close

Вход

Забыли?

вход по аккаунту

?

Формирование новых знаний о сложных производственных ситуациях на основе сети фреймов..pdf

код для вставкиСкачать
Вестник СГТУ. 2012. № 2 (65). Выпуск 1
УДК 519.876.2
А.А. Склемин
ФОРМИРОВАНИЕ НОВЫХ ЗНАНИЙ О СЛОЖНЫХ ПРОИЗВОДСТВЕННЫХ СИТУАЦИЯХ
НА ОСНОВЕ СЕТИ ФРЕЙМОВ
Разработана оригинальная методика формирования новых знаний о сложной производственной ситуации и предложен формальный алгоритм проверки их
достоверности.
Формирование новых знаний, сеть фреймов, производственная ситуация
A.A. Sklemin
FOSTERING NEW KNOWLEDGE ABOUT THE COMPLEX WORK SITUATIONS THROUGH
THE FRAME NETWORK
A unique method has been developed to foster new knowledge about complex performance situations and an algorithm has been proposed to test their reliability.
Formation of new knowledge, a frame network, work situation
Традиционно при разработке интеллектуальных систем управления производственного назначения
большое внимание уделяется процессу формирования моделей представления знаний. Эти математические
модели призваны облегчить процесс подготовки и принятия решений оперативно-диспетчерским персоналом, повысить эффективность распознавания ситуаций, машинным способом сформировать и занести в базу данных новые знания об объекте управления, а также способствовать успешному выполнению других
когнитивных функций управляющих систем промышленного предприятия [1-6].
96
Энергетика и электротехника
Из специальной литературы известна методика формирования знаний, получаемых в процессе
обхода сети фреймов по предварительно выбранным маршрутам [6]. В связи с этим обстоятельством
в статье новые знания о различных производственных ситуациях и способах их разрешения формируются машинным способом в процессе обхода графа G (u , e) (рис. 1) по маршрутам
u →u →u →u ,
u →u →u →u →u ,
u →u →u →u →u →u
и
1
3
4
5
1
2
3
4
5
1
6
2
3
4
5
u → u → u → u → u → u с учетом семантики дуг e ∈ G (u , e), i = 1,9 , соединяющих соответ1
6
7
3
4
5
i
ствующие вершины.
Рис. 1. Граф сети фреймов, характеризующих производственную ситуацию
При этом каждой вершине графа G (u , e) во взаимно однозначное соответствие ставится один
из фреймов множества
туацию
u
{
Frame1, ...,Frame 7
}
→→
→→
w( x , u ) ∈ 
W
(
 X ,U ) :

} , характеризующих сложную производственную си-
det
u = Frame 1
1
–
«ПРОИЗВОДСТВЕННАЯ
det
= Frame 2 – «ФУНКЦИИ ОБЪЕКТА И СИСТЕМЫ УПРАВЛЕНИЯ»;
2
u
СИТУАЦИЯ»;
det
= Frame 3
3
–
det
u
«ПОДСИСТЕМЫ ПРЕДПРИЯТИЯ»; 4 = Frame 4 – «ПОДРАЗДЕЛЕНИЯ ПРЕДПРИЯТИЯ»;
det
det
u =
u =
Frame
5
Frame 6 – «ПЛАНЫ
–
«
ПОКАЗАТЕЛИ
ДЕЯТЕЛЬНОСТИ
»;
5
6
det
u
МЕРОПРИЯТИЙ»; 7 = Frame 7 – «ДАННЫЕ И ДОКУМЕНТЫ».
Обход графа по каждому из перечисленных маршрутов позволяет получить новые сведения о
возникшей производственной ситуации и рациональном способе ее разрешения.
В частности, при обходе графа G (u , e) по маршруту u1 → u3 → u 4 → u5 формируются
знания о том, что производственная ситуация wi ∈{ FRAME1} (вершина u1 ) возникает (дуга e1 ) в
97
Вестник СГТУ. 2012. № 2 (65). Выпуск 1
ST1(i ) ∈{ FRAME 3} (вершина u2 ), состоящей из (дуга e2 ) подразделений
ST 4(i) ∈ Frame 4 , деятельность которых определяют (дуга e3 ) показатели ST 5(i ) ∈ Frame 5 .
подсистеме предприятия
Таким образом, в результате обхода графа G(u, e) по указанному маршруту может быть
сформировано, например, следующее утверждение:
ПРОИЗВОДСТВЕННАЯ СИТУАЦИЯ «Фактическая величина запасов по комплектующим
изделиям на складе предприятия не соответствует производственной программе» ВОЗНИКЛА В
ПОДСИСТЕМЕ «Складское хозяйство», СОСТОЯЩЕЙ ИЗ ПОДРАЗДЕЛЕНИЙ «Склад комплектующих для вагона-хоппера», «Склад готовой продукции», ДЕЯТЕЛЬНОСТЬ КОТОРЫХ
ОПРЕДЕЛЯЮТ ПОКАЗАТЕЛИ «Запас комплектующих по различным видам изготовляемой продукции».
При обходе графа G (u , e) по маршруту u1 → u 2 → u3 → u 4 → u5 формируются знания о
том, что возникшая производственная ситуация wi ∈{ FRAME1} (вершина u1 ) нарушает (дуга e4 )
функции объекта и системы управления
ST 2(i) ∈{ FRAME2} , которые выполняются (дуга e7 )
подсистемой предприятия ST1(i) ∈{ FRAME 3} (вершина u2 ), состоящей из (дуга e2 ) подразделений ST 4(i ) ∈ Frame 4 , деятельность которых определяют (дуга e3 ) показатели ST 5(i ) ∈ Frame 5 .
В качестве примера, подтверждающего возможность получения новых знаний о производственной ситуации wi ∈{ FRAME1} указанным способом, приведем следующее утверждение, сформированное в разработанной информационно-управляющей системе при обходе графа G(u, e) по
маршруту u1 → u 2 → u 3 → u 4 → u 5 .
ПРОИЗВОДСТВЕННАЯ СИТУАЦИЯ «Фактическая величина запасов по комплектующим
изделиям на складе предприятия не соответствует производственной программе» НАРУШАЕТ
ФУНКЦИИ ОБЪЕКТА И СИСТЕМЫ УПРАВЛЕНИЯ «Снабжение производственного процесса
комплектующими», ОТНОСЯЩИЕСЯ К ПОДСИСТЕМЕ ПРЕДПРИЯТИЯ «Складское хозяйство»,
СОСТОЯЩЕЙ ИЗ ПОДРАЗДЕЛЕНИЙ «Склад комплектующих для вагона-хоппера», «Склад готовой
продукции», ДЕЯТЕЛЬНОСТЬ КОТОРЫХ ОПРЕДЕЛЯЮТ ПОКАЗАТЕЛИ «Запас комплектующих
по различным видам изготовляемой продукции».
Формирование новых знаний о производственных ситуациях при обходе графа G (u, e) по маршрутам u1 → u 6 → u 2 → u3 → u 4 → u5 и u1 → u6 → u7 → u3 → u4 → u5 осуществляется аналогично.
→→
→→
Вся информация по производственной ситуации w( x , u ) ∈ 
W
(
 X ,U ) , содержащаяся во

}
фреймах Frame 1 - «ПРОИЗВОДСТВЕННАЯ СИТУАЦИЯ», Frame 2 – «ФУНКЦИИ ОБЪЕКТА И
СИСТЕМЫ УПРАВЛЕНИЯ», Frame 3 – «ПОДСИСТЕМЫ ПРЕДПРИЯТИЯ», Frame 4 –
«ПОДРАЗДЕЛЕНИЯ ПРЕДПРИЯТИЯ», Frame 5 – «ПОКАЗАТЕЛИ ДЕЯТЕЛЬНОСТИ», Frame 6 –
«ПЛАНЫ МЕРОПРИЯТИЙ», Frame 7 – «ДАННЫЕ И ДОКУМЕНТЫ», хранится в виде девяти реляционных отношений следующей структуры:
F1 ∈{ ID SITUATION, NAME SITUATION....} ,
F 2 ∈{ ID FUNCTION , NAME FUNCTION...} ,
F 3 ∈{ ID DIVISION , NAME DIVISION...} , F 4 ∈{ ID PLAN , NAME PLAN ...} ,
F 5 ∈{ ID SUBSYSTEM , NAME SUBSYSTEM ...} ,
F 6 ∈{ ID SPRAVKA, NAME SPRAVKA...} , F 7 ∈{ ID DATA, NAME DATA,...} ,
F 8 ∈{ ID OTHER, NAME OTHER...} , F 9 ∈{ ID DOCUMENT, NAME DOCUMENT,..} .
Алгоритмы исключения недостоверных знаний. При практическом применении методики машинного формирования новых знаний о сложных производственных ситуациях, разработанной в
первой части данной статьи, возникают определенные сложности, основными из которых являются:
формирование большого количества высказываний о производственных ситуациях, многие из которых с точки зрения ЛПР являются недостоверными; отсутствие универсальных машинных алгорит98
Энергетика и электротехника
мов, позволяющих упорядочить сформированные знания по степени достоверности и заведомо исключить те из них, которые неадекватно описывают возникшую производственную ситуацию; необходимость просмотра ЛПР всего списка новых знаний о производственной ситуации с целью выбора
тех из них, которые подлежат занесению в базу данных информационной системы.
Для преодоления указанных трудностей в статье разработана оригинальная методика исключения заведомо недостоверных высказываний о сложных производственных ситуациях, сформированных машинным способом. Рассмотрим ее основные положения. Каждой вершине сети фреймов
G (u , e) в соответствие ставится логико-лингвистическая переменная, область значений которой
формирует набор ключевых слов, характеризующих все вершины ориентированного графа, входящие
в состав выбранного маршрута.
* * *
Формируется граф GСИТ (u , e , q ) , вершинам u * которого во взаимно однозначное соответствие поставлены значения логико-лингвистических переменных, вершины соединены дугами e* ,
веса которых q *i характеризуют степень семантической взаимосвязанности различных значений логико-лингвистических переменных в формируемом утверждении (рис.2). Чем больше суммарная веd *
K
=
q i рассматриваемого маршрута, тем выше достоверность утверждения,
∑
личина весов дуг
i =1
формируемого в процессе его обхода.
Рис. 2. Граф G
СИТ
(u * , e * , q * ) ,
разработанный для синтеза новых знаний о производственных ситуациях
С помощью коэффициентов Жаккара, Дайса, косинуса или перекрытия определяется степень
совпадения наборов ключевых слов, которая приравнивается весам дуг графа G
СИТ
(u * , e * , q * ) .
При использовании коэффициентов Жаккара или Дайса величина весовых коэффициентов дуг
q *i определяется из выражений (1) или (2), соответственно
S

∑ t t
ik jk
S
S
S

k =1
, при ∑ t + ∑ t − ∑ t t ≠ 0
ik
jk
ik jk
q *i  S t + S t − S t t
k =1
k =1
k =1
=  ∑ ik ∑ jk ∑ ik jk
k =1
k =1
k =1

S
S
S
0, при ∑ tik + ∑ t jk − ∑ tikt jk = 0

k =1
k =1
k =1
(1)
99
Вестник СГТУ. 2012. № 2 (65). Выпуск 1
 2( ∑S t t )
 k = 1 ik jk , при ∑S t + ∑S t
ik
jk
S
 S
k =1
k =1
q *i =  ∑ t + ∑ t
ik
jk
k =1
k =1

S
S
0, при ∑ tik + ∑ t jk = 0

k =1
k =1
≠0
(2)
где S – количество ключевых слов сравниваемых наборов, соответственно; tik , t jk – переменные,
определяющие наличие ( tik =1; t jk =1) или отсутствие ( tik =0; t jk =0) k-го ключевого слова в
сравниваемых наборах соответственно).
В результате задача упорядочения новых знаний о сложной производственной ситуации по
степени их достоверности сводится к решению известной задачи определения маршрута максималь-
* * *
ной длины, соединяющего начальную вершину графа u Н ∈ GСИТ (u , e , q ) с его конечной вер* * *
шиной u К ∈ GСИТ (u , e , q ) :
d
max ≤ q ≤ q max , i = 1, a
K = ∑ q *i → max ; q
(3)
i
i
i
i =1
Задача (3) принадлежит к классу задач динамического программирования и может быть решена, например, методом обратной прогонки. В результате ее решений список высказываний о сложной производственной ситуации упорядочивается по степени возрастания достоверности его отдельных элементов. Окончательный выбор новых знаний о производственной ситуации, полученных машинным путем, осуществляется ЛПР, который выбирает наиболее достоверные высказывания для
последующего их включения в базу данных разрабатываемой информационной системы.
Рассмотренный подход к формированию новых знаний для интеллектуальных систем производственного назначения был использован при модернизации системы управления ОАО «Трансмаш» [7].
ЛИТЕРАТУРА
1. Люгер Д.Ф. Искусственный интеллект. Стратегия и метод решения сложных проблем /
Д.Ф. Люгер. 4-е изд. М.: Изд. Дом «Вильямс», 2003.
2. Джексон П. Введение в экспертные системы / П. Джексон. М.: Изд. Дом «Вильямс», 2001.
3. Искусственный интеллект. Применение в интегрированных производственных системах.
Под ред. Э. Кьюсиака. М.: Машиностроение, 1991. 541 с.
4. Васильев С.Н. От классических задач регулирования к интеллектуальному управлению I /
С.Н. Васильев // Известия Академии наук. Теория и системы управления. 2001. № 1. С. 5-22.
5. Васильев С.Н. От классических задач регулирования к интеллектуальному управлению II /
С.Н. Васильев // Известия Академии наук. Теория и системы управления. 2001. № 2. С. 5-21.
6. Искусственный интеллект: в 3 кн. Кн. 2. Модели и методы: справочник / под ред.
Д.А. Поспелова. М.: Радио и связь, 1990. 304 с.
7. Модели и алгоритмы постановки задач разработки АСУ промышленными объектами /
А.Ф. Резчиков, В.А. Кушников, Е.И. Шлычков, О.М. Бойкова // Приборы и системы. Управление,
контроль, диагностика. 2006. № 9. С. 64-68.
Склемин Алексей Анатольевич –
аспирант кафедры «Системотехника»
Саратовского государственного
технического университета имени Гагарина Ю.А.
Aleksey A. Sklemin –
Postgraduate
Department of Systems Engineering
Gagarin Saratov State Technical University
Статья поступила в редакцию 01.02.12, принята к опубликованию 04.06.12
100
Документ
Категория
Без категории
Просмотров
5
Размер файла
269 Кб
Теги
знание, ситуация, производственной, сложные, pdf, сети, основы, фреймов, новый, формирование
1/--страниц
Пожаловаться на содержимое документа