Como subcampo de la inteligencia artificial , el diagnóstico se ocupa del desarrollo de algoritmos y técnicas capaces de determinar si el comportamiento de un sistema es correcto. Si el sistema no funciona correctamente, el algoritmo debería poder determinar, con la mayor precisión posible, qué parte del sistema está fallando y qué tipo de falla enfrenta. El cálculo se basa en observaciones , que proporcionan información sobre el comportamiento actual.
La expresión diagnóstico también se refiere a la respuesta a la pregunta de si el sistema está funcionando mal o no, y al proceso de calcular la respuesta. Esta palabra proviene del contexto médico donde un diagnóstico es el proceso de identificar una enfermedad por sus síntomas.
Ejemplo
Un ejemplo de diagnóstico es el proceso de un mecánico de garaje con un automóvil. El mecánico primero intentará detectar cualquier comportamiento anormal en base a las observaciones del automóvil y su conocimiento de este tipo de vehículo. Si descubre que el comportamiento es anormal, el mecánico intentará refinar su diagnóstico utilizando nuevas observaciones y posiblemente probando el sistema, hasta que descubra el componente defectuoso; el mecánico juega un papel importante en el diagnóstico del vehículo.
Diagnóstico experto
El diagnóstico experto (o diagnóstico por sistema experto ) se basa en la experiencia con el sistema. Con esta experiencia se construye un mapeo que asocia de manera eficiente las observaciones a los diagnósticos correspondientes.
La experiencia se puede aportar:
- Por un operador humano. En este caso, el conocimiento humano debe traducirse a un lenguaje informático.
- Mediante ejemplos del comportamiento del sistema. En este caso, los ejemplos deben clasificarse como correctos o defectuosos (y, en este último caso, por el tipo de falla). Luego, se utilizan métodos de aprendizaje automático para generalizar a partir de los ejemplos.
Los principales inconvenientes de estos métodos son:
- La dificultad para adquirir la experiencia. Por lo general, la experiencia solo está disponible después de un largo período de uso del sistema (o sistemas similares). Por lo tanto, estos métodos no son adecuados para sistemas de seguridad o de misión crítica (como una planta de energía nuclear o un robot que opera en el espacio). Además, nunca se puede garantizar que el conocimiento experto adquirido sea completo. En caso de que ocurra un comportamiento nunca antes visto, que lleve a una observación inesperada, es imposible dar un diagnóstico.
- La complejidad del aprendizaje. El proceso fuera de línea de construir un sistema experto puede requerir una gran cantidad de tiempo y memoria de computadora.
- El tamaño del sistema experto final. Dado que el sistema experto tiene como objetivo asignar cualquier observación a un diagnóstico, en algunos casos requerirá una gran cantidad de espacio de almacenamiento.
- La falta de robustez . Si se realiza incluso una pequeña modificación en el sistema, se debe repetir el proceso de construcción del sistema experto.
Un enfoque ligeramente diferente consiste en construir un sistema experto a partir de un modelo del sistema en lugar de hacerlo directamente a partir de una experiencia. Un ejemplo es el cálculo de un diagnóstico para el diagnóstico de sistemas de eventos discretos . Este enfoque puede verse como basado en modelos, pero se beneficia de algunas ventajas y adolece de algunos inconvenientes del enfoque del sistema experto.
Diagnóstico basado en modelos
El diagnóstico basado en modelos es un ejemplo de razonamiento abductivo utilizando un modelo del sistema. En general, funciona de la siguiente manera:
Tenemos un modelo que describe el comportamiento del sistema (o artefacto). El modelo es una abstracción del comportamiento del sistema y puede estar incompleto. En particular, el comportamiento defectuoso es generalmente poco conocido y, por lo tanto, el modelo defectuoso puede no estar representado. Dadas las observaciones del sistema, el sistema de diagnóstico simula el sistema usando el modelo y compara las observaciones realmente hechas con las observaciones predichas por la simulación.
El modelado se puede simplificar mediante las siguientes reglas (donde es el predicado normal Ab ):
(modelo de falla)
La semántica de estas fórmulas es la siguiente: si el comportamiento del sistema no es anormal (es decir, si es normal), entonces el comportamiento interno (no observable) será y el comportamiento observable . De lo contrario, el comportamiento interno será y el comportamiento observable . Dadas las observaciones, el problema es determinar si el comportamiento del sistema es normal o no ( o ). Este es un ejemplo de razonamiento abductivo .
Capacidad de diagnóstico
Se dice que un sistema es diagnosticable si cualquiera que sea el comportamiento del sistema, seremos capaces de determinar sin ambigüedad un diagnóstico único.
El problema de la capacidad de diagnóstico es muy importante al diseñar un sistema porque, por un lado, se puede querer reducir el número de sensores para reducir el costo y, por otro lado, se puede querer aumentar el número de sensores para aumentar la probabilidad de detectar comportamiento defectuoso.
Existen varios algoritmos para tratar estos problemas. Una clase de algoritmos responde a la pregunta de si un sistema es diagnosticable; otra clase busca conjuntos de sensores que hagan que el sistema sea diagnosticable y, opcionalmente, cumplan con criterios como la optimización de costos.
La capacidad de diagnóstico de un sistema generalmente se calcula a partir del modelo del sistema. En las aplicaciones que utilizan el diagnóstico basado en modelos, dicho modelo ya está presente y no es necesario crearlo desde cero.
Bibliografía
- Hamscher, W .; L. Consola; J. de Kleer (1992). Lecturas en diagnóstico basado en modelos . San Francisco, CA, EE. UU .: Morgan Kaufmann Publishers Inc. ISBN 1-55860-249-6.
Ver también
enlaces externos
Talleres de DX
DX es el Taller internacional anual sobre principios de diagnóstico que comenzó en 1989.
- DX 2014
- DX 2013
- DX 2012
- DX 2011
- DX 2010
- DX 2009
- DX 2008
- DX 2007
- DX 2006
- DX 2005
- DX 2004
- DX 2003
- DX 2002
- DX 2001
- DX 2000
- DX 1999
- DX 1998
- DX 1997