Многоструктурный распознаватель состояний объекта управления
В.
Б. ТрофимовБиблиографическое описание статьи для цитирования:
Трофимов
В.
Б. Многоструктурный распознаватель состояний объекта управления // Научно-методический электронный журнал «Концепт». –
2015. – Т. 13. – С.
3646–3650. – URL:
http://e-koncept.ru/2015/85730.htm.
Аннотация. Рассматриваются особенности современного подхода к построению многоструктурного распознавателя состояний объектов управления на основе теории оценивания и идентификации. Предлагаются структура распознавателя состояний объекта управления, позволяющего оперативно диагностировать его работу по количественным и качественным признакам, методика построения распознавателя, а также рассматриваются приложения многоструктурного распознавателя к промышленным объектам в системах управления. Работа выполнена при поддержке гранта Президента РФ МК-4068.2015.8.
Ключевые слова:
объект управления, многоструктурный распознаватель, продукционная модель представления знаний
Текст статьи
Трофимов Владимир Борисович,кандидат технических наук,доцент кафедры автоматизации и информационных систем ФГБОУ ВПОСибирский государственный индустриальный университет», г. Новокузнецкtrofimov_vbt@mail.ru
Многоструктурный распознаватель состояний объекта управления
Аннотация. Рассматриваются особенности современного подхода к построению многоструктурного распознавателя состояний объектов управления на основе теории оценивания и идентификации. Предлагаются структура распознавателя состояний объекта управления, позволяющего оперативно диагностировать его работу по количественным и качественным признакам, методика построенияраспознавателя, а также рассматриваются приложения многоструктурного распознавателя к промышленным объектам в системах управления.Работа выполнена при поддержке гранта Президента РФ МК4068.2015.8.Ключевые слова:многоструктурный распознаватель, продукционная модель представления знаний, объект управления.
Проблема распознавания состояний объекта управления заключается в преобразовании входной информации, в качестве которой целесообразно рассматривать значения входных и выходных воздействий,параметров, информативныхпризнаковраспознаваемых образов, в выходную, представляющую собой заключение о том, к какому классу относится распознаваемый образ на основе определенных требований. Состояния, относящиеся к одному классу, обладают относительно высокой степенью близости, общностью, сходством[1]. Распознавание представляет собой классификациюсостоянийна множестве признаков, оцениваемых по наблюдаемым значениям координат процесса, взятых в один и тот же момент времени.
Для решения задачи распознавания состоянийнеобходимо первоначально заняться наполнением базы знанийописанием состояний, принадлежность которых к тому или иному классу известна.Признаки должны быть инвариантными по отношению к обычно встречающимся искажениям и обладать малой избыточностью. 1. Многоструктурный распознавательМногоструктурный распознаватель состояний объекта управлениярисунок 1 осуществляет обработку данных и знаний циклически путем логического выводаи обеспечиваетвыработку решений о принадлежности образа к тому или иному классу на основе анализа значений информативных признаков. Под образом будемпонимать состояние объекта управления.Многоструктурный распознаватель состоит изследующих блоков:блок оценивания признаковназываемый также выделитель признаков,рецептор, фильтр свойств, детектор признаков или препроцессор, который ориентированна уменьшение объема обрабатываемых данныхивыделяет из первичных данных полезные сведения;базазнаний, состоящаяиз набора правилбазапродукционных правил);
блок сопоставления, в которомобразец продукционного правила сопоставляется с полученными признаками;классификатор, который выбирает одинизнескольких классов по суммарной балльной оценке на основе сработавших правил; правило срабатывает, если левая частьправила при сопоставлении совпалас полученными значениями признаков.
Рис.1.Схема многоструктурного распознавателя состояний объекта управления: , , , действительные индекс D» значения векторовфункций контролируемых индекс K» и неконтролируемых индекс Н») внешних воздействий, управляющихи выходных воздействий объекта управления в момент времени t; , , измеренные индекс И» значения векторов внешних, управляющих и выходных воздействийобъекта;
вектор оценок соответствующих переменных объекта управления; состояние объекта управления; ИБ интерфейсный блок; НИнеинструментальная информацияИзмерительные блоки воспринимаютвходные и выходные воздействия объекта управления и преобразуют их в сигналы первичные данные», удобные для компьютерной обработкив подсистемеоценивания, предназначенной для фильтрации данных.В блок оценивания признаковпоступаютданныеиз подсистемы оцениванияпеременных объекта управления и от операторатехнолога, который воспринимаети анализирует , неинструментальную информацию, а затем выбирает некоторые значения плохо формализуемых признаков.Оценки информативных признаков поступают в блок сопоставления, который в ускоренном режиме времени просматривает существующие правила из базы знанийисопоставляетихс информативными признаками, после формирует совокупность отобранныхсработавшихправил. Если в совокупностиотобранных правил имеется конфликтное множество то есть, в конкретной ситуации может быть применено сразу несколько правил, то для разрешения конфликта можно использовать метод ранжирования или метод парного сравнения[2]. Ранжирование, тоестьрасположение продукционных правил в порядке их значимости, позволяет выбрать из исследуемой совокупности наиболее рациональноепродукционноеправило.Если имеется nпродукционных правил из конфликтногомножества, то в результате их ранжирования jым экспертом каждое конфликтующее правилополучает оценку xijранг, приписываемый iму правилуjым экспертом. Значения xijнаходятся в интервале от 1до n. Ранг самого важного правиларавен единице, наименее значимого числу n. Ранжировкойjго эксперта являетсяпоследовательность рангов x1j, x2j, …, xnj. Для определениясогласованности мнений экспертовв ранжировках рассчитывается коэффициент конкордации общий коэффициент ранговой корреляции для группы, состоящей из m экспертов, по следующей формуле:
,где nколичество продукционных правил из конфликтногомножества; mколичество экспертов; xijранг, приписываемый iму правилу jым экспертом; , если , то наблюдаетсяполноеединодушие экспертов, а если , то имеется полная несогласованность экспертов.Если мнения экспертов согласованы, то выбирается правило, у которого сумма рангов минимальна.Если конфликтующих правилстолько, что экспертам трудно построитьранжированный рядили различиямежду правиламинезначительныиприходится учитывать множество сложных связей, тоцелесообразно использовать метод парногосравнения. Этот метод основан на сравнении всех возможных пар, в каждой из которых необходимовыявить более значимоеправилоили установить их равенство. При использовании метода парногосравнениясоставляется матрица размером, где количество сравниваемых правил.Классификатор рассчитывает суммарную балльнуюоценкувозникновения каждого класса, максимальное значение этойоценки указывает на принадлежность распознаваемогообраза искомому классу.Суммарнаябалльная оценка складывается из балльных оценок, находящихся в правой части сработавших продукционных правил.Результат распознавания поступает операторутехнологу через интерфейсный блок и сохраняется в базе данных.Распознаватель состояний основан на принципе modus ponens»,который трактуется следующим образом: Если известно, что истинно утверждение А и существует правило вида Если А, то В», тогда утверждение В истинно».
База знаний предназначена для хранения сложно структурированных информационных единиц формализованных знаний прикладной области в явном виде.База знаний использует продукционнуюмодельпредставления знанийили модель, основаннуюна правилах, которая позволяет представить знания в виде предложений типа Если (условие), то (действие)».Инженер по знаниямосуществляетизвлечение и интерпретациюзнаний из различных источников например, из баз данных, официальных документов, учебников, монографий, изобретений, книг, справочников, структурирование их в виде базы знаний и наполнение ее знаниями, относящимися к конкретной прикладной области. Для формализации знаний инженер выбирает модель их представления. Инженер по знаниям также извлекает знания из результата общения с экспертами в интерактивном режиме, используя методы системного анализа.Эксперт обладаетразнообразными знаниями в прикладной области, имеет доступ к действующему объекту управленияи к большому количеству источников знаний, которые освоил за годы обучения, теоретической и экспериментальной работы, а также приобрел навыки и опыт поиска эффективных решений конкретного класса задач распознавания сложных образов.Интеллектуальный редактор, содержащий шаблоны языка представления знаний, меню, подсказки и другие сервисные средства, позволяет инженеру по знаниям создавать и наполнять базу знаний через интерфейс инженера в диалоговом режиме путем ввода в нее новых знаний о прикладной области.То есть редакторнеобходим для организации в базе знаний процедур, связанных с поиском знаний, пополнением базы знаний, ее корректировкой.2. Методика разработки многоструктурного распознавателяНа рисунке 2 предложенаметодика разработки многоструктурногораспознавателя состояний объекта управления.Рассмотрим некоторые этапы методики.Извлечение знаний необходимо для переносакомпетентности от эксперта к инженеру по знаниям[3].Оно осуществляется на основе следующихметодов: обработки текстов ГОСТов, технологических инструкций, атласов, диалогов; экспертных игр; лекций; дискуссий; интервью; наблюдений и других. Извлечение знаний этополучение инженером по знаниям наиболее полного представления о прикладнойобласти и способах принятия решения в ней. В системном анализе разработано много эффективных методик опроса экспертов. Учитывая особенности промышленного производства, высокую занятость операторовтехнологов, рекомендуется использоватьметод Дельфи», предполагающий итеративное анкетированиеэкспертов. Привлекается N экспертов, каждому из которых выдается анкета. В анкете указываются классы ситуаций и возможные варианты значений их признаков. Опрос экспертовпроводится в несколько этапов, в разное время, с ознакомлением с полученными результатами предыдущих опросов всех экспертов.На этапе структурирования знанийвыявляется структура полученных знаний о прикладнойобласти, то есть определяются: терминология; список основных понятий и их атрибутов; отношения между понятиями; структура входной ивыходной информации; стратегия принятия решений; ограничения стратегий и т.д. Структурирование знаний эторазработка неформального описания знаний о прикладнойобласти в виде графа, таблицы, диаграммы или текста, которое отражает основные концепции и взаимосвязимежду понятиями прикладнойобласти. Такое описание называется полем знаний.
Рис.2.Методика разработки многоструктурногораспознавателя состояний объекта управления
Продолжение рисунка 2
Формализованное представление знаний оприкладнойобласти осуществляется на основе выбранного языка представления знаний. Традиционно на этом этапе используются: логические методы исчисления предикатов первого порядка и др.; продукционные модели спрямым и обратным выводом; семантические сети; фреймы; объектноориентированные языки, основанные на иерархии классов, объектов и др. Формализация знаний эторазработка базы знаний на языке, которыйсоответствует структуре поля знаний.На следующей стадии создается программнаяреализацияраспознавателя при помощи одного из следующих способов: программирование на традиционных языках, программирование на специализированных языках, применяемых в задачах искусственного интеллекта, использование инструментальных средств разработки, использование оболочек». Конкретизация предложенного подхода выполнена для построения многоструктурногораспознавания состояний доменной печи и процесса увлажнения агломерационной шихты.
3. Многоструктурный распознаватель состояний доменной печиАктуальнойприкладнойзадачей является задачараспознаваниясостояний доменной печи, которая относится к классу сложных объектов управления. Существующие математические модели доменного процесса не являются высокоточными в большом диапазонеизменений входных и выходных воздействий объекта, не отражают сложное поведение объекта, также возникают проблемы изза необходимости оценки многочисленных и постоянно меняющихся параметров объекта, влияния сильных помех и изменчивости ситуаций на объекте. Процесс выплавки чугуна подвержен влиянию внешних воздействий, которые вызывают нарушения хода доменной печи и требуют высокой квалификации операторовтехнологов при управлении процессом.На основе знаний,извлеченных из технологическихинструкцийпо производству чугуна, ретроспективного анализа практическогоопыта доменщиков былаполучена таблица, увязывающая состояниядоменной печи нормальный ход печи»,периферийный ход газов»,осевой ход газов»,канальный ход газов», верхнее подвисание шихты», нижнее подвисание шихты», тугой ход печи», разогрев доменной печи»,похолодание доменной печи»[4] с их характерными информативнымипризнаками расход дутья»,шомпольные диаграммы»,давление колошникового газа»,температура колошникового газа»,температура периферийных газов»,общий и частные перепады»,содержание СО2и температура по сечению колошника»,давление горячего дутья».Для формализации знаний была выбрана продукционнаямодель представления знаний.Программная реализация многоструктурного распознавателясостояний доменной печивыполнена в среде Exsys CORVID[5],состоящей из среды разработки логический блок, командныйблок, блок тип переменных»)и среды исполнения рисунок 3).
Рис. 3. Экранная форма многоструктурного распознавателясостояний доменной печи
Ситуационное моделирование работы многоструктурного распознавателясостояний доменной печиосуществлялось с использованием натурных данных доменного цеха ОАО ЕВРАЗ Объединенный ЗападноСибирский металлургический комбинат». Для каждой ситуации оператортехнолог доменщик,выбирая значения количественных и качественных информативных признаков в диалоговом режиме, получает результат распознаванияи рекомендации по принятию решения.Результаты моделирования работы многоструктурногораспознавателясостояний доменной печи по ситуациям с использованием натурных данных показаливозможность достижения 9597% правильности распознавания. Для идентификации оставшихся нераспознанных ситуаций привлекается эксперт, который описывает, исследует ивносит их в базу знаний распознавателя.Эффективное распознаниесостояний хода доменной печии оперативное принятие решений доменщиком обеспечиваетснижение удельногорасхода кокса на 0,30,5%, снижение вероятности аварий, а также снижение выпуска некондиционного чугуна.4. Многоструктурный распознаватель состоянийпроцесса увлажнения агломерационной шихтыАктуальнойприкладнойзадачей является задачараспознаваниясостояний процесса увлажнения агломерационной шихты.В результатеструктурирования знаний получена таблица, увязывающая базовые состоянияпроцесса увлажнения с егохарактерными информативнымипризнаками месторождение руды», базовый уровень начальной влажности концентрата», программный уровень расхода шихты», требуемое заказчиком качество агломерата {химический состав готового агломерата [Fe, S, CaO, SiO2, основность, FeO, MgO, Mn, P, Al2O3, Na2O, K2O, ZnO, TiO2], механическаяпрочность, прочность на истирание}».Ситуационное моделирование работы многоструктурного распознавателясостояний процесса увлажнения агломерационной шихты(рисунок 4) осуществлялось с использованием натурных данных ОАО ЕвразРуда» Абагурский филиал. Для каждой ситуации оператортехнолог агломератчик),выбирая значения количественных и качественных информативных признаков в диалоговом режиме, получает результат распознаванияи рекомендации по принятию решенийзадание на конечную влажность шихты», программный уровень расхода воды».Результаты моделирования работы многоструктурногораспознавателясостояний процесса увлажнения по ситуациям с использованием натурных данных показали возможность достижения 95% правильностираспознавания. Эффективное распознаниесостояний и оперативное принятие решений агломератчиком обеспечиваетулучшение качества агломерата, увеличение производительности агломашины, экономиюэнергоресурсов, снижение простоев оборудования.
Рис.4.Экранная форма многоструктурного распознавателя состояний процесса увлажнения агломерационной шихтыРазработан многоструктурный распознаватель состояний объекта управления, позволяющий оперативно диагностировать его работу по количественным и качественным признакам, выявлять причины текущего состояния, обеспечивающий безопасность, функциональную надежность и эффективность работы объекта, а также сокращение затрат на его обслуживание и уменьшение потерь от простоев в результате отказов, отличающийся использованием продукционной модели представления знаний в сочетании с методами экспертных оценок.
Ссылки на источники1.Методы компьютерной обработки изображений / Под ред. В.А. Сойфера М.: ФИЗМАТЛИТ, 2003. 784 с.2.Системный анализ и принятие решений / Под ред. В.Н. Волковой, В.Н. Козлова М.: Высш. шк., 2004. 616 с.3.Гаврилова Т.А. Базы знаний интеллектуальных системы / Т.А. Гаврилова, В.Ф. Хорошевский СПб.: Питер, 2001. 384 с.4.Информационные системы в металлургии / Н.А. Спирин и др. Екатеринбург: УГТУ УПИ, 2001. 617 с.5.Awad E. Building knowledge automation expert systems with Exsys CORVID / E. AwadCharlottesville: University of Virginia, 2005. 265 p.
Многоструктурный распознаватель состояний объекта управления
Аннотация. Рассматриваются особенности современного подхода к построению многоструктурного распознавателя состояний объектов управления на основе теории оценивания и идентификации. Предлагаются структура распознавателя состояний объекта управления, позволяющего оперативно диагностировать его работу по количественным и качественным признакам, методика построенияраспознавателя, а также рассматриваются приложения многоструктурного распознавателя к промышленным объектам в системах управления.Работа выполнена при поддержке гранта Президента РФ МК4068.2015.8.Ключевые слова:многоструктурный распознаватель, продукционная модель представления знаний, объект управления.
Проблема распознавания состояний объекта управления заключается в преобразовании входной информации, в качестве которой целесообразно рассматривать значения входных и выходных воздействий,параметров, информативныхпризнаковраспознаваемых образов, в выходную, представляющую собой заключение о том, к какому классу относится распознаваемый образ на основе определенных требований. Состояния, относящиеся к одному классу, обладают относительно высокой степенью близости, общностью, сходством[1]. Распознавание представляет собой классификациюсостоянийна множестве признаков, оцениваемых по наблюдаемым значениям координат процесса, взятых в один и тот же момент времени.
Для решения задачи распознавания состоянийнеобходимо первоначально заняться наполнением базы знанийописанием состояний, принадлежность которых к тому или иному классу известна.Признаки должны быть инвариантными по отношению к обычно встречающимся искажениям и обладать малой избыточностью. 1. Многоструктурный распознавательМногоструктурный распознаватель состояний объекта управлениярисунок 1 осуществляет обработку данных и знаний циклически путем логического выводаи обеспечиваетвыработку решений о принадлежности образа к тому или иному классу на основе анализа значений информативных признаков. Под образом будемпонимать состояние объекта управления.Многоструктурный распознаватель состоит изследующих блоков:блок оценивания признаковназываемый также выделитель признаков,рецептор, фильтр свойств, детектор признаков или препроцессор, который ориентированна уменьшение объема обрабатываемых данныхивыделяет из первичных данных полезные сведения;базазнаний, состоящаяиз набора правилбазапродукционных правил);
блок сопоставления, в которомобразец продукционного правила сопоставляется с полученными признаками;классификатор, который выбирает одинизнескольких классов по суммарной балльной оценке на основе сработавших правил; правило срабатывает, если левая частьправила при сопоставлении совпалас полученными значениями признаков.
Рис.1.Схема многоструктурного распознавателя состояний объекта управления: , , , действительные индекс D» значения векторовфункций контролируемых индекс K» и неконтролируемых индекс Н») внешних воздействий, управляющихи выходных воздействий объекта управления в момент времени t; , , измеренные индекс И» значения векторов внешних, управляющих и выходных воздействийобъекта;
вектор оценок соответствующих переменных объекта управления; состояние объекта управления; ИБ интерфейсный блок; НИнеинструментальная информацияИзмерительные блоки воспринимаютвходные и выходные воздействия объекта управления и преобразуют их в сигналы первичные данные», удобные для компьютерной обработкив подсистемеоценивания, предназначенной для фильтрации данных.В блок оценивания признаковпоступаютданныеиз подсистемы оцениванияпеременных объекта управления и от операторатехнолога, который воспринимаети анализирует , неинструментальную информацию, а затем выбирает некоторые значения плохо формализуемых признаков.Оценки информативных признаков поступают в блок сопоставления, который в ускоренном режиме времени просматривает существующие правила из базы знанийисопоставляетихс информативными признаками, после формирует совокупность отобранныхсработавшихправил. Если в совокупностиотобранных правил имеется конфликтное множество то есть, в конкретной ситуации может быть применено сразу несколько правил, то для разрешения конфликта можно использовать метод ранжирования или метод парного сравнения[2]. Ранжирование, тоестьрасположение продукционных правил в порядке их значимости, позволяет выбрать из исследуемой совокупности наиболее рациональноепродукционноеправило.Если имеется nпродукционных правил из конфликтногомножества, то в результате их ранжирования jым экспертом каждое конфликтующее правилополучает оценку xijранг, приписываемый iму правилуjым экспертом. Значения xijнаходятся в интервале от 1до n. Ранг самого важного правиларавен единице, наименее значимого числу n. Ранжировкойjго эксперта являетсяпоследовательность рангов x1j, x2j, …, xnj. Для определениясогласованности мнений экспертовв ранжировках рассчитывается коэффициент конкордации общий коэффициент ранговой корреляции для группы, состоящей из m экспертов, по следующей формуле:
,где nколичество продукционных правил из конфликтногомножества; mколичество экспертов; xijранг, приписываемый iму правилу jым экспертом; , если , то наблюдаетсяполноеединодушие экспертов, а если , то имеется полная несогласованность экспертов.Если мнения экспертов согласованы, то выбирается правило, у которого сумма рангов минимальна.Если конфликтующих правилстолько, что экспертам трудно построитьранжированный рядили различиямежду правиламинезначительныиприходится учитывать множество сложных связей, тоцелесообразно использовать метод парногосравнения. Этот метод основан на сравнении всех возможных пар, в каждой из которых необходимовыявить более значимоеправилоили установить их равенство. При использовании метода парногосравнениясоставляется матрица размером, где количество сравниваемых правил.Классификатор рассчитывает суммарную балльнуюоценкувозникновения каждого класса, максимальное значение этойоценки указывает на принадлежность распознаваемогообраза искомому классу.Суммарнаябалльная оценка складывается из балльных оценок, находящихся в правой части сработавших продукционных правил.Результат распознавания поступает операторутехнологу через интерфейсный блок и сохраняется в базе данных.Распознаватель состояний основан на принципе modus ponens»,который трактуется следующим образом: Если известно, что истинно утверждение А и существует правило вида Если А, то В», тогда утверждение В истинно».
База знаний предназначена для хранения сложно структурированных информационных единиц формализованных знаний прикладной области в явном виде.База знаний использует продукционнуюмодельпредставления знанийили модель, основаннуюна правилах, которая позволяет представить знания в виде предложений типа Если (условие), то (действие)».Инженер по знаниямосуществляетизвлечение и интерпретациюзнаний из различных источников например, из баз данных, официальных документов, учебников, монографий, изобретений, книг, справочников, структурирование их в виде базы знаний и наполнение ее знаниями, относящимися к конкретной прикладной области. Для формализации знаний инженер выбирает модель их представления. Инженер по знаниям также извлекает знания из результата общения с экспертами в интерактивном режиме, используя методы системного анализа.Эксперт обладаетразнообразными знаниями в прикладной области, имеет доступ к действующему объекту управленияи к большому количеству источников знаний, которые освоил за годы обучения, теоретической и экспериментальной работы, а также приобрел навыки и опыт поиска эффективных решений конкретного класса задач распознавания сложных образов.Интеллектуальный редактор, содержащий шаблоны языка представления знаний, меню, подсказки и другие сервисные средства, позволяет инженеру по знаниям создавать и наполнять базу знаний через интерфейс инженера в диалоговом режиме путем ввода в нее новых знаний о прикладной области.То есть редакторнеобходим для организации в базе знаний процедур, связанных с поиском знаний, пополнением базы знаний, ее корректировкой.2. Методика разработки многоструктурного распознавателяНа рисунке 2 предложенаметодика разработки многоструктурногораспознавателя состояний объекта управления.Рассмотрим некоторые этапы методики.Извлечение знаний необходимо для переносакомпетентности от эксперта к инженеру по знаниям[3].Оно осуществляется на основе следующихметодов: обработки текстов ГОСТов, технологических инструкций, атласов, диалогов; экспертных игр; лекций; дискуссий; интервью; наблюдений и других. Извлечение знаний этополучение инженером по знаниям наиболее полного представления о прикладнойобласти и способах принятия решения в ней. В системном анализе разработано много эффективных методик опроса экспертов. Учитывая особенности промышленного производства, высокую занятость операторовтехнологов, рекомендуется использоватьметод Дельфи», предполагающий итеративное анкетированиеэкспертов. Привлекается N экспертов, каждому из которых выдается анкета. В анкете указываются классы ситуаций и возможные варианты значений их признаков. Опрос экспертовпроводится в несколько этапов, в разное время, с ознакомлением с полученными результатами предыдущих опросов всех экспертов.На этапе структурирования знанийвыявляется структура полученных знаний о прикладнойобласти, то есть определяются: терминология; список основных понятий и их атрибутов; отношения между понятиями; структура входной ивыходной информации; стратегия принятия решений; ограничения стратегий и т.д. Структурирование знаний эторазработка неформального описания знаний о прикладнойобласти в виде графа, таблицы, диаграммы или текста, которое отражает основные концепции и взаимосвязимежду понятиями прикладнойобласти. Такое описание называется полем знаний.
Рис.2.Методика разработки многоструктурногораспознавателя состояний объекта управления
Продолжение рисунка 2
Формализованное представление знаний оприкладнойобласти осуществляется на основе выбранного языка представления знаний. Традиционно на этом этапе используются: логические методы исчисления предикатов первого порядка и др.; продукционные модели спрямым и обратным выводом; семантические сети; фреймы; объектноориентированные языки, основанные на иерархии классов, объектов и др. Формализация знаний эторазработка базы знаний на языке, которыйсоответствует структуре поля знаний.На следующей стадии создается программнаяреализацияраспознавателя при помощи одного из следующих способов: программирование на традиционных языках, программирование на специализированных языках, применяемых в задачах искусственного интеллекта, использование инструментальных средств разработки, использование оболочек». Конкретизация предложенного подхода выполнена для построения многоструктурногораспознавания состояний доменной печи и процесса увлажнения агломерационной шихты.
3. Многоструктурный распознаватель состояний доменной печиАктуальнойприкладнойзадачей является задачараспознаваниясостояний доменной печи, которая относится к классу сложных объектов управления. Существующие математические модели доменного процесса не являются высокоточными в большом диапазонеизменений входных и выходных воздействий объекта, не отражают сложное поведение объекта, также возникают проблемы изза необходимости оценки многочисленных и постоянно меняющихся параметров объекта, влияния сильных помех и изменчивости ситуаций на объекте. Процесс выплавки чугуна подвержен влиянию внешних воздействий, которые вызывают нарушения хода доменной печи и требуют высокой квалификации операторовтехнологов при управлении процессом.На основе знаний,извлеченных из технологическихинструкцийпо производству чугуна, ретроспективного анализа практическогоопыта доменщиков былаполучена таблица, увязывающая состояниядоменной печи нормальный ход печи»,периферийный ход газов»,осевой ход газов»,канальный ход газов», верхнее подвисание шихты», нижнее подвисание шихты», тугой ход печи», разогрев доменной печи»,похолодание доменной печи»[4] с их характерными информативнымипризнаками расход дутья»,шомпольные диаграммы»,давление колошникового газа»,температура колошникового газа»,температура периферийных газов»,общий и частные перепады»,содержание СО2и температура по сечению колошника»,давление горячего дутья».Для формализации знаний была выбрана продукционнаямодель представления знаний.Программная реализация многоструктурного распознавателясостояний доменной печивыполнена в среде Exsys CORVID[5],состоящей из среды разработки логический блок, командныйблок, блок тип переменных»)и среды исполнения рисунок 3).
Рис. 3. Экранная форма многоструктурного распознавателясостояний доменной печи
Ситуационное моделирование работы многоструктурного распознавателясостояний доменной печиосуществлялось с использованием натурных данных доменного цеха ОАО ЕВРАЗ Объединенный ЗападноСибирский металлургический комбинат». Для каждой ситуации оператортехнолог доменщик,выбирая значения количественных и качественных информативных признаков в диалоговом режиме, получает результат распознаванияи рекомендации по принятию решения.Результаты моделирования работы многоструктурногораспознавателясостояний доменной печи по ситуациям с использованием натурных данных показаливозможность достижения 9597% правильности распознавания. Для идентификации оставшихся нераспознанных ситуаций привлекается эксперт, который описывает, исследует ивносит их в базу знаний распознавателя.Эффективное распознаниесостояний хода доменной печии оперативное принятие решений доменщиком обеспечиваетснижение удельногорасхода кокса на 0,30,5%, снижение вероятности аварий, а также снижение выпуска некондиционного чугуна.4. Многоструктурный распознаватель состоянийпроцесса увлажнения агломерационной шихтыАктуальнойприкладнойзадачей является задачараспознаваниясостояний процесса увлажнения агломерационной шихты.В результатеструктурирования знаний получена таблица, увязывающая базовые состоянияпроцесса увлажнения с егохарактерными информативнымипризнаками месторождение руды», базовый уровень начальной влажности концентрата», программный уровень расхода шихты», требуемое заказчиком качество агломерата {химический состав готового агломерата [Fe, S, CaO, SiO2, основность, FeO, MgO, Mn, P, Al2O3, Na2O, K2O, ZnO, TiO2], механическаяпрочность, прочность на истирание}».Ситуационное моделирование работы многоструктурного распознавателясостояний процесса увлажнения агломерационной шихты(рисунок 4) осуществлялось с использованием натурных данных ОАО ЕвразРуда» Абагурский филиал. Для каждой ситуации оператортехнолог агломератчик),выбирая значения количественных и качественных информативных признаков в диалоговом режиме, получает результат распознаванияи рекомендации по принятию решенийзадание на конечную влажность шихты», программный уровень расхода воды».Результаты моделирования работы многоструктурногораспознавателясостояний процесса увлажнения по ситуациям с использованием натурных данных показали возможность достижения 95% правильностираспознавания. Эффективное распознаниесостояний и оперативное принятие решений агломератчиком обеспечиваетулучшение качества агломерата, увеличение производительности агломашины, экономиюэнергоресурсов, снижение простоев оборудования.
Рис.4.Экранная форма многоструктурного распознавателя состояний процесса увлажнения агломерационной шихтыРазработан многоструктурный распознаватель состояний объекта управления, позволяющий оперативно диагностировать его работу по количественным и качественным признакам, выявлять причины текущего состояния, обеспечивающий безопасность, функциональную надежность и эффективность работы объекта, а также сокращение затрат на его обслуживание и уменьшение потерь от простоев в результате отказов, отличающийся использованием продукционной модели представления знаний в сочетании с методами экспертных оценок.
Ссылки на источники1.Методы компьютерной обработки изображений / Под ред. В.А. Сойфера М.: ФИЗМАТЛИТ, 2003. 784 с.2.Системный анализ и принятие решений / Под ред. В.Н. Волковой, В.Н. Козлова М.: Высш. шк., 2004. 616 с.3.Гаврилова Т.А. Базы знаний интеллектуальных системы / Т.А. Гаврилова, В.Ф. Хорошевский СПб.: Питер, 2001. 384 с.4.Информационные системы в металлургии / Н.А. Спирин и др. Екатеринбург: УГТУ УПИ, 2001. 617 с.5.Awad E. Building knowledge automation expert systems with Exsys CORVID / E. AwadCharlottesville: University of Virginia, 2005. 265 p.
