@ -59,7 +59,7 @@ We propose using data-based management by forming a data meta-model of the integ
%
%
\section{Introduction}
На сегодняшний день многие крупные производства используют PLM системы для управления жизненным циклом изделий. PLM системы используются для осуществления контроля потоков данных на производстве, включая решение таких задач как хранение, интеграцию, поддержание в актуальном состоянии данных в каждой информационной подсистеме, входящей в комплекс. Ключевую роль в этом выполняет шина данных [2]. В каждом комплексе систем шина данных имеет свои особенности реализации [3]. Однако общей особенностью интеграции на основе шин данных является использование взаимодействия, основанного на правилах. Для настройки взаимодействия между подсистемами аналитик выполняет:
На сегодняшний день многие крупные производства используют PLM системы \cite{Terzi-2010}для управления жизненным циклом изделий. PLM системы используются для осуществления контроля потоков данных на производстве, включая решение таких задач как хранение, интеграцию, поддержание в актуальном состоянии данных в каждой информационной подсистеме, входящей в комплекс. Ключевую роль в этом выполняет шина данных \cite{Menge-2007}. В каждом комплексе систем шина данных имеет свои особенности реализации \cite{Swedenko-2016}. Однако общей особенностью интеграции на основе шин данных является использование взаимодействия, основанного на правилах. Для настройки взаимодействия между подсистемами аналитик выполняет:
\begin{itemize}
\item построение модели поведения информационной системы,
\item выявление ключевых признаков,
@ -75,16 +75,70 @@ We propose using data-based management by forming a data meta-model of the integ
\label{fig:state}
\end{figure}
На рисунке представлены основные состояния интегрируемой ИС, используемые в данной работе. Так S1 — работоспособное состояние системы, S2 — неработоспособное состояние системы или состояние отказа, S3 — предельное состояние системы [источник]. Под работоспособным состоянием системы понимается такое состояние, когда система продолжает выполнять свои основные задачи, при этом данные системы соответствуют. Под предельным состоянием системы понимается такое состояние системы, когда система продолжает выполнять свои основные задачи, при этом данные системы находятся в пограничном состоянии. Под неработоспособным состоянием системы или состоянием отказа понимается такое состояние системы, когда система не может продолжать выполнение основных задач и требуется вмешательство ЛПР. Находясь в состоянии S1 и S3, система может перейти в состояние отказа, поэтому основная цель управления состоит в поддержании системы в состоянии S1 и возможности возврата в это состояние без рисков, в случае, если система перешла в состояние S3.
На рисунке представлены основные состояния интегрируемой ИС, используемые в данной работе. Так S1 — работоспособное состояние системы, S2 — неработоспособное состояние системы или состояние отказа, S3 — предельное состояние системы \cite{Checkal-2012}. Под работоспособным состоянием системы понимается такое состояние, когда система продолжает выполнять свои основные задачи, при этом данные системы соответствуют. Под предельным состоянием системы понимается такое состояние системы, когда система продолжает выполнять свои основные задачи, при этом данные системы находятся в пограничном состоянии. Под неработоспособным состоянием системы или состоянием отказа понимается такое состояние системы, когда система не может продолжать выполнение основных задач и требуется вмешательство ЛПР. Находясь в состоянии S1 и S3, система может перейти в состояние отказа, поэтому основная цель управления состоит в поддержании системы в состоянии S1 и возможности возврата в это состояние без рисков, в случае, если система перешла в состояние S3.
Стоит отдельно рассмотреть процесс, когда взаимодействие интегрируемой ИС и всего комплекса PLM обеспечивается участием оператора. В этом процессе в настоящее время объем работ оператора для настройки взаимодействия, отображения данных, поддержания системы в работоспособном состоянии достаточно велик. Роль оператора в данном процессе отображена на рисунке~\ref{fig:interaction}.
\caption{Процесс организации взаимодействия и поддержания системы в состоянии работоспособности с участием человека}
\label{fig:interaction}
\end{figure}
Аналитик должен учитывать изменения структуры данных интегрируемой ИС. Оператор отслеживает возможные риски, связанные с обеспечением соответствия данным комплекса PLM. ЛПР принимает решения относительно возможной минимизации рисков. Предлагается подход, позволяющий снизить нагрузку как на аналитика, обеспечивающего настройку взаимодействия и отображения данных, так и на оператора, участвующего в обеспечении актуальности структур данных, и ЛПР, участвующего в принятии важных решений, связанных с возможными рисками на производстве.
\subsection{Обзор существующих методов и подходов к управлению}
В настоящее время подходы к управлению производственными ИС раскрываются в следующих источниках: \cite{Feng-2006,Sudarsan-2005,Alahi-2023,Sacks-2020,Cimini-2020,Hou-2009}. В источниках \cite{Feng-2006,Sudarsan-2005,Sacks-2020} предлагается использовать модель интегрируемой ИС. Данные подходы напрямую зависит от точности и полноты модели, однако формирование модели реализуется либо аналитиком \cite{Feng-2006,Sacks-2020}, либо автоматически \cite{Sudarsan-2005}, что не всегда гарантирует адекватность и точность модели. В источнике \cite{Feng-2006} представлено классическое управление на основе модели процессов и данных информационной системы, где роль аналитика велика. В источнике \cite{Sudarsan-2005} предлагается использовать фреймворк для формирования модели. Не смотря на то, что процесс формирования модели происходит автоматически, управляющий компонент всё ещё зависит от точности и полноты модели. В источнике \cite{Alahi-2023} предлагается использовать обучающую выборку и машинное обучение без учителя. Однако в зависимости от полноты и качества данных выборки зависит формируемая модель интегрируемой ИС, что зачастую может привести к неверному истолкованию результатов прогнозирования механизмов управления, в случае если данные имеют ошибки или сильно зашумлены.
В источнике \cite{Sacks-2020} предлагается подход цифровых двойников. Несмотря на преимущества данного подхода в целом, применительно к поставленной задаче, а именно интеграция информационных систем, отображение данных и снижение трудозатрат аналитика, оператора и ЛПР, подход цифровых двойников требует дополнительный качественный анализ и построение модели информационной системы, что приводит к увеличению нагрузки на аналитика.
В источнике \cite{Cimini-2020} описан подход к управлению human-in-the-loop. Основная идея данного подхода заключается в полном контроле поведения системы управления со стороны человека и сводится к машинному обучению с учителем. Данный подход является наиболее безопасным с точки зрения предупреждения рисков, связанных с производством, но более комплексным и требующим участия ЛПР на всех этапах жизненного цикла управляющей системы, начиная с формирования обучающей выборки, и заканчивая контролем поведения управляющей системы.
Таким образом, предлагается использовать подход управления на основе данных \cite{Hou-2009}. Предполагается снижение трудозатрат аналитика и оператора за счет выполнения задачи интеграции и частично задачи управления интегрируемой ИС разработанной управляющей системой. Подход управления на основе данных подразумевает:
\begin{enumerate}
\item выполнение моделирования системы, но не в классическом понимании\cite{Feng-2006}, а за счет формирования метамодели данных интегрируемой ИС на основе анализа ее хранилища;
\item отображение данных при интеграции систем PLM и интегрируемой ИС предприятия за счет использования базы правил поведения интегрируемой ИС;
\item снижение рисков перехода в состояние отказа \ref{fig:state} и поддержание системы в работоспособном состоянии без участия в данном процессе ЛПР.
\end{enumerate}
\subsection{Обзор существующих подходов к формированию баз правил}
Для решения задачи предлагается использовать продукционную модель базы правил. Классические нечеткие системы основаны на подходе Мамдани \cite{Mamdani-1974}. В таких системах существует 2 модуля преобразования обычных данных в нечеткие. Модуль фаззификации устанавливает соответствие между раальными значениями входных данных и нечеткими значениями, основываясь на функции принадлежности. С другой стороны, модуль дефаззификации устанавливает соответствие между нечеткими значениями и реальными значениями выходных данных предметной области. Нечеткие базы правил (системы, основанные на нечетких правилах) основаны на принципе преобразования четких значений в нечеткие. Правила в данном случае представляют собой множество лингвистических термов и выходные данные ассоциируются с ними, например, правило может иметь несколько входных данных и только определенное значение выходного параметра. Существует несколько вариантов классической системы, основанной на нечетких правилах:
\begin{enumerate}
\item Система, основанная на нечетких правилах Мамдани \cite{Gonsales-1994}. Каждая переменная правила представляет собой значение из множества лингвистических термов, например. Если $X_i$ -- переменная, представленная множеством $\{l_1,l_2,l_3\}$, тогда в переменной правила $X_i$ может быть представлена как $\{l_1,l_2\}$. Переменная может принадлежать набору лингвистических терминов в правиле. Это помогает сократить количество правил, чтобы избежать проблемы увеличения размера самой базы. Таким образом, правило может иметь вид: $x_1=\{l_{11},l_{12}\}\wedge x_2=\{l_{23}\}\wedge ... \wedge x_n=\{l_{n1},l_{n2}\}\rightarrow y = Y$.
\item Приближенные системы, основанные на нечетких правилах Мамдани~\cite{Duckstein-1995}. Такие системы включают в себя несколько элементов наборов терминов, которые могут снизить интерпретируемость вывода. Системы способны добиться большей точности ценой потери интерпретируемости. Каждое правило имеет свой собственный нечеткий набор вместо использования лингвистических терминов. Этот подход генерирует семантически свободные правила и обладает более высокой выразительностью благодаря использованию различных нечетких множеств в каждом правиле. Он может принимать разное количество правил в зависимости от сложности проблемы. Что касается недостатков, подобные системы страдают от потери интерпретируемости, а также они могут переопределять обучающие данные и плохо работать в случае невидимых данных.
\item Системы классификации на основе нечетких правил \cite{Chi-1996}. Система классификации на основе нечетких правил — это система, которая использует нечеткие правила в качестве средства обучения. В классических системах, основанных на нечетких правилах Мамдани, входные данные сопоставляются с обычно одномерным выходом, но в данном случае входные данные сопоставляются с одной из меток класса. Структура правила выглядит следующим образом: $x_1= l_{1i}\wedge x _2= l_{2i}\wedge ... \wedge x_n = l_{ni}\rightarrow y = c$.
\end{enumerate}
Существуют варианты неклассических систем, основанных на нечетких правилах:
\begin{enumerate}
\item Иерархические нечеткие системы \cite{Razak-2021} состоят из нескольких низкоразмерных нечетких систем, расположенных иерархическим образом. Правила в иерархических нечетких системах сгруппированы в модули в соответствии с их ролями в системе. Каждый модуль вычисляет частичное решение, которое далее передается на модули следующего уровня. Хотя каждый модуль представляет собой нечеткую систему, он генерирует значительно меньшее количество правил, чем плоская нечеткая система. Несмотря на широкое распространение применения иерархических баз правил при работе с big data, существует ряд недостатков подобных систем. В статье \cite{Zhang-2014} приведены примеры оптимизации иерархических нечетких систем с помощью генетического алгоритма. В статье \cite{Duan-2001} приведены примеры оптимизации каскадных иерархических нечетких систем с использованием нейронных сетей, однако из-за того, что предложенный метод задействует все входные переменные, теряется преимущество сокращения количества правил.
\item Нейро-нечеткие системы \cite{Jang-1991} представляют собой слияние систем, основанных на нечетких правилах, с искусственными нейронными сетями. Основная идея систем состоит в способности принятия решений на основе заданных правил и обучения за счет использования нейронных систем. База правил является плоской (одноразмерной, в отличии от иерархических нечетких систем), что увеличивает размеры самой базы правил, но упрощает процесс обучения нейронной сети в процессе работы системы управления. Нейро-нечеткие системы состоят из двух модулей, первый отвечает за настройку и структурирование условия правила, а второй отвечает за формирование следствия. Нейронная сеть на основе существующих правил, принимая входные данные, наистраивает условие правила и частично вычисляет функцию принадлежности, соответствующую нечеткому множеству входных данных. На втором этапе происходит вычисление следствия правила от нечеткого множества следствий до точных значений вывода.
\item Эволюционные нечеткие системы \cite{Komartsova-2011}. Для решения задачи формирования базы правил используются генетические алгоритмы. Отличие данного типа нечетких баз правил состоит в том, что она самообучаема и самооптимизируема. Реализация этого подхода выполняется в два этапа:
\begin{itemize}
\item на первом этапе генетический алгоритм (ГА) используется для нахождения кандидатов нечетких правил в базе знаний;
\item на втором этапе с помощью ГА выполняется процедура оптимизации базы знаний с целью исключения из рассмотрения худших правил, мало влияющих на получение окончательного решения.
\end{itemize}
\end{enumerate}
Для решения задачи исследования в организации данных было принято решение объединить подходы иерархической нечеткой базы правил и нейро-нечетких баз правил с выводом результата, основанном на нечетких правилах Мамдани, с использованием подхода эволюционного алгоритма для формирования правил на основе изменений метамодели.
Таким образом, база правил будет построена как показано на рисунке \ref{fig:kb-structure}.
\caption{Структура гибридной базы с нечетким логическим выводом}
\label{fig:kb-structure}
\end{figure}
Таким образом, согласно диаграмме база знаний состоит из нескольких уровней условий, учитывающих возможные изменения в метамодели и в базе данных интегрируемой информационной системы, и нескольких уровней следствий, формирующих четкий логический вывод на основе лингвистического представления правил в базе правил.
\begin{credits}
\subsubsection{\ackname} This study was supported the Ministry of Science and Higher Education of Russia in framework of project No. 075-03-2023-143 "The study of intelligent predictive analytics based on the integration of methods for constructing features of heterogeneous dynamic data for machine learn-ing and methods of predictive multimodal data analysis".
\end{credits}
@ -98,6 +152,71 @@ We propose using data-based management by forming a data meta-model of the integ
%\bibliography{mybibliography}
%
\begin{thebibliography}{8}
\bibitem{Terzi-2010}
Terzi S., Bouras A., Dutta D., Garetti M., Kiritsis D. Product Lifecycle Management — from its History to its New Role. International Journal Product Lifecycle Management, 2010, vol. 4, no. 4, pp. 360–389.
\bibitem{Menge-2007}
Menge F. Enterprise Service Bus. Free and Open Source Software Conference, 2007. Available at: https://programm.froscon.org/2007/attachments/15-falko\_menge\_-\_enterpise\_service\_bus.pdf
\bibitem{Swedenko-2016}
Шведенко В. Н., Щекочихин О. В. Архитектура интегрированной информационной системы, обеспечивающая свойство поведения (In russian) //Научно-технический вестник информационных технологий, механики и оптики. – 2016. –Т. 16. – №. 6. –С. 1078-1083.
\bibitem{Checkal-2012}
Чекал Е. Г. Надежность информационных систем : учебное пособие : в 2 ч. Ч. 1 (In russian) / Е. Г. Чекал, А. А. Чичев. – Ульяновск : УлГУ, 2012. – 118 с.
\bibitem{Feng-2006}
Feng G. A survey on analysis and design of model-based fuzzy control systems //IEEE Transactions on Fuzzy systems. – 2006. –Т. 14. – №. 5. –С. 676-697.
\bibitem{Sudarsan-2005}
R. Sudarsan, S.J. Fenves, R.D. Sriram, F. Wang, A product information modeling framework for product lifecycle management / Computer-Aided Design 37 (2005) 1399–1411
\bibitem{Alahi-2023}
Alahi MEE, Sukkuea A, Tina FW, Nag A, Kurdthongmee W, Suwannarat K, Mukhopadhyay SC. Integration of IoT-Enabled Technologies and Artificial Intelligence (AI) for Smart City Scenario: Recent Advancements and Future Trends. Sensors. 2023; 23(11):5206. https://doi.org/10.3390/s23115206
\bibitem{Sacks-2020}
Sacks R, Brilakis I, Pikas E, Xie HS, Girolami M. Construction with digital twin information systems. Data-Centric Engineering. 2020;1:e14. doi:10.1017/dce.2020.16
\bibitem{Cimini-2020}
Ch. Cimini, F. Pirola, R. Pinto, S. Cavalieri, A human-in-the-loop manufacturing control architecture for the next generation of production systems // Journal of Manufacturing Systems. - 2020. - vol. 54. - pp. 258-271
\bibitem{Hou-2009}
Hou Z.S., Xu J.X. On Data-driven Control Theory: the State of the Art and Perspective. Acta Automatica Sinica, 2009, vol. 35, no. 6, pp. 650–667.
\bibitem{Mamdani-1974}
Mamdani, E.H.: Application of fuzzy algorithms for control of simple dynamic plant. In: Proceedings of the Institution of Electrical Engineers, vol. 121, pp. 1585–1588. IET (1974).
\bibitem{Gonsales-1994}
Gonza´lez, A., Pe´rez, R., Verdegay, J.L.: Learning the structure
of a fuzzy rule: a genetic approach. Fuzzy Syst. Artif. Intell.
3(1), 57–70 (1994)
\bibitem{Duckstein-1995}
Duckstein, L., et al.: Fuzzy Rule-Based Modeling with Applications to Geophysical, Biological, and Engineering Systems, vol. 8. CRC Press, Boca Raton (1995)
\bibitem{Chi-1996}
Chi, Z., Yan, H., Pham, T.: Fuzzy Algorithms: With Applications to Image Processing and Pattern Recognition, vol. 10. World Scientific, Singapore (1996)
\bibitem{Razak-2021}
Razak, T.R., Fauzi, S.S.M., Gining, R.A.J., Ismail, M.H., Maskat, R.: Hierarchical fuzzy systems: interpretability and complexity. Indones. J. Electr. Eng. Inform. 9(2), 478–489 (2021)
\bibitem{Zhang-2014}
Zhang, X., Onieva, E., Perallos, A., Osaba, E., Lee, V.C.: Hierarchical fuzzy rule-based system optimized with genetic algorithms for short term traffic congestion prediction. Transport. Res. C: Emerg. Technol. 43, 127–142 (2014)
\bibitem{Duan-2001}
Duan, J.-C., Chung, F.-L.: Cascaded fuzzy neural network model based on syllogistic fuzzy reasoning. IEEE Trans. Fuzzy Syst. 9(2), 293–306 (2001)
\bibitem{Jang-1991}
Jang, J.-S.R., et al.: Fuzzy modeling using generalized neural networks and Kalman filter algorithm. AAAI 91, 762–767 (1991)
\bibitem{Komartsova-2011}
Комарцова Л. Г. Эволюционные методы формирования нечетких баз правил. – 2011.
\bibitem{Kamaletdinova-2024}
ЛР Камалетдинова, АА, Романов Моделирование управляющей системы // System Analysis \& Mathematical Modeling. - 2024. - Т.6. - №1. - С. 60-77
