- •Факультет обучения без отрыва от производства
- •Раздел 3:«Методы построения моделей и идентификации исследуемых процессов, явлений и объектов в машиностроении»…….33
- •Раздел 4: «Методы компьютерного моделирования машиностроительных производств, математические и имитационные модели.» (3 часа)………………………………………………………………51
- •Раздел 5:«Математическое моделирование процессов и средств машиностроительных производств на основе современных технологий систем массового обслуживания» (3 часа)…………………………………64
- •Раздел 6:«Современные технологии математического моделирования процессов, средств и систем машиностроительных производств»(2 часа)………………………………………………………80
- •Раздел 1.«Модели процессов, явлений и объектов в машиностроении и методы их построения»(2 часа)
- •1.1.Введение. Классификация моделей по типам, свойствам и назначению. Методы моделирования сложных систем.
- •1.2. Основные принципы построения математических моделей
- •1.3. Средства математического моделирования технических объектов и обеспечение.
- •Раздел 2:«Разработка теоретических моделей исследования качества изделий, технологических процессов, средств и систем машиностроительных производств» (3 часа)
- •2.1. Теоретические основы математического моделирования в машиностроении.
- •2.2. Элементы теории множеств и ее применение в моделировании технических систем.
- •3.2. Моделирование технических систем на основе алгебры логики.
- •Раздел 3:«Методы построения моделей и идентификации исследуемых процессов, явлений и объектов в машиностроении» (4 часа)
- •3.4. Основы кибернетического моделирования.
- •4.1. Основные понятия корреляционного, регрессионного и
- •4.2. Пассивный и активный эксперимент, их место и роль в машиностроении. Основные принципы планирования эксперимента.
- •4.3.Ортогональное планирование первого порядка
- •5.1.2. Рототабельное планирование экспериментов
- •5.2. Принципы построения экспертных систем и технология принятия статистических решений.
- •Раздел 4: «Методы компьютерного моделирования машиностроительных производств, математические и имитационные модели.» (3 часа)
- •5.3. Основные понятия. Цель и задачи имитационного моделирования.
- •5.4. Блок-схема решения задач имитационного моделирования.
- •6.1. Планирование машинных экспериментов. Моделирование по схеме Монте-Карло
- •20% Факторов определяют 80% свойств системы;
- •6.2. Анализ результатов и принятие решений.
- •Раздел 5:«Математическое моделирование процессов и средств машиностроительных производств на основе современных технологий систем массового обслуживания» (3 часа)
- •7.1. Марковские случайные процессы. Уравнения Колмогорова для вероятностей состояний.
- •7.2. Потоки событий.
- •7.3. Системы массового обслуживания.
- •8.1. Критерии оптимизации моделей в машиностроении.
- •8.2. Классификация методов оптимизации.
- •Раздел 6:«Современные технологии математического моделирования процессов, средств и систем машиностроительных производств»(2 часа)
- •8.3. Основные понятия и определения. Основы теории нечетких множеств.
- •3. Отрицание множества
- •5. Операции концентрации
- •6. Операция растяжения
- •9.1. Элементы нейросетевого моделирования процессов в технических объектах и системах.
- •9.2. Генетические алгоритмы и их применение в моделировании технических систем.
Раздел 6:«Современные технологии математического моделирования процессов, средств и систем машиностроительных производств»(2 часа)
Лекция 8. «Моделирование систем машиностроения с применением элементов искусственного интеллекта»(1 час)
План лекции:
8.3. Основные понятия и определения. Основы теории нечетких множеств.
8.3. Основные понятия и определения. Основы теории нечетких множеств.
Решение актуальных технических проблем, создание сложных технических объектов, включающее моделирование и управление, невозможно без привлечения методов искусственного интеллекта, направленного на решение определенного класса задач при их специфической алгоритмизации, составляющей классгенетических алгоритмов.
В последнее время все более широко распространяется построение и исследование моделей поведения сложных технических объектов и способов управления ими на основе имитации реализованных природой механизмов в живых существах, т.е. происходит биологизацияпроцессов моделирования и управления.
Возможно и совместное применение различных моделей и методов при обработке информации об одном и том же объекте – в этом состоит сущность гибридизации.
Согласие с тем, что любая сколь угодно сложная искусственная модель реального объекта всегда примитивнее и проще оригинала и лишь многоаспектное его изучение с последующей интеграцией получаемых результатов позволит обрести необходимые знания или приблизиться к оптимальному решению, представляет собой основу парадигмы(греч.:paradeima– пример, образец. П.– строго научная теория, воплощенная в системе понятий, выражающих существенные черты действительности) такого подхода.
Можно с высокой степенью уверенности констатировать, что биологизация и гибридизация составляют основные тенденции развития кибернетики в начале третьего тысячелетия.
Обучение– способность системы улучшать свое поведение в будущем, основываясь на прошлой экспериментальной информации о результатах взаимодействия с окружающей средой.
Самообучение– обучение системы без внешней корректировки, т.е. без указаний «учителя».
Интеллектуальная система управления (ИСУ)– такая, в которой знания о неизвестных характеристиках управляемого объекта и окружающей среды формируются в процессе обучения и адаптации, а полученная при этом информация используется в процессе автоматического принятия решений для улучшения качества управления.
Необходимый признак ИСУ – наличие базы знаний, содержащей сведения, модели и правила, позволяющие уточнить поставленную задачу управления и выбрать рациональный способ ее решения.
Наибольшее распространение при проектировании ИСУ получили методы интеллектуального управления (ИУ),которые относятся к четырем классам: 1) экспертные системы; 2) нечеткие системы; 3) нейронные сети; 4) генетические алгоритмы.
Различным уровням интеллектуальности соответствуют ИСУ, интеллектуальные «в большом» и «в малом». Чем же они отличаются?
Интеллектуальные «в большом»– организованы и функционируют в соответствии с пятью принципами:
взаимодействие с реальным внешним миром через информационные каналы связи;
принципиальная открытость системы с целью повышения интеллектуальности и совершенствования собственного поведения;
наличие механизмов прогноза изменения внешнего мира и собственного поведения системы в изменяющихся условиях;
наличие многоуровневой иерархической структуры, соответствующей правилу повышения интеллектуальности и снижения требований к точности моделей по мере повышения уровня иерархии в системе (и наоборот);
сохраняемость функционирования (возможно, с некоторой потерей качества) при разрыве связей или потере управляющих воздействий от высших уровней иерархии.
Интеллектуальные «в малом»не удовлетворяют перечисленным принципам, но используют при функционировании знания (можно в виде правил) как средство преодоления неопределенности входной информации, описания управляемого объекта или его поведения.
При проектировании ИСУ наибольшее распространение получили методы ИУ, относящиеся к следующим четырем классам:
экспертные системы;
нечеткие регуляторы;
нейронные сети;
генетические алгоритмы.
В случае четких множеств традиционный способ представления элемента множествасостоит в применении характеристической функции. Для четких множеств имеем:
В нечетких множествах элемент можетчастичнопринадлежатьлюбомумножеству.
Степень принадлежности элемента множествуопределяетсяфункцией принадлежности, которая представляет собой обобщение характеристической функции. Ее значения являются рациональными числами из интервала. Причем 0 означаетотсутствиепринадлежности, а 1 –полную принадлежностьк множеству.
Конкретное значение функции принадлежности называется степенью,иликоэффициентом принадлежности. Степень принадлежности может быть определена в видефункциональнойзависимости илидискретно– путем задания конечной последовательности значенийв виде:
Теория нечетких множеств допускает, помимо переменных цифровоготипа, существованиелингвистическихпеременных с приписываемыми им значениями.
Для нечетких множеств, являющихся обобщениемобычных множеств, существует ряд математических операций, которые являются обобщением аналогичных операций, выполняемых на четких множествах. Среди прочих, к ним относятся следующие:
1. Логическая сумма множеств .
.
2. Логическое произведение множеств .
.
Здесь знаки иобозначают соответственно операторыи.