ВАСИЛЬЕВ В.И., БОРЩЕНКО Я.А. ИНТЕЛЛЕКТУАЛЬНЫЕ ТЕХНОЛОГИИ В ПРОЦЕССАХ ПРОЕКТИРОВАНИЯ СИСТЕМ ДИАГНОСТИРОВАНИЯ АВТОТРАНСПОРТНЫХ СРЕДСТВ

Ключевые слова: , , ,


ВАСИЛЬЕВ В.И., БОРЩЕНКО Я.А. ИНТЕЛЛЕКТУАЛЬНЫЕ ТЕХНОЛОГИИ В ПРОЦЕССАХ ПРОЕКТИРОВАНИЯ СИСТЕМ ДИАГНОСТИРОВАНИЯ АВТОТРАНСПОРТНЫХ СРЕДСТВ


Рубрика: 05.00.00 ТЕХНИЧЕСКИЕ НАУКИ

Библиографическая ссылка на статью:
// Современные научные исследования и инновации. 2012. № 3 [Электронный ресурс]. URL: http://web.snauka.ru/issues/2012/03/10235 (дата обращения: 02.06.2017).

Значительный рост количества систем  автомобиля, в том числе и электронных, а также повышение  их сложности конструкции и принципов функционирования, потребовало от производителей  эффективных средств диагностирования. Особенно это касается встроенных средств, работающих непосредственно на автомобиле. Однако подавляющее большинство подобных систем обладают существенными недостатками – они оценивают техническое состояние отдельных элементов, подсистем и узлов дифференцированно, без взаимосвязи с другими подсистемами, что значительно снижает достоверность диагностирования, и как следствие требует либо  чрезмерно «жестких» или «мягких» нормативов. Сами по себе системы бортовой диагностики не обладают алгоритмами постановки диагноза по системам автомобиля, а лишь фиксируют локальные проявления неисправностей. Следует отметить, что стационарные комплексы диагностирования также как правило, не имеют систем постановки диагноза по совокупности диагностических параметров, роль которых отводится оператору-диагносту.

Таким образом, существует объективная научно-техническая проблема создания комплексных систем диагностирования, построенных на универсальных принципах, обеспечивающих высокий уровень достоверности постановки диагноза и перспективных в отношении массовой реализации, как в стационарных стендах, так и средствах бортового диагностирования.

Проектирование системы диагностирования требует создания алгоритма диагноза и определения нормативов. Традиционные подходы реализуют эти два этапа раздельно, что является их существенным недостатком. Тем не менее, в медицине, экономике достаточно успешно применяются диагностические и экспертные системы на основе интеллектуальных методах, таких как «нечеткая логика» и «нейронные сети».

Особенно широко применяются системы на базе «мягких вычислений» – «нечеткая логика». Не вдаваясь в теоретические аспекты «нечеткой логики», отметим, что в стандартном виде она эффективна только при следующих условиях: небольшое количество параметров диагностирования в рамках одной нечеткой системы (до 7), наличие знаний у эксперта о влиянии факторов на целевую функцию, невысокие требования к точности системы.

Именно вследствие этих ограничений эти технологии ограниченно находят применение в технической диагностике. Для успешного применения нечеткой логики  в технических системах требуется: алгоритм определения показателей лингвистических переменных (количество функций принадлежности – термов, их параметров), алгоритм синтеза правил нечеткого вывода, алгоритм  подстройки системы на основе тестовых выборок.

Начальными условиями для автоматического построения системы диагностирования являются: выборка данных, в виде матрицы Х, в которой представлены диагнозы D.

Для применения классического метода определения нормативов требуется оценить плотность распределения f(x) и при удовлетворительном согласии распределения с нормальным законом задаваясь доверительным уровнем вероятности  безотказной работы Rд определяем допустимые значения параметров диагностирования. Очевидны недостатки такого подхода: необходима достаточная выборка, распределение параметров должно быть близко к нормальному закону, а также определение лишь двух состояний объекта: исправно и   неисправно. Спроектировать системы диагностирования позволяет следующий алгоритм на основе сформированных интервалов нечеткой системы и настроенной генетическим алгоритмом.

На первом этапе необходимо ранжировать выборку по классам состояний или диагнозам:

Параметры диагностирования xi Значение выходного фактора (класс – диагноз di)
x1 d1
x2 d1
x3 d2
xn dn.

 

Следует отметить, что искомый каждый интервал, лингвистической переменной INTХi соответствует гипотезам:

INT1→ d1, INT2→ d2, INTn→ dn.                                                                                     (1)

Для поиска границ интервалов   INTi =[ai, bi], воспользуемся методикой /1/ основанной на использовании законов  золотого сечения для разложения отрезков, для чего нужно решить систему:

             x1=0,618*a1+0,382*b1

x2=0,618*b1+0,382*a1

при x2>x1                                                                    (2)

где      х1, х2 – значения выборки, соответствующие одному классу dn.

Для удобства применения следует сгруппировать  данные  внутри одного класса по возрастанию.

Вторым шагом данного этапа является последовательная проверка принадлежности значений xn полученному интервалу. При наличии таковой проверяется следующее значение, а при отсутствии образуется новый интервал  INT2.

Следует ввести порог, определяющий необходимость обобщения интервалов Dх внутри одного класса решений dn., величина которого в первую очередь будет определяться точность оценки параметров xn.

Таким образом, условие обобщения интервалов  будет:

ρ( INT1, INT2)≤ΔΧ

ρ( INT1, INT2)=max{|a1-a2|, |b1-b2|}

INT1→d, INT2→d.                                                                                 (3)

В результате обобщения образуется новый интервал INT 3 = INT1 vINT2.

Сформированные интервалы являются основой для построения термов той или иной формы, тем не менее, ряд работ показывают наибольшую эффективность термов с нелинейным характером изменения и малым числом параметров настойки, таковыми являются функции принадлежности, задаваемые функциями /1,2/:

А) симметричная гауссовская функция принадлежности

       ,                                           (4)

Б) функция, предложенная /2/

  ,                                                    (5)

где      b и c – параметры настройки: c- координата максимума функции , ;
c- коэффициент концентрации – растяжения функции (рисунок 1). Для нечеткого терма T число  b представляет наиболее возможное значение переменной x.

Рисунок  1 – Модель функции принадлежности

Таким  образом, каждому интервалу соответствует свой терм-множество mт(х).

На втором этапе происходит построение лингвистических правил с учетом допущений: интервалы (термы) могут быть пересекающимися; построенные правила в виде предложений условия  <Если> х1Î mт(х1).<ТО> d1 не могут быть противоречивыми.

После чего «грубая» диагностическая система считается построенной, однако точность ее, как правило, не высока. Повысить ее точность представляется возможным путем оптимизации параметров функций принадлежности, то есть b и c. А также на тонкую настройку системы можно осуществить путем изменения весов каждого правила wi. Подробно методика настройки изложена в /2/.

По мнению авторов целесообразно применять генетический алгоритм (ГА) поиска оптимального решения при настройке системы. Генетический алгоритм осуществляет одновременный поиск по многим направлениям путем использования вариации возможных решений. Переход от одной вариации к другой позволяет избежать попадания в локальный оптимум. Популяция претерпевает нечто наподобие эволюции: в каждом поколении относительно хорошие решения репродуцируются, в то время как относительно плохие отмирают. ГА используют вероятностные правила для определения репродуцируемой или уничтожаемой хромосомы (решение, код) – совокупности оптимизируемых параметров, чтобы направить поиск к областям вероятного улучшения целевой функции /2/.

С точки зрения программной реализации целесообразно использовать языки высоко уровня, что еще более важно имеющие в своем составе выше изложенные алгоритмы. Таковым на сегодняшний день является среда MATLAB. Его последние версии обладают пакетом расширения генетических алгоритмов – gatool и хорошо проработанный fuzzy logic. Среда позволяет разрабатывать системы поэтапно, применяя как графический интерфейс для отладки отдельных подпрограмм, так и в структурных единицах среды программирования m- файлах. Конечный продукт может быть скомпилирован в независимое  приложение на зыке С++.

 

 

Литература

  1. Хартман К. и др. Планирование эксперимента в исследовании технологических процессов. – Мир, 1977. – 408с.
  2. Ротштейн А.П. Интеллектуальные технологии идентификации: нечеткая логика, генетические алгоритмы, нейронные сети. — Винница: УНИВЕРСУМ—Винница, 1999. — 320 с.

 

 

 

 

 



Все статьи автора «Валерий Васильев»


© Если вы обнаружили нарушение авторских или смежных прав, пожалуйста, незамедлительно сообщите нам об этом по электронной почте или через форму обратной связи.

Связь с автором (комментарии/рецензии к статье)

Оставить комментарий

Вы должны авторизоваться, чтобы оставить комментарий.

Если Вы еще не зарегистрированы на сайте, то Вам необходимо зарегистрироваться: