CC BY
27
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].
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 &(и,е) (рис. 1) по маршрутам
Ui —— U3 —— и 4 —— и 5,
^ —— U2 —— U3 —— и 4 —— и 5,
ил —— иг —— и~ —— и~ —— и . —— U-1 6 2 3 4 5
и
и1 — и6 — и7 — и3 — и4 — и5 с учетом семантики ствующие вершины
дуг e. £ G(u, e), i = 1,9,
соединяющих соответ-
Рис. 1. Граф сети фреймов, характеризующих производственную ситуацию
При этом каждой вершине графа &(и,е) во взаимно однозначное соответствие ставится один из фреймов множества { Ргате1,Ргате7 } , характеризующих сложную производственную си-
-— -— I -----— -—
туацию w( x , и ) £ ^ W (X
det
U2 = Frame 2- «ФУНКЦИИ ОБЪЕКТА И СИСТЕМЫ УПРАВЛЕНИЯ»; и3 = Frame 3 -
det
«ПОДСИСТЕМЫ ПРЕДПРИЯТИЯ»; U4 = Frame 4 - «ПОДРАЗДЕЛЕНИЯ ПРЕДПРИЯТИЯ»;
и = Frame 1 - «ПРОИЗВОДСТВЕННАЯ СИТУАЦИЯ»;
det
det
det
и, = 6
Frame 6 - «ПЛАНЫ
и5 = Ргате 5 - «ПОКАЗАТЕЛИ ДЕЯТЕЛЬНОСТИ»;
det
МЕРОПРИЯТИЙ»; и7 = Ртте 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 &(и,е) по маршруту и1 ^ и3 ^ и4 ^ и5 формируются знания о том, что производственная ситуация wi е
РЯАМЕХ} (вершина и1) возникает (дуга е1) в
подсистеме предприятия (ST1(i)) £ {FRAME3} (вершина и2), состоящей из (дуга e2) подразделений (ST4(i^ £ Frame 4, деятельность которых определяют (дуга e3) показатели {ST5(i)) £ Frame 5 .
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 — U2 — U3 — U4 — U5 формируются знания о том, что возникшая производственная ситуация wi
£{ FRA.MEl} (вершина и1) нарушает (дуга e4) функции объекта и системы управления {ST2(i)) £{frame2} , которые выполняются (дуга e7) подсистемой предприятия
(STl(i)^ £ { FRAME3} (вершина и2) , состоящей из (дуга e2) подразделений {ST4(i)) £ Frame 4, деятельность которых определяют (дуга e3) показатели {ST5(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 Ui — и2 — и3 — и4 — и5 .
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 ПОДРАЗДЕЛЕНИИ «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 Ui — и6 — и2 — и3 — и4 — и5 и Ul — и6 — U7 — U3 — U4 — U5 осуществляется аналогично.
— — I — — 1
Вся информация по производственной ситуации w( x, и ) £ <W(X ,U) I, 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 МЕРОПРИЯТИИ», Frame 7 - «ДАННЫЕ И ДОКУМЕНТЫ», хранится в виде девяти реляционных отношений следующей структуры:
Fl £{ ID SITUATION, NAME SITUATION...} ,
F2 £ { ID FUNCTION, NAME FUNCTION..} ,
F3 £ { ID DIVISION, NAME DIVISION..} , F4 £{ ID PLAN, NAME PLAN..} ,
F5 £ { ID SUBSYSTEM, NAME SUBSYSTEM..} ,
F6 £ { ID SPRAVKA, NAME SPRAVKA..} , F7 £{ ID DATA, NAME DATA,..} ,
F8 £ { ID OTHER, NAME OTHER..} , F9 £{ 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 алгорит-98
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
О (и, е) 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 ССИТ (и ’е ’ ^ ), вершинам и которого во взаимно однозначное соот-
*
ветствие поставлены значения логико-лингвистических переменных, вершины соединены дугами е ,
*
веса которых q - характеризуют степень семантической взаимосвязанности различных значений логико-лингвистических переменных в формируемом утверждении (рис.2). Чем больше суммарная ве-
& *
личина весов дуг К = 2 q г рассматриваемого маршрута, тем выше достоверность утверждения,
г = 1
формируемого в процессе его обхода.
* * *
Рис. 2. Граф С сит (и , е , q ), разработанный для синтеза новых знаний о производственных ситуациях
С помощью коэффициентов Жаккара, Дайса, косинуса или перекрытия определяется степень
— .. * * *
;ния наборов ключевых слов, которая приравнивается весам дуг графа (и , е , q ).
При использовании коэффициентов Жаккара или Дайса величина весовых коэффициентов дуг
определяется из выражений (1) или (2), соответственно
*
q г
Б
к21-к‘]к
Б Б Б
, при 2 '-к + 2 'к - 2 '* 'к *0 к = 1 гк к = 1 ]к к = 1 1к]к (1)
Б
Б
Б
О, при 2 ' + 2 ' - 2 ' ' = О
к = 1 гк к = 1 ]к к = 1 ]к
*
q
S
S
S Е к = 1
qi = < Е *ik + , Е, *jk
S Е к = 1
■> при Е tik + Е t.k * 0 k =1 ik k =1 jk
(2)
S
S
°, при е tik + Е t к =0 к = 1 1к к = 1 ]к
где Б - количество ключевых слов сравниваемых наборов, соответственно; '-к, ]к - переменные,
определяющие наличие ('-к =1; ' ]к=1) или отсутствие ('-к =0; ' ]к =0) к-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 ин е С^ИТ(и ’ е , q ) с его конечной вер
* * *
'СИТ (и ,е , q ):
я . ____
тах, г = 1, а
(3)
K = Е q*i ^ max; q.max < q. < q.
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 - Aleksey A. Sklemin -
аспирант кафедры «Системотехника» Postgraduate
Саратовского государственного Department of Systems Engineering
технического университета имени Гагарина Ю.А. Gagarin Saratov State Technical University
Статья поступила в редакцию 01.02.12, принята к опубликованию 04.06.12
