metody i narzedzia sztucznej inteligencji

5/10/2018 Metody i Narzedzia Sztucznej Inteligencji - slidepdf.com

http://slidepdf.com/reader/full/metody-i-narzedzia-sztucznej-inteligencji 1/23

1

TEMAT PRACY: Metody i narzędzia

sztucznej inteligencji w systemach zintegrowanego sterowania produkcją



2

Spis treści:

Wstęp ……………………………………………………………………………….3

Sztuczna inteligencja ……………………………………………………………….7

Zastosowanie sztucznej inteligencji………………………………………………...8

Systemy eksperckie…………………………………………………………………8

Sieci neuronowe…………………………………………………………………...18

Podsumowanie…………………………………………………………………….22



3

WSTĘP

W poniŜszej pracy przedstawiono zagadnienia zwią zane z metodami i

narzędziami sztucznej inteligencji wykorzystywanymi w systemach

zintegrowanego sterowania produkcją .

W dobie współczesnej gospodarki organizacje coraz częściej zmuszone są

do sięgania do coraz nowszych i bardziej innowacyjnych metod i narzędzi

pozwalają cych im wzmocnić swoją pozycję rynkową .

Istotnym elementem współczesnej globalnej gospodarki rynkowej jest

skracanie się cyklu Ŝycia produktów przemysłowych. Jest to uwarunkowane

wieloma czynnikami. Jednym z nich jest aspekt technologiczny, który stanowi o

coraz większej efektywności procesów technologicznych. Szybki rozwój

technologiczny umoŜliwia szybszą produkcję atrakcyjnych i coraz tańszych

wyrobów. Skrócenie cyklu Ŝycia produktu jest równieŜ uwarunkowane

zmieniają cymi się trendami, oczekiwaniami i upodobaniami klientów. Skracanie

cyklu Ŝycia produktów nakręca spiralę podaŜy i popytu oraz stanowi, iŜ warunkiem

utrzymania się na rynku przedsiębiorstwa jest cią głe wzmacnianie pozycji

organizacji oraz permanentne uruchamianie produkcji cią gle nowych.

DąŜy się obecnie do wzmacniania pozycji przedsiębiorstwa na rynku. Jedną

ze strategii wzmocnienia pozycji jest wykorzystanie technik komputerowych na

kaŜdym polu działania organizacji. Obecnie pełna informatyzacja organizacji

przebiega we wszystkich etapach, począ wszy od zarzą dzania, planowania, poprzez

produkcję, logistyk ę a skończywszy na etapie marketingu.

Informatyzacja organizacji i wykorzystanie nowoczesnych technologii im

towarzyszą cych spowodowane jest następują cymi wymaganiami rynku:

• Skrócenie czasu przygotowania i realizacji produkcji z jednoczesnym jej

cią głym unowocześnieniem i wdraŜaniem innowacyjnych technologii,

• Szybkie i elastyczne reagowanie na potrzeby rynku,

• Uzyskanie planowanej terminowo

ści dostaw produktów na rynek,



4

• ObniŜenie kosztów produkcji zarówno w fazach przygotowania, jak i

realizacji,

• Optymalne zarzą dzanie realizacją zleceń produkcyjnych dzięki krótkim

cyklom produkcyjnym, krótkim terminom realizacji zleceń produkcyjnych,

minimalnym zapasom materiałowym,

• Tendencje zmian na konkurencyjnym rynku,

• Stosowanie efektywnych i innowacyjnych koncepcji realizacyjnych w

produkcji,

• Krótki czas Ŝycia produktu.

Ponadto systemy informatyczne jako wykorzystywane narzędzia mogą w

organizacji ułatwiać i usprawnić proces zarzą dzania poprzez:

• Usprawnienie szybkości przepływu informacji,

• Zdalny dostęp do zasobów systemu informatycznego organizacji,

• Gromadzenie informacji – archiwizacja transakcji biznesowych i „wiedzy”

organizacji w bazach danych,

• Tworzenie raportów i analiz finansowych,

• Mechanizmy prognostyczne pozwalają ce przewidzieć wartości waŜnych dla

organizacji wskaźników ekonometrycznych,

• Optymalizację procesów decyzyjnych (symulacje wariantowe, analizy

finansowe i ryzyka, optymalizacja alokacji zasobów),

• Mechanizmy „sztucznej inteligencji” pozwalają ce wyszukiwać zaleŜności i

podobieństwa w zbiorach informacyjnych organizacji.

PowyŜsze czynniki determinują organizacje do coraz częstszego

wykorzystywania narzędzi umoŜliwiają cych maksymalne skrócenie czasu procesu

produkcyjnego. Chodzi tu przede wszystkim o optymalne rozwią zanie problemów

dotyczą cych projektowania struktury procesu wraz z określonymi z góry kryteriami

oraz narzuconymi z góry ograniczeniami.



5

Systemy informatyczne (SI) „od zawsze” odgrywały newralgiczną rolę w

zarzą dzaniu i funkcjonowaniu organizacji, jak równieŜ wykorzystywane były nie

tylko do wspomagania aktualnie istnieją cych procesów informacyjno-decyzyjnych,

ale tak Ŝe jako warunek konieczny kształtowania długofalowej strategii rozwoju

organizacji.

WyróŜnić moŜna następują ce systemy informatyczne organizacji (z punktu

widzenia poziomów wsparcia decydentów):

• SIK – systemy informowania kierownictwa (EIS18) – zapewniają szybki i

łatwy dostęp do danych, mo

Ŝliwo

śćich interpretacji i odpowiedniej

wizualizacji graficznej,

• SWD – systemy wspomagania decyzji (DSS19) umoŜliwiają ce dodatkowo

manipulowanie danymi, tworzenie modeli analitycznych ułatwiają ce

podejmowanie niestrukturalnych decyzji,

• SE – systemy eksperckie (ES 20) są jedną z form sztucznej inteligencji,

mogą zastępować człowieka w podejmowaniu decyzji. Z punktu widzenia

orientacji sytemu lub modułu informatycznego w organizacji moŜna

wyróŜnić następują ce podstawowe ich klasy:

• MRP (ang. Materials Resource Planning) zorientowane na zarzą dzanie

zasobami produkcyjnymi (surowcami i zasobami) – historycznie jest to

najstarsza klasa aplikacji.

• HRM (ang. Human Resource Management) zorientowane na zarzą dzanie

zasobami ludzkimi organizacji. W najprostszym przypadku jest to synonim

modułu obsługują cego administrację (kadry – płace).

• SCM (ang. Supply Chain Management) zorientowane na zarzą dzanie

łańcuchem dostaw – logistyk ą w kontek ście optymalizacji i integracji z

klientami i dostawcami. Istotnego znaczenia nabiera w przypadku

organizacji o charakterze rozległym (rozproszonym), np.: korporacje,

konsorcja.



6

• SFA (ang. Sales Force Automation) zorientowane na obsługę sprzedaŜy –

transakcje. Są obecnie najczęściej zintegrowane z systemem tworzenia

witryn na bazie szablonów CMS21, dzięki czemu moŜliwe jest tworzenie

stron e-biznesowych (sklepów internetowych, aukcji, tablic

ogłoszeniowych).

• CRM (ang. Customer Relationship Management) zorientowane na

zarzą dzaniu kontaktem z klientami, jest to element strategii marketingowej

organizacji. W ujęciu szerszym moŜe obejmować moduły SFA i CMS.

• MRP II (ang. Manufacturing Resource Planning) poza funkcjonalnością

MRP (zarzą dzanie zasobami produkcyjnymi) oferują integrację innychdziałów przedsiębiorstw, głównie: handlu, rachunkowości, planowania

finansowego.

• ERP (ang. Enterprise Resource Planning) – Planowanie Zasobów

Przedsiębiorstwa – jest to klasa aplikacji (wynikła z ewolucji MRP II)

integrują cych zarzą dzanie całością procesów organizacji – przedsiębiorstwa

na kaŜdym ze szczebli zarzą dzania. Dzięki modułowej budowie łą czy

funkcjonalność innych klas zgodnie z wymaganiami przedsiębiorstwa.

Cechą architektury systemu ERP jest często to, Ŝe wykorzystuje wspólny dla

wszystkich modułów system bazodanowy.

• BI (ang. Business Intelligence) to klasa systemów 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 systemów klas ERP.

Wskazane podziały nie wyczerpują mnogości klasyfikacji i kierunków orientacji

systemów informatycznych organizacji. Wynika to z faktu, Ŝe systemy te są na

ogół wykorzystywane pod k ą tem konkretnej organizacji i jej specyficznych

wymagań.

.



7

SZTUCZNA INTELIGENCJA

Warunki rynkowe wymagają nowego podejścia do problemu zarzą dzania

produkcją ukierunkowanego na spełnienie w maksymalnym stopniu wymagań

klienta przy jednoczesnej dbałości o moŜliwie najniŜszy poziom kosztów

wytwarzania. WiąŜe się to często z koniecznością odejścia od określonego za

pomocą norm definiowania asortymentu produkowanych wyrobów i

indywidualnego traktowania poszczególnych zamówień klientów. Stwarza to

powaŜne problemy organizacyjne i informacyjne. ZłoŜoność problemów w

produkcji o szybko zmiennym asortymencie zachęca do tworzenia nowych metod

wspomagania działalności produkcyjnej. Coraz większą uwagę koncentruje się na

systemach które mogłyby w komputerze odtworzyć niektóre z cech intelektu

naturalnego. Systemy te mają za zadanie spełniać funkcje charakterystyczne dla

intelektualnej działalności człowieka i powszechnie interpretowane są jako systemy

sztucznej inteligencji.

Sztuczna inteligencja to dziedzina nauki, która łą czy w sobie zakres wiedzy

informatycznej, psychologii, antropologii, matematyki, elektroniki, filozofii i

neurofizjologii. Jest to element informatyki umoŜliwiają cy imitację procesu

myślowego człowieka. Priorytetem tej dziedziny jest stworzenie inteligentnych

komputerów, które rozwią załyby problemy, uwaŜane przez ludzi za wymagają ce

pewnej inteligencji. DąŜy się tu przede wszystkim do zbadania ludzkiej inteligencji

i wykorzystywania tej wiedzy w maszynach. Do zagadnień sztucznej inteligencji

naleŜy między innymi, poszukiwanie metod rozwią zania problemów oraz logiczne

rozumowanie, które opiera się na zbudowaniu algorytmu naśladują cego sposób

wnioskowania jaki zachodzi w mózgu człowieka.



8

ZASTOSOWANIE SZTUCZNEJ INTELIGENCJI

W praktyce wiedza z zakresu sztucznej inteligencji znajduje zastosowanie m.in. w

następują cych aspektach:

1. Technologie oparte na logice niepewności, które są powszechnie

stosowane do sterowania przebiegiem procesów technologicznych w

przedsiębiorstwach w warunkach braku wszystkich danych,

2. Systemy ekspertowe czyli rozbudowane bazy danych z wszczepioną

„sztuczną inteligencją ” umoŜliwiają cą zadawanie im pytań w języku

naturalnym i uzyskanie w tym samym języku odpowiedzi,

3. Sieci neuronowe – znajdują wszechstronne zastosowanie.

ELEMENTY SZTUCZNEJ INTELIGENCJI:

1. Systemy eksperckie

2. Sztuczne sieci neuronowe

3. Logika rozmyta

4. Algorytmy ewolucyjne

SYSTEMY EKSPERCKIE

Pierwszym z elementów sztucznej inteligencji jest system ekspercki.

Zagadnienia dotyczą ce tej dziedziny wiąŜą się ze stosowaniem i wykorzystaniem

wiedzy i procedur rozumowania w celu rozwią zania problemów, które wymagają

doświadczenia ludzkiego (eksperta), nabytego przez wieloletnią działalność w

danej dziedzinie.

Zadania tej dziedziny moŜna podzielić na dwa rodzaje. Pierwszy rodzaj

stanowią problemy o znanym algorytmie rozwią zania np. dobór parametrów w

procesie wytwarzania. Drugi rodzaj stanowią problemy, których rozwią zanie jest

zaleŜne od specyficznych uwarunkowań zwią zanych z danym przedsiębiorstwem



9

np. dobór właściwego materiału, plan procesu technologicznego. Problemy te są

rozwią zywane na podstawie wiedzy ekspertów z danej dziedziny.

Na płaszczyźnie produkcyjnej system ekspercki moŜe pełnić róŜnorodne

funkcje tj.: konsultanta, narzędzia modelowania, eksperta w poszczególnych

specjalistycznych działaniach.

Nawią zują c do przeszłości istotnym w zakresie tej dziedziny był program

DENDRAL, który stworzono w latach 60-tych. Zasada jego działania opierała się

na obliczeniu wszystkich moŜliwych konfiguracji danego zbioru atomów.

Integralną częścią programu była baza wiedzy zawierają ca informacje chemiczne i

reguły. Znaczą cymi w zakresie systemów eksperckich były równieŜ programy

uwaŜane jako wzorce dla przyszłych, były to: system PROSPEKTOR oraz system

MYCIN. Systemy te wspomagały podejmowanie decyzji w sytuacji

niekompletnych danych.

Ideą systemów eksperckim jest wykonanie dzięki nim złoŜonych zadań na

wysokim poziomie intelektualnym, analogicznie do tego jak dobrze robi to

człowiek będą cy ekspertem w danej dziedzinie.

Strukturę systemu eksperckiego stanowi przede wszystkim zbiór informacji

z zakresu danej dziedziny tzw. reprezentacja wiedzy, której dotyczy system oraz

mechanizm rozumowania na podstawie zasobów wiedzy z danej dziedziny. System

ekspercki posiada określone mechanizmy umoŜliwiają ce mu m.in. na zadawanie

pytań w celu uzyskania odpowiednich informacji, uzasadniania określonych

konkluzji, wyjaśniania sposobu rozumowania na zadanie uŜytkownika.

System ekspercki wyróŜnia kolejne czynności wykonywane podczas

współdziałania uŜytkownika z systemem, są to: procedury wnioskowania,

objaśniania, aktualizacji bazy wiedzy oraz baza danych stałych, baza danych

zmiennych.



10

Struktura systemu eksperckiego składa się z następują cych bloków: baza

wiedzy, moduł wnioskowania, baza danych stałych, baza danych zmiennych,

interfejs uŜytkownika, moduł pozyskiwania wiedzy, moduł objaśniania (Rys.1).

Rys. 1 Ogólna struktura systemów eksperckich [Zastosowania metod sztucznej

inteligencji w inŜynierii produkcji, R. Knosala]

Opierają c się o powyŜszy schemat naleŜy wyszczególnić kolejne składowe systemu

eksperckiego:

• Baza wiedzy, która stanowi zbiór faktów i reguł (charakter deklaratywny

bazy wiedzy) lub procedur i funkcji (charakter proceduralny). Jest to

szczegółowa reprezentacja wiedzy z zakresu danej dziedziny,

• Moduł wnioskowania, który korzysta z bazy wiedzy, ustala kolejność

analizowania elementów bazy. Ponadto wybiera równieŜ te elementy, które

znajdą zastosowanie do sformułowania odpowiedzi udzielanej przez system.

• Baza danych stałych i zmiennych określa zbiory danych określonych według

danego sposobu. Natomiast baza danych zmiennych zawiera odpowiedzi

uŜytkownika i wyniki po

średnie ustalone przez układ wnioskowania oraz

zagadnienia nie posiadają ce określonych stwierdzeń,



11

• Interfejs uŜytkownika - wyróŜnić tu moŜna interfejs wejściowy zajmują cy

się wprowadzaniem danych wejściowych do systemu i interfejs wyjściowy,

który słuŜy do wyprowadzania rozwią zań problemów,

• Moduł pozyskiwania wiedzy, który obejmuje zgromadzenie wiedzy w celu

zwiększenia efektywności systemu

• Moduł objaśniania, który uzasadnia decyzje podejmowane przez moduł

wnioskowania systemu eksperckiego.

Etapy przetwarzania wiedzy w systemach eksperckich.

Moc systemu eksperckiego zaleŜy przede wszystkim od zakodowanej w nim

wiedzy, a w mniejszym stopniu od mechanizmów wnioskowania. Kluczowym

etapem jest więc pozyskanie i zapisanie wiedzy w programach komputerowych

określają cej fakty i inne dane umoŜliwiają ce otrzymanie przez eksperta sposobu

rozwią zania problemów decyzyjnych w określonej tematyce, połą czone z zapisem

pozyskanej wiedzy w postaci formalnej lub modelu decyzyjnego. Wiedza

pozyskana moŜe być poddana procesowi weryfikacji. Do kluczowych etapów

pozyskiwania wiedzy wyróŜnia się następują ce stadia:

• określenie zakresu zadań rozwią zywanych przez projektowany system

ekspercki,

• identyfikacja źródeł wiedzy,

• opracowanie metody reprezentacji wiedzy,

• zapis wiedzy w formie bazy wiedzy,

• weryfikacja prototypowej bazy wiedzy na przykładach testowych,

• rozbudowa bazy wiedzy do wersji pełnej,

• testowanie bazy wiedzy, modyfikacja, usuwanie błędów,

• walidacja bazy wiedzy.



12

Do metod pozyskiwania wiedzy przekazywanej do systemu moŜna zaliczyć:

• Bezpośrednie zapisywanie wiedzy, jest to tzw. uczenie na pamięć, jest to

prosta metoda nie wymagają ca specjalnie umiejętności od uczą cego się

systemu,

• Pozyskiwanie wiedzy na podstawie instrukcji. Jest to metoda wymagają ca

udziału nauczyciela. Polega na wykorzystaniu źródeł wiedzy wskazanych

przez nauczyciela i przekształceniu wiedzy do postaci akceptowanej przez

system,

• Pozyskiwanie wiedzy na podstawie analogii, gdzie istnieją cą wiedzę w bazie

przekształca się do opisu faktów podobnych do faktu uprzednio opisanego• Pozyskiwanie wiedzy na podstawie przykładów. Metoda ta polega na

generowaniu ogólnego opisu pojęć w oparciu o zbiór przykładów i

kontrprzykładów,

• Pozyskiwanie wiedzy na podstawie odkrywania i obserwacji, jest to metoda,

która wymaga uczenia indukcyjnego oraz zwiększonego udziału uczą cego

się w procesie.

PowyŜsze metody pozyskiwania wiedzy często bezpośrednio łą czą się z

określoną metodą reprezentacji wiedzy. Reprezentacja wiedzy w bazie wiedzy to

ogól przekazywania, zapisywania i gromadzenia dowolnego zasobu wiedzy

niezaleŜnego od rozpatrywanej informacji.

Baza wiedzy w systemach eksperckich składa się z faktów typu THEN (to) i

reguł typu IF(jeŜeli). W bazie danych zawarte są fakty dotyczą ce danej tematyki,

które wykorzystywane są przez człon bazy wiedzy. Zanim dana reguła zostanie

zastosowana, elementy pierwszej warunkowej części, prezentowane są w bazie

danych. Wybrana dana reguła określa nowe fakty, które aktualizują bazę danych.

Do metod stosowanych do prezentacji wiedzy naleŜą :

• Ramki,

• Sieci semantyczne,

• Tabele decyzyjne,



13

• Drzewa decyzyjne,

• Metody wykorzystują ce zapis stwierdzeń,

• Bezpośrednie zastosowanie logiki,

• Systemy reguł.

Kolejną po bazie wiedzy częścią systemu eksperckiego jest moduł

wnioskowania. Zadaniem tego modułu jest poszukiwanie rozwią zań.

Wnioskowanie w systemie eksperckim jest poszukiwaniem konkluzji przy

wykorzystaniu określonego zbioru reguł i faktów. WyróŜnia się wnioskowanie do

przodu, które rozpoczyna się od analizy faktów. Fakty, które juŜ istnieją

dopasowuje się do reguł, dzięki czemu powstają nowe fakty. Następniegenerowane są kolejne fakty, aŜ osią gnie się zamierzony cel. Schemat

wnioskowania przedstawiony jest poniŜej:

Baza wiedzy:

Fakty: A B C D E

Reguły: 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 istnieją ce fakty A i B jest odpalona reguła R1, powstają nowe fakty F.

Reguła R2 wzbogaca bazę faktów o fakty G. Dalej odpalają c regułę R3 powstają

nowe fakty H. Końcowo odpalona reguła R4 daje poszukiwane CEL.

Natomiast przy wnioskowaniu do tyłu zaczyna się od hipotezy i poszukuje

się algorytmów (dowodów), które tą hipotezę potwierdzą lub obalą . Analogicznie

do powyŜszego schematu zasada ta przebiega następują co:



14

1. Poszukiwane załoŜenie: CEL

2. Poszukiwanie reguł, które mają CEL, w konkluzji – odpalona reguła R4.

Następnie H staje się hipotezą do udowodnienia.

3. Reguła, która 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 moduł w strukturze to moduł objaśniają cy SłuŜy on do wyjaśnienia,

sk ą d wzięło się dane rozwią zanie, określają ce dane konkluzje. WyróŜnia się tu

kilka form podawania wyjaśnień:

• Odpowiedź na pytanie „jak” przez przeanalizowanie procesu wnioskowania,

który doprowadził do konkluzji,

• Odpowiedź na pytanie „dlaczego”, wykorzystuje się w przypadku chęci

uzyskania dodatkowych danych lub informacji,

• Odpowiedź na pytanie „dlaczego nie”, czyli wyjaśnienie dlaczego dana

informacja została odrzucona lub nie została wzięta pod uwagę. System

wyjaśnia przyczynę odrzucenia określonych reguł,

• Odpowiedź na pytanie „a co jeśli”, pokazuje odpowiedź przy zmianie faktu.

Zasady konstruowania systemów eksperckich w oparciu o przetwarzanie wiedzy.

Proces tworzenia systemów eksperckich składa się z następują cych po sobie

etapów (Rys.2). W poszczególnych etapach znajdują cych się w systemach

eksperckich występują sprzęŜenia zwrotne. Charakterystyk ę poszczególnych

etapów określa pierwsza cześć tzw. identyfikacja problemu, gdzie ekspert

identyfikuje dany problem i jego zakres, określa się cele do osią gnięcia przy uŜyciu

danego systemu. Wyznacza się równieŜ na tym etapie źródła wiedzy, istotnym jesttutaj udział eksperta w danej dziedzinie. Kolejny etap to konceptualizacja. Etap ten



15

stanowi analizę problemu, wyznacza określone koncepcje i zasady, koncepcje,

relacje i charakterystyki przepływu informacji. Dane tu zebrane stanowią opis

jakościowy, ilościowy i niezbędne do wykorzystania wiedzy informacje, słuŜą ce

rozwią zaniu problemu. Następnym etapem jest zapisanie zgromadzonej wiedzy jest

to tzw. proces formalizacji wiedzy, w wybranej metodzie reprezentacji wiedzy,

przy uŜyciu odpowiedniego narzędzia, czyli przełoŜenie koncepcji na zapis

formalny. Przedostatni etap to implementacja, czyli opracowanie systemu

eksperckiego, dokonuje się tu reorganizację sformalizowanej wiedzy z określonym

narzędziem na komputerze. Ostatni etap to testowanie. Sprawdza się tu wiedzę

wprowadzoną do systemu, w ujęciu poprawności generowanych odpowiedzi

zgodnych z wymaganiami eksperta. W celu poprawy zapisu powraca się do etapu

implementacji lub tworzone są nowe elementy reprezentacji wiedzy na etapie

formalizacji wiedzy.

Rys. 2 Etapy procesu tworzenia systemu eksperckiego [Zastosowania metod

sztucznej inteligencji w inŜynierii produkcji, R.Knosala]



16

Przykładem wykorzystywania systemów eksperckich w sterowaniu produkcją

jest tu system komputerowy COSIMA (Rys. 3). Jest to system komputerowego

wspomagania sterowaniem produkcji z wykorzystaniem technik sztucznej

inteligencji. Moduł systemu wyglą da następują co: moduł harmonogram ustala

kolejk ę zadań do realizacji w systemie produkcyjnym wraz z uwzględnieniem

relacji czasowych. Kolejny moduł: dyspozytor wysyła polecenia realizacji operacji

zaplanowanych przez moduł harmonogram do modułu transport oraz produkcja.

Dysponowanie procesu operacji wysteruje w czasie rzeczywistym, uwzględnia się

przy tym zakłócenia występują ce w czasie produkcji. Moduł transport w oparciu o

Ŝą dania modułu dyspozytor zarzą dza wszystkimi urzą dzeniami transportowymi.

Moduł produkcja steruje urzą dzeniami tzn. CNC, robotami oraz realizuje

przekazywanie danych do modułu monitor. Moduł ten gromadzi dane w

materiałach, wyposaŜeniu, stanie zarzą dzania oraz realizuje funkcje sprzęŜeń

zwrotnych do odpowiednich modułów innych uŜytkowników. Przebieg procesu

wyglą da następują co: na wejściu poprzez interfejs podaje się niezbędne informacje

dotyczą ce centrów obróbkowych, urzą dzeń transportowych, procesach, zleceniach

produkcji. Informacje te przechowywane są w bazie danych profilu wytwarzania.

Właściwe strategie harmonogramowania wskazane są przez bazę reguł. System

umoŜliwia harmonogramowanie maszynowe, ale równieŜ tworzenie

harmonogramu z udziałem inŜyniera systemu. Moduł dyspozytor implementuje

harmonogram z ograniczeniami środowiska w czasie rzeczywistym. Emulator

komórki produkcyjnej bazuje na sieci Perti oraz sztucznej inteligencji. Określone

dane gromadzi w czasie rzeczywistym monitor i przekazuje je uŜytkownikowi

[Ławrynowicz, 2006].



17

Rys.3 Moduły systemu COSIMA[Zarzą dzanie produkcją w ogniwie sieci dostaw z

zastosowaniem systemu eksperckiego i algorytmu genetycznego, Ławrynowicz A.]

Inne typy narzędzi wykorzystywane do tworzenia systemów eksperckich:

• Języki programowania algorytmicznego np. fortran, Basic

• Języki programowania symbolicznego np. Lips (proste zapisywanie działań

na listach), Prolog,

• Języki programowania systemów eksperckich np. Clips,

• Systemy szkieletowe np. EMYCIN, MAS, Nexpert Object, czyli systemy z

pusta bazą wiedzy, umoŜliwiają uŜytkownikowi wprowadzenie własnych

informacji, z którymi ma pracować system. W systemach tych poza bazą

danych i baza wiedzy inne systemy są kompletne. Systemy szkieletowe

znajdują zastosowanie, gdy zalecane jest skrócenie czasu tworzenia

programu.

• Metasystemy eksperckie np. G2, ART, KEE. Są to systemy eksperckie

wspomagają ce projektowanie i konstruowanie systemów eksperckich.

UmoŜliwiają one swobodny wybór postaci bazy wiedzy oraz danych i mechanizmu

wnioskowania.



18

SIECI NEURONOWE

W dobie współczesnej róŜnorodności i odmiennego stopnia skomplikowania

elementów produkowanych zauwaŜyć moŜna, Ŝe wiele elementów jest podobnych

do siebie.

Powszechnie panują ce przekonanie o efektywności i szybkości działania,

przejawia się to w dąŜeniu do opracowania technologii wytwarzania

reprezentatywnej dla szerokiego asortymentu produkcji. Projektują c nowy wyrób

konstruktorzy powinni działać w sposób szybki i efektywny. NaleŜy brać przy tym

pod uwagę czy podobny przedmiot był wcześniej projektowany, czy powtarzał się

podobny proces technologiczny. Wiadomości te moŜna uzyskać z określonych

szczegółowych baz danych, gdzie gromadzi się informacje o produktach juŜ

wytwarzanych oraz nawią zuje się do podobieństw między produktami.

Ujęcie powyŜszych zagadnień moŜna określić w dwóch aspektach tj. wiedzę

z zakresu konstrukcji elementów i procesu technologicznego przedstawia się za

pomocą reprezentacji cyfrowej, natomiast do grupowania tych elementów

wykorzystuje się sieci neuronowe.

Sieć neuronowa to system przetwarzania informacji, którego architektura i

sposób funkcjonowania zostały zaczerpnięte z modeli biologicznych układów

nerwowych. Przy analizie sieci neuronowych naleŜy w pierwszej kolejności

skoncentrować się na podstawowym elemencie systemu nerwowego jakim jest

komórka nerwowa – neuron. Składa się on z ciała komórki (tzw. soma) oraz

otaczają cych je dwóch rodzajów wypustek: wypustki wprowadzają ce informacje

do neuronu są to tzw. dendryty i wypustki wyprowadzają ce informacje z neuronu –

aksony. KaŜdy neuron ma dokładnie jedną wypustk ę wyprowadzają cą , poprzez

którą moŜe wysyłać impulsy do wielu innych neuronów. Pojedynczy neuron

przyjmuje informacje od ogromnej ilości neuronów, które oddziałują na siebie

poprzez ogromną liczbę połą czeń Pojedynczy neuron przyjmuje pobudzenie od

ogromnej liczby neuronów dochodzą cej do tysią ca. Jeden neuron przekazuje

pobudzenie innym neuronom przez złą cza nerwowe nazywane synapsami przy



19

czym transmisja sygnałów odbywa się na drodze skomplikowanych procesów

chemiczno-elektrycznych. Synapsy pełnią funkcję przekaźników informacji, a w

wyniku ich działania pobudzenie moŜe być wzmocnione lub osłabione. W

rezultacie do neuronu dochodzą sygnały, z których cześć wywiera wpływ

pobudzają cy, a cześć hamują cy. Neuron sumuje impulsy pobudzają ce i hamują ce

JeŜeli ich suma algebraiczna przekracza pewną wartość progową , to sygnał na

wyjściu neuronu jest przesyłany — poprzez akson — do innych neuronów

[Rutkowski, 2009].

TOPOLOGIA SIECI

Do najwaŜniejszych cech sieci neuronowych naleŜą : typ sygnału

wejściowego, budowa sieci, sposób ich treningu. Sygnał wejściowy moŜe być

sygnałem binarnym lub cią głym. Ze względu na typ sygnału wejściowego dzieli się

sieci neuronowe na sieci o wejściu binarnym (sieć Hopfelda, sieć Hamminga, sieć

ART 1.) i wejściu cią głym (Perceptron, Kohonena).

Neurony połą czone w sieć tworzą strukturę, która potrafi uczyć się

skomplikowanych przypadków. W zaleŜności od sposobu połą czeń neuronów

moŜna wyróŜnić:

1. Sieć jednokierunkową (Rys.4) gdzie przepływ sygnałów odbywa się zawsze

w jednym kierunku, od wejścia do wyjścia. Sieć taka ma budowę

warstwową . Wyjścia neuronów jednej warstwy stanowią wejścia neuronów

warstwy kolejnej.

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



20

2. Sieć rekurencyjną (Rys. 5) w której część sygnałów wyjściowych staje się

jednocześnie sygnałami wejściowymi, są to tzw. dwukierunkowe połą czenia

miedzy neuronami róŜnych warstw, połą cznie w kierunku pierwotnym moŜe

być zwrotne.

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

3. Sieć komórkową (Rys.6) gdzie kaŜdy neuron jest połą czony ze swoimi

są siadami, są to połą czenia nieliniowe.

Rys.6 Sieć komórkowa [Systemy wspomagania decyzji, Kwiatkowska A.M.]



21

UCZENIE SIĘ SIECI

Najskuteczniejszą metodą uczenia się sieci jednokierunkowych jest

optymalizacja funkcji celu zdefiniowania dla sieci. Polega to na minimalizacji

błędu pomiędzy wartościami Ŝą danymi i aktualnie otrzymywanymi na wyjściu sieci

dla wszystkich danych uczą cych.

Uczenie sieci polega na rozwią zaniu zagadnienia optymalizacyjnego funkcji

wielu zmiennych. Z matematycznego punktu widzenia dąŜymy do znalezienia

takich wartości wag, aby wartość błędu średniokwadratowego ze wszystkich

odpowiedzi sieci, w stosunku do obserwacji doświadczalnych, była najmniejsza.

Korekty wag sieci przeprowadza się wielokrotnie, dla całego zbioru

uczą cego. Jeden cykl obejmują cy obliczenie błędu i modyfikację wag nosi nazwę

epoki. Koniec uczenia następuje najczęściej wówczas, gdy błą d

średniokwadratowy zaczyna rosnąć dla danych weryfikują cych. Jest to zwią zane z

moŜliwością przeuczenia sieci, czyli do nadmiernego dopasowania się do danych

uczą cych bez zdolności do generalizacji przewidywań dla innych danych.

Sztuczne sieci neuronowe charakteryzują się wieloma zaletami, wśród

których najwaŜniejsze to:

• Zdolność do uczenia się i uogólniania nabytej wiedzy. Sztuczne sieci

neuronowe umoŜliwiają znalezienie prawidłowości w warunkach duŜej

liczby zmiennych o róŜnym charakterze. ZaleŜności takie wymagają często

stosowania skomplikowanych operacji matematycznych lub są

niewykrywalne za pomocą metod matematycznych.

• Sieć jest odporna na błędy w danych wejściowych (zaszumienia) oraz błędy

pojawiają ce się w niektórych wagach, czyli błędnie wyznaczonych

niektórych stałych modelu.

• Sieci umoŜliwiają szybkie przetwarzanie informacji, często moŜliwe w

czasie rzeczywistym.



22

ZASTOSOWANIE SZTUCZNYCH SIECI NEURONOWYCH

Swoją popularność sieci neuronowe zawdzięczają temu, Ŝe są wygodnym

narzędziem. Mogą być wykorzystywane w niezwykle szerokim zakresie

problemów. Spowodowane jest to zdolnością sieci neuronowych do

odwzorowywania złoŜonych funkcji. Szczególnie naleŜy tu podkreślić ich

nieliniowość. Zyskują one coraz szersze do sterowania procesami produkcji,

przewidywania własności produktów. Zastosowanie sieci neuronowych jest

wszechstronne. Sieć potrafi odróŜnić prawidłowy wzorzec, nawet jeśli podany

sygnał jest w jakikolwiek sposób zakłócony.

Ponadto w modelowaniu procesów technologicznych (produkcyjnych),

wykorzystywane są :

• Regresja czyli inaczej aproksymacja nieznanej funkcji wielu zmiennych

(najczęściej), na podstawie wyników obserwacji doświadczalnych.

• Predykcja, czyli przewidywanie przyszłych zachowań się systemu na

podstawie cią gu wartości z przeszłości z cią głym dostosowaniem wag sieci.

• Wykrywanie wzorców, umoŜliwiają ce grupowanie sygnałów wykazują cych

podobne cechy (sieci typu Kohonena). Jest to uczenie nienadzorowane, nie

wymagają ce zbioru uczą cego.

PODSUMOWANIE

Inteligentne wytwarzanie jest przyszłościowym kierunkiem rozwoju

systemów wytwarzania i sterowania produkcją , gdzie coraz częściej dąŜy się do

dalszej automatyzacji, optymalizacji i integracji procesów produkcyjnych.

Inteligentne przetwarzanie danych z róŜnych źródeł umoŜliwia integrację

tych danych oraz podejmowanie decyzji i dokonywanie analiz.

Inteligentne systemy znajdują

szerokie zastosowanie w wielu obszarachwytwórczej działalności człowieka. Wykorzystywane są głównie w obszarach



23

planowania i sterowania przebiegiem produkcji. Określają one problemowo

zorientowane programy komputerowe wspomagają ce podejmowanie decyzji.

Znajdują powszechnie zastosowanie łą cznie z technikami wspomagania

komputerowego.

Inteligentne systemy pozwalają funkcjonować efektywnie na rynku

globalnym spełniają c jego wymagania.

metody i narzedzia sztucznej inteligencji

Documents