Метод и алгоритмы принятия решений при управлении сложными объектами на основе экспертных систем

Новиков, Дмитрий Борисович

Математическое и программное обеспечение вычислительных машин, комплексов и компьютерных сетей

автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.11, диссертация на тему:Метод и алгоритмы принятия решений при управлении сложными объектами на основе экспертных систем

кандидата технических наук: Новиков, Дмитрий Борисович
город: Москва
год: 2012
специальность ВАК РФ: 05.13.11

Диссертация по информатике, вычислительной технике и управлению на тему «Метод и алгоритмы принятия решений при управлении сложными объектами на основе экспертных систем»

Автореферат диссертации по теме "Метод и алгоритмы принятия решений при управлении сложными объектами на основе экспертных систем"

На правах рукописи

Новиков Дмитрий Борисович

МЕТОД И АЛГОРИТМЫ ПРИНЯТИЯ РЕШЕНИЙ ПРИ УПРАВЛЕНИИ СЛОЖНЫМИ ОБЪЕКТАМИ НА ОСНОВЕ ЭКСПЕРТНЫХ СИСТЕМ

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

Автореферат диссертации на соискание ученой степени кандидата технических наук

? 6 * г ? 20 XI

Москва-2012 г.

005019656

Работа выполнена в Федеральном государственном бюджетном образовательном учреждении высшего профессионального образования «Московский государственный университет приборостроения и информатики»

Научный руководитель: доктор технических наук, профессор

Круг Петр Германович

Официальные оппоненты: Васьковский Анатолий Михайлович

доктор технических наук, профессор, ФГБОУ ВПО «Московский атомобильно-дорожный государственный технический университет (МАДИ)», профессор кафедры АСУ

Янкелевич Алексей Владимирович

кандидат технических наук, ЗАО «КРОК инкорпорейтед», руководитель проектов

Ведущая организация: ФГБОУ ВПО «НИУ МЭИ»

Защита состоится «16» мая 2012 г., в 14 часов, на заседании диссертационного совета Д.212.119.02 при Федеральном государственном бюджетном образовательном учреждении высшего профессионального образования «Московский государственный университет приборостроения и информатики» по адресу: 107996, г. Москва, ул. Стромынка, д. 20.

С диссертацией можно ознакомиться в библиотеке Федерального государственного бюджетного образовательного учреждении высшего профессионального образования «Московский государственный университет приборостроения и информатики».

Автореферат разослан «13»апреля 2012 г.

Учёный секретарь /С?

диссертационного совета / лу*—— Г.В. Зеленко

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность. Основные положения Стратегии национальной безопасности Российской Федерации до 2020 года диктуют необходимость обеспечения комплексной безопасности функционирования особо опасных и технически сложных объектов с учетом непрерывно изменяющейся природной и техногенной среды.

Опыт эксплуатации тепловых электрических станций (ТЭЦ) все больше подтверждает возрастающее влияние «человеческого фактора» на их эксплуатационную надежность, несмотря на широкое использование систем автоматического управления и аварийно-предупредительных средств оповещения. При этом непрерывное усложнение технических решений, которые находят свое применение в том или ином техническом объекте ТЭЦ, предъявляет требования к постоянному повышению квалификации обслуживающего персонала. Отмеченные факторы позволяют отнести данную сферу человеческой деятельности к числу информационно насыщенных.

Существующие классические методы уже не в полной мере позволяют получить приемлемые характеристики функционирования информационно-измерительных систем мониторинга. Вместе с тем эволюция вычислительной техники и средств коммуникации дает новые возможности обработки информации и повышает актуальность проблемы переноса части интеллектуальной сферы человеческой деятельности в сферу автоматизации технологических процессов и систем управления.

В этой связи возникает необходимость в разработке интеллектуального информационно-вычислительного комплекса для анализа и распределения потоков данных, полученных от систем мониторинга в режиме реального времени без участия эксперта. Это жизненно необходимо для обеспечения автономного функционирования системы мониторинга в условиях неполноты и неопределенности поступающей информации при наличии случайных возмущений внешней среды.

Создаваемая система должна давать объективную картину состояния, как всего объекта мониторинга, так и его отдельных элементов. Для прогнозирования, диагностики и принятия объективного решения по нивелированию возможных технических сбоев, аварий и катастроф необходимо из данных мониторинга выделять основные информативные параметры, которые определят достоверность измерения. Эти параметры должны подвергаться идентификации и группировке в кластеры для дальнейшей обработки соответствующими средствами измерения, экспертной оценки и сравнения с соответствующими критериями. Решение подобных задач невозможно без применения интеллектуальных методов обработки информации.

В настоящее время в данной области работает ряд ведущих предприятий страны: ОАО «Научно-технический центр по безопасности в промышленности», Федеральный научно-производственный центр НПО «Марс», ФГУП Научно-исследовательский институт «Рубин», ОАО Научно-исследовательский институт космического приборостроения, Научно-производственный центр антитеррористической и криминалистической техники «Спектр-АТ», Самарский государственный аэрокосмический университет им. С.П.Королева.

Наибольший вклад в решение научной проблемы управления сложных объектов внесен отечественными учеными: Борисенко К.П., Бугаевым A.C., Горкуновым Э.В., Евтушенко Ю.Г., Журавлевым Ю.И., Зубаревым Ю.Б., Ивановым K.M., Касапенко Д.В., Клюевым В.В., Ковалевым A.B., Леоновым Б.И., Матросовым B.JL, Оводенко A.A., Ткаченко С.И., Шахматовым Е.В., Шатерниковым В.Е.

Современные информационные технологии основываются на практическом внедрении знаний в самом широком смысле слова (форм, моделей, языков, знаковых конструкций и т.д.). Они служат для описания сложных технических объектов и повышают значимость решения проблемы интеллектуализации современных автоматизированных систем управления.

Таким образом, существующие тенденции широкого использования интеллектуальных методов обработки больших объемов данных, а также рост плотности и неопределенности информационных потоков при контроле состояния и функционирования сложных систем, приводят к необходимости создания интеллектуальной системы принятия решений при управлении таких особо опасных, технически и технологически сложных объектов народного хозяйства, как теплоэнергетические центры. Данное обстоятельство делает настоящее диссертационное исследование более чем актуальным.

Цель исследования. Повышение эффективности автоматизации и принятия решений при управлении сложными техническими объектами путем создания специализированного программного обеспечения и внедрения элементов искусственного интеллекта в автоматизированные системы управления и классификации на основе инструментария экспертных систем с формальным аналитическим аппаратом нечетких моделей знаний.

Для выполнения этой цели необходимо решить следующие задачи:

1. Анализ методологий, методов, моделей решения задачи автоматизации и принятия решений при управлении сложными объектами.

2.Разработать структуру системы автоматического адаптивного управления и ее формальное описание с использованием математического аппарата нечеткой логики.

3.Определить структуру базы знаний, состоящую из памяти истории управления и набора нечетких правил управления.

4.Разработать нечеткий алгоритм моделирования процесса распределения паровой нагрузки котельного оборудования на ТЭЦ с общей магистралью.

5.Решение задачи диагностирования тепловой электростанции на основе эксплуатационных технических характеристик агрегатных составляющих.

Методы исследований. В работе использованы методы теории распознавания образов, теории вероятностей и математической статистики, математического анализа, теории множеств, теории графов, математической логики, системного анализа, теории информации, искусственного интеллекта и построения баз данных и знаний.

Научная новизна.

¡.Формализована концептуально-логическая, экспертная модель представления предметных знаний о техническом состоянии объекта, представляющая собой семантическую сетевую структуру данных, наделённую свойствами: иерархичности, модульности, объектно-ориентированности.

2. Разработаны алгоритмы работы системы и основных ее блоков на основе нечеткой логики: именно, блока принятия решений и блока формирования правил управления.

3. Разработанный математический аппарат нечеткой логики позволяет вводить в систему правила управления, полученные на основании априорных знаний экспертов, и выраженные в форме, близкой к естественному языку. Этим значительно повышается качество управления на начальном этапе работы системы и сокращается время самообучения.

Практическая ценность.

Практическая ценность диссертационной работы заключается в следующем:

1. Предложена методика управления работой котельного оборудования ТЭЦ с общей магистралью.

2. Предложенные модели и методы адаптивного управления котельного оборудования ТЭЦ с общей магистралью доведены до конкретных алгоритмов.

3. Сформулирован и обобщен комплекс требований к программному обеспечению автоматизированного управления котельным оборудованием ТЭЦ с общей магистралью.

4. Создано алгоритмическое и программное обеспечение разработанного метода автоматизированного управления ТЭЦ.

В результате теоретических исследований создан программный комплекс управления ТЭЦ.

Разработанные программные продукты позволяют реализовать сетевую концептуальную модель представления знаний.

Практическая значимость работы подтверждается соответствующими актами внедрения.

Реализация и внедрение результатов работы.

Разработанные программные средства входят в состав «Программного комплекса исследования модели нечеткого распределения паровой нагрузки между котлоагрегатами ТЭЦ с общей магистралью «ВИРТЭЦ-НЛ», который используется для принятия решения о режиме управления ТЭС в условиях неполной информации. На данное программное обеспечение получено свидетельство о государственной регистрации программ для ЭВМ РОСПАТЕНТ № 2012611445 от 07.02.2012 г.

Данный программный продукт используется в научно-исследовательских работах в ЗАО "НВТ-Автоматика" (акт о внедрении). Разработанные методические принципы создания систем нечеткого управления использованы в учебном процессе при подготовке специалистов по специальности 220102 на кафедре «Автоматизированные системы управления и информационные технологии» Московского государственного университета приборостроения и информатики.

Достоверность полученных результатов. Достоверность полученных результатов подтверждена:

-экспериментальными данными и математическим моделированием предложенных методов на ПЭВМ;

-разработкой действующих программных средств, подтвержденных свидетельствами об официальной регистрации;

-результатами использования этих программ в ведущих организациях и предприятиях страны.

Апробация работы.

Основные положения и результаты диссертационной работы докладывались и обсуждались на кафедре «Автоматизированные системы и информационные технологии» Московского государственного университета приборостроения и информатики, на XIV Всероссийской научно-технической конференции «НИТ-2011» в г. Москве, на V всероссийской научно-технической конференции по имитационному моделированию и его применению в науке и промышленности «ИММОД-2011» в г. С.-Петербург, на XV Всероссийской научно-технической конференции «Новые информационные технологии» в 2012 в г. Москве.

Публикации.

По результатам исследования опубликовано 8 научных работ, в том числе 3 статьи в периодических изданиях, рекомендованном ВАК РФ. Получено свидетельство о государственной регистрации программ для ЭВМ в Российском агентстве по патентам и товарным знакам (РОСПАТЕНТ) РОСПАТЕНТ № 2012611445 от 07.02.2012 г.

Структура и объем работы.

Диссертационная работа состоит из введения, четырёх глав, заключения и списка литературы из 198 наименований и содержит 153 страницы машинописного текста, 28 рисунков и 16 таблиц.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обосновывается актуальность темы диссертационной работы, формулируются цели и задачи исследования, представляется общая характеристика работы.

В первой главе описана задача принятия решений при управлении ТЭЦ. Для создания системы управления предложено использовать автоматизированную систему обучения. Приведен обзор и сравнительный анализ существующих стратегий и методов в области автоматизированного управления. Показано, что в теории автоматизированного управления недостаточно освещен вопрос решения задач, связанных с неполной информацией. Подобные задачи имеют место, когда знаний, в качестве которого рассматривается информационная система, недостаточно для того, чтобы построить объяснение и/или доказательство некоторого наблюдаемого факта.

Обсуждаются основные понятия, используемые в диссертационной работе, анализируются существующие подходы к построению систем основанных на знаниях и их основные отличия от традиционных автоматизированных информационных систем (ИС), выделяются классы задач, решаемые ЭС в АСУ, рассматриваются инструментальные средства разработки ЭС в рамках выделенного критерия - степень автоматизации каждого из этапов жизненного цикла построения экспертных систем.

В результате анализа развития подходов к построению СОЗ выбор сделан в пользу «полномасштабных» подходов, учитывающих все этапы разработки. В качестве основной проблемы, возникающей в процессе разработки СОЗ, любым из рассмотренных подходов, выделен этап извлечения знаний и опыта решения задач проблемной области в компьютерную систему с возможностью их дальнейшего хранения и обработки.

Проведен анализ методов построения автоматизированных систем управления, которые основаны на использовании строгих математических моделей объектов. Однако, для подавляющего большинства как искусственных, так и естественных объектов управления (ОУ), которыми необходимо управлять, построение точных математических моделей практически невозможно ввиду их плохой формализуемости. К тому же, эти объекты могут функционировать в среде, свойства которой изменяются или же вообще не могут быть определены заранее. Управление такими объектами возможно только с использованием адаптивных принципов. В случае плохой формализуемости ОУ особый интерес вызывают системы, построенные на новых, интеллектуальных принципах. Эти системы используют наработки таких направлений искусственного интеллекта (ИИ) как нечеткая логика, экспертные системы, генетические алгоритмы, искусственные нейронные сети и т.д.

Доказано, что нечеткая логика дает возможность достаточно просто заложить в систему ААУ априорную информацию об объекте в виде нечетких правил управления, близость формы записи которых к естественному языку позволяет без особого труда получать необходимые знания у экспертов. Априорная информация обеспечивает одно из основных начальных условий системы, построенной по методу ААУ -условие максимальной начальной приспособленности. Соблюдение этого условия позволяет получить результат, аналогичный результату действия механизмов естественного отбора и передачи наследственной информации, присущих живым организмам.

Сформулирована постановка задачи исследования.

Вторая глава посвящена разработке нечеткого алгоритма распределения паровой нагрузки, позволяющего учитывать инерционность оборудования и минимизировать участие человека в процессе управления.

В диссертации для решения этого вопроса использовались нечеткие алгоритмы управления.

В соответствии с типовым циклом алгоритма нечеткого регулирования, нечеткие числа, получаемые в результате «не вполне точных измерений» используются для принятия решений на основе применения набора нечетких правил и генерации изменения режима подачи газа.

Конкретизированный алгоритм, иллюстрирующий процесс распределения паровой нагрузки котлоагрегатов на ТЭЦ с общей магистралью (рисунок 1).

Рисунок 1. Схема алгоритма распределения паровой нагрузки котлоагрегатов на ТЭЦ с общей магистралью Схема информационной модели представлена на рисунке 2. Функция системы отображения обеспечивает представление технологической информации на экранах мониторов в виде мнемосхем с различной детализацией, на которых воспроизводится информация о

текущем состоянии технологического процесса и значениях технологических параметров.

г-

Давление пара перед турбиной, Р

^ J

1-я входная переменная

Давление пара перед турбиной, Р

2-я входная переменная

Расход перегретого пара, Fnn

Обработка данных с помощью алгоритма нечеткой логики

База нечетких правил

Рисунок 2. Схема информационной модели

Важной составляющей информационного обеспечения для АСУТП регулирования паровой нагрузки с использованием алгоритма нечеткой логики является база знаний.

Для этого была разработана формализация концептуально-логической модели, представляющей собой инструмент для формализации предметных знаний. Разработаны правила формализованного представления предметных знаний и методика по их репрезентации в объектах разработанной модели визуально-объектного представления знаний.

Модель визуально-объектного представления знаний (ВМЗ) VK служит «прослойкой» (интерфейсом) между человеческим опытом, накопленным в процессе решения некоторой задачи и машинной формой их представления знаний, пригодной для обработки их на компьютере. Причём, возможность интерпретации синтезированных моделей на ЭВМ достигается за счёт разработки методов трансляции ВМЗ в форматированную БЗ и вывода заключений на основе знаний закодированных в БЗ. В основу модели ВМЗ положен иерархический метод репрезентации доменных знаний. В соответствии с этим в МПЗ присутствуют следующие категории предметно-независимых данных:

VK = Ud,l,.C.E.S),

где U - исходные данные (Initial data); h - экспертные знания, уточняющие исходные данные (Investigate); С - экспертные методы исследований и знания с решающими правилами (экспертные заключения); Е - объясняющие знания (Explain); S - решения и их способы (resolution).

Сетевая модель представления знаний ВМЗ в виде реализации ^(Р) разрабатываемых ЭС представляет собой ориентированный граф, состоящий из совокупности двух множеств: непустого, конечного множества вершин U и множества R неупорядоченных пар различных элементов множества U:

Mp),G[U.R) = {и,.и,, ....ufc.r„r,.....r„}, U * 0, Rc UxU,

где к = 1У1. число вершин графа <3;

п = 1Д1. число рёбер графа & Учитывая понятие инцидентности вершин и рёбер, принятое в теории графов, выражение (1) может быть представлено в виде множества отношений инцидентности на и или в виде совокупности неупорядоченных пар:

М(П) =

(и,и,),(и,,ит)...(«.• ,иг),...,{и3,ик) = Я (и,-,и,-) ^ } ¿=1 7 ч 7=1

Для осуществления хранения (представления) предметных знаний в реализации ВМЗ - ^Ф), предложено расширение модели за счёт внесения в неё следующих компонентов. Тогда расширенное определение примет следующий вид:

М{В) = (К.к.р.гЯ)

где ^Р) — представляет собой совокупность сведений в виде концептов и их взаимосвязей, описывающих предметную область Д структурированную согласно правилам представления знаний ВМЗ. К - класс - совокупность концептов к1,к2,...,к„ которые имеют общие для них свойства. Он представляет собой шаблон при инициализации его концептов.

к -концепт (атомарная информационная единица),- структурный (условно неделимый) информационный элемент , в котором хранятся сведения об объекте, событии или явлении, относящиеся к предметной области £>. р - свойство (метод) - идентифицируемая область в памяти, ассоциированная с концептом, предназначенная для хранения данных, включённых в данный концепт.

V — значение свойства — конкретная информация, размещённая в идентифицированной данным свойством области памяти.. Я - связь — представляет собой объект модели отражающий

информационные взаимосвязи между концептами предметной области.

Классы

Г К1 О ^ ... Кп Объекты

<Рг V. Р| /-"V ' /р2 \р- ^ ... ( ) Свойства

15(г 1у, 1у2

Рисунок 3. Иерархическая структура компонентов ВМЗ 10

Значения

Базовым элементом, положенным в основу разрабатываемой ВМЗ, является концепт, который, с одной стороны, является представителем некоторого класса и наследует его свойства, а, с другой стороны, определяется объединением вектора свойств р, , и соответствующего вектора значений V,:

Ь =р,иу,=((рьу|),(р2,у2),..., (р,,уО), к, с К;

Отношения концептов выделены в следующие типы конструкций, используемых в процессе переноса экспертных знаний в форму представления М<в>: один к одному; один ко многим (образует список частности); многие к одному (образует список причинности).

Используя данные типы конструкций, эксперт переносит накопленный опыт в реализацию ВМЗ Л/и| в соответствии с правилами, представленными в методике формализации знаний. Разработанная методика придерживается стратегии проектирования «сверху-вниз».

В результате полученные формализованные модели представления знаний могут быть представлены следующим выражением:

1,0) •» к/ ..

82= Г(к,№„. 1,(1) •> «ч ** • -Л

е.- к® ...Л ... Л

где Л/°> - модель формализуемой области Б; (5ь ■?„) - множество концептов, являющихся решениями в области О; кк) - к местная

функция, отражающая логические отношения между концептами применительно к решению Б;; к|(d,,..., к^Л) - концепты — экземпляры уровня исходных данных К(!|); к„{1) - концепты - экземпляры

уровня исследований К®; £Г(С>, к,{С\..., к0{С) - концепты - экземпляры уровня экспертных заключений К(с>; ку(Б), к„(5>,..., к/4 - концепты -экземпляры уровня решений К<5).

Знания, представленные в форме Л^', подвергаются специальному преобразованию в форматированную БЗ, которую можно будет интерпретировать методами, реализованными в комплексе ЭС.

В третьей главе предлагается способ объединения двух методов, а именно, метода автономного адаптивного управления (ААУ) и нечёткой логики, и построение системы ААУ на основе модернизированного математического аппарата нечеткой логики, с целью объединить концептуальность метода ААУ со сравнительной простотой нечетких систем управления.

В диссертации разработан математический аппарат нечеткой логики для систем ААУ.

Получена и представлена в базе знаний (БЗ) эмпирическая информация и решена задача принятия решений на основе найденных в этих знаниях закономерностей.

Для описания системы ААУ предлагается использовать нечеткие и лингвистические переменные, имеющие некоторые отличия от принятых в традиционной нечеткой логике.

Рисунок 4. Графическое представление функций принадлежности нечетких переменных

Нечеткая переменная, используемая в системе, характеризуется множеством: V = {Я, Р}, где Н - наименование нечеткой переменной, совпадающее с номером интервала (нечеткого множества) из диапазона значений физической переменной (рисунок 4), а Р — значение степени принадлежности физической переменной нечеткому множеству, соответствующему этому диапазону.

Лингвистическая переменная в системе представлена набором Z = {V. ..., V , L), где V, ..., V - значения нечетких переменных, а L -

1 Mo 1 Мо

уровень детализации лингвистической переменной, численно равный количеству интервалов, на которые разбивается диапазон значений физической переменной. Значение константы MQ равно максимальному

числу нечетких переменных, входящих в терм-множество этой лингвистической переменной, значение функций принадлежности для которых одновременно может принимать значения большие нуля. Значение MQ полностью определяется видом функции принадлежности:

для линейной и квадратичной функций MQ принимает значение 2, для

обратной квадратичной Мд равно 4.

Нечеткий образ характеризуется набором 0= {Z, ..., Z , Е), где Z, ..., Z

I No 1 No

- значения лингвистических переменных системы, количество которых определяется константой N , а Е - значение оценки данного образа,

вычисляемое по формуле:

min I min 1=1.....лг, l/=i.....м.

Li-tiHi-Li h

¿i J (2)

Такой вид формулы следует из предположения, что область с максимальной оценкой находится в центре диапазона значений любой физической переменной и большую оценку имеет та нечеткая переменная, которая находится ближе всех к середине диапазона с любой стороны от нее.

Для образа состояния объекта управления оценка Е означает близость образа к состоянию ОУ с минимальными отклонениями от заданных значений всех входных переменных. Для образа управляющего воздействия оценка характеризует, например, энергозатраты исполняющего органа при выполнении управляющего действия: значение выходной физической переменной, близкое к центру диапазона значений, означает отсутствие управляющего действия.

Пусть «память истории управления» состоит из образов текущего состояния ОУ Os и управляющего воздействия О^ и имеет вид конечной

последовательности:

{О , О } {О , О } —> {О , О }—>...—> {О ,0 },

1 SI ЛГ 1 S2 А2 1 S3 A3' 1 SNh ANh'

где N — количество образов в памяти истории управления.

Выраженное в лингвистической форме, правило управления ТЭЦ будет выглядеть следующим образом:

если Z есть V ИZ есть V , то Z есть V —> если Z есть V HZ

SI Sil S2 S12 А AI SI S21 SI

есть V , то Z есть V —>...—> если Z есть V HZ есть V , то Z

S22 А А2 SI Sil S2 Si2 А

есть V —* ...,

где Z , Z и Z - значения входных лингвистических переменных

SI S2 А

"давление пара" и "расход перегретого пара" и выходной "расход топлива", F , Vs } и V^ - конкретные значения нечетких переменных, с

которыми происходит сопоставление значений Z^, Z^ и Z^.

На уровне нечетких переменных правила управления хранятся в виде последовательности:

{{Я ,Р Л },{# ,Р ,L },{# ,L }}->...,

lv Sil Sil Sil' 1 Si2 Si2 Si2 Ai Ai"

где H и H - наименования входных нечётких переменных; Р и Р -

Sil Si2 Sil Si2

степени значимости данных нечётких переменных в г'-ом элементе правила; Z, и - уровень детализации лингвистических переменных, в

терм-множества которых входят эти нечеткие переменные, Н и L^ -

наименование и уровень детализации выходной нечеткой переменной.

Степень значимости Р нечёткой переменной в /-ом элементе правила

вычисляется как среднее значение степеней принадлежности входных

физических переменных нечётким переменным соответствующего образа при формировании правила из повторяющихся фрагментов истории управления. Этот принцип в некоторой степени соответствует назначению веса синапса в искусственных нейронных сетях, определяющему влияние значений входных и промежуточных переменных на результат, а также соответствует коэффициенту посылки в экспертных системах.

Работа элементов правил определяется минимаксной композицией

(2).

Выходное управляющее воздействие может вычисляться в соответствии с формулой нахождения средневзвешенной величины

ЪЪ (3)

где а ¡с - выходное воздействие правил, - степени принадлежности выходного управляющего воздействия нечеткой переменной, задаваемой этим правилом.

Разработана структура и основные принципы работы системы ААУ на основе нечеткой логики.

Общая структура системы, основные блоки которой с некоторыми изменениями заимствованы из базовой системы ААУ, изображена на рисунке 5.

База знаний системы - это совокупность памяти истории управления и набора нечетких правил управления. Последний также можно назвать базой знаний правил управления.

Среда в строгом смысле

Среда 8 узком смысле

Среда в широком смысле

Объект управления

Блок датчиков

Блок исполняющих органов

Управляющая система

* КО.

ж2(0...хтЦ)_

Блок ФРО (фаэзификация)

Блок оценки состояния ОУ

М1(1). М2«)...Мп(0

0(1)

Е(0(0)

Блок принятия решения (деффззификация)

АШ

Блок хранения истории управления

Блок формирования правил управления

База знаний (нечеткие правила управления)

Рисунок 5. Общая структура системы ААУ с использованием нечеткой логики

При формировании двух или более противоречащих друг другу правил в базу знаний заносится правило, имеющее наибольшее среднее

качество управления и наименьшие энергозатраты исполняющего органа. В зависимости от конкретной задачи разрабатываемой системы управления критерий выбора оптимального правила может варьироваться.

Противоречивыми правилами считаются правила, значения лингвистических переменных первых образов которых полностью совпадают, за исключением степени уверенности.

Набор правил управления в какой-либо точке пространства входных переменных считается точечно-полным, если в этой точке средняя степень принадлежности значений всех физических переменных входным множествам нечетких правил превышает некоторую априорно задаваемую величину Р. Набор правил управления считается полным, если среднее

значение степеней принадлежности превосходит Р во всех точках

пространства входных признаков.

Если на каком-то такте при текущих значениях входных переменных в соответствующей точке пространства условие полноты правил управления не выполняется, то при вычислении выходного управляющего воздействия сумма степеней принадлежности выходных нечётких переменных дополняется до значения Р случайной величиной,

тяготеющей к нулевому воздействию. Таким образом, происходит обучение системы управления при недостатке в базе знаний эмпирической информации в виде нечетких правил.

Помимо динамического формирования правил управления, свойства адаптивности системы стабилизации обеспечиваются механизмом удаления неадекватных текущим условиям правил: у каждого правила управления имеется счётчик сбоев, который увеличивается на единицу при каждом срабатывании правила, не приведшем к ожидаемому результату (образу с максимальной оценкой). После хотя бы одного удачного выполнения правила счётчик сбрасывается. Превышение счётчиком некоторой априорно задаваемой величины С говорит об изменении

свойств объекта или внешней среды, после чего данное правило нельзя больше использовать для управления объектом. В этом случае правило удаляется из базы знаний.

При превышении степеней принадлежности всех нечётких переменных распознанного образа, какого-либо правила порогового значения Р, задаваемого априорно, примем, что ситуация управления

развивается по данному правилу. Примем также, что правило сработало, если это условие выполнялось в течение определенного количества тактов, равного половине длины правила. Если существует несколько правил, для которых выполняется условие, то в рассмотрение попадает каждое из них. Если на последующем такте управления суммарная степень принадлежности нечётким переменным становится ниже порога Р, то

данное правило выпадает из рассмотрения. Но если при этом отношение

5ит(Рг) Ыг

где - количество образов(тактов управления) входящих в правило) превышает априорно задаваемую величину Рто считается, что это правило сработало с отрицательным результатом и значение счётчика сбоев этого правила увеличивается на единицу.

Если при формировании нового правила в базе знаний отсутствует место для его сохранения, то из набора существующих правил могут быть удалены правила в соответствии со следующими критериями (в порядке убывания значимости): с наибольшим значением счетчика сбоев, наименьшим средним качеством управления, наибольшей длиной и энергозатратами.

Блок принятия решений вычисляет степени принадлежности значений выходных воздействий выходных нечётких переменных каждого правила в соответствии с основными операциями над нечёткими множествами, подставляя в посылки правил степени принадлежности входных переменных соответствующих нечётким образам. Далее по вычисленным степеням принадлежности находится значение выходного воздействия в соответствии с формулой (3).

В процессе управления используются все правила, находящиеся в базе знаний. При этом правила, нечеткие переменные которых имеют отличный от текущего уровень детализации, влияют на результирующее выходное воздействие с некоторым поправочным коэффициентом, равным

Ы.

, где Ь, - значение текущего уровня детализации ¡-ой лингвистической переменной, а Ь — уровень детализации соответствующей нечеткой переменнойу'-ого правила управления.

Уровень детализации вычисления выходного управляющего воздействия может поддерживаться на уровне округленного в большую сторону среднего значения уровней детализации всех входных лингвистических переменных.

Увеличение общего уровня детализации происходит при

достижении полноты системы правил управления, в то время как среднее качество управления не превышает некоторой априорно заданной

величины Е.

Повышение уровня детализации Ь одной из входных лингвистических переменных производится также при нахождении двух повторяющихся последовательностей образов в истории управления, в которых одно и то же управляющее воздействие при одних и тех же начальных условиях приводит к переходу объекта управления в различные состояния. Причем эти состояния отличаются друг от друга именно значением этой лингвистической переменной.

Исполняющий орган выполняет управляющие воздействия M(f), пытаясь изменить тем самым параметры внешней среды по отношению к объекту управления.

В четвертой главе на основе модернизированного метода ААУ были построены две программные модели для управления расходом топлива "давление пара" и "расход перегретого пара" и выходной "расход топлива".

Кроме сокращения времени обучения на начальном этапе, построение системы ААУ на нечетких принципах позволило примерно в 4 раза сократить объем базы знаний при сохранении высокого качества управления.

В четвертой главе представлена программная реализация методов и алгоритмов, разработанных в предыдущих главах диссертационного исследования.

Проведена апробация разработанных моделей и алгоритмов принятия решений при управлении ТЭЦ.

По полученным в предыдущих главах результатам разработаны структуры и диалоговые процедуры информационно-вычислительного комплекса.

Разработанный программный комплекс предназначен для автоматизации принятия решений при управлении котельным оборудованием ТЭЦ с общей магистралью.

Разработана система различных меню, многопользовательский интерфейс, набор управляющих элементов.

Данный программный комплекс работает под управлением операционных систем семейства Windows.

Проектирование программного комплекса принятия решений при управлении котельным оборудованием ТЭЦ с общей магистралью осуществлялось на базе объектно-ориентированных технологий.

Исследована эффективность разработанного программного комплекса. Осуществлена проверка его работоспособности на предприятиях ТЭЦ.

Приведено описание разработанной методики управления и принятия решений при управлении узлами ТЭЦ.

Разработанный программный комплекс был использован в проекте в ЗАО "НВТ-Автоматика", г. Москва (акт о внедрении) при проведении научных исследований в области создания АСУТП ТЭЦ нового поколения.

В заключении изложены основные результаты и выводы по диссертационной работе.

ОСНОВНЫЕ РЕЗУЛЬТЫ РАБОТЫ

1. Проведен анализ методологий, методов, моделей решения задачи автоматизации и принятия решений при управлении сложными объектами.

2. Обоснован комплекс технических параметров определяющих состояние объекта и их отношений на основе графа семантических сетей и реализации информационной технологии визуального моделирования (для котельного оборудования ТЭЦ с общей магистралью).

3. Разработана структура системы автоматического адаптивного управления и ее формальное описание с использованием математического аппарата нечеткой логики.

4. Определена структура базы знаний, состоящую из памяти истории управления и набора нечетких правил управления.

5. Разработан нечеткий алгоритм моделирования процесса распределения паровой нагрузки котельного оборудования на ТЭЦ с общей магистралью.

6. Разработан программно-инструментальный комплекс, автоматизирующий процесс управления котельным оборудованием ТЭЦ с общей магистралью, обеспечивающий высокую производительность и гарантирующий качество формальных решений.

Основные публикации по теме диссертации Статьи в журналах, рекомендованных ВАК.

1. Новиков ДБ. Нечеткий алгоритм и моделирование процесса распределения паровой нагрузки на ТЭЦ с общей магистралью. Промышленные АСУ и контроллеры. №2, 2012. сс.20-24.

2. Новиков Д.Б., Васина М.Н., Круг П.Г. Методы распределения паровой нагрузки на ТЭЦ с поперечными связями. Промышленные АСУ и контроллеры. Ха7, 2011. сс.19-24.

3. Новиков Д.Б., Круг П.Г., Функциональная структура АСУТП тепловой электрической станции. Промышленные АСУ и контроллеры. №3,2012. сс.1-6.

Публикации в других изданиях

4. Новиков Д.Б., Васина М.Н., Круг П.Г., Повышение энергоэффективности автоматического управления паровой нагрузкой тепловых электрических станций с поперечными связями. Сб. трудов XIV Всероссийской научно-технической конференции НИТ-2011 - М.: МГУПИ. 2011, сс.138-146.

5. Новиков Д.Б. Имитационное моделирование процесса регулирования паровой нагрузки на ТЭЦ с общей магистралью. V всероссийская научно-техническая конференция по имитационному моделированию и его применению в науке и промышленности. ИММОД-2011. С.-Петербург. 2 том. сс. 190-194.

6. Новиков Д.Б. Моделирование распределения паровой нагрузки на ТЭЦ с общей магистралью. Сб. трудов XV Всероссийской научно-технической конференции «Новые информационные технологии». 2012-М.: МГУПИ. 2012, сс.54-60.

7. Новиков Д.Б., Круг П.Г. Автоматизированная система управления паровых и электрических нагрузок на ТЭЦ с общей магистралью. Сб. трудов XV Всероссийской научно-технической конференции «Новые информационные технологии». 2012 -М.: МГУПИ. 2012, сс.138-143.

Авторские свидетельства, патенты, информационные карты и алгоритмы

8. Новиков Д.Б., Круг П.Г. Программный комплекс исследования модели нечеткого распределения паровой нагрузки между котлоагрегатами ТЭЦ с общей магистралью «ВИРТЭЦ-НЛ». Свидетельство о госрегистрации программы для ЭВМ №2012611445 от 07.02.2012 г.

Подписано в печать: 09.04.2012 Объем: 1,0 усл. п.л. Тираж: 100 экз. Заказ № 104 Отпечатано в типографии «Реглет» 119526, г. Москва, Страстной бульвар, д. 6, стр. 1 (495) 978-43-34; www.reglet.ru

Оглавление автор диссертации — кандидата технических наук Новиков, Дмитрий Борисович

Список условных сокращений и обозначений.

Введение.

Глава 1. Анализ методологий, методов, моделей решения задачи принятия решений при управлении сложными объектами.

1.1 .Аналитический обзор информационных источников.

1.2. Классификационные различия в методологиях построения систем основанных на знаниях.

1.3.Методы формализованного представление знаний в системах основанных на знаниях.

1.4.Экспертные системы и автоматизированные системы управления

1.5.Достижения инструментальных средств разработки экспертных систем.

1.6.Постановка задачи исследования.

1.7.Основные результаты по первой главе.

Глава 2. Создание нечеткого алгоритма моделирования процесса распределения паровой нагрузки на ТЭЦ с общей магистралью на основе формализации знаний проблемной области.

2.1.Разработка функциональной структуры автоматизированной системы нечеткого распределения паровой нагрузки.

2.2. Разработка имитационной модели регулирования паровой нагрузки ТЭЦ с общей магистралью.

2.3. Разработка нечеткого алгоритма, лингвистических переменных и нечетких правил и программного обеспечения.

2.4. Назначение и принципы модели представления знаний.

2.5. Средства представления знаний визуально-объектной модели знаний.

2.6. Методика формализованного представления знаний в виде визуальной модели знаний.

2.7.Основные результаты по второй главе.

Глава 3. Разработка структуры системы автоматического адаптивного управления и ее формальное описание с использованием математического аппарата нечеткой логики.

3.1. Исследование технологического процесса преобразования энергии на тепловых электрических станциях.

3.2. Исследование видов и режимов работы ТЭЦ.

3.3. Обзор, классификация и сопоставление методов регулирования распределения паровой нагрузки.

3.4. Разработка требований к автоматизированной системе нечеткого распределения паровой нагрузки между котлоагрегатами и критериев регулирования.

3.5.Применение нечеткой логики в имитационной системе автоматического адаптивного управления.

3.6. Основные результаты по третьей главе.

Глава 4.Решение задачи диагностирования тепловой электростанции на основе эксплуатационных технических характеристик агрегатных составляющих.

4.1. Предметный анализ области диагностирования котельного оборудования ТЭЦ.

4.2. Требования к автоматизированной системе диагностики котельного оборудования ТЭЦ.

4.3. Выбор средства реализации системы диагностики.

4.4. Структура системы диагностики.

4.5. Возможности системы диагностики.

4.6. Оценка алгоритмического обеспечения системы диагностики.

4.7. Формализация требований к функциям диагностической экспертной системы котельного оборудования ТЭЦ.

4.8. Реализация ЭС «Диагностирование котельного оборудования

ТЭЦ».

4.9.Основные заключения по четвертой главе.

Введение 2012 год, диссертация по информатике, вычислительной технике и управлению, Новиков, Дмитрий Борисович

Опыт эксплуатации теплоэлектроцентралей или тепловых электростанций (ТЭЦ) все больше подтверждает возрастающее влияние «человеческого фактора» на их эксплуатационную надежность, несмотря на широкое использование систем автоматического управления и аварийно-предупредительных средств оповещения. При этом непрерывное усложнение технических решений, которые находят свое применение в том или ином техническом объекте ТЭЦ, предъявляет требования к постоянному повышению квалификации обслуживающего персонала. Отмеченные факторы позволяют отнести данную сферу человеческой деятельности к числу информационно-насыщенных систем.

Наибольший вклад в решение научной проблемы мониторинга сложных объектов внесен отечественными учеными: Борисенко К.П., Бугаевым A.C., Горкуновым Э.В., Евтушенко Ю.Г., Журавлевым Ю.И., Зубаревым Ю.Б., Ивановым K.M., Касапенко Д.В., Ковалевым A.B., Леоновым Б.И., Матросовым B.JL, Оводенко A.A., Тихоновым А.Н., Ткаченко С.И., Шахматовым Е.В.

Таким образом, существующие тенденции широкого использования интеллектуальных методов обработки больших объемов данных, а также рост плотности и неопределенности информационных потоков при контроле состояния и функционирования сложных систем, приводят к необходимости создания интеллектуальной системы принятия решений при управлении таких особо опасных, технически и технологически сложных объектов народного хозяйства, как тепловые электрические станции. Данное обстоятельство делает настоящее диссертационное исследование более чем актуальным.

Цель исследования. Повышение эффективности принятия решений при управлении сложными техническими объектами путем создания специализированного программного обеспечения и внедрения элементов искусственного интеллекта в автоматизированные системы управления и классификации на основе инструментария экспертных систем с формальным аналитическим аппаратом нечетких моделей знаний.

Для выполнения этой цели необходимо решить следующие задачи:

1. Провести анализ методологий, методов, моделей решения задачи принятия решений при управлении сложными объектами.

2. Разработать структуру системы автоматического адаптивного управления и ее формальное описание с использованием математического аппарата нечеткой логики.

3. Определить структуру базы знаний, состоящую из памяти истории управления и набора нечетких правил управления.

4. Разработать нечеткий алгоритм моделирования процесса распределения паровой нагрузки на ТЭЦ с общей магистралью.

5. Решить задачу диагностирования тепловой электростанции на основе эксплуатационных технических характеристик агрегатных составляющих.

Научная новизна.

1. Формализована концептуально-логическая, экспертная модель представления предметных знаний о техническом состоянии объекта, представляющая собой семантическую сетевую структуру данных, наделённую свойствами: иерархичности, модульности, объектно-ориентированности.

Практическая ценность.

Практическая ценность диссертационной работы заключается в следующем:

1. Предложена методика управления нагрузкой котельного оборудования ТЭЦ с общей магистралью.

2. Предложенные модели и методы адаптивного управления нагрузкой котельного оборудования ТЭЦ с общей магистралью доведены до конкретных алгоритмов.

4. Создано алгоритмическое и программное обеспечение разработанного метода автоматизированного управления ТЭЦ

В результате теоретических исследований создан программный комплекс нагрузкой котельного оборудования ТЭЦ.

Практическая значимость работы подтверждается соответствующими актами внедрения.

Реализация и внедрение результатов работы

Разработанные программные средства входят в состав «Программного комплекса исследования модели нечеткого распределения паровой нагрузки между котлоагрегатами ТЭЦ с общей магистралью «ВИРТЭЦ-НЛ», который используется для принятия решения о техническом состоянии ТЭЦ в условиях неполной информации. На данное программное обеспечение получено свидетельство о государственной регистрации программ для ЭВМ РОСПАТЕНТ № 2012611445 от 07.02.2012 г. (см. приложение 1).

Данный программный продукт используется в научно-исследовательских работах в ЗАО "НВТ-Автоматика" (см. приложение 2.).

Разработанные методические принципы создания интеллектуального классификатора использованы в учебном процессе при подготовке специалистов по специальности 220102 на кафедре «Автоматизированные системы управления и информационные технологии» Московского государственного университета приборостроения и информатики (см. приложение 3).

Достоверность полученных результатов. Достоверность полученных результатов подтверждена:

-экспериментальными данными и математическим моделированием предложенных методов на ПЭВМ;

-разработкой действующих программных средств, подтвержденных свидетельствами об официальной регистрации;

-результатами использования этих программ в ведущих организациях и предприятиях страны.

Апробация работы. Основные положения и результаты диссертационной работы докладывались и обсуждались на кафедре «Автоматизированные системы и информационные технологии» Московского государственного университета приборостроения и информатики, на XIV Всероссийской научно-технической конференции «НИТ-2011» в г. Москве, на V всероссийской научно-технической конференции по имитационному моделированию и его применению в науке и промышленности «ИММОД-2011» в г. С.-Петербург, на XV Всероссийской научно-технической конференции «Новые информационные технологии» в 2012 в г. Москве.

Публикации.

Структура и объем работы.

Диссертационная работа состоит из введения, четырех глав, заключения и списка литературы из 111 наименований и содержит 160 страниц машинописного текста, 28 рисунков, 15 таблиц и приложения на 4 страницах.

Заключение диссертация на тему "Метод и алгоритмы принятия решений при управлении сложными объектами на основе экспертных систем"

3.6. Основные результаты по третьей главе

1. Основным недостатком рассмотренных методов является отсутствие обоснованных решений для обязательного учета возраста и инерционности оборудования, а также других ограничений на использование оборудование ТЭЦ. В то же время, производство электроэнергии на ТЭЦ с общей магистралью требует эффективного регулирования распределения электрической и тепловой нагрузок, особенно при числе агрегатов больше трех.

2. Оптимальное распределение паровых нагрузок между котлоагрегатами ТЭЦ с общей магистралью зависит от суперпозиции значений большого числа контролируемых параметров и практически не формализуемо. Применение рассмотренных методов распределения нагрузок не позволяет в полной мере учитывать инерционность оборудования и неспособно существенным образом повышать энергоэффективность.

3. Таким образом, технологический (тепловой) процесс на ТЭЦ достаточно полно отражается принципиальной схемой её тепловой части (тепловой схемой). Последняя определяет связи между основным и вспомогательным оборудованием в пределах замкнутого пароводяного контура ТЭЦ по пару, воде и конденсату.

4. Вид тепловой схемы зависит от конструктивных особенностей теплового оборудования и требований, предъявляемых к его работе с точки зрения возможных эксплуатационных режимов (пуск и холостой ход, работа при расчетных и пониженных нагрузках и др.). Тепловая схема разрабатывается с учетом требований экономичности (наличие или отсутствие промежуточного перегрева пара, степень регенерации теплоты турбины и др.), надежности (наличие или отсутствие резервных вспомогательных установок и линии связи и др.) и управления (простота операций по переходу с одного режима работы на другой, возможность изменения направлений и расходов потоков пара, воды, конденсата и др.).

5. Основной результат представленной работы состоит в том, что был расширен математический аппарат нечеткой логики, это позволило использовать нечеткую логику в системах ААУ. В частности: а) разработана структура системы ААУ и ее формальное описание с использованием математического аппарата нечеткой логики; б) разработаны алгоритмы работы системы и основных ее блоков на основе нечеткой логики: именно, блока принятия решений и блока формирования правил управления; в) определена структура базы знаний, состоящая из памяти истории управления и набора нечетких правил управления.

По отношению к базовой версии системы ААУ, предлагаемая система обладает следующими преимуществами: а) новая система имеет в 2-4 раза меньший объем базы знаний при одинаковом качестве управления; б) использование математического аппарата нечеткой логики позволяет вводить в систему правила управления, полученные на основании априорных знаний экспертов, и выраженные в форме, близкой к естественному языку. Этим значительно повышается качество управления на начальном этапе работы системы и сокращается время самообучения; в) система способна автоматически определять необходимую для заданного качества управления точность представления входных и выходных данных.

В ходе дальнейших исследований предполагается разработать формальную модель нейрона с использованием математического аппарата нечеткой логики, тем самым приблизив функциональные свойства модели нейрона к его биологическому оригиналу.

Правила нечеткой логики могут быть использованы для построения структуры нейроноподобной сети. В процессе исследований предполагается разработать метод формирования таких правил путем анализа эмпирической информации, накопленной объектом управления на начальном этапе своего функционирования, а также методы объединения и минимизации нечетких правил с целью оптимизации структуры управляющей системы. Для целей оптимизации могут быть применены различные методы логического вывода, используемые в булевой алгебре и логике предикатов, адаптированные к нечеткой логике.

Развитие различных методов оптимизации базы знаний должно открыть возможности построения знаний над знаниями, получения нечетких правил (образов) более высокого порядка, что может перевести исследования на новый уровень - к построению иерархических управляющих систем.

ГЛАВА 4. РЕШЕНИЕ ЗАДАЧИ ДИАГНОСТИРОВАНИЯ ТЕПЛОВОЙ ЭЛЕКТРОСТАНЦИИ НА ОСНОВЕ

ЭКСПЛУАТАЦИОННЫХ ТЕХНИЧЕСКИХ ХАРАКТЕРИСТИК АГРЕГАТНЫХ СОСТАВЛЯЮЩИХ

4.1. Предметный анализ области диагностирования котельного оборудования ТЭЦ

Задача диагностирования котельного оборудования заключается в своевременном обнаружении дефектов возникших в процессе его эксплуатации, а также нахождение мест и причин их возникновения. В конечном итоге решённая задача диагностирования должна указывать на способ приведения технического состояния объекта диагностирования в соответствие его номинальным техническим требованиям. Рассмотрим основные понятия, используемые в формализуемой предметной области, и характерные для неё особенности.

Техническая диагностика - область знаний о распознавании состояния технических систем (объектов) в условиях ограниченного объёма информации, исследующая формы проявления технического состояния, разрабатывающая методы и средства его определения [9].

Техническое диагностирование - процесс контроля и прогнозирования и технического состояния объекта диагностирования [28].

Диагностирование оборудования - процесс заключающейся в определении его технического состояния с заданной точностью [12]. Характерной особенностью объектов технического диагностирования котельного оборудования является их комплексная архитектура. Широк и диапазон решаемых задач, методов и средств диагностирования.

Диагностический параметр (признак) - параметр объекта, количественно или качественно характеризующий ТС объекта. Диагностические параметры П условно подразделяются на три типа :

Пвх - внешние условия и управляющие воздействия по отношению к объекту диагностирования, (положение органов управления, характер подачи топлива и т.п.).

Пвь,х. - параметры, отражающие поведение объекта при его функционировании;

ПВНутр - параметры, определяющие структуру объекта и характеризующие рабочие процессы, происходящие внутри его.

Диагностическая модель - формализованное описание объекта ТД, необходимое для решения задач диагностирования. Представляется в аналитической, табличной, векторной и графической нотациях.

Средство диагностирования - аппаратура и программы, с помощью которых осуществляется диагностирование.

Система диагностирования - совокупность средств диагностирования и распознающего устройства, классифицирующего принадлежность диагностических параметров определённому классу состояния ОД.

Диагностические параметры котельного оборудования ТЭЦ различаются по информативности, доступности и стоимости измерения, степени локализации возникшего дефекта.

Информативность параметра характеризует количество информации о состоянии двигателя и её значимость. По этому критерию различают: высоко-, средне, и низко информативные сигналы.

По доступности и стоимости измерения выделяют три группы параметров:

- простые, эти значения могут быть получены легко устанавливаемы- ми, простыми или штатными средствами измерения и диагностирования (термопары, манометры, тахометры и т.д.);

- средние, значения параметров этой группы могут быть измерены приборами средней сложности или простыми, но относительно трудоёмкими в установке (рЬ-метры, индикаторы, газоанализаторы, и т.п.);

- сложные, сложными и дорогостоящими измерительными средствами (осциллографы, виброаккустическая аппаратура, и другие комплексы измерительных средств).

По степени локализации возникшего дефекта диагностические параметры выделяют в группы, позволяющих определить: техническое состояние отдельного узла, нескольких или группы элементов или диагностируемого объекта в целом (работоспособен / неработоспособен).

Использование выделенных групп диагностических параметров и соответствующих им методов технической диагностики обуславливаю создание трёхуровневой системы диагностирования котельного оборудования ТЭЦ. [12]

Общая система рабочего диагностирования применятся для проверки состояния установки в целом, при этом используются параметры с высокой информативностью, доступностью измерения и низкой степенью локализации.

Локальные групповые системы диагностирования обеспечивают проверку состояния и поиск дефектов нескольких элементов, имеющий общий характер проявления дефектов.

Локальные специализированные системы диагностирования с помощью этих систем достигается возможность определения дефектов отдельных элементов котельного оборудования ТЭЦ.

Основными элементами, параметры которых учитываются при проведении ТД котельного оборудования ТЭЦ, являются:

- газораспределительная система;

- система водоподготовки;

- барабан котла;

- паровой тракт;

- тягодутьевые механизмы.

По результатам методов диагностирования, можно будет говорить только о характере возникшей неисправности, но никак о её локализации.

Центральным признаком, характеризующим работоспособность котельного оборудования ТЭЦ, является КПД котлоагрегатов.

Косвенными признаками неисправного состояния являются:

- повышенный расход топлива;

- усиление шумности работы котла;

- повышенное содержание продуктов сгорания;

- скачки давления в трубопроводах;

- пониженное разрежение в топке котла;

- ухудшение показателей котловой воды.

Интегральным показателем, характеризующим работоспособность котельного оборудования, является КПД котла.

4.2. Требования к автоматизированной системе диагностики котельного оборудования ТЭЦ

Основываясь на том, что каждая разрабатываемая система должна отвечать определенным параметрам, для решения задачи диагностики в настоящей диссертационной работе были сформулированы следующие требования.

1. Система должна быстро и доступно адаптироваться под различные предметные области, в которых необходимо решить задачу диагностики.

2. Интерфейс системы должен быть удобным для использования, обучение пользованию - легким, используемая терминология - привычной для пользователей.

3. Выводимые системой результаты должны быть развернутыми, содержательными и понятными рядовому пользователю.

4. Система должна уметь генерировать поясняющие тексты, в которых содержались бы алгоритмы действий к устранению возможных дефектов и неполадок диагностируемого объекта.

5. Система должна предусматривать возможность выдавать результат своей работы (решения задач, поясняющие тексты) в форматах распространенных текстовых редакторов.

4.3. Выбор средства реализации системы диагностики

Искусственный интеллект сформировался как отдельная область знаний и продемонстрировал свою применимость для решения многих практических задач на основе языка Prolog. Однако в последнее время удельный вес этого языка при решении задач искусственного интеллекта несколько снизился. Это объясняется требованиями к разработке программных систем. Системы искусственного интеллекта зачастую служат моделями других больших приложений, поэтому стандарты разработки приводят к необходимости использования единого языка программирования для всего приложения.

Современные системы искусственного интеллекта реализуются на многих языках, включая Smalltalk, С, С++ и Java. Тем не менее, Prolog продолжает играть свою роль в разработке прототипов программ и новых методов решения задач. Кроме того, этот язык служит для обоснования многих средств, которые впоследствии включаются в современные языки программирования.

Наиболее ярким примером является язык Java, в котором используются динамическое связывание, автоматическое управление памятью и другие средства, впервые реализованные в языках программирования задач искусственного интеллекта.

Язык программирования Java - это полностью объектно-ориентированный язык, который в отношении синтаксиса многое унаследовал от С++. При этом язык Java в синтаксическом отношении проще и логичнее, чем С++. Одним из главных преимуществ Java является межплатформенность. Данный язык удобен для создания серверных приложений благодаря использованию Java сервлетов и технологии JSP. Помимо этого, язык Java обеспечивает удобный механизм взаимодействия с базами данных, что может быть полезным при дальнейшем развитии информационной системы.

Учитывая описанные характеристики языка Java, в дальнейших исследованиях настоящей работы он будет выполнять функции языка реализации поставленной в диссертации задачи.

4.4. Структура системы диагностики

В основу программной реализации задачи выявления причинно-следственных связей и диагностики технических систем положены алгоритмы работы нахождения рационального решения на основе нечеткой логики.

Основными компонентами программного средства поиска дефектов технических систем являются:

1) подсистема сохранения информации в текстовый файл специального формата;

2) подсистема восстановления информации о проблемной области из текстового файла специального формата;

3) подсистема базы знаний;

4) получение решения с помощью алгоритма нечеткой логики;

5) подсистема настройки параметров.

Инструментальное средство выявления причинно-следственных связей реализовано с помощью языка программирования Java как простое консольное приложение для использования в ОС Windows.

4.5. Возможности системы диагностики

Система диагностики позволяет выявлять причинно-следственные связи рассматриваемых технических систем. Она не является стандартной системой диагностики. Суть проблемы, решаемой ею, состоит в обучении по частным признакам, наблюдаемым факторам уже сложившейся ситуации, случившегося действия.

Возможности системы выявления причинно-следственных связей и диагностики технических систем не ограничены областью задач обучения. На основе выводов (формирование базы знаний), получаемых на этапе обучения, решается более сложная задача генерации поясняющих текстов, заключений, обучающих протоколов (инструкций к действию), что используется в системах реального времени.

Представленная система может быть использована не только для диагностики технических систем, но и как система подготовки специалистов на предприятиях. Программный комплекс генерирует множество протоколов, на основании которых изучаются возможные осложнения в процессе работы той или иной технической системы, выявление и классификация неполадок и т.п. Систему можно использовать в качестве тренажера и/или тестирования уровня подготовки специалистов на предприятии.

4.6. Оценка алгоритмического обеспечения системы диагностики

В настоящее время программные средства и информационные системы рассматриваются как новые, специфические рыночные продукты, для которых такие показатели, как качество, информационная безопасность и надежность функционирования, во многом определяют их экономическую эффективность и возможность их реализации и применения [35]. Теории и методы управления качеством программных продуктов рассматриваются сегодня как новое направление в управлении качеством продукции, в связи с чем, разрабатываются специальные методы оценок систем [27], [36]. По определению терминологического стандарта ИСО 8402 под качеством понимается «совокупность характеристик объекта, относящихся к его способности удовлетворять установленные и предполагаемые потребности».

Для конкретных программных систем предпочтения по критериям качества формируются на этапе их проектирования и определяются требованиями технического задания, отражающего функциональное назначение и специфику области применения разрабатываемой программной системы.

Программы для современных компьютеров, рассматриваемые как объекты проектирования и разработки, могут быть охарактеризованы следующими обобщенными показателями [27], которые существенно влияют на решения по алгоритмическому обеспечению.

1. Техническое назначение программ и проблемно-ориентированная область применения. Уточнение этого обобщенного показателя в техническом задании приводит к формулировке конкретных ограничений, например, по временной и/или емкостной эффективности программных реализаций.

2. Тип решаемых функциональных задач. Этот показатель определяет в смысле алгоритмического обеспечения множество существующих алгоритмов решения этих задач, при этом выбор и/или разработка рациональных алгоритмов является одной из важных задач при создании эффективных программ.

3. Объем и сложность совокупности программ, и их информационное обеспечение в разрабатываемой программной системе.

4. Требуемые значения характеристик качества функционирования программ и величина допустимого риска.

В настоящее время существует целый ряд стандартов в области характеристик качества программных систем, достаточно полно изложенных в [27].

Из совокупности общих характеристик качества можно выделить следующую группу характеристик, на которые оказывают существенное влияние решения, принятые на этапе разработки алгоритмического обеспечения.

1. Временная эффективность - способность программы выполнять заданные действия в интервале времени, отвечающем заданным требованиям.

2. Используемость ресурсов или ресурсоемкость - минимально необходимые вычислительные ресурсы при эксплуатации программных систем. С точки зрения рациональных алгоритмических решений речь идет, в первую очередь, о ресурсах оперативной и внешней памяти.

3. Анализируемость - возможность прогнозирования временной эффективности и ресурсоемкости программных систем, во многом определяемой принятыми на этапе разработки математического обеспечения алгоритмическими решениями.

4. Изменяемость или модифицируемость - обеспечение простоты внесения необходимых изменений и доработок в программу в процессе эксплуатации, определяемая не только качеством программирования, но и «читаемостью» используемых алгоритмов.

5. Стабильность - устойчивая работоспособность программной системы в области входных данных, определяемой спецификой применения, обеспечиваемая не только тщательностью программирования «особых» ситуаций с данными, но и алгоритмическими решениями.

6. Тестируемость - полнота проверки возможных маршрутов выполнения программы в ограничениях решаемой задачи, задаваемых проблемной областью применения.

Для доказательства рациональности предложенного программного обеспечения следует провести оценку его качества. Сделать это можно путем сравнительного анализа по вышеописанным характеристикам. Для сравнения возьмем реализацию абдуктивного вывода (АВ) с помощью логического языка программирования Пролог и предложенные в настоящей работе алгоритм нечеткий логики и язык программирования Java (см. таблицу 14).

ЗАКЛЮЧЕНИЕ

Современный этап развития общества характеризует появление наукоёмких и высокотехнологичных областей, а также областей, связанных с управлением сложными техническими объектами и их сопровождением в процессе эксплуатации. Большинство таких сфер человеческой деятельности характеризуются накоплением больших объемов разнородных информационных ресурсов. Отсутствие единых правил структуризации накапливаемых знаний, их децентрализованное хранение и обработка неизбежно приведёт к затруднению их сбора со стороны лица, принимающего решения в предметной области. Это, в свою очередь, повлечет принятие неэффективных и, более того, небезопасных управленческих решений. Данный факт ставит на первый план задачи разработки и внедрения интеллектуальных информационных систем и поддержки принятия решений в отмеченные информационно- насыщенные сферы.

Приведённые в настоящей работе научно-практические материалы свидетельствуют о том, что наиболее эффективным решением отмеченных проблем является разработка экспертных систем с помощью предложенной технологии автоматизированного проектирования. В результате проведённых в диссертационной работе научно-практических исследований получены следующие результаты:

Предложенная в настоящей диссертационной работе методика выявления причинно-следственных связей легла в основу разработанной автоматизированной системы диагностики технических систем ТЭЦ, которая прошла успешные испытания, и внедрена в МГУПИ, ЗАО "НВТ-Автоматика", что подтверждается актами о внедрении (см. приложение 2,3).

Библиография Новиков, Дмитрий Борисович, диссертация по теме Математическое и программное обеспечение вычислительных машин, комплексов и компьютерных сетей

1. Абламейко C.B., Лагуновский Д.М. Обработка изображений: технология, методы, применение.—Мн.: Амалфея, 2000. — 304 с.

2. Автоматизированные информационные системы / H.A. Криницкий, ГА. Миронов, Г.Д. Фролов; под ред. A.A. Дородницына. — М.: Наука. Главная редакция физико-математической литературы, 1982.—384 с.

3. Адаменко А.Н., Кучков A.M. Логическое программирование и Visual Prolog. СПб.: БХВ-Петербург, 2003. - 992 с.

4. Алгоритмы и программы восстановления зависимостей / Под ред. В.Н. Вапника.—М.: Наука, 1984. — 816 с.

5. Ахо, Альфред, В., Хопкрофт, Джон, Ульман, Джефри, Д. Структуры данных и алгоритмы. /Пер. с англ.: М.: Издательский дом «Вильяме», 2001. -384с.

6. Базы знаний интеллектуальных систем: Учеб. пособие для вузов / Т. А. Гаврилова, В.Ф. Хорошевский.—СПб.: Питер, 2000. — 384 с.

7. Барабаш Ю.Л. Коллективные статистические решения при распознавании. М.: Радио и связь, 1983. — 224 с.

8. Биргер И.А. Техническая диагностика. М.: Машиностроение, 1978. - 240 с.

9. Бойко В.В., Савинков В.М. Проектирование баз данных информационных систем. М.: Финансы и статистика, 1989. - 351 с.

10. П.Борщев В.Б. Пролог основные идеи и конструкции. - в кн.: Прикладная информатика. Сб. статей под ред. В. М. Савинкова. - М.: Финансы и статистика, 1986. - с. 49-76.

11. Буч Г. Объектно-ориентированный анализ и проектирование с примерами приложений на С++. /Пер. с англ. — М.: «Издательство Бином», 1999. —560 с.

12. Винер Н. Кибернетика или управление и связь в животном мире имашине. М.: Советское радио, 1968 - 326 с.

13. Волкова В.Н. Денисов A.A. Основы теории систем и системного анализа.- СПб.: Издательство СПбГТУ, 1999. 512 с.

14. Вентцель Е.С. Теория вероятностей: Учеб. для вузов. 6-е изд. Стер.

15. М.: Высш. шк, 1999.-576 с.

16. Воройский Ф.С. Систематизированный толковый словарь поинформатике. — М.: Либерея, 1998. — 376 с.

17. Гаскаров Д.В., Истомин Е.П., Кутузов О.И. Сетевые моделираспределенных автоматизированных систем. СПб.: Энергоатомиздат, Санкт-Петербургское отделение. 1998.-352 с.

18. Гаскаров Д.В. Интеллектуальные информационные системы.— М:

19. Высшая школа, 2003.—431 с.

20. Гаскаров Д.В., Голинкевич Т.А., Мозгалевский A.B. Прогнозированиетехнического состояния и надёжности радиоэлектронной аппаратуры / Под ред. Т.А. Голинкевича. М.: Сов. Радио, 1974 - 224 с.

21. Гергей Т., Финн В.К. Об интеллектуальных системах // Экспертныесистемы: состояние и перспективы. Сб. науч. тр. — М.: Наука, 1989. — с. 9-20.

22. Глаз А.Б. Параметрическая и структурная адаптация решающихправил в задачах распознавания. — Рига: Зинатне, 1988. — 167 с.

23. Горелик A.JL, Гуревич И.Б., Скрипкин В.А. Современноесостояние проблемы распознавания: Некоторые аспекты.— М.: Радио и связь, 1985.- 160 с.

24. Грэхэм И. Объектно-ориентированные методы. Принципы и практика.3.е издание.: Пер. с англ. -М.: Издательский дом «Вильяме», 2004. -880 с.

25. Данилов В.И., Сотсков А.И. Механизмы группового выбора.— М.:1. Наука, 1991,—176 с.

26. Джексон П. Введение в экспертные системы. Пер. с англ. -М.: Издательский дом «Вильяме», 2001.-624 с.

27. Дмитриев В.И. Прикладная теория информации: Учеб. для спуд. Вузов по спец. «Автоматизированные системы обработки информации и управления». М.: Высш. шк., 1989.-320 с.26.3митрович А.И. Интеллектуальные информационные системы. Мн.:

28. НТООО «ТетраСистемс», 1997.-368 с. 27.3уров Е.В., Фомин В.В. Автоматизированная система построения экспертных систем. ПС б. науч. тр. «Информационные технологии и системы (управление, экономика, транспорт). Выпуск 1»; под ред.

29. Гаскарова Д.В., Скобелевой И.П. СПб.: ООО «Андреевский издательский дом», 2005. - с.62-65.

30. Иванов Б.Н. Дискретная математика. Алгоритмы и программы. М.: Лаборатория Базовых Знаний, 2002. -288 с.2 9. Искусственный интеллект. Применение в интегрированных производственных системах / Под. Ред. Э. Кьюсиака. -М.: Машиностроение, 1991. 544 с.

31. Искусственный интеллект: В 3 кн. Кн. 3. Программные и аппаратные средства: Справочник / Под ред. В.Н. Захарова, В.Ф. Хорошевского. М.: Радио и связь, 1990.-368 с.

32. КасьяновВ.Н., Евстигнеев В.А. Графы в программировании: обработка, визуализация и применение. СПб.: БХВ-Петербург, 2003. - 1104 с.

33. Кватрани Т. Rational Rose 2000 и UML. Визуальное моделирование: Пер. с англ. М.: ДМК Пресс, 2001. - 176 с. (Серия «Объектно-ориентированные технологии в программировании»).

34. Кнут Д. Э. Искусство программирования, том 1. Основные алгоритмы, 3-е изд.: Пер. с англ.: Учебное пособие. М.: Издательский дом ВИЛЬЯМС, 2001.-720 с.

35. Кнут Д. Э. Искусство программирования, том 2. Получисленные алгоритмы, 3-е изд.: Пер. с англ.: Учебное пособие. М.: Издательский дом ВИЛЬЯМС, 2001.-832 с.

36. Кнут Д. Э. Искусство программирования, том 3. Сортировка и поиск, 2-е изд.: Пер. с англ.: Учебное пособие. М.: Издательский дом ВИЛЬЯМС, 2001 - 824 с.

37. Кольцов П.П. Математические модели теории распознавания образов // Компьютер и задача выбора. — М.: Наука, 1989. С. 89-119.

38. Корнеев В.В., Гареев А.Ф., Васютин C.B., Райх В.В. Базы данных. Интеллектуальная обработка информации. — М.: «Нолидж», 2000. — 352 с.

39. Кулибанов Ю. M., Кутузов О.И., Жернокова С.Л., Завьялов Н.М. Имитационное моделирование. Статистический метод. СПб.: Судостроение - 131 с.

40. Левин Р., Дранг Д., Эделсон Б. Практическое введение в технологию искусственного интеллекта и экспертных систем с иллюстрациями на Бейсике. М.: 2000. - 239 с.

41. ЛорьерЖ.-Л. Системы искусственного интеллекта / Пер. с франц. М.: Мир, 1991.-568 с.

42. Любарский Ю.Я. Интеллектуальные информационные системы.- М.: Наука. Гл. ред. физ.-мат. лит., 1990.-232 с.

43. Люгер Джордж Ф. Искусственный интеллект: стратегии и методы решения сложных проблем, 4-е издание. : Пер. с англ. М.: Издательский дом «Вильяме», 2003. -864 с.

44. Марселлус Д. Программирование экспертных систем на Турбо Прологе. М.: Финансы и статистика, 1994. - 256 с.

45. Мартин Дж. Организация баз данных в вычислительных системах: Пер. с англ. /Под. ред. A.A. Стогния и А.Л. Щерса. М.: Мир, 1980. 662 с.

46. Маслов С.Ю. Теория дедуктивных систем и её применения. М.: Радио и связь, 1986.-135 с.

47. Мейер Б., Бодуэн К. Методы программирования: В 2-х томах. Пер. с франц. Ю.А. Первина /Под ред. А.П. Ершова. М.: Мир, 1982. Т.1. - 356 е., Т.2. - 368 с.

48. Методы современной теории автоматического управления / Под. ред. Н.Д. Егупова. Москва : изд. МГТУ, 2000. 748 с.

49. МозгалевскийА.В., Гаскаров Д.В. Техническая диагностика. М.: Высшая школа, 1975.-208 с.

50. Микони C.B. Модели и базы знаний. Учебное пособие. СПб.: СПГУПС, 2000,- 155 с.

51. Минский М. Фреймы для представления знаний / Пер. с англ. М.: Энергия, 1979- 151 с.

52. Нейлор К. Как построить свою экспертную систему. М. Энергоатомиз-дат, 1991 -286 с.

53. Нильсон Н. Принципы искусственного интеллекта.— М.: Радио и связь, 1985. 376 с.

54. Новиков Ф.А. Дискретная математика для программистов. СПб.: Питер, 2002.-304с.

55. Норенков И.П., Маничев В.Б. Основы теории и проектирования САПР: Учебник для втузов. М: Высшая школа, 1990. 335 с.

56. Обучающиеся системы обработки информации и принятия решений: непараметрический подход / A.B. Лапко, C.B. Ченцов, С.И. Крохов, Л.А. Фельдман. — Новосибирск: Наука. Сибирская издательская фирма РАН, 1996 —296 с.

57. Основы технической диагностики. В 2-х кн. Кн. 1. Модели объектов, методы и алгоритмы диагноза / Под ред. П.П. Пархоменко. — М.: Энергия, 1976.-464 с.59.0суга С. Обработка знаний / Пер. с япон. -М.: Мир, 1989.-293 с.

58. Патрик Э. Основы теории распознавания образов / Пер. с англ.; под ред. Б.Р. Левина. -М.: Сов. радио, 1980.-408 с.

59. Попов Э.В. Экспертные системы. Решение неформализованных задач в диалоге с ЭВМ. М.: Наука, 1987. - 288 с.

60. Попов Э.В. Фоминых И.Б. Кисель Е.Б. Шапот М.Д. Статические и динамические экспертные системы. М.: Финансы и статистика, 1996.320 с.

61. Поспелов Д. А. Моделирование рассуждений. Опыт анализа мыслительных актов. —М.: Радио и связь, 1989. — 184 с.

62. Представление и использование знаний / Под ред. X. Уэно, М. Исидзука; пер. с япон.—М.: Мир, 1989—220 с.

63. Растригин Л.А., Эренштейн Р.Х. Метод коллективного распознавания.— М.: Энергоиздат, 1981. — 80 с.

64. Рыбина Г.В. Принципы создания автоматизированной технологии проектирования интегрированных экспертных систем // Новости искусственного интеллекта / АИИ.- 1993.-С. 105-116.

65. Рыбина Г.В. Технология проектирования прикладных экспертных систем: Учеб. пособие.-М.: МИФИ, 1991.-104с.

66. Сидоров В.А., Сидоров A.B. Границы различения технических состояний машин // Вибрация машин: измерение, снижение, защита / Материалы Международной научно-технической конференции. Донецк: ДонНТУ, 2003.-с. 31-37.

67. Советов Б.Я. АСУ. Введение в специальность: Учеб. для вузов по спец.

68. Автоматизированные системы обра б. информации и упр.». — М.: Высш.шк, 1989,- 128 с.

69. Стогний A.A., Кондратьев А.И. Информационные системы в управлении.

70. Киев: Об-во «Знание», 1980. — 48 с.

71. Теория выбора и принятия решений: Учеб. пособие. — М.: Наука, 1982.328 с.

72. Трофимов С.А. Case-технологии: практическая работа в Rational Rose.

73. Изд. 2-е М.: Бином-Пресс, 2002. - 288с.

74. ТуДж., Гонсалес Р. Принципы распознавания образов / Пер. с англ.; подред. Ю.И. Журавлева. — М.: Мир, 1978. — 411 с.

75. Ульман Дж. Базы данных на Паскале / Пер. с англ. Под ред. Ю.И. Топчева. М.: Машиностроение, 1990. - 368 с.

76. Уотермен Д. Руководство по экспертным системам. / Пер. с англ. -М.: Мир, 1989,-388 с.

77. Фомин В.В., Шнуренко A.A. Теоретические основы автоматизированных информационных систем: Учеб. пособие. СПб.: СПГУВК, 2003. - 225 с.

78. Фомин Я.А., Тарловский Г.Р. Статистическая теория распознавания образов. — М.: Радио и связь, 1986. — 264 с.

79. Фор А. Восприятие и распознавание образов / Пер. с франц.; под ред. Г.П. Катыса. — М.: Машиностроение, 1989. — 272 с.

80. Фукунага К. Введение в статистическую теорию распознавания образов / Пер. с англ.; под ред. A.A. Дорофеюка. — М.: Наука, 1979. — 368 с.

81. Хорошевский В.Ф. Механизмы вывода решений в экспертных системах,-М.: МИФИ, 1988.-44 с.

82. Хорошевский В.Ф., Шерстнев В.Ю. Программный инструментарий представления знаний в экспертных системах // Экспертные системы: состояние и перспективы. Сб. науч. тр. — М.: Наука, 1989. — с. 38-46.

83. Чень Ч., Ли Р* Математическая логика и автоматическое доказательство теорем: Пер. с англ. /под ред. С. Ю. Маслова. М.: Наука. Главная редакция физико-математической литературы, 1983. - 360 с.

84. Червинская К.Р., Щелкова О.Ю. Медицинская психодиагностика и инженерия знаний / Под ред. Л.И. Вассермана. -СПб.: Ювента; М.: Издательский центр «Академия», 2002. 624с.

85. Шенк Р., Хантер Л. Познать механизмы мышления. // Реальность и прогнозы искусственного интеллекта. М.: Мир, 1987. с. 15-26.

86. Экспертные системы: Инструментальные средства разработки: Учеб. пособие / Л.А. Керов, А.П. Частиков, Ю.В. Юдин, В.А. Юхтенко; под ред. Ю.В. Юдина. — СПб.: Политехника, 1996. — 220 с.

87. Экспертные системы. Принципы работы и примеры / А. Брукинг, П. Джонс, Ф. Кокс и др.; под ред. Р. Форсайта; пер. с англ. — М.: Радио и связь, 1987. —224 с.

88. Эндрю А. Искусственный интеллект. М.: Мир, 1985. - 264 с.

89. Awad, Е.М. (1996). Building Expert Systems. West Publishing Co.

90. Boehm, B.W. (1988). "A spiral model of software development and enhancement". IEEE computer, May, p. 61-72.

91. Boose, J.H., D.S. Shema, and J.M. Bradshaw (1989). "Recent progress in Aquinas: A knowledge acquisition workbench". Knowledge Acquisition, 1, p. 185-214.

92. Clancey W. J. (1985). Heuristic classification. Artificial Intelligence, 27, p. 289-350.

93. Marcus, S. and J. McDermott (1989). "SALT: A knowledge acquisition language for propose-and-revise systems". Artificial Intelligence, 39, p. 1-37.

94. Musen, M. Domain Ontologies in Software Engineering: Use of Protege with the EON Architecture // Methods of Inform, in Medicine (1998), p. 540550.

95. Newell A., Simon H. A. Human Problem Solving // Englewood Cliffs, Prentice Hall, N11, P. Blackboard systems, Technical report, Knowledge Systems Laboratory, Stanford University, Stanford (CA), 1986.

96. Reichgelt H. and van Harmelen E. (1986). Criteria for choosing representation languages and control regimes for expert systems. Knowledge Engineering Review, 1(4), p. 2-17.

97. Shotliffe E.H. (1976). Computer-Based Medical Consultations: MYCIN. New York: Elsevier.

98. Soumeya L. Achour., eds. A UMLS-based Knowledge Acquisition Tool for Rule-based Clinical Decision Support System Development. // J Am Med Inform Assoc. 2001 Jul-Aug; 8(4): 351-360.

99. Szolovits P., eds. (1982). Artificial Intelligence in Medicine. Boulder, CO: Westview Press.

100. Новиков Д.Б. Нечеткий алгоритм и моделирование процесса распределения паровой нагрузки на ТЭЦ с общей магистралью. Промышленные АСУ и контроллеры. №2, 2012. сс.20-24.

101. Новиков Д.Б., Васина М.Н., Круг П.Г. Методы распределения паровой нагрузки на ТЭЦ с поперечными связями. Промышленные АСУ и контроллеры. №7, 2011. сс. 19-24.

102. Новиков Д.Б., Круг П.Г. Функциональная структура АСУТП тепловой электрической станции. Промышленные АСУ и контроллеры. №3, 2012. сс.1-6.

103. Новиков Д.Б. Моделирование распределения паровой нагрузки на ТЭЦ с общей магистралью. Сб. трудов XV Всероссийской научно-техническойконференции «Новые информационные технологии». 2012 М.: МГУПИ. 2012, сс.54-60.

104. Новиков Д.Б. , Круг П.Г. Программный комплекс исследования модели нечеткого распределения паровой нагрузки между котлоагрегатами ТЭЦ с общей магистралью «ВИРТЭЦ-HJI». Свидетельство о госрегистрации программы для ЭВМ №2012611445 от 07.02.2012 г.

105. Качан А.Д. Режимы работы и эксплуатация тепловых электрических станций. Мн.: Высш. шк., 1985.

106. Щербич В.И., Шашков O.K. Оптимизация в АСУТП ТЭЦ распределения нагрузок между котлами, работающими на общий паропровод. М.: Электрические станции, 1992.

107. Озерова И.П., Новиков P.C. Обоснование необходимости распределения нагрузок между агрегатами ТЭС на базе комплексного критерия. Томск: Известия Томского политехнического университета, 2002.шШт&т ФВД1РАЩШ1жхжШ

Похожие работы

Информатика, вычислительная техника и управление
05.13.00