Исследование и реализация систем поддержки истинности для задач диагностики

Оськин, Павел Владимирович

Математическое и программное обеспечение вычислительных машин, комплексов и компьютерных сетей

автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.11, диссертация на тему:Исследование и реализация систем поддержки истинности для задач диагностики

кандидата технических наук: Оськин, Павел Владимирович
город: Москва
год: 2007
специальность ВАК РФ: 05.13.11

Диссертация по информатике, вычислительной технике и управлению на тему «Исследование и реализация систем поддержки истинности для задач диагностики»

Автореферат диссертации по теме "Исследование и реализация систем поддержки истинности для задач диагностики"

На правах рукописи

0030522ЭЭ Оськин Павел Владимирович

ИССЛЕДОВАНИЕ И РЕАЛИЗАЦИЯ СИСТЕМ ПОДДЕРЖКИ ИСТИННОСТИ ДЛЯ ЗАДАЧ ДИАГНОСТИКИ

Специальность 05.13.11 - Математическое и программное обеспечение вычислительных машин, комплексов и компьютерных сетей

АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук

Москва - 2007

003052299

Работа выполнена на кафедре Прикладной математики Московского энергетического института (Технического университета).

Научный руководитель:

доктор технических наук, профессор Вадим Николаевич Вагин

Официальные оппоненты: доктор физико-математических наук,

профессор

Осипов Геннадий Семенович

кандидат технических наук, доцент

Тарасов Валерий Борисович

Ведущая организация: Государственное учреждение Российский

научно-исследовательский институт

информационных технологий и систем автоматизированного проектирования

(ГУ РосНИИ ИТ и АП)

Защита состоится « 20 » апреля 2007 г. в 16 час. 00 мин. на заседании диссертационного совета Д 212.157.01 при Московском энергетическом институте (Техническом университете) по адресу: 111250, Москва, Красноказарменная ул., д. 17, ауд. Г-306.

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

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

Автореферат разослан « (Ч » марта 2007 г.

Ученый секретарь

диссертационного совета Д 212.157.01 кандидат технических наук, профессор

И.И. Ладыгин

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы исследований. Важной задачей, с которой сталкиваются исследователи систем поддержки принятия решений, является проблема поиска решений в условиях ограниченной информации, в процессе которого постоянно возникает необходимость выбора среди одинаково приемлемых альтернатив. В итоге большинство, а часто и все, из этих выборов могут оказаться неверными. Одним из вариантов решения данной проблемы является сохранение обоснований каждого из выбираемых предположений, чтобы была возможность перепроверить, удалить или изменить сделанные предположения, если выводы окажутся ошибочны или противоречивы. Эти идеи привели к созданию систем поддержки истинности. Значительный вклад в разработку и исследование систем поддержки истинности внесли такие ученые, как Дойл Дж., ДеКлир Дж., МакАллистер Д., Рейтер Р., Форбус К. и другие.

Расширение возможностей вычислительной техники и развитие методов искусственного интеллекта привели к активному развитию задач автоматической диагностики сложных объектов, систем и комплексов. Системы диагностики являются одним из активно используемых направлений в интеллектуальных системах. В теорию и практику решения задач технической диагностики объектов большой вклад внесли отечественные ученые Синдеев И.Н., Пархоменко П.П., Мозгалевский A.B., Согомонян Е.С., Гаскаров Д.В., Мироновский JI.A., Попов С.А., Климов E.H., Сахаров В.В., Юсупов P.M., Кузнецов С.Е., Глазунов Л.П. и другие. Одной из разновидностей функционального диагностирования является диагностика на основе модели устройства. В основе этого подхода лежит прогнозирование предполагаемого поведения устройства, исходя из имеющейся в наличии информации, обнаружении различий прогнозов с реальным поведением. Данный подход позволяет одинаково успешно находить как одиночные, так и множественные неисправности, диагностировать устройства, по которым нет экспертных данных о причинах неисправностей, многократно использовать готовые описания моделей работы компонентов и получать объяснения причин выявленных неисправностей. В развитие подхода диагностирования на основе модели устройства также внесли свой вклад такие ученые, как Осис Я.Я., Глущенко П.В., ДеКлир Дж., Вильяме Б., Форбус К., Рейтер Р. и другие.

При диагностике на основе модели устройства большой системы, состоящей из множества частей, зачастую сложно или даже невозможно использовать ее полную модель. В подобных случаях возможно использование неполных моделей частей системы, которые могут быть разнесены в пространстве физически. Для реализации данного подхода можно использовать возможности многоагентных систем. Значительный вклад в разработку и исследование теории агентов и агентно-ориентированного подхода внесли такие ученые, как Амосов Н.М., Бонгард М.М., Лефевр В.А., Цетлин В.Л., Поспелов Д.А., Тарасов В.Б., Попов Э.В., Стефанюк В.Л., а также многие другие.

эффективность решения задач диагностики на базе систем поддержки истинности, является выбор уточняющей информации о состоянии диагностируемого объекта, использование возможностей системы поддержки истинности для построения подсистемы моделирования поведения устройства и преимущества применения многоагентного подхода для диагностики распределенных систем. Таким образом, разработка методов выбора уточняющей информации о состоянии диагностируемого объекта, подсистемы моделирования поведения диагностируемого объекта и многоагентного подхода к диагностированию на основе моделей на базе систем поддержки истинности является актуальной задачей.

Объектом исследования являются системы поддержки истинности, основанные на предположениях. Предметом исследования являются методы систем поддержки истинности на основе предположений для задач эффективного выбора в устройстве мест снятия показаний, построения моделирующей подсистемы диагностического комплекса, а также многоагентный подход в диагностике на основе модели устройств с использованием систем поддержки истинности.

Целью работы является исследование, разработка методов и соответствующих программных средств на основе систем поддержки истинности, основанных на предположениях, для задач диагностики на основе моделей устройств, в том числе с использованием многоагентного подхода. Для достижения указанной цели требовалось решение следующих задач:

1. Исследование принципов диагностирования на основе моделей устройств.

2. Исследование систем поддержки истинности.

3. Исследование возможностей систем под держки истинности для выбора мест снятия показаний в диагностируемых объектах.

4. Разработка на основе системы поддержки истинности эвристических, вероятностного и комбинированного методов выбора мест снятия показаний в диагностируемых объектах.

5. Разработка на основе системы поддержки истинности алгоритмов подсистемы моделирования поведения диагностируемого объекта.

6. Исследование и разработка архитектуры и алгоритмов многоагентного взаимодействия в диагностировании на основе моделей устройств на базе системы поддержки истинности, основанной на предположениях.

7. Разработка и программная реализация на базе системы поддержки истинности многоагентного комплекса диагностики неисправных устройств на основе моделей их поведения с использованием результатов исследований данной работы.

Методы исследования. Поставленные задачи решаются с использованием методов дискретной математики, математической логики, теории информации, теории вероятности, искусственного интеллекта, а также методов анализа вычислительной сложности алгоритмов.

Достоверность научных положений. Достоверность научных результатов подтверждена теоретическими выкладками, данными компьютерного

моделирования, а также сравнением полученных результатов с результатами, приведенными в научной литературе. Научная новизна. Новыми являются:

1. Эвристические, вероятностный и комбинированный методы выбора места снятия показаний в диагностируемых объектах на базе системы поддержки истинности, основанной на предположениях.

2. Алгоритмы подсистемы моделирования поведения диагностируемого объекта на базе системы поддержки истинности, основанной на предположениях.

3. Алгоритмы многоагентного взаимодействия в диагностировании на основе моделей устройств на базе системы поддержки истинности, основанной на предположениях.

Практическая значимость работы заключается в создании многоагентного программного комплекса диагностирования неисправных устройств, исходя из моделей их функционирования, реализованного на базе системы поддержки истинности, основанной на предположениях, использующего разработанные методы выбора мест снятия показаний в устройстве.

Практическая значимость работы подтверждается использованием полученных результатов в подсистеме анализа состояния инженерного оборудования автоматизированной системы диспетчерского контроля и в других приложениях, о чем имеются акты о внедрении.

Реализация результатов. Результаты диссертационной работы Оськина П.В. вошли в отчеты по НИР, выполняемым кафедрой ПМ по грантам РФФИ № 0501-00818 «Исследование и разработка системы формирования индуктивных понятий на основе моделей и методов машинного обучения», № 05-07-90232 «Исследование и разработка инструментальных средств создания экспертных систем поддержки принятия решений», использованы в рамках проекта РФФИ № 03-01-00808 «Теоретическое исследование и компьютерное моделирование методов определения параметров динамических объектов по их графическим образам в реальном масштабе времени», а также в учебном процессе в курсах «Экспертные системы» и «Математическая логика».

Апробация работы. Основные положения и результаты диссертации докладывались и обсуждались на 9-й, 10-й и 11-й научно-технических конференциях аспирантов и студентов «Радиоэлектроника, электротехника и энергетика» в МЭИ (ТУ) (г. Москва, 2003-2005 г.г.), на научной сессии МИФИ-2006 (г. Москва, 2006 г.), 10-й национальной конференции по искусственному интеллекту с международным участием КИИ-2006 (г. Обнинск, 2006 г.), на международном форуме МФИ-2006 (Международная конференция «Информационные средства и технологии») (г. Москва, 2006 г.), 33-й Международной конференции IV Международной конференции молодых ученых "Информационные технологии в науке, образовании, телекоммуникации и бизнесе" ГГ+Б&Е'Об (Украина, г. Гурзуф, 2006 г.) и

международной конференции JCKBSE'06 (Seventh Joint Conference on Knowledge-Based Software Engineering 2006) (Эстония, г. Таллинн, 2006 г., доклад на английском языке).

Публикации. Основные результаты, полученные при выполнении диссертационной работы, опубликованы в 12 печатных работах.

Структура и объем работы. Диссертация состоит из введения, шести глав, заключения, списка использованной литературы (117 наименований) и приложений. Диссертация содержит 183 страницы машинописного текста (без приложений).

СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность темы диссертации, её научная новизна и практическая значимость, сформулирована цель работы и приведено краткое содержание диссертации по главам.

В первой главе рассмотрены основные понятия и определения технической диагностики, приведено описание принципа диагностирования на основе модели устройств и показан пример данного подхода к диагностике неисправностей автомобиля.

Формулируется следующая задача диагностики. Имеется дискретный объект, проявляющий неисправное поведение. Объект состоит из компонентов. Есть структура связей между компонентами и возможность снимать с них показания на входах и выходах. Необходимо определить с минимальными затратами ресурсов, какие из компонентов неисправны.

Решение диагностической задачи состоит из двух этапов. В первом идентифицируется множество возможных различий модели и диагностируемого устройства. Во втором осуществляется сбор дополнительной информации в виде наблюдений, которая улучшает множество возможных различий модели и устройства до тех пор, пока они не сведутся к точному отражению фактических отличий.

Предполагается, что различия модели и неисправного дискретного объекта не наблюдаемы непосредственно. Вместо этого, все нарушения предположений об исправности компонентов должны быть выведены косвенно из поведенческих наблюдений.

Принцип диагностики на основе модели устройства представлен на Рис. 1.

Модель работы устройства

\ <

Построение прогнозов работы устройства

Снимаемые с устройства показания

Обработка различий

ч> ~

| Диагноз |

Рис. 1. Принцип диагностики на основе модели устройства Основные достоинства подхода, основанного на модели устройства:

• диагностирование множественных неисправностей;

• работа с непредсказуемыми вариантами;

• возможность диагностирования новых устройств;

• точность описания моделей компонентов не зависит от опыта эксперта;

• многократное использование моделей;

• детальность объяснений.

Во второй главе дано описание систем поддержки истинности, проведено детальное рассмотрение системы поддержки истинности, основанной на предположениях, представлен алгоритм и пример использования данных систем для принципа диагностирования на основе модели устройства.

Системы поддержки истинности (Truth-Maintenance System, TMS) изначально направлены не на решение проблемы, а на сохранение результатов, переданных им от внешней системы, и отвечают за поддержание непротиворечивости множества полученных утверждений.

Имеется несколько различных семейств систем поддержки истины. К достоинствам системы поддержки истинности, основанной на предположениях (Assumption-based Truth Maintenance Systems, ATMS), следует отнести тот факт, что она сохраняет все промежуточные результаты, что значительно повышает эффективность поиска решений с возвратами. Данная система предоставляет возможность работы в нескольких контекстах одновременно. В ATMS обоснование содержит не только список посылок правила, исходя из которого было получено заключение, но и предположения, принятие которых позволило его вывести. Основные операции ATMS заключаются в построении обоснований заключений из обоснований посылок применяемых правил, а также в анализе обоснований противоречий. Вывод противоречия говорит о несовместности предположений, в рамках которых сделан вывод. Все это определяет выбор ATMS в качестве системы поддержки истинности, используемой для диагностики на основе моделей устройств.

В ATMS вводится понятие предположение (assumption), обозначающее допущение о некотором факте, принятое за истину, но которое в дальнейшем может стать ложным и отвергнуто из рассмотрения. Посылка (premise) -определяется как факт, не требующий обоснования.

Основной структурой данных ATMS является вершина (node).

С каждым утверждением связывается обоснование (justification), состоящее из трех частей: обосновываемой вершины, называемой заключением, списка обосновывающих вершин (antecedents) и описания обоснования.

Множество предположений ATMS называется окружением (environment). Также вводится противоречивое окружение, представляющее собой противоречивую конъюнкцию предположений. Множество противоречивых окружений Ei, Ei,..., Ет образуют множество Nogood = {Eu Е2, ... Ет}.

Контекстом окружения ATMS (context) называется множество всех данных, выводимых из предположений этого окружения.

Меткой вершины (label) называется минимальное множество окружений, из которых выводима данная вершина.

Соответствия между ATMS и диагностикой на основе модели устройства:

• посылки ATMS - снятые с устройства показания;

• предположения ATMS - допущения о работоспособности компонентов;

• выведенные вершины ATMS - прогнозы диагностической системы;

• Nogood - различия прогнозов поведения компонентов устройства с результатами наблюдений.

Ключевым достоинством ATMS является одновременная работа в нескольких контекстах, благодаря чему для задачи диагностики на основе модели устройства достигается возможность находить сразу все варианты решений поставленной задачи и без дополнительных затрат ресурсов отвергать те из них, что по каким-либо причинам не подошли.

В третьей главе представлено три типа подходов, разработанных на базе системы поддержки истинности, основанной на предположениях, к выбору места снятия показаний с устройства, дан их анализ и сравнение по результатам компьютерного моделирования.

Наилучшим местом снятия показаний в диагностируемом устройстве считаем место (точку), в котором снятие показаний даст наибольшую информацию, способствующую обнаружению множества неисправно работающих компонентов при наименьших затратах ресурсов.

Представлены эвристические подходы к определению наилучшего места снятия показаний на основе выведенных прогнозов и знаний о поддерживающих и противоречивых окружениях.

В процессе работы диагностическим механизмом строится прогноз значений для каждой точки диагностируемого устройства со списком окружений, в которых он поддерживается. Множество окружений, в которых поддерживаются прогнозы значений в точке х, обозначается как Envs(x). Вводится функция Quan{x), являющаяся вариантом подхода, используемого К. Форбусом совместно с Дж. ДеКлиром для определения наилучшего места снятия показаний в диагностической системе TGDE, которой обозначается количество информации, получаемое при измерении значения в точке х:

Qnan(x) = £¡./,1+ £ ^Г- (1)

/,<=Ст*(х) J.bhnvs(x) ~

Суммирование производим по всем возможным значениям в точке х.

Наибольший приоритет выбора имеют точки с наибольшим значением функции Quan(x). Данный метод выбора места снятия показаний назван SEH.

В результате каждого измерения происходит подтверждение или опровержение того или иного прогноза. Если прогнозы опровергаются, то окружения Ей Е?,Ет, в которых они поддерживались, становятся противоречивыми и формируют собой множество Nogood = {Ej, Е2, ... £„,}.

Для использования этой возможности используется множество:

Envs(x) п Nogood = {JnE:J е Envs(x). Е е Nogood}

Формула (1) приобретает вид:

QuanN(x)= + £ Ы. (2)

J, gknvs(x)n\'ogoo<J Jt eErtv\(x)n,Nogood

Наибольший приоритет выбора имеют точки с наибольшим значением функции QuanN(x). Данный метод выбора места снятия показаний назван SIEH.

Взяв пересечение всех окружений Nogood, получим множество предположений, которые входят в каждое из них, то есть неисправность соответствующих компонентов может являться причиной, объясняющей противоречивость каждого из окружений множества Nogood.

Пересечение множеств противоречивых окружений выражается формулой: SingleNogood = . (3)

Е^Nogood

Работа происходит с множествами, полученными по формуле: Envs{x) n SingleNogood - {Jn SingleNogood: J e Envs{x)}. Возможные варианты и их оценки приведены в Таблице 1.

Таблица 1

Критерии выбора места снятия показаний в устройстве__

Тип Критерий Оценка Уровень приоритета

A В/ e Envs(x); J = SingleNogo od Максимальный приоритет Равный уровень приоритета

В 3J e Envs(x): | J n SingleNogood\ < \SmgleNogood\ max \J nSingleNogoodl JstnuUf 1 Чем оценка большее, тем приоритетнее

С 3J g Envs(x): SingleNogood с J ^min ^Jl-jSing/eiVogoocil) Чем оценка меньшее, чем приоритетнее

D V/ e Envs(x): J n SingleNogood = 0 Минимальный приоритет Равный уровень приоритета

К варианту D также относятся вызовы методов определения приоритетов выбора места снятия показаний, которые происходят при SingleNogood — 0. При этом в качестве оценки приоритета выбора принимается числовое значение ResultD{x), возвращенное в результате вызова другого метода.

Обозначим через maxD максимальное числовое значение среди вариантов D, а через CompCount - количество компонентов устройства.

Вводится следующая числовая оценка полученных результатов: О,

если V,/ е Envs(x): J n SingleNogood = 0; ResuliD(x),

если SingleNogood = 0; maxD+CompCount -

QuanSj\G(x) если 3J e Envs(x): SingleNogood с J; ^

maxD + CompCount + ^ max jjn SingleNogood],

если 3J e Envs(x): U n SingleNogood] < \SingleNogood\, maxD+2* CompCount,

если 3J 6 Envs(x): J s SingleNogood.

Наибольший приоритет выбора имеют точки с наибольшим значением QuanSNG(x). Данный метод выбора места снятия показаний назван 8СА1ЕН.

Представлен вероятностный подход, базирующийся на использовании априорной вероятности работоспособности компонентов системы. Вводятся следующие соглашения о диагностируемой системе:

1. Каждый компонент имеет вероятность работоспособности р..

2. На выходе произвольный компонент К может выдавать пк вариантов

V V V

значений: '' 2'"" Предполагаем, что в состоянии неисправности вероятность каждого из данных значений одинакова.

3. Для упрощения расчетов, предполагаем возникновение неисправностей в компонентах происходит независимо друг от друга.

В качестве меры информации, получаемой о неисправных компонентах при измерениях в конкретных местах устройства, берется оценка:

Н(х) = р({х = V,}) 1о8р({х = V,}), (5)

где

пк - количество возможных значений в точке измерения х\ р({х = V,}) - вероятность значения V, в точке измерения х. Вводятся следующие обозначения:

Р(К) - вероятность получения корректного значения на выходе компонента К, вычисляемая по формуле:

Р(Ю=ЬЕ^1+р{К). (6)

"к

ШРиТ5{К,) - множество индексов компонентов, выходные значения которых являются входными значениями для компонента К,.

Во введенных определениях получена формула вероятности корректного значения V на выходе х для V наборов компонентов, поддерживающих данное измерение {^„АГ^,..^}, {К21,К21,...Кг Г1},...

¿Р (**,)

р{{х = У}) = ^-;

(7)

ПК1, /е/лтоге^,)

После проведения очередного измерения происходит изменение вероятностей работоспособности всех компонентов системы, поддерживающих или опровергающих измеренное значение. Для обновления значений вероятности работоспособности компонентов на основе информации, полученной измерением, используется формула Байеса в виде:

р({х = Г}) ' ^

где

р(К 1{х = V}) - условная вероятность исправности компонента К при условии, что измерение в точке х равно V;

р(К) - априорная вероятность работоспособности компонента К; р({х = У}) - априорная вероятность измерения в точке х значения V; р({х = V}! К) - условная вероятность измерения в точке х значения V при условии, что компонент К исправен.

Формула вычисления значения р({х = V) / Кт п) для V наборов компонентов:

ПКк, JelNPUTS^Kil)

Наилучшим выбором места снятия показаний в диагностируемом устройстве является точка, в которой максимально значение энтропии, вычисленное по формуле (5), где p({x = V,}) рассчитывается по формуле (7). После каждого снятия показаний для корректировки информации на основе полученных данных производится пересчет вероятностей неисправности компонент, прогнозирующих значение в данной точке измерения, по формуле (8) с использованием формул (7) и (9). Данный метод выбора места снятия показаний назван PRO АР.

Для вероятностного метода критерием выбора места снятия показаний является максимальное значение энтропии в точке измерения, благодаря чему диагностическая система получает наибольшее количество информации об устройстве. В то же время, когда уже выделены компоненты, имеющие большую вероятность неисправности, выгодной стратегией является проверка предположений о работоспособности конкретных компонентов.

Представлен комбинированный подход, являющийся комбинацией вероятностного и сокращенного эвристического подхода, использующего информацию о совпадающих предположениях противоречивых окружений.

Для каждой точки х устройства вычисляется следующая оценка:

1. Производится вычисление значения энтропии по формулам, представленным в вероятностном подходе.

2. Вычисляется пересечение противоречивых окружений SingleNogood.

3. Если какое-либо из окружений, в котором поддерживается прогноз значения в данной точке х совпадает с SingleNogood, то есть 3 J е Envs(x): J = SingleNogood (проверка на вариант А эвристического подхода), то прибавляем единицу к результату, полученному в пункте 1.

Назовем данный метод выбора места снятия показаний PROAP+.

Тестирование разработанных методов выбора места снятия показаний проводилось для схемы 9-битового устройства определения четности (КР1531ИП5), состоящего из 46 компонентов, которые объединялись в единую систему 92 соединениями, на выходе которого выдавалось неверное значение.

Максимальное количество шагов, необходимых для определения неисправности принимается за 100%, для каждого эксперимента вычисляется, на сколько процентов каждый из разработанных методов эффективнее полного перебора значений, и определяется среднее значение эффективности. Полученные результаты представлены в строке №1 Таблицы 2.

В строке №2 Таблицы 2 представлено среднее значение, показывающее во сколько раз больше времени каждый из подходов осуществляет выбор места снятия показаний для каждого эксперимента, относительно времени работы метода SEH.

В строке №3 Таблицы 2 представлено среднее значение по всем экспериментам, показывающее во сколько раз меньше полные временные затраты на определение неисправности каждого из разработанных подходов, по сравнению с методом SEH.

Таблица 2

Экспериментальное сравнение методов выбора места снятия показаний

№ Оценка SEH SIEH SCA1EH PROAP PROAP+

1 На сколько эффективнее, % 30,79 63,17 68,65 71,51 77,86

2 Во сколько раз больше времени на выбор места измерения 1,0 1,283 1,072 1,975 2,046

3 Во сколько раз быстрее нахождение неисправности 1,0 1,489 2,140 1,374 1,681

Наилучшие временные показатели дает метод выбора БСАШН, обладающий не самым эффективным выбором мест снятия показаний, но имеющий высокую скорость работы, благодаря которой его суммарные временные затраты на выбор меньше, чем у методов, использующих вероятностные подходы. За ним идет метод РКОАР+, комбинирующий вероятностный подход с эвристикой, разработанной в методе БСАШН. Метод РЯОАР+ эффективнее метода 8СА1ЕН, когда процесс снятия показаний с устройства требует временных затрат, больших, чем время, затрачиваемое методом БСАШН на выбор места снятия показаний, так как в этом случае наибольшее значение приобретает не скорость, а эффективность выбора.

В четвертой главе представлены алгоритмы подсистемы моделирования поведения диагностируемого объекта, разработанные на базе системы поддержки истинности, основанной на предположениях, описан формат структуры знаний и приведен пример работы.

Знания, которыми должна оперировать моделирующая подсистема:

1. Модели работы компонентов устройства, представляющие собой описания соответствий значений на входах и выходах исправных компонентов.

2. Описание структуры взаимодействия компонентов устройства.

Моделирующая подсистема, на основе измеренных значений на входах и

выходах компонентов, их моделей и структуры устройства, представленной в

базе знаний, должна осуществлять прогнозирование значений на входах и выходах других компонентов устройства.

Необходимыми возможностями для построения прогнозов поведения компонентов устройства в представленных требованиях обладают языки ограничений (constraint languages). Языки ограничений ориентированы на выражение пользователем взаимосвязи между данными на входах и выходах компонентов описательно. Компоненты представляются как некоторые ограничения, имеющие точки входов и выходов. Ограничения соединяются точками входов и выходов в так называемых ячейках. Вычисление значений происходит автоматически в направлении определения следствий этих ограничений. Ключевым моментом является возможность распространения значений по ограничениям внутри системы в любых направлениях. Распространение информации по данной сети называется распространением ограничений (constraint propagation).

Важную роль для сети ограничений в решении задач занимает проверка непротиворечивости поступающих значений, а также отслеживание противоречий, которые могут возникать вследствие вычислений различающихся значений для одной и той же ячейки разными частями сети. Для определения тестов, которые необходимо провести на очередном этапе диагностики, диагностическое приложение должно иметь возможность одновременно анализировать множество вариантов неисправностей. Для решения этих задач используются возможности ATMS.

Ядром моделирующей подсистемы является алгоритм распространения ограничений. При вызове алгоритма, в качестве входных параметров ему передается название ячейки (CellName), заносимое в нее значение (CellValue) и

обоснования, на основе которых данное значение выведено (Justifications)._

Алгоритм 1. Алгоритм распространения ограничений_

ConstraintPropagation (CellName, CellValue, Justifications) BEGIN

Cell = FindCell (CellName)-, Node = FindNode (Cell, CellValue)-, IF Node = 0 THEN BEGIN

Node = CreateNode (Cell, CellValue)', AddJustifications (Node, Justifications)-, FOR EACH TempNode e Cell\ {Node} DO DeclareContradiction (TempNode, Node)-,

END

ELSE

BEGIN

AddJustifications (Node, Justifications)-, MinimizeJustifications (Node)-, END;

Rules = GetNodeRuies (Node):

FOR EACH Rule e Rules DO ExecuteRule (Rule);

END.__

С использованием ATMS, каждое присвоение значения ячейке осуществляется созданием вершины ATMS. Каждая вершина любой ячейки имеет метку ATMS, представляющую окружения, в которых ячейка имеет значение. Так как в основе моделирующей подсистемы лежит ATMS, то с каждым прогнозом связываются обоснования.

Использование ATMS в моделирующей подсистеме позволяет:

• вводить предположения о работоспособности компонентов;

• строить одновременно множество прогнозов поведения устройства;

• для каждого прогноза сохранять информацию о предположениях, на основе которых он построен;

• отвергать прогнозы, которые, при получении дополнительной информации, оказались не верны;

• выявлять ошибочные предположения о работоспособности компонентов, на основе которых были построены опровергнутые прогнозы.

В пятой главе рассмотрено применение многоагентного подхода к диагностированию на основе моделей устройств на базе системы поддержки истинности, основанной на предположениях, выделены семантический и пространственный способы распределения модели устройства между агентами, представлена архитектура многоагентного диагностического комплекса, разработанные алгоритмы работы агентов; дан анализ эффективности применения многоагентного подхода и приведены примеры.

Выделяется два способа распределения модели устройства между агентами: семантический и пространственный.

Семантическое распределение модели устройства. В данном случае модель поведения устройства распределяется между агентами согласно типу составляющих ее частей. При этом каждая из подмоделей описывает поведение соответствующей ей части устройства независимо от остальных подмоделей поведения устройства других агентов.

Пространственное распределение модели устройства. Пространственное распределение модели поведения устройства между агентами происходит в соответствии с пространственным распределением частей устройства. При этом вследствие связей между различными частями устройства соответствующие им подмодели поведения также имеют зависимости. Агенты должны обмениваться прогнозами значений в местах соединений диагностируемых ими частей.

Используется следующая многоагентная архитектура диагностического комплекса на основе ATMS. На самом нижнем уровне находятся агенты наблюдения за устройством, которые обеспечивают снятие показаний с диагностируемого устройства. Целью агентов наблюдения является предоставление агентам диагностики результата снятия показания в той точке устройства из возможных, для которой оценка количества полученной информации максимальна. Выше находятся агенты диагностики,

занимающиеся обработкой получаемой информации. Целью агентов диагностики является разрешение противоречий, обнаруженных при сравнении прогнозов поведения компонентов устройства с результатами снятых показаний. Над ними - агенты управления группами агентов диагностики, которые объединяют получаемые сведения. Целью агента управления является получение целостной картины о состоянии части устройства, диагностируемой связанными с ним агентами диагностики. Когда для одной и тоже точки устройства прогнозы построены несколькими диагностическими агентами, решается проблема сведения этой информации воедино. На самом верхнем уровне находится агент общего управления, который вводится при использовании нескольких агентов управления агентами диагностики. Агент общего управления осуществляет взаимодействие между агентами управления группами, согласует и объединяет всю информацию о состоянии диагностируемого устройства. После запуска каждый из агентов автономен и действует исходя из своей цели, имеющейся в наличии информации и сообщений, получаемых из внешней среды, других агентов или пользователя.

Алгоритм выполнения правил агента (Agent) использует для работы следующие структуры данных агента: RuleQueue - содержит необходимые для

выполнения правила, CommonNodes - содержит список общих вершин._

Алгоритм 2. Алгоритм выполнения правил агента_

ExecuteRules (Agent) BEGIN

CommonNodes = GetCommonNodes (Agent);

LOOP

BEGIN

Rule = TakeRule (RuleQueue); Nodes = DependentNodes (Rule); Result = ExecuteRule (Rule, Nodes)-, For each {Node, Justifications) e Result DO IF Node 6 CommonNodes THEN

Manager Agent. Label (Node, Justifications)-,

END;

END._

Процедура DependentNodes возвращает вершины (Nodes), используемые при выполнении данного правила (Rule). Если очередь правил пуста, то процедура извлечения правил из очереди TakeRule ожидает, пока не появится новое правило. Вызов процедуры Label агента управления требует от него распространить обновленные данные вершины по всем агентам диагностики, которые ее используют.

Ядром моделирующей подсистемы агентов диагностики является алгоритм распространения ограничений, измененный для работы в многоагентной среде.

Алгоритм 3. Алгоритм распространения ограничений агента_

AgentConstraintPropagation (CellName, CellValue, Justifications) BEGIN

Cell = FindCell (CellName); Node = FindNode (Cell, CellValue); IF Node = 0 THEN BEGIN

Node = CreateNode (Cell, CellValue)-, AddJustifications (Node, Justifications); FOR EACH TempNode e Cell \ {Node} DO DecIareContradiction (TempNode, Node)',

END

ELSE

BEGIN

AddJustifications (Node, Justifications); MinimizeJustifications (Node)', END;

Manager Agent. Label (Node, Justifications)', Rules = GetNodeRules (Node)', AddlntoQueue (RuleQueue, Rules);

END._

С помощью процедуры AddJustifications вершине (Node), соответствующей ячейке (Cell) с указанным значением (CellValue), добавляются обоснования (Justifications), на основе которых это значение выведено. Все вершины ячейки, имеющие другое значение, объявляются противоречивыми по отношению к данной вершине процедурой DecIareContradiction.

Агент управления группой осуществляет вычисление меток для общей вершины (CommonNode) по алгоритму, использующему структуры данных: AgentList - список агентов диагностики данного агента управления, Nogood ~

список противоречивых окружений._

Алгоритм 4. Алгоритм вычисления меток для общей вершины_

ComptuteLabels (CommonNode) BEGIN Label = 0;

AgentList = FindAgents (CommonNode)', FOR EACH Agent e AgentList DO BEGIN

TempLabel = ^gewf.ComptuteLabels (CommonNode)-, Label = Label и TempLabel; END;

FOR EACH Environment e Label DO BEGIN

FOR EACH TempEnvironment e Nogood DO IF TempEnvironment с Environment THEN RemoveEnvironment (Label, Environment); FOR EACH TempEnvironment e Label \ {Environment} DO IF Environment cz TempEnvironment THEN

RemoveEnvironment (Label, TempEnvironment);

END;

FOR EACH Agent e AgentList DO Agent.Label (CommonNode, Label)-,

END._

Процедура FindAgents выбирает агентов, выводящих значение для общей вершины CommonNode, и возвращает их в списке AgentList. Процедура ComptuteLabels отправляет соответствующему агенту запрос на вычисление метки вершины, и возвращает результат в переменную TempLabel. Для поддержания непротиворечивости из полученной метки Label процедурой RemoveEnvironment удаляются все противоречивые окружения.

Оценивается эффективность многоагентного подхода. Вводятся обозначения:

N— количество компонентов устройства;

A g, - г'-ый агент диагностики;

N, - количество компонентов устройства, диагностируемых A g,;

DT- время диагностики (diagnosis time);

NR(N) - затраты ресурсов на коммуникацию между агентами и передачу агентам диагностики значений измерений, снимаемых непосредственно с устройства. Заметим, что NR(N) значительно меньше затрат ресурсов, необходимых для работы агентов диагностики;

DTSmgk(N) - время нахождения неисправности без использования многоагентного подхода.

Пространственное распределение модели устройства. В введенных определениях, время DT,\/uinage„,(N), затрачиваемое на диагностику устройства с использованием многоагентного подхода, выражается следующим образом:

max(D7^ (N,))+ NR(N) < DTMvlmml(N) < DTSmgk(N) + NR(N). (10)

В данном случае эффективность многоагентного подхода напрямую зависит от структуры устройства и того, каким образом произведено распределение его модели функционирования по диагностическим агентам.

Семантическое распределение модели устройства. Все агенты могут диагностировать свои части устройства параллельно друг с другом. Время диагностики будет соответствовать времени работы агента, диагностирующего свою часть устройства дольше остальных, и оценивается по формуле:

ОС- (Л0 = max{DT4gi (N, ))+ NR(N). (11 )

Таким образом применение многоагентного подхода позволяет повысить эффективность диагностического комплекса благодаря снижению затрат ресурсов за счет распараллеливания работы агентов и нахождения локальных неисправностей использованием лишь части агентов.

В шестой главе представлена программная реализация на базе системы поддержки истинности, основанной на предположениях, многоагентного комплекса диагностики неисправных устройств, исходя из моделей их функционирования.

Структура многоагентного комплекса представлена на Рис. 2.

Агент управления

Обработчик Хеш-таблица

информации информации

диагностики диагностики

интерфейс польэемталя

lili

№

Emboétfabt* Common-U*p

Агент диагностики

Модуль диагностики

Подсистема моделирования

Вычисление рекомендаций лв выбору маету смятая очередного показания

Имторфайе пользователя

—аг

Очередь ооовцений

Ж.

модуль взаимодействия

ЗЕ

Интврфейо агента =) I управления I

ч. J " Ц

^ Интерфейсы

^уГ Поток обработки оообарний

Агент наблюдения

Обработчик рекомендаций

Икторфайо агвнта

| . '' i див"'овти* j

iz.

Модуль омятия показаний it

114

Рис. 2. Структура многоагентного комплекса В основе многоагентного диагностического комплекса находится механизм поиска неисправностей на основе моделей поведения устройств, использующий ATMS, являющуюся базой разработанной подсистемы моделирования, и используется последней для построения сети прогнозов на основе хранимых ею описаний моделей поведения компонентов устройства, а также служит для выявления и обработки противоречий между прогнозами и значениями измерений, снятых с диагностируемого устройства. Подсистема моделирования хранит описания моделей работы компонентов и связей между ними в устройстве. Блок вычисления рекомендаций по выбору мест снятия показаний, используя результаты работы подсистемы моделирования, строит сравнительную оценку эффективности выбора той или иной точки в диагностируемом устройстве разработанными методами выбора места снятия показаний.

В заключении приведены основные результаты, полученные в диссертационной работе.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ

1. Исследован принцип диагностирования устройств на основе моделей их функционирования, что позволяет диагностировать множественные неисправности, работать с новыми устройствами, по которым нет экспертных знаний о возможных причинах неполадок, многократно использовать модели работы компонентов устройств и получать детальные объяснения о причинах неисправностей.

2. Произведено исследование и анализ систем поддержки истинности. Особое внимание уделено системам поддержки истинности, основанным на предположениях (ATMS), ключевым достоинством которых является одновременная работа в нескольких контекстах, благодаря чему достигается возможность находить все варианты решений поставленной задачи

одновременно и без дополнительных затрат ресурсов отвергать те из них, что по каким-либо причинам не подошли.

3. На основе ATMS разработано три типа подходов к нахождению наилучшего места снятия показаний в диагностике на основе модели устройства: эвристические, основанные на поддерживающих и противоречивых окружениях, вероятностный, использующий структурную зависимость между компонентами устройства и учитывающий историю процесса диагностики, и комбинированный, на основе вероятностного метода с использованием эвристики проверки работоспособности конкретных компонентов. Произведен их сравнительный анализ по критериям эффективности выбора наилучшего места снятия показаний и затрат временных ресурсов в процессе диагностики неисправности устройств.

4. На основе ATMS разработаны алгоритмы подсистемы моделирования, осуществляющей прогнозирование работы объекта диагностирования, исходя из значений, полученных с входов и выходов компонентов, на основе предположений об их исправности. Продемонстрировано, как использование ATMS позволяет вводить предположения о работоспособности компонентов, одновременно строить множество прогнозов поведения устройства и для каждого прогноза сохранять информацию об обосновывающих его предположениях, а также отвергать неверные прогнозы и выявлять ошибочные предположения о работоспособности компонентов, на основе которых они были построены.

6. С использованием результатов данной работы на основе ATMS разработан и реализован многоагентный программный комплекс диагностики неисправных устройств, исходя из моделей их функционирования.

СПИСОК РАБОТ, ОПУБЛИКОВАННЫХ ПО ТЕМЕ ДИССЕРТАЦИИ

1. Вагин В.Н., Оськин П.В. Эвристические и вероятностные методы снятия эффективных показаний в системах диагностики. // Известия РАН. Теория и системы управления. - 2006. - №4. — С.78-93.

2. Вагин В.Н., Оськин П.В. Эвристические методы снятия эффективных показаний в системах диагностики. //Материалы XXXIII Международной конференции IV Международной конференции молодых ученых "Информационные технологии в науке, образовании, телекоммуникации и бизнесе", IT+S&E'06, приложение к журналу "Открытое образование", майская сессия. - Украина, Крым, Ялта-Гурзуф, 2006. - С. 172-174.

3. Вагин В.Н., Оськин П.В. Эвристические методы получения эффективных

показаний в системах диагностики. // Программное обеспечение основанное на знаниях. Труды седьмой объединенной конференции по программному обеспечению, основанному на знаниях (JCKBSE'06). - IOS Press, Netherlands, 2006. - С.307-316 (на английском языке).

4. Вагин В.Н., Оськин П.В. Многоагентная моделирующая подсистема комплексов диагностики на основе моделей устройств. //Известия РАН. Теория и системы управления. -2006. - №6. - С. 131-144.

5. Вагин В.Н., Оськин П.В. Использование многоагентного подхода в диагностике на основе моделей устройств. // Десятая национальная конференция по искусственному интеллекту с международным участием "КИИ-2006". Обнинск. - М.:Физматлит, 2006. - Т.2. - С.608-616.

6. Вагин В.Н., Оськин П.В. Эвристические и вероятностные методы снятия эффективных показаний в системах диагностики. // Международный журнал вычислительной техники и системотехники. Перевод журнала "Известия РАН. Теория и системы управления". - 2006. - Т.45. - №4. - С.584-598 (на английском языке).

7. Вагин В.Н., Оськин П.В. Многоагентная моделирующая подсистема комплексов диагностики на основе моделей устройств. //Международный журнал вычислительной техники и системотехники. Перевод журнала "Известия РАН. Теория и системы управления". - 2006. - Т.45. - №6. -С.970-982 (на английском языке).

8. Оськин П.В. Эффективность использования многоагентного подхода в диагностике на основе моделей устройств. // Доклады международной конференции "Информационные средства и технологии" (МФИ 2006). -М.:Янус-К, 2006. - Т.З. - С.135-138.

9. Оськин П.В. Эвристики в методе поиска неисправных компонентов в диагностических системах на основе моделей устройств. // Научная сессия МИФИ-2006. Интеллектуальные системы и технологии. Сборник научных трудов. В 16 т. - Т.З. - М.: МИФИ, 2006. - С.152-153.

Ю.Оськин П.В. Непротиворечивость в системах принятия решений. //Тезисы докладов Девятой Международной научно-технической конференции студентов и аспирантов "Радиоэлектроника, электротехника и энергетика". -М.: МЭИ, 2003. -Т.1. -С.301-302.

11.Оськин П.В. Методы поддержки истинности в интеллектуальных системах. // Тезисы докладов Десятой Международной научно-технической конференции студентов и аспирантов "Радиоэлектроника, электротехника и энергетика". - М.: МЭИ, 2004. - Т.1. - С.328.

12.Оськин П.В. Использование вероятности для выбора очередного измерения в диагностических системах. // Тезисы докладов Одиннадцатой Международной научно-технической конференции студентов и аспирантов "Радиоэлектроника,электротехника и энергетика".-М.:МЭИ,2005.-Т. 1 .-С.328.

Подписано в печать fit 03- № Зак 69 Тир. fQO П.л. Полиграфический центр МЭИ (ТУ) Красноказарменная ул. д.13

Оглавление автор диссертации — кандидата технических наук Оськин, Павел Владимирович

Введение.

1 Диагностика на основе модели устройства.

1.1 Основные понятия и определения.

1.2 Системы диагностирования технического состояния.

1.3 Диагностирование на основе модели устройства.

1.3.1 Базовые условия.

1.3.2 Принцип диагностики на основе модели устройства.

1.3.3 Симптомы неисправностей.

1.3.4 Конфликты.

1.3.5 Кандидаты на неисправность.

1.3.6 Генерация кандидата.

1.3.7 Выбор места снятия показаний с устройства.

1.4 Пример двух подходов к диагностике неисправностей автомобиля.

1.5 Выводы по главе 1.

2 Системы поддержки истинности.

2.1.1 Основные достоинства систем поддержки истинности.

2.1.2 Семейства систем поддержки истинности.

2.2 Система поддержки истинности, основанная на предположениях.

2.2.1 Архитектура системы рассуждения.

2.2.2 Основные определения.

2.2.3 Основные структуры данных.

2.2.4 Решетка окружения.

2.2.5 Основные операции.

2.2.6 Алгоритм ATMS.

2.3 Алгоритм диагностики с использованием системы поддержки истинности.

2.4 Пример диагностики на основе модели устройства.

2.5 Выводы по главе 2.

3 Определение места снятия показаний с устройства.

3.1 Критерии выбора места снятия показаний в устройстве.

3.2 Существующие подходы.

3.3 Эвристические методы выбора места снятия показаний.

3.3.1 Знания о поддерживающих окружениях.

3.3.2 Знания о множествах противоречивых окружений.

3.3.3 Знания о совпадающих предположениях противоречивых окружений.

3.4 Вероятностный метод выбора места снятия показаний.

3.4.1 Определение вероятности прогнозируемых значений.

3.4.2 Учет стоимости снятия показаний с устройства.

3.4.3 Метод выбора места снятия показаний с использованием вероятностного подхода.

3.5 Комбинированный метод выбора места снятия показаний.

3.6 Практические результаты.

3.7 Выводы по главе 3.

4 Моделирующая подсистема диагностического устройства.

4.1 Требования к моделирующей подсистеме.

4.2 Язык ограничений.

4.3 Алгоритм работы моделирующей подсистемы.

4.3.1 Распространение ограничений.

4.3.2 Установка и доступ к значениям ячейки.

4.3.3 Выполнение правил.

4.4 Формат структур знаний моделирующей подсистемы.

4.5 Пример работы моделирующей подсистемы.

4.6 Выводы по главе 4.

5 Использование многоагентного подхода в диагностических системах.

5.1 Основные понятия.

5.2 Распределение модели устройства в многоагентной диагностической системе.

5.2.1 Семантическое распределение модели устройства.

5.2.2 Пространственное распределение модели устройства.

5.3 Архитектура многоагентного диагностического комплекса.

5.4 Взаимодействие между агентами.

5.5 Эффективность многоагентного подхода.

5.5.1 Пространственное распределение модели устройства.

5.5.2 Семантическое распределение модели устройства.

5.6 Пример диагностики комплексного устройства с помощью многоагентного подхода.

5.7 Выводы по главе 5.

6 Программная реализация многоагентного диагностического комплекса на основе модели устройства с использованием системы поддержки истинности, основанной на предположениях.

6.1 Архитектура диагностического комплекса.

6.2 Принципы построения агентов диагностического комплекса.

6.3 Структура многоагентного диагностического комплекса.

6.4 Агент диагностики.

6.5 Агент управления.

6.6 Агент наблюдения.

6.7 Выводы по главе 6.

Введение 2007 год, диссертация по информатике, вычислительной технике и управлению, Оськин, Павел Владимирович

Актуальность темы исследований. Важной задачей, с которой сталкиваются исследователи систем поддержки принятия решений, является проблема поиска решений в условиях ограниченной информации, в процессе которого возникает необходимость выбора среди одинаково приемлемых альтернатив. Это может касаться выбора следующей цели для достижения, очередного вывода из неполных данных, эффективного действия и т.д. В итоге большинство, а часто и все, из этих выборов могут оказаться неверными. Однако в тот момент, когда решающая система впервые сталкивается с выбором из альтернатив, - все они выглядят одинаково приемлемыми.

Одним из вариантов решения данной проблемы является сохранение обоснований каждого из выбираемых предположений, чтобы была возможность перепроверить, удалить или изменить сделанные предположения, если выводы окажутся ошибочны или противоречивы. Также может потребоваться пересмотр всех выводов, сделанных на основе данных предположений.

Эти идеи привели к созданию систем поддержки истинности (Truth-Maintenance System, TMS). Системы поддержки истинности являются системами, имеющими дело с поддержкой непротиворечивости в базах знаний. Они изначально направлены не на решение проблемы, а на сохранение результатов, переданных им от внешней системы, и отвечают за поддержание непротиворечивости множества полученных утверждений.

В настоящее время системы поддержки истинности стали широко используемой частью технологии ИИ. Они используются в качественном моделировании, системах анализа, временных рассуждениях, диагностике, языках представлений знаний, дедуктивных системах, языках ограничений, а также коммерчески экспертных системах типа КЕЕ и ART.

В задачах диагностики популярным является подход, основанный на знаниях эксперта в проблемной области решаемой задачи [1-14]. Суть этого подхода - в извлечении знаний эксперта о возможных неисправностях устройства, исходя из имеющейся в наличии информации, их формализации и реализации в виде диагностической системы. Недостатки этого подхода в трудоемкости формализации знаний эксперта, сложности работы с непредсказуемыми вариантами и множественными неисправностями, сильная зависимость от структуры устройства, изменение которой влечет пересмотр и обновление полученной от эксперта информации. Подобных недостатков лишен подход, основанный на использовании информации о структуре устройства и правилах работы его компонентов, который относится к виду функционального диагностирования [1] и называется диагностикой на основе модели устройства [15-32]. В основе этого подхода лежит прогнозирование предполагаемого поведения устройства, исходя из имеющейся в наличии информации, обнаружении различий прогнозов с реальным поведением и объяснении причин данных различий (список неисправных компонентов). Благодаря этому, данный подход позволяет одинаково успешно находить как одиночные, так и множественные неисправности, диагностировать устройства, по которым нет экспертных данных о причинах всевозможных неисправностей, многократно использовать готовые описания моделей работы компонентов для других устройств и получать детальные объяснения причин выявленных неисправностей.

В теорию и практику решения задач технической диагностики объектов большой вклад внесли отечественные ученые Синдеев И.Н., Пархоменко П.П., Мозгалевский А.В., Согомонян Е.С., Гаскаров Д.В., Мироновский JI.A., Попов С.А., Климов Е.Н., Сахаров В.В., Юсупов P.M., Кузнецов С.Е., Глазунов Л.П. и другие [1-13,15-17]. В развитие подхода диагностирования на основе модели устройства также внесли свой вклад такие ученые, как Осис Я.Я., Глущенко П.В., Рейтер Р., ДеКлир Дж., Вильяме Б., Консоле JL, Макворф А., Страсс П., Форбус К. и другие [15-32]. Основные преимущества подхода, основанного на модели устройства, в многократном использовании моделей компонентов устройств, работе с непредсказуемыми вариантами и новыми устройствами, отсутствии необходимости извлечения и формализации знаний эксперта, простоте адаптации при изменении структуры устройства.

Во многих подходах к решению задач диагностики, требующих построения поведенческих прогнозов, работы с противоречиями и умолчаниями, обработки постоянно поступающих новых фактов и обоснований, могут использоваться возможности, предоставляемые системами поддержки истинности [32-48]. Значительный вклад в разработку и исследование систем поддержки истинности внесли такие ученые, как Дойл Дж. [33], разработавший одну из самых ранних систем поддержки истинности, ДеКлир Дж. [39-43], который ввел термин «основанный на предположениях», представив соответствующую систему поддержки истинности, МакАллистер Д. [34-36], Рейтер Р. [37, 41], Мартине Дж. [38], Форбус К. [32, 42] и другие. К достоинствам данных систем относится обеспечение объяснений и сохранение произведенных и промежуточных выводов, работа с противоречиями, умолчаниями, новыми фактами и обоснованиями. Областями их применения являются экспертные системы, логические базы данных и базы знаний.

В ходе процесса диагностики устройства происходит постоянное уточнение информации о его состоянии. Одной из самых актуальных задач диагностики на основе модели устройства является задача оптимальности выбора в устройстве места, в котором будет производиться следующее снятие показаний [22,26-28, 31, 50-75]. Качество этого выбора непосредственно влияет на две ключевые характеристики системы диагностики: на быстроту определения неисправности и размер пространства поиска. Эффективность выбора места снятия показаний позволяет существенно сократить пространство решений, в то время как неэффективность выбора приведет к увеличению времени работы, пространства поиска алгоритма, а также к дополнительным затратам ресурсов. Для решения данной задачи можно использовать возможности, предоставляемые системой поддержки истинности, с использованием которой реализован комплекс диагностики.

Для построения прогнозов на основе моделей поведения компонентов устройства необходимо наличие подсистемы моделирования (прогнозирования) поведения диагностируемого устройства. Моделирующая подсистема на основе предположений и поведенческих наблюдений осуществляет построение прогнозов предполагаемого поведения устройства и передает их диагностическому комплексу для анализа [22, 25, 27, 28]. Для работы с предположениями, множественными вариантами и появляющимися противоречиями при построении моделирующей подсистемы можно использовать возможности систем поддержки истинности, на основе которой может быть реализована данная моделирующая система.

При диагностике на основе модели устройства большой системы, состоящей из множества частей, зачастую сложно или даже невозможно использовать ее полную модель. Вместо этого для обнаружения неисправностей возможно использование неполных моделей частей системы, которые могут быть разнесены в пространстве физически. Для реализации данного подхода можно использовать возможности многоагентных систем. Значительный вклад в разработку и исследование теории агентов и агентно-ориентированного подхода внесли такие отечественные ученые, как Амосов Н.М., Бонгард М.М., Лефевр В.А., Цетлин В.Л., Поспелов Д.А., Тарасов В.Б., Попов Э.В., Стефанюк В.Л., а также многие другие [87-117]. В многоагентном диагностическом подходе каждый агент имеет информацию об определенной части устройства, за диагностику которой он отвечает. Для построения прогнозов, нахождение значений которых зависит от нескольких частей устройства, обрабатываемых разными агентами, реализованными на основе системы поддержки истинности, и для получения информации обо всем устройстве в целом между агентами происходит обмен информацией. Применение многоагентного подхода в диагностике на основе модели устройства на базе системы поддержки истинности обладает высокой значимостью, потому что благодаря ему достигается возможность повысить эффективность диагностического комплекса с помощью снижения затрат ресурсов за счет распараллеливания работы агентов и нахождения локальных неисправностей использованием лишь части агентов.

В работах Дж. ДеКлира и К. Форбуса показаны преимущества применения систем поддержки истинности при диагностировании неисправных устройств на основе моделей их поведения. Важнейшими этапами, влияющими на эффективность решения задач диагностики на базе систем поддержки истинности, является выбор уточняющей информации о состоянии диагностируемого объекта, использование возможностей системы поддержки истинности для построения подсистемы моделирования поведения устройства и преимущества применения многоагентного подхода для диагностики распределенных систем. Таким образом, разработка методов выбора уточняющей информации о состоянии диагностируемого объекта, подсистемы моделирования поведения диагностируемого объекта и многоагентного подхода к диагностированию на основе моделей на базе систем поддержки истинности является актуальной задачей.

Объектом исследования являются системы поддержки истинности, основанные на предположениях. Предметом исследования являются методы систем поддержки истинности на основе предположений для задач эффективного выбора в устройстве мест снятия очередных показаний, построения моделирующей подсистемы диагностического комплекса, а также многоагентный подход в диагностике на основе модели устройств с использованием систем поддержки истинности.

1. Исследование принципов диагностирования на основе моделей устройств.

2. Исследование систем поддержки истинности.

3. Исследование возможностей систем поддержки истинности для выбора мест снятия показаний в диагностируемых объектах.

Достоверность научных положений. Достоверность научных результатов подтверждена теоретическими выкладками, данными компьютерного моделирования, а также сравнением полученных результатов с результатами, приведенными в научной литературе. Научная новизна. Новыми являются:

4. Архитектура многоагентного комплекса на базе системы поддержки истинности, основанной на предположениях, для диагностики неисправных устройств, исходя из моделей их функционирования. Практическая значимость работы заключается в создании многоагентного программного комплекса диагностирования неисправных устройств, исходя из моделей их функционирования, реализованного на базе системы поддержки истинности, основанной на предположениях, использующего разработанные методы выбора мест снятия показаний в устройстве.

Реализация результатов. Результаты диссертационной работы Оськина П.В. вошли в отчеты по НИР, выполняемым кафедрой ПМ по грантам РФФИ № 05-01-00818 «Исследование и разработка системы формирования индуктивных понятий на основе моделей и методов машинного обучения», № 05-07-90232 «Исследование и разработка инструментальных средств создания экспертных систем поддержки принятия решений», использованы в рамках проекта РФФИ № 03-01-00808 «Теоретическое исследование и компьютерное моделирование методов определения параметров динамических объектов по их графическим образам в реальном масштабе времени», а также в учебном процессе в курсах «Экспертные системы» и «Математическая логика».

Апробация работы. Основные положения и результаты диссертации докладывались и обсуждались на 9-й, 10-й и 11-й научно-технических конференциях аспирантов и студентов «Радиоэлектроника, электротехника и энергетика» в МЭИ (ТУ) (г. Москва, 2003-2005 г.г.), на научной сессии МИФИ-2006 (г. Москва, 2006 г.), 10-й национальной конференции по искусственному интеллекту с международным участием КИИ-2006 (г. Обнинск, 2006 г.), на международном форуме МФИ-2006 (Международная конференция «Информационные средства и технологии») (г. Москва, 2006 г.), 33-й Международной конференции IV Международной конференции молодых ученых "Информационные технологии в науке, образовании, телекоммуникации и бизнесе", IT+S&E'06 (Украина, г. Гурзуф, 2006 г.) и международной конференции JCKBSE'06 (Seventh Joint Conference on Knowledge-Based Software Engineering 2006) (Эстония, г. Таллинн, 2006 г., доклад на английском языке).

Заключение диссертация на тему "Исследование и реализация систем поддержки истинности для задач диагностики"

6.7 Выводы по главе 6

В данной главе представлена программная реализация на базе системы поддержки истинности, основанной на предположениях, многоагентного комплекса диагностики неисправных устройств, исходя из моделей их функционирования.

С использованием результатов данной работы разработан многоагентный диагностический комплекс (Глава 5) поиска неисправностей на основе моделей поведения устройств (Глава 1), использующий систему поддержки истинности, основанную на предположениях (Глава 2), которая является базой разработанной подсистемы моделирования (Глава 4), и используется последней для построения сети прогнозов на основе хранимых ею описаний моделей поведения компонентов устройства (Глава 4), а также служит для выявления и обработки противоречий между прогнозами и значениями измерений, снятых непосредственно с диагностируемого устройства. Подсистема моделирования хранит описания моделей работы компонентов и связей между этими компонентами в устройстве. Блок вычисления рекомендаций по выбору мест снятия очередных показаний, используя результаты работы подсистемы моделирования, строит сравнительную оценку эффективности выбора той или иной точки в диагностируемом устройстве разработанными методами выбора места снятия показаний (Глава 3).

Заключение

В данной работе получены следующие результаты.

2. Произведено исследование и анализ систем поддержки истинности. Особое внимание уделено системам поддержки истинности, основанным на предположениях, ключевым достоинством которых является одновременная работа в нескольких контекстах, благодаря чему достигается возможность находить все варианты решений поставленной задачи одновременно и без дополнительных затрат ресурсов отвергать те из них, что по каким-либо причинам не подошли. Благодаря своим характеристикам, система поддержки истинности, основанная на предположениях (ATMS), выбрана в качестве основы для построения комплекса диагностирования на основе моделей поведения устройств.

3. На основе ATMS разработано три типа подходов к нахождению наилучшего места снятия показаний в диагностике на основе модели устройства: эвристические, основанные на поддерживающих и противоречивых окружениях, вероятностный, использующий структурную зависимость между компонентами устройства и учитывающий историю процесса диагностики, и комбинированный, на основе вероятностного метода с использованием эвристики проверки работоспособности конкретных компонентов. Экспериментально произведен их сравнительный анализ по критериям эффективности выбора наилучшего места снятия показаний и затрат временных ресурсов в процессе диагностики неисправности устройств.

5. Разработано применение многоагентного подхода к диагностированию на основе моделей устройств на базе ATMS, для которого выделены пространственный и семантический способы распределения модели поведения устройства между агентами. Разработана архитектура многоагентного диагностического комплекса и проведены исследования применения многоагентного подхода для семантического и пространственного распределения моделей поведения устройства. Продемонстрирована работа многоагентного диагностического комплекса, позволяющего производить диагностику сложных, распределенных в пространстве объектов, с описанием алгоритмов подсистем моделирования и взаимодействия между различными типами агентов. Показано, что применение многоагентного подхода позволяет повысить эффективность диагностического комплекса на основе ATMS благодаря снижению затрат временных и программных ресурсов за счет распараллеливания работы агентов.

Библиография Оськин, Павел Владимирович, диссертация по теме Математическое и программное обеспечение вычислительных машин, комплексов и компьютерных сетей

1. Пархоменко П.П., Согомонян Е.С. Основы технической диагностики. -М.: Энергоиздат, 1981.

2. Пархоменко П.П. Согомонян Е.С. Основные положения и рекомендации по организации диагностического обеспечения сложного объекта. М.: Машиностроение, 1985.

3. Пархоменко П.П. Теория, методы и средства диагностирования дискретных устройств систем на современной элементной базе. -Л.:ЛМИ, 1988.

4. Клюев В.В., Пархоменко П.П., Абрамчук В.Е. и др. Технические средства диагностирования. Справочник. М.: Машиностроение, 1989.

5. Бригер И.А. Техническая диагностика. М.: Машиностроение, 1978.

6. Мозгалевскый А.В., Гаскаров Д.В. Техническая диагностика. М.: Высшая школа, 1975.

7. Калявин В.П., Мозгалевскый А.В. Технические средства диагностирования. -Л.: Судостроение, 1984.

8. Синдеев KM. и др. Надежность и эффективность в технике. Справочник. В 10 т. М.: Машиностроение, 1987.

9. Гуляев В.А., Макаров С.М., Новиков B.C. Диагностика вычислительных машин.-Киев: Техника, 1981.

10. Макаров Р.А. Средства технической диагностики машин. М.: Машиностроение, 1981.

11. Городецкий М.С. Функции контроля и диагностики в гибких производственных модулях. / Экспериментальный НИИ металлорежущих станков.-М.: ЭНИМС, 1987.

12. Городецкий М.С. Оперативная диагностика состояния оборудования, инструмента и рабочего процесса в станках с помощью встроенных средств. /Экспериментальный НИИ металлорежущих станков. М.: ЭНИМС, 1989.

13. Варнаков, О.И. Лысенко А.С. Разработка комплекса универсальныхмоделей диагностирования типовых элементарных структур сложных радиоэлектронных систем. М.: ФТИ, 1991.

14. Clancey W. Heuristic Classification. // Artificial Intelligence, 1985. Vol.25. -P. 289-350.

15. Мартиросов Д.С. Диагностирование сложных технических систем на основе математических моделей физических процессов и измеряемых параметров методом структурного исключения. М.: МАИ, 1998.

16. Осис Я.Я., Гельфандбейн Я.А., Маркович З.П. и др. Диагностирование на граф-моделях. На примере авиационной и автомобильной техники. М.: Транспорт, 1991.

17. Глущенко П.В. Диагностирование электротехнических объектов на основе моделей. СПб.: С.-Петербургский государственный университет водных коммуникаций, 1996.

18. Davis R. Diagnostic Reasoning Based on Structure and Behavior. //Artificial Intelligence, 1984.-Vol.24.-P. 347-410.

19. Genesereth M.R. The Use of Design Descriptions in Automated Diagnosis. // Artificial Intelligence, 1984. Vol.24. - P. 411-436.

20. Hamscher W., Davis R. Issues in Diagnosis from First Principles. / Artificial Intelligence Laboratory. MIT, Cambridge, MA, 1986.

21. Williams B.C., Nayak P.P. A Model-based Approach to Reactive Self-configuring Systems. // Proceedings of 14th National Conference on Artificial Intelligence, 1996.-P. 971-978.

22. Struss P., Heller U. An Approach to Consistency-based Process Diagnosis. // Intelligent Diagnosis in Industrial Applications, Shaker Verlag, Aachen. -Germany,2001.-P. 85-94.

23. Brignolo R., Cascio F., Console L. and others. Integration of Design and Diagnosis into a Common Process. //In: Electronic Systems for Vehicles, Verlag, Duesseldorf, 2001. P. 53-73.

24. Frohlich P., Nejdl W. A Static Model-Based Engine for Model-Based Reasoning. // In Proceedings 15th IJCAI, Nagoya, Japan, 1997. P. 42-56.

25. Forbus K.D., de Kleer J. Building Problem Solver. The MIT Press, Cambridge, Massachusetts, London, England, 1993.

26. Doyle J. A Truth Maintenance System. //Artificial Intelligence, 1979. -Vol.12.-P. 231-272.

27. McAllester D. A Three-valued Truth Maintenance System. / S.B. Thesis, Department of Electrical Engineering. MIT, Cambridge, MA, 1978.

28. McAllester D. An Outlook on Truth Maintenance. Artificial Intelligence Laboratory, AIM-551, MIT, Cambridge, MA, 1980.

29. McAllester D. Truth Maintenance. //Proceedings of AAAI-90, 1990. P. 1109-1116.

30. Reiter R. A Logic for Default Reasoning. // Artificial Intelligence, 1980. -Vol.13.-P. 81-132.

31. Castro J.L., Zurita J.M. A Generic ATMS. //International Journal of Approximate Reasoning, 1996. Vol.14. - P. 259-280.

32. Dechter R., Dechter A. Structure Driven Algorithms for Truth Maintenance. // In the Artificial Intelligence Journal, 1996. Vol.82. - P. 1-20.

33. Вагин B.H., Головина Е.Ю., Загорянская A.A. и др. Достоверный и правдоподобный вывод в интеллектуальных системах. / Под редакцией Вагина В.Н. и Поспелова Д.А. М.: ФИЗМАТЛИТ, 2004.

34. Осъкин П.В. Непротиворечивость в системах принятия решений. // Тезисы докладов Девятой Международной научно-технической конференции студентов и аспирантов "Радиоэлектроника, электротехника и энергетика". -М.: МЭИ, 2003. Т. 1. -С.301-302.

35. Осъкин П.В. Методы поддержки истинности в интеллектуальных системах. // Тезисы докладов Десятой Международной научно-технической конференции студентов и аспирантов "Радиоэлектроника, электротехника и энергетика". М.: МЭИ, 2004. - T.l. - С.328.

36. Городецкий В. К, Тулупьев A.JI. Формирование непротиворечивых баз знаний с неопределенностью. //Известия Академии Наук. Теория и системы управления, 1997. -№5.-С. 127-134.

37. Городецкий В.И. Байесовский вывод. Л.: ЛИИАН, 1991.

38. Тулупьев АЛ. Алгебраические байесовские сети. Теоретические основы и непротиворечивость. СПб.: СПИИРАН, 1995.

39. Тулупьев А. Я. Алгебраические байесовские сети для представления и обработки знаний с неопределенностью. //Автореф. дис. . канд. физ.-мат. наук. СПб., 1996.

40. Тулупьев A.JI. Алгебраические байесовские сети. Логико-вероятностный подход к моделированию баз знаний с неопределенностью. СПб.: СПИИРАН, 2000.

41. Перельман Б.Л., Шевелев В.В. Отечественные микросхемы и зарубежные аналоги. М.: НТЦ Микротех, 1998.

42. Вагин В.Н., Оськин ИВ. Эвристические и вероятностные методы снятия эффективных показаний в системах диагностики. // Известия РАН. Теория и системы управления. 2006. - №4. - С.78-93.

43. Mozetic I., Holzbaur C. Controlling the Complexity in Model-based Diagnosis. //Report OEFAI TR-91-3, Annals of Mathematics and Artificial Intelligence, 1994.-Vol.11.-P. 297-314.

44. Raiman O. de Kleer J., Saraswat V.J. Critical Reasoning. // Proceedings of the IJCAI-93,1993.-P. 18-23.

45. Dressier O., Struss P. Model-based Diagnosis with the Default-based Diagnosis Engine: Effective Control Strategies that Work in Practice. // Proceedings of the European Conference on Artificial Intelligence (ECAI), 1994.-P. 677-681.

46. Anrig В., Haenni R, Kohlas J. and others. Probabilistic Analysis of Model-based Diagnosis. // IPMU'96, Granada, Spain, 1996. P. 123-128.

47. Anrig B. Probabilistic Argumentation Systems and Model-Based Diagnostics. //Proceedings of the Eleventh International Workshop on Principles of Diagnosis, Morelia, Mexico, 2000. P. 1-8.

48. Anrig B. Importance Measures for Probabilistic Assumption-Based Reasoning. Technical Report 01-02, Department of Informatics, University of Fribourg, 2001.

49. Kohlas J., Monney P.A., Anrig B. and others. Model-Based Diagnostics and Probabilistic Assumption-Based Reasoning. Technical Report 96-09, Institute of Informatics, University of Fribourg, 1996.

50. Kohlas J., Haenni R. Assumption-based Reasoning and Probabilistic Argumentation Systems. Defeasible Reasoning and Uncertainty Management Systems: Algorithms, Oxford, 1996.

51. Haenni R, Kohlas J. Computing Probabilities of Events in Bayesian Networks. // Technologies for Constructing Intelligent Systems: Tools. Physica-Verlag GmbH, Heidelberg, Germany, 2002. - P. 303-312.

52. Srinivas S. A Probabilistic ATMS. Knowledge Systems Laboratory, 1994.

53. Ibarguengoytia P., Sucar L.E., Morales E. Probabilistic Model Approach for Fault Diagnosis. //Proceedings of the Eleventh International Workshop on Principles of Diagnosis, Morelia, Mexico, 2000. P. 266-273.

54. Lucas P. Bayesian Model-based Diagnosis. // Int. J. Approx. Reasoning, 2001. -Vol.27.-P. 99-119.

55. Poole D. The Use of Conflicts in Searching Bayesian Networks. // Proceedings of the Ninth Conference on Uncertainty in Al, Washington D.C., 1993. P. 359-367.

56. Steele G. The Definition and Implementation of a Computer Programming Language Based on Constraints. Technical Report AI-TR-595, Artificial Intelligence Laboratory, Massachusetts Institute of Technology, Cambridge, 1980.

57. Jaffar J., Lassez J.-L. Constraint Logic Programming. // Proceedings of the 14th ACM Symposium Principles Programming Languages, ACM, New York, 1987. P. 111-119.

58. Jaffar J., Maher M.J. Constraint Logic Programming: A Survey. // Journal of Logic Programming, 1994. P. 503-581.

59. Jajfar J., Maker M.J., Marriott K.G. and others. Semantics of Constraint Logic Programs. // The Journal of Logic Programming, 1998. Vol.37. - P.l-46.

60. Leler W. Specification and Generation of Constraint Satisfaction Systems. -Technical Report 87-006, Computer Science Department, University of North Carolina, Chapel Hill, N.C., 1987.

61. Leler W. Constraint Programming Languages: Their Specification and Generation. Addison-Wesley, 1988.

62. Mulac J., Baldwin D. Local Propagation as a Constraint-Satisfaction Technique. Technical Report 265, Computer Science Department, University of Rochester, Rochester, N.Y., 1989.

63. Saraswat V.J. Concurrent Constraint Programming Languages. MIT Press, 1991.

64. Wallace M.G. Practical Applications of Constraint Programming. // Constraints Journal, Kluwer, 1996. Vol.1. No.l.

65. Wallace M.G. Constraint Programming. The Handbook of Applied Expert Systems, Liebowitz Jay, CRC Press, 1998.

66. Тарасов В.Б. Агенты и многоагентные системы: основные истоки, подходы, принципы и направления. //Компьютерная хроника, 1998. -№12,- С. 103-122.

67. Тарасов В.Б. Агенты, многоагентные системы, виртуальные сообщества: стратегическое направление в информатике и искусственном интеллекте. // Новости искусственного интеллекта, 1998. №3. - С. 5-54.

68. Тарасов В.Б. Системно-организационный подход в искусственном интеллекте. // Программные продукты и системы, 1999. № 3. С. 6-13.

69. Тарасов В.Б. Восходящее и нисходящее проектирование многоагентных систем. //Проблемы управления и моделирования в сложных системах. Труды международной конференции, 1999. Самара: Самарский научный центр РАН, 1999. - С. 268-274.

70. Тарасов В.Б. От многоагентных систем к интеллектуальным организациям: философия, психология, информатика. М.: Эдиториал1. УРСС, 2002.

71. Плесневич Г.С., Авдошин С.М., Тарасов В.Б. Концептуальная спецификация многоагентных систем (Часть 1). //Информационные технологии, 2002. -№12. С. 25-35.

72. Вагин В.Н., Оськин П.В. Многоагентная моделирующая подсистема комплексов диагностики на основе моделей устройств. // Известия РАН. Теория и системы управления. 2006. - №6. - С. 131-144.

73. Оськин П.В. Эффективность использования многоагентного подхода в диагностике на основе моделей устройств. // Доклады международной конференции "Информационные средства и технологии" (МФИ 2006). -М.:Янус-К, 2006. -Т.З. С.135-138.

74. Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем.- СПб.: Питер, 2000.

75. Трахтенгерц Э.А. Агентно-ориентированные информационные технологии управления проектами. / РАН. Институт проблем управления им. В.А.Трапезникова. М.: Институт проблем управления, 1999.

76. Трахтенгерц Э.А. Компьютерная поддержка переговоров при выработке групповых решений. / РАН. Институт проблем управления им. В.А.Трапезникова. М.: Институт проблем управления, 2001.

77. Трахтенгерц Э.А. Компьютерная поддержка формирования целей и стратегий их реализации. / РАН. Институт проблем управления им.

78. Городецкий В.И., Карсаев О.В., Самойлов В. Многоагентная технология принятия решений в задачах объединения данных. // Труды СПИИРАН, 2003. №1 - С.67-73.

79. Городецкий В.К, Карсаев О.В. Многоагентная система планирования и составления расписаний: разработка распределенной базы знаний. // Известия ТРТУ, 2001. №4. - С. 25-38.

80. Глибовец Н.Н. Использование агентных технологий в системах дистанционного образования. // Управляющие системы и машины, 2002. -№6.-С. 69-76.

81. Roos N., Teije А.С.М., Bos A. and others. Multi-agent Diagnosis: an Analysis. //In Proceedings of the 13th Belgian-Dutch Conference on Artificial Intelligence, 2001. P. 221-228.

82. Roos N., Teije A.C.M., Witteveen, C. Multi-Agent Diagnosis with Semantically Distributed Knowledge. // In Proceedings of the 15th Belgium-Netherlands Conference on Artificial Intelligence (BNAIC'03), Nijmegen: Universiteit Nijmegen, 2003. P. 259-266.

83. Frohlich P., Mora I., Nejdl W. and others. Diagnostic Agents for Distributed Systems. // Proceedings of 4th ModelAge Workshop Formal Models Of Agents, 1997. -P.42-57.

84. Bensaid N., Mathieu P. A Hybrid and Hierarchical Multi-agent Architecture Model. // In Proceedings of the Second International Conference and Exhibition on the Practical Application of Intelligent Agents and Multi-Agent Technology, 1997.-P. 145-155.

85. Leckie C., Senjen R., Ward B. and others. A Multi-Agent System for Distributed Fault Diagnosis. //In Proceedings of the Second International

86. Conference on the Practical Application of Intelligent Agents and Multi-Agent Technology (PAAM97), London, UK, 1997. P. 21-23.

87. Heck F., Laengle Т., Woern H. A Multi-agent Based Monitoring and Diagnosis System for Industrial Components. // In Proceedings of the Ninth International Workshop on Principles of Diagnosis, Cape Cod, Massachusetts, USA, 1998. -P. 63-69.

88. Wl.Steimann F., Frohlich P., Nejdl W. Model-based Diagnosis for Open Systems Fault Management. //Proceedings of the Al Communications, 1999. Vol.12. -P. 5-17.

89. Fattah Y.E., Dechter R. Diagnosing Tree-Decomposable Circuits. //IJCAI-95, 1995.-P. 1742-1749.

90. Williams B.C., Millar B. Decompositional, Model-based Learning and its Analogy to Model-based Diagnosis. //In Proceedings of the 15th National Conference on Artificial Intelligence, Milwaukee. Wisconsin, 1998. - P.38-45.

91. WS.Piccardi C., Wotawa F. A Communication Language and the Design of a Diagnosis Agent Towards a Framework for Mobile Diagnosis Agents. // IEA/AIE-99, 1999. - P. 420-429.

92. Finin Т., Weber J., Wiederhold G. and others. Specification of the KQML Agent-Communication Language. Enterprise Integration Technologies, Palo Alto, С A, Technical Report EIT TR 92-04, 1992.

93. Finin Т., Labrou Y., Mayfield J. KQML as an Agent Communication Language. //In Software Agents, Chapter 14, The MIT Press, 1997. P. 291316.

Похожие работы

Информатика, вычислительная техника и управление
05.13.00