Васильев А., Геппенер В., Жукова Н., Тристанов А., Экало A.
advertisement
237 СИСТЕМА АВТОМАТИЧЕСКОГО КОНТРОЛЯ СОСТОЯНИЯ СЛОЖНЫХ ДИНАМИЧЕСКИХ ОБЪЕКТОВ НА ОСНОВЕ АНАЛИЗА ТЕЛЕМЕТРИЧЕСКОЙ ИНФОРМАЦИИ А.В. Васильев1, В.В.Геппенер1, Н.А.Жукова1, А.Б.Тристанов2, A.B. Экало1 1 Научно-инженерный цент Санкт-Петербургского государственного электротехнического университета, 197376, Россия, Санкт-Петербург, ул. проф. Попов 5, (812) 234-27-4, 2 Институт вулканологии и сейсмологии ДВО РАН, 683006, г. Петропавловск-Камчатский, бульвар Пийпа, 9, (415-22) 5-93-60, avt@kscnet.ru nzhukova@spb.nic.ru В работе рассмотрены вопросы построения интеллектуальных систем контроля состояния сложных динамических объектов. Показаны этапы обработки телеметрической информации, предложена архитектура системы основанной на онтологиях. Введение На сегодняшний день важными являются задачи контроля и управления сложными удаленными динамическими объектами, которые широко используются в космической отрасли, производстве, нефтяной и газовой промышленности, энергетике, транспортном мониторинге. Необходимость решения поставленных задач привела к массовому применению средств телеметрии в современной технике и активной разработке информационно-телеметрических комплексов (ИТК)[1]. Системы контроля состояния сложных динамических объектов (КССДО) являются частью ИТК и применяются на этапе вторичной обработки телеметрической информации. Системы предназначены для решения следующих задач: - выявление моментов возникновения аномальных ситуаций на объекте; - локализация неисправностей; - прогнозирование возникновения аномальной ситуации с заданной вероятностью. Современные системы контроля состояний сложных динамических объектов основаны на анализе поступающих сигналов. Целью анализа сигналов является косвенное изучение недоступных для непосредственного наблюдения объектов. Часто целью, либо вынужденным элементом исследования, является изучение функционирования источника данных как последовательности событий. Каждое такое событие, вызванное изменениями в источнике, приводит к появлению характерных особенностей в сигнале, в определенный момент времени (часто не совпадающий с моментом их появления в источнике, а иногда и предшествующий ему). В качестве основных требований, предъявляемым к системам КССДО можно выделить следующие: - работа в автоматическом режиме; - контроль состояния объекта в режиме реального времени; - высокое качество получаемых результатов (система не должна снижать качество обработки данных по сравнению с экспертным анализом). Классический подход к анализу данных Как правило, анализ сигналов заключается в выделении полезного сигнала на фоне случайных помех и последующим изучении статистического распределения и временных закономерностей между выделенными полезными сигналами. Анализ сигналов, обладающих внутренней структурой, неизбежно связан с необходимостью обнаружения и классификации 238 особенностей, несущих информацию об изменениях в объекте исследования, а также исследование закономерностей в их появлении. Как правило, аппарат классического анализа не обладает «обратной связью» в части накопления опыта. Весь опыт анализа аккумулируется в памяти специалиста, а не в автоматизированной системе анализа, т.е. система является полуавтоматической, а процесс обработки результатов анализа полностью возложен на эксперта. Анализ данных на основе знаний «Знание — форма существования и систематизации результатов познавательной деятельности человека. Знание – это проверенный практикой результат познания действительности, верное ее отражение в мышлении человека, обладание опытом и понимание, которые являются правильными и в субъективном и в объективном отношении и на основании которых можно построить суждения и выводы, кажущиеся достаточно надежными, для того чтобы рассматриваться как знания» [2]. Анализ данных на основе знаний (интеллектуальный анализ) предполагает: - возможность использования ранее накопленных знаний в процессе анализа данных; - пополнение и коррекцию наколенных знаний путем совместной обработки накопленных и новых данных. Процесс извлечения знаний из данных выполняется в автоматическом режиме с использованием технологии Data Mining. Найденные знания представляются в виде правил продукции и доступны эксперту для анализа и дополнения. Автоматический анализ данных в режиме поиска новых знаний включает пять этапов, каждый из которых соответствует различным уровням представления сигнала. Этап 1 (S 1). Предварительная обработка сигнала. Предполагается очистка сигнала от трендов, шума, выбросов. Этап 2 (S 2). Сегментация сигнала. Сигнал представляется в виде последовательности сегментов, каждый из которых описывается начальным и конечным моментами времени, а также набором характеристик. Набор характеристик зависит от типа параметров. Отдельно рассматриваются методы сегмен- тации медленно меняющихся [3] и быстро меняющихся [4] параметров. Этап 3 (S 3). Определение классов состояний сигнала. Под состоянием сигнала понимается фрагмент сигнала, соответствующий некоторому состоянию объекта. Классы сигналов выявляются с помощью алгоритмов кластерного –анализа и формируются на основе найденных сегментов [5]. Этап 4 (S 4). Построение шаблона сигнала. Построение шаблонов осуществляется на основе сигналов, представленных в виде последовательности сегментов. Шаблон сигнала строится с использованием алгоритмов секвенциального анализа и позволяет компактно представить структуру сигнала [6]. Этап 5 (S 5). Представление найденных о сигнале знаний в виде правил продукции, которые могут быть построены на основе шаблонов или на основе представления сигнала 3 уровня с использованием алгоритмов ассоциации и построения деревьев решений [5,7]. В режиме контроля состояния объекта система с учетом знаний о датчике, с которого поступает сигнал, формирует представление сигнала 3 уровня и в режиме реального времени сравнивает новый сигнал и построенные шаблоны для сигналов с этого же датчика. На основе сопоставления шаблонов решается задача прогнозирования состояния объекта. Задачи определения точного момента и места возникновения аномальной ситуации, а также выявление возможных причин решаются в фоновом режиме. Важным направлением интеллектуального анализа данных в системах КССДО является сокращение набора анализируемых параметров путем их ранжирования и выбора наиболее значимых, что позволяет анализировать состояние объекта в режиме реального времени[5]. Создание знаниезависимых систем обработки результатов экспериментов позволит автоматизировать системы КССДО путем включения в них знаний о предметной области. При этом качество автоматической обработки сравнимо с качеством экспертной обработки. Накопленные об объекте данные и сформированные продукционные правила пред- 239 ставляют собой знания о предметной области и представляются в форме онтологий. Использование онтологий в системах КССДО Онтологии, являясь моделями предметных областей, обладают двумя специфическими особенностями: 1) Онтологии строятся на основе совместного понимания предметной области в рамках сообщества. Это понимание представляется соглашением экспертов по поводу понятий и отношений, которые имеются в предметной области. 2) Онтологии используют способ представления, который может обрабатываться компьютером (т.е. записываются с использованием формальных языков, таких как RDFS или OWL). К числу основных действий, выполняемых над онтологиями, относятся передача онтологий между компьютерами, хранение онтологий, проверка согласованности онтологий, выполнение логического вывода на онтологиях с помощью соответствующих механизмов вывода. При решении задачи контроля сложных динамических объектов в качестве ключевых можно выделить две группы понятий: - понятия, описывающие внутреннюю структуру объекта (примерами понятий являются система, подсистема, агрегат, узел, датчик); - понятия, описывающие результаты функционирования объекта за некоторый период времени (примерами понятий являются испытания, штатная эксплуатация, эксплуатация в нештатных ситуациях). Для представления в онтологии сигнальной информации используется набор моделей сигналов. Процесс построения моделей сигналов может рассматриваться как последовательный переход по уровням, представленным в таблице 1 (каждый уровень соответствует одному из этапов интеллектуальной обработки). Таблица 1. Этапы и уровни обработки Уро Этап обБазовые Язык опивень работки уровни сания L0 XML/XML Schema L1 S1 L0 XML/XML Schema L2 S2 L1 RDF/ RDFS L3 S3 L2 RDF/ RDFS L4 L5 S4 S5 Предлагаемая система включает в себя четыре основные подсистемы (рис. 1): Портал Подсистема обработки знаний M1 Датчики Предварительная обработка L1 M2 RDF/RDFS OWL Архитектура системы Data Mining L0 L 1, 2 L 1, 3, 4 Эксперт Пользователь L2..L6 M3 Администратор Mn XML шина Хранилище данных Система управления знаниями Репозиторий знаний Рис. 1. Архитектура системы 1. Подсистема автоматического извлечения знаний, в состав которой входят блоки предварительной обработки и набор методов Data Mining. Данная подсистема предназначена для построения моделей сигнальных данных. Модели стоятся в соответствии с этапами S1-5. 2. Подсистема обработки знаний включает реализацию адаптированных для предметной области механизмов обработки 240 знаний, в частности, предоставляет механизмы визуализации, модификации и коррекции знаний. 3. Подсистема управления знаниями предоставляет эффективный механизм управления знаниями, центральное место в котором занимает онтология предметной области. 4. Портал предназначен для настройки ролей различных пользователей. Предполагается три роли, которые позволяют разграничить права различных пользователей: пользователь, эксперт, администратор. Пользователь осуществляет занесение данных и использует в процессе работы сформированные знания; при этом пользователь не имеет право изменять знания в системе. Эксперт на основе накопленного опыта, а так же с использованием методов автоматического формирования знаний осуществляет наполнение онтологии. Администратор отвечает за работу системы. Система позволяет осуществлять: автоматизированную обработку накопленных данных, оперативную обработку новых данных, интеграцию полученных результатов, формирование комплексного представления о состоянии системы на основе выявленных закономерностей. Система обладает следующими свойствами: система нечувствительна к недостатку априорной информации, система позволяет оперативно обрабатывать большие объемы данных, получаемые результаты легко интерпретируемы и переносимы. Заключение Описанный подход позволяет автоматизировать системы КССДО. Применение таких систем позволяет значительно сократить работу эксперта и практически полностью заменить диспетчера. Система является объектонезависимой и не требует “ручной” настройки при работе с новым объектом. Без сомнения, предлагаемый подход найдет широкое применение в различных сферах науки и техники: при обработке телеметрической информации разного рода, в сетях коммуникаций, в системах управления производством. Список литературы 1. Назаров А.В. и др. Современная телеметрия в теории и на практике. Учебный курс. - СПб: Наука и техника. – 2007. 2. Философский энциклопедический словарь. М.:ИНФРА - 1997. 3. Васильев А.В, Геппенер В.В., Жукова Н.А., Клионский Д.М. Методы сегментации медленно меняющихся телеметрических параметров. // X международная конференция по мягким вычислениям и измерениям. - СПб.: СПбГЭТУ. - 2007. - Том 1. - С. 112-115. 4. Geppener V.V. Rulenko O.P., Tristanov A.B., Firstov P.P. Using Adaptive and Intellectual Methods for Seismic Noise Model Construction // Pattern Recognition and Image Analysis: Advances in Mathematical Theory and Applications, - Vol 15 No 2. – 2005. C. 549-552. 5. Васильев А.В., Геппенер В.В., Жукова Н.А., Тристанов А.Б. Применениe алгоритмов кластеризации и классификации в задачах обработки и интерпретации телеметрической информации. // Труды Российского научноготехнического общества радиотехники, электроники и связи имени А.С. Попова. Серия: Цифровая обработка сигналов и ее применение. - М.: ИПРЖР. - Выпуск IX-2. - 2007. - C. 389-392. 6. Жукова Н.А. Система контроля состояний сложных динамических объектов. // X международная конференция по мягким вычислениям и измерениям. - СПб.: СПбГЭТУ. - 2007. Том 2. - С. 80-83. 7. Жукова Н.А. Использование алгоритмов ассоциации в интеллектуальных системах обработки телеметрической информации. // Десятая национальная конференция по искусственному интеллекту с международным участием КИИ-2006. - М.: Физматлит. - 2006. - C. 141-149.