Размещено на http://www.allbest.ru/

Національний технічний університет України

"Київський політехнічний інститут"

УДК 004.855:681.518

05.13.06 - Інформаційні технології

Автореферат

дисертації на здобуття наукового ступеня кандидата технічних наук

Моделі і методи розв'язання задач технічного діагностування на основі штучних імунних систем і байєсових мереж

Фефелов Андрій Олександрович

Київ - 2008

Дисертацією є рукопис.

Роботу виконано в навчально-науковому комплексі "Інститут прикладного системного аналізу" Національного технічного університету України "Київський політехнічний інститут" та в Херсонському національному технічному університеті.

Науковий керівник:

- доктор технічних наук, професор Бідюк Петро Іванович, Навчально-Науковий Комплекс "Інститут прикладного системного аналізу" Національного технічного університету України "Київський політехнічний інститут",

провідний науковий співробітник відділу математичних методів системного аналізу.

Офіційні опоненти:

- доктор технічних наук, професор Гриша Сергій Миколайович, Національний технічний університет України "Київський політехнічний інститут", професор кафедри автоматизованих систем обробки інформації та управління;

- кандидат технічних наук, старший науковий співробітник Житецький Леонід Сергійович, Міжнародний науково-навчальний центр інформаційних технологій та систем, старший науковий співробітник відділу автоматизованих систем обробки даних.

Захист відбудеться "16" грудня 2008 р. о 15:00 годині на засіданні спеціалізованої вченої ради Д 26.002.03 в Національному технічному університеті України "Київський політехнічний інститут" за адресою: 03056, Київ, просп. Перемоги, 37, корп. № 35, ауд. № 006.

3 дисертацією можна ознайомитись у бібліотеці Національного технічного університету України "Київський політехнічний інститут".

Автореферат розісланий "14" листопада 2008 р.

Вчений секретар спеціалізованої вченої ради д.т.н., професор О.М. Новіков

Анотації

Фефелов А.А. Моделі і методи розв'язання задач технічного діагностування на основі штучних імунних систем і байєсових мереж. - Рукопис.

Дисертація на здобуття наукового ступеня кандидата технічних наук за спеціальністю 05.13.06 - інформаційні технології. - Національний технічний університет України "Київський політехнічний інститут", Київ, 2008 р.

Робота присвячена проблемі створення інформаційних систем технічного діагностування для виявлення аномалій у роботі складної технічної системи; пошуку типу й локалізації відмови в умовах неповної, неточної й суперечливої інформації; прогнозування технічного стану. Зроблено огляд і проведено аналіз існуючих методів розв'язання задач технічного діагностування. Запропоновано багаторівневу модель процесу діагностування, реалізовану на рівні архітектури інформаційно-аналітичної системи діагностування. Запропоновано узагальнену технологію побудови штучних імунних систем для розв'язання задач технічного діагностування, що відрізняється універсальністю застосування і дозволяє створювати математичний опис дрейфу параметрів та виявлення аномалій у роботі складної технічної системи. Розроблено підхід до виявлення аномалій у роботі технічної системи, що використовує механізми негативного відбору та імунної мережі. Розроблено новий метод і алгоритм виявлення місця й типу відмови складної технічної системи за допомогою байєсової мережі модифікованої структури й інформативно-вартісного критерію. Створено інформаційну технологію синтезу й настроювання нейронних мереж за допомогою штучних імунних систем для розв'язання задачі прогнозування дрейфу параметрів технічного об'єкта. Розроблено архітектуру і створено прототип комп'ютерної інформаційно-аналітичної системи для розв'язання задач технічного діагностування.

Ключові слова: штучна імунна система, байєсова мережа, технічне діагностування, складна технічна система, виявлення аномалій, визначення технічного стану, пошук відмови, прогнозування дрейфу параметрів.

Фефелов А.А. Модели и методы решения задач технического диагностирования на основе искусственных иммунных систем и байесовских сетей. - Рукопись.

Диссертация на соискание ученой степени кандидата технических наук по специальности 05.13.06 - информационные технологии. - Национальный технический университет Украины "Киевский политехнический институт", Киев, 2008 г.

Диссертация посвящена проблеме создания информационных систем технического диагностирования, обладающих возможностями обнаружения аномалий в работе технической системы; поиска типа и локализации отказа в условиях неполной, неточной и противоречивой информации; прогнозирования технического состояния. Сделан обзор и проведен анализ существующих методов решения задач технического диагностирования. Предложена многоуровневая модель процесса диагностирования, реализованная на уровне архитектуры информационно-аналитической системы диагностирования. Отличительной особенностью модели является иерархический подход к определению технического состояния объекта, согласно которому вначале производится раздельная (локальная) обработка количественной информации, получаемой от объекта диагностирования, при которой информация преобразуется к качественному виду при помощи вычислительных методов анализа данных. Затем производится совместная (глобальная) обработка качественной информации при помощи метода логического вывода, на основании которого строится заключение о состоянии объекта. Для реализации возможностей разработанной модели предложено использовать математический аппарат искусственных иммунных систем и байесовских сетей.

Предложена обобщенная технология построения искусственных иммунных систем для решения задач технического диагностирования, которая отличается универсальностью применения и позволяет создавать математическое описание дрейфа параметров и выявления аномалий в работе сложной технической системы. Разработан подход к обнаружению аномалий в работе технической системы, использующий механизмы отрицательного отбора и иммунной сети. Метод основывается на распознавании векторов, образованных скользящим окном временного ряда наблюдаемого сигнала. Исследования показали, что данный метод позволяет ограничить объем обучающей выборки только одним классом примеров и производить распознавание в дополнительном пространстве поиска. Это позволяет обнаруживать новые аномалии, информация о которых не была известна при обучении. Разработан новый метод и алгоритм обнаружения места и типа отказа сложной технической системы с помощью байесовской сети модифицированной структуры и информативно-стоимостного критерия, который позволяет оптимизировать процесс поиска дефектов в системе, а также улучшает возможность разделения распознаваемых состояний объекта диагностирования при частичном контроле. Создана информационная технология синтеза и настройки нейронных сетей при помощи искусственных иммунных систем для решения задачи прогнозирования дрейфа параметров технического объекта. На основе выполнения ряда экспериментов показано, что данная технология обеспечивает высокое качество прогноза развития этих процессов.

Разработана архитектура и создана компьютерная информационно-аналитическая система для решения задач технического диагностирования, отличающаяся открытостью для встраивания дополнительных модулей и функций, а также высокой надежностью. Система апробирована на ряде тестовых моделей, а также на реальном техническом объекте, а именно - безщеточном синхронном дизельном генераторе переменного тока, который входит в состав электроэнергетической подсистемы судовой энергетической установки.

Ключевые слова: искусственная иммунная система, байесовская сеть, техническое диагностирование, сложная техническая система, обнаружение аномалий, определение технического состояния, поиск отказа, прогнозирование дрейфа параметров.

Fefelov A.A. The models and methods of technical diagnosis on the basis of artificial immune systems and Bayesian networks. - Manuscript.

Thesis in fulfillment of the requirements for the degree of candidate of engineering sciences on the specialty 05.13.06 - Information technologies. - National Technical University of Ukraine "Kyiv Polytechnic Institute", Kyiv, 2008.

The thesis deals with the problem of development and implementation of fault detection and isolation systems. The main goals of such system are: detection of anomalies during operation of complex technical systems in real time; search for type of a failure and it's localization in a case of incomplete, inexact and inconsistent information environment; prediction of its future technical state. The review had been made and analysis of existing fault detection methods was performed. A new multilevel diagnostic model is offered, which is implemented on the base of software architecture. The new generalized technology of artificial immune systems construction to deal with the problems of fault detection and isolation is offered. This technology has a distinctive feature of universality of application and allows development of mathematical description of parameter's drift and detection of anomalies during operation of complex technical system. The approach to detection of anomalies during technical system operation which uses mechanisms of negative selection and immune network is proposed. The new method and algorithm of detection a location and type of a failure of complex technical system with Bayesian networks of a modified structure and information-cost criterion is developed. A new information technology of synthesis and adjustment neural networks by means of artificial immune systems is created. This technology is used to solve the problem of prediction for a drift of technical object parameters. The new software architecture is developed and computer based information-analytical system for solving problems of fault detection and isolation was created.

Keywords: artificial immune system, Bayesian network, fault detection and isolation, complex technical system, detection of anomalies, definition of a technical status, failure search, prediction of parameters drift.

Загальна характеристика роботи

Актуальність теми. Експлуатація і обслуговування сучасних складних технічних систем у будь-яких умовах вимагає забезпечення їх високоякісним технічним діагностуванням. У зв'язку з цим виникає проблема проектування систем діагностування, у яких повинні бути вирішені всі завдання щодо вчасного високоякісного аналізу стану об'єкта і враховані вимоги до автоматизованих інформаційних систем технічної діагностики. Як правило, складна технічна система містить велику кількість взаємозалежних компонентів і характеризується великою множиною змінних і параметрів, що визначають її стан. При цьому далеко не всі параметри можуть бути контрольованими, що визначається специфічними умовами функціонування та експлуатації системи. Крім того, в процес збору інформації щодо поточного стану технічної системи суб'єктивну складову вносить людський фактор. Все це визначає одну з основних вимог, що висуваються до системи діагностування, а саме: забезпечення надійного функціонування об'єкта в умовах неповної, неточної, а часто і суперечливої інформації.

На додаток до сказаного необхідно зазначити, що багато негативних впливів, що призводять до відмов технічної системи, носять прихований характер і можуть бути виявлені завчасно тільки при використанні ефективних обчислювальних методів обробки даних спостережень за контрольованими змінними та параметрами. Безумовно, важливою вимогою до систем технічної діагностики є високоякісне розв'язання задачі прогнозування технічного стану. Однією з основних цілей розв'язання даної задачі є підвищення ефективності обслуговування технічних систем, пов'язаного з оптимізацією технологічних процесів, їхнього поточного ремонту та модернізації.

Аналіз сучасного стану досліджень в області згаданих проблем свідчить про існування недоліків, пов'язаних, насамперед, з ефективним і своєчасним виявленням аномалій у поведінці складної технічної системи, пошуком та ідентифікацією місця розташування і характеру відмови системи чи процесу за умови наявності невизначеностей різного ступеня та характеру. Від якості прогнозування технічного стану системи залежить ефективність її технічного обслуговування та безпека експлуатації. Актуальність та недостатня вивченість задач створення систем аналізу та прогнозування відмов складних систем визначили тему і напрям дисертаційного дослідження.

Зв'язок роботи з науковими програмами, планами, темами. Дисертаційна робота виконана у відповідності до таких науково-дослідних робіт: "Дослідження по розробці та створенню перспективних електроенергетичних систем сучасних суден" (№ ДР 01060012098, 12.2006-12.2009), "Розробка нових інформаційних технологій на основі байєсовських мереж та імунологічних обчислень для прогнозування метеорологічних умов та інших явищ" (№ ДР 01060012102, 12.2006-12.2009), "Розробка нових методів і алгоритмів сегментації зображень за допомогою імунологічних обчислень" (№ ДР 01060012103, 12.2006-12.2009), "Розробка нових інформаційних технологій на основі м'яких обчислень для оцінки і прогнозу рівня забруднення водних об'єктів" (№ ДР 01060012104, 12.2006-12.2009), "Розробка теоретичних засад створення гібридних інтелектуальних систем на основі м'яких обчислень" (№ ДР 1034U000078, 12.2002-12.2005).

Мета і завдання дослідження. Метою роботи є підвищення якості діагностування та виявлення відмов складних технічних систем у реальному часі шляхом побудови математичних моделей досліджуваних об'єктів і функцій прогнозування їхніх станів, розробки нових методів виявлення відмов, а також створення комп'ютерної інформаційно-аналітичної системи для розв'язання задач технічного діагностування.

Для досягнення поставленої мети вирішуються такі завдання:

1. Аналіз задачі отримання надійних кількісних і якісних оцінок стану складних технічних систем в реальному часі.

2. Створення узагальненої інформаційної технології побудови моделей об'єктів, що діагностуються, на принципах функціонування штучних імунних систем з метою розв'язання задач оцінювання та прогнозування їхнього поточного стану.

3. Розробка методу і алгоритму виявлення місцеположення та типу відмови в технічній системі за допомогою байєсової мережі довіри, яка забезпечує врахування невизначеностей статистичного і структурного характеру, а також формування ймовірнісного висновку щодо поточного стану із врахуванням всієї наявної інформації про систему.

4. Створення комбінованих інформаційних технологій, методів і алгоритмів для розв'язання задач прогнозування технічного стану об'єктів діагностики на основі нейронних мереж та імунних систем.

5. Розробка гібридного методу і алгоритму розв'язання задач виявлення змін параметрів і режимів функціонування технічних систем на основі механізмів негативного відбору та імунної мережі.

6. Створення оригінальної комп'ютерної інформаційної системи для розв'язання задач технічного діагностування складних технічних систем на основі запропонованих методів та алгоритмів.

Об'єктом дослідження є технічні системи і процеси, які необхідно забезпечити ефективними методами автоматизованого діагностування в реальному часі, зокрема, електричні машини різного призначення.

Предметом дослідження є ймовірнісні та еволюційні методи оцінювання, математичного моделювання і прогнозування станів динамічних систем, методи виявлення відмов об'єктів різної природи.

Методи дослідження ґрунтуються на теорії ймовірностей, математичній статистиці, байєсівських методах аналізу даних та формування висновку, теорії розпізнавання образів, теорії штучних нейронних мереж, нейрообчислень і штучних імунних систем.

Наукова новизна отриманих результатів. Наукова новизна роботи визначається такими теоретичними і практичними результатами, отриманими автором:

1. Розроблено нову інформаційну технологію застосування байєсових мереж для розв'язання задач пошуку місця та типу відмови технічних і технологічних об'єктів і систем, яка відрізняється від відомих можливостями врахування невизначеностей статистичного і структурного характеру, а також високою точністю встановлення характеру відмов.

2. Уперше запропоновано метод і алгоритм пошуку відмов на основі комплексного використання процедури формування байєсового ймовірнісного висновку, а також критеріїв інформативності і вартості процедур тестування компонентів технічної системи.

3. Запропоновано нову комбіновану модель на основі байєсової мережі та штучної імунної системи для опису відсутніх (пропущених) вимірів контрольованих параметрів технічної системи і прогнозування можливих відмов, що дало можливість суттєво підвищити ефективність функціонування створеної інформаційно-аналітичної системи в цілому.

4. Уперше розроблена узагальнена формальна модель побудови штучних імунних систем для розв'язання задач технічного діагностування складних технічних об'єктів і технологічних процесів. Розроблено кооперативний імунний метод і алгоритм розв'язання задач прогнозування й класифікації в технічній діагностиці, що забезпечує високу якість діагностування.

5. Запропоновано метод синтезу радіально-базисної та вейвлет-нейронних мереж для розв'язання задач прогнозування стану технічних систем на основі принципів функціонування штучної імунної системи.

6. Розроблено новий комбінований метод розв'язання задачі виявлення порушень при моніторингу параметрів складної технічної системи на основі механізмів негативного відбору та імунної мережі, який відрізняється високою надійністю виявлення порушень функціонування об'єкта.

7. На основі запропонованих методів, моделей та алгоритмів спроектована та реалізована оригінальна інформаційно-аналітична система з відкритою архітектурою для розв'язання задач діагностування відмов і прогнозування станів складних технічних систем та технологічних процесів.

Практичне значення одержаних результатів. В результаті виконаного дисертаційного дослідження створений комплекс методів, алгоритмів і програм, які дають можливість розв'язувати задачі технічного діагностування складних технічних систем на новому якісному рівні, що надає можливість підвищити ефективність прийняття рішень в умовах неповної, неточної та суперечливої інформації щодо об'єкта діагностування. Удосконалення існуючих методів за рахунок їхнього комбінованого використання дозволило збільшити швидкість і точність пошуку рішень, що дає можливість розробленим на їх основі програмним продуктам функціонувати в реальному масштабі часу як на об'єктах діагностування, що перебувають в експлуатації, так і на об'єктах діагностування, що перебувають у стані технічного обслуговування.

Розроблена та реалізована оригінальна структура комп'ютерної інформаційно-аналітичної системи діагностування, яка придатна для розв'язання практичних задач виявлення аномалій контрольованих параметрів технічної системи, пошуку місця й типу відмови в системі, а також прогнозування технічного стану.

Отримані в дисертаційній роботі теоретичні і практичні результати є корисними для застосування в системах технічного діагностування всіх типів. Зокрема, вони впроваджені в системах діагностування суднових енергетичних установок, автоматизованих системах керування технологічним процесом ремонту суднового електроустаткування та ін. Крім того, отримані результати впроваджені в навчальний процес Національного технічного університету України "Київський політехнічний інститут", Херсонського національного технічного університету, ВАТ Дніпровське підприємство ЕРА та центрі військової екології міністерства оборони України. байєсовий мережа діагностика імунний

Особистий внесок здобувача. Основні результати дисертаційної роботи автор отримав самостійно. Особистий вклад в роботах, що надруковані у співавторстві: в [1] дисертантом запропоновано предметно-незалежний опис імунних алгоритмів; в [2] дисертантом розроблена модель оперативного плану дій, а також спосіб кодування індивідуумів генетичного алгоритму і вид функції придатності; в [3] дисертант розробив формальну модель генетичного алгоритму, пристосованого для рішення систем алгебраїчних рівнянь; в [4] дисертанту належить розробка та реалізація генетичного алгоритму складання розкладів що адаптуються; в [5] дисертантом розроблена і реалізована бібліотека класів C++ алгоритму клональної селекції; в [6] дисертантом розроблена й реалізована бібліотека класів C++ генетичного алгоритму; в [7] дисертанту належить розробка та реалізація модифікованого алгоритму клонального відбору; в [8] дисертантом виконана програмна реалізація розробленого алгоритму; в [9] дисертантом виконані експериментальні дослідження, розроблена і реалізована байєсівська мережа для підсистеми головного двигуна судна; в [10] дисертанту належить розробка моделі генетичного оператора та реалізація модифікованого генетичного алгоритму.

Апробація результатів роботи. Основний матеріал роботи пройшов апробацію на наступних національних і міжнародних семінарах, конференціях і форумах, та презентувався в збірках наукових праць: четверта міжнародна конференція "Інтернет - освіта - наука - 2004" (Вінниця, 2004), міжнародна науково-практична конференція "Інтелектуальні системи прийняття рішень та прикладні аспекти інформаційних технологій" (Євпаторія, 2005-2007), всеукраїнська міжнародна конференція з оброблення сигналів і зображень та розпізнавання образів - УКРОБРАЗ (Київ, 2004), міжнародна науково-практична конференція "Математичне та програмне забезпечення інтелектуальних систем" (Дніпропетровськ, 2005), IV-а науково-технічна конференція ВМС Збройних Сил України "Стан і розвиток військово-морських сил Збройних Сил України" (Севастополь, 2005).

Публікації. Результати досліджень опубліковані в 19 друкованих наукових працях. З них 12 - у фахових виданнях ВАК України, 7 - у матеріалах і тезах конференцій.

Структура та обсяг роботи. Дисертаційна робота складається із вступу, п'яти розділів з висновками, загальних висновків, списку використаних джерел зі 138 найменувань і п'яти додатків. Робота викладена на 282 сторінках, основний зміст на 186 сторінках, містить 98 рисунків, 11 таблиць.

Основний зміст роботи

У вступі обґрунтовано актуальність теми та доцільність роботи, визначені мета і задачі дослідження, об'єкти, предмет та методи дослідження, достовірність отриманих результатів, зв'язок з науковими програмами, планами, темами, наведено наукову новизну роботи та практичне значення одержаних результатів, кількість публікацій за темою роботи, виділено особистий внесок здобувача.

У першому розділі виконано аналіз проблеми оцінювання й прогнозування технічного стану об'єктів діагностування. Розглянуто основні задачі, що виділяються в технічному діагностуванні, а саме: задачі контролю функціонального стану технічного об'єкта та виявлення аномалій у його роботі; задачі виявлення місця розташування й ідентифікації типу відмови технічної системи; задачі прогнозування технічного стану об'єкта діагностування. Представлено огляд існуючих підходів до розв'язання поставлених задач. Для розв'язання вказаних задач запропонована багаторівнева модель процесу діагностування, реалізована на рівні архітектури інформаційно-аналітичної системи діагностування. Дана архітектура має три рівні обробки вхідної інформації. На першому рівні інформація, що надається датчиками (інформаційними джерелами), проходить стадію попередньої обробки. На другому рівні динамічна інформація роздільно, по кожному інформаційному джерелу, обробляється локальними обчислювальними методами аналізу даних. На підставі отриманого результату робиться якісний висновок щодо стану конкретного інформаційного джерела. На третьому рівні якісна інформація, отримана від всіх інформаційних джерел, обробляється спільно за методом формування логічного висновку, в результаті чого робиться загальний висновок щодо поточного стану технічної системи.

Для забезпечення функціонування та максимальної ефективності запропонованої моделі обрані такі підходи. Для розв'язання задачі обробки динамічної інформації, присутньої на другому рівні запропонованої моделі, обрано математичний апарат штучних імунних систем (ШІС), у функції яких входить: (1) аналіз стану контрольованих параметрів і виявлення порушень у функціонуванні технічної системи, навіть в умовах відсутності видимого порушення працездатності; (2) прогнозування дрейфу контрольованих параметрів з метою одержання прогнозу стану інформаційних джерел, що використовується для уточнення типу й місця відмови; (3) прогнозування стану інформаційних джерел, що використовуються для прогнозування відмови, можливої в майбутньому; (4) прогнозування значень контрольованих параметрів для розв'язання проблеми неповноти інформації в умовах відсутності зв'язку із датчиками, тобто опис відсутніх спостережень у вузлах байєсової мережі. Задачу логіко-ймовірнісного аналізу станів інформаційних джерел (третій рівень моделі) запропоновано розв'язувати за допомогою математичного апарату байєсових мереж довіри. До функцій байєсової мережі відносяться такі: (1) спільний логіко-ймовірнісний аналіз поточних або прогнозованих станів інформаційних джерел з метою визначення типу й місця відмови, що виникла, або прогнозування можливої відмови у майбутньому; (2) оптимальне керування процесом тестування компонентів технічної системи в умовах обмежених ресурсів; (3) оптимальне керування процесом обробки інформації обчислювальними методами ШІС для забезпечення ефективного контролю стану технічної системи.

Для реалізації визначених функцій розроблено ряд нових методів та модифікацій існуючих, опис яких наводиться в наступних розділах роботи.

У другому розділі наведена оригінальна методика проектування ШІС, яка описана за допомогою узагальненого формального підходу. У відповідності до цього підходу описується взаємодія окремих компонентів ШІС, незалежно від представлення рішень конкретної задачі, для якої проектується дана ШІС. Такий підхід дає можливість створювати нові структури алгоритмів, що грунтуються на імунній парадигмі і мають високу ефективність для розв'язання різних задач. Зокрема, задачі аналізу й прогнозування часових рядів значень контрольованих параметрів об'єкта діагностування. На підставі запропонованого підходу ШІС, що реалізує принципи теорії клонального відбору, може бути представлена в такий спосіб: - простір пошуку (простір форм); - представлення простору; l - довжина вектора атрибутів (розмірність простору пошуку); k - довжина рецептора антитіла; - розмір популяції антитіл; - функція експресії; f - функція афінності; I - функція ініціалізації початкової популяції антитіл; - умова завершення роботи алгоритму; AG - підмножина антигенів; AB - популяція антитіл; S - оператор селекції; C - оператор клонування; M - оператор мутації; n - кількість кращих антитіл, що відбирають для клонування; d - кількість гірших антитіл, що підлягають заміні новими. Функція є функцією перетворення варіантів рішень із у їхні внутрішні представлення () у вигляді індивідуумів популяції (функція експресії). Передбачається, що для кожного рішення існує одне й тільки одне його представлення . Використовуючи узагальнене представлення, можна ввести функцію афінності f:

.

При цьому завдання полягає у максимізації функції афінності. Приймаючи початковий розмір популяції антитіл (), можна ввести функцію ініціалізації у вигляді:

.

Введемо стохастичний оператор перетворення на множині , що використовує керуючу множину для генерування керуючих параметрів, що визначають спосіб перетворення на поточному кроці роботи алгоритму. Функціональний запис оператора може бути представлений так:

.

Оптимальним рішенням щодо оператора і антигену називається індивідуум, афінність якого не може бути збільшена при подальшому впливі оператора перетворення , тобто

.

Умова завершення () виконується тоді, коли популяція антитіл повністю розпізнає популяцію антигенів, тобто

.

Оператор селекції S формує підмножину індивідуумів, чия афінність є кращою в даному поколінні. Таким чином, S, разом з керуючою множиною , представляє функцію:

.

В результаті селекції утворюється множина:

.

Оператор клонування C збільшує представництво елементів множини в популяції і разом з керуючою множиною може бути записаний так:

.

Оператор мутації M з керуючою множиною має вигляд:

.

Метадинаміка системи виражена у вигляді функції заміщення гірших антитіл популяції:

.

Формалізм ШІС, що реалізує принципи роботи імунної мережі, схожий на (1) з додаванням декількох нових операторів і параметрів: H - оператор клонального видалення; R - оператор стискування мережі. У даному типі алгоритму оператор H використовує граничний коефіцієнт загибелі () як керуючий параметр, зменшуючи розмір мережі за рахунок видалення клітин (антитіл), які не стимулюються:

.

Оператор стискування мережі використовує граничний коефіцієнт стискування як керуючий параметр, зменшуючи розмір мережі за рахунок видалення саморозпізнаних (подібних) клітин:

.

Запропонований формальний підхід до проектування ШІС дозволив розробити оригінальну ШІС для розв'язання задачі прогнозування часових рядів значень контрольованих параметрів і змінних, яка забезпечує значне зменшення витрат часу на навчання популяції при збереженні високої якості прогнозу. У рамках створеної інформаційно-аналітичної системи технічного діагностування така ШІС використовується при розв'язанні задачі прогнозування технічного стану об'єкта діагностування і задачі опису відсутніх спостережень у вузлах байєсової мережі.

Принцип роботи даної ШІС ґрунтується на кооперації антитіл популяції. У цьому випадку кожне антитіло є частиною рішення або у випадку задачі прогнозування - частиною моделі. У межах популяції антитіла з'єднуються один з одним певним чином (кооперуються) і формують структуру, здатну вирішувати задачі на рівні всієї популяції, а не на рівні окремого індивідуума.

У цьому ж розділі розглядаються всі елементи розробленої ШІС, необхідні для її функціонування, а саме: спосіб представлення антитіл популяції, спосіб обчислення афінності окремих антитіл і основні оператори, що забезпечують функціонування ШІС.

Для розв'язання задачі аналізу часових рядів і виявлення аномалій у роботі технічної системи запропонована модифікована ШІС, яка ґрунтується на комбінації двох методів: методу негативного відбору і штучної імунної мережі. У рамках створеної інформаційно-аналітичної системи технічного діагностування така ШІС застосовується для визначення технічного стану окремих інформаційних джерел об'єкта діагностування. Негативний відбір в імунній системі використовується для розпізнавання чужорідних антигенів шляхом видалення тих клітин (антитіл), які реагують на власні антигени. Цей процес називають розпізнаванням "свій-чужий", тобто таким чином здійснюється бінарна класифікація. Метод негативного відбору і побудований на його основі алгоритм, що узагальнює дану властивість імунної системи, складається з таких компонентів: (1) визначається множина (клас) "своїх" стрічок (векторів) довжини , що складаються із символів скінченного алфавіту (ці вектори моделюють нормальну поведінку системи); (2) генерується множина детекторів, які не розпізнають жодного вектора (не збігаються з ними) із множини , формуючи клас "чужий"; (3) дані, що надходять, контролюються шляхом неперервного порівняння з кожним із детекторів. Виявлення подібності хоча б з одним із детекторів розглядається як аномалія в поведінці системи.

Внаслідок наявності ряду недоліків, які знижують ефективність даного методу, у роботі запропонована модифікація фази навчання алгоритму негативного відбору за допомогою штучної імунної мережі. Модифікація полягає у тому, що вся множина згенерованих детекторів представляється у вигляді популяції елементів (вузлів) штучної імунної мережі, задачею якої є пошук оптимальної топології. Оптимальність у цьому випадку означає максимізацію покриття заданого простору мінімальною кількістю детекторів. Для розв'язання такої задачі запропоновані дві функції оптимальності. Для розрахунку значень афінності зв'язку "антиген-антитіло" використовується таке співвідношення: - крос-реактивний поріг антитіла (детектора); - коефіцієнт значущості крос-реактивного порогу (параметр налагодження); - Евклідова відстань. Ця функція використовується для оптимізації розташування детекторів вздовж границі класів.

В залежності від значення імунна мережа піддається стискуванню. Друга функція використовується для оптимізації взаємного розташування детекторів в "аномальному" просторі. Обидві функції використовуються операторами імунної мережі. Імунна мережа спроектована відповідно до співвідношення (2).

В даному розділі також наведені результати тестових експериментів, які демонструють ефективність розроблених методів.

У третьому розділі описана методика спільного логіко-ймовірнісного аналізу станів інформаційних джерел об'єкта діагностування, на підставі результатів якого робиться висновок про стан об'єкта в цілому. За базовий метод логічного висновку вибрана байєсова мережа довіри модифікованої структури. Ця структура відрізняється від класичної умовним поділом усієї множини вузлів на чотири категорії, що відповідають типам інформаційних джерел об'єкта діагностування. Модифікована в такий спосіб байєсова мережа стає трирівневою, де перший і третій рівні містять вузли-сенсори, що приймають інформацію, а другий рівень містить вузли, щодо яких формується логічний висновок. Параметризація діагностуючої байєсової мережі відбувається за аналогією до класичної, тобто за допомогою таблиць умовних ймовірностей.

Оскільки тестові процедури, як найбільш ємнісні джерела інформації для байєсової мережі, також вимагають певних витрат ресурсів, зокрема витрат часу на тестування, то виникає задача вибору оптимальної послідовності тестових процедур. Для її розв'язання в роботі запропонована технологія пошуку місця і типу відмови технічної системи, що грунтується на використанні інформативно-вартісного показника. Покрокова реалізація даної технології представлена нижче.

Крок 1. Отримання інформації про симптоми. На даному етапі відбувається збір інформації щодо стану окремих інформаційних джерел. Інформація надходить на сенсори байєсової мережі в такий спосіб: після обробки ШІС, безпосередньо від об'єкта діагностування або від експертів, що обслуговують даний об'єкт.

Крок 2. Оновлення ймовірностей відмов компонентів у байєсовій мережі, яке реалізується за стандартною схемою з використанням математичного апарата і процедур ймовірнісного логічного висновку.

Крок 3. Вибір компонента (цільового вузла) з максимальною ймовірністю відмови.

Крок 4. Обчислення інформативності кожного тесту стосовно обраного компонента: - інформативність тесту a щодо цільового вузла t; - апріорна ймовірність результату тесту a до його виконання; - апостеріорна ймовірність стану цільового вузла t, якщо проведений тест a показав результат ; - апріорна ймовірність стану цільового вузла до проведення тесту.

Крок 5. Обчислення інформативно-вартісного показника (вагового коефіцієнта тесту): - значення максимального ресурсу; - ресурсоємність (значення вартості) тесту a.

Крок 6. Упорядкування тестів на підставі значень вагових коефіцієнтів.

Крок 7. Виконання тесту з максимальною вагою.

Процес діагностування завершується в той момент, коли серед процедур тестування, що залишилися, немає жодної, яка могла б істотно вплинути на результат діагностування, тобто

.

В даному розділі також наведені експериментальні дослідження запропонованої технології на прикладі виявлення відмови в імітаційній моделі суднової енергетичної установки (СЕУ).

У четвертому розділі розглянута можливість створення комбінованих методів, основними складовими яких є штучні імунні системи і методи, що ґрунтуються на інших обчислювальних парадигмах. Зокрема в розділі запропонований метод синтезу і навчання прогнозуючих моделей штучних нейронних мереж (ШНМ) радіально-базисного типу (3) та вейвлет-нейронних мереж (4) за допомогою ШІС.

Запропонований підхід дозволяє підвищити ефективність розв'язання задачі прогнозування дрейфу параметрів технічної системи в умовах її функціонування в реальному часі. Суть комбінованого методу полягає в тому, що вибираються всі можливі параметри, які визначають структуру і налагодження нейронної мережі. Із цих параметрів формується вектор або рядок рішення. Рядок містить елементи налагоджень мережі - ваги й параметри базисних функцій, а також елементи структури - кількість і тип базисних функцій прихованого шару.

Імунна система маніпулює популяцією векторів аналогічної структури і виконує пошук оптимального підбору значень параметрів нейронної мережі, при яких досягається мінімум похибки апроксимації.

Для оцінювання кожного рішення виконується зворотне перетворення рядка в структуру нейронної мережі з відповідними налагодженнями. Далі, використовуючи навчальну вибірку даних, обчислюється похибка апроксимації, яка і є результатом оцінки рішень, що отримуються за запропонованим методом.

У даному розділі наведено результати експериментів, що свідчать про досить високу ефективність запропонованих методів. Експерименти розділені на три групи. Перша група демонструє вплив деяких параметрів ШІС на збіжність досліджуваних методів. Друга група чисельно оцінює якість прогнозів за допомогою ряду статистичних критеріїв (MAE, MAPE, WAE, WAPE, коефіцієнт Тейла, узгодження прогнозу з напрямом розвитку процесу (directional accuracy). Третя група експериментів використана для оцінювання якості побудованих прогнозуючих моделей на основі аналізу залишків. В кінці розділу наведено результати експерименту, який демонструє ефективність комбінування прогнозів (колективне прогнозування), одержаних за різними методами.

У п'ятому розділі розроблена архітектура комп'ютерної інформаційно-аналітичної системи для розв'язання задач технічного діагностування. Система має гнучку архітектуру, що дозволяє здійснювати впровадження в неї додаткових програмних модулів без перебудови всього алгоритму функціонування.

Інформаційна система технічного діагностування (ІСТД) забезпечує виконання таких функцій: (1) введення інформації кількісного і якісного характеру, що надходить із датчиків неперервного контролю параметрів технічного об'єкта і консолі оператора; (2) обмін інформацією з обладнанням, що тестується, і програмним забезпеченням для здійснення періодичного контролю параметрів технічного об'єкта; (3) формування звіту щодо результатів діагностування та відображення супутньої інформації; (4) попередня обробки інформації для перетворення до вигляду, придатного для використання (дискретизація неперервних часових рядів, обчислення динамічних і статистичних характеристик нових даних, і т. ін.); (5) формування і використання бази даних спостережень за зміною контрольованих параметрів; (6) оцінювання функціональності об'єкта й виявлення порушень у його роботі; (7) прогнозування дрейфу контрольованих параметрів за історичними даними спостережень; (8) настроювання структури і параметрів підсистеми прогнозування; (9) діагностування відмов за фактом їх виникнення або за прогнозованим значенням контрольованих параметрів; (10) експертного настроювання підсистеми формування логічного висновку, що здійснює процес діагностування; (11) формування і використання бази даних відмов, які мали місце в період експлуатації системи для здійснення можливості адаптації підсистеми логічного виводу до конкретних умов функціонування; (12) оптимізації роботи з обладнанням, що тестується, і програмним забезпеченням з метою скорочення часу, що витрачається на діагностування технічного об'єкта.

На підставі створеної архітектури розроблена комп'ютерна інформаційна система, що містить всі основні функції, необхідні для аналізу часових рядів значень контрольованих параметрів об'єкта діагностування; побудови математичних моделей і прогнозування процесів дрейфу контрольованих параметрів, а також для пошуку типу й локалізації відмов об'єктів діагностування.

За вихідний тестовий об'єкт для ІСТД обрано синхронний генератор змінного струму, що входить до складу електроенергетичної підсистеми суднової енергетичної установки (СЕУ). Для СЕУ виконана процедура налагодження системи діагностування (включаючи фази вибору змінних контролю і проектування діагностуючої байєсової мережі), а також виконано ряд експериментів, що ґрунтуються на моделюванні різних аварійних ситуацій.

Для додаткового підтвердження ефективності функціонування розроблених методів діагностування виконані статистичні дослідження з використанням імітаційної моделі синхронного генератора. При цьому для моделювання шуму використано генератор псевдовипадкових сигналів з різними значеннями дисперсії. Для кожного типу відмови, що ідентифікується, виконано по 300 експериментів з імітаційною моделлю. В таблиці 1 наведені середні проценти коректного розпізнавання відмов для кожного випадку.

Таблиця 1. Число коректно розпізнаних відмов в % при різних дисперсіях шуму (число експериментів дорівнює 300 у кожному випадку розпізнавання)

Тип відмови	Дисперсія шуму вимірів
	0,1	0,2	0,3	0,4	0,5
Обрив фази якоря збуджувача	98,3	96,0	93,3	88,3	83,7
Часткове к. з. фаз якоря збуджувача	96,3	95,7	91,3	87,0	81,6
Обрив діода випрямляча	100,0	100,0	100,0	95,7	90,6
Пробій діода випрямляча	100,0	100,0	100,0	92,3	89,0
Часткове к. з. обмотки збуджувача генератора	97,0	95,3	92,0	85,6	78,7

Для виконання фізичного експерименту вибрано 17 синхронних генераторів з різними технічними характеристиками. В результаті діагностування у 15 з них були виявлені відмови, які потім були підтверджені експертами. При цьому самими розповсюдженими випадками відмов є такі: обрив діода випрямляча і часткове к. з. фаз якоря збуджувача.

Для порівняння ефективності функціонування розробленої ІСТД виконано ряд експериментів з діагностування асинхронних електродвигунів. При проведенні експериментів обрано чотири класи станів, три з яких свідчать про наявність електричних або механічних пошкоджень двигуна. Для порівняння виконана точна стендова діагностика, у якій брали участь експерти.

Результати діагностування електродвигунів, які наведені в таблиці 2, свідчать про близькість оцінок, наданих експертами з використанням стенда, і оцінок, отриманих за допомогою ИСТД. Похибки оцінок, отриманих за допомогою системи, становить (2/55) 3,63% для нормального режиму; (2/18) 11,1% для режиму з наявністю шуму; 0% для режиму з коливаннями напруги і (3/27) 11,1% для режиму з наявністю вібрацій.

Таблиця 2. Результати діагностування електродвигунів для обраних класів

Експертне + стендове діагностування (точне)	Діагностування за допомогою ІСТД
	Нормальний режим	Шум	Коливання напруги	Вібрації
Нормальний режим	55	53	-	-	2
Шум	18	-	16	-	2
Коливання напруги	25	-	-	25	-
Вібрації	27	-	3	-	24

Таким чином, отримані результати діагностування електродвигунів за допомогою запропонованої системи, свідчать про високу ступінь їх достовірності. В результаті виконаного експериментального дослідження встановлено, що не було ні одного випадку помилкового діагностування стосовно режиму нормального функціонування й режиму з наявністю електричного пошкодження. Головна проблема при застосуванні системи виникає при розподілі пошкоджень на класи. Неправильного розподілу пошкоджень фізичної системи на класи можна уникнути шляхом більш глибокого попереднього дослідження можливих типів пошкоджень і відповідних параметрів, які характеризують дані пошкодження.

Висновки

1. Виконано аналіз проблем, пов'язаних з оцінюванням стану складних технічних систем різного призначення, а саме: визначення працездатності об'єкта, виявлення порушень контрольованих параметрів, пошуку відмов, прогнозування технічного стану. Зроблено критичний огляд існуючих методів розв'язання задач технічного діагностування.

2. Запропоновано узагальнену інформаційну технологію побудови штучних імунних систем для розв'язання задач технічного діагностування. Запропонована технологія відрізняється універсальністю застосування й дозволяє створювати математичний опис дрейфу параметрів і виявлення аномалій у роботі складної технічної системи.

3. Розроблено новий метод і алгоритм виявлення місця й типу відмови складної технічної системи за допомогою байєсової мережі й критеріїв інформативності, що дозволяє оптимізувати процес пошуку дефектів у системі, а також поліпшує можливість розділення розпізнаваних станів об'єкта діагностування при частковому контролі.

4. Створено інформаційну технологію синтезу нейронних мереж за допомогою теорії імунних систем для розв'язання задач прогнозування дрейфу параметрів технічного об'єкта. Показано, що запропонована технологія забезпечує високу якість прогнозів розвитку цих процесів. Середня абсолютна похибка прогнозів дрейфу параметрів у процентах знаходиться в межах: (4,09 - 5,85) %.

5. Розроблено комбінований метод і алгоритм для виявлення аномалій у контрольованих параметрах об'єктів діагностування, що використовує механізми негативного відбору і клональної селекції. Метод ґрунтується на розпізнаванні векторів, утворених ковзним вікном часового ряду спостережуваного сигналу. Даний метод дозволяє обмежити об'єм навчальної вибірки тільки одним класом прикладів і робити розпізнавання в додатковому просторі пошуку. Це дозволяє виявляти раніше невідомі аномалії, інформація про які не була відома при навчанні.

6. Виконано модельні обчислювальні експерименти для розроблених методів, алгоритмів і створених інформаційних технологій. Зокрема, завдяки статистичному моделюванню алгоритму діагностування генератора змінного струму встановлено, що коректне діагностування його стану відбувається у 88,23% випадків. Похибки діагностування асинхронних двигунів склали (3,63 - 11,1)%.

7. Розроблено та реалізовано комп'ютерну інформаційну систему для розв'язання задач технічного діагностування, що відрізняється відкритістю архітектури для вбудовування додаткових модулів і функцій, а також високою надійністю функціонування завдяки використанню спеціальних діагностичних процедур.

8. Створена комп'ютерна інформаційна система використовується для розв'язання задач технічного діагностування на Дніпровському суднобудівному підприємстві ЕРА. Інша версія системи використовується для прогнозування екологічного стану навколишнього середовища Центром військової екології МО України, що підтверджено відповідними документами.

Список опублікованих праць за темою дисертації

1. Бідюк П. І. Формалізація методів побудови штучних імунних систем / П. І. Бідюк, В. І. Литвиненко, А.О. Фефелов // Наукові вісті Національного технічного університету України "Київський політехнічний інститут". - 2007. - № 1. - С. 29-41.

2. Фефелов А.А. Использование генетических алгоритмов в задачах организации адаптивного планирования мероприятий при ликвидации последствий чрезвычайных ситуаций / А.А. Фефелов, В.И. Литвиненко, А.Н. Мельник // Вестник Херсонского государственного технического университета. - 2001. - № 3. - С. 283-287.

3. Литвиненко В.И. Генетические алгоритмы в математическом моделировании / В.И. Литвиненко, А.А. Фефелов, А.А. Ткачук // Вісник Запорізького державного університету. - 2001. - № 2. - С. 61-68.

4. Генетические алгоритмы в задачах динамического планирования аварийных ремонтных работ / А.Н. Мельник, А.А. Фефелов, В.И. Литвиненко [та ін.] // Вестник Херсонского государственного технического университета. - 2003. - № 3. - С. 279-285.

5. Литвиненко В.И. Объектно-ориентированная реализация алгоритма клональной селекции / В.И. Литвиненко, А.А. Фефелов, С.П. Горавский // Радіоелектроніка, Інформатика, Управління. - Запоріжжя, 2003. - № 1. - С. 81-88.

6. Фефелов А.А. Библиотека классов С++ для решения задач оптимизации с использованием генетического алгоритма / А.А. Фефелов, В.И. Литвиненко, О.В. Гринавцев // Искусственный интеллект. - 2003. - № 1. - С. 117-124.

7. Бидюк П.И. Применение комбинированных искусственных иммунных систем при решении задач построения моделей динамических процессов / П.И. Бидюк, В.И. Литвиненко, А.А. Фефелов // Міжнародний семінар з індуктивного моделювання: збірник праць. - К, 2005. - С. 69-84.

8. Применение клонального алгоритма для решения задачи оптимального назначения оружия поражения целей / В.И. Литвиненко, С.П. Четырин, А.А. Фефелов [та ін.] // Збірник наукових праць Севастопольського військово-морського ордена Червоної Зірки інституту ім. П.С. Нахімова. - 2005. - №2. - С. 108-110.

9. Фефелов А.А. Использование иммунных алгоритмов для приближенного расчета маргинальных вероятностей в задачах вывода суждений из байесовской сети / А.А. Фефелов, П.И. Бидюк, В.И. Литвиненко // Системні технології: регіональний міжвузівський збірник наукових праць. - 2006. - №6. - С. 235-244.

10. Фефелов А.А. Функциональная организация инжекторного оператора в генетических алгоритмах / А.А. Фефелов, В.И. Литвиненко // Искусственный интеллект. - 2002. - № 1. - С. 57-63.

11. Фефелов А.А. Использование генетических алгоритмов в управлении ресурсами при эвакуации объектов во время катастрофического затопления / А.А. Фефелов // Искусственный интеллект. - 2002. - № 4. - С. 94-98.

12. Фефелов А.А. Использование байесовских сетей для решения задачи поиска места и типа отказа сложной технической системы / А.А. Фефелов // Автоматика. Автоматизация. Электронные комплексы и системы. - 2007. - № 2. - С. 87-93.

13. Литвиненко В. І. Архітектура штучної імунної системи для вирішення задач класифікації на основі механізмів ідіотипічної мережі / В. І. Литвиненко, А.О. Фефелов, П. І. Бідюк // Оброблення сигналів і зображень та розпізнавання образів: VIII Всеукраїнська міжнар. конф., 11-15 жовт. 2004 р.: збірник праць. - К., 2004. - С. 41-44.