В процессе эксплуатации электрооборудования, очень важно не только определять его техническое состояние (т.е. знать какими характеристиками обладает оборудование в данный момент времени) и сработанный ресурс (интегральная характеристика технического состояния), но и предвидеть техническое состояние и остаточный ресурс в будущий отрезок времени, чтобы можно было своевременно принять меры по предотвращению отказов. Необходимость определения этих характеристик электрооборудования в основном возникает при продлении срока службы оборудования за пределы нормативного срока, а также при планировании контроля технического состояния с целью безопасной его эксплуатации и определения эффективной стратегии управления техническим состоянием путем своевременного переключения на резерв, вывода в ремонт или перехода на новые рабочие режимы [2, с. 67].

Создание модели для расчетов остаточного ресурса включает в себя три основных этапа.

Первым является определение связей между объектами в сложной технической системе и построение ее структурной схемы с учетом правил теории надежности (последовательное, параллельное соединение, резервируемый объект и т.д.). Эта структура будет использоваться в дальнейшем для построения расчетной модели в интерактивной среде моделирования Siniulink [3].

Вторым и основным этапом является подготовка и программирование контроллеров, с помощью которых будет вычисляться влияние поведения того или иного параметра рабочего процесса на износ технической системы и на ее остаточный ресурс соответственно. На рисунке 1 представлены лингвистические переменные с равномерным распределением термов по диапазону значений, где VL – очень низкий уровень значения переменной, L – низкий уровень значения переменной, M – средний уровень значения переменной, H – высокий уровень значения переменной, VH – очень высокий уровень значения переменной.

Рисунок 1. Лингвистические переменные

Пример набора правил для оценки текущего значения переменной N:

1.    Если S высокая и Q высокая, то N очень низкая.

2.    Если S высокая и Q средняя, то N низкая.

3.    Если S высокая и Q низкая, то N средняя.

4.    Если S средняя и Q высокая, то N низкая.

5.    Если S средняя и Q средняя, то N средняя.

6.    Если S средняя и Q низкая, то N высокая.

7.    Если S низкая и Q высокая, то N средняя.

8.    Если S низкая и Q средняя, то N высокая.

9.    Если S низкая и Q низкая, то N очень высокая.

Типы входных переменных могут подразделяться на экспертные, то есть определяемые непосредственно оператором эксплуатирующим систему. К ним могут относиться переменные, не имеющие точного числового значения, такие как «отказ подшипника», «уровень шума» и т. д. или те переменные, значения которых не снимаются автоматически. Вторым типом являются переменные, значения которых снимаются контрольно-измерительными приборами и заносятся в соответствующую базу данных. Такая база данных позволяет сформировать адаптивную нейро-нечеткую подсистему, обучаемую в процессе эксплуатации системы в целом и поступлении в нее новых данных.

На третьем этапе производится построение схемы блочной модели в среде интерактивного моделирования Simulink, где в качестве компонентов системы применяются запрограммированные контроллеры. Входами для них являются параметры рабочего процесса и характеристики (возраст, время эксплуатации) соответствующего компонента. Выходом таких контроллеров может быть либо сразу остаточный ресурс компонента, либо величина воздействия на ресурс. На рисунке 2 приведен возможный вариант компоновки такой схемы с четырьмя входными переменными S, Q, T и P, тремя уровнями нечеткого вывода, дифференциальной оценкой переменной P и интегральной оценкой вывода второго уровня N2.

Рисунок 2. Пример экспертной системы построенной в среде
Matlab Simulink

В приведенном примере на основании значений переменных S и Q определяется текущее значение переменной N, которое уточняется на основании значения переменной T. Переменная P представляет собой значение срока эксплуатации тестируемого оборудования, в зависимости от дифференциальной оценки которой, позволяет дополнить недостающие значения (в случае неполноты базы данных) усредненными значениями переменной N2 и сброса интегральной оценки к 0 в случае замены оборудования. Третий уровень определяет окончательный вывод о состоянии оборудования в зависимости от накопления (интегральной оценки) значений N2 и срока службы оборудования.

В настоящее время на описанном принципе построена экспертная система по оценки состояния роликовых секций машин непрерывного литья заготовок сталеплавильного производства ЧерМК ОАО «Северсталь» [4, 5].

С помощью данной и аналогичной систем можно определить не только текущее состояние оборудования, но и предсказать его отказ, а так же эффективно спланировать график ремонтных и сервисных работ.

Для начала стоит ввести более точное определение этого термина. Искусственный интеллект — это научное направление, позволяющие электронно-вычислительной машине решать интеллектуальные задачи, в том случае если они решаются человеком.Положительные стороны такой машины заключаются в том, что, задачи на которые у человека может быть потрачено большое количество времени можно будет решить за минуты, а при возможности и за секунды.

В настоящее время искусственный интеллект развивается в самых разнообразных направлениях. Примером этого могут служить такие проблемные области ка нефтяная и газовая промышленность, космос, образование, связь, транспорт и еще многие другие направления. Далее стоит осветить наиболее яркие примеры где задействован искусственный интеллект или экспортные системы. Стоит отметить что экспертная система- это система компьютера, которая способна частично заметить специалиста. Современные экспортные системы начали разрабатываться исследователями искусственного интеллекта в 1970 году.

Несмотря на достаточно мирное время в стране, одной из важных тем всегда была и остается тема военного дела, поэтому стоит остановить наше внимание на примерах экспертных систем именно в этом направлении.

Одной из первых систем является ACES, именно эта экспертная система выполняет картографические работы по нанесению обстановки на карты. В итоге система получает карту с информацией, которая описывает расположение объектов на местности. На такой карте содержатся все желаемые обозначения и надписи, размещенные без взаимного наложения. Эта система разработана компанией ESLи сейчас доведена до уровня исследовательского прототипа.

Следующая экспертная система ASTA, она помогает специалисту аналитику определить тип радара, который посылает тип перехваченного сигнала. Система анализирует этот сигнал на фоне всей имеющейся у нее информации о физике радаров и знаниях о типах радарных систем. База знаний в этой системе представлена в виде списка правил, без которых она не сможет решить и ту или иную аналитическую задачу.

Одной из важных экспортных систем в этом деле является I&W, без этой системы трудно представить работу специалистов, работающих в разведке. Именно эта программа способствует оповещению того где и когда произойдет вооруженное столкновение. Система проводит анализ поступающих сообщений из разведки, к примеру донесения, о нахождении воинских соединений, о том, что они делают и куда направляются в данный момент времени. Такого рода знания представлены в виде доски объявлений, с помощью которой наши специалисты легко могут изменить свою стратегию нападения или месторасположение войск.

Среди военных экспортных систем есть еще много программ, без помощи которых нам было бы проблематично наблюдать или делать более точные выводы о деятельности противника. К ним относятся RUBRIC, DART, HANNIBALи многое другие, о которых вы можете найти информацию самостоятельно.

Применение искусственного интеллекта в военном деле находит самые разнообразные направления, именно поэтому современная военная техника имеет не только огромную боевую мощь, но и становится более инновационной. В большинстве случаев использование искусственного интеллекта позволяет улучшить прицельную стрельбу, ко всему этому достаточно быстро производить анализ окружающей среды, при этом выводя на экран возможные жертвы или неминуемую опасность. Не так давно нам была открыта новая информация, о том, что в нашей армии появился эксклюзивный, усовершенствованный танк. Это изобретение будет использовать компьютерный комплекс, он будет работать с разновидность искусственного интеллекта, автоматизирующего управление танком.

Такой вид боевой техники получил название «Армата», над его реализацией работали наши отечественные специалисты из города Воронежа. Стоит отметить, что в нем будет присутствовать не только новейший компьютер, но и командная система вместе с системой навигации последнего поколения. Такого рода возможности этого танка предоставляют командиру всю необходимую информацию для принятия правильного решения с минимальными потерями. Одним из огромных плюсов такого механизма является то что при возможном поражении, в башне этого танка никого не будет, таким образом о потери экипажа можно не волноваться. Все прелести этого механизма можно было увидеть на параде, который состоялся в этом году к 70-летию со дня великой Победы в нашей столице.

Искусственный интеллект находит себе применение не только среди военных задач и спец технике, сегодня мы можем наблюдать его проявление в самой обыденной для нас ситуации. На сегодняшний день около 42 % россиян имеют свой собственный транспорт, по факту одной из неотъемлемой частью владения автомобилем является своевременное проведение диагностики технического состояния. Таким образом можно отметить насколько полезно использование ИИ в проверке автомобиля, так как компьютер может показать значительно больше неисправностей чем заметит человеческий глаз.

На сегодняшний день явным лидером в прикладных исследованиях стали современные автомобили, управление которых реализуется с помощью компьютерных систем. Производители машин видят будущее транспорта именно в таком направление. Изобретением роботизированных автомобилей на сегодняшний день, занимаются уже самые распространённые производители машин, к ним относятся Volvo, Toyota иNissan.

На первом месте стоит компания Google, хотя для нее эта область является не профильной, в этом вопросе она превзошла всех остальных производителей, активно работая, над производством и выпуском в свет автомобилей-роботов. Сейчас такие машины успешно проходят тест-драйв на тысячи километров, стоит отметить что за все время проведения тестирования не было не одного ДТП по вине роботизированной машины.

Такого вида направление не ограничилось легковыми автомобилями, в будущем ученые разработчики хотят доверить управление промышленного транспорта компьютеру, тем самым исключая риск для людей, на опасных участках работ. Таким образом одна из Российских компаний выдвинула предложение доверить управление искусственному интеллекту, большегрузными самосвалами БелАЗ и экскаваторами на карьерах. Демонстрация такого вида машин прошла достаточно успешно, автономный БелАЗ двигался самостоятельно по заданной траектории.

Введение искусственного интеллекта в нашу жизнь не стоит на месте, возможно уже в скором будущем мы сможем наблюдать полноценную работу новейшего транспорта, который не только сможет заменять человека, но и поможет нам избегать опасности в той или иной жизненной ситуации.

В общем случае под экспертной системой понимают систему, способную заменить человека-эксперта при решении некоторых задач определенной предметной области [1, с. 4]. В состав экспертной системы обычно входят компоненты, способные формировать базу знаний предметной области, правила по которым предметные знания связаны друг с другом, «решатель» различных задач и «объяснитель» решений. Такой набор составляющих экспертной системы позволяет разработчику, заполнив базу знаний, определив набор правил предложить пользователю вариант(ы) решения задачи с объяснением. Базы знаний, разработанные в ЭС, могут применяться совместно с механизмом логического вывода. Механизм логического вывода снабжен набором средств отладки для проверки и поддержки  базы знаний.

Если рассматривать применение экспертных систем в обучении, то следует учитывать методику обучения, которая должна быть заложена в правилах обработки знаний, с целью диагностировать знания учащегося и управлять процессом обучения.

Перед студентами была поставлена задача разработать оболочку экспертной обучающей системы, позволяющей изменять базу знаний и вести диалог между системой и обучаемым, чью глубину знаний и навыков необходимо оценить. Была разработана
программа (экспертная система – оболочка) для того, чтобы включить эксперта, обладающего определенными знаниями в какой-либо предметной области в разработку прикладной программы. ЭС содержит два основных компонента: во-первых, систему формирования знаний, которая позволяет экспертам конструировать базы знаний для использования в обучающих программах; и, во-вторых, механизм логического вывода, чтобы применить базы знаний для непосредственного использования (рис. 1). Интерфейс программы достаточно простой и понятный, реализован в среде Visual Basic. Система формирования знаний – это раздел программы, в котором накапливаются экспертные знания предметной области, необходимые для наполнения базы знаний без помощи инженера по знанию. Обычно при разработке прикладной программы экспертной системы сбор знания проводится вручную инженером по знанию, который задает специалистам в проблемной области ряд вопросов, чтобы сформировать базу знаний. Это – длительный и трудоемкий процесс. Экспертная система
помогает специалисту в предметной области создавать базу знаний самостоятельно, не прибегая к помощи инженера по знанию. Для этой цели используется пошаговая методология приобретения и представления знаний. ЭС
выполняет функции инженера по знаниям, позволяя пользователю сосредоточиться на структурировании своих знаний.

Рисунок 1. Экспертная система

В ЭС используются модели знаний проблемной области на разных уровнях обобщения. Наиболее общая из этих моделей образуют сеть объектов (категорию). Все, что соответствует знанию эксперта, должно быть названо как объект (термин). В ЭС, объектом (термином) может быть все, над чем производятся действия, что может рассматривать эксперт (то есть, данные, наблюдения, переменные, гипотезы, заключения, концепции, и т.д.) как знания. Каждый объект (термин) принимает набор значений (ключевых слов), определенных специалистом в данной предметной области. Таким образом, формирование базы знаний происходит в следующем порядке:

• шаг 1. создается объектная сеть объектов (терминов),
  
• шаг 2. создается сеть правил, связывающих объекты (термины) между собой.
  

Первый шаг в структурировании знания – назвать объекты (термин) и связать их вместе в сеть объектов. Объекты связаны, когда значение, связанное с одним объектом (целью) может влиять на значение, связанное с другим объектом (термин). Вместе наборы объектных связей составляют сеть объектов (категорию). Поскольку фактические значения объектов (терминов) не рассматривается, связь объектов (терминов) в сеть представляет собой очень общую модель,  иллюстрирующую область приложения (категорию), которая включается в список категорий после создания и сохранения базы знаний, причем имя категории и имя базы знаний идентичны. Таким образом, первым шагом в создании базы знаний будет – выбор преподавателем определенной категории и обозначение группы терминов, которые будут включены в эту категорию (см. рис. 1).

Следующим шагом в структурировании знаний является группировка объектов (терминов), связанных в сеть объектов – пакеты, для которых могут формироваться правила. Чтобы завершить спецификации правила, необходимо определить возможные значения, которые каждый объект (термин) должен принимать. Эти значения используются для определения как самих объектов в непосредственной реализации обучающей экспертной системы, так и точной природы зависимости между объектами (терминами) (рис. 2).

Также очень часто в созданных базах знаний для экспертных систем необходимо вносить дополнения или изменения, чтобы не создавать базу знаний заново. Для этого сначала необходимо просмотреть всю базу (рис. 3), а потом уже вносить изменения. Это также предусмотрено в ЭС. Преподаватель-эксперт может загрузить уже существующую базу знаний, просмотреть ее и внести необходимые изменения с сохранением. При этом корректируя базу, преподавателю (эксперту), достаточно в списке выделить необходимый термин и удалить его, а для добавления термина работает тот же алгоритм, что и при создании базы знаний (рис. 2).

Рисунок 2. Создания базы знаний

Система формирования знаний в ЭС представляет собой процесс накопления знаний эксперта предметной области. Формируемая база знаний должна быть подвергнута формализации с целью однозначной обработки с помощью правил.

Рисунок 3. Просмотр базы знаний

База знаний может содержать несколько модулей в своем составе. Обучающая функция ЭС должна включать возможности контроля и оценки знаний учащегося с целью выявлений пробелов в изученном материале. Учитывая, что система формирования знаний является ядром ЭС, необходимо сосредоточиться на последующих стадиях доступа к этим знаниям, оптимального извлечения знаний и адекватной обработке знаний. Процесс проектирования ЭС подчиняется традиционному способу поэтапной разработки информационных систем [2, с.13] .

Таким образом, автоматизация обучения с использованием ЭС является востребованным инструментом повышения уровня усвоения учебного материала учащегося и, как следствие, демонстрацией возможности самостоятельно управлять образовательным процессом с учетом особенностей обучающегося. Диалоговый способ взаимодействия ЭС и учащегося раскрывает педагогический смысл дружественного интерфейса, выхода из системы в любой момент времени, а также предоставления помощи в случае необходимости.