Способ мониторинга и прогнозирования состояния отдельных агрегатов и сложных технологических комплексов при помощи семантически-ориентированного искусственного интеллекта

Изобретение относится к способу удаленного мониторинга и прогнозирования состояния отдельных агрегатов и сложных технологических комплексов. Технический результат заключается в автоматизации мониторинга и прогнозирования состояния сложных технологических комплексов. В способе накапливают данные о функционировании агрегатов, характеризующие показатели технологических параметров их функционирования, формируют нормальную выборку показателей функционирования, характеризующую штатное функционирование агрегатов, которую как эталон помещают в семантически-ориентированный искусственный интеллект, обеспечивающий возможность теоретико-множественного сравнения цифровых и текстовых данных, получают текущие показатели функционирования агрегатов, образующие текущую выборку, для определения наличия или отсутствия отклонения поступающих показателей от показателей эталонной выборки, формируют сигнал, сообщающий об отклонении системы от эталонного состояния, прогнозируют состояние отдельных агрегатов в следующие моменты времени, полученные показатели и состояния используют в качестве управляющих воздействий.

 

Изобретение относится к области техники, а более конкретно - к способу мониторинга и прогнозирования состояния отдельных агрегатов и сложных технологических комплексов при помощи семантически-ориентированного искусственного интеллекта.

Настоящее изобретение может найти применение при создании, эксплуатации, управлении и мониторинге систем различного назначения, включая сложные технические системы, используемые в энергетике, машиностроении, коммунальном хозяйстве и других отраслях.

В основу настоящего изобретения положена задача создания такого способа мониторинга и прогнозирования состояния отдельных агрегатов и сложных технологических комплексов при помощи семантически-ориентированного искусственного интеллекта, который являлся бы универсальным для любого представления данных мониторинга и любого вида технической системы, а также позволил бы анализировать разнородные данные из различных источников измерений.

Наиболее близким к данному изобретению является способ оценки информативности и приоритетности параметров технического состояния компьютерной сети (патент РФ №2439705), который можно принять за прототип.

Предлагаемое в прототипе техническое решение относится к области вычислительной техники, а именно к области контроля технического состояния (ТС) элементов вычислительных сетей, их мониторинга и инспектирования и может быть использовано для регулировки и сокращения количества контролируемых характеристик ТС вычислительной сети.

Задачей прототипа является оценка информативности и приоритетности контролируемых параметров ТС КС, уменьшение совокупности контролируемых характеристик путем исключения наименее важных из них, что позволит повысить эффективность диагностики ТС КС, сократить расходы на приобретение диагностирующего оборудования, осуществление процесса диагностики, приводящего к повышению готовности и работоспособности КС предприятия. В качестве параметров ТС КС могут быть рассмотрены количество абонентов в сети, пропускная способность, интенсивность абонентов, среднее время обслуживания абонентов, частота сбоев, загрузка сети данными, загрузка конфликтами и др.

Техническим результатом изобретения является повышение эффективности диагностики ТС компьютерной сети за счет обоснованного сокращения числа контролируемых параметров ТС КС при ее непрерывной работе и контроля состояния КС в обобщенных контрольных точках, обеспечивающих пользователя максимальной информативностью о диагностируемом объекте, которая достигается вычислением дополнительно вероятностей выхода параметров ТС КС за пределы допустимых значений и вероятностей сбоев в сети. Кроме того, в результате перехода к контролю меньшего количества параметров ТС КС сокращаются временные и финансовые затраты на осуществление диагностики и дальнейшего мониторинга технического состояния КС.

Технический результат достигается тем, что в способе оценки информативности и приоритетности параметров ТС КС, состоящем из посыла сигнала анализатором, замеряющим характеристики технического состояния компьютерной сети, сохранения значений в блоке хранения данных, занесения измеренных значений в блок обработки данных, в котором последовательно вычисляют средние значения каждого параметра по всем контролируемым системам (аналогичным по назначению и условиям эксплуатации участкам компьютерной сети), вычисляют общее среднее значение параметров по числу проведенных измерений, рассчитывают элементы ковариационной матрицы и строят на их основе корреляционную матрицу, вычисляют дополнительный параметр - вероятность невыполнения сетью задач к концу времени испытаний (измерений), средние значения этого параметра и рассчитывают коэффициенты корреляции по ним, добавляют последнюю строку и последний столбец полученной корреляционной матрицы вероятностей в качестве последних строки и столбца к корреляционной матрице параметров технического состояния компьютерной сети, формируют преобразование, описывающее внутренние связи рассматриваемых параметров контролируемой сети (или ее участка), произведение столбцов которого дает соответствующий элемент полученной итоговой корреляционной матрицы, рассчитывают коэффициенты приоритетности каждого показателя путем решения системы уравнений, полученной на основе элементов построенного преобразования, оценивают информативность исходной совокупности характеристик с помощью функции меры информации Шеннона, отбрасывают параметры с наименьшим коэффициентом приоритетности, определяют информативность уменьшенной совокупности параметров, вычисляют потери информации системы оставшихся параметров технического состояния по сравнению с исходной системой показателей, осуществляют окончательный выбор совокупности наиболее важных параметров технического состояния в соответствии с заданным пользователем максимальным уровнем потерь информации. Расчет дополнительно оцениваемых параметров осуществляют по вероятности выхода за пределы допустимых значений по каждому параметру и вероятности невыполнения сетью задач к концу времени испытаний. Вычисление дополнительного параметра осуществляют в блоке обработки данных после расчета корреляционной матрицы контролируемых параметров технического состояния компьютерной сети, вычисляют вероятность выхода за пределы допустимых значений по каждому параметру технического состояния компьютерной сети и вероятность невыполнения сетью задач к концу времени испытаний по числу сбоев в работе сети, вычисление дополнительного параметра осуществляют на основе средних вероятностей сбоев в сети по всем замерам для каждой характеристики технического состояния компьютерной сети и средней вероятности сбоев в сети по всем характеристикам для каждого замера.

Однако рассмотренный прототип имеет следующие недостатки:

- не является универсальным для различных типов технических систем;

- не являлся бы универсальным для любого представления данных мониторинга;

- не позволяет анализировать разнородные данные из различных источников измерений.

Задачи изобретения решены и недостатки прототипа устранены в реализованном согласно настоящему изобретению способе удаленного мониторинга и прогнозирования состояния отдельных агрегатов и сложных технологических комплексов, состоящих из отдельных агрегатов и/или подсистем агрегатов, при помощи семантически-ориентированного искусственного интеллекта на основе данных о функционировании агрегатов и/или подсистем агрегатов, при этом данные о функционировании представлены в виде показателей в различных материальных формах, допускающих как цифровое, так и описательное текстовое представление и характеризующих технологические параметры системы и/или ее подсистем, при этом семантически-ориентированный искусственный интеллект обладает возможностью теоретико-множественного сравнения цифровых и текстовых данных и предусматривающий следующие стадии:

1) накапливают данные о функционировании агрегатов и/или подсистем агрегатов, характеризующие показатели технологических параметров их функционирования и передают их эксперту;

2) эксперт получает данные о функционировании системы в виде последовательности показателей, допускающих как цифровое, так и описательное текстовое представление, коррелированных с моментами времени и формирует на основании полученных последовательностей объекта выборку показателей функционирования, характеризующую штатное, предписанное регламентами функционировании агрегатов и/или подсистем агрегатов, которая образует нормальную выборку;

3) нормальная выборка помещается как эталон в семантически-ориентированный искусственный интеллект, который обладает возможностью теоретико-множественного сравнения цифровых и текстовых данных, при этом теоретико-множественно сравнение двух исходных массивов данных образует три результирующих массива данных: общая часть массивов, данные, присутствующие только в первом исходном массиве и данные, присутствующие только во втором исходном массиве;

4) в ходе функционирования отдельных агрегатов и сложных технологических комплексов, состоящих из отдельных агрегатов и/или подсистем агрегатов получают текущие показатели функционирования, которые образуют текущую выборку;

5) полученная текущая выборка преобразуется в автоматизированном режиме при помощи семантически-ориентированного искусственного интеллекта, который обладает возможностью теоретико-множественного сравнения цифровых и текстовых данных, при этом теоретико-множественно сравнение двух массивов данных образует три результирующих массива данных: общая часть массивов, данные, присутствующие только в первом массиве и данные, присутствующие только во втором массиве, при этом в качестве первого массива используют эталонную выборку, а в качестве второго текущую выборку;

6) в результате преобразования по п. 5 первый результирующий массив содержат параметры функционирования, совпадающие как с эталонной, так и текущей выборкой, второй результирующий массив содержат параметры функционирования, присутствующие в эталонной выборке, но не присутствующие в текущей выборке, третий результирующий массив содержат параметры функционирования, присутствующие в текущей выборке, но не присутствующие в эталонной выборке;

7) определяют с помощью заранее выбранного экспертом критерия наличие или отсутствие отклонения поступающих показателей от показателей эталонной выборке по наличию, количеству и наименованию параметров третьего результирующего массива;

8) на основании п. 7 формируют сигнал, сообщающий об отклонении системы от эталонного состояния;

9) по набору нескольких третьих результирующих массивов прогнозируют состояние отдельных агрегатов и/или подсистем агрегатов, и/или системы в целом в следующие моменты времени по повторяемости параметров, содержащихся в третьих результирующих массивах;

10) полученные показатели и состояния необязательно сохраняют и используют в качестве управляющих воздействий, позволяющих достичь оптимального функционирования отдельных агрегатов и/или подсистем агрегатов, и/или системы в целом.

За счет реализации заявленного авторами способа достигаются следующие технические результаты:

- является универсальным для различных типов технических систем;

- является бы универсальным для любого представления данных мониторинга;

- позволяет анализировать разнородные данные из различных источников измерений.

Настоящее изобретение будет раскрыто в нижеследующем описании системы удаленного мониторинга и прогнозирования состояния отдельных агрегатов и сложных технологических комплексов, состоящих из отдельных агрегатов и/или подсистем агрегатов, при помощи семантически-ориентированного искусственного интеллекта на основе данных о функционировании агрегатов и/или подсистем агрегатов, при этом данные о функционировании представлены в виде показателей в различных материальных формах, допускающих как цифровое, так и описательное текстовое представление.

Предварительно накапливают данные о функционировании агрегатов и/или подсистем агрегатов, характеризующие показатели технологических параметров их функционирования и передают их эксперту, после чего эксперт получает данные о функционировании системы в виде последовательности показателей, допускающих как цифровое, так и описательное текстовое представление, коррелированных с моментами времени и формирует на основании полученных последовательностей объекта выборку показателей функционирования, характеризующую штатное, предписанное регламентами функционировании агрегатов и/или подсистем агрегатов, которая образует нормальную выборку.

Приведем пример нормальной выборки

Температура агрегата 1 нормальный режим, С

Нормальная выборка помещается как эталон в семантически-ориентированный искусственный интеллект, который обладает возможностью теоретико-множественного сравнения цифровых и текстовых данных, при этом теоретико-множественно сравнение двух исходных массивов данных образует три результирующих массива данных: общая часть массивов, данные, присутствующие только в первом исходном массиве и данные, присутствующие только во втором исходном массиве, затем в ходе функционирования отдельных агрегатов и сложных технологических комплексов, состоящих из отдельных агрегатов и/или подсистем агрегатов получают текущие показатели функционирования, которые образуют текущую выборку.

Приведем пример текущей выборки и обработки данных в семантически-ориентированном искусственном интеллекте:

Температура агрегата 1 текущий режим, С

M_ind procedure - indexed text file

File length: 80 Index page size: 16

File: curr.txt

Read: 80 bytes. Part 1 of 1 [100]

Words: 1

Medium word length: 11.000000

Word in LMD: 1

Time: 0.531000 sec

Words per sec: 28

Original length = 80 Compress = 45 [56]

Для нормальной выборки

M_ind procedure - indexed text file

File length: 83 Index page size: 16

File: norm.txt

Read: 83 bytes. Part 1 of 1 [100]

Words: 1

Medium word length: 11.000000

Word in LMD: 1

Time: 0.486000 sec

Words per sec: 30

Original length = 83

Compress = 45 [54]

Полученная текущая выборка преобразуется в автоматизированном режиме при помощи семантически-ориентированного искусственного интеллекта, который обладает возможностью теоретико-множественного сравнения цифровых и текстовых данных, при этом теоретико-множественно сравнение двух массивов данных образует три результирующих массива данных: общая часть массивов, данные, присутствующие только в первом массиве и данные, присутствующие только во втором массиве, при этом в качестве первого массива используют эталонную выборку, а в качестве второго текущую выборку. В результате преобразования первый результирующий массив содержат параметры функционирования, совпадающие как с эталонной, так и текущей выборкой, второй результирующий массив содержат параметры функционирования, присутствующие в эталонной выборке, но не присутствующие в текущей выборке, третий результирующий массив содержат параметры функционирования, присутствующие в текущей выборке, но не присутствующие в эталонной выборке.

Первый результирующий массив 1

С помощью заранее выбранного экспертом критерия наличие или отсутствие отклонения поступающих показателей от показателей эталонной выборке по наличию, количеству и наименованию параметров третьего результирующего массива. В данном случае легко видеть, что функционирование агрегата в текущей выборке является аномальным - температура вместо 326 градусов составила на двух отсчетах 336 и 337 градусов.

На основании аномального поведения в текущей выборке формируют сигнал, сообщающий об отклонении системы от эталонного состояния.

По набору нескольких третьих результирующих массивов прогнозируют состояние отдельных агрегатов и/или подсистем агрегатов, и/или системы в целом в следующие моменты времени по повторяемости параметров, содержащихся в третьих результирующих массивах, а полученные показатели и состояния сохраняют и используют в качестве управляющих воздействий, позволяющих достичь оптимального функционирования отдельных агрегатов и/или подсистем агрегатов, и/или системы в целом.

По сравнению со способами известными авторам, заявляемый способ обладает максимальной универсальностью и гибкостью и позволяет достичь лучших результатов, в частности является универсальным для любого представления данных мониторинга и любого вида технической системы, а также позволяет анализировать разнородные данные из различных источников измерений, облегчает и визуализирует работу эксперта.

Литература

1. М.Г. Сухарев Методы прогнозирования - Серия Прикладная математика в инженерном деле М.: 2009.

Способ удаленного мониторинга и прогнозирования состояния отдельных агрегатов и сложных технологических комплексов, состоящих из отдельных агрегатов и/или подсистем агрегатов, при помощи семантически-ориентированного искусственного интеллекта на основе данных о функционировании агрегатов и/или подсистем агрегатов, при этом данные о функционировании представлены в виде показателей в различных материальных формах, допускающих как цифровое, так и описательное текстовое представление и характеризующих технологические параметры системы и/или ее подсистем, при этом семантически-ориентированный искусственный интеллект обладает возможностью теоретико-множественного сравнения цифровых и текстовых данных и предусматривающий следующие стадии:

1) накапливают данные о функционировании агрегатов и/или подсистем агрегатов, характеризующие показатели технологических параметров их функционирования;

2) накопленные данные о функционировании системы в виде последовательности показателей, допускающих как цифровое, так и описательное текстовое представление, коррелированных с моментами времени, и формируют на основании полученных последовательностей объекта выборку показателей функционирования, характеризующую штатное, предписанное регламентами функционирование агрегатов и/или подсистем агрегатов, которая образует нормальную выборку;

3) нормальная выборка помещается как эталон в семантически-ориентированный искусственный интеллект, который обладает возможностью теоретико-множественного сравнения цифровых и текстовых данных, при этом теоретико-множественное сравнение двух исходных массивов данных образует три результирующих массива данных: общая часть массивов, данные, присутствующие только в первом исходном массиве, и данные, присутствующие только во втором исходном массиве;

4) в ходе функционирования отдельных агрегатов и сложных технологических комплексов, состоящих из отдельных агрегатов и/или подсистем агрегатов, получают текущие показатели функционирования, которые образуют текущую выборку;

5) полученная текущая выборка преобразуется в автоматизированном режиме при помощи семантически-ориентированного искусственного интеллекта, который обладает возможностью теоретико-множественного сравнения цифровых и текстовых данных, при этом теоретико-множественное сравнение двух массивов данных образует три результирующих массива данных: общая часть массивов, данные, присутствующие только в первом массиве, и данные, присутствующие только во втором массиве, при этом в качестве первого массива используют эталонную выборку, а в качестве второго - текущую выборку;

6) в результате преобразования при помощи семантически-ориентированного искусственного интеллекта первый результирующий массив содержит параметры функционирования, совпадающие как с эталонной, так и текущей выборкой, второй результирующий массив содержит параметры функционирования, присутствующие в эталонной выборке, но не присутствующие в текущей выборке, третий результирующий массив содержит параметры функционирования, присутствующие в текущей выборке, но не присутствующие в эталонной выборке;

7) определяют с помощью заранее выбранного критерия наличие или отсутствие отклонения поступающих показателей от показателей эталонной выборки по наличию, количеству и наименованию параметров третьего результирующего массива;

8) на основании наличия или отсутствия отклонения поступающих показателей от показателей эталонной выборки формируют сигнал, сообщающий об отклонении системы от эталонного состояния;

9) по набору нескольких третьих результирующих массивов прогнозируют состояние отдельных агрегатов и/или подсистем агрегатов, и/или системы в целом в следующие моменты времени по повторяемости параметров, содержащихся в третьих результирующих массивах;

10) полученные показатели и состояния необязательно сохраняют и используют в качестве управляющих воздействий, позволяющих достичь оптимального функционирования отдельных агрегатов и/или подсистем агрегатов, и/или системы в целом.