Экспертные системы в химической технологии

Экспертная система «SYNCHEM» синтезирует сложные органические молекулы, не требуя участия химика. ЭС использует знания о химических реакциях для выработки плана получения : молекулы-цели из заданного набора исходных молекул. ЭС использует обратный поиск, начинающийся с молекулы-цели, и пытается определить, с помощью каких реакций можно ее получить и какие материалы (молекулы) для этого нужны. Такой поиск продолжается до тех пор, пока не будет составлена вся схема— от молекулы-цели до исходных материалов. ЭС реализована на языке «PL/Y».

Система SYNCHEM-2 синтезирует сложные органические молекулы без помощи и указаний со стороны химика. ЭС пытается найти последовательность реакций синтеза органических соединений, превращающих набор доступных исходных материалов в молекулу-цель. SYNCHEM-2 использует знания о химических реакциях для составления плана создания молекулы-цели из молекул — «строительных блоков». Система пытается найти оптимальный маршрут синтеза целевой молекулы из любых исходных веществ, применяя ЭП, ограничивающие поиск маршрутами, удовлетворяющими ограничениям задачи (информация об условиях ты чности реакций, о качестве и выходе требуемого продукта) реализована на языке PL/У; является развитием системы SYNCHEM.

    Рассмотрим  краткую характеристику  ЭС   планирования периментов в генетике, молекулярной биологии и в масс-спектрометрии : «MOLGEN», «SEQ» и «TQMSTUNE» .

Экспертная  система  «MOLGEN»   помогает   генетику   м|<п планировании экспериментов по клонированию генов в молп ■, лярной генетике. Эти эксперименты состоят из встраивания гпи, кодирующего желаемый белок, в генетический аппарат бактерии чтобы эта бактерия воспроизводила такой ген. Система исполь-ое знания  по генетике и задачу,  поставленную пользователем, дл разработки общего плана и дальнейшего его превращения в ми следовательность конкретных лабораторных опытов. MOLGEN использует  объектно-ориентированное  программирование,  а такж ФР моделей и стратегию управления. ЭС реализована на языках ЛИСП и UNITS.

Система «SEQ» помогает специалистам по молекулярной биологии в проведении нескольких видов анализа нуклеотидных последовательностей. ЭС может запомнить, отыскать и проанализировать последовательности нуклеотидов нуклеиновых кислот, а также провести статистический анализ структурной гомологии и симметрии. Стратегия поиска в «SEQ» может быть приспособлена к требованиям ЛПР изменением значений параметров, принимаемых по умолчанию; например, биолог может менять веса штрафной функции и размер промежутка при сглаживании по Нидлеману-Уинху. SEQ реализована на языке ЛИСП и была разработана в виде части ЭС «MOLCEN».

Экспертная система «SPEX» помогает исследователям в планировании сложных лабораторных экспериментов. Исследователь описывает задействованные объекты (например, физические условия проведения эксперимента и структуру исследуемого объекта), а ЭС помогает разрабатывать план для достижения цели эксперимента. Затем система уточняет каждый абстрактный шаг плана, делая его более конкретным, увязывая с методами и объектами, хранящимися в БЗ. Хотя ЭС проверялась исключительно в области молекулярной биологии, она не обладает какими-либо встроенными механизмами, ориентированными на молекулярную биологию, следовательно, она может быть применена и в других проблемных областях. SPEX реализована на языке UNITS, ориентированном на МПЗ в виде ФР.

ЭС «TQMSTUNE» точно настраивает квадрупольный масс-спектрометр (TQMS), интерпретируя такие характеристики сигналов от TQMS, как отношения величин спектральных пиков, их ширина и форма. ЭС использует знания о том, как, изменяя настройку /.V, повлиять на его чувствительность и форму спектров. Знания ставлены с помощью фреймовых конструкций языка КЕЕ.

2.5 Интеллектуальные  автоматизироваанные системы ситуационного  управления магистральным транспортом газа

В настоящее время при создании АСУ ТП газотранспортные рассматриваются как традиционные объекты уп-р.ишения J, для которых характерны два важнейших свойства: 1) массовость, т. е. возможность формализации всех процессов Функционирования объектов данного класса; 2) пассивность детер-шнированно-стохлетического реагирования объектов на любые иисшние возмущения, т. е. предсказуемость и прогнозируемость реакции объектов. Однако в последние годы развитие теории ИИ позволило выделить целый ряд технических объектов, относящихся к качественно новому классу — классу организацион-Ио-ситуационных объектов . Для организационно-ситуационных объектов многолетние попытки автоматизированного управления с применением традиционных детерминированных или стохастических алгоритмов и ЭВМ не дают существенного повышения эффективности их функционирования. К этому новому классу объек-тов относятся химические предприятия, промышленные ионы, энергетические системы, сложные транспортные системы, том числе ГТС, порты и др.

При анализе функционирования организационно-ситуацион-ых объектов выделяют полные и текущие ситуации. Текущая ипуация — это совокупность всех знаний и данных о структуре лЗъекта и его функционирования в данный момент времени. Полная шпуация включает текущую ситуацию, а также знания о способах управления объектом.

   Организационно-ситуационный объект — это объект управления, 
структура, свойства и основные процессы функционирования ко- 
торого не могут быть полностью формально описаны с исполь 
зованием традиционных аналитических, логических или вероят 
ностных математических моделей, а поиск управляющих воздействия

Для них может осуществляться только в результате применения 
специальных эвристических процедур, базирующихся на накопле 
нии и переработке разнообразных декларативных знаний, представляемых на ОЕЯ. 

    Организационная -административная  структура, управления  газотранспортпой систем:

    Организационная -административная  структура, управления  газотранспортпой систем:

ДППО —диспетчерский пункт упраилепия магистральным газопроводом (МП; ДПКС —диспетчерский пункт компрессорной станции (КС); ГГС — газотранспортная система; ГПА — гспо перекачивающий агрегатративном управлении, показывает, что ГТС является типичным представителем организационно-ситуационных объектов».

Для ГТС как организационно-ситуационных объектов предлагается разрабатывать АСУ ТП на основе использования семиотических моделей ГТС, отображающих все виды декларативных и процедурных знаний о ГТС. Предложена функциональная структура автоматизированной системы ситуационного управления (АССУ) и формализованы отличия структуры АССУ как от структуры традиционных АСУ ТП, так и от архитектуры экспертных систем.

Существующая организационно-административная структура управления ГТС в зависимости от сложности ГТС включает 3 или 4 уровня управления (рис. J0.1): диспетчерские пункты производственного объединения (ДППО), управления магистральными гаюпроводами (ДПУМГ) для сложных ГТС, компрессорной станции (ДПКС), системы локальной автоматики.

Нижний уровень системы локальной автоматики газоперекачи-млющих агрегатов (ГПА),  кранов и т. д. обеспечивает передачу данных в ДПКС и отработку управляющих сигналов. ДПКС обеспечивает решение задачи диагностики отказов ГПА и вспомогательного оборудования компрессорной станции (КС), выбор режимов совместной работы компрессорных цехов, контроль за пра-иильностью работы систем нижнего уровня. На верхнем уровне с помощью ДППО и ДПУМГ осуществляются анализ ситуации ГТС и УМГ в целом, выявление аварий, идентификация отказов линейных участков (ЛУ)  и контроль за текущим состоянием ГПА и ЛУ; выбор управляющих воздействий, связанных с изменением конфигурации  ГТС и УМГ, регламентов потребления, режимов работы КС и схем соединения КС, управление межсистемными перетоками, прогноз развития ситуации в ГТС и предупреждение возникновения нештатных ситуаций. На первых трех уровнях управления ГТС диспетчер, или ЛПР, является основным элементом контура управления, который оперирует знаниями, а традиционные АСУ ТП транспорта газа осуществляют только переработку данных — функции контроля, сбора и хранения информации, поступающей с объекта. АСУ ТП реализует отдельные функции планирования режимов работы газопроводов и численной оптимизации процессов транспорта газа. В то же время оперативное управление ГТС путем изменения схем соединения агрегатов на компрессорных станциях, режимов работы  КС, потоков газа в  нештатных ситуациях по-прежнему осуществляется в результате деятельности ЛПР на основе интуиции, разнообразных инструкций и его практического опыта

работы.

Одной из основных причин низкой эффективности существующих АСУ ТП транспорта газа является разработка алгоритмов управления на основе представления ГТС как традиционного объекта управления с использованием только детерминированных или стохастических моделей процессов транспорта газа. Структуру таких АСУ ТП можно описать кортежем

Функционирование традиционных АСУ ТП осуществляется на основе алгоритма А, синтезированного на стадии проектирования и неизменного в процессе работы системы. Все качественные детерминированные или вероятностные свойства объектов формализуются с помощью математической модели М, которая используется при выборе управляющих водействий по алгоритму А на основе решения на ЭВМ различных экстремальных задач. Критерий управления, отображающий цели функционирования объекта, также формализуется и является составным элементом математической постановки задачи управления.

Однако для ГТС этот подход при построении АСУ ТП не позволяет получить эффективные решения.

Наряду с ГТС к новому классу организационно-ситуационных объектов можно отнести и большие системы энергетики , для которых характерны многомерность и сложность создаваемых математических моделей при низкой точности и неполноте исходной информации, неоднозначности выбора критерия управления. При разработке АСУ ТП для таких объектов ранее рекомендовалось использовать имитационное моделирование, позволяющее решать только количественные задачи на ЭВМ и проводить их качественную оценку с помощью ЛПР.

Принятие управляющих решений для ГТС как организационно-ситуационных объектов необходимо осуществлять на основе теории ИИ и ситуационного управления, а также принципов разработки экспертных систем, обеспечивающих переработку не-формализуемых знаний некоторой ПО.

В основе ситуационного управления лежит использован иелолш> лкнгвистичсской модели объекта, которая формально представляется кортежем

I = <А, С,Г,Г>, 

где А — алфавит; С—правила построения выражений, синтаксис языка; Г—множество начальных формул (аксиом); Р — правила вывода.

Элементами А являются лингвистические переменные (ЛП), которые представляются словами или фразами естественного языка, отображающими понятия и свойства ГТС.

Примерами лингвистических переменных для ГТС являются: ЛП «Состояние крана», принимающая значения: «открыт», «промежуточное состояние», «закрыт», «неизвестно». Тогда выражение «кран открыт» соответствует значению ЛП <состояние крана (открыт)>. ЛП  «время  воздействия»  принимает значения «малое», «среднее», «длительное», «очень большое».

Логико-лингвистическая модель позволяет формализовать декларативные знания о структуре и процессах функционирования организационно-ситуационного объекта и вырабатывать управляющие решения на основе процедур логического вывода, переработки ЗН, обучения и обобщения. Для этого используются МПЗ в виде ФР, СТ и предикатов.

Интеллектуальной автоматизированной системой ситуационного управления (МАССУ) называют систему управления организационно-ситуационными объектами, в которых вывод управляющих решений осуществляется в интеллектуальном диалоге с ЛПР как на основе переработки декларативных ЗН о сущности процессов функционирования объекта (отображаемых семиотическими моделями и лингвистическими переменными, качественно характеризующими поведение объекта), так и с использованием данных и процедурных знаний. Функциональная структура МАССУ может быть представлена следующим кортежем:

v = <н, м. о. у. s. l И>-

где В —база знаний; У—блок вывода управляющих решений; S — блок анализа ситуаций; ./ — лингвистическим процессор; Н — компонента объяснений.

Для ИАССУ газотранспортных систем разработаны предикатно-фреймовые (ПрФ) модели представления ЗИ, позволяющие учесть иерархическую структуру ГТС и обеспечить эффективный вывод управляющих решений. Знания, относящиеся к отдельным уровням иерархии ГТС, представляются множествами предикатных формул. Например, ЭП: «При включении дополнительного ГПА расход газа через КС увеличится» записывается следующей предикатной формулой:

1   ВКЛЮЧИТЬ (ГПА)У УВЕЛИЧИТЬ (РАСХОД ГАЗА (КС)).

Взаимосвязи между различными уровнями ГТС и последовательность смыслового логического анализа ситуаций отображаются с помощью управляющих ФР, которые обеспечивают активизацию необходимой группы ЭП, представленных Логическими формулами. Кратко рассмотрим информационные потоки в ИАССУ, режим . функционирования и взаимосвязи основных блоков (рис. 10.2). База знаний «В» включает все программно реализованные фреймы, отображающие декларативные ЗН о структуре ГТС, технологическом оборудовании и потоках, а также о сущности физико-химических процессов, протекающих при функционировании ГТС, и о целях

управления. ЭП управления  ГТС и  анализа ситуации на

 Функциональная  структура интеллектуальной автоматизированной  системы ситуационного управления (ИАССУ):

ЕПЗ—блок преобразования знании; БО — блок объяснения; БПУ —блок вмвол-i управляющего решения; БАС — блок анализа ситуации; 1>3 — бача знаний; ЕОД-1 блок обработки данных; </— потоки д.-шпьпе; г— потоки знании; ы — потоки упраиляющмх решений разных уровнях ГТС отображаются ФР, которые могут преобразовываться в предикатные формулы при выводе решения .

Существенным отличием ИАССУ от традиционных АСУ является принцип работы блока математических моделей — «М». Задачи из «А/» решаются по запросу из БЗ при необходимости генерации соответствующих новых знаний и данных. Это обеспечивается наличием в БЗ фреймов, описывающих знания о математических моделях, условиях их применения и выходных данных, получаемых при решении. Означивание прото-фреймов во фреймы-примеры при смысловом, или логическом, выводе осуществляется путем выборки из БД необходимой информации, а при ее отсутствии — путем запроса у ЛПР.

База данных — «D» хранитт фактографическую и числовую информацию, поступающую с реальной ГТС, результаты решения математических задач, данные) полученные от ЛПР, а также ре-троспективные данные, позволяющие ИАССУ решать задачи прогноза ситуации и состояния ГТС. Поиск решений в ИАССУ обеспечивается блоком   анализа ситуаций —«.V» и блоком вывода уп-равляющих   решений —"Y"    которые   составляют   двухэтапную Процедуру смыслового, илц логического, вывода, реализуемого в блоке  вывода  «R».   На  первом   этапе  на  основе данных   из   БД осуществляется семантический и смысловой анализ нестандартных ситуаций, начиная  с нижнего уровня ГТС, где путем анализа БЗ формируется обобщенное описание ситуаций для сложных элементов ГТС к верхнему уровню, накотором проводится смысловой анализ ситуации в ГТС в целом. В результате смыслового анализа ситуаций с использование предикатно-фреймовой модели, выполненного в блоке «.V», ЛПР может получить список возможных неисправностей в ГТС и Причин их появления. На втором этапе процедуры вывода, по смысловому описанию ситуации в ГТС в интерактивном режиме с ЛПР выбираются критерии управления сложными элементами, в соответствии с которыми генерируются конкретные управляющие решения. Выделение процедур вывода управляющих решений  и анализа ситуаций  в самостоятельные блоки дает возможность Программно реализовать в ИАССУ различные стратегии  вывода решения. В результате этого в ИАССУ знания отделяются от способа их переработки, что позволяет качественно изменять и настраивать эвристический алгоритм функционирования ИАССУ при изменении ситуации и условий работы ГТС,  а также обеспечить перенастройку семиотической  модели 1ТС. В результате работу ИАССУ для ЛПР-диспетчера генерируются рекомендации по упpaвлeнию ГТС и конкретным способам их реализации, которые представлены в виде фраз и текстов на ОЕЯ. Например,  при необходимости Для ГТС увеличить подачу газа потребителю   ИАССУ  может рекомендовать диспетчеру ПО увеличить давление нагнетания  КС, а диспетчеру КС —какие обороты ГПА при этом необходимо поддерживать.