Содержание к диссертации
Введение
1 Проблема эффективных действий в решении задачи диагностики оборудования энергетической системы 7
1.1 Особенности эксплуатации оборудования в Энергетике, как сложном распределенном объекте управления 7
1.2 Инструментальные средства, используемые для решения задач управления процессом эксплуатации оборудования в энергетике 13
1.3 Использование экспертных систем для обеспечения надежности работы оборудования в энергетической системе 17
1.4 Методы представления знаний в синтезе экспертных систем 20
1.5 Подходы к построению экспертных систем с неоднозначным выводом 40
1.6 Требования к экспертным системам диагностики оборудования и постановка задачи исследования 44
1.7 Выводы 46
2 Модель знаний и алгоритмы самонастройки и самообучения самоорганизующейся системы поддержки принятия решения для диагностики электрооборудования 47
2.1 Конструирование правил в самоорганизующейся экспертной системе 47
2.2 Механизм нечеткого логического вывода в самоорганизующейся экспертной системе 52
2.3 Алгоритм накопления статистики и параметрической оптимизация самоорганизующейся системе поддержки принятия решений 63
2.4 Алгоритм анализа накопленной статистики и самообучения самоорганизующейся экспертной системы 67
2.5 Выводы 79
3 Самоорганизующаяся системе поддержки принятия решений для диагностики электрооборудования на примере диагностики силового трансформатора 80
3.1 Конструирование правил в самоорганизующейся экспертной системе для диагностики электрооборудования 80
3.2 Параметрическая оптимизация самоорганизующейся экспертной системы для диагностики электрооборудования на примере корректировки правил диагностики состояния силового трансформатора 86
3.3 Самообучение самоорганизующейся экспертной системы для диагностики электрооборудования в результате работы подсистемы самообучения 100
3.4 Пример интерфейса пользователя самоорганизующейся экспертной системы 112
Заключение 118
Список использованной литературы 120
- Особенности эксплуатации оборудования в Энергетике, как сложном распределенном объекте управления
- Подходы к построению экспертных систем с неоднозначным выводом
- Конструирование правил в самоорганизующейся экспертной системе
- Конструирование правил в самоорганизующейся экспертной системе для диагностики электрооборудования
Введение к работе
Актуальность проблемы использования систем искусственного интеллекта в задачах диагностики электрооборудования для энергосистем определяется наличием сложной структуры выработки, распределения и потребления электроэнергии с большим количеством различного оборудования задействованного в ней. Например, можно выделить в данной структуре подструктуру распределительной энергосети.
При решении задачи диагностики электрооборудования является важным использование критериев и правил, позволяющих получать выводы для различных ситуаций на основе единой системы оценок. С другой стороны уникальный опыт конкретных специалистов часто оказывается более эффективным, чем правила, изложенные в инструкциях и методических указаниях.
Важной и актуальной задачей является разработка таких систем, которые могли бы не только хранить знания, но и получать новые на основе накопленного опыта, как это делает человек.
Цель диссертационной работы заключается в разработке принципов построения экспертной системы для диагностики электрооборудования, которая позволяла бы делать выводы для неоднозначных ситуаций и получать новые знания из имеющихся в результате анализа накопленного опыта.
Основные задачи. В процессе выполнения исследований по вопросам диссертационной работы решались следующие основные задачи:
изучение существующих методов представления знаний для экспертных систем;
разработка основ самоорганизующейся экспертной системы для диагностики электрооборудования;
реализация алгоритма самоорганизующейся экспертной системы с использованием реляционной базы данных для хранения правил и фактов системы.
Методы исследования. В процессе выполнения исследований по вопросам диссертационной работы были использованы: математическая логика и комбинаторика, теория подтверждения свидетельств Демпстера-Шефера, теория графов.
Научная новизна.
Модель представления знаний для диагностики электрооборудования, отличающаяся компактностью формы, удобством хранения информации в реляционной базе данных.
Механизм нечеткого логического вывода для решения задач диагностики электрооборудования, отличающийся тем, что учитывает противоречивые правила и позволяет системе давать ответы, соответствующие неоднозначности рассматриваемой ситуации.
Алгоритм самонастройки и самообучения экспертной системы для диагностики электрооборудования отличающийся возможностью получения системой новых правил без прямого участия человека по их внедрению, что позволяет системе изменять свою структуру и уменьшать неоднозначность нечеткого вывода.
Самоорганизующаяся экспертная система для диагностики электрооборудования энергосистем увеличивает количество правил системы на основе накопленной статистики без прямого участия человека.
Практическая значимость. Использование предлагаемого в данной диссертационной работе подхода позволяет повысить качество решения задач диагностики электрооборудования при использовании самоорганизующейся экспертной системы. В частности можно выделить следующие особенности использования самоорганизующейся экспертной системы:
получение нечеткого ввода для неоднозначной ситуации;
самообучение системы, позволяющее получать все более точные выводы при накоплении системой опыта.
Основные положения, выносимые на защиту.
Модель представления знаний для диагностики электрооборудования.
Механизм нечеткого логического вывода при решении задач диагностики электрооборудования.
Алгоритм самонастройки и самообучения экспертной системы для диагностики электрооборудования.
Самоорганизующаяся экспертная система для диагностики электрооборудования энергосистем.
Внедрение результатов. Основные результаты диссертационной работы использованы в следующих организациях:
Санкт-Петербургский институт дополнительно профессионального образования и службы занятости.
Научно производственная фирма "Энергосоюз".
Использование результатов диссертационной работы подтверждено соответствующими актами.
Апробация работы. Основные положения диссертационной работы докладывались и обсуждались на следующих научно-технических конференциях и семинарах:
Международная конференция по мягким вычислениям и измерениям (SCM-2004), Санкт-Петербург, 25-27 июня 2003 .
Международная конференция по мягким вычислениям и измерениям (SCM-2004), Санкт-Петербург, 17-19, июня, 2004.
Публикации. По теме диссертационной работы Поляхова Д.Н. опубликованы следующие печатные работы:
Аналитическая обработка информационных потоков для эффективного управления предприятием. Поляхов Д.Н., Сабинин О.Ю. Приборы и сис-темы.Управление, контроль, диагностика.2002 № 7 с.67-70.
Интеллектальная советующая система распределения энергопотоков. По-
. ляхов Д.Н., Болоцкий В.Г., Поляхов Н.Д., Сабинин О.Ю./ Докл. междунар. конф. по мягким вычислениям и измерениям (SCM-2004), С-Пб., 25-27 июня 2003 .
Модель прогнозирования нагрузки электроэнергетической системы на основе нейронечеткого подхода /Н. Д. Поляхов, И. А. Приходько, Д. Н. Поляхов, Е. С. Анушина, Е. Ю. Шеина// Изв. ГЭТУ: Сб. науч. тр. СПбГЭТУ, Автоматизация и управление,-С-Пб., 2004, №1.-С.-42-47.
Forecast model of power system load basedfuzzy neural approach /N. D. Polyakhov, I. A. Prikhodko, D. N. Polyakhov, E. S. Anushina// Proceedings. International conference on soft computing and measurements (SCM-2004), St.-Petersburg, 17-19 June, 2004. Докл. междунар. конф. по мягким вычислениям и измерениям (SCM-2004), 17-19, июня, 2004,С.-Пб.
Особенности эксплуатации оборудования в Энергетике, как сложном распределенном объекте управления
На сегодня энергетика России представляет собой сложный распределенный объект управления. Действительно, на тысячах квадратных километрах государства расположено немалое количество крупных производителей энергии - гидроэлектростанций, атомных, работающих на мазуте и прочих. Все производители энергии объединены в единое энергетическое кольцо, что обеспечивает более высокую эффективность работы системы в целом. К примеру, летом КПД работы ТЭЦ (тепло энерго централь) будет неоправданно низким, поскольку вода, охлаждающая котлы не будет поступать в систему центрального отопления. Что касается ГЭС, то показатели эффективности их работы зимой стремятся к нулю. Другой не менее важной структурой электроэнергосистемы является система транспорта и распределения энергии. Сюда также относится большое количество оборудования: а) группа оборудования, отвечающая непосредственно за транспорт энергии - это линии электро-передач, различные кабели; б) группа оборудования, отвечающая за трансформацию электроэнергии до требуемых напряжений: для производства, транспорта, потребления; в) группа оборудования, отвечающая за контроль над энергией внутри сис темы: различные выключатели, предохранители, специальные средства локальной противоаварийной автоматизации; г) группа оборудования, отвечающая за учет потребления энергии - это раз личного рода счетчики. Наконец в третью структуру можно выделить различных потребителей энергии - от крупнейших промышленных предприятий до каждого отдельно взятого человека, каждый день использующего электричество в личных целях и приходя щего в негодование, когда его этой возможности лишают хотя бы на непродолжительное время. Совершенно очевидно, что эта сложная структура требует не менее сложного управления на различных уровнях: от прогнозирования потребления энергии в системе в целом, до гарантированной замены в срок какого-нибудь маломощного выключателя, ресурс которого подходит к концу. Электроэнергетическая система (ЭЭС) [3] характеризуется: стохастическим характером потребления энергии: каждый потребитель пользуется электрической энергией засчитывая на стабильный уровень напряжения в сети и отсутствие внезапных отключений и прочих перебоев питания. Результатом являются пиковые нагрузки и спады напряжения. И все это дополнительно осложняется тем, что энергию, выработанную производителем, невозможно запасти в прок, чтобы потом, в пик потребления использовать как резерв. ограниченной пропускной способностью сети: существуют определенные рамки, в которых оборудование сети может работать нормально, после чего оно автоматически или принудительно выводится из эксплуатации. Безусловно, в ряде случаев, оборудование может быть частично разгружено, и избыточная мощность перераспределена на другие участки сети, но во-первых это бывает непросто, либо оказывается дешевле и эффективнее насильственно отключать часть потребителей, чем пытаться обеспечить прежний уровень потребления мощности путем перераспределения нагрузки внутри распределительной сети. каскадным характером развития аварий: действительно, аварийная ситуация в одном месте в сети приводит аварийному выводу из строя определенного оборудования, что влечет за собой обрыв электрической цепи, если речь идет о последовательном подключении устройств. Например, пробой изоляции кабеля приводит к отключению электричества у жилого дома, который он питает. Но и при параллельном подключении оборудования, выход из строя одной из параллельных цепей неминуемо ведет к перегрузке остальных параллельных ветвей, что тоже может привести к аварийному выходу из строя этих ветвей. Иначе говоря, развитие аварий в электросетях весьма часто принимает лавинообразный характер. высоким уровнем локальной автоматизации: локальная автоматизация обеспечивает сохранность оборудования при каскадном развитии аварий. Т.е. при превышении определенного максимума нагрузки, локальная автоматика выводит из эксплуатации оборудование в аварийном режиме, иначе расход на ремонт оборудования, после предотвращения последствий аварий был бы гораздо более высоким. Именно высокий уровень локальной автоматизации говорит о том, что проблема локальной автоматизации электрических сетей в целом решена.
Как видно из вышеперечисленного, электроэнергетическая система действительно является сложным объектом управления. Более детальное рассмотрение потребления, производства и распределения системы для каждого случая является отдельной особой темой, поэтому сузим рассмотрение всей системы в целом до области системы распределения энергии. Это не значит, что потребители и производители энергии окажутся при таком подходе выпавшими из рассмотрения, просто их внутренняя структура и процессы, происходящие внутри них, не будут как-то специально анализироваться, рассматриваться и объясняться, а приниматься на уровне входных - выходных параметров черного ящика. Рассмотрим более детально управление процессами в энергосистеме на уровне сети распределения энергии.
Подходы к построению экспертных систем с неоднозначным выводом
Объектно-ориентированное программирование (ООП) является прямым наследником систем представления знаний основанных на фреймах. Действительно, здесь мы имеем дело с объектами реального мира, принадлежащими к тем или иным классам, которые обладают определенными свойствами и которым соответствуют различные процедуры, вызываемые либо при обращении к такому экземпляру класса, либо при его создании или уничтожении. Кроме того, существует та же иерархия, что и в системе фреймов и те же механизмы множественного наследования.
Принимая во внимание этот факт можно заключить, что реализация представления знаний об объекте с использованием фреймов может быть получено на любом полноценном объектно-ориентированном языке программирования: те же классы, то же множественное наследование, те же процедуры, свойственные конкретным класса. Они могут называться по разному - в C++ [65-71]- это члены функции, в Smalltalk [72-73] - это методы, в Ada [74] - это процедуры, но от названия суть никак не меняется. Если присмотреться еще более внимательно, то можно сделать вывод, что на любом объектно-ориентированном языке можно реализовать не только систему, основанную на фреймах, но и гибридную систему, использующую фреймы для представления знаний и продукционные правила для реализации механизма логического вывода.
Таким образом, объектно-ориентированный подход можно считать достаточно широким для практически любого способа представления знаний.
В таком ключе объектно-ориентированный язык Visual Prolog позволяет совместить в одной среде разработки и логическое программирование и представление знаний фреймами, также представление знаний продукционными правилами, что по сути, является частным случаем использования логики предикатов. Использование данной среды разработки для представления знаний в виде семантических сетей или даже нейронных сетей тоже возможно, хотя, наверное, более трудоемко. В пользу представления знаний и данных как объектов реального мира можно добавить использование баз данных для хранения информации об элементах какого-то конкретного класса. Т.е. каждому конкретному классу оборудования сопоставляется конкретная таблица, в которой содержатся записи, идентифицирующие эту конкретную единицу оборудования, а свойства каждой единицы оборудования определяются ее принадлежностью к данному классу и могут наследоваться от других классов соответственно. Использование баз данных позволяет существенно упростить ситуацию с разделением информации о конкретном оборудовании, эксплуатируемом на местах и базой знаний, имеющейся в системе, которая рассчитана решать задачи независимо от количества элементов и связей в системе. Т.е. какое-либо изменение реальной конфигурации системы оборудования вызовет лишь несущественное изменение настроек в базе данных без каких бы то ни было коррекций в интеллектуальном ядре системы. Использование нечеткой логики в представлении знаний для экспертных систем
Во многих реальных приложениях приходится сталкиваться с ситуацией, когда автоматически решатель задач сталкивается с неточной информацией. Действительно, при решении проблем мы часто встречаемся со множеством источников неопределенности используемой информации, но в большинстве случаев их можно разделить на две категории: недостаточно полное знание предметной области и недостаточная информация о конкретной ситуации.
До последнего времени многие соглашались с утверждением Мак-Карти и Хейса, что теория вероятности не является адекватным инструментом для решения задач представления неопределенности знаний и данных [57].
Эти соображения породили новый формальный аппарат для работы с неопределенностями, который получил название нечеткая логика (fuzzy logic). Это аппарат широко используется при решении задач искусственного интеллекта.
Предложенная Заде [58] теория нечетких множеств (fuzzy set theory) представляет собой формализм, предназначенный для формирования суждений о таких категориях и принадлежащих к ним объектах. Эта теория лежит в основе нечеткой логики (fuzzy logic) [59-63] и теория возможностей (possibility theory) [64] Классическая теория множеств базируется на двузначной логике. Выражения в форме ас А, где а представляет индивидуальный объект, а А - множество подобных объектов, могут принимать только значения "истина" или "ложь". После появления понятия "нечеткое множество" прежние классические иногда стали называть жесткими.
Рассмотрим категорию, определенную словом "надежный". Если применить это определение к оборудованию, то какое оборудование можно считать надежным? В классической теории мы можем определить множество А "надежного оборудования" либо перечислением (составив полный список всех членов множества), либо введя в рассмотрение некоторую характеристическую функцию такую, что для любого объекта.
Конструирование правил в самоорганизующейся экспертной системе
Использование семантических сетей для решения задачи представления знаний применительно к области электроэнергетики не является оптимальным, поскольку в ряде случаев сети являются логически и эвристически неадекватными. Нейронные сети существенно отличаются от семантических сетей (хотя алгоритм поиска информации и в той и в другой сети является схожим), но их существенным недостатком является то, что знания сохраняются не в декларативном виде, а потому они не могут быть доступны для интерпретации со стороны какого-либо внешнего процессора.
Более приемлемым предстает использование фреймов для представления объектов реального мира в системе знаний. Конечно, это влечет за собой определенную сложность, возникающую при множественном наследовании свойств объектов. Представление знаний в виде продукционных правил с одной стороны достаточно просто, с другой стороны именно в такой форме эти знания зачастую содержатся в ответах экспертов и в специализированной литературе. Существенным моментом в расширении возможностей экспертной системы является использование нечеткой логики. Теория Демпстера-Шефера представляется перспективной,при условии преодоления громоздкости вычислений. Объектно-ориентированное программирование является удобным инструментом, позволяющим использовать без какой-либо адаптации теорию фреймов. В то время как языки логического программирования легко дают возможность реализовывать системы продукций и правил на языке логики предикатов. С этой точки зрения программное средство Visual Prolog[12-14] является единой объектно-ориентированной средой разработки, в которой реализован язык логики предикатов. Также существенным моментом для реализации системы поддержки принятия решений является использование СУБД [15-17]. 2 Модель знаний и алгоритмы самонастройки и самообучения самоорганизующейся экспертной системы для диагностики электрооборудования энергосистем Как говорилось выше, ввод знаний в систему должен быть интуитивно понятен и доступен пользователю, незнакомому ни с особенностями реализации экспертной системы ни с языками программирования. Т.е. быть максимально приближенным к естественному языку. Для формулирования какого-либо утверждения человек использует известные ему слова и понятия. Чтобы сформулированное утверждение было занесено в базу знаний системы необходимо, чтобы в первую очередь оно было составлено из элементов "знакомых" экспертной системе, т.е. имеющихся в ее базе данных. Важно отметить, что каждый элемент имеет два параметра, которыми он полностью описывается. Это наименование типа элемента и значение, которое элемент данного типа принимает. Такое описание объекта достаточно простое и эффективное, можно привести множество примеров, когда оно используется. Например, в естественном языке это имя существительное, определяющее тип объекта и имя прилагательное, описывающее какое-либо индивидуальное свойство этого объекта. В математике тип функции определяет название функции, значение же функции определяется значением аргумента функции.
Следующим этапом является описание объединения единиц утверждения в утверждение или правило. Необходимым и достаточным является использование логических операций конъюнкции (логического "И") и дизъюнкции (логического "ИЛИ"). Необязательным, но возможным являются также операции "ИСКЛЮЧАЮЩЕГО ИЛИ" И "НЕ".
Такой интерфейс ввода правил в системы является наилучшим с точки зрения требований предъявляемых к самоорганизующимся экспертным системам, поскольку, с одной стороны, исключается ввод правил содержащих неизвестные сис теме "СЛОВА", с другой стороны прост в использовании для любого пользователя системы и позволяет задавать правила неограниченной сложности. Фактически пользователю экспертной системы не приходится изучать новый язык для ввода правил в систему. Достаточно использовать небольшую примитивную часть языка, которым человек пользуется каждый день всю свою жизнь.
Конструирование правил в самоорганизующейся экспертной системе для диагностики электрооборудования
Рассмотрим работу системы по параметрической оптимизации на примере двух правил (правило 1 и правило2) рассмотренных выше. Ввод новых правил в систему был рассмотрен в п. 4.1, теперь рассмотрим экспертную систему с введенными в нее правилами.
Параметрическая оптимизация работы саморганизующейся экспертной системы состоит из трех этапов: 1) Накопление статистической информации экспертной системой о тех пра вилах, которые были так или иначе востребованы в ходе работы системы; 2) Ввод пользователем информации, корректирующей выводы экспертной системы для задействованных в ходе работы системы правил; 3) Включение механизма параметрической оптимизации, осуществляющего изменение выводов экспертной системы с учетом имеющейся информации. Как уже говорилось ранее, корректировка системы осуществляется благодаря возможности использовать информацию о реальных ситуациях, в которых были получены подтверждения или опровержения тех или иных предварительных прогнозов развития событий. Такая задача может решаться в режиме реального функционирования экспертной системы, когда реальные ошибки или подтверждения прогнозов оказываются материалом для будущего увеличения эффективности и адекватности действий экспертной системы. Под повышением эффективности экспертной системы будем иметь в виду результаты работы механизма самообучения, о котором речь пойдет далее, подготовкой которого является параметрическая оптимизация экспертной системы. То гда как под повышением адекватности экспертной системы будем полагать непосредственно результаты параметрической оптимизации экспертной системы. Однако параметрическая оптимизация может осуществляться и на основе уже имеющихся данных, хранимых в каких либо источниках. Например, это может быть информация истории испытаний данного оборудования, хранимая либо в базе данных, либо в виде протоколов испытаний содержащих выводы по полученным данным испытаний. Также необходима и вторая составляющая - история аварийного выхода оборудования из строя или история аварий и информация о состоянии оборудования после его планового вывода из строя, когда есть возможность подтвердить или опровергнуть те или иные выводы и прогнозы. Таким образом, опыт накопленный в результате лет эксплуатации испытаний и выхода из строя оборудования может быть использован для совершенствования работы экспертной системы. Силовой трансформатор является достаточно сложным объектом с точки зрения количества параметров, имеющихся для его описания. Условно разделим эти параметры на группы: 1) паспортные данные: год выпуска, класс мощности, завод-изготовитель и т. п.; 3) группа параметров, измеряемых в ходе электрических испытаний сило вого трансформатора: характеристики изоляции обмоток, характеристики изоляции вводов, активное сопротивление обмоток, потери холостого хода, сопротивление короткого замыкания; 4) информация физико-химического анализа состояния трансформаторного масла; 5) информация хроматографического анализа трансформаторного масла; 6) прочая информация учетно-контрольной карты трансформатора: записи о текущих и капитальных ремонтах, индивидуальные особенности оборудования, обнаруженные в ходе эксплуатации.
При анализе текущего состоянии оборудования важно иметь результат, для получения которого была использована по возможности вся имеющаяся информация из перечисленных выше групп. Однако подчас не вся важная информация бывает доступна, к примеру, важным параметром является количество времени, которое оборудование проработало в утяжеленном режиме. Трансформатор может проработать в режиме перегрузки определенное время, в случае большей перегрузки, допустимое время работы в таком режиме существенно ниже. Вполне очевидно, что часы, минуты и даже секунды работы трансформатора в утяжеленном режиме существенно сказываются на его ресурсе. Однако накопление и анализ такой информации не организован должным образом.
Наличие такой информации существенно повысило бы прозрачность ситуации в диагностике состояния оборудования, однако хроматографический анализ трансформаторного масла может дать ответы на ряд вопросов, к какому результату привели те или иные условия эксплуатации силового трансформатора.
В силу громоздкости примера комплексного анализа различных характеристик силового трансформатора, рассмотрим пример для хроматографического анализа трансформаторного масла для силового трансформатора, изготовленного в 1957 году, имеющего заводской номер 39088 и инвентарный номер Т2 . Рассмотрим работу экспертной системы для правила №2 приведенного выше.
Чтобы увидеть результаты работы экспертной системы по параметрической оптимизации информации вывода нам необходимо иметь два примера типов правил для экспертной системы. Один тип правил, который имеет в качестве вывода нечисловой параметр и другой тип, имеющий в качестве вывода числовой параметр.
Правило №2 дает нам пример вывода в виде нечислового параметра, выводы в виде числового параметра для хроматографического анализа нехарактерны. Это естественно, поскольку результатом вывода является заключение об удовлетворительности или неудовлетворительности ситуации, либо конкретные действия, которые необходимо предпринять. Однако экспертная система позволяет в ряде случаев использовать числовой параметр вместо нечислового. Эта ситуация возможна в случаях, когда точно известно, что нечисловой параметр вывода может принимать два и только два типа переменных.
