Диагностика (искусственный интеллект)

Как подраздел искусственного интеллекта , диагностика связана с разработкой алгоритмов и методов, которые способны определить, правильно ли поведение системы. Если система работает неправильно, алгоритм должен быть в состоянии как можно точнее определить, какая часть системы выходит из строя и с каким типом неисправности она сталкивается. Вычисления основаны на наблюдениях , которые предоставляют информацию о текущем поведении.

Выражение «диагностика» также относится к ответу на вопрос, неисправна система или нет, и к процессу вычисления ответа. Это слово пришло из медицинского контекста, где диагноз – это процесс выявления заболевания по его симптомам.

Пример

Примером диагностики является работа механика гаража с автомобилем. Механик сначала попытается обнаружить любое ненормальное поведение, основываясь на наблюдениях за автомобилем и своих знаниях об этом типе транспортного средства. Если он обнаружит, что поведение ненормальное, механик попытается уточнить свой диагноз, используя новые наблюдения и, возможно, проверяя систему, пока не обнаружит неисправный компонент; Механик играет важную роль в диагностике автомобиля.

Экспертная диагностика

Экспертный диагноз (или диагноз экспертной системы ) основан на опыте работы с системой. Используя этот опыт, строится карта, которая эффективно связывает наблюдения с соответствующими диагнозами.

Опыт может быть предоставлен:

Человек-оператор. В этом случае человеческие знания необходимо перевести на компьютерный язык.
На примерах поведения системы. В этом случае примеры необходимо классифицировать на правильные и ошибочные (в последнем случае – по типу ошибки). машинного обучения . Затем для обобщения примеров используются методы

Основными недостатками этих методов являются:

Сложность приобретения опыта. Опыт обычно доступен только после длительного периода использования системы (или аналогичных систем). Таким образом, эти методы непригодны для систем, критически важных для безопасности или миссии (таких как атомная электростанция или робот, работающий в космосе). Более того, никогда нельзя гарантировать полноту приобретенных экспертных знаний. В случае возникновения ранее невидимого поведения, приводящего к неожиданному наблюдению, поставить диагноз невозможно.
Сложность обучения . Автономный процесс построения экспертной системы может потребовать большого количества времени и памяти компьютера.
Размер итоговой экспертной системы. Поскольку целью экспертной системы является сопоставление любого наблюдения с диагнозом, в некоторых случаях ей потребуется огромный объем памяти.
Отсутствие прочности . Если в систему внесена даже небольшая модификация, процесс построения экспертной системы необходимо повторить.

Несколько иной подход заключается в построении экспертной системы на основе модели системы, а не непосредственно на основе экспертных знаний. Примером может служить вычисление диагноста для диагностики дискретно-событийных систем . Этот подход можно рассматривать как основанный на моделях, но он имеет некоторые преимущества и страдает некоторыми недостатками подхода экспертной системы.

Диагностика на основе модели

Диагностика на основе модели — это пример абдуктивного рассуждения с использованием модели системы. В целом это работает следующим образом:

У нас есть модель, описывающая поведение системы (или артефакта). Модель представляет собой абстракцию поведения системы и может быть неполной. В частности, ошибочное поведение обычно малоизвестно, и поэтому ошибочная модель может быть не представлена. Учитывая наблюдения за системой, система диагностики моделирует систему с помощью модели и сравнивает фактически сделанные наблюдения с наблюдениями, предсказанными симуляцией.

Моделирование можно упростить следующими правилами (где $Ab\,$ является нормальным предикатом Ab ):

$\neg Ab(S)\Rightarrow Int1\wedge Obs1$

$Ab(S)\Rightarrow Int2\wedge Obs2$ (модель неисправности)

Семантика этих формул следующая: если поведение системы не является аномальным (т.е. если оно нормальное), то внутреннее (ненаблюдаемое) поведение будет $Int1\,$ и наблюдаемое поведение $Obs1\,$ . В противном случае внутреннее поведение будет $Int2\,$ и наблюдаемое поведение $Obs2\,$ . Учитывая наблюдения $Obs\,$ , проблема состоит в том, чтобы определить, является ли поведение системы нормальным или нет ( $\neg Ab(S)\,$ или $Ab(S)\,$ ). Это пример абдуктивного рассуждения .

диагностируемость

Говорят, что система диагностируема, если, каким бы ни было поведение системы, мы сможем однозначно определить уникальный диагноз.

Проблема диагностируемости очень важна при проектировании системы, поскольку, с одной стороны, можно захотеть уменьшить количество датчиков, чтобы снизить стоимость, а с другой стороны, можно захотеть увеличить количество датчиков, чтобы увеличить вероятность обнаружения неисправности. ошибочное поведение.

Существует несколько алгоритмов решения этих проблем. Один класс алгоритмов отвечает на вопрос, поддается ли система диагностированию; другой класс ищет наборы датчиков, которые позволяют диагностировать систему и, при необходимости, соответствуют таким критериям, как оптимизация затрат.

Диагностируемость системы обычно рассчитывается на основе модели системы. В приложениях, использующих диагностику на основе модели, такая модель уже присутствует, и ее не нужно строить с нуля.

Библиография

Хамшер, В.; Л. Консоль; Ж. де Клеер (1992). Показания в модельной диагностике . Morgan Kaufmann Publishers Inc. Сан-Франциско, Калифорния, США: ISBN 1-55860-249-6 .

См. также

Внешние ссылки

DX-семинары

DX — это ежегодный международный семинар по принципам диагностики, который начался в 1989 году.

ДХ 2016
ДХ 2015
ДХ 2014
ДХ 2013
DX 2012. Архивировано 24 мая 2015 г. на Wayback Machine.
ДХ 2011
ДХ 2010
DX 2009. Архивировано 22 октября 2008 г. на Wayback Machine.
DX 2008. Архивировано 8 сентября 2008 г. на Wayback Machine.
ДХ 2007
ДХ 2006
ДХ 2005
ДХ 2004
ДХ 2003
ДХ 2002
ДХ 2001
DX 2000. Архивировано 13 сентября 2006 г. на Wayback Machine.
ДХ 1999
ДХ 1998
ДХ 1997