Системи штучного інтелекту Лекція 2 Моделі подання завдань

Системи штучного інтелекту Лекція 2. Моделі подання завдань у системах штучного інтелекту 1

Приклади існуючих автоматизованих систем діагностування Назва системи Призначення Автоматизована система технічної діагностування систем залізничного автоматики і телемеханіки (АСТД СЗАІТ) Оперативне представлення своєчасних і достовірних відомостей про поточний стан об'єктів сигналізації, централізації і блокування лінійних пунктів і перегонів ділянок залізниці на робочому місці диспетчера Автоматизована система діагностування парових турбін („АСД-ТУРБІНА”) Загальна і поелементна діагностика технічного стану систем автоматичного регулювання і захисту парових турбін всіх типів Діагностична експертна система „ДІЕС” Розподілена інформаційна система діагностування і прогнозування параметрів магістрального трубопроводу (РІС ДІППМТ) Визначення технічного стану об’єктів (компресорів, насосів, вентиляторів, турбін і т. п. ) фахівцями за допомогою обладнання і по методиці, що поставляються ЗАТ „Промсервіс” Накопичення в базі даних, що знаходиться на сервері, діагностичної інформації, що поступає з віддалених компресорних станцій, з метою подальшого її аналізу, обробки і отримання результатів у вигляді методик підвищення ефективності використання трубопроводу і попередження можливих аварій 2

Причини задач діагностування, які не формалізуються • складність і велика кількість функціональних залежностей в об’єкті діагностування; • необхідність обліку при виробленні управлінських рішень випадкових чинників, зовнішніх і внутрішніх збурюючих дій стохастичного характеру; • неоднозначність причинно-наслідкових зв'язків між управлінськими рішеннями і результатами їх практичної реалізації; • неможливість кількісного вимірювання контрольованих параметрів (в цьому випадку використовуються їх якісні оцінки, а математичний апарат ухвалення рішень базується на таких категоріях, як нечітка логіка, розмиті або розпливчаті множини); • неповнота, суперечність інформації про об'єкт діагностування та ін. 3

Склад системи штучного інтелекту для діагностування • база знань (БЗ) – центральна частина експертної системи. Вона містить правила, що описують відносини або явища, методи і знання для розв’язку завдань з області застосування системи. • механізм виводу (МВ) – містить принципи і правила роботи. Механізм виводу "знає", як використовувати базу знань так, щоб можна було отримувати висновки, що розумно узгоджуються, з інформації, яка знаходиться в БЗ. • система призначеного для користувача інтерфейсу (СКІ) – приймає дані від користувача і передає йому інформацію 4

Характеристика вимог користувача до результату завдання • кількістю розв’язків: один розв’язок, декілька розв’язків, всі розв’язки; • властивостями результату: обмеження, яким повинен задовольняти отриманий результат; • і (або) способом його отримання. 5

Існуючі методи розв’язку завдань • методи пошуку в одному просторі – методи, призначені для використання в таких умовах: області невеликої розмірності, повнота моделі, точні і повні дані; • методи пошуку в ієрархічних просторах – методи, призначені для роботи в областях великої розмірності; • методи пошуку при неточних і неповних даних; • методи пошуку, що використовують декілька моделей, призначені для роботи з областями, для адекватного опису яких однієї моделі недостатньо. 6

Методи діагностування стану складного технічного об’єкта • Байєсівський підхід • Діагностування об’єктів методом фазового інтервалу • Діагностування об’єктів методом логічного висновку • Використання нейронних мереж для діагностування об’єктів • Використання нечіткої логіки для діагностування об’єктів 7

Байєсівський підхід 8

Обмеження байєсівського підходу • Статистична інформація, що необхідна для застосування теореми Байєса, як правило, відсутня. Її збір, обробка і зберігання пов'язані зі значними організаційними й обчислювальними труднощами. • Значною проблемою є внесення в модель нової інформації, що обумовлено необхідністю перерахування усіх імовірностей. • Використання теореми Байєса ґрунтується на припущенні, що кожен діагноз має свої набори параметрів стану, що не перетинаються. На практиці це не завжди виконується, оскільки однакові параметри стану можуть зустрічатися при різних діагнозах. 9

Діагностування об’єктів методом фазового інтервалу • В основі різних модифікацій методу лежить ідея віднесення об’єкта, що характеризується вектором параметрів стану, до того чи іншого діагнозу на основі обчислення відстаней між двома точками у фазовому просторі. Розглядається n-вимірний простір, кожна координата хі якого відповідає одному з параметрів стану. Кожній точці (x 1, x 2, . . . , xn) фазового простору ставиться у відповідність деякий діагноз dj. 10

Діагностування об’єктів методом фазового інтервалу 11

Діагностування об’єктів методом фазового інтервалу 12

Діагностування об’єктів методом логічного висновку 13

Приклад формування правил • • ЯКЩО значне осідання грунту, ТА великий обсяг пару, ТА втрати теплоносія значні, ТОДІ причина несправності фізично зношені труби, які призвели до витікання теплоносія із системи. 14

Використання нейронних мереж • Нейронні мережі являють собою множину пов'язаних між собою простих обчислювальних елементів нейронів, кожен з яких імітує поведінку окремої клітини людського мозку. Сама нейронна мережа може розглядатися як модель процесів, що відбуваються на клітинному рівні у головному мозку прийнятті людиною рішень. Кожен нейрон у нейронній мережі перетворює вхідні сигнали у вихідний. Інформація про параметри стану об'єкта, що діагностується, подається на вхідний шар нейронної мережі. Далі ця інформація переробляється усіма нейронами та передається на вихідний шар. Вихідний шар формує сигнал про встановлення діагнозу. 15

Використання нечіткої логіки • Нечітка логіка ‑ це формальний математичний апарат, який спеціально розроблений для представлення та використання знань у вигляді природномовних висловлювань. • Нечітка база знань являє собою сукупність лінгвістичних знань - правил типу: ЯКЩО х1=а ТА х2=b ТА х3 =с, ТОДІ D = d, • де а, b, с, d - слова або словосполучення природної мови. 16

Використання нечіткої логіки • Правила, що входять в нечітку базу знань, являють собою концентрацію досвіду експерта та його розуміння зв'язку «входи вихід» . Особливістю нечіткого логічного висновку є можливість встановлення діагнозу для випадку, коли в базі знань відсутній прецедент. Іншими словами, можливо за правилом з нечіткої бази знань (1. 1) формально відповісти на питання: «Яким буде D, якщо x 1 = більше а та х2 = менше за b та х3 = трохи більше за с? » . 17

Порівняльний аналіз методів технічного діагностування Методи Труднощі А Б В Г Д Збору і обробки статистичної інформації + – – Поповнення моделі + – – + – Забезпечення стійкості моделі до впливаючих факторів + – – Врахування якісних параметрів + + – +/– – Врахування кількісних параметрів – – + – – Роботи з нечіткими знаннями + + – Адаптації (навчання) моделі + +/– + – – А ‑ байєсівський підхід, Б ‑ метод фазового інтервалу, В – метод логічного висновку, Г ‑ нейронні мережі, Д ‑ нечітка логіка, + (-) ‑ наявність (відсутність) труднощів. 18

Принципи діагностування несправностей в інженерних мережах на базі нечіткої логіки • вхідні лінгвістичні змінні і відповідні терм-множини – ТИП ПРОКЛАДАННЯ ТЕПЛОПРОВОДУ – {канальний, безканальний, повітряний, підвальний}; – ТИП ІЗОЛЯЦІЇ – {армопенобетон (АПБ), пенополіуретан (ППУ), бітумна суміш (БС), «Тип 5» (сталеві труби без ізоляції), інші}; – НАЯВНІСТЬ СИСТЕМ КАНАЛІЗАЦІЇ – {є/немає}, – ПЕРЕВИЩЕННЯ ВТРАТИ ТЕПЛА ВІД НОРМАТИВНОГО {відсутнє, незначне, середнє, вище середнього, значне}. – ТОДІ причина – ЗАЛИТТЯ ФЕКАЛЬНИМИ ВОДАМИ (Вихідною змінною в цій задачі може бути ПРИЧИНА ВИНИКНЕННЯ НЕСПРАВНОСТІ (втрата теплоносія) {втрата теплоносія в системі (в колодязях, теплообмінних пунктах та ін. ), розбирання води споживачами, втрата теплоносія через фізично зношені труби чи їх зовнішнє пошкодження. }. ) 19

Принцип формування структури залежності «входи - вихід» у вигляді нечіткої бази знань • відсутній (в), незначний (нз), середній (с), вище середнього (вс), значний (з) 20

Принцип ієрархічності діагностичних знань (приклад дерева висновку ) 21

Принцип ієрархічності діагностичних знань • знання виду D = f(x 1, x 2, . . . , x 13), які зв'язують входи x 14 з виходом D, замінюються послідовністю співвідношень: D = f 1(y 1, w, z), y 1 = f 2(x 1, x 2, x 3), y 2 = f 2(x 7, x 8, x 9), y 3 = f 3(x 11, x 12), z = f 4(y 2, y 3, x 10), w = f 5(z, x 4, x 5, x 6), • де y 1, y 2, y 3, z, w – проміжні лінгвістичні змінні. 22

Дякую за увагу! 23