Научно-практические основы проектирования диагностической экспертной системы

Существует класс задач, решение которых невозможно традиционными формальными методами. Этот класс задач определен как интеллектуальные задачи. К ним относятся: задачи интерпретации, диагностики, контроля, прогнозирования, планирования, проектирования и т. д. Выдвинутая концепция методов и средств искусственного интеллекта (ИИ) — есть парадигма решения такого ряда задач. При этом экспертные системы (ЭС) представляются как теория и практика одного из направлений исследований ИИ.

Начало первого этапа развития работ в области искусственного интеллекта приходится на конец 60-х годов [1]. Новая отрасль индустриипроизводство интеллектуальных систем сформировалась в 80-е годы. Можно выделить следующие основные черты интеллектуальных систем: наличие человека, который взаимодействует с нейвозможность накапливать и получать новые знанияспособность осуществлять рассуждения, характерные для человека.

Многие положения по искусственному интеллекту, которые изначально считались незыблемыми, оказались несостоятельными. Например, считалось, что все знания о той или иной проблемной области можно описать в рамках некой формальной теории и воспользоваться принципами доказательных рассуждений. Однако, принцип монотонности выводов в логических исчислениях для реальных проблемных областей оказался неверен. Связано это с тем, что во многих областях человеческой деятельности объекты, с которыми оперируют специалисты, не могут быть сведены к чисто синтаксическим объектам, характерным для математики.

Не решен окончательно вопрос о том, какова должна быть формальная модель представления знаний в интеллектуальной системе. Например, созданные пустые ЭС, в которых изначально были заложены известные способы (фреймы, продукции или семантические сети) представления знаний и механизм рассуждения оказались неэффективными. Исследования показали, что жесткая фиксация модели представления знаний и способа получения решения в каждой проблемной области должна быть своя.

В настоящее время находят применение новые методы и технологии при создании интеллектуальных систем. Можно выделить когнитивную графику или виртуальную реальность, гипертекстовые и мультимедиа технологии. Главное назначение когнитивной графики состоит в том, чтобы служить средством, способствующим процессу порождения нового знания, пока, в голове человека [2]. Гипертекстовая технология может быть использована как инструментальное средство для создания интеллектуальной системы [3]. Мультимедиа технология позволяет вывести процесс общения человека с интеллектуальной системой на качественно новый уровень. К новому направлению ИИ можно отнести и интеллектуальные средства извлечения знаний [4].

К новым методам, которые используются при решении трудно-формализуемых задач или при получении грубого результата для принятия решения в реальном времени, можно отнести генетические алгоритмы (ГА) классифицирующие системы (КС), генетическое программирование (ГП), эволюционное программирование и эволюционные стратегии[5].

Генетические алгоритмы получили наибольшее распространение. В теории ГА используется понятие схемы, которая представляет собой троичные цепочки с символами «1», «2» и «*», где «*» — маска, вместо которой может быть подставлена «1» или «2». Генетический алгоритм ищет оптимальное решение в пространстве возможных решений. Генетические алгоритмы исследовались в литературе с различных сторон. В частности, полезен подход, изложенный в работе [6]. Здесь схемы рассматриваются как предикаты, что позволяет автору более глубоко исследовать свойства ГА.

Существует много модификаций ГА. Наличие нескольких способов решения ставит задачу сравнения их эффективности. Чаще всего это делается прямым экспериментом на реальной или модельной задаче, в теоретических оценках ГА интерпретируются как марковский процесс [7].

На основе генетических алгоритмов созданы КС [8,9], которые можно использовать как обучаемые системы управления. Классифицирующая система состоит из трех вложенных друг в друга систем: классификатора, системы обучения и ГА. Классификатор вложен в обучающую систему, которая формирует оценку правил. Порождение новых правил осуществляет генетический алгоритм. Основу классификатора составляет список правил вида «Если ., ТО .», где каждое правило снабжается числовой оценкой.

Генетическое программирование — это способ создания компьютерных программ для задач, алгоритм решения которых неизвестен заранее. Примером могут служить программы, написанные на языке Лисп. В работе [10] дан пример использования ГП для синтеза сложного автомата, приведены достаточно подробные сведения по машинному эксперименту со структурой идентификацией динамических систем. В 1997 году была проведена первая конференция по генетическому программированию.

В эволюционном программировании вместо цепочек ГА используется совокупность автоматов, каждый из которых пытается исходя из текущей информации предсказать состояние, соответствующее лучшему значению цены.

Метод «эволюционные стратегии» был разработан как стохастический метод нахождения глобального минимума функций многих переменных.

Многие исследовательские коллективы занимаются вопросами использования эволюционных вычислений и прежде всего генетические алгоритмы для нейронных сетей.

Одним из современных научных направлений искусственного интеллекта является нейрокомпьютинг. Задачей данного направления является разработка вычислительных систем шестого поколениянейрокомпьютеров [11−13]. Нейрокомпьютеры состоят из большого числа параллельно работающих простых вычислительных элементов (нейронов). Элементы связаны между собой, образуя нейронную сеть. Они выполняют единообразные вычислительные действия и не требуют внешнего управления.

В настоящее время разработка нейрокомпьютеров ведется в большинстве промышленно развитых странах. Такие компьютеры позволяют за счет большого числа параллельно работающих вычислительных элементов решать целый ряд «интеллектуальных» задач с высокой эффективностью. Это задачи распознавания образов, адаптивного управления, прогнозирования, диагностики и т. д. Место программирования занимает обучение, которое состоит в том, чтобы корректировать веса связей. В результате корректировки каждое входное воздействие приводит к формированию соответствующего выходного сигнала. При переходе от программирования к обучению повышается эффективность решения «интеллектуальных» задач.

Отличительным свойством является то, что в нейронной сети нет локальных областей, в которых запоминается конкретная информация. Вся информация запоминается во всей сети. Толчком к развитию данного направления послужили биологические исследования. По данным нейробиологии нервная система человека и животных состоит из отдельных клеток — нейронов. Каждый нейрон связан с другими нейронами и выполняет сравнительно простые действия. Совокупная работа всех нейронов обуславливает сложную работу мозга.

По мнению большинства экспертов массовое распространение технологий нейронных сетей начнется в конце 90-х годов. В настоящее время наиболее массовым направлением является моделирование нейронных сетей на обычных компьютерах.

Разработки в области нейрокомпьютинга ведутся по следующим направлениям: разработка нейроалгоритмов и программные реализации нейросетей (создание специализированного программного обеспечения для моделирования нейронных сетейразработка специализированных процессорных плат для имитации нейросетей).

Основными достоинствами нейрокомпьютеров от вычислительных устройств предыдущих поколений являются: огромное быстродействие, способность к обучению, высокая помехои отказоустойчивость, возможность использования новых физических принципов при аппаратной реализации.

Достоинства использования искусственных нейросетей очевидны, однако их практическое применение в экспертных системах сдерживается трудностью проектирования [14]. Каждая новая задача требует большой исследовательской работы. При построении диагностических экспертных систем эти проблемы стоят особенно остро из-за разнообразия проявления неисправностей (симптомов). Причины, по которым проектирование и обучение нейросетей пока еще остается не конструкторской, а исследовательской и экспериментальной задачей, следующие: не накоплен достаточный опыт, где применение нейросетей дало положительный результатанализ работы нейросетей является нетривиальной задачей, поэтому требуется инструмент, облегчающий ее решение.

В существующих программных разработках находят все большее применение комбинированные методы и технологии искусственного интеллекта. Например, к принципиально новым подходам в разработке интеллектуальных поисковых систем можно отнести технологию, которая приведена в работе [15]. Указанная технология объединяет в себе метод адаптивного распознавания образов (АРО) и семантические сети. Она позволяет работать с информацией любого типа — текстом, графикой, видео и др. Метод АРО опирается на теорию нейронных сетей и позволяет осуществлять бинарную индексацию. Система, созданная на основе метода АРО функционирует как самоорганизующийся организм.

Применение технологии семантических сетей обеспечивает возможность использования естественного языка запросов и позволяет вести интеллектуальный поиск на основе баз знаний. Традиционные подходы к организации поиска информации можно разделить на три группы: методы индексного (или двоичного) поиска, статистические методы и методы, основанные на базах знаний. Подход на основе семантических сетей реально объединяет статистический поиск и поиск на основе баз знаний. При этом используются смысловые значения слов для определения и классификации отношений, которые статистический поиск не отслеживает.

Системы, основанные на знаниях, предпочтительнее тех, которые базируются на двоичном поиске [15].

Другим примером использования комбинированного метода может служить интеллектуальная управляющая система, которая приведена в работе [16]. В данной статье рассматриваются принципы построения основных задающих блоков интеллектуальных управляющих систем. Показано, что накопление информации об управляемом объекте и внешнем окружении и использование ее для выработки подходящего решения возможны лишь при структурном объединении блока нейроподобных структур и блока размытой (нечеткой) логики. Согласованное функционирование этих блоков реализуется с помощью блока генетического алгоритмирования. Автор вышеуказанной работы делает вывод, что основным достижением при использовании нейроподобных структур является способность согласовывать плохо моделируемые нелинейные динамические системы.

Однако применение при этом классической для методов ИИ системы экспертных оценок можно считать непрактичным (за исключением очень простых приложений). Причина в том, что такой подход требует нереализуемо массивного набора правил типа «Если ., тогда .». Положение облегчает использование теории нечеткой логики. В этом случае могут быть получены предметно-ориентированные экспертные системы и число правил обычно существенно снижается.

Среди программных продуктов, которые относятся к интеллектуальным системам и были удачно применены на практике можно выделить программу Deep Blue [17]. Данной системе удалось «передумать» не просто человека, а лучшего человека-эксперта в конкретной предметной области.

Причина успеха шахматной системы в использовании методов искусственного интеллекта. В основе данной системы для принятия решения традиционно используется оценочная функция, учитывающая статическую и динамическую силу фигур. Программа выбирает тот ход, для которого значение оценочной функции максимально. Важными задачами при этом являются построение вида оценочной функции и правильный подбор ее коэффициентов. Приоритет в исследованиях был отдан поиску на основе традиционных методов оптимизации (подбор коэффициентов), конкретно на методе минимаксного поиска в дереве вариантов, где роль веса узла выполняет значение оценочной функции. Данный метод в чистом виде имеет много недостатков, поэтому используют его разновидности.

Альфа-бета-поиск" является разновидностью метода при помощи подбора коэффициентов. Он позволяет сократить перебор за счет отсечения ветвей тех решений, на которые найдено «опровержение». Дальнейшим развитием «альфа-бета-поиска» является «метод главного вырианта», при котором окно поиска резко сужается. Можно выделить адаптивное отсечение — эффективную надстройку над альфа-бета процедурой, основанную на динамическом мастабировании окон поиска.

Существует множество эвристических методов. К ним относится «убийственная эвристика» и эвристика пропуска хода. Суть первой в том, чтобы сначала поискать один-два парадоксальных решения, а затем переходить в обычный режим. Вторая допускает делать подряд два хода и, и если положение не улучшается, то данный вариант отсекается. Также эффективно используется метод циклического углубления.

Выбор однозначно оптимального решения остается до сих пор трудной задачей. Здесь большая роль отводится формальным методам принятия решений, многие из которых являются методами ИИ.

Секретом успешного применения Deep Blue является архитектура аппаратной части, особенность которой состоит в том, что каждый узел содержит по две платы ускорителя, а на каждой из которой размещено по восемь специализированных процессоров. При этом на программном системном уровне обеспечивается эффективное распараллеливание основных операций, а на прикладном уровне организуется проведение самих расчетов и, в частности, принятие решения. Важным шагом явилось использование наработок в области нейронных сетей, которые были использованы для тонкой настройки коэффициентов оценочной функции.

Вышеприведенный пример доказывает, что существует возможность создавать системы ИИ, которые могут работать в режиме реального времени, причем по своей мощности ничем не уступающей человеку эксперту. Добиться такого результата можно используя методы и технологии как на программном уровне, так и на аппаратном.

Экспертные системы — это самостоятельное направление в области искусственного интеллекта. Существует большое количество работ посвященных вопросам проектирования ЭС. Наиболее известными являются работы [1,2,4,18−25,54]. ЭС все чаще называют системами, основанными на знаниях (СОЗ).

Мощность ЭС обусловлена в первую очередь мощностью базы знаний (БЗ) и возможностью ее пополнения, а во вторую очередь — используемыми методами. Опыт показал, что важнее иметь разнообразные специальные знания, а не общие процедуры вывода [4].

Знания экспертов в основном эвристические, эмпирические, неопределенные, т.к. решаемые задачи плохо формализуемы [1,4,18,25].

Пользователь должен иметь возможность взаимодействовать с ЭС. При этом предъявляются требования: общение на языке близком к пользователюлиния рассуждения должна быть понятна пользователюспособность ЭС объяснять свои выводы.

Остаются нерешенными задачи по созданию пользовательского интерфейса [2]. В настоящее время выделяются три семиотических направления исследования человеко-компьютерных систем (ЧКС) и пользовательского интерфейса (ПИ): структуралистское, где главное внимание уделяется семантическим аспектам интерпретации ЧКС и ПИлингво-эргономическое, цель которого состоит в анализе и обобщении данных человеко-компьютерного взаимодействияэргосемиотическоеизучает общие для лингвистики, семиотики и эргономики вопросы.

Опыт практического применения моделей и методов представления знаний показал [4,26], что ни одна из форм представления знаний в «чистом виде» (продукционные правила, семантические сети, фреймы и т. д.) не обладает достаточной выразительной мощностью для описания задач, выходящих за рамки демонстрационного прототипа. Наиболее успешные разработки в инженерии знаний чаще всего строятся на базе объединения нескольких из указанных парадигм.

Перспективным направлением является использование объектно-ориентированного программирования при разработке ЭС. Особенность данного направления — возможность естественной декомпозиции задачи на набор подзадач, представляемых достаточно автономными агентами, работающими со знаниями.

Анализ современной литературы показал, что в настоящее время имеется опыт создания технологии проектирования ЭС, в том числе и систем, связанных с решением задач технической диагностики.

Среди наиболее важных исследований, которые предшествуют процессу разработки ЭС можно выделить следующие:

1. Анализ различных классов задач, наиболее типичных для приложений методов и средств ЭС (диагностика, проектирование, обучение и т. д.), который проводится исходя из следующих аспектов:

— общая характеристика проблемной области, для которой создается ЭС (фиксированный или переменный состав знаний, конкретный или абстрактный тип знания, тип решаемой задачи — анализ/синтез);

— способы и этапы решения отдельных задач, а также способы обработки информации на каждом этапе;

— способы получения знаний от специалистов-экспертов;

— принципы организации интерфейсов с различными категориями пользователей;

2. Исследование проблемы приобретения знаний.

Актуальным в настоящее время является проектирование и разработка диагностических ЭС, которые позволяют осуществлять поиск неисправностей в электронных схемах. Необходимость в этом можно объяснить не только назначением ЭС по определению [27], но и в силу ряда причин, связанных с действиями оператора в аварийных ситуациях [28].

Оказалось, что оператор испытывает определенные трудности с использованием уже накопленной информации об объекте, склонен к избыточным перепроверкам, к фиксации на рутинных поисковых процедурах, а также к принятию импульсивных решений, основанных на сиюминутной текущей информации. Выяснилось, что в условиях дефицита времени оператор придерживается стандартных сценариев до появления непредвиденных событий, а затем пересматривает сценарий.

Очень важным оказывается субъективная формулировка задачи и критерия эффективности поиска. Одна из основных причин, по которой разработка диагностических ЭС является необходимой, связана с недостатком базовых знаний оператора.

При проектировании и разработке диагностических ЭС возникает ряд проблем. Связано это с тем, что не решены окончательно многие вопросы, основными из которых являются:

1. Какие способы представления знаний лучше всего использовать ?

2. Достаточно ли существующих способов представления знаний для решения задач в данной проблемной области ?

3. Какой механизм логического вывода лучше подходит для получения наиболее правильной гипотезы ?

4. Как пользователи различной квалификации должны взаимодействовать с ЭС ?

5. Какие сервисные функции должны быть реализованы в ЭС ?

6. Какие инструментальные средства лучше всего использовать при реализации ЭС и т. д.

Целью данной диссертационной работы является разработка научных положений проектирования диагностической экспертной системы. В качестве предметной области экспертизы ЭС рассматривается специализированная ЭВМ.

Основными методами, используемыми в диссертационной работе являются методы теории информационных семантических системметоды теории формальных логикметоды принятия решений и исследования операцийметоды программированияметоды формализации научных исследований.

Основными задачами научных исследований, выносимыми на защиту диссертации являются :

1. Исследование и разработка процесса информирования в системе «пользователь — экспертная система»;

2. Исследование моделей представления знаний ;

3. Формализация процесса логического вывода ;

4. Разработка методики проектирования основных модулей диагностической экспертной системы.

Выводы по главе 4.

1. Разработан и реализован алгоритм ядра прототипа диагностической экспертной системы.

2. Предложены и реализованы структуры логических условий прикладной единицы базы знаний и структура прикладной единицы для фреймового представления. Это позволило создать базу знаний модульного типа и модуля накопления, ориентированного на пользователя (эксперта) не программиста.

3. Разработан и реализован механизм логического вывода. Отличительная особенность его состоит в том, что в нем используются возможности языка логического типа, а также гибкость, которую обеспечивает структура логических условий прикладной единицы БЗ .

4. Разработана и реализована блок-схема алгоритма интерфейса ЭС-П. Проведен анализ процесса диалога, рассмотрены возможные методы обработки сообщений.

5. Дано обоснование целесообразности разработки модуля объяснения. Проведен анализ процесса взаимодействия ядра экспертной системы и модуля объяснения. Проведен анализ типов объяснений. Разработаны и реализованы основные функции модуля объяснений.

6. Дано обоснование целесообразности разработки модуля накопления знаний. Разработаны и реализованы основные функции модуля накопления знаний.

7. Проведено обоснование выбора инструментального средства проектирования ЭС. Сформулированы основные требования, предъявляемые к инструментальному средству. В качестве базового средства выбран язык искусственного интеллекта Турбо-Пролог 2.0.

Результаты выполненных исследований полностью подтвердили сформулированные теоретические положения проектирования ЭС.

Реализован прототип диагностической ЭС.

Заключение

по диссертационной работе.

Цель, сформулированная в диссертационной работе по разработке научно-практических положений проектирования диагностической экспертной системы, достигнута.

Теоретическая часть.

1. Разработан и формализован процесс семантического информирования в структуре «пользователь — экспертная система».

Дан анализ и классификация основных аспектов процесса информирования. Введены основные понятия и определения процесса информирования.

Классифицированы основные виды преобразований семантической информации, дана формальная интерпретация указанных преобразований. Проведен анализ методов сжатия семантической информации. Выделены адаптивный и фиксированный методы сжатия.

Проведен анализ взаимодействия в структуре «пользовательэкспертная система». Сформулированы и формализованы условия семантического интерфейса. Получены условия «возможности», «необходимости» и «достаточности» информирования. Дана формальная интерпретация указанных условий.

Разработан алгоритм синтеза модели семантического интерфейса. Дано аналитическое выражение указанного алгоритма. Синтезирована модель семантического интерфейса.

2. Исследованы основные модели представления знаний.

Проведен анализ методов: «правил», «фреймов» и «семантических сетей» с целью использования их в исследуемой предметной области. Разработан алгоритм синтеза моделей знаний. Описана методика синтеза моделей знаний.

Введено понятие «семантического объекта». Разработана модель семантических объектов. Проведен анализ базовых категорий, введены основные понятия и определения метода семантических объектов.

Формально описана модель семантической информации метода семантических объектов.

3. Формализованы процесс интеграции знаний и механизм логического вывода.

Разработан и формализован комбинированный способ представления знаний для диагностической ЭС, научной основой которого является метод семантических объектов, а приложениями — метод правил и метод фреймов.

Исследованы структура, объекты, отношения и свойства объектов исследуемой предметной области. Определены отношения между «идеальными» и «материальными объектами» рассматриваемой предметной области применительно к различным уровням организации. Дана классификация групп отношений.

Формализован процесс представления знаний конструктивной и функциональной части диагностируемой СЭВМ. Разработана таблица предпочтительности выбора способа представления знаний. Дан анализ вариантов правил применительно к механизму логического вывода. Получены необходимые условия непротиворечивости правил и организации механизма логического вывода.

Формализован механизм логического вывода в продукционных системах. Рассмотрены составляющие его процессы. Дано описание явного и неявного извлечения фактов. Рассмотрены конфликтные ситуации и способы их разрешения.

Формализован механизм логического вывода применительно к фреймам и семантическим сетям.

4. Разработана методика проектирования основных модулей диагностической экспертной системы (ядро и сервисные модули).

Методическая часть.

Разработана методика проектирования диагностической экспертной системы, включающая следующие основные этапы:

1.Выбор предметной области. Формулировка цели. Определение круга решаемых задач. Разработка алгоритма функционирования экспертной системы.

2. Извлечение знаний из различных источников и их структуризация.

3. Выбор инструментальных средств проектирования.

4. Формализация знаний в виде машинных процедур. Построение базы знаний (программа на языке программирования).

5. Разработка семантического интерфейса «ЭС — пользователь» (программа).

6. Разработка механизма логического вывода (программа).

7. Разработка модуля объяснений (программа).

8. Разработка модуля накопления знаний и манипулирования со знаниями (комплекс программ).

Практическая часть.

1. Разработаны основные теоретические положения проектирования диагностической ЭС.

2. Предложена методика проектирования диагностической ЭС.

3. Разработаны алгоритмы функционирования сервисных модулей и ядра диагностической экспертной системы.

4. Создан комплекс специальных инструментальных средств диагностирования процессора СЭВМ. Последний включает: процедуры тестированиясемантический диалог в структуре «ЭС — пользователь" — процедуры диагностики и принятия решений.

5. Разработан комплекс программ обработки информации баз данных и знаний в процессе диагностирования системы. Реализация выполнена на языке искусственного интеллекта Турбо-Пролог 2.0.

Достоверность научных положений диссертации подтверждена выполненными экспериментальными исследованиями, практической реализацией разработанного прототипа ЭС, опытной эксплуатацией ЭС и результатами внедрений. В приложении имеется перечень документов подтверждающих внедрения.