روش های شناسایی عیب (مدل مبنای کیفی)

دسته بندی روش های شناسایی عیب (مدل مبنای کیفی):
مدل سازی کیفی را می توان به دو دسته مدل های علی و سلسه مراتب انتزاعی دسته ‏بندی نمود.

شکل زیر این دسته بندی مبتنی بر دانش را نشان می دهد. در تصویر زیر روش های تشخیص عیب مدل مبنای کیفی نشان داده شده است.

توسعه سیستم های خبره مبتنی بر دانش، اولین تلاش برای به دست آوردن اطلاعات به شکل یک روش رسمی بودند که به منظور استخراج نتایج انجام می گرفتند. یک سیستم خبره یک برنامه کامپیوتری است که رفتار شناختی یک فرد خبره در حال حل مساله در یک حوزه خاص را شبیه‏ سازی می‏ کند.

این سیستم شامل یک پایگاه داده و یک مجموعه بزرگ از قوانین اگر-آنگاه است. مشکل این نوع از ارائه دانش این است که هیچ درکی از فیزیک زیربنایی سیستم وجود ندارد و بنابراین در صورت ایجاد یک حالت جدید که در پایگاه داده تعریف نشده باشد، نمی تواند به درستی عمل کند.

به همین دلیل این روش سطحی اطلاق می شود؛ زیرا درک عمیق و اساسی از سیستم در آن وجود ندارد.

استدلال نمادین شامل سه نوع است که عبارتند از انتزاعی، استقرایی و عام. استدلال انتزاعی به معنای تولید توصیف (یا علت) فرضی است برای آنچه مشاهده می شود. بر خلاف استدلال ساده منطقی، در استدلال انتزاعی می توان بیش از یک جواب به دست آورد.

از آن جا که هیچ روش کلی برای تصمیم گیری بین گزینه ها وجود ندارد، بهترین کار یافتن فرضی است که بیشترین احتمال را دارد.

بنابراین انتزاع را می‏ توان به صورت استدلالی در نظر گرفت که در آن مدارک در حضور عدم قطعیت ها وزن‏ دهی می شوند. بنابراین جستجو برای علت یک ناهنجاری در یک سیستم فرآیند، یک استدلال انتزاعی است.

هم چنین این استدلال توضیحاتی در این خصوص ارائه می دهد که این عیب چگونه منجر به یک ناهنجاری مشاهده شده می گردد.

استدلال مدل مبنا امکان انتزاع از پایین به بالا را با ارائه قوانین مناسبی فراهم می کند که باید بررسی شوند. بازده این نوع جستجوی از پایین به بالا در انتزاع قابل توجه است. یادگیری استقرایی، طبقه بندی مجموعه ‏ای از تجارب به صوررت دسته‏ ها یا مفاهیم است.

یادگیری استقرایی زمانی به کار می‏ رود که شخص تعریف یک مفهوم یاد گرفته شده را عمومیت ببخشد و یا استثنا کند. به این صورت که کلیه تجاربی که شامل آن هستند را شامل شده و بقیه را در بر نمی گیرد.

یک تعریف واضح از یک مفهوم یا دسته معمولا ساده نیست؛ زیرا تنوع بسیار بالایی از تجارب و عدم‏ قطعیت ها (اطلاعات یا مشاهدات نویزی) وجود دارد.

به همین علت یک طرح یادگیری تطبیقی ترجیح داده می شود. تجارب به دست آمده از ناهنجاری‏ های دستگاه را می ‏توان برای تولید قوانینی استفاده کرد که مجموعه‏ ای از مشاهدات را به علل خاصی مرتبط می ‏سازند.

این دانش تجربی را می توان در طول زمان با عمومیت بخشیدن به موارد موفق (که شامل آن نبوده اند.) و نیز تخصیص بخشیدن (با یافتن موارد استثنا) اصلاح نمود.

اغلب فرضیات اولیه‏ ایی وجود دارند که مربوط یه مقادیر کمیت‏های مختلف تحت بررسی هستند. این فرضیات، دلایل خاصی را برای دیگر مقادیر در نظر می گیرند که مقادیر کنونی را باطل می کنند. مثلا چون خروجی بسته است، دبی اکنون صفر است.

همچنین اگر منجر به یک تناقض شود، آن را رد می کنند. مثلا چون خروجی مخزن بسته است، سطح مخزن نمی تواند کاهش یابد. یک مشخصه اصلی استدلال عام، غیریکنواخت بودن آن است. در منطق سنتی، هنگامی که یک حقیقت استنتاج می‏ شود، در ادامه استدلال درست فرض شده و باقی می‏ماند. این همان مفهوم یکنواخت است.

اما اگر مدرک جدیدی به دست آید، معمولا لازم است حقایق استنتاج شده مجددا برای حفظ شمول منطق بازبینی شوند.

در مثال نتیجه گرفته شد که سطح مخزن نمی تواند افزایش یابد؛ زیرا خروجی بسته است. اگر پس از این نتیجه‏ گیری مدرک جدیدی به دست آید که مخزن دارای یک نشتی بزرگ است، باید نتیجه گیری را بازبینی نمود. چنین استدلالی که در آن بازبینی نتیجه مجاز است، غیریکنواخت نامیده می شود.

استدلال عام یا غیر‏یکنواخت یک ابزار بسیار ارزشمند در مواجهه با شرایطی است که یا کلیه اطلاعات در یک زمان در دسترس نیستند و یا باید در خصوص موارد متعدد و احتمالا متناقض به صورت هم زمان استدلال کرد. از ابزارهای استدلال گیری می توان به روش های مبتنی بر گراف جهت دار، درخت های تصمیم و سلسله مراتب انتزاعی اشاره کرد.