автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Методы и алгоритмы интеллектуальной поддержки принятия решений в задачах выявления причинно-следственных связей и диагностики технических систем, используемых в машиностроении



На правах рукописи

Бурлаченко Татьяна Борисовна

МЕТОДЫ И АЛГОРИТМЫ ИНТЕЛЛЕКТУАЛЬНОЙ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ В ЗАДАЧАХ ВЫЯВЛЕНИЯ ПРИЧИННО-СЛЕДСТВЕННЫХ СВЯЗЕЙ И ДИАГНОСТИКИ ТЕХНИЧЕСКИХ СИСТЕМ, ИСПОЛЬЗУЕМЫХ В МАШИНОСТРОЕНИИ

Специальность 05.13.01 «Системный анализ, управление и обработка информации (по отраслям)»

АВТОРЕФЕРАТ на соискание учёной степени кандидата технических наук

6 ЬПР ^

$9

Москва 2009

003466757

Работа выполнена в Московском государственном университете приборостроения и информатики (МГУПИ)

Научный руководитель: кандидат физико-математических наук, доцент

Татьяна Юрьевна Морозова

Официальные оппоненты: доктор технических наук, профессор

Кулагин Владимир Петрович

кандидат технических наук, доцент Кузин Евгений Иванович

Ведущая организация: ООО «КБ «ЭлектронСистема»

Защита диссертации состоится 13 мая в 14 часов на заседании Диссертационного Совета Д 212.119.02 Московского государственного университета приборостроения и информатики по адресу: 107996, Москва, ул.Стромынка, д. 20, МГУПИ.

С диссертацией можно ознакомиться в библиотеке Московского государственного университета приборостроения и информатики.

Автореферат разослан 10 апреля 2009г.

Учёный секретарь Диссертационного Совета к.т.н., доцент

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ Актуальность проблемы

В настоящее время компьютерные технологии используются практически во всех областях человеческой деятельности. С их помощью строятся модели предметных областей для решения задач, таких как управление, поддержка принятия решений и т.д. При этом выделяют класс трудно формализуемых предметных областей, которые используются, в частности, для решения задач при наличии неполной информации. Алгоритмов решения подобных задач очень мало. В связи с этим актуальной является разработка методов и алгоритмов решения задач с неполной информацией.

Кроме того, актуальность задачи разработки методов и алгоритмов интеллектуальной поддержки принятия решений в задачах выявления причинно-следственных связей и диагностики технических систем, используемых в машиностроении, не вызывает сомнения, т.к. данная тематика соответствует утвержденному Президентом Российской Федерации приоритетным направлениям развития науки, техники и критических технологий Российской Федерации, и в частности развития информационно-телекоммуникационных систем и разработки интеллектуальных систем управления.

Для решения поставленной задачи в данной работе рассматривалась задача выявления причинно-следственных связей и диагностики технических систем, используемых в машиностроении.

Техническая диагностика представляет теорию, методы и средства обнаружения и поиска дефектов объектов технической природы. Ее основное назначение состоит в повышении надежности объектов на этапе их производства, эксплуатации и хранения. Поэтому, актуальность рассмотрения именно области машиностроения не вызывает сомнений, т.к. для повышения экономической составляющей любого производства является важным обеспечение качества и надежности производимой продукции.

При разработке систем диагностики должны решаться задачи изучения объекта (технической системы), его возможных дефектов и признаков проявления, выбора или неисправных модификаций.

Для того, чтобы работа данной системы была рациональной с точки зрения использования и обслуживания, необходимо сделать ее максимально независимой от человека. В этом случае встает вопрос о создании автоматизированной системы диагностики и принятия решений. Для этого целесообразно использовать систему с искусственным интеллектом. Предполагается, что данная система будет способна к обучению - решению задач. В связи с этим, можно предположить, чтс в качестве системы диагностики технических систем, возможно использование автоматизированной системы обучения, т.к. она полностью соответствует предъявляемым к системе диагностики требованиям.

В случае применения логических подходов в качестве программного средства диагностики, часть знаний должна использоваться для рассуждений, обеспечивающих объяснения выведенных заключений. Но традиционная логика имеет свои ограничения, особенно в условиях неполной или неопределенной

информации. В этом случае решением задачи становится выявление и установление причинно-следственных связей. В подобных ситуациях применение таких логических выводов, как индуктивные, дедуктивные и выводы по аналогии, невозможно, т.к. для своей работы они требуют наличия всей информации о диагностируемой системе. Поэтому, при решении задачи выявления и установления причинно-следственных связей, следует использовать абдуктивный вывод для объяснения наблюдаемых (или установленных) фактов.

Практическая значимость систем абдуктивного вывода следует из многочисленных задач принятия решений, когда при некотором множестве фактов и соответствующего правила, получен результат - следствие. При этом множество фактов, вызвавших это следствие, неизвестно или ставится под сомнение.

В работах Вагина В.Н., Ашинянца P.A., A.Kakas были сформулированы определение и теоретические основы абдуктивного вывода: поставлена задача абдуктивного вывода, определены пути ее решения, но нет практической реализации данной теории. Фактически не исследовано применение абдуктивного вывода к задачам технической диагностики в условиях неполной информации.

В связи с этим, актуальной является задача построения модели принятия обоснованного решения. Результатом работы данных алгоритмов является выявление причинно-следственных связей технической системы, возникающих в процессе ее работы (действия).

Целью диссертационной работы является разработка методик и алгоритмов принятия решений для выявления причинно-следственных связей при неработоспособном состоянии технических систем, используемых в машиностроении.

Основные задачи исследования

1. Анализ задачи диагностики технических систем, используемых в машиностроении, и существующих методов обучения систем.

2. Определение стратегий, способных решать задачи выявления причинно-следственных связей и диагностики технических систем, используемых в машиностроении.

3. Доказательство возможности и целесообразности использования нейронных сетей для реализации алгоритма абдуктивного вывода.

4. Разработка методики нахождения рационального решения задачи абдукции, т.е. выявления причинно-следственных связей и диагностики технических систем, использующей алгоритм нейронной сети Хопфилда.

5. Решение практических задач с использованием предлагаемой методики нахождения рационального решения задачи абдукции при выявлении причинно-следственных связей и диагностике технических систем, используемых в машиностроении.

Методы исследования

Для решения поставленной задачи в работе использовались методы математической логики, теории множеств, искусственного интеллекта, логического программирования, нейронных сетей: •

Научная новизна работы заключается в следующем.

1. Для задачи выявления причинно-следственных связей и диагностики технических систем, используемых в машиностроении, разработана методика принятия решения в условиях неопределенности.

2. Доказана рациональность использования нейронных сетей при решении задач выявления причинно-следственных связей и диагностики с точки зрения скорости работы и способности к самообучению.

3. Определены методы выявления причинно-следственных связей и алгоритмы принятия обоснованного решения при использовании нейронных сетей.

4. Поставлена и решена задача рационализации абдуктивного вывода, выделяющая наилучшее по ряду параметров решение.

5. Разработана методика нахождения рационального решения задачи абдукции, т.е. выявления причинно-следственных связей и диагностики технических систем, использующая алгоритм нейронной сети Хопфилда.

Практическая значимость работы заключается в возможности реализации предложенных алгоритмов в виде интеллектуальных систем самообучения.

Предложенная в диссертации программная реализация создана для решения задач диагностики технических систем, используемых в машиностроении. Данная программа позволяет устанавливать причинно-следственные связи, определяющие отношения объектов, выводить рациональные решения в виде причинных гипотез и формировать поясняющие тексты, что используется в системах, требующих построения объяснений в режиме реального времени. Достоверность результатов работы подтверждается:

1) экспериментальными исследованиями;

2) актами об использовании полученных результатов в МГУПИ, «КБ«ЭлектронСистема» и ФГУП «ММПП «Салют».

Апробация работы

Основные положения и результаты диссертационной работы докладывались и обсуждались на кафедре «АСОИУ» Московского государственного университета приборостроения и информатики, Международной научно-технической конференции «Информационные технологии в науке, технике и образовании» (Сусс-Хургада-Москва, 2006), Международной научно-практической конференции «Современные направления теоретических и прикладных исследований» (Одесса, 2007), Международной научно-практической конференции «Современные направления теоретических и прикладных исследований» (Одесса, 2008) Публикации

По теме диссертации опубликовано 7 научных работ, в том числе 2 в журналах, входящих в перечень ВАК Минобрнауки, оформлено свидетельство о государственной регистрации программ для ЭВМ. Объем и структура работы

Диссертация состоит из введения, четырех глав, заключения, списка литературы из 138 наименований и 5 приложений, общим объемом 149 печатных страниц текста. В работе содержится 17 рисунков и 5 таблиц.

СОДЕРЖАНИЕ РАБОТЫ Во введении обосновывается выбор темы исследований, ее актуальность. Определяются основные цели и задачи диссертационной работы. Приводятся основные положения, выносимые на защиту. Описывается структура работы. Формулируется научная и практическая ценность диссертации, приводятся ее основные результаты.

В первой главе описана задача диагностики технических систем, используемых в машиностроении. Для создания системы диагностики предложено использовать автоматизированную систему обучения. Приведен обзор и сравнительный анализ существующих стратегий и методов в области автоматизированного обучения систем. Показано, что в теории автоматизированного обучения недостаточно освещен вопрос решения задач, связанных с неполной информацией. Подобные задачи имеют место, когда знаний обучаемого, в качестве которого рассматривается информационная система, недостаточно для того, чтобы построить объяснение и/или доказательство некоторого наблюдаемого факта. В связи с этим поставлена задача поиска методов и алгоритмов выявления причинно-следственных связей технической системы.

Показано, что при решении задач с подобной логикой такие методы как индуктивные, дедуктивные и алгоритмы по аналогии неприменимы, т.к. для своей работы они требуют наличия полной информации о рассматриваемой системе или объекте.

Рассмотрен метод построения модели предметной области на основе интеллектуального анализа данных, известный как формальный концептуальный анализ (ФКА). Он позволяет решать задачи структуризации имеющейся информации.

Особенность этого метода состоит в его ориентации на задачи, для которых использование традиционных статистических методов вызывает большие затруднения. Целью технологии анализа данных является производство нового знания, выявления отношения (связей) в данных. ФКА позволяет получить из неструктурированной информации структурированную.

На основе приведенных в работе теоретических описаний ФКА выведен алгоритм его работы.

1. Запись имеющихся данных в виде таблицы, в которой строки представляют собой множество объектов С?, а столбцы - множество атрибутов М.

2. Установление известных взаимосвязей между объектами и атрибутами (бинарные отношения 1 сйхМ).

3. Определение отношений между объектами и атрибутами.

4. Построение концептуальной решетки на основе установленных концептов, образованных из множества объектов и множества атрибутов. ;;

Данная решетка позволяет исследовать и интерпретировать отношения между концептами, объектами и их атрибутами.

Работа алгоритма продемонстрирована на конкретном примере, с помощью которого доказано, что концептуальная решетка служит для наглядного представления связей между объектами и атрибутами.

Анализ работы алгоритма позволяет утверждать, что ФКА делает связи между понятиями явными и, тем самым, помогает из неструктурированной информации получить структурированную.

Приведенные описания ФКА, его основные определения, алгоритм работы и практический пример позволили сделать следующий вывод. ФКА служит для выявления причинно-следственных отношений объектов при наличии неполной информации, причем для расшифровки концептуальной решетки, получаемой в результате работы алгоритма, не требуется дополнительных знаний, т.к. она является довольно простотой и наглядной.

Были выявлены и недостатки данного подхода:

1) большое количество признаков влечет за собой большой размер таблицы, что замедляет работу алгоритма и загромождает визуальную картину;

2) результирующая таблица не может содержать полной информации о каждом объекте;

3) информация в таблице может быть противоречивой, причем противоречия обнаруживаются при непосредственном рассмотрении формального контекста;

4) возможные противоречия данных можно разрешить только с помощью специалиста (т.е. человека), что увеличивает степень субъективности в процессе принятия решений.

В связи с этим сделан вывод: данный метод не является рациональным для решения задачи выявления причинно-следственных связей и диагностики технических систем, используемых в машиностроении.

Основываясь на проведенном анализе существующих методов обучения систем, было предложено использовать абдуктивный вывод для решения поставленной в диссертации задачи выявления причинно-следственных связей технических систем.

В данной работе предложено следующее определение абдукции. Определение. Абдукция - это процесс вывода высказывания, которое объясняет заданный набор данных, или процесс вывода причины из следствия, а также построения объяснений для наблюдаемых данных.

Приведено сравнение с классическим определением абдукции, выявлены его положительные и отрицательные стороны.

Следуя Ч. Пирсу, под абдукцией следует понимать методы анализа рассуждений, в которых требуется найти подходящую гипотезу для того, чтобы построить корректную логическую связь между исходными посылками и предполагаемым следствием из этих посылок.

С помощью диаграмм Хассе решено несколько абдуктивных задач, на основе которых показано, что абдукция не является простой энтимемой, т.е. рассуждением с пропущенной посылкой. Абдуктивный вывод используется в более сложных случаях.

Для определения Ч. Пирса разработан алгоритм абдуктивного вывода. Его идея заключается следующем: при исходных посылках Р и предполагаемом следствии <2 определяются недостающие звенья цепи Р-»...->(2, так как случай разрыва в этой цепи означает, что суждение не является следствием

исходных посылок. Список пар, полученных в результате работы алгоритма, является полным списком этих недостающих звеньев, т.е. гипотез.

Применение данного алгоритма к конкретной практической задаче выявило значительный недостаток данного метода решения. Для работы алгоритма необходимо строить структуру рассматриваемого объекта. Это значительно усложняет процесс решения при большом количестве признаков и свойств объекта, т.к. эта диаграмма становится слишком громоздкой и, как следствие, сложной для обработки.

Отказавшись от использования диаграмм Хассе в абдуктивном выводе, в диссертации предложено продолжить поиск рационального алгоритма выявления причинно-следственных связей объектов.

В качестве абдуктивного правила вывода принята следующая форма записи

В, А причина В _ ,

которая расшифровывается следующим образом: если истинно В к А является причиной В, то истинно А.

База знаний при абдуктивном выводе представляется следующим образом:

1) А^>В правило (главная посылка),

2) А причина (второстепенная посылка),

3) В цель, следствие (вывод).

В работе разработан общий алгоритм принципа абдукции.

1. Из множества правил находится правило, содержащее целевое утверждение.

2. Из найденного правила на шаге 1 формируется пара <0,, Д,>.

- множество подцелей (дизъюнкты выбранного правила без дизъюнкта, характеризующего целевое утверждение). Д, - множество абдуцентов, изначально равное нулю.

3. Из списка существующих правил производится поиск утверждения, которое исключает одну из подцелей, образуя резольвенту после выполнения процедуры унификации.

4. Если для некоторой подцели в множестве предпосылок (правил, фактов) находятся два дизъюнкта, содержащих две контрарные пары для данной подцели, для каждой пары образуются после унификации соответствующие резольвенты, которые включаются в оставшееся множество подцелей, объединенных оператором ИЛИ. Таким образом, формируется новое подмножество подцелей.

5. Если среди элементов множества подцелей найдутся дизъюнкты, не имеющие контрарных пар в множестве предпосылок, эти дизъюнкты переносятся в множество абдуцентов.

6. Цикл из шагов 3-5 повторяется до тех пор, пока множество подцелей не станет пустым, и окончательно сформируется множество абдуцентов.

7. Осуществляется проверка. Полученное множество абдуцентов добавляется в базу знаний в качестве второстепенных посылок. Тогда целевое утверждение становится доказуемым с помощью дедукции.

В настоящей главе также доказана необходимость разработки абдуктивных рассуждений в интеллектуальных системах поддержки приятия решении. Показана рациональность использования теории искусственного интеллекта при разработке систем диагностики, использующих абдуктивный вывод.

Приведены описание и основные свойства нейронных сетей как одного из наиболее перспективных направлений машинного обучения, необходимого для реализации интеллектуальных систем поддержки принятия решений.

Сформулирована постановка задачи исследования.

Во второй главе описан принцип работы абдукции применительно к нейронной структуре и доказана возможность использования сетей для реализации алгоритма выявления причинно-следственных связей технических систем.

Анализ возможностей нейронных сетей показал, что они позволяют решать любые по сложности задач абдукции и обеспечивают точные решения. Способность нейросетей к выявлению взаимосвязей между различными параметрами системы дает возможность выразить данные большой размерности более компактно, если данные тесно взаимосвязаны друг с другом. Обратный процесс представляет собой восстановление исходного набора данных из части информации. Он также известен как (авто) ассоциативная память, которая позволяет восстанавливать исходный сигнал/образ из зашумленных или поврежденных входных данных.

Нейроподобные модели известны как системы связей или системы параллельной и распределенной обработки информации, что значительно влияет на скорость решения задач и повышает эффективность результата вывода.

В работе нейронные сети определены как класс алгоритмов, которые учат различать сходные и разнородные данные, т.е. производить их классификацию, используя учебный набор данных.

С помощью проведенного анализа определений нейронных сетей и абдукции доказана возможность их совместного использования для решения задачи выявления причинно-следственных связей.

Абдукция может быть рассмотрена как обобщение из ряда наблюдений и синтеза гипотез для объяснения наблюдений. При имеющемся наборе гипотез предполагается, что алгоритм абдукции выберет одну из них, которая лучше всего объяснит наблюдаемые данные так, как она их понимает.

Для решения поставленной в диссертации задачи представлена методика выявления причинно-следственных связей, использующая 2-слойную архитектуру (рис. 1). Здесь:

- 1 слой состоит только из гипотез А/, Ь2, ..., А„;

- 2 слой состоит только из элементов наблюдаемых данных с//, ..., с1„.

Слой

наблюдаемых данных

Запрещающие веса

п,т

Во-збуждаюгцпе веса

Рисунок 1. Структура двухслойной сети

Эти два слоя связаны весами: - возбуждающий вес; запрещающий вес.

Алгоритм работы данной модели основан на принципе конкуренции гипотез.

Алгоритм конкуренции гипотез

1. Задаются значения для каждого элемента наблюдаемых данных ху

2. Задаются значения возбуждающих весовых коэффициентов Ши - степень доверия, с которой /'-ая гипотеза объясняет _/'-ый элемент наблюдаемых данных.

3. Вычисляются значения каждой гипотезы по формуле:

= 0)

где ЕХ, = 1х/ - сумма произведений всех возбуждающих весов

»-ой гипотезы на значение соответствующего этому весу у'-ого элемента наблюдаемых данных,

X] - величинау-ого элемента наблюдаемых данных,

А = 1 - константа, использование которой имеет значение на этапе обновления

значений гипотез,

/ - принимает значение от 0 до и,

п - количество гипотез,

} - принимает значение от 0 до т,

т - количество элементов наблюдаемых данных.

4. Полагая, что гипотезы не противоречивы, запрещающим весам присваиваются значения, равные нулю:

>К»=0. (2)

5. Обновляются значения возбуждающих весов.

Т

IV,.

(3)

V/'

где Т "ТГ-^!' (4)

= (5)

где IV'и - значения возбуждающих весов на предыдущей итерации.

ех ех ех

6. Если ДО',.; <0,01, то приравнивается к нулю, IV,., = 0. Таким образом происходит упрощение выражения (сокращение количества конкурирующих гипотез).

7. Вычисляются обновленные значения

(6)

8. Гипотезы исследуются на возникновение противоречий.

/Я,.'=]►>>.■/Я, >0, (7)

4»!

где Ж,-,* Дг< ' (8)

- обновление значения ИЛ *,

- значение IVи на предыдущей итерации, Д, Дг> - разница значений х, и хк на двух итерациях.

9. Вычисляются новые значения гипотез:

.' х ■ (9)

. Л+ ///,:. ............■;■

10. Бели значения гипотез стабилизировались - окончание алгоритма. Решением становится гипотеза с наибольшим значением

Иначе продолжается изменение весов и пересчитываются значения гипотез (шаги 5-10).

Алгоритм является итерационным. Он завершает свою работу, когда значения гипотез стабилизируются.

Для проверки работы алгоритма использован наглядный пример. Результаты отмечены на диаграмме, отображающей зависимость значений конкурирующих гипотез от различный временных интервалов (рис. 2).

7 9 11 13 15 17 19 21 23

Номер итерации

Рисунок 2. Диаграмма зависимости значений гипотез от времени

Доказано, что одна гипотеза затухает и принимает значение, стремящееся к нулю, а две другие стабилизируются в значениях, отличных от нуля. Принимая наибольшее значение среди рассматриваемых гипотез, Из является явным победителем и признается лучшим объяснением наблюдаемых данных. Гипотеза И2 в условиях задачи определяется как неполная.

Результаты диаграммы говорят о том, что разработанный алгоритм позволяет выявить ложные или неполные гипотезы и повышает значение правильной, соответствующей гипотезы. Значения гипотез, получаемые в результате работы алгоритма, могут быть рассмотрены как их степени доверия.

Проверка работы данной модели на конкретных практических задачах показала, что при решении сложных задач абдукции, когда для объяснения всех

элементов наблюдаемых данных недостаточно одной гипотезы, необходимо использовать третий слой СО - промежуточный (рис. 3).

Данный слой необходим для работы с объединением гипотез. Особенность этой нейронной архитектуры именно в наличии промежуточного слоя. Он используется лишь когда наблюдаемые данные можно объяснить только с помощью нескольких гипотез. Узлы на этом слое действуют как сложная гипотеза, представляющая собой объединение всех связанных гипотез.

Представленная трехслойная модель работает по тому же алгоритму, что и двухслойная, лишь с некоторыми изменениями в формулах.

Апробация методики диагностики технических систем, использующей нейросетевые технологии и алгоритм конкуренции гипотез, позволила выделить следующие недостатки.

1. В процессе принятия решений остается доля субъективности, т.к. на начальном этапе инициализации сети значения гипотез, элементов данных и весовых коэффициентов определяет специалист.

2. Сложность и объем используемых формул.

3. В алгоритме не предусмотрено определение степени объяснения рассматриваемых данных гипотезами. В результате этого остается неизвестным, объясняет ли выигравшая конкуренцию гипотеза все элементы рассматриваемых данных полностью.

В третьей главе представлен метод выявления причинно-следственных связей, использующий нейронную сеть Хопфилда. Выбор конкретной сети основан на результатах обзора свойств сети. Сеть Хопфилда позволяет просто и эффективно решать задачи воссоздания данных по неполной и искаженной информации.

СО

Рисунок 3. Трехслойная нейронная архитектура

В работе приведено определение рационализации задачи абдукции, которая определяется свойством минимальности составной гипотезы: составная гипотеза Яе| является лучшим объяснением наблюдаемых данных D0, нежели другая составная гипотеза Нс1, если количество компонент первой меньше количества компонент второй, \Нс1\< |//с2|. Формализована задача следующим образом:

если Я, еГ, где Г = (Моп,М„р), то Нс -» min, т.е. учитывая, что Нс = со/(А,,/^,...,/^) dim H min.

с 1Г<*Г

Здесь Нс — подмножество множества гипотез Я, являющееся лучшим объяснением наблюдаемых данных Do, которое образует сложную (составную) гипотезу путем синтеза из набора простых гипотез hh Ъъ...; Г- область допустимых простых гипотез, Mon- максимальное объяснительное покрытие данных, МпР - максимальное правдоподобие гипотезы, dim Я, - вектор, элементы которого являются простыми гипотезами.

Доказано, что при решении задачи нахождения рационального решения абдукции могут возникнуть спорные ситуации между условиями области определения Г и самой постановкой задачи. Для решения этой проблемы установлено отношение приоритета, в соответствии с которым максимальное покрытие данных имеет наивысший приоритет, а наличие минимального количества гипотез — наименьший.

Для решения задачи синтеза сложных гипотез было найдено средство реализации, которое обеспечило скорость работы в режиме реального времени. В качестве такого средства реализации предложено использовать нейронную сеть, т.к. она использует принцип параллельности, что значительно влияет на скорость решения задачи.

Для решения поставленной задачи, предложено преобразовать нейронную сеть Хопфилда в вычислительную модель нейронной сети. Для синтеза гипотез нейронные переменные Gj были связаны с каждой гипотезой h е Я,. Данная переменная дала возможность определять включена ли простая гипотеза в составную.

Минимизировать количество элементов составной гипотезы ]TGy удалось,

введя следующее ограничение: все входные данные deDa должны быть объяснены полностью, т. е.

Vi = û, Ё0Д>1, (Ю)

j-1

где Qij - значения матрицы инцидентности, связывающей гипотезы и элементы данных;

С) - принадлежность простой у'-ой гипотезы к сложной: принимает значение 1, еслиу-ая гипотеза принадлежит сложной, и значение 0 в противном случае;

- конечное множество элементарных (причинных) гипотез;

конечное множество входных данных (эффекты, факты, и

т.д.);

Я, - подмножество Я, в котором каждая гипотеза hJ е Я, может объяснить некоторое непустое подмножество данных Во.

Учитывая, что элементы матрицы инцидентности ()у могут принимать значения 0 или 1, рассмотрим уравнение, определяющее степень покрытия данных.

^ = -£,)+(!-с,)}, (И)

1-1 /.1

где РцЛ - значение покрытия данных гипотезой Яс*,

к - количество возможных наборов гипотез, принимает значения от 1 до (2" -1). Это уравнение имеет следующие свойства.

1. Каждое произведение не может быть отрицательным.

2. Каждое произведение приравнивается к нулю, когда гипотеза, объясняющая исходную величину, входит в составную. Иначе, произведение принимает значение единицы.

3. Уравнение принимает значение, равное нулю, когда определен состав гипотез, необходимых для объяснения всех элементов данных.

В качестве иллюстрации был рассмотрен пример из предыдущей главы, условия которого представлены на рисунке 4.

Рисунок 4. Графическое представление объяснения трех элементов данных тремя гипотезами

По условию задачи элемент данных с!, может быть объяснен как с помощью >;,, так и с помощью И3, с12 - только с помощью И2, с13 - только с помощью И3. Необходимо выявить такую составную гипотезу, с помощью которой можно будет объяснить все три элемента данных, при этом решение должно быть рациональным. В данном примере продемонстрирован случай избыточного объяснительного покрытия, исключение которого очень важно на практике. Нахождение рационального решения позволит избежать дополнительных проверок той или иной детали для определения истинного дефекта объекта системы.

Данный практический пример позволяет сделать вывод: для выделения рационального решения задачи абдукции необходимо, во-первых, исследовать возможные наборы элементарных гипотез на степень их объяснения наблюдаемых данных, а, во-вторых, учесть количество этих гипотез, или компонент, в итоговом решении. Для этого в диссертации введена величина которая представляет собой значение составной гипотезы.

Объединив оба условия для нахождения рационального решения задачи абдукции, формула вычисления значения составной гипотезы выглядит следующим образом:

=10,+^.

(12)

Первое слагаемое в формуле определения значения составной гипотезы (12) представляет собой количество элементов составной гипотезы, а второе слагаемое - значение покрытия данных, которое можно интерпретировать как величину штрафа за отсутствие полного покрытия, принимающую значение нуля в случае полного покрытия данных.

Вычислив значения составных гипотез для всех возможных наборов по формуле (12), были получены результаты, представленные в таблице 1:

Таблица 1. Значения составных гипотез

Нск 1x1 /«2 из ¡11,112 И1,ИЗ к 2,ИЗ И1,1г2,!гЗ

5 4 3 3 3 2 3

Основываясь на данных вычислениях, очевидно, что из всех возможных вариантов включения элементарных гипотез в сложную, минимальное значение соответствует гипотезе Нс&=(И2, Из), которая в данных условиях задачи является рациональным решением.

Экспериментальные исследования позволили доказать рациональность использования предложенной методики для решения задачи выявления причинно-следственных связей и диагностики технических систем, используемых в машиностроении.

В четвертой главе приведены основные практические результаты исследования, этапы создания и внедрения автоматизированной системы диагностики технических систем, используемых в машиностроении.

Описаны требования к создаваемой системе. Обоснован выбор средства реализации системы диагностики, языка программирования, использованного для решения поставленной задачи.

Также рассмотрена структура и возможности предложенной системы. Представленная программа спроектирована на основе использования алгоритмов абдуктивного вывода и работы сети Хопфидца, ориентирована на решение задачи при наличии неполной информации. В рамках автоматизации процесса обучения реализован процесс формирования объяснений в причинно-следственных отношениях объектов.

В качестве преимуществ программной реализации предложенного подхода можно выделить следующие аспекты.

1. Использование современных и перспективных методик автоматизации процесса обучения, ориентированных на решение задач при наличии неполной информации, основанных на имитации реальных проблем отказа работы технических систем.

2. Возможность проведения обучения без участия человека как учителя.

3. Возможность осуществления экспериментов с целью анализа причинно-следственных связей изучаемых технических систем, используемых в машиностроении.

4. Возможность нахождения рационального решения задачи абдукции из ряда возможных.

5. Возможность пользователям программы использовать предоставляемые поясняющие тексты в качестве объяснений наблюдаемого факта и, при необходимости, рекомендаций к устранению дефектов (например, наладка работы сети).

Программная часть, определенная как система выявления причинно-следственных связей технических систем, используемых в машиностроении, включает в себя модули, обеспечивающие ввод и редактирование правил с возможностью присваивания каждому из них значения истинности, формирование причинных гипотез и рационализация абдуктивного вывода по принципу минимизации входящих в итоговое решение (сложную гипотезу) элементарных причинных гипотез. Процедура минимизации позволяет вычислить рациональное решение из нескольких возможных. Ряд служебных функций расширяют возможности программы.

Приведены теоретические и практические обоснования оценки качества алгоритмического обеспечения разработанной программной системы.

Результаты внедрения подтвердили эффективность проведенных в диссертации исследований.

В заключении диссертации приведены основные результаты и выводы.

18

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ

1. В процессе выполнения диссертационного исследования проведён анализ задачи диагностики технических систем, используемых в машиностроении. Показано, что для создания системы диагностики возможно использование теории автоматизированного обучения систем. Обзор существующих стратегий позволил выделить две методики, способные решать задачи выявления причинно-следственных связей и диагностики технических систем при неполной входной информации. Это формальный концептуальный анализ и абдуктивный вывод. При решении конкретных практических задач диагностики технических систем выявлены значительные недостатки алгоритма формального концептуального анализа, в связи с чем, дальнейшее его рассмотрение перестало бьггь актуальным.

2. На основе исследований теоретической базы абдуктивного вывода в работе доказана возможность использования данного алгоритма для решения поставленной в диссертации задачи выявления причинно-следственных связей и диагностики технических систем, используемых в машиностроении.

3. Для решения задачи абдукции предложено использовать нейронную структуру. Представление в работе практических примеров позволило убедиться в возможности использования нейросети в процессе принятия решений. Доказано, что использование нейронных сетей является рациональным при решении задач выявления причинно-следственных связей и диагностики с точки зрения скорости работы и способности к

. самообучению (это позволяет свести к минимуму субъективность при принятии решений).

4. Выделен класс задач, при решении которых актуальным является определение рационального решения. Формализация задачи нахождения рационального решения абдуктивного вывода определена свойством минимальности входящих в решение компонент. На основе данной теории разработана методика нахождения рационального решения задачи абдукции, т.е. выявления причинно-следственных связей и диагностики технических систем, использующая алгоритм нейронной сети Хопфилда. В работе также представлена апробация данной методики.

5. Создана программная реализация решения задачи выявления причинно-следственных связей и диагностики технических систем, используемых в машиностроении. В ее основу легли алгоритмы абдуктивного вывода и нейронной сети Хопфилда. Данная программа позволяет автоматизировать процесс диагностики технических систем, используемых в машиностроении, подготовки специалистов на предприятиях, а так же вести оперативное консультирование по вопросам принятия обоснованного решения в условиях реального времени.

СПИСОК ОСНОВНЫХ РАБОТ ПО ТЕМЕ ДИССЕРТАЦИИ

1. Бурлаченко Т.Б. Использование нейронной сети Хопфилда для задачи абдукции / Т.Б. Бурлаченко, Т.Ю.Морозова, О.М. Петров // Наукоемкие технологии. - М.: Радиотехника, 2008. - №7. Т. 9. - С. 5-10.

2. Бурлаченко Т.Б. Нейросетевая оптимизация абдуктивных выводов в задачах диагностики технических систем / Т.Б. Бурлаченко, Т.Ю.Морозова // Мехатроника, Автоматизация, Управление. - М., 2008. - №8. - С.19-23.

3. Бурлаченко Т.Б. Модели прогнозирования, сравнение, области применения / Т.Б. Бурлаченко, Т.Ю. Морозова // Математическое моделирование и управление в сложных системах: Межвузов, сб. науч. трудов / Под общ. ред. А. П. Хныкина. - М.: МГУПИ, 2006. - С. 20-24.

4. Бурлаченко Т.Б. Применение нейронных сетей к обработке сигналов / Т.Б.Бурлаченко, Т.Ю. Морозова // Информационные технологии в науке, технике и образовании: Тез. докл. Междунар. науч.-техн. конф. - Сусс-Хургада-Москва, 2006. - С. 254-259.

5. Бурлаченко Т.Б. Выделение сигнала с помощью нейронных сетей / Т.Б.Бурлаченко, Т.Ю. Морозова // Современные направления теоретических и прикладных исследований: Тез. докл. Междунар. науч.-практ. конф. Том 2. Технические науки. - Одесса: Черноморье, 2007. - С.15-19.

6. Бурлаченко Т.Б. Модель нейрона, находящегося под действием шума / Т.Б.Бурлаченко, Т.Ю. Морозова // Вестник МГУПИ. №9. Технические и естественные науки. - М., 2007. - С. 45-50.

7. Бурлаченко Т.Б. Абдукция и нейронные сети // Современные направления теоретических и прикладных исследований: Тез. докл. Междунар. науч.-практ. конф. Том 5. Технические науки, Физика и математика. - Одесса: Черноморье, 2008. - С.46-48.

8. Бурлаченко Т.Б., Морозова Т.Ю., Ливинский A.B. Свидетельство о государственной регистрации программы для ЭВМ «Программное обеспечение формирования объяснений в причинно-следственных отношениях, реализованное на основе нейронной сети Хопфилда» №2008614218 от 3 сентября 2008 г.

ЛР № 020418 от 08 октября 1997 г.

Подписано к печати 09.04.2009 г. Формат 60x84. 1/16. Объем 1,25 п.л. Тираж 100 экз Заказ № 49.

Московский государственный университет приборостроения и информатики

107996, Москва, ул. Стромынка, 20

СОДЕРЖАНИЕ.

ВВЕДЕНИЕ.

ГЛАВА 1. ПОСТАНОВКА ЗАДАЧИ И ОБЗОР МЕТОДОВ ИССЛЕДОВАНИЯ ДИАГНОСТИКИ ТЕХНИЧЕСКИХ СИСТЕМ.

1.1. ТЕХНИЧЕСКОЕ ДИАГНОСТИРОВАНИЕ СИСТЕМ.

1.2. ОБЗОР МЕТОДОВ ЛОГИЧЕСКОГО ВЫВОДА.

1.2.1. Стратегия обучения по инструкциям.

1.2.2. Аналитическое обучение.

1.2.3. Стратегия обучения по аналогии.

1.2.4. Обучение, основанное на индуктивном вывода.

1.3. ФОРМАЛЬНЫЙ КОЦЕПТУАЛЬНЫЙ АНАЛИЗ.

1.4. АБДУКТИВНЫЙ ВЫВОД.

1.5. НЕОБХОДИМОСТЬ РАЗРАБОТКИ МЕТОДОВ АБДУКТИВНЫХ РАССУЖДЕНИЙ В ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМАХ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ.

1.6. МАШИННОЕ ОБУЧЕНИЕ.

1.7. ПОСТАНОВКА ЗАДАЧИ ДИАГНОСТИКИ ТЕХНИЧЕСКИХ СИСТЕМ

С ИСПОЛЬЗОВАНИЕМ НЕЙРОСЕТЕВЫХ ТЕХНОЛОГИЙ.

1.8. ВЫВОДЫ.

ГЛАВА 2. АЛГОРИТМЫ РАБОТЫ НЕЙРОННОЙ СЕТИ ПРИ РЕШЕНИИ ЗАДАЧИ АБДУКЦИИ.

2.1. ИССЛЕДОВАНИЕ ВОЗМОЖНОСТИ ИСПОЛЬЗОВАНИЯ НЕЙРОННЫХ СЕТЕЙ ДЛЯ РЕШЕНИЯ АБДУКТИВНОГО ВЫВОДА.

2.2. МЕТОДИКА ФУНКЦИОНИРОВАНИЯ ДВУХСЛОЙНОЙ НЕЙРОННОЙ МОДЕЛИ ПРИ РЕШЕНИИ ЗАДАЧИ АБДУКЦИИ.

2.3. МЕТОДИКА ФУНКЦИОНИРОВАНИЯ ТРЕХСЛОЙНОЙ НЕЙРОННОЙ МОДЕЛИ ПРИ РЕШЕНИИ ЗАДАЧИ АБДУКЦИИ.

2.4. АПРОБАЦИЯ МЕТОДИКИ ДИАГНОСТИКИ ТЕХНИЧЕСКИХ СИСТЕМ,

ИСПОЛЬЗУЮЩЕЙ НЕЙРОСЕТЕВЫЕ ТЕХНОЛОГИИ И АЛГОРИТМ

КОНКУРЕНЦИИ ГИПОТЕЗ.

2.5. ВЫВОДЫ.

ГЛАВА 3. МЕТОДИКА РЕШЕНИЯ ЗАДАЧИ АБДУКЦИИ С ИСПОЛЬЗОВАНИЕМ НЕЙРОННОЙ СЕТИ ХОПФИЛДА.

3.1. ВЫБОР НЕЙРОННОЙ СЕТИ ДЛЯ РЕШЕНИЯ ЗАДАЧИ АБДУКЦИИ.

3.2. РАЦИОНАЛЬНОСТЬ ИСПОЛЬЗОВАНИЯ НЕЙРОННОЙ СЕТИ ХОПФИЛДА ДЛЯ РЕШЕНИЯ ЗАДАЧИ АБДУКЦИИ.

3.3. ПОСТАНОВКА И ОСОБЕННОСТИ ЗАДАЧИ НАХОЖДЕНИЯ РАЦИОНАЛЬНОГО РЕШЕНИЯ АБДУКЦИИ.

3.3.1. Общая постановка задачи абдукции и ее особенности.

3.3.2. Постановка задачи нахооюдения рационального решения при абдуктивном выводе.

3.4. МЕТОДИКА НАХОЖДЕНИЯ РАЦИОНАЛЬНОГО РЕШЕНИЯ АБДУКЦИИ С ИСПОЛЬЗОВАНИЕМ НЕЙРОННОЙ СЕТИ ХОПФИЛДА.

3.5. АПРОБАЦИЯ МЕТОДИКИ НАХОЖДЕНИЯ РАЦИОНАЛЬНОГО РЕШЕНИЯ ПРИ ДИАГНОСТИКЕ ТЕХНИЧЕСКИХ СИСТЕМ С , ИСПОЛЬЗОВАНИЕМ НЕЙРОСЕТЕВЫХ ТЕХНОЛОГИЙ.

3.6. ВЫВОДЫ.

ГЛАВА 4. ПРОГРАММНАЯ РЕАЛИЗАЦИЯ.

4.1. ТРЕБОВАНИЯ К АВТОМАТИЗИРОВАННОЙ СИСТЕМЕ ДИАГНОСТИКИ.

4.2. ВЫБОР СРЕДСТВА РЕАЛИЗАЦИИ СИСТЕМЫ ДИАГНОСТИКИ.

4.3. СТРУКТУРА СИСТЕМЫ ДИАГНОСТИКИ.

4.4. ВОЗМОЖНОСТИ СИСТЕМЫ ДИАГНОСТИКИ.

4.5. ОЦЕНКА АЛГОРИТМИЧЕСКОГО ОБЕСПЕЧЕНИЯ СИСТЕМЫ ДИАГНОСТИКИ.

4.6. ВЫВОДЫ.

Актуальность работы.

В настоящее время компьютерные технологии используются практически во всех областях человеческой деятельности. С их помощью строятся модели предметных областей для решения задач, таких как управление, поддержка принятия решений и т.д. При этом выделяют класс трудно формализуемых предметных областей, которые используются, в частности, для решения задач при наличии неполной информации. Алгоритмов решения подобных задач очень мало. В связи с этим актуальной является разработка методов и алгоритмов решения задач с неполной информацией.

Кроме того, актуальность задачи разработки методов и алгоритмов интеллектуальной поддержки принятия решений в задачах выявления причинно-следственных связей и диагностики технических систем, используемых в машиностроении, не вызывает сомнения, т.к. данная тематика соответствует утвержденному Президентом Российской Федерации приоритетным направлениям развития науки, техники и критических технологий Российской Федерации, и в частности развития информационно-телекоммуникационных систем и разработки интеллектуальных систем управления.

Для решения поставленной задачи в данной работе рассматривалась задача выявления причинно-следственных связей и диагностики технических систем, используемых в машиностроении.

Техническая диагностика представляет теорию, методы и средства обнаружения и поиска дефектов объектов технической природы. Ее основное назначение состоит в повышении надежности объектов на этапе их производства, эксплуатации и хранения. Поэтому, актуальность рассмотрения именно области машиностроения не вызывает сомнений, т.к. для повышения экономической составляющей любого производства является важным обеспечение качества и надежности производимой продукции.

При разработке систем диагностики должны решаться задачи изучения объекта (технической системы), его возможных дефектов и признаков проявления, выбора или неисправных модификаций.

Для того, чтобы работа данной системы была рациональной с точки зрения использования и обслуживания, необходимо сделать ее максимально независимой от человека. В этом случае встает вопрос о создании автоматизированной системы диагностики и принятия решений. Для этого целесообразно использовать систему с искусственным интеллектом. Предполагается, что данная система подобно человеку будет способна к обучению - решению задач. В связи с этим, можно предположить, что в качестве системы диагностики технических систем, используемых в машиностроении, возможно использование автоматизированной системы обучения, т.к. она полностью соответствует предъявляемым к системе диагностики требованиям.

При использовании логических подходов в качестве программного средства диагностики, часть знаний должна использоваться для рассуждений, обеспечивающих объяснения выведенных заключений. Но традиционная логика имеет свои ограничения, особенно в условиях неполной или неопределенной информации. В этом случае решением задачи становится выявление и установление причинно-следственных связей. В подобных ситуациях применение таких логических выводов, как индуктивные, дедуктивные и выводы по аналогии, невозможно, т.к. для своей работы они требуют наличия всей информации о диагностируемой системе. Поэтому, при решении задачи выявления и установления причинно-следственных связей, следует использовать абдуктивный вывод для объяснения наблюдаемых (или установленных) фактов.

Практическая значимость систем абдуктивного вывода следует из многочисленных задач принятия решений, когда при некотором множестве фактов и соответствующего правила, получен результат — следствие. При этом множество фактов, вызвавших это следствие, неизвестно или ставится под сомнение.

В работах Вагина В.Н., Ашинянца Р.А., A.Kakas были сформулированы определение и теоретические основы абдуктивного вывода: поставлена задача абдуктивного вывода, определены пути ее решения, но нет практической реализации данной теории. Фактически не исследовано применение абдуктивного вывода к задачам технической диагностики в условиях неполной информации.

В связи с этим, актуальной является задача построения модели принятия обоснованного решения. Результатом работы данных алгоритмов является выявление причинно-следственных связей технической системы, возникающих в процессе ее работы (действия).

Целью диссертационной работы является разработка и исследование методик и алгоритмов принятия решений для выявления причинно-следственных связей при неработоспособном состоянии технических систем, используемых в машиностроении.

Основные задачи исследования

1. Анализ задачи диагностики технических систем, используемых в машиностроении, и существующих методов обучения систем.

2. Определение стратегий, способных решать задачи выявления причинно-следственных связей и диагностики технических систем, используемых в машиностроении.

3. Доказательство возможности и целесообразности использования нейронных сетей для реализации алгоритма абдуктивного вывода.

4. Разработка методики нахождения рационального решения задачи абдукции, т.е. выявления причинно-следственных связей и диагностики технических систем, использующей алгоритм нейронной сети Хопфилда.

5. Решение практических задач с использованием предлагаемой методики нахождения рационального решения задачи абдукции при выявлении причинно-следственных связей и диагностике технических систем, используемых в машиностроении.

Методы исследования

Для решения поставленной задачи в работе использовались методы математической логики, теории множеств, искусственного интеллекта, логического программирования, нейронных сетей.

Научная новизна работы заключается в следующем.

1. Для задачи выявления причинно-следственных связей и диагностики технических систем, используемых в машиностроении, разработана методика принятия решения в условиях неопределенности.

2. Доказана рациональность использования нейронных сетей при решении задач выявления причинно-следственных связей и диагностики с точки зрения скорости работы и способности к самообучению.

3. Определены методы выявления причинно-следственных связей и алгоритмы принятия обоснованного решения при использовании нейронных сетей.

4. Поставлена и решена задача рационализации абдуктивного вывода, выделяющая наилучшее по ряду параметров решение.

5. Разработана методика нахождения рационального решения задачи абдукции, т.е. выявления причинно-следственных связей и диагностики технических систем, использующая алгоритм нейронной сети Хопфилда.

Практическая значимость работы заключается в возможности реализации предложенных алгоритмов в виде интеллектуальных систем самообучения.

Предложенная в диссертации программная реализация создана для решения задач диагностики технических систем, используемых в машиностроении. Данная программа позволяет устанавливать причинно-следственные связи, определяющие отношения объектов, выводить рациональные решения в виде причинных гипотез и формировать поясняющие тексты, что используется в системах, требующих построения объяснений в режиме реального времени.

Достоверность результатов работы подтверждается:

1) экспериментальными исследованиями;

2) актами об использовании полученных автором результатов в МГУПИ, КБ«ЭлектронСистема» и ФГУП «ММПП «Салют».

Апробация работы

Основные положения и результаты диссертационной работы докладывались и обсуждались на кафедре «АСОИУ» Московского государственного университета приборостроения и информатики, Международной научно-технической конференции «Информационные технологии в науке, технике и образовании» (Сусс-Хургада-Москва, 2006), Международной научно-практической конференции «Современные направления теоретических и прикладных исследований» (Одесса, 2007), Международной научно-практической конференции «Современные направления теоретических и прикладных исследований» (Одесса, 2008).

Публикации

По теме диссертации опубликовано 7 научных работ, в том числе 2 в журналах, входящих в перечень ВАК Минобрнауки, оформлено свидетельство о государственной регистрации программ для ЭВМ.

Объем и структура работы

Диссертация состоит из введения, четырех глав, заключения, списка литературы из 138 наименований и 5 приложений, общим объемом 149 печатных страниц текста. В работе содержится 17 рисунков и 5 таблиц.

4.6. ВЫВОДЫ

В четвертой главе представлено описание программной реализации системы диагностики технических систем, используемых в машиностроении. Разработанный программный комплекс устанавливает причинно-следственные связи и формулирует в качестве решения возможные причины рассматриваемого неисправного состояния технической системы.

Обоснован выбор языка программирования, реализующего представленную в диссертационной работе методику решения задачи диагностики неисправного технического состояния системы. Описаны структура и возможности разработанной системы диагностики, которая основана на алгоритмах абдукгивного вывода, нахождения рационального решения абдукции, нейронной сети Хопфилда и реализована на языке программирования Java.

Проведена оценка качества предложенной в диссертации программной системы путем сравнительного анализа двух видов реализации абдукгивного вывода:

1) с помощью логического языка программирования Пролог.

2) с помощью алгоритма работы нейронной сети Хопфилда в сочетании с языком программирования Java.

Доказана рациональность разработанного в настоящей работе программного комплекса.

Предложенная в настоящей диссертационной работе методика выявления причинно-следственных связей легла в основу разработанной автоматизированной системы диагностики технических систем, используемых в машиностроении, которая прошла успешные испытания и внедрена в МГУПИ, КБ «ЭлектронСистема» и ФГУП «ММПП «Салют», что подтверждается актами о внедрении (Приложение Б), (Приложение В), (Приложения Г).

ЗАКЛЮЧЕНИЕ

Обобщая результаты проведенных в настоящей диссертации исследований, можно выделить следующее решенные в работе задачи.

1. В процессе выполнения диссертационного исследования проведён анализ задачи диагностики технических систем, используемых в машиностроении. Показано, что для создания системы диагностики возможно использование теории автоматизированного обучения систем. Обзор существующих стратегий позволил выделить две методики, способные решать задачи выявления причинно-следственных связей и диагностики технических систем при неполной входной информации. Это формальный концептуальный анализ и абдуктивный вывод. При решении конкретных практических задач диагностики технических систем выявлены значительные недостатки алгоритма формального концептуального анализа, в связи с чем, дальнейшее его рассмотрение перестало быть актуальным.

2. На основе исследований теоретической базы абдуктивного вывода в работе доказана возможность использования данного алгоритма для решения поставленной в диссертации задачи выявления причинно-следственных связей и диагностики технических систем, используемых в машиностроении.

3. Для решения задачи абдукции предложено использовать нейронную структуру. Представление в работе практических примеров позволило убедиться в возможности использования нейросети в процессе принятия решений. Доказано, что использование нейронных сетей является рациональным при решении задач выявления причинно-следственных связей и диагностики с точки зрения скорости работы и способности к самообучению (это позволяет свести к минимуму субъективность при принятии решений).

4. Выделен класс задач, при решении которых актуальным является определение рационального решения. Формализация задачи нахождения рационального решения абдуктивного вывода определена свойством минимальности входящих в решение компонент. На основе данной теории разработана методика нахождения рационального решения задачи абдукции, т.е. выявления причинно-следственных связей и диагностики технических систем, использующая алгоритм нейронной сети Хопфилда. В работе также представлена апробация данной методики.

5. Создана программная реализация решения задачи выявления причинно-следственных связей и диагностики технических систем, используемых в машиностроении. В ее основу легли алгоритмы абдуктивного вывода, нахождения рационального решения абдукции и нейронной сети Хопфилда. Данный программный комплекс позволяет автоматизировать процесс диагностики технических систем, используемых в машиностроении, подготовки специалистов на предприятиях, а так же вести оперативное консультирование по вопросам принятия обоснованного решения в условиях реального времени.

1. Ашинянц Р.А. Логические методы в искусственном интеллекте. - М.: МГАПИ, 2001.

2. Ашинянц Р.А. Стратегии логических методов обучения и концептуальной классификации // Информационные технологии в проектировании и производстве. Москва, №3, 1997. - с. 22-40.

3. Ашинянц М.Р., Ашинянц Р.А. Аналитическое, ассоциативное, генетическое обучение новейшие стратегии обучения // Информационные технологии в проектировании и производстве. -Москва, №2, 1997.-е. 49-58.

4. Башлыков А.А., Еремеев А.П. Экспертные системы поддержки принятия решений в энергетике. / Под ред. А.Ф. Дьякова М.: МЭИ, 1994.

5. Биркгоф Г. Теория решеток. М.: Наука, 1984. - 337 с.

6. Боголюбов Д.П., Гришкина М.П. Разработка учебных интеллектуальных систем, основанных на логических моделях обучения // В кн. «Новые информационные технологии». Тезисы докладов V Международной студенческой школы-семинара. -М.: МГИЭМ, 1997.

7. Боголюбов Д.П., Гришкина М.П. Учебные интеллектуальные системы, основанные на логических моделях обучения // В кн. Научно-техническая конференция студентов, аспирантов и молодых специалистов МГИЭМ. Тезисы докладов. -М.: МГИЭМ, 1997.

8. Большая Советская энциклопедия: В 62 томах. Т. 14. М.: Терра, 2006. -592с.

9. Бурлаченко Т.Б., Морозова Т.Ю. Модели прогнозирования, сравнение, области применения // Математическое моделирование и управление в сложных системах: Межвузовский сборник научных трудов / Под общ. ред. А. П. Хныкина. М.: МГУПИ, 2006. - с. 20-24.

10. Бурлаченко Т.Б., Морозова Т.Ю. Модель нейрона, находящегося под действием шума // Вестник МГУПИ. №9. Технические и естественные науки. М., 2007. - с. 45-50.

11. Бурлаченко Т.Б., Морозова Т.Ю. Нейросетевая оптимизация абдуктивных выводов в задачах диагностики технических систем // Мехатроника, Автоматизация, Управление. №8. -М., 2008. с. 19-23.

12. Бурлаченко Т.Б., Морозова Т.Ю., Петров О.М. Использование нейронной сети Хопфилда для задачи абдукции // Наукоемкие технологии. №7. Том 9. -М.: Радиотехника, 2008. с. 5-10.

13. Вагин В.Н., Головина Е.Ю., Загорянская А.А., Фомина М.Б. Достоверный и правдоподобный вывод в интеллектуальных системах. — М.: Физматлит, 2004.

14. Вагин В.Н., Еремеев А.П. Некоторые базовые принципы построения интеллектуальных систем поддержки принятия решений реального времени. // Известия РАН. Теория и системы управления, 2001. — №6.

15. Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем. Учебник. СПб, Изд-во «Питер», 2000. -382с.

16. ГОСТ 20911-89. Техническая диагностика. Основные термины и определения. — М.: Изд-во стандартов, 1989.

17. Гребень И.И., Довгялло A.M. Автоматические устройства для обучения (обучающие машины). Киев: Изд-во Киев. Ун-та, 1965.

18. Гришкина М.П. Обучение на примерах: концептуальная классификация // В кн. "Электроника и информатика XXI век". Третья Международная научно-техническая конференция. Тезисы докладов. - М.: МИЭТ, 2000.

19. Гришкина М.П. Эмпирическое обучение по примерам. Система INDUCT. // В кн. «Новые информационные технологии». Тезисы докладов V Международной студенческой школы-семинара. -М.: МГИЭМ, 1997.

20. Гришкина М.П. Обучение на примерах: концептуальная классификация // В кн. Научно-техническая конференция студентов, аспирантов и молодых специалистов МГИЭМ. М.: МГИЭМ, 2001.

21. Гришкина М.П. Система ABDUCT как реализация модели обучения на объяснениях // В кн. Научно-техническая конференция студентов, аспирантов и молодых специалистов МГИЭМ. Тезисы докладов. М.: МГИЭМ, 1999.

22. Дюк В., Самойленко A. Data mining. СПб, Питер, 2001. - 505с.

23. Еремеев А.П. Интегрированная модель представления знаний для системы поддержки принятия решений семиотического типа. // Труды Восьмой национальной конференции по искусственному интеллекту с международным участием (КИИ-2002). — М.: Физматлит. -Т.2

24. Кнут Д.Э. Искусство программирования, Том 3. Сортировка и поиск. — М.: Вильяме, 2007. 822с.

25. Короткий С. Нейронные сети: алгоритм обратного распространения. (http://www.orc.ru/~stasson/neurox.html)

26. Короткий С. Нейронные сети: обучение без учителя.http://www.orc.ru/~stasson/neurox.html)

27. Крылов Е.В., Острейковский В.А., Типикин Н.Г. Техника разработки программ. В 2-х кн. Книга 1. М.: Высшая школа, 2007. - 375с.

28. Кулик Б.А. Логика естественных рассуждений. СПб.: Невский диалект, 2001.

29. Левитин А. В. Алгоритмы. Введение в разработку и анализ. — М.: Вильяме, 2006. — 576с.

30. Липаев В.В. Методы обеспечения качества крупномасштабных программных средств. -М.: СИНТЕГ, 2003.

31. Люгер Дж. Ф. Искусственный интеллект: стратегии и методы решения сложных проблем, 4-е издание. Пер. с англ. М.: Издательский дом "Вильяме", 2005.

32. Маркова Н.А. Качество программы и его измерения // Системы и средства информатики. Вып. 12. -М.: Наука, 2002.

33. Машиностроение: Энциклопедия. В 40 томах. Т. III-7. Измерения. Контроль, испытания и диагностика. / Под ред. В.В. Клюева. М.: «Машиностроение», 1996.

34. Нариньяни А.С. НЕ-факторы // Девятая национальная конференция по искусственному интеллекту с международным участием "КИИ-2004". Труды конференции. — М.: Физматлит, 2004. Т.1. - с. 420-432.

35. Нильсон Н. Принципы искусственного интеллекта. М.: Радио и связь, 1985.

36. Новейший философский словарьhttp://www.slovopedia.eom/6/192/770134.htm)

37. Петрушин В.А. Экспертно-обучающие системы. Киев: Наук, думка, 1992.

38. Попов Э.В. Экспертные системы: решение неформализованных задач в диалоге с ЭВМ. -М.: Наука, 1987.

39. Столяров JI.M. Обучение с помощью машин. М.: Мир, 1965.

40. Тейз А. и др. Логический подход к искусственному интеллекту. Т.1.— М.: Мир, 1990.

41. Толковый словарь по искусственному интеллекту / Авторы-составители

42. A.Н. Аверкин, М.Г. Гаазе-Рапопорт, Д.А. Поспелов. М.: Радио и связь, 1992.-256с.

43. Ульянов М.В. Классификация и методы сравнительного анализа вычислительных алгоритмов. -М.: Издательство Физико-математической литературы, 2004.

44. Финн В.К. Интеллектуальные системы и общество. М.: РГГУ, 2001.

45. Финн В.К. Интеллектуальные системы: проблемы их развития и социальные последствия // Будущее искусственного интеллекта. — М.: Наука, 1991.-е. 157177.

46. Финн В.К. Философские проблемы логики интеллектуальных систем // Новости искусственного интеллекта. 1999. - №1. - с. 36-51.

47. Хоггер К. Введение в логическое программирование- М.: Финансы и статистика.

48. Целищев B.C. Алгоритмическое проектирование и оценивание систем на основе аналогового моделирования : Автореф. дис.' . кандидата технических наук. М., 2003.

49. Юрчук В.В. Современный словарь по психологии / Авт. сост.

50. B.В.Юрчук. Мн.: Элайда, 2000. - 704с.

51. Abdelbar A., El-Hemaly М., Andrews Е., and Wunsch II D. Recurrent neural networks with backtrack-points and negative reinforcement applied to cost-based abduction // Neural Networks, 18(5-6), pp. 755-764, 2005.

52. Ayeb В., Wang S. and Ge J. A Unified Model for Abduction-Based Reasoning // IEEE Transaction on Systems, Man and Cybernetics Part A: Systems and Humans, Vol 28, No. 4, July 1998.

53. Bennet R. ROGET: a knowlege-based system acquiring the conceptual structure of a diagnostic expert system // Journal of Automated Reasoning, vol. 1, pp. 49-74, 1985.

54. Buchman A., Mitchell T. Model-directed learning priductio rules // Pattern-Firected Inference Systems, Academic Press, pp. 297-312, 1978.

55. Burstein M. Incremental learning from multiple analogis. Analogica. Pitman, London, pp. 37-62, 1988.

56. Bylander Т., Allemang D., Tanner M. and Josephon J. The Computational Complexity of Abduction // Artificial Intelligence, vol. 49, pp. 25-60, 1991.

57. Carbonell J. (publisher). Special volume on machine learning // Artificial Intelligence, vol. 40, 1989.

58. Carbonell J. Learning by analogy: formulating and generalising plans from past experience // An Artificial Intelligence Approach, vol. 1, Springer-Verlag, Berlin, pp. 137-161,1984.

59. Carpenter G. and Grossberg S. The ART of Adaptive Pattern Recognition by a Self-Organizing Neural Network // IEEE Computer, 21(3): pp.77-88, March 1988.

60. Castro, J.L.; Mantas, C.J.; Benitez, J.M. Interpretation of artificial neural networks by means of fuzzy rules // IEEE Transactions on Neural Networks, Volume: 13 Issue: 1, pp. 101 -116, Jan. 2002.

61. Chandrasekaran B. and Goel A. From Numbers to Symbols to Knowledge Structures: Artificial Intelligence Perspectives on the Classification Task // IEEE Transactions on Systems, Man, and Cybernetics, 18(3): pp.415-424, May/June, 1988.

62. Chandrasekaran В., Goel A. and Allemang D. Connectionism and Information Processing Abstractions: The Message Still Counts More Than the Medium // AI Magazine,Winter, pp. 24-34, 1988.

63. Christodoulou C. and Georgiopoulos M. Applications of Neural Networks in Electromagnetics. Boston: Artech House, 2001.

64. Coursewriter III Version 3. Authors Guide. Program Product SH200-I009-I., 1973.

65. Davies Т., Russel S. A logical reasoning by analogy // Proc. IJCAI, pp. 264270, 1987.

66. Eshghi K. and Kowalski R.A. Abduction compared with negation by failure // Proceedings of the 6th International Conference on Logic Programming, eds., G. Levi and M. Martelli, pp. 234-254. MIT Press, 1989.

67. Esposito F., Semeraro G., Fanizzi N. and Ferilli S. Multistrategy Theory Revision: Induction and Abduction in INTHELEX // Machine Learning, 38(1/2), pp. 133-156, 2000.

68. Falkenhainer B. An examination in the third stage in the analogy process: verification-based analogical learning//Proc. IJCAI, pp. 260-263, 1987.

69. Feigenbaum E., Simon H. EPAM-like models of recognition and learning // IEEE Transactions on Software Engineering, vol. 8, pp. 305-336, 1984.

70. Feldman J., Fanty M., Goddard N. and Lynne K. Computing with Structured Connectionist Networks // Communications of ACM 31(2): pp.170-187, February 1988.

71. Fischer O., Goel A., Svirbely J. and Smith J. The Role of Essential Explanations in Abduction // Artificial Intelligence in Medicine, 3: pp. 181191, Amsterdam, Netherlands: Elsevier, 1991.

72. Fisher D. Knowelege acquition via incremental conceptual clastering. Vol. 2, pp. 139-172, 1987.

73. Flann N., Dietterich T. Selecting appropriate representations for learning from examples //Proc. AAAI 1986, pp. 460-466, 1986.

74. Fraser N. BrainBox Neural Network Simulator (v. 1.8), 2006. Athttp://neil.fraser.name/software/brainbox/.

75. Ganter В., Wille R. Formale concept analysis: mathematical foundatioun. Springer Verlag, New York, 1997.

76. Garcez A. d'Avila, Broda K. and Gabbay D. Neural-Symbolic Learning Systems: Foundations and Applications // Perspectives in Neural Computing, Springer, 2002.

77. Genesereth M., Nilsson N. Logical Foundations of Artificial Intelligence, Morgam Kaufmann. Los Altos, 1987.

78. Goel A. and Bylander T. Computational Feasibility of Structured Matching // IEEE Transactions on Pattern Analysis and Machine Intelligence, 11(12): pp. 1312-1316, December 1989.

79. Goel A. and Montgomery G. What is Abductive Reasoning // Neural Network Review, 3(4): pp. 181-187, Hillsdale, NJ: Lawrence Erlbaum Publishers, June 1990.

80. Goel A. and Ramanujam J. A Neural Architecture for a Class of Abduction Problems // IEEE Transactions on Systems, Man and Cybernetics, 26(6), pp. 854-860, 1996.

81. Goel A., Ramanujam J. and Sadayappan P. Towards a Neural Architecture for Abductive Reasoning // Proc. Second IEEE International Conference on Neural Networks, San Diego, CA, Vol. II, pp. 681-688, July 1988.

82. Goel A., Sadayappan P. and Josephson J. Concurrent Synthesis of Composite Explanatory Hypotheses // Proc. Proc. 17th International Conference on Parallel Processing, Vol. Ill, pp. 156-160, August 1988.

83. Goel A., Soundararajan N. and Chandrasekaran B. Complexity in Classificatory Reasoning // Proceedings of the Sixth National Conference on Artificial Intelligence, Seattle, Washington, pp. 421-425, July 1987.

84. Haas N., Henderix G. Learning by being told: acquiring knowlege for information management // An Artificial Intelligence Approach, vol. 1, Springer-Verlag, Berlin, pp. 405-4281, 1984.

85. Hall R. Computational Approaches to analogical reasoning: a comparative analysis // Artificial Intelligence, vol. 39, pp. 343-372, 1989.

86. Hollbler S. and Kalinke Y. Towards a massively parallel computational model for logic programming // Proceedings ECAI94 Workshop on Combining Symbolic and Connectionist Processing, pp. 68-77, 1994.

87. Honavar V. Artificial Intelligence and Neural Networks: Steps Toward Principled Integration, Boston Academic Press, 1994.

88. Hophield J. Neural Networks and Physical Systems with Emergent Collective Computational Abilities // Proceedings of the National Academy of Sciences, USA 79: pp. 2554-2558, 1982.

89. Hopfield J. Neurons with Graded Response have Collective Computational Properties like those of Two-State Neurons // Proceedings of the National Academy of Sciences, USA 81: pp. 3088-3092, 1984.

90. Hopfield J. and Tank D. Neural Computation of Decisions in Optimization Problems. Biological Cybernetics, 52: pp. 141-152, 1985.

91. Jackson P. Introduction to Expert System. Addison-Wesley, Reading, 1986.

92. Josephson J., Chandrasekaran В., Smith J. and Tanner M. A Mechanism for Forming Composite Explanatory Hypotheses // IEEE Transactions on Systems, Man, and Cybernetics, SMC-17(3): pp. 445-454, May/June 1987.

93. Josephson J. and Goel A. Practical Abduction, in Abduction: Computation, Philosophy, and Technology, J. Josephson and S. Josephson (editors), New York: Cambridge University Press, in press.

94. Kahn G., Nowlan S., McDermott J. MORE: an intelligent knowlege acquisition tool // Рос. IJCAI1985, pp. 581-584, 1985.

95. Kakas A.C., Kowalski R.A. and Toni F. Abductive Logic Programming // Journal of Logic and Computation, 2(6), pp. 719-770, 1992.

96. Kakas A.C. and Mancarella P. Generalized Stable Models: a Semantics for Abduction // Proceedings of the 9th European Conference on Artificial Intelligence, pp. 385-391. Pitman, 1990.

97. Kakas A.C. and Riguzzi F. Abductive concept learning // New Generation Computing, 18(3), pp. 243-294, 2000.

98. Keller R. Definig operationally for explanation-based learning // Artificial Intelligence, vol. 35, pp. 227-241, 1988.

99. Kolen J. and Goel A. Learning in Parallel Distributed Processing: Computational Complexity and Information Content // IEEE Transactions on Man, Systems, and Cybernetics, 21(2): pp. 359-367, March/April 1991.

100. Lebowitz M. Experiments with incremental concept formation: UNINEM, Machine Learning, vol. 2, pp. 103-138, 1987.

101. Lima P. Logical Abduction and Prediction of Unit Clauses in Symmetric Hopfield Networks // Artificial Neural Networks, 2, eds., I. Aleksander and J. Taylor, volume 1, pp. 721-725. Elsevier, 1992.

102. McDermott J. Learning to use analogies // Рос. IJCAI1979, pp. 568-576, 1979.

103. Mead C. Analog VLSI and Neural Systems. Addison-Wesley, Reading, MA, 1989.

104. Medina J., M'erida-Casermeiro E. and Ojeda-Aciego M. A neural approach to abductive multiadjoint reasoning. 2002.

105. Michalski R. A theory and methodology of inductive learning // An Artificial Intelligence Approach, vol. 1, Springer-Verlag, Berlin, pp.83-134, 1984.

106. Michalski R., Stepp R. Learning from observation: conceptual clastering // An Artificial Intelligence Approach, vol. 1, Springer-Verlag, Berlin, pp.331-64, 1984.

107. Mitchell T.M. Generalisation as search // Artificial Intelligence, vol. 18, pp. 203-226, 1982.

108. Mitchell T.M. Version spaces: a candidate elimination. Approach to rule learning//Рос. IJCAI1977, vol. 1, pp. 305-310, 1977.

109. Mostow J. Design by derivational analogy // Artificial Intelligence, vol.40, 1989.

110. Mostow J. Searching for operational description in BAR, MetaLEX and EBG // Proc. 4th Intl. Workshop on Machine Learning, Morgan Kaufmann, pp. 376382, 1987.

111. Peng Y. and Reggia J. A Connectionist Model for Diagnostic Problem Solving // IEEE Trans. Systems Man and Cybernetics, 19: pp. 285-289, 1989.

112. Poole D., Mackworth A. and Goebel R. Computational Intelligence: A Logical Approach. Oxford University Press, pp 319-343, 1998.

113. Pople H. On the Mechanization of Abductive Logic // Proc. Third International Joint Conference on Artificial Intelligence, Stanford, С A, pp.147-152, 1973.

114. Pople H. The Formation of Composite Hypotheses in Diagnostic Problem Solving: An Exercise in Synthetic Reasoning // Proceedings of the Fifth International Joint Conference in Artificial Intelligence, Cambridge MA, pp. 1030-1037, August 1977.

115. Pressy S. A simple apparatus which given tests and scores and teaches // School and Society, № 3, 1926.

116. Quinlan J. Induction of decision trees // Machine Learning, vol. 1, pp. 81-106, 1986.

117. Ray O. Hybrid Abductive-Inductive Learning. Ph.D. dissertation, Department of Computing, Imperial College London, UK, 2005.

118. Ray O. BrainBox Neural Network Abduction Demo Files. 2006. Athttp://www.doc.ic.ac.uk/or/neural/abduction/demo.

119. Ray O. and Kakas A. ProLogICA: a practical system for Abductive Logic Programming // Proceedings of the 11th International Workshop on Nonmonotonic Reasoning, 2006.

120. Reggia J., Peng Y. and Tuhrim S. A Connectionist Approach to Diagnostic Problem-Solving Using Causal Networks // Information Sciences, 70, pp. 2748, 1993.

121. Rendell R., Seshu R. Tcheng D. More robust concept learning using dynamically variable bias // Proc. 4th Intl. Workshop on Machine Learning, Irvin (CA), pp. 66-78, 1987.

122. Rich C., Waters R., Rubinstein H. Toward a requirements apprentice // Proc IWSSD-4 (4-th Workshop Specification and Design), Monterey (CA) IEEE RH0181, pp. 79-86, 1986.

123. Rumelhart D., McClelland J. and the PDP Research Group, Parallel Distributed Processing: Explorations in the Microstructure of Cognition. Volume 1, The MIT Press, Cambridge, MA, 1986.

124. Sejnowski T. Higher-Order Boltzmann Machines, in Neural Networks for Computing // AIP Conference Proceedings No. 151, pp. 398-403, 1986.

125. Simons P., Niemel'a I. and Soininen T. Extending and implementing the stable model semantics // Artificial Intelligece, 138(1-2), pp. 181-234, 2002.

126. Swartout W. XPLAN: A system for creating and explaining expert consulting programs // Artificial Intelligence, vol. 21, pp. 285-325, 1983.

127. Tank D. and Hopfield J. Simple Neural Optimization Networks: An A/D Converter, Signal Decision Circuit, and a Linear Programming Circuit // IEEE Transactions on Circuits and Systems, CAS-33(5): pp. 533-541, May 1986.

128. Thagard P. Explanatory Coherence // Brain and Behavioral Sciences, 12: pp. 435-502, 1989.

129. Towell G. and Shavlik J. Knowledge-based artificial neural networks // Artificial Intelligence, 70(1-2), pp. 119-165, 1994.

130. Wang S. and Ayeb B. Diagnosis: Hypothetical Reasoning With A Competition-Based Neural Architecture // Proc. International Joint Conference on Neural Networks, Volume I, pp. 7-12, Baltimore, 1992.

131. White J. A decision tool for assisting with the comprehension of large software systems // Automated Tools for Information Systems Design, pp. 49-64, North Holland, Amsterdam, 1982.

132. Winston P. Learning new principles from precedents and exercises // Artificial Intelligence, vol. 19, pp. 321-350, 1982.

133. Winston P. Learning structural descriptions from examples // The Psychology of Computer Vision, McGraw-Hill, New York, 1975.

134. Zhang С. and Xu Y. A Neural Network Model for Diagnostic Problem Solving with Causal Chaining // Neural Networks and Advanced Control Strategies, 54, pp. 87-92, 1999.

135. A Connectionist Model for Diagnostic Problem Solving: Part II // IEEE Transaction on Systems, Man and Cybernetics., Vol.19, pp. 285-289, 1989.