Системы поддержки принятия решений в задаче диагностики погружного электрооборудования

Современные системы поддержки принятия решения (СППР), появившиеся как развитие управленческих информационных системи систем управлениябазами данных, являются системами, которые более всего адаптированы для решения задач в управленческой деятельности, а также являются инструментом, предназначенным для облегчения труда лицам, которые принимают решения (ЛПР). Благодаря грамотному построению СППР становится возможным решение неструктурированных и слабоструктурированных задач. Основные аспекты интеллектуальных информационных систем отражены в [8, 13, 20, 29, 30, 42, 43, 54, 55, 56, Error: Reference source not found, 94, 111, 112] в частности теория принятия решений описана в [14, 28, 91, 119, 127]. Задачи распознавания образов представлены в [31, 71, 72, 74, 73, 101, 109] и различные практические приложения описаны в [15, 45, 92, 117].

Существуют две основных группы методов принятия решений: строгие и эвристические методы. Эффективность решения различных задач с помощью строгих методов базируется на ряде допущений, которые делают решаемую задачу более тривиальной. Подобные допущения дают возможность создать для исследуемого процесса адекватную математическую модель, далее разработать комплекс алгоритмов и на их основе получать приемлемое решение. Однако существует ряд ограничений, которые не позволяют использовать данную группу методов, или же делают процесс создания модели и методов нецелесообразным. Это в первую очередь сложность моделируемого процесса, поскольку создание математических моделей является сложным процессом, то в ряде областей это требует значительных затрат.

Однако в целом ряде случаев оказывается невозможным построение адекватной математической модели исследуемого процесса, из-за его непосредственной сложности, отсутствия необходимой и достаточной информации. Кроме того, любое упрощение процесса (идеализация, абстрагирование) снижает достоверность модели и, как следствие, снижает ценность результата.

Однако во многих сферах своей деятельности человек, человек способен решать сложные многогранные задачи без применения сложных математических моделей и алгоритмов и в условиях отсутствия полного описания объекта. Кроме того, человек в ряде случаев, опираясь на свой опыт и знания, синтезирует решения лучше и правильнее, чем решения, полученные с применением математических методов.

Поэтому в настоящее время актуальными становятся задачи разработки новых методов решения поставленных задач посредством моделирования не самого физического процесса, а процесса мышления человека, того, как человек принимает подобные достоверные решения, в условиях недостаточной информации и в условиях неопределенности.

Методы решения таких задач носят название эвристические методы. Такие задачи возникают во многих прикладных сферах деятельности человека, в том числе в задачах технической диагностики. Так как процессы, которые необходимо моделировать для определения ТС различных устройств и в частности погружного электрооборудования, являются довольно сложными, то их аналитическое описание является сложной задачей.

Отличительной чертой данной группы методов является применение накопленного человеческого опыта при решении схожих задач, а также моделирование обработки данных человеком.

Основное содержание процедуры принятия решения в задачах диагностики погружного электрооборудования направлено на структуризацию исходной информации, позволяющей своевременно выявить зарождающиеся дефекты и оперативно их идентифицировать. В настоящее время существует несколько типов информационных технологий, которые позволяют автоматизировать процедуру принятия решения. На базе этих технологий разрабатываются СППР, которые должны обеспечивать решение следующих задач [Error: Reference source not found]:

• повышение достоверности имеющейся информации путем выявления, отбора, синтеза, обобщения, хранения и преобразования исходных данных;

• обеспечение внутренней интерпретируемости, структурированности и связности используемой информации с целью придания ей потребительского характера;

• создание интерактивной среды, где специалисты постоянно обмениваются информацией и используют все условия для усвоения новых знаний.

Использование СППР позволяет интенсифицировать процесс формирования решения, кроме того повышается его достоверность благодаря использованию формализованных экспертных знаний.

В настоящее время существует несколько основных типов СППР:

• СППР, ориентированные на данные (Data-driven DSS);

• СППР, ориентированные на модели (Model-driven DSS);

• СППР, ориентированные на знания (Knowledge-driven DSS);

• СППР, ориентированные на документы (Document-driven DSS).

СППР, ориентированные на модели (model-driven) являются самыми первыми среди СППР, поскольку они создавались на основе аналогичных подходов, что и системы управления. Отличительной особенностью СППР подобного типа - это применение строго регламентированного количества информации, такого, что ее объем не должен превышать минимально необходимого для создания модели для изучения поставленной задачи.

СППР, ориентированные на модели все реже используются в прикладных задачах. Сферой данных систем остались лишь университетские фундаментальные работы.

СППР, ориентированные на данные позволяют работать со значительным объемом структурированной информации. Для выборки, агрегирования и проведения определенных вычислительных операций в СППР, ориентированных на данные применяют простые средства, обеспечивающие корректный доступ к файлам. Использование различного рода инструментов, предназначенных для конкретной специфической задачи, позволяет обеспечить более высокую функциональность управления хранилищами данных.

СППР, ориентированные на документы. Подобные СППР базируются на совокупности поисковых технологий. Они позволяют выполнять поиск, классифицировать данные и проводить выделение в слабоструктурированных или неструктурированных документах. Технологии, применяемые в СППР, ориентированных на документы позволяют работать как с гипертекстовыми файлами, таки с видео- и аудио файлами.

СППР, ориентированные на знания. Основой подобных СППР являются база знаний и набор правил, на основе которых СППР, ориентированные на знания вырабатывают комплекс рекомендаций и указаний для ЛПР. Данные СППР позволяют извлекать контекст из большого объема информации. СППР, ориентированные на знания также называют Suggestion DSS (рекомендательные СППР).

Специфика процесса диагностики погружного электрооборудования, которая базируется на представлении и интерпретации результатов вейвлет-преобразования, диктует целесообразность использования СППР, ориентированных на знания.

СППР, ориентированные на знания, реализуются в рамках двух основных концепций:

• системы, основанные на правилах;

• системы, основанные на прецедентах.

Изначально экспертные системы моделировали процесс принятия решения как дедуктивный процесс с использованием логического вывода, основанного на правилах. То есть в систему прописывалась последовательность правил типа «если... то...», по которым, используя лишь входные данные, принималось решение по исследуемой задаче. Подобная модель являлась основой для создания самых первых экспертных систем, Данные системы были просты как с точки зрения их разработки, так и с точки зрения использования их ЛПР [82].

Концепция вывода решений, основанных на правилах являлась достаточно успешной и широко использовалась во многих прикладных задачах. Однако род подобных задач был ограничен целым рядом факторов: необходимостью существования достаточно хорошо формализованной задачи; существованием научно-обоснованных методов ее решения, которые доказали свою эффективность и применимость при формировании решений.

Однако сложность многих предметных областей такова, что формализовать полностью задачу является практически невозможно. Также существует ряд задач, для которых формальное описание в принципе невозможно (юридическая практика, лечебное дело).

В настоящее время существует широкий круг задач, в которых необходимо найти как минимум одно адекватное, поставленной задаче решение (задачи, где нет возможности найти оптимальное решение). На практике часто происходит так, что вместо того, чтобы решать поставленную задачу исходя лишь из имеющейся входной информации, эксперт часто анализирует смежные задачи, опираясь на свой опыт о подобных ситуациях в прошлом. Далее эксперт может использовать эти решения, либо провести процедуру адаптации подобных решений для исследуемого случая. Создание моделей такого подхода, которые основаны на обобщении опыта предыдущих ситуаций, стало предпосылкой к появлению технологии вывода по прецедентам (Саse-Bаsеd Rеаsоning, или CBR) [82].

Во многих случаях метод вывода, основанный на прецедентах, имеет ряд существенных преимуществ по сравнению методом вывода, базирующихся на правилах, в случаях если:

• главным источником знаний служат опытные данные;

• полученные решения не являются индивидуальными для каждой конкретной ситуации, а есть возможность их применения в других случаях;

• конечной целью является выбор лучшего из списка возможных решений [82].

Следовательно, метод вывода, основанный на прецедентах, является методом создания экспертных систем, которые делают заключения относительно поставленной задачи по результатам поиска аналогий, хранящихся в базе знаний прецедентов.

Подобные системы демонстрируют довольно приемлемые результаты во многих прикладных задачах, но вместе с тем обладают рядом существенных недостатков.

Такие системы не создают моделей или правил, обобщающих предыдущий опыт. При выработке решений подобные системы основываются на всей совокупности доступных опытных данных, поэтому невозможно ответить на вопрос о том на основе каких факторов система генерирует свои решения. Выделяют две проблемы, которые характерны для таких систем: выборка списка прецедентов, которые более всего подходят для выработки решений по сложившейся ситуации, а также процедура адаптации полученного решения. При выборе наиболее подходящих прецедентов используют различные подходы, но все они основаны на вычислении степени близости между исследуемым случаем и прецедентом. В процессе таких вычислений определяется численное значение меры, по которой происходит выборка некоторого числа прецедентов для дальнейшей обработки с целью классификации. Основным недостатком таких систем является излишняя свобода при определении меры близости (метрики). Так же к недостаткам можно отнести аспект, связанный с конструкцией самого прецедента, а также проблемы выбора весовых коэффициентов для каждого атрибута прецедента, что не позволяет использовать подобные системы в некоторых предметных областях. [82].

В основном методы поиска прецедентов основаны на алгоритме ближайшего соседа, а также могут быть сведены к индукции деревьев решений. Однако процесс адаптации и использования найденного решения остается неформализованным и достаточно сильно зависит от конкретной предметной области. Поиск прецедентов и адаптация выбранного решения осуществляется с использованием некоторого знания о предметной области (dоmаin knоwledge). Применяют несколько подходов для извлечения подобного рода информации:

• применение знаний экспертов в данной предметной области для синтеза правил, предназначенных для формирования классов прецедентов;

• применение методов добычи данных для получения требуемых знаний из всей совокупности доступной информации. К таким методам относятся регрессия, кластеризация и прочие методы выявления отношений в анализируемом объеме данных. Применение методов Data Mining позволяет определить перечень показателей, которые оказывают влияние на исследуемую характеристику, а также выразить полученную закономерность в виде аналитических выражений;

• обучение с учителем (представляет собой совокупность вышеуказанных способов), т.е. знания формируются на базе обучающей выборки.

В первых системах поддержки принятия решений, основанных на правилах вывода по прецедентам, источниками знаний о предметной области были высококвалифицированные эксперты. Кроме того, источником знаний являлись различного рода текстовые документы. Задача эксперта сводилась к описанию подобных источников (эксплицирование). Стоит отметить, что вследствие высокой стоимости услуг эксперта, одной из ключевых задач извлечения знаний является адекватная замена его различными средствами добычи данных. Наиболее часто встречающимися закономерностями в прикладных задачах диагностики являются отношения эквивалентности.

Проведя рассмотрение систем основанных на правилах и систем основанных на прецедентах, можно сделать вывод, что поскольку в задачах вибродиагностики невозможно принимать решения на основе формальных правил «если…то» и требуется использовать знания, опыт и даже интуицию специалистов, принимающих участие в экспертизах с целью выявления дефектов погружного электрооборудования, то логичным является использование концепции принятия решений, основанных на прецедентах [Error: Reference source not found]. Несомненным преимуществом технологии CBR является ее способность к самообучаемости, поскольку, чем больше прецедентов используется в процессе принятия решений, чем шире спектр ситуаций, охватываемых этими прецедентами, тем больше вероятность найти наиболее подходящий прецедент, и, следовательно, выше качество принимаемого решения.