Содержание к диссертации
Введение
1. Анализ систем диагностики технических объектов и направления по повышению их эффективности 11
1.1. Анализ систем диагностики технических объектов, их достоинства и недостатки 11
1.2. Виды моделей технических объектов для целей диагностики их состояния и обнаружения неисправностей 17
1.3. Цель и задачи исследования 31
2. Разработка структуры диагностической экспертной системы и моделей диагностики технических объектов . 34
2.1. Построение иерархической структуры показателей качества видеосистем и разработка структуры диагностической экспертной системы 34
2.2. Формирование моделей работоспособности устройств видеотехники на основе экспертных знаний 42
2.3. Создание лингвистической модели диагностики устройств видеотехники на основе теории нечетких множеств 45
2.4. Основные выводы главы 57
3. Алгоритмы моделирования и оптимизации процессов диагностики сложных технических объектов 58
3.1. Обобщенные алгоритмы контролепригодности технических объектов 58
3.2. Контролепригодность объектов диагностирования и методы ее оценки 63
3.3. Однокритериальная оптимизация глубины диагностирования сложных технических систем при кратных дефектах 77
3.4. Решение многокритериальной задачи оптимизации глубины диагностирования сложных технических объектов при кратных дефектах 85
3.5. Основные выводы главы 92
4. Реализация и применение экспертной системы диагностики устройств видеотехники 94
4.1. Методика формирования экспертных знаний и диагностических тестов 94
4.2. Техническое, программно-информационное и лингвистическое обеспечение экспертной системы диагностирования 98
4.3 Эффективность профаммного обеспечения оценки качества изображения устройств видеотехники по результатам внедрения 101
4.4. Основные выводы главы 107
Заключение 109
Литература 112
Приложение 1 123
Приложение 2 126
- Виды моделей технических объектов для целей диагностики их состояния и обнаружения неисправностей
- Формирование моделей работоспособности устройств видеотехники на основе экспертных знаний
- Однокритериальная оптимизация глубины диагностирования сложных технических систем при кратных дефектах
- Эффективность профаммного обеспечения оценки качества изображения устройств видеотехники по результатам внедрения
Введение к работе
Актуальность темы. Контроль технического состояния радиоэлектронных устройств (РЭУ) любого назначения является неотъемлемой частью процесса их разработки, испытаний и эксплуатации. Основной задачей контроля является получение информации для выработки необходимых воздействий на контролируемую систему или условия ее производства и эксплуатации.
При разработке и изготовлении конкретного РЭУ ему придается ряд свойств, которые в совокупности определяют качество объекта. Каждому из этих свойств предъявляются определенные требования, вытекающие из условий целевого применения объекта.
Совокупность подверженных изменению в процессе производства и эксплуатации объекта, характеризующая степень его функциональной пригодности в заданных условиях целевого применения или место дефекта в нем в случае несоответствия любого из этих свойств установленным требованиям, называется техническим состоянием объекта. Вид технического состояния — это такая его категория, которая характеризуется соответствием или несоответствием качества объекта определенным требованиям. Эти требования включаются в международные стандарты ИСО 9000, ГОСТ или ТУ.
Задача выявления дефектов относится к задачам технической диагностики, которая в соответствии с государственным стандартом (ГОСТ 20911 - 75) считается основной частью процесса контроля технического состояния объекта. Поиск дефекта - это определение его места с заданной глубиной.
Исходя из этого, актуальность темы определяется необходимостью моделирования и алгоритмизации процессов диагностики устройств видеотехники, в частности разработки моделей, методов и алгоритмов оценки контролепригодности устройств видеотехники, применение которых
5 позволит выявить некачественное устройство на стадии схода с конвейера. А также разработка алгоритмов диагностики бытовой видеотехники с целью выявления поломки и возможностью устранить ее.
Диссертационная работа выполнена в соответствии с ГБ НИР 96.17 «Исследование и разработка устройств и технологий РЭС» и одного из основных направлений Воронежского государственного технического университета «САПР и системы автоматизированного производства».
Цель работы и задачи исследования. Целью диссертационной работы является разработка моделей и алгоритмов диагностики устройств видеотехники, создание на основе алгоритмов псевдобулевой оптимизации программного комплекса, ориентированного на обеспечение высокой эффективности комплексной диагностики устройств видеотехники. - Определить требования к диагностируемым показателям качества, учитывающие требования ГОСТов и международных стандартов серии ИСО 9000.
Предложить модель оценки . качества изображения устройств видеотехники.
Получить обобщенную процедуру анализа диагностической модели, заключающуюся в определении условия работоспособности и признаков наличия дефектов.
Разработать методы оценки контролепригодности объектов диагностирования.
Построить экспертную систему, позволяющую оценивать диагностировать устройства видеотехники в условиях неопределенности.
Методы исследования. Для решения поставленных задач использовались методы системного анализа, теории принятия решений в условиях неопределенности, методы псевдобулевой оптимизации, теории нечетких множеств, методы объектно-ориентированного программирования и построения интеллектуальных систем.
Научная новизна. В диссертации получены следующие результаты, обладающие научной новизной: рациональный набор диагностируемых показателей качества устройств видеотехники, учитывающий требования стандартов серии ИСО 9000 к устройствам видеотехники; лингвистическая модель диагностики тракта изображения устройств видеотехники на основе интегрального показателя качества, учитывающего влияние локальных показателей на каждом уровне иерархии, имеющего качественный характер; модели оптимизации контролепригодности объекта диагностирования по критериям максимизации коэффициента глубины поиска кратного дефекта и минимизации затрат и числа точек контроля, отличающиеся использованием методов псевдобулевой оптимизации; структура диагностической экспертной системы для диагностики устройств видеотехники, содержащая базу знаний рациональных методов диагностики, полученных на основе процедуры псевдобулевой оптимизации.
Практическая ценность работы. Разработаны математическое, алгоритмическое, программно-информационное и лингвистическое обеспечение программного комплекса диагностики устройств видеотехники. Применение предложенных методов и процедур позволяет сократить сроки на проведение диагностики устройств видеотехники за счет оптимизации алгоритмов диагностирования.
Реализация и внедрения результатов работы. Диссертационная работа выполнялась в соответствии с ГБ НИР 96.17 «Исследование и разработка устройств и технологий РЭС» и в рамках одного из основных научных направлений ВГТУ «САПР и системы автоматизации производства».
Результаты диссертационной работы внедрены на ОАО «Видеофон». Получен годовой экономический эффект в размере 340 тыс. руб. Научные результаты используются в учебном процессе при подготовке инженеров по специальности 210201 «Проектирование и технология радиоэлектронных средств» Воронежского государственного технического университета.
Апробация работы. Основные положения и результаты диссертации докладывались и обсуждались на следующих конференциях, совещаниях и семинарах: на всероссийской конференции «Интеллектуальные информационные системы» (Воронеж, 1999), международной научно-технической конференции «Системные проблемы качества, математического моделирования, информационных и электронных технологий» (Москва -Сочи, 2003), на внутривузовской конференции в рамках секции «Проектирование и технология РЭС» (Воронеж, 2003).
Публикации. По теме диссертации опубликовано 9 печатных работ.
В работах, опубликованных в соавторстве, лично соискателю принадлежит: в [1, 2] анализ систем диагностики видеотехники, в [3] направления по повышению эффективности систем диагностики технических объектов, в [4] построение иерархической структуры множеств технических
I состояний устройств видеотехники, в [5] подход к формированию моделей работоспособности сложных технических объектов на основе экспертных знаний, в [6] методика формирования экспертных знаний с целью диагностики видеосистем, в [7] принцип разбиения объекта диагностирования на структурные единицы с целью определения контролепригодности, в [10] подход к решению критериальных задач, в [11] принцип построения экспертной системы.
Структура и объем работы. Диссертационная работа состоит из введения, четырех глав, заключения, списка использованной литературы из 134 наименований и приложений. Основная часть работы изложена на 111 страницах машинописного текста, содержит 15 рисунков, 9 таблиц и 2 приложения.
Во введении обосновывается актуальность работы, дана ее краткая характеристика, показаны основные пути решения сформулированных задач.
В первой главе проведен обзор литературы, посвященной диагностике сложных технических объектов и построению экспертных систем. Рассмотрены ранее разработанные системы диагностики различных технических объектов, описаны их достоинства и недостатки, предложены направления по повышению их эффективности.
Рассмотрены виды моделей, которые можно использовать для решения поставленной задачи.
Выявлены наиболее существенные достоинства нечетких моделей являются следующие:
Нечеткие модели являются более гибкими по сравнению с традиционными четкими моделями.
Нечеткие модели интеллектуальных систем позволяют получать решение, по точности соотносимое с исходными данными.
Нечеткие модели в ряде случаев требуют меньше времени для получения результата, чем модели, построенные традиционным математическим аппаратом.
С помощью нечетких моделей можно быстро обработать информацию на относительно несложных специализированных устройствах.
Нечеткие модели создаются в случаях, когда построение «четких» невозможно или затруднительно.
Нечеткий подход к моделированию интеллектуальных систем имеет три отличительные черты:
В нем используются лингвистические переменные, вместо числовых переменных или в дополнение к ним.
Простые отношения между переменными описываются с помощью нечетких высказываний.
Сложные отношения описываются нечеткими алгоритмами.
На основе изложенного материала выбран и обоснован математический аппарат теории нечетких множеств и градиентной оптимизации для решения задач диагностики РЭУ.
Во второй главе предложено математическое обеспечение разработки структуры экспертной системы. Рассмотрены основные этапы построения экспертной системы.
Проведен анализ и оценка показателей, характеризующих качество изображения устройств видеотехники; обоснован набор показателей, учитывающий требования Государственных стандартов и технических условий (ТУ), разработана структура показателей.
Для формализации неопределенности процесса диагностики видеосистем обосновано использование лингвистического подхода, в рамках которого разработана лингвистическая модель оценки качества изображения устройств видеотехники по отдельным показателям с последующим агрегированием для получения обобщенного показателя качества изображения.
В третьей главе описываются алгоритмы контролепригодности радиоэлектронных средств.
Проведен синтез вариантов диагностирования по критерию контролепригодности.
Рассмотрены однокритериальные задачи оптимизации контролепригодности объекта диагностирования (максимизация коэффициента глубины поиска кратного дефекта на заданном числе точек контроля, максимизация коэффициента глубины поиска кратного дефекта при ограничении на стоимость реализации точек контроля, минимизация затрат на заданном значении коэффициента глубины поиска кратного дефекта, минимизация числа точек контроля на заданном значении глубины поиска кратного дефекта.)
В четвертой главе рассмотрены вопросы методики формирования экспертных знаний. Описано техническое, профаммно-информационное и лингвистическое обеспечение экспертной оценки системы диагностирования.
В заключении приведены основные результаты диссертационной работы.
В приложениях приведены пример решения многокритериальной задачи оптимизации и пример работы программно-информационного комплекса.
Виды моделей технических объектов для целей диагностики их состояния и обнаружения неисправностей
В настоящее время невозможно обойтись без средств диагностики сложных технических объектов. На протяжении многих лет велись разработки в этой области. К этой категории относятся среди прочего диагностика в медицине, электронных схемах, механических устройствах и в системах программного обеспечения [86,87]. Контроль и поиск неисправностей, осуществляемый экспертами вручную с использованием справочников и документов, не всегда эффективен, так как это трудоемкая и занимающая длительное время процедура. Помимо интеллектуальной работы по локализации неисправностей эксперты вынуждены выполнять и тяжелые рутинные операции по вычислению сигналов внутри схемы, работу со справочниками и т. д.
Этими и другими причинами обусловлено появление различных автоматизированных средств контроля и поиска неисправностей, которые бывают встроенные и внешние. Встроенные средства имеют ряд существенных недостатков — увеличение стоимости устройства, габаритов и др., поэтому предпочтение отдается внешним средствам диагностики, а именно программным продуктам. Внешние средства диагностирования предназначаются обычно для проверки исправности или работоспособности объектов и для поиска дефектов, нарушающих исправность или работоспособность [87]. Внешние средства тестового диагностирования делят на специализированные и универсальные. Первые служат для диагностирования одного определенного объекта или небольшого числа однотипных объектов. Универсальными являются средства, работающие по сменной программе и благодаря этому пригодные для диагностирования многих типов объектов (класса объектов). Универсальные автоматические внешние средства позволяют исключить многие недостатки, присущие специализированным средствам, и обеспечивают: а) сокращение сроков освоения производством новых объектов за счет исключения этапа разработки и отладки средств диагностирования для них; б) сокращение объема средств диагностирования по отношению к объему выполняемых ими операций и в соответствии с этим снижение стоимости средств; в) уменьшение времени и труда затрачиваемых на диагностирование; г) снижение требований к квалификации обслуживающего персонала и увеличение объективности диагноза. Проанализировав уже имеющиеся разработки в данной области, мы видим, что большинство из них имеют узкую специализацию, а именно, выявляют только одну конкретную неисправность, хотя и применимы ко многим объектам (контроль импульсов). Большинство диагностических средств разработаны применительно к электронике. Недостатком можно считать то, что нельзя целиком продиагностировать конкретный объект, а приходится рассматривать отдельно составляющие его части (например, в вычислительной технике — дисковод, отдельная плата). В настоящее время за рубежом широко используются автоматические системы технического диагностирования технологического оборудования. Например, фирма "Дюпон" (США) разработала и внедрила несколько сотен таких систем. Однако приобретение дорогостоящих средств диагностирования по силам далеко не всем российским предприятиям. Поэтому судить об эффективности диагностического средства нужно по количеству обнаруживаемых неисправностей, точности диагностики, возможности диагностировать различные технические объекты одного класса (аудиосистемы), а также стоимости, занимаемом объеме и легкости в применении. Так как речь идет о программном продукте, нельзя не сказать о дружественном интерфейсе. У пользователя не должно возникнуть проблем при работе с программой. Также одним из недостатков систем диагностики является то, что они разрабатывались с использованием устаревших средств программирования; и по этой причине в настоящее время могут возникнуть трудности при их использовании. Современная тенденция в разработке средств диагностирования технического состояния сложных объектов состоит в создании внешних универсальных автоматических средств. С помощью автоматизированных и автоматических систем собираются данные по различным параметрам: сила тока, сопротивление, напряжение, емкость. Анализ результатов, полученных высококвалифицированными аттестованными специалистами или посредством экспертных систем на ЭВМ, позволяют спрогнозировать техническое состояние технического объекта. Для современной техники нужно создавать и современные диагностические средства. Системы диагностики судят о нарушениях в работе системы по наблюдениям. К этой категории относятся среди прочего диагностика в медицине, электронных схемах, механических устройствах и в системах программного обеспечения. Обычно системы диагностики соотносят наблюдаемые нарушения поведения систем с обусловившими их причинами, опираясь на один из следующих методов. В первом, по существу, используется какая-то таблица ассоциативных связей между типами поведения и диагнозами. Во втором методе совместное использование знаний о том, как устроена система, и знаний о слабых местах конструкции или реализации устройства или используемых деталях позволяет строить предположения о неисправностях, совместимых с наблюдаемыми данными. Проведенный мною анализ уже имеющихся средств диагностики выявил следующие особенности (в качестве примеров выбраны наиболее типичные разработки): 1. Большинство средств диагностики предназначены для распознавания неработоспособности какого-либо одного параметра (напряжение, сила тока, емкость конденсатора и т.д.). Например, устройство для контроля электромагнитных реле, система автоматизированного контроля телевизионной аппаратуры и другие подобные разработки, имеют узконаправленную специфичность. 2. Очень много разработок ведется применительно к автотранспорту и сельскохозяйственной технике, мало внимания уделялось бытовой электронике. 3. Многие средства диагностики построены на принципе прохождения какого-либо контрольного импульса через объект диагностики и по выходным параметрам определения неисправности. Такой способ малоэффективен при диагностике средств аудиотехники. 4. Такие разработки как средство автоматического функционального диагностирования периодически управляемого оборудования, устройство диагностирования предд ефектно го состояния технического объекта направлены на определение износостойкости оборудования или конкретного прибора, а не конкретного дефекта. 5. Как уже говорилось выше, для аудиотехники целесообразнее применять внешние средства диагностики (программные продукты, основанные на экспертных знаниях), а не встроенные. Непрерывное усложнение технических объектов и рост степени автоматизации процесса управления выдвигают на передний план проблему оптимальной организации эксплуатации сложных технических объектов, в том числе и аудиотехники. Важную роль при этом отводят определению состояния объектов, которое вследствие воздействия внешних и внутренних факторов изменяется с течением времени.
Формирование моделей работоспособности устройств видеотехники на основе экспертных знаний
Проблема надежного и объективного 100-процентного контроля параметров устройств видеотехники может быть решена путем автоматизации. Ниже приводится основная идея методов автоматизированного контроля параметров изображения устройств видеотехники.
Автоматизированная оценка параметров устройств видеотехники основана на двух подходах: фотоэлектрическом и телевизионном [48, 51, 64, 71].
При фотоэлектрическом подходе анализ параметров телевизионного изображения, развертка изображения должны производиться до фотоэлектрического преобразования. В этом случае могут быть использованы два варианта развертки: перемещение фотоэлектрического датчика перед экраном кинескопа с неподвижным анализируемым изображением или перемещением (сдвиг) изображения на экране при неподвижном фотоэлектрическом датчике. Второй вариант может быть осуществлен с одним или несколькими датчиками, установленными напротив различных участков экрана кинескопа.
При телевизионном подходе анализа параметров изображения развертка изображения производится в телевизионном датчике после фотоэлектрического преобразования передающей телевизионной энергии светового потока в энергию электрического поля. В этом случае анализируемое изображение на экране кинескопа может быть неподвижным, а поочередная передача сигналов о распределении яркости элементов изображения осуществляется с помощью электронной развертки в телевизионном датчике.
В соответствии с заданной программой на генератор испытательных сигналов поступают из программного устройства кодированные сигналы управления. Испытательные сигналы (сигналы воздействия), выработанные генератором, поступают в определенной последовательности на контролируемое устройство видеотехники. Логическое устройство измеряет параметры сигналов на выходе видео приемника, сравнивает их с эталонными сигналами, анализирует результаты сравнения и подает в программное устройство командные сигналы о соответствии или несоответствии параметра норме. Система автоматизированного контроля параметров устройств видеотехники может осуществлять и задачи технической диагностики, анализ которых проведен в главе 1. В этом случае она проводит автоматический поиск причины и места неисправности в контролируемом устройств видеотехники, если какой-либо параметр выходит за пределы установленных норм допуска.
Следует также обратить внимание на альтернативные методы оценки качества изображения. Это так называемые субъективные оценки, Субъективные экспертизы проводят в соответствии с определенной методикой, которая регламентирует испытательные изображения, выбор наблюдателей, шкалы оценок, условия наблюдения, порядок проведения измерений и обработку их результатов [1, 24-27, 47, 48]. В ряде случаев такие экспертизы могут быть дополнены инструментальными измерениями, сущность которых заключается в применении специальным образом сформулированных полей сравнения, яркостных и цветовых отметок.
Для каждого эксперимента из числа типичных отбирают изображения, при воспроизведении которых исследуемый вид искажений заметен в боль 47 шей степени, чем на «среднем» изображении. Ограничиваются пятью - десятью испытательными изображениями, причем используют по два изображения одного характера, что позволяет проверить, последовательны ли наблюдатели в своих оценках. При субъективных экспертизах наблюдатели должны знать методику проведения эксперимента, шкалы оценок в диапазоне ухудшений изображений, используемых в ходе эксперимента.
При установлении зависимости качества изображения от искажения МККР рекомендует применять пяти-градационные шкалы качества и ухудшений, приведенные в таблице 2.1
Критерий качества изображения - это средняя оценка, данная группой наблюдателей. Для серии оценок искаженного изображения при определенном значении искажения рассчитывают относительную частоту оценок р; = пі / N, где ПІ - число оценок, относящих качество к і-й категории (і =1, ..., М, общее число оценок N = ПІ). Для стандартизации условий адаптации набор значений искажений выбирают так, чтобы среднее качество изображений соответствовало 3 баллам. При проведении субъективных экспертиз обычно отмечается несовпадение полученных граничных оценок с граничными оценками используемой шкалы. Проявление этих несовпадений зависит от процедуры, используемой при экспериментах.
В практике проведения субъективных экспертиз наряду с пятибалльной шкалой используют и другие шкалы (шести и семи балльные). Рекомендуемые условия наблюдения устанавливают с учетом частоты полей телевизионной системы.
Рассмотрим лингвистическую модель оценки качества изображения устройств видеотехники, полагая, что в ее основе используются ЛП, термы которых задаются функциями принадлежности соответствующих нечетких множеств. Для оценки качества изображения устройств видеотехники воспользуемся иерархической структурой показателей (рис. 2.2), разработанной с учетом классификации, показанной на рис. 2.1.
Каждому параметру устройств видеотехники поставим в соответствие лингвистическую переменную с одноименным названием. В качестве терм множеств этих переменных будем рассматривать базовое множество значений {"низкий", "средний", "высокий"}, при этом терм "высокий" характеризует максимальное значение технического параметра (соответствующее значение ФП Ц.=1), терм "низкий" характеризует минимальное значение показателя (ц. 0), а терм "средний" характеризует такое значение параметра, которое соответствует р=0,5. Однако следует, что возможно использование таких термов, как "более или менее высокий", "почти низкий" и т.д., расчет которых производится в соответствии с таблицей 2.2.
Однокритериальная оптимизация глубины диагностирования сложных технических систем при кратных дефектах
Программное обеспечение оценки качества изображения устройств видеотехники разработано на языке Object Pascal с помощью интегрированной среды программирования Delphi 6.О. Для работы с ПМК требуется компьютер IBM PC (или совместимый) с процессором нет ниже Intel Pentium 166 MHz и конфигурацией, позволяющей использовать многозадачную операционную систему Windows: значение оперативной памяти не ниже 32 Mb; разрешение графического экрана не ниже 800x600 точек; лазерный принтер. Общий объем программного обеспечения составляет 15.4 Мбайт.
При запуске ПМК предлагается два основных режима работы - режим начальной подготовки и режим эксплуатации в реальных условиях. В режиме начальной подготовки данные вводит эксперт-тематик данной предметной области. В режиме эксплуатации данные вводит эксперт, проводивший оценку качества изображения устройств видеотехники.
После выбора режима начальной подготовки происходит задание баз данных и их параметров, а также лингвистических переменных, терм-множеств и построение их функций принадлежности следующем образом. Пользователям системы на экран монитора ПЭВМ выводится диалоговое окно, вид которого приведен в приложении 1 (рис. Ш).
В строке 3адание ЛП эксперт вводит название ЛП (например, контрастность в крупных деталях) с одноименным названием показателя качества изображения. Затем для каждой ЛП начинается процесс формирования базового терм-множества, содержащего первичные термы (Высокий Средний Низкий) и построение функций принадлежности. Расчет ФП происходит в следующей последовательности. В полях Xmin и хпшх (xmin, xmax є U) осуществляется задание базового множества на диапазоне от минимального до максимального значения, которые принимает показатель изображения. Эксперт отмечает один из базовых термов ЛП, для которой будет производиться расчет ФП. Для выбранного базового терма эксперт заполняет поля: Alpha, Gamma, Alpha I, Gamma 1. После того как эти поля будут заполнены, эксперт путем нажатия кнопки Parameter производит расчет ФП базового терма ЛП и построение графика ФП в действительной шкале. Если полученные результаты расчета устраивают эксперта, то после нажатия кнопки F(x) происходит построение ФП в универсальной шкале (на интервале [ОД]), результаты расчета выводятся в поле Функция принадлежности и сохраняются в базе знаний после нажатия кнопки Сохранить . После того как для всех базовых термов ЛП были построены соответствующие ФП, эксперт сохраняет значения в БД с помощью выпадающего меню. В режиме эксплуатации эксперт может выбрать одну из трех программ, позволяющих производить оценку качества изображения устройств видеотехники. При запуске программы STG на экран монитора выводится диалоговое окно, фрагмент которого приведен в приложении 1 (рис. П2). Оценка показателей изображена, организована в виде экспертного опроса. Эксперт с помощью меню загружает базу оцениваемых показателей изображения и выбирает закладку Оценка . Затем с помощью кнопок навигации эксперт движется по показателям изображения и осуществляет их оценку следующим образом. Эксперт выбирает одно из Базовых значении и приписывает к нему подходящий с его точки зрения Модификатор . После того как для всех показателей будет произведена оценка, эксперт в закладке Агрегирование выбирает оператор агрегирования с учетом требований решаемой задачи, затем на закладке Расчет и интерпретаци программа формирует и интерпретирует оценку качества изображения устройств видеотехники. Программа SBI обрабатывает экспертную информацию, полученную в результате диалога с экспертом, который осуществляется с помощью диалогового окна, фрагмент которого приведен в приложении 1 (рис. ПЗ). Поле диалогового окна условно разделено на две части. После загрузки перечня оцениваемых показателей изображения Файл эксперт приступает к оценке каждого показателя в следующей последовательности: 1. В поле Идеальное значение показателя эксперт выбирает показатель изображения и формирует эталонное значение этого показателя приписыванием к нему подходящего, с точки зрения эксперта, лингвистического значения Качественно из терм-множества ЛП Качество. На этом шаге эксперт оценивает степень проявления свойства, определяемого рассматриваемым показателем в устройстве видеотехники, являющимся эталонным. 2. Для Оцениваемого показателя оценивается его соответствие эталонному значению с помощью подходящего лингвистического значения из Терм множества ЛП Величинам и соответствующего модификатора Моди-фикаторы ЛП Величина . После того как произведена оценка по каждому показателю, эксперт производит выбор оператора агрегирования на закладке Агрегирование , а затем программа производит расчет и интерпретацию обобщенного показателя качества изображения устройства видеотехники в соответствии с алгоритмом, приведенным в разделе 3.
Программа OBUT позволяет формировать приближенную оценку качества изображения устройства видеотехники без учета требований к показателям качества изображения. Если эксперт или группа экспертов предпочитает работать в лингвистической шкале, то диалоговое окно аналогично окну, приведенному в приложении 1 (рис. П2). Но возможна такая ситуация, что часть экспертов предпочитает оценки в числовой шкале - [0, 1]. Диалоговое окно, реализующее данный режим общения с экспертом, приведено в приложении (рис, П4). Эксперт в поле «Эцениваемый показатель с помощью кнопок навигации выбирает показатель изображения, а в поле 3начение ставит его фактическую оценку. Затем эксперт производит выбор оператора агрегирования, и программа производит расчет и выводит результаты с комментариями.
Эффективность профаммного обеспечения оценки качества изображения устройств видеотехники по результатам внедрения
Эксперт отмечает один из базовых термов ЛП, для которой будет производиться расчет ФП. Для выбранного базового терма эксперт заполняет поля: Alpha, Gamma, Alpha I, Gamma 1.
После того как эти поля будут заполнены, эксперт путем нажатия кнопки Parameter производит расчет ФП базового терма ЛП и построение графика ФП в действительной шкале. Если полученные результаты расчета устраивают эксперта, то после нажатия кнопки F(x) происходит построение ФП в универсальной шкале (на интервале [ОД]), результаты расчета выводятся в поле Функция принадлежности и сохраняются в базе знаний после нажатия кнопки Сохранить . После того как для всех базовых термов ЛП были построены соответствующие ФП, эксперт сохраняет значения в БД с помощью выпадающего меню.
В режиме эксплуатации эксперт может выбрать одну из трех программ, позволяющих производить оценку качества изображения устройств видеотехники.
При запуске программы STG на экран монитора выводится диалоговое окно, фрагмент которого приведен в приложении 1 (рис. П2). Оценка показателей изображена, организована в виде экспертного опроса. Эксперт с помощью меню загружает базу оцениваемых показателей изображения и выбирает закладку Оценка . Затем с помощью кнопок навигации эксперт движется по показателям изображения и осуществляет их оценку следующим образом. Эксперт выбирает одно из Базовых значении и приписывает к нему подходящий с его точки зрения Модификатор . После того как для всех показателей будет произведена оценка, эксперт в закладке Агрегирование выбирает оператор агрегирования с учетом требований решаемой задачи, затем на закладке Расчет и интерпретация программа формирует и интерпретирует оценку качества изображения устройств видеотехники.
Программа SBI обрабатывает экспертную информацию, полученную в результате диалога с экспертом, который осуществляется с помощью диалогового окна, фрагмент которого приведен в приложении 1 (рис. ПЗ). Поле диалогового окна условно разделено на две части. После загрузки перечня оцениваемых показателей изображения Файл эксперт приступает к оценке каждого показателя в следующей последовательности: 1. В поле Идеальное значение показателя эксперт выбирает показатель изображения и формирует эталонное значение этого показателя приписыванием к нему подходящего, с точки зрения эксперта, лингвистического значения Качественно из терм-множества ЛП Качество. На этом шаге эксперт оценивает степень проявления свойства, определяемого рассматриваемым показателем в устройстве видеотехники, являющимся эталонным. 2. Для Оцениваемого показателя оценивается его соответствие эталонному значению с помощью подходящего лингвистического значения из Терм множества ЛП Величинам и соответствующего модификатора Моди-фикаторы ЛП Величина . После того как произведена оценка по каждому показателю, эксперт производит выбор оператора агрегирования на закладке Агрегирование , а затем программа производит расчет и интерпретацию обобщенного показателя качества изображения устройства видеотехники в соответствии с алгоритмом, приведенным в разделе 3. Программа OBUT позволяет формировать приближенную оценку качества изображения устройства видеотехники без учета требований к показателям качества изображения. Если эксперт или группа экспертов предпочитает работать в лингвистической шкале, то диалоговое окно аналогично окну, приведенному в приложении 1 (рис. П2). Но возможна такая ситуация, что часть экспертов предпочитает оценки в числовой шкале - [0, 1]. Диалоговое окно, реализующее данный режим общения с экспертом, приведено в приложении (рис, П4). Эксперт в поле «Эцениваемый показатель с помощью кнопок навигации выбирает показатель изображения, а в поле 3начение ставит его фактическую оценку. Затем эксперт производит выбор оператора агрегирования, и программа производит расчет и выводит результаты с комментариями. Поскольку при формировании оценки качества изображения использо валась иерархическая структура показателей, то в расчетных формулах фигу рирует величина, называемая вес (коэффициент важности) показателя, харак теризующий вклад данного показателя в общее качество изображения уст ройства видеотехники. Для этих целей разработана вспомогательная про грамма, которая позволяет определить веса показателей (приложение 1, рис. П5). Эксперт попарно сравнивает входящие в одну группу показатели с точки зрения предпочтительности, важности по отношению к общей оценке одного показателя над другими, а программа заносит результаты в матрицу парных сравнений, отражающую бинарное отношение "предпочтения/безразличия" на множестве показателей. Разработанные программные средства применялись для проведения оценки качества изображения наиболее популярных ТВ-приемников марки Рубин-51, Рубин-55, Ролсен-С21Я95 Proline, Ролсен-С25701Т Proline завода "Видеофон". Следствием проведенной оценки является повышение надежности и качества изображения ТВ-приемников, а также выявление группы ТВ-приемников, которые необходимо отправить на дополнительную регулировку выходных характеристик, отвечающих за высокое качество изображения. При этом оценка качества изображения ТВ-приемника марки Рубин-51 проводилась как степень соответствия эталонному ("идеальному") изображению.
