CC BY
0ИНФОРМАЦИОННО-КОММУНИКАЦИОННЫЕ
ТЕХНОЛОГИИ
INFORMATION-COMMUNICATION TECHNOLOGIES
Научная статья УДК 004.891
doi:10.24151/1561-5405-2024-29-3-362-366 EDN: ANZIKM
Разработка модели гибридной экспертной системы для современного промышленного производства
А. В. Городилов, А. В. Чирков
Национальный исследовательский университет «МИЭТ», г. Москва, Россия
andrewchirckov@gmail.com
Аннотация. Основная задача гибридной экспертной системы - совершенствование производственных процессов, минимизация простоев и повышение качества продукции. Гибридная конструкция системы позволяет работать с различными сценариями, адаптироваться к новым ситуациям и постоянно повышать свою эффективность. Однако существуют проблемы адаптации этих систем к уникальным особенностям различных типов производства, а также их высокой стоимости и сложности разработки и внедрения. В работе представлена модель гибридной экспертной системы, сочетающая в себе методы рассуждений на основе правил и машинного обучения, предназначенная для промышленного производства. Данная система представлена в виде циклического графа, отражающего ее способность к непрерывному обучению и адаптации. Предлагаемая модель гибридной экспертной системы является основой для разработки экспертной системы для современного промышленного производства.
Ключевые слова: гибридная экспертная система, рассуждения на основе правил, машинное обучение, промышленное производство, оптимизация процессов
Для цитирования: Городилов А. В., Чирков А. В. Разработка модели гибридной экспертной системы для современного промышленного производства // Изв. вузов. Электроника. 2024. Т. 29. № 3. С. 362-366. https://doi.org/10.24151/1561-5405-2024-29-3-362-366. - EDN: ANZIKM.
© А. В. Городилов, А. В. Чирков, 2024
Original article
Development of the model of hybrid expert system for modern industrial production
A. V. Gorodilov, A. V. Chirkov
National Research University of Electronic Technology, Moscow, Russia andrewchirckov@gmail.com
Abstract. The main objective of a hybrid expert system is to improve production processes, minimize downtime and improve product quality. The system’s hybrid design allows it to handle different scenarios, adapt to new situations and continuously improve its efficiency. However there are problems of these systems’ adaptation to features of various production types, and of high cost and complexity of their development and implementation. In this work, a model of a hybrid expert system is presented combining rule-based reasoning and machine learning methods and designed for industrial production. The system is represented as a cyclic graph reflecting its ability to continuously learn and adapt.
The proposed model of hybrid expert system is a reliable framework for developing an expert system for modern industrial production.
Keywords: hybrid expert system, rule-based reasoning, machine learning, industrial production, process optimization
For citation: Gorodilov A. V., Chirkov A. V. Development of the model of hybrid expert system for modern industrial production. Proc. Univ. Electronics, 2024, vol. 29, no. 3, pp. 362-366. https://doi.org/10.24151/1561-5405-2024-29-3-362-366. - EDN: ANZIKM.
Введение. Экспертные системы как отрасль искусственного интеллекта способны имитировать человека, принимающего решения. Однако существует проблема адаптации этих систем к особенностям разных типов производства [1]. Более того, возникает проблема высокой стоимости и сложности разработки и внедрения таких систем, а также появляются трудности в обучении персонала [2].
В экспертных системах, как правило, используются методы на основе правил и знаний. В сфере, например, промышленного производства экспертные системы и методы машинного обучения применяются для различных целей, таких как контроль процесса, диагностика неисправностей и планирование производства.
Цель настоящей работы - создание формальной модели гибридной экспертной системы для оптимизации современных производственных процессов, сокращения простоев и улучшения качества продукции.
Анализ литературных источников. Потенциал гибридных систем в распознавании и адаптации к сложным паттернам в данных представлен в работе по распознаванию активности человека в «умных домах» на основе датчиков [3]. Эта особенность распознавания и адаптации к сложным паттернам совпадает с принципом работы предлагаемой экспертной системы. В работе [4] проведен обзор кибербезопасности на основе искусственного интеллекта в автоматизации и совершенствовании вычислительных процессов в области кибербезопасности. Практическое применение рассуждений о знаниях в реальных производственных условиях отражено в исследовании по обработке
данных в реальном времени на «умной фабрике» [5]. В работе [6] показан потенциал обучения с подкреплением - одного из видов машинного обучения - в оптимизации сложных промышленных систем. Применение методов машинного обучения для уточнения базы знаний экспертной системы рассмотрено в работе по использованию индукции дерева решений для оптимизации процесса и уточнения знаний о промышленном процессе [7]. Эффективность гибридных экспертных систем в сложных диагностических задачах отмечена при робастной диагностике литий-ионных аккумуляторов [8]. Экспертные системы на основе правил в реальных сценариях применяются в онлайн-диагностике неисправностей силовых трансформаторов [9]. Универсальность гибридных экспертных систем позволяет диагностировать сердечно-сосудистые заболевания [10].
Таким образом, гибридные экспертные системы применяются в различных областях, в том числе и в промышленном производстве, эффективно сочетают в себе методы правил и знаний с методами машинного обучения при работе со сложными сценариями и адаптируются к новым ситуациям. Тем не менее необходимо проведение дальнейших исследований и эмпирических испытаний для подтверждения эффективности этих систем и выявления возможностей их оптимизации.
Методология разработки гибридной экспертной системы. Разработка экспертной системы для современного промышленного производства требует комплексной методологии, включающей в себя проектирование системы, сбор знаний, разработку механизма вывода и оценку системы. Экспертная система построена как гибридная модель с возможностями структурированного принятия решений, присущими системам, основанным на правилах, и возможностями адаптивного обучения, свойственными алгоритмам машинного обучения. Такая гибридная конструкция позволяет системе работать с широким спектром сценариев, адаптироваться к новым ситуациям и с течением времени улучшать свою производительность.
База знаний экспертной системы формируется путем получения знаний из различных источников, включая экспертов в данной области, техническую литературу и оперативные данные о производственных процессах. Затем эти знания формализуются в виде набора правил IF-THEN, составляющих базу компонента системы, основанного на правилах. Механизм вывода - это ядро экспертной системы, отвечающее за принятие решений на основе базы знаний. В разрабатываемой гибридной системе механизм вывода использует подход прямого выстраивания цепочек, начиная с известных фактов и применяя правила для вывода новых фактов. Компонент машинного обучения работает совместно с механизмом вывода, используя данные для изучения закономерностей и построения прогнозов.
Эффективность экспертной системы оценивается на основе оперативных данных, полученных на производстве. Внимание уделяется способности системы оптимизировать производственные процессы, уменьшать время простоя и повышать качество продукции. Для оценки преимуществ гибридной экспертной системы ее эффективность сравнивают с эффективностью традиционных производственных систем.
Представление гибридной экспертной системы. Модель предлагаемой гибридной экспертной системы представлена в виде циклического графа (рисунок), где каждый узел - компонент системы (рассуждения на основе правил, машинное обучение, механизм вывода, обновление базы знаний, пользовательский интерфейс), а каждое ребро - взаимодействие между компонентами, представленное функциями a, b, c, d, e. Цикличность графа означает непрерывное обучение и адаптацию системы.
Функция а преобразует правила, полученные от компонента рассуждений на основе правил, в форму, которая используется компонентом машинного обучения. Если представить правило в виде вектора R = [r0, r,..., rn ], где каждый ri - это признак правила, то функция а преобразуется в вид
a(R) = [f(ro),f (r),...,/ (rn)].
Здесь f- функция преобразования, переводящая каждый признак в числовой формат.
Функция b использует модель машинного обучения для составления прогнозов на основе правил. Предлагается использовать модель логистической регрессии, которая, как правило, применяется для решения задач бинарной классификации. Если представить преобразованное правило в виде вектора X = [хх, х2,..., хп ], а параметры модели машинного обучения в виде B = [b0,bl,...,bn], то функция b равна:
Циклический граф гибридной системы Cyclic graph of the hybrid system
P(Y = 1)
1
1 фх)
где P(Y = 1) - вероятность отказа станка / машины; b.(for(i = 1,2,...,N)) - параметры модели, которые обучаются на основе тренировочных данных; х. (for(i = 1,2,..., N)) -входные переменные.
Данная модель работает с любым количеством входных переменных, что делает ее гибким инструментом для решения различных задач бинарной классификации. Выбор входных переменных xi должен основываться на их значимости для прогнозируемого результата.
Функция c использует механизм вывода для принятия решений на основе предсказаний, полученных с помощью модели машинного обучения. Если представить предсказание в видеp, то функция c преобразуется следующим образом:
|1 if p > t,
[0 if p < t,
где t - пороговое значение.
Функция d обновляет базу знаний на основе решений, принятых механизмом вывода. Если представить решение как d, а текущее состояние базы знаний как K, то функция d равна:
d (K, d) = K',
где K - обновленное состояние базы знаний.
Точный вид функции d зависит от конкретного метода, используемого для обновления базы знаний.
Функция e представляет решения пользователю и получает обратную связь. Если представить решение как d, а обратную связь как f то e(d) = f. Эта функция сопоставляет решение с обратной связью, полученной от пользователя.
Заключение. Рассмотренные комплексная методология и формальное представление гибридной экспертной системы могут служить основой для разработки экспертной системы для современного промышленного производства. Интеграция рассуждений на основе правил с методами машинного обучения является эффективным подходом, повышающим адаптивность и эффективность системы. Циклическая структура системы обеспечивает непрерывное обучение и адаптацию, а формальное математическое представление - разработку экспертной системы с учетом типа промышленного производства.
Для дальнейшего подтверждения ее эффективности и выявления возможностей оптимизации исследования следует направить на проведение эмпирических испытаний в реальных условиях.
Литература
1. Гагарина Л. Г., Дорогова Е. Г., Немцова Т. И. Особенности разработки программного обеспечения для автоматизации технологического процесса производства продукции различной номенклатуры // Оборонный комплекс - научно-техническому прогрессу России. 2006. № 4. С. 36-38. EDN: KASDFN.
2. Скворцов В. Н. Проблемы обучения персонала в контексте концепции самообучающейся организации // Вестник ЛГУ им. А. С. Пушкина. 2009. Т. 3. № 1. С. 137-152. EDN: IYEBCG.
3. Mekruksavanich S., Jitpattanakul A. LSTM networks using smartphone data for sensor-based human activity recognition in smart homes // Sensors. 2021. Vol. 21. Iss. 5. Art. No. 1636. https://doi.org/ 10.3390/s21051636
4. Sarker I. H., FurhadM. H., Nowrozy R. AI-driven cybersecurity: An overview, security intelligence modeling and research directions // SN Comput. Sci. 2021. Vol. 2. Iss. 2. Art. No. 173. https://doi.org/10.1007/ s42979-021-00557-0
5. Wang S., Wan J., Li D., Liu C. Knowledge reasoning with semantic data for real-time data processing in smart factory // Sensors. 2018. Vol. 18. Iss. 2. Art. No. 471. https://doi.org/10.3390/s18020471
6. Smart grid for industry using multi-agent reinforcement learning / M. Roesch, C. Linder, R Zimmermann et al. // Appl. Sci. 2020. Vol. 10. Iss. 19. Art. No. 6900. https://doi.org/10.3390/APP10196900
7. Famili A. Use of decision-tree induction for process optimization and knowledge refinement of an industrial process // Artificial Intelligence for Engineering Design, Analysis and Manufacturing. 1994. Vol. 8. Iss. 1. P. 45-57. https://doi.org/10.1017/S0890060400000469
8. Jamwal A., Agrawal R., Sharma M., Giallanza A. Industry 4.0 technologies for manufacturing sustainability: A systematic review and future research directions // Appl. Sci. 2021. Vol. 11. Iss. 12. Art. No. 5725. https://doi.org/10.3390/app11125725
9. Calderon Godoy A. J., Gonzalez Perez I. Integration of sensor and actuator networks and the SCADA system to promote the migration of the legacy flexible manufacturing system towards the Industry 4.0 concept // J. Sens. Actuator Netw. 2018. Vol. 7. Iss. 2. Art. No. 23. https://doi.org/10.3390/jsan7020023
10. A Hybrid Expert System for Heart Disease Diagnosis. Scientific Programming. P. 1128717. Available at: https://link.springer.com/chapter/10.1007/978-3-642-22555-0_13 (дата обращения: 15.07.2023).
Статья поступила в редакцию 20.07.2023 г.; одобрена после рецензирования 01.08.2023 г.;
принята к публикации 10.04.2024 г.
Информация об авторах
Городилов Алексей Владиславович - кандидат технических наук, доцент Института системной и программной инженерии и информационных технологий Национального исследовательского университета «МИЭТ» (Россия, 124489, г. Москва, г. Зеленоград, пл. Шокина, 1), igi@miee.ru
Чирков Андрей Владимирович - аспирант Института системной и программной инженерии и информационных технологий Национального исследовательского университета «МИЭТ» (Россия, 124489, г. Москва, г. Зеленоград, пл. Шокина, 1), andrewchirckov@gmail.com
References
1. Gagarina L. G., Dorogova E. G., Nemtsova T. I. Peculiarities of software development for automation of various assortment product manufacturing process flow. Oboronnyy kompleks - nauchno-tekhnicheskomu progressu Rossii = Defense Industry Achievements - Russian Scientific and Technical Progress, 2006, no. 4, pp. 36-38. (In Russian). EDN: KASDFN.
2. Skvortsov V. N. Problems of staff training in the context of concept of self-study organization. Vestnik LGU im. A. S. Pushkina = Pushkin Leningrad State University Journal, 2009, vol. 3, no. 1, pp. 137-152. (In Russian). EDN: IYEBCG.
3. Mekruksavanich S., Jitpattanakul A. LSTM networks using smartphone data for sensor-based human activity recognition in smart homes. Sensors, 2021, vol. 21, iss. 5, art. no. 1636. https://doi.org/10.3390/s21051636
4. Sarker I. H., Furhad M. H., Nowrozy R. AI-driven cybersecurity: An overview, security intelligence modeling and research directions. SN Comput. Sci., 2021, vol. 2, iss. 2, art. no. 173. https://doi.org/10.1007/ s42979-021 -00557-0
5. Wang S., Wan J., Li D., Liu C. Knowledge reasoning with semantic data for real-time data processing in smart factory. Sensors, 2018, vol. 18, iss. 2, art. no. 471. https://doi.org/10.3390/s18020471
6. Roesch M., Linder C., Zimmermann R., Rudolf A., Hohmann A., Reinhart G. Smart grid for industry using multi-agent reinforcement learning. Appl. Sci., 2020, vol. 10, iss. 19, art. no. 6900. https://doi.org/10.3390/ APP10196900
7. Famili A. Use of decision-tree induction for process optimization and knowledge refinement of an industrial process. Artificial Intelligence for Engineering Design, Analysis and Manufacturing, 1994, vol. 8, iss. 1, pp. 45-57. https://doi.org/10.1017/S0890060400000469
8. Jamwal A., Agrawal R., Sharma M., Giallanza A. Industry 4.0 technologies for manufacturing sustainability: A systematic review and future research directions. Appl. Sci., 2021, vol. 11, iss. 12, art. no. 5725. https://doi.org/10.3390/app11125725
9. Calderon Godoy A. J., Gonzalez Perez I. Integration of sensor and actuator networks and the SCADA system to promote the migration of the legacy flexible manufacturing system towards the Industry 4.0 concept. J. Sens. Actuator Netw., 2018, vol. 7, iss. 2, art. no. 23. https://doi.org/10.3390/jsan7020023
10. Hybrid Expert System for Heart Disease Diagnosis. Scientific Programming, pp. 1128717. Available at: https://link.springer.com/chapter/10.1007/978-3-642-22555-0_13 (accessed: 15.07.2023).
The article was submitted 20.07.2023; approved after reviewing 01.08.2023;
accepted for publication 10.04.2024.
Information about the authors
Alexey V. Gorodilov - Cand. Sci. (Eng.), Assoc. Prof, of the Institute of System and Software Engineering and Information Technology, National Research University of Electronic Technology (Russia, 124498, Moscow, Zelenograd, Shokin sq., 1), igi@miee.ru
Andrey V. Chirkov - PhD student of the Institute of System and Software Engineering and Information Technology, National Research University of Electronic Technology (Russia, 124498, Moscow, Zelenograd, Shokin sq., 1), andrewchirckov@gmail.com
