автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.12, диссертация на тему:Интеллектуальная поддержка инженерного анализа на основе рассуждений по прецедентам

На правах рукописи

СЛИВИН РОМАН ЮРЬЕВИЧ /

ИНТЕЛЛЕКТУАЛЬНАЯ ПОДДЕРЖКА ИНЖЕНЕРНОГО АНАЛИЗА НА ОСНОВЕ РАССУЖДЕНИЙ ПО ПРЕЦЕДЕНТАМ (НА ПРИМЕРЕ ЗАДАЧ КОНТАКТНОЙ МЕХАНИКИ)

Специальность: 05.13.12 - Системы автоматизации проектирования

АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук

Волгоград - 2006

Работа выполнена на кафедре «Системы автоматизированного проектирования и поискового конструирования» Волгоградского государственного технического университета.

Научный руководитель:

доктор технических наук, профессор Дворянкин Александр Михайлович.

Официальные оппоненты:

доктор технических наук, профессор Горобцов Александр Сергеевич, кандидат технических наук Валитов Мухтар Зуфарович

Ведущая организация - НИИ конструкторско-технологической информатики

Защита состоится 1 ноября 2006 г. в 12-00 на заседании диссертационного совета Д 212.028.04 при Волгоградском государственном техническом университете по адресу: 400131, г. Волгоград, проспект Ленина 28.

С диссертацией можно ознакомиться в библиотеке Волгоградского государственного технического университета.

Автореферат разослан 29 сентября 2006 г. Ученый секретарь

РАН

диссертационного совета

Водопьянов В. И.

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы. Современные средства инженерного анализа технических решений опираются на мощный и постоянно развивающийся математический аппарат, основу которого составляют численные методы решения дифференциальных уравнений. Данный аппарат поддается эффективной автоматизации, модули инженерных расчетов являются неотъемлемыми частями систем CAE и САПР.

Однако обратной стороной мощности современного аппарата инженерных расчетов является его сложность. Процесс инженерного анализа включает ряд неалгоритмических задач (построение модели анализируемого объекта, выбор алгоритма и параметров расчета, интерпретация его результатов в терминах рассматриваемой проблемы), от решения которых решающим образом зависит точность и надежность полученных результатов.

Современные CAE и подсистемы инженерного анализа САПР эффективно реализуют большое количество расчетных методов, но практически не оказывают пользователю поддержки при выполнении неалгоритмических задач. Таким образом, задачи инженерного анализа требуют значительных материальных и трудовых затрат, а также привлечения высококвалифицированных специалистов.

Одним из способов уменьшения затрат на проведение инженерного анализа и снижение требований к квалификации инженера-расчетчика является организация интеллектуальной поддержки решения неалгоритмических задач инженерного анализа со стороны

автоматизированной системы.

Реализация такой поддержки подразумевает разработку формального представления инженерных знаний и автоматизацию процесса рассуждений с использованием этих знаний. Проблемам представления знаний и автоматизации рассуждений посвящено большое количество работ в области искусственного интеллекта. Существенный вклад в развитие данного направления внесли Д.А. Поспелов, В.Н. Вагин, В.М. Курейчик, Г.С. Осипов, А.А. Зенкин, Волкова Г.Д., Петрова И.Ю., П. Уинстон, П. Джексон, Дж. МакКарти.

Важными особенностями процесса рассуждений в ходе инженерного анализа являются использование как качественной, так и количественной информации, а также использование накопленного опыта - знаний о ранее решенных задачах, аналогичных данной. Результаты изучения работ по

исследованию характера знаний и процесса рассуждений в ходе инженерного анализа, включая работы Дж. Покожски, С. Фенвеса и др., позволяют выделить рассуждения по прецедентам и качественные рассуждения в качестве наиболее адекватных задачам интеллектуальной поддержки инженерного анализа технологий искусственного интеллекта. Большой вклад в развитие рассуждений по прецедентам внесли Д.Лик, Дж.Колоднер, А. Кинли, В Н. Вагин и др., качественных рассуждений и качественного моделирования - Дж. де Клир, Б. Куйперс, Дж. Форбус, Б. Бредевег и др. Большая часть работ связана с применением указанных технологий для решения задач планирования и диагностики, в том числе в экономических, социальных, экологических предметных областях.

Существующие модели и алгоритмы не могут быть непосредственно применены для организации интеллектуальной поддержки задач инженерного анализа технических объектов на ранних этапах проектирования, так как последние обладают рядом специфических свойств: описание задачи инженерного анализа (прецедента) имеет сложную структуру, которая может существенно изменяться в зависимости от типа технического объекта и решаемой задачи; элементы поля знаний существенно различаются по степени формализации (ряд зависимостей между параметрами может быть выражен детерминированными алгебраическими соотношениями, другие - нечеткими экспертными правилами), необходимо учитывать качественные и количественные параметры.

Поэтому актуальной задачей является адаптация моделей и алгоритмов рассуждений по прецедентам и качественных рассуждений для реализации интеллектуальной поддержки инженерного анализа технических объектов.

Цель работы состоит в сокращении сроков и повышении качества результатов инженерного анализа на ранних этапах проектирования за счет организации интеллектуальной поддержки процесса решения инженерной задачи (на примере задач контактной механики, решаемых методом конечных элементов).

Для достижения данной цели были поставлены и решены следующие задачи.

1. Исследовать процесс решения задачи контактной механики методом конечных элементов с точки зрения возникающих неалгоритмических (основанных на знаниях) задач и характеристик используемых знаний, а

также проанализировать средства и методы интеллектуальной поддержки данных задач.

2. Разработать модель представления знаний о прецедентах инженерного анализа объектов проектирования, включая знания о физических системах, инженерных задачах и методах их решения, а также зависимостях между параметрами задач и процедур решения;

3. Сформулировать для данной модели задачи выбора прецедента по запросу и задачи повышения релевантности выбранного прецедента путем его адаптации; разработать алгоритмы решения данных задач.

4. На основе разработанных моделей и алгоритмов спроектировать и реализовать макет автоматизированной системы интеллектуальной поддержки инженерного анализа для задач контактной механики и проверить ее работоспособность и эффективность.

Методы исследования. Для решения поставленных задач были использованы методы системного анализа, методы искусственного интеллекта, методы анализа бизнес-процессов, а также применялись положения теории объектно-ориентированного проектирования программных систем и теории проектирования реляционных баз данных

Научная новизна результатов, выносимых на защиту, заключается в следующем.

1. Предложена модель представления знаний о прецедентах инженерного анализа объектов проектирования, которая отличается от известных возможностями представления как количественных, так и качественных параметров с учетом их значимости через весовые коэффициенты. Применение элементов объектно-ориентированного подхода при реализации модели позволяет многократно использовать компоненты моделей для описания различных прецедентов.

2. На предложенной модели сформулирована задача поиска прецедента по запросу в виде задачи оценки близости графов и разработан алгоритм для ее решения, который отличается от известных использованием ряда эвристических приемов, обеспечивающих релевантность выбранного прецедента и скорость обработки запроса.

3. Для повышения релевантности найденного прецедента разработан алгоритм адаптации, который отличается от известных использованием знаний в форме как продукционных правил, так и путей близости с логическими операторами.

Практическая ценность полученных результатов.

1. Предложенные модели и алгоритмы реализованы в виде автоматизированной системы интеллектуальной поддержки решения задач контактной механики.

2. Создана тестовая база знаний. Проверена работоспособность автоматизированной системы при решении задач контактной механики; проведена оценка эффективности предлагаемых алгоритмов.

3. Предложенные модели и алгоритмы могут быть использованы в различных системах рассуждений по прецедентам, использующих их структурное представление.

Реализация и внедрение результатов. Макет автоматизированной системы интеллектуальной поддержки решения контактных задач внедрен в «ОАО ТПР «ВгТЗ» и ООО «ВЗБТ». Его использование позволяет сократить сроки проведения и повысить качество результатов инженерного анализа.

Апробация работы. Основные результаты работы докладывались и обсуждались на: международной конференции «Информационные технологии в образовании, технике и медицине», Волгоград, 2004; VIII региональной конференции молодых исследователей Волгоградской области, Волгоград, 2004; международном симпозиуме "Methods of Artificial Intelligence AI-METH 2005", Gliwice, Польша, 2005; XXXIII международной конференции «Информационные технологии в науке, образовании, телекоммуникации и бизнесе, Гурзуф, Украина, 2006, международной конференции «Интеллектуальные системы» AIS-2006, Дивноморское, 2006.

Публикации. По теме диссертации опубликовано 14 печатных работ, в том числе 5 публикаций в изданиях из перечня ведущих научных журналов ВАК, 4 статьи в сборниках научных трудов, 5 тезисов докладов конференций.

Структура и содержание диссертационной работы. Диссертационная работа состоит из введения, четырех глав, заключения, 2-х приложений и списка литературы. Общий объем диссертации 166 страниц, в том числе 32 рисунка, 20 таблиц, список литературы из 127 наименований.

Автор выражает глубокую благодарность проф. П. Вриггерсу и к.т.н. Сипливой М. Б. за консультации по вопросам механики контактного взаимодействия и процессу инженерного анализа, к.т.н. Жуковой И.Г. - за консультации по вопросам моделей и методов качественных рассуждений.

СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность темы диссертации, сформулированы цели и задачи исследования, научная новизна, приводится перечень основных результатов, выносимых на защиту, и излагается краткое содержание глав диссертации.

В первой главе представлены результаты моделирования по методологии IDEF процесса решения инженерной задачи, основанного на анализе методов и средств инженерного анализа, выделены задачи интеллектуальной поддержки, проведен обзор релевантных средств искусственного интеллекта, а также рассмотрена концепция интеллектуальной поддержки инженерного анализа, в рамках которой сформулированы задачи данной работы.

На основании изучения методик инженерного анализа, включая представленные в работах Покожски, Буланже, Гулиа, Кабалдина, Игнатьева, Сегерлинда и др. проведен анализ и моделирование по методологии IDEF процесса решения инженерной задачи. Определены входные и выходные данные, основные этапы и задачи данного процесса.

Выявленные задачи классифицированы на задачи алгоритмического (выполнение расчета) и неалгоритмического (классификация задачи, выбор методики решения, параметров модели и алгоритма) характера. Исследование средств автоматизации инженерного анализа показало, что в них эффективно автоматизируются алгоритмические задачи, но не реализуется поддержка неалгоритмических задач. Данные задачи выполняются инженерами в значительной степени на основе опыта - знаний об аналогичных задачах, решенных ранее.

По результатам анализа работ Половинкина, Фенвеса, Покожски и др., посвященных особенностям процесса рассуждений и используемых знаний в ходе инженерного анализа, в качестве основной технологии интеллектуальной поддержки выбраны рассуждения по прецедентам (РПП).

Анализ разработок, связанных с интеллектуальной поддержкой

_ • »

инженерного анализа, включая ГРА, ВРА, REAP, GENIUS и др. показал, что они обладают одним или несколькими из следующих недостатков: не автоматизируют ряд процедур РПП, ориентированы на отдельные узкие подзадачи в процессе анализа, не учитывают особенностей знаний и процесса рассуждений в предметной области.

В качестве тестовой области инженерного анализа выбраны задачи контактной механики в силу их распространенности, практической значимости и высокой сложности. Основным методом решения таких задач является метод конечных элементов (МКЭ). На основе изучения работ Вриггерса, Джонсона, Горячевой и др. выделены значимые признаки контактных задач и процедур их решения МКЭ, сформулированы требования к модели представления знаний и алгоритмам автоматизированной системы.

Анализ моделей и алгоритмов РПП показал, что они не удовлетворяют в полной мере данным требованиям, которые связаны со следующими особенностями предметной области:

1. Сложная и изменяющая структура описания задачи и метода решения;

2. Наличие множественных отношений между объектами (отношений включения, пространственных, функциональных отношений и др.);

3. Существенные различия в значимости отдельных компонентов описания;

4. Использование как качественных, так и количественных параметров, значения которых интерпретируются в контексте задачи.

На основании данных результатов сформулированы задачи по разработке модели представления знаний и алгоритмов рассуждений для системы интеллектуальной поддержки инженерного анализа.

Во второй главе рассматривается разработанная модель представления знаний и поставленные на ней формальные задачи.

В терминах предлагаемой модели прецедент инженерного анализа представляет собой совокупность описания физической системы (технического объекта), поставленной для нее инженерной задачи, формализации данной задачи и примененной процедуры решения. Модель физической системы является центральным элементом описания прецедента инженерного анализа, определяющим его компонентную структуру. Каждому из его компонентов сопоставляется компонент описания инженерной задачи (подзадача), ее формализации (формальная подзадача) и процедуры решения. Для этих компонентов могут быть указаны соответствующие параметры и классы.

Важным компонентом модели являются также знания о зависимостях между параметрами технического объекта, задачи и процедуры решения, которые обуславливают выбор того или иного типа решения и его параметров. Данные знания используются в ходе адаптации решения в рамках процедуры рассуждений по прецедентам.

Таким образом, разработанная модель предметной области М включает:

1. Множество прецедентов инженерного анализа, каждый из которых

включает:

1.1. модель физической системы (технического объекта), для которой поставлена и решена задача инженерного анализа;

1.2. описание поставленной задачи инженерного анализа;

1.3. описание соответствующей формальной контактной задачи;

1.4. описание использованной процедуры решения.

2. Множество зависимостей между параметрами компонентов 1.1-1.4.

М-{СЕ,ОР}у

где СЕ - множество прецедентов, ОР - множество зависимостей.

Формально описание прецедента се е СЕ представлено как

се - {пт, цт, ер, ср, 57, V}, где пт - наименование прецедента, дт - физическая система, ер -инженерная задача, ср - формальная контактная задача, л7 - процедура решения, V- множество параметров прецедента.

Физическая система дт представлена как

дт - {пт, ЕЕ, ЕЬ, СИ, V, СЕ, IV}, где пт - наименование системы, ЕЕ — множество компонентов системы, ЯЬ — множество структурных отношений между компонентами, (Ж -процедура сопоставления компонентов структурным отношениям (процедура маркировки «виртуальных» компонентов), V - множество параметров системы, СЕ - множество классов, которым принадлежит система, IV -весовая функция.

Структурные отношения ЕЕ представляют собой бинарные предикаты, определенные на множестве компонентов ЕЬ. Пусть г/ е 1И - структурное отношение

Н: Н(ЕЕхЕЕ) {0:1}.

Процедурой СЕ структурному отношению может быть поставлен в соответствие «виртуальный» компонент определенного класса, что позволяет определить для такого отношения параметры и классы.

СЯ: СЕ(№.) ->ЕЕ

Компонент физической системы е1 е ЕЬ(дт) представлен как

с/ - {пт, V, СЕ, IV}, где пт - наименование системы, ag - агрегирующий компонент (компонент, в состав которого входит е1), V - множество параметров компонента, СЬ -множество классов, которым принадлежит компонент, Ж - весовая функция.

Классы СЬУ параметры Г, отношения а также компоненты ЕЬ представляют набор атрибутов, которые используются для идентификации системы, определения степени сходства систем, а также в процессе логического вывода. Данные атрибуты могут иметь различную степень значимости (степени уверенности), которая выражается вещественным значением, сопоставленным атрибуту весовой функцией IV:

IV: V иСЬ и Я1 иЕЬ К.

Фрагмент графа модели дт физической системы, представленной на рис. 1а, приведен на рис. 16.

.. X I I I 4 I I

Тело 1

Зона контакта

Тело 2

( i ( ) > \ i' ) ■ { )

i I Т.- ................I ....... II—'

Рис. 1а. Пример физической системы Рис. 16. Фрагмент графа качественной модели Модель предусматривает механизмы наследования и инстанцирования, что подразумевает включение в модель системы дт элементов, входящих в модели классов СЬ(дт).

Ус1, ЫеСЦдт), Уе еУ(с1) и0Б(с1) иЕ1(с1) иКЦс1) иСЦс!) =>е еУ^т) и2Щт) иЕЦцт) иНЬ(дт) (^СЦдт). Модель класса структурно эквивалентна модели системы, однако отличается реализацией на выбранном языке формализации знаний, что обусловлено необходимостью поддержки механизмов наследования и инстанцирования.

Описание постановки инженерной задачи ер содержит параметры задачи анализа, поставленной на некоторой физической системе дт. Аналогично модели физического объекта дтя, оно имеет компонентную структуру. Компоненты ЕЬ представляют собой подзадачи еру связанные с компонентами физической системы дт, что позволяет ассоциировать с ними

О Объект с}

Физическое тело

Контактная пара

Параллелепипед -Л-

Система 1

включает ±_

ает ( Тело 1 —< ^ находится в контакте

/Контактна я\ у пара 1 J

-включает

Сталь

соответствующие параметры поставленной задачи (например, нагружение, закрепление отдельных физических тел).

ер ~-{пт, ЕЬ, V, СЬ, IV}, :

где пт - наименование задачи, ЕЬ - множество подзадач, V - множество параметров, СЬ - множество классов, которым принадлежит задача, цт -физическая система (объект), для которого поставлена задача, IV - весовая функция.

Описание компонента инженерной задачи е1 е ЕЬ(ер) представлено как

е! - {пт, е1цт, V, СЬ, IV}, где пт - наименование системы, еХцт - компонент физической системы цт, которому соответствует е1у еЩт е ЕЬ(цт), V - множество параметров компонента, СЬ - множество классов, которым принадлежит компонент, IV -весовая функция.

Аналогичным образом представлены описания формальной задачи ср и процедуры решения 5/.

Фрагмент модели прецедента, который соответствует решению методом конечных элементов задачи на контактную прочность для физической системы на рис. 1а с нагружением тела А постоянной нормальной распределенной силой, представлен на рис. 2.

(Тепо1 I

-■-' АКПШЧ;

' ' задана 1 У*--"РОДставлявт

__. •"'Распределем'ч

^ иав мя«

'С

-поставлена на

находится в «онгактв;

включает

КомтактнаяЧ пара 1 у >чает ♦ > I. -■■▼

(НЕУ ! С~ааз)

X I ' ■

поставлена на-"

■.поставлена на-

II . «вТ афючавт I

Рис. 2. Фрагмент модели представления прецедента инженерного анализа Данная модель может быть представлена в виде маркированного ориентированного взвешенного графа, что позволяет применять при выборе прецедентов эффективные алгоритмы сравнения графов, а также с помощью

формальной онтологии, что позволяет использовать при адаптации прецедентов средства логического вывода на онтологиях. В работе приведена реализация данных представлений; в качестве средства формального описания онтологии выбран язык описательной логики OWL DL,

Для представления в онтологии зависимостей DP, используемых при адаптации прецедентов, предлагаются два механизма:

1. продукционные правила с помощью необходимых и необходимых и достаточных логических условий в описаниях концептов;

2. пути близости с логическими операторами.

Преимуществом первого способа является возможность эффективного использования стандартных механизмов логического вывода описательной логики при проверке выполнения ограничений (срабатывания продукционных правил), а также возможность использования в логических выражениях ссылок на классы объектов (их принадлежность концептам онтологии). Однако данный способ не позволяет обрабатывать весовые коэффициенты W.

Достоинствами второго способа является возможность учета весовых коэффициентов W, отражающих степень уверенности эксперта (реализуются с помощью скалярных атрибутов экземпляров, входящих в пути близости), а также использование «неявных» знаний, которые заложены в иерархии классов CL, представленных концептами онтологии С. Однако обработка путей близости требует реализации специализированных алгоритмов, а также не позволяет использовать ссылки на классы объектов - логические выражения определены на множестве параметров.

Первый способ позволяет оперировать выражениями исчисления предикатов первого порядка, в то время как второй способ ограничен выражениями исчисления высказываний.

Совместное использование обоих способов позволяет представлять фактически любые зависимости, определяемые на всех элементах модели, и использовать наиболее эффективные средства вывода для каждого из типов.

Для представленной модели поставлены формальные задачи по разработке алгоритмов рассуждений, включая алгоритмы поиска и адаптации прецедентов.

В третьей главе описаны разработанные для представленной модели алгоритмы.

Исходя из представимости модели в виде маркированного ориентированного взвешенного графа G, задача оценки близости запроса и

прецедента может быть сформулирована как задача сравнения двух графов О/ и £2.

Алгоритм сравнения графов С/ и 02 включает следующие этапы:

1. построение сопоставления Р множеств N(01) и N(02) вершин графов (сопоставление ребер однозначно следует из сопоставления вершин);

2. расчет близости графов по заданному сопоставлению их вершин Р.

Р представляет собой отображение множества вершин одного из графов на множество вершин другого графа; Р: N(01) —► N(02). В разработанном алгоритме отображению Р соответствует функция близости пары вершин ¿5:

N(01) х N(02) -* [0..1], Уп1 еN(01), п2еN(02),(п1,п2) !еР-+ ЬБ(п1,п2) =0. Расчет значения близости двух графов а, О2 по заданному сопоставлению вершин Р и функции ££ осуществляется по следующей формуле:

5(01,в2) = (1 - И*) * ^-—-+ Н'5 *-:-Ц-.---

2>'(^./>1) Ш1П(|^(01)|, |ЛГ((72)|)

•9

где жу - весовой коэффициент штрафной функции разделения вершин,

\Р\ - количество сопоставлений (пар сопоставленных вершин), Ш(01)\ -

количество вершин в графе а, Ш(02)\ - количество вершин в графе 02.

Исследование свойств модели М и анализ тестовых примеров позволяют отметить следующие особенности рассматриваемых графов, значимые для построения алгоритма сопоставления вершин:

1. набор меток вершин (классы и параметры компонентов) в большинстве случаев представляет достаточную информацию для адекватного сопоставления вершин; информация о структуре графа зачастую оказывается относительно менее значимой (за указанным ниже исключением);

2. граф АО(С), получаемый из графа О удалением всех дуг, не являющихся отношениями агрегации, является деревом;

3. относительное положение в иерархии агрегации является структурной информацией, имеющей существенное значение для сопоставления вершин.

Алгоритм сопоставления реализован как рекурсивного обхода дерева агрегации АО(С) от корневого узла к листьям. Исходя из отмеченной выше особенности 1 сопоставляемых графов (высокая информативность набора

меток вершин), данный обход реализуется как обход «в глубину» без откатов - т.е. сопоставление вершины не может быть отменено. Данная эвристика существенно снижает трудоемкость алгоритма при обеспечении высокой эффективности сопоставления. Исходя из данных свойств, в алгоритме сопоставления вершин графов, представляющих компоненты модели М, реализованы следующие эвристики:

1. компоненты ell и е12 могут быть сопоставлены в том случае, если хотя бы один из них является корневым узлом дерева агрегации {Vn, пeN(Gl) и п eN(G2)=> neEL(ell) и N(G2) или существуют агрегирующие их компоненты ellx и е/2х, которые уже сопоставлены {3 пх!,пх2, ell eELfnxi), el2 eEL(nx2), (nxl,nx2) eP);

2. компоненты ell должен быть сопоставлен компоненту el2 на текущем шаге, если локальная оценка близости для данной пары компонентов максимальна: Vn, п gNX(G2), LS(ell,n)<LS(ell,el2), где NX(G2) -множество вершин графа G2, для которых выполнено условие 1 и еще не определено сопоставление Р.

Основными шагами разработанного алгоритма являются:

1. Если \G1\ < \G2\, GS = Gl, GT = G2, иначе GS - G2, GT - Gl;

2. gx - вершина графа GS, являющейся корнем дерева агрегации; поместить в список SC все вершины графа GT;

3. Для каждой вершины sc в SC рассчитать LS(gx,sc), поместить в список SV;

4. Найти максимальное значение sv в SV и соответствующую ему вершину sc в списке SC\

5. Добавить (gx, sc) в Р, sv(gx,sc) в LS;

6. Для каждой вершины gxc в EL(gx)

6.1. очистить список SC;

6.2. поместить в SC все вершины графа GT, принадлежащие поддереву агрегации, корневым узлом которого является sc;

6.3. выполнить шаг 3 npngx - gxc.

Таким образом, процедуре оценки локальной близости двух вершин nl, п2 доступны следующие данные:

1. Множества меток вершин графа, представляющих классы: CNL(nl), CNL(n2) и их веса W(CNL(nl)), W(CNL(n2));

2. Множества меток вершин графа, представляющих параметры: VNL(nl), VNL(n2) и их веса W(WL(nl)), W(VVL(n2)); в данные множества включаются как статические (определенные пользователем) метки,

соответствующие значениям перечислимых параметров VL, так и метки, соответствующие качественным значениям вещественным значениям вещественных параметров VR, которые генерируются алгоритмом проецирования критических точек;

3. Множества меток входящих дуг IEL(nl), 1ЕЕ(п2), исходящих дуг OEL(nl), ОЕЕ(п2) и их веса W(IEL(nl)), W(lEL(n2W(OEL(nl)), W(()EL(n2));

4. Сопоставления Рр вершин, принадлежащих пути МР(п1) от вершины nl к корневой вершине дерева агрегации AG(G1) .

В качестве меры сходства множеств меток 1-3 используется близость CBS. Алгоритм расчета CBS использует модель «-мерного векторного пространства, где множество С представлено w-мерным вектором v„ каждому компоненту v,/cy которого соответствует элемент множества С.

При оценке близости множеств меток классов CNLfnl), C.NL(n2) каждая метка класса представляет концепт онтологии Су, вершины nl, п2 представляют экземпляры онтологии /7, /2. Если экземпляр /' не принадлежит концепту Су, соответствующий компонент вектора v,fj] равен нулю, если принадлежит - значение vf/j] вычисляется на основе значения весовой функции W(Cj,i) для данного концепта Су и экземпляра / (в простейшем случае - равно W(Cj,iJ). CBS вычисляется как косинус угла между векторами экземпляров:

vl *v2

CBSQV 2) =

НИИ

>

где v/, v2 - вектора, соответствующие экземплярам И и /2.

Общая формула компонента v,[j] представляющего экземпляр / вектора v„ который соответствует концепту Су, имеет вид:

V.//7 = W(CJ, I) * Ри,

pfc= gpf*cpfc,

где gpf - глобальный штрафной фактор, cpf- штрафной фактор концепта С, определяющий степень доверия к его логическим условиям принадлежности.

Аналогичным образом рассчитывается оценка CBS для множеств параметров PWL(nl), VNL(n2), а также множеств меток входящих дуг IEL(nl), IEL(n2) и исходящих дуг OEL(nl), ОЕЕ(п2). Поскольку вершина может иметь несколько входящих или исходящих дуг одного типа (с одинаковым набором меток), при формировании векторов производится суммирование весов дуг каждого типа. Формула для компонента вектора v,[/J представляющего экземпляр / вектора v„ который соответствует типу 7} входящих/исходящих отношений, в этом случае имеет вид:

v.Lfl« IX^,.*)

где N(Tj) - количество инцедентных i дуг типа 7}, - вес k-й дуги типа

Tj-

Сопоставления вершин Рр используются для построения оценки близости Я/', учитывающей относительное положение в иерархии агрегации. Пусть АР(п1) -путь на AG(G1) от вершины nie N(G), nl Je P (вершины графа G, для которой еще не определено сопоставление Р) до вершины nxl е N(G), nxl е Рр (вершины графа G, для которой уже определено сопоставление Р), \АР(п1)\ - длина этого пути; АР(п2) — путь на AG(G2) от вершины п2 до вершины пх2, такой, что Р(пх1) —> пх2; , \АР(п2)\ - длина этого пути. Тогда оценкой относительного положения двух вершин в дереве агрегации является

шах(]ЛР(//1)|,|^Р(«2)|

Общая оценка локальной близости двух вершин рассчитывается как взвешенная сумма представленных выше оценок близости по множествам классов, параметров и дуг, а также оценки HP:

LS(nl,n2) ~ ь ws * HP(nl, п2) + wc * CBS(CNL(nl),CNL(n2))

+ wv * C.BS(VNL(nl), VNL(n2)) + we * (CBS(IEL(nl), 1EL (n2)) i- CBS(OEL(nl), OEL (n2))) 2, где ш- - весовой коэффициент близости по относительному расположению, wc - весовой коэффициент близости по классам, wv — весовой коэффициент близости по параметрам, wv - весовой коэффициент близости по отношениям; при этом ws + wc + wv + we - 1.

За счет применения на этапе сопоставления вершин эвристик, учитывающих особенности модели М, разработанный алгоритм обеспечивает высокую адекватность сопоставления, при этом имеет линейную сложность (класс сложности Р), обеспечивая достаточную производительность АС. Благодаря использованию в процедуре оценки близости пары вершин оценки CBS, которая отличается от известной использованием вещественных компонентов n-мерных векторов, рассчитываемых на основе весовых коэффициентов W модели М, а также эвристическую оценку HP, отражающую относительное положение вершин на графе, алгоритм получать адекватные оценки близости в несбалансированной онтологии и предоставляет возможность гибкой настройки.

Для адаптации выбранных прецедентов к поставленной задаче (РГТГТ-запросу) предложен механизм подстановочной адаптации, который использует метод путей близости и подбор значений на основе продукционных правил. Совместное применение данных алгоритмов позволяет обрабатывать различные формы представления знаний о зависимостях между свойствами задач и процедур решения: как пути близости с логическими условиями и нечеткими оценками значений свойств, так и детерминированные продукционные правила.

Алгоритмы адаптации используют сопоставление компонентов Р, генерируемое процедурой оценки близости.

Алгоритм адаптации на основе путей близости основан на использовании зависимостей между свойствами задачи и решения, представленными на графе онтологии путями от свойств задачи к свойствам решения. Он состоит из следующих основных этапов:

1. Поиск всех путей близости SPjt начинающихся на экземплярах, представляющих значения параметров й!РР компонентов Е1.(1д) РПП-запроса /д, отличающихся от значений соответствующих свойств компонентов ЕЬ(1р) индекса прецедента 1р, сопоставленных ЕЦку) отношением Р;

2. Поиск всех путей близости 57/, изоморфных путям начинающимся на экземплярах, которые представляют значения параметров 01ГГ: компонентов Е1,(1ф РПП-запроса /<?, и выполненных для этих экземпляров.

Разработанный алгоритм адаптации на основе путей близости отличается от известного следующими свойствами:

1. возможность обработки логических операторов И и НЕ при представлении зависимостей между свойствами решаемой задачи и свойствами решения;

2. возможность использования весовых коэффициентов, приписанных свойствам задачи и решения;

3. получение количественной оценки эффекта адаптации.

Алгоритм адаптации на основе правил основан на генерации возможных сочетаний значений адаптируемых признаков и последующей их фильтрации на основе продукционных правил базы знаний.

Данная задача может быть сформулирована как проблема удовлетворения ограничениям на конечных дискретных областях, с представлением ограничений в виде правил. Рассмотрена адаптация

алгоритма решения данной задачи для работы на онтологии с использованием механизма логического вывода описательной логики -установления отношения принадлежности экземпляра концепту.

Представлен алгоритм проецирования критических точек, используемый алгоритмами расчета близости и адаптации прецедентов. Данный алгоритм решает задачу контекстно-зависимого сопоставления значений параметров за счет формирования полного набора критических точек качественной переменной z путем добавления к явно заданным для нее критическим точкам точек, соответствующих критическим точкам переменных, которые связаны с z какими-либо ограничениями. Основными этапами алгоритма являются:

1. Построение множества переменных VR, связанных с заданной переменной z некоторыми ограничениями;

2. Для каждой из переменных v eVR\

2.1 .определение вида монотонности зависимости z от v; 2.2.добавление критических точек v на шкалу переменной z с определением отношения порядка с помощью информации о монотонности зависимостей.

При установлении отношений порядка между сформированными критическими точками может возникать ситуация неопределенности, свойственная всем процедурам качественных рассуждений; в этом случае недостающая информация об отношениях порядка между качественными значениями запрашивается у пользователя.

Четвертая глава посвящена вопросам проектирования и реализации автоматизированной системы интеллектуальной поддержки инженерного анализа контактных задач и проверке эффективности разработанных моделей и алгоритмов.

Макет автоматизированной системы интеллектуальной поддержки инженерного анализа контактных задач (АС ИП) разработан с использованием технологии объектно-ориентированного анализа и проектирования и языка моделирования UML. Он реализован как Windows-приложение, функционирующее на платформе .NET 2.0. Предусмотрена возможность реализации Web-интерфейса на платформе ASP.NET 2.0, что в перспективе позволит предоставить широкий доступ инженерным и научным коллективам к наполнению и использованию коллекции прецедентов инженерного анализа.

Концептуально АС ИП состоит из следующих основных модулей: база знаний, подсистема работы со знаниями, подсистема интеллектуальной поддержки.

База знаний, построенная на основе разработанной модели представления знаний о предметной области, реализует типовую функциональность хранения и проверки целостности данных и знаний. Предусмотрено два варианта реализации хранилища информации: с использованием реляционной СУБД MS SQL Server с организацией доступа по технологии ADO.NET и с использованием XML документов в формате RDF с организацией доступа при помощи библиотек Protégé OWL.

Подсистема работы со знаниями представляет эксперту и инженеру по знаниям интерфейс для создания, просмотра и редактирования элементов модели предметной области - качественных моделей физических систем и прецедентов инженерного анализа, а также настройки параметров АС ИП, включая значения по умолчанию весовых коэффициентов W, параметры алгоритма оценки близости графов и др.

Функциональность. подсистемы интеллектуальной поддержки определяется используемой концепцией интеллектуальной поддержки инженерного анализа контактных задач: построение описания задачи инженерного анализа, включающего качественную модель исследуемой физической системы, определение метода инженерного анализа и его параметров путем выбора и адаптации прецедентов из базы знаний.

Рассмотрен тестовый пример решения с использованием разработанного макета АС ИП задачи расчета на контактную прочность пары «шатун-ползун», входящей в гидроблок бурового насоса, в качестве прецедента для которой использована задача «Нагруженная ось» из набора тестовых задач FENET Benchmark 2005.

С помощью разработанного макета АС ИП проведено тестирование разработанных моделей и алгоритмов. Тестовая коллекция из 100 прецедентов была сформирована из примеров, представленных в соответствующих томах руководств по CAE системам ABAQUS и MARC (ABAQUS Example Manual, MARC Sample Problems), наборах тестов для систем и алгоритмов решения контактных задач NAFEMS Benchmark, FENET Benchmark, а также примеров, сформированных в ходе консультаций с экспертами.

Для оценки эффективности алгоритмов выборки прецедентов было сформировано 50 описаний задач инженерного анализа (РПП-запросов), для

каждой из которых экспертным путем были определены наиболее релевантные прецеденты базы знаний. Критерием оценки точности алгоритмов выборки является доля корректно определенных (совпадающих с экспертными оценками) прецедентов при обработке тестовых запросов. С целью оценки эффективности эвристических приемов, реализованных в алгоритме расчета близости, было проведено сравнительное тестирование с алгоритмом, использующим полный перебор всех возможных сопоставлений вершин графов. Точность алгоритма с эвристиками составила 82%, алгоритма с полным перебором - 85%, при этом среднее время на сопоставление запроса с прецедентом для алгоритма с эвристиками составило 2 е., для алгоритма с полным перебором - 88 с. (что делает его фактически непригодным для использования в АС). Таким образом, разработанный алгоритм поиска обеспечивает высокую точность и необходимую производительность.

Для оценки эффективности алгоритмов адаптации для каждого из релевантных прецедентов экспертным путем были определены необходимые модификации параметров процедуры решения. Доля корректно определенных алгоритмом адаптации модификаций, представляющая оценку качества адаптации «с т.з. эксперта» составила 77 %. При этом средняя оценка эффекта адаптации прецедента к соответствующему РПП-запросу, представляющая оценку качества адаптации «с т.з. системы» составила 85%.

В целом тестирование позволяет сделать вывод, что разработанные модели и алгоритмы адекватны поставленным задачам и достаточно эффективны для реализации системы интеллектуальной поддержки инженерного анализа.

Разработанный макет автоматизированной системы интеллектуальной поддержки решения контактных задач прошел опытную эксплуатацию в «ОАО ТПР «ВгТЗ» и ООО «ВЗБТ» . На основе полученных оценок экспертов среднее сокращение сроков и затрат на проведение инженерного анализа можно оценить как 35%. Наряду с сокращением сроков и стоимости проведения инженерного анализа за счет уменьшения количества итераций анализа, обусловленных неверным выбором методов и параметров процедуры решения, вклад в экономический эффект от использования АС интеллектуальной поддержки может вносить снижение требований к уровню квалификации инженера.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ И ВЫВОДЫ

Основные научные и прикладные результаты диссертационной работы

заключаются в следующем.

1. Разработана модель представления знаний о прецедентах инженерного анализа объектов проектирования, которая отличается от известных возможностями представления как количественных, так и качественных параметров с учетом их значимости через весовые коэффициенты. Применение элементов объектно-ориентированного подхода при реализации модели позволяет многократно использовать компоненты моделей для описания различных прецедентов.

2. На разработанной модели сформулирована задача поиска прецедента по запросу, и разработан алгоритм ее решения, основанный > сравнении ориентированных маркированных взвешенных графов; данный алгоритм включает процедуру сопоставления вершин, которая использует ряд эвристик, позволяющих обеспечить достаточную производительность при высокой адекватности сопоставления, и процедуру расчета близости пары вершин, использующую модифицированные оценки CBS и HP, которые позволяют получать адекватные оценки близости в несбалансированной онтологии и предоставляют возможность гибкой настройки алгоритма.

3. На разработанной модели сформулирована задача повышения релевантности найденного прецедента путем адаптации, и разработан алгоритм ее решения, который использует знания о зависимостях между параметрами задачи и процедуры решения в форме как продукционных правил, так и путей близости с логическими операторами, что позволяет применять в ходе адаптации широкий спектр адекватно представленных знаний предметной области, а также рассчитывает количественную оценку эффекта адаптации, что повышает для пользователя «прозрачность» работы интеллектуальной системы. Алгоритм использует ряд эффективных стандартных процедур логического вывода на онтологиях.

4. Разработан алгоритм проецирования критических точек качественных переменных, который решает задачу оценки значения вещественного параметра с учетом контекста - значений остальных параметров; данный алгоритм используется алгоритмами поиска и адаптации прецедентов.

5. На основе разработанных моделей и алгоритмов спроектирована и реализована автоматизированная система интеллектуальной поддержки

инженерного анализа в области контактной механики ISFEA. Создана коллекция прецедентов, проведено тестирование моделей и алгоритмов. Результаты тестирования позволяют сделать вывод, что разработанные модели и алгоритмы соответствуют поставленным задачам. 6. Разработанный макет автоматизированной системы интеллектуальной поддержки решения контактных задач прошел опытную эксплуатацию в «ОАО ТПР «ВгТЗ» и «ООО «ВЗБТ», которая показала его работоспособность.

В целом полученные результаты позволяют сократить сроки проведения и повысить качество результатов инженерного анализа.

Основные результаты диссертации изложены в следующих работах:

1. Сливин Р.Ю. Применение рассуждений по прецедентам для интеллектуальной поддержки инженерного анализа / Р.Ю. Сливин, И.Г. Жукова, М.Б. Сипливая // Интеллектуальные системы (IEEE AIS'06), Интеллектуальные САПР (CAD-2006): Междунар. науч. -техн. конф, Дивноморское, 3-10. 09. 2006 /Таганрог, гос. радиотехн. ун-т и др. - М., 2006.-Том I.-C. 166-172.

2. Жукова И.Г. Модели и алгоритмы для интеллектуальной поддержки инженерного анализа на основе рассуждений по прецедентам и качественных рассуждений / И.Г. Жукова, М.Б. Сипливая, Р.Ю. Сливин // Мат. XXXIII межд. конф. «Информационные технологии в науке, образовании, телекоммуникации и бизнесе» - Гурзуф, 2006. - С. 92-24.

3. Сливин Р.Ю. Интеллектуальная поддержка инженерного анализа / Р.Ю. Сливин, П. Вриггерс, М.Б. Сипливая, И.Г. Жукова // Мат. межд. конф. «Методы искусственного интеллекта AI-METH 2005». — Гливице, Польша, 2005. - С. 112-116. - Англ.

4. Жукова И.Г. Система интеллектуальной поддержки инженерного анализа на основе онтологий, рассуждений по прецедентам и качественных рассуждений / И.Г. Жукова, М.Б. Сипливая, Р.Ю. Сливин // Мат. межд. конф. «Системные проблемы надёжности, качества, информационных и электронных технологий в инновационных проектах (Инноватика - 2005)» . - Сочи, 2005. - С. 53-55.

5. Сипливая М.Б. Формализация знаний в области решения задач контактной механики в виде онтологии / М.Б. Сипливая, И.Г. Жукова, Р.Ю. Сливин // Вестник Волгоградского государственного архитектурно-строительного университета. - Волгоград, 2005.— С. 73-77.

6. Жукова И.Г. Проблемы организации интеллектуальной поддержки принятия решений в процессе инженерного анализа / И.Г. Жукова, М.Б. Сипливая, Р.Ю Сливин // Вестник Волгоградского государственного технического университета. — Волгоград, 2005. — С. 78-82.

7. Дворянкин А. М. Модели и алгоритмы качественного моделирования / А. М. Дворянкин, Р.Ю. Сливин, И.Г. Жукова // Информационно -измерительные и управляющие системы: Научно - технический журнал. - 2004. - Т. 2, № 2. - С. 4-17.

8. Жукова И. Г. Комплексная модель технического объекта, использующая количественную и качественную информации / И.Г. Жукова, Р. Ю. Сливин // Информационно - измерительные и управляющие системы: Научно - технический журнал. - 2004. - Т. 2, №2. - С. 18-30.

9. Жукова И.Г. Среда для автоматизированного качественного анализа и моделирования технических объектов / И.Г. Жукова, Р. Ю. Сливин // Информационные технологии в образовании, технике и медицине: Матер, междунар. конф., Россия, Волгоград, 18-22 окт. 2004г. / ВолгГТУ и др. -Волгоград, 2004. - Т. 2. - С. 256-266.

10. Вриггерс П. Применение качественных рассуждений для интеллектуального управления процессом моделирования методами конечных элементов / П. Вриггерс, М. Б. Сипливая, И. Г. Жукова, Р. Ю. Сливин // Успехи современного естествознания: Науч.-теор. журнал: Приложение 11. Материалы XXXI Междунар. конф. «1Т + Б&Ес! 2004». -М., 2004. -15. - С. 312-314. - Англ.

11. Жукова И.Г. Комплексная полу качественная модель описания технических объектов / И.Г. Жукова, Р.Ю. Сливин // Интеллектуальные системы (ШЕЕ А^'ОЗ), Интеллектуальные САПР (САО-2003): Тр. Междунар. науч. -техн. конф, , Дивноморское, 3-10. 09. 2003 /Таганрог, гос. радиотехн. ун-т и др. - М., 2003. - Том I. - С. 181-188.

12. Жукова И.Г. Система поддержки проектных решений на основе качественного моделирования / И.Г. Жукова, Р.Ю. Сливин // Концептуальное проектирование в образовании, технике и технологии: Межвузовский сборник научных трудов ВолгГТУ. - Волгоград, 2002. -Выпуск6.-С. 78-83.

Подписано в печать 26.09.06. Заказ № 703. Печ. л. 1,0. Тираж 100 экз.

Формат 60 х 84 1/16. Бумага офсетная. Печать офсетная.

Типография «Политехник» Волгоградского государственного технического университета.

400131, Волгоград, ул. Советская, 35

ПЕРЕЧЕНЬ СОКРАЩЕНИЙ И УСЛОВНЫХ ОБОЗНАЧЕНИЙ.

ВВЕДЕНИЕ.

ГЛАВА 1. ПОДХОДЫ К ПОДДЕРЖКЕ ИНЖЕНЕРНОГО АНАЛИЗА.

1.1. Процесс инженерного анализа и его автоматизация.

1.2. Задачи контактной механики. Метод конечных элементов.

1.3. Рассуждения по прецедентам и их применение для интеллектуальной поддержки инженерного анализа.

1.3.1. Технология рассуждений по прецедентам.

1.3.2. Формы представления прецедентов.

1.3.3. Алгоритмы поиска и адаптации прецедентов.

1.4. Цель и задачи исследования.

ГЛАВА 2. МОДЕЛЬ ПРЕДСТАВЛЕНИЯ ЗНАНИЙ.

2.1. Структура модели.

2.1.1. Общая характеристика модели.

2.1.2. Качественная модель физической системы.

2.1.2.1. Общая характеристика качественной модели.

2.1.2.2. Качественные переменные.

2.1.2.3. Структурные элементы качественной модели.

2.1.3. Описание прецедента инженерного анализа.

2.1.4. Зависимости между параметрами.

2.2. Свойства модели. Представимость в виде графа и онтологии.

2.2.1. Основные свойства модели.

2.2.2. Представление модели с помощью онтологии.

2.2.3. Представление модели в виде графа.

2.3. Задачи рассуждений на модели.

Выводы по главе 2.

ГЛАВА 3. МЕХАНИЗМ РАССУЖДЕНИЙ. АЛГОРИТМЫ.

3.1. Выбор прецедентов.

3.1.1. Общий подход к выбору прецедентов на основе близости графов.

3.1.2. Процедура сопоставления вершин графов.

3.1.3. Оценка локальной близости двух вершин графов.

3.2. Адаптация прецедентов.

3.2.1. Общий алгоритм адаптации.

3.2.2. Алгоритм проверки путей близости.

3.3. Алгоритм проецирования критических точек переменных.

3.4. Основные свойства разработанных алгоритмов.

Выводы по главе 3.

ГЛАВА 4. АПРОБАЦИЯ МОДЕЛЕЙ И АЛГОРИТМОВ.

4.1. Архитектура автоматизированной системы. Аспекты реализации.

4.2. Методика решения инженерной задачи с использованием автоматизированной системы.

4.3. Процесс решения инженерной задачи. Тестовый пример.

4.4. Тестирование эффективности алгоритмов.

Выводы по главе 4.

Актуальность темы. Современные средства инженерного анализа технических решений опираются на мощный и постоянно развивающийся математический аппарат, основу которого составляют численные методы решения дифференциальных уравнений. Данный аппарат поддается эффективной автоматизации, модули инженерных расчетов являются неотъемлемыми частями систем CAE и САПР.

Однако обратной стороной мощности современного аппарата инженерных расчетов является его сложность. Процесс инженерного анализа включает ряд неалгоритмических задач (построение модели анализируемого объекта, выбор алгоритма и параметров расчета, интерпретация его результатов в терминах рассматриваемой проблемы), от решения которых решающим образом зависит точность и надежность полученных результатов.

Современные CAE и подсистемы инженерного анализа САПР эффективно реализуют большое количество расчетных методов, но практически we оказывают пользователю поддержки при выполнении неалгоритмических задач. Таким образом, задачи инженерного анализа требуют значительных материальных и трудовых затрат, а также привлечения высококвалифицированных специалистов.

Одним из способов уменьшения затрат на проведение инженерного анализа и снижение требований к квалификации инженера-расчетчика является организация интеллектуальной поддержки решения неалгоритмических задач инженерного анализа со стороны автоматизированной системы.

Реализация такой поддержки подразумевает разработку формального представления инженерных знаний и автоматизацию процесса рассуждений с использованием этих знаний. Проблемам представления знаний и автоматизации рассуждений посвящено большое количество работ в области искусственного интеллекта. Существенный вклад в развитие данного направления внесли Д.А. Поспелов, В.Н. Вагин, B.IvL Курейчик, Г.С. Осипов, А.А. Зенкин, Волкова Г.Д., Петрова И.Ю., П. Уинстон, П. Джексон, Дж. МакКарти.

Важными особенностями процесса рассуждений в ходе инженерного анализа являются использование как качественной, так и количественной информации, а также использование накопленного опыта - знаний о ранее решенных задачах, аналогичных данной. Результаты изучения работ по исследованию характера знаний и процесса рассуждений в ходе инженерного анализа, включая работы Дж. Покожски, С. Фенвеса и др., позволяют выделить рассуждения по прецедентам и качественные рассуждения в качестве наиболее адекватных задачам интеллектуальной поддержки инженерного анализа технологий искусственного интеллекта. Большой вклад в развитие рассуждений по прецедентам внесли Д.Лик, Дж.Колоднер, А. Кинли, В.Н. Вагин и др., качественных рассуждений и качественного моделирования -Дж. де Клир, Б. Куйперс, Дж. Форбус, Б. Бредевег и др. Большая часть работ связана с применением указанных технологий для решения задач планирования и диагностики, в том числе в экономических, социальных, экологических предметных областях.

Существующие модели и алгоритмы не могут быть непосредственно применены для организации интеллектуальной поддержки задач инженерного анализа технических объектов на ранних этапах проектирования, так как последние обладают рядом специфических свойств: описание задачи инженерного анализа (прецедента) имеет сложную структуру, которая может существенно изменяться в зависимости от типа технического объекта и решаемой задачи; элементы поля знаний существенно различаются по степени формализации (ряд зависимостей между параметрами может быть выражен детерминированными алгебраическими соотношениями, другие - нечеткими экспертными правилами), необходимо учитывать качественные и количественные параметры.

Поэтому актуальной задачей является адаптация моделей и алгоритмов рассуждений по прецедентам и качественных рассуждений для реализации интеллектуальной поддержки инженерного анализа технических объектов.

Цель работы состоит в сокращении сроков и повышении качества результатов инженерного анализа на ранних этапах проектирования за счет организации интеллектуальной поддержки процесса решения инженерной задачи (на примере задач контактной механики, решаемых методом конечных элементов).

Для достижения данной цели были поставлены и решены следующие задачи.

1. Исследовать процесс решения задачи контактной механики методом конечных элементов с точки зрения возникающих неалгоритмических (основанных на знаниях) задач и характеристик используемых знаний, а также проанализировать средства и методы интеллектуальной поддержки данных задач.

2. Разработать модель представления знаний о прецедентах инженерного анализа объектов проектирования, включая знания о физических системах, инженерных задачах и методах их решения, а также зависимостях между параметрами задач и процедур решения;

3. Сформулировать для данной модели задачи выбора прецедента по запросу и задачи повышения релевантности выбранного прецедента путем его адаптации; разработать алгоритмы решения данных задач.

4. На основе разработанных моделей и алгоритмов спроектировать и реализовать макет автоматизированной системы интеллектуальной поддержки инженерного анализа для задач контактной механики и проверить ее работоспособность и эффективность.

Методы исследования. Для решения поставленных задач были использованы методы системного анализа, методы искусственного интеллекта, методы анализа бизнес-процессов, а также применялись положения теории объектно-ориентированного проектирования программных систем и теории проектирования реляционных баз данных

Научная новизна результатов, выносимых на защиту, заключается в следующем.

1. Предложена модель представления знаний о прецедентах инженерного анализа объектов пооектиоования. котооая отличается от известных вт

А Ж 'А можностями представления как количественных, так и качественных параметров с учетом их значимости через весовые коэффициенты. Применение элементов объектно-ориентированного подхода при реализации модели позволяет многократно использовать компоненты моделей для описания различных прецедентов.

2. На предложенной модели сформулирована задача поиска прецедента по запросу в виде задачи оценки близости графов и разработан алгоритм для ее решения, который отличается от известных использованием ряда эвристических приемов, обеспечивающих релевантность выбранного прецедента и скорость обработки запроса.

3. Для повышения релевантности найденного прецедента разработан алгоритм адаптации, который отличается от известных использованием знаний в форме как продукционных правил, так и путей близости с логическими операторами.

Практическая ценность полученных результатов.

1. Предложенные модели и алгоритмы реализованы в виде автоматизированной системы интеллектуальной поддержки решения задач контактной механики.

2. Создана тестовая база знаний. Проверена работоспособность автоматизированной системы при решении задач контактной механики; проведена оценка эффективности предлагаемых алгоритмов.

3. Предложенные модели и алгоритмы могут быть использованы в различных системах рассуждений по прецедентам, использующих их структурное представление.

Реализация и внедрение результатов. Макет автоматизированной системы интеллектуальной поддержки решения контактных задач внедрен в «ОАО ТПР «ВтТЗ» и ООО «ВЗБТ». Его использование позволяет сократить сроки проведения и повысить качество результатов инженерного анализа.

Апробация работы. Основные результаты работы докладывались и обсуждались на: международной конференции «Информационные технологии в образовании, технике и медицине», Волгоград, 2004; VIII региональной конференции молодых исследователей Волгоградской области, Волгоград, 2004; международном симпозиуме "Methods of Artificial Ы-рШстрпгр АТ-МЕТН 2005", Gliwice, Польша, 2005; XXXIII международной конференции «Информационные технологии в науке, образовании, телекоммуникации и бизнесе, Гурзуф, Украина, 2006, международной конференции «Интеллектуальные системы» AIS-2006, Дивноморское, 2006.

Публикации. По теме диссертации опубликовано 14 печатных работ, в том числе 5 публикаций в изданиях из перечня ведущих научных журналов ВАК, 4 статьи в сборниках научных трудов, 5 тезисов докладов конференций.

Структура и содержание диссертационной работы. Диссертацнеи ная работа состоит из введения, четырех глав, заключения, 2-х приложений и списка литературы. Общий объем диссертации 166 страниц, в том числе 32 рисунка, 20 таблиц, список литературы из 127 наименований.

Выводы по главе 4

1. На основе моделей и алгоритмов, предложенных в главах 2-3, спроектирована автоматизированная система интеллектуальной поддержки инженерного анализа в области контактной механики ISFEA. Концептуально АС ИП состоит из следующих основных модулей: база знаний, подсистема работы со знаниями, подсистема интеллектуальной поддержки. Главной функцией АС является поддержка решения задач контактной механики. Примененная при проектировании АС трехуровневая архитектура и разработанные классы межуровневых интерфейсов предоставляют возможности как быстрого макетирования системы, так и дальнейшего развития макета в полноценное бизнес-приложение.

2. Создана тестовая коллекция прецедентов включающая примеры, представленные в руководствах по CAE системам ABAQUS и MARC (ABAQUS Example Manual, MARC Sample Problems), наборах тестов для алгоритмов решения контактных задач NAFEMS Benchmark, FENET Benchmark, а также примеры, сформированные в ходе консультаций с экспертами.

3. С помощью разработанного макета АС ИП и коллекции прецедентов проведено тестирование предлагаемых моделей и алгоритмов. Результаты тестирования позволяют сделать вывод, что разработанные модели и алгоритмы адекватны поставленным задачам и достаточно эффективны для реализации системы интеллектуальной поддержки инженерного анализа.

4. Разработанный макет автоматизированной системы интеллектуальной поддержки решения контактных задач прошел опытную эксплуатацию в «ОАО ТПР «ВгТЗ» и «ООО «ВЗБТ». На основе полученных оценок экспертов среднее сокращение сроков и затрат на проведение инженерного анализа можно оценить как 35%. Наряду с сокращением сроков и стоимости проведения инженерного анализа за счет уменьшения количества итераций, обусловленных неверным выбором методов и параметров процедуры решения, вклад в экономический эффект от использования AU интеллектуальной поддержки может вносить снижение требований к уровню квалификации инженера.

ЗАКЛЮЧЕНИЕ

Основные научные и прикладные результаты диссертационной работы заключаются в следующем.

1. Разработана модель представления знаний о прецедентах инженерного анализа объектов проектирования, которая отличается от известных возможностями представления как количественных, так и качественных параметров с учетом их значимости через весовые коэффициенты. Применение элементов объектно-ориентированного подхода при реализации модели позволяет многократно использовать компоненты моделей для описания различных прецедентов.

2. На разработанной модели сформулирована задача поиска прецедента по запросу, и разработан алгоритм ее решения, основанный сравнении ориентированных маркированных взвешенных графов; данный алгоритм включает процедуру сопоставления вершин, которая использует ряд эвристик, позволяющих обеспечить достаточную производительность при высокой адекватности сопоставления, и процедуру расчета близости пары вершин, использующую модифицированные оценки CBS и HP, которые позволяют получать адекватные оценки близости в несбалансированной онтологии и предоставляют возможность гибкой настройки алгоритма.

3. На разработанной модели сформулирована задача повышения релевантности найденного прецедента путем адаптации, и разработан алгоритм ее решения, который использует знания о зависимостях между параметрами задачи и процедуры решения в форме как продукционных правил, так и путей близости с логическими операторами, что позволяет применять в ходе адаптации широкий спектр адекватно представленных знаний предметной области, а также рассчитывает количественную оценку эффекта адаптации, что повышает для пользователя «прозрачность» работы интеллектуальной системы. Алгоритм использует ряд эффективных стандартных процедур логического вывода на онтологиях.

4. Разработан алгоритм проецирования критических точек качественных переменных, который решает задачу оценки значения вещественного параметра с учетом контекста - значений остальных параметров; данный алгоритм используется алгоритмами поиска и адаптации прецедентов.

5. На основе разработанных моделей и алгоритмов спроектирована и реализована автоматизированная система интеллектуальной поддержки инженерного анализа в области контактной механики ISFEA. Создана коллекция прецедентов, проведено тестирование моделей и алгоритмов. Результаты тестирования позволяют сделать вывод, что разработанные модели и алгоритмы соответствуют поставленным задачам.

6. Разработанный макет автоматизированной системы интеллектуальной поддержки решения контактных задач прошел опытную эксплуатацию в «ОАО ТПР «ВгТЗ» и «ООО «ВЗБТ», которая показала его работоспособность.

В целом полученные результаты позволяют сократить сроки проведения и повысить качество результатов инженерного анализа. Кроме того, они позволяют предположить, что предложенные модели и алгоритмы могут быть использованы для интеллектуальной поддержки различных классов задач инженерного анализа. Ряд алгоритмов может быть использован в других системах рассуждений по прецедентам, использующих их структурное представление.

1. Алексеев А.В., А.Н.Борисов, Э.Р. Вилюмс, Н.Н. Слядзь, С.А.Фомин. Интеллектуальные системы принятия проектных решений. Рига: Изд-во «Зинатне», 1997.-320 с.

2. Альтшуллер Г.С., Основы изобретательства. Воронеж, 1964 г.

3. Альянах И.Н. Моделирование вычислительных систем. Л.: Машиностроение, 1988, 233 с.

4. Бенерджи П., Баттерфилд. Р. Методы граничных элементов в прикладных науках. Пер. с англ. М.: Мир, 1984. - 494 с.

5. Бреббия К., Стефан У. Применение метода граничных элементов в технике. Пер. с англ. М.: Мир, 1982. - 248 с.

6. Бурковский В.Л., Подвальный С.Л. Основы моделирования на GPSS: Уч. нос., ВГТУ. Воронеж, 1994.

7. Бусленко Н. П. Моделирование сложных систем. М. Наука 1978г. 400с.

8. Вагин В.Н., Клишин В.В., Филипова О.В. Опыт реализации экспертных систем в области машиностроения, предназначенных для решения задач проектирования и планирования // Новости искусственного интеллекта. 1991.-№4.

9. Веников В.А. Теория подобия и критерии подобия в электротехнике. -М. :Просвящение. 1949, -248 с.

10. Галлагер Р. Метод конечных элементов. Основы: Пер. с англ. М.: Мир, 1984

11. Гузенков П.Г. Детали машин М.: Высшая школа, 1986.

12. Гулиа Н.В., Петракова Е.А. Расчет коэффициентов трения в точечном контакте фрикционной бесступенчатой передачи. Инженерный журнал «Справочник». 1003. - №10. - с. 12-15

13. Деклу Ж. Метод конечных элементов. М.: Мир, 1976.

14. Джексон П. Экспертные системы

15. Джонс Дж.К. Методы проектирования. М.: «Мир», 1986.-328 с.

16. Джордж А., Лю Дж. Численное решение больших разреженных систем уравнений, пер. с англ. М.: Мир, 1984

17. Дорофеев В. Л. Методика расчета контактных напряжений в зубчатой передаче с учетом погрешностей профиля зубьев колес // Вестник машиностроения. 2004. - N 4. - С. 7-9

18. Зарубин B.C., Кувыркин Г.Н. О возможностях метода граничных элементов при моделировании континуальных систем. Электронный журнал «Инженерное образование» 2004. - № 12.

19. Зенкевич О, Морган К. Конечные элементы и аппроксимация. М.: Мир, 1986.

20. Иванов Н.М. Детали машин- М.: Высшая школа, 1990.

21. Игнатьев А.В., Поляков А.В. Применение МКЭ в смешанной форме для расчета стержневых конструкций // Вестник ВолгГАСА. Сер.: Строительство и архитектура. 2002. - N2.-C. 130-135

22. Ильин В.П. Методы конечных разностей и конечных объемов для эллиптических уравнений. Новосибирск: Изд-во Ин-та математики, 2000. 345 с.

23. Иосилевич Г.Б. Детали машин М.: Высшая школа, 1993.

24. Кабалдин Ю. Г. Метод исследования динамической устойчивости упругой системы станка / Кабалдин Ю. Г., Серый С. В., Биленко С. В. // Вестник машиностроения. 2004. - N 4. - С. 43-44

25. Казиев В.М., Казиев К.В. Основы математического и инфологического моделирования в примерах и задачах. Информатика и образование. -2004. N1-2

26. Киндлер Е. Языки моделирования. М: Энергоатомиздат.,1987. 400 с.

27. Кирпичев М.В. Теория подобия. М.: Изд-во АН СССР, 1953

28. Коннор Дж., Бреббиа К. Метод конечных элементов в механике жидкости., Пер. с англ. Л.: Судостроение, 197929.