W obszarze diagnostyki technicznej wykorzystywana jest wiedza diagnostyczna, która rozu-miana jest jako zbiór informacji o rozpatrywanych obiektach np. maszynach, procesach techno-logicznych itp. Pozwala ona na przeprowadzenie procesu wnioskowania o stanie technicznym roz-patrywanych obiektów. Zasadniczo wyróżnia się (Moczulski, 1997) wiedzę diagnostyczną dwóch typów:
Metody i techniki sztucznej inteligencji w diagnostyce 37
wiedza deklaratywna – opisuje znane fakty i cechy rozpatrywanych obiektów oraz relacje zachodzące pomiędzy poszczególnymi obiektami,
wiedza proceduralna – opisuje zbiór działań niezbędnych do wykonania w celu realizacji określonych zadań, np. kolejne kroki eksperymentu diagnostycznego.
Pozyskiwanie wiedzy diagnostycznej w wielu przypadkach nie jest zadaniem łatwym i wiąże się z koniecznością realizacji szeregu uporządkowanych działań, których efektem końcowym powinna być kompletna i spójna baza wiedzy. Wyróżnić można (Moczulski, 1997), dwie główne grupy metod pozyskiwania wiedzy diagnostycznej:
metody manualne (wywiady, obserwacje, dyskusje z ekspertem, kwestionariusze itp.),
metody wspomagane komputerowo (wybrane algorytmy sztucznej inteligencji, data mi-ning).
Metody manualne stosowane są do pozyskiwania zarówno wiedzy deklaratywnej jak i procedu-ralnej. W dużej mierze opierają się one, na wiedzy posiadanej przez specjalistów (ekspertów) dziedzinowych. Dzięki wieloletniej pracy zawodowej, posiadają oni odpowiedni zasób informacji pozwalający na formułowanie stosownych zbiorów wiedzy dotyczących analizowanych obiektów.
Typowy przebieg procesu pozyskiwania wiedzy od ekspertów, może przebiegać w następujący sposób (Pawletko, 2007):
opracowanie kwestionariusza,
dobór grupy ekspertów,
pozyskanie wiedzy od ekspertów poprzez wypełnienie przez nich kwestionariusza,
agregacja otrzymanych wyników.
Wiedza deklaratywna może być również pozyskiwana z baz danych, zawierających wyniki prze-prowadzonych pomiarów, obserwacji, symulacji działania obiektów, czy też zawierających in-formacje o uszkodzeniach i niesprawnościach wybranych obiektów zgłaszane przez klientów itp.
Proces ten, nazywany również jako data mining, może być realizowany (Pieczyński, 2003) z wy-korzystaniem metod uczenia maszynowego lub jako odkrywanie zależności w bazach danych.
Metody uczenia maszynowego stosowane są dla danych wstępnie sklasyfikowanych. Można wy-różnić m.in. (Moczulski, 2001) selektywną indukcję reguł poprzez generowanie pokryć, indukcję reguł z zastosowaniem zbiorów przybliżonych oraz indukcję drzew decyzyjnych. Odkrywanie wiedzy w bazach danych (ang. Knowledge Discovery in Databases) (Frawley i in., 1992) opisuje się natomiast jako nietrywialny proces identyfikacji ważnych, wcześniej nieznanych i potencjal-nie użytecznych informacji ze zbioru danych. Polega on na wyszukiwaniu pewnych regularności w posiadanym zbiorze danych. Regularność (Żytkow i Zembowicz, 1993), definiowana jest jako pewien wzorzec występujący w zbiorze danych. Przykładami wzorców mogą być tablice kon-tyngencji oraz równania i równoważności logiczne. Podczas pozyskiwania wiedzy z baz danych, konieczne jest wykonanie następujących czynności (Moczulski, 2002):
gromadzenie zbioru danych wejściowych poprzez przeprowadzenie eksperymentu diagno-stycznego na rzeczywistym obiekcie technicznym lub poprzez wykorzystanie symulatora,
wyznaczenie relewantnych cech sygnałów,
opracowanie klasyfikatora i jego weryfikacja,
zastosowanie klasyfikatora do pozyskiwania wiedzy diagnostycznej np. w postaci reguł diagnostycznych.
Metody i techniki sztucznej inteligencji w diagnostyce 38 Wiedza diagnostyczna może być, a w wielu przypadkach powinna być, pozyskiwana z wielu źródeł, celem uchwycenia wszelkich jej niuansów. Niezmiernie ważnym zagadnieniem jest in-tegracja pozyskiwanej wiedzy, z uwagi na fakt że wiedza pozyskana z wielu źródeł, może być niedokładna, niepewna a w wielu przypadkach także sprzeczna. Koniecznie jest zatem zastoso-wanie odpowiednich technik weryfikacji i walidacji pozyskiwanej wiedzy. Ich zastosozastoso-wanie ma na celu (Botten i in., 1989; Antoniou i in., 1998; Preece, 2001) m.in.: usunięcie sprzeczności po-między wybranymi fragmentami wiedzy, doprecyzowanie wybranych obszarów wiedzy, usunięcie wiedzy nadmiarowej oraz powtarzającej się, ujednolicenie stosowanych pojęć itp.
5.3. Metody reprezentacji wiedzy
Pozyskiwana wiedza diagnostyczna celem, dalszego jej stosowania, musi być odpowiednio za-pisywana. Sposób zapisu powinien być prosty, kompletny, zwięzły, zrozumiały i jednoznaczny, zarówno dla inżynierów wiedzy dokonujących jej zapisu jak i dla późniejszych użytkowników ko-rzystających ze zgromadzonej wiedzy. Użytkownikami mogą być zarówno ludzie jak i programy komputerowe, stosowane w procesach automatycznego wnioskowania. Wybór sposobu reprezen-tacji wiedzy, zależy głównie od rodzaju wiedzy, dyscypliny której dotyczy wiedza, wymaganej wielkości bazy wiedzy oraz końcowego użytkownika. Wyróżnić można m.in. zapis naturalny, symboliczny, graficzny.
W kolejnych podrozdziałach opisano wybrane metody reprezentacji wiedzy deklaratywnej, która to w głównej mierze będzie wykorzystywana w niniejszej rozprawie. Wiedza proceduralna może być natomiast zapisywana np. w postaci wielowarstwowych schematów blokowych (Wyle-żoł, 2000).
5.3.1 Reguły
Fakty i spostrzeżenia na temat rozpatrywanych obiektów technicznych oraz rozpatrywanej dzie-dziny można zapisać w postaci zdań logicznych, którym na podstawie zewnętrznych procesów np. obserwacji, eksperymentów, pomiarów itp., można przyporządkować wartość logiczną 1 lub 0, mówiącą o ich prawdziwości. Wybrane zdania logiczne mogą być łączone razem w reguły o po-staci:
Jeżeli przesłanka to konkluzja, (5.1) gdzie przesłanka jest zdaniem logicznym o znanej wartości, na podstawie którego wnioskuje się o prawdziwości zdania będącego konkluzją. Przykładowa reguła pozwalająca na wnioskowanie o stanie technicznym łożyska, może mieć następującą postać:
Jeżeli przekroczone są dopuszczalne wartości drgań względnych w węźle łożyskowym (5.2) to uszkodzona jest bieżnia łożyska.
Przesłanka reguły może być rozszerzona do wyrażenia złożonego ze zdań prostych połączonych funktorami logicznymi i/oraz, lub, przykładowo:
Jeżeli przekroczone są dopuszczalne wartości drgań względnych w węźle łożyskowym (5.3) oraz w widmie pojawia się składowa 1X
to uszkodzona jest bieżnia łożyska.
Metody i techniki sztucznej inteligencji w diagnostyce 39 Reguły pozwalają na zapis wiedzy przyczynowej. Powszechnie stosowane są do opracowywa-nia baz wiedzy tzw. systemów opartych na wiedzy (ang. rule-based system) (Ligęza, 2006).
5.3.2 Zbiory rozmyte
Zbiorem rozmytym (Zadeh, 1965) A w pewnej przestrzeni X jest zbiór uporządkowanych par o postaci:
A= {(x, µA(x)); x ∈ X} (5.4)
gdzie µA(x) jest funkcją przynależność elementu x do zbioru rozmytego A. W odróżnieniu od klasycznej logiki dwuwartościowej, funkcja przynależności przyjmuje dowolne wartości z prze-działu⟨0, 1⟩. W praktyce możliwe jest stosowanie dowolnych funkcji przynależności, natomiast zazwyczaj stosuje się funkcje trapezowe, trójkątne oraz s-funkcje.
Ze zbiorami rozmytymi związane są pojęcia zmiennej lingwistycznej oraz wartości zmiennej lingwistycznej. Zmienna lingwistyczna to wyrażona w języku naturalnym lub sztucznym pewna wielkość, dla której przyporządkowywane są wartości jakościowe (najczęściej zapisywane w ję-zyku naturalnym np. małe, duże itp.) będące wartościami zmiennej lingwistycznej. Przyjmując, że zmienna lingwistyczna ma postać temperatura w węźle łożyskowym, możliwe jest przyporząd-kowanie jej wartości lingwistycznych niska, średnia, wysoka. Przykładowe zbiory rozmyte dla takiego przypadku pokazano na rys. 5.2.
temp [○C]
µA
0 1
niska średnia wysoka
20 30 40 50 60 70 80
Rys. 5.2: Temperatura w węźle łożyskowym wyrażona za pomocą zbiorów rozmytych