CC BY
15МЕТОДОЛОГИЯ ФОРМИРОВАНИЯ ИНФОРМАЦИОННЫХ СИСТЕМ АНАЛИЗА СОСТОЯНИЯ СЛОЖНЫХ ТЕХНИЧЕСКИХ ОБЪЕКТОВ
Н.Г. Губанов1
Самарский государственный технический университет 443100, Самара, ул. Молодогвардейская, 244
Рассмотрены возможности комплексного применения достоверных и правдоподобных моделей для повышения эффективности информационных систем анализа состояния сложных технических объектов.
Ключевые слова: сложные технические системы, принятие решений, базы знаний Введение
Оценка состояния сложных технических объектов является методической основой для приложений в областях технической диагностики, контроля, испытаний, управления резервами, технического обслуживания. Состояние объекта определяется множеством сложно взаимосвязанных и взаимозависимых разнородных параметров. Современные тенденции к усложнению технических систем обусловливают увеличение параметров до десятков и сотен тысяч [1], а дефицит информации является одной из принципиальных проблем в исследовании системных закономерностей. Кроме того, данному классу систем присущи следующие характеристики: многоком-понентность; сложные взаимосвязи между компонентами; уникальность и единичность изготовления; невозможность поисковых воздействий на систему, на которых основан целый ряд методов синтеза управляющих воздействий и адаптации.
Указанные свойства обусловливают ряд объективных проблем в вопросах эффективного принятия решений на этапах целевого использования системы. Специалисты считают, что основной причиной неточности анализа состояния в системах данного класса является неточность исходных данных. Неполнота и противоречивость данных о системе обусловлена дороговизной, неэффективностью, а зачастую и невозможностью получения полной информации об объекте и среде его функционирования, разнородностью информации об объекте в виде точечных замеров и значений параметров; допустимых интервалов их изменения; статистических законов распределения для отдельных величин; нечетких критериев и ограничений, полученных от специалистов-экспертов.
Особенности логического вывода в информационных системах анализа сложных объектов
В качестве некоторого обобщения основных источников, формирующих информационное пространство, можно назвать данные на выходе ИИС, известные закономерности, заложенные в технической документации, где данными являются объективные законы реального мира, накопленные в фактографических и документальных системах, и выявленные закономерности, в частности имитационные модели. Каж-
1 Губанов Николай Геннадьевич, кандидат технических наук, доцент.
дый из источников в настоящее время представляет собой информационную основу для соответствующих направлений системного анализа, моделирования и управления сложными системами. Однако каждый вид ресурса в отдельности обладает рядом принципиальных ограничений, существенно сужающих область его применения; в то же время имеются существенные предпосылки для системной интеграции перечисленных ресурсов, заключающиеся в применении комбинации правдоподобного и достоверного подходов к логическому выводу, позволяющей получать новые нелинейные эффекты при синтезе информационно-аналитических систем.
Формирование схем анализа оценки и контроля состояния сложных объектов можно рассматривать как двухэтапную задачу: на первом этапе осуществляется сбор, формализация и соответствующая обработка исходных данных и условий задачи, на втором этапе - непосредственно синтез схемы анализа.
Практика показала эффективность комбинации различных подходов к логическому выводу в интеллектуальных системах, в частности аппроксимационные методы моделирования систем, по сути, используют дедуктивно-индуктивный подход. В основе построения баз знаний лежит синтез индуктивных и абдуктивных методов логического вывода. Абдукция, как процесс формирования объясняющей гипотезы, служит методологической основой построения алгоритмов правдоподобного вывода. Функционально абдуктивный вывод заключается в принятии решения по выбору оптимального объяснения наблюдения на основе заданной теории. Для данного исследования абдукция интересна как средство решения следующих классов задач: задача распознавания целей и стратегий деятельности субъекта, задача формирования моделей по наблюдениям за объектом, задача накопления и усвоения знаний, описывающих новые явления; тем самым моделируется использование накопленного опыта для обработки новых знаний.
Индуктивный вывод, позволяющий строить в сложных системах обобщенные модели знаний, основан на построении некоторого общего правила на основании анализа конечного множества наблюдаемых фактов. Качество обобщённых моделей зависит от полноты набора фактов, которым он пользуется при формировании гипотез. Процедурно процесс индуктивного вывода сложно формализуем и заключается в машинном построении новых гипотез на основе наблюдаемых фактов. Индуктивный вывод позволяет решать следующие классы задач: задача индуктивного формирования понятий с целью выделения наиболее общих или характерных фрагментов знания и избавления от случайной несистемной информации; задача машинного обучения, где на основе анализа обучающей выборки даётся прогноз о новых объектах; задача распознавания, заключающаяся в формировании решающего правила, относящего объект к определённому классу.
В настоящее время существуют конструктивные методы автоматического формирования алгоритмов мониторинга и управления структурной динамикой СТО [2], которые базируются на оперативном формировании операторных цепочек последовательного отображения измерительных и вычислительных параметров СТО для достижения цели анализа или управления. Данные технологии, в частности, базируются на обобщённых вычислительных моделях, являющихся развитием недоопре-делённых моделей.
На принципах индуктивного логического вывода, статистической обработки информации, а также информационных технологиях БЫ, ОЬЛР, КББ основан целый класс аналитических систем, которые, по мнению аналитиков рынка программ-
ных продуктов, составляют существенную часть стоимости СТС в целом [3].
В настоящее время существуют конструктивные методы автоматического формирования алгоритмов мониторинга и управления структурной динамикой СТО, которые базируются на оперативном формировании операторных цепочек последовательного отображения измерительных и вычислительных параметров СТО для достижения цели анализа или управления. Реализовать автоматический синтез программ мониторинга позволили методы автоматического доказательства теорем, в частности методология проверки на модели (model checing), метод синтеза атрибутных грамматик.
Категорное представление информационных систем анализа сложных объектов
При построении систем анализа, как правило, встают вопросы выбора методов формализации информационных ресурсов, формирования правил построения структур, а также анализ и построение на данных структурах алгоритмов генерации и отбора альтернатив решений. Конструктивным подходом к интеграции различных видов моделей объекта является применение методов категорно-функторного анализа. Данный подход позволяет сохранить целостность представления объекта за счёт инвариантности способа полимодельного описания объекта и свести исследования задач одного вида к задачам другого вида, при этом согласование разнородных моделей осуществляется на основе анализа принадлежности к заданной категории. Предложены алгоритмы автоматического формирования категорных структур, основанные, в частности, на основе анализа мер близости. В рамках данного подхода разработаны правила формирования полимодельных структур на основе операций наследования и композиции.
Основу систем анализа состояния СТО составляют полимодельные комплексы. Проблема создания алгоритмов формирования и представления полимодельных структур является одной из ключевых в современном системном моделировании. Структура и функционирование аналитических систем - S зависит от следующих информационных сущностей: объекта анализа (СТО) - Q ; цели функционирования аналитической системы - G, определяемой конкретной задачей принятия решения; полимодельного комплекса, задающего структуру системы, - M ; среды, определяющей параметры системы, - C , а также от отношений между данными структурами R = (rQM, rQC, rQG, rMC, rQM, rQC). Соответственно, информация по всем имеющимся в
распоряжении субъекта информационным ресурсам Z определится как Z = • (M, R), тогда формирование новой структуры информационно-аналитической
Q
системы можно представить в следующем виде: F = (Z,MG ,J), где MG - целевая структура системы, J = (Mb, p) - алгебра формирования структур, где Mb - множество базовых классов элементов структур M , а p = ( N, K) - операции формирования структуры системы: N - операция наследования, K - операция композиции. Комбинация данных операций формирования структуры системы, в отличие от конкатенации, позволяет сохранять целостность представления системы на различных уровнях иерархии. Алгоритмы формирования базовых классов объектов Аь =( Z, G, Mb) являются, по сути, проблемно-ориентированной декомпозицией Z , стратегия по-
строения данных алгоритмов лежит в русле принципа семиотической интроспекции, заключающегося в идентификации различий и обобщении подобий множества объектов.
Модель объекта M1 описывает его некоторые свойства в соответствующих категориях. Соответственно можно рассматривать M1 как объект категории ОЬМг, а взаимосвязь между объектами морфизмы MorM1 . Применительно к задаче таксономии категории формируются на основании [6] признакового пространства In ={li,12,* , 1n}, множества классов Kl(M) и самих объектов таксономии M . Объекты, принадлежащие одному классу, являются изоморфными, другими словами, неразличимыми в признаковом пространстве In , а классы объектов Kl (M) в данном признаковом пространстве являются гомоморфным, образуя при соответствующих свойствах признакового пространства категорию Cat (M).
Полимодельное описание объекта определяется совокупностью моделей различ-
к
ных категорий Mpoly = • M1 . Формирование правил отображения модели одного
г=1
вида в другой требует построения функтора F (Mv,Mu), вид которого определяет вид отношений между моделями видов (v, и). Соответственно, возможно формирование знаний категории Cat (Mu) при недостаточных условиях формирования категории. При помощи процедуры таксономии A возможна процедура A : 3F (Mv) ® Cat (Mu), которая позволяет строить и обрабатывать гипотезы относительно знаний одной категории, применяя их к знаниям другой категории, что расширяет практические возможности добывания знаний.
Алгоритмы реструктуризации данных полимодельных комплексов заключаются в коррекции отношений между объектами категории. Формирование новых категорий основано на методах наследования новых структур из существующих.
Пусть spm - базис категории; (S0pm ,y) - исходный объект; y е Hom (S0pm, Spm) -
отношение между данными объектами; (Sf", 1) - производный объект, где
1 е Hom (Spm, Spm).
Условие сопоставимости заключается в выполнении следующих выражений:
Зае Hom (S0pm,Spm) ; $(m е Hom (Spm,Spm)) ® ((Spm,j)N(Spm,v)),
тогда
$(m е Hom (Spm, Spm)) ® ((Spm, j) N(Spm,v)), где N - операция наследования объекта (Spm,j) в (Spm,u).
Выводы
Предложена система, общее функционирование которой заключается в совмещении баз знаний, содержащих исходные данные и машину вывода для формирования схем анализа, а также подсистему обращения, отбора или комбинации конкурирующих схем анализа, построения новых схем на следующем уровне иерархии. Такой подход позволил реализовать в рамках одной системы комплексного подхода, включающего алгоритмы абдукционного вывода для получения гипотез, объясняющих наблюдения за параметрами системы и состоянием среды, индукционные мето-
ды для формирования и оценки правил вывода, и дедукции для прогнозирования перспективного состояния системы.
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Охтилев М. Ю., Соколов Б. В., Юсупов Р. М. Интеллектуальные технологии мониторинга и управления структурной динамикой сложных технических объектов. - М.: Наука, 2006. - 410 с: ил., ВВЫ - 5-02-033789-7.
2. Батищев В.И., Губанов Н.Г. Категорное представление сложных технических объектов в индуктивных системах логического вывода / Под ред. акад. Е.А. Федосова, акад. Н.А. Кузнецова, проф. В.А. Виттиха // Проблемы управления и моделирования в сложных системах: Труды IX Международной конференции. - Самара: Самарский научный центр.
3. Вагин В.Н., Головина Е.Ю., Загорянская А.А., Фомина М.В. Достоверный и правдоподобный вывод в интеллектуальных системах / Под ред. В.Н. Вагина, Д.А. Поспелова. - М.: ФИЗ-МАТЛИТ, 2004. - 704 с. - ВВЫ 5-9221-0474-8.
4. Батищев В.И., Мелентьев В.С. Аппроксимационные методы и системы промышленных измерений, контроля, испытаний, диагностики. М.: Машиностроение-1, 2007. - 393 с.: ил. -ВВЫ 978-5-94275-338-2.
5. ЗагоруйкоН.Г. Прикладные методы анализа данных и знаний. - М.: ИМ СО РАН, 1999. - 270 с.
Статья поступила в редакцию 6 октября 2008 г.
UDC 681.3
THE METHODOLOGY OF THE FORMATION OF THE INFORMATION SYSTEMS OF THE ANALYSIS OF THE STATE OF THE COMPLEX TECHNICAL OBJECTS
N.G. Gubanov1
Samara State Technical University
244, Molodogvardeyskaya str., Samara, 443100
The possibilities of the complex application of reliable and plausible models for increasing the effectiveness of the information systems of the analysis of the state of complex technical objects are examined.
Key words: complex technical systems, decision making, knowledge bases
1 Nikolay G. Gubanov, Candidate of Technical Sciences, Associate professor.
