Содержание к диссертации
Введение
Глава 1. Особенности задачи контроля нештатных и экстремальных ситуаций в бортовых интеллектуальных системах
1.1 .Проблемы создания динамической базы знаний в бортовых интеллектуальных системах 6
1.2. Принципы формализации знаний в адаптивных системах 10
1.3.Аналитический обзор 16
1 АПостановка задачи исследования 29
1.5.Общая характеристика диссертационной работы 32
Выводы по первой главе 35
Глава 2. Концепция и особенности построения динамической базы знаний на основе принципа адаптивного резонанса
2.1 .Концептуальная модель и общие принципы построения динамической базы знаний 37
2.2. Модель динамической базы знаний на основе принципа адаптивного резонанса 44
2.3.Архитектура системы и ее функциональные модули 49
2.4.Модели контроля нештатных и экстремальных ситуаций в нечеткой среде 52
2.5.Модель оценки риска принимаемых решений при контроле нештатных и экстремальных ситуаций 61
Выводы по второй главе 67
Глава 3. Моделирование, анализ и интерпретация нештатных и экстремальных ситуаций в бортовых интеллектуальных системах
3.1.Методы и модели в задачах принятия решений при моделировании нестандартных ситуаций ^ 69
3.2. Моделирование динамики взаимодействия объекта с внешней средой при контроле нештатных и экстремальных ситуаций 76
3.3.Анализ результатов моделирования при контроле нестандартных и экстремальных ситуаций 88
3.4.Тестирование динамической базы знаний при контроле нестандартных ситуаций 100
3.5.0ценка адекватности математической модели динамики объекта при контроле нестандартных ситуаций 107
Выводы по третьей главе 114
Глава 4. Разработка программного комплекса, обеспечивающего функционирование динамической базы знаний на основе разработанных принципов интерпретации информации 4.1.Общий подход к оценке поведения сложного динамического объекта в рамках принципа конкуренции 115
4.2.Особенности функционирования программного комплекса 119
4.3. Средства подготовки и анализа данных расчетов и моделирования 121
4.4.Верификация и тестирование программного комплекса 125
4.5.Анализ альтернатив и принятие решений при контроле поведения динамического объекта 133
Выводы по четвертой главе 135
Заключение 136
Список литературы
- Принципы формализации знаний в адаптивных системах
- Модель динамической базы знаний на основе принципа адаптивного резонанса
- Моделирование динамики взаимодействия объекта с внешней средой при контроле нештатных и экстремальных ситуаций
- Средства подготовки и анализа данных расчетов и моделирования
Введение к работе
Актуальность. Разработка методов и моделей формализации динамической базы знаний, обеспечивающей функционирование бортовой интеллектуальной системы (ИС) безопасности эксплуатации судов в нестандартных, особенно в нештатных и экстремальных ситуациях, является актуальной проблемой при оценке и прогнозе динамики судна на волнении. Повышение надежности и качества принимаемых решений в бортовых ИС достигается на основе динамической базы знаний и высокопроизводительных средств обработки измерительной информации в мультипроцессорной вычислительной среде. Для реализации алгоритмов обработки информации при контроле режима функционирования ИС на основе динамической базы знаний, необходимо:
разработать механизмы преобразования информации при построении динамической базы знаний, обеспечивающей решение задач анализа и интерпретации данных измерений в режиме реального времени;
выделить структуры, методы и модели, описывающие поведение судна в нестандартных ситуациях;
разработать адаптивные алгоритмы контроля динамики судна в нестандартных ситуациях и установить закономерности между особенностями исследуемых процессов и поведением судна при различной интенсивности внешних возмущений.
Анализ и интерпретация измерительной информации в бортовых ИС представляют собой одно из важных направлений формирования программной среды для реализации механизма логического вывода при контроле поведения судна в различных условиях эксплуатации. Методы и модели, обеспечивающие функционирование динамической базы знаний, позволяют исследовать динамические процессы в условиях неопределенности и неполноты исходной информации. При построении алгоритмов и программного обеспечения основное внимание уделяется использованию адаптивных моделей анализа и интерпретации информации в режиме реального времени.
В диссертации рассматривается подход и вычислительная технология, обеспечивающие анализ динамики взаимодействия судна с внешней средой в бортовой ИС обеспечения мореходных качеств судов. Основное внимание уделяется вопросам контроля поведения судна в нештатных и экстремальных ситуациях на базе эффективного математического аппарата, разработанного на основе принципа адаптивного резонанса. Этот принцип позволяет «настраивать» логическую систему знаний на восприятие сложной информации о поведении судна в рассматриваемой ситуации. Модели обработки информации основаны на конкурирующих вычислительных технологиях, использующих традиционные методы, нечеткую логику и искусственные нейронные сети (ИНС).
Таким образом, актуальность темы диссертации обусловлена:
авариями судов в нештатных и экстремальных ситуациях, в том числе и
аварией крупного контейнеровоза (США) при интенсивной качке в режиме
параметрического резонанса;
отсутствием методов контроля динамики судна в нештатных и экстремальных ситуациях;
совершенствованием информационных технологий построения моделей знаний в нештатных и экстремальных ситуациях.
Целью работы является разработка и исследование модели динамической базы знаний, обеспечивающей обработку данных измерений динамики взаимодействия судна с внешней средой в нестандартных ситуациях при неопределенности и неполноте исходной информации. Для достижения этих целей в диссертации решались следующие основные задачи:
-
Разработка и обоснование модели динамической базы знаний на основе принципа адаптивного резонанса.
-
Разработка алгоритмов и программного комплекса функционирования динамической базы знаний при обработке информации в нестандартных ситуациях.
-
Моделирование взаимодействия судна с внешней средой в нестандартных ситуациях при различном уровне внешних возмущений.
-
Генерация сценариев взаимодействия, анализ альтернатив и выбор предпочтительной вычислительной технологии обработки информации в нестандартных ситуациях.
Методы исследования. Для решения поставленных задач в работе были использованы системный анализ, методы математического моделирования, методы вычислительной математики, теория вероятностей и математической статистики, теория графов, теория матриц, теория нечетких систем и нейронных сетей, а также методы искусственного интеллекта и прикладного программирования.
Объект исследования. Объектом исследования являются нестандартные (нештатные и экстремальные) ситуации, возникающие при оценке мореходных качеств в процессе эксплуатации транспортных и промысловых судов.
Научную новизну работы составляет:
-
Модель динамической базы знаний, разработанная на основе принципа адаптивного резонанса.
-
Методы и алгоритмы обработки измерительной информации в нештатных и экстремальных ситуациях на основе конкурирующих вычислительных технологий.
-
Результаты математического моделирования динамики судна в сложных ситуациях.
Практическая ценность работы заключается в следующем:
-
Разработана адаптивная модель динамической базы знаний и алгоритмы анализа измерительной информации при оценке поведения судна в сложных ситуациях.
-
Разработан программный комплекс, обеспечивающий решение задач анализа и интерпретации информации в сложных ситуациях, определяющей функционирование ИС контроля мореходных качеств судна.
Практическая значимость диссертационного исследования обеспечена прикладной направленностью и созданием конкретных методов, алгоритмов и программных средств в системах интеллектуальной поддержки оператора бортовой ИС контроля динамики судна в сложных ситуациях.
Научные положения, выносимые на защиту:
-
Нечеткая модель обработки измерительной информации при контроле режима функционирования и анализе сложных ситуаций в бортовых ИС.
-
Модель динамической базы знаний, функционирующая на основе принципа адаптивного резонанса
-
Результаты математического моделирования сложных ситуаций в бортовых ИС реального времени.
-
Программный комплекс анализа и интерпретации нестандартных ситуаций при контроле динамики судна на волнении.
Достоверность научных результатов и выводов подтверждаются строгостью доказательства утверждений и наложенных ограничений, обоснованностью применения математического аппарата, оценкой адекватности математических моделей, результатами тестирования алгоритмов и программного обеспечения, а также практическим использованием разработанных математических, алгоритмических и программных методов и средств.
Внедрение результатов работы. Разработанные методы, алгоритмы и программные средства внедрены в ФГУП «Адмиралтейские верфи» при разработке новых типов судов активного ледового плавания и используются в учебном процессе СПбГМТУ при проведении лабораторных и курсовых работ по курсу «Инженерия знаний» в рамках магистерской подготовки студентов специальности 220400 «Программное обеспечение вычислительной техники и автоматизированных систем».
Апробация работы. Основные результаты работы докладывались и обсуждались на национальных и международных научно-технических конференциях:
-
Международная конференция МОРИНТЕХ'2005, Санкт-Петербург, 2005;
-
Международная конференция по мягким вычислениям и измерениям SCM-2005, Санкт-Петербург, 2005;
-
Научно-методическая конференция «Телематика-2005»;
-
Национальная конференция «Управление и информационные технологии» УИТ-2006, Санкт-Петербург, 2006,
-
Международная конференция МОРИНТЕХ'2006, Санкт-Петербург, 2006;
-
Международная конференция по мягким вычислениям и измерениям SCM-2006, Санкт-Петербург, 2006;
-
Научно-методическая конференция «Телематика-2006»;
-
Международная конференция по мягким вычислениям и измерениям SCM-2007, Санкт-Петербург, 2007;
-
Научно-методическая конференция «Телематика-2007»;
-
Международная конференция по искусственному интеллекту ИИ-2008, Крым, Кацивели, 2008;
И. Международная конференция МОРИНТЕХ'2008, Санкт-Петербург, 2008;
-
Международная конференция по мягким вычислениям и измерениям SCM-2008, Санкт-Петербург, 2008;
-
Научно-методическая конференция «Телематика-2008»;
-
International conference Poland, 2005;
-
International work-shop Gamburg, Germany, 2007.
Публикации. По теме диссертации опубликовано 20 работ, из них - 4 статьи (3 статьи, опубликованные в ведущих рецензируемых научных журналах и изданиях, определенных ВАК), а также 16 работ и докладов в трудах международных и всероссийских конференциях.
Объем и структура работы.
Работа состоит из введения, четырех глав, заключения, списка литературы, включающего 204 наименования, и двух приложений. Основная часть работы изложена на 137 страницах машинописного текста Работа содержит 61 рисунок, 11 таблиц.
Принципы формализации знаний в адаптивных системах
Нечеткая логика, предложенная Л. Заде [43] как обобщение булевой алгебры, преследовала собой цель моделирования человеческих рассуждений. Как показано в аналитическом обзоре (см. п.З настоящей главы), развитие теории нечетких множеств в последующие годы пошло по пути обобщения для других теорий и методологий. Среди них следует выделить методологию автономного адаптивного управления (ААУ), развиваемую в Институте системного программирования РАН [36]-[38] и принцип адаптивного резонанса [181]. Обобщение методологии ААУ на случай генерации нечетких правил управления мобильным роботом рассмотрено в работе [49].
Методология ААУ. Концептуальная модель, положенная в основу методологии ААУ, построена с использованием биотехнических принципов самообучающихся адаптивных систем управления. Рассмотрим краткую характеристику этой модели. В среде, закон функционирования которой близок к детерминированному, находится объект управления (ОУ) с системой управления (СУ). СУ работает по замкнутому циклу и имеет целевые функции, связанные с обеспечением выживания ОУ и накоплением знаний о среде.
Для наблюдения за параметрами ОУ и среды СУ имеет N входных полюсов (датчиков) Xi, X2,...xN, а для воздействия на среду и объект — М выходных полюсов (исполнителей) у и У2,---Ум- Каждый из полюсов имеет непрерывные множества своих значений с верхней и нижней границей, причем входные и выходные множества СУ будут равны соответственно декартовым произведениям: Х= х/хл х... хxN и Y = yixy2x...xyAf.
В СУ заложено множество оценок состояний ОУ S, которое дискретно, упорядочено и состоит из конечного числа элементов S = {sj, s2,.-.sp}. Задано отображение подмножества X входного множества X в множество оценок S, а также отношение порядка на множестве S: si s2 ... Sp, для задания целевой функция управления. Условия дискретности соблюдается путем разбиения множеств Xи Y на конечное количество нечетких подмножеств: Оi, 02,...0L и A], A2,...AK- «образов» и «действий». Подмножества 0\, 02 ... 0[у и А/, А2, ... Ак задаются функциями принадлежности (ФП) /л((х) каждого элемента из множеств X и Y. Причем «образ 2-го порядка» представляет собой продукцию вида ОІ & Aj — Ok, отображающую закономерность управления, где Ot и Aj — множества значений входных и выходных полюсов на предыдущем такте, a Ok — множество значений входных переменных на текущем такте. Аналогичным образом определяется «образ 3-го порядка»: О и & Aji — Oi2 & Aj2 - Ok, и т.д. Методология ААУ предписывает СУ решение следующих задач: находить закономерности в информации на входных полюсах: их запоминание в виде образов, распознавание этих образов при появлении их признаков на входных полюсах (решение задач автоматической кластеризации и распознавания образов); оценивать образы с точки зрения полезности или опасности их для ОУ с использованием множества оценок S и отображения X — S; на каждом такте работы СУ вычислять выходные воздействия, подаваемые в среду или ОУ через «исполнительные органы»; сохранять образы всех порядков в памяти и использовать их для принятия решений.
База знаний (БЗ) отслеживает и сохраняет пространственно-временные закономерности (образы 2-го и более высоких порядков) в виде нечетких правил: Ph: Оц & AJJ — Oi2 & Aj2 — Ok, где P/, - /2-ое правило управления. При генерации новых правил на каждом такте запоминаются значения входных и выходных полюсов. Через равное количество тактов происходит анализ этой предыстории и выделение в ней статистически достоверных закономерностей в виде шаблона: О,- & Aj — Ok, где О,, Aj и Ok — нечеткие множества, ФП которых и подбираются в процессе анализа, а выделяемые ими области являются кластерами в множествах X и Y.
Для обеспечения адаптации системы к изменяющимся условиям для каждого правила Pf, в БЗ вводится счетчик его актуальности С/,. На каждом такте значение счетчика изменяется в соответствии с формулой: с;+,=с;+///ю .( /+,-1/2), где u,hol — выходное значение /г-ого правила на -ом такте, а ///,/ - ФП значений входных полюсов результирующего образу, предсказываемому этим правилом.
Снижение значения счетчика С/, ниже порога Cmin говорит о том, что это правило неадекватно описывает текущий закон функционирования ОУ и среды и это правило исключается из процесса принятия решений, а при снижении значения счетчика Ch ниже нуля, правило h удаляется из БЗ.
Для минимизации объема БЗ, правила объединяются по принципу: ОІ & Aji - Oh О, & Aj2 - Oh = Ot & (Aji v AJ2) - Ok или Ou & Aj - Oh Oi2 & Aj - Oh = (On v Oi2) & Aj - Oh
Это позволяет значительно сократить количество правил в БЗ без усложнения процедур генерации правил и логического вывода.
Как видно из приведенного описания, подход ААУ хорошо работает в плоских задачах управления мобильным роботом. Методы и модели этого подхода не позволяют осуществлять процедуры генерации нечетких правил в сложных системах управления, особенно в бортовых системах обеспечения мореходных качеств судов.
Одним из перспективных направлений создания динамической базы знаний в бортовых ИС является реализация модели знаний на основе принципа адаптивного резонанса. Этот принцип широко используется в теории искусственных нейронных сетей (ИНС). Модели ИНС, построенные на основе теории адаптивного резонанса (Adaptive Resonance Theory Network — ART)., разработанной С.Гроссбергом [181] применительно к биологическим структурам, обладают свойством стабильности и пластичности.
Модель динамической базы знаний на основе принципа адаптивного резонанса
Практическое применение принципа адаптивного резонанса при функционировании нечеткой системы знаний связано с реализацией определенных стратегий анализа текущих ситуаций, интерпретация которых осуществляется в соответствии со следующими утверждениями.
Утверждение 1. Если существует возможность реализации операций логического вывода на базе имеющейся системы знаний, то класс идентифицируемой ситуации рассматривается как образ, приводящий к возможности реализации стандартной ситуации, описываемой в виде одного или группы правил нечеткой системы. Поступивший на вход нечеткой системы входной вектор рассматривается как «образ», приводящий к возникновению «адаптивного резонанса» в системе, приводящего к выводу «стабильного» решения.
Утверждение 2. Если имеющаяся система знаний не содержит логических правил, вступающих в «адаптивный резонанс» с входным вектором, определяющим класс ситуации, то текущая ситуация рассматривается как нестандартная (нештатная). На основе «пластичного» решения о появлении нестандартной ситуации формируется новый входной образ (ситуация) и база знаний пополняется правилом, отображающим динамику взаимодействия объекта с внешней средой в рассматриваемой ситуации.
Уупверждение 3. Если процедуры, реализуемые на основе утверждений 1 и 2, не приводят к желаемому результату, то осуществляется поиск логического правила, имеющего наибольшее сходство с текущей информацией, представленной входным вектором, и модификация логического правила, имеющего наибольшее «сходство» с исходной информацией, поступившей на вход нечеткой системы. При реализации процедуры модификации осуществляется «подстройка» исходных значений функций принадлежности выделенного логического правила с учетом особенностей нештатной ситуации.
Развивая подход [54], рассмотрим структуризацию нечетких знаний в рамках формальной системы (2.1). Для обеспечения функционирования нечеткой базы знаний на основе принципа адаптивного резонанса, в соответствии с утверждениями 1-3 введем следующие определения.
Определение 1. Содержанием нечеткого знания, представленного в виде модели if X, & Х2 &... & Xm, then Yi & Y2 &.. .&Yn (2.2) называется множество W= Wi x W2 x... xWm x V, x V2 x...xV„ . (2.3) Произвольный элемент множества (2.3) называется элементом содержания знания. Определение 2. Содержанием условия знания (antecedent) называется множество WA=W,x W2x ...х Wm. (2.4) Произвольный элемент множества (2.4) называется элементом содержания условия. Определение 3. Содержанием следствия знания (consekvent) называется множество VK = V,xV2x...xVn. (2.5)
Произвольный элемент множества (2.5) называется элементом множества следствия знания. Определение 4. Два знания if X, & Х2 &... & Xm, then Yi & Y2 &.. .&Yn H Y!&Y2&...&Yn (2.6) называются сравнимыми, если компоненты множеств с одинаковыми индексами могут различаться только вероятностями своих значений.
Определение 5. Расстояние между сравниваемыми знаниями находится по принципу минимального расстояния между значениями функции принадлежности, определенными в точках максимума функций принадлежности входных переменных и значениями максимумов функций принадлежности выходной переменной: R g = min k І цх(х) - цх (х), (2.7) С помощью расстояния R,j можно установить, к какому из подмножеств логической системы следует отнести новое знание («образ»), характеризующее нестандартную ситуацию. В результате открывается возможность решения следующих задач: проверку соответствия нечеткой системы знаний, разработанной на этапе создания ИС, текущей информации, поступающий от датчиков измерительной системы; выделение логического правила, в наибольшей степени соответствующего новому знанию для последующей его «настройки» в задаче идентификации нештатной ситуации.
Общий принцип подсчета расстояния между ситуациями состоит в выделении общей части сравниваемых объектов и вычислении того, насколько каждый из них отличается от общей части. Схематически суть подсчета изображена в виде схемы, представленной на рис.2.5. Здесь показано сравнение двух множеств - эталонного Е (стандартная модель) и проблемного (новое знание) Р. Если эти множества имеют общую часть С=ЕпР и с эталонным связано определенное решение D, то можно установить, насколько множества Е и Р соответствуют друг другу. Степень соответствия S(E,P) характеризуется долей множества С в каждом из сравниваемых множеств Е и Р. При этом следует иметь в виду, что решение связано с элементами множества Е и в случае С =Е опирается на отсутствующую часть ЕС, которой нет в множестве Р. В то же время множество CczP определяет, для какой части проблемного множества Р применимо данное решение D. В общем виде величина S(E,P) есть доля множества С в объединении EuP, однако здесь следует учесть дополнительный вес отсутствующей части ЕС, который ослабляет величину S(E,P) [62].
Моделирование динамики взаимодействия объекта с внешней средой при контроле нештатных и экстремальных ситуаций
Математическую модель, описывающую пространственное движение судна, можно записать в виде нелинейного матричного уравнения. Общий вид этого уравнения представляется в форме Коши [128]: х = Ф(Х, U, W, t), (3.10) где X,U,W- матрицы-столбцы (векторы) переменных состояния, управляющих и возмущающих воздействий; Ф - нелинейная векторная функция, представляющая собой матрицу-столбец скалярных нелинейных функций, общее число которых совпадает с числом переменных состояния: Х = X, их wi Фі ,и = \ ,W = ,Ф = Хп иг w« Фп (3.11)
В качестве переменных состояния рассматриваются проекции угловой и линейных скоростей, углы рыскания, крена и дифферента, а также линейные координаты центра масс. Вектор состояния характеризует полное пространственное движение ДО и содержит следующие составляющие: Х= (xg, yg, zg, Vx, Vy,Vz, 0, \/, , cox ,coy, coz). (3.12)
Конкретизация математической модели при исследовании динамики взаимодействия плавучего ДО с внешней средой связана с переходом от общей модели (3.10) к системе нелинейных дифференциальных уравнений. Такая система описывает поведение ДО на нерегулярном волнении и базируется на гидродинамической концепции «удлиненного судна» и двухпараметрических разложениях в ряды по степеням малых параметров [150]. В практических задачах моделирования поведения плавучего ДО при разработке и испытании интеллектуальных тренажеров рассматриваются вполне определенные положения ДО на волнении (носом на волну, лагом к волне, на попутном волнении, под курсовым углом к волне). Это позволяет значительно упростить исходную систему, иногда использовать отдельные дифференциальные уравнения, пригодные в каждом конкретном случае ориентировки ДО относительно бега волн.
В качестве приложения изложенных теоретических принципов моделирования нестандартных динамических ситуаций рассмотрим анализ колебательного движения судна в нестандартных режимах качки. При исследовании этих режимов ограничимся наиболее важными с точки зрения безопасности судна видами качки — килевой, бортовой и вертикальной.
Система дифференциальных уравнений, обычно используемая в задачах контроля мореходных качеств судов в условиях сильной бортовой и продольной качки имеет вид [18],[19],[150]: дх+Цве)Є"+ MR(9 ) + M(e,cpk,t) = Mx(t); (D/g + Цзз)Сс" + VCCG + PgS o + ЦззХі\[/"+ (v - У0Цзз)М + (pgS/- v0vc)v; = = - r0(pgao - сґао"- cjb0 )cos at - r0(pgb0 - a2b0" + aa0 )sin at; (Jy + VssW + К + (vo2/a2)v ]\/ + (DHvj/ - У02ЦЗЗ)Ч/ + ЦззХіСс"+ (v + У0ЦЗЗ)СО + (pgS/ + v0v G = - ro(pg«i - a2a,"- abi )cos at -ro(pgbi-a2b," + aa, )sinat. , (3.13) где (Jx+Uflo)9", MR(0 ), M(9,q k,t), Mx(t) - инерционная, демпфирующая, восстанавливающая и возмущающая компоненты; остальные обозначения соответствуют принятым в работе [150].
Все уравнения в (3.13) записаны в абсолютной системе координат, что представляется наиболее удобным для задачи визуализации динамических сцен.
На основе математической модели (3.15) для каждого значения {p,t}, характеризующего положение судна в данный момент времени по отношению к взволнованной поверхности, рассчитываются возмущающие силы и моменты путем непосредственного интегрирования по корпусу. Это позволяет более точно учитывать взаимосвязь между перемещениями ( //, ), и, с другой стороны, учитывать влияние вертикальных колебаний на бортовые в режиме параметрического резонанса.
Численное интегрирование системы (3.13) проводилось с использованием метода Рунге-Кутта 6-го порядка. Для инициализации модели морского волнения использовалась стандартная аппроксимация частотного спектра штормового (ветрового) волнения в форме Пирсона-Московица [18]: S {co) = Awco exp -Bwco -4 J - (3.14) Коэффициенты А, В однозначно определяются через среднюю высоту волнения h и средний период т (по нулевому и второму моменту спектра).
Динамика волнения моделировалась с использованием экспериментальных данных о групповой структуре волнового поля. Из всей совокупности групп в составе нерегулярного волнения наибольший интерес представляют пакеты волн, включающие наиболее высокие волны, длина которых близка к длине судна. Групповая структура оказывается различной в зависимости от ширины спектра волнения [89]. Так, например, волнение зыби при ширине спектра 0,2-0,3 может содержать пакеты, включающие до 5-8 волн, близких к регулярным (рис.3.5А). При достаточно широких спектрах чаще отмечаются пакеты, состоящие из 3-4 нерегулярных волн. Среди них можно выделить короткие группы, напоминающие пакеты зыби (рис.3.5В), и структуры, содержащие близкие по размерам почти регулярные волны (рис.3.5С).
Средства подготовки и анализа данных расчетов и моделирования
Рассмотрим особенности заключительной стадии разработки программного комплекса анализа и интерпретации нештатных и экстремальных ситуаций, связанной с верификацией, ее целями и тестовыми сценариями [68]:
Верификация - это процесс, предназначенный для определения, выполняют ли компоненты программного комплекса требования и условия, наложенные на них на предыдущих этапах разработки жизненного цикла.
Цели верификации программного комплекса достигаются посредством последовательного выполнения комбинаций из просмотра, анализа, разработки тестовых сценариев и процедур и последующего выполнения этих процедур. Просмотры и анализы должны обеспечивать оценку точности, полноты и верификации требований с учетом особенностей архитектуры программного комплекса и исходного текста программ.
Тестовые сценарии предназначены для проверки внутренней непротиворечивости и полноты реализации требований. Выполнение тестовых процедур должно обеспечивать демонстрацию соответствия испытываемых программ исходным требованиям. Исходная информация для процесса верификации включает общие системные требования, а также требования к программной системе и архитектуре, данные о выполнении требований, исходной текст программ, исполняемый код, а также планы верификации и квалификационного тестирования особенностей функционирования ПС в нештатных и экстремальных ситуациях.
Модуль контроля взаимодействия ДО с внешней средой с использованием традиционных моделей разработан на языке C++ в среде программирования 126 C++Builder 6.0. С помощью этого модуля производилась оценка нештатных и экстремальных ситуаций.
В процессе тестирования на вход программного комплекса подавались временные последовательности, имитирующие сигналы от датчиков измерительной системы в виде векторов амплитуд бортовой и килевой качки. Предварительная обработка информации заключалась в выполнении процедуры анализа, заключающейся в разделении поступившей информации на периоды и амплитуды качки, вычислении характеристик качки для заданных параметров волнения. Для этого среди всех амплитуд качки выделялись существенные амплитуды, которые соответствовали "периодам крупных колебаний". Такая информация представляют собой периоды, в течение которых встречаются амплитуды качки, разность которых с углом статического крена для бортовой качки (дифферента — для килевой качки) по абсолютной величине превосходит среднее значение соответствующей амплитуды.
Алгоритм работы программного комплекса при верификации и тестировании рассматриваемых динамических ситуаций выполнялся в виде следующих шагов: накопление и предварительная обработка информации; обращение к базе знаний с целью получения накопленных в течение прошедшего времени данных о возможных ситуациях; проверка текущей ситуации на основе модели динамической базы знаний, реализующей принцип адаптивного резонанса (проверка условий стабильности и пластичности); обновление базы знаний новыми знаниями при выполнении условий функционирования динамической базы знаний; выдача практических рекомендаций.
Обработка информации заключалась в выделении отдельных периодов и амплитуд бортовой качки и вычислении интегральных характеристик каждой компоненты. Оценка ситуации производилась на основе серии измерений, 127 включающей шестнадцать периодов (общее число выделенных периодов определяется особенностями исследуемого ДО). По каждому периоду вычислялись средние амплитуды качки по следующим формулам: для процедуры поиска катастрофического крена: т п - м "Null - г, (4.1) для процедуры поиска смены аттрактора, внезапного налета шквала и непрерывного нарастания крена: &Avr 2 . ;=1 (4.2) где Т - количество замеров амплитуды качки в пределах текущего периода.
Далее по вычисленным средним величинам строятся функции принадлежности в треугольном виде. Это наиболее типичная форма, используемая в системах реального времени. Общий вид такой функции принадлежности представлен на рис. 4.8.
