автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.06, диссертация на тему:Повышение эффективности производственного процесса с помощью продукционных экспертных систем в среде информационной поддержки жизненного цикла изделия

На правах рукописи

УГРОСИН ВАЛЕРИЙ ВЛАДИМИРОВИЧ

ПОВЫШЕНИЕ ЭФФЕКТИВНОСТИ ПРОИЗВОДСТВЕННОГО ПРОЦЕССА С ПОМОЩЬЮ ПРОДУКЦИОННЫХ ЭКСПЕРТНЫХ СИСТЕМ В СРЕДЕ ИНФОРМАЦИОННОЙ ПОДДЕРЖКИ ЖИЗНЕННОГО ЦИКЛА ИЗДЕЛИЯ

05.13.06 - Автоматизация и управление технологическими процессами и производствами (технические системы)

АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук

I

Москва 2005

Работа выполнена в Московском государственном технологическом университете «СТАНКИН»

Научный руководитель:

кандидат технических наук, профессор Шемелин В.К.

Официальные оппоненты: доктор технических наук, профессор

Ковшов Е.Б.

кандидат технических наук Кахупга П.В.

Ведущая организация:

Институт проблем управления РАН

Защита диссертации состоится « 2-Ъ» _2005 г. в jöчасов

на заседании диссертационного совета К212.142.01 в Московском Государственном Технологическом Университете «СТАНКИН» по адресу: 101472, ГСП-4, Москва, К-55, Вадковский пер., д. 3-а.

С диссертацией можно ознакомиться в библиотеке Московского государственного технологического университете «СТАНКИН»

Отзывы на автореферат в двух экземплярах, заверенные печатью учреждения, просим высылать по указанному адресу в диссертационный совет

К212.142.01.

Автореферат разослан «11»

2005 г.

Ученый секретарь диссертационного Сове: кандидат технических наук

/ Я s~J 7

êJQMH

Общая характеристика работы

1. Актуальность темы

6 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 аспекта процессов проектирования и управления производством. Полный цикл проектирования, изготовления и эксплуатации изделий в настоящее время реализуется с помощью единой системы компьютерной поддержки всего жизненного 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:

1. 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.

2. Уникальность операции, для которых отсутствуют автоматизированные способы и методики их реализации. Решением также может служить достаточно простое в разработке, внедрении и применении средство создания автоматизированной системы.

3. 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 предлагается решение, когда при проектировании и реализации специфических процессов и изделий, в рамках CALS технологии, используются модели изделий и процессов на основе методов продукционных экспертных систем и искусственных нейронных сетей. 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.

2. Цель работы

Основной целью работы является 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.

Для достижения указанной цели били решены спелуюптие научные задачи: | рос- национальная

БИБЛИОТЕКА

! ¿"таг-,

' I II» jJ

- 1. Анализ состояния и варианты решения задач по повышению уровня автоматизации подготовки производства, в рамках информационной поддержки жизненного цикла изделий, с применением аппарата экспертных систем и искусственных нейронных сетей.

2. Определение требований к архитектуре экспертной системы и к применению аппарата искусственных нейронных сетей при решении специфических задач подготовки производства, в структуре CALS технологии.

3. Разработка моделей для описания продукционных правил экспертной системы, архитектуры и значений коэффициентов искусственной нейронной сети.

4. Разработка методики рационального применения аппарата экспертных систем и искусственных нейронных сетей при подготовке производства изделий для специфических процессов, в рамках информационного пространства CALS технологии.

5. Разработка способа обучения продукционных экспертных систем и искусственных нейронных сетей в автоматическом режиме, с последующим подключением к процессу подготовки производства.

6. Реализация демонстрационного прототипа (прикладного программного комплекса) по реализации экспертной системы и нейронной сети и экспериментальное обоснование целесообразности практического использования разрабатываемой системы

3. Научная новизна

1. Предложен новый подход к решению специфических задач подготовки производства за счет встраивания аппарата экспертных систем и искусственных нейронных сетей в информационное пространство CALS технологии.

2. С целью повышения эффективности этапа подготовки производства при реализации специфических задач, в рамках CALS технологии, разработана методика рационального использования аппарата экспертных систем и искусственных нейронных сетей, работающих в различных конфигурациях.

3. Разработан способ обучения продукционной экспертной системы и искусственной нейронной мети без участия человека с последующим подключением системы к решению задачи.

4. Предложена объектная модель, реализованная на языке Express, для описания продукционных правил экспертной системы и архитектуры и значений коэффициентов искусственной нейронной сети.

4. Практическая ценность

Практическая ценность работы заключается в повышении эффективности процесса подготовки производства, в рамках CALS технологии, для специфических процессов, за счет разработки методических, алгоритмических и программных средств для автоматизации отдельных участков производства с по-

мощью совместного использования аппарата экспертных систем и искусственных нейронных сетей.

5. Реализация в промышленности

Методика и алгоритмы, предложенные в работе, были использованы при разработке информационной системы для поддержки функционирования производства арматурной проволоки ООО «ПК АиМ».

6. 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».

7. Положения, выносимые иа 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

Объем работы

Диссертационная работа состоит из введения, четырех глав, основных результатов и выводов, изложенных на121 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.

Содержание работы

Во введении обоснована актуальность разработки и применения методики использования продукционных экспертных систем и искусственных нейронных сетей при решении специфических задач подготовки производства, в условиях единого информационного пространства предприятия на основе CALS технологии, сформулированы цели и задачи исследования, указаны пути их достижения, раскрыты основные пункты научной и практической ценности выполняемой работы, а также перечислены основные положения, выносимые на защиту.

В первой главе проведен обзор среды информационной поддержки жизненного цикла изделия CALS (Continuous Acquisition and Life Cycle Support). Выделены проблемы, возникающие при осуществлении автоматизации. Показано, что имеются следующие причины, по которым тот или иной участок производства может быть не автоматизирован:

1. Творческий характер операций.

2. Незначительность операции.

3. Уникальность операции для данного предприятия.

4. Операция появилась после внедрения системы.

5. Операция является сложно формализуемой.

Сформулированы требования к средству автоматизации, которое может применяться для автоматизации подобных операций. Показано, что целесообразно исследовать решения, базирующиеся на применении продукционных экспертных систем и искусственных нейронных сетей, на предмет применения их в качестве такого средства автоматизации. Проанализированы проблемы, возникающие при использовании таких решений в области автоматизации предприятия, и сделано предположение о возможности устранения проблем путем использования экспертных систем и нейронных сетей в условиях единого информационного пространства предприятия.

На основании вышеизложенного можно сделать вывод о необходимости разработки методов использования экспертных систем и нейронных сетей в условиях единого информационного пространства предприятия для увеличения эффективности производственных процессов.

Вторая глава посвящена выбору архитектуры экспертной системы и методам ее адаптации к использованию в едином информационном пространстве предприятия.

Цель создания экспертных систем - это разработка программ, использующих знания специалистов для решения тех же задач, экспертами в которых являются эти специалисты.

Типичная экспертная система состоит из шести модулей: машины вывода, базы знаний, контекста, средства извлечений знаний, средства объяснения и интерфейса пользователя (см. Рис. 2.1)

Пользователь

Рис. 2.1 Типовая структура экспертной системы

Из четырех основных видов экспертных систем (семантические сети, на основе логического подхода, фреймы, продукционные системы) была выбрана продукционная экспертная система.

Основная идея заключается в ассоциировании с соответствующими действиями набора условий в виде правил типа "если-то", называемых также продукциями:

ЕСЛИ(Р1.Р2,...,Рп) ТО (01, 02,...,0т)

, где Р1.Р2, ...,Рп - предпосылки; 01, 02, ...,0т - выполняемые действия

В экспертных системах правила обычно задают, что нужно сделать с символической структурой, представляющей текущее состояние проблемы, чтобы перейти к представлению, более близкому к решению. В правилах условие должно соответствовать допустимым символическим структурам, а действие - содержать специальные операторы манипулирования такими структурами.

Продукционные правила обычно оказываются весьма естественным выразительным средством представления знаний. Кроме того, они обладают следующими привлекательными свойствами:

• модульность: каждое правило описывает небольшой, относительно независимый фрагмент знаний;

• возможность инкрементного наращивания: добавление новых правил в базу знаний происходит относительно независимо от других правил;

• удобство модификации (как следствии модульности): старые правила можно изменять и заменять на новые относительно независимо от других правил;

• применение правил способствует прозрачности системы, т.е. способности к объяснению принятых решений и полученных результатов.

Извлечение знаний - это процесс передачи потенциального опыта решения проблемы от эксперта и преобразования его в вид, который позволяет использовать эти данные в экспертной системе. Этот процесс определяет, насколько эффективно экспертная система сможет справляться с поставленными задачами.

Интеграция экспертной системы в единое информационное пространство предприятия позволяет упростить процесс извлечения знаний за счет:

1. Использования модели предметной области, заложенной в качестве ме-таинформации в едином информационном пространстве предприятия (ЕИПП).

2. Контроля значений входных параметров с помощью механизмов ЕИПП.

3. Анализа данных, накопленных в ЕИПП.

Рассматриваются требования к архитектурному решению экспертной системы, предназначенной для использования в ЕИПП. Такая система должна отвечать следующим требованиям:

1. Поддерживать работу с данными, представленными в виде объектов

2. Использовать метаданные, предоставляемые прикладным протоколом STEP.

3. Уметь взаимодействовать с другими программными компонентами ЕИПП

Предлагаются типы операций с объектами, которые должна поддерживать такая экспертная система:

• добавление нового объекта.

• копирование объекта.

• изменение значений атрибутов объекта.

• удаление объекта.

Разработана информационная модель представления правил экспертной системе, она описана на языке Express.

Предложен алгоритм обучения экспертной системы на данных ЕИПП, заключающийся в том, что каждое предыдущее решение, которое было выполнено экспертом и сохранено в ЕИПП, оформляется в виде правила.

Далее в главе дан перечень признаков задачи, подходящей для решения с помощью экспертной системы.

• Наличие эксперта в той области, в которой решается задача

• Задача не является вычислительной

• Необходимо объяснения решения задачи

Третья глава посвящена выбору архитектуры искусственной нейронной сети и методам ее адаптации к использованию в едином информационном пространстве предприятия.

Искусственные нейронные сети - это совокупность нейроподобных элементов, определенным образом соединенных друг с другом и внешней средой с помощью связей, определяемых весовыми коэффициентами. Такая сеть может реализовать на себе любое отображение входного вектора в выходной вектор, (см. Рис. 3.1).

1-ийеяо* 2-«йелой ^Ю*Ж>в) (с ж р

<к+1)-ыА слой (выходной)

Ю

г ц коэффициент ехшштпесжоИ связи 1 -го нейровж к -го слоя с] -тим невритам к+1-гослм п,р, ч.т - ивличсстм мйроно» в слоях

Рис. 3.1 Структура искусственной нейронной сети

Нейронная сесть состоит из нейроподобных элементов, который выполняет нелинейное преобразование входных сигналов в выходной сигнал. Различные архитектуры нейронных сетей определяют варианты связи нейроподобных элементов между собой. Для решения поставленных задач была выбрана многослойная нейронная сеть с прямым распространением сигнала. Для успешного функционирования нейронной сети необходимо выполнить ее обучение на наборе обучающих данных, заданных множеством пар входных и выходных векторов.

Успешное функционирование нейронной сети определяется тем, насколько верно были подготовлены данные, подаваемые на вход сети, а также формат ожидаемого ответа сети.

Выделяют следующие необходимые этапы нейросетевого анализа:

1. Кодирование входов-выходов: нейронные сети могут работать только с числами.

2. Нормировка данных: результаты нейроанализа не должны зависеть от выбора единиц измерения.

3. Обучение нескольких нейронных сетей с различной архитектурой: результат обучения зависит как от размеров сети, так и от ее начальной конфигурации.

4. Отбор оптимальных сетей: тех, которые дадут наименьшую ошибку предсказания на неизвестных пока данных.

Автоматизация данных процессов существенно упрощает работу по данным этапам. Такая автоматизация возможно за счет использования информации и метаинформации ЕИПП.

На этапе кодирования входов-выходов происходит кодирование нечисловых (категориальных) значений согласно типам этих значений (в ЕИПП все хранящиеся данные типизированы). Для такие данных применяется двоичное кодирование типа " п —> л когда имена я категорий кодируются значениями я бинарных нейронов, причем первая категория кодируется как (1,0,0Г.,0), вторая, соответственно - (0,1,0,..,0) и т.д. вплоть до л -ной: (0,0,0Г.,1).

Нормировка данных приводит к отображению входных и выходных данных в интервал [0,1], что позволяет избежать зависимости от единиц измерения. Для нормировки данных применяется линейное преобразование:

~ Х1 ~ х1,тш

х. _---

в единичный отрезок: х, е[о, 1]

Обучение нескольких нейронных сетей начинается с генерации нескольких случайных нейронных сетей с заданным количеством входных и выходных нейронов. Далее сети обучаются на подготовленной обучающей выборке и среди них выбирается та сеть, которая дает наименьшую ошибку предсказания на тестовой выборке. Рассмотрен вариант последовательного ввода в эксплуатацию нейронной сети, который состоит в следующем. Нейронная сеть выдает результат на решаемой задаче. Если данный результат не совпадает с решением, принятым другой подсистемой (оператором, экспертом), то происходит дообучение нейронной сети на вновь полученных данных.

Разработана информационная модель представления обученной нейронной сети для хранения в ЕЙ!Ш, модель описана на языке Express.

Далее в главе дан перечень признаков задачи, подходящей для решения с помощью искусственной нейронной сети.

• Наличие более 100 примеров корректного решения задачи (сходных и выходных векторов).

• Задача является вычислительной либо классификационной.

• Нет необходимости объяснения решения задачи.

В четвертой главе описана архитектура системы автоматизации на основе применения экспертных систем и искусственных нейронных сетей, методика интеграции экспертных систем и искусственных нейронных сетей в единое информационное пространство, а также приведен пример реализации такой архитектуры для автоматизации процесса подготовки производства на предприятии «ПКАиМ».

Вводится понятие экземпляра решения М=<А,В>, где А - параметры настройки решения (определение количества и типов входных и выходных данных, определение начальных условий) для конкретной задачи, В - база знаний (набор правил для ПЭС, весовые коэффициенты и функции активации для ИНС) для решения конкретной задачи.

Парадигма использования решения заключается в применении экземпляров решения для решения достаточно простых задач. Каждый экземпляр решения настраивается и обучается для решения одной конкретной задачи.

Использование единого информационного пространства предприятия в качестве коммуникационной среды позволяет экземплярам решения эффективно взаимодействовать между собой. Экземпляры решения могут использовать данные, полученные в результате работы других экземпляров решения, поскольку результаты сохраняются в базах данных единого информационного пространства. Данная особенность позволяет строить системы для решения сложных задач, декомпозируя задачу на несколько простых подзадач и применяя для решения каждой из подзадач как традиционные средства автоматизации, так и экземпляры решения.

Основное различие экспертных систем и нейронных сетей состоит в том, что знания в них представлены в разных видах, причем противоположных по своей сути.

Сравниваются оба подхода по нескольким параметрам: 1. Размер задачи. ПЭС не накладывает существенных ограничений на размер базы знаний и сложность задачи. Обучение ИНС является NP-сложной проблемой и далеко не для всех задач возможно произвести обучение. В этом случае задачу разделяют на подзадачи, часто иерархические.

2. Извлечение и редактирование знаний. В ПЭС знания выделяются инженером по знаниям в процессе интервью, что занимает долгое время и не гарантирует удовлетворительного результата. Кроме того, при редактировании правила можно внести изменения, противоречащие ранее введенным правилам. ИНС обучается автоматически на наборах обучающих данных, что позволяет быстрее наполнить базу знаний. Редактирование базы знаний также осуществляется дополнительным обучением.

3. Возможности объяснения. ПЭС обладает хорошо возможностями объяснения принятого решения. Для этого достаточно продемонстрировать примененные правила в том порядке, в котором они были применены. ИНС является «черным ящиком», оперирует со скрытыми знаниями, поэтому не может дать объяснения принятому решению.

Таким образом, можно предположить, что объединение ПЭС и ИНС в одну систему позволит избавиться от недостатков обоих подходов и шире реализовать их преимущества.

Возможны следующие стратегии получения гибридной системы:

1. Стратегия «Разделяй и побеждай». Задача разделяется на подзадачи, каждая из которых решается с помощью наиболее подходящего подхода.

2. Встроенная нейронная сеть. Другой метод получения гибридной системы -это реализация ИНС как части ПЭС. К примеру, ИНС может представлять условия некоторых правил. Такой подход особенно подходит для задач распознавания по шаблонам (в таких задачах логический подход неэффективен).

3. Представление явных знаний в виде ИНС. Данная стратегия подразумевает реализацию правил на механизме ИНС, что позволяет использовать такие скоростные преимущества обученной ИНС, как параллелизм, соревновательность, рекуррентную архитектуру, дообучение и т.д.

4. Встраивание правил в ИНС. Эта стратегия направлена на встраивание правил в уже обученную сеть для увеличения способности сети к обобщению. Такая стратегия подходит для случая, когда известен как обучающий набор, так и несколько отдельных правил.

5. Извлечение правил из ИНС. Для реализации выбрана стратегия «Разделяй и побеждай». Большая задача разделяется на подзадачи, каждая из которых решается отдельно. Для решения подзадач используется наиболее подходящий метод. К подзадачам, для которых известны правила решения требуется объяснение принятого решения, применяется продукционная экспертная система. К другим подзадачам, для которых доступны только данные, применяются искусственные нейронные сети. После раздельного решения каждой из подзадач складывается решение исходной задачи.

Решение предназначено для использования в среде единого информационного пространства предприятия (ЕИПП). Оно использует ЕИПП как для хранения баз данных и параметров настройки, так и для коммуникации с другими частями системы. Решение не является автономным и не может функционировать вне ЕИПП.

В состав решения входит (см. Рис. 4.1):

1. База фактов. В качестве базы фактов используются базы данных ЕИПП.

2. Машина вывода ПЭС. Является отдельным компонентом. Обеспечивает функционирование ПЭС

3. База знаний ПЭС. Содержит правила, используемые ПЭС в процессе работы. Хранится в базах данных ЕИПП. Для решения задачи в рабочую память загружаются те правила из базы знаний, которые могут быть использованы для решения поставленной задачи. Также включает в себя редактор правил базы знаний, реализация которого зависит от реализации ЕИПП.

4. Интерфейс взаимодействия ПЭС с ЕИПП. Обеспечивает отбор входных фактов, их конвертацию в формат ПЭС, а также вывод результатов в ЕИПП.

5. Механизм ИНС. Является отдельным компонентом, содержит средства обучения и функционирования ИНС.

6. База данных ИНС. Содержит обученную сеть (топология, весовые коэффициенты и функции активации). Хранится в базах данных ЕИПП. Для решения задачи в механизм ИНС загружается необходимая для решения задачи обученная сеть.

7. Рабочая область. Является частью ЕИПП. В рабочую область помещаются результаты работы экземпляра решения для последующей их обработки традиционными средствами автоматизации, ручной обработки, другим экземпляром решения или для переноса в базы данных ЕИПП. Может использоваться как аналог доски объявлений систем с доской объявлений.

8. Диспетчер. Позволяет определять правила запуска ПЭС или ИНС для решения задачи. Такими правилами могут быть: появление в рабочей области каких-либо новых фактов, наступление очередной стадии решения задачи, запуск приложения пользователя, запрос пользователя и другие события. Диспетчер позволяет организовать как автоматическое выполнение экземпляра решения, так и параллельное (альтернативное) решение задачи совместно с процессами традиционной автоматизации или неавтоматизированными процессами.

Данные передаются с помощью механизмов, принятых в конкретной реализации ЕИПП. Для этого все компоненты информационной системы, как хранилища данных, так и механизмы обработки данных, поддерживают принятый стандарт обмена данными.

Хранение правил и нейронных сетей в независимом от механизма обработки данных (соответственно машины вывода ПЭС и механизма функционирования ИНС) виде позволяет:

Схема интеграции продукционной экспертной системы (ПЭС) и искусственной нейронной сети (ИНС) в единое информационное пространство предприятия (ЕИПП)

ЕИПП

Интерфейс взаимодействия ЕИПП с ПЭС

Машина вывода

ПЭС

/

✓

Интерфейс взаимодействия ЕИП с ИНС

О

Механизм ИНС

/ /

Передача данных

Управление выполнением поиложения

Рис.4.1.

1. Использовать механизмы обработки данных различных производителей. Это позволяет расширить спектр применяемых аппаратные платформ, а также снизить зависимость от одного производителя.

2. Упростить операции обслуживания хранилища (создание архивных копий, поддержание работоспособности хранилища)

Позволяет легко переносить накопленные знания на другие предприятия того же профиля, применяющие те же стандарты в своих ЕИПП.

Данная архитектура была реализована в виде программной системы поддержки подготовки производства на предприятии «ПК АиМ», производящем арматурную проволоку. Система выдает рекомендацию по настройке оборудования (волочильного стана), а также дает заключении по результатам испытания опытного образца.

Техническая реализация программной системы базируется на следующих стандартах:

1. Все базы данных являются SDAI-репозиториями. В связи с этим они реализованы на основе СУБД PostgreSQL. Это позволяет полностью реализовать возможности SDAI-репозитория только с помощью средств СУБД (создание новых типов данных, ограничений области значений и т.д.). Можно выделить как минимум 3 SDAI-репорзитория, необходимые для функционирования системы: рабочая область, общая для всех компонентов; хранение правил ПЭС и дополнительных данных, необходимых для функционирования ПЭС; хранение обученных сетей НС и дополнительных данных, необходимых для функционирования НС.

2. Язык реализации диспетчера и интерфейсных частей к компонентам -PHP.

3. Обращения к SDAI-репозиториям осуществляется с помощью SDAI PHP API для СУБД PostgreSQL собственной разработки.

4. В качестве машины вывода экспертной системы используется программная среда CLIPS, имеющая API для управления своими функциями в виде библиотеки подпрограмм. Применяется модуль «The PHLIPS Project» -вариант реализации, предоставляющий интерфейс в виде РНР-функций.

5. Аппарат искусственных нейронных сетей реализован на основе свободно распространяемой библиотеки подпрограмм libann 1.2.2.

6. Интерфейс пользователя реализован на основе технологий Web (HTTP, НТШ.).Интерфейсное решение на данных технологиях является «тонким клиентом», что упрощает администрирование автоматизированного рабочего места и дает возможность удаленного доступа к данным.

Основные результаты работы

1. На основе анализа состояния и вариантов решения задач по повышению уровня автоматизации подготовки производства для специфических процессов, в рамках информационной поддержки жизненного цикла изделий, установлена целесообразность применения аппарата экспертных систем и искусственных нейронных сетей.

2. Определены требования к архитектуре экспертной системы и к применению аппарата искусственных нейронных сетей при решении специфических задач подготовки производства, в структуре CALS технологии.

3. Разработаны модели для описания продукционных правил экспертной системы, построения архитектуры и определения значений коэффициентов искусственной нейронной сети при реализации специфических процессов подготовки производства.

4. Разработана методика совместного использования аппарата экспертных систем и искусственных нейронных сетей при подготовке производства изделий для специфических процессов, в рамках информационного пространства CALS технологии.

5. Предложен способ обучения продукционной экспертной системы и искусственной нейронной мети без участия человека с последующим подключением системы к решению задачи. В случае продукционной экспертной системы каждое частное решение, принятое человеком, оформляется в виде правила. В случае искусственной нейронной сети происходит обучение сети на данных, появляющихся в информационной системе.

6. Разработана архитектура подсистемы решения задач автоматизации на основе совместного использования экспертных систем и нейронных сетей в условиях единого информационного пространства предприятия, на основе CALS технологии.

7. На основе разработанных методов и алгоритмов создан программный комплекс, использующийся в работе ООО «ПК АиМ». Результаты работы с данным программным комплексом подтвердили основные положения диссертационного исследования.

Публикации по теме диссертации

Утросин В.В. Разработка программного обеспечения для применения в информационных системах, основанных на 8ТЕР-стандартах. // 1У-я научная конференция МГТУ «СТАНКИН» и «Учебно-научного центра математического моделирования МГТУ «СТАНКИН» - ИММ РАН». Программа, сборник докладов. М, 2001.

Утросин В.В. Использование метода принятия решений в САПР технологических процессов для единичного производства // У-я научная конференция МГТУ «СТАНКИН» и «Учебно-научного центра математического моделирования МГТУ «СТАНКИН» - ИММ РАН». Программа, сборник докладов. М.: «Янус-К», 2002.

Утросин В.В. Использование экспертных систем в среде информационной поддержки жизненного цикла изделия // Объединенный научный журнал, 2005, № 13. - с. 65-67

Автореферат диссертации на соискание ученой степени кандидата технических наук

Утросин Валерий Владимирович

ПОВЫШЕНИЕ ЭФФЕКТИВНОСТИ ПРОИЗВОДСТВЕННОГО ПРОЦЕССА С ПОМОЩЬЮ ПРОДУКЦИОННЫХ ЭКСПЕРТНЫХ СИСТЕМ В СРЕДЕ ИНФОРМАЦИОННОЙ ПОДДЕРЖКИ ЖИЗНЕННОГО ЦИКЛА ИЗДЕЛИЯ

Лицензия на издательскую деятельность ЛР №01741 от 11.05.2000 Подписано в печать 11.10.2005. Формат 60х90'/|6 Уч.изд. л. 1,5. Тираж 50 экз. Заказ № 166

Отпечатано в Издательском Центре МГТУ «СТАНКИН» 103055, Москва, Вадковский пер., д.3а

.1

\

n 19124

РНБ Русский фонд

2006-4 18537

Список сокращений и определения.

Введение.

ГЛАВА 1. ИСПОЛЬЗОВАНИЕ СТРАТЕГИИ CALS ДЛЯ ПОВЫШЕНИЯ УРОВНЯ АВТОМАТИЗАЦИИ ПРЕДПРИЯТИЯ, ОСОБЕННОСТИ И ПРОБЛЕМЫ. ПОСТАНОВКА ЗАДАЧИ.

1.1 Описание стратегии CALS как средства повышения эффективности производства.

1.2 Проблемы автоматизации производства.

1.3 Использование методов искусственного интеллекта для решения проблем повышения уровня автоматизации производства.

1.4 Цели и задачи исследования.

1.5 Выводы по главе.

ГЛАВА 2. РОЛЬ ПРОДУКЦИОННЫХ ЭКСПЕРТНЫХ СИСТЕМ В ПОВЫШЕНИИ УРОВНЯ АВТОМАТИЗАЦИИ ПРОИЗВОДСТВА.

2.1 Основы и архитектура экспертных систем.

2.2 Применение экспертных систем в промышленности.

2.3 Особенности интеграции экспертных систем в единое информационное пространство предприятия.

2.4 Выводы по главе.

ГЛАВА 3. МОДЕЛИРОВАНИЕ ПРОИЗВОДСТВЕННЫХ ПРОЦЕССОВ С ПОМОЩЬЮ АППАРАТА ИСКУСТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ КАК СРЕДСТВО ПОВЫШЕНИЯ ЭФФЕКТИВНОСТИ ПРОИЗВОДСТВА.

3.1 Основы и архитектура моделей на основе искусственных нейронных сетей.

3.2 Применение аппарата искусственных нейронных сетей в промышленности.

3.3 Особенности реализации аппарата искусственных нейронных сетей в едином информационном пространстве.

3.4 Выводы по главе.

ГЛАВА 4. РЕАЛИЗАЦИЯ МЕТОДОВ ПОВЫШЕНИЯ ЭФФЕКТИВНОСТИ ПРОИЗВОДСТВА ПУТЕМ ИНТЕГРАЦИИ ЭКСПЕРТНЫХ СИСТЕМ И ИСКУСТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ В ЕДИНОЕ ИНФОРМАЦИОННОЕ ПРОСТРАНСТВО ПРЕДПРИЯТИЯ.

4.1 Структура конкретного технологического процесса для реализации интеграции экспертных систем и искусственных нейронных сетей.

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.

4.3 Пример построения системы по автоматизации с применением экспертных систем и искусственных нейронных сетей.

4.4 Расчет эффективности применения экспертных систем и искусственных нейронных сетей при их интеграции в единое информационное пространство предприятия.

4.5 Выводы по главе.

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 жизненного 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:

1. 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.

2. 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.

3. 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 информационной 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.

3. Определение требований к применению аппарата искусственных нейронных сетей, совместно с экспертной системой при решении специфических задач подготовки производства, в структуре CALS технологии.

4. Разработка методики рационального применения аппарата экспертных систем и искусственных нейронных сетей при подготовке производства изделий в рамках CALS технологии.

5. Разработка метода обучения продукционных экспертных систем и искусственных нейронных сетей в автоматическом режиме, с последующим подключением к процессу подготовки производства.

6. 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.

2. 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.

3. Разработан способ обучения продукционной экспертной системы и искусственной нейронной мети без участия человека с последующим подключением системы к решению задачи.

4. 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.

5. 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.

Основные выводы по диссертационной работе.

1. Для ряда специфических задач разработана методика построения системы автоматизации процессов производства, основанной на продукционной экспертной системе и искусственных нейронных сетях, которая способна функционировать в условиях единого информационного пространства производства, простроенного на стандартах CALS . Преимущества от использования стандартов CALS состоит в том, что в системе используется уже существующая модель данных, предоставляемая единым информационным пространством. Это позволяет не производить дополнительное моделирование при реализации решения для автоматизации процесса. Также упрощается контроль входных и выходных данных, что обусловлено строгой типизацией параметров в условиях единого информационного пространства. Данное обстоятельство облегчает обработку входных данных и позволяет ее автоматизировать.

2. Разработана методика совместного использования экспертных систем и нейронных сетей для решения задач автоматизации. В зависимости от специфики поставленной задачи возможно использование продукционной экспертной системы и искусственной нейронной сети в разных конфигурациях: в параллельном режиме, последовательно для разных участков решаемой задачи.

3. Предложен способ обучения продукционной экспертной системы и искусственной нейронной сети без участия человека с последующим подключением системы к решению задачи. В случае продукционной экспертной системы каждое частное решение, принятое человеком, оформляется в виде правила. В случае искусственной нейронной сети происходит обучение сети на данных, появляющихся в информационной системе.

1. Суворов Е.В., Левин А.И., Давыдов А.Н., Барабанов В.В. Концепция развития CALS-технологий в промышленности России. М.: НИЦ CALS-технологий "Прикладная логистика", 2002. - 153 с.

2. Овсянников М., Сумароков С. CALS повышает конкурентоспособность изделий // PC Week. М.: PC Week, вып. 11,2001, с. 45-48.

3. Разевиг В. CALS: концепция, стратегия и технологии.// PC WEEK/RE, 2001, №11, с.28.

4. Милаев В., Фаткин А., Рулева Т. Автоматизация управления.// PC WEEK/RE, 2001, №10, с.32-33.

5. А.Ф. Колчин, М.В. Овсянников, А.Ф. Стрекалов, С.В. Сумароков. Управление жизненным циклом продукции. М.: Анахарсис, 2002. - 304 с.

6. Fowler J. STEP for data management, exchange and sharing // Technology Appraisals. 1995.

7. Н.Л. Карданская, А.Д. Чудаков. Системы управления производством: анализ и проектирование: учебное пособие. М.: Русская Деловая Литература, 1999.-240 с.

8. Э.А. Трахтенгерц. Компьютерная поддержка принятия решений. -М.:СИНТЕГ, 1998. 376 с.

9. Аверченков В.И, Горленко О.А. Проектирование технологических процессов на основе системного подхода. -Брянск: БИТМ, 1986.- 88 с.

10. Основы автоматизации машиностроительного производства: Учеб. для машиностроит. спец. вузов/Е.Р, Ковальчук, М.Г. Косов, В.Г. Митрофанов и др.; Под ред. Ю.М, Соломенцева. М.:Высш. шк., 1999. - 312 с.

11. Сигеру Омату. Нейроуправление и его приложения. Кн. 2. М.: ИПРЖР, 2000. 272 с.

12. Н.Джексон, Питер. Введение в экспертные системы. М.: Издательский дом «Вильяме», 2001. 624 с.

13. Организация и экономика разработки программного обеспечения: Метод. Указ. К выполнению курсовых работ и организационно-экономической части дипломных проектов / Сост. Ю.А. Еленева, Е.Д. Коршунова. М.: МГТУ «Станкин», 1997. - 34 с.

14. Уотермен Д. Руководство по экспертным системам. М.: Мир, 1989. 388 с.

15. Вольдер Б.С. Планирование на предприятии. Учебное пособие. М.: МГТУ "Станкин", 1999, 172 с.

16. Горфинкель В.Я., Купряков Е.М. Экономика предприятия. Учебник для ВУЗов. М.: "Банки и биржи", ЮНИТИ, 1996, 367с.

17. Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика. М.: Горячая линия-Телеком, 2002. - 382 с.

18. Jiri Sima, Jiri Chervenka. Neural Knowledge Processing in Expert Systems. Technical report. Institute of Computer Science, Academy of Sciences of the Czech Republic.

19. Уоссермен Ф. Нейрокомпьютерная техника. Теория и практика. Под ред. А.И. Галушкина. М.: Мир, 1992. 238 с.

20. Галушкин А.И. Теория нейронных сетей. Кн.1: Учеб. пособие для вузов. -М.: ИПРЖР, 2000.-416 с.

21. Круглое В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика. М.: Горячая линия - Телеком, 2001. - 382 с.

22. Головко В.А. Нейронные сети: обучение, организация и применение. Кн.4. Учеб. пособие для вузов // Общая ред. А.И. Галушкина М.: ИПРЖР, 2001. -256 с.

23. Горбань А.Н. Нейронные сети на персональном компьютере. М.: Мир, 1996. 530 с.

24. Щетинин В.Г. Самоорганизация минимальной нейронной сети // В сб. "Нейроинформатика и ее применения". Красноярск, СО РАН, 1996. С. 4344.

25. Галушкин А.И. "Направления разработок управляющих систем на базе нейрокомпьютеров для машиностроительных отраслей промышленности".

26. Marko К, et. al. , Ford Motors Company, Automative Control Systems Diagnostics, IJCNN 1989.

27. Прокат холоднодеформированный периодического профиля для армирования железобетонных конструкций класса В500С. Технические условия. ТУ 14-1-5498-2004. Держатель подлинника: ЦССМ ФГУП ЦНИИЧермет им.И.П.Бардина.

28. Еленева Ю.А. Инвестиции в машиностроении. М.: Станкин, 1996. - 38 с.

29. A Discussion Of The Object Management Architecture. Object Management Group, 1997.-44 c.

30. Common Object Request Broker: Architecture and Specification, v2.5. Object Management Group, 2001. - 1116c.34,Ойхман Е.Г., Попов Э.В. Реинжиниринг бизнеса: Реинжиниринг организаций и информационные технологии.- М.: Финансы и статистика, 1997.-332 с.

31. ReThink Tutorials. Release 1.0. Gensym Corp. Cambridge, Mass., USA, May 1995.

32. Частиков А.П., Гаврилова T.A., Белов Д.Л. Разработка экспертных систем. Среда CLIPS. СПб., "БХВ-Петербург", 2003. 608 с.

33. Утросин В.В. Использование экспертных систем в среде информационной поддержки жизненного цикла изделия // Объединенный научный журнал, 2005,№ 13.-С. 65-67.

34. Мейер Д. Теория реляционных баз данных: Пер. с англ. М.: Мир, 1987. 608 с.

35. ЕжовА.А., Шумский С.А. Нейрокомпьютинг и его применения в экономике и бизнесе. М.: МИФИ, 1998. 224 с.

36. Мамиконов А.Г., Кульба В.В., Косяченко С.А., Сиропок В.О. Оптимизация структур данных в АСУ. М.: Наука, 1998. - 240 с.

37. Милаев В., Фаткин А., Рулева Т. Автоматизация управления.// PC WEEK/RE, 2001, №10, С.32-33.

38. Bishop С.М. Neural Networks and Pattern Recognition. Oxford Press, 1995.

39. Дейт К. Введение в системы баз данных./ Пер. с англ. Киев: «ДИАЛЕКТИКА», 1998. - 784с.

40. Рыбаков А. Архитектура современных промышленных систем// Открытые системы. 1998.-№2. С. 24-32.

41. Дам Э. Пользовательские интерфейсы нового поколения// Открытые системы. 1997. -№6. С. 34-37.

42. К. Таунсенд, Д. Фохт. Проектирование и программная реализация экспертных систем на персональных ЭВМ.- М.: Финансы и статистика, 1990. -318 с.

43. В. Гилмор. РНР 4. Учебный курс. СПб.: "Питер", 2001. 352 с.

44. Ричард Стоунз, Нейл Мэттью. PostgreSQL. Основы. М:, Символ-Плюс, 2002. 640 с.

45. Чернобровцев А. Интеграция предприятия. // Computerworld. М.: Computerworld, вып. 36, 2001, С. 19-22.

46. Шемелин В.К. Проектирование систем управления в машиностроении. М.: Станкин, 1998.-254 с.

47. Буч Г. Объектно-ориентированный анализ и проектирование с примерами приложений на С++, 2-е изд. М.: Бином, СПб: Невский диалект, 1998.- 560 с.

48. Гаврилова Т.А., Червинская К.Р. Извлечение и структурирование знаний для экспертных систем. М.: Радио и связь, 1992. - 230 с.

49. Яцкевич А., Страузов Д. Построение интегрированной информационной среды предприятия на основе сисетмы управления данными об изделии PDM STEP Suite // САПР и графика. 2002. №6.

50. Канер С., Фолк Д., Нгуен Е. Тестирование программного обеспечения. Фундаментальные концепции менеджемента бизнес-приложений / Пер. с англ. Киев: Диасофт, 2001. - 544 с.

51. Дубова Н. Интегрированные системы управления распределенной корпорацией. // Открытые системы. М.: Открытые системы, вып. 1, 1998, С.13-18.

52. Куцевич Н. Интеграция АСУП и АСУТП. // Открытые системы. М.: Открытые системы, вып. 9,2000, С. 30-34.

53. Комаров С.В. Применение нейросетевых и экспертных систем в управления динамическими системами. СПб.: 1995. 110 с.

54. Карпова Н.А. Разработка нейросетевого классификатора для систем тестирования: Дис. канд. техн. наук: 05.13.16. Пенза, 1999. - 159 с.

55. Трахтенгерц Э.А. Методы генерации, оценки и согласования решений в распределенных системах поддержки принятия решений. // АиТ, №4, С.3-52, 1995.

56. Дюк В. , Самойленко A. Data mining: учебный курс. СПб: Питер, 2001. -368 с.

57. Юдин Д.Б. Вычислительные методы теории принятия решений. М.: Наука, 1989.-317 с.

58. Цимбал А.А., Аншина M.JL Технологии создания распределенных систем. Для профессионалов. СПб.: Питер, 2003. - 567 с.

59. Никифоров А.Д. Управление качеством: Учеб. Пособие для вузов. М.: Дроф, 2004. - 720 с.