Построение базы знаний интеллектуальной системы контроля и предупреждения рисковых ситуаций для этапа проектирования сложных технических систем

Развитие сложных технических систем (СТС) критической инфраструктуры, эффективность и работоспособность которых зависит от качества, надёжности многих сотен и тысяч взаимосвязанных элементов (конструктивных, технических, управляющих) требует особого внимания к этапу проектирования СТС. Этот этап характеризуется широким спектром неопределённостей, часто изменяющимися требованиями заказчика, возникающими рисковыми ситуациями, существенными затратами ресурсов (финансовыми, временными, трудовыми и др.), а также большим объёмом разнообразной документации [13]. К рисковым ситуациям можно отнести:

• ■    разработку новых требований к СТС;

• ■    срыв сроков разработки конструкторской, технологической, программной документации;

• ■    задержка согласования технической документации заинтересованными организациями;

• ■    срыв сроков поставки комплектующих, материалов и полуфабрикатов;

• ■   срыв поставки СТС заказчику;

• ■    нарушение сроков сдачи готовой СТС;

• ■   экономические потери и др.

Это приводит к значительному увеличению трудоёмкости рутинных процедур, которые в ходе проектирования СТС выполнялись и продолжают выполняться «вручную» и сравнительно редко изучались в системной инженерии. Даже незначительные ошибки, допущенные на данном этапе, могут привести к ситуации, когда принятые решения по проектированию могут в дальнейшем привести к критическому несоответствию СТС заявленным целям и требованиям заказчика.

В связи с этим, на этапе проектирования СТС необходима интеллектуальная система контроля и предупреждения рисковых ситуаций (СКПРС), основанная на знаниях, которая позволит быстро обрабатывать и анализировать большие объёмы разнородной информации; проводить оценку текущей ситуации, а также отвечать на вопросы типа: «Что будет с проектом создаваемой СТС, если на этапе проектирования произойдут какие-либо изменения...?».

1    Построение базы знаний интеллектуальной системы контроляи предупреждения рисковых ситуаций

База знаний (БЗ) является одним из важнейших компонентов интеллектуальной СКПРС, которая создаётся на основе знаний высококвалифицированных специалистов. При построении БЗ важным является выбор способа представления знаний. Основные типы моделей представления знаний, которые часто применяются к процессу построения БЗ представлены ниже [4, 5]:

• 1)    продукционные модели - модель, основанная на правилах, позволяющая представить знание в виде предложений типа: «Если условие, то действие». Продукционная модель обладает тем недостатком, что при накоплении достаточно большого числа продукций они начинают противоречить друг другу;

• 2)    семантические сети - ориентированный граф, в котором понятия и объекты изображаются как вершины, а отношения между объектами - дуги. Одним из недостатков является то, что однозначного определения семантической сети в настоящее время не существует;

• 3)    фреймовая модель - модель, в основе которой лежат фреймы. Фрейм состоит из конечного числа слотов, каждый из которых имеет имя и значение.

• 4)    онтологическая модель - понятийная конструкция, базирующаяся на определённых глобальных категориях (пространстве, времени и качестве).

• 5)    модель в исчислении высказываний - самая простая формальная модель представления знаний. Её применение невозможно для описания сложных систем знаний, однако она позволяет понять основной механизм вывода в системах искусственного интеллекта.

В работе [6] рассматривается построение БЗ для распределённых информационно-управляющих систем. В работе [7] предложен подход к построению нечёткой БЗ, положенный в основу построения систем нечёткого вывода для оперативного управления пожарной безопасностью взрыво- и пожароопасных производств. В работе [8] рассматривается построение БЗ интеллектуальной системы управления безопасностью сложных транспортных комплексов. В работе [9] предлагается архитектурная, многоуровневая модель БЗ для хранения информации в предметно-ориентированной интеллектуальной системе. В данных работах не рассматривается случай, когда знания одновременно могут быть представлены в виде разнородных данных (вербальных описаний, интервалов, нечётких «треугольных» и «трапециевидных» чисел). Это может привести к неверной оценке рисков, а также к ошибочной оценке осуществимости проекта по созданию СТС на этапе проектирования.

В предлагаемой авторами БЗ модели знания представлены в виде чётких когнитивных моделей (ЧКМ) и нечётких когнитивных моделей (НКМ), а также сценариев развития рисковых ситуаций, возникающих при проектировании СТС.

2    Структура базы знаний интеллектуальной системы контроля и предупреждения рисковых ситуаций

На рисунке 1 представлена структура БЗ интеллектуальной СКПРС, основанной на модульном принципе, использующей обобщённую схему методологии когнитивного и нечёткого когнитивного моделирования.

Информация об объекте проектирования (ОП)

Модуль сбора исходных данных

Модуль обработки неопределённых исходных данных

Методология нечёткого

когнитивного

моделирования

Методы «мягких вычислений»

Методология когнитивного

Темпоральные методы

моделирования

Модуль диагностики

Вычислительный эксперимент

Модуль прогнозирования

управляющих воздействий

Корректировка моделей

Модуль формирования

Выбор модели, сценария развития системы

Модуль принятия решений

Рисунок 1 – Структура базы знаний интеллектуальной СКПРС

Предлагаемая БЗ интеллектуальной СКПРС содержит 6 модулей.

Модуль сбора исходных данных позволяет собирать исходные данные о создании СТС на протяжении всего этапа проектирования. Под исходными данными понимаются факторы, необходимые для контроля и предупреждения рисковых ситуаций, связи между факторами, а также их значения. Значения факторов могут быть представлены в виде: ■ чисел, которые отличаются единицами измерения и порядком величин;

• ■    интервалов (произвольные данные, которые связаны с определёнными датами или промежутками времени (темпоральные данные)) [10];

• ■   нечётких «треугольных» и «трапециевидных» чисел;

• ■   вербальных описаний.

Значения связей между факторами могут быть представлены в виде: интервалов; нечётких «треугольных» и «трапециевидных» чисел; вербальных описаний.

Обычно множество факторов, связей между ними, а также их значения определяются на основе предыдущего опыта, по результатам опроса исполнителей, анализа нормативной документации или контракта. Необходимость привлечения экспертных знаний нередко обусловлена отсутствием каких-либо других способов получения информации.

Модуль обработки исходных данных позволяет обрабатывать исходные данные с тем, чтобы можно было применить чёткое либо нечёткое когнитивное моделирование.

Под обработкой неопределённых исходных данных понимается структуризация и нормирование значений факторов, а также связей между ними, представленных в виде чисел (отличаются единицами измерения и порядком величин), вербальных описаний, интервалов, нечётких треугольных и трапециевидных чисел, позволяющая применить методологию нечёткого когнитивного моделирования. Алгоритм обработки неопределённых исходных данных описан в работе [11].

Модуль диагностики позволяет строить ЧКМ, НКМ выявления и предупреждения рисковых ситуаций при проектировании СТС с применением методологии когнитивного и нечёткого когнитивного моделирования.

Для применения темпоральных методов, методов «мягких вычислений» используются исходные данные, в качестве которых выступают показатели, характеризующие рисковые ситуации, заданные в виде интервалов, нечётких треугольных и трапециевидных чисел. Результатом использования данных методов является рассчитанная интервальная оценка, характеризующая приемлемую альтернативу проекта создания СТС на этапе проектирования, которая проходит этап обработки и предназначена для применения в процедурах поддержки принятия решений.

Под ЧКМ понимается когнитивная карта (знаковый ориентированный граф) [12]:

G = < V, E>, где V = {vi} - множество вершин, i = 1,...,h, h - количество вершин;

E - бинарное отношение на V (связи между вершинами v i и v j ). Элементы e ij , e ij е E ( i , j = 1,..., h ) характеризуют направление и силу влияния между вершинами v i и v j , e ij = e ( v i , v j ). Элемент e ij может принимать значения «1», «-1» либо «0»:

• ■    значение «1» означает положительную связь между вершинами v i и V j , т.е. увеличение (уменьшение) влияния вершины v i вызывает увеличение (уменьшение) в вершине v j ;

• ■    значение «-1» означает отрицательную связь между v i и v j , т.е. увеличение (уменьшение) влияния вершины v i вызывает уменьшение (увеличение) в вершине v j ;

• ■    значение «0» означает, что влияние v i на v j отсутствует.

Под НКМ понимается нечёткая когнитивная карта, в которой вершины представляют факторы, а рёбра - нечёткие причинно-следственные связи между факторами [13]:

Gнеч = < V, W>, где V = {vi} - множество вершин, vi е V, i = 1, h, h - количество вершин; X = {xv} - множество параметров вершин (каждой вершине ставится один параметр); W - нечёткие причинноследственные связи между вершинами. Элементы wij, wij е W характеризуют направление и силу влияния между вершинами vi и vj и обладают следующими свойствами [14]:

• 1)    w ij принимает значения из интервала w ij е [- 1, 1], т.е. - 1 <  w ij <  1;

• 2)    w jj = 0, если влияние v i на V j , отсутствует;

• 3)    0 <  w ij <  1 при положительном влиянии v i на v j , т.е. увеличение значения вершины v i приводит к увеличению значения вершины v j ;

• 4)    - 1 <  w ij < 0 при отрицательном влиянии v i на v j , т.е. увеличение значения вершины v i приводит к уменьшению значения вершины v j .

Заметим, что на данном этапе может быть построена не одна чёткая и/или нечёткая когнитивная модель, а набор ЧКМ ( G) и/или НКМ ( G _неч ). Построенная модель (ЧКМ, НКМ) отражает субъективные представления исполнителей проекта об исследуемой проблеме, связанной с рисковыми ситуациями при проектировании СТС.

Существует два подхода к построению ЧКМ и НКМ.

« Сверху ». На начальном этапе строится общая ЧКМ либо НКМ, которая в дальнейшем достраивается с помощью отдельных блоков когнитивной модели (рисунок 2). Здесь Бл1 КМ, Бл2 КМ, ..., Бл l КМ - отдельные блоки ЧКМ и/или НКМ ( r = 1,..., l ), которые достраиваются до общей ЧКМ либо НКМ; v o1, v o2,..., v o h - вершины общей ЧКМ либо НКМ.

Рисунок 2 - Подход «сверху» к построению когнитивных моделей

« Снизу ». На начальном этапе сначала строятся отдельные блоки когнитивной модели, а затем происходит их объединение в общую когнитивную модель (рисунок 3). Данный модуль позволяет структурировать знания исполнителей (теоретические представления, исходные данные) и преобразовывать их в модель знаний - ЧКМ, НКМ.

Модуль прогнозирования позволяет проводить чёткий и нечёткий когнитивный анализ, импульсное моделирование, предвидение тенденций развития системы, а также прогнозирование количественных значений параметров по ЧКМ либо НКМ. Для ЧКМ проводится ана- лиз циклов модели, поиск собственных чисел, анализ устойчивости процесса, анализ структурной устойчивости к возмущающим и управляющим воздействиям, а также топологический анализ структуры модели [15]. Для НКМ проводится топологический анализ, расчёт системных показателей НКМ, а также обучение НКМ [16-18].

Рисунок 3 - Подход «снизу» к построению когнитивных моделей

В случае проведения импульсного моделирования на ЧКМ, НКМ, сценарного анализа могут быть построены различные сценарии прогноза развития ситуаций, связанные с возникновением рисковых ситуаций при проектировании СТС. Сценарии, порождаемые возмущениями, дают ответ на вопрос: «А что будет с создаваемой СТС на этапе проектирования в момент t ( n +1), если произойдут какие-либо изменения ...?».

Для проведения импульсного моделирования на моделях, необходимо исследовать зависимости изменения параметров вершин x от времени x (t), t = 1, 2, 3,... Процесс vivi распространения возмущения по графу описан в работе [15].

h - 1

xv, (n + 1) = xv, (n ) + ^ f(xv, , xv} , e j )Pj (n) + Qi (n) , vj: e=eij где x (n +1), x (n) - значение параметра вершины vi в момент t = пи t = n + 1; n - такты моделирования; Pj(n) - изменение в вершине Vj в момент времени t(n); Qi(n) - вектор внешних импульсов qi, вносимых в вершины vi в момент времени t(n); f - коэффициент связи между вершинами vi и vj.

Проведение вычислительного эксперимента путём импульсного моделирования требует предварительного его планирования. Под планированием понимается выбор вершин, в которые должны вноситься возмущающие воздействия.

Модуль формирования управляющих воздействий осуществляет корректировку моделей ЧКМ либо НКМ. Под корректировкой модели понимается изменение структуры модели (добавление либо удаление каких-либо факторов и связей между ними), а также изменение значений факторов и связей. Исполнителям предлагается сделать выбор: принять решение о корректировке / не корректировке начальной ЧКМ G либо НКМ Gнеч или о разработке новой ЧКМ G(нов) либо НКМ Gнеч(нов).

Модуль принятия решения позволяет оценивать сценарии развития ЧКМ, НКМ и выбирать наилучший сценарий, а также выводить результаты анализа структур ЧКМ, НКМ.

Для оценивания и выбора наилучшего сценария развития проектирования СТС необходимо применить различные математические методы сравнения [19-21]. Результатами анализа структур ЧКМ, НКМ являются:

• ■    топологический анализ структур ЧКМ, НКМ (рекомендации обоснования выбора целевых и управляющих вершин ЧКМ, НКМ);

• ■    расчёты системных показателей НКМ (сила взаимовлияний между вершинами, либо вершиной и НКМ; наибольшее влияние на всю НКМ);

• ■    нахождение наилучших значений факторов, отражающих рисковые ситуации при проектировании СТС при наличии имеющихся ресурсов.

3 Пример оценки рисковых ситуаций на этапе проектирования СТС

Рассмотрим пример оценки рисковых ситуаций на этапе проектирования СТС для машиностроительного предприятия.

Для построения НКМ оценки рисковых ситуаций на этапе проектирования СТС были выявлены факторы, необходимые для оценки рисковых ситуаций, связи между ними, а также их значения. На последующих этапах проектирования при построении НКМ могут использоваться факторы, характеризующие индивидуальность объектов.

Значения связей между вершинами назначаются экспертами на основе предыдущего опыта, что диктуется предметной областью и обусловлено отсутствием точных количественных исходных данных и каких-либо других способов получения информации. Словесные суждения были получены на основе опроса и формализованы с помощью специально разработанных шкал [11] для рассматриваемой предметной области.

На рисунке 4 представлена нечёткая модель оценки рисковых ситуаций на этапе проектирования СТС с применением принципа «снизу».

Рисунок 4 – Нечёткая когнитивная модель оценки рисковых ситуаций на этапе проектирования СТС

Здесь v 1 – количество задач; v 2 – производительность исполнителей (скорость выполнения работ); v 3 – количество оценок осуществимости проекта по проектированию СТС (оценки могут быть получены с применением различных подходов и методов); v 4 – завершение проекта по созданию СТС (неудачное завершение проекта, т.е. отставание от графика работ либо провал проекта); v 5 – экономичность (выполнение работ с наименьшими затратами); v 6 – надёжность СТС (система находится в работоспособном состоянии в течение определенного отрезка времени), v 7 – безопасность и защита СТС (свойство системы исправно функционировать без проявления различных негативных последствий для людей и внешней среды); v 8 – внешние факторы (пожар, энергоснабжение); v 9 – количество ошибок исполнителей; v 10 – время, затраченное на создание СТС; v 11 – финансовые ресурсы, затрачиваемые на создание СТС; v 12 – количество исполнителей; v 13 – квалификация исполнителей; v 14 – нарушение нормальной эксплуатации; v 15 – аварийная ситуация.

Интерпретировать связи, представленные на рисунке 4, можно следующим образом: например, связь v 3 → v 6 с весом 0,9 означает, что если значение параметра вершины v 3 возрастёт (уменьшится) на 10 %, то значение параметра вершины v 6 возрастёт (уменьшится) (знак «+») на 9%; связь v 10 → v 9 с весом –0,7 означает, что если значение параметра вершины v 10 уменьшится на 10 %, то значение параметра вершины v 9 возрастёт (знак «–») на 7%.

Для выработки обоснованных управленческих решений проводится анализ структурной устойчивости модели в виде НКМ [22]. В данной работе под структурной устойчивостью предлагается понимать степень живучести нечёткого графа.

Проведённый анализ структурной устойчивости НКМ показал, что степень структурной устойчивости исследуемой модели находится на уровне 0,53, что классифицирует модель как устойчивую.

На рисунке 5 приведены фрагменты импульсного моделирования сценариев развития ситуаций на НКМ. На графиках по оси абсцисс отмечены итерации n , по оси ординат – изменение значений параметров вершин Δ , %. Для лучшего восприятия изображения графики импульсных процессов содержат по четыре вершины. При этом отметим, что на графиках представлено такое количество итераций, которое отражает тенденции изменений. Дальнейший вычислительный эксперимент показал, что на последующих итерациях тенденции нарастания или убывания не меняются.

• а )                                                                           б )

Рисунок 5 – Результаты импульсного моделирования развития ситуаций на НКМ

Сценарий № 1. Импульс поступает в две вершины. Зададимся вопросом: «Что будет с СТС на этапе проектирования, если увеличить v 9 = 10%, уменьшить v 6 = –10% (рисунок 5а).

Рекомендации: если увеличить количество ошибок исполнителей и уменьшить надёжность СТС на (–10%), то наблюдается резкое увеличение неудачного завершения проекта и уменьшение безопасности СТС. Однако при небольшом увеличении надёжности наблюдается небольшое уменьшение неудачного завершения проекта.

Сценарий № 2. Импульс поступает в две вершины. Зададимся вопросом: «Что будет с СТС на этапе проектирования, если уменьшить v ₉ = -10% и v ₁₀ = -10% (рисунок 5б).

Рекомендации: если уменьшить количество ошибок исполнителей и время создания СТС на 10%, то наблюдается небольшое уменьшение надёжности СТС и аварийных ситуаций. Однако при небольшом увеличении времени на создание СТС, наблюдается резкое увеличение надёжности СТС, при которой возникновение аварийных ситуаций мало.

Для получения информации о неявных взаимных влияниях между факторами НКМ был проведён анализ структуры НКМ [11], который показал:

• 1)    уровень доверия к полученному значению итогового влияния вершины « v 1 - количество задач» на v ₆, v ₇, v ₉, v 15 низкий, на что и указывает малое значение консонанса (0,01). Это означает, что вершину v 1 можно исключить из НКМ, поскольку она не сильно влияет на структуру модели.

• 2)    наибольшее положительное влияние на НКМ оказывают вершины v 2 (0,19), v 3 (0,10), при этом они практически не испытывают обратного сильного влияния. Чуть меньшее положительное влияние на НКМ оказывают вершины v 3 (0,08), v ₁₃ (0,08). Влияя на вышеперечисленные вершины, можно «повернуть» всю систему в положительную сторону.

• 3)    наибольшему влиянию со стороны НКМ подвержены вершины v 11 (0,2), v ₃ (0,13), v ₁₀ (0,13), v ₆ (0,08). Высока вероятность того, что влияние НКМ на эти вершины способно погасить любые рисковые ситуации, а также любое отрицательное воздействие извне.

Заключение

Предлагаемая БЗ позволяет выявлять и предупреждать рисковые ситуации при проектировании СТС в условиях разнородной информации, на основе заложенных в ней ЧКМ и НКМ, а также сценариев развития рисковых ситуаций, полученных с помощью проведения импульсного моделирования. Полученная информация является основой для выработки научно-обоснованных управленческих действий, направленных на выявление и предотвращение возможных рисковых ситуаций на этапе проектирования СТС.

Представленный прототип БЗ интеллектуальной СКПРС может быть адаптирован к различным объектам критической инфраструктуры (энергетика, транспорт, атомная энергетика, производственные предприятия (оборонная, ракетно-космическая, горнодобывающая, металлургическая и химическая промышленность и т.п.)) за счёт обработки неопределённых исходных данных (способа нормирования и структуризации), построения новых когнитивных моделей, которые характеризуют индивидуальность объектов, сценариев развития рисковых ситуаций.

Исследования проводились в рамках работ, поддержанными грантами РФФИ 16-07-00032-а, 16-07-00086-а, 17-08-00402-а.