П. В. ОСЬКИН
Московский энергетический институт (технический университет)
ЭВРИСТИКИ В МЕТОДЕ ПОИСКА НЕИСПРАВНЫХ КОМПОНЕНТОВ В ДИАГНОСТИЧЕСКИХ СИСТЕМАХ
НА ОСНОВЕ МОДЕЛЕЙ УСТРОЙСТВ
В данной работе представлено использование опровергнутых обоснований для сокращения пространства поиска неисправных компонентов в диагностических системах на основе моделей устройств.
Системы диагностики являются одной из наиболее активно используемых направлений в современных интеллектуальных системах. Типичной задачей диагностики является определение неисправности на основе некого множества наблюдений за диагностируемым объектом. Одним из современных диагностических подходов является диагностика устройств на основе моделей их функционирования [1]. Одним из ключевых моментов алгоритма поиска неисправности является выбор наилучшего места снятия очередных показаний. Наилучшее место снятия показаний устройства – это место (точка), измерение значения в котором даст наибольшую информацию, способствующую обнаружению неисправных компонентов при минимальных затратах ресурсов.
В процессе работы диагностическим механизмом строится прогноз значений для каждой точки устройства со списком обоснований, исходя из которых сделан данный прогноз. Список обоснований представляет собой множества предположений об исправности соответствующих компонентов устройства. В результате каждого измерения происходит подтверждение или опровержение обоснований того или иного прогноза. Опровергнутые обоснования формируют собой множество, состоящее из множеств опровергнутых обоснований, называемое Nogood [2]. В каждом множестве компонентов из Nogood один или более компонентов являются неисправными, так как именно это являлось причиной попадания содержащего его множества в опровергнутые обоснования. Взяв пересечение всех множеств опровергнутых обоснований, получим множество компонентов, которые входят в каждое из них, то есть их неисправность может являться причиной, объясняющей опровержение каждого из множеств, попавших в Nogood. Таким образом, получаем список наиболее вероятных кандидатов на неисправность.
Одним из подходов к выбору в устройстве места снятия показаний является выбор такой точки устройства, измерение значения в которой позволяет получить наибольшее количество информации о состоянии компонентов диагностируемой системы. Недостаток этого подхода в том, что когда уже выделены наиболее вероятные кандидаты на неисправность, выгодной стратегией является не получение максимума информации об устройстве в целом, а, по возможности, проверка работоспособности конкретных компонентов, имеющих наибольшую вероятность неисправности. Для этих целей предлагается следующий метод выбора наилучшего места снятия показаний в устройстве.
Данный метод является эвристическим расширением метода, рекомендующего выбор места снятия показаний в устройстве на основе количества получаемой от измерения информации. При этом условимся, что приоритет выбора какой-либо из точек устройства характеризуется числом, принадлежащим отрезку от нуля до единицы. Обозначим через Justs(x) множество множеств обоснований прогнозов значений в точке x.
Для каждой точки x устройства вычисляется следующая оценка:
1. Производится вычисление числового значения, характеризующего приоритет выбора данной точки.
2. Вычисляется пересечение множеств опровергнутых обоснований
.
3. Если какое-либо из множеств обоснований прогнозов значений в данной точке x совпадает с SingleNogood, то есть 
, то прибавляем единицу к числовому значению, полученному в п.1.
Так как числовое значение, получаемое в п.1 не превышает 1.0, то добавление единицы делает приоритетным выбор точек, измерение значения в которых позволяет проверить исправность компонентов, входящих в каждое опровергнутое обоснование. При этом среди данных точек сохраняется разница в приоритете их выбора, оцененная в п.1.
Таким образом, данный метод позволяет эффективно сокращать пространство поиска неисправных компонентов, за счет повышения приоритета проверки множеств компонентов, которые входят в каждое из множеств обоснований опровергнутых диагностической системой.
Список литературы
1. de Kleer J., Williams B. C. Diagnosing multiple faults. // Artificial Intelligence, v.P. 97-130.
2. de Kleer J. An Assumption-based TMS. // Artificial Intelligence v.28, 1986. P. 127-162.
