автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Программно-диагностический комплекс для управления состоянием многопараметрических технических объектов на основе методов семантического анализа

На правах рукописи

ПРОГРАММНО-ДИАГНОСТИЧЕСКИЙ КОМПЛЕКС ДЛЯ УПРАВЛЕНИЯ СОСТОЯНИЕМ МНОГОПАРАМЕТРИЧЕСКИХ ТЕХНИЧЕСКИХ ОБЪЕКТОВ НА ОСНОВЕ МЕТОДОВ СЕМАНТИЧЕСКОГО АНАЛИЗА

Специальность: 05.13.01 - Системный анализ, управление и обработка

информации

АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук

Москва -2007

Работа выполнена на кафедре информатики и программного обеспечения вычислительных систем (ИПОВС) Московского государственного института электронной техники (технического университета).

Научный руководитель: доктор технических наук, профессор

Лисов О.И.

Официальные оппоненты: доктор технических наук, профессор,

Лауреат Государственной премии СССР Ю.В. Савченко

кандидат технических наук, доцент С.П. Панасенко

Ведущая организация: 4 ЦНИИ Минобороны РФ

Защита состоится__ 2007 г. в _

часов на заседании диссертационного совета Д 212 134.02 в Московском государственном институте электронной техники (техническом университете) по адресу 124498, Москва, Зеленоград, МИЭТ.

С диссертацией можно ознакомиться в библиотеке МИЭТ.

Автореферат разослан Ч ьКАПТгК_2007 г.

Ученый секретарь ✓ //

диссертационного совета Д 212.134.02: /учу

кандидат технических наук, профессор/ / V Н.В.Воробьев

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы. Развитие многопараметрических технических объектов (МТО), таких как распределённые вычислительные системы, системы связи, военная техника, специальная техника и т.п., происходит в направлении функционального и структурного усложнения, а также интеграции различных по типу устройств (механических, электрических, электронных и пр.) в один МТО. В связи с этим возрастают требования к быстродействию и достоверности управления их техническим состоянием, что определяет необходимость создания эффективной системы управления состоянием (СУС) МТО, которая позволит обеспечить оперативный контроль и диагностику в процессе их эксплуатации. Под состоянием подразумевается работоспособность частей МТО, обеспечивающих выполнение основных функций. А под управляющими решениями подразумеваются решения, касающиеся поиска и устранения причин возникновения неисправностей техники. Возможности для решения указанных задач определяются наличием интегрированных компьютеризированных систем, способных взять на себя выполнение некоторых трудоёмких этапов данного процесса.

Теоретическим исследованиям в области технической, диагностики и теории больших систем управления посвящены труды многих зарубежных и отечественных ученых, в том числе Изерман Р, Гольдман P.C., Чипулис В.П. Щербаков А.Н., Клюев В.В., Денисов А. А и Колесников Д.Н. Научные исследования в области разработки интеллектуальных методов диагностики ведутся с середины XX века и изложены в работах учёных Ньюэлла А., Шоу Дж., Саймона Г., Питта У, Эшби У. Р., Селфриджа О, Кавера Т. и Харта П., Хомского Н.

Создание СУС в первую очередь требует разработки алгоритмов и методов, необходимых для поддержки принятия решений по управлению состоянием МТО и диагностики работоспособности основных компонентов МТО, обеспечивающих выполнение основных функций.

Одной из основных проблем в этой области, является задача разработки методов и средств выявления причин возникновения неисправностей МТО. Существующие интеллектуальные советующие системы, такие как экспертные системы и нейронные сети не способны решить ряд необходимых на сегодняшний день задач, решение которых

априорно не внесено в базу знаний СУС МТО. Человек же решает задачу поиска причин неисправностей с использованием понятийного аппарата, в основе которого заложено представление о понятии как о многоплановой и многоуровневой информационной единице, наделённой смыслом. Учёт семантической информации об образцах техники, выраженной понятиями, может повысить эффективность управления состоянием МТО, поэтому для решения нестандартных задач целесообразно применение метода построения рассуждений, отличного от формально-логического вывода, используемого в экспертных системах, и включения сюда методов семантического анализа.

Для решения задачи повышения эффективности управления состоянием МТО предлагается интеграция различных интеллектуальных советующих систем в виде отдельных модулей в один программно-диагностический комплекс (ПДК), таким образом, чтобы решение поставленной задачи осуществлялось тем модулем, который имеет большие возможности для этого. Создание такого комплекса предполагает разработку новых методов принятия решений и обработки информации, накопленной в базах знаний для идентификации неисправностей МТО на основе семантического анализа этой информации. Это позволит расширить функциональные возможности комплекса за счёт увеличения объёма необходимой информации о неисправностях МТО и повышения её достоверности

Таким образом, исследования, направленные на разработку алгоритмов, методов и программных средств, позволяющих на основе интеллектуальных технологий, повысить достоверность диагностики и эффективность управления состоянием МТО являются актуальными.

Целью диссертационной работы является разработка методов, алгоритмов и математической модели, позволяющих создать ПДК, обеспечивающий повышение достоверности обнаружения неисправностей и увеличение эффективности управления состоянием МТО

Задачи работы. Для достижения общей цели необходимо решение следующих задач:

1) исследование существующих интеллектуальных методов диагностики и способов построения СУС МТО;

2) определение особенностей организации иерархических СУС МТО и разработка на их основе новых методов и алгоритмов принятия решений по управлению состоянием;

3) разработка способа представления базы знаний, математической модели и алгоритмов, необходимых для выявления смысла и связей диагностических записей на основе методов семантического анализа;

4) разработка структуры и программная реализация диагностического комплекса по поиску и устранению неисправностей МТО с использованием методов семантического анализа;

5) экспериментальная проверка разработанных научных положений, методов и реализации ПДК.

Методы исследования. Данная работа базируется на методах системного анализа, распознавания образов, компьютерной лингвистики и семантического анализа, теории и методах диагностики систем.

Научная новизна. В работе получены следующие новые научные результаты:

- предложен новый подход к использованию интеллектуальных технологий в СУС МТО, основанный на анализе и применении семантической информации с последующим распознаванием неисправностей техники по её признакам;

- формализовано представление структуры СУС МТО, предназначенной для управления информационными потоками, автоматизации и сопровождения процесса поддержания технических средств в рабочем состоянии;

- разработано формализованное представление базы знаний в виде семантического куба;

- разработана математическая модель семантического анализатора, позволяющая выявлять смысл и связи диагностических записей;

- разработан метод активации узлов на основе абдуктивного подхода к принятию управленческих решений в распределённой СУС МТО;

- разработан алгоритм определения семантической близости фраз на основе предложенных семантических норм для решения задачи диагностики МТО;

- создана информационная структура ПДК на основе базы данных, базы знаний, нейросетевого кластеризатора, экспертной системы и семантического анализатора;

- разработан ПДК по поиску неисправностей МТО и выработки

рекомендаций по их устранению на основе методов семантического анализа.

Практическая ценность работы. Разработанный ПДК предназначен для анализа информации о неисправностях МТО, заносимых в журналы контроля технического состояния, способен распознавать причины возникновения неисправностей в условиях нечёткости или недостоверности исходных данных, генерировать нестандартные предложения по поиску причин возникновения неисправностей и вырабатывает рекомендации по их устранению.

Разработанные программные компоненты представляют собой законченную программную реализацию, обладающую дружественным интерфейсом и высоким быстродействием, позволяющая повысить точность идентификации возникающих неисправностей и выработки решений по их устранению в условиях повышения сложности техники и снижения квалификации обслуживающего персонала.

Результаты экспериментальных исследований показали, что применение программных средств обеспечило увеличение точности распознавания неисправностей субблоков общего применения МТО при использовании семантического анализатора, входящего в состав ПДК, до 82-92%, что на 10% выше, чем при использовании экспертного метода, и на 30-40% выше, чем при использовании статистического метода.

Достоверность. Полученные результаты являются достоверными в силу того, что основные теоретические выводы и положения диссертации научно обоснованны и подтверждены результатами экспериментальных исследований автора, актами внедрения и применения результатов диссертационных исследований.

Личный вклад автора. Все основополагающие результаты получены автором лично. В том числе:

- разработка формализованного представления иерархической структуры СУС МТО;

- разработка метода активации узлов для принятия решений в распределённой иерархической СУС МТО;

- создание формализованного представления семантического куба и разработка математической модели семантического анализатора, необходимых для автоматизации процессов формирования и поддержки структуры семантической сети;

- разработка алгоритма определения семантической близости диагностических записей;

- разработка объектно-ориентированной архитектуры, структуры и практическая реализация ПДК для управления состоянием МТО.

Реализация и внедрение результатов работы. Результаты диссертационной работы нашли практическое применение в НИР «Очистка» - «Исследование путей создания высокоэффективной системы ситуационного управления основными процессами жизненного цикла ВВТ вида на основе использования интеллектуальных технологий», выполненной в ЗАО «НТЦ Элине».

Результаты работы используются также в учебном процессе МГИЭТ (ТУ) при чтении курса «Системный анализ и теории систем» на кафедре ИПОВС, и при проведении лабораторных работ по поиску и устранению неисправностей в АСУ «ПОРИ-П2» на военной кафедре.

На защиту выносятся следующие положения:

1) анализ существующих интеллектуальных методов диагностики и состояния проблем построения СУС МТО;

2) формализованная иерархическая структура системы управления состоянием МТО;

3) метод активации узлов на основе абдуктивного подхода к принятию решений в распределённых иерархических системах управления состоянием МТО;

4) формализованное представление семантического куба и математическая модель семантического анализатора, позволяющих выявлять смысл и связи диагностических записей;

5) алгоритм определения семантической близости диагностических записей, адаптированный к применению в составе разработанного ПДК;

6) информационная структура и алгоритм диагностирования ПДК по поиску неисправностей МТО и выработки рекомендаций по их устранению;

7) ПДК для управления состоянием МТО на основе интеллектуальных технологий семантического анализа;

8) результаты экспериментальной проверки распознавания неисправностей техники при использовании семантического анализатора.

Апробация работы. Основные положения диссертационной работы докладывались и обсуждались на следующих научных конференциях:

- VII Международной научно-технической конференции «Электроника и информатика - 2005», Москва, г Зеленоград в 2005 г.;

- 13 всероссийской межвузовской научно-технической конференции студентов и аспирантов «Микроэлектроника и информатика», Москва, г. Зеленоград в 2006 г.;

- I научно-теоретическая межвузовская конференция студентов и аспирантов «Современные тенденции развития информационно-компьютерных технологий», г. Москва, 2006 г.

Публикации. По теме диссертации опубликовано 11 печатных работ, в том числе 9 научных статей. Без соавторов опубликовано 7 работ. Три работы опубликованы в рецензированных журналах (в соответствии со списком ВАК).

Структура и объем работы. Диссертационная работа состоит из введения, четырех глав, заключения, списка литературы, приложений, списка таблиц и списка иллюстраций. Работа содержит 125 страниц основного текста, списка литературы из 113 наименований и приложения на 47 страницах, 58 рисунков, и 8 таблиц.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность темы диссертационной работы, сформулированы цель и задачи исследования, приведено краткое содержание работы.

В первой главе работы формулируется и анализируется задача выявления и устранения причин возникновения неисправностей МТО, приводятся функциональные схемы систем, подсистем и процессов, протекающих в системе СУС, даётся критический обзор существующих методов диагностики неисправностей МТО с указанием их достоинств и недостатков; рассмотрены существующие методы принятия решений в СУС МТО, обосновывается необходимость разработки новых методов принятия решений и анализа информации о неисправностях МТО.

Показано, что существующие СУС МТО имеют ряд недостатков, в частности, к ним относятся: человеческий фактор, слабый учёт ранее накопленных знаний, отсутствие формализации процесса принятия решений.

Современные методы контроля и диагностики не обеспечивают 100% идентификации неисправностей. Проведённый анализ показал, что современные средства диагностики позволяют идентифицировать следующее количество неисправностей:

- 45-55% при диагностировании с помощью статистических методов;

- 55-70% при диагностировании с помощью нейросетевого

кластеризатора;

- 70-80%. при диагностировании с помощью экспертных систем.

Большую часть неидентифицированных неисправностей

составляют случаи:

- возникновения ранее не зарегистрированных ситуаций проявления неисправностей;

- неполной идентификации проявления неисправностей;

- наличия сообщений неоднозначно трактуемых службами контроля и диагностики.

Все вышеуказанные недостатки привели к необходимости разработки структуры принципиально новой СУС МТО, методов принятия управленческих решений и ПДК по поиску и устранению неисправностей, основанном на использовании методов семантического анализа.

Управление состоянием МТО представляет собой систему целенаправленных действий должностных лиц, органов и пунктов управления, направленных на своевременное и качественное выполнение задач каждого этапа эксплуатации на основе использования документации по эксплуатации и системы информации о состоянии техники. Сущность управления состоянием МТО заключается в выборе и осуществлении выбранных воздействий, направленных на поддержание или улучшение функционирования управляемого объекта и всей СУС МТО в целом в соответствии с имеющейся программой или целью эксплуатации.

СУС в целом состоит из подсистем двух классов: подсистем управления технологическими процессами и мероприятиями по обеспечению эксплуатации; подсистем административного управления.

При этом подсистемы управления первого класса является низшим звеном подсистем второго класса.

В каждой подсистеме управления осуществляются процессы передачи и обработки информации [8], представленные на рисунке 1.

Одним из важнейших элементов СУС является интеллектуальная советующая система [5].

Научные исследования в области создания интеллектуальных советующих систем ведутся с середины XX века. Их задачей является воссоздание процессов мышления человека с помощью ЭВМ. Задача диагностики неисправностей относится к задачам распознавания образов, но также может рассматриваться как задача построения рассуждений.

Сигналы от Оперативная

техники информация

Рисунок 1 - Функциональная схема технических средств пункта

управления

Идея разработки семантического анализатора как интеллектуальной советующей системы, предназначенной для распознавания смысла предложений заданной структуры на специальном языке, описывающих неисправности МТО разрабатывалась на кафедре ИПОВС МИЭТ, начиная с 90-х годов. Предложен алгоритм работы анализатора, основанный на выполнении последовательных замен слов в исходном предложении на ограниченном естественном языке для получения другого предложения на том же языке, ранее занесённого в базу знания системы. В ходе последовавших исследований данный алгоритм был отвергнут и

заменён модификацией параллельной процедуры распознавания образов, основанной на принципах, предложенных Оливером Сел фри джем.

Во второй главе рассматривается круг задач, решаемый подсистемой поддержки принятия решений, проведён анализ этапов процесса устранения нештатных ситуаций и неисправностей МТО, представлена иерархическая структура технических средств СУС МТО, приведен метод активации узлов на основе абдуктивного подхода к принятию решений в распределённой СУС МТО.

СУС предназначена для управления информационными потоками, автоматизации и сопровождения процесса поддержания системы в рабочем состоянии, а также для выявления и устранения неисправностей в ней.

СУС МТО представляет собой иерархическую систему управления [3], структура которой представлена на рисунке 2.

Транспорт

ш

Пункт управления

Специалисты по ремонту техники

Резерв техники

ЗИП

Средний уровень

Заводы-изготовители, НИИ, КБ

Заводы по изготовлению запчастей

Пункт управления

Гарантийные мастерские

Резерв техники

Верхний уровень

ЗИП

Аппаратура контроля

Нижний уровень

Рисунок 2 - Иерархическая структура СУС МТО

Все элементы системы разделены на три уровня в зависимости от их принадлежности.

Исходная информация движется от нижних уровней к верхним, а обратно движется командная и управляющая информация. Решение может быть принято не только на уровне высшего звена управления, но и на уровне объединений, а также на самом нижнем уровне.

Все рабочие места соединены с сервером с помощью локальной сети. Также к серверу соединения могут подключаться серверы подчиненных КТС

Задачами сервера являются: управление передачей информации между рабочими местами, передача информации рабочим местам вышестоящего уровня, хранение в базе данных и занесение в нее информации о неисправностях и состоянии процесса их устранения, передача информации о неисправностях серверу высшего звена управления.

Управляющая информация предписывает или подсказывает человеку, что ему необходимо выполнить на каждом конкретном этапе работы и организует соответствующий интерфейс, облегчающий понимание и выполнение необходимых мер.

В соответствии с общей теорией систем в иерархических многоуровневых системах управления выделяются два встречных потока: поток информации и поток управляющих директив. В зависимости от связей и первичности потоков выделяются два основных подхода к управлению, которые можно назвать дедуктивный и индуктивный.

В работе предложен метод активации узлов на основе абдуктивного подхода к принятию решений в процессе управления техническим состоянием [2].

На рисунке 3 приведена схема взаимодействия уровней при абдуктивном способе принятия решений или методе, основанном на активации узлов иерархической системы управления.

При получении информации вышестоящими уровнями на активированный узел может спускаться директивное указание трех типов.

Первый тип — подтверждающий директивные указания, т. е. вышестоящий уровень санкционирует те директивные указания, которые были приняты и способствует их дальнейшему выполнению.

Второй тип - директивные указания вышестоящего уровня иерархической системы управления вводят определенные коррективы,

связанные с информацией, полученной от нижестоящих уровней, а также информацией, находящейся в расположении верхнего уровня и спускается на активированный узел директивы по корректировке принятых указаний по возникшей ситуации.

Тритий тип - при анализе информации на вышестоящем уровне при возможных изменениях общих целей всей системы, производится отмена директивных указаний активированного узла и выдаются новые директивы, которые принимаются по обычной схеме дедуктивного метода и реализуются всеми уровнями иерархии.

На нижестоящий уровень

Рисунок 3 - Схема взаимодействия уровней при абдуктивном способе

принятия решений

На рисунке 4 изображена схема информационных потоков при абдуктивном способе управления.

В соответствии с терминологией общей теории систем, предложенный метод управления на основе активации узлов иерархической СУС является экстраполяцией решений, в соответствии со знаниями, которые заложены в семантическом анализаторе или

экспертной системе на ситуацию, которая возникла в данный момент времени, т.е. активированный ¡-ый узел принимает решения в возникшей ситуации, не дожидаясь директивных указаний сверху, но предопределяя на основе имеющихся знаний, характер этих директивных указаний.

Рисунок 4 - Схема информационных потоков при абдуктивном способе

управления

В третьей главе предложен подход к анализу семантической информации о неисправностях МТО. Формализована форма представления базы знаний в виде семантического куба в интеллектуальных системах. Построена математическая модель семантического анализатора, предназначенного для анализа семантической информации, генерации новых знаний в виде «осмысленных» гипотез и альтернативных решений поставленных задач. Предложен алгоритм определения семантической близости (АОСБ) диагностических записей.

Выше была поставлена задача создания интеллектуальной советующей системы, способной устанавливать связи между новыми ситуациями, при которых наблюдается неисправность МТО, и ранее накопленным опытом устранения неисправностей. То есть, требуется

применить метод сравнения по аналогии, требующий анализа семантической информации.

Разработан способ представления знаний, который позволяет с накоплением опыта автоматически формировать и поддерживать структуру семантической сети, не теряя при этом гибкости представления информации присущей этой сети [6]. Этой структурой

является семантический куб (рисунок 5) К = 5", х... х 5"ы, Ф ^ К у

который представляет собой многомерную матрицу, элементами которой являются фразы, их веса и ссылки на решения соответствующих задач. Данная матрица интерпретируется как ограниченная часть многомерного пространства (рисунок 5), по осям

которого откладываются семанты 8Ц семантических множеств и соответствующие им веса Р^ ).

5м

Рисунок 5 - Геометрическая интерпретация семантического куба Коэффициенты семантической близости семантов (понятий) описываются матрицами коэффициентов а, каждая из которых является частью матрицы оценок семантической близости понятий и соответствует одному семантическому множеству, и имеет вид:

а.

а.

а,

а,

а„

а

п2

а„

Коэффициенты ос определяются таким способом, что чем сильнее семантическая связь между семантами 8у, 81к е , тем меньше

коэффициент аук , в частности ащ = «|кк = 0 . Кроме этого, аук = а1к),

так как связи между семантами взаимно однозначны.

Далее, в третьей главе описывается методика определения коэффициентов а семантической близости семантов (понятий) на основе анализа ассоциативной семантической сети. Приводятся описания двух подходов к их оценке. Первый подход (экспертный метод) основан на использовании экспертных оценок. Второй подход (метод семантической сети) основан на использовании свойств слов естественного языка и особенностей обработки семантической информации в процессе мышления человека.

Проведённые эксперименты показали высокое качество результатов применения обоих подходов. Выяснилось также, что экспертный метод более предпочтителен при решении задач, характеризующихся малой размерностью ассоциативной семантической сети, а метод семантической сети более удобен при обработке больших сетей.

Для оценки семантической близости фраз в первом приближении достаточно иметь оценки семантической близости составляющих их семантов и правило оценки семантической близости фраз -семантическую норму. В ходе экспериментов были проверены различные функциональные зависимости и определены требования, которым должна удовлетворять каждая семантическая норма:

Все описываемые ниже семантические нормы основаны на использовании среднеквадратической зависимости.

А-евклидовая норма Ыа анализирует смысловые связи между семантами и определяется формулой:

где ацк - коэффициент семантической близости семантов и вычисляемый по методике, описанной во втором разделе этой главы.

Евклидовая норма N сравнивает семанты по их весам и определяется формулой:

(1)

,где 8Ч,84 бв,, (2)

"• 'V 4 = (81д' - '8.к>

Энтропийная норма Ие аналогична евклидовой норме. Но она

также учитывает веса фраз. При этом считается, что чем чаще встречается фраза, тем больше известно об описываемой ею задаче, и тем меньше энтропия фразы. Данная семантическая норма определяется формулой:

(3)

1=1

где е

(0=-

1

- энтропия фразы.

Нормированная энтропийная норма Ие анализирует

соотношения весов семантов, входящих в фразы, и выбирает фразы с похожими соотношениями. Это равнозначно поиску однонаправленных векторов в векторном пространстве, или одинаковых спектральных распределений. Данная норма также учитывает энтропии фраз и определяется формулой:

V

^>(0 е({кЩ

~ЖГ МО

(4)

где Л^^^Р2^,)-норма фразы 5 = (8,, ... ,8,, ... ,8Ы).

Все описанные семантические нормы определены так, что двум фразам с большой семантической близостью соответствуют малые значения норм, а двум фразам с малой семантической близостью -большие.

Приведённый набор семантических норм обеспечивает разносторонний анализ семантической информации, хранимой в базе знаний семантического анализатора, и позволяет решать различные

практические задачи, требующие классификации или кластеризации объектов, как, например, задача поиска неисправностей МТО.

Ранее отмечалось, что простейшей формой представления семантического куба является многомерная матрица, элементами которой являются структурированные записи, включающие в себя статистические данные и ссылки на решения известных задач. Число измерений матрицы равно соответствующему числу семантических множеств. В памяти ЭВМ описанная матрица линеаризуется, что обуславливает необходимость хранения пустых (или, иначе, нулевых) записей, которые не несут никакой информации о предметной области. Это является основным недостатком матричной формы представления семантического куба, так как нулевые записи увеличивают объём хранимых данных. Представление семантического куба в форме таблицы устраняет необходимость хранения нулевых записей. Но она требует увеличения размера записи за счёт добавления описания фразы

Алгоритмом, удобным для анализа семантической информации, является параллельная процедура распознавания образов, предложенная Селфриджем. Дело в том, задача поиска неисправностей МТО является частным случаем задачи распознавания образов. Но, учитывая специфику анализатора, данный алгоритм следует модифицировать. В качестве оценочной функции в модифицированном алгоритме используются семантические нормы. Схема предложенного АОСБ, приведена на рисунке 6.

Примечательно, что АОСБ является линейным относительно числа сравниваемых фраз, что говорит об его низкой вычислительной сложности.

В четвертой главе приведена структура разработанного 4-х уров-невого ПДК, используемого для решения задачи диагностики неисправностей МТО. Рассматриваются информационная структура и программные средства создания и поддержки компонентов ПДК, представлены результаты экспериментальных исследований характеристик ПДК.

В основу ПДК СУС МТО легла программа, получившая название Intellectual diagnostician 1.0. ПДК основан на использовании четырёх различных методов диагностирования неисправностей: поиск в таблице (базе данных системы), диагностическая нейронная сеть (нейронный кластеризатор), экспертная система (вывод на правилах) и семантический анализатор [9].

Подробный алгоритм работы ПДК [9] приведен на рисунке 7.

■

Начало ^

о 1

Ввод исходной фразы

3 -3 г

/ ьоор, \

для всех фраз из базы знаний

Рисунок 6 - Схема алгоритма определения семантической близости

Для поиска неисправностей МТО, целесообразно использовать АОСБ, так как он в полной мере обеспечивает решение данной задачи. АОСБ является переборным алгоритмом, что на первый взгляд является возвращением к медленным поисковым системам, но малые размеры записей о признаках неисправностей МТО, простота математических вычислений и ориентированность на использование естественного языка общения с системой, которая позволяет сократить объём хранимых данных, делают семантический анализатор конкурентоспособным диагностическим средством интеллектуальной советующей системы. Применение эффективных поисковых методик способно дополнительно повысить быстродействие анализатора.

Программное обеспечение диагностикой системы представляет собой пакет программ, подразделяющихся на диагностические, информационные и специальные.

Рисунок 7 - Схема алгоритма диагностирования программы Intellectual

diagnostician 1.0

Диагностическое программное обеспечение формирует стратегию поиска неисправностей и выработки рекомендаций для их устранения. Кроме того, оно выполняет следующие функции: обеспечение связи с оператором ЭВМ, осуществление ввода и вывода информации, управление введением и загрузкой базы данных и базы знаний.

Информационное программное обеспечение осуществляет хранение данных о результатах контроля, а так же накопления данных и знаний.

Специальное программное обеспечение выполняет вспомогательные функции для обеспечения работоспособности ПДК и осуществляет начальное тестирование для выполнения последующей диагностики.

Диагностическое программное обеспечение, являющееся интеллектуальной частью создаваемой системы, включает в себя нейронную сеть, экспертную систему, семантический анализатор. При реализации системы Intellectual diagnostician 1.0 была выбрана табличная форма представления семантического куба.

Информационное программное обеспечение содержит программу накопления и обработки данных (создания общей и текущей баз данных), программу накопления знаний и обработки знаний, файлы, составляющие базу данных и базу знаний

В состав специального программного обеспечения входят тестирующие программы.

Программа диагностирования является основной управляющей программой ПДК, связывает и координирует работу всех ее элементов.

Информационная структура ПДК представлена на рисунке 8.

Локальная база данных

Л

-у

Программа технических средств диагностирования (Intellectual Diagnostician)

Тестовые -И программы

База знаний >>--—*Г<

Программа обучения диагностической системы (Diagnostician Study)

Программа тестирования и обучения базы знаний (Semantic Net Tutor)

Рисунок 8 - Информационная структура ПДК

Далее в главе приводится описание интерфейса программы Intellectual diagnostician 1.0, написанной на языке С++ в среде VC++ 6.0 с использованием библиотеки MFC и предназначена для использования в среде операционных систем MS Windows 95, 98, 2000, ХР.

Проведённые исследования показали, что наиболее результативно семантический анализатор решает задачи, в которых существует иерархическая структура предметной области. К таким данным относится информация о МТО, предприятиях, организациях, государствах и прочая информация. В опытах решались задачи двух типов: в задачах 1 типа признаки позволяют однозначно разделить объекты на классы (строгая иерархия предметной области); в задачах 2 типа один из признаков не позволяет провести однозначную классификацию объектов (нестрогая иерархия предметной области). Задачи, в которых оба признака ничего не говорят о классификации объектов (отсутствие иерархии предметной области) плохо решаются с помощью семантического анализатора и в данном исследовании не рассматриваются.

В проведённых исследованиях проверялись метод семантической сети и состоятельность принципа сравнения понятий. Во всех опытах строились абстрактные задачи распознавания с различным числом распознаваемых образцов (фраз). Для каждой задачи методом семантической сети вычислялись коэффициенты а, а затем с помощью а-евклидовой нормы производилось сравнение фраз из выборки, задающей задачу распознавания, с целью их группирования в отдельные классы. При этом априорно каждая фраза помечалась номером своего класса. То есть, фактически, решалась задача классификации объектов. Распознавание считалось верным, если фраза оказывалась близкой фразе из своего класса. Учитывались все достигавшиеся минимумы нормы и все ближайшие соседи, между которыми семантический анализатор и метод поиска ближайшего соседа [5], разработанный Кавером и Хартом, не могли сделать однозначный выбор. Отношение числа случаев верного распознавания к общему числу минимумов нормы или ближайших соседей считалось вероятностью распознавания.

На рисунке 9 представлен худший случай, когда перестановкой значений признаков классы объектов максимально разупорядочены, метод поиска ближайшего соседа оказался малоэффективным, а на работу семантического анализатора это не оказало никакого влияния. Графики 1 - результаты применения метода поиска ближайшего соседа (лучший случай); графики 2 - результаты применения метода поиска

ближайшего соседа (худший случай); графики 3 - результаты применения семантического анализатора (оба случая). Плохо обученный анализатор часто вместо одной гипотезы о принадлежности фразы тому или иному классу выдвигал несколько гипотез. Это приводило к снижению качества распознавания. Но, при числе фраз более 100 анализатор почти безошибочно распознавал фразы для задач со строгой иерархией предметной области.

Полученные результаты показывают, что семантический анализатор решает задачи распознавания образов, независимо от степени разупорядоченности классов объектов (то есть качества формализации исходных данных), что особенно важно для распознавания смысла фраз (или диагностических записей) на естественном языке.

Результаты решения задач диагностики неисправностей конкретных образцов техники приведены в таблице 1. В опытах анализировались текстовые описания неисправностей с использованием метода семантической сети и а-евклидовой семантической нормы.

Номер теста (число фраз минус 1) Номер теста (число фраз минус 1)

Рисунок 9 - Точность и качество распознавания образов с помощью семантического анализатора и метода ближайшего соседа

Приведённые в таблице 1 результаты наглядно демонстрируют эффективность применения семантического анализатора для решения задачи диагностики неисправностей компонентов сложных технических средств. Точность распознавания неисправностей субблоков общего применения при использовании семантического анализатора составила 87% (распознано 146 проявлений неисправностей из 167). По реальной выборке неисправностей семантический анализатор показал результаты лучше, чем статистический метод (точность распознавания 57%) и экспертная система (точность распознавания - 76%).

Таблица 1. Результаты решения задач диагностики неисправностей

Образец техники Размер обучающей выборки, шт. фраз Размер распознаваемой выборки, шт. фраз Точность распознавания семантического анализатора, %

Цветные кинескопы 15 30 92

ПЭС-100 22 61 98

Субблок общего применения 219* 167 87

* - имитировалась работа реальной диагностической системы на этапе обучения, когда база знаний пополняется по мере распознавания новых неисправностей.

В заключении представлены основные результаты проведенных диссертационных исследований.

В приложениях представлены расчёты приведения семантических норм к единой шкале, логическая структура и алгоритмы работы программы Semantic Net Tutor 1.0, построение семантического куба древовидной структурой и сравнительная характеристика различных форм представления семантического куба, пример построения базы знаний семантического анализатора вручную с использованием метода семантической сети, копии официальных документов.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ

В ходе выполнения диссертационной работы были получены следующие научные и практические результаты:

1) предложен новый подход к использованию интеллектуальных технологий в СУС МТО, основанный на методах семантического анализа;

2) формализовано представление структуры СУС МТО, предназначенной для управления информационными потоками, автоматизации и сопровождения процесса поддержания технических средств в рабочем состоянии;

3) разработан метод активации узлов на основе абдуктивного подхода к принятию управленческих решений в распределённой СУС МТО;

4) формализовано представление базы знаний в виде семантического куба и разработана математическая модель семантического анализатора, необходимая для выявления смысла и связей диагностических записей;

5) разработан алгоритм определения семантической близости диагностических записей;

6) предложена информационная структура ПДК по поиску неисправностей МТО и выработки рекомендаций по их устранению на основе базы данных, нейросетевого кластеризатора, экспертной системы и семантического анализатора;

7) разработан ПДК для управления состоянием МТО на основе методов семантического анализа;

8) в ходе проведения экспериментальных исследований подтверждено увеличение точности распознавания неисправностей МТО при использовании семантического анализатора, входящего в состав ПДК, до 82-92%, что на 10% выше, чем при использовании экспертного метода и на 35-45% выше, чем при использовании статистического метода;

9) результаты диссертационной работы нашли практическое применение в НИР «Очистка» - «Исследование путей создания высокоэффективной системы ситуационного управления основными процессами жизненного цикла ВВТ вида на основе использования интеллектуальных технологий» и внедрены в учебный процесс кафедры ИПОВС МИЭТ, военной кафедры при МИЭТ.

СПИСОК ОПУБЛИКОВАННЫХ РАБОТ ПО ТЕМЕ ДИССЕРТАЦИИ:

1. Зимнович Р.В.; Переборные многокритериальные задачи оптимизации характеристик МТО на основе генетических алгоритмов // «Электроника и информатика.2005», часть 2. Тез. докл. - М.:МИЭТ, 2005. - С.73:

2. Зимнович Р.В., Лисов О.И., Купцов C.B. Организация обмена информацией в системах управления принятием решения // Оборонный комплекс- научно-техническому прогрессу России: Межотр. науч.-техн. журнал. - М.: ВИМИ, 2006. - №2. - С. 12-19

3. Зимнович Р.В., Лисов О.И., Марков А.Б. Управление состоянием распределённых технических систем // Оборонный комплекс-научно-техническому прогрессу России: Межотр. науч.-техн. журнал. - М.: ВИМИ, 2006. - №2. - С. 66-70

4. Лисов О.И., Зимнович Р.В. Структура управления безопасностью информации в системах контроля МТО // Вопросы защиты информации: Межотр. науч.-техн. журнал. - М.: ВИМИ, 2005. -№4 - С.27-29.

5. Зимнович Р.В. Советующая система поддержания работоспособности технических средств на основе семантического анализатора // Микроэлектроника и информатика - 2006. XIII всероссийская межвузовская научно-техническая конференция студентов и аспирантов. Тез. докл. - М.:МИЭТ, 2006.-С. 197.

6. Зимнович Р.В. Формирование новых картежей знаний на основе семантического куба // Системный анализ и информационно-управляющие системы. Сборник научных трудов. Под ред. В.А. Бархоткина. - М.: МИЭТ,. 2006. - С. 143-148.

7. Лисов О.И., Зимнович Р.В. Семантический куб, как форма представления знаний в экспертной системе // Системный анализ и информационно-управляющие системы. Сборник научных трудов. Под ред. В.А. Бархоткина. - М.: МИЭТ. 2006. - С. 139142.

8. Зимнович Р.В. Функциональная структура системы управления состоянием сложных технических объектов // Естественные и технические науки: СпутникПлюс-М., 2007. -№1. -С. 115-116.

9. Зимнович Р.В. Программно-диагностический комплекс контроля состояния сложных технических объектов // Естественные и технические науки: СпутникПлюс - М., 2007. -№1. - С. 113-114.

10. Зимнович Р.В. Программные средства диагностического комплекса поиска неисправностей сложных технических объектов // Естественные и технические науки: СпутникПлюс. -М., 2007.-№1,-С. 120-121.

11. Зимнович Р.В. Алгоритмы диагностирования неисправностей техники с использованием методов семантического анализа // Современные тенденции развития информационно-компьютерных технологий. Первая научно-теоретическая межвузовская конференция студентов и аспирантов. Сборник тез. докл.№2. Под ред. В.П. Ширяева - М.:ИГУПИТ 2007.- С.69.

Подписано в печать:

Формат 60x84 1/16. Уч.-изд.л.^ Тираж//'О экз. ЗаказУ^?

Отпечатано в типографии ИПКМИЭТ.

124498, Москва, г.Зеленоград, проезд4806, д.5, МИЭТ.

ПЕРЕЧЕНЬ УСЛОВНЫХ ОБОЗНАЧЕНИЙ.

ВВЕДЕНИЕ.

ГЛАВА 1. ИССЛЕДОВАНИЕ СУЩЕСТВУЮЩИХ МЕТОДОВ ДИАГНОСТИКИ И СПОСОБОВ ПОСТРОЕНИЯ СИСТЕМ УПРАВЛЕНИЯ СОСТОЯНИЕМ МНОГОПАРАМЕТРИЧЕСКИХ ТЕХНИЧЕСКИХ ОБЪЕКТОВ.

1.1 Постановка задачи.

1.2 Функциональные и структурные схемы систем, подсистем и процессов, протекающих в системе управления состоянием.

1.3 Особенности проявления неисправностей многопараметрических технических объектов и их классификация.

1.3.1 Оценка состояния многопараметрических технических объектов.

1.3.2 Типы неисправностей, методы их выявления и этапы их устранения.

1.4 Интеллектуальные методы диагностики.

1.5 Методы анализа смысла текста.

Выводы по главе 1.

ГЛАВА 2. РАЗРАБОТКА МЕТОДЫ И СРЕДСТВА ИНФОРМАЦИОННОЙ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ ПРИ УПРАВЛЕНИИ СОСТОЯНИЕМ.

2.1 Принятие решений при устранении нештатных ситуаций и неисправностей многопараметрических технических объектов.

2.1.1 Основные задачи, решаемые подсистемой поддержки принятия решений.

2.1.2 Этапы процесса устранения нештатных ситуаций и неисправностей многопараметрических технических объектов.

2.2 Структура средств управления состоянием многопараметрических технических объектов.

2.2.1 Иерархическая структура системы управления состоянием.

2.2.2 Функционирование рабочих мест системы управления состоянием.

2.3 Разработка метода активации узлов в управлении состоянием многопараметрических технических объектов.

2.4 Исследование методов принятия решений на основе нечеткой логики.

Выводы по главе 2.

ГЛАВА 3. РАЗРАБОТКА ИНТЕЛЛЕКТУАЛЬНОЙ СОВЕТУЮЩЕЙ СИСТЕМЫ НА ОСНОВЕ СЕМАНТИЧЕСКОГО АНАЛИЗАТОРА.

3.1 Создание структуры семантического анализатора.

3.1.1 Функциональная модель семантического анализатора.

3.1.2 Базы знаний, построенные на основе семантических сетей.

3.2 Разработка методов, моделей и алгоритмов построения семантического анализатора.

3.2.1 Методы определения семантической близости понятий.

3.2.2 Математическое описание семантического куба.

3.2.3 Выбор формы представления семантического куба.

3.2.4 Алгоритм работы семантического анализатора.

Выводы по главе 3.

ГЛАВА 4. ПРАКТИЧЕСКАЯ РЕАЛИЗАЦИЯ ПРОГРАММНО-ДИАГНОСТИЧЕСКОГО КОМПЛЕКСА.

4.1 Разработка архитектуры и программная реализация диагностического комплекса для управления техническим состоянием.

4.1.1 Структура 4-хуровневого программно-диагностического комплекса.

4.1.2 Диагностирование с помощью нейронной сети.

4.1.3 Диагностирование с помощью семантического анализатора.

4.1.4 Разработка программных средств диагностического комплекса.

4.1.5 Интерфейс программно-диагностического комплекса Intellectual diagnostician 1.0.

4.2 Анализ эффективности функционирования системы обеспечения безопасности информации при управлении техническим состоянием.

4.3 Результаты экспериментальных исследований характеристик программно-диагностического комплекса.

4.3.1 Экспериментальная проверка метода семантической сети.

4.3.2 Решение задачи распознавания неисправностей многопараметрических технических объектов с помощью семантического анализатора.

Выводы по главе 4.

Возросшие сложность и динамичность процессов эксплуатации многопараметрических технических объектов (МТО) определяют необходимость анализа их технического состояния и проведения работ по созданию эффективной системы управления состоянием (СУС) МТО. Эта задача приобретает особую актуальность в связи с появлением интегрированных компьютеризированных систем, способных взять на себя выполнение некоторых трудоёмких этапов данного процесса. К рассматриваемому классу МТО относятся распределённые вычислительные системы, системы связи, военная техника и т.п.

При управлении состоянием МТО руководителям различных уровней приходится принимать решения в сложных условиях, характеризующихся дефицитом времени и отсутствием всей необходимой информации. При этом принимаемые решения должны быть безошибочными, правильными и обоснованными. И если на низших уровнях управления решение принимается преимущественно в соответствии с эксплуатационной документацией, то на более высоких уровнях управления для уменьшения степени риска в процессе принятия решения значительно возрастает необходимость использования высокоэффективной интеллектуальной СУС МТО, которая позволяет обеспечить оперативный контроль за ходом эксплуатации техники, всесторонне оценивать её техническое состояние, надежность, эксплуатационно-технические характеристики и вырабатывать оптимальные стратегии воздействий, направленные на поддержание постоянной готовности техники к применению по её назначению.

В рамках этой макрозадачи выделяется подзадача создания алгоритмов и методов, необходимых для функционирования автоматизированной подсистемы поддержки принятия решений при управлении состоянием МТО. Под состоянием подразумевается работоспособность частей техники, обеспечивающих выполнение основных функций. А под управляющими решениями подразумеваются решения, касающиеся поиска и устранения причин возникновения неисправностей техники. Решение данной задачи особенно важно, так как от быстроты и точности диагностирования неисправностей техники напрямую зависит эффективность работы всей системы управления, поскольку данная информация является основой для принятия решений по управлению состоянием МТО.

Отдельной проблемой является задача выбора метода и средств устранения причин неисправности МТО. Существующие интеллектуальные советующие системы (ИСС) [69], способные её решить обладают многими недостатками. В частности, нейронные сети [26, 30, 50, 51, 77, 95], экспертные системы [22, 96] становятся бесполезными, когда требуется решить задачу из класса, где способ решения априорно не внесён в базу знаний (БЗ) ИСС. Подобная ситуация приводит к тому, что внедрение ИСС тормозится, так как они не оправдывают высокого доверия к ним со стороны неспециалистов.

В процессе управления состоянием МТО часто приходится сталкиваться с неисправностями, идентификация которых не может быть выполнена имеющимися средствами.

Развиваются три подхода к решению задачи повышения эффективности управления техническим состоянием. Первый подход генерации нестандартных решений состоит в совершенствовании существующих ИСС с целью расширения их возможностей по решению задач различных типов. Данный подход ограничен принципами, положенными в основу работы существующих ИСС.

Второй подход состоит в интеграции различных ИСС в одну систему таким образом, чтобы решение поставленной задачи осуществлялось той ИС, которая имеет большие возможности для этого по сравнению с возможностями других ИСС. Данный подход имеет два недостатка. Во-первых, он не решает проблемы в целом. Во-вторых, такая ИСС неизбежно оказывается большой, сложной и трудно обучаемой.

Третий подход основан на поиске новых принципов для создания ИСС. Для решения нестандартных задач целесообразно применение метода построения рассуждений, отличного от формально-логического вывода, используемого в экспертных системах, и включения сюда методов семантического анализа и советующей системы установления причин неисправностей при нестандартных ситуациях. Используемые в настоящее время принципы построения ИСС не позволяют строить ИС, обладающие всеми названными способностями.

Предлагаемый в настоящей работе подход к построению ИСС состоит в объединении известных программных средств диагностики и разработке новых методов принятия решений и использовании знаний, накопленных в журналах оперативного учёта и БЗ для идентификации неисправностей МТО на основе семантического анализа. Это позволяет расширить способности ИСС за счёт увеличения и уточнения информации, хранимой в БЗ.

Таким образом, в соответствии с выше поставленными задачами, разработка алгоритмов, методов и программных средств на их основе, позволяющих, с использованием интеллектуальных технологий, увеличить вероятность достоверного определения неисправностей и выдать рекомендации по их устранению является актуальной задачей.

Целью данной диссертации является разработка методов, алгоритмов и математической модели, позволяющих создать ПДК, обеспечивающий повышение достоверности обнаружения неисправностей и увеличение эффективности управления состоянием МТО.

Объектом исследования являются распределённые комплексы МТО и существующие в них системы управления их состоянием,

Предметом исследования являются методы, модели и алгоритмы, направленные на диагностику неисправностей, генерацию рекомендаций по восстановлению работоспособности МТО и выработки рекомендаций по устранению причин их возникновения.

Задачи работы. Для достижения общей цели поставлены следующие задачи:

- исследование существующих интеллектуальных методов диагностики и способов построения СУС МТО;

- определение особенностей организации иерархических СУС МТО и разработка на их основе новых методов и алгоритмов принятия решений по управлению состоянием;

- разработка способа представления базы знаний, математической модели и алгоритмов, необходимых для выявления смысла и связей диагностических записей на основе методов семантического анализа;

- разработка структуры и программной реализации диагностического комплекса по поиску и устранению неисправностей МТО с использованием, методов семантического анализа;

- экспериментальная проверка разработанных научных положений, методов и реализации ПДК.

Научная новизна. В работе получены следующие новые научные результаты:

- предложен новый подход к использованию интеллектуальных технологий в СУС МТО, основанный на анализе семантической информации с последующим распознаванием неисправностей техники по её признакам;

- формализовано представление структуры СУС МТО, предназначенной для управления информационными потоками, автоматизации и сопровождения процесса поддержания технических средств в рабочем состоянии;

- разработано формализовано представление базы знаний в виде семантического куба;

- разработана математическая модель семантического анализатора, позволяющая выявлять смысл и связи диагностических записей;

- разработан метод активации узлов на основе абдуктивного подхода к принятию управленческих решений в распределённой СУС МТО;

- разработан алгоритм определения семантической близости фраз на основе предложенных семантических норм для решения задачи диагностики МТО;

- создана информационная структура ПДК на основе базы данных, нейросетевого кластеризатора, экспертной системы и семантического анализатора;

- разработан ПДК по поиску неисправностей МТО и выработки рекомендаций по их устранению на основе методов семантического анализа.

Практическая ценность работы. Разработанный ПДК предназначен для анализа информации о неисправностях МТО, заносимых в журналы контроля технического состояния, способен распознавать причины возникновения неисправностей в условиях нечёткости или недостоверности исходных данных, генерировать нестандартные предложения по поиску причин возникновения неисправностей и выработки рекомендаций по их устранению.

Разработанные программные компоненты представляют собой законченную программную реализацию, обладающую дружественным интерфейсом и высоким быстродействием, позволяющая повысить точность идентификации возникающих неисправностей и выработки решений по их устранению в условиях повышения сложности техники и снижения квалификации обслуживающего персонала.

Результаты экспериментальных исследований показали, что Применение программных средств обеспечило увеличение точности распознавания неисправностей субблоков общего применения МТО при использовании семантического анализатора, входящего в состав ПДК, до 82-92%, что на 10% выше, чем при использовании экспертного метода и на 30-40% выше, чем при использовании статистического метода.

Методы исследования. Данная работа базируется на методах системного анализа, распознавания образов, компьютерной лингвистики и семантического анализа, теории и методах диагностики систем.

Область применения диссертации. Результаты данной работы предназначены для создания ПДК по поиску причин возникновения неисправностей МТО и выработки рекомендаций по их устранению в СУ С МТО разного назначения.

Реализация результатов работы. Результаты диссертационной работы нашли практическое применение в НИР «Очистка» - «Исследование путей создания высокоэффективной системы ситуационного управления основными процессами жизненного цикла ВВТ вида на основе использования интеллектуальных технологий», выполненной в результате исследований, которые проводились в период с октября 2001 года по октябрь 2004 года в ЗАО «НТЦ Элине».

Результаты работы используются также в учебном процессе МГИЭТ (ТУ) при чтении курса «Системный анализ и теории систем» на кафедре ИПОВС, и при проведении лабораторных работ по поиску и устранению неисправностей в АСУ «ПОРИ-П2» на военной кафедре.

Апробация. Основные результаты работы докладывались и получили одобрение на:

- VII Международной научно-технической конференции «Электроника и информатика - 2005», Москва, г. Зеленоград в 2005 г.;

- 13 всероссийской межвузовской научно-технической конференции студентов и аспирантов «Микроэлектроника и информатика», Москва, г. Зеленоград в 2006 г.;

- I научно-теоретическая межвузовская конференция студентов и аспирантов «Современные тенденции развития информационно-компьютерных технологий», г. Москва, 2006 г.

Публикации. По теме диссертации опубликовано 11 печатных работ, в том числе 8 научных статей. Без соавторов опубликовано 7 работ. Одна работа опубликована в рецензированном журнале (в соответствии со списком ВАК).

Структура и объём работы. Диссертационная работа состоит из введения,

Выводы по главе 4

1 Разработана структура ПДК для контроля технического состояния МТО, получившего название Intellectual diagnostician 1.0. Этот комплекс основан на использовании четырёх различных методов диагностирования неисправностей: поиск в таблице (базе данных системы), диагностическая нейронная сеть (нейронный кластеризатор), экспертная система (вывод на правилах) и семантический анализатор.

2 Разработан алгоритм диагностирования программы Intellectual diagnostician 1.0. ПДК реализует АОСБ и метод семантической сети, используемый для её автоматического обучения, и способен выдвигать «осмысленные» гипотезы о возможных причинах неисправностей сложной техники.

3 Приведено описание практической реализация ПДК «Intellectual diagnostician 1.0». ПДК обладает дружественным интерфейсом, высоким быстродействием и позволяет повысить точность идентификации возникающих неисправностей и выработки решений по их устранению в условиях повышения сложности техники и снижения квалификации обслуживающего персонала.

4 Результаты экспериментов доказали высокое качество работы метода семантической сети, предназначенного для определения степеней семантической близости понятий по заданной семантической сети. Данный метод показал свою способность правильно распознавать смысловые и иные связи между объектами предметной области, выявляя среди них похожие объекты. Таким образом, эксперименты полностью подтвердили выводы, предположения и гипотезы, сделанные в данной работе.

5 в ходе проведения экспериментальных исследований подтверждено увеличение точности распознавания неисправностей при использовании семантического анализатора до 82-92%, что на 10% выше, чем при использовании экспертного метода и на 30-40% выше, чем при использовании статистического метода. Полученные экспериментальные результаты подтвердили наличие у семантических норм свойств, заявленных в подразделе 3.2.2.

Заключение

В итоге проделанной работы, отражённой в данной диссертационной работе, получены следующие результаты, обладающие научной новизной и практической значимостью:

1) предложен новый подход к использованию интеллектуальных технологий в СУС МТО, основанный на методах семантического анализа;

2) формализовано представление структуры СУС МТО, предназначенной для управления информационными потоками, автоматизации и сопровождения процесса поддержания технических средств в рабочем состоянии;

3) разработан метод активации узлов на основе абдуктивного подхода к принятию управленческих решений в распределённой СУС МТО;

4) формализовано представление базы знаний в виде семантического куба и разработана математическая модель семантического анализатора, необходимая для выявления смысла и связей диагностических записей;

5) разработан алгоритм определения семантической близости диагностических записей;

6) предложена информационная структура ПДК по поиску неисправностей МТО и выработки рекомендаций по их устранению на основе базы данных, нейросетевого кластеризатора, экспертной системы и семантического анализатора;

7) разработан ПДК для управления состоянием МТО на основе методов семантического анализа;

8) в ходе проведения экспериментальных исследований подтверждено увеличение точности распознавания неисправностей МТО при использовании семантического анализатора, входящего в состав ПДК, до 82-92%, что на 10% выше, чем при использовании экспертного метода и на 35-45% выше, чем при использовании статистического метода;

9) результаты диссертационной работы нашли практическое применение в НИР «Очистка» - «Исследование путей создания высокоэффективной системы ситуационного управления основными процессами жизненного цикла ВВТ вида на основе использования интеллектуальных технологий», применены в войсковой части 43034 и внедрены в учебный процесс кафедры ИПОВС МИЭТ, военной кафедры при МИЭТ.

Таким образом, следует вывод о том, что была достигнута цель, поставленная во введении к данной работе, состоящая в разработке методов, алгоритмов и математической модели, позволяющих создать ПДК, обеспечивающий повышение достоверности обнаружения неисправностей и увеличение эффективности управления состоянием МТО.

1. ГОСТ 27.002-89. Надежность в технике. Основные понятия. Термины иопределения.

2. Сотник С. JI. Конспект лекций по курсу "Основы проектирования системискусственного интеллекта". SSOffice, 1997-1998.

3. Алексеев А. Интеллектуальные системы принятия проектных решений.

4. Зинатне, 2005.- ISBN:5-7966-1035-X.

5. Абрамчук В.Е., В.В. Клюев, П.П. Пархоменко. Технические средствадиагностирования: Справочник. / Под общ. ред. В.В. Клюева. М.: Машиностроение, 1989.

6. Альтернатива // Большая советская энциклопедия. В 30-и томах. Т. 1: А

7. Ангоб / Гл. ред. А. М. Прохоров. Изд. 3-е. - М.: Советская энциклопедия, 1970. -С. 484.

8. Андрейчиков А.В., Андрейчикова О.Н. Интеллектуальныеинформационные системы.- Финансы и статистика, 2006. ISBN: 5-27902568-2.

9. Арсеньев Ю.Н., Шелобаев С.И., Давыдова Т.Ю. Принятие решений.

10. Интегрированные интеллектуальные системы.- Юнити, 2003. ISBN: 5238-00552-0.

11. Арутюнова Н. Д. Дискурс Большой энциклопедический словарь. М.:1. Языкознание, 1998.

12. Арутюнова Н. Д. Прагматика Большой энциклопедический словарь. М.:1. Языкознание, 1998.

13. Арутюнова Н.Д. Предложение и его смысл: логико-семантическиепроблемы // Лингвистическое наследие XX века. Изд.4.- 2005. ISBN:5-354-00787-9.

14. Баранов М. Т. и др. Русский язык: Справ, материалы: Учеб. пособие дляучащихся / М. Т. Баранов, Т. А. Костяева, А. В. Прудникова; Под ред. Н. М. Шашнского. 5-е изд., испр. -М.: Просвещение, 1989.

15. Берштейн Л.С., Мелихов А.Н., Коровин С.Я. Ситуационныесоветующие системы с нечеткой логикой. М.: Наука, 1990. - 272 с.

16. Большаков А. А., Бобов А. В., Антамошин А. Н., Лобанов В. В.,

17. Кузнецова И. Н., Близнова О. В. Интеллектуальные системы управления организационно-техническими системами.- Горячая Линия -Телеком,2006.- ISBN: 5-93517-289-5.

18. Бочкарев А. Е. Семантический словарь. Деком, 2003. - ISBN: 5-89533083.5.

19. Вагин В.Н., Головина Е.Ю., Загорянская А.А. Достоверный иправдоподобный вывод в интеллектуальных системах. М.: Физматлит, 2004.-ISBN: 5-9221-0474-8

20. Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальныхсистем. СПб.: Питер, 2001. - ISBN: 5-94723-449-1.

21. Гаскаров, Д.В. Интеллектуальные информационные системы. Учеб. длявузов. М.: Высш. шк., 2003.

22. Горбань А.Н., Дунин-Барковский B.JI., Кирдин А.Н., Миркес Е.М.,

23. Новоходько А.Ю., Россиев Д.А., Терехов С.А., Сенашова М.Ю., Царегородцев В.Г. Нейроинформатика.- Новосибирск: Наука. Сибирское предприятие РАН, 1998.

24. Городецкий Б. Ю., Андрющенко В. М., Гусева Е. К., Ревзин И. И.

25. Семантические проблемы построение автоматизированных систем обработки текстовой информации / Вычислительная лингвистика /., ред. -М.: Наука, 1976.-С. 16-33.

26. Грановская Р. М., Березная И. Я. Интуиция и искусственный интеллект.-Л.: Изд-во ЛГУ, 1991.

27. Дударь З.В. Шуклин Д.Е. Семантическая нейронная сеть, какформальный язык описания и обработки смысла текстов на естественном языке // Радиоэлектроника и информатика. X,: Изд-во ХТУРЭ, 2000. - №. 3. - С. 72-76.

28. Егоров Н., Карпов А. Диагностические информационно-экспертныесистемы.- СПб., Изд-во Санкт-Петербургского университета, 2002. -ISBN: 5-288-01957-6.

29. Еремеев В.Е. Символы и числа "Книги перемен".- М.:Ладомир, 2005.1.BN:5-86218-383-3.

30. Ефимов Е. И. Решатели интеллектуальных задач. М.: Наука. Гл. ред.физ.-мат. лит., 1982.

31. Жолковский А. К. Модель "Смысл Текст" // Энциклопедиякибернетики. Киев: Украинская Советская Энциклопедия, 1974. -Том 2.

32. Заенцев И. Нейронные сети: основные модели Учебное пособие к курсу

33. Нейронные сети» для студентов 5 курса магистратуры. УДК 6128:6815.

34. Кибрик А. Е. Генеративная лингвистика // Большой энциклопедическийсловарь. М.: Языкознание, 1998.

35. Колшанский Г. В. Соотношение субъективных и объективных факторовв языке. -М., 1975.

36. Клюев В. В., Пархоменко П. П. Технические средствадиагностирования. Справочник. Под общ. ред. Пархоменко П.П-М.: Энергия, 1981.-320 с.

37. Круглое В.В., Дли М.И., Голунов Р.Ю. Нечеткая логика иискусственные нейронные сети. Учеб.пособие.- М.: Изд-во физ.-мат. литературы, 2001.

38. Макаров И.М., Лохин В.М. Интеллектуальные системы автоматическогоуправления. -М.: Физматлит, 2001.

39. Мельчук И. А. Опыт теории лингвистических моделей "Смысл Текст".-М.: Наука, 1974.

40. Мышление // Краткая философская энциклопедия. М.: Прогресс, 1994.1. С. 280.

41. Николаева Т. М. Эмпатия // Большой энциклопедический словарь. М.:1. Языкознание, 1998.

42. Падучева Е. В. Высказывание и его соотнесённость с действительностью.-М., 1985.

43. Пономарев В.В. Концептуальная модель комплекса средствлингвистического и программного обеспечения экспертно-поисковой системы. МИФИ,2004.- ISBN: 5-86404-196-3.

44. Попов Э.В. Искусственный интеллект в трех книгах. Книга 1. Системыобщения и экспертные системы.- М.: Радио и связь, 1990. ISBN: 5-25600365-8, 5-256-00756-4.

45. Попов Э.В. Искусственный интеллект в трех книгах. Книга 2. Модели иметоды. М.: Радио и связь, 1990. - ISBN: 5-256-00368-2, 5-256-00756-4.

46. Попов Э.В. Искусственный интеллект в трех книгах. Книга 3.

47. Программые и аппаратные средства. М.: Радио и связь, 1990. - ISBN: 5-256-00366-6, 5-256-00756-4.

48. Попов Э.В. Статические и динамические экспертные системы,- М.:

49. Финансы и статистика, 1996.- УДК: 681,51.

50. Поспелов Д. А. Предисловие редактора тома // Представление знаний вчеловеко-машинных системах. М.: Изд-во ВЦ АН СССР: ВИНИТИ, 1984.-Т. А.-С. 23-32.

51. Пупков К. Интеллектуальные системы: Исследование и создание.- МГТУим. Н.Э. Баумана, Издательство, 2003. ISBN: 5-7038-2038-3.

52. Пушкин В. Н. Оперативное мышление в больших системах. Э.:1. Энергия, 1965.

53. Стефанюк B.JI. Локальная организация интеллектуальных систем.

54. Модели и приложения.- Физматлит, 2004. ISBN: 5-9221-0395-4.

55. Ступин В.А. Инфосоциолингвистика. Методология,методика и техникаисследования динамики терминологических процессов и предметных областей: Учебно-методическое пособие для аспирантов. Спб. -СПбГУ, 2000.

56. Сусов И. П. Личность как субъект языкового общения // Межличностныеаспекты языкового общения. Калинин, 1989.

57. Сусов И. П. Семантика и прагматика предложения. Калинин, 1980.

58. Тарасик В.П., Рынкевич С.А. Системы управления транспортнымисредствами: Монография.- УП «Технопринт», 2004. -ISBN:985-464-664-5.

59. Тихомиров О. К. Структура мыслительной деятельности человека. М.:1. Изд-во МГУ, 1969.

60. Уоссермен. Ф. Нейрокомпьютерная техника: теория и практика.- М.:1. Мир, 1992.

61. Усков А. А., Кузьмин А. В. Интеллектуальные технологии управления.

62. Искусственные нейронные сети и нечеткая логика. М.: Горячая Линия-Телеком, 2004.

63. Шаломыгин М.В. Арбитман Г.Е Кушнир С.С. Системаинтеллектуальной поддержки для мониторинга энергетических объектов. 1994. - УДК:621.313.322-051:681.

64. Шемакин Ю.И. Семантика самоорганизующихся систем.

65. Академический проект, 2003. ISBN: 5-8291-0168-8.

66. Марчук Ю.Н. Основы компьютерной лингвистики,- М.'.Сигнал,2000.

67. Шмелев Д.Н. Проблемы семантического анализа лексики. Изд.2. 2006.-ISBN:5-484-00357-l.

68. Воронин В.В. Эвристические правила для диагностической экспертнойсистемы // Автоматизация и современные технологии №10 ноябрь.-2005.-ISSN: 0869-4931.

69. Зимнович Р.В., Лисов О.И., Купцов С.В. Организация обменаинформацией в системах управления принятием решения // Оборонный комплекс- научно-техническому прогрессу России: Межотр. науч.-техн. журнал. -М.: ВИМИ, 2006.-№2. С. 12-19.

70. Зимнович Р.В. Переборные многокритериальные задачи оптимизациихарактеристик МТО на основе генетических алгоритмов // Электроника и информатика 2005. Тез. докл. М.:МИЭТ 2005. - С.197:

71. Зимнович Р.В., Лисов О.И., Марков А.Б. Управление состояниемраспределённых технических систем. Оборонный комплекс- научно-техническому прогрессу России: Межотр. науч.-техн. журнал/ВИМИ. -М., 2006. - №2. - С.66-70

72. Зимнович Р.В. Формирование новых картежей знаний на основесемантического куба // Системный анализ и информационно-управляющие системы. Сборник научных трудов. Под ред. В.А. Бархоткина. М.: МИЭТ,. 2006. - С. 143-148.

73. Зимнович Р.В. Функциональная структура системы управлениясостоянием сложных технических объектов // Естественные и технические науки: СпутникПлюс-М., 2007.-№1.-С. 115-116.

74. Зимнович Р.В. Программно-диагностический комплекс контролясостояния сложных технических объектов // Естественные и технические науки: СпутникПлюс- М., 2007.-№1.-С.113-114.

75. Зимнович Р.В. Программные средства диагностического комплексапоиска неисправностей сложных технических объектов // Естественные и технические науки: СпутникПлюс. М., 2007.-№1.-С. 120-121.

76. Лисов О.И., Зимнович Р.В. Семантический куб, как формапредставления знаний в экспертной системе. Системный анализ и информационно-управляющие системы. Сборник научных трудов. Под ред. В.А. Бархоткина. -М.: МИЭТ. 2006. - С. 139-142.

77. Лисов О.И., Зимнович Р.В. Структура управления безопасностьюинформации в системах контроля специальной техники // Вопросы защиты информации: Межотр. науч.-техн. журнал. М.: ВИМИ, 2005. -№4 - С.27-29.

78. Серёгин А. Ю. Генерация знаний в интеллектуальных системах //

79. Микроэлектроника и информатика 2002. Девятая всероссийская межвузовская научно-техническая конференция студентов и аспирантов: Тезисы докладов. - М.: МИЭТ, 2002. - С. 160.

80. Серёгин А. Ю. Методы диагностирования в интеллектуальныхсоветующих системах / Научные основы технологий, материалов, приборов и систем электронной техники: Межвузовский сборник / Гусев

81. B. В., Соколова Т. Ю., ред. М.: МИЭТ, 2002. - С. 233-236.

82. Третьяков В.П., Михайлов С.Г. Адаптивно-резонансная нейронная сетьс расширенной областью принятия решения. Автометрия, №2, 1993. 1. C.80-86.

83. Шерстобитов С. В. "Центр значимости" как компонент анализасубъективного смысла высказывания // Журнал "Тверской лингвистический меридиан". Выпуск 4 / Под ред. И. П. Сусова. Тверь: Тверской гос. Университет, 2000.

84. Ашарина И. В. Диссертация: разработка интеллектуальных системдиагностирования сложных технических объектов,- Москва ,1995. -УДК 658.52.011.56.012.3.005.

85. Ван Валин Р., Фоли У. Референциально-ролевая грамматика // Новое взарубежной лингвистике. Вып. 11. -М., 1982.

86. Джейкокс Дж. Руководство по поиску неисправностей в электроннойаппаратуре. Перевод с английского А. И. Зильбермана. М.: Мир, 1989.

87. Джейн Анил К., Мао Жианчанг, Моиуддин К. М. Введение вискусственные нейронные сети / Пер. с англ. Открытые системы № 4/97.-С. 16-24.

88. Калан Роберт The Essence of Neural Networks First Edition.- 2001.- ISBN5.8459-0210-Х, 0-13-908732-X.

89. Лорьер Ж.-JI. Системы искусственного интеллекта: Пер. с франц. М.:1. Мир, 1991.

90. Нейлор К. Как построить свою экспертную систему.- Перевод с англ.

91. Слепова Н. Н.- М.: Энергоатомиздат, 1991.

92. Хант Э. Искусственный интеллект: Пер. с англ. / Под ред. В. JI.

93. Стефанюка. -М.: Мир, 1978.

94. Чейф У. Данное, контрастивность, определённость, подлежащее топики иточка зрения // Новое в зарубежной лингвистике. Вып. 11. М., 1982.

95. Экспертные системы: Принцип работы и примеры / Под ред. Р. Форсайта;

96. Пер. с англ. М.: Радио и связь, 1987.

97. Яковишин B.C. Формальный язык: теория, грамматика, применение.

98. Минск: ИТК НАН Беларуси, 2000.

99. Alaksandrau S., Fadziejeu P. Multicontext automatic processing of largeamounts of information. Principles, methods, initial algorithms.- Minsk: Intellectual Partner, 2000. The Library of Congress Control No. 13850014.

100. Anderson C. Learning and Problem Solving with Multilayer Connectionist

101. Systems. Ph. D. Thesis, University of Massachusets, 1986.

102. Ash by W. Ross. Desing for the brain. New York: Wiley, 1952.

103. Chafe Wallace Cognitive constraints on information flow // R. Tomlin (ed.),

104. Coherence and Grounding in Discourse. Amsterdam: John Benjamins. 1987.

105. Cover T. Learning in pattern recognition // Methodologies of Pattern

106. Recognition / Watanabe S. New York, 1969.

107. Cover Т., Hart P. Nearest neighbour pattern classification // IEEE Trans.1.form. Theory. IT-13. pp. 21-27.

108. David M. Kroenke Теория и практика построения баз данных. 8-е изд.оригинал: Database processing. 2003. - ISBN: 5-94723-275-8.

109. Dryer Matthew S. Focus, pragmatic presupposition, and activated propositions

110. Journal of Pragmatics, 26, 1996.

111. Goldberd David E. Genetic Algorithms in Search / Optimization and Machine1.arning. Addison-Wesley Publishing Company, Inc., 1989.

112. Holland J. N. Adaptation in Natural and Artificial Systems / Ann Arbor.

113. Michigan: Univ. of Michigan Press, 1975.

114. Hopfield J. J. Neural Networks and Physical Systems with Emergent

115. Collective Computational Abilities // Proc. National Academy of Sciences. -USA 79, 1982.-pp. 2554-2558.

116. Joseph C. Giarratano, Gary D. Riley Expert Systems: Principles and

117. Programming, 4th edition. 2006. - ISBN: 978-5-8459-1156-8, 0-534-38447-1.

118. Katz J., Fodor J. The structure of a semantic theory // The Structure of1.nguage. -N. Y.: Prentice-Hall, Englewood, Cliffs, 1964.

119. Kilgarriff A. Generative Lexicon Meets corpus Data: The Case of Nonstandard Word Uses, Brighton. UK. - 2001.

120. Kuno Susumo. Subject, Topic and the Speaker's Empathy // Li, C., ed. Subjectand topic. Academic Press. New York, 1976.

121. Kuno Susumo. Three perspectives in the functional approach to syntax // Grossmann. Papers from the parasession of functionalism. Chicago, 1975.

122. McCulloch W. S., Pitts W. A logical Calculus of Ideas Immanent in Nervous Activity // Bull. Mathematical Biophysics. Vol. 5. 1943. -pp. USDS.

123. Minsky M., Papert S. Perceptions: An Introduction to Computational Geometry. Mass., Cambridge: MIT Press, 1969.

124. Rosenblatt R. Principles of Neurodynamics. Spartan Books: New York, 1962.

125. Rumelhart D. E., McClelland J. L. Parallel Distributed Processing: Exploration in the Microstructure of Cognition. Mass., Cambridge: MIT1. Press, 1986.

126. Schank R. Conceptual information processing. Amsterdam: North-Holland Publ. Co., 1975.

127. Рус. Пер.: Шенк P. Обработка концептуальной информации. М.: Энергия, 1980.

128. Selfridge О. Pandemonium. A paradigm for learning // Proceedings of the Symposium on the Mechanization of Thought Processes / Blake D., Utteley A.-London, 1959.

129. Shimojo Mitsuaki Focus structure and morphosyntax in Japanese: WA and GA, and word order flexibility: Dissertation of Doctor of Philosophy. -Buffalo, 1995.

130. Tugwell D., Kilgarriff A. Harnessing the lexicographer in the Quest for Accurate Word Sense Disambiguation, Brighton. UK. - 2000.

131. Vemuri V. Artifical Neural Networks: Theoretical Conceptions.- IEEE Publications. Computer Soc. Press Technology. Ser. Neural Net- works, Washington, 1988.

132. Werbos P. Beyond Regression: New Tools for Prediction and Analysis in the Behavioral Sciences. Phd Thesis. Mass., Cambridge: Harvard University, Dept. of Applied Mathematics, 1974.

133. Wilks Y. A. Grammar, meaning, and the machine analysis of language. -London: Routledge and Kegan Paul, 1972.

134. Zubin D. Discourse Function of Morphology // Discourse and Syntax, T. Givon (ed.). New York: Academic Press, 1976.

135. Хоггер К./ Введение в логическое программирование/1988