Article

Article title DEVELOPMENT OF AN EXPERT SYSTEM MODEL BASED ON FUZZY LOGIC
Authors N.A. Polkovnikova, V.M. Kureichik
Section SECTION II. INTELLIGENT SYSTEMS AND CAD
Month, Year 01, 2014 @en
Index UDC 004.891
DOI
Abstract The article describes a model of expert system for fault identification of a dynamic object in operation. The structural scheme of the expert system with the optimal number of diagnostic parameters on the basis of linguistic variables and fuzzy logic is proposed. Fuzzy expert system uses the knowledge representation in the form of products and fuzzy linguistic variables. The model design of diagnostic expert system was designed making use of Mamdani fuzzy inference algorithm as a framework along with a Fuzzy Logic Toolbox package in MATLAB computing environment. The module implementation is described for main diesel ship engine malfunction identification system. The use of fuzzy logic in development of the knowledge base and inference mechanisms of expert system allows to formalize technical condition assessment procedure based on fragmented, unreliable and possibly, inaccurate information and make reasonable decisions on fault identification. The developed model of the expert system based on fuzzy logic with workflow and fuel supply settings allows reflecting adequately the increasing probability of failure of input parameters’s changing values at early stage in real time mode.

Download PDF

Keywords Fuzzy logic; linguistic variable; membership function; expert system; decision support system.
References 1. Zadeh L.A. Is there a need for fuzzy logic? // Information Sciences, Elsevier– 2008. – № 178. – P. 2751-2779.
2. Интеллектуальные системы: коллективная монография. Вып. 3 / Редкол.: В.М. Курейчик и др. – М.: Физматлит, 2009. –196 с.
3. Курейчик В.М. Особенности построения систем поддержки принятия решений // Известия ЮФУ. Технические науки. – 2012. – № 7 (132). – С. 92-98.
4. Курейчик В.В., Курейчик В.М., Ковалев С.М. Оптонечёткие системы // Известия ЮФУ. Технические науки. – 2009. – № 4 (93). – С. 99-105.
5. Глушань В.М., Карелин В.П., Кузьменко О.Л. Нечёткие модели и методы многокритериального выбора в интеллектуальных системах поддержки принятия решений // Известия ЮФУ. Технические науки. – 2009. – № 4 (93). – С. 106-113.
6. Deyi Li, Yi Du. Artificial intelligence with uncertainty. Tsinghua University, Beijing, China. Chapman & Hall / CRC, 2008. – 347 p.
7. Полковникова Н.А. Проектирование гибридной экспертной системы поддержки принятия решений // В сб. тез. докл. II Всероссийского конгресса молодых учёных (9–12 апреля 2013 г.). – СПб.: НИУ ИТМО, 2013. – Вып. I. – С. 46-48.
8. Курейчик В.М., Полковникова Н.А. Разработка гибридной экспертной системы для главных судовых дизелей // Сб. докладов ХVI Международная конференция по мягким вычислениям и измерениям SCM–2013 (23–25 мая 2013 г.). – СПб., 2013. – С. 270.
9. http://www.autronicafire.no (дата обращения 02.11.13).
10. http://www.mandieselturbo.com/1002051/Press/Publications/Technical-Papers/Supplementary/
Data-and-Software/PMI-System-Pressure-analyser.html (дата обращения 02.11.13).
11. http://www.malin.co.uk/malin6000/malin6000.html (дата обращения 02.11.13).
12. Miller G.A. The magic number seven plus or minus two: some limits on our capacity for processing information // Psychological review. – 1956. – № 63. – P. 81-97.
13. Пегат А. Нечёткое моделирование и управление: Пер. с англ. – М.: БИНОМ. Лаборатория знаний, 2009. – 798 с.
14. Sivanandam S.N., Sumathi S., Deepa S.N. Introduction to fuzzy logic using MATLAB. Springer, 2007. – 441 p.

Comments are closed.