Методы информационного анализа жизненного цикла сложных технических объектов Текст научной статьи по специальности «Компьютерные и информационные науки»

Краткие сообщения

УДК 681.3

Н.Г. Губанов

МЕТОДЫ ИНФОРМАЦИОННОГО АНАЛИЗА ЖИЗНЕННОГО ЦИКЛА

СЛОЖНЫХ ТЕХНИЧЕСКИХ ОБЪЕКТОВ

Рассмотрена проблема информационного анализа сложных технических объектов. Предложен подход к инее-

стиционному проектированию сложных технических объектов, основанный на методах управления динамическими системами.

Управление развитием сложных технических объектов (СТО) является важной составляющей современной промышленной деятельности. Проблема эффективного управления СТО охватывает широкий круг прикладных областей - от проектирования и производства сложных наукоёмких изделий до обеспечения безопасной эксплуатации потенциально опасных промышленных объектов. Востребованность практических результатов в данных областях обусловливает активные исследования по разработке обобщенных методов анализа, синтеза и управления СТО.

Для описания СТО во времени Используют понятие жизненного цикла ЖЦ СТО, отражающее период его существования. ЖЦ СТО исчисляется от начала работ по созданию аналога и технического задания на объект до полной его деградации, которая завершается снятием системы вначале с серийного производства, а затем и с эксплуатации []].

Различают два периода ЖЦ СТО: период развития системы и период целевого функционирования с постепенно развивающейся деградацией. Каждый период разделяют на различные этапы. Деятельность на периоде развития СТО связана с научно-исследовательской, проектной и производственной деятельностью, а для целевого функционирования с развивающейся деградацией профессиональная деятельность направлена на сохранение во времени заданных показателей эффективности.

Проектирование развития СТО заключается в планировании ряда этапов жизненного цикла, перекрывающих и накладывающихся во времени друг на друга в различных комбинациях. В этой связи представление ЖЦ СТО как динамической системы позволяет формировать методы анализа, оценки и управления, позволяющие оценить такие параметры инвестиционных проектов, как их устойчивость, допустимые воздействия среды, обратимость различных процессов, а также прослеживать траектории развития объекта и оптимизировать его эксплуатацию. При такой постановке ещё острее встаёт проблема информационного анализа системы - оценки энтропии системы и решения одной из ключевых задач представления информации о системе. Предпочтительно, чтобы решение задачи представления в данном случае основывалось на компромиссе между методами теории представлений и понятийной декомпозиции предметной области, реализуемом на основе функциональной, структурной или объектной методологии анализа.

Такой подход позволяет выстраивать декомпозиционные схемы основываясь на поиске регулярности объекта с использованием основополагающих принципов теории образов - атомистичности, комбинатор-ности, наблюдаемости и реалистичности [3], что дает возможность формировать алгоритмы и методы синтеза знаний новых проектов, применяя опыт имеющихся, и проводить оценку знаний на этапе анализа проекта. На начальном этапе предполагается, что знания объекта X формируются из атомарных знаний 2° и правил , налагающих ограничения на связи между ними:

г=(га,гг).

Полученная комбинаторная структура объединяет декларативную и процедурную части знаний объекта, а правило формирования связей определяет тип регулярности дайной структуры.

Для решения задач анализа структуры и содержания знаний объекта на этапе планирования проекта и синтеза знаний нового объекта при проектировании необходимо формировать алгоритмы обработки данных комбинаторных структур. К данным алгоритмам, в частности, относятся алгоритмы формирования правил идентификации, восстановления структуры и т.п. Для этой цели целесообразно применение процедуры распознавания - определения отношения X к ближайшему классу комбинаторных структур. В этой

связи возможно применить методологию иерархической таксономии, которая позволяет проводить анализ структурных объектов иерархического характера.

При формировании знаний проекта из различных массивов данных необходимо провести сравнение между собой их внутренних структур, что приводит к необходимости измерять степень близости между иерархическими структурами.

Предметные области описываются данными и знаниями, которые являются основными понятиями интеллектуальной системы принятия решений. Выделяют ряд этапов для усложнения данных и превращения их в знания. Каждый этап обогащает информацию свойствами внутренней интерпретируемости, структурированности, связности, шкалирования, семантической метрики, наличием активности. В БЗ утверждения, не требующие обоснования, возможны в условиях, когда исходная система аксиом и правил вывода для множества высказываний с заданными свойствами должна обеспечивать возможность вывода всех высказываний, входящих в это множество, а также не позволять выводить высказывания, не принадлежащие заданному множеству. Кроме того, данная система должна точно описывать сущности предметной области и придавать удовлетворительные значения функции. Однако ка практике данные и знания, описывающие предметные области, характеризуются следующими свойствами: неполнота; противоречивость; неточность; неопределенность; нечеткость.

Поэтому в основу построения баз знаний необходимо использовать индуктивные и абдуктивные методы 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, моделирующая использование накопленного опыта для обработки новых знаний.

Алгоритм функционирования систем для пересматриваемой аргументации заключается в выполнении последовательности следующих процедур:

- определение аргумента как дерева выводов, основанного на посылках, либо как дедукции, либо как пары «посылка— заключение»;

- определение конфликта между аргументами, идентифицируемого как опровержение аргумента или как подрыв аргумента;

- определение поражения аргумента формированием бинарного отношения на множестве аргументов;

- оценка аргументов по параметрам, определяемым спецификой предметной области.

Проблемы построения абдуктивного вывода заключаются в выборе критерия оценки варианта объяснения, характеризующего степень его правдоподобия. Общая оценка качества абдукции основана на ряде подходов: подходы, основанные на покрытии множеств и предполагающие порождение множества гипотез и отбор подмножества, которое представляет наилучшее объяснение для наблюдения, определяемое с использованием покрытий объяснений из числа этих гипотез; подходы, основанные на логике; подход на уровне знаний, который рассматривает абдукцию на уровне неявных убеждений, основанных на логических моделях.

Индуктивный вывод в сложных системах позволяет строить обобщенные модели знаний и 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. Индукционный вывод позволяет решать следующие классы задач:

- задача индуктивного формирования понятий с целью выделения наиболее общих или характерных фрагментов знания; при этом необходимо избавляться от случайной несистемной информации; : ■

- задача машинного обучения, где на основе анализа обучающей выборки да&тся прогноз о новых объектах; '

- задача распознавания, которая заключается в формировании решающего правила, относящего объект к определённому классу.

Анализ развития современных систем логического вывода показывает перспективность использования в рамках одной системы комплексного подхода, включающего абдукции для получения гипотез* которые объясняют наблюдения за параметрами системы состоянием среяы, индукции для формирования:и оценки правил вывода, и дедукции для прогнозирования перспективного состояния системы.

БИБЛИОГРАФИЧЕСКИЙ СПИСОК

1. Саркисян С.А., Ахундов В.М.. Минаев Э.С. Большие технические системы. Анализ и прогноз развития . М., Наука, 197.7, 350 с.

2. Охтилев М.Ю., Соколов Б.В., Юсупов Р. М Интеллектуальные технологии мониторинга и управления структурной динамикой сложных технических объектов. М.: Наука, 2006. 410 с.

3. Гренандер У. Лекции то теории образов: Регулярные структуры. М.: Мир, 1983.

Статья поступила в редакцию /3 марта 2007 г.

УДК 51-7 Т.М. Егорова

АНАЛИЗ И ОЦЕНКА СИСТЕМ ФОРМИРОВАНИЯ И КВАЛИМЕТРИИ ПРОФЕССИОНАЛЬНЫХ ЗНАНИЙ С ПОМОЩЬЮ ТЕОРИИ НЕЧЕТКИХ МНОЖЕСТВ

Рассмотрена проблема оценки систем формирования и квалиметрии профессиональных знаний. Приводится решение задачи с применением аппарата теории нечетких множеств. В частности, построено дерево логического вывода, связывающее частные и интегральный показатели и позволяющее получить знания о качестве исследуемых систем.

Систематические исследования в области компьютерной поддержки процесса обучения имеют более чем сорокалетнюю историю. За этот период в разных странах было создано большое количество автоматизированных систем учебного назначения, ориентированных на различные типы ЭВМ и решающих задачи формирования и оценки профессиональных знаний. Однако очень серьезная проблема заключается в том, что в настоящий момент требуется не только создавать программное обеспечение для подготовки и переподготовки специалистов различного профиля, но оценивать качество самих обучающих программ.

Существенным моментом при оценке систем формирования и квалиметрии профессиональных знаний является исследование качества с применением системного подхода. Системность качества раскрывается в единстве двух аспектов рассмотрения внешних и внутренних свойств. Одним из широко применяемых методов получения предварительных знаний о качестве систем является экспертный метод. Однако результаты общей экспертной оценки сложного комплекса свойств, каким является качество, имеют элементы неопределенности и необоснованности. Поэтому экспертная оценка в целом предварительная, не насыщенная информационно и только в первом приближении ориентировочно характеризует качество систем формирования и квалиметрии профессиональных знаний [1].

С другой стороны, применение детерминированных методов вносит определенность в те ситуации, где ее в действительности не существует. Подход на основе теории нечетких множеств является, по сути дела, альтернативой общепринятым количественным методам анализа систем. Он имеет три основные отличительные черты:

- вместо или в дополнение к числовым переменным используются нечеткие величины и так называемые «лингвистические» переменные;

- простые отношения между переменными описываются с помощью нечетких высказываний;

- сложные отношения описываются нечеткими алгоритмами.

Такой подход дает приближенные, но в то же время эффективные способы описания настолько сложных и плохо определенных систем, что они не поддаются точному математическому анализу. До работ Л.3аде подобная качественная информация, по существу, просто терялась. Теоретические основания данного подхода вполне точны и строги в математическом смысле и не являются сами по себе источником неопределенности, степень точности решения задается в соответствии с целью и требованиями поставленной задачи, а также в соответствии с точностью имеющихся данных [2].

В общем случае при анализе систем формирования и квалиметрии профессиональных знаний неточность возникает:

- из-за неточности оценки экспертами каждого критерия по каждой категории;

- из-за невысокой надежности получаемых экспертных данных, поскольку критериев качества много, а каждый критерий необходимо оценить по нескольким категориям;

- нечеткость в процессе принятия решения о качестве системы после повторного проведения экспертного оценивания системы.