Pages Navigation Menu
Submit scientific paper, scientific publications, International Research Journal | Meždunarodnyj naučno-issledovatel’skij žurnal

ISSN 2227-6017 (ONLINE), ISSN 2303-9868 (PRINT), DOI: 10.18454/IRJ.2227-6017
ЭЛ № ФС 77 - 80772, 16+

Download PDF ( ) Pages: 93-95 Issue: №10 (17) Part 2 () Search in Google Scholar
Cite

Cite


Copy the reference manually or choose one of the links to import the data to Bibliography manager
Starodubtsev A.A. et al. "APPLICATION OF INTELLIGENT SYSTEMS IN ENGINEERING INDUSTRY". Meždunarodnyj naučno-issledovatel’skij žurnal (International Research Journal) №10 (17) Part 2, (2021): 93. Tue. 10. Aug. 2021.
Starodubtsev, A.A. & , Filippov A.N. (2021). PRIMENENIE INTELLEKTUALYNYH SISTEM V PRIBOROSTROENII [APPLICATION OF INTELLIGENT SYSTEMS IN ENGINEERING INDUSTRY]. Meždunarodnyj naučno-issledovatel’skij žurnal, №10 (17) Part 2, 93-95.
Starodubtsev A. A. APPLICATION OF INTELLIGENT SYSTEMS IN ENGINEERING INDUSTRY / A. A. Starodubtsev, Filippov A. N. // Mezhdunarodnyj nauchno-issledovatel'skij zhurnal. — 2021. — №10 (17) Part 2. — С. 93—95.

Import


APPLICATION OF INTELLIGENT SYSTEMS IN ENGINEERING INDUSTRY

Стародубцев А.А.1, Филиппов А.Н.2

1Магистрант национально исследовательского университета информационных технологий, механики и оптики, факультет точной механики и технологий, Санкт-Петербург, Россия; 2Доцент, кандидат технических наук, Санкт-Петербургский национальный исследовательский университет информационных технологий, механики и оптики

ПРИМЕНЕНИЕ ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМ В ПРИБОРОСТРОЕНИИ

Аннотация

В статье описываются существующие методы и виды интеллектуальных систем в приборостроении,  их достоинства и недостатки. Исследуются перспективы их развития.

Ключевые слова: экспертная система, многоагентная система, генетический алгоритм.

Starodubtsev A.A.1, Filippov A.N.2

1Undergraduate Saint-Petersburg  National Research University of Information Technologies, Mechanics and Optics, St. Petersburg, Russia; 2Associate Professor, candidate of technical Sciences, Saint-Petersburg National   Research University of information technologies, mechanics and wholesale

APPLICATION OF INTELLIGENT SYSTEMS IN ENGINEERING INDUSTRY 

Abstract

The article describes the existing methods and types of intelligent systems in instrument making, their advantages and disadvantages. Studies the prospects of their development.

Keywords: expert system, multi-agents system, genetic algorithm.

Введение

В настоящее время в производстве наблюдается острая необходимость в упорядочении и автоматизации его информационного сопровождения, усовершенствовании технологического оснащения. В силу этого весомое значение приобретает применение интеллектуальных систем в приборостроение.

Такие тенденции сформировались не только в связи со стремительным развитием технических и информационных средств сопровождения производства, но и как следствие увеличения количества решаемых на всех этапах производства задач и развития рынка в условиях жёсткой конкуренции.

Применение интеллектуальных систем позволяет значительно увеличить скорость подготовки технологической документации, а так же уберегает от ошибок человеческого фактора, что позволяет не только существенно сэкономить ресурсы предприятия, выделяемые на процесс подготовки производства, но и уберечь предприятие от аварий и катастроф которые могут произойти вследствие ошибок совершённых человеком.

В силу вышеперечисленных факторов, актуальность применения интеллектуальных систем не оставляет сомнения, но как заставить компьютер думать подобно человеку?! Давайте рассмотрим существующие методы решения данной задачи и как следствие виды интеллектуальных систем, полученных вследствие применения данных методов.

Виды интеллектуальных систем

Ниже приведены основные виды интеллектуальных систем, однако прежде чем мы рассмотрим особенности конкретных систем, хотелось бы рассказать пару слов о том, что объединяет все эти системы. Что же делает систему интеллектуальной? Интеллект понятие сложное и многообразное, и боюсь, современная наука не в силах дать исчерпывающее определение интеллекта — достаточно точное, и в то же время всеобъемлющее, но тем не менее существует достаточно сильный признак того, что система обладает интеллектом: если поведение системы зависит от внутреннего состояния и условий внешней среды, и не закодировано заранее, а выведено самой системой, то данная система является интеллектуальной. [1]

Экспертные системы

Экспертные системы — это направление исследований в области искусственного интеллекта по созданию вычислительных систем, умеющих принимать решения, схожие с решениями экспертов в заданной предметной области. Примечательно то, что экспертные системы являются одними из первых видов практически применимых интеллектуальных систем в силу своей узкой направленности. Подобно тому, как хороший эксперт компетентен только в своей проблемной области, экспертная система работает в чётко детерминированном пространстве, то есть способна решать только определённое количество специальных задач. [2]

Основной части экспертной системы, является база знаний, что, впрочем, актуально и для других интеллектуальных систем. Давайте разберёмся, что же это такое. База знаний — это особым образом структурированная СУБД, где базовой единицей информации является факт, существуют определённые правила переходов (причинно-следственные связи) и признаки, посредством которых можно выявить факт. База знаний формируется исходя из личного опыта (знаний) экспертов в проблемной области, и позволяет компьютеру перенять практические навыки эксперта (эвристики). Что же такое эвристики? Это заранее известная последовательность действий, приводящая к положительному результату. Например, рокировка в шахматной партии. Однако, стоит заметить, что далеко не всегда эвристика приносит действительно положительный эффект. Взять хотя бы ту же рокировку, при некоторых обстоятельствах она будет эффективна, но при других, делая рокировку, можно упустить действительно важный ход. Решение применять эвристику или нет, принимается исходя из доступных признаков, каждый из которых может иметь свой вес (значимость) на данный факт, вес может быть, в том числе, и отрицательным, тогда данный признак направлен против того, чтобы  применить данную эвристику.  Но кто задаёт признаки, и их вес?! Разумеется, эксперты в заданной области, то есть люди. И тут мы встречаемся с двумя проблемами: во-первых, большинство умозаключений человек делает бессознательно и зачастую не может в точности описать все факторы, на основе  которых он сделал свой выбор, а во-вторых, мнения экспертов могут отличаться, и в одной и той же ситуации два человека могут сделать совершенно разный выбор. Исходя из этого следует сделать несколько выводов: во-первых, экспертная система сильно зависит от экспертов, формирующих её базу знаний, и не может самопроизвольно добавлять факты, признаки, правила, во-вторых, чем больше компетенция экспертов, тем более качественной получится экспертная система, в-третьих, применение экспертных систем в чистом виде возможно только в сильно формализованной области знаний.

Таким образом, экспертные системы, безусловно,  полезны, однако область их применения ограничена хорошо формализованными областями знания, а отсутствие у системы возможности развиваться без вмешательства человека, делает создание экспертных систем очень трудоёмким процессом. В области приборостроения целесообразно применять экспертные системы для выбора материала, оборудования, инструмента, приспособлений. Для построения технологического процесса (ТП) использование ЭС возможно, но затруднительно, по той причине, что многие признаки в ТП слабо формализованы.

Многоагентные системы

В традиционном подходе решение задачи искусственного интеллекта сводится к написанию одной сложной интеллектуальной системы. Однако такой подход влечёт за собой ряд сложностей: проблематичность отладки и выявления слабых мест в системе, сложности в масштабировании и проведении распределенных вычислений, сложность в привлечении сторонних разработчиков. Для устранения вышеописанных проблем применяется многоагентная система. Суть данной системы в том, что для решения сложной задачи или проблемы используются системы, состоящие из множества взаимодействующих агентов. Каждый из агентов сам является интеллектуальной системой, решающей узкий круг задач, в то же время агенты активно взаимодействуют друг с другом, для решения общей глобальной задачи. [1]

Данный подход имеет массу плюсов  и позволяет решить вышеописанные проблемы: многоагентные системы легко масштабируются, так как каждый агент, при необходимости, может занимать свой собственный сервер, относительно легко проводить отладку, анализируя работу отдельных агентов, просто привлекать новых разработчиков, которым для создания новых агентов в системе им будет достаточно только изучить механизм взаимодействия между агентами, не вдаваясь во все тонкости работы системы.

Однако разработчики многоагентных систем сталкиваются с новыми проблемами, не имеющими место в традиционном подходе. Одной из таких проблем является появление резонансных, синергетических эффектов, когда агенты начинают делегировать друг другу одну и ту же задачу по кругу: первый второму, второй третьему, третий первому и т. д. Подобный эффект типичен для интеллектуальных систем и нередко встречается в повседневной жизни, например при работе с несколькими связанными организациями. Такие эффекты требуется выявлять и устранять.

В приборостроении можно и нужно применять многоагентные системы, так как данная предметная область требует решения множества разнородных задач (от проектирования технологической документации до управления жизненным циклом предприятия), решение которых логично делегировать различным агентам, что, собственно, и применяется в разрабатываемой системе информационно аналитического управления производством.

Генетические алгоритмы

Генетические алгоритмы (ГА) — это относительно новое направление в алгоритмике. Они способны не только решать и сокращать перебор в сложных задачах, но и легко адаптироваться к изменению проблемы.

Вначале ГА-функция генерирует определенное количество возможных решений, а затем вычисляет для каждого ‘уровень выживаемости’ (fitness) – близость к истине. Эти решения дают потомство. Те, что ‘сильнее’, то есть больше подходят, имеет больший шанс к воспроизводству, а ‘слабые’ постепенно отмирают. Идет эволюция.

Процесс повторяется до тех пор, пока не найдено решение, или не получено достаточное к нему приближение. Правильно запрограммированные генетические алгоритмы могут быть весьма эффективны. [3]

В общих чертах принцип работы генетических алгоритмов можно описать по заданной схеме:

  • Генерация произвольного начального состояния. Первое поколение создается из случайно выбранных решений (хромосом). Это отличается от стандартных методов, когда начальное состояние всегда одно и то же.
  • Вычисление коэффициента выживаемости (fitness). Каждому решению (хромосоме) сопоставляется некое численное значение, зависящее от его близости к ответу.
  • Воспроизводство. Хромосомы, имеющие большую выживамость (fitness), попадают к потомкам (которые затем могут мутировать) с большей вероятностью. Потомок, результат слияния «отца» и «матери», является комбинацей их ген. Этот процесс называется «кроссиннговер» (crossing over).
  • Cледующее поколение. Если новое поколение содержит решение, достаточно близкое к ответу, то задача решена. В противоположном случае оно проходит через тот же процесс. Это продолжается до достижения решения.

Таким образом, генетические алгоритмы позволяют значительно оптимизировать процедуру поиска решения, что является весьма актуальным при решении задач искусственного интеллекта. Однако данные алгоритмы далеко не универсальны и имеют ряд существенных ограничений в применение. К примеру, для успешной работы генетического алгоритма важно, чтобы ближайшие решения давали схожие результаты, то есть, незначительно изменение генофонда должно повлечь за собой незначительные изменения искомого значения. Исходя из этого, перед разработчиками интеллектуальной системы на базе генетического алгоритма стоит задача предварительной сортировки генов (фактов в базе знаний) так, чтобы обеспечить выполнение данного условия. Решаемость данной задачи сильно зависит от области применения. Наиболее успешно применение для решения следующих задач: оптимизация функций, оптимизация запросов в базах данных, составление расписаний, игровые стратегии.

Существующие решения

На данный момент мы имеем множество небольших интеллектуальных систем, решающих частные задачи в предметных областях, в частности, приборостроение, однако эти системы имеют лишь некоторые признаки интеллекта, и решают на данный момент лишь малую долю интеллектуальных задач. Более того, даже если они условно и считаются обучаемыми, обучение проходит как правило при помощи человека, с большими затратами временных ресурсов, в результате  по прежнему основную часть интеллектуальных задач решают люди, что становится всё проблематичнее в условиях постоянного усложнения задач производства.

Перспективы развития

Проблема создания эволюционных неоднородных компьютерных систем тесно связана с проблемой построения интеллектуальных автоматизированных систем обработки информации (АСОИ), а также с научным направлением, изучающим возможности создания систем искусственного интеллекта. Так, для создания действительно интеллектуальной системы необходимо выполнить ряд условий. Например:

  1. Для обеспечения живучести и надежности АСОИ такая система должна быть многопроцессорной.
  2. Система обработки и накопления информации должна быть универсальной и единой для любых предметных областей, так как интеллектуальная АСОИ (ИАСОИ) должна иметь возможность обучения и работы в любых предметных областях.
  3. Для своевременного реагирования на изменения предметной области и окружающей среды, процессы обработки информации должны управляться потоком входных данных.
  4. Кроме того, для выживания в агрессивной окружающей среде, ИАСОИ должна активно управлять процессом сбора необходимой исходной информации, формируя, таким образом, систему обработки информации типа “активная логическая сеть, управляемая потоком данных”.
  5. Принципиально важно, что функционирование ИАСОИ должно быть непрерывным, следовательно, и новые данные, и новые правила должны вводиться и встраиваться в систему обработки без перезагрузки и перепланирования баз данных и знаний.
  6. Исходя из необходимости обучения различным предметным задачам в условиях непрерывности функционирования, следует, что система накопления информации должна иметь изменяемую эволюционную (адаптивную) структуру представления данных и правил.
  7. Кроме того, такая система накопления информации должна иметь возможность быть глобальной, т.е. обобщать и содержать всю имеющуюся доступную информацию, теоретически, “в пределе”, без ограничений по количеству информации.

Так как любая однородная система является частным случаем неоднородной и, исходя из требований непрерывности функционирования и живучести, следует, что: интеллектуальная система обработки информации должна быть многопроцессорной эволюционной неоднородной компьютерной системой, в которой можно наращивать, заменять и модернизировать любую аппаратную или программную подсистему, блок, элемент. До настоящего времени не предложено комплексного решения указанных проблем и преодоления противоречий.

Литература

  1. Портал Искусственного Интеллекта [Электронный ресурс] / Проект Aiportal.ru; http://www.aiportal.ru/
  2. Крис Нейлор. Как построить свою экспертную систему — М.: «Энергоатомиздат», 1991. — С. 286.
  3. Гладков Л. А., Курейчик В. В., Курейчик В. М. Генетические алгоритмы: Учебное пособие. — 2-е изд. — М: Физматлит, 2006. — С. 320.

Leave a Comment

Your email address will not be published. Required fields are marked *

Лимит времени истёк. Пожалуйста, перезагрузите CAPTCHA.