Подход к проверке базы знаний интеллектуальных систем диагностирования промышленного оборудования
https://doi.org/10.46973/0201-727X_2023_3_18
Аннотация
Для повышения эффективности принятия решений при диагностировании промышленного оборудования предложен подход к проверке базы знаний (БЗ), содержащей смешанные продукционные правила (СПП), интеллектуальных систем диагностирования оборудования. Представлена классификация структурных ошибок в БЗ с их определением и представлением в виде ориентированного графа, а также рекомендациями по их устранению. Данный подход позволит уменьшить объем БЗ, что сделает процесс поиска более эффективным и облегчит организацию управления выводом. Приведены фрагменты экранных форм разработанной программной системы автоматического поиска структурных ошибок в БЗ. Программная система позволит безошибочно удалять лишние правила без потери полезной информации.
При поддержке: Исследование выполнено при поддержке Российского научного фонда, грант № 23-29-00415.
Об авторах
А. Е. Колоденкова
Самарский государственный технический университет (СамГТУ)
Россия
Россия
Колоденкова Анна Евгеньевна - кафедра «Информационные технологии», доктор технических наук, доцент, заведующий кафедрой.
С. С. Верещагина
Самарский государственный технический университет (СамГТУ)
Россия
Россия
Верещагина Светлана Сергеевна - кафедра «Информационные технологии», кандидат технических наук, доцент.
Список литературы
1. Ogheneovo, E. E. Knowledge representation in artificial intelligence and expert systems using inference rule / E. E. Ogheneovo, P. A. Nlerum // Int. J. Sci. Eng. Res. – 2020. – Vol. 4. – P. 1886–1900.
2. Yurin, A. Y. Personal knowledge base designer: Software for expert systems prototyping / A. Y. Yurin, N. O. Dorodnykh // SoftwareX. – 2020. – Vol. 11. – P. 1–6.
3. Рыбина, Г. В. Верификация баз знаний в интегрированных экспертных системах / Г. В. Рыбина, В. В. Смирнов // Новости искусственного интеллекта. – 2005. – № 3. – C. 7–19. – ISSN 1682-8917.
4. Dolinina, O. Formal Models of the Structural Errors in the Knowledge Bases of Intellectual Decision Making Systems / O. Dolinina, N. Suchkova // Computer Science On-line Conference. – 2017. – P. 156–167.
5. QOS of data networks analyzing based on the fuzzy knowledge base / L. Globa, Z. Savchuk, O. Vasylenko, E. Siemens // International Conference Infocommunications–Present and Future. – 2020. – P. 130–149.
6. Cao, Q. Using rule quality measures for rule base refinement in knowledge-based predictive maintenance systems / Q. Cao, C. Zanni-Merk, A. Samet, F.D.B de Beuvron, C. Reich // Cybernetics and Systems. – 2020. – Vol. 2. – P. 161–176.
7. Рыбина, Г. В. Методы и алгоритмы верификации баз знаний в интегрированных экспертных системах / Г. В. Рыбина, В. В. Смирнов // Известия РАН. Теория и системы управления. – 2007. – № 4. – С. 91–102. – ISSN 1029-3620.
8. Harmelen, F. Applying rule-base anomalies to KADS inference structures / F. Harmelen // Decision Support Systems. – 1998. – Vol. 21. – P. 41–46.
9. Pira, E Verification of confliction and unreachability in rule-based expert systems with model checking / E. Pira, M. Miralvand, F. Soltani // International Journal of Artificial Intelligence. – 2014. – Vol. 2. – P. 1–7.
10. Vanthienen, J. Experiences with Modeling and Verification of Regulations / J. Vanthienen, C. Mues, S. Goedertier // REMO2V'06. – 2006. – P. 793–799.
11. Kolodenkova, А. Е. Integrated approach to processing diagnostic data based on heterogeneous cognitive models / A. E. Kolodenkova, S. S. Vereshchagina, V. E. Vereshchagin // Moscow Workshop on Electronic and Networking Technologies. – 2020. – P. 1–5.
12. Kolodenkova, А. Е. Verification of mixed production rules correctness in intelligent systems for diagnosing industrial equipment / A. E. Kolodenkova, S. S. Vereshchagina, V. O. Tuvaeva // Smart Innovation, Systems and Technologies. – 2022. – Vol. 272. – P. 363–370.
13. Simiński, R. Circularity in rule knowledge bases detection using decision unit approach / R. Simiński, A. Wakulicz-Deja // Monitoring, Security, and Rescue Techniques in Multiagent Systems. – 2005. – P. 273–279.
14. Diagnostics of the technical condition of industrial equipment based on a system of hierarchical production rules / A. E. Kolodenkova, S. S. Vereshchagina, V. O. Tuvaeva, A. N. Guda // Lecture Notes in Networks and Systems. – 2022. – Vol. 330 LNNS. – P. 180–187.
15. Катасёв, А. Нейронечеткая модель формирования нечетких правил для оценки состояния объектов в условиях неопределенности / А. Катасёв // Компьютерные исследования и моделирование. – 2019. – Т. 11. – № 3. – С. 477–492. – ISSN 2077-6853.
16. Angelov, P. Evolving fuzzy-rule-based classifiers from data streams / P. Angelov, X. Zhou // IEEE Transactions on Fuzzy Systems. – 2008. – Vol. 16. – P. 1462–1475.
17. Колоденкова, А. Е. Cистема смешанных продукционных правил для диагностирования технического состояния асинхронных электродвигателей / A. E. Колоденкова, С. С. Верещагина // Свидетельство о регистрации программы для ЭВМ № 2023616943, 04.04.2023. – EDN HZUGDJ.
Рецензия
Для цитирования:
Колоденкова А.Е., Верещагина С.С. Подход к проверке базы знаний интеллектуальных систем диагностирования промышленного оборудования. Вестник Ростовского государственного университета путей сообщения. 2023;(3):18-27. https://doi.org/10.46973/0201-727X_2023_3_18
For citation:
Kolodenkova A.E., Vereshchagina S.S. Approach to the knowledge base validation of intelligent systems in industrial equipment diagnostics. Vestnik Rostovskogo Gosudarstvennogo Universiteta Putej Soobshcheniya. 2023;(3):18-27. (In Russ.) https://doi.org/10.46973/0201-727X_2023_3_18
Просмотров:
10
JATS XML
Послать статью по эл. почте 