CC BY
15лать вывод о целесообразности использования преобразователя, основанного на схеме Чука, в качестве стабилизатора переменного напряжения. Получившийся стабилизатор способствует защите системы климатического контроля от перенапряжения, не допуская сбоя в микроклимате свинофермы.
Список литературы
1. Яременко С. А., Жерлыкина С. А. Основы проектирования и функционирования систем обеспечения микроклимата зданий / С. А. Яременко, С. А. Жерлыкина // для технических ВУЗов. - 2020. -С. 172.
2. Богданов Д. И. Феррорезонансный стабилизатор напряжения / Д. И. Богданов - М., «Энергия», 1972. - 136 с.
3. Карпов В. И. Полупроводниковые компенсационные стабилизаторы напряжения и тока / В. И. Карпов - выпуск 257.: изд. 2-е, переработанное и дополненное. М., «Энергия», 1967. - 176 с.
4. Готтлиб И. М. Источники питания. Инверторы, конверторы, линейные и импульсные стабилизаторы. Москва: Постмаркет, 2002. - 544 с.
5. Гольдреер И.Г. Стабилизаторы напряжения 2-е изд., перераб. - М.-Л.: ГЭИ, 1957. - 228 с.
6. Кобзев А. В. Стабилизаторы переменного напряжения с высокочастотным широтно-импульс-ным регулированием / А. В. Кобзев, Ю. М. Лебедев, Г. Я. Михальченко, В. Д. Семенов, И. Б. Сидонский, А. В. Тараскин - М.: Энергоатомиздат, 1986. - 152с.
7. Розанов Ю. К. Справочник по силовой электронике / Ю. К. Розанов, П. А. Воронин, С. Е. Рыв-кин, Е. Е. Чаплыгин; под ред. Ю. К. Розанова. - М.: Издательский дом МЭИ, 2014. - 472 с.
8. Климов В., Климова С. Двунаправленные ключи в матричных структурах преобразователей переменного тока / Климов В. к. т. н., Климова С. // Силовая электроника, № 4'2008
9. Дьяконов В. П. MATLAB. Полный самоучитель. - М.: ДМК Пресс, 2012. - 768 с.: ил. ISBN: 978-5-94074-652-2
10. Первозванский А. А. Курс теории автоматического управления: Учебное пособие для вузов. М.: Наука, 1986. 616 с.
ГИБРИДНЫЙ CBR-ПОДХОД В СИСТЕМАХ МОНИТОРИНГА И ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ НА СЛОЖНЫХ ТЕХНОЛОГИЧЕСКИХ ОБЪЕКТАХ
Глухих И.Н.
Тюменский государственный университет доктор техн. наук, профессор, заведующий кафедрой Информационных систем
Глухих Д.И.
Тюменский государственный университет лаборант-исследователь, Институт математики и компьютерных наук
HYBRID CBR APPROACH IN MONITORING AND DECISION SUPPORT SYSTEMS AT COMPLEX
TECHNOLOGICAL FACILITIES
Glukhikh I.,
Tyumen University
Dr. Sci. (Eng.), Professor, department chairman of Information Systems chair
Glukhikh D. Tyumen University
junior researcher, Institute of Mathematics and Computer Science
Аннотация
В системах эксплуатации сложных технологических объектов актуальны задачи распознавания и предотвращения нештатных ситуаций, развитие которых в негативных случаях может привести к авариям и иным крайне нежелательным последствиям. Для выполнения этих задач целесообразно использование интеллектуальных систем поддержки принятия решений, которые могут предложить оперативно-диспетчерскому персоналу и иным службам эксплуатации программы эффективных действий при возникновении нештатных ситуаций. Для создания таких систем используются подходы и методы из арсенала методов искусственного интеллекта. В данной статье рассмотрены вопросы реализации интеллектуальной поддержки принятия решений на основе метода вывода по прецедентам - case-based reasoning (CBR). Рассмотрена обобщенная онтологическая модель сложного технологического объекта, с помощью которой предложено математическое представление ситуаций на сложном объекте. Для реализации CBR в условиях сложного неоднородного объекта разработан подход к выводу решений из ситуационной базы знаний, при котором отдельно решаются задачи распознавания состояний простых элементов сложного объекта и комплексных ситуаций, как комбинации этих состояний. Предложена нейросетевая архитектура для сравнения и оценки сходства ситуаций в пространстве состояний, разработан усовершенствованный, гибридный
CBR-алгоритм, в котором интегрируются методы машинного обучения и методы систем, основанных на знаниях.
Abstract
The development of emergencies on complex technological objects can have dangerous and fatal consequences. The urgent task when operating complex technological objects is recognizing and preventing such emergencies. To accomplish these tasks, the use of intelligent decision support systems that can offer operational dispatch personnel and other maintenance services programs of effective actions in the event of abnormal operations. To create such systems uses methods from the arsenal of artificial intelligence methods. This article discusses the implementation of intelligent decision support based on the use case inference method - case-based reasoning (CBR). There are examines a generalized model of a complex technological object, with the help of which a mathematical representation on a complex object is proposed. The article presents the developed approach to retrieving solutions from a situational knowledge base, which allows implementing CBR in the complex heterogeneous objects cases. Under this approach, separately solves the problems of recognizing the states of simple elements of a complex object and complex situations, as a combination of these states. There proposes the neural network architecture for situation comparison in states space. Also in the article is shows an improved, hybrid CBR algorithm that integrates machine learning methods and knowledge-based systems methods.
Ключевые слова: системы мониторинга и принятия решения, рассуждение на основе прецедентов, принятие решений, нейросеть, архитектура нейросети, управление сложными системами, сложный технологический объект.
Keywords: monitoring and decision support system, case-based reasoning, decision making, neural network, neural network architecture, control of complex systems, complex technological object.
Введение
Современные производственные, добывающие, перерабатывающие предприятия являются системами, в которых функционируют многие взаимосвязанные технологические объекты.
При эксплуатации технологических объектов актуальны задачи, направленные на предотвращение нештатных ситуаций, которые могут возникать как на самом объекте и его оборудовании, так и в их операционном окружении, а также интерфейсах и связях с другими подсистемами.
Такие ситуации могут приводить не только к снижению эффективности технологических процессов, экономическим потерям эксплуатантов и пользователей, но и к рискам возникновения аварий или даже катастроф.
Системы мониторинга состояний объектов используют технологии оперативного сбора и анализа данных с целью выявления нештатных ситуаций и их оперативного предотвращения, для чего привлекаются оперативно-диспетчерские службы эксплуатации, а при необходимости - сервисные, ремонтные и иные обеспечивающие организации.
Однако, выявление нештатной, опасной ситуации не гарантирует своевременность и правильность действий по устранению этой ситуации. Принятие решений для разработки такой программы действий и ее реализации может сталкиваться с многими трудностями, среди которых нужно отметить следующие:
- дефицит времени наряду с высокой ответственностью за неверно принятые решения;
- нерегулярное, зачастую, достаточно редкое возникновения нештатных ситуаций, а также появление уникальных ситуаций, которые ранее не встречались на данном участке эксплуатации, что снижает степень готовности персонала к принятию решений и действиям в таких ситуациях;
- большое число людей и организаций, которые задействуются в процессах разрешения опасной ситуации, необходимость их координации для совместных действий.
Эти и другие факторы повышают риски принятия ответственными лицами несвоевременных и/или неверных решений, которые не предотвращают развитие нештатной ситуации в критически опасную.
Все это обусловливает необходимость дальнейшего развития сегодняшних систем мониторинга, при котором прогноз и выявление возможных нештатных ситуаций будет сопровождаться интеллектуальной поддержкой принятия решений по реализации программ действий, направленных на их предотвращение. Комплексное выполнение таких задач предусмотрено в современной концепции интегрированных систем мониторинга и поддержки принятия решений (ИСМПР) [1].
Интеллектуальная поддержка принятия решений (ИППР) при эксплуатации сложных объектов в различных отраслях является предметом исследований разных ученых на протяжении последних десятилетий. Одним из наиболее продуктивных подходов к решению задач является метод ситуационного управления [2], который позволяет интеллектуальной системе в условиях недостатка времени генерировать варианты решений в сложившейся ситуации на основе имеющейся ситуационной базы знаний (СБЗ), где уже заложены пары <Ситуация, Решение>. Вывод решения происходит путем сравнения текущей ситуации с теми образцами, которые имеются в СБЗ и отборе в ней того образца, который наиболее полно соответствует текущей ситуации.
Идея метода ситуационного управления получила дальнейшее развитие в методе вывода на прецедентах - Case-based reasoning (CBR), который использует предыдущий опыт и уже известные решения не только для задач управления, но и в иных проблемных областях [3].
В CBR предполагается, что кейсы - пары Ситуация, Решения> могут формироваться не только в процессе разработки системы, но и в ходе ее эксплуатации, что позволяет считать этот метод одним из методов машинного обучения [4]. Базовый алгоритм CBR-метода включает следующие этапы [5]:
- поиск в ситуационной базе знаний кейсов, чья ситуация отвечает критериям близости к той текущей ситуации, для которой ищется решение;
- выбор кейса с наиболее похожей ситуацией и применение его решения для текущей ситуации или адаптация этого решения, если в базе знаний не найдено достаточно близкого кейса;
- применение найденного решения, оценка его результатов и пополнение базы знаний новым кейсом.
Реализация CBR применительно к ИСМПР в первую очередь требует определить, каким образом нужно представлять ситуации, чтобы можно было выполнить поиск и отбор в СБЗ нужного кейса.
Задачам формализации представления ситуаций в ИСМПР и алгоритмизации вывода решений с помощью СБЗ посвящена данная работа. Сначала мы описываем обобщенную онтологическую модель сложного технологического объекта и представление ситуаций на таком объекте в терминах этой модели. Далее приводим нейросетевую архитектуру для отбора ситуаций в пространстве состояний, после чего описываем подходы к решению задачи распознавания состояний у элементов сложного объекта и связей между ними. На основе этого предлагаем алгоритм гибридного CBR, в котором используются как методы систем, основанных на знаниях, так и методы машинного обучения.
Онтология сложного технологического объекта и представление ситуаций
Для создания модели представления ситуаций, инвариантной предметной области, в работе [6] была предложена базовая онтологическая модель сложного технологического объекта СТО: СТО = <O, R, S, A>,
где O - множество элементов СТО, которые сгруппированы в подмножества: «Технологическое оборудование»; «Обеспечивающие системы»; «Сервис и персонал»; «Окружение». Таким образом, множество элементов СТО позволяет учесть в составе СТО разные элементы сложной системы, состояние или доступность которых будут учитываться при принятии решений;
R - множество связей (отношений взаимодействия) между элементами СТО;
S - множество состояний, в которых могут находиться элементы сложного объекта и связи между ними;
А - множество атрибутов, с помощью которых описываются состояния элементов сложного объекта.
Ситуацией на сложном технологическом объекте является такое положение дел, которое характеризуется совокупностью состояний, в которых находятся элементы СТО и связи между ними: Sit: O, R ^ S.
При отборе в СБЗ ситуаций, которые наиболее полно соответствуют текущей ситуации Sit, в [6] предложено разделять структурное и параметрическое сходство между ситуациями. Первое позволяет в СБЗ локализовать подмножестве кейсов, ситуации которых описывают одинаковые элементы СТО и связи между ними. А параметрическое сходство позволяет в локализованном подмножестве СБЗ найти ту ситуацию, элементы и отношения которой находятся в тех же состояниях, что и в текущей Sit.
Для разработки вычислительных алгоритмов необходима математическая формализация представлений ситуаций и метрик сходства между ними. В [6, 7] используется представление структурной составляющей ситуации через матрицы смежности отношений из множества R. При этом сравнение двух ситуаций выполняется с помощью операции поэлементного перемножения их матриц, а критерием структурного сходства является число единиц в результирующей матрице, что характеризует число одинаковых элементов и связей между ними (это число соотносится с количеством единиц в исходных матрицах, т.е. критерий структурного сходства является относительной величиной).
Модель оценки параметрического сходства базируется на сравнении ситуаций в пространстве состояний. В работе [8] используется аналогичное представление отношения между O и S c помощью матрицы смежности, а критерий отбора ситуаций на основе параметрического сходства тоже формируется из числа единиц в матрице, которая является результатом поэлементного перемножения матриц двух сравниваемых ситуаций. Для учета относительной важности состояний и элементов вводятся соответствующие весовые коэффициенты.
Однако, использование весовых коэффициентов показало недостатки этого метода [7], что, в частности, вызвано значительной трудоемкостью экспертного оценивания весов для многих элементов и состояний.
Поэтому далее была предложена процедура, которая базируется на использовании нейронных сетей, что позволяет организовать обучение для оценки схожести ситуаций на основе известных примеров.
Нейросетевая архитектура для сравнения и отбора ситуаций в пространстве состояний
Для этого каждой из двух сравниваемых ситуаций Sit - текущая ситуация на СТО и Sitz - ситуация из СБЗ, сопоставляется свой вектор состояний, который получается в результате он-хот кодирования на множестве состояний S. D В результате такого кодирования каждому элементу Oi сопоставляется вектор Si, один из компонентов которого равен 1 - если данная позиция соответствует тому состоянию, в котором находится Oi , а в остальных позициях ставится 0.
Таким образом, каждая ситуация характеризуется набором (Si| i = 1, 2, ..., N), где N число элементов в СТО.
Кодирование ситуаций с помощью этих векторов позволило использовать технологию сравнения
ситуаций на основе нейронных сетей и, в частности, сиамских нейронных сетей [4]. Для этого разработана нейросетевая архитектура «Компаратор-Сумматор», которая показана на рисунке 1. Здесь вводится N нейросетевых компараторов, выходы которых подаются на вход сумматора. Архитектура реализована на языке Python с библиотекой Keras. Компараторы выполнены как полносвязная многослойная сеть с одним выходным элементом (сигмо-идная функция активации и бинарная кроссэнтро-пия в качестве функции ошибки). Сумматор также является полносвязной нейросетью с одним выходным элементом с линейной функцией активации.
Он выдает прогнозируемое значение сходства двух ситуаций Sim (Sit, Sitz), которые представляются наборами векторов (Si| i = 1, 2, ..., N) и (Siz| i = 1, 2, ..., N) соответственно.
Экспериментальное моделирование обучающих данных из 150 ситуаций (на примере ситуаций в системе теплового обеспечения жилого здания) показало достаточно высокую для данного объема данных точность. Так, проверка обученной нейросети на валидационном файле показала точность по метрике MAPE (средняя абсолютная ошибка) более 90%.
Si
1
Siz i
Sim (Sit, Sitz)
I
Рисунок 1. - Архитектура нейросети для оценки сходства ситуаций
Таким образом, была разработана архитектура нейросети для сравнения и отбора ситуаций в пространстве состояний. Однако, предварительной задачей для применения данной архитектуры является задача распознавания состояний, в которых находятся элементы и отношения между ними.
Распознавание состояний элементов сложного технологического объекта
Самостоятельное рассмотрение этой задачи связано с тем, что элементы СТО могут быть различной природы, описываются разными наборами и типами параметров, а для идентификации их состояний могут использоваться разные методы. В простом случае элемент может находиться в одном из двух состояний «Исправен-Неисправен» или «Доступен-Недоступен». Распознавание состояния может быть выполнено как по данным, передаваемым в реальном времени с датчиков системы мониторинга (что характерно для оценки состояний технологического оборудования или интерфейсов и линий связи), так и после анализа косвенных при-
знаков или иной качественной информации, что характерно для систем операционного окружения, непосредственные данные с которых не собираются (состояние сервисных служб и персонала, наличие ресурсов, объекты инфраструктуры и т.п.).
В первом случае, когда есть возможность собирать данные и формировать наборы обучающих примеров для распознавания состояний, целесообразно использовать методы машинного обучения. В частности, для задачи распознавания состояний объектов в системе водоснабжения по табличным данным в работе [9] были проведены эксперименты, которые показали применимость нейросете-вой технологии и ее преимущество по сравнению с классическим методом К-ближайших соседей.
В случаях, когда элементы СТО описываются качественными параметрами, а для распознавания состояний нет достаточного объема обучающих примеров, применимы методы систем, основанных на экспертных знаниях - правила продукций, где воспроизводится экспертное рассуждение от исходных наблюдаемых данных или дополнительно
запрашиваемых сведений к подтверждению гипотез о состоянии, в котором находится данный элемент СТО. Архитектура графа вывода на основе правил продукций показана на рисунке 2. Здесь каждая дуга, соединяющая две вершины, есть выражение правила «Если... То...», исходная вершина - это проверяемый в условии «Если» факт, а
конечная в паре вершина - заключение, выводимое из правила. Каждый из путей от входных вершин к конечным вершинам графа отражает независимые цепочки вывода суждения (использующие разные данные) относительного того, в каком состоянии находится данный элемент.
Уровень исходных данных (данные мониторинга)
Рисунок 2. Архитектура графа вывода при распознавании состояний
Реализация правил в виде продукций с коэффициентами возможности или в виде нечетких высказываний с использованием нечетких переменных позволяет получить на выходе итоговые оценки состояний (цк/8к), где к - индекс состояния. Для последующего использования в принятой ранее форме он-хот кодирования производится пересчет для каждого элемента по правилу цк* = 1 при цк* = а^тах(цк) при установке остальных значений цк в 0.
Алгоритм гибридного CBR при выводе решения на сложном технологическом объекте
Разработанные модели позволяют предложить усовершенствованный алгоритм СБЯ-вывода решений, который предназначен для работы в условиях ситуаций на сложном объекте, состоящем из множества разнородных элементов и связей между ними. Он позволяет объединить в себе методы машинного обучения и методы систем, основанных на знаниях. Гибридный СБЯ включает следующие основные этапы:
- распознавание состояний элементов СТО и связей между ними, для чего используется один из двух описанных выше подходов - использование машинного обучения и, в частности, нейрокласси-фикатора или логический вывод на основе экспертных правил;
- локализация подмножества ситуаций путем отбора на основе метрики структурной близости;
- идентификация ситуаций в терминах принятых формальных представлений - формирование векторов представления ситуаций в пространстве состояний;
- сравнение и отбор ситуаций в СБЗ на основе оценки сходства 81т(.);
- сравнение полученного результата 81т(.) с пороговым значением 81ттт;
- если 81т(.) > 81ттт, то передача решения, ассоциированного с отобранной в СБЗ ситуацией, конечным пользователям, иначе - использование данного решения в качестве базы для генерации нового решения с последующим занесением в СБЗ нового кейса.
Одним из важных плюсов данного алгоритма является следующее. Традиционные подходы нейросетей и машинного обучения в целом работают после того, как система обучилась на некотором достаточном объеме обучающих данных. Если применить этот подход к классификации и отбору ситуаций в ИСМПР, то в случае возникновения в ходе эксплуатации ситуации незаданного ранее класса (ситуации с новым решением) придется проводить обучение системы заново, на новой, дополненной системе классификации.
Наше представление ситуаций в пространстве состояний позволяет рассматривать ситуацию через комбинации ограниченного и неизменного набора состояний. При достаточно большом числе состояний на элементах сложного объекта мы получаем возможность на практике пополнять СБЗ новыми, неизвестными ранее ситуациями без необходимости обучать систему заново. Этому также способствует использование нейросетевой архитектуры, где вместо классификации решается задача оценки схожести ситуаций 81т(.).
Заключение
В результате проведенных исследований было предложена обобщенная онтологическая модель сложного технологического объекта, которая опирается на использование таких концептов, как эле-
менты объекта и состояния, а также отражает отношения взаимодействия между этими элементами. В рамках предложенной модели разработано математическое представление ситуаций для реализации вывода решений по прецедентам с использованием отбора в ситуационной базе знаний. На основе математических представлений разработан усовершенствованный CBR-алгоритм, в котором сложная задача сравнения и отбора ситуаций разбивается на более простые подзадачи - распознавания состояний элементов сложного объекта и сравнение комплексных ситуаций на сложном объекте через комбинации этих состояний. Эта декомпозиция позволила использовать в CBR как методы и технологии машинного обучения, так и систем, основанных на знаниях. Для распознавания состояний применимы нейросетевые классификаторы (при наличии достаточных по объему обучающих данных) и экспертные правила (при использовании качественной информации и недостатке обучающих данных). Для сравнения ситуаций в пространстве состояний разработана нейросетевая архитектура, в которой воплощается идея сиамских нейронных сетей, решающих задачи сравнения объектов. Это позволяет отказаться от необходимости классификации обучающих данных (в нашем случае - ситуаций) и обеспечивает достаточно точные результаты в условиях небольших объемов обучающих данных.
В статье рассмотрены условия, когда переход от пространства атрибутов, в которых описываются элементы сложного объекта, к пространству состояний выполняется однозначным образом. Поэтому на вход второго этапа - сравнения и отбора ситуаций подаются сведения в формате он-хот кодирования. Предложенный подход обобщается на условия неопределенности, когда вместо нулей и единиц в векторе состояний могут использоваться так называемые мягкие метки, т.е. значения в интервале [0, 1]. Это обобщение сделано в работе [10].
Таким образом, проведенные исследования позволяют реализовать гибридные модели и архитектуры систем вывода решений, в которых используются как методы инженерии знаний, так и методы машинного обучения, в частности, нейронные сети. Полученные результаты имеют научное значение для решения такой современной актуальной задачи, как интеграция методов машинного обучения и символьного интеллекта [11].
Благодарность.
Исследование выполнено при финансовой поддержке РФФИ и Тюменской области в рамках научного проекта № 20-47-720004.
Список литературы
1. Juraev Z. Sh., Muhamediyeva D. T., Sotvoldiev D. M. Construction of hybrid intellectual monitoring and decision-making systems // Journal of Physics: Conference Series. 2020. 1546, 012083. DOI: 10.1088/1742-6596/1546/1/012083
2. Поспелов Д.А. Ситуационное управление: теория и практика. М.: Наука, 1986. 288 с.
3. Richter M.M., Weber R.O. Case-Based Reasoning. Verlag Berlin Heidelberg - Springer. 2013. 546 p. DOI: 10.1007/978-3-642-40167-1
4. Mathisen B.M., Bach K., Aamodt A. Using Extended Siamese Networks to Provide Decision Support in Aquaculture Operations // Applied Intelligence. 2021. Pp. 1-12. D0I:10.1007/s10489-021-02251-3
5. Башлыков А.А. Применение методов теории прецедентов в системах поддержки принятия решений при управлении трубопроводными системами // Автоматизация, телемеханизация и связь в нефтяной промышленности. 2016. № 1. С. 23-32.
6. Glukhikh I., Glukhikh D. Case Based Reasoning for managing urban infrastructure complex technological objects // CEUR Workshop Proceedings. 2021. Vol. 2843. №38.; URL: http://ceur-ws.org/Vol-2843/paper038.pdf (дата обращения: 08.08.2021).
7. Glukhikh I., Glukhikh D. Situations representation and retrieve in the case-based reasoning system for managing a complex technological object // CEUR Workshop Proceedings. 2021. Vol. 2922. №17.; URL: http://ceur-ws.org/Vol-2922/paper017.pdf (дата обращения: 08.08.2021).
8. Глухих И.Н., Глухих Д.И. Метод Case Based Reasoning при управлении сложными технологическими объектами городской инфраструктуры // Инженерный вестник Дона. 2021. №7. [Электронный ресурс]. URL: http ://www. ivdon. ru/ru/magazine/archive/n7y2021/70 74 (дата обращения: 08.08.2021).
9. Глухих И.Н., Карякин Ю.Е., Березовский А.К., Дудина А.А. Исследование возможностей нейросетей для распознавания ситуаций объектов, заданных данными в табличной форме // Молодежь и современные информационные технологии: сборник трудов XVIII Международной научно-практической конференции студентов, аспирантов и молодых ученых (Томск, 22-26 марта 2021 г.) - Томск: Издательство Томского политехнического университета, 2021. - с. 19-20.
10. Глухих И.Н., Глухих Д.И., Карякин Ю.Е. Представление и отбор ситуаций на сложном технологическом объекте в условиях неопределенности // Вестник Российского нового университета. Сер. Сложные системы модели, анализ и управление. 2021. №2. С.65-73. DOI: 10.25586/RNU.V9187.21.02.P.065
11. Leake D., Ye X., Crandall, D. Supporting Case-Based Reasoning with Neural Networks: An Illustration for Case Adaptation // CEUR Workshop Proceedings 2021, Volume 2846, №1.; URL: http://ceur-ws.org/Vol-2846/paper1.pdf (дата обращения: 08.08.2021).
12. Bhatia, A; Pinto, A. Automated Construction of Knowledge-Bases for Safety Critical Applications: Challenges and Opportunities // CEUR Workshop Proceedings 2021, Volume 2846, №37; URL: http://ceur-ws.org/Vol-2846/paper37.pdf (дата обращения: 08.08.2021).
