CC BY
86Системы автоматизированного и дистанционного обучения
119
Системы автоматизированного и дистанционного обучения
УДК 656.25+681.5.09
Использование технологии гибридных экспертных систем и имитационных моделей для создания автоматизированных обучающих комплексов СЖАТ
А. Ю. Дюбина
Петербургский государственный университет путей сообщения Кафедра «Автоматика и телемеханика на железных дорогах»
Аннотация. Рассмотрен вопрос эффективности использования автоматизированных обучающих комплексов (АОК) по системам железнодорожной автоматики и телемеханики для обучения и повышения квалификации обслуживающего персонала. В качестве инструмента для создания АОК предложено использовать гибридные интеллектуальные системы на основе экспертной системы и имитационной модели.
Ключевые слова: автоматизированный обучающий комплекс; гибридные интеллектуальные системы; экспертные системы; имитационная модель.
1 Введение
Сложность современных систем железнодорожной автоматики и телемеханики (СЖАТ) постоянно возрастает, а профессиональная деятельность работников железнодорожного транспорта требует постоянной ответственности, готовности к действиям в экстремальных или нестандартных ситуациях, оперативности в принятии решений.
Чтобы успешно осваивать внедряемое оборудование и современные системы, эксплуатационному штату необходимы новые специальные знания о принципах построения и работы систем ЖАТ. Необходимо также осваивать новые технологии выполнения работ в конкретных усло-
виях производства и поддерживать на требуемом уровне навыки действий в нестандартных ситуациях, потому что отказы элементов СЖАТ, особенно на участках с интенсивным движением поездов, приводят к нарушению графика движения поездов и задержкам, а следовательно, и к значительным материальным потерям. Именно поэтому при современных темпах совершенствования технологических процессов для сокращения эксплуатационных потерь и повышения уровня безопасности движения поездов возникает необходимость в непрерывном обучении и переподготовке специалистов всех звеньев.
В рассматриваемой нами предметной области большая часть знаний и навыков является личным опытом специалистов высокого уровня (экспертов) - опытных электромехаников, которые имеют уже длительный стаж и практические навыки по обслуживанию устройств СЦБ и устранению в них отказов, поэтому подготовка (обучение, повышение квалификации) кадров весьма затруднительна и требует много времени. Это происходит в силу ряда причин.
Во-первых, знаний, содержащихся в источниках информации, отчужденных от специалиста, как правило, недостаточно. Значительная часть профессионального
120
Системы автоматизированного и дистанционного обучения
опыта остается вне этих источников, в головах профессионалов. Такие знания часто называют профессиональным умением, или интуицией.
Во-вторых, использовать для обучения персонала человека-эксперта зачастую невозможно из-за ограниченного количества экспертов и их непосредственной занятости в рабочем процессе.
В-третьих, наиболее понятной общую структуру и принципы работы исследуемого устройства (или системы) делает непосредственная практическая работа с ним, а эксперименты на реальных производственных объектах хозяйства автоматики и телемеханики практически невозможны из-за необходимости соблюдения требований безопасности движения поездов или экономически нецелесообразно.
В связи с этим все более актуальной становится задача тиражирования опыта и знаний ведущих специалистов хозяйства автоматики и телемеханики.
2 Автоматизированные обучающие комплексы
Эффективное решение задачи повышения профессиональных знаний и навыков работников хозяйства автоматики и телемеханики связано с применением АОК, которые будут сочетать в себе максимальное приближение к реальной производственной ситуации, высокое качество учебного материала и интерактивные методы его представления с учетом особенностей изучаемых материалов. Обучающие курсы для таких комплексов должны разрабатывать высококвалифицированные преподаватели и эксперты, имеющие длительный опыт работы на производстве и в эксплуатации СЖАТ.
В отраслевой научно-исследовательской лаборатории автоматизации технического обслуживания, диагностики и мониторинга (ОНИЛ АТОДМ) разработано около 30 обучающих курсов АОС-ШЧ по системам и устройствам ЖАТ, нормативным документам и инструкциям. Система АОС-ШЧ автоматизирует изучение прин-
ципов работы устройств и систем ЖАТ, требований нормативных документов и действующих инструкций ОАО РЖД, технологии производства работ по техническому обслуживанию устройств ЖАТ, учет результатов обучения и получения отчетных документов, организацию учебного процесса, поиск неисправностей в устройствах ЖАТ и другие практические действия. При этом можно проверить знания пройденного материала по всей тематике и оценить их уровень (текущий контроль, экзамен) [1].
Для создания АОК эти обучающие курсы необходимо объединять с компьютерными тренажерами по поиску неисправностей системы и действующими макетами реальных устройств СЦБ, имитирующими работу. Это приблизит процесс обучения к реальной производственной ситуации, что существенно повысит к нему интерес, а также позволит сочетать компьютерное моделирование СЖАТ с практическими навыками работы с устройствами.
В качестве инструмента для создания АОК, который бы соответствовал всем вышеуказанным требованиям, можно эффективно применить системы искусственного интеллекта.
3 Синтез АОК СЖАТ с использованием технологии гибридных интеллектуальных систем
В настоящее время созданы различные виды систем искусственного интеллекта (или интеллектуальных систем), такие как экспертные системы, нечеткие системы, системы поддержки принятия решений, искусственные нейронные сети, системы планирования движения роботов, генетические алгоритмы.
Интеллектуальные системы (ИС), созданные за последние годы, в зависимости от архитектуры можно классифицировать на однокомпонентные и многокомпонентные ИС.
Системы автоматизированного и дистанционного обучения
121
Однокомпонентные ИС основаны на использовании единственного средства искусственного интеллекта, такого, например, как нечеткая логика или искусственная нейронная сеть.
Многокомпонентные ИС объединяют различные средства искусственного интеллекта в единую вычислительную модель. Многокомпонентные ИС представляют собой архитектурно более сложные системы с компонентами, обладающими собственной функциональностью и объединенными в иерархическую многослойную модель. Корректная работа такой системы зависит от правильной работы всех слоев, ошибка в работе одного из слоев может распространяться на другие слои и отразиться на работе всей системы. Многокомпонентные ИС совмещают различные средства искусственного интеллекта, которые взаимодействуют между собой для получения решения поставленной задачи.
Такое разнообразие интеллектуальных систем определяется необходимостью формализации различных данных и знаний, причем не всегда процесс формализации можно успешно выполнить для данных и знаний любого вида. Вот почему в последние годы стали интенсивно развиваться гибридные интеллектуальные системы (ГИС) - один из видов многокомпонентных интеллектуальных систем, которые способны решать задачи, не решаемые отдельными методами искусственного интеллекта.
ГИС позволяют более эффективно соединять формализуемые и неформализуемые знания за счет интеграции традиционных средств искусственного интеллекта.
Использование ГИС особенно эффективно при обнаружении неисправностей в технических системах в тех отраслях, где приходится иметь дело как с четкими, так и с нечеткими знаниями, а устройства и системы железнодорожной автоматики как раз к таковым и относятся.
Гибридные ИС можно классифицировать в зависимости от архитектуры сле-
дующим образом: 1) комбинированные,
2) интегрированные, 3) объединенные и 4) ассоциативные гибридные интеллектуальные системы (рис. 1).
Кроме того, можно рассматривать и еще один тип ГИС, появление которого обусловлено стремительным ростом объемов знаний и данных, которые могут храниться в распределенных базах данных, доступных через глобальную сеть Internet. Архитектуру ГИС такого типа можно назвать распределенной (рис. 2).
а)
—С
б)
W
]—
Рис. 1 Типы архитектур ГИС: а) комбинированная; б) интегрированная; в) объединенная; г) ассоциативная
Рис. 2 Архитектура распределенной ГИС
Примером комбинированных ГИС служат гибридные экспертные системы (ГЭС), представляющие собой интеграцию экспертных систем и нейронных сетей и соединяющие как формализуемые (в экспертных системах), так и неформализуемые знания (в нейронных сетях).
Внешние входные данные поступают в гибридную систему как через экспертную систему, так и через нейронную сеть. Выходные данные экспертной системы и нейронной сети поступают на вход модуля, находящего и объясняющего решения.
122
Системы автоматизированного и дистанционного обучения
В архитектуре интегрированных ГИС главенствует основной модуль-интегратор, который в зависимости от поставленной цели и текущих условий нахождения решения выбирает для функционирования те или иные интеллектуальные модули, входящие в систему, и объединяет отклики задействованных модулей.
Характерной особенностью нейронных сетей и генетических алгоритмов является их способность к обучению и адаптации посредством оптимизации. Соединение этих методов с другими методами искусственного интеллекта позволяет повысить эффективность обучения нейронных сетей. Такую архитектуру ГИС можно отнести к объединенному типу.
Архитектура ассоциативных ГИС предполагает, что интеллектуальные модули, входящие в состав такой системы, могут работать как автономно, так и в интеграции с другими модулями. В настоящее время из-за недостаточного развития ассоциативных ГИС они не получили широкого распространения.
Следующим уровнем в развитии гибридных систем могут стать распределенные интеллектуальные системы, представляющие мультиагентный подход в области распределенного искусственного интеллекта. При этом подходе каждый функциональный интеллектуальный модуль работает автономно и взаимодействует с другими модулями (агентами) путем передачи сообщений через сеть. Существующие в настоящее время интеллектуальные системы, такие как экспертные системы, нейронные сети и т. п., могут быть преобразованы в агенты [2].
4 Применение экспертной системы и имитационной модели в составе ГИС
В ОНИЛ АТОДМ предполагается провести исследование и из всего многообразия гибридных экспертных систем (ГЭС) выбрать для создания АОК по системам и устройствам железнодорожной
автоматики и телемеханики наиболее подходящий тип. Основными компонентами такой ГЭС будут экспертная система, содержащая обучающие курсы АОС-ШЧ, и имитационная модель системы или устройства ЖАТ. Выбор определенного типа ГЭС позволит объединить достоинства ЭС и имитационных моделей, а также взаимно компенсировать их недостатки.
C точки зрения создания АОК по устройствам и системам автоматики и телемеханики достоинствами экспертных систем являются:
1. Возможность относительно легкого понимания работы системы.
2. Легкость передачи или воспроизведения. Передача знаний от одного человека другому - долгий и дорогой процесс. Передача искусственной информации -это простой процесс копирования программы или файла данных.
3. Постоянство системы. Человеческая компетенция ослабевает со временем. Перерыв в деятельности человека может серьезно отразиться на его профессиональных качествах, а ЭС поможет восполнить багаж утерянных знаний.
Недостатками этих систем являются:
• трудность и неестественность реализации конкретных условий хозяйства автоматики и телемеханики;
• трудности в условиях неопределенности, недостаточности знаний.
Разработка ЭС не позволяет полностью отказаться от эксперта-человека. ЭС не могут с достаточной точностью отобразить реальные производственные условия, а в области систем ЖАТ человеческая компетенция явно превосходит искусственную ЭС. Исключить этот недостаток позволяет использование в АОК совместно с ЭС (теоретическим обучающим материалом) имитационной модели системы или устройства ЖАТ.
Физический эксперимент на реальных объектах хозяйства автоматики и телемеханики зачастую экономически нецелесообразен и ведет к нарушению условий безопасности движения поездов, а дей-
Системы автоматизированного и дистанционного обучения
123
ствующие макеты устройств и систем еще не так широко распространены на железных дорогах из-за требующихся для этого больших материальных затрат. Поэтому в данной ситуации будет целесообразным прибегнуть к математическому моделированию.
Математическое моделирование систем делят на аналитическое и имитационное. Аналитическое моделирование представляет собой функциональные соотношения (алгебраические, интегродиф-ференциальные, конечно-разностные) или логические условия. Сложная динамика процесса функционирования устройств ЖАТ не может быть описана системой уравнений. Особенно трудно учесть действие случайных факторов и динамику функционирования объекта, поэтому будет применено имитационное моделирование. Имитационная модель - это математическая модель, отражающая поведение моделируемого объекта при заданных меняющихся во времени внешних воздействиях. Сущность имитационного моделирования состоит в искусственном воспроизведении технологической системы с помощью специально построенной математической модели, хранящейся в памяти ЭВМ (рис. 3).
Рис. 3 Принцип имитационного моделирования
Имитационное моделирование похоже на физические эксперименты, но эти эксперименты проводятся не на физическом объекте, а на компьютерной модели.
Над моделью проводят множество экспериментов типа «Что, если...?». Изменяя исходные показатели в модели, выбирают и реализуют на практике лучший
вариант организации технологического процесса.
В отношении СЖАТ подобное экспериментирование позволит, например, вводить какие-либо неисправности конкретных узлов и наблюдать на выходе поведение при данном отказе всей системы в целом. Это, несомненно, позволит повысить качество процесса обучения, получить навыки обращения с конкретной системой, сделает обучающий материал более наглядным.
Недостатком имитационного моделирования является то, что надо интерпретировать результаты моделирования. Сам процесс имитации скрыт от экспериментатора, поэтому специализированные языки имитационного моделирования соединяются с программами компьютерной анимации, позволяющими отображать динамику процесса на экране компьютера в соответствии с работой имитационной модели и выводить результаты на монитор [3].
5 Заключение
Таким образом, сочетая в одной гибридной экспертной системе имитационную модель и ЭС, мы сможем получить автоматизированный обучающий комплекс, который будет содержать:
- обучающий материал, разработанный высококвалифицированными специалистами, позволяющий тиражировать в той или иной степени опыт и знания экспертов;
- имитационную модель системы или отдельного устройства ЖАТ, которая приближает процесс обучения к реальной производственной ситуации и делает его более наглядным, позволяет обучающемуся делать какие-либо эксперименты на моделях, устройство которых сходно с реальным оборудованием, без нарушения условий безопасности движения поездов и эксплуатационных потерь.
124
Системы автоматизированного и дистанционного обучения
6 Библиографический список
1. Нестеров В. В. Компьютерное обучение на основе типового класса / В. В. Нестеров // Автоматика, связь, информатика. -2012. - № 1. - С. 27-29.
2. Гаврилов А. В. Гибридные интеллектуальные системы / А. В. Гаврилов, Ю. В. Новицкая. - Новосибирск : НГТУ, 2003 - Т. 3. -С. 116-121.
3. Зиновьев В. В. Компьютерная имитация и анимация / В. В. Зиновьев / Кузбасс : КузГТУ, 2002. - 77 с.
Первая докторская диссертация на кафедре «Автоматика и телемеханика на железных дорогах» защищена в 1980 году Вал. В. Сапожниковым.
