Содержание к диссертации
Введение
ГЛАВА 1. Использование стратегии Cals для повышения уровня автоматизации предприятия, особенности и проблемы. постановка задачи 10
1.1 Описание стратегии СALS как средства повышения эффективности производства 10
1.2 Проблемы автоматизации производства 19
1.3 Использование методов искусственного интеллекта для решения проблем повышения уровня автоматизации производства 22
1.4 Цели и задачи исследования 25
1.5 Выводы по главе 27
ГЛАВА 2. Роль продукционных экспертных систем в повышении уровня автоматизации производства 28
2.1 Основы и архитектура экспертных систем 28
2.2 Применение экспертных систем в промышленности 43
2.3 Особенности интеграции экспертных систем в единое информационное пространство предприятия 47
2.4 Выводы по главе 53
ГЛАВА 3. Моделирование производственных процессов с помощью аппарата искуственных нейронных сетей как средство повышения эффективности производства 54
3.1 Основы и архитектура моделей на основе искусственных нейронных сетей 54
3.2 Применение аппарата искусственных нейронных сетей в промышленности 68
3.3 Особенности реализации аппарата искусственных нейронных сетей в едином информационном пространстве 84
3.4 Выводы по главе 89
ГЛАВА 4. Реализация методов повышения эффективности производства путем интеграции экспертных систем и искуственных нейронных сетей в единое информационное пространство предприятия 90
4.1 Структура конкретного технологического процесса для реализации интеграции экспертных систем и искусственных нейронных сетей 90
4.2 Архитектура системы автоматизации на основе применения экспертных систем и искусственных нейронных сетей и методика интеграции экспертных систем и искусственных нейронных сетей в единое информационное пространство 95
4.3 Пример построения системы по автоматизации с применением экспертных системи искусственных нейронных сетей 102
4.4 Расчет эффективности применения экспертных систем и искусственных нейронных сетей при их интеграции в единое информационное пространство предприятия 111
4.5 Выводы по главе 115
Основные выводы по диссертационной работе 116
Список использованных источников 117
Приложение 122
- Описание стратегии СALS как средства повышения эффективности производства
- Использование методов искусственного интеллекта для решения проблем повышения уровня автоматизации производства
- Особенности интеграции экспертных систем в единое информационное пространство предприятия
- Применение аппарата искусственных нейронных сетей в промышленности
Введение к работе
Актуальность темы
В настоящее время информационные технологии эффективно
внедряются в области машиностроительного производства, помогая решать задачи организации, планирования и управления производства. На предприятиях внедряются информационные системы, автоматизирующие различные аспекты процессов проектирования и управления производством. Полный цикл проектирования, изготовления и эксплуатации изделий в настоящее время реализуется с помощью единой системы компьютерной поддержки всего окизненного цикла изделия - системы CALS, что позволяет существенно повысить уровень автоматизации и эффективность деятельности предприятия. Но некоторые операции остаются не автоматизированными, чему могут быть следующие причины:
Незначительность операции, в результате чего производители автоматизированных систем обошли этот участок производственного процесса вниманием. Решением может служить достаточно простое в разработке, внедрении и применении средство создания автоматизированной системы.
Уникальность операции, в результате чего автоматизированных систем для данной операции не присутствует на рынке. Решением также может служить достаточно простое в разработке, внедрении и применении средство создания автоматизированной системы.
Сложность формализации операции, в результате чего для операции невозможно или очень трудоемко построить математическую модель. Разработка методик решения перечисленных специфических проблем
является актуальной задачей. В данной диссертационной работе при проектировании специфических процессов и изделий, в рамках CALS технологии, предлагается использовать модели изделий и процессов на
основе методов продукционных экспертных систем (ПЭС) и искусственных нейронных сетей (ИНС). Для эффективной работы таких средств автоматизации необходимо, чтобы они легко интегрировались в единую информационную среду предприятия. В противном случае эффективность их внедрения будет уменьшаться из-за необходимости подготовки входных данных, обработке и передачи в другие автоматические системы выходных данных.
Полученное средство автоматизации должно обеспечивать универсальность применения, достаточную для решения перечисленных специфических проблем на любом этапе жизненного цикла изделия. В качестве примера автоматизируемого процесса берется этап подготовки производства проката периодического профиля (арматуры) для железобетонных изделий, который осуществляется в компании ООО «ПК АиМ». Этот пример послужит иллюстрацией применения разработанных в данной работе методик и положений.
Цель работы
Повышение эффективности этапа подготовки производства изделий
в рамках CALS технологии за счет разработки методики рационального применения моделей на основе механизмов продукционных экспертных систем и искусственных нейронных сетей.
Решаемые научные задачи
1. Анализ состояния и решения задач по повышению уровня
автоматизации подготовки производства, в рамках информаг^ионной поддержки жизненного цикла изделий, с применением аппарата экспертных систем и искусственных нейронных сетей.
2. Определение требований к архитектуре экспертной системы при
решении специфических задач подготовки производства, в структуре
CALS технологии.
Определение требований к применению аппарата искусственных нейронных сетей, совместно с экспертной системой при решении специфических задач подготовки производства, в структуре CALS технологии.
Разработка методики рационального применения аппарата экспертных систем и искусственных нейронных сетей при подготовке производства изделий в рамках CALS технологии.
Разработка метода обучения продукционных экспертных систем и искусственных нейронных сетей в автоматическом реоісиме, с последующим подключением к процессу подготовки производства.
Реализация демонстрационного прототипа (прикладного программного комплекса) по реализации экспертной системы и нейронной сети и экспериментальное обоснование целесообразности практического использования разрабатываемой системы
Научная новизна
1. Предложен новый подход к определению области рационального
применения аппарата экспертных систем и искусственных нейронных сетей при подготовке производства изделий, в рамках CALS технологии.
С целью повышения эффективности этапа подготовки производства в рамках CALS технологии разработана методика рационального использования аппарата экспертных систем и искусственных нейронных сетей, работающих в различных конфигурациях.
Разработан способ обучения продукционной экспертной системы и искусственной нейронной мети без участия человека с последующим подключением системы к решению задачи.
Предложена объектная модель, реализованная на языке Express, для описания продукционных правил экспертной системы и архитектуры и значений коэффициентов искусственной нейронной сети. Данная модель позволяет обмениваться этими данными, что позволяет отделить сами данные от механизма их выполнения.
Практическая ценность работы заключается в повышении эффективности процесса подготовки производства, в рамках CALS технологии, за счет разработки методических, алгоритмических и программных средств для автоматизации отдельных участков производства с помощью совместного использования аппарата экспертных систем и искусственных нейронных сетей.
Реализация в промышленности
Методика и алгоритмы, предложенные в работе, были использованы
при разработке информационной системы для поддержки функционирования производства арматурной проволоки ООО «ПК АиМ».
Апробация работы
Основные положения и результаты диссертационной работы
докладывались и обсуждались на V-й научной конференции МГТУ «СТАНКИН» и «Учебно-научного центра математического моделирования МГТУ «СТАНКИН» - ИММ РАН».
Положения, выносимые на защиту
1. Обоснование целесообразности использования экспертных систем и
нейронных сетей при решении специфических задач подготовки производства, в среде единого информационного пространства CALS технологии.
2. Методика совместного использования экспертных систем и аппарата
искусственных нейронных систем для решения комплексных задач
автоматизации производства.
3. Архитектура информационной системы, обеспечивающей
эффективное использование экспертных систем и искусственных нейронных систем в среде единого информационного пространства производства
Структура и объем диссертации
Диссертационная работа состоит из введения, четырех глав, основных
результатов и выводов, изложенных на 121 странице машинописного текста, содержит 18 рисунков и 4 таблицы, список использованной литературы из 63 наименований и приложение на 12 страницах. Общий объем работы — 133 страницы.
Описание стратегии СALS как средства повышения эффективности производства
В настоящее время для решения проблем повышения эффективности предприятия, конкурентоспособности и привлекательности продукции все чаще применяется набор международных стандартов Continuous Acquisition and Life Cycle Support (CALS).
Термин CALS определяется следующим образом - совместная стратегия промышленности и правительства (государства) направленная на "реинжиниринг" (изменение, преобразование) существующих бизнес-процессов в единый высокоавтоматизированный и интегрированный процесс управления жизненным циклом (ЖЦ) систем. Здесь жизненный цикл (рис. 1.1) включает в себя разработку, производство, применение и утилизацию системы [1]. Разработка ТЗ Проектные . работы І Утилизация Разработка документации т 1 г Эксплуатация Изготовление и испытания Рис. 1.1. Жизненный цикл изделия
Целью применения CALS-технологий в качестве инструмента организации и информационной поддержки всех участников жизненного цикла продукта является повышение эффективности их деятельности за счет ускорения процессов исследования и разработки продукции, придания изделию новых свойств, сокращения издержек в процессах производства и эксплуатации продукции, повышения уровня сервиса в процессах ее эксплуатации и технического обслуживания. Основой задачей внедрения CALS является повышение конкурентоспособности изделия за счет эффективного управления информацией.
Стратегия CALS включает в себя: применение современных информационных технологий; реинжиниринг бизнес-процессов; применение методов "параллельной" разработки; стандартизацию в области совместного использования данных и электронного обмена данными.
Для того, чтобы обеспечить эффективность, а также сокращение затрат средств и времени, процесс взаимодействия заказчика и поставщика должен быть непрерывным. Непрерывное взаимодействие определяет постоянное приобретение изделием новых свойств за счет его беспрестанной модернизации [2].
Поддержка жизненного цикла, декларированная в определении термина CALS, заключается в оптимизации процессов обслуживания, ремонта, снабжения запасными частями и модернизации. Поскольку затраты на поддержку сложного наукоемкого изделия в работоспособном состоянии во многих случаях превышают затраты на его приобретение, то существенное сокращение стоимости владения можно обеспечить инвестициями в создание системы поддержки жизненного цикла. Поддержка жизненного цикла изделия предполагает организацию взаимодействия между участниками этого цикла на основе информационных технологий. Такой подход приводит к увеличению инвестиций на этапах создания и модернизации изделия» но позволяет более полно учесть потребности заказчика, что приводит к снижению затрат на этапах эксплуатации и обслуживания изделия и в конечном итоге сокращает затраты на весь ЖЦ.
Повышение конкурентоспособности продукции достигается сокращением затрат (цены изделия), сроков вывода новых образцов на рынок, повышением качества продукции за счет сквозной поддержки ее жизненного цикла. Применение стратегии CALS является условием выживания наукоемких производств в условиях растущей конкуренции, в том числе на международных рынках, в ближайшие несколько лет. В том числе целесообразно применять стратегию CALS при интеграции задач управления в единое информационное пространство. Для этого следует использовать методы и технологии описанные ниже.
При реализации стратегии CALS используются три группы методов, которые называют CALS-технологиями [3]:
1. Технологии анализа и реинжиниринга бизнес-процессов - методы реструктуризации функционирования предприятия. Эти технологии нужны для корректного перехода от бумажного к электронному документообороту и внедрения в процессе автоматизации новые методы разработки изделий.
2. Технологии представления данных об изделии — методы, позволяющие стандартизовать представления в электронном виде данных, относящихся к отдельным процессам ЖЦ изделия.
3. Технологии интеграции данных об изделии — методы интеграции автоматизированных процессов ЖЦ и относящихся к ним данных.
Использование методов искусственного интеллекта для решения проблем повышения уровня автоматизации производства
Автоматизация операции обычно состоит из 2 частей: принятия решения о необходимости какого-либо действия и выполнение этого действия. Первая часть является более сложной в реализации, поскольку традиционно задачу принятия решения берет на себя человек.
Облегчить процесс принятия решения позволяют системы поддержки принятия решения (СППР).
Системы поддержки принятия решений являются человеко-машинными объектами, которые позволяют лицам, принимающим решения, использовать данные, знания, объективные и субъективные модели для анализа и решения слабоструктурированных и неструктурированных проблем [59].
Слабоструктурированными называются задачи, которые содержат как количественные, так и качественные переменные. Неструктурированные проблемы содержат только качественные переменные. Исходя из ранее приведенных сведений, можно сделать вывод, что процесс проектирование технологического процесса для единичного производства относится к слабоструктурированным задачам.
Процесс принятия решения с помощью системы СППР это итерационный процесс взаимодействия специалиста и компьютера. Цикл состоит из фазы анализа и постановки задачи для компьютера, выполняемой лицом, принимающим решение, и фазы поиска решения и выполнения его характеристик, реализуемой компьютером.
Предложена следующая классификация проблем [8]: 1. Хорошо структурированные или количественно сформулированные проблемы. Зависимости выражены в числах или символах, получающих численные оценки. 2. Слабо структурированные или смешанные проблемы. Содержат как количественные, так и качественные элементы, причем качественные, малоизвестные и неопределенные стороны проблем занимают доминирующую позицию. 3. Неструктурированные или качественно выраженные проблемы, содержащие лишь описание важнейших ресурсов, признаков и характеристик, количественные зависимости между которыми совершенно не известны.
Для второго и третьего класса проблем можно выявить следующие особенности: 1. Уникальность выбора. Каждый раз проблема является новой для специалиста, либо обладает новыми особенностями по сравнению со встречающейся ранее подобной проблемой. 2. Неопределенность в оценках альтернативных вариантов решения проблемы. 3. Качественный характер оценки вариантов решения проблемы, чаще всего формулируемой в словесном виде. 4. Оценка альтернатив может быть получена лишь на основе субъективных предпочтений специалиста.
Для решения задач поддержки принятия решений часто используются методы искусственного интеллекта, такие как экспертные системы и искусственные нейронные сети. Экспертная система, используя знания, полученные от специалистов в данной предметной области, решает те же проблемы, экспертами в которых являются эти специалисты. Искусственные нейронные сети обучаются на наборе обучающих данных, после чего могут решать задачи для данных, которых не было в обучающем множестве.
В тоже время можно выделить следующие причины, ограничивающие применение методов искусственного интеллекта на предприятиях: 1. Сложность подготовки данных к использованию. 2. Сложность подготовки системы к эксплуатации. 3. Сложность проблем, которые решаются с помощью данных средств. Делается предположение, что применение ЭС и НС в среде ЕИП позволяет снизить влияние данных причин:
1. При использовании STEP в качестве стандарта по представлению данных, все данные представляются единообразно. Каждый элемент данных является типизированным. Для каждого типа данных можно определить правила подготовки их в ЭС или НС.
2. Поскольку все данные аккумулируются в ЕРШ, то в наличии имеются большие массивы данных для обучения ЭС и НС.
3. Предполагается применять ЭС и НС для решения достаточно малых по размерности задач, что позволит эффективно контролировать их поведение.
4. Поскольку при создании ЕИП строится информационная модель предприятия, то данные знания также могут эффективно использоваться.
Ожидается, что совместное использование ЭС и ИНС в условиях ЕИПП позволит создать инструмент, применение которого будет эффективно для решения задач автоматизации, которые нецелесообразно решать с помощью традиционных средств автоматизации. Заметим, что в силу универсальности применяемых методов, такое средство автоматизации не ограничено сферой применения и может быть использовано на любом этапе жизненного цикла изделия.
Особенности интеграции экспертных систем в единое информационное пространство предприятия
При реализации единого информационного пространства предприятия все чаще используется объектно-ориентированный подход. Его характеризует: Применение методов объектно-ориентированного анализа на стадии проектирования информационной системы. Применение объектного подхода при конструировании структуры баз данных. Применение в качестве средств коммуникации компонентов системы архитектурных решений на основе CORBA, EJB, DCOM, SOAP, которые в свою очередь базируются на объектной парадигме. Применение объектного подхода приводит к тому, что все данные в системе хранятся в виде, который позволяет представить эти данные экземпляром какого-либо класса. Все взаимодействие программных компонентов сводится к обмену такими объектами и вызову методов объекта.
Стандарт STEP, как один из способов реализации ЕИПП, предоставляет все необходимые средства для организации ЕИПП согласно объектному подходу. В случае использования экспертной системы в ЕИПП, основанной на стандарте STEP, такая экспертная система должна соответствовать следующим требованиям: 1. Поддерживать работу с данными, представленными в виде объектов. 2. Использовать метаданные, предоставляемые прикладным протоколом. 3. Уметь взаимодействовать с другими программными компонентами БИЛЛ.
До появления объектного подхода экспертные системы оперировали базой, в которой содержались факты, приставленные в виде символьной строки. Таким образом, если факт относится к части какого-либо объекта, то системе неизвестны связи этой части со всем объектом. Такая связь может быть задана лишним фактом либо лишним правилом. В обоих случаях связь задана не явно.
После появления объектного подхода его стали применять и в экспертных системах продукционного типа. Это позволило хранить информацию об экземплярах объектов в более структурированной форме. Такие ЭС позволяют задать определение класса, занести в базу фактов экземпляры объектов, созданные на основе классов, применять значения атрибутов объектов в условии правила, а также производить различные операции над объектами при выполнении правила. Примером реализации ЭС, рассчитанной на работу с объектами, может служить CLIPS [36].
Определим типы операции, которые могут быть использованы для управления объектами [17]: Добавление нового объекта. Указывается класс добавляемого объекта и область, куда объект добавляется. Копирование объекта. Указывается признак, по которому происходит поиск объекта, область поиска и область, в которую необходимо вставить объект. Поскольку при поиске может быть найдено несколько объектов, то данная операция является групповой. Изменение значений атрибутов объекта. Указывается признак, по которому происходит поиск объекта, область поиска, список значений для изменяемых атрибутов. Поскольку при поиске может быть найдено несколько объектов, то данная операция является групповой.
Удаление объекта. Указывается признак, по которому происходит поиск объекта и область поиска. Поскольку при поиске может быть найдено несколько объектов, то данная операция является групповой.
В условиях предпосылок также возможно использование объектов, что упрощает логические условия и увеличивает наглядность правил. Для этого необходимо ввести дополнительные логические операторы, позволяющие работать с объектами, а не со скалярными значениями:
1. Оператор is_equal(01, 02), где Ol и 02 — экземпляры объектов. Сравнивает два экземпляра объектов Ol и 02 и вьщает «истина», если объекты принадлежат одному классу и все их атрибуты эквивалентны. Иначе выдает «ложь».
2. Оператор is_object_od_class(0, К), где О - экземпляр объекта, К — строка, содержащее имя класса. Выдает «истина», если объект О принадлежит классу К или одному из классов, дочерних по отношению к К. Иначе выдает «ложь».
Описание всех классы объектов, применяемых в ЭС, содержатся в ЕИПП в хранилище данных, соответствующему используемому протоколу применения. Это позволяет использовать метаданные при создании экземпляров объектов, контролировать правильность создания объектов, контролировать области значений данных, помещаемых на хранение в атрибуты объектов.
Такие свойства ЕИПП похожи на свойства ассоциативной сети и фреймовой системы. Используя ЕИПП, мы получаем наглядное родовидовое представление сущностей предметной области, что является хорошим дополнением к знаниям, хранящимся в виде правил в базе знаний экспертной системы. В результате совместное применение ЕИПП и ПЭС позволяет избавиться от одного из недостатков систем продукций.
Использование метаданных ЕИПП позволяет упростить процесс ввода правил в систему. Эксперт при занесении правил оперирует объектами и атрибутами объектов, взятыми из ЕИПП, что помогает ему точнее формулировать правила в терминах предметной области, а также снимает необходимость отслеживания связи между объектами. Базовые знания о структуре предметной области, содержащиеся в метаданных ЕИПП, используются в процессе диалога с экспертом, а также для преобразования информации, получаемой от эксперта в продукционные правила.
На эксперта возлагается задача расширения и уточнения модели предметной области. Эта модель затем переводится в систему продукционных правил. Поведение системы правил снова анализируется экспертом, который при необходимости вносит коррективы в модель и таким образом замыкает цикл итеративного процесса (рис. 4.2) [14].
Применение аппарата искусственных нейронных сетей в промышленности
Можно выделить следующие параметры проблемы, которые показывают, что поставленная проблема может эффективно решаться с помощью аппарата нейронных сетей: 1. Эксперт не может объяснить, каким образом он решает проблему 2. По проблеме накоплено (или может быть получено) большое количество экземпляров решений данной проблемы для конкретных входных параметров. 3. Проблема не может быть легко решена с использованием более традиционных вычислительных методов. 4. Проблема относится к одной из следующих областей: распознавание образов, классификация, прогнозирование, контроль, адаптивное управление, экспертное заключение. 5. Решение задачи должно быть получено в фиксированное время.
Преимущества применения аппарата искусственных нейронных сетей перед другими решениями: Использование обучения на наборе данных позволяет решать задачи, для которых не разработаны формальные методы решения. Нейронные сети можно легко переобучить в случае изменения (усложнения, переформулировки) решаемой задачи. Быстродействие обученной сети очень высоко, что объясняется высокой степенью распараллеливания операций, простотой операций, выполняемых для обеспечения функционирования нейронной сети, а также заранее известным объемом вычислений, необходимых для решения задачи (последнее верно для сетей с последовательными связями).
Выбор архитектуры многослойных нейронных сетей прямого распространения обусловлен большим многообразием типов задач, решаемых данной архитектурой, а также широким распространением данной архитектуре в коммерческих нейросимуляторах.
Можно указать следующие области промышленности, в которых успешно применяются нейронные сети [28]: Управление роботами Механообработка Измерительные системы в машиностроении Металлургия Управление сваркой Управление электроэррозионными станками Системы виброконтроля машин и механизмов Томография Диагностика систем и проверка качества продукции Проектирование материалов
В качестве примера успешного внедрения нейронной сети можно привести следующий факт [29]. Ford Motors Company внедрила у себя нейронную систему для диагностики двигателей после неудачных попыток построить экспертную систему, т.к. хотя опытный механик и может диагностировать неисправности он не в состоянии описать алгоритм такого распознавания. На вход нейронной системы подаются данные от 31 датчика. Нейронная сеть обучалась различным видам неисправностей по 868 примерам. После полного цикла обучения качество диагностирования неисправностей сетью достигло уровня лучших экспертов, и значительно превосходило их в скорости.
Для популярного нейропакета BrainMaker компании Califonia Scientific Software на сайте компании приводятся следующие примеры успешной реализации проектов в промышленности: 1. Проверка качества сварных швов. Компания Netrologic, Inc. 2. Проверка качества пластика. Компания Monsanto. 3. Проверка качества микросхем. Компания Intel.
Данные примеры показывают, что нейронные сети успешно применяются в промышленности для решения специфических задач, с которыми другие средства автоматизации не справляются, либо их применение малоэффективно [57]. Тем не менее количество внедрений нейропродуктов в промышленности гораздо меньше количества внедрения их в сфере экономики и финансов, где нейропродукты активно используются для прогнозирования.
Назовем причины, которые мешают внедрению аппарата искусственных нейронных сетей в промышленности: 1. Сложность подготовки данных к использованию. 2. Сложность подготовки системы к эксплуатации. 3. Необходимость наличия специалистов в области создания и применения интеллектуальных сетей.
Проблема подготовки входных и выходных данных
Одна из проблем при использовании нейронной сети - это необходимость специальной подготовки данных для обучения и функционирования нейронной сети. Необходимость подготовки данных связана с задачей обучения сети и сводится к увеличению информативности примеров для повышения эффективности обучения. Подготовка данных проводится с целью извлечения наиболее значимой информации и приведения ее к виду, дающему лучшие результаты при обучении нейронной сети.
Выделяют следующие необходимые этапы подготовки данных [42]: 1. Кодирование входов-выходов. Этот этап необходим, поскольку нейронные сети могут работать только с числовым представлением данных. 2. Нормировка данных. Этап необходим для устранения влияния очень больших значений одних переменных на малые значения других переменных. Результаты обучения нейронной сети не должны зависеть от выбора единиц измерения. 3. Предобработка данных. Этап нужен для удаления очевидных регулярностей из данных, что облегчает обучение НС для выявления нетривиальных закономерностей.
