Аннотация и ключевые слова
Аннотация (русский):
Рассмотрены существующие методы компенсации погрешностей измерений количественной и качественной информации. Приведена классификация качественных и количественных источников информации. Рассмотрены причины возникновения случайных и систематических погрешностей. Поставлена задача повышения достоверности первичных источников информации. Рассмотрена проблема совместной обработки качественной и количественной информации. Описаны причины возникновения недостоверности при получении той или иной информации. Показано, что повышение достоверности первичных источников информации возможно за счет достижения избыточности информации, путем совместного использования количественной и качественной информации.

Ключевые слова:
технологический процесс, социотехническая система, качественная информация, погрешность измерений, методы компенсации погрешностей, достоверность измерений, избыточность информации, искусственный интеллект, продукционные правила, нейронные сети
Текст
Введение Cовременные автоматизированные системы управления являются распределенными. Автоматизированные распределенные системы управления (АРСУ) характеризуются совместным использованием множества компонентов. Один из них - это измерительная подсистема, состоящая из контрольно-измерительных приборов и автоматики - оборудования, при помощи которого осуществляется сбор актуальной информации о протекании процесса, другими словами - непосредственное наблюдение и управление технологическими процессами. В процессе функционирования АРСУ оперируют распределенными объектами и используют количественную и качественную информацию. Любая производственная система рассматривается как социотехническая, поскольку в настоящее время в промышленном производстве постоянно взаимодействуют две подсистемы: технико-экономическая, включающая в себя станки, оборудование, а также управленческие знания, организационные структуры, и социальная, включающая все формы морального и материального стимулирования труда, стиль управления, организационную культуру и т. д. [1]. Совместное использование количественной и качественной информации позволяет получить избыточность информации и исследовать все возможные параметры и данные о функционировании технологического процесса [2]. Лицо, принимающее решение (ЛПР), оперирует не только количественной информацией, но и качественными проявлениями технологического процесса. Информация, полученная от ЛПР, позволяет выявить противоречивость данных, полученных от количественных и качественных источников информации. Источниками количественной информации являются различные датчики и вычислительные комплексы, которые осуществляют контроль за вверенными им показателями, такими как температура, давление, частота вращения или любой другой физический параметр, необходимый для осуществления полноценного контроля за технологическим процессом. Целью исследования являлась разработка схемы повышения достоверности первичных источников информации за счет совместной обработки качественных и количественных источников информации. Обеспечение достоверности источников информации Все известные классификаторы источников информации при детальном рассмотрении оказываются чрезмерно громоздкими, требуют больших временных затрат, иногда являются необоснованными, их применение затруднительно. В таких классификаторах часто наблюдается информационная недостаточность, неполный охват объектов и признаков. Общая схема классификации источников информации, включающая количественные и качественные источники информации, приведена на рис. 1. Качественные источники информации обеспечивают порождение достоверного решения, т. к. качественная информация позволяет выразить все, что невозможно или достаточно сложно выразить в количественной форме. Современные системы управления не учитывают такой параметр, как психофизическое состояние человека, что может привести к возникновению предаварийных, а порой и аварийных ситуаций. Источником такого вида информации могут являться всевозможные опросы, анкетирование или активное наблюдение за экспертом. На объектах повышенной опасности проверку состояния здоровья персонала медицинский работник должен осуществлять до, во время и после работы. Рис. 1. Классификации источников информации по типу измеряемых параметров В процессе поиска, сбора данных от количественных и качественных источников возможно возникновение ситуаций, когда полученные значения отличаются от истинного. При работе с количественной информацией рассматривается такое понятие, как точность. В рамках нашего исследования точность понимается как характеристика датчика, которая оценивается посредством отклонения результата измерения y от истинного значения yп измеряемого параметра: Довольно часто используется термин «погрешность измерений датчика» - величина максимального расхождения между показаниями реального и идеального источников количественной информации. По характеру проявления погрешности разделяются на случайные и систематические (рис. 2). На рис. 2 рассмотрен частный случай, когда значение систематической погрешности постоянно, но на производстве это значение часто непостоянно - оно изменяется по различным причинам, и компенсировать данный вид погрешности достаточно сложно. В реальной действительности случайные и систематические погрешности проявляются совместно [3]. Рис. 2. График результатов наблюдений Под систематической погрешностью в рамках нашего исследования понимается погрешность, которая в частном случае остается постоянной или закономерно изменяется при повторных измерениях одной и той же величины, а на практике изменяется по сложному детерминированному закону. В свою очередь, случайными называют погрешности, которые изменяются случайным образом при повторных измерениях одного и того же параметра. Погрешности такого вида невозможно исключить опытным путем. Они происходят в случае влияния на результат измерения причин случайного характера (погрешность, возникающая от трения в опорах измерительных приборов; колебание величины припуска в партии заготовок; изменение твёрдости поверхности заготовок в партии; погрешности измерения в результате субъективной оценки человеком показаний прибора и т. д.). Рассмотрим типы систематических погрешностей качественной и количественной информации (рис. 3). Рис. 3. Погрешности измерений технологических источников информации: ИИ - источник информации Современные системы в процессе функционирования учитывают данные погрешности путем многократных измерений и, соответственно, получают среднее значение. Рассмотрим методы компенсации погрешностей. 1. Компенсация случайной погрешности производится путем сведения к минимуму влияния случайной погрешности на результат замеров и осуществляется за счет многократных измерений величины в приближенно одинаковых условиях. Если принять, что систематические погрешности близки к нулю, тогда наиболее достоверное значение, которое можно приписать измеряемой величине на основании ряда измерений, есть среднее арифметическое полученных значений. Для определения точности результатов измерений в практике, например, электрических измерений одним из наиболее распространенных законов распределения случайных погрешностей является нормальный закон (Гаусса) [4]. 2. В процессе функционирования измерительных подсистем АСУ ТП возникает систематическая составляющая погрешности измерений, которая, в свою очередь, снижает достоверность проводимых измерений. Если систематическая погрешность является величиной постоянной, то она может быть определена и устранена путем введения соответствующих поправок. Примером такой погрешности может являться погрешность градуировки прибора, т. е. ошибка, связанная с правильным расположением делений, нанесенных на шкалу прибора. Влияние внешних факторов (таких как колебания напряжения питания, температуры) на средства измерения тоже способствует появлению систематической погрешности. 3. В случае использования метода опроса экспертов для принятия необходимого решения принимается во внимание и решается задача подбора конкретных экспертов, определяется степень доверия к ним. В первом случае погрешность количественной информации компенсируется достаточно легко. Во втором случае, если систематическая погрешность изменяется по сложному детерминированному закону, определить величину погрешности достаточно сложно [5-7]. В третьем случае компенсация случайной погрешности также осложнена, т. к. корректность данных, полученных от экспертов, никак не подтверждается. Проблему обеспечения достоверности информации, влияющей на качество протекания технологического процесса, мы предлагаем решить за счет совместного использования количественной и качественной информации. При обработке такой информации предлагается использовать методы искусственного интеллекта, например продукционную модель знаний (модель, позволяющую представлять знания в виде конструкции типа «Если (условие), то (действие)») или такую математическую модель, как искусственная нейронная сеть (ИНС). Как продукционные системы, так и ИНС имеют свои недостатки и преимущества. Недостатки продукционных систем: - ограничения, накладываемые на процесс построения данных систем, относящиеся к концепции, формулировке и применению построенных правил; - сложность построения продукционных правил, относящихся к объекту знания (для построения правил необходимо детально изучить рассматриваемую область и обеспечить необходимый уровень детализации, которая не должна быть излишне подробной. В противном случае потребуется для каждой ситуации построить по одному правилу. Достичь этого тяжело, и, кроме того, пользователь не сможет разобраться в таком обилии информации); - единый формат записи, который часто приводит к громоздким выражениям в левой части; в сложных ситуациях возможно повторение одинаковых посылок. - невозможность легко построить сложные правила; Преимущества продукционных систем: - модульность - системы построены так, что каждая единица информации не имеет прямой связи с другими объектами и в любой момент времени может быть модифицирована, создана новая или попросту удалена без каких-либо негативных воздействий на все остальные единицы информации; - неупорядоченность заполнения базы знаний (в отличие от словарей или энциклопедий); - модифицируемость - при добавлении или изменении правила уже существующие правила не устаревают, они остаются в силе, и это никак не относится к добавленному правилу, т. е. любое внесение корректировок обладает свойством локальности и аддитивности, в отличие от процедурных программ, где такие же воздействия могут привести к непрогнозируемым последствиям и любое изменение для данных программ является обременительным; - «доступность чтения» - процесс познания человека является модульным и, как следствие, продукционные системы воспринимаются человеком как более близкие и несложные для чтения. - более простая проверка базы продукционных правил для вычислительных комплексов. При необходимости на практике избыточность, а также противоречивость правил достаточно легко определить, используя синтаксическую обработку. В продукционных системах достаточно ясно прослеживает последовательность правил, которая использовалась для получения того или иного вывода, так же как и использовавшиеся метаправила. Структура правил таких систем позволяет создавать модели правил, предоставляющие возможность получения ответов на появившиеся вопросы и возможность внесения изменений в случае необходимости, например при обнаружении какой-либо ошибки. Структура управления разрешает принимать во внимание различные параметры, которые могут охарактеризовать ситуацию. Эффективность продукционных систем находится на высоком уровне. Так, системы MYCIN, PROSPECTOR и R1 на практике доказали свою гибкость и компетентность. Они достаточно высокопроизводительны и эффективно выдерживают все испытания благодаря тому, что правила учитывают конкретные параметры в каждой ситуации [8]. Недостатки ИНС: - многие подходы к разработке ИНС являются эвристическими и не всегда могут привести к однозначному решению; - при подготовке обучающей выборки возникают проблемы, которые связаны с поиском достаточного количества обучающих примеров; - в некоторых случаях при обучении сети можно прийти к тупиковой ситуации; - в системах реального времени использование ИНС возможно не всегда, что связано с большими временными затратами на осуществление обучения сети; - поведение обученной ИНС не всегда можно однозначно предсказать, что ограничивает сферу применения данного подхода, т. к. многократно увеличивается риск использования ИНС для управления дорогостоящими техническими объектами. Преимущества ИНС: - способность решать задачи, в которых заранее неизвестны закономерности возможного развития ситуаций, а также не прочитываются зависимости между входными и выходными данными; - устойчивость к шумам, которые могут возникать во входных данных; - способность (за счет обучения) адаптироваться к возможным изменениям в окружающей среде; - потенциально высокое быстродействие, обеспечиваемое использованием массового параллелизма при обработке информации; - потенциальная отказоустойчивость при исполнении в аппаратном виде. Большинство экспертных систем построено по принципу «Эксперт всегда прав», но на практике возникают ситуации, в которых недостоверные данные экспертов негативно влияют на протекание технологического процесса. Причины экспертных ошибок могут быть двоякого рода: объективные, т. е. не зависящие от эксперта, и субъективные - коренящиеся в образе мышления и (или) действиях эксперта. Разумеется, такое деление причин экспертных ошибок носит условный характер, поскольку и сами субъективные причины имеют объективное основание. К объективным причинам возникновения экспертных ошибок относятся (в том числе) неполнота данных, использование неисправных или обладающих недостаточной точностью приборов и инструментов. Выше отмечалось, что существующие методы контроля технологического процесса не учитывают такие параметры, как состояние человека, его внимательность, координация, логические дефекты умозаключений эксперта и др. Именно поэтому достоверность информации, влияющей на качество протекания технологического процесса, предлагается обеспечить совместным использованием количественной и качественной информации, т. е. рассмотреть объект как социотехническую систему. Социотехническая система, в общем, - это рабочая система, состоящая из подсистемы персонала; внешней среды, взаимодействующей с организацией, и технической подсистемы. Для устранения проблем, связанных с достоверностью информации, при разработке управляющих воздействий в ходе контроля за технологическим процессом предлагается концептуальная схема повышения достоверности информации с использованием экспертных оценок (рис. 4). Рис. 4. Концептуальная схема системы повышения достоверности информации: БЗ - база знаний Перед выходом на работу эксперт проходит опрос по подготовленным вопросам, проверяющим его психологическое состояние, внимание, память, степень усталости и реакцию реагирования. Под экспертом понимается сотрудник компании, осуществляющий непосредственное взаимодействие с АСУ ТП. На данном этапе сводятся к минимуму субъективные причины экспертной ошибки, такие как неординарное психологическое состояния эксперта или характерологические черты личности эксперта (неуверенность в своих знаниях, умении, опытности; повышенная внушаемость; мнительность и т. п.). После опроса эксперта, по результатам прохождения теста, определяется степень доверия к эксперту - расчет производится с периодичностью «раз в N минут», где N зависит от количества циклов смены психофизического состояния человека. Следующий блок, к которому допускается эксперт в случае «нормального» состояния, - это блок опроса об объекте управления, в ходе которого определяются следующие параметры: температура в помещении, уровень вибрации, густота дыма и др. Затем эти данные вместе с данными, полученными от других экспертов (Z1, ..., Zn), поступают в «Блок обработки качественной информации», в котором осуществляется ранжирование данных с учетом коэффициента достоверности эксперта. После ранжирования данные, полученные от экспертов, поступают в блок совместной обработки информации, работающий на основе продукционной базы знаний, которая является самообучающейся и имеет алгоритм обработки качественной и количественной информации. Данные (X1, ..., Xn), полученные от источников количественной информации, поступают через блок обработки количественной информации, в котором также производится ранжирование параметров по группам. На выходе из блока совместной обработки информации рассчитывается достоверное значение (восстановленное), в том случае, если информация, полученная от эксперта, являлась противоречивой. Использование предложенной системы позволит обеспечить требуемый уровень достоверности информации. Применение системы возможно в различных отраслях современной экономики и производства. Следует заметить, что значимый эффект будет достигнут в энергоемких производствах, таких как нефтегазовые и энергетические комплексы, благодаря значительному влиянию качества протекания технологических процессов на результат производства. Заключение Анализ методов повышения достоверности информации, необходимой для осуществления полноценного контроля за технологическим процессом, основанных на использовании интеллектуальных алгоритмов, позволил выявить их недостатки и преимущества. С учетом недостатков продукционных систем и искусственных нейронных сетей предложен унифицированный метод повышения достоверности первичных источников информации, позволяющий осуществлять компенсацию систематической погрешности при количественном измерении, в основе которого лежит совместная обработка двух видов информации - качественной и количественной и разработка алгоритмического обеспечения с учетом психофизического состояния эксперта. Метод может использоваться при разработке управляющих воздействий в АСУ ТП на крупных объектах топливно-энергетического комплекса.
Список литературы

1. Управление бизнесом. URL: http://biglibrary.ru/category38/book119/ (дата обращения: 21.03.2016).

2. Савельев А. Н., Учаев Д. Ю. Совместное использование количественных и качественных источников информации в АСУ ТП // Современные научные исследования и инновации. 2015. № 9. URL: http://web.snauka.ru/issues/2015/09/57901 (дата обращения: 20.01.2016).

3. Общие сведения о датчиках. URL: http://mami.ru/kaf/aipu/techizm4.doc (дата обращения: 21.01.2016).

4. Палашов В. В. Расчет полноты катодной защиты. Л.: Недра, 1988. 138 с.

5. Долинский Е. Ф. Обработка результатов измерений. М.: Изд-во стандартов, 2003. 192 с.

6. Куликовский К. Л., Купер В. Я. Методы и средства измерений. М.: Энергоатомиздат, 1986. 448 с.

7. Новицкий П. В., Зограф И. А. Оценка погрешностей результатов измерений. Л.: Энергоатомиздат, 2005. 248 с.

8. Лорьер Ж.-Л. Системы искусственного интеллекта. М.: Мир, 2001. 436 с.