Содержание к диссертации
Введение
Глава 1. Анализ проблемной области создания автоматизиро ванных информационных систем поддержки принятия решений на экспертной основе 11
1.1. Автоматизированные информационные системы как основа систем поддержки управления и принятия решений 11
1.2. Представление знаний для интеллектуальных систем поддержки принятия решений 17
1.3. Характерные особенности и проблемы разработки интеллектуальных систем поддержки принятия решений экспертного типа 26
1.4. Проблемы распознавания в контексте процесса принятия решений 33
1.5. Постановка задачи исследования 50
1.6. Основные результаты 54
Глава 2. Формализация процессов поддержки принятия решений на базе систем распознавания 55
2.1. Интегральная модель задачи распознавания 55
2.2. Функциональная модель решающего правила на базе принципа коллективного распознавания 59
2.3. Коллектив методов распознавания. Модели решающих функций 68
2.4. Процедурная модель последовательной модификации решающего правила при распознавании группы объектов 88
2.5. Структурно-информационная модель задачи распознавания 93
2.6. Основные результаты 99
Глава 3. Автоматизированная интегрированная инструментальная система распознавания (АИИСР) экспертного типа на базе модели коллективного принятия решений 100
3.1. Автоматизация процессов обучения и распознавания на основе систем экспертного типа 100
3.2. Организация коллектива методов распознавания в АИИСР 112
3.3. Схемы принятия решений в процедуре коллективного распознавания 119
3.4. Коллективы решающих правил для синтеза прикладных решений 123
3.5. Синтезированные решения. Адаптация АИИСР к классам проблемных задач 128
3.6. Алгоритмическое, информационное и методическое обеспечение АИИСР 129
3.7. Основные результаты 151
Глава 4. Использование АИИСР для решения прикладных задач распознавания 153
4.1. Задача диагностики технического состояния судовой дизельной установки (СДУ) 153
4.2. Синтез решения задачи диагностики СДУ в АИИСР 159
4.3. Задача распознавания графических примитивов 171
4.4. Синтез решения задачи распознавания графических примитивов в АИИСР 176
4.5. Основные результаты 186
Заключение 187
Список литературы 190
Приложение. Акты внедрения результатов работы 199
- Автоматизированные информационные системы как основа систем поддержки управления и принятия решений
- Функциональная модель решающего правила на базе принципа коллективного распознавания
- Автоматизация процессов обучения и распознавания на основе систем экспертного типа
- Задача диагностики технического состояния судовой дизельной установки (СДУ)
Введение к работе
Осуществление функции управления какой-либо технической, социальной, биологической или же другой системой невозможно без использования информации [2, 12, 56, 59, 71, 88]. Реализация эффективного и целенаправленного управления требует накопления, хранения и использования поступающей в управляющую систему информации [71, 88]. Таким образом, обеспечение поддержки процессов принятия решений (управления) обуславливает необходимость применения специализированных средств, объединяемых термином информационная система. Возрастание объемов информации, увеличение количества и качества задач, решаемых в процессе управления, усложнение управляющих и подконтрольных систем предъявляют все более жесткие требования к информационным системам как системам поддержки принятия решений. К традиционным условиям по обеспечению высокой эффективности работы, надежности, гибкости, эр-гономичности и др., на современном этапе развития добавляется требование, которое можно охарактеризовать как способность решать интеллектуальные задачи [10, 39, 40]. «Объемность» и разнородность информации, усложнение функций и расширение возможностей управляющей системы, выводят на передний план одну из таких задач — проблему по упорядочиванию, систематизации и классификации данных. Обеспечение гибкости управляющей системы в более широком смысле подразумевает её адаптацию к постоянно меняющимся условиям внешней среды, что также актуализирует необходимость исследований задач классификации, называемых задачами распознавания образов, и способов их решения. Таким образом, усложнение и интеллектуализация систем управления помимо всего прочего приводит к необходимости наделения их развитыми способностями к распознаванию. Это, в свою очередь, делает насущным решение проблем, входящих в сферу разработок теории распознавания образов. Теория распознавания образов к настоящему времени уже достаточно развита и предлагает богатый арсенал средств для решения соответствующих прикладных задач. Она берет свое начало с работ Ф. Розенблатта по исследованию способностей моделей мозга на базе специального вида нейронных сетей, названных им персептронами, к обучению и самообучению [9, 31, 61, 76]. Расширение проблематики и тематики исследований по распознаванию образов привело к разработке различных подходов (детерминистский, статистический, структурный) к проблеме распознавания, а также большого числа разнообразных методов решения задач распознавания. Результаты этих исследований изложены в работах В.Н. Вапника, А.Л. Горелика, Ю.И. Журавлева, Дж. Ту, К. Фу, ЯЗ. Цыпкина и многих других авторов [19, 32, 36, 38, 75, 94, 98, 101]. В большинстве из этих публикаций в той или иной степени рассматриваются способы получения решений (решающих правил), обеспечивающих уменьшение вероятности ошибок распознавания. При этом предлагаемые методы в силу специфики и сложности проблемы распознавания достаточно эффективны лишь для ограниченного круга задач, что актуализирует проведение исследований, связанных с увеличением эффективности использования существующих методов. Один из возможных способов повышения качества (достоверности) получаемых результатов заключается в использовании коллективных решений [34, 62]. Результаты работ [11,31, 85], посвященных применению коллективных решений в области распознавания образов, подчеркивают необходимость исследований, связанных с синтезом и анализом «коллектива» решающих правил (методов), а также механизма формирования конечных решений. Другой вариант увеличения качества работы существующих методов распознавания состоит в применении специализированной процедуры накопления получаемых результатов и использования их в процессе распознавания, что актуализирует проведение работ по разработке соответствующего формального аппарата. Существующие на данный момент технические и программные системы распознавания в большинстве своем базируются на одном, реже нескольких методах распознавания и, таким образом, ориентированы на ограниченный круг задач. Отсюда возникает проблема разработки гибкой системы распознавания на базе «коллектива» методов, способной эффективно решать широкий круг задач и допускающей простую модификацию с целью адаптацию к новому, специфическому классу задач. Актуальность решения данной проблемы определяется следующими факторами:
• недостаточной исследованностью вопросов использования коллективных решений в задачах распознавания образов, а также вопросов, связанных с применением получаемых результатов распознавания при формировании последующих решений;
• зауженной специализацией существующих систем распознавания, как правило ориентированных на решение небольшого класса задач;
• неадаптивностью большинства современных систем распознавания, не допускающих модификацию со стороны пользователя для расширения сферы применения системы;
• ограниченностью большинства инструментальных средств поддержки пользователя на стадии постановки задачи распознавания и/или её переформулировки;
• отсутствием эргономичных систем пользовательского уровня, объединяющих в своем составе множество разнообразных методов распознавания.
Целью работы является повышение эффективности решения задач распознавания в области классификации детерминированно-стохастических технических объектов путем создания специализированного инструментария на основе мнемографических представлений и формального аналитического аппарата моделей коллективного распознавания. Разработка данного инструментария требует исследования и решения следующих основных задач:
• анализа моделей, методов и методик решения задач распознавания с целью синтеза многоцелевого коллектива методов;
• исследования существующих подходов к выработке коллективных решений для формирования продуктивного механизма использования коллектива методов распознавания;
• создания процедуры, позволяющей учитывать полученные результаты в процессе последующего распознавания;
• разработки методики мнемографического моделирования задач распознавания, ориентированной на создание эргономичного интерфейса взаимодействия с пользователем;
• создания с использованием современных программно-технических технологий и средств инструментального программного комплекса поддержки принятия решений в области распознавания образов на основе визуального конструирования моделей проблемных задач и метода коллективного распознавания, обеспечивающего гибкость в настройке (адаптируемость) к конкретной предметной области;
• решения задач диагностики судовой дизельной установки на базе оценки состояния цилиндров двигателя и распознавания графических примитивов, представленных в виде бинарных растровых изображений.
Методы исследований. В работе использованы методы теории распознавания образов, теории вероятностей и математической статистики, математического анализа, теории множеств, теории графов, теории логического проектирования и системного анализа, искусственного интеллекта и построения баз данных и знаний. Научная новизна.
1. Разработана модель коллективного распознавания в составе процедуры выборочного взвешенного голосования, множества детерминированных и стохастических решающих правил, адаптированного для широкого класса задач, и набора эвристических правил организации «коллектива» методов распознавания.
2. Предложена процедура последовательной модификации решающего правила при распознавании группы объектов, основанная на выборочном дополнении обучающей выборки классифицированными объектами согласно значениям введенных коэффициентов доверия.
3. Разработана методика визуального моделирования задач распознавания, описывающая средства и методы мнемографического представления информации на базе использования семантических сетей и фреймов и поддерживающая организацию эргономичного пользовательского интерфейса построения модели задачи.
4. Создана инструментальная экспертно-ориентированная система распознавания в составе методического, алгоритмического и программного обеспечения на базе модели коллективного принятия решений, реализующая поддержку процесса решения задачи распознавания, в том числе моделирование задачи, синтез решения и классификацию объектов.
Практическая ценность. В результате исследований создана программная библиотека методов распознавания и разработан инструментальный программный комплекс поддержки принятия решений в области распознавания. Данный программный комплекс позволяет:
• повысить эффективность процесса получения решений задач распознавания при использовании средств вычислительной техники;
• расширять круг доступных для решения задач распознавания посредством адаптирования к новым прикладным областям; • выполнять анализ и моделирование прикладных задач, а также синтез базового инструментария конечных систем распознавания для их решения;
• осуществлять диагностику технического состояния судовой дизельной установки по значениям температурных характеристик цилиндров двигателя, а также классификацию нескольких категорий графических примитивов, представленных в виде растровых изображений.
Реализация и внедрение результатов работы. Результаты диссертационной работы нашли практическое применение при выполнении научно-исследовательских работ по темам «Разработка инструментального комплекса по управлению безопасностью внутреннего судоходства» и «Разработка комплексной методики оценки аварий судовых гидротехнических сооружений» в рамках федеральной программы «Транспорт России». Материалы и результаты работы использовались для решения ряда прикладных технических задач и разработки различных автоматизированных систем, в том числе задач и систем диагностирования судовых двигателей, санитарно-эпидемиологического контроля состояния воды, технического контроля качества шарикоподшипниковых изделий, криптографической обработки визуально-графической информации. Практическая значимость работы подтверждается соответствующими актами внедрения.
Основные положения, выносимые на защиту. На защиту выносятся:
• модель коллективного распознавания на основе выборочного взвешенного голосования на множестве решающих правил, сформированном при использовании детерминированно-стохастической процедуры генерации на множестве моделей методов распознавания;
• процедура последовательной модификации решающего правила при распознавании группы объектов и алгоритмы её реализации;
• инструментальный программный комплекс поддержки принятия решений в области распознавания, обеспечивающий автоматизацию процесса решения задач классификации и интегрирующий в своем составе средства поддержки визуального представления структурно-информационных моделей задач, синтеза их решений на базе модели коллективного распознавания и использования готовых решений для классификации существующих объектов.
Апробация работы. Основные положения и результаты диссертационной работы докладывались автором и обсуждались на международной научно-технической конференции «Транском-2001», проходившей в Санкт-Петербурге в 2001 году, и VIII Санкт-Петербургской международной конференции «Региональная информатика-2002», прошедшей в 2002 году, ежегодных научно-практических конференциях профессорско-преподавательского состава СПГУВК в 2000-2002 годах. Содержание диссертации обсуждалось на расширенных заседаниях кафедры «Вычислительных систем и информатики» СПГУВК.
Публикации. По теме диссертации опубликовано 6 работ (из них 4 научных статьи и 2 — тезисы к докладам на конференциях).
Объем и структура работы. Диссертация состоит из введения, четырех глав, заключения, списка литературы и приложения. Содержит 203 страницы, 41 рисунок, 57 таблиц.
Автоматизированные информационные системы как основа систем поддержки управления и принятия решений
Существующие на данный момент технические и программные системы распознавания в большинстве своем базируются на одном, реже нескольких методах распознавания и, таким образом, ориентированы на ограниченный круг задач. Отсюда возникает проблема разработки гибкой системы распознавания на базе «коллектива» методов, способной эффективно решать широкий круг задач и допускающей простую модификацию с целью адаптацию к новому, специфическому классу задач. Актуальность решения данной проблемы определяется следующими факторами: недостаточной исследованностью вопросов использования коллективных решений в задачах распознавания образов, а также вопросов, связанных с применением получаемых результатов распознавания при формировании последующих решений; зауженной специализацией существующих систем распознавания, как правило ориентированных на решение небольшого класса задач; неадаптивностью большинства современных систем распознавания, не допускающих модификацию со стороны пользователя для расширения сферы применения системы; ограниченностью большинства инструментальных средств поддержки пользователя на стадии постановки задачи распознавания и/или её переформулировки; отсутствием эргономичных систем пользовательского уровня, объединяющих в своем составе множество разнообразных методов распознавания. Целью работы является повышение эффективности решения задач распознавания в области классификации детерминированно-стохастических технических объектов путем создания специализированного инструментария на основе мнемографических представлений и формального аналитического аппарата моделей коллективного распознавания. Разработка данного инструментария требует исследования и решения следующих основных задач: анализа моделей, методов и методик решения задач распознавания с целью синтеза многоцелевого коллектива методов; исследования существующих подходов к выработке коллективных решений для формирования продуктивного механизма использования коллектива методов распознавания; создания процедуры, позволяющей учитывать полученные результаты в процессе последующего распознавания; разработки методики мнемографического моделирования задач распознавания, ориентированной на создание эргономичного интерфейса взаимодействия с пользователем; создания с использованием современных программно-технических технологий и средств инструментального программного комплекса поддержки принятия решений в области распознавания образов на основе визуального конструирования моделей проблемных задач и метода коллективного распознавания, обеспечивающего гибкость в настройке (адаптируемость) к конкретной предметной области; решения задач диагностики судовой дизельной установки на базе оценки состояния цилиндров двигателя и распознавания графических примитивов, представленных в виде бинарных растровых изображений. Методы исследований. В работе использованы методы теории распознавания образов, теории вероятностей и математической статистики, математического анализа, теории множеств, теории графов, теории логического проектирования и системного анализа, искусственного интеллекта и построения баз данных и знаний. 1. Разработана модель коллективного распознавания в составе процедуры выборочного взвешенного голосования, множества детерминированных и стохастических решающих правил, адаптированного для широкого класса задач, и набора эвристических правил организации «коллектива» методов распознавания. 2. Предложена процедура последовательной модификации решающего правила при распознавании группы объектов, основанная на выборочном дополнении обучающей выборки классифицированными объектами согласно значениям введенных коэффициентов доверия. 3. Разработана методика визуального моделирования задач распознавания, описывающая средства и методы мнемографического представления информации на базе использования семантических сетей и фреймов и поддерживающая организацию эргономичного пользовательского интерфейса построения модели задачи. 4. Создана инструментальная экспертно-ориентированная система распознавания в составе методического, алгоритмического и программного обеспечения на базе модели коллективного принятия решений, реализующая поддержку процесса решения задачи распознавания, в том числе моделирование задачи, синтез решения и классификацию объектов. Практическая ценность. В результате исследований создана программная библиотека методов распознавания и разработан инструментальный программный комплекс поддержки принятия решений в области распознавания. Данный программный комплекс позволяет: повысить эффективность процесса получения решений задач распознавания при использовании средств вычислительной техники; расширять круг доступных для решения задач распознавания посредством адаптирования к новым прикладным областям; выполнять анализ и моделирование прикладных задач, а также синтез базового инструментария конечных систем распознавания для их решения; осуществлять диагностику технического состояния судовой дизельной установки по значениям температурных характеристик цилиндров двигателя, а также классификацию нескольких категорий графических примитивов, представленных в виде растровых изображений.
Функциональная модель решающего правила на базе принципа коллективного распознавания
Отметим, что в литературе основное внимание уделяется способам решения второй проблемы. Так в [32, 37, 40] изложен разработанный Журавлевым Ю.И. алгебраический подход к распознаванию образов, а в [9, 11, 31] рассматриваются различные варианты реализации функции голосования. В [85] предложен несколько отличный подход к построению процедуры принятия коллективного решения, основанный на выделении из множества решающих правил только одного правила, наиболее оптимального для распознавания данного конкретного объекта. Коэффициенты доверия в этом случае принимают следующий вид: где А;— область компетентности у -го решающего правила, представляющая собой область пространства признаков, в которой соответствующее решающее правило минимизирует заданный критерий. Таким образом, в данном случае реализуется двухуровневая процедура распознавания: на первом уровне определяется к области компетентности какого решающего правила относится распознаваемый объект, а на втором уровне выполняется классификация объекта посредством выбранного правила. Основная задача при использовании такой процедуры коллективного распознавания сводится к определению для конкретной задачи областей компетентности входящих в коллектив решающих функций.
Проблеме выбора множества методов распознавания и формирования на его основе коллектива решающих правил в литературе уделяется меньшее внимание. Это связано с тем, что данная задача не имеет формального решения и при подборе методов приходится руководствоваться в основном эвристическими соображениями, направленными на обеспечение оптимальности собираемого коллектива. Выделим следующие основные свойства предпочтительного множества методов. Прежде всего, и это главное, коллектив методов распознавания должен обладать некоторым оптимальным разнообразием. Другими словами, в нем должны присутствовать методы, достаточно различающиеся между собой по способам построения решающей функции, типу используемой разделяющей функции и другим характеристикам. Очевидно, что коллектив, составленный только из детерминистских методов распознавания, или же, напротив, исключительно из статистических методов, а также состоящий лишь из методов, базирующихся на линейной разделяющей функции, в большинстве случаев будет менее эффективным, чем коллектив, включающий в себя методы всех указанных категорий. Для определения степени различия между методами, введем меру є на множестве методов распознавания, входящих в коллектив: є( = є(М(), і - \,qm. Под мерой є, будем понимать числовое выражение комплексной характеристики метода М„ отражающей его особенности с точки зрения реализации механизмов обучения и распознавания, используемого формального аппарата, получаемых решающих правил и других критериев. Не конкретизируя в данной работе способ вычисления меры, определим минимальное различие методов в коллективе следующим образом: где І є(М() - s(Mj) І представляет величину отличия метода Mt от Mj. Тогда свойство разнообразия коллектива методов зададим в виде требования гтіп - max.
Другим свойством, влияющим на эффективность использования коллектива, является количество qm входящих в него методов. Оно не должно быть очень маленьким, поскольку в этом случае может уменьшиться эффективность применения коллектива. Число методов не должно быть также слишком большим, поскольку в таком случае использование коллектива будет занимать значительное время, что может быть неприемлемо на практике. Кроме того, при наличии большого числа методов усложняется задача обеспечения оптимального разнообразия коллектива. Размерность коллектива методов qm в значительной мере зависит от области применения и других особенностей системы распознавания, в которой планируется использовать коллектив, но интуитивно кажется, что число методов порядка 7-12, отвечающих требованию разнообразия, является наиболее подходящим для большинства случаев. Таким образом, свойство оптимальной размерности коллектива представим в виде требования gm — 10.
Кроме того, в связи с практическими аспектами реализации, входящие в коллектив методы должны быть формализуемы и алгоритмизуемы, поскольку использование библиотеки в составе системы распознавания предполагает ее программное или аппаратное исполнение. В связи с этим отметим также, что собираемый коллектив методов должен отвечать ограничениям на ресурсы системы распознавания, среди которых выделим общее время классификации, т.е. время, затрачиваемое на выработку итогового решения. Обобщив, формально отразим последние требования сле- дующим образом: F- min, где V V{M)— совокупные затраты на разработку и эксплуатацию системы распознавания, построенную на базе коллектива методов М. Таким образом, в данной работе будем считать оптимальным коллектив методов, отвечающий следующим условиям:
Коллектив решающих правил на основе выбранного множества методов распознавания в простейшем случае можно сформировать следующим образом. Посредством каждого метода ищется оптимальная в соответствии с некоторым критерием (например, обеспечения минимума эмпирического риска) решающая функция, которая и используется затем при формировании конечного результата. Недостатком этого способа является то, что в ряде случаев с помощью выбранного метода не удается найти оптимальную решающую функцию или же это может отнять значительное время, превышающее отведенные для работы системы ресурсы. В данной работе для построения коллектива решающих функций будем использовать следующий подход, основанный на идеях адаптации решающего правила, изложенных в [31]. Обозначим через Wl={wij) множество параметров /-го метода распознавания, влияющих на получаемое посредством данного метода решающее правило, а через w, вектор конкретных значений этих параметров.
Автоматизация процессов обучения и распознавания на основе систем экспертного типа
Противоречие, заключающееся в несоответствии между развитостью формального аппарата теории распознавания образов и сравнительной «отсталостью» большинства из существующих систем распознавания, отражающейся в их ограниченности и узкой направленности, может быть преодолено путем разработки интегрированных многофункциональных автоматизированных информационных систем распознавания, ориентированных на решение широкого класса задач и допускающих адаптацию и настройку на новую предметную область и категорию задач.
Сложность и многофакторность проблемы распознавания, разнообразие проблемных областей и категорий задач, отсутствие универсальных методов решения задачи распознавания приводит к тому, что традиционная методология разработки систем распознавания, ориентированная на создание системы для использования в конкретной предметной области и в значительной степени опирающаяся на опыт и профессиональные знания специалиста этой области, как правило не позволяет достигнуть требуемой эффективности результатов в рамках промышленного применения, а также простоты адаптируемости к новым классам решаемых проблем из-за «ограниченности» предметных и «субъективности» профессиональных знаний.
Анализ разработанных к настоящему времени автоматизированных систем распознавания [40, 53, 55, 70, 84] позволяет сделать вывод о том, что в большинстве случаев соответствующие инструментальные средства и системы либо не позволяют достичь необходимой точности решения задач распознавания, а значит и требуемой эффективности работы системы, либо не допускают расширения своей функциональности для адаптации к другим классам задач. Область применения существующих систем обычно ограничена решением конкретных задач распознавания, жестко заданных на этапе разработки.
Конструктивный подход к разработке автоматизированных информационных систем распознавания заключается в создании комплексных интегрированных инструментальных систем, обладающих свойствами расширяемой функциональности и адаптивности к новым предметным областям и категориям задач.
Обобщенная структура процесса автоматизированного распознавания. Процесс автоматизированного распознавания будем рассматривать в рамках макросхемы «синтез решения — решение задачи» как последовательность следующих основных этапов (рис. 3.1): подготовка исходных данных о решаемой задаче (алфавиты классов и признаков, обучающая, контрольная и распознаваемая выборки); определение методов решения задачи; обучение системы и построение решающих правил; верификация полученных решающих правил на контрольных данных; собственно распознавание, т.е. получение конечных решений задачи. Последовательность выполнения этапов автоматизированного распознава ния не является строго линейной и однонаправленной. На каждом проме жуточном уровне возможен возврат к предыдущим этапам с целью коррек тировки полученных ранее результатов. Таким образом, автоматизирован ное распознавание представляет собой итеративный рекуррентный про цесс. Автоматизированная интегрированная инструментальная система распознавания — программный комплекс, предназначенный для автоматизации процесса решения задач распознавания на основе метода коллективного распознавания, объединяющий в своем составе инструментальные средства (подсистемы) формирования исходных данных, определения методов решения, синтеза решения и распознавания, построенный на базе системотехнических решений с применением ЭВМ. В соответствии с вышеприведенным представлением процесса автоматизированного распознавания, функциональное ядро АИИСР 0 будем строить как совокупность взаимосвязанных модулей, каждому из которых соответствует определенный этап автоматизации: где D — модуль задания исходных данных, М— модуль определения методов решения задач, L — модуль обучения, V— модуль верификации решающих правил, R — модуль распознавания. Модули D, М, L, V образуют комплекс средств синтеза решения, а модули R и частично D составляют средства решения задачи. Вместе с тем АИИСР представляет собой экспертно-ориентированный программный комплекс. Принадлежность АИИСР к системам экспертного типа обусловливается наличием в процедуре автоматизации неформализованных процессов выбора методов решения задачи и синтеза на их основе решающих правил, т.е. построения на основе нечетких данных о реальном мире четких и формальных решений. Эти процессы выполняются экспертом — специалистом в области теории распознавания образов с привлечением, при необходимости, специалистов конкретной предметной области. Помимо выполнения сервисных функций, роль АИИСР на этом этапе заключается в том, чтобы предоставить эксперту набор базовых схем и методов решений, опираясь на которые он может синтезировать конечные решения. Характерным свойством АИИСР как человеко-машинной системы является ориентация на коллективную работу группы специалистов, а также на продолжительность самих процессов обучения и распознавания, предполагающих множественные итерации и мультисеансовый режим работы с системой. Эти особенности нашли свое отражение в архитектуре системы в комплексе средств, обеспечивающих ведение и коллективное использование исходных данных, промежуточных и окончательных результатов обучения и распознавания, а также сохранение результатов рабочего сеанса и продолжение процессов обучения или распознавания, не завершенных в предыдущих сеансах. Для эксперта, синтезирующего конечные решения в автоматизированной информационной системе распознавания, важны такие аспекты этой системы как: возможность формального представления схем, механизмов и методов решений в рамках единого информационного фонда; автоматизация процессов накопления, хранения, представления и изменения информации о полученных решениях; информационная поддержка на всех этапах синтеза решений; удобство эксплуатации системы. Для пользователя, решающего свои прикладные задачи в автоматизированной системе распознавания, определяющими являются следующие свойства системы: автоматизация процессов накопления, хранения, представления и изменения исходных данных и получаемых результатов; возможность анализа полученных решений; возможность документирования как исходных данных о задаче, так и полученных результатов её решения; удобство эксплуатации системы.
Задача диагностики технического состояния судовой дизельной установки (СДУ)
Судовая дизельная установка как объект диагностики. В настоящее время значительная часть грузовых перевозок осуществляется водным транспортом. На большинстве судов морского и речного грузового флота в качестве энергетических используются дизельные установки [17, 43, 68, 91, 102], что обусловлено их относительной экономичностью, малыми габаритами и массой, значительным ресурсом эксплуатации, простотой и надежностью использования. Широта применения СДУ и требования увеличения экономической эффективности их эксплуатации приводят к необходимости исследования и решения задач повышения надежности работы судовых дизелей.
Под надежностью дизеля будем понимать совокупность свойств, определяющих его способность выполнять заданные функции, сохраняя во времени значения установленных эксплуатационных показателей в пределах, соответствующих заданным режимам и условиям использования [20, 42, 69, 91]. Соответствующее состояние назовем работоспособностью дизеля. Любое событие, нарушающее работоспособность, представляет собой отказ дизеля. Значительное количество отказов и неисправностей СДУ может быть выявлено и предупреждено в ходе планового технического обслуживания дизеля. Вместе с тем ряд отказов, особенно внезапных, требуют для своего предупреждения и обнаружения разработки и применения систем контроля состояния узлов и механизмов дизеля в процессе его эксплуатации.
Одним из основных направлений повышения надежности СДУ является использование методов и средств технической диагностики. Применение системы диагностики технического состояния дизеля позволяет уменьшить число аварий, увеличить межремонтные периоды эксплуатации и в целом повысить срок службы двигателя.
В связи с тем, что СДУ представляет собой сложную систему, подверженную большому количеству возможных неисправностей и отказов, взаимосвязанных друг с другом, определение технического состояния всех узлов и деталей двигателя является, как правило, трудной и экономически неоправданной задачей. Поэтому система диагностики обычно охватывает самые ответственные подсистемы, неисправности в которых приводят к выходу из строя всего двигателя. К числу особенно значимых в данном аспекте подсистем СДУ отнесем цилиндропоршневую группу (ЦПГ), топливную систему, систему наддува [20, 52, 69, 91].
Обзор литературы по эксплуатации различных типов СДУ позволяет сделать вывод о том, что наибольшее число отказов, приводящих к повреждениям и авариям двигателя и вызывающих значительные экономические потери, связано с неисправностями различных механизмов ЦПГ [69, 87, 91]. Из всех деталей ЦПГ наиболее серьезными по своим последствиям и связанным материальным затратам на ремонт являются отказы поршней, крышек цилиндров и цилиндровых втулок. В связи с этим диагностика состояния этих механизмов с целью оценки общего состояния ЦПГ и СДУ приобретает первостепенное значение.
На основании анализа материалов по повреждениям элементов ЦПГ [7, 20, 69] можно отметить, что наибольшее количество отказов деталей ЦПГ связано с повышенными тепловыми и механическими нагрузками на детали и нарушениями условий эксплуатации. Повышенная тепловая напряженность ЦПГ дизелей приводит к возникновению трещин втулок цилиндров и крышек, задирам и обрывам втулок, интенсивному износу цилиндровых втулок и поршневых колец, обрывам, задирам и заклиниванию поршней, обгоранню поршней и поршневых колец и другим повреждениям. Таким образом, в основу процесса диагностики общего состояния СДУ положим характеристики, определяющие термометрическое состояние ЦІ ІГ.
Система признаков. Оценивать выбранные для диагностики состояния деталей ЦПГ дизеля можно с помощью параметров тепловой напряженности, а именно напряжения и температуры в теплопередающих стенках [17, 20, 50, 69, 91, 102]. Тепловая напряженность двигателя представляет собой один из основных факторов, влияющих на его работоспособность в процессе эксплуатации, поскольку непосредственному воздействию высоких температур газов подвергаются механизмы ЦПГ: поршень, поршневые кольца, втулка и крышка цилиндра. Соответственно в качестве диагностических признаков могут быть использованы характеристики, определяющие величину теплонапряженности двигателя. Среди таких характеристик для оценки тепловой напряженности наибольшее распространение в современной практике контроля и диагностики работы СДУ получили показатели основных параметров дизеля (среднее индикаторное давление, давление конца сжатия, частота вращения вала и др.) и температур различных деталей (втулки, крышки цилиндра и др.) и рабочих сред (выпускных газов, масла, охлаждающей воды и др.) [68, 69, 91].
