,

,

,

Применение методологии искусственного интеллекта для формализации результатов обработки нечеткой информации


Аннотация

Современные условия эксплуатации оборудования электростанций в переменных режимах и связанные с ними изменения их технического состояния во времени выдвинули на передний план ряд нерешенных вопросов для задач формирования моделей принятия решений и распознавания состояний на основе диагностики энергоустановок с использованием нечеткой информации для идентификации их состояния и управления процессами восстановления. Отсутствие единого методологического подхода в получении необходимой информации для диагностического контроля при решении подобных задач в условиях нечеткости и не- однородности исходной информации о фактическом состоянии оборудования и его ресурсе привели к тому, что существующие методы формирования данных и знаний в задачах анализа и принятия решений при управлении не идентифицированы и не взаимосвязаны с их математическими моделями, ориентированы на решение отдельных задач и не всегда обеспечивают соответствие параметров модели агрегата фактическому состоянию объекта управления. Вместе с тем переход энергетики от планово-предупредительного ремонта оборудования к ремонту по фактическому техническому состоянию привело к росту ответственности за принимаемые решения при определении времени и объема ремонтов и ужесточению требований к качеству моделей диагностики. Такой переход без соответствующей методической подготовки привел к неадекватностям диагностических моделей и моделей принятия решений, обусловленным использованием нечеткой информации о состоянии оборудования. Вместе с тем в последние годы резко возрос интерес к различным аспектам проблемы интеллектуального управления, в частности интеллектуального управления технологиями по гибридному принципу. Одно из основных направлений заключается в использовании аппарата нечетких систем и когнитивных нейронаук: нечетких множеств, нечеткой логики, нечеткого моделирования и управления, семантической организации памяти, нечеткой математики, искусственных нейронных сетей, распознавания образов, обработки информации нейронами и мозгом человека, его разумом, сознанием, мышлением, памятью и искусственной жизнью. Представлены результаты расширения практического применения аппарата и методов нечетких и гибридных систем в приложении к технологиям оценки технического состояния сложных технических и энергетических систем, особенно в условиях обработки и применения когнитивных нейронаук.


Ключевые слова

диагностика энергоустановок, ремонт по фактическому техническому состоянию, неадекватности диагностических моделей, проблемы интеллектуального управления, технологии по гибридному принципу, когнитивные нейронауки


Библиографический список

 1. Zadeh L.A. Fuzzy Sets // Information and Control. 1965. V. 8. No. 3. Pp. 338—353.

2. Кантор Г. Труды по теории множеств. Ч. 1. Работы по теории множеств. М.: Наука, 1985.

3. Нечеткие  множества  и  теория  возможностей. Последние достижения. М.: Радио и связь, 1986.

4. Shafer G. Non-additive Probabilities in the Works of Bernoulli and Lambert // Archives for the History and Exact Sci. 1978. V. 19. Pp. 309—370.

5. Аткинсон Р., Бауэр Г., Кротерс Э. Введение в математическую теорию обучения. М.: Мир, 1969.

6. Анохин П.К. Очерки по физиологии функциональных систем. М.: Медицина, 1975.

7. Morris     C.     Signification    and     Significance. Cambridge: MIT Press, 1964.

8. Цветков   Э.И.   Процессорные   измерительные средства. Л.: Энергоатомиздат, 1989.

9. Крохин  Г.Д.  Математические  модели  идентификации технического состояния турбоустановок на основе нечеткой информации: автореф. дисс. ... докт. техн. наук. Иркутск, 2008.

10. Аракелян Э.К., Крохин Г.Д., Мухин В.С. Концепция мягкого регулирования технического обслужи- вания энергоустановок ТЭС на основе интеллектуальной диагностики // Вестник МЭИ. 2008. № 1. С. 14—20.

11. Аверкин А.Н. и др. Нечеткие множества в моделях управления и искусственного интеллекта. М.: Наука, 1986.

12. Заде Л.А. Понятие состояния в теории систем. Общая теория систем. М.: Мир, 1966. С. 49—65.

13. Заде Л.А. Тени нечетких множеств // Проблемы передачи информации. 1966. № 1. С. 37—44.

14. Заде Л.А. Понятие лингвистической переменной и его применение к принятию приближенного решения. М.: Мир, 1976.

15. Аракелян Э.К., Крохин Г.Д., Мухин В.С. Концепция построения математических моделей диагностики энергооборудования на базе нечеткой информации // Вестник МЭИ. 2005. № 5. С. 28—33.

16. Крохин Г.Д., Мухин В.С., Судник Ю.А. Интеллектуальные технологии в теплоэнергетике. Ч. 1. М.: Триада, 2010.

17. Krokhin  G.,  Kasnauskayte  Y.,    Meshcheryakov  IMathematical  Fuzzy-Set-Based  Models  of Turbines’ Technical State Identification // Information and Communication Technologies in Education, Manufacturing and Research: Intern. Congress Information Techn. Saratov, 2014.

DOI: 10.24160/1993-6982-2017-5-130-138

Для цитирования: Крохин Г.Д., Аракелян Э.К., Мухин В.С., Пестунов А.И. Применение методологии искусственного интеллекта для формализации результатов обработки нечеткой информации // Вестник МЭИ. 2017. № 5. С. 130—138. DOI: 10.24160/1993-6982-2017-5-130-138.