автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Диагностика текущего состояния сложных динамических объектов с использованием параметров имитационной модели

На правах рукописи

Московский энергетический институт (технический университет)

Вершинин Дмитрий Викторович

Диагностика текущего состояния сложных динамических объектов с использованием параметров имитационной модели

Специальность 05.13.01. - "Системный анализ, управление и обработка

информации (информатика)"

АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук

2 И ЮН 2011

Москва, 2011

4848863

Работа выполнена на кафедре Управления и информатики Московского энергетического института (технического университета)

Научный руководитель:

доктор технических наук профессор

Колосов Олег Сергеевич

Официальные оппоненты:

доктор технических наук профессор

Митрофанов Владимир Георгиевич

доктор технических наук профессор

Фролов Александр Борисович

Ведущая организация:

Московский государственный институт радиотехники, электроники и автоматики

Защита состоится 16 июня 2011 г. в 16 часов 00 мин. на заседании диссертационного совета Д 212.157.08 при Московском энергетическом институте (техническом университете) по адресу: 111250, Москва, ул. Красноказарменная, д. 14, Малый актовый зал.

С диссертацией можно ознакомиться в библиотеке Московского энергетического института (технического университета).

Отзывы в двух экземплярах, заверенные печатью, просьба направлять по адресу: 111250, Москва, ул. Красноказарменная, д. 14, Ученый совет МЭИ (ТУ).

Автореферат разослан " tí я_2011 года

Ученый секретарь

диссертационного совета Д 212.157.08 кандидат технических наук доцент

Д.Н.Анисимов

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ.

Диссертационная работа посвящена разработке системы диагностики текущего состояния сложного динамического объекта на базе нечеткой логики с использованием параметров имитационной модели.

Актуальность работы. Диагностика неисправностей в функционирующих сложных динамических объектах и системах является известной проблемой. К сложным объектам может быть отнесено большое число объектов разной природы. Для этих объектов характерно отсутствие достаточно полного математического описания, ограниченное число регистрируемых координат, большая размерность, нелинейность статических характеристик, параллельность структуры, отсутствие описания динамических свойств. Часто бывает, что имеющихся параметров объекта явно недостаточно для диагностики. Для диагностики подобных объектов используются различные подходы, базирующиеся на методах искусственного интеллекта. В основу этих методов закладывается знания и опыт экспертов, ацйлизгфуюхцих т£ку1дсс состояние объекта по виду Наблюдаемых перелидных. процессов. Причем эти знания могут быть как на уровне интуиции, а так же и в виде формализованных признаков. При этом большое распространение получили мягкие вычисления. Однако в случае недостатка формализованных признаков эти подходы оказываются малоэффективными, а в случае избыточности повышается размерность, а эффективность тоже падает из-за того, что области изменения параметров для многих неисправностей оказываются пересекающимися. Подобная ситуация характерна для объектов параллельной структуры, когда в переходных процессах наблюдается суммарное проявление параллельно работающих компонент объекта. Примерами таких объектов могут выступать как технические, так и некоторые биологические объекты. Так входные и выходные контролируемые параметры газа компрессорного цеха с параллельно работающими компрессорами в стационарном режиме не позволяют оценить текущее техническое состояние каждого конкретного компрессора. Пока такая оценка делается расчетным путем и далека от совершенства. Сейчас делаются попытки провести диагностику текущего состояния компрессора путем анализа переходных процессов в режиме запуска его в работу. Примером биологического объекта служит сетчатка человеческого глаза, которая может быть представлена в виде динамического объекта с параллельной структурой, определяемой клеточным строением сетчатки. Диагностика патологий (неисправностей) сетчатки производится по характерным точкам переходного процесса или электроретинограммы (ЭРГ) в ответ на воздействие светового импульса. В ЭРГ так же регистрируется суммарный отклик всех параллельных слоев сетчатки, вклад каждого из которых зафиксировать технически невозможно. По виду этой суммарной реакции сложно определить вклад каждого слоя и соответственно состояние этих слоев.

В связи с этим является актуальным вопрос построения имитационных моделей динамических объектов параллельной структуры, достаточно точно воспроизводящих наблюдаемый процесс на выходе объекта. Значения параметров таких моделей могут служить дополнительными признаками, используемыми для функционирования диагностической системы с целыо повышения эффективности ее работы.

В данной работе под диагностическими системами подразумеваются системы, использующие для своего функционирования формализованные признаки, характеризующие состояние объекта, и математические описания реакции диагностируемого объекта на определенные входные воздействия. Предполагается ограниченное число возможных неисправностей (патологий) и их сочетаний. В такой постановке подобные диагностические системы оказываются эффективными в применении, как для технических объектов, так и для медицины.

Поэтому актуальным является разработка методов построения диагностической системы на базе нечеткой логики с использованием имитационной модели, позволяющей расширить базу диагностических признаков для повышения эффективности диагностики и разработка методики выделения групп признаков, позволяющих выявлять те или иные виды неисправностей (патологий), не увеличивая чрезмерно размерность диагностической системы.

Цель диссертационной работы - разработка общих принципов создания системы диагностики текущего состояния сложного динамического объекта параллельной структуры по характерным течкам (признакам) наблюдаемого общего переходного процесса на базе нечеткой логики и с использованием параметров подстраиваемой имитационной модели такого объекта

Задачи исследования:

1. Анализ возможностей реализации и выработка требований и основных подходов к построению систем диагностики для оценки текущего состояния сложных динамических объектов с параллельной структурой по наблюдаемому общему переходному процессу.

2. Исследование эффективности и качества функционирования диагностической системы на базе нечеткого логического вывода для оценки текущего состояния сложного динамического объекта с параллельной структурой с использованием в качестве характерных признаков определенного, ограниченного числа точек наблюдаемого общего переходного процесса.

3. Анализ возможных подходов и построение динамической модели объекта параллельной структуры, имитирующей с определенной точностью наблюдаемый общий переходный процесс на выходе реального объекта, с целью получения дополнительных признаков текущего состояния неконтролируемых компонент этого реального объекта.

4. Исследование эффективности и качества диагностических систем на базе нечеткого логического вывода для оценки текущего состояния сложного динамического объекта параллельной структуры с различными сочетаниями и количествами используемых характерных признаков, извлекаемых как из наблюдаемого общего переходного процесса, так и в виде параметров имитационной модели объекта.

Научная новизна:

1. Разработан принцип диагностики сложного динамического объекта параллельной структуры на основе нечеткой логики с использованием параметров имитационной модели объекта, расширяющей базу формализованных признаков.

2. Предложена и обоснована структура диагностической системы в виде одновременно действующих групп (ансамблей) частных подсистем с

ограниченным числом признаков, ориентированных на выявление определенных видов неисправностей (дефектов, патологий) объектов.

Достоверность и обоснованность научных результатов н положений диссертации подтверждается их совпадением с результатами имитационного моделирования и натурных экспериментов.

Практическая значимость результатов

1. Разработана имитационная динамическая модель суммарной биоэлектрической активности сетчатки, в виде динамического объекта параллельной структуры, параметры которой определяются по результатам подстройки переходного процесса на выходе модели под вид реакции объекта на схожие тестовые воздействия.

2. Построен прототип диагностической системы патологий сетчатки глаза по результатам электроретинографических исследований, базирующийся на нечетком логическом выводе и использующий параметры имитационной динамической модели сетчатки в качестве дополнительных признаков.

Реализация результатов

Участие в грантах Российского фонда фундаментальных исследований:

«Исследование и разработка методов и моделей диагностики сложных проблемных ситуаций на основе методов искусственного интеллекта» (проект 0701-00762).

«Методы диагностики объектов и систем сложной структуры с использованием параметров имитационных моделей» (проект 10-01-00049).

Апробация работы.

Основные результаты диссертационной работы докладывались и обсуждались на Международных научно-технических конференциях «Информационные средства и технологии» 2009 - -2010гг., Москва, МЭИ (ТУ); 16, 17, 18 и 19 Международных научно-технических семинарах «Современные технологии в задачах управления, автоматики и обработки информации». 2007 -2010 г., Украина, г. Алушта; на 13 Всероссийской конференции «Математические методы распознавания образов». Ленищрадская обл., г. Зеленогорк, 2007 г.

Публикации. Основные положения диссертации опубликованы в 12-ти печатных работах, в том числе в 4-х статьях в журналах, рекомендованных ВАК для защиты кандидатских диссертаций.

Структура и объем работы. Диссертация состоит из введения, 4 глав, заключения, списка литературы из 63 наименования и приложения, изложенных на 132 страницах машинописного текста, содержит 49 рисунков, 45 таблиц.

КРАТКОЕ СОДЕРЖАНИЕ РАБОТЫ:

Во введении приводится актуальность темы, рассматриваются предпосылки для проведения исследований, приводится научная новизна и практическая значимость работы.

В первой главе обсуждаются вопросы диагностики текущего состояния сложных динамических объектов параллельной структуры. Отмечается, что подобные объекты характеризуются ограниченным числом контролируемых параметров, высокой размерностью, разветвленной структурой, нелинейными характеристиками, отсутствием адекватного математического описания. К подобным объектам относятся как многие технические, так и некоторые биологические объекты.

Диагностические системы для подобных сложных динамических объектов можно условно разделить на три дополняющих друг друга группы: системы, базирующиеся на классических статистических методах; системы, аккумулирующие знания и опыт профессиональных, оиерашрив и использующие нейронные сети, вероятностные методы в виде диагностических байесовских сетей доверия, теории свидетельств Демпстера-Шефера и т.д.; системы, базирующиеся на мягких вычислениях (нечеткой логике), в которых для построения так же используется опыт квалифицированного персонала.

Все рассматриваемые группы диагностических систем изначально не требуют для своего функционирования никаких предварительных знаний о процессах, протекающих в структуре диагностируемого объекта. Однако указанное обстоятельство сильно затягивает и усложняет процесс построения достаточно эффективной диагностической системы для конкретного объекта.

Сложность заключается в том, что, если объект остается работоспособным, но его функционирование по каким-либо признакам начинает отличаться от штатного, то, зачастую, эти признаки не фиксируются в стационарном режиме. Например, изменение статических характеристик одного из параллельно работающих газоперекачивающих агрегатов (ГПА) в процессе стационарной работы компрессорного цеха (КЦ) практически никак не отслеживается. А знание этих характеристик играет большую роль, как в предупреждении аварийных ситуаций, так и в экономичности работы КЦ. На практике текущее состояние ГПА учитывается по интегральным коэффициентам технического состояния, определяемым расчетным путем по формулам, принятым для расчета в ведомстве. Однако эти коэффициенты недостаточно характеризуют текущее состояние данного конкретного ГПА.

Во многих случаях опыт и интуиция обслуживающего персонала играют ключевую роль в своевременном выявлении и устранении неисправностей. На основании такого опыта разрабатываются алгоритмы поиска неисправностей сложной техники для менее квалифицированных работников. Однако наборы неформализованных признаков часто характеризуют целые группы возможных неисправностей. Что касается формализованных признаков, характеризуемых средними значениями и областями отклонений, то во многих случаях эти области пересекаются для разного рода неисправностей, что осложняет применение классических статистических методов, если один и тот же вид неисправности может быть порожден различными причинами. Кроме этого зачастую отсутствуют

достаточные объемы выборок для уверенного использования статистических методов диагностики.

Подобная ситуация особенно характерна для динамических объектов параллельной структуры. Таковых на практике встречается достаточно много.

В силу указанных обстоятельств представляется важным проработка вопроса о повышении эффективности работы диагностических систем за счет использования при их построении дополнительной информации о функционировании объекта по данным имитационной модели.

Информацией в виде дополнительных признаков здесь могут служить те коэффициенты модели, которые ощутимо меняются в зависимости от вида неисправности. Коэффициенты модели должны подстраиваться таким образом, чтобы наблюдаемые процессы на выходе объекта и модели были бы достаточно близкими. В переходном процессе на выходе объекта параллельной структуры оператору визуально достаточно сложно выявлять особенности динамики отдельных составляющих структуры, а коэффициенты адекватной имитационной мидели могут содержать такую информацию.

Имитационные модели с разной степенью приближения могут описывать процессы, происходящие в структуре сложного динамического объекта. Это в первую очередь зависит от степени изученности динамических свойств объекта. Для ряда объектов (движущиеся в пространстве объекты) степень изученности относительно высока; для электроприводного ГПА достаточно хорошо изучены статические свойства, но отсутствуют описания его динамических свойств; для ряда биологических объектов (например, сетчатка глаза) вообще отсутствует какое-либо описание его динамики по виду переходных процессов.

Построение имитационных моделей подобных объектов может вестись с единых позиций, принятых в теории управления, когда изучаемый объект на начальном этапе рассматривается как «черный ящик», а далее в процессе изучения его свойств, строится и уточняется его имитационная модель.

В работе показывается сходство постановки задач, связанных с диагностикой текущего состояния таких сложных динамических объектов как газоперекачивающий компрессорный цех с параллельно работающими компрессорами и сетчатка глаза в виде параллельно работающих клеточных слоев (компонент). Во втором случае вообще отсутствует какое-либо математическое описание динамики объекта, отражающее связь наблюдаемого переходного процесса (ЭРГ) с видом входного воздействия (светового импульса). Дальнейшие исследования, проводимые в данной работе, связываются с построением диагностической системы на базе нечеткого логического вывода для оценки текущего состояния сетчатки глаза. При этом используются характерные признаки, извлекаемые из наблюдаемой ЭРГ и дополнительные признаки в виде параметров подстраиваемой динамической модели сетчатки. Подобные исследования по своей постановке и достигаемым результатам оказываются одинаково применимыми как к техническим, так и к некоторым биологическим объектам.

С появлением аппаратуры, позволяющее регистрировать отклики сетчатки в виде биоэлектрических потенциалов на световые раздражители, диагностирование патологий сетчатки вышло на новый качественный уровень. Появилась возможность получения формализованных признаков текущего состояния исследуемого объекта, которые позволяют воспользоваться методами нечеткой логики для построения диагностических систем. По существу диагностика

биологического объекта по откликам, регистрируемым компьютерной аппаратурой ничем не отличается от диагностики технического объекта с неизвестным математическим описанием. На рис.1 представлено изображение общей ЭРГ, представляющее собой реакцию большинства клеток сетчатки на вспышку (рисунок слева) и на одиночный световой импульс (рисунок справа). Наиболее полным считается представление ЭРГ в виде четырех компонент известное как «компонентный анализ». На рис.1, показаны ЭРГ и составляющие ее компоненты. Согласно компонентному анализу, в генерацию ЭРГ дают вклад три компонента: PI, PII и Pill. Лидирующий (передний) фронт негативной а-волны является начальной ветвью негативного PIIÏ компонента. Позитивная ¿»-волна отражает сумму РП и Pill, а медленно развивающаяся с-волна является результатом суммирования PI и РШ компонентов.

MB +1

Свет

2 сек

- f\ OB/Mül 1er cell RPE

- V;/ ^^ С:

\ / Time

V V" ЙР ч

I Müller се!» __ (Slow pi II) 1 ■ 1

Рис. 1. Общий вид ЭРГ и ее компонентов.

Таким образом, ЭРГ на одиночную вспышку является суммарным ответом различных клеток сетчатки; основными компонентами ЭРГ являются а и Ъ ~ волны и две разно-полярные, относительно медленно меняющиеся составляющие, определяющие с-волну.

Основная, информативная часть общей ЭРГ рассматривается на участке до 100 мс (а и ¿-волны), так как остальная, медленная часть этой ЭРГ (с-волна) очень нестабильна во времени из-за возможных смаргиваний пациента.

В оценке ЭРГ на одиночный световой импульс фиксируются только амплитудные и временные параметры минимума (я-волна) и параметры максимума (¿-волна), без учета конфигурации волн, их фронтов.

Отметим, что координаты экстремумов общей ЭРГ (так называемые кульминации а и ¿-волн) зависят от всех четырех компонент и очевидно существует бесконечное множество сочетаний их мгновенных значений, приводящих к одним и тем же координатам экстремумов, что, в конечном итоге, затрудняет диагностику по столь ограниченному числу признаков.

Увеличить количество информативных признаков можно с помощью имитационной подстраиваемой динамической модели сетчатки, структура которой показана на рис.2.

Л

х

ж

компонента .

К

компонента 2

т

I

компонента 3

И/

компонента 4

У

Рис.2. Структура динамической модели биоэлектрической активности сетчатки

В соответствии с этой структурой, необходимо определить передаточные функции отдельных компонент так, чтобы СКО между модельной ЭРГ и наблюдаемой ЭРГ было бы минимальным. Очевидно, что подобная задача не является однозначной.

В работе обсуждается вопрос построения имитационной модели биоэлектрической активности сетчатки в виде двухкомпонентной параллельной динамической структуры. Для построения использовался метод экспоненциальной модуляции (МЭМ). С помощью этой модели удается имитировать общую ЭРГ в виде суммы двух компонент (а и Ь волн), с-волна не учитывается, поскольку считается, что ее проявление на участке до второго экстремума незначительно. Однако дальнейшие исследования показали, что полученная модель недостаточно отражает физиологию процессов, происходящих в сетчатке, так как не учитывает реальное запаздывание для Ь-волны и влияние медленной составляющей (с-волна). Именно поэтому получаемые дополнительные признаю! дают сильное пересечение диапазонов значений для разных патологий, что затрудняет диагностику. Полученные результаты позволяют улучшить диагностику по видам ЭРГ, но их применение оказывается не совсем удобным для использования в диагностических системах с нечеткой логикой. Именно поэтому необходимо построить имитационную модель лучше отражающую физиология процессов, происходящих в сетчатке.

Во второй главе рассмотрено использование нечеткого логического вывода для диагностики патологий сетчатки глаза по общей ЭРГ как сложного динамического объекта параллельной структуры. Описаны общие признаки, извлекаемые из ЭРГ. Рассмотрено построение диагностических систем, на базе нечеткой логики, использующих эти признаки.

В соответствии с постановкой задачи, сформулированной в предыдущей главе, рассмотрена задача построения диагностической системы для динамического объекта сложной структуры с использованием нечеткой логики на

примере построения системы для диагностики сетчатки глаза. При этом условимся под определенным видом неисправности объекта понимается определенного вида патология. Все остальные рассуждения остаются такими же, как для любого вида технических объектов. А каждый диагностируемый пациент по существу является конкретным объектом исследования.

Как говорилось выше, с точки зрения экспертов-физиологов, наибольшую информацию о характере патологий несут ординаты и абсциссы первых двух экстремумов ЭРГ:

Ua = mmU3fT(t),ta = arg min U3W(t),Ub = mnx.U3fT(t),th = arg max Um {t). На рис. 3 представлены распределения значений признаков по диагнозам (категориям). Здесь и далее по тексту используются следующие сокращения N -норма, GL - глаукома, DRP - диабетическая ретинопатия, RD - отслойка сетчатки, RP - пигментный ретинит, SD - рассеянный склероз, XR-R - Х-хромосомный ретиношизис. При решении данной задачи диагностики, были собраны данные о параметрах общей ЭРГ для 180 пациентов.

,,- Значения экстренхыаа.рога» Знзч&киёзкарему»аbuäojwV ■;.:.:

»RD : ■ с '' :7-!; ♦ N

щ*Щ |р|§ SD »RD SD . Ж

л .- """ £ ■• 1 ; •* - Г'.* Г:Ч; =■ GL

~ »г / Г ' Г. Л * -■ у • W ' GL

i " " • «Г ~ 7' • " - AVMD

i. - '' -' - ' ■ - '*' Äi-

■300 -250 -200 -1S0 -100 -53 0 100 ICO 3C0 4 0

8 "" ~ Вре«я"купь-унн ади* а-волкы о

';' «т. ; ^ Время куль-минамий'Ь-болны

■* 1 ■ ■;.' ; ' v Vf г ' ' ■:

• N ♦ N

- »- /V Ж Г' ч- ■ RD - - - * •.-" - ' ' -r i ; г ' «RD

' . ■ ' " V :

" •;" . ■ * . .:: -

- ' ; • ' - п." ' : • " ' • M • M

. Шz IsjAlj j". ■ Г. K: 'f ™ ; - ■ ";"-» v: - VMD

a io 20 зс 0 20 40 sc 30

Рис. 3. Распределение значений параметров по диагнозам (категориям).

По распределению значений параметров видно, что диапазоны распределения по категориям сильно смешаны между собой, и фактически невозможно диагностировать пациента по одному лишь признаку. Смешанность значений параметров и малая выборка и предполагают искать решение задачи в виде нечеткого множества. Ранее на основе одной общей ЭРГ диагностика не проводилась.

Каждому диагнозу должны приписываться некоторые степени принадлежности. Иными словами, необходимо построить нечеткую ситуационную советующую систему, в которой пространству предпосылок (набору значений иа, 1а , иь , Ц) ставится в соответствие пространство заключений (множество предположительных диагнозов).

При решении данной задачи были отобраны группы ЭРГ, соответствующие тому или иному диагнозу, и для каждой группы были определены усредненные значения иа, га , Щ , Н (таблица 1).

Таблица 1.

Усредненные параметров экстремумов ЭРГ

№ Шифр а-волна ¿-волна

и„ (мкВ) 1„ (мс) £/„(нкВ) Ь (мс)

1 N -119 17 106 36

2 ет. -82 20 199 56

3 ОКР -23 23 159 74

4 ко -79 20 95 45

5 ЯР -33 25 21 55

6 хя я -87 18 4 34

7 во -93 18 66 37

Для построения алгоритма нечеткого логического вывода сформируем лингвистические переменные:

< «Минимум ЭРГ», А, [-140; 0] >,

< «Время минимума», Та, [0;44] >,

< «Максимум ЗРГ». В, [-5, 225] >,

< «Время максимума», Ть, [0; 75] >,

где А. Та, В, Ть - терм-множества лингвистических переменных.

Количество термов в терм-множествах, с одной стороны, должно быть достаточным для того, чтобы можно было вполне уверенно различать те или иные патологии. С другой стороны, оно не должно быть слишком большим, поскольку это может привести к неоправданному увеличению типовых ситуаций и, как следствие, существенному усложнению расчетов. Исходя из этих соображений и учитывая разброс параметров, для лингвистических переменных «Минимум ЭРГ» и «Максимум ЭРГ» выберем количество термов, равное трем, а для переменных «Время минимума» и «Время максимума» - равное двум:

Л = {КВ5ЫМ,Ы8},ГП= {8, В},5= {Рв, РМ,РВ},Г6 = (Б, В},

где в - «Малое», В - «Большое», ИВ - «Отрицательное большое», ИМ -«Отрицательное среднее», N8 - «Отрицательное малое», Р8 - «Положительное малое», РМ - «Положительное среднее», РВ - «Положительное большое».

На основе данных, приведенных в таблице 1, построим функции принадлежности для каждого терма. Поскольку нет никаких априорных сведений относительно вида функций принадлежности и малый объем, исследуемой выборки, выберем для них самую простую форму - треугольную (рис.4). Существенным преимуществом треугольных функций принадлежности является то, что для их определения требуется наименьший по сравнению с остальными функциями объем информации, который в данном случае ограничивается данными об угловых точках, что является весьма важным обстоятельством при моделировании систем в условиях ограниченности объема исходных данных. На рис.4 представлен вид функции принадлежности лингвистической переменной «Минимум ЭРГ», а ниже приводится ее аналитическая запись.

О Г/(мкВ)

Рис. 4. Функции принадлежности термов лингвистической переменной «Минимум ЭРГ».

Аналитическая форма записи функций принадлежности:

1 при [/<-¡20 ЫВ: ([/) = |-0,02(7-1,4 при-120<[/<-70 = 0 при и> -70 О при (/<-120

, 0,021/+ 2,4 при -120<(/<—70 мМ: и.~А (и) = {

^л ]-0,021/ -0,4 при-70<(/<-20

[о при и > -20

0 при и < -70 Ж: \iftU) = 0,02 и +1,4 при - 70 < и < -20

1 при [/>-20

Аналогично строятся остальные функции принадлежности и получаются аналитические формы их записи.

Алгоритм нечеткого логического вывода в данном случае целесообразно строить с использованием реляционных моделей. В нечетких реляционных моделях входные нечеткие переменные отображаются на выходные нечеткие переменные с помощью нечетких соответствий, определяемых реляционными матрицами. Эти модели позволяют предварительно зафиксировать лингвистические термы входных и выходных нечетких переменных и затем настроить нечеткие отображения, реализуемые моделями, посредством изменения элементов нечетких соответствий.

Нам необходимо составить нечеткое соответствие Г = (Х,У,Р), где X -область отправления (множество типовых ситуаций), У- область прибытия (множество возможных диагнозов), ¥ - график нечеткого соответствия.

Обобщеннг1Я нечеткая ситуация характеризуется нечетким множеством

С = {<11и(х1)\х^>},х1 еХ,Ос.Х. Мощность этого нечеткого множества равна произведению количества термов всех лингвистических переменных (в

рассматриваемом случае |G| = 3x 2x3x2 = 36). Элементы множества G представляют собой все возможные сочетания термов:

i-, ={A="NB"&Ta ="S"&B="PS"&Tb ="S"},

цс(*,) = min (nf (/));

x2 = {A ="NB"&Ta ="S"&B ~"PS"&Tb ="5"},

M*2) = min (jif (U),^ (t),/Bs(¡У),ц* (o);

= {A="NS"&Ta ="В"8сВ="РВ"Щ ="£"},

HG(x36) = min (0,ц£*(Г/),ц* (/)).

Для построения графика нечеткого соответствия F удобно воспользоваться данными, приведенными в таблицы 1, поскольку они характеризуют некоторые

типовые ситуации. Нечеткий график нечеткого соответствия F = || fy | в виде

реляционной матрицы.

Нечеткое множество возможных патологий Н cF определяется как

композиция входной нечеткой ситуации G и нечегкого графика F:

36

Н = G°F, \LH(yj)= S|1g(x,)T/?. (1)

В выражении (1) символами «Т» и «S» обозначены Т- и S-нормы, которые

являются нечеткими расширениями операций «И» и «ИЛИ» соответственно. В

большинстве пракгических приложений используется максминный логический

базис, для которого нечетким расширением «И» является операция взятия

минимума, а расширением «ИЛИ» - операция взятия максимума:

Ci Т с? =min(c1,c->), 1 i 1 ^ (2)

С\ S с?2 =тах(с1,с2).

Работоспособность приведенного алгоритма иллюстрируется проверкой

работы данной диагностической системы (присвоим ей №1) путем определения

патологий у конкретных пациентов с известными диагнозами. В таблице 2

представлены координаты экстремумов 9 пациентов с известными диагнозами,

которые используются для проверки системы №1.

В таблице 3 в первом столбце приведены известные диагнозы 9 пациентов, а в

соответствующих строках даются степени соответствия возможных диагнозов,

определяемых системой №1. Полученные результаты приведены в табл.3 (нечеткие

множества пронормированы).

Таблица 2

Координаты экстремумов ЭРГ пациентов

Диагностируемые объекты (пациенты) и. и* Та ТЬ

N 0091, -98.5 28.5 17,5 39.0

N 0081. -81.0 23.0 19.0 33,5

МЗ ЮИ -53.9 75.5 17,5 45.0

Ы> 003 -130.7 237 17.0 40.0

ЭЭ 002Ь -85.6 55.2 19,5 35.0

БЭ 005Ь -114.1 60.8 19.0 40.3

ХК ООЗЬ -100.0 12.0 17.5 34,5

ХЯ 006Ь -84.0 12.9 18,5 31,5

ОЬ 00411 -8.0 113 22.0 61,8

Таблица 3

Диагностируемые объекты (пациенты) N а. аир мэ КР эо |

N 0091 0,38 0 0,14 0.34 0,45 0,98

N 0081. 0,13 0 0 0,18 0,30 0,67

(ЗР 1013 0,03 0 0,09 1 0,30 0,50 0,81

КО 00313 0,29 0 0 0 0 0

ЗР 0021 0,56 0 0 0,79 0,45 и— 0,79

ЭР 0051 0 0,12 0,36 0,23 0,67 0,91

ХИ 130031. 0 0 0 0,27 0,45 0,77 ши

ХИ 130061. 0 0 0 0.18 0,30 1 0,67

в! 004И 0 0 0 0,17 0 0

Анализ результатов, представленных в таблице 3, показывает значительное число плохо различимых ситуаций, а порой и неверных результатов. Это, естественно, связано с тем, что показатели характерных точек ЭРГ конкретных пациентов отличаются от усредненных параметров, под которые проводилось обучение системы. Большое значение играет так же вид задаваемых функций принадлежности. Кроме этого существенную роль играет степень затемнения помещения, в котором проводится запись ЭРГ.

Анализ значительного числа ЭРГ пациентов, полученных в разное время и с разных установок показывает, что при построении экспертных систем диагностики в качестве факторов целесообразно брать не сами значения максимумов и

минимумов ЭРГ, а их отношения. Например, или ^— .

Была построена по представленному выше алгоритму экспертная система №2,

на три отличительных признака; —, / Результат работы такой системы для

иь

тех же пациентов представлен в таблице 4.

Таблица 4

Диагностируемые объекты (пациенты) Нечеткое множество возможных патологий

N а БЯР КО КР ХР. м

N 009Ь 1 0,16 0.047 0,33 0,24 0,106 0,51 0.55

N 008Ь 1 0,17 0 0,35 0,25 0,125 0.54 0.59

Ы5 1(Ж 0,35 0,49 0.49 1 0,30 0 0,85 0,79

Ы) 003 0,27 0,46 0,25 1 0,30 0 0,85 0,79

ББ 0021 0,59 0 0,94 0,48 0 0,94 0,91

ЭО 005Ь 0,49 0,28 0,60 0,32 0 0,69 0.75

ХЫ 0031 0,17 0 0 0 0 г 0 0

XII 006Ь 0,21 0,19 0 0,28 0,28 , 1 0,40 0,40

ет. оо4я 0,046 1". 0.66 0,94 0 0.40 0,23

Отметим что экспертная система №2, несмотря на то, что при ее построении используется меньшее число признаков, дает меньше ошибок и больше правильных ответов по сравнению с экспертной системой №1. Характерными особенностями рассмотренных экспертных систем при работе с конкретными показателями ЭРГ пациентов является то, что плохая различимость тех или иных патологий в большинстве случаев не совпадает между системами. В дальнейшем будет показано, что эти особенности проявляются и для экспертных систем, построенных для признаков, извлекаемых из динамической модели биоэлектрической активности сетчатки, и для систем со смешанными признаками, извлекаемыми из ЭРГ и динамической модели биоэлектрической активности сетчатки. Таким образом, можно будет, подбирая признаки, составлять системы для диагностики конкретных патологий.

Анализ возможностей диагностических систем, построенных с использованием методов искусственного интеллекта, указывает на ограниченность их возможностей в силу малого числа факторов, извлекаемых из ЭРГ, и зависимости части из них от условий проведения исследований.

В третьей главе рассматривается построение динамической модели биоэлектрической активности сетчатки с целью получения дополнительных признаков по значениям ее параметров в зависимости от видов патологий.

На основании общего представления о функционировании компонент сетчатки, вводится эмпирическая 4-х компонентная линейная динамическая модель, параметры которой необходимо подстраивать, сравнивая переходные процессы на выходе модели при имитации световых раздражителей и исследуемые ЭРГ. Таким образом, предполагается решить задачу разложения реальной ЭРГ на составляющие компоненты с целью диагностики патологий по получаемым параметрам компонентов ЭРГ.

Для моделирования удобно воспользоваться средой МаЙаЬ^тиНпк), при помощи которой получаем модель в виде параллельного соединения линейных динамических звеньев. Структура такой модели, построенной в модуле ЗшшНпк. приведена на рис. 4. На этом рисунке модель разбита на компоненты, причем номера компонент соответствуют номерам составляющих ЭРГ, приведенных на этом же рисунке. Модель содержит в своем составе апериодические и упругие (интегро-дифференцирующие) звенья. Помимо параллельной структуры, другой

важной особенностью данной модели является наличие запаздывания, находящегося в 3-ей компоненте.

Рис 4. Схема модели и [положение ЭРГ с выделенными компонентами

Модель составлена так чтобы можно было описать экстремумы ЭРГ. Модель должна подстраиваться под наблюдаемую ЭРГ. Метод подстройки связан с подгоном значений коэффициенгов модели. В качестве критерия используется минимум СКО между выходным сигналом модели и имеющимися в наличии цифровыми файлами ЭРГ. Но кроме минимума СКО еще необходимо учитывать совпадение экстремумов модели и ЭРГ. В модели 16 параметров, включая запаздывание. Необходимо решить задачу по их подбору.

При моделировании было установлено, что 10 параметров из 16, будучи один раз найденными, остаются неизменными при моделировании других ЭРГ. В основном в подстройке участвует сочетание значений коэффициентов усиления и постоянных времени а и b волн (4 и 3 компонента), а также существенный вклад вносит суммарный коэффициент усиления 1 и 2 компоненты. Все это значительно упрощает процесс подстройки модели и дает возможность использования найденных параметров модели в качестве дополнительные 5 признаков для целей диагностики.

При помощи подстраиваемой модели было обработано 180 ЭРГ с известными патологиями. Для всех анализируемых ЭРГ удалось найти соответствующие параметры, минимизирующие СКО между выходом модели и ЭРГ пациента. Полученные результаты соответствуют существующим представлениям о функционировании соответствующих компонент.

В четвертой главе строятся системы диагностики патологий сетчатки глаза на базе нечеткого логического вывода по общей ЭРГ с использованием дополнительных признаков в виде параметров динамической модели биоэлектрической активности сетчатки.

Проведен широкий комплекс исследований по сравнительному анализу эффективности диагностических систем на базе нечеткого логического вывода с использованием только параметров подстраиваемой модели, а так же систем со смешанными параметрами. Кроме этого анализировались системы на разное число параметров.

Проведенные тестовые проверки показывают большое число правильных диагнозов. Но вместе с тем имеются и ошибки. Однако примечателен тот факт, что ошибочные результаты, как правило, не совпадают для разных диагностических

систем.. Вместе с тем, если сопоставить вместе результаты работы всех рассмотренных диагностических экспертных систем (например, просуммировать соответствующие результаты и произвести нормировку относительно наибольшей суммы), то итоговая таблица работы ансамбля диагностических экспертных систем по диагностике патологий конкретных пациентов дает достаточно качественные результаты. Эти результаты представлены в таблице 5.

Отметим, что все диагнозы в результате совпали с заранее известными кроме одного. Однако этот результат по мнению экспертов нельзя признать неудачным, так как в данном конкретном случае отслойка сетчатки находилась на начальной стадии на фоне миопии.

Таблица 5

Итоговая таблица работы ансамбля диагностических экспертных

Диагностируемые объекты (пациенты) Нечеткое множество возможных патологий

N а Ы2 а.з М ХЯ-Л ЭО КБ ЯР ОЯР

N 009Ь 1 0,34 0,057 0,010 0,54 0,26 0,55 0,44 0,18 0,043

N 0081. 1 0,34 0,057 0.010 0,55 0,27 0,56 0,44 0,19 0

Ы) 10Я 0,25 0,70 0,24 0,24 0,46 0,25 0,53 1 0,22 0,31

Ы) оозк 0,38 0,53 0,15 0,19 нн 0,097 0.70 0,72 0,23 0,17

50 002Ь 0,64 0.93 0,38 0.48 0,74 0,23 1 0,91 0,35 0,042

БО 005Ь 0,65 0,64 0,18 0,23 0,60 0.33 1 0,76 0,27 0.20

ХИ 11003 Ь 0,20 0,20 0,28 0,22 0,017 - т 0,23 0.36 0 0

ХЯ Я006Ь 0,57 0,37 0,10 0,018 0,32 1 0,70 0.72 0,28 0

И. 004В. 0,033 1 0,63 0,68 0,31 0 0,33 0,64 0.95 0,46

Таким образом, на примере выборки по представленным выше пациентам показана достаточно успешная возможность использования диагностических систем с разным набором признаков. Но если для данной малой выборки пациентов диагностику можно признать успешной, то при диагностировании остальных пациентов слишком велик процент ложноноложигельных результатов. Прежде всего это связано с пересекающимися интервалами распределения признаков.

Т.е. не все признаки могут диагностировать конкретные патологии. Поэтому необходимо выявить наилучшие, с точки зрения диагностики, сочетания параметров. Предлагается создавать ансамбли диагностических систем, состоящих из комбинаций 3-х признаков, направленных на диагностику отдельных патологий.

Для создания достаточно эффективной рабочей версии экспертной системы для диагностики заболеваний сетчатки проведен целый комплекс исследований, направленных на выявление связей между показателями ЭРГ и параметрами динамической модели сетчатки, на определение лучших сочетаний базовых признаков при построении экспертных систем и определении их количества в системе.

При исследовании диапазонов разброса параметров признаков были выявлены признаки, разброс значений параметров которых весьма четко характеризует отдельные патологии. Однако использование таких признаков в диагностической системе зачастую приводит к ложноположительным оценкам видов других патологий. То есть не любые сочетания признаков (предпосылок) следует использовать в диагностической системе для выявления конкретной

патологии. Поэтому в работе показывается эффективность работы диагностической системы, базирующейся на одновременном использовании групп (ансамблей) более простых подсистем, в каждой из которых используется не более трех признаков, для различения определенных видов патологий.

При разбиении 9 признаков на группы по 3 получаем 84 сочетания признаков для построения соответствующих подсистем. И из этих подсистем формируются группы, наиболее успешно диагностирующие определенные виды патологий. Фактически одновременная работа группы таких подсистем представляется как рассматривание проблемы под разными углами, с разным сочетанием признаков. В результате мы можем увидеть суммарную степень близости к предполагаемому диагнозу. В итоге были сформированы 4 группы подсистем диагностирования. В каждой группе по 13-17 подсистем со своими сочетаниями признаков. Системы в эти группы подбирались таким образом, чтобы можно было различать конкретный диагноз (в некоторых случаях и не один) и при этом наличие ложноположительных результатов было бы минимальным. Исследования показывают, что система в виде ансамбля одновременно используемых 17 подсистем, работающих по сочетаниям трех признаков, с уверенностью 0.90 диагностирует три вида патологий. Еще два вида других патологий с уверенностью 0.96 диагностирует система из 8 подсистем и т. д. Одновременная работа всех сформированных групп позволяет эффективно диагностировать пациентов. В таблице 6 представлен результат диагностики тех же пациентов, что рассматривались ранее, с помощью одновременно работающих 4 систем, каждая из которых представляет собой одновременно работающий ансамбль подсистем, ориентированных на диагностику конкретных патологий.

Следует отметить, что патологии примерно 15% пациентов оказываются плохо различимыми. Однако специалисты - физиологи в большинстве таких особых случаев находят этому рациональное объяснение и не относят подобные результаты к неудовлетворительным.

Результат работы общей диагностической системы оказывается достаточно эффективным. Фактически общая диагностическая система представляет собой трехуровневую структуру. На нижнем уровне работают экспертные системы на базе различных сочетаний из трех признаков, при этом часть таких сочетаний предварительно отбраковывается. На втором уровне результаты работы диагностических систем нижнего уровня группируются для выявления конкретных видов неисправностей. Верхний уровень обобщает результат работы всех систем второго уровня и позволяет наиболее четко оценить наличие конкретной неисправности.

Таблица 6.

N хи И. 61_2а И-За м

N 0091. : 1,00 0,38 0,63 0,63 0,23 0,07 0,13 0,59

N 0081, 1,00 0,63 0,61 0,58 0,49 0,13 0,36 0,78

КО 10Я 0,27 1 0,27 0,57 0,75 0,36 0,64 0,45

Ы) ООЗЯ 0,81 0,99 0,25 0,69 0,94 0,19 0,50 :: 1,00

вО 002Ь 0,45 0,50 0,66 1 0,24 0.081 0,08 0,52

БИ 005Ь 0,26 0,62 0,40 1 0,25 0,04 0,10 0,44

XII Ш31. 0,25 0,27 ■■:'■'.-'V 1 0,49 0,15 0,04 0,08 0,21

ХЯ ЯОСбЬ 0,26 0,15 0,46 0,10 0,04 0,09 0,19

ет, оо4я 0,00 0,29 0,04 0,03 0,92 0,91 ":.'■.'-; " г 0,07

В приложении представлена таблица параметров имитационных моделей для 180 исследуемых объектов (пациентов с известными видами патологий), используемых в качестве дополнительных признаков при построении диагностических систем, ориентированных на конкретные виды неисправностей (патологий).

Заключение:

В диссертационной работе получены следующие существенные результаты:

1. Показана возможность использования методов нечеткой логики для построения диагностической системы оценки текущего состояния динамического объекта параллельной структуры при отсутствии достаточной статистики.

2. Сформулирован обобщающий принцип построения трехуровневых диагностических систем для выявления неисправностей сложных динамических объектов, базирующийся на нечетком логическом выводе, и использующий параметры подстраиваемой модели объекта в качестве дополнительных признаков для диагностики

3. На примере построения имитационной модели биоэлектрической активности сетчатки глаза продемонстрирована специфика построения имитационной модели динамического объекта параллельной структуры, на которой с помощью подстраиваемых параметров, по возможности, точно воспроизводится реакция реального объекта на тестовый сигнал.

4. Показано, что диагностические системы, на базе нечеткой логики, использующие только ограниченное число признаков из наблюдаемого процесса, могут оказаться недостаточно эффективными для диагностики.

5. Показан принцип выявления параметров признаков, разброс значений которых весьма четко характеризует отдельные категории состояния объекта.

6. Были сформированы группы подсистем диагностики, работающих по трем признакам, позволяющие со степенью приближения не ниже 0,9 диагностировать конкретные патологии сетчатки.

Основные положения диссертации достаточно полно представлены в следующих публикациях:

1. Анисимов Д.Н., Вершинин Д.В., Колосов О.С., Хрипков A.B., Зуева И.В., Цапенко М.В. Использование подстраиваемой динамической модели сетчатки глаза в компонентном анализе для диагностики патологий методами искусственного интеллекта. // Вестник МЭИ - 2008. - № 5. - С. 70 - 74.

2.Анисимов Д.Н., Астахова Ю.Ю., Вершинин Д.В., Колосов О.С., Зуева М.В., Цапенко М.В. Дифференциация патологий сетчатки глаза на основе нечеткой логики. // Мехатроника, автоматизация, управление - 2010. - №2. - С. 56-60.

3. Анисимов Д.Н., Вершинин Д.М., Колосов О.С., Зуева М., Цапенко И.В. Построение систем диагностики патологий сетчатки глаза методами искусственного интеллекта с учетом параметров динамической модели сетчатки. // Вестник МЭИ,- 2010. - №4,- С.26 - 33.

4. Анисимов Д.Н., Колосов О.С., Вершинин Д.В., Зуева М.В., Цапенко И.В. Диагностика динамических объектов методами нечеткой логики с использованием параметров имитационных моделей. II Мехатроника, автоматизация, уиравление-2010.-№10.-С. 45-50

5. Вершинин Д.В. Диагностика текущего состояния динамического объекта с использованием подстраиваемой модели. // Труды XVIII международной научно-технической конференции «Информационные средства и технологии», В 3 томах. Т.З. - М: Издательский дом МЭИ, 2010. С 255 - 261.

6. Анисимов Д.Н., Астахова Ю.Ю., Вершинин Д.В., Зуева М.В., Колосов О.С., Мамамакаева И.Р., Резвых C.B., Титов Д.А., Хрипков A.B., Цапенко И.В. Шевченко М.В. Развитие методов искусственного интеллекта и обработай данных на примере анализа патологий сетчатки // Математические методы распознавания образов: 13 Всероссийская конференция. Ленинградская обл., г. Зеленогорк, 30 сентября - 6 октября 2007 г. Сборник докладов. - М.: МАКС Пресс, 2007. - С. 453 -454.

7.Баларев Д.А., Вершинин Д.В., Колосов О.С., Зуева М.В., Цапенко И.В. Формирование базы знаний экспертной системы диагностики патологий с использованием подстраиваемой динамической модели сетчатки глаза. // Современные технологии в задачах управления, автоматики и обработки

1 „ _____ НГ____________тут ля__________ _______

Информации. 1р^ды лун тсждуиариднши научни-техническою семинара. Алушта, сентябрь 2008 . - СПб/.ГУАБ. - С.244.

8.Баларев Д.А., Вершинин Д.В., Зуева М.В., Колосов О.С., Цапенко И.В. Принцип построения экспертной диагностической системы сложного динамического объекта с использованием имитационной модели. // Современные технологии в задачах управления, автоматики и обработки информации: Труды XIX Международного научно-технического семинара. Сентябрь 2010 г., Алушта. -М.¡Издательский дом МЭИ, 2010, - С. 96.

9. Баларев Д.А., Вершинин Д.В., Зуева М.В., Колосов О.С., Цапенко И.В. Динамическая модель сетчатки глаза для целей дигностика патологий методами искусственного интеллекта /7 Современные технологии в задачах управления, автоматики и обработки информации: труды XVI Международного научно-технического семинара. Сентябрь 2007 г. Алушта - Тула: Изд-во ТулГУ, 2007 - С. 5.

10. Баларев Д.А., Вершинин Д.В., Колосов О.С., Зуева М.В., Цапенко И.В. Построение экспертной системы диагностики патологий с использованием подстраиваемой динамической модели сетчатки глаза. // Современные технологии в задачах управления, автоматики и обработки информации:: Труды XVIII Международного научно-технического семинара. Сентябрь 2009 г., Алушта, -М.:МИРЭА, 2009, - С. 26.

11. Баларев Д.А., Вершинин Д.В., Колосов О.С., Зуева М.В., Цапенко И.В. Принципы разработки экспертных систем ранней диагностики патологий сетчатки и зрительного нерва на основе подстраиваемой динамической модели методами искусственного интеллекта. // Труды XVI международной научно-технической конференции «Информационные средства и технологии», В 3 томах. Т.З. - М.: Издательский дом МЭИ, 2008. С 44 - 52.

12. Анисимов Д.Н. Дифференциация патологий сетчатки глаза на основе нечеткой логики / Д.Н. Анисимов, Ю.Ю. Астахова, Д.В. Вершинин, О.С. Колосов, М.В. Зуева, И.В. Цапенко // Мехатроника, автоматизация, управление. - 2010. - № 2. - С. 56-60.

Подписано в печать 4 И" ÀH/г.Зак. 34 Тир ]('0 Пл J lô~

Полиграфический центр МЭИ(ТУ) Красноказарменная ул.,д.13

ВВЕДЕНИЕ.

1. ИМИТАЦИОННЫЕ МОДЕЛИ ДЛЯ ДИАГНОСТИКИ ТЕКУЩЕГО СОСТОЯНИЯ СЛОЖНЫХ ДИНАМИЧЕСКИХ ОБЪЕКТОВ И ПРОБЛЕМЫ PIX ПОСТРОЕНИЯ.И

1.1. Существующие подходы к построению систем диагностики текущего состояния сложных динамических объектов.

1.2. Примеры построения и использования имитационных моделей.

1.2 Л. Имитационные модели отдельных режимов пространственного перемещения динамического объекта.

1.2.2. Проблема построения имитационной динамической модели газоперекачивающего агрегата (ГПА).1 б

1.2.3. Имитационная модель биоэлектрической активности сетчатки глаза

1.2.3.1 Зрительный анализатор как сложный динамический объект.

1.2.3.2 Существующая модель, имитирующая общую ЭРГ.

1.3. Постановка задач исследований.

1.4. Выводы.

2. ДИАГНОСТИКА ТЕКУЩЕГО СОСТОЯНИЯ СЛОЖНОГО ДИНАМИЧЕСКОГО ОБЪЕКТА ПО ПЕРЕХОДНОМУ ПРОЦЕССУ С ИСПОЛЬЗОВАНИЕМ НЕЧЕТКОГО ЛОГИЧЕСКОГО ВЫВОДА.

2.1. Особенности диагностируемых объектов.

2.2. Основные признаки, извлекаемые из общей ЭРГ и области их локализации для разных патологий.

2.3. Функции принадлежности для анализируемых признаков и построение матрицы логического вывода.

2.3 Система диагностики на основе нечеткого логического вывода, результат ее самотестирования для разных логических базисов и проверки ее на работоспособность для конкретных пациентов.

2.4. Выводы.

3. ПОСТРОЕНИЕ ИМИТАЦИОННОЙ МОДЕЛИ ДИНАМИЧЕСКОГО ОБЪЕКТА ПАРАЛЛЕЛЬНОЙ СТРУКТУРЫ С ЦЕЛЬЮ ПОЛУЧЕНИЯ ДОПОЛНИТЕЛЬНЫХ ПРИЗНАКОВ.

3.1. Проблема идентификации параллельных каналов (компонент).

3.2. Разработка подстраиваемой модели.

3.3. Результаты работы модели и основные признаки, извлекаемые из модели биоэлектрической активности сетчатки и области их локализации для разных патологий.

3.4. Выводы.

4. СИСТЕМА ДИАГНОСТИКИ ПАТОЛОГИЙ СЕТЧАТКИ ГЛАЗА НА БАЗЕ НЕЧЕТКОГО ЛОГИЧЕСКОГО ВЫВОДА ПО ОБЩЕЙ ЭРГ С ИСПОЛЬЗОВАНИЕМ ДОПОЛНИТЕЛЬНЫХ ПРИЗНАКОВ В ВИДЕ ПАРАМЕТРОВ ДИНАМИЧЕСКОЙ МОДЕЛИ БИОЭЛЕКТРИЧЕСКОЙ АКТИВНОСТИ СЕТЧАТКИ.

4.1. Использование дополнительных признаков в виде параметров динамической модели биоэлектрической активности сетчатки при построении диагностической системы.

4.2. Повышение качества диагностики при одновременном использовании результатов работы нескольких диагностических подсистем на ограниченное количество признаков.

4.3. Прототип системы диагностики патологий сетчатки глаза по общей ЭРГ, базирующейся на нечетком логическом выводе.

4.4. Принципы построения диагностической системы сложного динамического объекта на базе нечеткой логики с использованием параметров имитационной модели.

4.5. Выводы.

Диссертационная работа посвящена разработке системы диагностики текущего состояния сложного динамического объекта на базе нечеткой логики с использованием параметров имитационной модели.

Актуальность работы. Диагностика неисправностей в функционирующих сложных динамических объектах и системах является известной проблемой. К сложным объектам может быть отнесено большое число объектов разной природы. Для этих объектов характерно отсутствие достаточно полного математического описания, ограниченное число регистрируемых координат, большая размерность, нелинейность статических характеристик, параллельность структуры, отсутствие описания динамических свойств. Часто бывает, что имеющихся параметров объекта явно недостаточно для диагностики. Для диагностики подобных объектов используются различные подходы, базирующиеся на методах искусственного интеллекта. В основу этих методов закладывается знания и опыт экспертов, анализирующих текущее состояние объекта по виду наблюдаемых переходных процессов. Причем эти знания могут быть как на уровне интуиции, а так же и в виде формализованных признаков. При этом большое распространение получили мягкие вычисления. Однако в случае недостатка формализованных признаков эти подходы оказываются малоэффективными, а в случае избыточности повышается размерность, а эффективность тоже падает из-за того, что области изменения параметров для многих неисправностей оказываются пересекающимися. Подобная ситуация характерна для объектов параллельной структуры, когда в переходных процессах наблюдается суммарное проявление параллельно работающих компонент объекта. Примерами таких объектов могут выступать как технические, так и некоторые биологические объекты. Так входные и выходные контролируемые параметры газа компрессорного цеха с параллельно работающими компрессорами в стационарном режиме не позволяют оценить текущее техническое состояние каждого конкретного компрессора. Пока такая оценка делается расчетным путем и далека от совершенства. Сейчас делаются попытки провести диагностику текущего состояния компрессора путем анализа переходных процессов в режиме запуска его в работу. Примером биологического объекта служит сетчатка человеческого глаза, которая может быть представлена в виде динамического объекта с параллельной структурой, определяемой клеточным строением сетчатки. Диагностика патологий (неисправностей) сетчатки производится по характерным точкам переходного процесса или электроретинограммы (ЭРГ) в ответ на воздействие светового импульса. В ЭРГ так же регистрируется суммарный отклик всех параллельных слоев сетчатки, вклад каждого из которых зафиксировать технически невозможно. По виду этой суммарной реакции сложно определить вклад каждого слоя и соответственно состояние этих слоев.

В связи с этим является актуальным вопрос построения имитационных моделей динамических объектов параллельной структуры, достаточно точно воспроизводящих наблюдаемый процесс на выходе объекта. Значения параметров такой модели могут служить дополнительными признаками, используемыми для функционирования диагностической системы с целью повышения эффективности ее работы.

В данной работе под диагностическими системами подразумеваются системы, использующие для своего функционирования формализованные признаки, характеризующие состояние объекта, и математические описания реакции диагностируемого объекта на определенные входные воздействия. Предполагается ограниченное число возможных неисправностей (патологий) и их сочетаний. В такой постановке подобные диагностические системы оказываются эффективными в применении, как для технических объектов, так и для медицины.

Поэтому актуальным является разработка методов построения диагностической системы на базе нечеткой логики с использованием имитационной модели, позволяющей расширить базу диагностических признаков для повышения эффективности диагностики и разработка методики выделения групп признаков, позволяющих выявлять те или иные виды неисправностей (патологий), не увеличивая чрезмерно размерность диагностической системы.

Данная система является системой диагностирования в условиях неопределенности с расширенными возможностями анализа недоступных для прямого наблюдения сигналов системы. Это позволяет сужать множество возможных неисправностей. Такие системы применимы, когда количество возможных неисправностей не слишком большое, доступное для перечисления.

Цель диссертационной работы — разработка общих принципов создания системы диагностики текущего состояния сложного динамического объекта параллельной структуры по характерным точкам (признакам) наблюдаемого общего переходного процесса на базе нечеткой логики и с использованием параметров подстраиваемой имитационной модели такого объекта

Задачи исследования:

1. Анализ возможностей реализации и выработка требований и основных подходов к построению систем диагностики для оценки текущего состояния сложных динамических объектов с параллельной структурой по наблюдаемому общему переходному процессу.

2. Исследование эффективности и качества функционирования диагностической системы на базе нечеткого логического вывода для оценки текущего состояния сложного динамического объекта с параллельной структурой, с использованием в качестве характерных признаков определенного, ограниченного числа точек наблюдаемого общего переходного процесса.

3. Анализ возможных подходов и построение динамической модели объекта параллельной структуры, имитирующей с определенной точностью наблюдаемый общий переходный процесс на выходе реального объекта, с целью получения дополнительных признаков текущего состояния неконтролируемых компонент этого реального объекта.

4. Исследование эффективности и качества диагностических систем на базе нечеткого логического вывода для оценки текущего состояния сложного динамического объекта параллельной структуры с различными сочетаниями и количествами используемых характерных признаков, извлекаемых как из наблюдаемого общего переходного процесса, так и в виде параметров имитационной модели объекта.

Научная новизна:

1. Разработан принцип диагностики сложного динамического объекта параллельной структуры на основе нечеткой логики с использованием параметров имитационной модели объекта, расширяющей базу формализованных признаков.

2. Предложена и обоснована структура диагностической системы в виде одновременно действующих групп (ансамблей) частных подсистем с ограниченным числом признаков, ориентированных на выявление определенных видов неисправностей (дефектов, патологий) объектов.

На защиту выносятся:

1. Обоснование возможности использования методов нечеткой логики для построения диагностической системы оценки текущего состояния динамического объекта параллельной структуры при отсутствии достаточной статистики.

2. Разработка подхода к построению диагностической системы на базе нечеткой логики для динамических объектов параллельной структуры с использованием параметров подстраиваемой имитационной модели объекта в качестве дополнительных признаков.

3. Результаты исследований по учету специфики построения и настройки имитационной модели динамического объекта параллельной структуры, на которой с помощью подстраиваемых параметров, по возможности, точно воспроизводится реакция реального объекта на тестовый сигнал.

4. Обоснование принципа выявления групп признаков для построения диагностических подсистем на базе нечеткого логического вывода, разброс значений параметров которых не всегда четко характеризует отдельные категории состояния объекта.

Достоверность и обоснованность научных результатов и положений диссертации подтверждается их совпадением с результатами математического моделирования и натурных экспериментов.

Практическая значимость результатов

1. Разработана имитационная динамическая модель суммарной биоэлектрической активности сетчатки, в виде динамического объекта параллельной структуры, параметры которой определяются по результатам подстройки переходного процесса на выходе модели под вид реакции объекта на схожие тестовые воздействия.

2. Построен прототип диагностической системы патологий сетчатки глаза по результатам электроретинографических исследований, базирующийся на нечетком логическом выводе и использующий параметры имитационной динамической модели сетчатки в качестве дополнительных признаков.

Реализация результатов

Участие в грантах Российского фонда фундаментальных исследований:

Исследование и разработка методов и моделей диагностики сложных проблемных ситуаций на основе методов искусственного интеллекта» (проект 07-01-00762).

Методы диагностики объектов и систем сложной структуры с использованием параметров имитационных моделей» (проект 10-01-00049).

Апробация работы.

Основные результаты диссертационной работы докладывались и обсуждались на Международных научно-технических конференциях «Информационные средства и технологии» 2009 - -2010гг., Москва, МЭИ (ТУ); 16, 17, 18 и 19 Международных научно-технических семинарах «Современные технологии в задачах управления, автоматики и обработки информации». 2007 - 2010 г., Украина, г. Алушта; на 13 Всероссийской конференции «Математические методы распознавания образов». Ленинградская обл., г. Зеленогорк, 2007 г.

Публикации. Основные положения диссертации опубликованы в 12-ти печатных работах, в том числе в 4-х статьях в журналах, рекомендованных ВАК для защиты кандидатских диссертаций.

Структура и объем работы. Диссертация состоит из введения, 4 глав, заключения, списка литературы из 63 наименования и приложения, изложенных на 132 страницах машинописного текста, содержит 49 рисунков, 45 таблиц.

4.5. Выводы

1. Специфика диагностики глазных заболеваний по ЭРГ, а именно по общей ЭРГ, заключается в довольно широком разбросе параметров ЭРГ для различных патологий, в том числе и для нормы. В клинической практике используются 4 параметра ЭРГ, а именно значения абсцисс и ординат точек минимума и максимума. Использование параллельной динамической самоподстраиваемой модели позволяет добавить еще 5 параметров, характеризующих конкретные компоненты. Модельные параметры дополняют основные электроретинограммные, при этом конкретизируя отдельные компоненты.

2. Показано, что диагностические системы на базе нечеткой логики, построенные для 4 временных параметров ЭРГ оказываются недостаточно эффективными для диагностики. Система, которая диагностировала по всем 9 параметрам оказалась избыточной в силу большого диапазона разброса параметров. Система по 3-м признакам оказывается недостаточной для диагностики, так как важно не только верное диагностирование пациентов, но и отсутствие ложноположительных результатов.

3. При исследовании диапазонов разброса параметров были выявлены параметры, разброс значений которых весьма четко характеризует отдельные категории состояния сетчатки. Но при этом также не все параметры могут работать в одной диагностической системе, имеет место нежелательное сочетание параметров. Поэтому предполагается использование групп простых систем (не более 3-х параметров в каждой) для различения диагнозов.

4. При разбиении 9 признаков на группы по 3 получаем 84 сочетания параметров. И из этих сочетаний формируются группы наиболее успешно диагностирующие патологии. Фактически работа группы таких сочетаний представляется как рассматривание проблемы под разными углами, с разным сочетанием параметров, что позволяет увидеть суммарную степень близости к предполагаемому диагнозу.

5. Были сформированы 5 групп систем диагностирования. В каждой группе по 8-17 систем сочетаний признаков. Системы в эти группы подбирались таким образом, чтобы можно было различать конкретный диагноз (а в некоторых случаях и не один) и при этом наличие ложноположительных результатов было бы минимальным.

6. Работа предложенной диагностической системы обеспечила различимость (степень близости) патологий не хуже 0.9 для выборки из 180 ЭРГ.

7. Сформулирован обобщающий принцип построения трехуровневых диагностических систем для выявления неисправностей сложных динамических объектов, базирующийся на нечетком логическом выводе, и использующий параметры подстраиваемой модели объекта в качестве дополнительных признаков для диагностики.

ЗАКЛЮЧЕНИЕ

В диссертационной работе получены следующие существенные результаты:

1. Показана возможность использования методов нечеткой логики для построения диагностической системы оценки текущего состояния динамического объекта параллельной структуры при отсутствии достаточной статистики.

2. Сформулирован обобщающий принцип построения трехуровневых диагностических систем для выявления неисправностей сложных динамических объектов, базирующийся на нечетком логическом выводе, и использующий параметры подстраиваемой модели объекта в качестве дополнительных признаков для диагностики

3. На примере построения имитационной модели БЭАС продемонстрирована специфика построения имитационной модели динамического объекта параллельной структуры, на которой с помощью подстраиваемых параметров, по возможности, точно воспроизводится реакция реального объекта на тестовый сигнал.

4. Показано, что диагностические системы, на базе нечеткой логики, использующие ограниченное число признаков из наблюдаемого процесса, могут оказаться недостаточно эффективными для диагностики.

5. Показан принцип выявления параметров признаков, разброс значений которых весьма четко характеризует отдельные категории состояния объекта.

6. Были сформированы группы подсистем диагностики, работающих по трем признакам, позволяющие со степенью приближения выше 0,9 диагностировать конкретные патологии сетчатки.

1. Arita S. (1991) Development of an ultrasonic cancer diagnosis system using fuzzy theory. Japanese Journal of Fuzzy Theory and Systems, vol. 3, № 3, pp 215-23.

2. Armington, J. C. The Electroretinogram// Academic Press.- 1974.- New York.

3. Heynen, H. & van Norren, D. Origin of the electroretinogram in the intact macaque eye. I. Principal compound analysis// Vision Research.- 1985.-25.-P.697-707.

4. Miller R.F., Dowling J.E. Intracellular responses of the Muller (glial) cells of the mudpuppy retina: their relation to b-wave of the electroretinogram // J. Neurophysiol. 1970. - V. 33. - P. 323-339.

5. Murakami, M. & Kaneko, A. Subcomponents of P3 in cold-blooded vertebrate retinae//Nature.- 1966.-210, P.103-104.

6. Newman E.A., Odette L.L. Model of electroretinogram b-wave generation: test of the K-hypothesis // J. Neurophysiol. 1984. - V. 51. - P. 164-182.

7. Perlman I. The Electroretinogram: ERG. http://www.webvision.ERG

8. Von Alltrock C. (1993) Fuzzy logic: Band 1 — Technologies Rl Oldenburg; Verlag GmbH, Munchen. Germany.

9. Witkovsky, P., Dudek, E. F. & Ripps, H. Slow P-III component of the carp electroretinogram:// Journal of General Physiology 1975.-65, P. 119-134.

10. Zueva M., Tsapenko I., Vaskov S. The components of human and rabbit 8Hz and 12-hz flicker ERG as a function on intensity, size and position of stimuli // Abstracts of 42nd ISGEV Symposium (San Juan). 2004. - P. 132.

11. Анисимов Д.Н. Дифференциация патологий сетчатки глаза на основе нечеткой логики / Д.Н. Анисимов, Ю.Ю. Астахова, Д.В. Вершинин, О.С. Колосов, М.В. Зуева, ИВ. Цапенко // Мёхатроника, автоматизация, управление. 2010. - № 2. — С. 56-60.

12. Анисимов Д:Н. Идентификация линейных динамических объектов методом- экспоненциальной модуляции: Автоматика, вычислительная техника и информатика. МЭИ, 1995. G. 74-78

13. Анисимов Д.Н! Идентификация линейных динамических объектов методом экспоненциальной модуляции./ Вестник МЭИ. 1994, №2. С.68-72.

14. Анисимов Д.Н., Вершинин Д.М., Колосов О.С., Зуева М., Цапенко И.В. Построение систем диагностики патологий сетчатки глаза методами искусственного интеллекта с учетом параметров динамической модели сетчатки. // Вестник МЭИ.- 2010. №4.- С.26 - 33.

15. Анисимов Д.Н., Колосов О.С., Вершинин Д.В., Зуева М.В., Цапенко И.В. Диагностика динамических объектов методами нечеткой логики с использованием параметров имитационных моделей. // Мехатроника, автоматизация, управление — 2010. №10. — С. 45—50

16. Анисимов, Д.Н. Нечеткие алгоритмы управления: Учебное пособие / Д.Н. Анисимов. М.: Издательство МЭИ, 2004. - 80 с.

17. Анисимов, Д.Н. Использование нефункциональных соответствий при построении нечетких систем управления / Д.Н. Анисимов, Ю.Ю. Пискунова // Мехатроника, автоматизация, управление. — 2007 — № 3. -С. 18-21.

18. Анисимов, Д.Н. Использование нечеткой логики в системах автоматического управления / Д.Н. Анисимов // Приборы и системы. Управление, Контроль, Диагностика. 2001 - № 8 - С. 39-42.

19. Асаи К. Прикладные нечеткие системы: пер. с яп. / Под ред. Т.Тэрано, К. Асаи, М. Сугэно. М.: Мир, 1993. 368 с.

20. Блейклок Д.Г. Автоматическое управление самолетами и ракетами. -М.: Машиностроение. 1969 г.

21. Боднер В.А. Системы управления летательными аппаратами. М.: Машиностроение: 1973 г.

22. Борисов, В.В. Нечеткие модели и сети / В.В. Борисов, В.В. Круглов, A.C. Федулов. М.: Горячая линия - Телеком, 2007. - 284 с.

23. Вершинин Д.В. Разработка подстраиваемой модели сетчатки глаза. Магистерская диссертация. МЭИ. Москва 2008г.39:Гранит Р. Электрофизиологические исследования рецепции//М. 1947 (перев. с англ. 265).

24. Гроп Д. Методы идентификации систем. М.: Мир, 1979 - 302 с.

25. Еремин Д.М., Гарцеев И.Б. Искусственные нейронные сети в интеллектуальных системах управления. — М.: МИРЭА, 2004. — 75 с.

26. Зуева М.В., Цапенко И.В., Пак Н.В., Васьков С.О. Источники генерации ритмической ЭРГ в сетчатке кролика // Материалы Первого Международного Междисциплинарного Конгресса «Достижения нейронауки для современной медицины и психологии», 2005. С. 79

27. Карабутов H.H. Структурная идентификация статических объектов: Поля, структуры, методы. — М. :Книжный дом «Либроком», 2011. — 152 с.

28. Колосов О.С., Лепешкин С.Н., Сухецкий А.П. Специфика параллельной работы динамических объектов и систем на общую нагрузку. // Мехатроника, автоматизация, управление 2010. - №10. — С. 27-33.

29. Леоненков, A.B. Нечеткое моделирование в среде MATLAB и fuzzyTECH / A.B. Леоненков. СПб.: БХВ-Петербург, 2003. - 719 с.

30. Льюинг Л. Идентификация систем. Теория для пользователя. М.: Наука, 1991.432с.

31. Мелихов, А.Н. Ситуационные советующие системы с нечеткой логикой / А.Н. Мелихов, Л.С. Бернштейн, С.Я. Коровин. М.: Наука, 1990. -272 с.

32. Павлов В.А., Понырко С.А., Хованский Ю.М. Стабилизация летательных аппаратов и автопилоты. — М.: Высшая школа. 1964 г.

33. Пархоменко П., Согомонян Е. С. Основы технической диагностики/Под ред. П. П. Пархоменко.- М.: Энергоиздат, 1981.

34. Пегат А. Нечеткое моделирование и управление; пер. с англ. М.: БИНОМ. Лаборатория знаний, 2009 - 798 с.

35. Рассохин Н.Г. "Парогенераторные установки атомных электростанций" М.: Энергоатомиздат, 1986 г.

36. Резвых C.B. Биотехническая система электроретинографических исследований диабетической ретинопатии. Кандидатская диссертация. МВТУ им. Н.Э. Баумана, Москва 2010.

37. Семенов А. Д., Артамонов Д. В., Брюхачев А. В. Идентификация объектов управления: Учебн. пособие. Пенза: Изд-во Пенз. гос. ун-та, 2003.-211 с.

38. Слободчиков К.Ю. Математическое и информационное обеспечение системы управления компрессорного цеха газоперекачивающих агрегатов// Автоматизация в промышленности. ИПУ РАН. 2004. №7-С 38-42.

39. Слободчиков К.Ю. Методи та модел1 розподшу навантаження м1ж газоперекачувальними агрегатами компресорного цеху.// Науковий вюник 1ФНТУНГ 2008 №2(18) 2008. - С. 106-114.

40. Тулупьев A. JI Алгебраические байесовские сети. Логико вероятно-стый подход к моделированию баз данных с неопределённостью. Российская академия наук, Санкт - Петербургский институт информатики и автоматизации, Санкт - Петербург, 2000 г.

41. Хрипков A.B. Исследование и применение интегрально-модуляционных методов идентификации линейных динамических объектов. Кандидатская диссертация. МЭИ. Москва 2009.

42. Цыпкин Я.З.Основы теории информационной теории идентификации.