TEMAT PRACY: Metody i narzdzia sztucznej inteligencji w systemach zintegrowanego sterowania produkcj

Spis treci:

Wstp .3 Sztuczna inteligencja .7 Zastosowanie sztucznej inteligencji...8 Systemy eksperckie8 Sieci neuronowe...18 Podsumowanie.22

WSTP

W poniszej pracy przedstawiono zagadnienia zwizane z metodami i narzdziami sztucznej inteligencji wykorzystywanymi w systemach

zintegrowanego sterowania produkcj. W dobie wspczesnej gospodarki organizacje coraz czciej zmuszone s do sigania do coraz nowszych i bardziej innowacyjnych metod i narzdzi pozwalajcych im wzmocni swoj pozycj rynkow. Istotnym elementem wspczesnej globalnej gospodarki rynkowej jest skracanie si cyklu ycia produktw przemysowych. Jest to uwarunkowane wieloma czynnikami. Jednym z nich jest aspekt technologiczny, ktry stanowi o coraz wikszej efektywnoci procesw technologicznych. Szybki rozwj technologiczny umoliwia szybsz produkcj atrakcyjnych i coraz taszych wyrobw. Skrcenie cyklu ycia produktu jest rwnie uwarunkowane zmieniajcymi si trendami, oczekiwaniami i upodobaniami klientw. Skracanie cyklu ycia produktw nakrca spiral poday i popytu oraz stanowi, i warunkiem utrzymania si na rynku przedsibiorstwa jest cige wzmacnianie pozycji organizacji oraz permanentne uruchamianie produkcji cigle nowych. Dy si obecnie do wzmacniania pozycji przedsibiorstwa na rynku. Jedn ze strategii wzmocnienia pozycji jest wykorzystanie technik komputerowych na kadym polu dziaania organizacji. Obecnie pena informatyzacja organizacji przebiega we wszystkich etapach, poczwszy od zarzdzania, planowania, poprzez produkcj, logistyk a skoczywszy na etapie marketingu. Informatyzacja organizacji i wykorzystanie nowoczesnych technologii im towarzyszcych spowodowane jest nastpujcymi wymaganiami rynku: Skrcenie czasu przygotowania i realizacji produkcji z jednoczesnym jej cigym unowoczenieniem i wdraaniem innowacyjnych technologii, Szybkie i elastyczne reagowanie na potrzeby rynku, Uzyskanie planowanej terminowoci dostaw produktw na rynek,

 Obnienie kosztw produkcji zarwno w fazach przygotowania, jak i realizacji, Optymalne zarzdzanie realizacj zlece produkcyjnych dziki krtkim cyklom produkcyjnym, krtkim terminom realizacji zlece produkcyjnych, minimalnym zapasom materiaowym, Tendencje zmian na konkurencyjnym rynku, Stosowanie efektywnych i innowacyjnych koncepcji realizacyjnych w produkcji, Krtki czas ycia produktu. Ponadto systemy informatyczne jako wykorzystywane narzdzia mog w organizacji uatwia i usprawni proces zarzdzania poprzez: Usprawnienie szybkoci przepywu informacji, Zdalny dostp do zasobw systemu informatycznego organizacji, Gromadzenie informacji archiwizacja transakcji biznesowych i wiedzy organizacji w bazach danych, Tworzenie raportw i analiz finansowych, Mechanizmy prognostyczne pozwalajce przewidzie wartoci wanych dla organizacji wskanikw ekonometrycznych, Optymalizacj procesw decyzyjnych (symulacje wariantowe, analizy finansowe i ryzyka, optymalizacja alokacji zasobw), Mechanizmy sztucznej inteligencji pozwalajce wyszukiwa zalenoci i podobiestwa w zbiorach informacyjnych organizacji.

Powysze

czynniki

determinuj

organizacje

do

coraz

czstszego

wykorzystywania narzdzi umoliwiajcych maksymalne skrcenie czasu procesu produkcyjnego. Chodzi tu przede wszystkim o optymalne rozwizanie problemw dotyczcych projektowania struktury procesu wraz z okrelonymi z gry kryteriami oraz narzuconymi z gry ograniczeniami.

Systemy informatyczne (SI) od zawsze odgryway newralgiczn rol w zarzdzaniu i funkcjonowaniu organizacji, jak rwnie wykorzystywane byy nie tylko do wspomagania aktualnie istniejcych procesw informacyjno-decyzyjnych, ale take jako warunek konieczny ksztatowania dugofalowej strategii rozwoju organizacji. Wyrni mona nastpujce systemy informatyczne organizacji (z punktu widzenia poziomw wsparcia decydentw):

SIK systemy informowania kierownictwa (EIS18) zapewniaj szybki i atwy dostp do danych, moliwo ich interpretacji i odpowiedniej wizualizacji graficznej,

SWD systemy wspomagania decyzji (DSS19) umoliwiajce dodatkowo manipulowanie danymi, tworzenie modeli analitycznych uatwiajce podejmowanie niestrukturalnych decyzji, SE systemy eksperckie (ES 20) s jedn z form sztucznej inteligencji, mog zastpowa czowieka w podejmowaniu decyzji. Z punktu widzenia orientacji sytemu lub moduu informatycznego w organizacji mona wyrni nastpujce podstawowe ich klasy: MRP (ang. Materials Resource Planning) zorientowane na zarzdzanie zasobami produkcyjnymi (surowcami i zasobami) historycznie jest to najstarsza klasa aplikacji. HRM (ang. Human Resource Management) zorientowane na zarzdzanie zasobami ludzkimi organizacji. W najprostszym przypadku jest to synonim moduu obsugujcego administracj (kadry pace). SCM (ang. Supply Chain Management) zorientowane na zarzdzanie acuchem dostaw logistyk w kontekcie optymalizacji i integracji z klientami i dostawcami. Istotnego znaczenia nabiera w przypadku organizacji o charakterze rozlegym (rozproszonym), np.: korporacje, konsorcja.

 SFA (ang. Sales Force Automation) zorientowane na obsug sprzeday transakcje. S obecnie najczciej zintegrowane z systemem tworzenia witryn na bazie szablonw CMS21, dziki czemu moliwe jest tworzenie stron e-biznesowych (sklepw internetowych, aukcji, tablic

ogoszeniowych). CRM (ang. Customer Relationship Management) zorientowane na zarzdzaniu kontaktem z klientami, jest to element strategii marketingowej organizacji. W ujciu szerszym moe obejmowa moduy SFA i CMS. MRP II (ang. Manufacturing Resource Planning) poza funkcjonalnoci MRP (zarzdzanie zasobami produkcyjnymi) oferuj integracj innych dziaw przedsibiorstw, gwnie: handlu, rachunkowoci, planowania finansowego. ERP (ang. Enterprise Resource Planning) Planowanie Zasobw Przedsibiorstwa jest to klasa aplikacji (wynika z ewolucji MRP II) integrujcych zarzdzanie caoci procesw organizacji przedsibiorstwa na kadym ze szczebli zarzdzania. Dziki moduowej budowie czy funkcjonalno innych klas zgodnie z wymaganiami przedsibiorstwa. Cech architektury systemu ERP jest czsto to, e wykorzystuje wsplny dla wszystkich moduw system bazodanowy. BI (ang. Business Intelligence) to klasa systemw ERP, gdzie

zaimplementowano algorytmy sztucznej inteligencji oraz nowoczesne metody poszukiwania i eksploracji wiedzy (ang. Data Mining22). Jest to realizacja idei SE (system ekspercki) w odniesieniu do systemw klas ERP.

Wskazane podziay nie wyczerpuj mnogoci klasyfikacji i kierunkw orientacji systemw informatycznych organizacji. Wynika to z faktu, e systemy te s na og wykorzystywane pod ktem konkretnej organizacji i jej specyficznych wymaga.
.

SZTUCZNA INTELIGENCJA

Warunki rynkowe wymagaj nowego podejcia do problemu zarzdzania produkcj ukierunkowanego na spenienie w maksymalnym stopniu wymaga klienta przy jednoczesnej dbaoci o moliwie najniszy poziom kosztw wytwarzania. Wie si to czsto z koniecznoci odejcia od okrelonego za pomoc norm definiowania asortymentu produkowanych wyrobw i

indywidualnego traktowania poszczeglnych zamwie klientw. Stwarza to powane problemy organizacyjne i informacyjne. Zoono problemw w produkcji o szybko zmiennym asortymencie zachca do tworzenia nowych metod wspomagania dziaalnoci produkcyjnej. Coraz wiksz uwag koncentruje si na systemach ktre mogyby w komputerze odtworzy niektre z cech intelektu naturalnego. Systemy te maj za zadanie spenia funkcje charakterystyczne dla intelektualnej dziaalnoci czowieka i powszechnie interpretowane s jako systemy sztucznej inteligencji. Sztuczna inteligencja to dziedzina nauki, ktra czy w sobie zakres wiedzy informatycznej, psychologii, antropologii, matematyki, elektroniki, filozofii i neurofizjologii. Jest to element informatyki umoliwiajcy imitacj procesu mylowego czowieka. Priorytetem tej dziedziny jest stworzenie inteligentnych komputerw, ktre rozwizayby problemy, uwaane przez ludzi za wymagajce pewnej inteligencji. Dy si tu przede wszystkim do zbadania ludzkiej inteligencji i wykorzystywania tej wiedzy w maszynach. Do zagadnie sztucznej inteligencji naley midzy innymi, poszukiwanie metod rozwizania problemw oraz logiczne rozumowanie, ktre opiera si na zbudowaniu algorytmu naladujcego sposb wnioskowania jaki zachodzi w mzgu czowieka.

ZASTOSOWANIE SZTUCZNEJ INTELIGENCJI

W praktyce wiedza z zakresu sztucznej inteligencji znajduje zastosowanie m.in. w nastpujcych aspektach: 1. Technologie oparte na logice niepewnoci, ktre s powszechnie stosowane do sterowania przebiegiem procesw technologicznych w

przedsibiorstwach w warunkach braku wszystkich danych, 2. Systemy ekspertowe czyli rozbudowane bazy danych z wszczepion sztuczn inteligencj umoliwiajc zadawanie im pyta w jzyku

naturalnym i uzyskanie w tym samym jzyku odpowiedzi, 3. Sieci neuronowe znajduj wszechstronne zastosowanie.

ELEMENTY SZTUCZNEJ INTELIGENCJI: 1. Systemy eksperckie 2. Sztuczne sieci neuronowe 3. Logika rozmyta 4. Algorytmy ewolucyjne

SYSTEMY EKSPERCKIE

Pierwszym z elementw sztucznej inteligencji jest system ekspercki. Zagadnienia dotyczce tej dziedziny wi si ze stosowaniem i wykorzystaniem wiedzy i procedur rozumowania w celu rozwizania problemw, ktre wymagaj dowiadczenia ludzkiego (eksperta), nabytego przez wieloletni dziaalno w danej dziedzinie. Zadania tej dziedziny mona podzieli na dwa rodzaje. Pierwszy rodzaj stanowi problemy o znanym algorytmie rozwizania np. dobr parametrw w procesie wytwarzania. Drugi rodzaj stanowi problemy, ktrych rozwizanie jest zalene od specyficznych uwarunkowa zwizanych z danym przedsibiorstwem

np. dobr waciwego materiau, plan procesu technologicznego. Problemy te s rozwizywane na podstawie wiedzy ekspertw z danej dziedziny. Na paszczynie produkcyjnej system ekspercki moe peni rnorodne funkcje tj.: konsultanta, narzdzia modelowania, eksperta w poszczeglnych specjalistycznych dziaaniach. Nawizujc do przeszoci istotnym w zakresie tej dziedziny by program DENDRAL, ktry stworzono w latach 60-tych. Zasada jego dziaania opieraa si na obliczeniu wszystkich moliwych konfiguracji danego zbioru atomw. Integraln czci programu bya baza wiedzy zawierajca informacje chemiczne i reguy. Znaczcymi w zakresie systemw eksperckich byy rwnie programy uwaane jako wzorce dla przyszych, byy to: system PROSPEKTOR oraz system MYCIN. Systemy te wspomagay podejmowanie decyzji w sytuacji

niekompletnych danych. Ide systemw eksperckim jest wykonanie dziki nim zoonych zada na wysokim poziomie intelektualnym, analogicznie do tego jak dobrze robi to czowiek bdcy ekspertem w danej dziedzinie. Struktur systemu eksperckiego stanowi przede wszystkim zbir informacji z zakresu danej dziedziny tzw. reprezentacja wiedzy, ktrej dotyczy system oraz mechanizm rozumowania na podstawie zasobw wiedzy z danej dziedziny. System ekspercki posiada okrelone mechanizmy umoliwiajce mu m.in. na zadawanie pyta w celu uzyskania odpowiednich informacji, uzasadniania okrelonych konkluzji, wyjaniania sposobu rozumowania na zadanie uytkownika. System ekspercki wyrnia kolejne czynnoci wykonywane podczas wspdziaania uytkownika z systemem, s to: procedury wnioskowania, objaniania, aktualizacji bazy wiedzy oraz baza danych staych, baza danych zmiennych.

Struktura systemu eksperckiego skada si z nastpujcych blokw: baza wiedzy, modu wnioskowania, baza danych staych, baza danych zmiennych, interfejs uytkownika, modu pozyskiwania wiedzy, modu objaniania (Rys.1).

Rys. 1 Oglna struktura systemw eksperckich [Zastosowania metod sztucznej inteligencji w inynierii produkcji, R. Knosala]

Opierajc si o powyszy schemat naley wyszczeglni kolejne skadowe systemu eksperckiego: Baza wiedzy, ktra stanowi zbir faktw i regu (charakter deklaratywny bazy wiedzy) lub procedur i funkcji (charakter proceduralny). Jest to szczegowa reprezentacja wiedzy z zakresu danej dziedziny, Modu wnioskowania, ktry korzysta z bazy wiedzy, ustala kolejno analizowania elementw bazy. Ponadto wybiera rwnie te elementy, ktre znajd zastosowanie do sformuowania odpowiedzi udzielanej przez system. Baza danych staych i zmiennych okrela zbiory danych okrelonych wedug danego sposobu. Natomiast baza danych zmiennych zawiera odpowiedzi uytkownika i wyniki porednie ustalone przez ukad wnioskowania oraz zagadnienia nie posiadajce okrelonych stwierdze,
10

 Interfejs uytkownika - wyrni tu mona interfejs wejciowy zajmujcy si wprowadzaniem danych wejciowych do systemu i interfejs wyjciowy, ktry suy do wyprowadzania rozwiza problemw, Modu pozyskiwania wiedzy, ktry obejmuje zgromadzenie wiedzy w celu zwikszenia efektywnoci systemu Modu objaniania, ktry uzasadnia decyzje podejmowane przez modu wnioskowania systemu eksperckiego.

Etapy przetwarzania wiedzy w systemach eksperckich.

Moc systemu eksperckiego zaley przede wszystkim od zakodowanej w nim wiedzy, a w mniejszym stopniu od mechanizmw wnioskowania. Kluczowym etapem jest wic pozyskanie i zapisanie wiedzy w programach komputerowych okrelajcej fakty i inne dane umoliwiajce otrzymanie przez eksperta sposobu rozwizania problemw decyzyjnych w okrelonej tematyce, poczone z zapisem pozyskanej wiedzy w postaci formalnej lub modelu decyzyjnego. Wiedza pozyskana moe by poddana procesowi weryfikacji. Do pozyskiwania wiedzy wyrnia si nastpujce stadia: okrelenie zakresu zada rozwizywanych przez projektowany system ekspercki, identyfikacja rde wiedzy, opracowanie metody reprezentacji wiedzy, zapis wiedzy w formie bazy wiedzy, weryfikacja prototypowej bazy wiedzy na przykadach testowych, rozbudowa bazy wiedzy do wersji penej, testowanie bazy wiedzy, modyfikacja, usuwanie bdw, walidacja bazy wiedzy. kluczowych etapw

11

Do metod pozyskiwania wiedzy przekazywanej do systemu mona zaliczy: Bezporednie zapisywanie wiedzy, jest to tzw. uczenie na pami, jest to prosta metoda nie wymagajca specjalnie umiejtnoci od uczcego si systemu, Pozyskiwanie wiedzy na podstawie instrukcji. Jest to metoda wymagajca udziau nauczyciela. Polega na wykorzystaniu rde wiedzy wskazanych przez nauczyciela i przeksztaceniu wiedzy do postaci akceptowanej przez system, Pozyskiwanie wiedzy na podstawie analogii, gdzie istniejc wiedz w bazie przeksztaca si do opisu faktw podobnych do faktu uprzednio opisanego Pozyskiwanie wiedzy na podstawie przykadw. Metoda ta polega na generowaniu oglnego opisu poj w oparciu o zbir przykadw i kontrprzykadw, Pozyskiwanie wiedzy na podstawie odkrywania i obserwacji, jest to metoda, ktra wymaga uczenia indukcyjnego oraz zwikszonego udziau uczcego si w procesie.

Powysze metody pozyskiwania wiedzy czsto bezporednio cz si z okrelon metod reprezentacji wiedzy. Reprezentacja wiedzy w bazie wiedzy to ogl przekazywania, zapisywania i gromadzenia dowolnego zasobu wiedzy niezalenego od rozpatrywanej informacji. Baza wiedzy w systemach eksperckich skada si z faktw typu THEN (to) i regu typu IF(jeeli). W bazie danych zawarte s fakty dotyczce danej tematyki, ktre wykorzystywane s przez czon bazy wiedzy. Zanim dana regua zostanie zastosowana, elementy pierwszej warunkowej czci, prezentowane s w bazie danych. Wybrana dana regua okrela nowe fakty, ktre aktualizuj baz danych. Do metod stosowanych do prezentacji wiedzy nale: Ramki, Sieci semantyczne, Tabele decyzyjne,
12

 Drzewa decyzyjne, Metody wykorzystujce zapis stwierdze, Bezporednie zastosowanie logiki, Systemy regu. Kolejn po bazie wiedzy czci systemu eksperckiego jest modu wnioskowania. Zadaniem tego moduu jest poszukiwanie rozwiza.

Wnioskowanie w systemie eksperckim jest poszukiwaniem konkluzji przy wykorzystaniu okrelonego zbioru regu i faktw. Wyrnia si wnioskowanie do przodu, ktre rozpoczyna si od analizy faktw. Fakty, ktre ju istniej dopasowuje si do regu, dziki czemu powstaj nowe fakty. Nastpnie generowane s kolejne fakty, a osignie si zamierzony cel. Schemat wnioskowania przedstawiony jest poniej:

Baza wiedzy: Fakty: ABCDE

Reguy: R1: if A and B then F R2: if C and D then G R3: if F and G then H R2: if E and H then CEL

szukana: CEL

Przez istniejce fakty A i B jest odpalona regua R1, powstaj nowe fakty F. Regua R2 wzbogaca baz faktw o fakty G. Dalej odpalajc regu R3 powstaj nowe fakty H. Kocowo odpalona regua R4 daje poszukiwane CEL. Natomiast przy wnioskowaniu do tyu zaczyna si od hipotezy i poszukuje si algorytmw (dowodw), ktre t hipotez potwierdz lub obal. Analogicznie do powyszego schematu zasada ta przebiega nastpujco:

13

1. Poszukiwane zaoenie: CEL 2. Poszukiwanie regu, ktre maj CEL, w konkluzji odpalona regua R4. Nastpnie H staje si hipotez do udowodnienia. 3. Regua, ktra ma H w konkluzji, jest R3. Zostaje odpalona. Do udowodnienia jest F i G. 4. Odpalona R1- udowodnione F 5. Odpalone R2 - udowodnione G.

Kolejny modu w strukturze to modu objaniajcy Suy on do wyjanienia, skd wzio si dane rozwizanie, okrelajce dane konkluzje. Wyrnia si tu kilka form podawania wyjanie: Odpowied na pytanie jak przez przeanalizowanie procesu wnioskowania, ktry doprowadzi do konkluzji, Odpowied na pytanie dlaczego, wykorzystuje si w przypadku chci uzyskania dodatkowych danych lub informacji, Odpowied na pytanie dlaczego nie, czyli wyjanienie dlaczego dana informacja zostaa odrzucona lub nie zostaa wzita pod uwag. System wyjania przyczyn odrzucenia okrelonych regu, Odpowied na pytanie a co jeli, pokazuje odpowied przy zmianie faktu. Zasady konstruowania systemw eksperckich w oparciu o przetwarzanie wiedzy.

Proces tworzenia systemw eksperckich skada si z nastpujcych po sobie etapw (Rys.2). W poszczeglnych etapach znajdujcych si w systemach eksperckich wystpuj sprzenia zwrotne. Charakterystyk poszczeglnych etapw okrela pierwsza cze tzw. identyfikacja problemu, gdzie ekspert identyfikuje dany problem i jego zakres, okrela si cele do osignicia przy uyciu danego systemu. Wyznacza si rwnie na tym etapie rda wiedzy, istotnym jest tutaj udzia eksperta w danej dziedzinie. Kolejny etap to konceptualizacja. Etap ten
14

stanowi analiz problemu, wyznacza okrelone koncepcje i zasady, koncepcje, relacje i charakterystyki przepywu informacji. Dane tu zebrane stanowi opis jakociowy, ilociowy i niezbdne do wykorzystania wiedzy informacje, suce rozwizaniu problemu. Nastpnym etapem jest zapisanie zgromadzonej wiedzy jest to tzw. proces formalizacji wiedzy, w wybranej metodzie reprezentacji wiedzy, przy uyciu odpowiedniego narzdzia, czyli przeoenie koncepcji na zapis formalny. Przedostatni etap to implementacja, czyli opracowanie systemu eksperckiego, dokonuje si tu reorganizacj sformalizowanej wiedzy z okrelonym narzdziem na komputerze. Ostatni etap to testowanie. Sprawdza si tu wiedz wprowadzon do systemu, w ujciu poprawnoci generowanych odpowiedzi zgodnych z wymaganiami eksperta. W celu poprawy zapisu powraca si do etapu implementacji lub tworzone s nowe elementy reprezentacji wiedzy na etapie formalizacji wiedzy.

Rys. 2 Etapy procesu tworzenia systemu eksperckiego [Zastosowania metod sztucznej inteligencji w inynierii produkcji, R.Knosala]

15

Przykadem wykorzystywania systemw eksperckich w sterowaniu produkcj jest tu system komputerowy COSIMA (Rys. 3). Jest to system komputerowego wspomagania sterowaniem produkcji z wykorzystaniem technik sztucznej inteligencji. Modu systemu wyglda nastpujco: modu harmonogram ustala kolejk zada do realizacji w systemie produkcyjnym wraz z uwzgldnieniem relacji czasowych. Kolejny modu: dyspozytor wysya polecenia realizacji operacji zaplanowanych przez modu harmonogram do moduu transport oraz produkcja. Dysponowanie procesu operacji wysteruje w czasie rzeczywistym, uwzgldnia si przy tym zakcenia wystpujce w czasie produkcji. Modu transport w oparciu o dania moduu dyspozytor zarzdza wszystkimi urzdzeniami transportowymi. Modu produkcja steruje urzdzeniami tzn. CNC, robotami oraz realizuje przekazywanie danych do moduu monitor. Modu ten gromadzi dane w materiaach, wyposaeniu, stanie zarzdzania oraz realizuje funkcje sprze zwrotnych do odpowiednich moduw innych uytkownikw. Przebieg procesu wyglda nastpujco: na wejciu poprzez interfejs podaje si niezbdne informacje dotyczce centrw obrbkowych, urzdze transportowych, procesach, zleceniach produkcji. Informacje te przechowywane s w bazie danych profilu wytwarzania. Waciwe strategie harmonogramowania wskazane s przez baz regu. System umoliwia harmonogramowanie maszynowe, ale rwnie tworzenie

harmonogramu z udziaem inyniera systemu. Modu dyspozytor implementuje harmonogram z ograniczeniami rodowiska w czasie rzeczywistym. Emulator komrki produkcyjnej bazuje na sieci Perti oraz sztucznej inteligencji. Okrelone dane gromadzi w czasie rzeczywistym monitor i przekazuje je uytkownikowi [awrynowicz, 2006].

16

Rys.3 Moduy systemu COSIMA[Zarzdzanie produkcj w ogniwie sieci dostaw z zastosowaniem systemu eksperckiego i algorytmu genetycznego, awrynowicz A.]

Inne typy narzdzi wykorzystywane do tworzenia systemw eksperckich: Jzyki programowania algorytmicznego np. fortran, Basic Jzyki programowania symbolicznego np. Lips (proste zapisywanie dziaa na listach), Prolog, Jzyki programowania systemw eksperckich np. Clips, Systemy szkieletowe np. EMYCIN, MAS, Nexpert Object, czyli systemy z pusta baz wiedzy, umoliwiaj uytkownikowi wprowadzenie wasnych informacji, z ktrymi ma pracowa system. W systemach tych poza baz danych i baza wiedzy inne systemy s kompletne. Systemy szkieletowe znajduj zastosowanie, gdy zalecane jest skrcenie czasu tworzenia programu. Metasystemy eksperckie np. G2, ART, KEE. S to systemy eksperckie
wspomagajce projektowanie i konstruowanie systemw eksperckich. Umoliwiaj one swobodny wybr postaci bazy wiedzy oraz danych i mechanizmu wnioskowania.

17

SIECI NEURONOWE

W dobie wspczesnej rnorodnoci i odmiennego stopnia skomplikowania elementw produkowanych zauway mona, e wiele elementw jest podobnych do siebie. Powszechnie panujce przekonanie o efektywnoci i szybkoci dziaania, przejawia si to w deniu do opracowania technologii wytwarzania

reprezentatywnej dla szerokiego asortymentu produkcji. Projektujc nowy wyrb konstruktorzy powinni dziaa w sposb szybki i efektywny. Naley bra przy tym pod uwag czy podobny przedmiot by wczeniej projektowany, czy powtarza si podobny proces technologiczny. Wiadomoci te mona uzyska z okrelonych szczegowych baz danych, gdzie gromadzi si informacje o produktach ju wytwarzanych oraz nawizuje si do podobiestw midzy produktami. Ujcie powyszych zagadnie mona okreli w dwch aspektach tj. wiedz z zakresu konstrukcji elementw i procesu technologicznego przedstawia si za pomoc reprezentacji cyfrowej, natomiast do grupowania tych elementw wykorzystuje si sieci neuronowe. Sie neuronowa to system przetwarzania informacji, ktrego architektura i sposb funkcjonowania zostay zaczerpnite z modeli biologicznych ukadw nerwowych. Przy analizie sieci neuronowych naley w pierwszej kolejnoci skoncentrowa si na podstawowym elemencie systemu nerwowego jakim jest komrka nerwowa neuron. Skada si on z ciaa komrki (tzw. soma) oraz otaczajcych je dwch rodzajw wypustek: wypustki wprowadzajce informacje do neuronu s to tzw. dendryty i wypustki wyprowadzajce informacje z neuronu aksony. Kady neuron ma dokadnie jedn wypustk wyprowadzajc, poprzez ktr moe wysya impulsy do wielu innych neuronw. Pojedynczy neuron przyjmuje informacje od ogromnej iloci neuronw, ktre oddziauj na siebie poprzez ogromn liczb pocze Pojedynczy neuron przyjmuje pobudzenie od ogromnej liczby neuronw dochodzcej do tysica. Jeden neuron przekazuje pobudzenie innym neuronom przez zcza nerwowe nazywane synapsami przy

18

czym transmisja sygnaw odbywa si na drodze skomplikowanych procesw chemiczno-elektrycznych. Synapsy peni funkcj przekanikw informacji, a w wyniku ich dziaania pobudzenie moe by wzmocnione lub osabione. W rezultacie do neuronu dochodz sygnay, z ktrych cze wywiera wpyw pobudzajcy, a cze hamujcy. Neuron sumuje impulsy pobudzajce i hamujce Jeeli ich suma algebraiczna przekracza pewn warto progow, to sygna na wyjciu neuronu jest przesyany poprzez akson do innych neuronw [Rutkowski, 2009].

TOPOLOGIA SIECI

Do najwaniejszych cech sieci neuronowych nale: typ sygnau wejciowego, budowa sieci, sposb ich treningu. Sygna wejciowy moe by sygnaem binarnym lub cigym. Ze wzgldu na typ sygnau wejciowego dzieli si sieci neuronowe na sieci o wejciu binarnym (sie Hopfelda, sie Hamminga, sie ART 1.) i wejciu cigym (Perceptron, Kohonena). Neurony poczone w sie tworz struktur, ktra potrafi uczy si skomplikowanych przypadkw. W zalenoci od sposobu pocze neuronw mona wyrni: 1. Sie jednokierunkow (Rys.4) gdzie przepyw sygnaw odbywa si zawsze w jednym kierunku, od wejcia do wyjcia. Sie taka ma budow warstwow. Wyjcia neuronw jednej warstwy stanowi wejcia neuronw warstwy kolejnej.

Rys.4 Sie jednokierunkowa [Systemy wspomagania decyzji, Kwiatkowska A.M.]

19

2. Sie rekurencyjn (Rys. 5) w ktrej cz sygnaw wyjciowych staje si jednoczenie sygnaami wejciowymi, s to tzw. dwukierunkowe poczenia miedzy neuronami rnych warstw, pocznie w kierunku pierwotnym moe by zwrotne.

Rys.5 Sie rekurencyjna [Systemy wspomagania decyzji, Kwiatkowska A.M.]

3. Sie komrkow (Rys.6) gdzie kady neuron jest poczony ze swoimi ssiadami, s to poczenia nieliniowe.

Rys.6 Sie komrkowa [Systemy wspomagania decyzji, Kwiatkowska A.M.]

20

UCZENIE SI SIECI

Najskuteczniejsz metod uczenia si sieci jednokierunkowych jest optymalizacja funkcji celu zdefiniowania dla sieci. Polega to na minimalizacji bdu pomidzy wartociami danymi i aktualnie otrzymywanymi na wyjciu sieci dla wszystkich danych uczcych. Uczenie sieci polega na rozwizaniu zagadnienia optymalizacyjnego funkcji wielu zmiennych. Z matematycznego punktu widzenia dymy do znalezienia takich wartoci wag, aby warto bdu redniokwadratowego ze wszystkich odpowiedzi sieci, w stosunku do obserwacji dowiadczalnych, bya najmniejsza. Korekty wag sieci przeprowadza si wielokrotnie, dla caego zbioru uczcego. Jeden cykl obejmujcy obliczenie bdu i modyfikacj wag nosi nazw epoki. Koniec uczenia nastpuje najczciej wwczas, gdy bd

redniokwadratowy zaczyna rosn dla danych weryfikujcych. Jest to zwizane z moliwoci przeuczenia sieci, czyli do nadmiernego dopasowania si do danych uczcych bez zdolnoci do generalizacji przewidywa dla innych danych.

Sztuczne sieci neuronowe charakteryzuj si wieloma zaletami, wrd ktrych najwaniejsze to: Zdolno do uczenia si i uoglniania nabytej wiedzy. Sztuczne sieci neuronowe umoliwiaj znalezienie prawidowoci w warunkach duej liczby zmiennych o rnym charakterze. Zalenoci takie wymagaj czsto stosowania skomplikowanych operacji matematycznych lub s

niewykrywalne za pomoc metod matematycznych. Sie jest odporna na bdy w danych wejciowych (zaszumienia) oraz bdy pojawiajce si w niektrych wagach, czyli bdnie wyznaczonych niektrych staych modelu. Sieci umoliwiaj szybkie przetwarzanie informacji, czsto moliwe w czasie rzeczywistym.

21

ZASTOSOWANIE SZTUCZNYCH SIECI NEURONOWYCH

Swoj popularno sieci neuronowe zawdziczaj temu, e s wygodnym narzdziem. Mog by wykorzystywane w niezwykle szerokim zakresie problemw. Spowodowane jest to zdolnoci sieci neuronowych do

odwzorowywania zoonych funkcji. Szczeglnie naley tu podkreli ich nieliniowo. Zyskuj one coraz szersze do sterowania procesami produkcji, przewidywania wasnoci produktw. Zastosowanie sieci neuronowych jest wszechstronne. Sie potrafi odrni prawidowy wzorzec, nawet jeli podany sygna jest w jakikolwiek sposb zakcony. Ponadto w modelowaniu procesw technologicznych (produkcyjnych),

wykorzystywane s: Regresja czyli inaczej aproksymacja nieznanej funkcji wielu zmiennych (najczciej), na podstawie wynikw obserwacji dowiadczalnych. Predykcja, czyli przewidywanie przyszych zachowa si systemu na podstawie cigu wartoci z przeszoci z cigym dostosowaniem wag sieci. Wykrywanie wzorcw, umoliwiajce grupowanie sygnaw wykazujcych podobne cechy (sieci typu Kohonena). Jest to uczenie nienadzorowane, nie wymagajce zbioru uczcego.

PODSUMOWANIE

Inteligentne wytwarzanie jest przyszociowym kierunkiem rozwoju systemw wytwarzania i sterowania produkcj, gdzie coraz czciej dy si do dalszej automatyzacji, optymalizacji i integracji procesw produkcyjnych. Inteligentne przetwarzanie danych z rnych rde umoliwia integracj tych danych oraz podejmowanie decyzji i dokonywanie analiz. Inteligentne systemy znajduj szerokie zastosowanie w wielu obszarach wytwrczej dziaalnoci czowieka. Wykorzystywane s gwnie w obszarach
22

planowania i sterowania przebiegiem produkcji. Okrelaj one problemowo zorientowane programy komputerowe wspomagajce podejmowanie decyzji. Znajduj powszechnie zastosowanie cznie z technikami wspomagania

komputerowego. Inteligentne systemy pozwalaj funkcjonowa efektywnie na rynku globalnym speniajc jego wymagania.

23