CC BY
5УДК 004.89:658.5.011 Andrey V. Gaikov1, Andrey A. Musaev2
А.В. Гайков1, А.А. Мусаев2
A MODULAR KNOWLEDGE BASE, AS ANALYTICAL COMPONENT OF COGNITIVE SYSTEM OF MANAGEMENT OF PRODUCTION PROCESSES
St. Petersburg State Institute of Technology (Technical University), Moskovsky Pr., 26, St. Petersburg, 190013, Russia St. Petersburg National Research ITMO University, Pr. Kro-nverksky, 49, St. Petersburg, 197101, Russia e-mail: av489@yandex.ru
A complex problem of building an integrated cognitive system for management of production processes (PP) is considered. A characteristic feature of cognitive control systems is the automatic use of the knowledge gained as a result of processing and accumulation of large datasets stored in the databases of enterprises which reflect the accumulated production experience. The paper presents a conceptual framework of modular knowledge base (KB) containing the algorithmic and software tools for automated or automatic control of PP. As a technical platform, we use modern trends in data processing - Data Mining, Big Data, MPC, etc.
Keywords: cognitive management system, production processes, knowledge base, software, algorithmic module, Data Mining
Введение и постановка задачи
Современные автоматизированные системы управления (АСУ) производственными процессами (ПП), как правило, ориентированы на реализацию в некотором априори заданном классе управляемых процессов. При этом сложность управления ПП определяется множественностью взаимосвязанных параметров и неполнотой их описания. Динамические процессы, описывающие эволюцию состояния ПП (обычно нелинейную и нестационарную), характеризуются высоким уровнем неопределенности, что существенно затрудняет проектирование и эксплуатацию типовых систем автоматизированного управления.
В то же время, большинство подобных АСУ ПП допускает возможность улучшения управления, базирующуюся на накопленном опыте эксплуатации и реализуемом в виде электронных журналов (логов) в архивах систем управления. При наличии эффективных подсистем сортировки, хранения, поиска и доступа к имеющимся
МОДУЛЬНАЯ БАЗА ЗНАНИЙ, КАК АНАЛИТИЧЕСКАЯ КОМПОНЕНТА КОГНИТИВНОЙ СИСТЕМЫ УПРАВЛЕНИЯ ПРОИЗВОДСТВЕННЫМИ ПРОЦЕССАМИ
Санкт-Петербургский государственный технологический институт (технический университет), Московский пр., д. 26, Санкт-Петербург, 190013, Россия Санкт-Петербургский национальный исследовательский университет информационных технологий, механики и оптики, Кронверкский пр., д. 49, Санкт-Петербург, 197101, Россия e-mail: av489@yandex.ru
Рассматривается комплексная проблема построения интегрированной когнитивной системы управления производственными процессами (ПП). Характерной чертой когнитивных систем управления является автоматическое использование знаний, полученных в результате обработки и накопления больших массивов, накопленных в базе данных предприятий и отражающих накопленный производственный опыт. В работе представлены концептуальные основы построения модульной базы знаний, содержащей программно-алгоритмический инструментарий автоматизированного или автоматического управления ПП. В качестве технической платформы в работе используются современные тренды обработки данных - Data Mining, Big Data, MPC и др.
Ключевые слова: когнитивные системы управления, производственные процессы, база знаний, программно-алгоритмический модуль, Data Mining
знаниям по управлению ПП, возникает принципиальная возможность построения качественно новой, когнитивной системы управления, опирающейся, с одной стороны, на огромный объем ретроспективных данных, отражающих накопленный опыт управления ПП, а, с другой стороны, - на современный арсенал математических методов, интегрированных в концептах Big Data и Data Mining [1-9].
При этом различные реализации когнитивной системы управления (СУ) могут формироваться на основе различных методологических платформ управления ПП. В частности, представляется перспективным использование когнитивных управлений на основе model predictive control (МРС) технологий [10], т.е. управлений с использованием прогностических моделей. Наличие корректного прогноза позволяет повысить качество интерактивного взаимодействия, своевременно и эффективно контролировать локальные отклонения состояния ПП от оптимального режима, удерживать параметры ПП в рамках допустимых ограничений, упреждающе реагировать на
1 Гайков Андрей Владимирович, канд. техн. наук, доцент каф. системного анализа и информационных технологий, зам декана ф-та информационных технологий и управления СПбГТИ(ТУ), e-mail: av489@yandex.ru
Andrey V. Gaikov, Ph.D (Eng.), associate professor, Department System Analysis and Information Technologies, deputy dean of the faculty of information technology and control, SPbSIT(TU)
1 Мусаев Андрей Александрович, аспирант Университета ИТМО, e-mail: amusayev1990@gmail.com Andrey A. Musayev, postgraduate student, ITMO University
Дата поступления - 16 апреля 2017 года
возникающие неисправности технических устройств (ТУ) и системы мониторинга, предотвращать возможные технические отказы и т.п.
Общим для когнитивных СУ является ориентация на накопленные знания, используемые, прежде всего, для построения и последовательной коррекции математических и имитационных моделей, отражающих уникальные и постоянно изменяющиеся процессы эволюции состояния ПП. При этом «информационным сырьем» для формирования моделей служит совокупность ретроспективной информации, хранящейся в базах знаний, и оперативных данных, получаемых в процессе текущего мониторинга состояния ПП (включая результаты мониторинга входных (сырьевых) и выходных (товарных) потоков).
Соответствующая база данных помимо массивов данных должна хранить алгоритмы и программные реализации математического инструментария, основанного на многомерных статистических методах, теории динамических систем, а также новейших технологий компьютерной математики - искусственных нейронных сетях, генетических алгоритмах, алгоритмах ассоциативных связей и т.п.
Создание оптимизационных схем управления ПП допускает унифицированный подход. При этом оптимизация базируется на известных математических алгоритмах, а ПП группируются в некоторые функциональные классы. Однако тонкая настройка управления уникальна и отражает постоянно изменяющиеся условия эксплуатации, вариации качества сырьевых потоков, особенности текущей производственной программы и т.п. Собственно, необходимость в тонком, корректирующем управлении и привела к осознанию перехода к когнитивным схемам управления, основанном на накопленных знаниях и способном динамически перестраиваться в изменяющихся условиях производства.
Заметим, что развитие интеллектуальных средств анализа и управления на платформе Data Mining происходило в двух направлениях.
Первое направление сводится к созданию коммерческих программных продуктов, базирующихся на определенном классе математического инструментария [11, 12]. В частности, существуют программные пакеты Data Mining на основе статистических методов, нейросе-тевых технологий, прецедентном анализе, генетических алгоритмах и т.п. Развитие направления привело к появлению достаточно большого числа коммерческих разработок стоимостью от несколько сотен до десятков тысяч US$. Первоначально наиболее широкое применение данные комплексы нашли в сфере бизнеса и финансового анализа [12, 13], а затем стали широко использоваться и в других сферах деятельности, в том числе, в промышленных приложениях.
Второе направление разработок в области интеллектуального анализа данных (ИАД) связано с созданием предметно-ориентированных программных продуктов, предназначенных для изучения конкретных классов приложений. В частности, возникли решения в области моделирования и оптимизации ПП, такие как Aspen HYSYS, ChemCAD и др. Указанные программные продукты теоретически позволяли получать предварительные решения в области промышленной автоматизации, связанные с оптимизацией управления ТУ определенного класса, производственными циклами и т.п. [14-16].
Оба указанных выше направления, нашедшие широкое применение в различных предметных областях, продемонстрировали высокую экономическую отдачу при сравнительно невысоких инвестиционных затратах. В то же время, их реализация выявила существенные проблемы и ограничения по возможности их применения, важнейшими из которых являются:
1. Неполнота и низкое качество «сырых данных» (Raw Data), полученных в процессе мониторинга состояния исследуемых объектов и используемых для построе-
ния и коррекции математических моделей [17].
2. Высокие требования к точности идентификации протекающих процессов, связанные с соизмеримостью относительного выигрыша с флуктуационными характеристиками систем мониторинга и параметров эволюции состояния самого объекта управления.
3. Необходимость дополнительных инвестиций, обусловленных сложностью стыковки и адаптации готовых комплексных программных решений с "развернутыми" АСУ ПП.
4. Закрытость алгоритмического обеспечения, как коммерческого продукта, его недоступность для оперативной адаптации со стороны пользователя, а порой и для настройщиков DM продуктов.
5. Сложность эффективного применения аналитических надстроек для пользователей, не обладающих достаточным уровнем математической подготовки.
Перечисленные проблемы существенно снижали эффективность внедрения и применения унифицированных DM программных продуктов.
Значимым развитием указанного направления явилась парадигма когнитивного управления, ориентированного на создание и применение технологий, базирующихся на развивающихся базах знаний.
Рассмотренный в настоящей работе подход к созданию когнитивной СУ базируется на разработке концепта модульной базы знаний, позволяющей сформировать гибкую систему когнитивного корректирующего управления ПП. При этом предполагается, что предложенное решение позволит частично разрешить перечисленные выше ограничения, обусловленные унифицированными DM решениями.
Предполагается, что база знаний, как элемент когнитивной СУ, будет играть роль многофункциональной программно-аналитической платформы, предназначенной:
- для накопления и хранения накопленного производственного опыта в виде совокупности ретроспективных данных и интерпретирующих материалов;
- для хранения и модификации функционально разнородного программно-алгоритмического инструментария.
Инструментальная часть модульной базы знаний сформирована в виде некоторого интеллектуального «конструктора», образованного совокупностью групп функциональных программно-алгоритмических модулей (ПАМ). При этом каждая группа может содержать модули с общей функциональной направленностью, но построенные на различных математических технологиях.
Функциональная структура модульной БЗ, используемой в качестве когнитивной надстройки системы управления ПП, приведенная на рисунке 1, включает модули трех уровней.
Рисунок 1. Функциональная структура БЗ когнитивной надстройки АСУ ТП Инструментальный уровень включает модули предобработки, анализа и прогнозирования, результаты
которого используются для вышестоящего, базового уровня, предназначенного для решения задач оптимизации управления и инспекции состояния измерительных и исполнительных механизмов систем управления. Верхний уровень (уровень метауправления) не является обязательным и формируется при необходимости оперативной увязки задач управления с изменяющимися требованиями иерархически вышестоящей системы.
Из приведенного рисунка видно, что структура когнитивной надстройки СУ включает следующие ПАМ:
- модуль предобработки данных;
- модуль анализа данных;
- модуль прогноза, предназначенный для формирования прогностических сценариев эволюции состояния ПП,
- модуль оптимизации и поддержки управленческих решений;
- модуль контроля, оценка состояния и диагностирования контрольно-измерительной аппаратуры (КИА) и исполнительных устройств;
- супервизор, обеспечивающий координацию работы модулей, согласование с вышестоящим уровнем управления, проведение технико-экономического анализа.
В соответствии с указанной структурой когнитивная надстройка СУ обладает следующими функциональ-ностями:
1. Автоматизированная предобработка массивов исходных данных, включающая:
- восстановление пропусков в таблицах наблюдений (одиночных и групповых),
- выявление и обработку аномальных наблюдений и скрытых корреляционных несоответствий;
- сглаживание случайных шумов наблюдений;
- выявление мультиколлинеарности в исходных
данных;
- нормировка данных.
2. Автоматизированный анализ статистических и динамических характеристик исходных данных, включающий:
- дескриптивный статистический анализ каждого наблюдаемого параметра;
- анализ динамических характеристик каждого наблюдаемого параметра;
- выявление значимых взаимосвязей для каждого наблюдаемого параметра;
- идентификация формы (характера) взаимосвязей между любыми парами наблюдаемых параметров;
- выявление аномальных наблюдений и корреляционных несоответствий в группах наблюдаемых параметров;
- визуализация отклонений текущих значений групп наблюдаемых параметров от соответствующих значений на предыдущем шаге или от усредненных значений на N предшествующих шагах;
- корреляционный анализ групп наблюдаемых параметров;
- обобщенное (агрегированное) представление групп наблюдений и их визуализация.
3. Прогнозирование выходных характеристик и/ или состояния объекта управления на основе методов:
- многомерной регрессии;
- канонических корреляций;
- эволюционно-генетического моделирования;
- искусственных нейронных сетей;
- прецедентного анализа данных;
- калмановской фильтрации.
4. Оптимизация процесса управления сложной динамической системы на основе:
- полного перебора вариантов значений предикатов в окрестности ожидаемого значения целевой функции;
- случайного поиска в пространстве допустимых значений предикатов;
- обратного оценивания параметров управления.
5. Контроль состояния объекта управления и каналов мониторинга, на основе прогностического анализа невязок измерений и корреляционной структуры контролируемых параметров.
6. Формирование взаимосвязи системы оптимизации управления и контроля состояния объекта управления с вышестоящими и нижестоящими уровнями управления с учетом результатов текущего технико-экономического анализа.
Реализация когнитивной надстройки как элемента базы знаний
Важной особенностью проекта является построение всех ПАМ по единой унифицированной схеме, приведенной на рисунке 2.
Рисунок 2. Унифицированная структура функционального модуля
Структура модуля состоит из двух уровней. Базовый уровень исполнительной математики может формироваться на различных методах прикладной математики и слабо зависит от предметной области. Унификация реализации данного модуля достигается применением уровня HMI интерфейса, обеспечивающего учет особенностей предметной области и решаемой задачи. Таким образом, уровень интерфейса выполняет роль согласующего буфера между унифицированными алгоритмами обработки данных и специфическими особенностями конкретной задачи в выбранной предметной области. Кроме того, уровень модуля обеспечивает возможность «общения» ПАМ с настройщиком и оператором (т.е. функционирует в качестве человеко-машинного интерфейса), в нем реализуются опции настройки модуля и здесь же визуализируются выходные данные, отображающие качество решения соответствующих задач.
Математический инструментарий когнитивной надстройки СУ включает основные методы многомерного статистического анализа и компьютерной математики, используемые при создании проекта, приведены в таблице 1. В ней указаны перечни модулей, в которых указанные методы применяются.
В основу математического инструментария когнитивной СУ положены традиционные для задач управления методы многомерного статистического анализа (регрессионный анализ, канонические корреляции и др.). Применение относительно новых технологий компьютерной математики, широко используемых в Data Mining (эволюционное моделирование, нейросетевые технологии et cetera), позволяют существенно расширить сферу использования статистических алгоритмов путем построения достаточно эффективных прогностических сценариев развития ситуаций при наличии нестационарных возмущающих и управляющих воздействий.
Таблица. Математический инструментарий базы знаний когнитивной СУ
Методы Задачи Модули
Многомерный регрессионный анализ Моделирование процессов, оценка значений отдельных параметров по связанным с ними предикатам Предобра- ботчик, анализатор, прогнозатор, оптимизатор, инспектор
Канонические корреляции Моделирование процессов, оценка значений групп параметров по связанным с ними предикатам Прогнозатор, оптимизатор, инспектор
Проверка статистических гипотез Проверка принадлежности, стационарности, независимости, нормальности. Предобра- ботчик, анализатор, инспектор
Статистическая фильтрация Фильтрация стохастической компоненты наблюдений (фильтр Калмана, экспоненциальный фильтр и др.) Предобра- ботчик, анализатор, прогнозатор,
Нейросетевые технологии Прогнозирование значений многомерных случайных процессов Прогнозатор
Эволюционное моделирование Прогнозирование многомерных случайных процессов с последовательной адаптацией структуры модели Прогнозатор
Генетические алгоритмы Оптимизация с элементами случайного поиска на основе генетических технологий Прогнозатор, оптимизатор
Дискриминант-ный анализ Классификация состояния при наличии обучающих данных Инспектор
Кластер-анализ Классификация «без учителя» Инспектор
Ассоциативные методы Прогнозирование нестационарных случайных процессов, прецедентное управление Прогнозатор, оптимизатор
Деревья решений Контроль состояния и диагностика Инспектор
Ряд новых математических технологий относится к методам искусственного интеллекта (artificial intellect, AI) и основан на использовании баз знаний, теории саморазвивающихся и самоорганизующихся систем [18-21].
Применение базы знаний как аналитической надстройки когнитивной системы управления
На рисунке 3 приведен пример применения базы знаний как аналитической надстройки когнитивной системы управления ПП промышленного предприятия.
Рисунок 3. Когнитивная СУ в режиме аналитической надстройки над существующей АСУ ТП
Объектом управления является производственный процесс. Оценка состояния ПП осуществляется на основе мониторинга, осуществляемого соответствующей подсистемой АСУПП. Данные мониторинга, вместе с результатами лабораторных анализов входных и выходных материальных потоков, периодически выполняемых заводской лабораторией, поступают в систему оперативного управления ПП. Дежурный оператор вместе с технологом формируют решение по управлению и реализуют его средствами исполнительных механизмов системы управления ПП.
БЗ предоставляет исходные данные и математический инструментарий, используемый в процессе функционирования СППР, либо в роли управляющего элемента в контуре автоматического управления ПП. Во втором варианте дежурный оператор выступает в роли супервизора, контролирующего процесс автоматического управления.
Практически значимые функциональности, формируемые базовым уровнем когнитивной надстройки СУ, позволяют оптимизировать управление ПП (например, за счет снижения запаса по качеству или поиска энергосберегающих/ресурсосберегающих режимов). Кроме того, использование элементов когнитивной надстройки СУ ПП дает возможность:
- осуществлять контроль качества управления со стороны дежурной смены,
- наглядно визуализировать результаты текущего управления,
- формировать прогностические сценарии изменения состояния установки и качества выходной продукции под влиянием тех или иных управлений,
- анализировать текущее состояние ТУ, КИА и исполнительных систем СУ ПП и т.п.
Заключение
Дальнейшее развитие когнитивной надстройки СУ ПП связано с использованием технологий искусственного интеллекта, в частности, с созданием унифицированной (для заданной предметной области) базы знаний, совмещающей в себе количественные и качественные описания производственных ситуаций. Указанные описания с соответствующими им массивами данных мониторинга образуют в совокупности некоторый аналог производственного опыта, позволяющий методами ассоциативного поиска формировать основания для эффективных динамических решений и осуществлять прогноз развития производственных (в том числе аварийных) ситуаций.
Следует заметить, что введение системы мониторинга среды взаимодействия, позволяющее получить количественные сведения о возмущающих воздействиях, дает возможность повысить качество прогнозирования состояния ПП и, в итоге, качество управления протекающими процессами.
Литература
1. Майер-Шенбергер В., Кукьер К. Большие данные. Революция, которая изменит то, как мы живем, работаем и мыслим. М.: Манн, Иванов и Фербер, 2014. 240 с.
2. Фрэнкс Б. Укрощение больших данных. Как извлекать знания из массивов с помощью глубокой аналитики. М.: Технологии развития ООО, 2014. 352 с.
3. Marz N., Ritchie S.E. Big Data. Atlanta: Manning. 2012. 425 p
4. Hurwitz J., Kaufman M., Bowles A. Cognitive Computing and Big Data Analytics. Wiley. 2015. 288 p.
5. Manyika J. [et al.]. Big data: The next frontier for innovation, competition, and productivity. McKinsey Global Institute, 2011. 143 p.
6. Adriaans P., Zantings D. Data Mining. London: Ad-dison-Wesley-Longman, 1996.
7. Berry M.J.A., Linoff G.S. Mastering Data Mining. Wiley, 2000. 512 p.
8. Dunham M.H. Data Mining: Introductory and Advanced Topics. Prentice-Hall, 2002. 315 p.
9. Hand D.J., Mannila H., Smyth P. Principles of Data Mining. MIT Press, 1997. 546 p.
10. Camacho E. F., Bordons C. Model predictive control. London: Springer-Verlag, 2004. 405 p.
11. Дюк В., Самойленко А. Data Mining: Учебный курс. СПб.: Питер, 2001. 366 с.
12. Киселев М., Соломатин Е. Средства добычи знаний в бизнесе и финансах // Открытые системы, 1997, № 4. С. 41-44.
13. Сахаров А.А. Концепции построения и реализации информационных систем, ориентированных на анализ данных // Системы управление базами данных. 1996. № 4. С. 55-70.
14. Гросдидиер П. Залог успеха проектов прогрессивных средств управления процессами // Нефтегазовые технологии. 2005. № 2. C. 56-58.
15. Кэней У.М. Получаете ли Вы максимальные прибыли от своих прогрессивных систем управления процессами // Нефтегазовые технологии. 2005. № 10, C. 67-70.
16. Лебединский А.А., Дозорцев В.М., Кнеллер Д.В. Усовершенствованные АСУТП на основе Profit Controller разработки корпорации Honeywell // Автоматизация в промышленности. 2004. № 6, С. 39-41.
17. Pyle D. Data Preparation for Data Mining. Morgan Kaufmann, 1999. 466 p.
18. Желтенков А.В. Самоорганизующаяся система управления промышленной организацией (Теория и методология создания): дис. ... д-ра экон. наук.М., 2002. 389 c.
19. Хакен Г. Информация и самоорганизация: Макроскопический подход к сложным системам / Пер. с англ.. М.: Мир, 1991.
20. Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем. СПб.: Питер, 2001. 382 с.
21. Саридис Дж. Самоорганизующиеся стохастические системы управления / пер. с англ. под ред. Я.З. Цыпкина. М.: Наука, 1980, 400 с.
Reference
1. Majer-Shenberger V., Kuk'er K. Bol'shie dannye. Revoljucija, kotoraja izmenit to, kak my zhivem, rabotaem i myslim. M.: Mann, Ivanov i Ferber, 2014. 240 s.
2. Frjenks B. Ukroshhenie bol'shih dannyh. Kak izvlekat' znanija iz massivov s pomoshh'ju glubokoj analitiki M.: Tehnologii razvitija OOO, 2014. 352 s.
3. Marz N., Ritchie S.E. Big Data. Atlanta: Manning, 2012. 425 p
4. Hurwitz J., Kaufman M., Bowles A. Cognitive Computing and Big Data Analytics. Wiley, 2015. 288 p.
5. Manyika J. [et al.]. Big data: The next frontier for innovation, competition, and productivity. McKinsey Global Institute. 2011. 143 p.
6. Adriaans P., Zantings D. Data Mining. London: Addison-Wesley-Longman, 1996.
7. Berry M.J.A., Linoff, G.S. Mastering Data Mining. Wiley, 2000. 512 p.
8. Dunham M.H. Data Mining: Introductory and Advanced Topics. Prentice-Hall, 2002. 315 p.
9. Hand D.J., Mannila H., Smyth P. Principles of Data Mining. MIT Press, 1997. 546 p.
10. Camacho E. F., Bordons C. Model predictive control. London: Springer-Verlag, 2004. 405 p.
11. Djuk V., Samojlenko A. Data Mining: Uchebnyj kurs. SPb.: Piter, 2001. 366 s.
12. Kiselev M., Solomatin E. Sredstva dobychi znanij v biznese i finansah // Otkrytye sistemy. 1997. № 4. S. 41-44.
13. SaharovA.A. Koncepcii postroenija i realizacii informacionnyh sistem, orientirovannyh na analiz dannyh // Sistemy upravlenie bazami dannyh. 1996. № 4. S. 55-70.
14. Grosdidier P. Zalog uspeha proektov progressivnyh sredstv upravlenija processami // Neftegazovye tehnologii. 2005. № 2. S. 56-58.
15. Kjenej U.M. Poluchaete li Vy maksimal'nye pribyli ot svoih progressivnyh sistem upravlenija processami // Neftegazovye tehnologii. 2005. № 10. S. 67-70.
16. Lebedinskij A.A., Dozorcev V.M., Kneller D.V. Usovershenstvovannye ASUTP na osnove Profit Controller razrabotki korporacii Honeywell // Avtomatizacija v promyshlennosti, 2004, №6, s. 39-41.
17. Pyle D. Data Preparation for Data Mining. Morgan Kaufmann. 1999. 466 p.
18. Zheltenkov A.V. Samoorganizujushhajasja sistema upravlenija promyshlennoj organizaciej (Teorija i metodologija sozdanija) : Dis. ... d-ra jekon.nauk M., 2002. 389 c.
19. Haken G. Informacija i samoorganizacija: Makroskopicheskij podhod k slozhnym sistemam. / per. s angl. M.: Mir, 1991.
20. Gavrilova T.A., Horoshevskij V.F. Bazy znanij intellektual'nyh sistem. SPb.: Piter, 2001. 382 s.
21 Saridis Dzh. Samoorganizujushhiesja stohas-ticheskie sistemy upravlenija. / per. s angl. pod red. JaZ. M. Cypkina M.: Nauka, 1980, 400 s.
