книги / Развитие теории анализа аварийной ситуации при хранении взрывчатыхз веществ

лении сложными объектами или процессами и их мониторинге

вреальном времени.

Вбольшинстве энциклопедических источников прецедент определяется как случай, имевший место ранее и служащий примером или оправданием для последующих случаев подобного рода. Вывод на основе прецедентов является подходом, позволяющим решить новую задачу, используя или адаптируя решение уже известной задачи. Как только будет выявлена проблемная ситуация и будет принято решение на основе уже имеющихся (хранимых) прецедентов, соответствующая информа-

ция упаковывается в контейнер, называемый прецедентом, и сохраняется в хранилище прецедентов, в качестве которого могут использоваться традиционные средства СУБД, специализированные серверы баз знаний, многомерные базы данных и т. д. для последующего использования. Ситуация, для которой был сохранен прецедент, считается опорной, или базовой [89].

Выбор наиболее подходящего в конкретной ситуации прецедента позволяет сформировать на его основе решение в готовом виде либо требует проведения дополнительных действий по адаптации решения с целью учета различий в контекстах сложившейся и базовой ситуации.

Если подходящий прецедент не обнаружен или процесс адаптации требует привлечения дополнительной информации, то принятие решения потребует обращения к базе знаний, содержащей основные сведения о предметной области. Общие (domain knowledge) знания о предметной области являются вспомогательными и могут представляться при помощи продукционных правил, фреймов или семантических сетей.

Диагностирование и определение управляющих воздействий осуществляется на основе экспертных знаний, технологического регламента и оперативных инструкций. Как правило, для решения данных задач используется решатель, функционирующий на основе правил продукционного типа. В случае появления аварийной ситуации на объекте хранения боеприпасов возникает необходимость применения методов правдоподобных рассуждений, в частности, методов поиска решения на основе прецедентов.

161

Как правило, такие методы рассуждений включают в себя четыре основных этапа, которые образуют так называемый цикл рассуждения на основе прецедентов, или CBR-цикл [89]:

извлечение наиболее соответствующего (подобного) прецедента для сложившейся аварийной ситуации из библиотеки прецедентов (БПр);

использование извлеченного прецедента для попытки решения текущей проблемы;

пересмотр и адаптация в случае необходимости полученного решения в соответствии с текущей проблемой;

сохранение вновь принятого решения как нового преце-

дента.

Основная цель использования аппарата прецедентов заключается в выдаче готового решения ЛПР (лицу, принимающему решение) для текущей ситуации на основе прецедентов, которые уже имели место в прошлом при управлении данным объектом или процессом, и сценариев, полученных методом численного моделирования.

Как правило, последний этап в описанном выше CBR-цикле исключается и выполняется экспертом. Это связано с необходимостью при формировании БПр использовать только достоверную информацию или информацию, подтвержденную экспертом. Таким образом, для рассуждений на основе прецедентов в СППР количество прецедентов должно быть минимизировано и иметь максимальную степень достоверности. Кроме того, редко возникает необходимость пересмотра и адаптации извлеченного решения, т. к. рассматривается один и тот же объект (подсистема) и из БПр извлекаются только прецеденты, имеющие достаточно большую степень сходства с новой сложившейся ситуацией.

При реализации методов моделирования рассуждений

вСППР необходимо учитывать специфику подобных систем:

необходимость получения решения в условиях временных ограничений, определяемых реальным управляемым процессом;

необходимость учета временного фактора при описании проблемной ситуации и в процессе поиска решения;

162

невозможность получения всей объективной информации, необходимой для решения, и в связи с этим использование субъективной, экспертной информации;

многовариантность поиска.

К преимуществам рассуждений на основе прецедентов можно отнести:

возможность напрямую использовать опыт, накопленный системой, без интенсивного привлечения эксперта в той или иной предметной области;

возможность сокращения времени поиска решения за счет использованияужеимеющегося решениядляподобной задачи;

возможность исключения повторного получения ошибочного решения;

отсутствие необходимости углубленного изучения и использования всех имеющихся знаний по предметной области, т. к. можно ограничиться учетом только существенных особенностей предметной области.

На первом этапе CBR-цикла − извлечения прецедентов – определяется степень сходства текущей ситуации с прецедентами из БПр и последующее их извлечение с целью разрешения возникшей новой проблемной ситуации. Для успешной реализации рассуждений на основе прецедентов необходимо обеспечить корректное извлечение прецедентов из БПр.

Выбор метода извлечения прецедентов напрямую связан со способом представления прецедентов и, соответственно, с организацией БПр.

БПр может входить в состав базы знаний СППР, но может выступать и как самостоятельный компонент системы. Структура БПр оказывает существенное влияние на различные показатели работы системы и в частности на время поиска и извлечения прецедентов. Существуют разные способы представления

ихранения прецедентов − от простых (линейных) до сложных иерархических. Следует отметить, что простые способы, базирующиеся, как правило, на технологии реляционных баз дан-

ных, требуют значительно меньших затрат на реализацию, а также на поддержание и сопровождение БПр, чем сложные.

163

Однако времени для поиска решения при простом представлении прецедентов может потребоваться существенно больше по сравнению с другими более сложными способами представления и хранения прецедентов.

Прецедент в общем случае может включать следующие компоненты [90]:

описание проблемной ситуации;

диагностирование проблемной ситуации и рекомендации ЛПР;

результат (или прогноз) применения решения.

Результат может включать алгоритм действий, дополнительные комментарии и ссылки на другие прецеденты. Прецедент может иметь как положительный, так и отрицательный исход применения решения, а в некоторых случаях может приводиться обоснование выбора предложенного решения и возможные альтернативы.

Основные способы представления прецедентов можно разделить на следующие группы:

параметрические;

объектно ориентированные;

специальные (в виде деревьев, графов, логических формул и т. д.).

В большинстве случаев для представления прецедентов достаточно простого параметрического представления, т. е. представления прецедента в виде набора параметров с конкретными значениями и решением:

где x1 , ... xn – параметры ситуации, описывающие данный прецедент, xn Xn , n – количество параметров прецедента, Xn –

область допустимых значений соответствующих параметров; R – рекомендации ЛПР.

Дополнительно может присутствовать описание результата применения найденного решения и дополнительные комментарии. Существует целый ряд методов извлечения прецедентов и их модификаций. Наиболее распространенными являются следующие:

164

Метод ближайшего соседа (NN – Nearest Neighbor) – наиболее используемый метод сравнения и извлечения прецедентов. Он позволяет вычислить степень сходства текущей проблемной ситуации и прецедентов из БП. Для определения степени сходства на множестве параметров, используемых для описания прецедентов и текущей ситуации, вводится некоторая метрика. Далее в соответствии с выбранной метрикой определяется расстояние от целевой точки, соответствующей текущей проблемной ситуации, до точек, представляющих прецеденты из БП, и выбирается ближайшая точка к целевой. Основными преимуществами метода ближайшего соседа являются простота реализации и универсальность в смысле независимости от специфики конкретной проблемной области. К существенным недостаткам метода можно отнести сложность выбора метрики для определения степени сходства и прямую зависимость требуемых вычислительных ресурсов от размера БП, а также неэффективность при работе с неполными и плохо определенными исходными данными.

Метод извлечения прецедентов на основе деревьев решений базируется на нахождении требуемых прецедентов путем разрешения вершин дерева решений. Каждая вершина дерева указывает, по какой ее ветви следует осуществлять дальнейший поиск решения. Выбор ветви производится на основе информации о текущей проблемной ситуации. Необходимо добраться до концевой вершины, которая соответствует одному или нескольким прецедентам. Если концевая вершина связана с некоторым подмножеством прецедентов, то тогда для выбора наиболее подходящего из них может использоваться метод ближайшего соседа. Такой подход рекомендуется применять для больших БП, т. к. основная часть работы по извлечению прецедентов выполняется заранее на этапе построения дерева решений, что значительно сокращает время поиска решения.

Метод извлечения прецедентов на основе знаний в отличие от предыдущих методов позволяет учесть знания экспертов (ЛПР) по конкретной предметной области при извлечении прецедентов. Метод реализует подход, основанный на индексации

165

прецедентов специальным образом (семантической индексации). При определении прецедентов учитываются важности параметров прецедентов, заданные экспертом или ЛПР, и другая информация, позволяющая учесть знания о конкретной предметной области. За счет этого значительно сокращается время поиска решения, что является существенным достоинством данного метода.

Данный метод может успешно применяться совместно с другими методами извлечения прецедентов, особенно когда БП имеет большие размеры и предметная область является открытой и динамической.

Метод извлечения прецедентов с учетом их применимости. В большинстве систем, использующих механизмы рассуждений на основе прецедентов, предполагается, что наиболее схожие с текущей проблемной ситуацией прецеденты являются и наиболее применимыми в этой ситуации. Однако это не всегда так. В основе методов извлечения на основе применимости прецедентов лежит тот факт, что извлечение прецедентов базируется не только на их сходстве с текущей проблемной ситуацией, но и на том, насколько хорошую для желаемого результата модель они собой представляют. Таким образом, на выбор извлекаемых прецедентов влияет возможность их успешного применения (адаптации) в конкретной ситуации, т. е. наличие сведений о их применимости в сложившейся ситуации. В некоторых системах эта проблема решается путем сохранения прецедентов вместе с комментариями по их применению. Использование данного метода позволяет сделать поиск решения более эффективным, заранее отбрасывая часть заведомо неперспективных прецедентов.

Помимо рассмотренных методов извлечения прецедентов могут успешно применяться и другие методы (например, аппарат искусственных нейронных сетей (ИНС)) [91]. Безусловно, хорошо обученная ИНС способна успешно и достаточно быстро решать задачи классификации, кластеризации и определения схожих прецедентов, но проблемы с ИНС заключаются в необходимости использовать представительную обучающую выбор-

166

ку для обучения сети с заданной точностью и в существенных временных затратах на обучение ИНС. Кроме того, возникает проблема, связанная с разработкой специальной топологии ИНС, ориентированной на конкретную проблемную область и решение сложных многопараметрических задач.

Рассмотрим алгоритм извлечения прецедентов с использованием евклидовой метрики.

Входные данные:

T – текущая ситуация (должны быть заданы значения параметров, описывающие ситуацию);

CL – непустое множество прецедентов, хранящееся в БПр; w1, … wn – веса (коэффициенты важности) параметров; m – количество рассматриваемых прецедентов из БПр; H – пороговое значение степени сходства.

Выходные данные:

SC (Set of Cases) – множество прецедентов, которые имеют степень сходства больше или равную пороговому значению H.

Промежуточные данные:

Вспомогательные переменные i, j (параметры цикла). Шаг 1. SC = , j = 1; переход к следующему шагу.

Шаг 2. Если j ≤ m, то выбрать прецедент Cj из БП (Cj CL) и переход к шагу 3; иначе считать, что все прецеденты из БП рассмотрены, и переход к шагу 6.

Шаг 3. Вычислить расстояние dcjT в евклидовой метрике между выбранным прецедентом Cj и текущей ситуацией T с учетом коэффициентов важности параметров:

i=1

Если значение параметра xic j в описании прецедента Cj отсутствует, то вычислить расстояния dcjT , учитывая, что xic j = xiТ , а если отсутствует значение параметра xiТ в описании текущей ситуации T, то вычислить расстояние dcjT , полагая:

167

Шаг 4. Вычислить степень сходства S(Cj, T) = 1 – dcjT / dmax (или S(Cj,T) = 1 – dcjT / dmax · 100 %, если пороговое значение H задано в процентах), учитывая при вычислении dmax веса пара-

метров.

Шаг 5. Если S(Cj,T) ≥ H, то извлечь прецедент Cj из БП

идобавить в результирующее множество SC; присвоить j = j + 1

ипереход к шагу 2.

Шаг 6. Если SC ≠ , то прецеденты для текущей ситуации успешно извлечены, выдать их список пользователю (ЛПР) и переход шагу 7.

Иначе, если SC = и прецеденты для текущей проблемной ситуации не найдены, выдать сообщение пользователю (ЛПР) о необходимости уменьшения порогового значения H и переход к шагу 7.

Шаг 7. Конец алгоритма.

Рассмотрим работу алгоритма определения ближайшего соседа. Пусть прецеденты и текущая ситуация описываются только двумя параметрами:

V – скорость движения поражающих элементов (м/с); Р – вероятность поражения боеприпаса.

В базе прецедентов имеются два претендента:

К1: V1 = 750 м/с, Р1 = 0,4;

К2: V2 = 1000 м/с, Р2 = 0,7.

Для текущей ситуации мы имеем: Vц = 1300 м/с, Рц = 0,9. Рассмотрим координатную плоскость, выбрав в качестве

осей координат V и Р (рис. 5.10).

Координаты прецедентов и текущей ситуации соответствуют их параметрам. На первом этапе рассчитываем расстояние от

Рис. 5.10. Координатная плоскость расчета по алгоритму ближайшего соседа

Аналогичным образом вычисляем максимальное расстояние Dmax. На втором этапе вычисляем степень сходства текущей ситуации с прецедентами из базы прецедентов:

Длянашего примера имеем: К1 = 0,54 (54 %), К2 = 0,97 (97 %). Более сложный случай, когда для описания ситуаций используется n > 2 прецедентов, отличается тем, что вместо двух

координат рассматривается n.

Рассмотрим реализацию механизмов поиска решения на основе прецедентов в СППР. Основными компонентами являются:

блок анализа текущей ситуации, сложившейся в РГЗ, предназначенный для предварительной обработки информации

осостоянии РГЗ (данных от системы контроллеров, оперативной БД, ЛПР);

блок настройки БПр, обеспечивающий возможность работы эксперта с БПр (формирование структуры, загрузка, сохранение и т. д.);

блок поиска решения, реализующий механизмы правдоподобных рассуждений на основе прецедентов (осуществляет извлечение прецедентов для проблемной ситуации);

блок выдачи результатов, осуществляющий вывод результатов пользователю (ЛПР) для проблемной ситуации на ос-

169

нове уже имевших место прецедентов с указанием степени сходства указанных прецедентов с текущей ситуацией;

библиотека прецедентов, уже имевших место при управлении данным объектом и его подсистемами или заданными экспертом на основе его собственного опыта.

БПр для СППР должна объединять в себе прецеденты по конкретной аварийной ситуации, а также содержать информацию

окаждом параметре, используемом для описания прецедентов (тип параметра и диапазон). Кроме того, должна включать в себя такие настройки, как:

веса, определяющие важность параметра, используемого для описания прецедентов;

порог сходства новой ситуации с прецедентами из БП;

значение, ограничивающее количество рассматриваемых прецедентов.

Нужно подчеркнуть, что БП может быть сформирована на основе:

опыта накопленного экспертом или ЛПР;

анализа архива системы экспертом;

анализа имевших место аварийных ситуаций;

оперативных инструкций;

технологического регламента.

БПр может быть включена в состав базы знаний СППР или выступать как отдельный компонент системы.

5.4.3. Методический подход к принятию решений по оперативному управлению безопасностью хранения рассредоточенной группы зарядов

Специфика решения задачи принятия решений по оперативному управлению безопасностью РГЗ заключается в том, что исходная постановка задачи является дискретной. Количество оцениваемых рисков для l-й РГЗ на стадии функционирования относительно невелико, а при реализации управляющих решений, направленных на предотвращение развития аварийной ситуации и повышение безопасности хранения РГЗ, это количество может еще уменьшено.

170