2.8. Контроль и диагностика на расстоянии

В настоящее время наиболее передовые фирмы-изготовители металлообрабатывающего оборудования предоставляют новый вид сервиса, который получил название «дистанционная диагностика». Принцип ее состоит в том, что диагностика проводится на предприятии-изготовителе оборудования. Естественно, что предприятие, эксплуатирующее оборудование, может находиться в другом городе или даже стране. Связь между этими предприятиями осуществляется по информационным сетям.

На рис. 2.12 приведен пример диагностики по мобильному телефону. Датчики, установленные на обрабатывающем центре предприятия-потребителя, фиксируют технологические параметры и параметры узлов станка. При возникновении у потребителя параметрического отказа станка сигнал поступает к фирме-изготовителю по мобильному телефону в виде цифровой информации с компьютера на компьютер фирмы-изготовителя, как и при использовании интернета. Фирма-изготовитель имеет мощную диагностическую систему, которая не только обслуживает потребителей, но и работает в направлении совершенствования выпускаемого оборудования, в частности опытных образцов нового оборудования.

Рис. 2.12. Пример диагностики по мобильному телефону

Фирма-изготовитель также имеет в своем распоряжении обширный пакет диагностических программ, базу данных и пакет расчетных моделей. Переданная по телефону информация в виде протокола измерений поступает в базу данных и служит исходной информацией для реализации расчетных моделей. Выполнение расчетов и анализ информации, имеющейся в базе данных, позволяют определить причины дефекта. Если этого сделать не удается, то прибегают к помощи диагностических программ, разработанных для отдельных узлов станка, например: привода, шпинделя, устройства считывания, системы смазки, инструмента и т.д.

Подобранная диагностическая программа, опять же по телефону, передается потребителю, который тестирует станок по полученной программе. Результаты тестирования по телефону передаются фирме-изготовителю, где окончательно анализируются результаты и ставится диагноз. Системы телефонной диагностики являются быстрым и высокоэффективным способом решения вопросов диагностики. Пока эта система не получила широкого распространения в основном по причине высокой стоимости предлагаемых услуг, но следует отметить, что это качественно новый этап в отношениях изготовителя и потребителя.

2.9. Использование искусственного интеллекта

в диагностике

В последнее время стал популярен термин «искусственный интеллект» — новый шаг в эволюции информационной техники, который означает переход от области чистой обработки данных к переработке знаний и символов. В методах искусственного интеллекта объединяются методы и техника, и это объединение используется при решении инженерных задач. В традиционных научных компьютерных программах решаются задачи, в которых следуют шаг за шагом по разработанной программе. В искусственном интеллекте проблемы связываются между собой с помощью правил эвристики. Это позволяет решать задачи, которые не описываются численными методами, а следовательно, не могут быть запрограммированы.

Методы искусственного интеллекта используются в автоматическом и логическом программировании.

В экспертных системах с использованием искусственного интеллекта базы знаний хранятся в виде совокупности записей на некотором языке ее представления и позволяют легко их изменять и дополнять в форме, понятной специалистам - разработчикам экспертной системы. В обычных же программах информация обрабатывается по прописанному алгоритму и только автор программы может его корректировать.

Специалисты переходят сейчас на принципиально новый уровень общения с компьютером - уровень знаний. Сложность понятия «знание» заключена в множественности и многообразии его материального носителя. Можно выделить пять форм знания (рис. 2.13):

Z₁ - знания в памяти человека;

Z₂ - материализованные знания (монографии, статьи, учебники);

Z₃ - поле знаний (полуформализованное описание Z₁ и 2₂);

Z₄ - модель знаний на языках представления знаний (формализация Z₃);

Z₅ - база знаний в компьютере (на электронных носителях).

Рис. 2.13. Концепция представления знаний

Основу экспертной системы составляет база знаний, заполняемая в процессе ее построения. Знания выражены в явном виде и организованы так, чтобы упростить принятие решений. Важность этой особенности экспертной системы невозможно переоценить. Она выходит за пределы построения программы, предназначенной для решения некоторого класса задач. Причина в том, что знания — основа экспертных систем - являются явными и доступными, что отличает эти системы от большинства традиционных программ. Они обладают такой же ценностью, как и любой большой объем знаний, и эти знания могут широко распространяться посредством книг и лекций.

Другая отличительная черта экспертных систем - наличие прогностических возможностей. Экспертная система может функционировать в качестве действенной теории обработки информации или модели решения задачи в заданной области, давая ожидаемые ответы в конкретных условиях и показывая, как изменятся эти ответы в новых ситуациях. Экспертная система может объяснить подробно, каким образом новая ситуация привела к изменениям. Это позволяет пользователю оценить возможное влияние новых факторов или информации и понять, как они связаны с решением. Аналогично пользователь может оценить влияние новых стратегий или процедур на решение, добавляя новые правила или изменяя уже существующие. К важным характеристикам экспертной системы относятся накопление и совершенствование ею знаний в определенной узкой предметной области.

Основными участниками процесса совершенствования являются: сама экспертная система, эксперт (опыт), инженер знаний (обучение), средство построения экспертной системы (память) и пользователь (прогнозирование). Их взаимодействие отображено на рис. 2.14. Экспертная система представляет собой набор программ или программное обеспечение решения задачи в интересующей пользователя предметной области. Она называется системой, а не просто программой, потому что содержит и компоненту решающую задачу, и компоненту поддержки. Вторая компонента помогает пользователю взаимодействовать с главной программой, т.е. может включать в себя совершенные отладочные средства, для тестирования и оценивания программы; удобные для пользователя средства редактирования для модифицирования знаний и данных в экспертной системе, а также развитые средства графического ввода-вывода информации в ходе работы системы.

Рис. 2.14. Взаимодействие участников экспертной системы

Средство построения экспертных систем - это язык программирования, применяемый для построения экспертной системы. Этот инструмент отличается от обычных языков программирования тем, что обеспечивает удобные способы представления сложных высокого уровня понятий. На языке искусственного интеллекта термин «средство» обычно относится к языку программирования и к поддерживающим средствам, используемым для построения экспертной системы.

Пользователь - человек, который использует уже построенную экспертную систему. Например, пользователем может быть ученый, использующий систему в качестве помощника при создании диагностической системы. Пользователем может быть студент, которому экспертная система помогает изучать робототехнику. Термин «пользователь» несколько неоднозначен. Обычно он обозначает «конечного пользователя», т.е. того, для которого разрабатывалась экспертная система. Из рис. 2.15 следует, что пользователем может быть: и создатель инструмента, отлаживающий язык для построения экспертной системы; и инженер знаний, уточняющий соответствующие знания в системе; и эксперт, добавляющий в систему новые знания; и конечный пользователь, обращающийся к системе за советом; и служащий, добавляющий в систему текущую информацию.

Рис. 2.15. Средства построения экспертной системы

В экспертных системах при формализации профессиональных знаний человека, касающихся способов решения задач той или иной предметной области, широко применяется эвристический механизм поиска, которым руководствуются профессионалы эксперты. На рис. 2.16 приведен пример эвристического поиска в экспертной системе.

База знаний экспертной системы содержит факты (данные) и правила (или другие представления знаний), использующие эти факты как основу для принятия решения по этим правилам.

Рис. 2.16. Эвристический механизм поиска

в экспертной системе

Механизм вывода содержит интерпретатор, который устанавливает связь между двумя формами описаний: на языке высокого уровня и посредством объективного кода таким образом, что программа хранится в памяти компьютера в первоначальной форме, а трансляция в объективный код осуществляется частями по мере необходимости. Интерпретатор позволяет понимать одну форму на уровне другой, определяет, каким образом применять правила для вывода новых решений, а диспетчер устанавливает порядок применения этих правил. Такая структура экспертной системы показана на рис. 2.17.

Рис. 2.17. Структура экспертной системы

В современных экспертных системах чаще всего используется метод представления знаний, основанных на правилах и фактах. Это представление знаний построено на использовании выражений вида ЕСЛИ (условие) - ТО (действие).

Например:

1. ЕСЛИ температура резца возле режущей кромки достигает 600°, ТО произошел большой износ резца.

2. ЕСЛИ износ резца более 15 мкм, ТО может произойти разрушение перемычки на его передней грани.

Когда текущая ситуация (факты) в задаче согласуется с частью правила ЕСЛИ, то выполняется действие, определяемое частью ТО. Это действие может оказаться влияющим на окружающую обстановку (например, вызовет распечатку текста на терминале пользователя) или же повлиять на управление программой (например, вызвать проверку и запуск некоторого набора правил), или может быть сведено к указанию системе добавить новый факт или гипотезу в базу данных.

Существуют два важных способа применения правил в системе, основанной на правилах: один называется прямой цепочкой рассуждений, а другой - обратной цепочкой рассуждений. В приведенном примере использовалась прямая цепочка рассуждений с простым набором правил. Для иллюстрации работы этой цепочки обозначают ситуации и понятия буквенными символами (рис. 2.18).

Рис. 2.18. Иллюстрация работы прямой цепочки рассуждения

Так, обозначение FΛB → Z означает: ЕСЛИ существуют событие F и событие В, ТО существует также событие Z.

Набор известных фактов называют базой данных. Каждый раз, когда набор правил проверяется относительно базы данных, выполняется только первое (самое верхнее) правило, согласующееся с данными (фактами). В рассматриваемом примере этим правилом является FΛB → Z. Поэтому на рис. 2.18 правило А → D выполняется лишь один раз, хотя оно всегда согласуется с базой данных.

Первое правило, которое выполняется, - это А → D, поскольку А уже находится в базе данных. И, как следствие этого правила, фиксируется существование факта D, после чего D помещается в базу данных. Это вызывает выполнение второго правила CΛD → F, F выводится и помещается в базу данных, что приводит к выполнению первого правила FΛB → Z и помещению Z в базу данных.

Метод называется прямой цепочкой рассуждений потому, что поиск новой информации происходит в направлении стрелок, разделяющих части ЕСЛИ и ТО (левые и правые части правил). Система использует информацию из левых частей, чтобы вывести (получить выводом) информацию, содержащуюся в правых частях цепочка выводов, рассмотренная с помощью рис. 2.18, изображена на рис. 2.19. Окончательный вывод состоит в том, что ситуация (событие) Z существует наряду с F и В.

Рис. 2.19. Цепочка рассуждений на примере по рис. 2.18

На рис. 2.20 приведен другой пример базы знаний. База знаний состоит из двух частей: базы факторов и базы правил. База знаний в свою очередь имеет две части: базу начальных условий и цель. Начальные условия: на полу стоят три блока А, В, С, при этом блок С стоит на блоке А. Цель работы системы — сложить все блоки один на другой в последовательности А, В, С.

Рис. 2.20. Пример базы знаний

База правил определяет правила выполнения переходных процессов. В качестве действующего элемента используется грейфер, который может поднимать блоки и опускать их в определенное место. База правил состоит из двух частей. Первая часть - это выполнение команды «поднимать один блок грейфером».

Эта команда может быть выполнена при соблюдении двух правил ЕСЛИ-ТО. Первое правило: ЕСЛИ X свободен (т.е. на нем нет еще блоков и его можно свободно захватить грейфером), ТО взять грейфером X и поднять. Второе правило: ЕСЛИ X свободен и X стоит на Y, то взять X и потом Y. Вторая часть базы правил – это выполнение команд по укладке блоков. Она также состоит из двух правил. Правило первое: ЕСЛИ взято X, ТО поставить X на пол. Второе правило: ЕСЛИ взято Х и Y стоит на Z, ТО поставить Х на Y.

Исходя из цели ясно, что следует выполнить следующие операции. Взять блок С грейфером и поставить его на пол. Затем взять блок В и поставить его на блок С. Затем взять блок А и поставить его на блок В. В этом случае цель будет достигнута. Однако компьютер не обладает логикой человека, поэтому действия его будут хаотичны. Например, он возьмет блок В и переставит его на другое место, однако это действие не приближает к решению цели, поэтому оно будет отмечено как ошибочное.

После того как компьютер перепробует все варианты, он решит поставленную задачу, но при этом в его памяти останется последовательность оптимального решения задачи, а это значит, что произойдет самообучение системы искусственного интеллекта. Недостаток этого способа - необходимость времени для обучения.

В настоящее время созданы системы под девизом «Вперед к цели». Пример такой системы приведен на рис. 2.21.

Рис. 2.21. Принцип работы интеллектуальной системы

При складывании блоков система при выборе действий сначала анализирует свои действия и только в том случае, если очередное действие приводит к продвижению к цели, предпринимает его. Так, при выполнении первого действия можно было руководствоваться правилами 1 и 2. Если воспользоваться правилом 1, то действия будут безрезультатными. Другим способом решения рассматриваемой проблемы является решение с возвратом, когда задача решается от цели к исходной ситуации. Решение этой проблемы аналогично поиску пути к выходу в лабиринте.