СИСТЕМА ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЯ ПРИ УПРАВЛЕНИИ СЛОЖНЫМ ТЕХНИЧЕСКИМ ОБЪЕКТОМ

АННОТАЦИЯ

Авторы развивают идею использования метода вывода решений на основе прецедентов для управления сложным технологическим объектом. Описаны этапы применяемого метода. В статье приведена общая структура системы поддержки принятия решения при управлении сложным технологическим объектом.

Ключевые слова: сложный технологический объект, математические методы, отбор ситуаций, система поддержки принятия решения

Метод вывода решений на основе прецедентов (CBR) достаточно часто применяется в разных предметных областях. Одно из направлений связано с принятием решений при управлении сложными технологическими и организационно-техническими объектами [1- 2].

CBR предполагает обращение к базе и отбор прецедента – готового решения известной ранее задачи, который будет использоваться для решения данной задачи. При этом опыт решения ранее рассмотренных задач может адаптироваться к текущей ситуации.

Для отбора ситуаций в сложных областях особо важную роль в CBR занимает процедура оценки схожести ситуаций между собой.

Рассмотрим этапы данной процедуры.

1. Приведение количества элементов объекта к заранее ограниченному.

 Возможные ситуации на объекте по значениям технических характеристик элементов можно перечислить и предусмотреть (по ограничениям, критериям, периодам и т.п.). Предложить исполнителям заранее составленные руководства и алгоритмы действия перехода ситуации к целевому состоянию объекта.

Для уменьшения размерности рассматриваемых элементов сложного объекта целесообразно заранее ограничить количество групп элементов. Сами элементы идентифицировать с имеющимся априори набором элементов в прецедентах. Кластеризацию проводят методом главных компонент.

2. Оценка значений элементов  (составление матрицы состояний из элементов со значениями 1 и 0). Для оценки ситуации на сложном объекте, необходимо учитывать состояния его разнородных элементов и связей между ними, которые описываются многими количественными и качественными параметрами. Количественные показатели можно оценить традиционными методами (например, методами оптимизации). Экспертные методы позволяют оценить нечеткие качественные параметры, например, скорость прибытия аварийной бригады на объект. Правильность предлагаемого решения на основе выбора прецедента основывается на аналогии, которая аргументирует, в каких условиях рекомендовалось аналогичное решение.
3. Нахождение свертки значений показателей элементов. Это значение является результатом процедуры оценки схожести ситуаций между собой.
4. Подбор прецедента из базы знаний. На предыдущем этапе (оценки состояния объекта) может произойти ситуация, когда полученному значению свертки соответствуют много прецедентов, соответствующих этому значению, с разными значениями показателей состояний элементов.

Предлагается использовать метод попарных сравнений для уточнения приоритета показателей работы элементов и сделать выбор из прецедентов в соответствии с идентичностью фрагмента вектора (соответствующего состоянию элементов объекта) по уровню важности элементов [3].

5. Вывод решения (добавление прецедента в базу знаний). Однако в случае сложного объекта попытка сравнить ситуации в многомерном атрибутивном пространстве сталкивается c рядом проблем, описанных в работе[4]. Они связаны с трудоемкими задачами, которые требуют экспертного вмешательства. При этом с усложнением объекта трудоемкость увеличивается и возрастает вероятность возникновения ошибок и коллизий. Для повышения точности и скорости процессов поддержки принятия решений необходимы новые способы оценки близости ситуаций, где сводится к минимуму экспертное вмешательство. Современные исследования в области CBR в прикладных задачах рассматривают возможности совершенствования известных моделей и алгоритмов прецедентного вывода за счет создания гибридных моделей с привлечением методов онтологического инжиниринга, машинного обучения с подкреплением и нейросетей [6-8].

Данная работа развивает исследования гибридных моделей CBR. Для преодоления описанных трудностей при реализации прикладного IDSS предлагается реализовать гибридную модель CBR, которая интегрирует нейросети, машинное обучение и методы онтологического моделирования.

Искусственный интеллект позволит ускорить процесс принятия решений, что особенно важно в критических ситуациях, исключить человеческий фактор, Методы онтологического моделирования позволяют унифицировать прикладную СППР для объектов систем SMART grid.

Представление и формализация ситуации необходимы непосредственно для реализации метода CBR. Единообразная формализация позволяет сравнивать ситуации между собой для дальнейшего отбора прецедента. Объекты инфраструктуры энергоснабжения, относящиеся к системам SMARt grid, представляют собой комплексные, неоднородные и динамично меняющиеся объекты мониторинга с многообразием связей и состояний внутренней и внешней среды. Согласно методам ситуационного управления, такой объект мониторинга относится к сложным технологическим объектам.

Предлагается разбить элементы сложного объекта на группы:  технологические; обеспечивающие; персонал; внешнее окружение. Элементы групп «персонал» и «внешнее окружение» не связаны напрямую с объектом, но могут влиять на него. Они формируют ограничения для каждой ситуации. Например, плохая видимость и пробка на дороге могут усложнить доступ персонала к объекту и повлиять на алгоритм решения проблемной ситуации [5]. Общая структура взаимосвязи компонентов системы поддержки принятия решения по управлению сложным объектом представлена на рисунке 1.

Рисунок 1.  Структура взаимосвязи  компонентов комплекса программ ППР управления сложным объектом

Список литературы:

1. Aamodt A., Plaza E. Case-based reasoning: Foundational issues, methodological variations, and system approaches // AI Commun. 1994. №7. P.39–59.
2. Bashlykov A.A. Basic principles of designing information systems for intelligent decision support, Avtomatizatsiya,  Telemekhanizatsiya I Svyaz' v Neftyanoi Promyshlennosti. 2016. №11. P.12-25 (in Russian).
3. Chernysheva T.Y.,  Korchuganova M.A., Borisov V.V.,  Min'Kov S.L. Hierarchical Model of Assessing and Selecting Experts // IOP Conference Series: Materials Science and Engineering. 2016. №127(1). 012027
4. Eremeev A., Varshavskiy P., Alekhin R. Case-Based Reasoning Module for Intelligent Decision Support Systems // Proceedings of the First International Scientific Conference “Intelligent Information Technologies for Industry” (IITI’16) 2016. Vol. 1. Part III. P. 207-216. DOI: 10.1007/978-3-319-33609-1_18
5. Glukhikh I., Glukhikh D. Case Based Reasoning for managing urban infrastructure complex technological objects // CEUR Workshop Proceedings. 2021. Vol. 2843. № 038.
6. Glukhikh I., Glukhikh D. Situations representation and retrieve in the case-based reasoning system for managing a complex technological object // CEUR Workshop Proceedings. 2021. Vol. 2922. №017.
7. Varshavskii PR., Eremeev AP. Modeling of case-based reasoning in intelligent decision support systems // Scientific and technical information processing; 2010. Vol. 37. №5. P.336-345. DOI: 10.3103/S0147688210050096
8. Xiaoyan Jiang , Sai Wang, JieWang, Sainan Lyu  and Martin Skitmore. A Decision Method for Construction Safety Risk Management Based on Ontology and Improved CBR: Example of a Subway Project. Int. J. Environ. Res. Public Health 2020. №17. 3928. doi:10.3390/ijerph17113928