Содержание к диссертации
Введение
1. Анализ проблемы поддержки принятия решений при управлении очистными сооружениями 12
1.1. Актуальность проблемы поддержки принятия решений при управлении очистными сооружениями 12
1.2. Обзор существующих подходов к автоматизации процесса управления очисткой сточных вод 20
1.3. Анализ интеллектуальных подходов к поддержке принятия решении 30
1.3.1. Обзор существующих методов и средств искусственного интеллекта 30
1.3.2. Примеры существующих интеллектуальных систем поддержки принятия решений и оценка возможности их использования для защиты окружающей среды 39
Выводы по 1 главе 46
2. UML Модели представления знаний для организации интеллектуальной поддержки принятия решений по регулированию качества водной среды 48
2.1. Разработка комплекса объектно-ориентированных моделей интеллектуальной системы поддержки принятия решений 49
2.2. Формирование модели представления знаний на основе предметной онтологии процесса очистки сточных вод 60
2.3. Интеллектуальный анализ данных мониторинга очистных сооружений 72
Выводы по 2 главе 36
ГЛАВА 3. Алгоритмы интеллектуальной поддержки принятия решений . 87
3.1.. Формализация онтологической базы знаний 91
3.2. Разработка онтологии прецедентов в проблемных ситуациях в процессе очистки сточных вод 109
3.3. Алгоритм поиска решений на основе знаний 116
3.4. Методика разработки интеллектуальной системы поддержки принятия решений 123
Выводы но 3 главе. 125
4. Реализация интеллектуальной системы поддержки принятия решений на станции очистки сточных вод и оценка ее эффективности 127
4. 1. Программная реализация интеллектуальной системы поддержки принятия решений 127
4.2. Оценка эффективности работы интеллектуальной системы поддержки принятия решений 139
4.3. Перспективы развития исследований в облает поддержки принятия решений управляющих процессом очистки сточных вод 159
Вы йоды но 4 главе 162
Заключение 164
Список использованной литературы 166
Приложения 182
- Актуальность проблемы поддержки принятия решений при управлении очистными сооружениями
- Обзор существующих подходов к автоматизации процесса управления очисткой сточных вод
- Разработка комплекса объектно-ориентированных моделей интеллектуальной системы поддержки принятия решений
- Разработка онтологии прецедентов в проблемных ситуациях в процессе очистки сточных вод
Введение к работе
Актуальность темы
В условиях научно-технической революции, когда человечество вовлекает в свои производственные и хозяйственные нужды более половины запасов пресных вод, проблема сохранения качества воды становится чрезвычайно актуальной. Известно, что главным источником загрязнения водной среды являются сточные воды. Основная их масса в России (78,9% от общего объема очищенной воды) очищается на биологических очистных сооружениях, которые являются мощным защитным экраном.
В настоящее время более 70% станций очистки сточных вод (ОСВ) в России работают неэффективно по причине морального и физического износа оборудования, ошибок персонала. Ошибки персонала происходят вследствие недостатка данных для принятия решений, поскольку ряд значении параметров трудно определить. Кроме этого, присутствует недостаток теоретических знаний о взаимосвязях и взаимозависимостях между микроорганизмами, очищающими воду, и составом воды. Поэтому часто принимаются неправильные решения по управлению ОСВ, в связи с чем возникает проблема повышения их качества.
Повышение эффективности управления ОСИ первоначально достигалось за счет автоматизации управления на этапах наблюдения, сбора, обработки и анализа информации средствами пакетов математического анализа данных, внедрения автоматизированных систем управления технологическими процессами (АСУТП). Вопросами автоматизации обработки результатов наблюдении и анализа состояния водной среды занимались ведущие российские ученые: Н.Г.Булгаков, А.П. Левпч, В.Н. Максимов, Л. Сазонова, и др., а также зарубежные ученые Д. Йохансен, Д.Л. Осмонд Г. Хартвнгстеп, и др. Автоматизации сбора, хранения н анализа данных недостаточно для того, чтобы управляющие (технологи, главные инженеры) очистными сооружениями смогли принимать эффективные решения по управлению процессом ОСВ - необходима автоматизация процесса поддержки принятия решений, отсутствующая и системах АСУТП. Под понятием «поддержка принятия решений» понимается совокупность процедур, обеспечивающих лицо, принимающее решение, необходимой информацией и рекомендациями, облагающими процесс принятия решений. Повышение эффективности управления за счет автоматизации поддержки принятия решении, в том числе и па основе методов и средств искусственного интеллекта, рассмотрено в трудах 13.И. Васильева, Т.А. Гавриловоп, В.А. Геловани, В.М, Глушкова, Б,Г. Ильясова, А.Г, Мамикоиопа, Д. А. Поспелова, Ю.Ф.Телыюна, Э.А. Трахтснгерца, JKP, Черняховской, И.10. Юсупова, а также зарубежных ученых А- Аамодта, Р. Бергмана, М, Рихтера, и др. Исследования B.F. Гвоздева» СВ.Павлова поевяшены информационному обеспечению контроля и управления состоянием природпо-техпических систем. В последние годы такие зарубежные ученые, как С, Кропили, М. Санчез-Марре, К. Фсдра, и др., разрабатывают системы, автоматизирующие процесс принятия решении на основе методов и средств искусственного интеллекта для управления ОСВ на очистных сооружениях. В то же время недостаточно исследованной является проблема разработки интеллектуальной системы поддержки принятия решении для управления процессом очис[кн сточных вод па основе интеграции нескольких методов и среда в инженерии знаний, чю обуславливает актуальность выбранного направления исследований.
Диссертационное исследование является составной частью исследовании, проведенных в рамках гранта РФФИ (проект №03-07-90242 на 2003—2005гг.) по теме: «Интернет-комплекс поддержки выполнения проектов фундаментальных исследований сложных систем с применением интеллектуальных технологий на базе экспертных систем», а также поддержано грантом международной службы академических обменов ДААД (на 2004-2005 гг.).
Цель работы и задачи исследовании
Целью настоящей работы является повышение эффективности управления за счет организации поддержки принятия решений и разработка моделей, методов и алгоритмов интеллектуальной системы поддержки принятия решении на основе онтологии (на примере управления очисткой сточных вод).
Для достижения поставленной цели решаются следующие задачи:
1. Предложить подход к поддержке принятия решений при управлении очистными сооружениями, обеспечивающий получение и интеграцию общих и специальных знаний о предметной области, поступающих из различных источников и описываемых различными моделями представления знаний: онтологией, правилами и прецедентами проблемных ситуаций.
2. Провести анализ и моделирование структуры объектов и динамики процессов их взаимодействия при управлении очисткой сточных вод. Разработать объектно-ориентированную модель интеллектуальной системы поддержки принятия решении, а также модель онтологии на основе объектно-когнитивного анализа.
3. Разработать структуру онтологической базы знаний в области управления процессом очистки сточных вод, позволяющую интегрировать различные модели представления знаний и синтезировать новые знания.
4. Разработать метод поиска решений в онтологической базе знаний, а также алгоритмическое и программное обеспечение, реализующее предложенный метод.
5. Разработть методику создания интеллектуальной системы поддержки прнняшя решений для управления процессом очистки сточных вод на основе объектно-коппггивпо] о анализа.
6. Исследовать эффективность использования интеллектуальной системы поддержки принятия решений в процессе управления очисткой сточных вод в проблемных ситуациях для повышения качества очищенной волы.
Методы исследования
В работе использовались принципы и методы системного анализа, методологии объектно-ориентированного анализа и моделирования информационных систем, онтологического анализа, дескриптивная логика, методы искусственного интеллекта, интеллектуального анализа данных.
На защиту иыпосится
2. L Объектно-ориентированная модель процесса поддержки принятия решений в процессе управления очисткой сточных вод, Модель онтологии процесса очистки сточных вод, отражающая основные категории и атрибуты управляемого процесса, а также отношения между ними.
3. Структура онтологической базы знаний, содержащая онтологию предметной области, интегрированную с правилами и онтологией прецедентов проблемных ситуаций.
4. Метод поиска решений в онтологической базе знаний, а также алгоритмическое и программное обеспечение, реализующее предложенный метод.
5. Методика разработки интеллектуальной системы поддержки принятия решений при управлении процессом очистки с точных вод.
6. Результаты исследования эффективности предложенной интеллектуальной системы для информационной поддержки персонала при управлении процессом очистки сточных вод.
Научная поннзна
1. Новизна предложенною онтологического подхода к организации поддержки принятия решений при управлении очистными сооружениями состоит в том, что данный подход позволяет выявить и учесть скрытые взаимосвязи и взаимозависимости, сохранить целостность и непротиворечивость знаний в процессе их сбора, обработки и представления.
2. Новизна структуры онтологической базы знаний поддержки принятия решений состоит в интеграции общих и специальных знаний о предметной области в форме онтологии. Общие знания выявлены и сформированы на основе разработанной онтологической модели предметной области.
Специальные знания представлены в форме онтологии прецедентов, отличительной особенностью которых является их объектная структура.
3, Новизна метода поиска решений заключена в использовании логического вывода на основе правил и вывода по аналоги» на основе прецедентов, представленных в онтологической базе знаний. Отличительной особенностью метода является использование предложенных мер сходства классов онтологии и их свойств.
4. Новизна предложенной методики построения интеллектуальной системы поддержки принятия решений для управления процессом очистки сточных вод заключается в применении принципов объектно-когнитивного анализа на этане моделирования, а также в интеграции моделей правил и прецедентов на основе онтологии на этапе формализации процесса поиска решении.
Практическая значимость
1. Разработанная онтологическая база знании позволяет увеличить полноту информационного обеспечения и обучать персонал очистных сооружении,
2. Предложенная методика позволяет в автоматизированном режиме построить интеллектуальную систему поддержки принятия решений па основе онтологии.
3. Разработанное программное обеспечение интеллектуальной системы поддержки принятия решений позволяет при управлении очистными сооружениями принимать более качественные решения по выходу из проблемных ситуаций и их предотвращению.
Основные результаты диссертационной работы внедрены в виде информационного, алгоритмического и программного обеспечения интеллектуальной системы поддержки принятия решений, используемой при обучении и тренинге персонала ООО «Водоканал» г. Давлекаиово, а также в учебном процессе Уфимского государственного авиационного технического университета при разрабо1ке методических указании к лабораторным работам.
Апробация работы
Результаты работы докладывались п обсуждались на слелуЕощих конференциях: «Интернет-технологии и современное информационное общество» (Третья Всероссийская научно-методическая конференция, Санкт-Петербург, 2000); «Системный анализ в проектировании и управлении» (Международная научно-практическая конференция, Санкт-Петербург, 2001, 2002, 2006); «Радиоэлектроника, электротехника и онергелнеа» (Мевдународиая научно-техническая конференция, Москва, 2003); «Радиоэлектроника п молодежь в XXI веке» (7-й международный молодежный форум, Харьков, Украина, 2003) «Интеллектуальные системы управления и обработки информации» (Международная молодежная научно-техническая конференция, Уфа, 2003); «Компьютерные науки и информационные технологии - CSIT» (Международный симпозиум, Уфа, 2003, Карлсруэ, Германия, 2006); «Искусственный интеллект в XXI веке» (Всероссийская научно-техническая конференция, Пенза, 2003, 2005); «Проблемы управления и моделирования в сложных системах» (VI международная конференция, Самара, 2004; «Бизнес взаимодействие» (11-ая международная конференция, Мюнхен, Германия, 2005); «Меры сходства - процессы - автоматизация» (Международный симпозиум, Чикаго, США, 2005).
Публикации
Основные положения и результаты исследования но теме диссертации опубликованы и непосредственно отражены и 20 работах, в том числе в 8 статьях, из них I - в издании» входящем в список ВАК, 10 материалах и трудах конференции, 2 свидетельствах об официальной регистрации программ для ЭВМ
Актуальность проблемы поддержки принятия решений при управлении очистными сооружениями
Одной т oci рей шпх пр Гпем современное г и ш \тч я прпдч кт, стчшпж с использованием человеком водных ресурсов. ИЧ вгело аГуьема опираемой иолы только о/мил четвертая часть испортится ое шочярглно, грн чегпетш mvtnparumoiea о полосмы со еточньши волами пегочттом гм\жшстш водное среды являются сточные полы, В республике Ьашкорчаетан па дшшым Ьетьешго мееешово а удивления оольшая часть vummx ып сбрасывается недостаточно осиленными или ост очистки (рясК И \2(}\.
Качество &оды во/юем в и 2004 голу по лажшм j осултрстнеН1кн моклада «О гачнтарчо- мшдемиологической обетпов&е о Российской Федераций я 2004 юду продолжало оскшагьея исулош створи тел ытым J7J. При )w\i па гннз1тарно-чнмнческн\г покупателям качество BOitu водоежт II категории Им рекреационного т шиь юштт, куда поступает оеноьнм шкеа очищенных сточных im;t} н 2=01)4 J. ьшч1пе:п но %худппно!ъ: доля неудовлетворительных проб волы, ис швечакшшх п шеву кнжш нормали вам еосгавмиа 27,41 % пропет 25., 5 в 2003 i.
Вюе. яки дпа основных иегочпи&а агрьппено рода. сvочные воды которые обычно шшадшоз в природные водоемы чере1 тшмптщоппую фуб (или грубы); laiaie НСШЧШНИ rd\рячнецня нашпают егашшуарввши ши шчечнвшн. Вочииз мог е1;щнппарпые нешчиивн с.1е,;ун ошм образом, быннше п промышленные сточные воды посредством кашенващюнной еиегечы направляются для обраошеп т очистные еоорудгХ вга; о России обычш т онологнчеекме очпешыс сооружения БОС. И вменение объема (в % сброп с пых Уагряптптх сюпных тл п тторто тпьт водные объекты -±а нерноа е 1 1 по 1996 годы до данным госулирст -наых докладов о состоянии окружшени й природной среды РОССИЙСКОЙ Фежрашш приведена нарисД.З.
2 Линейные итм нстонечные источники "шрядазгшя, когда сточные воды иошизнп в природные волоетт с оощнрмых поверхностей суши.
Рне. \Л Сброс " агргигеииых сточных IMO В поверхностные жтише обьекш 1} ас смотрим сооружения кчггорыс вк:шшк-1 в сеш н болынннсшс случаев станции очисшн еш ншх пол н ещцожиые причины нх 1кпдовде1вдр!шпы1ой рчГнпы IJO/i 42 Ч2.Ш JldJ. I. Сооружения чернической очмаки. LK Песшвдв&и. Па ншчсине пееводошк оевооод пв сшчные воды oi ПГ ТПЕХ примесей мингрп н.ною происхождении и р&пчером чжднц ОЛЗ-1 VIM. 1Л, О шойншш. В ОТСНШНИКР происходи г растворение i руподнеиереныч нерве шорен и ыч примости, ношрыс иод дейепзш м i рани шшои ной силы огсдани ни л\ю опдойнирса иди вей ттю на шш-рчнос i в. В шниеимоеш оч тгимхчшт шеашшимш и криологической iwew очке гной с пищи и они нодраисашнел на первичные и вюричиые сточной поды промеходш и кротенке. Основные параметры ш го процесса должны бьнъ ьъжьюуттш. Обычно a poiem; я ) pej-epnyap прямоугольного сечение, по которому нриекахл сточная жидкое п + смешанная с активные илом (ЛИ). Лкшоньш ид состоит Ms смешанной &у:$ыуры. микрооргашгшон, которая растет аэробно ни органических и неорганических компонентах сточной воды, производя новые микроорганизмы, которые отделяются и оседают на дно из очищаемой воды. Воздух, вводимый с помощью пневматических или механических устройств, перемешивает обрабатываемую жидкость с активным илом н насыщает ее кислородом, необходимым для жизнедеятельности бактерии. Способность оседа;ь на дно и отделяться от обрабатываемой воды возникает благодаря формированию «хлопков». Активные свойста ила зависят от его возраста. Возраст активного ила — среднее время пребывания хлопьев ила в системе "аэротенк — вторичный отстойник1 . Так, например, при очистке фепольных вод аэрация приводит к заметному снижению фенолов, но диспергированные бактерии придают мупюсть и высокое БПК (биологическое потребление кислорода) очищенной воде,
2. Вторичные отстойники. Вторичные отстойник}! устанавливают после биофильтров для задержания нерастворенных (взвешенных) веществ (представляющих собой частицы отмершей биологической пленки) и после аэротенков для отделения активного ила от очищенных сточных вод.
Причины ухудшения качества очистки сточных вод и, как следствие, загрязнение водоема, принимающего эти сточные воды, многообразны, а воздействующие факторы взаимосвязаны [36,156] (таблица 1.1). Возможно сочетание перечисленных причин неэффективной работы очистных сооружении, что делает диагностику довольно сложной задачей.
Наиболее распространенная причина неэффективно работающих очистных сооружений, с которой может справиться персонал при наличии специальных компьютерных программ - избыточный вынос взвешенных веществ из вторичных отстойников (в виде активного ила).
Обзор существующих подходов к автоматизации процесса управления очисткой сточных вод
Рассмотрим эволюцию процесса автоматизации управления очисткой сточных вод на ОС. Она происходила по мере разнишя средств технической поддержки. Процесс управления условно можно подразделить на следующие этапы: сбор информации о состоянии ОУ (водных ресурсов); хранение информации о состоянии ОУ; анализ этой информации; выработка управляющих воздействий. Для каждого из этапов существуют технические средства поддержки, которые развивались постепенно (рис. 1.4). Автоматизация этапов сбора, анализам хранения охватывает обработку и обмен данными. Она подразумевает учет, контроль, хранение, поиск, отображение, сн т и т.д. лу по к ггоддержки принятая решений этапы носит условный х&рагоер т в себя и функции хряншин гько стирают дшны , поэтому % КУГШОК будет з тиражировщ-ше информации, а также ее Информация прообразовьшается, но ее смысл обработал ияфорлшшш уриисходат на этше (ППР). Необходимо учитывать, что деление но : так, нштрнадр SCADA системы и ГИС включаю ш.т информации о дальнейшее подробное описание каждого и с рис. 13 снизу вверх, РИС. 1.4. Лвтоматзация этапов процесса управлений очиакш сточных вод инфо С ._! ВОЗМОЖНОСТИ йвтометишрованных систем управления (АСУ) текынадеКйми средствами, применяемыми в технологиях. Рассмотрим их на примере ОС- Сначала все вручную и записывались в журнал наблюдений, нотам шалнмромллсь, На это уходило много времени, ia6op шощы происходил , на БОС отсутствовало непрерывное щбдюдшие эв осгерисиж веды. Прежние системы ОЧИСТКИ СТОПНЫХ РОД ±шяьш образом непосредственно на жо-щ м кшпролс, возможностью тшь ).mvmnm mwm жщштшт cgreana. По ТЯЕСВД дитшатеетш процессы, так сбор и очистка сточных вод требовали непрерывного контроля п упртшт% операдиши с целью максимального снижения расколов и соблюден mi стандартов очистки стоков. Поэтому было разработано оборудование, которое позволяет получать больше информации &ж для непосредственного местного, так и дня дистанционного упрзшлешя Это системы }ш-ттчерско;ю управления и сбора данных (SCADA - Supervisory Control and Date Acquisition} 134Д54]. Прообразом современных систем SCADA на ршших стадиях ра-шитня автоматизировавших сметем управления являлись сисг мы телеметрии и сштшшзадии. Установи SCADA lvroiyr быть различными - от местной сктжтшщй до обширных, сложных: СИСТШ с шишьши центральными компьютерными станциями. Типичная система SCADAt применяющаяся н в комплексах ш сбору и очистке сточных .щ\, состоит ш следующих зяемек-шн (рясЛЗ):
Remote Terminal Unit (RTU) - удаленный терминал, осуществляющий обработку задачи (управление) в режиме реального времени. Спектр его воплощений - от простых датчшшв, осуществляющих съем инфоршнии с объекта, до спад ими!ш рое шшъхх мпапшронеееарных отказоустойчивых вычислительных комплексов, осуществляющих обработку информации и управление в режиме жесткого реального времени- Реалшадия определяется конкретным применением Использование устройств низкоуровневой обработки информации пттт&г сн&мть требования к пропускной способности каналов связи с центральным диспетчерским пунктом. Все действия по принятию решений и любые логические функции выполняются па центральной станции управления
Communication System (CS) коммуникационная система (каналы связи), необходима для передачи данных с удаленных точек (объектов, терминалов) па центральный интерфейс оператора-диспетчера и передачи сигнале» управления на RTIJ (пли удаленный объект в зависимости от конкретного исполнения системы). Master Terminal Unit (MTU), Master Station (MS) - диспетчерский пункт управления (главный терминал); осуществляет обрабо1ку данных и управление высокого уршшя, как правило, в режиме мягкого (квази-) реального времени; одна из основных функции обеспечение интерфейса между человеком оператором и системой (НМ1, MMI). В зависимости от конкретной системы МТ1Г может быть реализован в самом разнообразном виде от одиночною компьютера с дополнительными устройствами подключения к каналам связи до больших вычислительных систем (мэйнфреймов) и/или объединенных в локальную есть рабочих станций и серверов. Как правило, и при построении MTU используются различные методы повышения надежности и безопасности работы системы. Функции Центральной ЭВМ (Центральная станция управления) в большинстве систем сводится к анализу данных, поступающих от устройств RTU, а также к передаче сообщений соответствующим операторам о возникающих проблемных ситуациях. Контроль, либо автоматический, либо инициированный оператором, а также другие широкомасштабные операции системы, например, планирование технического обслуживания, лучше всего, осуществляются с помощью центральной ЭВМ. Например, блок системы MOSCAD (SCADA система фирмы Motorola для систем сбора и очистки сточных вод) может управлять целой установкой по очистке сточных вод.
Разработка комплекса объектно-ориентированных моделей интеллектуальной системы поддержки принятия решений
В соответствии с RUP начальным этапом разработки интеллектуальной СППР является бизнес-моделирование (полный комплекс UML моделей в соответсвии с RUP представлен в Приложении [). D UML 2.0 ему соответствует разработка диаграмм бизнес сценариев и бизнес анализа. Модель бизнес евдн&риев отображает процессы принятий решений и ведения лабораторного журнала, которые предложено автоматизировать., связи между процессами, цели, которые они поддерживают, субъектов и объектов, взаимодействующих с отнес процессами и явжкжшхся внешними по отношению к ним. в данном случае - технолога и микробиолога ОС. Модель пользуется &ш определения ттм системы к разбиения системы на подсистемы Каждому бизнес процессу стадию и соответствие подсистема, мод&та шторой буду- далее рюрФттж. В ршдкта мод&щ бншее-ецвдрнев была ртри отт диаграмма вщштгов жтш&мтня инташжтущьной СГШР (pnt\Z2)
Микробиолог и технолог - действующие лица, которые гшшодейсгвуют с системой, передают им полуадшт от нее информацию. Они описывают все? ито находится вне системы, и выполняют определенные роли го отношению к системе. Актеры связаны с вариантами использования предлагаемой интеллектуальной СШ1Р. Каждый йаршшт использования отражает тнпинше тшмодайстше аояьтшедя с системой для достижения некоторой пели. Они заостряют внимание на том, что пользователи хотит получить от системы, Вариант ийпольшаания представляет собой множество еценвриев, СППР содержит диаграммы классов слеодющих : едашше», нормативный документа (риеДЗ) и ктабор журнал» (рис.24). Модель бшвте сущности «данные» включает в себя
Онтологии является епенифшшгшей тениентуюи шшш и предетшояет еооон 1Ш текущем "шше се развитая коууептуалЕшуш енпемл. ныражеш&ую через лошчее&ио георикк вншлогия определяем общие слова и кошкчпы (диачеишП. шгчодьлуемьге Л-1Я описания н представления знании и етамтарппнруа значение Он юлшии иеполыуктгея людьми, базами данных и приложениями, которым необходимо совместно нелолыогшъ информацию о предметной области. Онтологии включают маниошомштерпретируемыс определения базовых коииенток ПрО и огношедшй между ними. Они кодируют шжш о МрО и о том что се окружаа [24.98,144]. онтологии нредегш-иешз \гл рис. 2.16, «Ои Еолошческин eneiup Левый нижний угол рпсункл х рнклерн гуеаея ионя шем ис-шуля еешн гикда и ното 1яет отр ъ пь npoeibsc ее%1ан1нчеекуе СНЯ1Н ежд \тшт л\ш [145]. Но мере движения н строну сильной семантики» (к правому верхнему \i ,\у) впшожнопь оние кщь сколь угодно сложные семашнлеекне огиогнешщ Boipa-mei
Крчжками на рис.2.16 обозначены тс отношения. шюрые могу! бьнь определены между концептами, например, концеигы могут бьш шез роены в таксономию, Кр ше этого, на рис. 2J4, показано, какие технологий и языки могут использоваться для описания онтологии.
Рнзпабашкае&ш онтологии состоит и;:
Существуют основные этапы, стандартные для разработки любой онтологии, а методы и средства, которые используются, выбираются и работе с учешм специфики предметной области и анализа существующих в этой области разработок.
Этап L Включает разработку концептуальной структуры онтологии и предварительную идентификацию концептов, таксономии, связей, функций и аксиом и подразделен па следующие под этапы:
1. Определение потенциальных пользователей и целей онтологии. Потенциальными пользователями разработанной з данной диссертации предметной онтологии являются специалисты в области ОСВ: химики, микробиологи, экологи, технологи ОС. Пользователями онтологической БЗ являются технологи ОС.
2. Процесс приобретения знаний. Были проанализированы существующие за рубежом методики разработки онтологии и выявлено, что может являться исходными данными для этого: предметный тезаурус; ключевые слова от экспертов; документы из Internet (с автоматической разметкой); словари (форматы XML или SGML) - полуструктурированные исходные данные; web- документы, состанлениые па естественном языке; тексты предметной области; аннотированные тексты; копцепты-прпмнтнвы от экспертов; аннотированные документы; управляемый словарь; схема базы данных; запросы пользователя.
Разработка онтологии прецедентов в проблемных ситуациях в процессе очистки сточных вод
Ontovt r - онтология проблемных ситуаций. Она является часпло онтологии Onto \ но в ее основе лежит вывод, как на онтологии - учитывающий общие знания о предметной области, так и стандартный - на основе прецедентов -учитывающий опыт в конкретных случаях, требующий отдельного изложения и разработки специального алгоритма поиска. Рассмотрим формализацию представления прецедентов без онтологии и то, как они объединяются.
Необходимо определить, в каком виде будут представлены описания ПС в прецедентах. Существует несколько подходов к представлению знании па основе CBR: текстовая CBR (Textual С BR), диалоговая CBR (Conversational CBR) и структурированная CBR (Structural CBR) [99]. Основной отличительной особенностью текстового подхода является ю, чю, он основан на традиционном информационном поиске и работает с необработанными текстовыми документами. Диалоговая CBR работает со знаниями, полученными и: диалогов с пользователями системы. Прецедент представлен набором вопросов, который варьируется от прецедента к прецеденту. Для данного подхода не характерно наличие модели ПрО и стандартизованной структуры для всех прецедентов. Структурированный подход определяется прецедентами, состоящими из предопределенных атрибутов и их значений, Атрибуты могут быть организованы в двумерные таблицы или во множество таблиц, соединенных отношениями или представлены в виде объектов, В работе предложено использовать объектную парадигму представления знаний, поэтому и структура прецедентов является объектно-ориентированной.
Прецеденты представляют собой объект, выраженный через совокупность параметров описания проблемной ситуации и ее решения: Прецедент = Описание, Решсние . Прецеденты представлены концептами на объектной модели ПрО, Они формируются на основании данных лабораторных журналов различных ОС- Данные со всех ОС собираются в идеальном случае автоматически пли производится импорт в БД, хранящуюся на сервере -хранилище БД. Инженер по знаниям производит ИЛД и выделяет классы ситуации. После того как классы выделены инженер по знаниям экспортирует данные в онтологию ПрО.
Описание ПС (Р,-) условно разделено на шесть частей: 1) Информация об очистном сооружении. Хранятся данные непосредственно об очистном сооружении, на котором возникла проблемная ситуация. Включены атрибуты из онтологии, описывающие структуру и операционные параметры определенной станции. 2) Информация о характеристиках воды: a) данные о характеристиках поступающей па очистное сооружение воды, b) данные о характеристиках очищенной воды. 3) Данные о состоянии системы ЛИ (то есть данные о состоянии внутри системы). 4) Уже совершенные действия (сценарии действий), как успешные, так и неуспешные по устранению проблемы. Представлены решение и сценарий реализации, принимаемые в предыдущей схожей ситуации. Например, есть проблема вспухания ила. Известен ряд микроорганизмов, который за это ответственен. Был реализован сценарий действий, направленный на уничтожение микроорганизма М, но проблема вспухания осталась.
Следовательно, данный вид микроорганизмов не является причиной проблемной ситуации. 5) Данные об окружающей среде (5с,)- Опи содержат информацию о температуре, сезонности возникновения ПС- Данные эти важны, поскольку наличие микроорганизмов сильно зависит от состояния окружающей среды. 6) Эффективность принятых решений. Предложено соотнести с каждым прецедентом соответствующий коэффициент уверенности.
Прецеденты получены на основании данных конкретного очистного сооружения, а также взяты из литературы по очистке сточных вод.
В силу специфики предметной области всего учитываются 40 признаков ПС. Измерение тех или иных признаков зависит от того, сточную воду, какого состава очищают очистные сооружения.
В качестве решения (Decj в прецеденте хранится информация о присутствующих в системе очистки разнообразных живых организмах (биоиндикаторах), чьи реакции на воздействие входных параметров специфичны и взаимозависимы [35,86]. Биоиндикаторы не только позволяют определять наличие нарушений в режиме биологической очистки, но и выявлять их причины. Сигнал о «неблагополучии» на ОС индикаторные организмы подают значительно раньше, чем изменяются данные гидрохимических анализов (примерно за 10-15 дней до того, как ухудшается состав очищенных вод). При проведении мероприятий по ликвидации воздействия токсичных сточных вод численность отдельных организмов уменьшается, и это служит сигналом о наступлении улучшения в очистке раньше химических показателей. Поэтому, имея сигнал о "неблагополучии" по изменившейся численности индикаторных организмов, следует принимать меры, не дожидаясь подтверждения этого данными гидрохимических анализов.
