Методы и средства интеллектуальной поддержки прогноза технического состояния систем ответственного назначения

Размещено на http://www.allbest.ru/

Методы и средства интеллектуальной поддержки прогноза технического состояния систем ответственного назначения

О.В. Абрамов, д-р техн. наук,

Д.А. Назаров, канд. техн. Наук

Аннотация

Предложен вариант экспертно-статистического подхода к решению проблемы прогнозирования процессов изменения параметров технического состояния систем ответственного назначения. Обсуждаются вопросы создания специализированного программного обеспечения (средств интеллектуальной поддержки), имеющего необходимую проблемную ориентацию (прогнозирование деградации технического состояния) и позволяющего повысить качество прогноза.

Ключевые слова: параметр, техническое состояние, система ответственного назначения, прогнозирование, надежность, интеллектуальная система поддержки принятия решений, прецедент.

Введение

Прогнозирование состояния технических устройств и систем играет важную роль при планировании их эксплуатации и управлении техногенными рисками. Умение предсказать возможный момент отказа особенно важно для объектов ответственного назначения, утрата работоспособности которых связана с большими материальными потерями и даже с катастрофическими последствиями. В большинстве своем это сложные системы, изготовляемые в небольшом числе экземпляров, эксплуатирующиеся в отличающихся условиях и реализующие экстремальные технологии. Стратегия эксплуатации таких систем должна иметь индивидуальный и превентивный (упреждающий отказы) характер.

Индивидуальное планирование эксплуатации возможно при условии получения текущей информации о действительном состоянии каждого объекта, т.е. реализация индивидуальной стратегии эксплуатации требует непрерывного или дискретного контроля и анализа технического состояния объекта. Предполагается, что реальное техническое состояние объекта можно оценить по результатам контроля (измерения) его параметров, а прогнозирование их изменений позволяет эксплуатировать объект до появления признаков опасного снижения надежности, исключив при этом преждевременные демонтажи узлов и агрегатов, а также выполнение других трудоемких работ, имеющих зачастую сомнительную полезность для надежности функционирования.

Основные трудности при решении задачи прогнозирования для синтеза стратегии эксплуатации по состоянию связаны с тем, что прогноз приходится осуществлять для каждого объекта индивидуально, при малых объемах исходной информации (по небольшому набору результатов контроля) и в присутствии помех (ошибок контроля), статистические свойства которых достоверно не известны. В этих условиях классические методы математической статистики и теории случайных процессов теряют свои привлекательные свойства, а их использование для прогнозирования приводит к существенным ошибкам и невысокой достоверности прогноза.

Известны некоторые подходы к решению задачи индивидуального прогнозирования и планирования эксплуатации при дефиците и неполной достоверности исходной информации, позволяющие получать в этих условиях достаточно надежные результаты. К их числу относится метод индивидуального гарантированного прогноза [1, 2]. Основная его идея состоит в том, что из множества возможных реализаций случайного процесса деградации свойств (состояния) исследуемого технического объекта, согласующихся с результатами контроля (не противоречащих им), выбираются "наихудшие". Под наихудшими реализациями понимаются такие, которые раньше остальных могут выйти за пределы области работоспособности. Подобные реализации можно называть экстремальными [3].

К сожалению, для использования метода гарантированного прогноза необходимо иметь информацию о виде (модели) процесса изменения параметров технического состояния исследуемого объекта. Обычно принимается (как гипотеза) та или иная модель процесса изменения параметра, относительно которой и решается задача прогноза. Во многих случаях априорной информации недостаточно для обоснованного принятия гипотезы о предпочтительной модели, а выборка апостериорных данных (результатов контроля) слишком мала для каких-то статистических выводов.

Если выборка наблюдений ограничена и содержит слишком скудные для достоверного оценивания и прогнозирования сведения, целесообразно объединить всю доступную информацию как объективного (статистика, результаты измерений), так и субъективного (экспертного) происхождения, иначе говоря, воспользоваться экспертно-статистическим подходом.

В рамках экспертно-статистического подхода к прогнозированию предполагается естественным воспользоваться для уточнения прогнозов той же схемой действий, которые обычно называют "действиями по аналогии" и которые базируются на "прецедентах", составляющих содержание накопленного экспертами практического опыта.

Суть подхода к прогнозированию на основе метода аналогов заключается в том, чтобы объединить возможности современной информационной теории с аппаратом методов теории систем с искусственным интеллектом (в данном случае это различные компьютерные реализации схем действий по аналогии) [4, 5].

Метод аналогов основан на предположении, что при прогнозировании в ряде предметных областей эксперты пытаются строить прогнозы, основываясь на имеющихся у них представлениях о тех объектах или процессах, предыстория которых им достаточно хорошо известна.

Следует заметить, что метод аналогов не универсален и возможность его применения связана с определенными ограничениями. Для применения метода аналогов соответствующая предметная область должна обладать тем свойством, что применительно к ней всегда имеется большое число объектов, представленных солидным объемом описывающей их статистической и экспертной информации.

Первым шагом процедуры построения прогноза является выбор класса моделей, описывающих прогнозируемое явление. Следующим шагом становится процесс сбора экспертных суждений. При этом предполагается, что экспертам-предметникам посильно формировать оценки верхних и нижних границ возможных значений прогнозируемого процесса (временного ряда), высказывать суждения о монотонном убывании или возрастании значений ряда с течением времени, извлекать из своего практического опыта предварительные оценки моментов достижения минимального или максимального значений ряда и т.п.

В результате задача прогнозирования переформулируется следующим образом: найти последовательность будущих значений, наиболее согласованную с результатами наблюдений прогнозируемого процесса и экспертными суждениями. Так как длина периода основания прогноза недостаточна для получения надежных статистических выводов, то на решение соответствующей задачи прогнозирования накладывается дополнительно (но теперь приоритетное) требование соответствия модели прогноза зафиксированным экспертным суждениям, и только уже при учете этих суждений - результатам наблюдений.

Средства интеллектуальной поддержки методов прогноза

Использование экспертно-статистического подхода при решении задач прогнозирования технического состояния обусловливает необходимость применения информационных технологий для компьютерной поддержки лиц, принимающих решение. Одним из способов обеспечения такой поддержки является создание специализированного программного обеспечения, имеющего определенную проблемную ориентацию (прогнозирование деградации технического состояния) и позволяющего повысить качество получаемых результатов. Подобное программное обеспечение может быть разработано с использованием подхода, основанного на моделировании рассуждений на основе прецедентов (case-based reasoning) [5].

Выбор данного подхода оправдан, если к моменту возникновения проблемы прогнозирования деградации технического состояния уже накоплен определенный опыт решения похожих проблем, возникавших ранее на подобных технических объектах (аналогах). Представление этого опыта в виде прецедентов и его автоматизированная обработка при помощи специализированных программных систем может позволить значительно повысить эффективность результатов.

Решение проблемы прогноза по прецедентам основано на распознавании текущей проблемной ситуации, информация о которой представлена в виде некоторого образа (прецедента), и поиске похожих образов, содержащихся в хранилище образов (базе прецедентов) с последующей их адаптацией и использованием для решения задачи прогноза.

Выделим основные функции системы интеллектуальной поддержки, обеспечивающей решение задачи прогноза с помощью правдоподобного вывода по прецедентам:

1) формирование прецедента (аналога);

2) создание базы прецедентов на основании сформированной модели;

3) поиск решения (правдоподобный вывод) по прецедентам.

Для реализации этих функций необходимы следующие основные модули системы интеллектуальной поддержки:

модуль моделирования прецедентов, который обеспечивает возможность создания и модификации моделей прецедентов, формирование и обновление баз прецедентов на основе существующих моделей;

внутренняя память, которая должна обеспечивать хранение моделей прецедентов и самих прецедентов;

прецедентная машина вывода, осуществляющая поиск прецедентов по заданному описанию;

модуль управления, обеспечивающий взаимодействие между модулями и предоставляющий интерфейс для связи с внешней средой.

Структура прецедента

В большинстве словарей слово "прецедент" определяется как случай, имевший место ранее и служащий примером или оправданием для последующих случаев подобного рода. Автоматизированные системы, реализующие прецедентный подход, позволяют находить решение текущей задачи на основе опыта решения аналогичных задач в прошлом. Успешность реализации прецедентного подхода основывается на предварительном анализе специфики решаемой задачи и практически полностью зависит от выбора способа описания прецедента.

Моделирование рассуждений с целью прогнозирования технического состояния системы на основе анализа дрейфа параметров во времени сводится к анализу процессов деградации свойств ее элементов. В основе каждого отдельного прецедента лежит модель дрейфа параметра элемента. Каждая такая модель может учитывать не только внутренние процессы усталости и износа, факторы внешней среды (которые также могут влиять на износ), но и более сложные процессы взаимного влияния элементов (электромагнитные поля, нагрев от соседних элементов, вибрации), учитывающие также и их пространственное расположение относительно друг друга. Однако на практике обычно используются известные линейные или экспоненциальные модели дрейфа [6, 7]. Учет разнообразных внешних факторов при моделировании процесса дрейфа каждого параметра требует более полного описания структуры исследуемой системы.

Широкие возможности для описания структуры технического объекта с учетом взаимодействия его компонентов при решении задач, связных с прогнозированием технического состояния, дает онтологический подход [811]. Онтология представляет собой концептуальную модель предметной области, описывающую исследуемые объекты, процессы и явления в форме графа, вершинами которого являются концепты предметной области, а дуга- ми - всевозможные отношения между ними. Для практических задач существуют модели онтологий различной сложности, однако в большинстве случаев и в рамках рассматриваемой задачи достаточно использовать модель в виде тройки

O = (X, R, Ф),

где X- множество концептов предметной области; R - множество отношений между этими концептами; Ф - множество функций интерпретации [7].

Использование онтологий позволяет описать структуру системы любой сложности и степени детализации с любыми известными видами взаимосвязей между ее элементами и внешними воздействиями. Такой подход к представлению структуры технического объекта с учетом взаимосвязей его элементов и факторов, вызывающих отказы, активно используется в программных системах по прогнозированию и управлению состоянием (PHM - Prognostic Health Management). В таких системах, как правило, подробно описывается иерархия элементов с возможными причинами их отказа с указанием количественных характеристик в виде интервалов допуска и текущих их значений [8] или вероятностные свойства: плотность распределения отказов, средняя наработка до отказа и т.д. [9]. На базе подобного описания становится возможным построение дерева отказов с выявлением причин их возникновения, а также построение рассуждений о состоянии системы в виде продукций на основе логики предикатов, выражающих состояние отдельных узлов в иерархии элементов, - например, модель OntoProg [8].

Онтологический подход также может быть использован для построения деградационной модели сложной системы. При описании ее структуры экспертом указываются факторы, влияющие на рабочие характеристики и износ каждого элемента. Например, на рис. 1 приведен пример онтологического представления иерархии элементов системы с описанием факторов влияния на значения их рабочих параметров. Структуру системы формируют теоретико-множественные отношения "a-part-of" (отображены сплошными стрелками), описывающие иерархию элементов, а их влияние друг на друга - отношениями, основанными на изменении физических параметров деградационной модели элемента (на рисунке отображены пунктирными стрелками). Так, вращающийся вал с течением времени из-за трения способен повышать температуру окружающих элементов, что может быть учтено в использованной модели дрейфа сопротивлений резисторов и емкостей конденсаторов электронной схемы. Вращающийся вал с течением времени может стать источником вибраций, оказывая негативное влияние на качество контактов электронных компонентов, ускоряя разрушение пайки, что может быть отражено в соответствующей модели отказа электронной платы.

Рис. 1. Пример онтологического представления технического устройства с учетом моделей параметрического дрейфа.

Описание прецедента, учитывающего взаимное влияние элементов системы и факторы среды, основывается на использовании онтологической модели и обычно представляет собой граф. Обработка графовых структур при их сохранении, загрузке и применении в конкретных задачах требует более сложных процедур, чем линейные структуры параметрических моделей. Детальный учет всех взаимосвязей, влияющих на свойства элементов системы, очень трудоемок и оправдан при проектировании дорогостоящих объектов или систем ответственного назначения. С другой стороны, излишне подробное описание факторов, влияющих на деградацию параметров, может затруднить не только возможность поддержки ее экспертом, но и само повторное использование всей структуры, особенно для уникальных систем. Кроме того, в схожих системах некоторые их компоненты со схожими функциями могут иметь различное исполнение (например, электролитические и пленочные конденсаторы [12]), а поведение их параметров с течением времени и под влиянием одинаковых факторов может различаться.

Несмотря на преимущества учета параметров внешней среды и факторов взаимного влияния элементов, на практике часто считается достаточным использовать известные модели дрейфа с ограниченным набором параметров, основанных на линейных или экспоненциальных трендах [10]. В этом случае прецедент будет включать модель дрейфа параметра конкретного элемента, заданную в параметрическом виде:

где Xi, i = 1, 2, ..., Np - параметры используемой модели дрейфа; Np - количество параметров модели. Помимо самих параметров модели дрейфа (1), с целью ее идентификации (линейная, экспоненциальная, полином) и корректного учета ее параметров при повторном использовании прецедент должен также содержать ее условное наименование:

где ID - уникальный идентификатор типа модели дрейфа из базы известных моделей; Cp - параметры модели (1); Descr - словесное описание, рекомендации по применению для лица, принимающего проектные решения. Для случая указания уникальной модели, отсутствующей в базе известных моделей дрейфа, параметры Cp представляют собой символьное описание модели в определенном формате с учетом правил используемого синтаксического анализатора математических выражений [13].

Модуль формирования прецедента

Формирование прецедента использования деградационной модели параметров выполняется на этапе проектирования технического объекта экспертом на основе его опыта и известных закономерностей. Программный модуль формирования прецедента обеспечивает единые правила описания прецедентов, основанных на параметрической модели (2) структуры прецедента, а также позволяет взаимодействовать с онтологическим описанием структуры системы, в которой указаны параметры внешней среды и факторы влияния иных компонентов системы.

Прецедент формируется экспертом на основе переработки и адаптации имеющейся в базе прецедентов структуры либо как совершенно новый. В различных задачах одинаковые компоненты могут использовать или не использовать факторы внешней среды. Если прецедент учитывает какой-либо внешний фактор влияния на деградационный процесс, а в текущей задаче его использование не предусмотрено, то обычно такой параметр обнуляется.

В рамках взаимодействия с пользователем данный программный модуль представляет собой интерактивный справочник, предлагающий пользователю-эксперту подходящий прецедент как основу для переработки под текущую задачу, либо контекстные подсказки в виде подходящих для данной системы и внешних факторов моделей.

Созданные экспертом модели сохраняются в единой базе прецедентов в параметрическом виде (2). В случае необходимости отдельно может быть сохранена необходимая онтологическая информация о системе и взаимосвязях между ее элементами, на которую имеются ссылки из структуры прецедента.

Модуль правдоподобного вывода по прецедентам

Поиск подходящего прецедента основывается на способе его представления. Параметрическое представление его структуры позволяет применять кластерные методы поиска, метод k-ближайших соседей (k-NN) [10, 11]. Программный модуль вывода по прецедентам анализирует текущее описание проектируемой системы путем просмотра связей между ее компонентами с учетом возможных факторов среды и осуществляет поиск в базе прецедентов подходящей модели деградационного процесса.

Настроечными параметрами поиска прецедента являются такие основные свойства как метрика, позволяющая оценить близость прецедентов и количество структур, используемых в методе k-ближайших соседей. Однако в задаче исследования уникальных систем важно учитывать фактор уникальности их отдельных элементов, из-за чего использование прецедентного подхода может быть не совсем корректным.

Результатом работы данного модуля является определенная деградационная модель для элемента системы, которая встраивается в структуру ее представления с целью оценки надежностных характеристик, запаса работоспособности, риска возникновения отказа [14]. Модуль обладает средствами объяснения сделанного выбора и предложения альтернатив в случае обнаружения спорных решений. Окончательное решение об использовании предложенной модели, ее адаптации и корректного внедрения в модель исследуемой системы принимает эксперт или ответственный за проектные решения.

Заключение

Рассмотрен вариант экспертно-статистического подхода к решению проблемы прогнозирования процессов изменения параметров технического состояния систем ответственного назначения на основе метода аналогов. Суть метода заключается в том, что подключение экспертов к решению задачи прогнозирования базируется на выделении ими, экспертами, аналогов прогнозируемого процесса из числа ранее наблюдавшихся процессов.

Обсуждаются вопросы создания специализированного программного обеспечения (средств интеллектуальной поддержки), имеющего необходимую проблемную ориентацию (прогнозирование деградации технического состояния) и позволяющего повысить качество получаемых результатов прогнозирование программный технический

Литература

1. Абрамов О.В. Основные особенности и свойства метода гарантированного прогноза // Надежность и качество сложных систем. - 2017. - № 1. - С. 3-10.

2. Абрамов О.В. Анализ и прогнозирование техногенных рисков // Информатика и системы управления. - 2012. - № 3. - С. 97-105.

3. Абрамов О.В. Контроль и прогнозирование технического состояния систем ответственного назначения // Надежность и качество сложных систем. - 2018. - № 4. - С. 108-115.

4. Mandel A.S. Method of analogs in prediction of short time series: An expert-statistical approach // Automation and Remote Control. - 2004. - Vol. 65, № 4. - P. 634-641.

5. Aamodt A., Plaza E. Case-based reasoning: foundational issues, methodological variations, and system approaches // Al Communications. - 1994. - Vol. 7, № 1. - P. 39-59.

6. Jones J.A. A toolkit for parametric drift modelling of electronic components // Reliability Engineering & System Safety. - 1999. - Vol. 63, Issue 1. - P. 99-106.

7. Козлова И.Н., Пиганов М.Н., Тюлевин С.В. Математические модели дрейфа функциональных параметров // Известия Самарского научного центра РАН. - 2010. - Т.12(36), № 4(3). - С. 668-673.

8. Nunez D. L., Borsato M. OntoProg: an ontology-based model for implementing prognostics health management in mechanical machines // Advanced Engineering Informatics. - 2018,

9. №38. - Р. 746-759. DOI: 10.1016/j.aei.2018.10.006.

10. Venceslau A., Lima R., Guedes L.A. and Silva I. Ontology for computer-aided fault tree synthesis // Proceedings of the 2014 IEEE Emerging Technology and Factory Automation (ETFA). - 2014. - P. 1-4.

11. Варшавский П.Р., Еремеев А.П. Моделирование рассуждений на основе прецедентов в интеллектуальных системах поддержки принятия решений // Искусственный интеллект и принятие решений. - 2009. - № 2. - С. 45-47.

12. Лахин О.И., Симонова Е.В., Скобелев П.О., Полников А.С., Юрыгина Ю.С. Подход к разработке прототипа интеллектуальной системы поддержки процессов технического обслуживания и ремонта при эксплуатации изделий аэрокосмической промышленности на основе мультиагентных технологий // Информационно-управляющие системы.

13. 2015. - №. 4. - С. 10-16.

14. Gupta A., Yadav O.P., DeVoto D., & Major J. A Review of Degradation Behavior and Modeling of Capacitors // Proceedings of the ASME 2018 International Technical Conference and Exhibition on Packaging and Integration of Electronic and Photonic Microsystems. ASME 2018 International Technical Conference and Exhibition on Packaging and Integration of Electronic and Photonic Microsystems. San Francisco, California, USA. August 27-30, 2018.

15. Муромский А.А., Тучкова Н.П. Представление математических понятий в онтологии научных знаний // Онтология проектирования. - 2019. - Т.9, № 1(31). - С. 50-69.

16. Abramov O.V., Nazarov D.A. Functional-parametric direction of risk theory // The 13th Asian Control Conference (ASCC 2022), 2022, Korea. P.1911-1913. DOI: 10.23919/ ASCC56756.2022.9828266

Размещено на Allbest.ru