Методы и технологии организации распределённой интеллектуальной поддержки принятия решений для систем управления жизненным циклом наукоёмких сложных изделий

В.О. Карасев,
магистр, wizpnz@gmail.com,
МГТУ им. Баумана, г. Москва

В докладе представлен обзор методов поддержки принятия решений, необходимых для эффективного управления производственными процессами на всех этапах жизненного цикла изделий авиакосмической отрасли. Сформулированы основные проблемы организации распределенной интеллектуальной поддержи принятия решений в прикладной области и предложены методы их решений

This article presents overview of essential decision support technologies for effective production processes management on all aerospace production lifecycle stages. Basic problems of distributed intelligent decision support setting up for application scope stated. Provide some decision options.

За последние несколько десятилетий значительно возросли возможности гражданских и военных промышленных предприятий. Выпускаемая промышленностью продукция становится все более сложной, наукоемкой. Такие изделия промышленности как гражданские и военные самолеты, автомобильная техника, танки, зенитно-ракетные комплексы, пусковые комплексы космических аппаратов и т.д. вполне могут быть охарактеризованы как наукоемкие сложные объекты (НСО). То есть, объекты, состоящие из большого количества (порядка тысяч) взаимосвязанных элементов, производство, обслуживание и эксплуатация которых требуют высокого развития науки и техники.

Высокий уровень сложности современной техники обуславливает высокие требования к ее эксплуатации и техническому обслуживанию, а также необходимость обеспечения экономической эффективности.

Одним из способов обеспечения эффективности технической эксплуатации НСО является применение технологий управления жизненным циклом изделия (ЖЦ). Их применение на всех этапах ЖЦ изделия позволяет значительно сократить издержки и повысить качество продукции.

Возможности современных информационных технологий позволяют автоматизировать часть процессов управления жизненным циклом (УЖЦ), объединить их в единую интегрированную систему и применить методы интеллектуальных систем управления для решения некоторых частных задач УЖЦ.

Так же сегодня являются актуальными как никогда и требуют особого внимания вопросы повышения конкурентоспособности российской технической продукции. Одним из реальных путей обеспечения конкурентоспособности является применение современных технологий управления жизненным циклом изделий. Частью указанных технологий является интегрированная логистическая поддержка (ИЛП) изделий, представляющая собой совокупность видов деятельности, выполняемых заинтересованными лицами на различных стадиях жизненного цикла с использованием управленческих, инженерных и информационных технологий, и направленных на обеспечение высокого уровня эксплуатационных свойств сложной техники (авиационной, морской и иной подобной) при приемлемой стоимости ее жизненного цикла. Системообразующим процессом в рамках ИЛП является процесс анализа логистической поддержки (АЛП), предусматривающий в том числе:

· анализ ожидаемых условий и целей эксплуатации объекта сложной техники, а также особенностей системы его технической эксплуатации;

· определение формы, объемов и условий технической поддержки эксплуатанта техники со стороны разработчика (поставщика), включая обеспечение эксплуатации после прекращения серийного производства;

· оценку эффективности системы интегрированной логистической поддержки и планирование мероприятий по ее развитию.

Целью указанной деятельности является обеспечение эксплуатационно-экономической эффективности как комплексного свойства сложной технической системы (например, изделия авиатехники, тяжелого машиностроения, оборонного комплекса) и системы его интегрированной логистической поддержки, отражающего уровни эксплуатационно-технических характеристик системы (изделия) и величину затрат на их обеспечение Одним из направлений данной деятельности является разработка моделей и методов анализа материально-технического обслуживания. Существуют различные подходы к решению данной задачи, рассмотрим вкратце несколько из них.

Надёжностные математические модели

Основная цель этих моделей – расчет показателей надежности для различных надежностных структур в заданных условиях эксплуатации.

В [6] дается описание и метод расчета различных надежностных коэффициентов таких, как коэффициент готовности, коэффициент оперативной готовности, коэффициент технического использования и др. Кроме того приводятся методы расчета надежностных показателей при различных условиях эксплуатации, транспортировки и хранения. В работе И.Н. Животкевича и А.П. Смирнова [6] вводится понятие нагрузки на элемент, выраженной в виде соответствующего коэффициента и определяющего изменение надежностных показателей при изменении условий эксплуатации, транспортировки и хранения. Для вычисления надежностных показателей используются различные методы теории вероятности и математической статистики.

Недостатком данных моделей является оторванность этих моделей от процессов функционирования других компонент процесса материально-технического обслуживания (МТО). В результате расчетные надежностных показатели только приближенны к реальным.

Математические модели управления запасами

Задачи, решаемые данными моделями – расчет количества запасных частей (ЗЧ), обеспечивающих определенные показатели надежности в процессе функционирования технических изделий (ТИ).

Данные модели определяют количество и номенклатуру хранимых ЗЧ и расходных ресурсов для обеспечения эксплуатации и обслуживания ТИ. Входной информацией для данных моделей является потребность в ЗЧ расходных ресурсов в течение всего периода эксплуатации. Модели управления запасами определяют требования ЗЧ и расходных ресурсов, которые необходимо хранить на складах для обеспечения потребности в ЗЧ и расходных материалах в системе послепродажного обслуживания.

Модели МТО авиационной техники

В настоящее время в системе МТО служб эксплуатации и ремонта авиационной техники (АТ) широкое применение нашли нормативные методы. Данные документы оперируют нормой расхода запасных частей (ЗЧ) на 100 часов эксплуатации, под которой понимают среднее ожидаемое количество замен составных частей АТ из-за их отказов и выработки ресурса. Нормы расхода разрабатываются на основе анализа надежности, результатов войсковых испытаний, а также с учетом опыта эксплуатации изделий-аналогов.

В процессе эксплуатации, заложенные при разработке АТ показатели надежности, могут претерпевать изменения, например, в силу модификации или доработки АТ, что приводит к изменению потребности в ЗЧ. В результате необходимо постоянное корректирование норм расхода.

Нормы расхода используются при расчетах годовой потребности в ЗЧ, плана производства и поставок ЗЧ и запасов ЗЧ на складах. При этом учитываются остатки ЗЧ на складах, а также план ремонта отказавших составных частей (СЧ) АТ.

Используемые в расчетах нормы расхода ЗЧ корректируются по мере необходимости. В среднем сроки расхода составляют 3-5 лет, что не позволяет оперативно вносить изменения в расчеты. В результате заказ ЗЧ осуществляется с некоторой избыточностью, что приводит к омертвлению капитала и в то же время не гарантирует отсутствие простоев АТ в неисправном состоянии.

Многокритериальная оптимизация решения

Векторная (многокритериальная оптимизация) – процесс оптимизации двух и более конфликтующих целевых функций в заданной области определения

Одной из проблем, возникающих при работе с векторным критерием, это проблема его скаляризации. Ее решение может быть осуществлено разными подходами, среди которых наиболее известны следующие:

§ Формирование некоторой свертки компонент векторного критерия (при этом наиболее часто применяется линейная свертка).

§ Построение функции предпочтения пользователя.

У каждого из этих метода есть свои преимущества и недостатки, их оценка выходит за рамки данного реферата.

Проблемы многокритериальности могут быть решены с помощью применения соответствующих методов теории принятия решений: формирования из вариантов множества Парето и скаляризации векторного критерия для вариантов множества.

Целесообразно привести краткую справку по методам поиска рациональных решений многокритериальной задачи.

Метод неявного перебора, основанный на стратегии локального поиска

Суть метода заключается в следующем, в пространстве оптимизационных переменных выбирается начальная точка. Далее формируется окрестность данной точки, в которой осуществляется перебор точек с целью поиска точки с лучшими значениями целевой функции. алгоритм повторяется для новой найденной точки. Недостатком данного алгоритма является необходимость рассмотрения всех точек из окрестности.

Метод имитации отжига

Алгоритм основывается на имитации физического процесса, который происходит при кристаллизации вещества, в том числе при отжиге металлов. Данный алгоритм ищет глобальный максимум многомерной функции. Решение ищется последовательным перебором точек. На каждом шаге алгоритм вычисляет новую точку и понижает значение величины (изначально положительной), понимаемой как «температура». Алгоритм останавливается при достижении точки, которая оказывается при температуре ноль.

В результате случайной модификации текущей точки получается множество точек, претендующих на то, чтобы быть следующими точками в алгоритме. Вероятность того что каждая точка из множества станет следующей вычисляется в соответствии с распределением Гиббса:

(1)

(2)

Где: – точка «претендент»; – текущая точка; – вероятность того, что точка станет следующей точкой – значение функции в точке «претенденте»; – значение функции в текущей точке; – элементы произвольной убывающей, сходящейся к нулю положительной последовательности, которая задает аналог падающей температуры в кристалле.

Достоинством данного алгоритма является возможность присвоения вероятности точкам, что уменьшает общее количество перебираемых вариантов. Алгоритм имитации отжига не гарантирует нахождения минимума функции, однако может существенно улучшить начальное значение функции, что дает возможность решения задач большой размерности.

Основным недостатком данного алгоритма является зависимость сходимости от выбранной убывающей последовательности. Данный алгоритм решает задачу условной оптимизации, так как необходимо определить последовательность Q.

Генетический алгоритм условной оптимизации с вещественным кодированием

Целевая функция в данном алгоритме эквивалентна природному понятию приспособленности живого организма, а вектор параметров целевой функции называется «хромосомой» (отдельные его координаты – «гены»). Генетический алгоритм имитирует эволюцию начальной популяции как циклический итерационный процесс, во время которого к популяции применяются основные биологические операторы: Селекция, скрещивание и мутация. Алгоритм работает до тех пор, пока не выполнится условия окончания.

Генетический алгоритм состоит из последовательного выполнения следующих шагов:

1. Создание начальной популяции

2. Вычисление функции приспособленности для каждой особи и для всей популяции в целом

3. Селекция – это операция, которая осуществляет отбор хромосом в соответствии со значением функции приспособленности для их последующего скрещивания.

4. Скрещивание–это операция, при которой из нескольких хромосом, называемых родителями, порождается одна или более новых. Виды скрещиваний: Плоский кросовер, Простейший кросовер, Арифметический кросовер и др.

5. В результате выполнения процедур селекции и скрещивания получается новая популяция хромосом. После этого осуществляется переход к шагу 2.

6. Определение особи, имеющую наилучшее значение функции приспособленности.

Достоинством данного алгоритма является возможность рассмотрения не всего решения целиком, а выделения его отдельных компонент. Также к достоинствам алгоритма можно отнести возможность задания начальной популяции близкой к оптимальному решению. Недостатком же является необходимость задания функции приспособленности, что в случае наличия векторного критерия сильно затруднено.

Мультиагентные алгоритмы

Мультиагентные системы (МАС) — это системы, состоящие из автономных агентов (в том числе интеллектуальных), взаимодействующих друг с другом и пассивной среды, в которой агенты существуют и на которую также могут влиять и пользователями. В настоящее время в области планирования и управления ресурсами широко применяется данный подход, так как он позволяет децентрализовать функцию управления, разделив задачи управления между сущностями системы. В первую очередь речь идёт о программных системах или моделях, описывающих процесс их работы, их поведение. Тогда агентом является программный агент (то есть, исполняемая программа с особыми характеристиками) или абстрактный интеллектуальный агент (то есть, модель, формализованное описание действующего лица реальной системы). Пожалуй, наиболее широкое определение агента (как «любой сущности, которая находится в некоторой среде, воспринимает ее посредством сенсоров, получая данные, которые отражают события, происходящие в среде, интерпретирует эти данные и действует на среду посредством эффекторов») дано в одной из классических книг по агентам и агентным системам – «Искусственный Интеллект: современный подход» П. Рассела и С. Норвига [9].

Достоинствами данных методов является простота разработки и верификации отдельных сущностей. Недостатком многоагентных систем является трудоемкость формализации разрабатываемой системы из-за множества различных моделей для каждой сущности, а также, в большинстве случаев, отсутствие математических моделей многоагентных систем. Для устранения недостатков прибегают к созданию однотипных простейших агентов.

Среди многоагентных алгоритмов выделим метаэвристические алгоритмы. Метаэвристические алгоритмы представляют собой алгоритмы, не имеющие в большинстве случаев строгого доказательства сходимости, но опирающиеся на естественные правила выбора, существующие в объектах живой и неживой природы. Среди метаэвристических алгоритмов следует отметить метод муравьиных колоний, метод пчелиного роя и д.р.

Метод пчелиного роя

Метод пчелиного роя [10,11] основан на поведении пчел при выборе области с наибольшей концентрацией пищи. В математическом описании данного алгоритма концентрация пищи задается значением целевой функции. Позиция агента (пчелы) является координатами в исследуемом пространстве. Одновременно в пространстве перемещается множество агентов (пчел).

При перемещении каждого агента определяется значение целевой функции в каждой позиции агента, из которых выбирается персональная наилучшая позиция. Среди персональных наилучших позиций определяется глобальная наилучшая позиция, информация о которой имеется у всех агентов.

В начале работы алгоритма определяется область поиска (условная оптимизация), на данной области равномерно располагаются агенты. Далее для каждого агента выполняется процедура перемещения в новое положение в соответствии с ее скоростью (по каждой координате) и определяется значение целевой функции в новой позиции агента. Происходит переоценка персональной и глобальной наилучших позиций.

После перемещения всех агентов вычисляется новая скорость перемещения в соответствии с формулой:

(5)

Где – скорость агента в измерении n на i+1-ой и i-ой итерации соответственно; w – инерционный вес (0, 1) отражает, в какой мере частица сохраняет свою первоначальную скорость; – координата агента в измерении n; – координата в измерении n для персональной и глобальной наилучших позиций соответственно; - случайная величина [-1, 1]; - весовые коэффициенты (0, 1), определяющие притяжение к персональной и глобальной наилучшей позиции соответственно.

После определения скорости проверяется критерий остановки алгоритма, заключающийся в концентрации всех агентов в одной области. Алгоритм продолжает работу с перемещения агентов в соответствии с их скоростями.

Основные модификации алгоритма пчелиного роя заключаются в определении поведении агентов при достижении границ допустимой области и поведении агентов при попадании на один и тот же участок.

К достоинствам данного алгоритма можно отнести необходимость задания только весовых коэффициентов, а не целой функции.

Недостатком же является невозможность установки распределения агентов в области рационального решения.

Метод муравьиных колоний

Метод муравьиных колоний (ММК) основан на поведении муравьев при поиске пути от муравейника к источнику пищи. Все муравьи действуют по одному алгоритму поиска пути, который основан на оставляемом пахучем следе. В силу случайного перемещения и большого количества, муравьи постепенно уменьшают длину искомого пути, приближая его к оптимальному.

Оригинальный метод муравьиных колоний, предложенный итальянским исследователем Марко Дориго (Marco Dorigo) в 1992 [11] разработан для определения гамильтонова пути на графе. Идея метода состоит в осуществлении процедуры перебора путем реализации стохастически направленного движения агентов (муравьев) по дугам рассматриваемого графа с постоянной переоценкой приоритетов дуг для выбора направления движения муравьев.

Выбор следующей вершины маршрута агентом («муравьем» (ant) – в оригинальном алгоритме) определяется значением «веса» («феромона» (pheromone trails) – в оригинальном алгоритме) на дугах, выходящих из данной вершины. Определение происходит путем вероятностного выбора дуги (вероятность зависит от «веса» дуги). Так же на выбор агентом дуги влияет и ее длина. Формула (оригинального алгоритма), по которой вычисляется вероятность прохождения дуги муравьем:

(6)

где i – вершина, в которой находится агент; t – момент времени, в который агент пришел в вершину i; j – следующая на пути агента вершина; k – номер агента; J_i,k – множество вершин, в которые агент номер k может попасть из вершины i; τ_ij(t) – «вес» дуги i-j в момент времени t; µ_ij – длина дуги i-j; α – коэффициент «веса»; β – коэффициент длины; 0 ≤ P_ij,k(t) ≤ 1.

После нахождения пути всеми агентами происходит увеличение «веса» дуг графа в зависимости от найденных путей: Для каждой дуги, пройденной агентом происходит изменение количества «веса» по формуле:

(7)

где Δτ_ij,k(t) – изменение феромона на дуге i-j; Q – максимальный «вес» у агента («вес», который добавляется на все дуги в случае маршрута единичной длины); L_k(t) – длина пройденного k-м агентом пути; T_k(t) – набор дуг, пройденных k-м агентом.

После увеличения веса всеми агентами происходит уменьшение «веса» каждой дуги («испарение феромонов» (pheromone evaporation)):

(8)

где τ_ij(t) – текущий «вес» на дуге i-j; p – коэффициент уменьшения «веса» (0 ≤ p ≤ 1); ΣΔτ_ij,k(t) – общий «вес», который добавили агенты на дугу i-j на текущей итерации.

В результате последовательного выполнения данных процедур изменяется состояние графа. Одновременно по графу перемещается группа из заранее заданного числа агентов. Изменение состояния графа происходит только после окончания перемещения всех агентов из группы. Остановка работы ММК осуществляется по выполнению заданного количества итераций.

Достоинствами данного алгоритма являются: малое количество параметров данного алгоритма и возможность установки агентов в область, близкой к оптимальному решению.

Определение наиболее и эффективного метода для решения задачи выходит за рамки данного реферата.

Единое информационное пространство

Описанные в предыдущем разделе методы подразумевают наличие достаточно большого количества разрозненных исходных данных, собираемых на различных этапах жизненного цикла изделия. В настоящий момент работы по сбору этих данных ведутся в различных табличных средах типа Excel. Поэтому особенно актуальными сейчас являются работы в области управления жизненным циклом изделия по созданию единого информационного пространства между всеми его участниками.

Имеет смыл рассмотреть подход к разработке единого информационного пространства на базе онтологий (упрощенно – однозначно-понимаемых баз знаний).

Онтологии широко используются во всех областях, занимающихся обработкой данных на естественном языке. В связи с использованием онтологий в различных приложениях возникла необходимость создания стандартизированных способов их представления.

С инженерной точки зрения онтология – это артефакт, структура, описывающая значения элементов некой системы. Формально онтологии можно назвать формулировкой логической теории, некоего исчисления со своими правилами. Такая теория позволяет систематизировать категории действительности и/или выражаемые в языке значения. В общем виде структура онтологии состоит из четырёх элементов: понятия, отношения, аксиомы, отдельные экземпляры. Онтологию некоторой конкретной области вместе со сведениями о конкретных объектах часто называют «базой знаний».

База знаний – база данных, содержащая правила вывода и информацию о человеческом опыте и знаниях в некоторой предметной области. Современные базы знаний работают вместе с системами поиска и извлечения информации. База знаний – важный компонент интеллектуальной системы (особенно экспертной). Базы знаний могут служить эффективной основой для построения современных эффективных информационных пространств, в которых все агенты обеспечивают накопление и обработку данных и знаний на едином универсальном языке. Что является обязательном условием для эффективного решения задач в распределённой мультиагентной системе. Подобное информационное пространство позволит создать эффективную распределенную интеллектуальную систему поддержки принятия решения для систем управления жизненным циклом наукоёмких сложных изделий.

Направление исследований

В данный момент технологиям управления ЖЦ со стороны промышленности и государства только усиливается [12], что обусловлено все еще недостаточным уровнем качества продукции и высоким уровнем затрат на ее создание и послепродажное сопровождение.

Важно отметить, что эти две проблемы (качества и затрат) тесно связаны между собой. Если трактовать качество не только как совокупность свойств продукции, обусловливающих ее конкурентоспособность в области функциональных задач, но и учитывать показатели надежности, эксплуатационной технологичности и др., то становится ясно, что их улучшение надежности связано с ростом затрат на создание и изготовление изделия, в то время как затраты на послепродажное сопровождение будут снижаться. Следовательно, необходимо строить ЖЦ продукции так, чтобы экономия превосходила рост затрат. Это и будет способствовать как повышению качества, так и сокращению стоимости жизненного цикла.

Добиться такого эффекта можно с помощью различных инженерных и информационных решений, в том числе:

с помощью создания и исследования эффективной модели материально-технического обеспечения в системе послепродажного обслуживания сложных наукоемких изделий; разработки специализированного программного обеспечения (ПО) поддержки жизненного цикла изделия, основанного на современных технологиях принятия решений, в том числе интеллектуальных, например, мультиагентный подход.

Выводы

В реферате представлен обзор задач и проблем, связанных с управлением жизненным циклом наукоемких сложных объектов авиационно-космической отрасли, таких как воздушное судно, стартовый комплекс, возвращаемый многоразовый блок космического аппарата и др. Поэтому предметом дальнейших исследований будут методы поддержки принятия решений, необходимых для эффективного управления процессами на всех этапах жизненного цикла подобных изделий, а также их интеллектуализация.

Планируется применить методы многокритериальной оценки эффективности решений и мультиагентные методы («роевого интеллекта», «муравьиных колоний» и т.д.) для выбора наилучшего решения. Данный подход является достаточно новым для решения подобного класса задач, для обеспечения эффективности его применения нужна теоретическая проработка.

Ожидаемым практическим результатом является интеллектуальный агент (агенты), решающий различные задачи управления жизненным циклом. Существенное внимание будет также уделено вскрытым в магистерской диссертации следующим научным задачам:

· разработка формального языка, позволяющего эффективно описать агентов и их взаимодействие в рамках системы управления жизненным циклом;

· разработка подходящих методов формальных оценок эффективности агентов при различных конфигурациях их взаимодействия в рамках распределенной информационной системы.

Литература

1. Судов Е.В., Левин А.И., Давыдов А.Н., Барабанов В.В. Концепция развития CALS-технологий в промышленности России //, Москва: Министерство промышленности, науки и технологий РФ, 2002.

2. ГОСТ Р ИСО 10007-2007 Менеджмент организации. Руководящие указания по управлению конфигурацией. М.: Стандартинформ, 2007.

3. ГОСТ 53394-2009 Интегрированная логистическая поддержка. Основные положения.

4. IEC 60300-3-12 Part 3-12: Application guide – Integrated logistic support.

5. Животкевич И. Н., Смирнов А. П. Надежность технических изделий. М.: Институт испытаний и сертификации вооружений и военной техники, 2004. — 472 с.

6. Шаламов А.С. Интегрированная логистическая поддержка наукоемкой продукции. Монография. // М.: Университетская книга, 2008. – 464 с.

7. Головин В.Я., Шаламов А.С., Кирсанов А.П., Миронычев В.Н., Митрофанов Ю.В., Гриценко А.Е., Ямпольский С.М. / Под ред. Головина В.Я. Моделирование систем и процессов: учебник для слушателей и курсантов инженерных вузов ВВС. // М.: Изд. ВУНЦ ВВС «ВВА им. Проф. Н.Е. Жуковского и Ю.А. Гагарина», 2010. – 432 с.

8. Рассел Стюарт, Норвиг Питер. Искусственный интеллект: современный подход. – 2-е изд.: Пер. с англ. - М.: «Вильямс». – 2006. – 1408с. – ISBN 5-8459-08887-6 (рус.)

9. Олейник Ал.А., Субботин С.А., Олейник Ан.А., Фрагмент рабочих материалов монографии. Часть IIІ. Интеллектуальные мультиагентные методы. http://www.csit.narod.ru/subject/MA/MA_lect.pdf

10. Beni, G., Wang, J. Swarm Intelligence in Cellular Robotic Systems, Proceed. NATO Advanced Workshop on Robots and Biological Systems, Tuscany, Italy, June 26-30 (1989)

11. M. Dorigo, Optimization, Learning and Natural Algorithms, PhD thesis, Politecnico di Milano, Italie, 1992.

12. Судов Е.В., Левин А.И., Петров А.Н., Петров А.В., Бороздин А.В. Анализ логистической поддержки. Теория и практика, М.: ООО Издательство «Информ-Бюро», 2014. 260 с.

13. Плотников В.Н., Суханов В.А., Системы, основанные на знаниях.– М.:Изд-во МГТУ им.Н.Э. Баумана, 1995 – 88 с.