автореферат диссертации по радиотехнике и связи, 05.12.17, диссертация на тему:Разработка методологии построения экспертных систем для диагностики цифровой РЭА

МОСКОВСКИЙ ЭНЕРГЕТИЧЕСКИЙ ИНСТИТУТ (ТЕХНИЧЕСКИЙ УНИВЕРСИТЕТ)

На правах рукописи

МАМАЕВ ЮСУП ГАДЖИЕВИЧ

РАЗРАБОТКА МЕТОДОЛОГИИ ПОСТРОЕНИЯ ЭКСПЕРТНЫХ СИСТЕМ ДЛЯ ДИАГНОСТИКИ ЦИФРОВОЙ РЭА

Специальность: 05.12.1 V - Радиотехнические и

телевизионные системы и устройства.

05.13.12 - Системы

автоматизации проектирования

Диссертация на соискание ученой степени кандидата технических наук

Научный руководитель:

к. т. н., доцент КАНДЫРИН Ю.В.

Москва - 1999

ОГЛАВЛЕНИЕ

Список обозначений..........................................4

Список сокращений..........................................5

ВВЕДЕНИЕ..................................................6

Глава 1. Анализ состояния проблемы...........................12

1.1. Обзор традиционных методов диагностики РЭА.........12

1.2. Обзор ЭС в области диагностики......................22

1.3. Архитектура экспертных систем. ............-..........27

1 .4. Представление знаний в ЭС...........................30

1.4.1. Логическая модель представления зшшш. ..........31

1.4.2. Семантические модели.....................32

1.4.3. Фреймы. ........................................ .33

1.4.4. Продукционные модели.............................35

1.5. Классификация методов поиска решений в ЭС.......... .37

1.5.1. Поиск решения в одном пространстве................ 38

1.5.2. Поиск в иерархии пространств...................... .43

1.5.3. Поиск в альтернативных пространствах...............46

Глава 2. Применение нейронной сети для описания объекта диагностики. ................................................49

2.1. Построение диагностических моделей объекта диагностики. ..............................................49

2.2. Исследование возможности применения нейро-

сети для описания схем цифровых дискретных устройств. ........57

2.3. Преобразование принципиальной электрической схемы

в нейронную сеть...........................................66

Глава 3, Разработка базы знаний экспертной системы. ...........78

3.1. Анализ и выбор модели представления знаний.........78

3.2. База знаний.......................................82

3.3. База данных.......................................94

3.4. Формализация неопределенных знаний. ..............101

Глава 4. Механизм поиска решений............................107

4.1. Анализ и выбор метода поиска решений..............107

4.2. Процесс управления................................115

4.3. Механизм приспособления фрейма к реальной ситуации. 126

4.4. Принятие решения в условиях неопределенности.......130

Глава 5. Применение нейросети для поиска неисправности в цифровых схемах.........................................140

5.1. Адаптация методики анализа нейронной сети для решения задач диагностики..................................140

5.2. Стратегия поиска..................................153

5.3. Методика локализации неисправности

в объекте диагностики.........................• • •.....162

ЗАКЛЮЧЕНИЕ.............................................168

ЛИТЕРАТУРА....................!..........................171

ПРИЛОЖЕНИЯ..............................................185

СПИСОК" ОБОЗНАЧЕНИЙ

у/ - логическая функция, реализуемая формальным нейроном;

<р - логическая функция, реализуемая формальным нейроном (оператором сети); 3 - порог нейрона;

а - состояние синаптического входа нейрона; и> - весовой коэффициент синапса;

Д- набор символов (двоичный эквивалент) в диаграммном уравнении;

С,.\ - элемент порядковой диаграммы; ♦

у/ - логическая функция модели ошибок; —♦

Р<ЙГ - булева производная ориентированная на увеличение;

- булева производная ориентированная на уменьшение; /Лд - функция принадлежности нечеткого множества А; РА - Фрейм А ;

яиЬР^ - субфрейм фрейма А; *

Р - логическая функция, реализуемая неисправной схемой; р~Р(Н) - априорная вероятность;

р+ = Р(Е:Н) - вероятность появления свидетельства Е} если гипотеза //верна;

р" = р(Е:тН) - вероятность появления свидетельства Е, если гипотеза//неверна;

Ш(Е) - оценочная функция (цена свидетельства); К - реакция пользователя по шкале от "-5" до "+5". Ч?(Х,8) - реляционная система; 5 - сигнатура реляционной системы.

СПИСОК СОКРАЩЕНИЙ

АСК - автоматизированная система контроля; БЗ - база знаний; БД - база данных;

БИЕ - базовая иерархическая единица;

ДМ - диагностическая модель;

ДУ - диаграммное уравнение;

ИЕ - иерархическая единица;

ИИ - искусственный интеллект;

ИС - инструментальная система;

ИУ - иерархический уровень;

КУ - комбинационное устройство;

МВГ - метод ветвей и границ; -"

МДП - метод динамического программирования;

МЛВ - механизм логического вьюода;

НС - нейронная сеть;

ОБД - ориентированные булевы дифференциалы;

ОБП - ориентированные булевы производные;

ОД - объект диагностирования;

ПУ - последовательностное устройство;

СДНФ - совершенная дизъюнктивная нормальная форма;

ФЛМ - функционально-логическая модель;

ФН - формальный нейрон;

ФНЗ - формальный нейрон с запрещающими волокнами; 1ДДУ - цифровое дискретное устройство; ЭС - экспертная система.

ВВЕДЕНИЕ

Усложнение РЭА предъявляет высокие требования к ее надежности и ремонтопригодности, а также повышает требования к методам диагностики при производстве и эксплуатации. С увеличением сложности изделия его надежность неизбежно снижается, что в свою очередь требует квалифицированного обслуживания и диагностики [28,70].

Вопросам диагностики посвящены работы таких известных специалистов" как С.П.Ксенз [64,65], С.А.Ельяшкевич [41-47], Л.Г. Дубиц-кий [13], Д.Д. Брюлле [19], И.А. Биргер [16], П.С. Давыдов [35] и др.

В диагностике обычно присутствуют следующие совокупности явлений и действий [30,35]:

• совокупность несовместимых, взаимоисключающих явлений и действий;

• совокупность соответствующих каждому состоянию отличительных признаков (значений, параметров, симптомов);

• совокупность процедур просмотра и сопоставления этих признаков, каждая из которых и есть, собственно, вариант процедуры поиска и принятия решения в условиях начальной неопределенности.

Область диагностики неисправностей РЭА сложна для проектировщиков систем диагностики в связи с тем, что данная задача является недостаточно формализованной. Кроме того, существуют определенные затруднения в передаче и освоении опыта экспертов в данной предметной области.

С развитием "искусственного интеллекта" и одного из его направлений - "систем основанных на знаниях", появилась возможность накопления и передачи знаний и опыта экспертов в рассматриваемой предметной области [90,104].

Привлечение экспертных систем в область диагностики РЭА позволяет значительно увеличить эффективность поиска неисправностей. Такие системы в данной предметной области существуют, например СОНЭТ, IN-ATE, CRIB, Maintex и др.

Большой вклад в решение данной проблемы внесли такие известные специалисты в области искусственного интеллекта как Э.В. Попов [104], Д.А. Поспелов [113,114], Г.С. Поспелов [115], Д. Уотерман [130], А. Эндрю [140], Д. Ленат [158], и др.

В соответствии с существующими подходами к диагностике РЭА можно выделить две тенденции. Первая - это уклон в сторону "математизации" процесса поиска неисправностей. Вторая связана с тем, что делается акцент на знания и опыт экспертов в данной предметной области. Что касается первой тенденции, то она не учитьюает неформальных аспектов задачи, и этот факт во многом снижает эффективность решения. Во втором случае привлечение экспертных знаний и эвристического опыта вносит большую долю субъективности в процесс решения и, как следствие, влияет на результат [2,3,18,50].

Привлечение экспертных систем (ЭС) для решения задач диагностики РЭА позволяет в значительной степени перенести процесс поиска неисправности из области технической (я-ое количество контрольных измерений) в область интеллектуальную (с минимальным количеством контрольных измерений). В идеале это диагностика "без снятия задней панели".

Известно [52,54,145], что слабым местом ЭС является их ориентированность на конкретное изделие или класс изделий. Этот факт часто делает нецелесообразным создание ЭС для диагностики широкого спектра РЭА, так как достаточно трудоемкий процесс их создания может перечеркиваться появлением принципиально новых изделий. Решением этой проблемы должны стать такие ЭС, которые были бы инвариантны по отношению классу и типу РЭА.

На возможность построения такой ЭС указывает то, что любая

РЭА на низшем иерархическом уровне состоит из множества элекгро-радиоэлемеитов (ЭРЭ), связанных между собой в базовые функциональные единицы (усилители, фильтры, умножители и т.д). При этом можно отметить, что скорость изменения множества базовых иерархических единиц (БИЕ) существенно меньше скорости совершенствования аппаратуры, т.е. любая принципиально новая аппаратура является "комбинацией" таких базовых иерархических единиц.

Другой существенный недостаток существующих экспертных систем для диагностики РЭА - недостаточная глубина локализации неисправности на элементном уровне. Если на структурном уровне локализация неисправности осуществляется достаточно эффективно на основе экспертных знаний, то на уровне элементов такие знания практически отсутствуют, а экспертная система решает задачу на основе традиционных методов, которые также не свободны от недостатков.

Исходя из всего этого, можно сделать следующие выводы. Во-первых, необходимо использовать накопленный опыт и достоинства традиционных подходов к диагностике РЭА. Во вторых, необходимо дальнейшее развитие и совершенствование экспертных систем, работающих в данной области. В третьих, представляется перспективным привлечение к решению данной проблемы других перспективных направлений теории искусственного интеллекта, например, теории формальных нейронов и нейронных сетей.

Актуальность проблемы Одним из эффективных методов повышения надежности РЭА в процессе эксплуатации является ее рациональная техническая диагностика, которая позволяет организовать поиск и локализацию неисправности. Особое значение эта проблема приобретает при эксплуатации и обслуживании сложных радиотехнических комплексов специального назначения, для которых главными показателями качества процесса диагностики являются надежность установления диагноза и

время поиска дефектных компонентов.

В настоящее время РЭА с цифровой обработкой сигнала широко используется, что привело к существенному повышению уровня ее надежности, но в целом не сняло проблему обеспечения высокой работоспособности. Это значит, что разработка методов эффективного поиска возникающих неисправностей остается актуальной.

Кроме того, развитая и эффективная технология решения задач диагностики далека от совершенства. Это можно объяснить тем, что данная задача является слабо формализованной, что в свою очередь вызывает определенные затруднения в передаче и освоении опыта экспертов в области диагностики РЭА.

С развитием систем искусственного интеллекта появилась возможность решения подобных задач. Привлечение экспертных систем (систем, основанных на'знаниях) в область диагностики РЭА позволило значительно увеличить эффективность поиска неисправности, а также дало инструмент для накопления и передачи опыта экспертов.

Однако, если на структурном уровне экспертные системы (ЭС) позволяют достаточно эффективно локализовать неисправность, то на элементном уровне они вынуждены обращаться к традиционным методам диагностики. Это объясняется тем, что экспертные знания на этом иерархическом уровне практически отсутствуют.

Кроме того, существующие экспертные системы ориентированы, как правило, на определенный тип или класс РЭА, а иногда и на конкретное изделие. При этом сложный и трудоемкий процесс построения такой системы перечеркивается моральным старением и появлением новой РЭА. Возникает проблема построения инвариантных экспертных систем.

Анализ статистических данных отказов показал, что 40% отказов связано со сферой производства и разработки РЭА, 40% отказов связаны с комплектующими электро-радиоэлементами и 20% - ошибки обслуживающего персонала и другие различные причины.

Известно, что эффективный контроль РЭА на этапе производства позволяет резко повысить надежность изделия, поэтому важное значение имеет контроль комплектующих э л ектро-р а ди оэлем ентов, особенно ИС, БИС, СБИС, в которых могут существовать не только одиночные, но и множественные ошибки.

Таким образом, актуальными являются следующие задачи: • разработка метода локализации единичных и множественных ошибок в схемах с цифровой обработкой сигнала;

» разработка методологии построения экспертных систем для диагностики цифровой РЭА с высокой степенью инвариантности;

© использование современных направлений теории искусственного интеллекта и разработка на их основе эффективных методов решения поставленной задачи.

Постановка задачи Основной целью диссертационной работы является разработка методологии диагностики цифровой радиоэлектронной аппаратуры посредством систем искусственного интеллекта.

Для реализации поставленной цели необходимо решить следующие задачи.

1. Разработка д и а гн о сти ч еских моделей объекта диагностики (ОД).

2. Разработка метода моделирования неисправности.

3. Разработка базы данных и базы знаний ЭС.

4. Разработка механизма поиска решений.

5. Разработка метода локализации неисправности.

Задача диагностики РЭА посредством ЭС, состоит в: а) определении неисправности объекта диагностики, основываясь на системе правил, опираясь на набор признаков и фактов, проявление которых наиболее точно отражают состояние объекта диагностики; б) в выдаче рекомендации по устранению возникшей неисправности, на основании поставленного диагноза.

Диссертация содержит введение, пять глав с выводами, заключение, список литературы п приложения, включающие в себя акты внедрения и фрагменты программ. В начале каждой главы, кратко формулируется проблема, решению которой посвящена глава, а в конце каждой глаьы приводятся краткие вывода.

По теме диссертации опубликовано три печатные работы, в том числе одна статья. Результаты работы внедрены в НИР и используются в учебном процессе на кафедрах САПР в МИРЭА и ВолГТУ.

Глава 1

АНАЛИЗ СОСТОЯНИЯ ПРОБЛЕМЫ

1.1. Обзор традиционных методов диагностики РЭА.

Повсеместное применение РЭА в современной технике обусловило повышение функциональной значимости, важности и требований к надежности, а также потребность в техническом обслуживании и ремонте. Эти требования столь высоки, что необходим глубокий и оперативный анализ причин каждого отказа.

С увеличением сложности технических систем непрерьюно возрастает роль методов и средств поддержания их в состоянии постоянной работоспособности. Усложнение РЭА при прочих равных условиях снижает ее надежность и, следовательно, эффективность выполнения ею заданных функций.

Одно лишь повышение надежности элементов системы не может компенсировать снижение надежности, обусловленное ростом ее сложности. Одним из эффективных методов, решающих эту задачу, является рациональное техническое обслуживание и диагностирование РЭА в процессе эксплуатации. Усложнение технических объектов диагностирования (ОД) ведет к усложнению средств их обслуживания.

Задачи поиска и принятия решений в диагностике РЭА имеют многоальтернативный древообразный характер. Одним из способов решения таких задач является решение статистических многокритериальных задач по какому-либо критерию оптимальности [39].

Задачи поиска неисправностей в РЭС обычно решаются операторами из подразделений обслуживания. Знания и навыки, необходимые для поиска неисправностей, приобретаются, в основном, наблюдением и повторением действий опытных специалистов или путем самостоятельного проведения поисковых экспериментов.

Объективная и обоснованная технология поиска и устранения неисправностей, возникающих при внезапных отказах РЭА, отсут-

ствуст . Это вызывает определенные затруднения в передаче и освоении опыта при поиске неисправностей.

Поиск неисправностей в технических устройствах есть разновидность задачи распознавания объекта с заданными свойствами из совокупности (множества) подобных друг другу объектов [64,65]. Подобные задачи характерны для тех областей знаний, где требуется принятие решения в условиях неопределенности.

Среди методов диагностики можно обобщенно выделить методы функциональной (ФД) и тестовой диагностики (ТД). Оценка состояния ОД при ФД производится при функционировании ОД по диагностическим признакам. Причем, функционирование ОД происходит при рабочем воздействии. Напротив, в методах ТД оценка состояния ОД происходит сравнением параметров ОД с тестовыми, для чего формируются специальные тестовые воздействия.

В сущности, задача поиска традиционными методами диагностики решается проверкой параметров ОД в контрольных (промежуточных) и выходных (конечных) точках.

Известные методы ТД можно разделить на три группы [19,34,136]:

• структурное диагностирование;

• поэлементное диагностирование;

• комбинированное диагностирование.

При структурном диагностировании осуществляется тестирование объекта в целом. При этом на входы ОД подаются тестовые воздействия, а на выходах ОД или внутрисхемных контрольных точках пров�