Экспертные системы, основанные на правилах (диагностика автомобиля) (на основе цели).

Архитектура экспертной системы, основанной на правилах, может быть рассмотрена в терминах модели продукционной системы решения задач, представленной в части П. Между ними есть большое сходство: продукционная система считается интеллектуальным предшественником архитектуры современных экспертных систем, в которой продукционные правша позволяют лучше понять конкретную ситуацию. Когда Ньюэлл и Саймон разрабатывали продукционную систему, их целью было моделирование деятельности человека при решении задач. Если экспертную систему на рис. 7.1 рассматривать как продукционную, то базу знаний о предметной области можно считать набором продукционных правил. В системе, основанной на правилах, пары «условие-действие» представляются правилами «если. то. » в которых посылка (часть если) соответствует условию, а заключение (часть то) — действию. Если условие удовлетворяется, экспертная система осуществляет действие, означающее истинность заключения. Данные частных случаев можно хранить в рабочей памяти. Механизм вывода осуществляет цикл продукционной системы «распознавание-действие». При этом управление может осуществляться либо на основе данных, либо на основе цели.

Многие предметные области больше соответствуют прямому поиску. Например, в проблеме интерпретации большая часть информации представляет собой исходные данные, при этом часто трудно сформулировать гипотезы или цель. Это приводит к прямому процессу рассуждения, при котором факты помещаются в рабочую память, и система ищет для них интерпретацию.

В экспертной системе на основе цели в рабочую память помещается целевое выражение. Система сопоставляет заключения правил с целевым выражением и помешает их предпосылки в рабочую память. Это соответствует декомпозиции проблемы на более простые подцели. На следующей итерации работы продукционной системы процесс продолжается, эти предпосылки становятся новыми подцелями, которые сопоставляются с заключениями правил. Система работает до тех пор, пока все подцели в рабочей памяти не станут истинными, подтверждая гипотезу. Таким образом, обратный поиск в экспертной системе приближенно соответствует процессу проверки гипотез при решении проблем человеком.

В экспертной системе, чтобы достичь подцели, следует запросить информацию у пользователя. В некоторых экспертных системах разработчики определяют, какие подцели могут достигаться путем запроса к пользователю. Другие системы обращаются к пользователю, если не могут вывести истинность подцели на основе правил из базы знаний.

В качестве примера решения задач на основе цели с запросами к пользователю рассмотрим небольшую экспертную систему диагностики автомобиля. Это не полная система диагностики, так как она содержит всего четыре очень простых правила. Она приводится как пример, демонстрирующий образование цепочек правил, интеграцию новых данных и использование возможностей объяснения.

топливо поступает в двигатель и

проблема в свечах зажигания.

двигатель не вращается и

проблема в аккумуляторе или проводке.

двигатель не вращается и

проблема в стартере.

в баке есть топливо и

топливо поступает в карбюратор,

топливо поступает в двигатель.

Для работы с этой базой знаний цель верхнего уровня проблема в X помещается в рабочую память, как показано на рис. 7.5. Здесь X — переменная, которая может сопоставляться с любой фразой, например, проблема в аккумуляторе или проводке. В процессе решения задачи она будет связана с некоторым значением. С выражением в рабочей памяти сопоставляются три правила: правило 1, правило 2 и правило 3. Если мы разрешаем конфликты, предпочитая правила с наименьшим номером, будет активизироваться правило 1. При этом X связывается со значением свечи зажигания, и предпосылки правила 1 помещаются в рабочую память (рис. 7.6). Таким образом, система выбирает для исследования гипотезу о неисправности свечей зажигания. Это можно рассматривать как выбор системой ветви ИЛИ на графе И/ИЛИ (глава 3).

Отметим, что для истинности заключения правила 1 должны быть удовлетворены две предпосылки, Они являются ветвями И графа поиска, представляющего декомпозицию задачи (действительно ли проблема в свечах зажигания) на две подзадачи (топливо поступает в двигатель и двигатель вращается). Затем можно активизировать правило 4, заключение которого сопоставляется с целевым утверждением топливо поступает в двигатель, и его предпосылки помещаются в рабочую память (рис. 7.7).

Теперь в рабочей памяти существуют три элемента, которые не соответствуют ни одному из заключений в наборе правил. В подобной ситуации экспертная система будет запрашивать пользователя. Если пользователь подтвердит истинность всех трех подцелей, экспертная система успешно определит, что автомобиль не заводится из-за неисправности свечей зажигания. При поиске этого решения система исследовала крайнюю слева ветвь графа И/ИЛИ, показанного на рис. 7.8.

Конечно, это очень простой пример. И не только потому, что база знаний об автомобиле ограничена, а также потому, что в этом примере не учитывается ряд важных аспектов реализации. Правила описаны на русском, а не на формальном языке. При обнаружении решения реальная экспертная система сообщит пользователю свой диагноз (наша модель просто останавливается). Необходимо также поддерживать достаточно длинную историю рассуждений, чтобы в случае необходимости возвратиться назад. Если вывод о неисправности свечей зажигания окажется неудачным, нужно иметь возможность возвратиться на второй уровень и проверить правило 2. Заметим, что информация по упорядочению подцелей в рабочей памяти на рис. 7.7 и на графе, представленном на рис. 7.8, явно не выражена. Однако, несмотря на простоту, этот пример подчеркивает важность поиска на основе продукционной системы и его представления графом И/ИЛИ в экспертных системах, основанных на правилах.

Ранее мы подчеркивали, что экспертная система должна быть открытой для инспектирования, легко модифицируемой и эвристической по природе. Архитектура продукционной системы является важным фактором для каждого из этих требований. Легкость модификации, например, определяется синтаксической независимостью продукционных правил: каждое правило является «глыбой» знаний, которая может модифицироваться независимо. Однако существуют семантические ограничения, поскольку индивидуальные правила связаны но смыслу. Значит, они должны быть согласованы в любом процессе редактирования или модификации. Ниже мы обсудим генерацию объяснений и управление выводом.

Общие условия выбора системы дренажа: Система дренажа выбирается в зависимости от характера защищаемого.

Поперечные профили набережных и береговой полосы: На городских территориях берегоукрепление проектируют с учетом технических и экономических требований, но особое значение придают эстетическим.

Механическое удерживание земляных масс: Механическое удерживание земляных масс на склоне обеспечивают контрфорсными сооружениями различных конструкций.

Организация стока поверхностных вод: Наибольшее количество влаги на земном шаре испаряется с поверхности морей и океанов (88‰).

Экспертные системы для диагностики неисправностей систем автомобиля

ПРОЕКТИРОВАНИЕ ЭКСПЕРТНОЙ СИСТЕМЫ ДЛЯ ДИАГНОСТИКИ ПЕРЕБОЕВ В РАБОТЕ ДВИГАТЕЛЕЙ ВНУТРЕННЕГО СГОРАНИЯ

Авторы Кусакин В.О., Жукова Т.П.
Донецкий национальный технический университет г.Донецка
Кафедра автоматизированных систем управления
e-mail: kusakinvova@mail.ru

Источник: Материалы VI Всеукраинской научно-технической конференции студентов, аспрантов и молодых ученых «Информационные управляющие системы и компьютерный мониторинг»(ИУС и КМ) 2010г., том 2, разд. 6, стр. 80

Анотація
Жукова Т.П., Кусакин В.О. Проектирование экспертной системы для диагностики перебоев в работе двигателей внутреннего сгорания. В статье рассматривается вопрос использования системы диагностики для определения перебоев в работе двигателя внутреннего сгорания (ДВС) ЗМЗ — 406 и дальнейших неполадок.
Введение
Компьютерная диагностика автомобиля в настоящее время на равных востребована, как техническое обслуживание. Благодаря компьютерным системам станции техобслуживания способны обнаружить проблему в работе автомобиля за несколько минут. Данные системы имеют следующие преимущества: во-первых, ускоряют процесс проверки датчиков во время холостой работы двигателя. Во-вторых, более точно выявляют проблемы и не стабильности в работе автомобиля. В-третьих, прогнозирую будущей поломки. Подобные системы пользуются большим спросом и все чаще внедряются на СТО. Проектирование экспертной системы диагностики позволит более точно определить проблемы в работе ДВС.
Постановка задачи
Электрооборудование автомобиля в настоящее время представляет собой очень сложную систему, включающую более ста изделий, и составляет около 40% от стоимости автомобиля. В электросистему автомобиля включено немало датчиков и «интеллектуальных» систем. Датчики парковки и дождя, автозатемнение зеркал, распознавание наличия пассажиров и препятствий, подобные функции часто можно встретить в списках комплектаций у автодилеров. Применение но­вейших достижений электроники и микропроцессорной техники способствовало развитию автомобильной промышленности, а также разработке компьютерных систем диагностики. С помощью компьютерной диагностики, можно провести полный технический осмотр автомобиля, все зависит от того насколько укомплектован высокотехнологическим оборудованием. Но т.к. большинство компьютерных систем диагностики, выдают неверное решение о проблеме в работе ДВС из-за следующих причин: во-первых, не соответствие базы знаний о комплектации автомобиля, отсутствие полных данных или небольшая модернизация модели. Во-вторых, не предусмотренные условия окружающей среды, температуры и влажности воздуха, времени года. В связи с этим предлагается спроектировать экспертную систему диагностики ДВС с использованием современных интеллектуальных методов.
Характеристика объекта
Для управления двигателем ЗМЗ – 406, построенная следующая электрическая система рис 1. Все элементы электрического управления двигателем играют немало важную роль, так как, например неверное переданное показание из датчика массового расхода воздуха в блок управления, может повлечь за собой отключение двигателя. В не рабочем состояние двигателя большинство элементов проверять бессмысленно, т.к. в комплексной работе они дают определенные технические показания, характерны для каждого двигателя. Поэтому очень важен вопрос диагностирования во время работы двигателя.

Рисунок 1. Электрическая схема комплексной микропроцессорной системы управления двигателем

1 – блок управления М 1.5.4 двигателем; 2 – датчик фазы; 3 – датчик частоты вращения и синхронизации; 4 – датчик положения дроссельной заслонки; 5 – датчик детонации; 6 – датчик массового расхода воздуха; 7 – датчик температуры охлаждающей жидкости; 8 – датчик температуры воздуха во впускной трубе; 9 – разъем диагностики; 10 – реле системы управления двигателем; 11 – реле топливного насоса; 12 – регулятор холостого хода; 13 – форсунка; 14 – катушка зажигания; 15 – свеча зажигания
Факторы влияющие на без перебойную работу двигателя
При получение показаний из датчиков электросистемы управления двигателем, можно определить текущую или предсказать возможную будущую проблему в работе ДВС (табл.1) [8].

Таблица 1. Факторы влияющие на работу ДВС и датчики с помощью которых определяют данную проблему.

Множество влияющих факторов	Наименования датчиков, по показаниям, которых определяют проблему.
После старта, двигатель глохнет.	Датчик массового расхода воздуха
Перегрев	Датчик температуры охлаждающей жидкости
Перебой или отказ работы одного из цилиндров	При последовательном отключение цилиндров, выходные данные из датчик фазы будут резко отличатся.
Попадание воды в топливный бак	Датчик фазы
Двигатель не запускается	Неисправен датчик положения коленчатого вала, нарушена его установка или обрыв в проводах, соединяющих датчик с контроллером.
Двигатель не развивает полную мощность и приемистость	Неисправен датчик абсолютного давления. Контроллер не реагирует на изменение сигналов датчиков. Неисправны датчики температуры. Обрыв в проводах, соединяющих датчики с контроллером.

и подобных проблем много, поэтому и внедряются датчики, чтобы более быстрее отследить существую проблему, препятствующую для нормальной работы двигателя. В связи с этим было проведено немало тестов вовремя работы ДВС, для установления нормальных показаний датчиков в разных условия тестирования (табл. 2).

Таблица 2 Допустимых показаний датчиков во время холостой работы ДВС

единица времени	датчик фазы	датчик частоты вращения и синхронизации (норм)	датчик положения дроссельной заслонки (норм)	датчик детонации	датчик массового расхода воздуха (норм)	датчик температуры охлаждающей жидкости (норм)	датчик температуры воздуха во выпускной трубе (норм)
1	1	0	0	1	0	25	24
2	2	740	0	1	2	30	50
3	3	800	0	0	3	40	70
4	4	800	0	0	5	50	75
5	2	840	10	0	7	60	75
6	4	880	15	0	10	60	75
7	3	920	20	0	14	65	80
8	2	960	22	0	18	65	80
9	1	1000	24	0	23	65	80
10	4	1200	28	0	28	65	85
11	3	1400	50	0	30	70	85
12	2	1600	70	0	35	70	85
13	1	1800	75	0	40	70	90
14	1	2000	100	0	50	75	90
15	2	2200	90	0	45	75	90
16	4	2000	70	0	40	75	90
17	3	1600	50	0	35	80	90
18	1	1200	30	0	20	80	80
19	3	900	10	0	10	80	80
20	4	840	0	0	10	75	80

Используя компьютерную диагностику, можно определить расход топлива, объемом воздуха для обогащения топливно-горючей смеси, мощность двигателя при отключении одного из цилиндров, открытия дроссельной заслонки и т.д.
Задача диагностики технического состояния ДВС автомобиля
Одна из важнейших задач диагностики состоит в максимальной верности ответа на проблему в работе двигателя. А уж потом ценится время нахождения этого ответа и дальнейшее прогнозирование перебоев в работе ДВС.
Существующие системы диагностики использующие интеллектуальные методы
Используя нечеткую логику, была создана система обнаружения ошибок ДВС. Основа правил этой системы было, развито используя теоретические, опытные знания и результаты эксперимента. Точность нечеткого логического классификатора была проверена экспериментальными исследованиями, которые были выполнены при различных условиях ошибки. Используя развитую систему обнаружения ошибок, десять общих ошибок, которые наблюдались во внутреннем двигателе внутреннего сгорания, были успешно диагностированы в режиме реального времени. С этими особенностями система могла легко использоваться для обнаружения ошибок в испытательных лабораториях и на семинарах обслуживания. [9]
Применение нейронной сети служило для разработки системы диагностики оценки состояния теплового зазора в газораспределительном механизме (ГРМ). Задача состояла в проверки состояния узлов и деталей ДВС на основе анализа данных о вибрациях блока цилиндров без учета, величины угла поворота коленчатого вала двигателя. [5]
Элементы и методы экспертной системы для диагностирования двигателя внутреннего сгорания.
Для верной работы экспертной компьютерной системы диагностики перебоев в работе двигателя внутреннего сгорания, будут использоваться:

• нейронная сеть
• база правил (БД ошибок в работе двигателя)

Нейронная сеть будет определять по входящим данным возможную проблему в работе двигателя, «опираясь» на данные в безе правил, а также диагностировать возможную будущую неполадку.
База правил представляет собой базу правил и нормированных значений при определенных условиях работы ДВС, которая будет использоваться нейронной сетью для анализа проблемы или обнаружения ее в будущем.
Место нейронной сети в данной системе.
Используя массив данных, передаваемый из датчиков за каждую единицу времени, можно провести анализ работы двигателя, обнаружив проблему и дальнейшую неполадку при не сходстве данных с базой правил.
Для этого создается нейронная сеть, в которой количество входных нейронов соответствует количеству входных массивов данных из датчиков, которые имеют связь с ДВС и влияют на его работу. Для нашей задачи будем использовать многослойную нейронную сеть (рис 2). На входной слой поступают данные с датчиков, в скрытом слое они обрабатываются совместно с базой правил, а на выходном слое формируется решение – ошибка или проблема бесперебойной работы ДВС.

Рисунок 2. Схема многослойной нейронной сети

Где Х1 – Х7 массив данных из датчиков фазы, частоты вращения и синхронизации, положения дроссельной заслонки, детонации, массового расхода воздуха, температуры охлаждающей жидкости, температуры воздуха в выпускной трубе соответственно, а y1=f(s) и y2=f(s) результаты работы нейронной сети, о состояние ДВС после диагностики.
База знаний играет важную роль в работе системы, т.к. в ней будут храниться нормальные значения датчиков в определенных условиях работы, а также допустимую погрешность. В базе знаний будут храниться перечень поломок и неисправностей, которые будут использоваться для определения проблемы работы двигателя, которые будут использоваться нейронной сетью.
Заключение
Предлагаемый интеллектуальный метод будет использован в проектирование экспертной системы диагностики и анализа, текущих и будущих неполадок в работе ДВС автомобилей ГАЗ 3110 с конкретизированной комплектацией электросистемы управления двигателя.