Построение информационно-управляющих систем обеспечения технических характеристик сложных динамических объектов Текст научной статьи по специальности «Компьютерные и информационные науки»

УДК 330.105

В.А. Ушаков

ПОСТРОЕНИЕ ИНФОРМАЦИОННО-УПРАВЛЯЮЩИХ СИСТЕМ ОБЕСПЕЧЕНИЯ ТЕХНИЧЕСКИХ ХАРАКТЕРИСТИК СЛОЖНЫХ ДИНАМИЧЕСКИХ ОБЪЕКТОВ

Исследован процесс построения информационно-управляющих систем на основе интеллектуальных технологий обеспечения технических характеристик сложных динамических объектов на стадии их проектирования и производства.

V.A. Ushakov BUILDING THE INFORMATION-CONTROLLING SYSTEMS PROVIDING THE COMPOUND DYNAMIC OBJECTS FEATURES

The building process of information-controlling system based on the intellectual technology of providing the compound dynamic objects features in a stage of theirs design and manufacture is researched in this article.

В последнее время в отечественной и зарубежной практике наблюдается активное внедрение информационных технологий и средств электронного документооборота в процессы проектирования, производства и эксплуатации наукоемких образцов изделий.

В данной публикации рассматривается возможный подход к построению информационно-управляющих систем на основе интеллектуальных систем (технологий) применительно к предметной области обеспечения технических характеристик бортовых систем управления силовыми установками летательных аппаратов (ЛА) (далее - класс образцов изделий) на стадии их проектирования и опытного производства.

В рассматриваемой постановке формальный подход к решению задач в объеме данной предметной области (ПО) включает два укрупненных раздела:

- формулирование целей и обоснование стратегии управления процессами достижения целей, связанных с обеспечением технических характеристик образцов изделий заданного класса;

- построение информационно-управляющих систем на основе заданного перечня автономных интеллектуальных систем (ИС) и нейросетевых подструктур.

Содержательная сущность стратегии определяется формализованными методами, алгоритмами и аппаратными средствами достижения целей на ранних этапах проектирования образцов изделий:

- оценка степени соответствия технических характеристик образца изделия требованиям технического задания (ТЗ) и техническим условиям (ТУ) в критичных условиях внешней среды и критичных режимах его функционирования, обнаружение нештатных ситуаций в поведении образца, обусловленных проектными несовершенствами;

- диагностирование нештатных ситуаций в поведении образца;

- распознавание альтернативных вариантов причин нештатных ситуаций;

- формулирование управляющих решений и рекомендаций лицу, принимающему решение (ЛПР), по устранению причин нештатных ситуаций.

Технология построения информационно-управляющей системы под данную предметную область включает:

- методические средства построения автономных интеллектуальных систем поддержки методов решения проблемных задач ПО и нейросетевых подструктур, используемых в составе информационно-управляющей системы в качестве решателя;

- методические средства целевого агрегирования по модульному принципу экспертных информационно-испытательных и управляющих комплексов (ЭИУК), обеспечивающих практическую реализацию формализованных методов решения проблемных задач;

- формирование механизмов методов решения проблемных задач;

- формирование механизмов вывода и правил принятия решений, определяемых базами данных и знаний ИС и нейросетевых подструктур.

Эти компоненты в составе информационно-управляющих систем также обеспечивают реализацию заданного перечня маршрутов активных действий, определяемых заданными видами испытаний образцов изделий и процессами моделирования их состояний на этапах обучения и применения нейросетевых подструктур, и выполняют функции интерфейса в режиме диалога пользователя с системой.

Технология построения информационно-управляющей системы предполагает учет условий этапов жизненного цикла образцов изделий заданного класса и требований к системам с целью возможного использования на этих этапах как непосредственно систем, так и их составных компонентов.

По соображениям сокращения временного цикла построения и упорядочения формальных процессов обучения и самообучения ИС и нейросетевых подструктур, а также их возможного автономного применения по назначению, данная предметная область представлена совокупностью взаимосвязанных проблемных задач, в рамках которых достигаются частные и конечные цели по обеспечению технических характеристик образцов изделий заданного класса.

Как возможный вариант перечень проблемных задач здесь определён применительно к заданному образцу изделия заданного класса:

- установление ограниченных состава факторов внешней среды и режимов функционирования образца, критичных к допустимому подмножеству нештатных ситуаций в его поведении (проектных несовершенств);

- выявление причинно-следственных связей между переменными описания образца и нештатными ситуациями, агрегирование информационно-значимых параметров (признаков) оценки по заданным критериям и логическим условиям степени соответствия технических характеристик образца изделия требованиям ТЗ и ТУ и обнаружение допустимого подмножества нештатных ситуаций в поведении образца;

- диагностирование нештатных ситуаций в поведении образца изделия, обусловленных несоответствием его технических характеристик требованиям ТЗ и ТУ;

- распознавание причин нештатных ситуаций, определяемых несовершенством проектных решений и базовых процессов производства образца изделия;

- формирование альтернативных управляющих решений и рекомендаций ЛПР по устранению причин несоответствия технических характеристик образца изделия требованиям ТЗ и ТУ.

Определение допустимого подмножества нештатных ситуаций осуществляется на этапе приведения исходной модели образца к конечному варианту путем понижения размерности структуры модели в результате определения функционально-значимых компонентов образца [1].

Рассматриваемые методические и аппаратные средства построения и обучения заданного перечня автономных ИС и нейросетевых подструктур ориентированы на обеспечение сложившихся к настоящему времени условий и требований, предъявляемых к интеллектуальным системам и нейросетям, базовыми из которых являются:

- абстрактное описание и объединение массивов разнородной по своей природе информации и анализ взаимосвязанной информации при её пространственно-временном представлении на базовых шкалах;

- базирование описаний состояний физических объектов и процессов на основе средств теории нечетких множеств и формальных процедур анализа лингвистических переменных (параметров), представленных на базовых шкалах;

- реализация активных действий в процессах управления движением объектом исследования, регистрации состояний объекта и анализа протоколов наблюдения, а также в процедурах формирования механизмов вывода и правил принятия решений;

- учет состояний внешней среды;

- соблюдение открытости баз данных и знаний информационно-управляющей системы, интеллектуальных систем и нейросетей к развитию, модернизации, обучению и самообучению.

Формальный подход к абстрактному описанию физических объектов и процессов типами простых и композиционных объектов, отождествляемых с ситуациями, а также способ приоритетного ранжирования альтернативных решений на основе анализа лингвистических переменных рассмотрены в [2, 3], и, соответственно, в данной работе опущены.

Структурная организация средств (участников) рассматриваемой информационно-управляющей системы обеспечения технических характеристик образцов изделий заданного класса представлена на рис. 1. Данная структура предполагает организацию управления процессами обеспечения технических характеристик образцов с централизованными и локальными уровнями в объеме предприятия, подструктур проектирования и производства, отдельных заказов на проектирование новых и воспроизводство серийных образцов. Здесь ключевые элементы системы - ИС, нейросетевые подструктуры, экспертные информационно-испытательные и управляющие комплексы и ЛПР.

На примере условного контура, представленного на рис. 2, показаны информационные и процедурные взаимодействия функциональных элементов информационно-управляющей системы, реализуемые средствами экспертного информационно-испытательного и управляющего комплекса в процессе штатного цикла испытания образца.

Методическое обеспечение построения и обучения автономных интеллектуальных систем поддержки методов решения приведенных выше проблемных задач включает следующие средства:

- описание проблемных задач моделями;

- обоснование формализованных методов и моделей решения проблемных задач;

- построение концептуальной модели предметной области, отражающей семантику нечетких отношений переменных к заданным областям их числовых значений;

- построение схемы базы данных и знаний ПО, каждый уровень иерархии которой характеризует формальное описание нечеткого отношения переменных, являющегося информационной основой базы данных и знаний соответствующей интеллектуальной системы;

- поуровневое ограничение целостности (размерности) нечетких отношений переменных в плане понижения уровня неопределенности по заданным логическим условиям и количественным критериям баз данных и знаний ИС;

- синтез баз данных и знаний заданного перечня интеллектуальных систем поддержки формализованных методов решения проблемных задач ПО.

Отличительная особенность рассматриваемых методических средств построения и обучения ИС и синтеза нейросетевых подструктур применительно к данной ПО состоит в том, что в качестве источников извлечения знания, формальных процедур преобразования знаний и средств понижения уровня неопределенности баз данных и знаний используются формализованные методы решения задач. Такой подход в значительной степени способствует сокращению временных циклов построения и обучения ИС и нейросетей, снижению уровня субъективных оценок в процедурах перевода исходных данных в знания, повышению достоверности принимаемых решений.

Ж

ИНТЕРФЕЙС ПОЛЬЗОВАТЕЛЯ

Г

АДДА

ИНТЕЛЛЕКТУАЛЬНЫЕ

СИСТЕМЫ

НЕЙРОСЕТЕВОЙ РЕШАТЕЛЬ

ПРОЕКТ-1

ЭКСПЕРИМЕНТАЛЬНЫЕ ВИДЫ РАБОТ

АРМ-1 АРМ-п

ЭИУК-1 ЭИУК-р П ... П

1& 1Й

1,У У У V

І І ПРОГОКОЛЬІИАБЛКДЕНИЯ |

ИДЕНТИФИКАТОРЫ

ОПЫТНО-КОНСТРУКТОРСКИЕ

ВИДЫ РАБОТ

АРМ-1 АРМ-а

ЭИУК-1 ЭИУК-т П ... П

\у У У у

І І ПРОГОКОЛЬІНАБЛКДЕНИЯ |

ИДЕНТИФИКАТОРЫ

ОПЫТНЫЕ ВИДЫ РАБОТ

ЭИУК-1 ЭИУК-г п п

г і ф ф,

І І ПРОТОКОЛЫ ІЖАБЛКДЕНИЯ |

ИДЕНТИФИКАТОРЫ

ПРОИЗВОДСТВЕННЫЕ ВИДЫ РАБОТ

ЭИУК-1 ЭИУК-2

тй, їй тй,

,У У_________У.

I

ИНТЕЛЛЕКТУАЛЬНЫЕ

СИСТЕМЫ

НЕЙРОСЕТЕВОЙ РЕШАТЕЛЬ

ЛПр

ПРОЕКТ-п

ЭКСПЕРИМЕНТАЛЬНЫЕ ВИДЫ РАБОТ

АРМ-1 АРМ-р ЭИУК-1 ЭИУК-к П П

а-Ж й 1&

ПРОТОВОЛЬШАБЛКДЕНИЯ |

идентификаторы

ОПЫТНО-КОНСТРУКТОРСКИЕ

ВИДЫ РАБОТ

АРМ-1 АРМ-к

ЭИУК-1 ЭИУК-к П П

^к Щ Щ

У У У У

| ПРОГОКОЛЬІНАБЛКДЕНИЯ |

идентификаторы

ОПЫТНЫЕ ВИДЫ РАБОТ

ЭИУК-1 ЭИУК-р

АРМ-1 АРМ-а

ЙН&

Р *Г У

| ПРОТОВОЛЬШАБЛКДЕНИЯ |

идентификаторы

ПРОИЗВОДСТВЕННЫЕ ВИДЫ РАБОТ

ЭИУК-1 ЭИУК-2 ЭИУК-т

ф ф ' ф

ИДЕНТИФИКАТОРЫ -1 і ИДЕНТИФИКАТОРЫ

Рис. 1. Структурная организация средств информационно-управляющей системы

№

ИНТЕЛЛЕКТУАЛЬНЫЕ СИСТЕМЫ

41 ----- 41

НЕИРОСЕТЕВАЯ ПОДСТРУКТУРА ( РЕШАТЕЛЬ )

лг.

НАБЛЮДАТЕЛЬ

(ИДЕНТИФИКАТОР)

---А А А А------

ЛИЦО, ПРИНИМАЮЩЕЕ РЕШЕНИЯ

\ и

У,}

<±

РЕГУЛЯТОР Г2 СИЛОВАЯ УСТАНОВКА % г,

( УПРАВЛЯЮЩЕЕ УСТРОИСТВО ) гт ( ОБЪЕКТ УПРАВЛЕНИЯ ) < > п

п

Рис. 2. Организация средств управления

В основу методических средств положен принцип преемственности и адаптивной согласованности моделей, методов и алгоритмов синтеза, обучения и развития баз данных и знаний заданной последовательности ИС.

Основные положения методики построения ИС поддержки метода установления состава факторов внешней среды и режимов функционирования соответствующего образца изделия заданного класса, критичных к нештатным ситуациям, определяются следующими составляющими:

1. Модель формализованного метода решения проблемной задачи определяется зависимостью:

м,гя = {(с/(*) X (к)х Я" (Р ))х 0(1) }х ДГ (), (1)

где и(() - конечное подмножество управляющих сигналов, Wcr() - конечное

подмножество факторов внешней среды; Ясг (р) - конечное подмножество режимов функционирования образца; 0(*) - допустимое подмножество нештатных ситуаций (проектных несоответствий); ДГ(г) - параметры состояния выхода образца изделия; к, р, г - векторы признаков соответствия переменных.

2. Нечеткое отношение переменных на соответствующем уровне схемы базы данных и знаний ПО:

у, {и (0{ (к) к (Р) осо} ^ (дг (г ))*, (2)

где {и(*),{(к),Ксг(р),0(*)} - атрибуты; ДГ(г) - область значений атрибутов.

3. Условие моделирования состояний, в том числе - нештатных, образца изделия в режиме формирования обучающих выборок:

и (*)'

АГ(I) = [г(л),, [ ((I), () Ксг (р) «I))] |{К, } є К, {],} є А ^ ^

>- уаг, (3)

0(*).

где К - перечень критериев оценки выходных параметров образца [2]; Д - перечень допусковых ограничений параметров состояния выхода образца.

4. Условие представления числовых значений параметров и признаков состояния выхода образца в бинарном виде на стадии формирования обучающей выборки:

,я = ||а , || =

[1, хбе [у([,[[и(*),ЖСГ(к)Я,(р)0(0)] ] |о, 1бе [у(г),[(и(г), К,(к),Я,(р)0(Г))] Я

(К,},(А,},п, сП, (4)

где Ца. || - элемент матрицы обучающей выборки; Яд - область пространственновременного представления распределения числовых значений параметров и чувствительных к нештатным ситуациям признаков образца в условиях влияния критичных факторов внешней среды и режимов функционирования образца; П -последовательность экспериментов штатного цикла испытания образца.

5. База данных и знаний автономной ИС, сформированная по результатам обучения системы:

у*, 0; зьи,..., ьи; ЪУ ,..., Ъ1; ^,..„ ¥р ;С (* ^..„и (* )г ;К (* Х,...,^ (*),;

Я(* )1,к, Я(*),; П(*\,к, В(*) к ;У (* X,..., У(* )т; К^.., К„; 4,..., Ат ^ ДУ (г ) У1 (и () (, (к), ^ (р) 0(*) )и ...и и Д Г (г )т , 1т (и () ( (к), (р ) 0(*))

(5)

(К,}, (А,}, (п,},

где Ъи - входные вершины модели образца изделия, представленной логическим направленным графом; ЪУ - выходные вершины модели образца изделия; ¥1 -информационные пути от входа к выходу в структуре модели образца; ^(*)г - маршруты активных действий; SKWR - структура координат переменных в пространственновременном представлении состояний образца изделия, внешней среды и режимов функционирования образца.

По аналогии, методика построения и обучения ИС, выявления причинных связей и агрегирования информативных параметров и признаков базируется на результатах моделирования нештатных ситуаций в поведении образца изделия и на анализе обучающих выборок с целью формирования конечного подмножества причинно-обусловленных параметров состояния выхода образца. Эти параметры обладают свойствами обнаруживать и разделять нештатные ситуации.

Модель формализованного метода решения данной проблемной задачи определяется зависимостью:

МЛ? = ((иС?)х Кс, (к)х Яс, (р))х 00) }х У(г). (6)

Нечеткое отношение переменных, характеризующее исходные данные и знания интеллектуальной системы, определяется выражением:

у*, (и(?) ЖсГ(к),Ясг(р),0(г)}‘ с (у(г))*. (7)

Логическое условие понижения уровня неопределенности переменных отношения (7) и оценки свойств параметров состояния выхода образца обнаруживать и разделять нештатные ситуации характеризуется зависимостью вида:

®л? =|Ы| =

1. ((() П (0) = 0; У,(0,) П У,(0,) = 0} (К.}, (А,}

1, Где 2. ((0,) П ((0,) \Яр(0,)) = 0; У, (0,)П У, (О,) = 0} | (К,}, (А,}

яр (0,)((( }к ( Яс, (р ))П ) (0, )( ( (с, Яс, (р ))= 0) ур (0, )((и( К, (к) Яс, (р))п ) (0, )(и() ('с, (к) Яс, (р)) = 0 )

0, а тдаёйтб пёд^ауб

3.

где Яр, Я^, р Ф d = 1,2,. - подпространства распределения числовых значений ,-го параметра при наличии 0,, 0,,, Ф , = 1,2,. нештатных ситуаций в поведении образца

относительно подпространства Я°, отражающего работоспособное состояние. Здесь свойства ,-го параметра разделять нештатные ситуации по условию 2 определяются

координатами центра тяжести подпространств, а по условию 3 - непересекаемостью векторов признаков, характеризующих состояния управления и От),} и внешней среды и режимов функционирования образца {к(р) }.

В процедурах оценки информативной значимости и свойств параметров разделять нештатные ситуации используются также функции принадлежности [4], определяемые экспериментальным путем или в результате опроса эксперта.

Так, функция принадлежности числовых значений у-го параметра У‘ (і) к

подмножеству альтернативных вариантов подпространств Ю в пространственновременном представлении в условиях 1-й нештатной ситуации в поведении образца

определяется зависимостью:

ГП

fR =

д Ri (Rjl)/Rjl д Ri

\ fjj F<J

{Kr}, {Ар}. (9)

Функция принадлежности ,-го параметра к объединению двух нечетких подмножеств, определяемых подмножествами распределения числовых значений параметра в пространственно-временном представлении (Я,,п , Я,,т) обнаруживающих 1-ю нештатную ситуацию, определяется выражением:

¥(иЯ>) = ((^¥(Я/")} (Я/т)} п Ф т }| (К,}, (Ар}. (10)

Функция принадлежности ,-го параметра к альтернативному варианту нештатной ситуации, отражающая свойства двух нечетких подмножеств числовых значений ]-го параметра, регистрируемых при отличающихся значениях компонентов вектора переменных, разделять нештатные ситуации в пространственно-временном представлении ( р, Я, d) имеет вид:

¥ (и ПЯ'„ ) = ¥, Яр Й Й р Ф d }| (К }■ У, }• (1 1)

База данных и знаний ИС отражает логику причинных связей между переменными описания состояний образца изделия, внешней среды и режимов функционирования образца, применительно к допустимому подмножеству нештатных ситуаций в его поведении:

у*, 0 3 ь,и,..., ьи; ьу,., ьу; ¥1,..1¥р; и (?).и (?),,; У £).У и )т;

К,(к),...,К(),; Я,(р),...,Яс,(р),; 0(1),...0(1),; К,...К„; А,,., Ат э (12)

J cr \ /Ї j cr V- /1 J j cr \M- /U J v •" 1 J J v •" l J 1 J J h J 1 J J m

ГГу() f(ut(g)w () r (p)Q(t))i I I Il . .1 ...

^ SKA =

Y(z), fl (u(g) ((h), Rjp) Q(t))u к I

IY u ). fm (u (g) ( (h) Rc, (p) Qt))

{K,},{А,). {Пі}.

где SKA - структура координат переменных в пространственно-временном представлении, обеспечивающая оценку степени соответствия технических характеристик образца изделия требованиям ТЗ и ТУ и обнаружение нештатных ситуаций в его поведении; Qo -работоспособное состояние образца.

Следует отметить, что разрешающая способность информационно-управляющей системы при достижении конечной цели - обеспечении технических характеристик образцов изделий заданного класса - зависит главным образом от полноты и достоверности формальных описаний состояния баз данных и знаний приведенных выше интеллектуальных систем.

В составе методики построения и обучения ИС поддержки формализованного метода решения проблемной задачи диагностирования нештатных ситуаций в поведении образца изделия модель метода определяется зависимостью:

MI = {(^fe)Х Wcr (h)x Rcr (Р))x Y(z)}X Q(t) . (13)

Нечеткое отношение переменных, отражающее формализованное описание базы данных и знаний ИС, имеет вид:

VI,((((4Ксг(р(г)<2(1)} с })У.

(14)

В формальных процедурах оценки по заданным критериям числовых значений параметров и признаков состояния выхода образца изделия при построении базы данных и знаний ИС и представлении элементов исходной модели диагностирования нештатных ситуаций образца используется логическое условие вида:

11'бе Г(г);, / {и(т), Жсг (н\Ксг (р) 2(1)) ^ - іа Їбїоїаео

0, Їбе Г, / (и(( ( (°), КсГ р2(1)) -> - апааМ Шоте6

X, Їбе Г (г ), / (и (і) (сг ((), Ясг (р) 2(1)) -> п, - ба9беи6а6іае9ааП6аі

(15)

=2°, а)!

(К}, (Ау}

База данных и знаний ИС определяется следующими зависимостями:

VI, 2; 36,и^Ь'„; р ,и (і (і) ;Г (I)................Г ();

(а), Ксг (р),к, Ксг (>1; £(0і,..., ОД,; к„..., к , А,,., А„ » (16)

'Г () / (и (і (і (Да) Кг (р )і 2(1 ))п...п

П Г (г /„, (и (і 1 ( () Ксг (р (і 2(1))

Структурная организация, информационные и процедурные составляющие модели диагностирования нештатных ситуаций в поведении образца изделия, представлены на рис. 3 и определяются содержанием базы данных и знаний ИС агрегирования причинных связей и информативных признаков. Соответственно, модель отражает причинноследственные связи между векторами описания состояний самого образца изделия, внешней среды, режимов функционирования образца и допустимым подмножеством нештатных ситуаций.

Рис. 3. Структура модели диагностирования

Числовые значения элементов модели а,, определяются согласно логическим условиям (15) числовыми значениями параметров и признаков состояния выхода образца

изделия, регламентируемых числовыми значениями переменных конечного варианта структуры координат SKI (16).

Формальный механизм понижения неопределенности элементов базы данных и знаний ИС поддержки метода диагностирования нештатных ситуаций (16) на стадии её обучения состоит:

- в пошаговом понижении размерности исходной модели диагностирования (рис. 3) по критерию (17) путем исключения из структуры модели избыточных

элементарных экспериментов (y (z ) •. f. (и (g) W (h) Rcr (p ) Q(t))) заданной

последовательности штатного цикла испытаний образца;

- в определении достаточности исходной информации для диагностирования допустимого подмножества нештатных ситуаций и достижения достоверности результатов диагностирования.

В данном методе процедура определения достаточности исходных данных и знаний, представленных исходной моделью, состоит в направленном введении в структуру модели образа дополнительных вершин оценки состояния выхода, а достижение требуемого уровня достоверности результатов диагностирования определяется пользователем путем назначения различных разрядов кодов нештатных ситуаций в конечном варианте модели за счет повышения её размерности.

В качестве критерия понижения размерности исходной структуры модели используется зависимость:

'ЁЁк” • n? + к• „<■> • ))''

Lj = max

\n)J • ny + к• к • к

г g___________________

v у

(17)

где п(0), п(1) - число необнаруживаемых ( |аг,| = 0) и обнаруживаемых (||аг,| = 1) нештатных ситуаций из допустимого их подмножества по результатам оценки ,-го параметра (признака) по заданным критериям; п,( - число обнаруживаемых нештатных ситуаций

сложным ,-м параметром, представленным соответствующим вектором; к°° - число

необнаруживаемых нештатных ситуаций сложным ,-м параметром с учетом параметров, включенных в перечень информативных на предыдущих шагах преобразования модели; к, - наибольшее число нештатных ситуаций, обнаруженных (необнаруженных) ,-м параметром в группе на текущем шаге преобразования модели; к - коэффициент, отражающий информационную значимость сложного параметра (назначается экспертом в диапазоне 0^1); I = 1, п - число факторов внешней среды; ? = 1, т - число групп диагностируемых нештатных ситуаций на шагах преобразования исходной структуры модели.

Из содержания технологии построения и обучения рассмотренных выше автономных ИС обоснования критичных факторов внешней среды, агрегирования информативных параметров и диагностирования нештатных ситуаций видно, что процесс построения баз данных и знаний этих систем основан:

- на использовании исходных данных, определяемых требованиями ТЗ, ТУ и технической документацией на образцы изделий;

- на использовании результатов натурного моделирования состояний образцов изделий в методах решения проблемных задач.

В процессах построения и обучения автономных ИС поддержки методов решения проблемных задач распознавания причин нештатных ситуаций в поведении образцов изделий и формирования управляющих решений и рекомендаций ЛПР для обеспечения заданных технических характеристик образцов накопление необходимой для синтеза баз данных и знаний этих систем исходной информации (знаний) осуществляется путем опроса экспертов. Такой подход к извлечению знаний обусловлен дефицитом на данный период априорных

(19)

данных по отношению альтернативных вариантов причин к нештатным ситуациям и по отношению альтернативных управляющих решений (рекомендаций ЛПР) к заданному перечню причин нештатных ситуаций.

В рассматриваемой постановке модель метода решений проблемной задачи распознавания причин нештатных ситуаций определяется бинарным произведением составляющих:

М1 = {(у(г)хЖсг(й)х Ясг(р))х^)}хI {n), (18)

где I (п) - конечное подмножество альтернативных вариантов причин, обусловливающих нештатные ситуации в поведении соответствующего образца изделия.

Нечеткое отношение переменных на соответствующем уровне базы данных и знаний ПО имеет вид:

V/,{ур)»с(а)ксг©о(?)} С (I (Я)),

где {У((), Ясг (р) Q(d)} - атрибуты; I (п) - область значений атрибутов.

Для определения на базовых осях пространственно-временного представления переменных описания состояний образца изделия по заданным критериям в условиях влияния факторов внешней среды применительно к требованиям процесса построения модели распознавания причин нештатных ситуаций применяется логическое условие вида:

„ ь I П.**» №I,I,(уРКУ)Кр1 №#

1 ™ [0,1дё [),,[(У((У)(р),I У))'

где К - подпространство распределения переменного, отражающее альтернативные причины нештатных ситуаций в поведении соответствующего образца изделия.

База данных и знаний ИС формируется в результате перевода исходных данных в знания и определяется следующими зависимостями:

V/, I ( ЗУ (),..., У () (,\,...^ (Н\ ; Ксг (р ),к, (Р), ;

{К,}, {А,},

(20)

е(4. А (у ( ( ( (*). К (р )і ї_())п. .. П'

П о(у), /„ (уУ) У) к, (р) Ї ())

(ї

{К,}, {А,}

(21)

где БКП - структура координат переменных, отражающая элементы конечного варианта модели распознавания причин нештатных ситуаций в поведении соответствующего образца изделия.

На рис. 4 приведена структура модели распознавания причин нештатных ситуаций, понижение размерности которой на стадии обучения ИС осуществляется по критерию вида:

Ь, = тах

Ґ п т , ч \

£ £(п(0) • п(1>) '

_____________

к0 + к

(22)

V

у

Формализованный метод решения проблемной задачи формирования управляющих решений и рекомендаций ЛПР по совершенствованию технических характеристик образцов изделий описывается моделью вида:

Мо = {(КгйхК(Р)х0.$))хI (п)}хО(ь). (23)

Нечеткое отношение переменных схемы базы данных и знаний ПО определяется зависимостью вида:

V',кг$\кг©0©I (Я)}' с (о(ь)). (24)

Логическое условие означивания элементов модели формирования корректирующих управляющих решений и рекомендаций ЛПР имеет вид:

1, в [ї (4,/1 (ж„(л), ^(р)ф)0(*),)]є к0

{К, },{'}.

(25)

База данных и знаний автономной ИС определяется логическими зависимостями

вида:

Ї ()I ((40(р)б()О(и(,))п... п IЇ ,I(00(Р)00,00и(,)) _

{К}, {А,},’

(26)

где Н(') - перечень этапов проектирования (опытного производства).

Информационно-логический формализм, представленный структурой БКУ (26), характеризует причинную взаимосвязь в виде нечеткого отношения переменных к конечному подмножеству управляющих решений {0(ь)}; обладает свойствами разделять

нештатные ситуации. Соответственно, этот информационно-логический формализм в методических средствах построения данной ИС принят в качестве исходной основы модели условного ранжирования управляющих решений и рекомендаций ЛПР применительно к заданному перечню причин, обусловливающих несоответствие технических характеристик образца изделия требованиям ТЗ и ТУ.

На рис. 5 приведена структура модели предварительного ранжирования управляющих решений и рекомендаций ЛПР. Формальный механизм понижения размерности, а следовательно, и неопределенности элементов исходного варианта модели на стадии обучения ИС обеспечивается применением критерия (22).

В рассматриваемом варианте структуры средств информационно-управляющей системы (рис. 1) решатель представлен нейросетевой подструктурой, обеспечивающей реализацию функций формирования управляющих решений и рекомендаций ЛПР на основе интеграции и анализа конечных результатов достижения частных целей средствами автономных ИС поддержки методов решения проблемных задач ПО.

В данной постановке отличительная особенность формального подхода к построению и обучению нейросетевой подструктуры для конкретной предметной области состоит в использовании средств синтеза заданного перечня автономных ИС, а также баз данных и знаний этих ИС.

На рис. 6 приведен фрагмент нейросетевой подструктуры применительно к обеспечению формальных процедур принятия решений по достижению частных и конечных целей в объеме задач данной ПО.

В данной работе формальный подход к построению и обучению нейросетевой подструктуры включает обеспечение последовательности взаимосвязанных положений:

- обоснование структуры модели нейросетевой подструктуры, определяемой составом, информационным содержанием и функциями слоев нейросети;

- определение состава нейронов каждого слоя подструктуры;

П, ц П,

и^г г и За а иор р

-и №<* (р)і і и С1) г г и&сг (рХ і и (ь) а а и&сг (рХ В в

Уі Уіі Уіі

У- Уік % Хіг ) % ХіО

УР УР1 Ург

ьУ а ь

Рис. 5. Структура модели формирования управляющих решений

I 1111

1 2 3 4

ВХОДНОЙ ВНУТРЕННИЙ ВНУТРЕННИЙ ВНУТРЕННИЙ ВНУТРЕННИЙ ВЫХОДНОЙ

СЛОЙ СЛОЙ СЛОЙ СЛОЙ СЛОЙ СЛОЙ

Рис. 6. Фрагмент нейросетевой подструктуры

- синтез эталонных образцов, распознаваемых отдельными нейронами и слоями нейронов подструктуры;

- обоснование трасс (синапсических связей) и обратных связей между нейронами и слоями подструктуры;

- определение числовых значений «весов» и пороговых уровней синапсических связей (дендритов), характеризующих различительные особенности эталонных образов;

- обоснование методов и средств обучения и самообучения нейросетевых подструктур;

- синтез аппаратных средств реализации функций нейросетевых подструктур на стадии их обучения и самообучения.

В технологии построения и обучения нейросетевых подструктур синтез структуры модели регламентируется составом автономных ИС предметной области.

Состав нейронов каждого слоя подструктуры определяется информационным и процедурным содержанием баз данных и знаний перечня автономных ИС. Так, входной слой подструктуры включает в себя векторы состояния соответствующего образца изделия ({Г к),), I = 1, т), факторы внешней среды ("", (к) } , = 1, к) и режимы

функционирования образца ({, (р)1} I = 1, ё).

Состав нейронов первого внутреннего слоя подструктуры определяется числом параметров (признаков) состояния выхода образца изделия, чувствительным к нештатным ситуациям:

- в условиях воздействия критичных факторов внешней среды:

АУ"(I), /,(и(В",(к)е(5)),I = Щ | {К,}, {А,}, (27)

- в критичных режимах функционирования образца:

А У," (I), А, (и б) (р) е(5)), , = и | {К,}, {А,}. (28)

Состав нейронов второго внутреннего слоя подструктуры отождествляется с конечным подмножеством параметров (признаков) оценки состояния выхода образца, т.е. степени соответствия технических характеристик образца требованиям ТЗ и ТУ, и обнаружения допустимого подмножества нештатных ситуаций. Такая функциональная зависимость имеет вид:

Число нейронов третьего внутреннего слоя соответствует количеству нештатных ситуаций допустимого подмножества.

По аналогии, состав четвертого внутреннего и выходного слоев подструктуры определяется числом распознаваемых причин нештатных ситуаций и формируемых управляющих решений (рекомендаций ЛПР) по устранению причин несоответствия технических характеристик образца заданным требованиям.

Формальные процедуры синтеза эталонных образов, распознаваемых отдельными нейронами или слоями, регламентируются содержанием логического формализма баз данных и знаний заданного перечня автономных интеллектуальных систем. На уровне первого и второго внутренних слоев эталонные образы, распознаваемые каждым нейроном, определяются составом переменных функциональных зависимостей (27), (28),

(29), представленных соответствующими векторами.

Применительно к каждому нейрону третьего внутреннего слоя эталонный образ, отождествляемый с соответствующей нештатной ситуацией в поведении образца изделия, синтезируется на основе структуры координат переменных (16) в соответствии с условием:

где - вектор значений переменных состояния выхода образца в условиях наличия у-й

нештатной ситуации; П(ї) - перечень маршрутов активных действий.

По аналогии, синтез эталонных образов, распознаваемых каждым нейроном четвертого внутреннего слоя, применительно к конечному подмножеству причин нештатных ситуаций, осуществляется на основе структур координат переменных (21) в соответствии с логическим условием вида:

соответствующей нештатной ситуации в поведении образца изделия.

Синтез ,-го эталонного образа, отражающего определенное альтернативное управляющее решение, распознаваемого соответствующим нейроном выходного слоя подструктуры, определяется регламентируемым структурой координат переменных (26) условием вида:

вариантов управляющих решений, отражающий ,-е управляющее решение.

Означивание весов и пороговых уровней синапсических связей и трасс, представляющих компоненты эталонных образов, распознаваемых первым, вторым, третьим, четвертым внутренними и выходным слоями подструктуры осуществляется с использованием логических условий (4), (8), (15), (20) и (25) соответственно.

Введение в структуру модели нейросетевой подструктуры трасс и обратных связей (на рис. 6 показаны жирными линиями) определяется на стадии обучения

(29)

(30)

(31)

где 81, - вектор значений переменных, отражающих у-ю альтернативную причину

(32)

где 8° - вектор значений переменных конечной модели ранжирования альтернативных

необходимостью развития содержания эталонных образов и использования дополнительных маршрутов активных действий.

Формальный механизм самообучения нейросетевых подструктур на стадии их применения может быть реализован на основе формализованных методов решения проблемных задач ПО путем извлечения и анализа новых знаний, повышающих полноту описания состояний образца изделия и достоверность принимаемых решений.

В объеме задач предметной области реализация заданных маршрутов активных действий, исполнение функций информационно-управляющей системы, автономных ИС и процедур нейросетевых подструктур обеспечиваются средствами экспертных информационно-испытательных и управляющих комплексов (рис. 1), формальный подход к агрегированию которых рассмотрен в работе [5].

Из содержания рассмотренных технологий следует, что процессы построения и обучения автономных ИС, нейросетевых подструктур и информационно-управляющей системы базируются на интеграции и адаптации моделей, методов, критериев, логических условий, баз данных и знаний в плане достижения сформулированных в объеме ПО частных и конечных целей. Следует отметить также, что методы решения проблемных задач и автономные ИС их поддержки носят универсальный характер и управляются пользователем в части достижения требуемого уровня достоверности принимаемых решений, следовательно, могут быть востребованы в различных сферах производственной деятельности.

ЛИТЕРАТУРА

1. Системный подход к ситуационному управлению отказоустойчивостью технических объектов в условиях нештатных ситуаций / В.А. Ушаков, В.С. Дрогайцев, Г.С. Говоренко, С.В. Козлов // Вестник компьютерных и информационных технологий. 2007. № 3. С. 20-27.

2. Ушаков В. А. Интегрированная нейросетевая система ситуационного управления процессами обеспечения технических характеристик динамических объектов. I / В. А. Ушаков, В.С. Дрогайцев, Г.С. Говоренко // Мехатроника. Автоматизация. Управление. 2006. № 7. С. 14-19.

3. Ушаков В.А. Интегрированная нейросетевая система ситуационного управления процессами обеспечения технических характеристик динамических объектов. II / В.А.Ушаков, В.С. Дрогайцев, Г.С. Говоренко // Мехатроника. Автоматизация. Управление. 2006. № 8. С. 21-28.

4. Заде Л.А. Понятие лингвистической переменной и его применение к понятию приближенного решения / Л. А. Заде. М.: Наука, 1982. 235 с.

5. Технология процесса комплексирования автоматизированных средств испытания бортовых систем летательных аппаратов / В. С. Дрогайцев, В. Н. Писарев, Г. С. Говоренко и др. // Информационные технологии в проектировании и производстве. 2004. № 3. С. 53-76.

Ушаков Виталий Алексеевич -

кандидат технических наук,

Генеральный директор ОАО «КБ Электроприбор», г. Саратов

Статья поступила в редакцию 16.07.07, принята к опубликованию 05.09.07