Table Of ContentМинистерство науки и высшего образования Российской Федерации
ФГБОУ ВО «Ульяновский государственный технический университет»
Российская ассоциация искусственного интеллекта
СЕМНАДЦАТАЯ
НАЦИОНАЛЬНАЯ КОНФЕРЕНЦИЯ
ПО ИСКУССТВЕННОМУ ИНТЕЛЛЕКТУ
С МЕЖДУНАРОДНЫМ УЧАСТИЕМ
КИИ-2019
(21-25 октября 2019, г. Ульяновск, Россия)
Сборник научных трудов
Том 1
Ульяновск
УлГТУ
2019
УДК 004.8+004.89+004.82+004.032.26(045)
ББК 32.813(2А/Я)я43
С30
Редакционная коллегия: Н.Г. Ярушкина (ответственный за выпуск),
В.С. Мошкин
Организаторы конференции:
Российская ассоциация искусственного интеллекта
ФГБОУ ВО «Ульяновский государственный технический университет»
ФГБУ Федеральный исследовательский центр «Информатика и
управление» РАН
ФГБУН Институт проблем управления им. В.А. Трапезникова РАН
УДК 004.8+004.89+004.82+004.032.26(045)
Семнадцатая Национальная конференция по искусственному
интеллекту с международным участием. КИИ-2019 (21–25 октября
2019 г., г. Ульяновск, Россия). Сборник научных трудов. В 2 т. –
Ульяновск: УлГТУ, 2019. –
ISBN 978-5-9795-1938-8
Т.1. – 2019. – 258 с.
ISBN 978-5-9795-1939-5
В первом томе трудов публикуются доклады участников конференции,
представленные на следующих секциях:
Секция 1. «Прикладные интеллектуальные системы».
Секция 2. «Интеллектуальные динамические и робототехнические сис-
темы».
Секция 3. «Многоагентные и сетевые модели».
Секция 4. «Интеллектуальный анализ текстов естественного языка».
Секция 5. «Принятие решений».
Секция 6. «Когнитивные исследования».
Конференция проводится при финансовой поддержке: Ульяновского
государственного технического университета, Российского фонда
фундаментальных исследований (проект №19-47-731002), Фонда развития
информационных технологий Ульяновской области.
ISBN 978-5-9795-1938-8 © Коллектив авторов, 2019
ISBN 978-5-9795-1939-5 © Оформление, УлГТУ, 2019
ПРЕДИСЛОВИЕ
21-25 октября 2019 г. на базе Ульяновского государственного
университета при поддержке Российской ассоциации искусственного
интеллекта, ФИЦ «Информатика и управление» РАН и Института проблем
управления им. В.А. Трапезникова РАН, состоится Семнадцатая национальная
конференция по искусственному интеллекту с международным участием
КИИ-2019.
Традиционно тематика конференции включает такие актуальные научные
проблемы, как интеллектуальный анализ данных, анализ естественного языка,
моделирование рассуждений, когнитивные исследования, мультиагентные
системы, интеллектуальные роботы, машинное обучение, приложения методов
искусственного интеллекта и другие.
В конференции предполагается участие более 150 исследователей в
области искусственного интеллекта из Москвы, Санкт-Петербурга,
Ульяновска, Калининграда, Твери, Смоленска, Нижнего Новгорода, Белгорода,
Таганрога, Ростова-на-Дону, Самары, Саратова, Казани, Тольятти, Ярославля,
Уфы, Екатеринбурга, Томска, Красноярска, Новосибирска, Иркутска,
Хабаровска, Владивостока, а также зарубежных исследователей.
На конференцию было подано более 120 докладов. Согласно
объявленным правилам, все доклады были поданы на русском языке. Кроме
того, авторы, пожелавшие опубликоваться в сборнике серии «Communications
in Computer and Information Science» издательства Springer, представили
английские версии этих докладов. Все присланные работы прошли
рецензирование членами Национального программного комитета, в результате
которого было отобрано 75 докладов, принятых к представлению на
конференции.
В настоящем сборнике публикуются:
- полные тексты принятых докладов, авторы которых не представили
англоязычные версии;
- полные тексты принятых докладов, англоязычные версии которых по
различным причинам не вошли в сборник издательства Springer;
- аннотации принятых докладов, англоязычные версии которых вошли в
сборник издательства Springer.
Помимо пленарных и секционных докладов, в рамках конференции
планируется проведение семинара совместно с представителями IT-
сообщества Ульяновской области с целью выработки решений по кооперации
и взаимному сотрудничеству в области применения современных
фундаментальных технологий искусственного интеллекта в прикладных
проектах IT-компаний.
Национальная конференция КИИ–2019 должна стать основой для
плодотворной работы и поддержания эффективного профессионального
сотрудничества исследователей в области искусственного интеллекта
различных регионов России, а также зарубежных коллег.
Программный комитет КИИ-2019
3
Со-председатели КИИ 2019
Соколов И.А., академик РАН, Россия — ФИЦ ИУ РАН;
Васильев С.Н., академик РАН, Россия – ИПУ РАН;
Осипов Г.С., д.ф.-м.н., проф., Россия – ФИЦ ИУ РАН.
Председатель национального программного комитета
Кузнецов О.П., д.т.н., проф., ИПУ РАН, г. Москва.
Со-председатели Международного программного комитета
Vadim Stefanuk, Institute for Information Transmission Problems,
Russia;
Sergei Kuznetsov, National Research University Higher School of
Economics, Russia;
Aleksandr I. Panov, Russia — FRC «Computer Science and Control»
RAS.
Председатель организационного комитета КИИ-2019:
Ярушкина Н.Г., д.т.н., проф., УлГТУ, г. Ульяновск.
4
СЕКЦИЯ 1 ПРИКЛАДНЫЕ
ИНТЕЛЕКТУАЛЬНЫЕ
СИСТЕМЫ
АЛГОРИТМИЧЕСКИЕ И ВЫЧИСЛИТЕЛЬНЫЕ
АСПЕКТЫ ПОСТРОЕНИЯ ЭКСПЕРТНОЙ СИСТЕМЫ
УПРАВЛЕНИЯ ПОЛИТИКОЙ ТЕХНОЛОГИЧЕСКОЙ
БЕЗОПАСНОСТИ МНОГОСТАДИЙНОГО
НЕПРЕРЫВНОГО ПРОИЗВОДСТВА В УСЛОВИЯХ
НЕОПРЕДЕЛЕННОСТИ1
Д.С. Александрова ([email protected])
А.Н. Ветров ([email protected])
Б.В. Палюх ([email protected])
Тверской государственный технический университет, Тверь
В статье изложены архитектурные, алгоритмические и вычислительные
аспекты создания и функционирования класса экспертной системы управления
технологической безопасности предприятия, в условиях большого потока
диагностической информации. Использование функции доверия Демпстера-
Шефера позволяет определить общую меру вероятности на подмножествах
неисправных технологических цепочек. Для объединения различных свидетельств
вычисляются ортогональные суммы базовых вероятностей, определенных для
каждого свидетельства. Описанная выше процедура преобразуется в правила
производственной базы знаний экспертной системы. Дано описание
разработанного прототипа экспертной системы, ее архитектуры,
алгоритмического и программного обеспечения. Рассматриваются
функциональные возможности экспертной системы, ее применимость и средства
настройки для конкретного вида производства.
Ключевые слова: неопределенность, теория свидетельств, экспертные
системы, управление технологическим процессом
Введение
Решение о неэффективно работающем технологическом оборудовании
и возможности аварийной ситуации определяется на основании значений
Работа выполнена при финансовой поддержке РФФИ (проект № 18-07-00050, №
18-29-22019)
5
диагностических переменных, которые либо измеряются непосредственно
с помощью датчиков через определенные промежутки времени, либо
рассчитываются на основе результатов математического моделирования
по результатам косвенных измерений. Признаком предаварийного
состояния технологического процесса является выход значений
диагностических переменных за границы, определяемые технологическим
регламентом. Контроль состояния технологического процесса возлагается
на оператора-технолога. В силу неопределенности данных о
технологическом процессе могут возникать нештатные ситуации, в
которых оператор не может правильно определить причину, вызывающую
отклонения диагностических переменных и принимает неверные
управляющие решения. Неопределенность ситуации, возникающая при
выходе значений какой-либо диагностической переменной за допустимые
границы, объясняется тем, что существует не один, а несколько
источников этого отклонения. Кроме того, в связи динамическим
изменением параметров и наличием шума при измерении, их значения
представляются в виде интервальных чисел. Алгоритм поиска
неисправной цепи основан на использовании экспертной информации.
Эксперт-технолог формирует набор свидетельств о степени влияния
диагностической переменной, при ее выходе за допустимые пределы, на
работоспособность каждой цепи. Использование функции доверия
Демпстера-Шефера (DST) позволяет закрепить общую меру вероятности
за подмножествами множества неисправных технологических цепей. Для
объединения различных свидетельств вычисляются ортогональные суммы
базовых вероятностей, определенные для каждого из свидетельств.
Описанная выше процедура преобразуется в формат правил
продукционной базы знаний экспертной системы. В статье приводится
описание разработанного прототипа экспертной системы, ее архитектура
и функциональные возможности. Универсальность экспертной системы
обеспечивается гибким инструментом ее настройки на конкретный вид
производства.
1. Описание задачи управления технологической
безопасностью
Для решения задачи управления безопасностью многостадийных
технологических процессов авторами предложена обобщенная
функциональная модель (рис. 1) диагностики и анализа состояния
многостадийного производства в условиях неопределенности.
6
Рис 1. Функциональная модель диагностики и анализа состояния безопасности
многостадийного производства
В соответствии с предложенной моделью рассматривается
иерархическая (двухуровневая) процедура диагностики неисправностей и
поиска неэффективно работающей стадии технологического процесса
[Paliukh et al., 2017; Перов и др., 1993]. На первом уровне происходит
сужение пространства поиска до отдельных стадий производства (цепей
технологического процесса). На втором уровне решается задача
локализации неисправности до элемента технологического оборудования
в конкретной цепи технологического процесса. Формально задача первого
уровня заключается в выборе элемента c C, где С = {c} - множество
j j
технологических цепей, на основе регистрируемого подмножества
значений множества X = {x} - диагностических переменных. Как уже
i
отмечалось, признаком возможности наличия неэффективно работающего
оборудования является выход значений диагностической переменной за
допустимые технологические границы. Этот факт будем обозначать как
нарушение по диагностической переменной (НДП). Обозначим P = {p} –
i
множество логических переменных. Появлению НДП по i - ой переменной
соответствует значение логической переменной p = 1, отсутствию НДП
i
соответствует p = 0. Каждое НДП свидетельствует о неисправности в
i
одной или нескольких технологических цепях. С учетом принятых
обозначений исходные данные для поиска неисправности
технологического оборудования можно представить диагностической
матрицей [m ]где m определяет степень влияния i – ой переменной
ij ij
на работоспособность j – ой цепи, определяемую экспертным путем.
Каждое значение логической переменной p = 1 индуцирует экспертно-
i
определенное множество технологических цепей C
i
C {(c ,m (c )0)}, c C, C C, C .
i j i j j i i
7
Здесь c – цепи, неисправности в которых могли бы вызвать нарушение
j
ограничений по i – ой диагностической переменной; m(c) – степень
i j
принадлежности элемента c множеству C (соответствует приведенной к
j i
диапазону [0; 1] степени уверенности эксперта в наличии источника НДП
по i - ой переменной в цепи c). Задача распознавания на первом этапе
j
заключается в определении соответствия между значениями
диагностических переменных и неисправной или не эффективно
работающей стадией технологического процесса (технологической цепи).
2. Учет неопределенности при решении задачи
управления технологической безопасностью
Использование теории Демпстера-Шефера (DST) позволяет закрепить
общую меру вероятности за подмножествами множества неисправных
технологических цепей [Дюбуа и др., 1990, Люгер, 2003, Yager et al., 2008].
Это необходимо по следующим причинам. Во-первых, из-за
неоднозначности решения задачи экспертной классификации, когда
эксперт не может определить степень характерности данного НДП для
одной, отдельно взятой цепи. Во-вторых, в случае неточности результатов
определения самого факта НДП. В-третьих, при назначении общего
уровня доверия для всех диагностических процедур.
Любое подмножество A множества С, индуцируемого логической
i i
переменной p = 1, является фокальным элементом, если оно имеет
i
ненулевую базовую вероятность. Для фокального элемента можно
вычислить верхнюю и нижнюю границы вероятности [Dempster. 2001, Yager
et al., 2008]. Для множества A функция доверия Bel(A) представляет собой
i i
степень уверенности в наличии кризисной ситуации
Bel(A ) m(B).
i
BA
i
Функция Pl(A), задающая верхнюю границу интервала, представляет
j
степень правдоподобия гипотезы A
j
Pl(A )1Bel(A ){m (C)|CA 0}
j j k j
Как правило, при возникновении потенциально-опасной ситуации
фиксируется некоторое множество НДП P* = {p | p = 1}. В этом случае,
i i
факты регистрации различных НДП рассматриваются как независимые
свидетельства о неполадках в технологическом процессе. Для
объединения различных свидетельств [8, 9] необходимо вычислить
ортогональные суммы базовых вероятностей, определенных для каждого
из свидетельств. Для этого используется правило Демпстера [Dempster.
2001, Lefevre et al., 2002 Murphy, 2000 Sentz, 2002].
8
Правило Демпстера ассоциативно и коммутативно, что позволяет
объединять аналогичным образом и большее число свидетельств.
На основе новых базисных вероятностей вычисляются функции
доверия и правдоподобия для всех рассматриваемых гипотез. Это
позволяет использовать всю доступную информацию в процессе поиска
неисправных или неэффективно работающих технологических цепей и
сузить количество подозреваемых объектов, отсеяв часть из них и
перераспределить оценки возможного наличия неисправности для
отдельной технологической цепи или множества цепей.
3. Учет ошибок измерений
Значения измеряемых переменных всегда отличаются на величину
запаздывания динамического канала между входом и выходом, что
приводит к ошибкам измерений. Для учета неопределенности
предлагается оперировать их интервальными значениями в виде
ˆ
интервальных чисел. Таким образом, функция P из булевой функции-
k
признака кризисного состояния превращается в непрерывную функцию,
определенную на интервале [0, 1]. Для того, чтобы учесть погрешность
измерения при определении функций доверия и правдоподобия,
необходимо перераспределить меры вероятности, относящиеся к
элементам множества C следующим образом
i
m~ (A )m(A )Pˆ .
i j j i
Это позволяет повысить чувствительность диагностической системы и
эффективно отсекать ложные гипотезы.
4. Архитектура программного комплекса
Для реализации изложенной выше методики учета неопределенности
на основе структур доверия Демпстера-Шефера авторами был создан
программный продукт ЭС ExpSystem v.1.0, представляющий собой
комплекс прикладного программного обеспечения, разработанного и
функционирующего в среде CLIPS [CLIPS, 2018, Джаратано et al., 2007] с
использованием внешних прикладных программ. Разработанный
прототип экспертной системы эволюционного управления непрерывным
многостадийным технологическим процессом включает в себя механизм,
позволяющий динамически изменять интерфейс приложения.
Архитектура экспертной системы показана на рисунке 2 и состоит из
блока формирования базы знаний и блока обработки данных.
9
Рис.2. Структурная схема экспертной системы ЭС ExpSystem v.1.0
Необходимые данные - как измеряемые, так и вычисляемые, хранятся
в базе данных. База знаний содержит факты и правила продукции. Блок
работы с данными содержит инструменты, позволяющие редактировать
электронные таблицы с описанием технологических связей и
диагностических переменных, применительно к тому или иному
производству. Настройка данных на конкретное производство
осуществляется с помощью редактора данных, показанного на рисунке 3.
Блок работы с базой знаний содержит инструменты описания правил
продукции, формирования базы знаний и организации диалога с
оператором на естественном языке. ЭС ExpSystem v.1.0 - система
диагностического типа, основанная на использовании набора
продукционных правил и работает по принципу «вопрос-ответ». Набор
правил зависит от выполнения условий, которые, в свою очередь,
активируются фактами. Система имеет машину логического вывода,
которая и определяет, какие правила должны быть выполнены при
наличии имеющихся фактов.
Диагностическая процедура поиска первичной неисправности в
дефектной цепи основана на использовании набора продукционных
правил и работает по принципу «вопрос-ответ». Продукционные правила
позволяют эксперту «хранить» собственный опыт в базе знаний ЭС. При
разработке ЭС изначально составляется набор продукционных правил,
совместное использование которых позволяет разрешить возникшую на
производстве ситуацию.
10
