Самообучающиеся интеллектуальные коборг - системы для оперативного диагностирования и управления

САМООБУЧАЮЩИЕСЯ ИНТЕЛЛЕКТУАЛЬНЫЕ КОБОРГ - СИСТЕМЫ ДЛЯ     ОПЕРАТИВНОГО  ДИАГНОСТИРОВАНИЯ И УПРАВЛЕНИЯ

к.т. н. Соловьев В.И.

sicwl@ mail.ru

В ясный полдень на исходе лета шел старик дорогой полевой.

                                            Вишню вырыл молодую где-то и довольный нес ее домой.

Он глядел веселыми глазами на поля, на дальнюю межу

И подумал, дай-ка я на память у дороги вишню посажу.

Пусть растет большая-пребольшая, пусть растет и вширь и вышину

И дорогу нашу, украшая, каждый год купается в цвету.

Путники в тени ее прилягут, отдохнут в прохладе, тишине

И отведав сочных спелых ягод, может статься, вспомнят обо мне

А не вспомнят, – экая досада, я об этом вовсе не тужу.

Не хотят, не вспоминай, не надо. Все равно я вишню посажу. (К. Г. Паустовский).

В статье рассматривается способ самообучения баз знаний, используемых в интеллектуальных коборг – системах диагностирования и управления в процессе их эксплуатации. Предназначается для специалистов, разработчиков интеллектуальных систем управления, работающих в различных предметных областях.

ВВЕДЕНИЕ

Основная сущность коборг-технологии для оперативного диагностирования и управления сложными организованными объектами (A complicated organized objects-Coborgs) была освещена в [1-3]. Она заключается в представлении таких объектов как некоторого организованного единства всех согласованно действующих в них процессов, органов, систем или функциональных узлов, не относящиеся к животному или растительному миру, но обладающие основными свойствами живых организмов. По сути, это конкретное определение достаточно точно объясняет смысл широко применяемого термина «организм» во всех "неживых" приложениях. Основными свойствами коборга являются:

1. Наличие в его составе органов и процессов в них происходящих.

2. Наличие координат внутренних параметров состояния (ВПС) органов коборга. Они представляются в виде различных нормативов, заданных диапазонов и траекторий, предельно допустимых минимальных или максимальных величин, определяющих нормальное (заданное) состояние отдельного органа и коборга в целом;

3. Способность принимать и обрабатывать поступающую на его входы информацию в реальном или псевдореальном времени.

4. Воспринимать, хранить, использовать и представлять знания в данной предметной области.

5. Способность оперативно диагностировать текущее состояние органов и коборга в целом и своевременно выявлять намечающиеся расстройства и заболевания.

6. Выявлять причины расстройства или заболевания отдельных органов и коборга в целом.

7. Формировать управляющие воздействия по ликвидации намечающегося расстройства или заболевания коборга.

Интеллектуальные системы оперативного диагностирования и управления, построенные на базе коборг-технологии, называются КоборгСистемами (CoborgSystems).

ОСНОВНАЯ ЧАСТЬ

Очевидно, что основным ядром любой интеллектуальной коборг-системы является база знаний (БЗ) диагностирования текущего состояния объекта, определяющая, в конечном итоге, качество управления. Эти базы строятся на основе знаний, как отдельных экспертов, так и на основе "обобщенного эксперта", использующего знания из прикладных трудов, правил, инструкций, положений и других устанавливающих документов соответствующей предметной области. При этом для формального представления знаний применяются продукционная система, основанная на правилах вида «ЕСЛИ - ТО», а логические связи «И (END)», «ИЛИ (OR)», «КОМБ (COMB комбинированная связь)» используются для построения иерархической сети конкретной интеллектуальной системы. Для оценки степени надежности вывода, приписанным правилам (знаниям) используется математическая процедура MYCIN [4], которая хотя и не имеет под собой строгого математического фундамента, но благодаря простоте восприятия нашла широкое применение во многих универсальных средствах обработки знаний. Суть процедуры в том, что если некоторая числовая предпосылка по определенному правилу из интервала [-1,1] равна 1, то коэффициент уверенности (степень надежности) вывода CFі тоже равен 1 (истина), но если предпосылка удовлетворяется частично, то CFі пропорционально уменьшается до [-1] (ложь). Оценка достоверности вывода о развитии расстройства функционирования коборга производится по следующим процедурам MYCIN:

1.При связи логического И: CF[Q] = CF[X и Y, -] = min{CF[X, -], CF[Y,-]} (1.1)

2. При связи логического ИЛИ: CF[Q] = CF[X или Y, -] = max {CF[X, -], CF[Y, -]} (1.2)

3. При комбинированной связи КОМБ (И - ИЛИ):

a). CF[Q,(X,Y)] = +1, если CF[Q,X] =1 или CF[F,Y] =1; (1.3)

b). CF[Q,(X,Y)] = CF[Q,X] + CF[Q,Y] – CF[Q,X] • CF[Q,Y], (1.4)

если CF[Q,X ] > 0 и CF[Q,Y ] > 0;

c). CF[Q,(X,Y)] = CF[Q,X] + CF[Q,Y], если CF[Q,X] = ±1 и (1,5)

CF[Q,Y] ≠ ±1, а CF[Q,X] • CF[Q,Y] ≤ 0;

d). CF[Q,(X,Y)] =CF[Q,X] + CF[Q,Y] + CF[Q,X] • CF[Q,Y], (1.6)

если CF[Q,X] < 0 и CF[Q,Y] < 0;

e). CF[Q,(X,Y)] = –1, если CF[Q,X ] = –1 или CF[Q,Y ] = –1, (1.7),

где CF[Q,X], CF[Q,Y], CF[Q,(X,Y)] – коэффициенты уверенности (степени надежности) вывода Qi, определяаемые на основании экспертных знаний в начальных слоях сети как некоторые веса wjq в непрерывном интервале [-1+1], а затем в последующих слоях иерархической сети - промежуточными и конечными результатами доказательств на непрерывном интервале [−1+1]. Коэффициент CFj, полученный из трех и более независимых доказательств, выводится последовательно, используя указанные выше формулы. На рис.1. приведен фрагмент сети базы знаний диагностирования коборга, реализованной по приведенной выше процедуре MYCIN:

Рис.1. Фрагмент сети базы знаний диагностирования коборга

Первый (начальный) слой образуют N блоков входных переменных (элементов) соответствующих симптомов x^J₁ , появление которых обуславливается отклонением текущих  значений параметров состояния объекта от заданного (установленного)  диапазона, причем x^J₁  может принимать несколько значений. Каждый блок входных переменных описывает результаты измерения  одного из   значений внутреннего  параметра состояния коборга. Так, например, группа x¹=(x¹_I), і=1,…9 служит для описания абсолютного значения (координаты) параметра. При этом x¹₁ задает допустимый  диапазон  изменения этого параметра, а x¹₂ -. тенденцию его изменения за установленное время.  В свою очередь, x¹₁  (диапазон изменения параметра)  имеет три альтернативы: а) заданное  значение (x¹₁₁); б) выше заданного значения (x¹₁₂); в) ниже заданного значения (x¹₁₃), а  x¹₂ (тенденция изменения параметра) может принимать следующие значения: а) увеличивается (x¹₂₁); б) уменьшается (x¹₂₂); в) не меняется (x¹₂₃).

Второй слой образуют блоки продукций Pⁱ_j вида:

IF ‹условие›  THEN (тогда)  uⁱ  = a   ELSE (иначе)  uⁱ = 0.

  В качестве условия используются предикаты вида uⁱ_j =< значение>, объединенные логическим "И". Результатом выполнения продукции является значение переменной, имеющее  смысл начальных весов w_jκ о  степени влияния конкретного κ-го "И" правила   сети на j-ое состояние коборга. Для определения этих  начальных весов может быть использован, например, “коллективный эксперт”, содержащий в себе некую совокупность знаний, извлекаемых из прикладных трудов  предметной области, технологических инструкций и регламентов, типовых положений и правил, стандартов, а также знаний отдельных экспертов и др.

  Третий слой образуют блоки так называемых OR(ИЛИ) – правил. Эти правила выполняются по следующему алгоритму. Пусть  s_{1 • • • • •} s_n  - входные переменные  OR-правила, а s – выходная переменная. Тогда:

1) если все s_i = 0, то  s = 0.

2) если s_i ≤ 0, то в качестве s принимается максимальная отрицательная s_i..

3) если s_i  имеют положительные, нулевые и отрицательные значения, то  s = maxs_i..

   Как видно из рис. 1  OR-правила используются для объединения результатов, получаемых во втором слое.

Четвертый и последующие слои образуют блоки  комбинированных правил (COMB-правил). Под выходом "с" сети диагностирования понимается конечное значение уверенности вывода CF_j, по каждому текущему  состоянию (расстройству) коборга из установленного списка {Q}.   Многослойная структура позволяет удобно добавлять, расширять или удалять блоки правил в любом слое.  Отметим, что  в качестве {Q_j}, в зависимости от рассматриваемой предметной области, могут описываться как нечеткими термами состояния коборгов (например: нормальное, удовлетворительное, плохое), так и конкретными расстройствами и заболеваниями.                                

 Как правило, процесс диагностирования   сводится к непрерывному расчету и анализу кривых CF_i   общего состояния коборга и   состоянию отдельных органов.

Приведем пример диагностирования трех состояний (в соответствии с фрагментом базы знаний, приведенном на рис.1)  Q₁, Q₂ и Q_3,, соответствующие, например, термам текущего состояния коборга: «нормальное» - значок "n", «удовлетворительное» - значок "s и «критическое» - значок "c" по координатам двух внутренних параметров состояния коборга . Полный набор комбинаций  порождающих правил, реализующих логическую функцию «И (And)» и способ задания начальных весов, имеет следующий вид ( х¹ – первый входной внутренний параметр, а х² – второй):

Q1n₁ = And (x¹₁₁ x¹₂₃):0.45;          

Q1s₁ = And (x¹₁₁ x¹₂₃):- 0.45;         

Q1c₁ = And (x¹₁₁ x¹₂₃):- 0.45;

Q1n₂ = And (x¹₁₁ x¹₂₁):-0.25;

Q1s₂ = And (x¹₁₁ x¹₂₁): 0.25;

Q1c₂ = And (x¹₁₁ x¹₂₁):- 0.25;

----------------------------------

Q1n₈ = And (x¹₁₃ x¹₂₁):-0.45;

Q1s₈ = And (x¹₁₃ x¹₂₁): 0.45;

Q1c₈ = And (x¹₁₃ x¹₂₁):- 0.45;

Q1n₉= And (x¹₁₃ x¹₂₂):-0.55;

Q1s₉ = And (x¹₁₃ x¹₂₂):- 0.55;

Q1c₉ = And (x¹₁₃ x¹₂₂):0.55;

Q2n₁ = And (x²₁₁ x²₂₃):0.345;          

Q2s₁ = And (x²₁₁ x² ₂₃):- 0.345;         

Q2c₁ = And (x²₁₁ x²₂₃):- 0.345;

Q2n₂ = And (x²₁₁ x²₂₁):-0.25;

Q2s₂ = And (x²₁₁ x²₂₁): 0.25;

Q2c₂ = And (x²₁₁ x²₂₁):- 0.45;

-----------------------------------                                                    (2)

Q2n₈ = And (x²₁₃ x² ₂₁):-0.25;

Q2s₈ = And (x²₁₃ x² ₂₁): 0.25;

Q2c₈ = And (x²₁₃ x²₂₁):- 0.25;

Q2n₉= And (x²₁₃ x²₂₂):-0.345;

Q2s₉ = And (x²₁₃ x² ₂₂):- 0.345;

Q2c₉ = And (x²₁₃ x²₂₂):0.345;

 Каждый параметр и его производная (тенденция изменения) имеет полное число комбинаций правил (девять), которому  предписывается в соответствии  с экспертной оценкой определенные  начальные  веса  в интервале от [+1 –1], соответствующие степени достоверности (+), или недостоверности (–) вывода по каждому  применяемому правилу. OR-правила (рис.1) используются для объединения результатов, получаемых во втором слое. В данном примере:

Q1n= Or(Q1n₁ Q1n₂ Q1n₃ Q1n₄  Q1n₅ Q1n₆ Q1n₇ Q1n₈ Q1n₉ );

Q1s= Or(Q2s₁ Q2s₂ Q2s₃ Q2s₄  Q2s₅ Q2s₆  Q2s₇ Q2s₈ Q2s₉ );

Q1c= Or(Q3c₁ Q3c₂  Q3c₃ Q3c₄  Q3c₅ Q3c₆ Q3c₇ Q3c₈ Q3c₉ );

                                                                                                               (3)

Q2n=Or(Q21n₁Q21n₂ Q21n₃ Q21n₄  Q21n₅ Q21n₆ Q21n₇ Q21n₈ Q21n₉);

Q2s= Or(Q22s₁ Q22s₂ Q22s₃ Q22s₄  Q22s₅ Q22s₆  Q22s₇ Q22s₈ Q22s₉ );

Q2c= Or(Q23c₁ Q23c₂  Q23c₃ Q23c₄  Q23c₅ Q23c₆ Q23c₇ Q23c₈ Q23c₉ );

На выходе с¹ сети имеем результирующие текущие значения расчетных коэффициентов уверенности вывода CF_j каждого состояния коборга:

Qn = COMB(Q1n Q2n);

Qs = COMB(Q1s Q2s);                                                         (4)

Qc = COMB(Q3cQ3c);

 КОМБ – правила подкрепляют или опровергают цель на основании двух или более доказательств.

Настройка сети базы знаний производится по принципу обратного расчета коэффициентов уверенности CF_j и состоит из следующих действий:

  1.      устанавливаем значения всех координат   внутренних параметров состояния равными заданным значениям,  а их производные – нулевыми значениями (тенденция – "не изменяется").

2.      Выбираем  предварительный интервал CF_j(Qn), соответствующий нормальному (заданному) состоянию коборга, например, [0.7-0.9]. Интервал (0.9-1.0) может использоваться в случае, если  система предусматривает состояние  коборга - "лучше заданного".

3.      Устанавливаем на выходе сети  среднее значение CF_j(Qn) заданного интервала (например, 0.8) и по обратному оператору комбинированной связи COMB (1.4) рассчитываем коэффициенты уверенности вывода  с¹ – с^N  на всех входах N последнего блока COMB сети (рис.1).  Коэффициенты уверенности вывода с¹ – с^N естественно  будут положительны и одинаковы по величине.

4.      Последовательно переходим к следующим от выхода сети слоям блоков COMB и аналогичным образом рассчитываем коэффициенты уверенности вывода u¹ – u^N на входах этих блоков. Практически  число слоев связи СОМВ  в базе знаний не превышает  2-х или 3-х (по отдельным веткам). Последнее значение CF_j (выход первого КОМБ-блока от входа) должно быть не менее 0.2 (пороговая величина, определяющая степень достоверности подцели)  разлагается по указанной обратной процедуре (1.4)    на предварительные  равные входные веса   w_jκ  каждого активированного правила kдля данного состояния j

(j= 1…N) коборга.    

5.       Производим корректировку предварительно установленных  весов  с учетом знаний эксперта или "коллективного эксперта" в рассматриваемой предметной области. Здесь суть корректировки  заключается в изменении соотношения между предварительно   полученными  весами по степени их влияния  на развитие определенного состояния (расстройства) коборга. При этом  значение  CF_j   на выходе первого КОМБ-блока после корректировки весов  не должно значительно отличаться от его предварительного значения.  Например, предварительно полученные веса для двух правил равны 0.4. Соответственно значение CF_j на выходе первого КОМБ-блока, рассчитанное по процедуре 1.4 равно 0,64.  При корректировке весов по экспертным знаниям они по степени влияния на развитие j–го состояния (расстройства)  установлены соответственно 0.3 и 0.5. Тогда  на выходе первого КОМБ-блока CF_j станет равным 0.65, что примерно соответствует предварительному расчетному значению CF_j.

 На рис. 2 и, 3  представлены результаты оперативного диагностирования и управлением  коборгами в двух отличных друг от друга предметных областях:  

- ходом доменного процесса:

 - процессом исполнения бюджета на любом уровне.  

Рис.2. Диаграмма диагностирования хода доменного процесса

Здесь на рис 2. отображаются три   кривые текущих оценок коэффициентов уверенности вывода CF_j  состояния доменного процесса на выходе  сети базы знаний, В качестве основных режимов (органов коборга) выступают: а) газодинамический; б) тепловой;  в) сход шихты. Система диагностирует следующие состояния процесса: заданные - ровный ход  и нормальный нагрев печи; расстройства процесса – тугой ход, периферийный ход, центральный ход, разогрев и похолодание печи. Выходная регулируемая координата – содержание кремния в чугуне. Для диагностирования текущего состояния доменного процесса используется около 20-ти  координат внутренних параметров состояния (ВПС). Дискретное время считывания входной информации - от 5-ти до 30 сек.       

На рис.3 представлена диаграмма оперативного диагностирования хода исполнения бюджета для любого уровня (от домохозяйства до государственного) [5], включающего четыре компоненты (органа) в составе коборга : ожидаемые и фактические финансовые резервы, выполнение собственных и встречных обязательств.   

Рис.3. Диаграмма диагностирования исполнения бюджета

Система диагностирует текущие расстройства указанных органов и относит их к одному из термов состояния – заданному, области расстройства и области  улучшенного состояния. В случае текущего расстройства функционирования  какого-либо органа коборг-система выявляет нежелательные отклонения по статьям бюджета. Выходная регулируемая координата – величина профицита (дефицита) с начала периода. Для диагностирования текущего состояния доменного процесса используется около 12-ти  координат внутренних параметров состояния (ВПС). Дискретное время считывания входной информации – одни сутки.      

  Как было отмечено выше, в базах знаний диагностирования, входящих в состав интеллектуальных систем управления, устанавливаются  экспертные настройки начальных весов  uⁱ  = a(рис.1). В процессе реальной работы системы под влиянием  случайных воздействий внутренних и  внешних возмущений, а также неточностей самих экспертных знаний происходит накопление ошибок диагностирования, что зачастую требует остановок  системы для необходимых корректировок начальных весов базы знаний. Эти  нежелательные обстоятельства снижают эффективность  интеллектуальных систем управления, функционирующих в реальном времени. Очевидно, что избежать этих недостатков возможно, если система способна в  режиме нормальной эксплуатации самообучаться и самостоятельно производить корректировку весов  базы знаний.    

Как видно из рис.1 в иерархической сети базы знаний, построенной на продукциях, существует только одно  место (второй слой)  возможной  корректировки установленных начальных весов (предикаты вида uⁱ_j =< значение >, объединенные логическим "И"). Заметим, что это касается сети базы знаний любой конфигурации.   Для дальнейшего понимания предлагаемого метода  рассмотрим  основные характеристики  сети БЗ диагностирования коборгов различного назначения, используемые для самообучения и корректировок  весов:

1. 1.      Динамическая ошибка диагностирования текущего состояния  коборга. Оценка этой ошибки должна осуществляться в процессе эксплуатации объекта и, таким образом, не только выявлять ошибки при отнесении входного вектора ВПС  к определенному терму состояния, но и  ошибки по отклонению  траектории переходного процесса. Как было сказано выше, текущее состояние коборга, связанное с текущим значением расчетного  коэффициента уверенности вывода  CF_j^р, адекватно предопределяет некоторый интервал выходной регулируемой координаты Y. Справедливо и обратное утверждение о том, что по текущему значению выходной регулируемой координаты Yможно судить о действительном текущем значении  CF_j^д при диагностировании состояния коборга.  Для определения действительного значения  CF_j^д рассмотрим рис3., на котором  приведен пример обобщенной функции принадлежности  для трех термов состояния коборга.    На диаграмме для простоты  представлены сечения   положительных значений CF_jдля указанных термов состояния коборга, соответствующих определенным состояниям (расстройствам) коборга. На самом деле, полная функция CF_jпредставляет некоторую гиперповерхность, перемещающуюся  в положительной и отрицательной областях по оси Q  .

                                    Рис 3. Диаграмма состояний коборга

На рис.3 для простоты понимания представлены кривые коэффициентов уверенности вывода CF_j для отдельных состояний коборга, расположенные в положительной  области. Из рисунка следует, что существует вполне определенное соответствие между выходной управляемой координатой   Y,  интервалами состояний коборга Q и коэффициентом уверенности вывода CF_j.                               

На основании этого утверждения, определение текущей ошибки диагностирования можно определить следующим образом. Примем, как показано на рис.1 ,  CF_j = с_j. Тогда

 ðy(i) = y^* ─ y(i);

 ðc^д_j(i) =ðy(i) / k[1-exp-(c-Q)];                                                                  (5)

c^д_j(i) = c_j^* - ðc^д_j(i);

 ðc_j(i) = c_j^'(i)·[c^д_j(i) - c^р_j(i)];

 c_j^'(i) = c_j(i)·[1- c_j(i)].

  [0< θ * 1]

здесь y^* и  c_j^* - заданное значение выходной координаты и соответствующее ему максимальное значение коэффициента уверенности вывода по j-му состоянию коборга; y(i) и c^р_j(i) – текущие значения выходной координаты и расчетного коэффициента уверенности вывода в дискретное текущее время i; c^д_j(i) – действительное значение CF_j  в дискретное текущее время i;  ðy(i) – ошибка регулирования выходной координаты; ðc^д_j(i) – преобразованная действительная ошибка c_j(i) вывода, связанная с отклонением выходной координаты от задания; ðc_j(i) – ошибка диагностирования текущего состояния коборга; k – коэффициент пропорциональности; c_j^'(i) – производная функции преобразования, выраженная через нее саму.

2. С целью подавления измерительных помех, связанных с аномально большой погрешностью (грубыми выбросами),  текущую оценку ошибки диагностирования  ðc_j(i) целесообразно осуществлять с помощью робастного фильтра   релейно-экспоненциального сглаживания, который производит "срезание" грубых данных, приводящим к аномально большим значениям невязки между этими данными и его прогнозом, полученных на основе обработки предыдущих данных. Тогда:

                                          ðc_j(i) при  |ðc_j(i) - ðc^п_j (i-1) | ≤ β;

  ðc^п_j (i) =  ðc^п_j (i-1) + ά _j                                                                                    (6)

                                                    β·sign[ðc_j(i)] при  |ðc_j(i) - ðc^п_j (i-1) | > β;

где ðc^п_j(i), ðc^п_j(i-1) – оценки ошибки диагностирования в i-ый и (i-1) временные отсчеты; ά_j –параметр сглаживания, определяющий скорость убывания ("забывания") экспоненциальной весовой функции; β – параметр "срезки". Значение β обычно выбирается из расчета (2-3)·σ+β^*, где β^*- максимально возможное приращение медленно меняющегося полезного сигнала ðc_j(i) за один шаг дискретного времени, а σ – среднеквадратическое отклонение обычной помехи (без учета грубых выбросов).

Отметим, что при установившемся режиме диагностирования, т.е. при больших значениях n, оценка (6) ошибки диагностирования доставляет минимум  критерию средневзвешенного  квадратичного ее отклонения от текущего значения:

                       ∞

                       ∑ β[ðc^п_j (n-i) - ðc_j(n-i)]² → min.                            (7)

                      i=0

 3. Передающая функция связи φ_κjот результирующего  выходного сигнала с_j, отображающего коэффициент уверенности вывода CF_j, по каждому  состоянию (расстройству) коборга из установленного списка {Q}, к  текущему весу w_κj каждого ВПС "κ"  j-ой области состояния.   

                      φ_κj  =  [с_j / w_κj] th(c_j)                                                     (8)

  Введение гиперболического тангенса в качестве функции преобразования обеспечивает возможность  расчетов и корректировок в  положительном и отрицательном интервале изменения коэффициента уверенности вывода CF_j.

  4. Коррекция весов  базы знаний производится по выражению:

w_κj(t+1) = w_κj(t) + ðc^п_j(i)φ_κj /m +β[w_κj(t) - w_κj(t-1)],                               (9)

где:

w_κj(t), w_κj(t+i), w_j(t-1) – весовые коэффициенты во втором слое сети БЗ по j–тому состоянию коборга; "m" – число активированных (положительных и отрицательных) выходов первого слоя сети БЗ диагностирования, представляющих  текущий совокупный вектор состояния коборга  в дискретное   время "i";  [0<β

5. Области самообучения коборга и условия реализации корректировок весов  

В соответствии с концепцией коборг-технологии выявляются основные степени расстройства коборгов:

─ симптоматическое расстройство коборга (аналогично недомоганию) от кратковременного влияния внутренних или внешних возмущений, когда ликвидация возникающего расстройства или  нежелательного изменения состояния коборга осуществляется за счет внутренних резервов самого объекта или применением симптоматических воздействий, направленных на подавление возникающего  симптома расстройства;

─ функциональное расстройство коборга, требующее выявления и  устранения причины расстройства. В этом случае для поддержания целевой функции надо затрачивать дополнительные материальные, финансовые, трудовые или временные ресурсы до полной ликвидации выявленных причин расстройства;

─ хроническое  расстройство (заболевание) коборга, когда в силу различных причин значения   основных  показателей длительное время находятся ниже запланированных, проектных или устанавливаемых величин. При этом в случае затяжного расстройства, связанного, например, из-за явной или скрытой неисправности технических узлов или конструктивных недостатков агрегатов, неправильно заданных параметров технологического  режима и т.д или  в бизнес-деятельности  такого типа расстройства возникают, например,   из-за  снижения платежеспособности, невозвращения займов и кредитов, затоваривания складов сырьем или готовой продукцией, увеличения сроков оборачиваемости дебиторской  или кредиторской задолженности и др.  .

─ хроническое  расстройство (заболевание) коборга, когда в силу различных причин значения   основных  показателей длительное время находятся ниже запланированных, проектных или устанавливаемых величин. Этот  случай  требует  уже реструктуризации или ликвидации объекта.

Очевидно, что интерес для самообучения коборга представляют два первых случая, так как  расстройства могут быть ликвидированы как самостоятельными оперативными мероприятиями, так и дополнительными доступными материальными и временными ресурсами.

ЗАКЛЮЧЕНИЕ

1. 1.      Применение коборг-технологии для оперативного диагностирования и управления в различных предметных областях позволило упростить представление знаний, оптимизировать число правил и повысить эффективность выводов.
2. 2.      Наличие функциональной зависимости между отклонением регулируемой выходной координаты  и ошибкой диагностирования  позволило реализовать алгоритм автоматической корректировка весов базы знаний диагностирования коборга.
3. 3.      Способность системы к самообучению позволяет легко адаптироваться к изменениям режима работы коборга, повысить точность диагностирования и улучшить  управляемость процессами в различных предметных областях.

                                                      Список литературы.

.   1. Соловьев В.И.,   "SmartCoborgSystems". Материалы международной научно-практической   конференции OSTIS-2011. г. Минск. Секция 8.

           2.Соловьев В.И. "Интеллектуальные системы диагностирования и

         управления коборгами". В сб. «Интеллектуальные системы» Труды

         Девятого международного симпозиума / Под ред. К.А. Пупкова. ─ М.:

   РУСАКИ. 2010. ─ 773 с.    

     3.  Соловьев В.И.  "Интеллектуальная система управления сложными

   организованными   объектами (коборгами) ". Патент на изобретение

   RU   №2435187 C2, 27.11.2011.

     4. "Представление и использование знаний". Пер. с япон. /Под ред.

         Х. Уэно, М. Исидзука  ─ М.:  Мир, 1989. ─220 с., ил.

    5.Соловьев В. И. "Интеллектуальная  коборг-система оперативного

диагностирования исполнения бюджета". Естественные и математические

 науки в современном мире./Сб.ст.по материалам XVIIIмеждународной

науч.-прак.-конф.№5 (17) . Новосибирск: Изд. «СибАК», 2014, 218 с.