ISSN 0236-235X (P)
ISSN 2311-2735 (E)

Journal influence

Higher Attestation Commission (VAK) - К1 quartile
Russian Science Citation Index (RSCI)

Bookmark

Next issue

4
Publication date:
09 December 2024

Fuzzy queries application in plan tasks of ships maintenance and repair

The article was published in issue no. № 2, 2013 [ pp. 21-24 ]
Abstract:The article describes the problem of planning ships maintenance and repair, provides examples of fuzzy que-ries in relational databases and analyzes their possible using in considered task. The author discovers the fuzzy sets theory conception, shows types of heterogeneous information, describes conceptions of fuzzy variable and linguistic variable, ana-lyzes applicability of using fuzzy queries in relational databases. The article describes the conception and tasks of the maintenance and repair, considers possible application of fuzzy queries, compares results of accurate queries and fuzzy que-ries used in one task. The author also gives examples of software implementing fuzzy logic tasks.
Аннотация:Рассматривается задача планирования технического обслуживания и ремонта судов, приводятся примеры приме-нения нечетких запросов к реляционным БД, проводится анализ возможности их использования в рассмотренной задаче. Раскрывается понятие теории нечетких множеств, приводятся виды разнородной информации, описываются понятия нечеткой и лингвистической переменных, анализируется актуальность использования нечетких запросов к реляционным БД. Описываются понятие и задачи технического обслуживания и ремонта, рассматривается возможность применения в них нечетких запросов к реляционным БД, сравниваются результаты четких и нечетких запросов, применяемых в одной задаче. Приводятся примеры программных средств, реализующих задачи нечеткой логики.
Authors: (dkosourov@gmail.com) - , Russia
Keywords: repair, maintenance service, planning, fuzzy logic, fuzzy queries
Page views: 13444
Print version
Full issue in PDF (7.68Mb)
Download the cover in PDF (1.35Мб)

Font size:       Font:

Решение задачи прогнозирования изменения важнейших показателей состояния эксплуатируемого объекта или процесса его ремонта позволяет проводить полноценный анализ наиболее вероятной производственной ситуации и принимать соответствующие управленческие решения.

При оценке технического состояния судов до последнего времени использовались методы, основанные на физико-техническом и технико-эко­номическом подходах. Необходимость одновременного учета факторов, имеющих различную природу, а также развитие методов на основе теории нечетких множеств привели к появлению различных подходов, учитывающих наличие дефицита информации. Быстрое развитие и проникновение во все сферы деятельности информационных технологий, использующих большие возможности компьютерной техники, породили информационно-технический подход к решению ряда задач. Информационные технологии расширили возможности прогнозирования, оптимизации и автоматизации процесса эксплуатации и ремонта судов.

Отличительной чертой большинства судовых объектов является наличие значительного числа параметров, изменения которых достаточно сложно контролировать, что порождает проблему дефицита информации [1]. Это усложняет процесс прогнозирования состояния данных объектов. Решение этой проблемы необходимо в любой системе, предназначенной для прогнозирования состояния сложных технических объектов и процессов восстановления их работоспособности.

Теория нечетких множеств – это расширение классической теории множеств. В классической теории множеств принадлежность элементов некоторому множеству понимается в бинарных терминах в соответствии с четким условием: элемент либо принадлежит, либо не принадлежит данному множеству. В теории нечетких множеств допускается градуированное понимание принадлежности элемента множеству; степень принадлежности элемента описывается при помощи функции принадлежности.

Переход от принадлежности элементов заданному множеству к непринадлежности их этому множеству происходит или может происходить постепенно, не резко. Это значение меняется от 0 (полная непринадлежность) до 1 (полная принадлежность).

Для реальных сложных систем характерно наличие одновременно разнородной информации [2]: точечных замеров и значений параметров, допустимых интервалов их изменения, статистических законов распределения для отдельных величин, лингвистических критериев и ограничений, полученных от специалистов-экспертов, и т.д.

Наличие в сложной многоуровневой иерархической системе управления одновременно различных видов неопределенности делает необходимым использование для принятия решений теории нечетких множеств, которая позволяет адекватно учитывать имеющиеся виды неопределенности.

Соответственно и вся информация о режимах функционирования подсистем, областях допустимости и эффективности, целевых функциях, предпочтительности одних режимов работы другим, о риске работы на каждом из режимов для подсистем и т.д. должна быть преобразована к единой форме и представлена в виде функций принадлежности. Такой подход позволяет свести воедино всю имеющуюся неоднородную информацию: детерминированную, статистическую, лингвистическую и интервальную.

Эффективность решения проблемы дефицита информации может быть существенно повышена путем объединения подхода, основанного на теории нечетких множеств, с методом экспертных оценок и использования специальных объектно-ориентированных математических моделей.

Актуальным является создание алгоритма, эффективно сочетающего в себе перечисленные подходы, что может существенно повысить качество и гибкость процесса прогнозирования.

Техническое обслуживание (ТО) и ремонт – это составная часть технической эксплуатации. Суда считаются технически исправными, если удовлетворяют требованиям органов надзора и могут использоваться по прямому назначению с техни- ко-эксплуатационными показателями, предусмотренными технической документацией. Целью функционирования подсистемы «Техническое обслуживание и ремонт» является поддержание и восстановление исправности судов в течение всего срока их службы при минимальных затратах. Эта подсистема включает задачи по оценке технического состояния судов, его контролю, по разработке и внедрению систем технической диагностики, определению структуры ТО и ремонту судов, а также по организации ТО и ремонта [3].

Во всех этих задачах можно использовать теорию нечетких множеств. Как правило, численные характеристики надежности судов и их агрегатов, такие как пробег и износ, являются точными, то есть ответственный за техническое состояние судна принимает решение о ремонте судна, если пробег силового агрегата составил 5 000 км. Использование же теории нечетких множеств позволяет определить необходимость ремонта заранее. Например, силовой агрегат с пробегом в 1 000 км относится к группе нуждающихся в ремонте со степенью 0,1, в 2 000 км – 0,2, в 4 000 – 0,8 и со степенью 1 в случае пробега в 5 000 км. Внедрение нечетких множеств в АСУ ТО и ремонтом позволяет автоматизировать прогнозирование необходимости отказов и ремонта.

Теорию нечетких множеств можно использовать и в запросах к реляционным БД. Часто возникает необходимость создать выборку агрегатов, не только нуждающихся в срочном ремонте, но и тех, кому ремонт будет необходим в ближайшее время.

Продемонстрируем ограниченность четких запросов на следующем примере. Пусть требуется получить сведения о кораблях не новее 5 лет, у которых пробег составляет более 200 000 км. Данный запрос можно записать на языке SQL следующим образом:

SELECT Name FROM SHIPS WHERE (SHIPS.AGE ³ 5 AND SHIPS.MILEAGE > 200 000)

Корабль со сроком эксплуатации 4,5 года с пробегом в 198 000 км не попадет в результат запроса, хотя его характеристики почти удовлетворяют требованиям запроса и даже возможно, что полностью попадут в него еще до следующего периода планирования ремонта.

Нечеткие запросы помогают справиться с подобными проблемами неполноты информации.

Для описания нечетких множеств вводятся понятия нечеткой и лингвистической переменных.

Нечеткая переменная описывается набором (N, X, A), где N – название переменной; X – универсальное множество (область рассуждений); A – нечеткое множество на X.

Значениями лингвистической переменной могут быть нечеткие переменные, то есть лингвистическая переменная находится на более высоком уровне, чем нечеткая переменная. Состав каждой лингвистической переменной:

–      название;

–      множество своих значений, которое также называется базовым терм-множеством T (элементы базового терм-множества представляют собой названия нечетких переменных);

–      универсальное множество X;

–      синтаксическое правило G, по которому генерируются новые термы с применением слов естественного или формального языка;

–      семантическое правило P, которое каждому значению лингвистической переменной ставит в соответствие нечеткое подмножество множест- ва X.

Механизм работы нечетких запросов основан на теории нечетких множеств и ее понятиях, описанных выше. Рассмотрим наиболее распространенные способы генерации новых лингвистических термов на основе базового терм-множества. Это полезно для построения разнообразных семантических конструкций, которые усиливают или ослабляют высказывания, например, «очень высокая цена», «приблизительно среднего возраста» и т.д. Для этого существуют лингвистические модификаторы (linguistic hedges), усиливающие или ослабляющие высказывание. К усиливающим относится модификатор «Очень» (VERY), к ослабляющим – «Более-или-менее» или «Приблизительно», «Почти» (MORE-OR-LESS), нечеткие множества которых описываются функциями принадлежности вида MFVERY(X)=(MF(X))2; MFMORE–OR–LESS(X)= =.

Для примера формализуем нечеткое понятие «Возраст корабля». Это и будет названием соответствующей лингвистической переменной. Зададим для нее область определения X=[0; 50] и три лингвистических терма: «Малый», «Средний», «Большой». Осталось только построить функции принадлежности для каждого лингвистического терма.

Выберем трапецеидальные функции принадлежности со следующими координатами:

«Малый»=[0, 5, 10, 15], «Средний»=[12, 15, 20, 30], «Большой»=[25, 35, 40, 50].

В заключение определим операцию нечеткого отрицания (NOT): MF[NOT](X)=1–MF(X).

Приведенных выше сведений достаточно для построения и выполнения нечетких запросов.

Остановимся на примере. Для простоты предположим, что вся необходимая информация находится в одной таблице со следующими полями: ID – номер корабля, AGE – возраст и MILEAGE – пробег:

ID

AGE

MILEAGE

1

5

120 500

2

10

164 000

3

15

398 000

4

20

489 700

5

35

251 900

Лингвистическая переменная «Возраст» была задана ранее. Определим еще одну лингвистическую переменную для поля MILEAGE с областью определения X=[0; 600 000] и термами «Малый», «Средний» и «Большой» и аналогично построим для них функции принадлежности: «Малый»=[0, 0, 0, 200 000], «Средний»=[90 000, 180 000, 265 000, 330 000], «Большой»=[300 000, 420 000, 600 000, 600 000].

К такой таблице можно делать нечеткие запросы. Например, получить список всех новых кораблей с большим пробегом, что на SQL-подобном синтаксисе запишется так:

SELECT * FROM SHIPS WHERE (AGE = «Малый» AND MILEAGE = «Большой»)

Рассчитав для каждой записи агрегированное значение функции принадлежности MF (при помощи операции нечеткого «И»), получим результат нечеткого запроса:

ID

AGE

MILEAGE

MF

3

15

398 000

0,82

4

20

489 700

0,50

Записи 1, 2, 5 не попали в результат запроса, так как для них значение функции принадлежности равно нулю. Записей, точно удовлетворяющих поставленному запросу (MF=1), здесь не нашлось. Корабль со сроком эксплуатации 15 лет и с пробегом 398 000 км соответствует запросу с функцией принадлежности 0,82. На практике обычно вводят пороговое значение функции принадлежности, при превышении которого записи включаются в результат нечеткого запроса.

Аналогичный четкий запрос можно было бы сформулировать, например, так:

SELECT * FROM SHIPS WHERE (AGE£30 AND MILEAGE³420 000)

Его результат является пустым. Однако, если мы немного расширим рамки возраста в запросе, рискуем упустить другие корабли с чуть более большим или меньшим возрастом. Поэтому можно сказать, что нечеткие запросы позволяют расширить область поиска в соответствии с изначально заданными человеком ограничениями.

Используя нечеткие модификаторы, можно формировать и более сложные запросы:

SELECT * FROM SHIPS WHERE (AGE = «Более-или-менее Средний» AND MILEAGE = «Сред­ний»)

Результат:

ID

AGE

MILEAGE

MF

5

35

251 900

0,85

Недостатком нечетких запросов является относительная субъективность функций принадлежности.

В заключение следует обратить внимание на программные средства, позволяющие реализовать систему нечетких запросов к реляционным БД. В настоящее время активно формируется мировой рынок коммерческих программных продуктов для работы с нечеткой логикой. На нем представлено более 100 пакетов прикладных программ, которые в той или иной мере используют нечеткую логику. Лидерами в данной области являются несколько компаний-разработчиков ПО. Их инструментальные средства ориентированы на применение нечеткой логики в максимальном количестве областей и приложений. Это пакеты CubiCalc (фирма Hyper Logic), FuzzyTECH (Inform Software), FIDE (Ap-tronix), пакеты расширения к MatLab: Fuzzy Logic Toolbox (поставляется с MatLab) и FlexTool for MATLAB (компания Cynap Sys), а также пакет JFS (разработчик Ян Мортенсен) и др.

Основным общим недостатком перечисленных программных средств является их довольно высокая стоимость [4].

В статье рассмотрена задача планирования ТО и ремонта судов, приведены примеры применения нечетких запросов к реляционным БД, проанализированы возможности их использования в поставленной задаче. Путем сравнительного противопоставления четких и нечетких запросов ус- тановлено, что для задачи планирования ТО и ремонта судов применение нечетких запросов целесообразно в случаях, когда невозможно сгруппировать данные по четким характеристикам. Примеры, приведенные в статье, показывают, что даже численные значения могут оцениваться неоднозначно. Однако необходимо отметить и недостаток применения нечетких запросов: принадлежность выборки к искомой группе относительно субъективна. Эта субъективная оценка параметров закладывается программистом, поэтому уже с этапа разработки постановки задачи требуется усиленный контроль работы специалистом в области ТО и ремонта судов.

Литература

1.     Малыхина И.В. Информационное обеспечение процесса прогнозирования при управлении техническим состоянием судовых конструкций на основе аппарата теории нечетких множеств: дис. …канд. техн. наук. СПб: СПб гос. ун-т водн. коммуникаций, 2006. 179 с.

2.     Ярушкина Н.Г. Основы теории нечетких и гибридных систем. М.: Финансы и статистика, 2004. 320 с.

3.     Пальчик К.Б., Марков С.В. Основы технической эксплуатации флота и судоремонт: Консп. лекц. Новороссийск: МГА им. адм. Ф.Ф. Ушакова, 2008. 82 с.

4.     Атанов С.К. Программные средства реализации адаптивных моделей с нечеткой логикой. URL: http://do.gendocs.ru/ docs/index-82232.html (дата обращения: 19.02.2013).

References

1.  Malykhina I.V.,  Ph.D. Theses,  St. Petersburg,  Admiral Makarov State University of Maritime and Inland Shipping, 2006, 179 p.

2.  Yarushkina N.G.,  Osnovy teorii nechyotkikh i gibridnykh system  [Fundamental of fuzzy and hybrid systems], Moscow, Finansy i statistika, 2004, 320 p.

3.  Palchik K.B., Markov S.V.,  Lektsii  [Lectures], No-vorossiysk, Admiral Ushakov Maritime State Academy, 2008, 82 p.

4.  Atanov S.K.,  Programmnye sredstva realizatsii  adaptiv-nykh modeley s nechyotkoy logikoy  [Software of fuzzy logic adap-tive models implementation],  Available  at:  http://do.gendocs.ru/docs/index-82232.html (accessed 19 Feb. 2013).


Permanent link:
http://swsys.ru/index.php?page=article&id=3454&lang=en
Print version
Full issue in PDF (7.68Mb)
Download the cover in PDF (1.35Мб)
The article was published in issue no. № 2, 2013 [ pp. 21-24 ]

Perhaps, you might be interested in the following articles of similar topics: