автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Самоорганизующаяся экспертная система для диагностики электрооборудования энергосистем

На правах рукописи

ПОЛЯХОВ Дмитрий Николаевич

САМООРГАНИЗУЮЩАЯСЯ ЭКСПЕРТНАЯ СИСТЕМА ДЛЯ ДИАГНОСТИКИ ЭЛЕКТРООБОРУДОВАНИЯ ► ЭНЕРГОСИСТЕМ

I

Специальность: 05.13.01 - Системный анализ, управление и обработка информации (технические системы)

АВТОРЕФЕРАТ диссертация на соискание ученой степени кандидата технических наук

Санкт-Петербург 2005

Работа выполнена в Санкт-Петербургском Государственном Электротехническом Университете "ЛЭТИ" имени В.И. Ульянова (Ленина)

Научный руководитель -

кандидат технических наук, доцент Сабинин О.Ю.

Официальные оппоненты:

доктор технических наук, профессор, академик международной академии информатизации Трофимов В.В., кандидат технических наук, доцент Водовозов В.М.

Ведущая организация - ОАО "Ленэнерго"

Защита диссертации состоится 2005г. часов на заседании

диссертационного совета Д 212.238.07 Санкт-Петербургского Государственного электротехнического университета "ЛЭТИ" имени В.И. Ульянова (Ленина) по адресу: 197376, Санкт-Петербург, ул.Проф. Попова 5.

С диссертацией можно ознакомиться в библиотеке университета.

Автореферат разослан 40 " _ 2005г.

Ученый секретарь диссертационного совета

Яшин А.И.

Лое-r

ТЩГ

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность проблемы использования систем искусственного интеллекта в задачах диагностики электрооборудования для энергосистем определяется наличием сложной структуры выработки, распределения и потребления электроэнергии с большим количеством различного оборудования задействованного в ней.

При решении задачи диагностики электрооборудования все более широкое распространение получают экспертные системы. Экспертные системы решают задачу автоматизации использования знаний. Эта задача становится все более важной при переходе к информационному обществу и ускоряющемуся процессу накопления все большего количества информации и знаний.

Примеры использования экспертных систем для решения задач энергетики можно найти в различных зарубежных публикациях (Hope G.S., Jefferson Т., Malik O.P., Smith L., Zhang Z Z. и др.) и в опубликованных трудах российских авторов (Васин В.П., Орлов В.Г., Любарский Э.Я., Самойлов С H и др.). Однако результаты работы подобных систем весьма часто не являются удовлетворительными и не могут заменить опыт конкретных спе-

В настоящий момент эксплуатируется большое количество типов и классов электрооборудования. Причем общее количество типов и классов оборудования увеличивается, а каждая единица оборудования имеет индивидуальную динамику износа и особенности эксплуатации, что приводит к индивидуальному характеру развития дефектов.

Такая ситуация делает неэффективным использование обычных экспертных систем, а требует системы, которая могла бы адаптироваться к динамически изменяющимся особенностям оборудования путем изменения своей базы знаний без прямого участия человека.

Цель диссертационной работы заключается в разработке принципов построения экспертной системы для диагностики электрооборудования, которая позволяла бы делать выводы для неоднозначных ситуаций и получать новые знания из имеющихся в результате анализа накопленного опыта.

Основные задачи. Для достижения поставленной цели, в работе следующие основные задачи:

• анализ существующих методов представления знаний для экспертных систем;

• разработка теоретических основ самоорганизующейся экспертной системы для диагностики электрооборудования;

• реализация алгоритма самоорганизующейся экспертной системы с использованием реляционной базы данных для хранения правил и фактов системы.

Методы исследования. В процессе выполнения исследований по теме диссертационной работы были использованы: аппарат математической логики и комбинаторики, математическая теория подтверждения свидетельств Демпстера-Шефера, теория графов.

Основные положения, выносимые на защиту.

• Модель представления знаний для диагностики электрооборудования.

• Механизм нечеткого логического вывода решения задач диагностики элек-

трооборудования.

• Алгоритм самонастройки и самообучения экспертной системы для диагностики электрооборудования.

• Самоорганизующаяся экспертная система для диагностики электрооборудо-

циалистов.

вания энергосистем.

Научная новизна диссертации.

1) Модель представления знаний для диагностики электрооборудования, отличающаяся компактностью формы, удобством хранения информации в реляционной базе данных.

2) Механизм нечеткого логического вывода для решения задач диагностики электрооборудования, отличающийся тем, что учитывает противоречивые правила и позволяет системе давать ответы, соответствующие неоднозначности рассматриваемой ситуации.

3) Алгоритм самонастройки и самообучения экспертной системы для диагностики электрооборудования, отличающийся возможностью получения системой новых правил без прямого участия человека по их внедрению, что позволяет системе изменять свою структуру и уменьшать неоднозначность нечеткого вывода.

4) Самоорганизующаяся экспертная система для диагностики электрооборудования энергосистем, увеличивающая количество правил системы на основе накопленной статистики без прямого участия человека.

Практическая значимость. Использование предлагаемого в данной диссертационной работе подхода в самоорганизующейся экспертной системе позволяет повысить качество решения задач диагностики электрооборудования.

Можно выделить следующие особенности использования самоорганизующейся экспертной системы:

• получение нечеткого вывода для неоднозначной ситуации;

• самообучение системы, позволяющее получать все более однозначные выводы

при накоплении системой опыта.

Достоверность полученных результатов определяется тем, что предложенные средства построения модели представления знаний, механизм нечеткого логического вывода и алгоритм самонастройки и самообучения получили практическое подтверждение в результате их апробации, о чем имеются соответствующие акты об использовании результатов диссертационной работы.

В работе используется математический аппарат нечеткой логики, современные методы представления и использования знаний, опираясь на основные принципы работы систем управления и обработки информации.

Результаты работы нашли отражение в гранте Минобразования РФ: "Исследование нечетких систем в электроэнергетике" (№ гос. per 01 201 08 777).

Внедрение результатов. Основные результаты диссертационной работы использованы в следующих организациях:

• Санкт-Петербургский институт дополнительного профессионального образования службы занятости.

• Научно производственная фирма "Энергосоюз".

Использование результатов диссертационной работы подтверждено соответствующими актами.

Апробация работы. Основные положения диссертационной работы докладывались и обсуждались на следующих научно-технических конференциях и семинарах:

1) Международная конференция по мягким вычислениям и измерениям (SCM-

2003), Санкт-Петербург, 25-27 июня 2003.

2) Международная конференция по мягким вычислениям и измерениям (SCM-

2004), Санкт-Петербург, 17-19 июня 2004.

.! rtjl , • iKj'X' ,-) i

\ -»>«•■ . _____________

Публикации. По теме диссертационной работы Поляхова Д.Н. опубликованы 4 научные работы, из них - две статьи и два доклада на международных научно-технических конференциях.

Структура и объем диссертации. Диссертация состоит из введения, трех глав и заключения, списка литературы,включающего 77 наименований. Основная часть работы изложена на 119 страницах. Работа содержит 27 рисунков и 20 таблиц

СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность проблемы, сформулированы цель и задачи исследования, приведены основные научные положения и результаты, выносимые на защиту, описывается структура работы.

В первой главе проведен обзор сложившегося состояния в области использования интеллектуальных систем в целом и экспертных систем в частности для диагностики электрооборудования энергосистем. Рассмотрены особенности структуры и функционирования энергосистем, проанализированы различные методы представления знаний в интеллектуальных системах. В результате были получены следующие основные выводы:

• Использование семантических сетей для решения задачи представления знаний применительно к области электроэнергетики не является оптимальным, поскольку в ряде случаев сети являются логически и эвристически неадекватными. Нейронные сети существенно отличаются от семантических сетей (хотя алгоритм поиска информации и в той и в другой сети является схожим) и их существенным недостатком является то, что знания сохраняются не в декларативном виде, поэтому нейронные сети не могут быть доступны для интерпретации со стороны какого-либо внешнего процессора.

• Представление знаний в виде продукционных правил, с одной стороны, достаточно просто, с другой стороны, именно в такой форме эти знания часто содержатся в ответах экспертов и в специализированной литературе.

• Существенное расширение возможностей интеллектуальных систем является использование аппарата нечеткой логики.

• Теория Демпстера-Шефера представляется перспективной, при условии преодоления проблемы громоздкости вычислений.

Вторая глава посвящена описанию модели представления знаний, механизма накопления статистики и самоорганизации системы.

В первом разделе второй главы описывается структура знаний экспертной системы и нечеткий логический вывод, который система генерирует. Чтобы сформулированное экспертом утверждение было занесено в базу знаний системы, необходимо, чтобы в первую очередь оно было составлено из элементов, "знакомых" экспертной системе, т.е. имеющихся в ее базе данных. Важно отметить, что каждый элемент имеет два параметра, которыми он полностью описывается- наименование типа элемента и значение, которое элемент данного типа принимает.

Следующим этапом является описание объединения единиц утверждения в виде утверждения или правила, для чего используются логические операции конъюнкции (логического "И") и дизъюнкции (логического "ИЛИ").

Знания экспертной системы предлагается хранить в виде графа знаний. Каждый узел графа является трехуровневой структурой и имеет уникальное имя. Имя узла графа -верхнему уровню данной структуры соответствует само имя узла графа знаний. Второму уровню узла графа соответствует один или более наборов условий. Третьему уровню соответствуют сами условия, входящие в данный набор условий (рис. 1).

(

Г

Набор Условий 1

Набор Условий 2

V

Условие 1

Условие 2

Условие 3

Условие 4

Условие 5

Условие 6

Условие 7

Рис 1. Трехуровневая структура узла графа знаний.

В рамках предложенного графа знаний, каждое из условий, составляющих третий уровень узла графа знаний (рис.1) состоит из трех элементов:

1-й элемент условия - название параметра, который подлежит оценке. Им может быть величина, измеряемая численно, например, скорость, вес и т.д. либо описьюаемая качественно.

2-й элемент условия - значение оцениваемого параметра: для числовых параметров это будет конкретное число; для параметра, описываемого качественно (нечислового параметра) это будет свойство, присущее объекту Например, параметр цвет может быть охарактеризован как яркий, красный, матовый и т.д.

3-й элемент условия - отношение, связывающее два предыдущих элемента Для числовых параметров это отношение может бьггь одним из двух- "больше" или "меньше" (">", "<"), для параметра описываемого качественно это условие может быть только "равно" ('-"). Для нечислового параметра отношение типа "больше" или "меньше" соответствует отношению "неравно", а такое условие вполне можно заменить отсутствием условия как такового.

Каждое условие является уникальным сочетанием образующих его трех компонентов. Если появляется необходимость использовать условие, которое уже есть в базе данных, то нет необходимости вводить его заново в базу знаний - достаточно использовать ссылку на него.

Условия, записанные в такой форме, удобно хранить в таблице реляционной базы данных (таблица 1).

Таблица 1. Представление информации в виде условий

Имя условия Имя параметра Отношение Значение параметра

1 Скорость > 10

2 Скорость < 30

3 Пригодность = удовлетворительно

4 Пригодность = неудовлетворительно

В результате реализуется отношение "ИЛИ" на двух уровнях: между наборами условий и между группами наборов условий (рис. 1).

Отношение логического "И" реализуется в графе при помощи ребер графа, соединяющих узлы, каждому из которых соответствует своя группа наборов условий.

Целью работы экспертной системы является получение нечеткого вывода. В процессе работы система осуществляет движение по графу знаний. В случае если достигается ряд вершин, система формирует нечеткий логический вывод, если не достигается ни одной вершины, система констатирует отсутствие знаний, которые бы дали ответ на сложившуюся ситуацию.

Движение по графу знаний (являющемуся деревом) предлагается осуществлять от корня с использованием рекурсии Необходимым условием движения от узла-предка к узлу-потомку является прохождение узлом-предком проверки Предок - узел, который связан ребром с данным узлом и находится ближе данного узла к корню дерева. Потомок -узел, связанный ребром с данным узлом, находящийся дальше данного узла от корневого узла. Каждый узел может иметь одного предка и более одного потомка. Корневой узел не имеет узла-предка. Проверяется группа наборов условий, принадлежащая данному конкретному узлу. Эта группа условий считается истинной, если оказывается истинным хотя бы один набор условий этой группы.

Процедура проверки наборов условий различна для наборов условий с числовым параметром и набором условий с нечисловым параметром.

При проверке наборов условий с числовым параметром необходимо выполнение каждого условия из набора условий. Выполнение данного требования соответствует попаданию значения параметра в определенный числовой интервал (таб 1).

При проверке наборов условий с нечисловыми параметрами должно сработать хотя бы одно из условие из набора условий. В случае неудачи проверки узла потомка, т.е. при отрицательном результате проверки всех его наборов условий, программа возвращается обратно к узлу-предку. После этого осуществляется движение к другому потомку узла-предка. Возврат в корневой узел будет осуществлен независимо от того, была ли достигнута хотя бы одна вершина, или не было достигнуто ни одной, т.е. не сработало ни одного правила.

Если вершины были достигнуты, то информация об этом хранится в специальном списке достигнутых вершин, обработка которого начинается после возврата в корневой узел дерева правил.

Список достигнутых вершин является списком наборов условий. Однако существенным является то, что для каждого из этих наборов условий имеется набор определенных коэффициентов, являющимися весами альтернатив логического вывода((V ).

Каждому условию С, соответствует определенное целое число IV,. Таким образом, каждое условие С, вершины графа знаний, в случае нечислового параметра в качестве вывода, имеет три составляющие:

1) название параметра;

2) значение параметра;

3) целое число, являющееся весом этого значения параметра.

В случае нечислового параметра отношение, связывающее название параметра и значение этого параметра может быть только "равно", а название параметра в вершине графа знаний всегда будет одно для всех условий, поскольку в вершине может быть только один набор условий.

Соответственно для количества условий N, получим N коэффициентов К1, каждый из которых вычисляется по формуле:

к,=

N

■М

Далее происходит операция корректировки коэффициентов К, для каждой альтернативы нечеткого вывода. Корректировка коэффициента К! может уменьшить значение коэффициента К, для конкретной альтернативы вывода. Для выполнения корректировки .К, необходимо вычислить коэффициент корректировки. Для этого может быть введена специальная функция:

-<

к —м _ р

при

Величина р характеризует значимость данного конкретного правила; в ходе апробации системы при решении задачи диагностики электрооборудования, значение /?=20 оказалось достаточным, хотя может быть выбрано и большее число.

Значение величины р определяет количество срабатываний правила, после которого оно становится полноценным для экспертной системы. Если правило срабатывало меньшее количество раз, то значимость этого правила будет меньше (рис.2).

Рис. 2. Зависимость коэффициента коррекции веса логического вывода от количества срабатываний правила.

Скорректированный К, вычисляется по формуле:

к —к * к

После того, как получены все скорректированные коэффициенты для альтернатив нечеткого вывода всех наборов условий вершин графа знаний, осуществляется получение нечеткого вывода на основе имеющейся информации. Поскольку все полученные вершины являются наборами условий для одного и того же параметра, значения параметра для разных вершин могут быть одинаковыми.

Итак, имеется набор значений параметра для разных вершин графа знаний:

.....А„),

где АиА2......Л - различные значения параметра вывода или альтернативы логического

вывода.

Каждому значению параметра соответствует свой скорректированный коэффициент из списка ¿2:

А = .....^-аюрр^} •

Далее предлагается сформировать список значений параметров ¿3, которые войдут в нечеткий вывод системы. Это будет список неповторяющихся значений параметра. Иначе говоря, повторяющиеся значения из списка X, войдут в список I, только один раз. Т.е. в списке £3 будет на х повторяющихся элементов меньше, чем в списке :

¿з = {А]гА2,.....А„_х).

Для каждого элемента этого списка будет получен свой суммарный коэффициент. Этот коэффициент будет равен скорректированному коэффициенту значений параметра из списка ¿1 в случае, если элемент списка 1Л встречается в списке один раз.

В случае если элемент списка Ц встречается более одного раза, тогда его суммарный коэффициент будет равен сумме коэффициентов из списка 12, соответствующих повторяющемуся элементу из списка £3:

<

Ксумм , =Кат,_1 для уникального А, из списка I,,

п

~Ксуш, j - X Кскорр , ,где Ктрр 5 -коэффициентов из списка 12, соответствующих элементам списка I,, повторяющихся и равных А].

Таким образом, получается список суммарных коэффициентов:

= {^сумм_1>^сумм_2.....

Последняя операция над списками - это получение нормированного списка суммарных коэффициентов из списка суммарных коэффициентов. Список нормированных суммарных коэффициентов содержит столько же элементов, сколько список суммарных коэффициентов. Каждый элемент списка нормированных суммарных коэффициентов вычисляется по формуле:

у

ЪГ —

Л норм _<умм _1 д-д '

1

>1

В результате получается список ¿5 нормированных суммарных коэффициентов

~~ норм _сумм_\> К-норм норм _сумм_п-*} »

каждый элемент которого соответствует элементу из списка 14 и имеет одинаковый с ним порядковый номер.

Список ¿з является нечетким выводом системы, а коэффициенты из списка Ь$ являются коэффициентами доверия для каждой альтернативы нечеткого вывода, в случае, если в правилах имеется лишь одна альтернатива в качестве вывода. В общем случае это не так и для всех остальных альтернатив вывода создается список параметров и список коэффициентов как в списке!,.

Во втором разделе второй главы рассматривается процедура накопления экспертной системой статистики и параметрической оптимизации работы системы.

После получения нечеткого вывода, экспертная система сохраняет информацию о тех фактах, которые фигурировали в получении нечеткого вывода. Эта информация сохраняется в виде списка фактов и списка вершин графа знаний, на основе которых был сгенерирован нечеткий вывод

Предположим, что экспертная система для конкретной ситуации сделала нечеткий вывод о пригодности данного оборудования для дальнейшей эксплуатации. Пример нечеткого вывода о пригодности оборудования представлен в таблице 2:

Таблица 2. Пример нечеткого вывода для нечислового параметра.

Альтернатива нечеткого вывода Относительный вес альтернативы

1) Оборудование необходимо срочно вывести из эксплуатации 20%

2) Оборудование нужно вывести из эксплуатации через один-два года 40%

3) Оборудование может оставаться в эксплуатации, необходимости в ремонте нет 40%

Для получения такого вывода система задействовала определенное количество правил, получив при этом все необходимые ей факты. Информация о полученных системой фактах и задействованных правилах сохраняется в базе данных системы.

Пользователь системы может ввести информацию в систему, о том какая из альтернатив нечеткого вывода сработала. Затем экспертная система использует эту информацию для изменения весов условий вершин графа знаний, задействованных в получении данного нечеткого вывода. Как говорилось ранее, каждому условию вершины графа знаний С, соответствует определенное целое число IV,. Это число является счетчиком подтверждений правильности выдвинутой гипотезы, в виде одной из альтернатив нечеткого вывода, в котором она участвовала. Существенным моментом является то, что если правило вообще не выдвигало такой альтернативы, а практика подтвердила именно такой вывод, то такая альтернатива будет добавлена в вершину графа знаний и счетчик подтверждений правильности такой альтернативы Щ будет равен 1, поскольку это будет первый случай такого вывода в правиле,.

В результате, система получит группу правил со скорректированными весами. Чем большее количество коррекций в системе будет происходить, тем более адекватными будут правила системы.

В третьем разделе второй главы описывается механизм самообучения самоорганизующейся экспертной системы.

После того, как правила в системе были скорректированы, система продолжает хранить информацию о фактах, при которых были задействованы правила. Полученная информация необходима для самообучения системы. Стартовая точка работы механизма самообучения экспертной системы наступает сразу после того, как произошла очередная параметрическая оптимизация правила экспертной системы.

Первым действием механизма самообучения является проверка на наличие подходящих условий в описании правила для этого процесса. Правило может быть рассмотрено в первом приближении как ветвь графа:

Рис. 3. Правило как элемент графа знаний в экспертной системе. Ш-Ю - узлы графа знаний. М - нечеткий вывод правила. Каждому узлу графа будет соответствовать совокупность наборов условий, которая обеспечивает функцию логического "ИЛИ" как внутри набора условий, так и между наборами условий(рис.4).

Рис. 4. Узел подграфа знаний как элемент правила на примере узла N1.

Иначе говоря, на рис 4 сформулирована логика: если истинно хотя бы одно из условий для любого из параметров узла N1, то истиной считается данный узел подграфа знаний.

Ребра подграфа знаний реализуют функцию логического "И". Для того, чтобы подграф знаний считался истинным, необходимо, чтобы были истинными все узлы подграфа. Если хотя бы один узел будет признан неистинным, истинность стальных узлов графа не будет иметь значения.

Далее рассматривается узел подграфа знаний, как совокупность условий, связанных между собой логическим отношением "ИЛИ", такая форма представления узла подграфа знаний правомерна, поскольку в данном случае нам не важны названия параметров, которые являются нечисловыми параметрами

Рассматривается статистика, накопленная экспертной системой для конкретного правила. Эта статистика представляет собой набор конкретных ситуаций, которые имели место и которые укладывались в рамки данного правила.

Одно правило может охватывать достаточно большое количество ситуаций, например, в правиле, представленном подграфом, состоящим из трех узлов и вершины вывода (рис. 5), каждый из трех узлов заключает в себе 10 альтернативных условий, а вершина вывода имеет 4 альтернативных варианта вывода.

Узел 1 условие1 условие2

условие10

Узел 2 условие11 условие12

условие20

УзелЗ условие21 условие22

ч^условиеЗр!

Вывод

альтернатива 1

альтернатива 2

альтернатива 3

альтернатива 4

Рис.5. Множество ситуаций, подпадающих под одно правило

Легко видеть, что для рис.5 получим 4*103ситуаций, в которых данное правило может сработать. Статистика экспертной системы накапливает данные для тех ситуаций, которые реально имели место.

Чтобы говорить о повышении эффективности правил в экспертной системе, нужно ввести оценку эффективности правила как такового. Предлагается ввести оценку, основанную на доле доминанты среди альтернатив вывода. Доминантой (^предлагается назвать альтернативу нечеткого вывода с наибольшим весом.

Если доля доминанты равна 100%, это говорит о полной однозначности правила и является идеальным случаем. Чем доля доминанты ниже, тем менее эффективно правило, то есть, чем менее однозначен вывод правила, тем менее эффективно правило.

Результат самообучения предполагает создание двух правил из одного, средняя эффективность которых будет выше эффективности исходного правила. Получение двух правил из одного и есть работа механизма самообучения:

Вывод

альтернатива 1 альтернатива 2 альтернатива 3 альтернатива 4

'зел 1 условие1 условие2

условие!0

Узел 2 условие11 условие!2

I-

'словиеМ^

УзелЗ условие21 условие22

'словиеЗО

|^СЛ(

Узел 1 условие1 условие2

условие10

/узел2+\ условие!1

условие15

V/

Узел 3+ условие21 условие22

условиеЗО

Вывод+

альтернатива 1+

альтернатива 2+

альтернатива 3+

альтернатива 4+

/Узел^4 условие 16

условие20

Узел 3- % условие21 условие22

условиеЗО

Вывод-

альтернатива 1-альтернатива 2-альтернатива 3-альтернатива 4-

Рис. 6. Работа механизма самообучения.

Узел 3 на рнс.6 был разделен на два узла, имеющих новые наименования, но полностью наследующие набор условий узла 3. Исходный вывод правила преобразовался в два вывода, отличных от исходного. Количество альтернатив вывода в выводе+ и выводе-осталось прежним, таким же как и в исходном выводе, изменились лишь весовые коэффициенты альтернатив вывода Существенным моментом является то, что доминанты Д. вывода+ и £>_ вывода- будут иметь новые весовые значения.

Получение двух правил из одного осуществляется тогда, когда эффективность хотя бы одного из двух новых правил будет выше эффективности исходного правила:

А,««*« < ■ (1)

На рис. 6 узел 1 оказался неизмененным, узел 3 по сути продублированным, а узел 2 разделенным на два узла. Назовем это разветвлением правила. Каковы причины, по которым был выбран именно этот узел, а не узел 3 или 1? Прежде чем сделать такой выбор, механизм самообучения сделал проверку для всех узлов подграфа знаний. Для роли узла 2 выбирается тот узел, который обеспечит разветвление правила, для которого неравенство (1) будет наибольшим. Также важно разбиение исходного набора условий узла 1 на под-наборы условий для узла1 - и узла1 +. На рис. 5 имеет место разбиение на две подгруппы по 5 условий; это могло бы бьггь разбиение на 4 и 6 условий и даже на 9 и 1 условие. Единственным критерием является неравенство (1), которое должно быть наибольшим среди всех возможных разбиений в рамках данного подграфа знаний:

тах(£>

+/_ ^исходная )

Рассматривается анализ эффективности возможного разбиения группы условий на две подгруппы для произвольно выбранного узла, например узла 1 с рис. 4. Как известно, экспертная система хранит накопленную статистику по ситуациям, с которыми ей приходилось сталкиваться. Во внимание принимается статистика, для которой имеются подтвержденные выводы. Пусть в системе хранится N ситуаций для данного правила, которые получили подтверждение. Для каждой из этих ситуаций имеется фактическое значение параметра (факт), которое удовлетворяет одному из условий узла 1. Наличие такого значения необходимо, иначе эта ситуация не привела бы к срабатыванию именно этого правила. Более того, можно утверждать, что в общем случае в разных ситуациях, для которых справедливо правило, для узла 1 факты могут повторяться. Таким образом, можно для каждого условия узла 1 получить число, являющееся количеством повторного появления этого конкретного факта в разных ситуациях.

Для каждого из возможных вариантов разбиения группы на две подгруппы выполняются определенная процедура проверки. Для каждого элемента т1 из исходной группы,

где I = 1, М, имеется число, назовем его /, соответствующее частоте попадания этого конкретного факта в ситуации, получающие впоследствии корректировку вывода. Проверка заключается в сопоставлении суммы частот появления фактов из одной подгруппы с суммой частот другой подгруппы. В результате получаем число Р, характеризующее близость этих подгрупп по количеству фактов встречавшихся экспертной системе.

п

I/

Р =-&-

и я

1-п М

Теперь, получив величину, характеризующую долю первой подгруппы в общей сумме частот появления фактов из обеих подгрупп, можно получить величину т, харак-

теризующую в процентном отношении разброс между подгруппами по суммарной величине появления фактов в этих подгруппах.

а = |/'-0,5|*100%.

Величина со равняется в лучшем случае нулю. Для реальных ненулевых значений вводится предел, превышение которого не позволяет проводить такое разбиение. Предлагается ввести предельное значение величины со =5%.

Назовем выполнение условия непревышения величиной со предельного значения условием симметричности разбиения группы фактов на две подгруппы. Когда условие симметричности выполнено, можно проверить, будет ли данное разбиение эффективным Гипотеза того, что это разбиение эффективно, должна быть доказана или опровергнута. С этой целью рассматриваются по очереди обе получившиеся подгруппы.

Рассматриваются все ситуации, в которых фигурировали факты из первой подгруппы, то есть рассматриваются все альтернативы вывода с весами, которыми они обязаны именно этой подгруппе. Вычисляются новые веса для альтернатив вывода, как будто не существует второй подгруппы параметров. Формально, первая подгруппа отличается от исходной группы условий лишь количеством элементов.

Такая же процедура расчета доминанта П_ нового правила осуществляется и для второй подгруппы. Когда получены доминанты для новых двух правил, осуществляется оценка эффективности этих двух новых правил по сравнению с исходным правилом по формуле (1) Если неравенство (1) не выдерживается, тогда такое разбиение не будет произведено, если же неравенство (1) выполняется, тогда такое разбиение фиксируется как удачное и продолжается проверка всех остальных вариантов разбиений для данного узла и всех остальных узлов. После того как заканчивается проверка всех узлов на возможность удачного разбиения групп условий, среди удачных разбиений, если такие есть, выбирается разбиение, дающее максимальную среднюю эффективность для двух новых правил, в соответствии с формулой (2).

В третьей главе рассматривается задача диагностики состояния силового трансформатора по результатам хроматографического анализа растворенных в трансформаторном масле газов. Эффективное решение задачи диагностики силового трансформатора позволяет существенно повысить надежность работы энергосистемы и более удачно строить график планового вывода оборудования в ремонт. Именно силовой трансформатор является наиболее уязвимым местом энергосистемы при развитии каскадных аварий.

Исходные правила для получения вывода взяты из методических указаний по диагностике развивающихся дефектов трансформаторного оборудования (РД 153-34.046.302-00).

В первом разделе третьей главы приводятся примеры правил в форме методических указаний и их представление в форме дерева знаний, используемой самоорганизующейся экспертной системой. Правила в методических указаниях представлены в форме таблиц, описаний и графиков, не приведенных к единому стандарту. Кроме того, сами нормы являются не всегда адекватными тому оборудованию, которое подвергается диагностики. Причиной этому служит единство одних и тех же норм к различным типам оборудования, что является упрощающим фактором в описании правил для диагностики, но понижает точность выводов для конкретно взятого силового трансформатора.

Во втором разделе третьей главы рассмотрена параметрическая оптимизация работы самоорганизующейся экспертной системы для конкретного правила. Показано, как выполняется изменение весов альтернатив нечеткого логического вывода при получении экспертной системой корректирующей информации. В качестве корректирующей информации используются результаты 28-и тестов трансформаторного масла для конкретного

силового трансформатора ТЭЦ №15 г. Санкт-Петербурга, имеющего заводской номер 39088 и инвентарный номер Т2 Рассмотрены действия экспертной системы по обработке информации и использовании таблиц реляционной базы данных. Показано изменение результатов нечеткого вывода системы после параметрической оптимизации правила.

В третьем разделе третьей главы рассмотрен пример самообучения самоорганизующейся экспертной системы Самообучение осуществляется на основе изменений, произошедших в системе в результате параметрической оптимизации. Итогом самообучения является получение двух новых правил из одного старого, при условии, что имеются необходимые условия, гарантирующие эффективность самообучения. В результате самообучения экспертной системы имеет место усложнение графа знаний системы, но при этом уменьшается неоднозначность нечеткого вывода экспертной системы.

В четвертом уаздече третьей главы рассмотрен пример интерфейса пользователя экспертной системы, позволяющий вводить правила на близком к естественному языке.

На рис. 7 представлен интерфейс ввода новых параметров и значений этих параметров, ранее неизвестных системе.

( -Г ч

( иг

"СЖЗ

Рис 7 Интерфейс ввода новых параметров и значений параметров.

Интерфейс ввода новых параметров и значений параметров (рис 7) позволяет создавать новые группы параметров, что не является необходимым для самоорганизующейся экспертной системы, однако упрощает работу в случае, если количество параметров велико. Параметры могут иметь символьный или числовой типы переменных Для случая символьного типа переменных параметра в систему требуется ввести значения, которые может принимать параметр. Предлагаемый интерфейс достаточно прост и эффективен После ввода вся информация попадает в таблицы реляционной базы данных

На рис 8 представлен интерфейс ввода новых правил в самоорганизующуюся экспертную систему. Предлагаемый интерфейс ввода правил в самоорганизующуюся экспертную систему использует информацию, полученную системой через интерфейс, представленный на рис 7. Интерфейс ввода правил в самоорганизующуюся экспертную систему позволяет достаточно просто осуществлять ввод правил Для этой операции не требуется участия специалиста по вводу правил в самоорганизующуюся экспертную систему В роли инженера знаний может выступать сам эксперт или носитель знаний. Пользователь не должен учитывать граф знаний системы и не должен использовать какие-либо знания

по программированию Процесс трансформации правил из формы суждений в форму графа знаний осуществляется с помощью алгоритма, реализованного в виде программы и активируемого при нажатии кнопки "Ввести новое правило" (рис 8).

Рис. 8 Интерфейс ввода новых правил в самоорганизующуюся экспертную систему.

Интерфейс ввода новых правил в самоорганизующуюся экспертную систему позволяет создавать элемент правила из названия параметра, значения параметра и условия их связывающего. Для числовых параметров это условие должно быть "больше'' или "меньше", для нечислового параметра это условие должно быть всегда "равно". Элементы правила связываются между собой логическим "И" либо логическим "ИЛИ" Возможный ввод противоречивых условий пресекается системой.

После ввода правила в рамках интерфейса ввода правила (рис. 8), автоматически осуществляется добавление правила к графу знаний системы.

Прежде всего, находятся все имеющиеся во внешней базе данных наборы условий, которые использовались при создании правила. Набором условий является одна и более совокупностей условий, объединенных по признаку общего названия параметра. Условия, связывающие название параметра со значениями переменных, которые он принимает, должны отличиться, иначе мы имеет место то же самое условие. Однако общее имя параметра объединяет эти условия в один набор условий. Возможно, что данный конкретный набор условий уже встречался при создании других правил, тогда система идентифицирует этот набор условий и заносит в специальный список его уникальный номер. Этот список является списком номеров наборов условий. Если набор условий встречается впервые и не содержится во внешней базе данных, тогда такой набор условий добавляется в базу данных и ему присваивается уникальный номер, который также заносится в список номеров наборов условий.

Таким образом, идентифицируются все наборы условий, участвующие в правиле. Далее начинается процесс занесения информации в базу знаний экспертной системы. Идентифицированные наборы условий объединяются в группы по признаку логического условия, связывающего эти наборы.

Если набор условий, стоящий первым в списке, связан со следующим набором условий отношением логического "И" (AND), тогда первая группа будет включать в себя только этот первый набор условий. Если данный набор условий связан со следующим на-

бором условий отношением логического "ИЛИ" (ОЯ), тогда первая группа будет включать в себя первый набор условий, второй набор условий и, возможно, еще неограниченное количество наборов условий связанных отношением логического "ИЛИ". Таким образом, формируется определенное количество групп наборов условий.

Далее осуществляется проверка для первой группы наборов условий: она заключается в том, есть ли в базе знаний экспертной системы группа наборов условий, идентичная данной, которая находится на верхнем уровне графа знаний. Если такая группа наборов условий имеется, тогда система заносит имя этой существующей группы наборов условий в специальный список Если такой группы не существует, тогда она создается и ее уникальный номер заносится точно также в специальный список.

Следующая группа наборов условий проходит подобную проверку, только ее уровень в графе знаний будет не верхний, который можно принять за 0-й, а 1-й. Если группа условий, идентичная данной группе не будет найдена, тогда будет осуществлена проверка следующей группы условий из правила. Если ни одна из групп условий правила не пройдет проверку, тогда будет создана новая группа условий со своим новым уникальным номером. Необходимо осуществлять проверку всех имеющихся групп по той причине, что в правиле не важен порядок следования условий правила типа "И".

Действительно, рассмотрим два подграфа знаний, содержащих одинаковые элементы.

екЕнэ ©ч^®

Рис. 9. Различный порядок следования одинаковых условий в подграфах знаний.

На рис. 9. представлены два подграфа знаний, являющиеся идентичными, хотя имеющие различный порядок следования условий. Но известно, что узлы в графе знаний связаны между собой логическим "И", или логическим умножением, которое является коммутативной операцией.

После окончания операции идентификации нового правила в базе знаний системы может оказаться, что новое правило является копией уже существующего правила, или быть элементом другого правила. На это будет указывать то, что не будет создано ни одной новой группы условий в базе знаний экспертной системы.

В таком случае будут отменены все сделанные во внешней базе данных изменения по ходу работы процедуры трансформации нового правила в подграф знаний базы знаний экспертной системы.

В заключении диссертации приведены основные научные результаты:

1) В результате анализа информации, полученной в рамках исследования, был получен результат о неудовлетворительном состоянии программных средств, имеющих целью решение задачи диагностики оборудования. В качестве возможного варианта решения проблемы были рассмотрены различные типы интеллектуальных систем и принципов, на которых они строятся. Результатом рассмотрения являются выводы:

• Использование семантических сетей для решения задачи представления знаний применительно к области электроэнергетики не является оптимальным, поскольку в ряде случаев сети являются логически и эвристически неадекватными.

• Нейронные сети существенно отличаются от семантических сетей, но их существенным недостатком является то, что знания сохраняются не в декларативном виде, а потому они не могут быть доступны для интерпретации со стороны какого-либо внешнего процессора.

• Использование фреймов является эффективным для представления объектов реального мира в системе знаний, однако фреймы - недостаточно гибкая структура для решения задачи самоорганизации.

• Удобным является представление знаний в виде продукционных правил, поскольку с одной стороны это достаточно просто, с другой стороны именно в такой

форме эти знания зачастую содержатся в ответах экспертов и в специализированной литературе.

• Существенным моментом в расширении возможностей экспертной системы является использование аппарата нечеткой логики.

2) Предложена модель представления знаний для диагностики электрооборудования, позволяющая компактно хранить правила экспертной системы в табличной форме.

3) Предложен механизм нечеткого логического вывода решения задач диагностики электрооборудования, позволяющий получать от системы экспертную оценку в неодно-знчаных ситуациях.

4) Предложен алгоритм самонастройки и самообучения экспертной системы для диагностики электрооборудования. Алгоритм использует накопленную экспертной системой статистику для изменения параметров правил и добавление новых правил в систему с целью повышения эффективности ее работы.

5) Предложена самоорганизующаяся экспертная система для диагностики электрооборудования энергосистем, использующая механизм нечеткого логического вывода и алгоритм самонастройки и самообучения.

6) Выбрано средство программной реализации, достаточно универсальное и позволяющее использовать реляционные базы данных - Visual Prolog.

7) Проведены исследования системы диагностики силового трансформатора и доказана эффективность работы самоорганизующейся экспертной системы. Для хранения фактической информации (фактов) и алгоритмов обработки данных (правил) решено использовать реляционную СУБД Microsoft SQL Server 2000.

ПУБЛИКАЦИИ ПО ТЕМЕ ДИССЕРТАЦИИ

1) Поляхов Д.Н, Сабинин О.Ю. Аналитическая обработка информационных потоков для эффективного управления предприятием. Приборы и системы.Управление, контроль, диагностика. 2002 № 7 с.67-70.

2) Поляхов Д.Н., Болоцкий В.Г., Поляхов Н.Д., Сабинин О.Ю Интеллектальная советующая система распределения энергопотоков./Докл. междунар. конф. по мягким вычислениям и измерениям (SCM-2003), Санкт-Петербург, 25-27 июня 2003 .-С.-103-107.

3) Модель прогнозирования нагрузки электроэнергетической системы на основе нейронечеткого подхода /Н. Д. Поляхов, И. А. Приходько, Д. Н. Поляхов, Е. С. Анушина, Е. Ю. Шеина// Изв. ГЭТУ: Сб. науч. тр. СПбГЭТУ, Автоматизация и управление,-С-Пб., 2004, №1 .-С.-42-47.

4) Forecast model of power system load based fuzzy neural approach (Модель предсказания нагрузки энергосистемы на основе подхода с использованием нечеткой нейронной сети) /N. D. Polyakhov, I. A. Prikhodko, D. N. Polyakhov, Е. S. Anushina// Proceedings. International conference on soft computing and measurements (SCM-2004), St.-Petcrsburg, 17-19 June, 2004. Докл. междунар. конф. по мягким вычислениям и измерениям (SCM-2004), Санкт-Петербург, 17-19, июня 2004.-С.-278-281.

Подписано в печать 25.01.2005. Формат 60x84/16. Отпечатано с готового оригинал-макета в типографии ЗАО «КопиСервис». Печать ризографическая. Заказ № 1/2501. П. л. 1.0. Уч.-изд. 1.0. Пфаж 100 экз.

ЗАО «КопиСервис», 194017, Санкт-Петербург, Скобелевскийпр., д. 16

тел.: (812) 234 4333

Р - 3 2 8 О

РНБ Русский фонд

2006-4 5796

Введение

1 Проблема эффективных действий в решении задачи диагностики оборудования энергетической системы

1.1 Особенности эксплуатации оборудования в Энергетике, как сложном распределенном объекте управления

1.2 Инструментальные средства, используемые для решения задач управления процессом эксплуатации оборудования в энергетике

1.3 Использование экспертных систем для обеспечения надежности работы оборудования в энергетической системе

1.4 Методы представления знаний в синтезе экспертных систем

1.5 Подходы к построению экспертных систем с неоднозначным выводом

1.6 Требования к экспертным системам диагностики оборудования и постановка задачи исследования

1.7 Выводы

2 Модель знаний и алгоритмы самонастройки и самообучения самоорганизующейся системы поддержки принятия решения для диагностики электрооборудования

2.1 Конструирование правил в самоорганизующейся экспертной системе

2.2 Механизм нечеткого логического вывода в самоорганизующейся экспертной системе

2.3 Алгоритм накопления статистики и параметрической оптимизация самоорганизующейся системе поддержки принятия решений

2.4 Алгоритм анализа накопленной статистики и самообучения самоорганизующейся экспертной системы

2.5 Выводы

3 Самоорганизующаяся системе поддержки принятия решений для диагностики электрооборудования на примере диагностики силового трансформатора

3.1 Конструирование правил в самоорганизующейся экспертной системе для диагностики электрооборудования

3.2 Параметрическая оптимизация самоорганизующейся экспертной системы для диагностики электрооборудования на примере корректировки правил диагностики состояния силового трансформатора

3.3 Самообучение самоорганизующейся экспертной системы для диагностики электрооборудования в результате работы подсистемы самообучения

3.4 Пример интерфейса пользователя самоорганизующейся экспертной системы

Актуальность проблемы использования систем искусственного интеллекта в задачах диагностики электрооборудования для энергосистем определяется наличием сложной структуры выработки, распределения и потребления электроэнергии с большим количеством различного оборудования задействованного в ней. Например, можно выделить в данной структуре подструктуру распределительной энергосети.

При решении задачи диагностики электрооборудования является важным использование критериев и правил, позволяющих получать выводы для различных ситуаций на основе единой системы оценок. С другой стороны уникальный опыт конкретных специалистов часто оказывается более эффективным, чем правила, изложенные в инструкциях и методических указаниях.

Важной и актуальной задачей является разработка таких систем, которые могли бы не только хранить знания, но и получать новые на основе накопленного опыта, как это делает человек.

Цель диссертационной работы заключается в разработке принципов построения экспертной системы для диагностики электрооборудования, которая позволяла бы делать выводы для неоднозначных ситуаций и получать новые знания из имеющихся в результате анализа накопленного опыта.

Основные задачи. В процессе выполнения исследований по вопросам диссертационной работы решались следующие основные задачи:

• изучение существующих методов представления знаний для экспертных систем;

• разработка основ самоорганизующейся экспертной системы для диагностики электрооборудования;

• реализация алгоритма самоорганизующейся экспертной системы с использованием реляционной базы данных для хранения правил и фактов системы.

Методы исследования. В процессе выполнения исследований по вопросам диссертационной работы были использованы: математическая логика и комбинаторика, теория подтверждения свидетельств Демпстера-Шефера, теория графов.

Научная новизна.

1) Модель представления знаний для диагностики электрооборудования, отличающаяся компактностью формы, удобством хранения информации в реляционной базе данных.

2) Механизм нечеткого логического вывода для решения задач диагностики электрооборудования, отличающийся тем, что учитывает противоречивые правила и позволяет системе давать ответы, соответствующие неоднозначности рассматриваемой ситуации.

3) Алгоритм самонастройки и самообучения экспертной системы для диагностики электрооборудования отличающийся возможностью получения системой новых правил без прямого участия человека по их внедрению, что позволяет системе изменять свою структуру и уменьшать неоднозначность нечеткого вывода.

4) Самоорганизующаяся экспертная система для диагностики электрооборудования энергосистем увеличивает количество правил системы на основе накопленной статистики без прямого участия человека.

Практическая значимость. Использование предлагаемого в данной диссертационной работе подхода позволяет повысить качество решения задач диагностики электрооборудования при использовании самоорганизующейся экспертной системы. В частности можно выделить следующие особенности использования самоорганизующейся экспертной системы:

• получение нечеткого ввода для неоднозначной ситуации;

• самообучение системы, позволяющее получать все более точные выводы при накоплении системой опыта.

Основные положения, выносимые на защиту.

• Модель представления знаний для диагностики электрооборудования.

• Механизм нечеткого логического вывода при решении задач диагностики электрооборудования.

• Алгоритм самонастройки и самообучения экспертной системы для диагностики электрооборудования.

• Самоорганизующаяся экспертная система для диагностики электрооборудования энергосистем.

Внедрение результатов. Основные результаты диссертационной работы использованы в следующих организациях:

• Санкт-Петербургский институт дополнительно профессионального образования и службы занятости.

• Научно производственная фирма "Энергосоюз".

Использование результатов диссертационной работы подтверждено соответствующими актами.

Апробация работы. Основные положения диссертационной работы докладывались и обсуждались на следующих научно-технических конференциях и семинарах:

1) Международная конференция по мягким вычислениям и измерениям (SCM-2004), Санкт-Петербург, 25-27 июня 2003 .

2) Международная конференция по мягким вычислениям и измерениям (SCM-2004), Санкт-Петербург, 17-19, июня, 2004.

Публикации. По теме диссертационной работы Поляхова Д.Н. опубликованы следующие печатные работы:

1) Аналитическая обработка информационных потоков для эффективного управления предприятием. Поляхов Д.Н., Сабинин О.Ю. Приборы и сис-темы.Управление, контроль, диагностика.2002 № 7 с.67-70.

2) Интеллектальная советующая система распределения энергопотоков. По. ляхов Д.Н., Болоцкий В.Г., Поляхов Н.Д., Сабинин О.Ю./ Докл. междунар. конф. по мягким вычислениям и измерениям (SCM-2004), С-Пб., 25-27 июня 2003 .

3) Модель прогнозирования нагрузки электроэнергетической системы на основе нейронечеткого подхода /Н. Д. Поляхов, И. А. Приходько, Д. Н. Поляхов, Е. С. Анушина, Е. Ю. Шеина// Изв. ТЭТУ: Сб. науч. тр. СПбГЭТУ, Автоматизация и управление,-С-Пб., 2004, №1.-С.-42-47.

4) Forecast model of power system load basedfuzzy neural approach /N. D. Polyakhov, I. A. Prikhodko, D. N. Polyakhov, E. S. Anushina// Proceedings. International conference on soft computing and measurements (SCM-2004), St.-Petersburg, 1719 June, 2004. Докл. междунар. конф. по мягким вычислениям и измерениям (SCM-2004), 17-19, июня, 2004,С.-Пб.

Выводы

Имя вывода

Условие

Значение вывода

Логика граничная концентрация не превышает newfuleenler j r-' Внести правило

Рис.3.1.3 Пример ввода нового правила через интерфейс ввода правил.

На рис. 3.1.3 представлена ситуация подготовленного правила для ввода в экспертную систему. Рассмотрим элементы интерфейса с рис. 4.1.3.

Списки "Группы параметров", "Параметры" содержат те же элементы, что и списки с аналогичными названиями с рис. 3.1.2. Разница заключается лишь в том, что на рис. 3.1.2 речь идет о добавлении новых элементов в систему, а на рис. 3.1.3 те же элементы используются как подготовленный строительный материал для получения условий и вывода правила.

Список "Варианты значений" является тем же самым списком, который на рис. 3.1.2 имеет название "Переменные".

Список "Условие" содержит три возможных варианта отношений, связывающих имя параметра со значением переменной, которое он может принимать или не принимать.

Числовые параметры могут быть связаны со значением переменной только условиями "<" или ">", в то время как нечисловые параметры могут быть связаны со значением переменной лишь условием "=".

Список "Логика" содержит всего два элемента: "AND" и "OR", являющиеся условиями логического "И" и логического "ИЛИ" соответственно.

Выбрав щелчком мыши нужные элементы из списков, пользователь видит их отображение в текстовых полях, находящихся под списками. Далее нажатием кнопки "Ввод условий", пользователь вводит новое скомбинированное условие в текст правила.

Когда все необходимые условия введены, пользователь комбинирует условия, которые будут являться выводом правила. Когда очередной элемент вывода правила сформирован, пользователь добавляет его нажатием кнопки "Выводы" в нижний список рис. 3.1.3, который содержит условия вывода. Важно отметить, что выводы являются такими же параметрами, как и те, из которых формируются условия правила. Для экспертной системы они не имеют никаких различий, различия определяются пользователем, когда он решает ввести тот или иной параметр в качестве вывода.

Такой интерфейс ввода новых правил является достаточно простым и интуитивно понятным даже для пользователя далекого от программирования. Когда новое правило сформулировано пользователем полностью, оно заносится в базу знаний экспертной системы. Этот процесс инициируется нажатием кнопки "Вести новое правило".

Поле "Описание правила" является необязательным для заполнения, поскольку система автоматически присваивает новому правилу уникальное имя.

При вводе условий нового правила пользователь может допустить определенные ошибки, например ввести дважды одно и то же условие, ввести противоречивые условия и т.п. Программа находит такие ошибки на этапе ввода условий правила и формирует сообщения об ошибке. ок

Рис. 3.1.4 Пример сообщения об ошибке ввода условия правила.

Теперь рассмотрим основные моменты алгоритма трансформации правила из формы представленной на рис. 3.1.3 в форму подграфа знаний.

Прежде всего, при вводе каждого условия, которое происходит при нажатии кнопки "Вод условий", происходит не только отображение на экране нового условия, дополняющего правила, но также происходит ввод этого условия во внутреннюю базу данных программы. То же самое происходит и с выводами, но выводы заносятся в свою область внутренней базу данных программы.

Когда пользователь нажатием кнопки "Внести правило" запускает ввод правила в базу знаний экспертной системы, включается алгоритм трансформации правила в форму подграфа базы знаний экспертной системы. Прежде всего находятся все имеющиеся во внешней базе данных наборы условий, которые использовались при создании правила. Набором условий является одна и более совокупностей условий, объединенных по признаку общего названия параметра. Условия связывающие название параметра со значениями переменных, которые он принимает, могут быть разными, как в случае числового параметра, в случае нечислового параметра переменные для одного параметра должны отличиться, иначе мы будем иметь то же самое условие. Однако общее имя параметра объединяет эти условия в один набор условий. Возможно данный конкретный набор условий уже встречался при создании других правил, тогда система идентифицирует этот набор условий и заносит в специальный список его уникальный номер, назовем этот список списком номеров наборов условий. Если набор условий встречается впервые и не содержится во внешней базе данных, тогда такой набор условий добавляется в базу данных и ему присваивается уникальный номер, который также заносится в список номеров наборов условий.

Таким образом идентифицируются все наборы условий, участвующие в правиле.

Далее начинается процесс занесения информации в базу знаний экспертной системы.

Идентифицированные наборы условий объединяются в группы по признаку логического условия, связывающего эти наборы.

Если набор условий, стоящий первым в списке, связан со следующим набором условий отношением логического "И" (AND), тогда первая группа будет включать в себя только этот первый набор условий, если данный набор условий связан со следующим набором условий отношением логического "ИЛИ" (OR), тогда первая группа будет включать в себя первый набор условий, второй набор условий и, возможно, еще неограниченное количество наборов условий связанных отношением логического "ИЛИ".

Таким образом формируется определенное количество групп наборов условий.

Далее осуществляется проверка для первой группы наборов условий, она заключается в том, есть ли в базе знаний экспертной системы группа наборов условий идентичная данной, которая находится на верхнем уровне графа знаний. Если такая группа наборов условий имеется, тогда система заносит имя этой существующей группы наборов условий в специальный список. Если такой группы не существует, тогда она создается и ее уникальный номер заносится точно также в специальный список.

Следующая группа наборов условий проходит подобную проверку, только ее уровень в графе знаний будет не верхний, который можно принять за 0-ой, а 1-ый. Если группа условий, идентичная данной группе не будет найдена, тогда будет осуществлена проверка следующей группы условий из правила. Если ни одна из групп условий правила не пройдет проверку, тогда будет создана новая группа условий со своим новым уникальным номером. Необходимо осуществлять проверку всех имеющихся групп по той причине, что в правиле не важен порядок следования условий правила типа "И".

Действительно, рассмотрим два подграфа знаний, содержащих одинаковые элементы.

Рис. 3.1.5 Различный порядок следования одинаковых условий в подграфах знаний.

На рис. 3.1.5 представлены два подграфа знаний, являющиеся идентичными, хотя имеющие различный порядок следования условий. Но нам известно, что узлы в графе знаний связаны между собой логическим "И", или логическим умножением, а от перестановки множителей произведение не меняется.

Именно на избежание дублирования правил и направлена мера перебора всех групп условий в списке нового правила.

После окончания операции идентификации нового правила в базе знаний системы может оказаться, что новое правило является копией уже существующего правила, или быть элементом другого правила, на это будет указывать то, что не будет создано ни одной новой группы условий в базе знаний экспертной системы.

В таком случае система сгенерирует соответствующее сообщение об ошибке и будет запущен специальный предикат sqlrollback, который отменяет все сделанные во внешней базе данных изменения по ходу работы процедуры трансформации нового правила в подграф знаний базы знаний экспертной системы.

Заключение

1) В результате анализа информации, полученной в рамках исследования, был получен результат о неудовлетворительном состоянии программных средств, имеющих целью решать задачи диагностики оборудования. В качестве возможного варианта решения проблемы были рассмотрены различные типы интеллектуальных систем и принципов, на которых они строятся. Результатом рассмотрения являются выводы:

• Использование семантических сетей для решения задачи представления знаний применительно к области электроэнергетики не является оптимальным, поскольку в ряде случаев сети являются логически и эвристически неадекватными.

• Нейронные сети существенно отличаются от семантических сетей (хотя алгоритм поиска информации и в той и в другой сети является схожим), но их существенным недостатком является то, что знания сохраняются не в декларативном виде, а потому они не могут быть доступны для интерпретации со стороны какого-либо внешнего процессора. Доступ к знаниям и процесс логического вывода могут быть описаны только в терминах активности сети. В то время, как для поставленной задачи необходим результат в более определенной форме.

• Более приемлемым является использование фреймов для представления объектов реального мира в системе знаний, однако, фреймы недостаточно гибкая структура для решения задачи самоорганизации.

• Удобным является представление знаний в виде продукционных правил, поскольку с одной стороны это достаточно просто, с другой стороны именно в такой форме эти знания зачастую содержатся в ответах экспертов и в специализированной литературе

• Существенным моментом в расширении возможностей экспертной системы является использование нечеткой логики.

2) Предложена модель представления знаний для диагностики электрооборудования, позволяющая компактно хранить правила экспертной системы в табличной форме.

3) Предложен механизм нечеткого логического вывода решения задач диагностики электрооборудования, позволяющий получать от экспертной системы ответ в неоднознчаных ситуациях.

4) Предложен алгоритм самонастройки и самообучения экспертной системы для диагностики электрооборудования. Алгоритм использует накопленную экспертной системой статистику для изменения правил системы с целью повышения эффективности ее работы.

5) Предложена самоорганизующаяся экспертная система для диагностики электрооборудования энергосистем, использующая механизм нечеткого логического вывода и алгоритм самонастройки и самообучения.

6) Выбрано средство программной реализации, достаточно универсальное и позволяющее использовать реляционные базы данных - Visual Prolog. Для хранения, как фактической информации (фактов), так и для хранения алгоритмов обработки данных (правил) решено использовать реляционную СУБД Microsoft SQL Server 2000.

7) Проведена апробация работы системы на примере диагностики силового трансформатора и доказана эффективность работы самоорганизующейся экспертной системы.

1. Джексон П. Введение в экспертные системы. Издательский дом "Вильяме" 2001.

2. Хейс-Рот Ф., Уотерман Д. Построение экспертных систем. М.: Мир 1987.

3. Алексеев О. П., Казис В. JI. Автоматизация электроэнергетических систем. М Энергоатомиздат 1994.

4. Любарский Ю. Я.Самойлов С.Н. Экспертная система оперативного рассмотрения заявок для АСДУ энергообъединениями. Электричество 1991 №2 с. 22-28.

5. Любарский Ю.Я., Орлов В.Г., Васин В.П. Диалоговые системы в диспетчерском управлении энергообъединениями. М.: Энергоатомиздат, 1967.

6. Поляхов Д.Н., Сабинин О.Ю. Аналитическая обработка информационных потоков для эффективного управления предприятием. Приборы и систе-мы.Управление, контроль, диагностика.2002 № 7 с.67-70.

7. Поляхов Д.Н., Болоцкий В.Г., Поляхов Н.Д., Сабинин О.Ю. Интеллектальная советующая система распределения энергопотоков./ Докл. междунар. конф. по мягким вычислениям и измерениям (SCM-2004), Санкт-Петербург, 25-27 июня 2003 .

8. Zhang Z.Z., Hope G.S., Malik О.Р. An Expert System For Switching Decisions in Substations. IF AC Preprints .Tallinn August 90.

9. Jefferson Т. Smith L. An expert system for wide area back-up protection:-local driven mechanism with remote information sharing. http://www.oviont.ru/news/news007p.shtml

10. Братко И. Программирование на языке ПРОЛОГ для искусственного интеллекта. М.: Мир 1990.

11. Clark K.L. and Мс Cale F. Prolog: a language for implementing expert systems. In Machine intelligence 10. Chichester, U.K.: Ellis Horwood.

12. Кучуков А., Адаменко А. Логическое программирование и Visual Prolog. СПб. БХВ-Петербург. 2003.

13. Мамаев Е., Вишневский A. "Microsoft SQL Server 2000" для профессионалов. СПб "Питер" 2002.

14. Франковяк Д., Гарсиа М. Руководство администратора Microsoft SQL Server 2000. Microsoft Press. 2002.

15. Newell A., Simon G. Human problem solving. Englewood Cliffs, NJ -Prentice Hall. 1972.

16. Buchanan B.G. and Feigenbaum E. A. Dendral and Meta Dendral: their applications dimensions. Artificial Intelligence 11, p 5-24.1988.

17. Buchanan B.G. Barstow T. Constructing an expert system . Addison Wesley. 1987.

18. Eshelman L. and McDermott J. MOLE: a knowledge acquisition tool, that uses its head. In proceedings of National conference on Artificial Intelligence, p. 950955.1986.

19. Eshelman L. A knowledge acquisition tool for cover and differentiate systems. In Automating Knowledge Acquisition for Expert Systems. Chapter 3. Boston: Kluiver Academic.

20. Boose J.M. and Gaines H.K. Knowledge Acquisition Tools for Expert Systems. New York.Academic press. 1988.

21. Buchanan B.G. Wilkins D.C. Readings in Knowledge Acquisition and Learning. Los Altos. CA: Morgan Kaufmann. 1993.

22. Boose J.H. A Survey of Knowledge Acquisition Techniques and tools. Knowledge Acquisition, 1, p. 3-37.

23. Bachont J. RIME: preliminary work towards a knowledge acquisition tool. In Automating Knowledge Acquisition for Expert Systems. Chapter 7. Boston: Kluiver Academic 1988.

24. Cole W.A. Knowledge-Based Knowledge Acquisition for a Statistical Consulting Systems. International Journal of Man-Machine Studies. 26. p.54-56.1986.

25. C. Осуми, Ю. Саэки. Приобретение знаний. М.: Мир. 1990.

26. Buchanan B.G and Shortliffe. Rule Based Expert Systems. Addison Wesley. 1984.

27. Willinga B.J. and Breuker J. A. Models of Expertise. In proceedings of 7-th European Conference on Artificial Intelligence, p.306-318. 1986.

28. Willinga B.J. and Schreiber A. T. Conceptual Modeling of Large Reusable Knowledge Bases. In Management and Processing of Complex Data Structures. Third Workshop on Information Systems and Artificial Intelligence. Proceedings, p. 181-200. 1994.

29. Clancey W.J. Heuristic Classification. Artificial Intelligence 27, p. 289-350. 1985.

30. Попов Э.В. Экспертные системы. M.: Наука. 1987.

31. Chandrasekaran S. Expert Systems: Matching Techniques to Tests. In Artificial Intelligence. Applications for Business. Norwood. Ablex. 1984.

32. Coombs H.J. Development in Expert Systems. Addison Wesley. 1984.

33. Clancey W.J. Knowledge-Based Tutoring. The Guidon Program. Cambridge, MA: Mit Press. 1987.

34. Davis R. Expert Systems: how far Can They Go. Artificial Intelligence Magazine 10(2). p.65-77. Summer 1989.

35. Heckerman D. Probabilistic Interpretation for MYCIN'S Certainty factors. In Uncertainty in Atrificial intelligence, p. 169-196. Amsterdam: North-Holand. 1986.

36. Ward R. D. and Sleeman D. Learning to Use the S.l Knowledge Engineering Tool. Knowledge Engineering Review, 2, p. 265-276. 1987.

37. Clancey W.J. and Letsinger R. NEOMYCIN: reconfiguring a rule based expert system for applications to teaching. In Readings in Medical Artificial Intelligence, chapter 15. Addison-Wesley. 1984.

38. Clancey W.J. Rnowledge-Based Tutoring. The Guidon program. Cambridge, MA: MIT Press.

39. Davis R. and King J. An overview of production systems. In Machine Intelligence. 8, p. 300-332. New York: Wiley. 1987.

40. McDermott J. and Forgy C.L. Production System Conflict Resolution Strategies. In Pattern Directed Inference Systems, p. 177-199. New York: Academic Press.

41. Чень Ч., Ли P. Математическая логика и автоматическое доказательство теорем. М.: Наука. 1987.

42. Уэно X., Исидзука М. Представление и использование знаний. М.: Мир. 1989.

43. Robinson J.A. A Machine Oriented Logic Based on the Resolution Principle. Journal of the Association for Computing Machinery 12, p. 23-41. 1970.

44. Малпас Дж. Реляционный язык ПРОЛОГ и его применение. М.: Наука 1990.

45. Quillian J.R. Application of Expert Systems. Addison Wesley. 1987.

46. Collins A.M. and Quillian J.R. Retrieval Time from Semantic Memory. Journal of Verbal Learning and Verbal Behavior 8, p.240-247.

47. Woods W. What's in a link: Foundations for Semantic Networks. In Representation and Understanding. New York. Academic Press.

48. Schubert L.K. Extending the Expressive Power of Semantic Networks. Artificial Intelligence 7, p. 163-198. 1969.

49. Levsque H. and Mylopoulos J. A Procedural Semantics for Networks. In Associative Networks 4, p. 93-100. 1979.

50. Hendrix G.C. Encoding Knowledge in Partitioned Networks. In Associative Networks 3, p. 51-92. 1979.

51. Hinton G.E. Connectionist Learning Procedures. In Artificial Intelligence 40, p.185-234. 1989.

52. Rumelhart D.E. and McCleland J.C. Parallel Distributed Processing: Explorations in the Microstructure of Cognition: Foundations. Cambridge, MA: MIT Press.

53. Horty J.R., Thomson R.H. A Skeptical theory of Inheritance in Nonmonotonic Semantic Nets. In Proceedings of National Conference on Artificial Intelligence, p.358-363. 1987.

54. Touretzky D.S. The Mathematics of Inheritance Systems. London: Pitman. 1986.

55. McCarthy J. and Heyes P. Some Philosophical Problems from the Standpoint of Artificial Intelligence. In Machine Intelligence 4, p. 463-502. Edinburgh: Edinburgh University Press. 1969.

56. Zadeh L.A. Fuzzy Sets. Information and Control 4, p. 338-353. 1965.

57. Zadeh L.A. Fuzzy Logic and Approximate Reasoning. Synthese, 30, p. 407-428. 1975

58. McNeill D. and Freiberger P. Fuzzy Logic. Simon an Schuster. 1993.

59. Jamshidi M., Tilti A. Applications of Fuzzy Logic: Towards High Machine Intelligence Quotient Systems. Englewood Cliffs, N.J. Prentice Hall. 1997.

60. Dubois D., Prade M. and Yager R. Fuzzy Information Engineering: A Guided Tour of Applications. New York: Wiley. 1996.

61. Baldwin J.E. Fuzzy Logic. New York: Wiley. 1996.

62. Zadeh L.A. Fuzzy Sets as a Basis for a Theory of Possibility. Fuzzy Sets and Systems 1,1978 c.3-28.

63. Буч Г. Объектно-ориентированный анализ и проектирование. СПб издательство "Бином". 1998.

64. Стауструп Б. Язык програмирования С++. СПб издательство "Бином". 1999.

65. Myers G. Composite/Structured Design. New York, New York: Von Nostrand Reinhold. 1978.

66. Walsh J. Preliminary Defect Data from Iterative Development of a Large С++ Program. Vancouver, Canada: OOPSLA'92.

67. Sakkinen M. On the Dark Side of С++. Proceedings of ECOOP'88: European Conference on Object Oriented Programming. New York, NY: Springer-Verlog.

68. Microsoft С++Tutorial. Redmond, Washington: Microsoft Corporation. 1992.

69. Coplien J. Advanced С++ Programming Styles and Idioms. Addison-Wesley. 1992.

70. Goldberg A. and Robson D. Smalltalk 80: the Language and its Implementation. 1983.

71. Tesler D. The Smalltalk Environment. Byte 6(8). August 1983.

72. Booch G. Software Engineering with Ada. CA: Benjamin/Cammings. 1986.

73. Horvitz E. and Heckermann D. The inconsistent use of measures of certainty in artificial intelligence research. Uncertainty in Artificial Intelligence. Amsterdam: North Holland. 1986, c. 137-151.

74. Barnett J.A. Computational methods for a mathematical theory of evidence. 7-th international Joint Conference on Artificial Intelligence. Vancouver, c. 868-875. 1981.

75. John Gordon and Edward H. Shortliffe. A method for Managing Evidential Reasoning in a Hierarchical Hypothesis Space. Artificial Intelligence №26 c.323-357. 1985.