Информационное моделирование

Информационная модель – совокупность информации, характеризующая свойства и состояния объекта, процесса, явления, а также взаимосвязь с внешним миром.  К информационным моделям можно отнести структурно-логические модели, которые в свою очередь подразделяют на:

- табличные

- сетевые

- перестановочные

Табличные модели описывают одну конкретную структуру технологического процесса

Сетевая модель описывает множество структур технологического процесса, отличающихся количеством и составом элементов структуры при неизменном отношении порядка

Перестановочная модель описывает множество структур технологического процесса отличающихся количеством и составом элементов структуры при изменении отношения порядка

Иерархические модели изображаются в виде граф-дерева корнем вверх. Вершина графа – элементы описывающего объекта (поверхности), дуги графа – связь между элементами.

Модели на множествах. В основе представления об объекте лежит описание объекта в виде организованного определенным образом множества. Множество – объединение в единое целое определенных объектов, которые называются элементами образуемого ими множества.

Синтез индивидуального маршрута отображением на множествах

Один из способов синтеза – отображение на множествах записывается: f : X →Y

Х – множество

Y – множество, в котором отображается множество Х с помощью правила f

Правила: - правила отображения поверхностей

1. Выбираются общие технологических базы

2. Выбираются черновые базы

3. Выбираются базы для оставшихся поверхностей

Правила – план обработки

1)подготовка общих технологических баз

2)основная обработка

3)финишная обработка исполнительных поверхностей

Правила – преобразование плана в маршрут обработки

1)на основе технологических баз

2)на основе плана обработки

3) принципы построения маршрута обработки

Экспертные информационно- поисковые системы.

Разработка систем автоматизированного принятия TP возможна на основе методологии инженерии знаний. Инженерия знаний ориентирована на создание компьютерных систем, целью которых является: извлечение знаний, которыми располагают специалисты, и наиболее эффективное их использовании при автоматизированном формировании решений.

Методы инженерии знаний нашли свое воплощение в создании экспертных технологических систем.

Экспертная система представляет собой реализованный на ЭВМ программный комплекс — интеллектуальный автомат, обладающий способностью воспринимать, представлять, обрабатывать и объяснять профессиональные знания на основе формального логического вывода. Решения, формируемые с помощью этих систем, могут соответствовать уровню, достижение которого человеком требует продолжительного образовании и значительного опыта.

Экспертные системы в технологической предметной области пользуются для решения следующих задач:

1) выбора вида и метода изготовления заготовки;

2) определения класса детали;

3) прогноза качества, формируемого в ходе ТП или отдельной технологической операции;

4) определения причин брака, возникающего в ходе ТП и поиска путей его ликвидации;

5) поиска нового продолжения ТП при изменении производственной ситуации;

6) оценки технологичности конструкций.

Экспертную систему принято разделять на базу знаний и машину логического вывода (совокупность всех программ, обеспечивающих формирование логического вывода). Машину логического вывода экспертной системы разрабатывают специалисты в отрасли программирования. Задачей технологов является разработка баз знаний.

База знаний — описание предметной области с использованием ее понятий и компонент знаний, осуществляемой специалистами в предметной области (экспертами).

Существует символьное и декларативное представление знаний.

Базы знаний экспертных систем символьного типа содержат:

-описания объектов, характеризующих предметную область системы;

-описания вопросов, задаваемых пользователю системой в ходе консультации (система может формулировать вопросы и самостоятельно);

-правила формирования логических выводов.

Технологическая предметная область в целом описывается с помощью значительного числа понятий. Предметная область экспертной технологической системы представляет собой лишь часть технологической предметной области и должна определятся с помощью минимально необходимого числа понятий.

Определить минимально необходимое для описания предметной области число понятий можно путем графического представления связей между необходимыми понятиями. Такое представление кроме выявления необходимых понятий устанавливает в абстрактном виде смысловую связь между ними и поэтому называется семантической сетью.

На рис. 3.7 приведен пример фрагмента семантической сети. Направление стрелок совпадает с направлением определения понятия. Для сети, приведенной на рисунке, справедлива такая связь понятий: опорная база является поверхностью заготовки, необрабатываемой в данной операции, обеспечивающей необходимую ориентацию заготовки и лишающей заготовку трех степеней свободы.

Рисунок

Подобным образом могут быть интерпретированы любые фрагменты семантических сетей.

Каждое понятие записывается с помощью термина. Термин — совокупность символов, с помощью которых представляется понятие. Иногда понятие и термин используют как синонимы, хотя понятие — это отражение сущности объекта, а термин — его изображение. В экспертных системах термин — символьное изображение объекта.

Каждый объект имеет ограниченное множество возможных (разрешенных) значений. Например:

СТАНОК = {ТОКАРНО-РЕВОЛЬВЕРНЫЙ; ТОКАРНО-ВИНТОРЕЗНЫЙ; ТО КАРНО-КАРУСЕЛЬНЫЙ}.

КЛАСС ДЕТАЛИ = {КОЛЬЦО; ВТУЛКА; ДИСК}.

Множество разрешенных значений объектов ограничивает возможности экспертной системы. Если для системы, объекты которой определены в рассмотренном примере, указать, что "КЛАСС ДЕТАЛИ = ВАЛ", система не опознает такой объект так как символьная конструкция "ВАЛ" не указана в множестве разрешенных значений "КЛАСС ДЕТАЛИ".

База знаний экспертной системы символьного типа включает совокупность продукционных правил, связывающих ее объекты.

Продукционное правило — способ представления знаний в виде причинно-следственных связей. Основной формой продукционного правила является:

ЕСЛИ (˄˅ {(УСЛОВИЕ)}) ТО (˄˅ {(ДЕЙСТВИЕ)}),

где ˄,˅ — символы логических "и", "или" (логических операций конъюнкции и дизъюнкции); фигурные скобки — символ множества.

"Условие" и "действие" состоят из фактов. Факт имеет следующий вид: "объект=значение". Например, "КЛАСС ДЕТАЛИ=ВАЛ". Если "условие" или "действие" содержат более одного факта, то между ними ставится связка — логическое "и" (конъюнкция).

Продукционные правила связывают понятия (объекты) предметной области с учетом разрешенных значений, которые они могут принимать в ходе консультации. Нахождение этих эвристик, раскрывающих сущность связей понятий предметной обмети технологии, является основной задачей технолога-разработчика базы знаний экспертной системы.

Продукционные правила подразделяют на частные правила, определяющие конкретные действия, выполняемые для фиксированных условий (пример такого правила приведен выше) и метаправила — правила управления правилами. Метаправила фиксируют границы предметной области экспертной системы и окращают время формирования вывода, вызывая в зависимости от условий необходимый блок продукционных правил. Последовательность метаправил можно рассматривать как сценарий консультации с экспертной системой.

Выполнение продукционного правила по сути представляет собой логическую операцию — импликацию: А В. Если А истинно, то В истинно. Если А — ложь, то выражение становится неопределенным. Основной принцип формирования логического вывода при использовании продукционных правил — силлогизм. Так для ввода А = ИСТИНА правила вывода и вывод имеют вид:

ЕСЛИ А ТО В ЕСЛИ В ТО С С = ИСТИНА.

Экспертная система в ходе консультации оперирует фактами и представляет результат консультации в виде фактов. Различают факты, вводимые пользователями в виде исходных данных при диалоге с системой (применяются только в условиях продукционных правил), и факты, выводимые системой (могут располагаться как в части "условие", так и в части "действие" продукционных правил).

Вывод консультации может быть альтернативным, т.е. содержать несколько фактов, относящихся к объекту консультации. В этом случае окончательное решение принимает пользователь. Для облегчения процесса принятия окончательного решения каждый альтернативный вывод может иметь соответствующий коэффициент доверия, определяемый системой. Например:

РЕЗУЛЬТАТ КОНСУЛЬТАЦИИ

ПРИЧИНА БРАКА = ИЗНОС ИНСТРУМЕНТА, КД = 0.2

ПРИЧИНА БРАКА = ИЗНОС НАПРАВЛЯЮЩИХ СТАНКА, КД = 0.4

ПРИЧИНА БРАКА = НЕРАВНОМЕРНАЯ ТВЕРДОСТЬ ЗАГОТОВКИ, КД = 0.4

(где КД — коэффициент доверия к выводу). Коэффициент доверия всегда меньше или равен единице, но сумма коэффициентов доверия альтернативных выводов не всегда равна единице. Эго объясняется тем, что альтернативы могут быть определены по независимым цепям логического вывода.

Общие сведения об обучаемом навыковом моделировании.

Назначение. Примеры. Экспертные обучаемые системы.

Можно условно выделить два подхода в принятии решений: логический и интуитивный.

Логический – когда решения принимаются на основе доказательств.

Логическое принятие решения строится как правило на анализе ограниченного числа учитываемых факторов.

Интуитивный – когда решения принимаются на основе опыта и интуиции технолога. Интуитивное принятие решения строится на основе теории обучаемых нейроподобных систем управления и может учитывать практически неограниченное количество факторов.

Обучаемое навыковое моделирование реализует интуитивный подход (техническую интуицию). Принципы работы обучаемых моделей соответствуют принципам работы нейронной системы мозга человека.

Обучаемое навыковое моделирование направлено на решение в первую очередь так называемых трудноформализуемых нерасчетных задач.

Например.

1. Робот, работающий в ГПС, должен распознать зрительную информацию и выполнить действие, например,

1) распознать зрительные образы

1 2 3 1 2 3 и т.п.;

2) выбрать деталь;

3) выполнить управление машиной (транспортным средством,

станком и т.п.) .

2. При технологическом проектировании большую часть задач составляют нерасчетные задачи: выбор методов обработки, оборудования, инструмента, выбор схем базировпания, способа установки, маршрута обработки, операционной технологии и т.д.

3. Расчетные задачи, для которых математические зависимости пока не найдены или являются слишком сложными и узкоспециализированными:

Например, расчет режимов резания, расчет припусков и т.д.

Экспертные системы, как известно, призваны выполнять функции советчика специалиста; это, своего рода, - электронная версия профессиональных справочников. Строятся они, как правило по информационно-поисковому принципу.

Но возможен иной принцип работы экспертных систем – принцип, позаимствованый у обучаемых навыковых систем управления и основанный на интуитивности. В этих системах база данных и алгоритм ее обработки заменяются навыками принятия решений, вырабатываемыми в процессе обучения, то есть блок памяти компьютера с процессорной частью заменяется техническим мозгом. Интуитивные экспертные системы обладают всеми особенностями обучаемых систем, и самой главной из них является, пожалуй, живой опыт: обученные однажды системы могут неограниченно дообучаться в процессе работы или даже переобучаться.

В отличие от обычных информационно-поисковых экспертных систем, документально запоминающих буквенно-цифровую и графическую информацию, обучаемые системы требуют иной формы представления входной информации. Так, аналоговые экспертные системы работают исключительно с рецепторами, а системы в компьютерном исполнении – с числами, причем эти числа выступают в роли размерных признаков.

Примером экспертной системы в компьютерном исполнении может быть "обучаемый советчик технолога", который может, в частности, выдавать рекомендации по режимам резания с учетом усилий резания, подачи и глубины резания; и вся эта информация представляется в числовой форме, то есть в кодированном виде. Далее каждое число входной информации перемножается на соответствующий весовой коэффициент, полученный в результате обучения, и хранящийся в памяти машины; сумма этих произведений дает число, являющееся, в свою очередь, кодом рекомендуемого решения.