Journal of KONES Powertrain and Transport, Vol. 15, No. 4 2008 KNOWLEDGE ACQUISITION FOR MARINE DIESEL ENGINE DIAGNOSIS Rafa Pawletko Gdynia Maritime University, Faculty of Marine Engineering Morska Street 83, 81-225 Gdynia, Poland tel.: +48 58 6901305 e-mail: pawletko@am.gdynia.pl Abstract In the paper conception of marine diesel engine diagnostic system based on expert system model was presented. The first stage of research relevant to knowledge acquisition for this system was done, knowledge data set was built and general structures of the expert system was proposed. Basic sources of knowledge which can be used for construction of knowledge data set are also identified. The basic knowledge related to the diesel diagnostic was undertaken from experts and diagnostic data base. The paper questionnaire was used to the knowledge acquisition from experts. The basic knowledge related to the marine diesel exploitation was undertaken. Those expert knowledge covers the weakness point of engine, the kind of faults and diagnostic relation between faults and their symptoms. The group of experts was contained the experienced merchant navy officers. The rule induction algorithms was used to knowledge acquisition from data base. During the experiment efficiency of LEM induction algorithms was compared to new MODLEM algorithms. Training and test data were acquired from experiment on marine engine Sulzer 3AL 25/30. 10-fold cross validation method was used to estimation classification efficiency for different rule induction algorithms. Tested automatic induction algorithms can be used for knowledge acquisition from diagnostic data base for marine diesel engine diagnostic system. Keywords: technical diagnostic, expert systems, combustion engines, expert knowledge acquisition POZYSKIWANIE WIEDZY DLA POTRZEB DIAGNOZOWANIA OKRTOWEGO SILNIKA SPALINOWEGO Streszczenie W artykule przedstawiono koncepcj systemu diagnostycznego okrtowego silnika tokowego opart na modelu systemu ekspertowego. Zrealizowano pozyskiwanie wiedzy diagnostycznej, opracowano baz wiedzy oraz zaproponowano ogóln struktur systemu. Wiedza dla ekspertowego systemu diagnozowania silnika okrtowego zostaa pozyskana od ekspertów (specjalistów w dziedzinie eksploatacji) oraz z diagnostycznych baz danych. Do pozyskiwania wiedzy od ekspertów zastosowano wywiad kwestionariuszowy. Grup ekspertów stanowili dowiadczeni oficerowie mechanicy floty handlowej. Podjto prób pozyskania podstawowej wiedzy z dziedziny eksploatacji silników obejmujc relacje diagnostyczne, umoliwiajce ocen stanu technicznego. Pozyskiwanie wiedzy z baz danych przeprowadzono z wykorzystaniem indukcyjnych metod uczenia maszynowego. Dane uczce dla algorytmów indukcji zostay zgromadzone w wyniku realizacji eksperymentu czynnego na silniku Sulzer 3Al 25/30. Porównano wyniki klasyfikacji stanów silnika uzyskane za pomoc algorytmów LEM2 oraz MODLEM. Oceny jakoci dziaania poszczególnych klasyfikatorów dokonano technik 10-fold cross vallidation. Badane algorytmy automatycznej indukcji, mog by wykorzystywane do pozyskiwania wiedzy z baz danych, dla potrzeb diagnostycznego systemu ekspertowego. Sowa kluczowe: diagnostyka techniczna, systemy ekspertowe, silniki spalinowe, pozyskiwanie wiedzy ekspertowej 1. Wprowadzenie Rozwój systemów diagnozowania okrtowych silników tokowych jest istotnym zagadnieniem, zarówno z punktu widzenia bezpieczestwa statku jak i uzyskania bezporednich korzyci ekonomicznych. Istnieje obecnie szereg metod oraz systemów diagnozowania silników
R. Pawletko okrtowych, opracowanych zarówno przez orodki badawcze, jak i producentów silników. Gówn wad wikszoci tych rozwiza jest to, e s to systemy zamknite. Oznacza to, e algorytmy oceny stanu technicznego zaimplementowane na etapie tworzenia systemu, nie mog by rozwijane oraz modyfikowane w czasie póniejszej eksploatacji. Rozwizaniem tego problemu moe by wykorzystanie systemu ekspertowego do diagnozowania silników okrtowych. Moduowa struktura takiego systemu, a przede wszystkim oddzielenie bazy wiedzy od reszty programu, umoliwia opracowanie systemu otwartego, w którym wiedza diagnostyczna moe by w atwy sposób uaktualniania i rozszerzana. W artykule przedstawiono koncepcj systemu diagnostycznego okrtowego silnika tokowego, opart na modelu systemu ekspertowego. Zrealizowano pozyskiwanie wiedzy diagnostycznej oraz opracowano wstpn wersj bazy wiedzy. Wiedza dla systemu zostaa pozyskana od ekspertów (specjalistów w dziedzinie eksploatacji) oraz z diagnostycznej bazy danych. 2. Koncepcja systemu Przyjto nastpujce zaoenia ogólne, dotyczce sposobu dziaania ekspertowego sytemu diagnozowania silnika okrtowego: - uytkownik systemu (oficer mechanik okrtowy) wspópracuje z komputerem w trybie dialogowym, wprowadzajc dane poprzez udzielanie odpowiedzi na pytania generowane przez system, - system moe równie pobiera dane w sposób automatyczny, z okrtowej bazy danych, - system generuje diagnozy w formie stwierdze, o zakwalifikowaniu silnika do okrelonej klasy stanów. Podstawowa rola systemu ekspertowego polega zatem na tym, e na podstawie danych wejciowych (wprowadzonych bezporednio przez uytkownika lub pobranych automatycznie z bazy danych) formuuje diagnozy w postaci stwierdze. Przyjto, moduow architektur systemu. Umoliwia ona midzy innymi atwe rozbudowywanie systemu, poprzez dodawanie nowych elementów oraz dowolne ksztatowanie rónych konfiguracji. System skada si z nastpujcych moduów gównych: - bazy danych (baza danych staych oraz baza danych zmiennych), - bazy wiedzy, - moduu pozyskiwania wiedzy diagnostycznej, - moduu wnioskujcego, - moduu sterowania dialogiem z uytkownikiem. Struktur systemu przedstawiono na rys. 1. Baza wiedzy Modu wnioskowania Bazy danych Modu pozyskiwania wiedzy Interfejs uytkownika Fig. 1. General structure of the expert system Rys. 1. Ogólna struktura systemu ekspertowego 472
Knowledge Acquisition for Marine Diesel Engine Diagnosis System ekspertowy zrealizowano w jzyku CLIPS. Zastosowanie dedykowanego jzyka do tworzenia systemów ekspertowych, umoliwio budow podstawowych bloków systemu w ramach jednolitego rodowiska. Maszyna wnioskujca, ukad sterowania dialogiem z uytkownikiem oraz baza wiedzy s realizowane przez rodowisko CLIPS. 3. Pozyskiwanie wiedzy od specjalistów Celem bada byo pozyskanie wiedzy deklaratywnej, która moe by wykorzystywana do oceny stanu technicznego silnika okrtowego. Pozyskiwanie wiedzy zrealizowano zgodnie z modelem, w którym istotn rol odgrywa programista bazy wiedzy [7]. Rola programisty polegaa przede wszystkim na interpretacji zapisów oraz agregacji wiedzy uzyskanej od specjalistów. Badania obejmoway pozyskanie wiedzy operacyjnej w postaci relacji diagnostycznych typu: uszkodzenie symptomy uszkodzenia. Wraz z wiedz operacyjn pozyskan tzw. wiedz podstawow o dziedzinie zastosowania, konieczn do formalnego zapisu relacji diagnostycznych. Wiedza podstawowa obejmowaa sowniki nazw obiektów, nazw cech obiektów oraz poj niezbdnych do zapisu wiedzy. Do pozyskiwania wiedzy od specjalistów wykorzystano wywiad kwestionariuszowy [5]. Kwestionariusz przygotowano w formie tabeli. List uszkodze opracowano na podstawie bada literaturowych [4, 12]. Pytania w ankiecie miay charakter otwarty, przewidziano równie moliwo rozszerzania listy o nowe uszkodzenia zaproponowane przez eksperta. Kryterium doboru osób biorcych udzia w badaniu byo posiadanie stopnia morskiego przynajmniej II oficera mechanika oraz minimum 2 letni okres praktyki na tym stanowisku. Badanie przeprowadzono na grupie 36 eskpertów. W kwestionariuszu uwzgldniono uszkodzenia nastpujcych ukadów funkcjonalnych silnika: ukad paliwowy; ukad tokowo korbowy; komora spalania; ukad wymiany czynnika roboczego; ukad rozruchowo-nawrotny; ukad chodzenia; ukad oleju smarnego. Zadaniem eksperta byo wskazanie symtpomów uszkodze poprzez wpisanie ich w odpowiedniej rubryce kwestionariusza. W wyniku agregacji wiedzy uzyskano 35 regu diagnostycznych. Byy to reguy o zoonych przesankach, których konkluzje wyraay stwierdzenia dotyczce stanów technicznych wybranych ukadów okrtowego silnika tokowego. Przykadow regu uzyskan w wyniku bada przedstawiono poniej: Regua R1 Uklad: wtryskowy Element: wtryskiwacz Uszkodzenie: zatarcie iglicy wtryskiwacza (wtryskiwacz otwarty) Symptomy: a) srednie cisnienie indykowane - spadek b) max cisnienie spalania - spadek c) zmiana barwy spalin - dymienie d) temperatura spalin na pozostalych cylindrach - wzrost e) max cisnienie wtrysku - spadek 473
R. Pawletko Uzyskany zbiór regu zosta poddany ocenie zgodnie z koncepcj zaproponowan przez W. Moczulskiego [7]. Ocenie byy poddawane pojedyncze reguy poprzez przyporzdkowanie przez specjalist stwiedzenia wyraajcego subiektywny stopie przekonania o susznoci reguy B(r). Przedzia zmiennoci dla stopnia przekonania o susznoci reguy okrelono przez podanie dwóch miar, tj. miary stopnia koniecznoci reguy N(r) oraz stopnia moliwoci reguy P(r). Podczas oceny przyjto zmienne ligwistyczne uatwiajce okrelenie stopnia przekonania. Przedziay zmiennoci przedstawiono w tabeli: Tab. 1. Ranges of rank of beliefs about rule rightness [7] Tab. 1. Przedziay zmiennoci wartoci stopnia przekonania o susznoci reguy [7] Nazwa stopnia przekonania N(r) P(r) Nie rozumiem treci reguy (nie mam zdania) 0 1 Cakowicie si zgadzam 1 1 Prawie cakowicie si zgadzam 0,75 1 Raczej si zgadzam 0,55 1 Raczej si nie zgadzam 0 0,45 Prawie na pewno si nie zgadzam 0 0,25 Cakowicie si nie zgadzam 0 0 W zwizku, e reguy oceniane byy przez czterech ekspertów dokonano agregacji opini ekspertów, zgodnie z zalenoci zaproponowan przez W. Cholew [1]: w( r) NP( r) w ex ex NP ag ( r), (1) w( r) w ex B ( r) gdzie: w(r) waga przypisana stopniowi przekonania o susznoci reguy w bazie wiedzy; w ex waga przypisania opiniom danego eksperta; NP(r) dotychczasowa warto stopnia przekonania osusznoci reguy w przypadku ocenanienej reguy; B ex (r) warto stopnia przekonania o susznoci reguy przypisana regule przez oceniajcego j eksperta. 4. Pozyskiwanie wiedzy z baz danych Celem bada byo uzyskanie regu, umoliwiajcych ocen stanu okrtowego silnika spalinowego, na podstawie informacji o przebiegu eksploatacji zgromadzonych w bazie danych. Zbiór regu uzyskano za pomoc wybranych metod indukcji regu. Porównano wyniki uzyskane klasycznym algorytmem LEM2 [11] z algorytmem MODLEM [11], który umoliwia zastosowanie danych nie poddanych wczeniejszej dyskretyzacji. Oceny przydatnoci algorytmów indukcji regu, dokonano na danych pozyskanych w ramach eksperymentu czynnego na silniku laboratoryjnym. Obiektem bada by czterosuwowy silnik typu Sulzer 3Al 25/30 o mocy nominalnej Nn=408 kw i prdkoci obrotowej n=750 obr/min doadowany turbosprark. Silnik zosta wyposaony w ukad pomiarowy, umoliwiajcy rejestracj podstawowych parametrów roboczych, takich jak cinienia i temperatury spalin, powietrza doadowujcego, wody chodzcej oraz oleju smarnego. Dodatkowo byy mierzone przebiegi cinie szybkozmiennych w cylindrach silnika oraz w przewodach paliwowych. Wszystkie parametry byy automatycznie zapisywane w bazie danych zintegrowanej z systemem pomiarowym. Program bada zrealizowano zgodnie z planem eksperymentu czynnego. Podczas eksperymentu symulowano jeden poziom okrelonego uszkodzenia, nastpnie dokonywano 474
Knowledge Acquisition for Marine Diesel Engine Diagnosis pomiarów wszystkich parametrów, w zakresie pracy silnika od 50 do 250 kw. Dowiadczenie nie uwzgldniao wystpowania wielu uszkodze jednoczenie oraz rónego poziomu natenia danego uszkodzenia. Uwzgldniono nastpujce uszkodzenia silnika: spadek wydajnoci sprarki powietrza, zanieczyszczenie filtra powietrza, zanieczyszczenie chodnicy powietrza, zuycie pompy wtryskowej na cyl. nr 2, zakoksowanie wtryskiwacza na cyl. nr 2, zanieczyszczenie traktu wydechowego. Wyniki pomiarów zostay zarejestrowane w bazie danych a nastpnie przeksztacone do postaci tablicy decyzyjnej. Taka forma reprezentacji danych jest bowiem wymagana przez zastosowane algorytmy indukcji regu. Poszczególne przykady uczce s w takiej sytuacji opisane w wierszach tablicy, za pomoc zbioru atrybutów. Jeden z tych atrybutów jest atrybutem decyzyjnym okrelajcym przynaleno przykadu do okrelonej klasy decyzjnej [11]. Uzyskana tablica zawieraa 215 przykadów uczcych, kady opisany 43 atrybutami typu numerycznego. Przykady obejmoway 6 symulowanych uszkodze silnika. W zwizku z tym, i algorytm LEM2 nie powinien by stosowany bezporednio do danych numerycznych, zastosowano dyskretyzacj wstpn. Dyskretyzacj zrealizowano zarówno metod globaln, jak i metod lokaln. Badane algorytmy indukcji (LEM2 oraz MODLEM) zastosowano zarówno do danych nie poddanych dyskretyzacji, jak i poddanych dyskretyzacji metod lokaln i globaln. Do bada wykorzystano oprogramowanie opracowane przez Zakad Inteligentnych Systemów Wspomagania Decyzji Politechniki Poznaskiej o nazwie ROSE2 [9,10]. 4.1. Ocena wyników eksperymentu Ocena uzyskanych zbiorów regu bya realizowana w perspektywie klasyfikacji. Oznacza to, e kadorazowo na podstawie regu budowano klasyfikator, który by poddawany ocenie. Ocena sprawnoci dziaania klasyfikatora obejmowaa zarówno przykady uczce, które suyy do budowy klasyfikatora, jak i przykady nowe nie znane podczas nauki. Mona w ten sposób zweryfikowa zdolno klasyfikatora do uogólniania pozyskanej wiedzy. Najczciej stosowanym rozwizaniem jest podzia zbioru dostpnych przykadów na cz uczc oraz testujc, suc do estymacji wybranej miary oceny klasyfikatora. Sposób podziau zbioru jest losowy i zaley przede wszystkim od liczby dostpnych przykadów. Na potrzeby pracy zastosowano technik k-fold cross validation. W metodzie tej zbiór przykadów jest losowo podzielony na k podzbiorów U=E1...Ek. W i-tej iteracji (1 i k), zbiór uczcy stanowi zbiór Eu=U\Ei, a sam zbiór Ei jest zbiorem przykadów testowych. Trafno klasyfikowania jest wyliczana jako warto rednia z trafnoci estymowanych w kadej iteracji. Warunkiem stosowania tej techniki jest liczba przykadów powyej 100. Dobór parametru k powinien by uzaleniony od liczebnoci przykadów. Przyjto warto k=10. Uzyskane wyniki potwierdzaj wysok skuteczno algorytmu MODLEM, dla danych nie poddanych wczeniejszej dyskretyzacji. Uzyskana trafno klasyfikacji estymowana technik 10- fold cross validation wyniosa 92%. Trafno klasyfikacji uzyskana algorytmem LEM2 wyniosa w tym przypadku 10%. W przypadku zastosowania dyskretyzacji wstpnej uzyskano zblione, bardzo wysokie, wyniki skutecznoci klasyfikacji dla obydwu algorytmów. Naley równie stwierdzi, e w badanym przypadku, zdecydowanie najlepsze rezultaty uzyskano przy zastosowaniu dyskretyzacji wstpnej metod lokaln. Niewtpliw zalet algorytmu MODLEM w stosunku do LEM2, jest moliwo wykorzystania bezporedniego danych numerycznych, nie poddanych dyskretyzacji wstpnej. Z jednej strony, 475
R. Pawletko upraszcza to sam proces pozyskiwania wiedzy, z drugiej warunkuje bezporednio czytelno i atwo interpretacji uzyskanych regu. Uytkownik systemu ekspertowego ma w takiej sytuacji bezporedni podgld wartoci cech zawartych w przesankach reguy. W tab. 2 przedstawiono liczb regu oraz trafnoci klasyfikacji, uzyskane technik 10-fold cross validation dla badanych algorytmów indukcji regu decyzyjnych. Rodzaj dyskretyzacji wstpnej Bez dyskretyzacji Tab. 2. Classification results receives with LEM2 and MODLEM algorithms Tab. 2. Wyniki klasyfikacji uzyskane algorytmami LEM2 oraz MODLEM Algorytm indukcji regu Ilo uzyskanych Trafno klasyfikacji regu (10-fold cross validation) LEM2 132 10 % MODLEM 9 92 % LEM2 17 97 % Dyskretyzacja wstpna metod lokaln MODLEM 14 97 % Dyskretyzacja LEM2 43 84 % wstpna metod globaln MODLEM 45 79 % 5. Podsumowanie Na podstawie przeprowadzonych bada, dotyczcych pozyskiwania wiedzy dla potrzeb ekspertowego systemu diagnozowania silnika okrtowego, mona stwierdzi: Zbiór regu uzyskany od specjalistów, umoliwia jakociow ocen stanu wybranych ukadów silnika. Opracowane reguy zostay pozytywnie zweryfikowane przez ekspertów. Wszystkie reguy uzyskay oceny cakowicie si zgadzam lub prawie cakowicie si zgadzam. Pozyskiwanie wiedzy od specjalistów, jest mao efektywne i czasochonne. Alternatyw dla mao efektywnych metod pozyskiwania wiedzy od specjalistów s metody umoliwiajce pozyskiwanie wiedzy z baz danych. Algorytmy LEM2 oraz MODLEM mog by wykorzystane do automatycznego pozyskiwania regu diagnostycznych z diagnostycznej bazy danych. rednia trafno klasyfikacji estymowana metod 10-fold cross validation wyniosa 97%. Badane algorytmy automatycznej indukcji regu, mog by wykorzystywane do pozyskiwania wiedzy z baz danych, dla potrzeb diagnostycznego systemu ekspertowego. Literatura [1] Cholewa, W., Diagnostyczny system doradczy DT3D100. Organizacja procesu wnioskowania, Raport czciowy nr DT6D131 z realizacji projektu PBZ-038-06, KPKM Pol. lskiej, Gliwice. [2] Cholewa, W., Metoda diagnozowania maszyn z zastosowaniem zbiorów rozmytych, ZN Pol. lskiej nr 764, Seria, Mechanika z. 79, Gliwice 1983. [3] Cichosz, P., Systemy uczce si. WNT, Warszawa 2007. [4] Grzywaczewski, Z., Niezawodno statków, Wydawnictwa Przemysu maszynowego WEMA, Warszawa 1988. [5] Sobocki, M., Wprowadzenie do metodologii bada pedagogicznych, Oficyna Wydawnicza IMPULS, Kraków 2001. [6] Michalski, R. S., A theory and methodology of inductive learning, Artificial Intelligence 20 pp. 111-161, 1983. 476
Knowledge Acquisition for Marine Diesel Engine Diagnosis [7] Moczulski, W., Metody pozyskiwania wiedzy dla potrzeb diagnostyki maszyn, ZN Pol. lskiej nr 1382, Seria: Mechanika z. 130, Gliwice 1997. [8] Mulawka, J., Systemy ekspertowe, WNT, Warszawa 1996. [9] Predki, B., Slowinski, R., Stefanowski, J., Susmaga, R., Wilk, Sz., ROSE - Software Implementation of the Rough Set Theory, In., L.Polkowski, A.Skowron, eds. Rough Sets and Current Trends in Computing, Lecture Notes in Artificial Intelligence, vol. 1424. Springer- Verlag, Berlin (1998), 605-608. [10] Predki, B., Wilk, Sz., Rough Set Based Data Exploration Using ROSE System. In., Z.W.Ras, A. Skowron, eds. Foundations of Intelligent Systems, Lecture Notes in Artificial Intelligence, vol. 1609. Springer-Verlag, Berlin (1999), 172-180. [11] Stefanowski, J., Algorytmy indukcji regu decyzyjnych w odkrywaniu wiedzy, Wydawnictwo Politechniki Poznaskiej, Rozprawy nr 361, Pozna 2001. [12] ótowski, B., Cempel, Cz., Inyniera Diagnostyki Maszyn, Polskie Towarzystwo Diagnostyki Technicznej, Instytut Technologii Eksploatacji PIB Radom, Warszawa, Bydgoszcz, Radom 2004. 477