эталонных образов, распознаваемых средствами нейронов первого скрытого слоя сети, представленных интегральными векторами переменных, отражающих знания о состоянии внешней среды и техническом состоянии объектов в условиях предотказных состояний в их поведении:
- агрегирование интегральных векторов на уровне 1-го нейрона сети (И/ на рис. 1) в режиме функционирования объекта в условиях дискретного повышения критичности р-го фактора внешней среды, определяется зависимостью [1]:
у^(+_)), л (и (га), Бл а)),
где У^ , I = 1, т - число выходных параметров (показателей нечетких дискретных временных
р \
рядов (НДВР)) объекта; р ., . = 1, к - число дискрет р-го фактора внешней среды W; Н'+_) -
уровень числового значения деградации соответствующего выходного параметра (показателя
НДВР) объекта; и - число управляющих сигналов, подаваемых на объект; Бй, й = 1, г -
число предотказных состояний объекта;
- агрегирование интегральных векторов на уровне нейрона И* (рисунок) в режиме
реализации заданной последовательности факторов внешней среды, согласно зависимости вида
V* Б. 1 ^
1 "р
р'(Л н),Л(и(г(г),(г)),
где } = 1, п - заданная последовательность факторов внешней среды.
Слот 2. Распознавание каждым нейроном первого скрытого слоя эталонных образов, представленных интегральными векторами, и оценивание по заданному критерию соответствия или не соответствия технических состояний объекта установленным требованиям (ТЗ, ТУ).
Структурная организация переменных эталонных образов, распознаваемых нейронами на примере нейронов слоя Н1, Н* (рисунок), определяется зависимостями:
- по результатам анализа показателей НДВР, образованных в режиме дискретного повышения критичности локального фактора внешней среды [2]
со и k
m us и k , ,
0 =U (UUU fe)
p=1 d=1 j=1
K },{Д}
где 1 = 1, т - число выходных параметров (показателей НДВР), соответственно, число
нейронов первого скрытого слоя сети; ] = 1, к - число дискрет локального фактора внешней
среды; ё = 1, V - заданное подмножество предотказных состояний объекта; К = 1, г - число критериев количественной оценки выходных параметров (показателей НДВР) объекта; Д -допусковые ограничения выходных параметров (показателей НДВР) объекта;
- по результатам анализа НДВР, формируемых в режиме воздействия на объект заданной последовательности факторов внешней среды:
0' = U (UU ущц
4'+-))
d =1 j=1
K },{Д }
где 1 = 1, т * - число выходных параметров (показателей НДВР); ] = 1, п - число локальных факторов внешней среды заданной последовательности.
В процессе исполнения данной формальной процедуры и алгоритмов распознавания эталонных образов в качестве критерия, обеспечивающего количественное оценивание текущих состояний и состояний предыстории интегральных векторов на примере НДВР, образованного в режиме повышения критичности р-го фактора внешней среды в условиях пре-дотказного состояния объекта (), используется зависимость вида [1]:
max
£ =
( £Sd (h+)
iWp
- Y
л
HW„
AY
H max
f
+
Y-
1 j7W
?Sd(h-) ^
AY..
ij mm
/2,
(1)
где символ "д" означает измеренное значение показателя НДВР.
Слот 3. Определение числовых значений весовых коэффициентов синаптических связей на основе анализа показателей НДВР, регистрируемых в пространственно-временном представлении [1]. В качестве условий определения весовых коэффициентов, характеризующих работоспособные состояния объекта и обнаружения предотказных состояний, используются равенства:
- применительно к содержанию показателей НДВР, образованных в режиме дискретного повышения критичности локального фактора внешней среды:
0, при €lW (Sd) < max
K
(h)
(Sd)
,YlW (Sd )
(2)
1 пРи €iw„.(Sd) > max _
[ДYl },{Kj }
- применительно к показателям НДВР, агрегируемых в режиме воздействия на объект заданной последовательности факторов внешней среды:
0, при €YiW (Sd) < max fiV (Sd)
K,(* =
1, при €YiW . (Sd ) > max €'y,wPj (Sd )
(3)
{ДYi },{Kj }
где ,—№ п - последовательность факторов внешней среды.
Слот 4. Анализ средствами нейронов первого скрытого слоя сети результатов моделирования состояний объекта в условиях имитации предотказных состояний и факторов внеш-
*
Р
W
ней среды, с целью установления причинно-следственных связей между показателями внешней среды, переменными описания состояний объекта и предотказными состояниями в его поведении, а также агрегирования информационно-значимых выходных параметров объекта представленные показателями НДВР, образованных в режимах:
- дискретного повышения критичности локального фактора внешней среды (Р-):
u а)
У^ (V-)), (и^), Wp а), 5^)){д№} ^ Wp (t) > ^ уаг
^ (t) ,
- воздействия на объект заданной последовательности факторов внешней среды:
и а)
> ^ уаг
У*У (Я*+-)), А (и(t), W^j (t), ^ (t)\Д ик} ^ ^ (t)
5 а)
Слот 5. Синтез функций активации средствами нейронов первого скрытого слоя на основе результатов распознавания ими эталонных образов [2]:
- применительно к показателям НДВР, регистрируемых в режиме дискретного повышения критичности локального фактора внешней среды средствами нейрона Н1 (рисунок), формируются функции активации вида
со и к
рн, = иии^ 5)
р=1 d =1 7=1 1
- применительно к показателям НДВР, агрегируемых в режиме воздействия на объект заданной последовательности факторов внешней среды средствами нейрона Н^ формируются функции активации, определяемые зависимостью
и п
К; = ии5)
d =1 1=1 1
где Яу (Sd) , Я* (Sd) - числовые значения пороговых уровней деградации показателей
тР1
НДВР (выходных параметров, определяемые по условиям (2), (3) и критерию (1)) относительно конечного подмножества предотказных состояний в поведении соответствующего объекта.
Слот 6. Оценивание работоспособного состояния объекта средствами нечетких правил механизма логического вывода на основе анализа функций активации ({ГН; }е Г, {г^ }е Г *)
формируемых нейронами первого скрытого слоя сети ({Нг}е Н,{н;}е Н*,1 = 1, т,1 = 1, т*) согласно продукционному правилу вида
ЕСЛИ БН1 равна << 0 >> &...& БН1 равна << 0 >> &...& БНт
равна << 0 >> & Б» равна << 0 >> &... & Б. равна << 0 >>
О равна << 0 >> &... & Б**
Н1 Н1
&...& Б* равна << 0 >>, ТОГДА
Н т
Здесь 5 0 означает работоспособное состояние объекта.
Слот 7. Обнаружение предотказных состояний объекта на основе результатов анализа функций активации, формируемых средствами нейронов первого скрытого слоя (рисунок), согласно реализации продукционного правила вида
ЕСЛИ БН1 равна << 1 >> ИЛИ ... ИЛИ БН1 равна << 1 >> ИЛИ...ИЛИ БНт
равна << 1 >> ИЛИ БН равна << 1 >> ИЛИ...ИЛИ БН равна << 1 >>
ИЛИ...ИЛИ БН* равна << 0 >>, ТОГДА Б4
Здесь Sq означает конечное подмножество предотказных состояний.
На уровне второго скрытого слоя нейронной сети (рисунок) осуществляется процесс реализации средствами нейронов формальных процедур метода диагностирования источников генерации предотказных состояний в поведении объектов. Знания интеллектуальной технологии поддержки решения формальных процедур могут быть представлены фреймом, объединяющим продукционные правила, логические и табличные модели. При этом структурная организация фрейма определяется перечнем слотов:
Слот 1. Распознавание каждым нейроном второго скрытого слоя эталонных образов синтезированных в результате объединения функций активации, сформированных средствами нейронов первого скрытого слоя, согласно приведенным ниже зависимостям:
- сформированных в результате анализа пороговых уровней деградации показателей НДВР в режиме дискретного повышения критичности соответствующего локального фактора внешней среды:
m R ( со и k \
L=UU[UUUС, и)
l=1 r=1 ( p=1 d =1 j=1 1
- агрегированных в режиме воздействия на объект заданной последовательности факторов внешней среды:
m R n / л
L = UUU(Cq и)
l=1 r=1 j=1( qj '
где U r, r = 1, R - конечное подмножество источников генерации предотказных состояний
объекта; l = 1, m(m*) - число нейронов первого скрытого слоя сети.
Слот 2. Определение средствами нейронов второго скрытого слоя сети дополнительного состава пороговых уровней весовых коэффициентов синоптических связей чувствительных к источникам генерации предотказных состояний объектов, представленных числовыми значениями уровней деградации показателей НДВР [1], востребованных в формальных процедурах диагностирования источников генерации предотказных состояний, согласно условиям:
- применительно к уровням деградации показателей НДВР, образованных в режиме дискретного повышения критичности соответствующего локального фактора внешней среды:
К^ (h) = {1, при h YMpj (S0) < hlWpj (Sd) < max hlWj (Sd)}
- применительно к уровням деградации, образованных в режиме воздействия на объект заданной последовательности факторов внешней среды:
(h€) = I1, пРи h*lWqj (Sо) < hwqj (Sd) < max h*wv (Sd)
где €lW (Sd), frW (Sd) - числовые значения уровней деградации l-го, г-го показателя НДВР
pj qj
чувствительных к заданному перечню предотказных состояний; hYw ^ (S0), h*w j (S0) - числовые значения уровней деградации l-го, г-го показателя НДВР, означающие, что объект не находится в предотказном состоянии; H , H*, z = 1, n - число нейронов второго скрытого слоя.
Слот 3. Формирование нейронами второго слоя сети функций активации, характеризующих разделительные свойства показателей НДВР относительно заданного подмножества диагностируемых источников генерации предотказных состояний соответствующего объекта, определяется условиями:
- применительно к показателям НДВР, регистрируемых в режиме дискретного повышения уровня критичности локального факта внешней среды, функции активации определяются зависимостями [2]:
N ( т К ( си к п
Гн, = П ии (ии и к,. (и,)
г=1 ^ I=1 г=1 ^ ,=1 d=1 1=1 1 ,
- применительно к показателям НДВР, сформированных в режиме воздействия на объект заданной последовательности факторов внешней среды, функции активации, формируемые нейронами второго слоя, характеризуются зависимостями:
N ( т К р п п \
^ = П (ииии 1,, (и,)
г=1 ^ I=1 г=1 ,=11=1 1 ,
где г = 1, N - число нейронов второго скрытого слоя сети.
Слот 4. Диагностирование источников генерации предотказных состояний соответствующего объекта средствами нечетких правил логического вывода в результате сопоставления кодовых комбинаций числовых значений функций активации, сформированных нейронами второго скрытого слоя сети с кодовыми комбинациями эталонной табличной модели диагностирования [1], согласно продукционному правилу вида
ЕСЛИ БН1 равна << 0 >> ИЛИ << 1 >> &...& БН равна << 0 >> ИЛИ << 1 >> &...& равна << 0 >> ИЛИ << 1 >> & Б^ равна << 0 >> ИЛИ << 1 >> &...& БНг равна << 0 >> ИЛИ << 1 >> &...& БНп равна << 0 >> ИЛИ << 1 >>, ТОГДА (Б0,и1) = {101...1}, где и {, I = 1, р - конечное подмножество диагностируемых источников генерации предотказных состояний объекта; {101...1} - кодовые комбинации числовых значений функций активации, представленные пороговыми весовыми коэффициентами, сопоставляемые с кодовыми комбинациями элементов эталонной табличной модели диагностирования объекта; 50 - работоспособное состояние объекта.
Из содержания изложенной технологии представления знаний интеллектуальных средств поддержки решения проблемных задач следует, что достоверность обнаружения и диагностирования предотказных состояний объектов средствами нейронных сетей определяется достоверностью знаний о поведении объектов в работоспособном состоянии, соответственно достоверностью эталонных моделей физическим образцам объектов. Требуемый уровень достоверности направленно достигается реализуемыми нейронной сетью средствами: формализованными методами решения проблемных задач предметной области; представительностью обучающих выборок, формируемых в процессе моделирования состояний объектов в условиях имитации предотказных состояний и критичных к ним факторов внешней среды;
- критериями и условиями определения числовых значений весовых коэффициентов синоптических связей;
- средствами агрегирования информационно-значимых показателей нечетких дискретных временных рядов;
- средствами понижения уровня неопределенности показателей НДВР.
Заключение. Приведенный формальный подход к представлению знаний интеллектуальных технологий в процессах оценивания работоспособных состояний технических объектов, обнаружения и диагностирования предотказных состояний в их поведении, базирующийся на использовании семантических и фреймовых сетей, продукционных правил, логических и табличных моделей, носит универсальный характер, соответственно, может быть применен в процессах оценки технического состояния широкой номенклатуры технических объектов.
ЛИТЕРАТУРА
1. Ушаков В. А. Обнаружение предотказных состояний и идентификация источников их генерации сложных технических объектов. I / В.А. Ушаков, В.С. Дрогайцев // Вестник СГТУ. - 2011. - №4 (60). - Вып. 2. - С. 85-193.
2. Ушаков В.А. Обнаружение предотказных состояний и идентификация источников их генерации сложных технических объектов. Построение и обучение нейросетевых структур. II / В.А. Ушаков, В.С. Дрогайцев // Вестник СГТУ. - 2011. - №4 (60). - Вып. 2. - С. 193-199.
Ушаков Виталий Алексеевич -
кандидат технических наук, генеральный директор ОАО «КБ Электроприбор», г. Саратов
Дрогайцев Валентин Серафимович -
доктор технических наук, профессор кафедры «Автоматизация и управление технологическими процессами» Саратовского государственного технического университета имени Гагарина Ю. А.
Крупейников Денис Евгеньевич -
аспирант кафедры «Автоматизация и управление технологическими процессами» Саратовского государственного технического университета имени Гагарина Ю.А.
Vitaliy A. Ushakov -
Ph. D.
General Director of JSC "KB Electropribor", Saratov
Valentine S. Drogaytsev -
Dr. Sc., Professor
Department of Automation and Process Control, Gagarin Saratov State Technical University
Denis E. Krupeynikov -
Postgraduate
Department of Automation and Process Control, Gagarin Saratov State Technical University
Статья поступила в редакцию 15.05.12, принята к опубликованию 14.06.12
