Využití Bayesovských sítí pro řízení procesů

Abstract

Název práce: Využití Bayesovských sítí pro řízení procesů Autor: Anton Švec Katedra (ústav): Katedra automatizace a počítačové techniky v metalurgii Vedoucí diplomové práce: doc. Ing. Jiří David, Ph.D. e-mail vedoucího: j.david@vsb.cz Abstrakt: Práce se zabývá řešením spolehlivosti průmyslových systémů pomocí teorie bayesovských sítí. Modeluje strukturu bayesovské sítě odpovídající struktuře průmyslového objektu tak, aby podmíněné spolehlivosti jednotlivých bloků odpovídali vztahům sítě. Architektura sítě zahrnuje informace týkající se jednotlivých bloků a jejich vztahů. Úvod práce je zaměřen na seznámení s nástroji umělé inteligence na řešení problematiky vyhodnocování neúplných dat se zaměřením na kauzální sítě. Zejména na bayesovské sítě a influenční diagramy. Další část vysvětluje a aplikuje některé známé optimalizace této teorie, konkrétně metodu postupných modifikací, transformaci na rozložitelný model a výpočet ve stromech spojení. Následuje popis programu Genie a jako příloha na CD i česká verze referenční uživatelské příručky. Práce ukazuje výhody i nevýhody řešení problému bayesovskými sítěmi oproti řešením daného problému pomocí odlišných metod, konkrétně pomocí klasického určení a výpočtu pravděpodobnosti poruch a spolehlivosti. Práce implementuje model řešící daný problém pomocí bayesovských sítí sloužící k demonstraci výpočtu prováděným touto metodou. Implementace využívá k ukládání struktury bayesovské sítě volně dostupnou knihovnu Smile.

Title: Application of Bayesian networks to process control Author: Anton Švec Department: Department of Automation and Computer Application in Metallurgy Supervisor: doc. Ing. Jiří David, Ph.D. Supervisor's e-mail address: j.david@vsb.cz Abstract: The key part of this work is concerning about solution of industrial systems reliability by theory of Bayesian networks. Labor models of Bayesian network structure corresponding to the structure of an industrial object, so that the conditional reliability of individual units corresponding to relations of network. Network architecture includes information concerning the individual blocks and their relationships. Introduction is aimed at getting acquainted with the tools of artificial intelligence to solve the problem evaluation of of uncertain data, focusing on the causal network. Particular to Bayesian networks and influence diagrams. Next section explains and applies some known optimization of this theory, namely the method of progressive modifications, the transformation to decomposable model and Junction tree calculation. Further part is description of the program Genie and as a CD media supplement the Czech version reference manual. Labor shows the advantages and disadvantages of application of Bayesian networks for solving the problem compare to the solution of the problem using different methods, namely using classical identification and calculation of failure probability and reliability. Work implements the model solving the problem by using Bayesian networks used to demonstrate the calculation carried out by this method. It uses to store the structure of Bayesian network free distributed Smile library.