Systems. Methods. Technologies 3(35) 2017

Системы Методы Технологии . Д . К . Елтышев . К вопросу о разработке … 2017 № 3 (35) с . 57-63 59 случае каждый набор параметров X i используется в каче - стве входных переменных частной базы знаний , а ее вы - ход является входом базы знаний более высокого уровня , что позволяет комплексно оценить общее ТС ЭО , а также состояние его отдельных элементов . Рис . 1. Концептуальная схема интеллектуальной ЭДС при оценке ТС ЭО : I — определение ключевых диагностических пара - метров и категорий оцениваемых состояний ; II — модуль построения достоверных диагностических моделей ; III — модуль вычисления уровня фактического ТС ; IV — модуль интерпретации результата и формирования рекомендаций . 1 — формиро - вание базы знаний на основе правил нечеткой логики ; 2 — выбор вида функций принадлежности ; 3 — определение параметров функций принадлежности ; 4 — настройка весов правил базы знаний Правила частной и результирующей БЗ записыва - ются в формате : ЕСЛИ ( i f i a x 1 1 ~ = И i f a x 2 2 ~ = И … И i fn n i a x ~ 1 = с весом ω f ), ТО f d y 1 1 ~ = , q f ,1 = , ЕСЛИ ( j d y 1 1 ~ = И j d y 2 2 ~ = И … И lj l d y ~ = с весом ω j ), ТО z j h Y j ,1 , = = , где i j a 1 ~ — нечеткий терм , который оценивает значение переменной i x 1 в f - м правиле i - й базы знаний ; ij d ~ — нечеткое множество , оценивающее состояние i - го эле - мента ЭО из множества классов E ϵ { e 1 ,…, e l } в j - м пра - виле частной или результирующей базы знаний ; h j — заключение t j - го правила , оценивающего фактическое состояние ЭО , из множества классов S ϵ { s 1 ,…, s l }. По каждому правилу БЗ определяются степени при - надлежности нечетких множеств для оценки состояния ЭО ) ( µ X j и его элементов ) ( µ i f X с использованием операций нахождения минимума ( максимума ) для рас - чета логических функций И ( ИЛИ ) при агрегировании степеней истинности предпосылок и активизации за - ключений правил [8–11]. Результирующее значение переменной Y , характеризующее фактическое состоя - ние ЭО , определяется как класс с максимальной степе - нью принадлежности : )), ( µ ),..., ( µ ), ( µ max( arg s s s } ,..., , { 2 1 21 Y Y Y Y l l s ss = где ( ) ) ( µ )( µ : X agg Y j s hj s t j t = ∀ = — степень принадлежности значений диагностических параметров ЭО классу со - стояний s t ; ( )                 ⋅ = = ∀ = ) ( µ min ω ) ( µ : 1 i f e df n i j j X agg X t f — сте - пень выполнения j - го правила , характеризующего со - стояние ЭО ; ( ) ( ) ) ( µ ),..., ( µ min ω ) ( µ 1 i n f i f f i f i x x X ⋅ = — степень выполнения f - го правила , характеризующего состояние i - го элемента ЭО . Синтез структуры БЗ в рамках ЭДС может также осуществляться на основе ретроспективных данных о работе ЭО , накапливаемых в БД ( рис . 1), с применени - ем методов интеллектуального анализа данных , в част - ности кластеризации [7–9, 12]. Параметрический синтез моделей оценки ТС ЭО ( модуль II) как основы для работы ЭДС осуществляется в два этапа . На первом этапе вычисляются ФП для каждого тер - ма входных лингвистических переменных . Для нахож - дения параметров используются алгоритмы нечеткой кластеризации данных ( fuzzy c-means (FCM) , Gustafson - Kessel (GK) , Gath-Geva (GG) и их модификации ) ( блок № 3), формируемые на основе анализа трендов контролируемых диагностических параметров [8, 13– 15]. Это обеспечивается интеграцией ЭДС с системой мониторинга ЭО и позволяет автоматически формиро - вать ФП и адаптировать модели оценки ТС ЭО к усло - виям его эксплуатации .