INNEHÅLL Hem Webbdemo Nyheter och skrifter Produkter och tjänster Industriella branscher Diagnosfunktioner Analystjänster Teknisk bakgrund Exempel: larmanalys Andra tekniker GoalArt Diagnostic Station Mjukvarulicenser Förstudier Modelleringsprojekt Kurser och utbildning Service och support Kunder och projekt Service och support Jobba på GoalArt Om GoalArt Kontakta oss Webplatskarta English	TEKNISK BAKGRUND GoalArt är baserat på multilevel flow models, (MFM). Dessa är grafiska modeller av mål och funktioner hos tekniska processer. Målen beskriver avsikterna med ett system och dess delsystem, och funktionerna beskriver systemets förmågor i termer av flöden av massa, energi och information. MFM beskriver också relationerna mellan målen och funktionerna som åstadkommer dessa mål, samt mellan funktioner och dessas underordnade mål, vilka måste vara uppfyllda för att funktionen ska finnas. MFM uppfanns av Morten Lind vid Danmarks Tekniska Univeristet, Lind (1990). Flera nya algoritmer och vidareutvecklingar har gjorts av Jan Eric Larsson vid Lunds Tekniska Högskola, Larsson (1992, 1994, 1996). GRUNDLÄGGANDE MFM MFM är ett grafiskt representerat, formellt modelleringsspråk, i vilket avsiktliga egenskaper hos ett tekniskt system beskrivs. Avsikterna med ett system och dess undersystem modelleras med mål (goals). Systemets förmågor modelleras som flödesfunktioner, sammankopplade i flödesnätverk. Funktionerna är källor, transporter, lager, balanser, barriärer och sänkor, och beskriver antingen massa- eller energiflöden. Observerare, beslutsfunktioner och åtgärdsfunktioner beskriver informationsflöden. Varje flöde kan kopplas till ett eller flera mål via relationer (achieve relations), vilket betyder att funktionerna i nätverket åstadkommer målet. Ett mål kan också kopplas till en eller flera funktioner via villkorsrelationer (conditions), vilket betyder att målet är ett villkor för att funktionen ska vara tillgänglig. Fylligare beskrivningar av MFM finns i Larsson (1992, 1994, 1996) eller Lind (1990). Symbolerna i det grafiska språket visas i Figur 1. Figur 1. Symboler för olika MFM-objekt. ETT EXEMPEL PÅ EN MFM-MODELL MFM förklaras antagligen enklast genom ett exempel. Vi använder en del av cirkulationssystemet i ett kärnkraftverk. En mycket förenklad processbild finns i Figur 2. Figur 2. Huvudrecirkulationsflödet i en reaktor, (förenklat). I detta system flödar vatten från reaktortanken genom en fallspalt, via ventilen V1 till en pump. Efter pumpen går vattnet genom två parallella ventiler, V2 och V3, tillbaks till moderatortanken. Pumpen kyls med vatten och styrs av en frekvensomvandlare, som i sin tur också är vattenkyld. Avsikten med vattencirkulationen är att styra (moderera) neutronflödet i reaktorn, och att kyla den på samma gång. En MFM-modell av systemet visas i Figur 3. Figur 3. En MFM-modell av det förenklade huvudrecirkulationsflödet. I MFM-modellen finns fyra flöden. Flödesnätverket M1 beskriver vattenflödet från fallspalten till moderatortanken. Nätverket E1 beskriver transporten av värmeenergi från pumpen till kylvattnet. Nätverket E2 beskriver flödet av elektrisk energi från kraftförsörjningen, via frekvensomvandlaren till pumpens motor. Nätverket E3 beskriver energiflödet från pumpen till dess kylvatten. M1 beskriver ett massaflöde medan E1, E2 och E3 är energiflöden. Observera att MFM beskriver hur olika flöden möjliggör varandra. I det enkla exemplet i Figur 3 kan man se att kylvattenflödet E3 är nödvändigt för att frekvensomvandlaren ska fungera och att kylvattenflödet E1 och elflödet E2 behövs för att hålla vattenflödet gående. Dagens styrsystem innehåller ingen sådan information. Figur 4. En större MFM-modell av matarvattensystemen i ett kärnkraftverk. Klicka för att förstora. MFM-ALGORITMER Ett fleral diagnosalgoritmer har utvecklats med MFM som bas. Larsson (1992, 1994, 1996) beskriver algoritmer för att undersöka konsistens mellan mätvärden, för att separera primär- och konsekvensfel, för att utföra feldiagnos, samt för att generera förklaringar i pseudonaturligt språk. Öhman (1999) presenterar en algoritm för felkonsekvensanalys (FMEA). Dahlstrand (1998) presenterar en algoritm för rotfelsanalys baserad på MFM och fuzzy logic. FÖRDELAR MED MFM Alla algoritmerna i Larsson (1996) bygger på diskret logik där "sensorvärdena" är låg, normal eller hög och resultaten är konsistent eller icke-konsistent, normal eller fel, primär eller konsekvens, etc. MFM använder med andra ord en lingvistisk tolkning av logiska variabler, precis som regelbaserade expertsystem och fuzzy logic. Därtill kommer att alla MFM-algoritmer utför sina beräkningar genom sökning i fixa grafer. Samtliga algoritmer kan hantera den kompletta MFM-syntaxen, inklusive slutna loopar i flöden och mål-medel-dimensionen, samt alla former av situationer med multipla rotfel. Samtliga beräkningar kan göras med linjär eller sublinjär komplexitet. Tillsammans ger den diskreta logiken, den explicita representationen av mål och medel och den enkla strukturen följande fördelar: Den explicita beskrivningen av mål och funktioner minskar steget mellan diagnosalgoritmerna och kunskapsbasens representation. Den grafiska strukturen gör det lätt att överblicka kunskapsbasen och att garantera dess motsägelsefrihet. Det är också lätt att göra ett bra modelleringsverktyg. Den höga förenklingsgraden gör det relativt lätt att bygga MFM-modeller; betydligt lättare än med regelbaserade system eller fuzzy logic. Den speciella strukturen gör att algoritmerna kan ha mycket goda realtidsegenskaper, som lättberäknade värstafall, små minneskrav och hög effektivitet. Den speciella strukturen gör att algoritmerna kan bli mycket snabba. Till exempel är värsta fallet vad gäller exekveringstid för feldiagnos i ett medicinskt exempel mindre än 80 mikrosekunder på en 500 MHz Pentium III, vilket betyder 12 000 kompletta analyser per sekund. Ett motsvarande regelbaserat expertsystem skulle behöva exekvera med en hastighet på 5 miljoner regler per sekund, vilket betyder att GoalArt är minst 50 gånger snabbare än någon annan existerande teknik. REFERENSER Följande referenser ger en bra översikt över forskningen inom MFM. Den bästa översikten är antagligen Larsson (1996) för en kort version och Larsson (1992) för en längre. Lind (1990) är originaldokumentet som beskriver både bakgrund och språket i Linds verson. Dahlstrand, F., "Larmanalys with Fuzzy Logic and Multilevel Flow Models," Proceedings of the 18th Annual International Conference of the British Computer Society Special Group on Expert Systems, ES 98, Cambridge, England, pp. 173-188, 1998. Larsson, J. E., Knowledge-Based Methods for Control Systems, Doctor's thesis, TFRT–1040, Department of Automatic Control, Lund Institute of Technology, Lund, 1992. Larsson, J. E., "Diagnostic Reasoning Strategies for Means-End Models," Automatica, vol. 30, no. 5, pp. 775-787, 1994. Larsson, J. E., "Diagnostic Reasoning Based on Explicit Means-End Models," Artificial Intelligence, vol. 80, no. 1, pp. 29-93, 1996. Larsson, J. E., "Diagnostic Reasoning Based on Means-End Models: Experiences and Future Prospects," Knowledge-Based Systems, vol. 15, no. 1-2, pp. 103-110, 2002. Lind, M., "Representing Goals and Functions of Complex Systems — An Introduction to Multilevel Flow Modeling," Technical report, 90–D–38, Institute of Automatic Control Systems, Technical University of Denmark, Lyngby, 1990. Öhman, B., "Failure Mode Analysis Using Multilevel Flow Models," Proceedings of the 5th European Control Conference, Karlsruhe, Germany, 1999.
	GoalArt, Scheelevägen 17, 223 63 Lund, Tel: 046 286 4880, Fax: 046 286 4882, E-mail: info@goalart.com, Web: www.goalart.com.