Prototypbaserad Inkrementell Diagnos Anders Holst SICS, Swedish Institute of Computer Science AB
Metoder för Industriell Diagnos Datadrivna metoder Träna in en mappning från symptom till diagnoser. Kräver stora mängder träningsdata. Neuronnät Case based reasoning Support-vektor maskiner Kunskapsdrivna metoder En expert konstruerar regler eller modeller för diagnos. Kräver stora insatser från domänexperter. Expert-system Beslutsträd / Beslutsregler Model-baserad diagnos Statistiska metoder Baseras ofta på att med Bayes regel uttrycka sannolikheten för en diagnos givet symptomen, i symptomen givet diagnosen. Kan baserar anitingen på verkliga data eller domän-kunskap. Naive Bayesian classifier Belief networks Hierarkiska Graf-Mixturer
Prototypbaserad Inkrementell Diagnos Frågegenerering Diagnosmodell Kunskapsbas
Kunskapsbas Kunskap om fel representeras som Felmods-prototyper, syntetiska beskrivningar av hur olika fel yttrar sig. En naturlig och enkel representation med flera fördelar: Att skapa prototyper kräver viss domänkunskap, men betydligt mindre expertinsatser än traditionella expertsystem. En prototyp-databas är betydligt enklare och billigare att underhålla än traditionella system. Riktiga fallbeskrivningar kan också beaktas systemet börjar funka direkt innan några fel inträffat men blir dessutom bättre med tiden. Prototyper kan ofta skapas genom att konvertera befintliga kunskapsdatabaser (som beslutsträd eller beslutsregler).
Kunskapsbas
Diagnosmodell Diagnosmodellen är en statistisk modell, baserad på en kombination av Naiva Bayes, Mixtur-modeller, och Bayesiansk statistik.
Diagnosmodell Diagnosmodellen är en statistisk modell, baserad på en kombination av Naiva Bayes, Mixtur-modeller, och Bayesiansk statistik. Önskas Finns P(y x) j P(x y ) j
Diagnosmodell Diagnosmodellen är en statistisk modell, baserad på en kombination av Naiva Bayes, Mixtur-modeller, och Bayesiansk statistik. Önskas Finns P(y j x) P(y j ) P(x y j ) Bayes regel för betingade sannolikheter
Diagnosmodell Diagnosmodellen är en statistisk modell, baserad på en kombination av Naiva Bayes, Mixtur-modeller, och Bayesiansk statistik. P(y j x) P(y j ) P(x y j ) = P(y j ) Σ k c j Π i P(x i y j )
Diagnosmodell Fördelar: Diagnosmodellen kan tränas antingen från syntetiska prototyper eller verkliga data. Fungerar redan med mycket få och glesa data. Robust mot brus och felaktiga indata. Kan hantera saknad information - beräknar sannolikheten för olika diagnoser givet de symtom man känner till.
Frågegenerering Inkrementell diagnos: Systemet frågar efter ett symptom i taget, för att komma fram till en diagnos så snabbt som möjligt. Använder diagnosmodellen för att beräkna sannolikheter. Informationsteoretisk metod: Väljer den fråga som minskar entropin i sannolikheterna för diagnoserna så mycket som möjligt.
Frågegenerering Fördelar: Liknar ett beslutsträd, men betydligt mer flexibelt: Man kan svara vet inte ; man kan mata in andra symptom istället för de efterfrågade; och man kan ändra sig i efterhand. Systemet är robust mot viss andel felaktiga svar. Systemet kan visa vilka symptom som bidrog mest till en diagnos. Systemet kan upptäcka svar som talar emot varandra, vilket kan indikera misstag i svaren som då kan rättas.
Metodik kunskapshantering Komponenter Åtgärder Felmoder Symptom
Demo Kunskapshantering
Demo Kunskapshantering
Demo Kunskapshantering
Demo Kunskapshantering
Demo Diagnossystem
Demo Diagnossystem
Demo Diagnossystem
Demo Diagnossystem
Demo Diagnossystem
Demo Diagnossystem
Demo Diagnossystem
Sammanfattning Prototyperna är ett naturligt sätt att lagra diagnosinformation, och de är lättare att skapa och underhålla än många andra kunskapsrepresentationer. Den statistiska diagnosmodellen är både tolerantare mot brus och fel än logiska modeller, och kräver mindre träningsdata än traditionella datadrivna metoder. Fråge-genereringen är mer flexibel än ett beslutsträd, eftersom man kan svara vet inte eller på andra symptom än de efterfrågade. Vi har verktygen för att ställa diagnoser och för att underhålla prototypdatabasen.