CC BY
158
№>52006 >
Р.А. Шкундина
Интеллектуальная система поддержки принятия решений на основе онтологии в сложных биосистемах
В условиях научно-технической революции, когда человечество использует для своих производственных и хозяйственных нужд более половины запасов пресных вод, проблема сохранения качества поверхностных вод становится чрезвычайно актуальной.
Основная масса воды после использования человеком очищается на биологических очистных сооружениях (БОС), которые являются мощным защитным экраном и типичным примером сложных биосистем.
В настоящее время более 70% данных предприятий неэффективны, поскольку это трудно управляемые системы, работающие в неблагоприятном режиме постоянно изменяющегося сложного состава поступающих на очистку сточных вод (ОСВ). Анализ проблемных ситуаций на БОС в последние годы показал, что они возникают из-за износа оборудования, ошибок при разработке очистных сооружений (ОС), халатного отношения к эксплуатации сооружений, а также ошибок персонала.
Персонал, который допускает ошибки, как правило имеет низкую квалификацию, либо испытывает недостаток в данных, поскольку ряд параметров трудно определить, или недостаток теоретических знаний о взаимосвязях и взаимозависимостях между микроорганизмами, очищающими воду, и составом воды. Поэтому часто принимаются неправильные управленческие решения и встает проблема повышения их качества. Эта проблема первоначально решалась за счет автоматизации управления процессом ОСВ на этапах наблюдения, сбора, обработки и анализа информации, средствами баз данных, систем управления
базами данных, пакетов математического анализа данных, внедрения автоматизированных систем управления технологическими процессами. Вопросами автоматизации обработки результатов наблюдений и анализа состояния окружающей среды занимались ведущие российские ученые (В.Н. Максимов, Н.Г. Булгаков, А.П. Левич, Л.И. Сазонова и др.), а также зарубежные ученые (Г. Хартвигстен, Д. Йохансен, Д. Осмонд и др).
Для эффективности поддержки принятия решений необходимы новые функции, отсутствующие в автоматизированных системах управления производственными процессами, поскольку процесс работы очистных сооружений характеризуется большим объемом теоретических сведений, неопределенностью, неполнотой, неточностью знаний, динамичностью системы, скрытыми зависимостями между элементами системы, которые порой не могут выявить и эксперты.
Сегодня во всем мире рутинные функции обработки информации и функции обмена информацией практически полностью автоматизированы. В то же время функция принятия решений и ее автоматизированная поддержка на ОС, реализованная через системы поддержки принятия решений (СППР), находится в начальной стадии развития.
СППР представляют собой специфический класс автоматизированных информационных систем, которые поддерживают деятельность по принятию решений [1]. СППР представляют собой диалоговые компьютерные системы, предназначенные оказывать помощь в принятии решений на основе использования данных, документов, знаний
Ив5 2006
и моделей для идентификации и решения проблем. Они дополняют классические математические модели управления ОС.
Для управления очисткой сточных вод в мире существуют СППР, основанные на следующих моделях представления знаний:
• модель представления знаний на основе продукционных правил «если..., то...». СППР позволяют:
□ регулировать работу ОС;
□ управлять процессом очистки сточных вод по локальным вычислительным сетям (ЛВС) или через Интернет [5];
□ определять последовательность стадий очистки воды на ОС [9];
□ автоматически строить правила, используемые для идентификации состояния ОС [13];
• модель представления знаний на основе прецедентов, т. е. описания проблем или ситуаций в совокупности с подробным указанием действий, предпринимаемых в данной ситуации для решения данной проблемы [6]. В соответствии с ней разработана СППР для определения микроорганизмов в системе активного ила [12];
• модель представления знаний на основе правил и прецедентов [7, 8, 10].
Существующие СППР в ОСВ, как правило, включают в себя базу знаний на основе определенных правил. Но эти правила не отражают предметной области в полной мере, они носят фрагментарный характер. Системы, основанные только на прецедентах, содержат лишь знания экспертов о конкретных ситуациях. СППР, интегрирующие различные виды знаний, таких как правила и прецеденты для моделирования и управления системами очистки сточных вод, также имеют недостатки — отсутствует синтаксическая и семантическая интеграция между модулями. Модули существуют как бы отдельно друг от друга.
Для принятия эффективных решений технологу ОС необходимы знания в данной предметной области (о характеристиках воды, работе ОС и т.д.), а также регламентирующие и исторические знания.
Чтобы выстроить единую систему суждений предложено разработать онтологию предметной области, которая обеспечит полноту знаний. Онтология позволит сформировать общий словарь, с помощью которого смогут взаимодействовать эксперты из различных предметных областей, задействованные в процессе ОСВ. В большинстве систем онтология понимается как структурная спецификация некоторой предметной области, ее формализованное представление, включающее указатель на термины предметной области и логические связи, которые описывают их соотношение друг с другом [4]. Онтология позволит четко сформулировать и описать знания экспертов, чтобы их систематизировать и стандартизировать.
Нами не было найдено российских разработок по онтологиям в области сточных вод, хотя в ней работают многие специалисты: химики, гидробиологи, экологи и др., которым необходимо говорить на «одном языке». Интеграция двух систем (одной — основанной на прецедентах и второй — основанной на правилах и онтологии для управления процессом ОСВ) позволит устранить недостатки тех систем, которые основаны на правилах и прецедентах.
В статье предложена структура СППР, интегрирующая различные модели представления знаний для повышения эффективности принятия решений технологом ОС (рис. 1).
Основными модулями разрабатываемой СППР являются онтологическая база знаний и алгоритм поиска на основе онтологии. База знаний включает в себя онтологию процесса ОСВ (предметной области) и онтологию прецедентов (накопленный опыт экспертов по ликвидации проблемных ситуаций на ОС). Онтология предметной области содержит общие знания экспертов в области очистки сточных вод о структуре очистных сооружений, о химическом соста-
Р. А. Шкундина
Некоммерческие ІТ # Управление базами знаний
о
о
\
Компьютер инженера по знаниям Компьютер эксперта
\*У \&>
ТУ- :п±
Интеллектуальная СППР
Онтологическая база знаний
Алгоритм поиска
Запрос Рекомендация
Показания
датчиков
Данные
визуального
наблюдения
Данные
лабораторных
анализов
Мониторинг
процесса
ОСВ
Отчет по пуску и технологической наладке ОС
Инструкции по управлению ОС Предельно допустимая концентрация
Методики ОСВ Учебник по ОСВ .
▼
Компьютер
технолога
Анализ данных
С
Анализ состояния активного ила
Анализ характеристик поступающей сточной воды
Анализ характеристик ►I очищенной сточной воды
■)
( Анализ рекомендаций Ч| >ч интеллектуальной СППР )
Принятие
управленческого
решения
Нормативно-техническая и регламентирующая документация
$
СП
і
О)
Реализация
сценария
действий
I
Процесс очистки сточных вод
fт т Характеристики поступающей на очистные сооружения
I I сточной воды
Рис. 1. Контур управления процессом очистки сточных вод
ПРИКЛАДНАЯ ИНФОРМАТИКА
Нв5 2006
ве воды, ее физических свойствах, основных группах организмов, очищающих сточные воды, о биоиндикаторах и т.д. Правила классификации позволяют на основе предметной онтологии описать явные взаимосвязи и взаимозависимости объектов конкретного ОС и определить класс проблемной ситуации. Кроме этого, учитывая общие знания, например, характеристики поступающей воды, формируются правила распознавания проблемной ситуации с учетом специфики определенного ОС на основании проведенного кластерного анализа лабораторных данных. Онтология прецедентов содержит опыт экспертов по выходу из проблемной ситуации на различных ОС, зафиксированный в прецедентах. Она взаимодействует с онтологией предметной облас-
ти посредством разработанного программного обеспечения на основе алгоритма поиска. Этот алгоритм позволяет технологу получать рекомендации по выходу из проблемной ситуации на основании поиска решения в предметной онтологии и онтологии прецедентов.
Был разработан прототип СППР при управлении процессом ОСВ. Рассмотрим последовательность работы этой системы. Сначала производится загрузка программы, далее нажимается кнопка «Открыть» (рис. 2) и на экране в левом столбце с web-сервера или локального диска загружается необходимая технологу онтология.
На основании данных лабораторных анализов технологом (или автоматически) формируется запрос (запросный прецедент),
Ш $нпНагНу - C:\wwtp\wwtp_12.01.owl
Файл Поиск
ъэ & >
Открыть Фильтр Найти Объект...
[-! О Нитрификация ♦ Входящая вода 1 Прецедент | Мера сходства
♦ Нитрификация_первой_стадии ♦ Прецедент 1 0.7234
♦ Нитрификация_второй_стадии ♦ Прецедент 12 0.6354
В • Марганец ♦ Прецедент 21 0.4324
♦ Марганец1
- # Входящая_вода
♦ Входящая_вода_1
Й • Аэрация
♦ Крупнопузырчатая_аэрация
♦ Мелкопузырчатая_аэрация
Й • Взвешенное_вещество
♦ Взвешенное_вещество_3
Атрибут Тип 15
■ имеетКислотность ф хкМпЬ
^ПимеетТ емпературу >5с1:1п1 -1
■ содержитЗагрязнитель ф Вещество
Рис. 2. Главное окно программы Некоммерческие 1Т # Управление базами знаний
Р. А. Шкундина
Интеллектуальная система поддержки принятия решений на основе онтологии в сложных биосистемах
И952006
который представляет собой прецедент, решение, у которого равно нулю. Наполняем его описание объектами из онтологии очистки сточных вод. Например, технолог выбирает объект «Входящая_вода» на экране появляется окно для описания характеристик поступающей на ОС сточной воды (рис. 3).
Выбор класса объекта
• Процесс -
Действие
• Очищенная_вода
Решетка
'* Аэротенк
• Песколовка
• Воздуховод
• Гидроэлеватор
• Отстойник
■ ЕИМИЯДЯ
* Загнивание_ила
■ Тетрахлорметан
■* Очищаемая_вода
■ 2оод1ое_галп1дега
Нитчатая_бактерия
- Пенообразование
г* Бторичный_отстойник
Рис. 3. Окно для выбора класса объекта
После того, как выбран класс объекта — «Входящая_вода», технологу предлагается заполнить форму, которая содержит свойства входящей воды. В предлагаемой для этого форме отражены следующие показатели: pH, содержание взвешенных веществ, железо, кадмий, медь, нефтепродукты и т.д. Затем он описывает характеристики объекта «Аэротенк»: концентрацию активного ила, иловый индекс и т.д.
Далее технолог инициирует запуск процедуры поиска. Алгоритм вывода на онтологии, реализованный с помощью программного средства на основе разработанных правил классификации, определяет класс проблемной ситуации. В зависимости от настроек процедуры поиска множество прецедентов, среди которых производится поиск, может быть ограничено либо данным классом, либо всеми доступными прецедентами.
Если это проблемная ситуация в аэро-тенке, то запускается алгоритм поиска класса проблемной ситуации в аэротенке на основе разработанного алгоритма поиска [3]. В случае отсутствия результатов поиска технологу выдается соответствующее сообщение. В противном случае ему выдаются все схожие прецеденты, мера сходства которых больше заданного заранее значения (в данном случае задана мера сходства не меньше 0,5) (рис. 2). При поиске принимаются во внимание отношения класс-класс ^^) и часть-целое (part-of). Отношение класс-класс учитывает при сравнении степень таксономической близости концептов. Расчет этой меры сходства происходит следующим образом: разработанный алгоритм определяет все суперклассы рассматриваемого экземпляра в онтологии и запросного экземпляра, далее вычисляется отношение пересечения множеств суперклассов экземпляра и запросного экземпляра к объединению данных множеств (мера Жаккарда). Мера сходства часть-целое позволяет учесть атрибуты (свойства) экземпляров. Для сравнения сложных свойств (экземпляр — часть экземпляра) алгоритм применяется рекурсивно, при заданной максимальной глубине рекурсии. При этом производится сравнение только атрибутов совместимых типов, т. е. имеющих атрибуты общего базового класса. В алгоритме производится определение свойств запроса и рассматриваемого экземпляра. Если сравниваемое свойство является объектом (составным свойством), то производится вычисление меры сходства между объектами. Если сравниваемое свойство не является объектом, то в соответствии с разработанным алгоритмом определяется мера сходства значений простого свойства.
После того, как рассчитаны локальные меры сходства элементов запроса и прецедентов определенного класса, вычисляется глобальная мера сходства. При выборе технологом наиболее подходящего по его мнению прецедента в верхней части экрана отобразятся его признаки и их значения, а в ниж-
Нв5 2006
ней — сценарий действий по устранению проблемной ситуации в аэротенке (рис. 4).
Прецедент m
Показать описание...
Микроорганизмы
Микроорганизм | Концентрация
Sphaerotilus 16000 Показать объект...
Действия
Тип Описание
[Изменение параметра Увеличен объем, выделяемый под ре...
Изменение параметра Изменение параметра Выполнение процесса Повышена подача воздуха в 2 раза Увеличена концентрация активного и... Обработка ультрафиолетовым из луч... Показать объект...
Рис. 4. Окно рекомендаций СППР
Если предлагаемый в прецеденте сценарий действий возможно адаптировать, производится адаптация параметров с учетом показателей конкретного очистного сооружения. Если ситуация штатная или относится к классу ситуаций не в аэротенке, то система выдает сообщение об этом и прекращает работу до формирования следующего запроса.
Таким образом, разработанная СППР позволит повысить эффективность принятия решений при управлении процессом очистки сточных вод.
Литература
1. Бадамшин Р.А., Ильясов Б.Г., Черняховская Л.Р. Проблемы управления сложными динамическими объектами в критических ситуациях на основе знаний. М.: Машиностроение, 2003.
2. Соловых Г.Н., Левин Е.В., Пастухова Г. В. Биотехнологическое направление в решении экологических проблем. Екатеринбург, 2003.
3. Морозов Н.В. Экологическая биотехнология: очистка природных и сточных вод макрофитами. Казань: Издательство Казанского государственного педагогического университета, 2001.
4. Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем. СПб: Питер, 2000.
5. Baeza J., Ferreira E, and Lafuente J. Knowledge-based Supervision and Control of Wastewater Treatment Plant: a Real-time Implementation// Water Science & Technology, 41(12). 2000.
6. Bergmann R. Induction and Reasoning from Cases (INRECA), University of Kaiserslautern, Germany, 2000. Case Studies in Object Oriented Analysis and Design. E. Yourdon, C. Argila. Copyright 1996 by Prentice-Hall PTR. Prentice-Hall, Inc. A Simon & Schuster Company. Upper Saddle River, New Jercey 07458. Р. 264.
7. Comas J. Development, implementation and evaluation of an activated sludge supervisory system for Granollers WWTP. Ph. D. thesis, Departa-ment d'enginyeria qunmica agr'aria i tecnologies agroaliment'aries, Universitat de Girona, Girona, Spain// COMADEM, 1(3). 2000.
8. Osmond D.L., Gannon R.W., etc. WATER-SHEDSS// AWRA Journal of the American Water Resources Association. Vol. 33. April, 1997. №2.
9. Riano D. Learning rules within a framework of environmental sciences//In ECAI98—W7(BESAI98) workshop notes. Brighton, UK, 1998.
10. Sanchez-Marre M. DAI-DEPUR: an integrated supervisory multi-level architecture for wastewater treatment plants. Ph. D. thesis, Software Department, UPC. Barcelona, Spain, 1995.
11. Shkundina R., Schwarz, S. A Similarity Measure for Task Contexts//Proceedings of the 6th International Conference on Case-Based Reasoning (ICCBR) 2005, LNCS 3620, Springer Verlag, 2005. Chicago, 2005.
12. Wiese J., Stahl A, Hansen J. Applying and optimizing case-based reasoning for wastewater treatment systems//AI Communications. Special Issue: Binding Environmental Sciences and AI, 18(4). 2005.
13. Yang C.T., Kao J.J. An Expert-system for Selecting and Sequencing Wastewater Treatment Processes// Water Science & Technology, 34(3-4). 1996.
Р. А. Шкундина
