Экспертная система проектирования технологического оборудования

Экспертная система проектирования технологического оборудования

В.Е. Овсянников, В.И. Васильев Курганский государственный университет, Курган

Аннотация: Изложены результаты разработки экспертной системы проектирования технолоического оборудования предприятий автомобильного транспорта. В рамках разработанной системы используется нейронные сети для реализации базы знаний и аппарат нечеткой логики для принятия решений.

Экспертные системы это программный комплекс, который выполняет функции эксперта при решении задач из определенной предметной области. Они производят анализ, выдают советы и формируют решения. Практическое применение экспертных систем позволяет снизить трудоемкость процесса проектирования и увеличить эффективность работы специалистов.

Главное достоинство экспертных систем заключается в том, что имеется возможность накапливать знания и сохранять их в течение длительного времени. При этом, данные системы, в отличие от человека строятся исключительно на объективных закономерностях работы с информацией, что улучшает качество их работы.

Экспертная система состоит из следующих элементов [1-4]: база знаний, подсистема вывода, подсистема объяснения, подсистема приобретения знаний и диалогового процессора.

База знаний - наиболее важный компонент экспертных систем, на котором основаны ее «интеллектуальные способности». Она может модифицироваться и наполняться новыми данными. Наиболее часто информация представляется в виде символов, а процесс работы системы представляет собой последовательность преобразованиях этих символов.

Подсистема приобретения знаний используется для добавления в базу знаний новых правил и изменения уже имеющихся. Основной задачей

данной подсистемы является приведение правила к виду, позволяющему подсистеме вывода применять это правило в процессе работы.

Подсистема вывода - компонент экспертных систем, выполняющий процесс ее рассуждений на основе базы знаний и рабочего множества. Данная подсистема реализует две функции [2,3]:

- выполняет анализ фактов из рабочего множества и правил из базы знаний, а также добавление новых фактов;

- определяет порядок просмотра и использования правил. Взаимодействие указанных выше компонентов можно представить

следующим образом [2,3]:

База знаний

Входная информация Механизм дыбода Решение (заключение)

Рис. 1. - Взаимодействие компонентов в рамках экспертной системы Учитывая, что работа экспертной системы предполагает участие человека структуру можно представить следующим образом [2,3]:

Блок логического быбода

Пробила "если-то" —

Пользователь

-IВходная База Хранилища

информация знании знаний

Интерфейс пользователя

Рис. 2. - Структурная схема экспертной системы

Анализируя опыт создания экспертных систем [2,3], следует отметить, что наибольшие затруднения возникают при создании блоков правил "если-то" и базы знаний. Применительно к задаче проектирования технологического оборудования предприятий автомобильного транспорта задача разработки данных блоков осложняется высокой степенью неопределенности данных [5,6].

Перспективным направлением в данном случае является построение базы знаний на основе искусственных нейронных сетей и применение аппарата нечеткой логики для реализации блоков правил "если-то".

Искусственные нейронные сети обладают свойством адаптивного обучения. Данное свойство позволяет преодолеть сложности с приобретением информации в традиционных экспертных системах, где этот процесс в значительной степени зависит от человека-эксперта: его опыта, знаний и т. д.

Нейросетевая база знаний позволяет преодолеть основные недостатки классических экспертных систем: невозможность работы с не полностью достоверной информацией и трудоемкость адаптации базы. Искусственные нейронные сети корректируют искаженную или содержащую шум исходную информацию [7-9].

Логический блок оперирует с условиями, при обработке потока данных. К основным недостаткам таких элементов классических экспертных систем можно отнести невозможность использования, в случае если информация представлена в качественном виде, либо если условия выполняются неполностью (исходные данные неполностью достоверны). Аппарат нечеткой логики позволяет формализовать качественную информацию, использовать ее в процессе рассуждений в качестве посылок для системы правил, позволяющих анализировать результаты работы системы [6,10-12].

В программной среде Delphi была разработана программа "Построение многослойной нейронной сети v1.0" [13], которая является реализацией базы знаний. База знаний построена на использовании многослойных нейронных сетей, обучаемых по методу обратного распространения ошибки, т.к. данная архитектура позволяет получить наибольшую точность [8].

Структурная модель логического блока экспертной системы приведена на рис. 3.

Рис. 3. - Структурная модель логического блока

При построении модели в качестве входных переменных использованы коэффициенты стереотипности и логической сложности, в качестве выходной - парамтеры алгоритма (т.е. степень соотвествия нормальным условиям).

Функция модели задается следующей системой правил:

В ходе дефазификации были определены пороговые численные значения функции логического блока, которые могут быть использованы для оценки параметров алгоритмов в рамках разрабатываемой экспертной системы.

Литература

References