Исследование возможности применения искусственных нейронных сетей для автоматического управления процессом металлизации

3.3.2 Управление на основе искусственного интеллекта

Экспертные системы

Общие понятия

Экспертные системы (ЭС) - это набор программ или программное обеспечение, которое выполняет функции эксперта при решении какой-либо задачи в области его компетенции. ЭС, как и эксперт-человек, в процессе своей работы оперирует со знаниями [18]. Знания о предметной области, необходимые для работы ЭС, определенным образом формализованы и представлены в памяти ЭВМ в виде базы знаний, которая может изменяться и дополняться в процессе развития системы.

В отличие от машинных программ, использующих процедурный анализ, ЭС решают задачи в узкой предметной области (конкретной области экспертизы) на основе дедуктивных рассуждений. Такие системы часто оказываются способными найти решение задач, которые неструктурированны и плохо определены. Они справляются с отсутствием структурированности путем привлечения эвристик, т. е. правил, взятых "с потолка", что может быть полезным в тех системах, когда недостаток необходимых знаний или времени исключает возможность проведения полного анализа. При решении задач, требующих обработки большого объема знаний, возможность возникновения ошибки при переборе очень мала.

Главное достоинство экспертных систем - возможность накапливать знания, сохранять их длительное время, обновлять и тем самым обеспечивать относительную независимость конкретной организации от наличия в ней квалифицированных специалистов. Накопление знаний позволяет повышать квалификацию специалистов, работающих на предприятии, используя наилучшие, проверенные решения.

Основными отличиями ЭС от других программных продуктов являются использование не только данных, но и знаний, а также специального механизма вывода решений и новых знаний на основе имеющихся. Знания в ЭС представляются в такой форме, которая может быть легко обработана на ЭВМ. В ЭС известен алгоритм обработки знаний, а не алгоритм решения задачи. Поэтому применение алгоритма обработки знаний может привести к получению такого результата при решении конкретной задачи, который не был предусмотрен. Более того, алгоритм обработки знаний заранее неизвестен и строится по ходу решения задачи на основании эвристических правил. Решение задачи в ЭС сопровождается понятными пользователю объяснениями, качество получаемых решений обычно не хуже, а иногда и лучше достигаемого специалистами. В системах, основанных на знаниях, правила (или эвристики), по которым решаются проблемы в конкретной предметной области, хранятся в базе знаний. Проблемы ставятся перед системой в виде совокупности фактов, описывающих некоторую ситуацию, и система с помощью базы знаний пытается вывести заключение из этих фактов.

Качество ЭС определяется размером и качеством базы знаний (правил или эвристик). Система функционирует в следующем циклическом режиме: выбор (запрос) данных или результатов анализов, наблюдения, интерпретация результатов, усвоение новой информации, выдвижение с помощью правил временных гипотез и затем выбор следующей порции данных или результатов анализов. Такой процесс продолжается до тех пор, пока не поступит информация, достаточная для окончательного заключения.

В любой момент времени в системе существуют три типа знаний:

- Структурированные знания - статические знания о предметной области. После того как эти знания выявлены, они уже не изменяются.

- Структурированные динамические знания - изменяемые знания о предметной области. Они обновляются по мере выявления новой информации.

- Рабочие знания - знания, применяемые для решения конкретной задачи или проведения консультации.

Все перечисленные выше знания хранятся в базе знаний. Для ее построения требуется провести опрос специалистов, являющихся экспертами в конкретной предметной области, а затем систематизировать, организовать и снабдить эти знания указателями, чтобы впоследствии их можно было легко извлечь из базы знаний.

При создании ЭС возникает ряд затруднений. Это, прежде всего, связано с тем, что заказчик не всегда может точно сформулировать свои требования к разрабатываемой системе. Также возможно возникновение трудностей чисто психологического порядка: при создании базы знаний системы эксперт может препятствовать передаче своих знаний, опасаясь, что впоследствии его заменят "машиной". Но эти страхи не обоснованы, т. к. ЭС не способны обучаться, они не обладают здравым смыслом, интуицией. Но в настоящее время ведутся разработки экспертных систем, реализующих идею самообучения (нейросетевые ЭС). Также ЭС неприменимы в больших предметных областях и в тех областях, где отсутствуют эксперты.

Экспертная система состоит из базы знаний (части системы, в которой содержатся факты), подсистемы вывода (множества правил, по которым осуществляется решение задачи), подсистемы объяснения, подсистемы приобретения знаний и диалогового процессора.

При построении подсистем вывода используют методы решения задач искусственного интеллекта.

Достоинства экспертных систем

Постоянство - экспертные системы ничего не забывают из-за неограниченности базы знаний, в отличие от человека-эксперта;

Воспроизводимость - можно сделать любое количество копий экспертной системы, а обучение новых экспертов отнимает много времени и средств. Если имеется сложный лабиринт правил, то экспертная система может "распутать" этот лабиринт;

Устойчивость - Системы, основанные на знаниях, устойчивы к "помехам". Эксперт пользуется побочными знаниями и легко поддается влиянию внешних факторов, которые непосредственно не связаны с решаемой задачей. ЭС, не обремененные знаниями из других областей, по своей природе менее подвержены "шумам";

Эффективность - может увеличить производительность и уменьшать затраты персонала. Хотя экспертные системы дороги для создания и поддержки, они недороги для эксплуатации. Разработка и эксплуатационные расходы могут быть распределены среди многих пользователей. Полная стоимость может быть более разумной по сравнению с дорогими и малочисленными экспертами;

Постоянство - с использованием экспертных систем подобные транзакции обрабатываются одним и тем же способом. Система будет делать сопоставимые рекомендации для похожих ситуаций;

Влияние на людей - новый эффект (самая современная информация, имеющая влияние на здравый смысл). Главный эффект (ранняя информация доминирует над здравым смыслом );

Документация - экспертная система может задокументировать процесс решения задачи;

Законченность - экспертная система может выполнять обзор всех транзакций, а человек-эксперт сможет сделать обзор только отдельной выборки;

Своевременность - погрешности в конструкциях могут быть своевременно найдены;

Широта - могут быть объединены знания многих экспертов, что делает систему компетентной в широком спектре знаний, чего не может достичь один человек;

Снижают риск ведения дела - благодаря последовательности принятия решения, документированности, компетентности;

Недостатки экспертных систем

Интерфейс - большинство ЭС не вполне пригодны для применения конечным пользователем. Если вы не имеете некоторого опыта работы с такими системами, то у вас могут возникнуть серьезные трудности. Многие системы оказываются доступными только тем экспертам, которые создавали их базы знаний.

Быстродействие - вопросно-ответный режим, обычно принятый в таких системах, замедляет получение решений. Например, без экспертной системы врач может (а часто и должен) принять решение значительно быстрее, чем с ее помощью.

Здравый смысл - в дополнение к широкому техническому знанию, человек-эксперт имеет здравый смысл. Еще не известно, как заложить здравый смысл в экспертные системы;

Творческий потенциал - человек-эксперт может реагировать творчески на необычные ситуации, экспертные системы не могут;

Обучение - человек-эксперт автоматически адаптируется к изменению среды, экспертные системы нужно явно модифицировать. Нейронные сети - метод, который использует адаптацию и обучение.

Сенсорный Опыт - человек-эксперт располагает широким диапазоном сенсорного опыта, экспертные системы в настоящее время основаны на вводе символов;

Формализация - Все еще остается проблемой приведение знаний, полученных от эксперта, к виду, обеспечивающему их эффективную машинную реализацию.

Экспертные системы не эффективны, если решения не существует или когда проблема лежит вне области их компетенции. Системы, основанные на знаниях, также оказываются неэффективными при необходимости проведения скрупулезного анализа, когда число "решений" зависит от тысяч различных возможностей и многих переменных, которые изменяются во времени.

Критерий использования ЭС для решения задач

Существует ряд прикладных задач, которые решаются с помощью систем, основанных на знаниях, более успешно, чем любыми другими средствами. При определении целесообразности применения таких систем нужно руководствоваться следующими критериями.

Данные и знания надежны и не меняются со временем.

Пространство возможных решений относительно невелико.

В процессе решения задачи должны использоваться формальные рассуждения.

Должен быть, по крайней мере, один эксперт, который способен явно сформулировать свои знания и объяснить свои методы применения этих знаний для решения задач.

В таблице 3.1. приведены сравнительные свойства прикладных задач, по наличию которых можно судить о целесообразности использования для их решения ЭС [18].

Таблица 3.1 Критерий актуальности ЭС

В целом, ЭС не рекомендуется применять для решения следующих типов задач:

математических, решаемых обычным путем формальных преобразований и процедурного анализа;

задач распознавания, поскольку в общем случае они решаются численными методами;

задач, знания о методах решения которых отсутствуют (невозможно построить базу знаний).

Подобно другим видам компьютерных программ ЭС не могут заменить человека в решении задач, а скорее напоминают орудия труда, которые дают ему возможность решать задачи быстрее и эффективнее. Эти системы не заменяют специалиста, а являются инструментом в его руках.

Нечёткая логика

Для многих промышленных процессов сложно обеспечить точное управление. Они обычно являются многомерными, нелинейными и изменяющимися во времени. Управление на основе нечеткой логики может успешно применяться для таких процессов [3,11]. Кроме того, нечеткие контроллеры могут работать с не полностью описанными системами с неизвестной динамикой, так как для них (в отличие от многих традиционных адаптивных контроллеров) не требуется априорная математическая модель объекта управления. Еще одно преимущество нечетких контроллеров состоит в том, что они могут быть легко реализованы на цифровых или аналоговых СБИС, в которых информация может кодироваться по параллельно распределенной схеме.

Применение нечеткой логики для управления процессами в промышленности имеет ряд преимуществ по сравнению с использованием традиционных контроллеров. По-видимому, одно из основных преимуществ состоит в том, что нечетко-логический контроллер может разрабатываться по лингвистическим правилам, что тесно связано с искусственным интеллектом. Одна из целей искусственного интеллекта состоит в том, чтобы заменить человека машиной при выполнении точных операций. Нечеткий контроллер состоит из набора условных лингвистических операторов, или правил (называемых нечеткими ассоциативными матричными правилами, или НАМ-правилами), задающими конкретные ситуации управления. Эти условные лингвистические операторы могут быть легко получены из соображений здравого смысла или из технических сведений о процессе, которым требуется управлять.

Алгоритмы нечеткого управления, использующиеся в следующих случаях:

когда традиционные автоматические системы не справляются с управлением, а оператору в ручном режиме удается обеспечить заданное качество управления;

когда необходимо быстро провести наладку автоматической системы, при этом, с одной стороны, отсутствуют математические модели объекта управления, с другой стороны, имеется богатый опыт в виде знаний и навыков оператора по управлению в ручном режиме.

Показана схема построения нечеткой системы управления (НСУ). В ней можно выделить четыре блока. Основой для построения НСУ является схема управления объектом с участием (1) эксперта. Именно эксперт на основе собственных знаний об управлении объектом формирует (2) описание процесса управления. В этом случае описание задается в виде набора лингвистических правил и условий работы каждого лингвистического правила. Затем экспертное описание процесса управления преобразуется (3) в блок управления на основе нечетких экспертных знаний - НСУ. Это дает возможность исключить эксперта из схемы управления и в дальнейшем управление осуществляется (4) только на основе знаний эксперта об управлении, хранящихся в базе знаний НСУ.

На практике формирование базы знаний НСУ производит не сам эксперт, а инженер по знаниям во взаимодействии с экспертом.

Основные этапы построения систем интеллектуального управления на основе нечёткой логики следующие:

Определение входов и выходов создаваемой системы;

Задание для каждой из входных и выходных переменных функции принадлежности;

Разработка базы правил для реализуемой нечёткой системы;

Выбор и реализация алгоритма нечёткого логического вывода;

Анализ результатов работы созданной системы (проверка адекватности разработанной модели).

Составляющей частью НСУ является контроллер нечеткой логики - наиболее важное приложение теории нечетких множеств. Его функционирование отличается от работы обычных контроллеров тем, что для описания системы используются знания экспертов вместо дифференциальных уравнений. Эти знания могут быть выражены естественным образом с помощью лингвистических переменных, которые описываются нечеткими множествами.

Система управления на основе нечеткой логики состоит из набора НАМ-правил, задающих конкретные ситуации управления [3]. Во многих приложениях достаточно найти соотношение между ошибкой и скоростью изменения ошибки в процессе, чтобы изменить управляющее воздействие на величину, обеспечивающую удовлетворительное управление системой.

В этом отношении могут быть сформулированы простые лингвистические правила, основанные на наблюдениях или на простом изучении хода процесса. Приведем пример лингвистического правила на естественном языке, которое эксперт может использовать для описания действия системы управления:

Если ошибка является положительной, и большой, а скорость изменения ошибки -- отрицательная, и малая, то изменение на входе процесса -- положительное и большое.

В правиле использованы три переменных: ошибка (Е), скорость изменения ошибки (С) и изменение управляющего воздействия (U). Они задаются фиксированными универсальными множествами, определяющими диапазоны измерений величин, возможные в данной системе управления. В некоторых приложениях [33,34] в качестве посылки НАМ-правила, с целью улучшения характеристик системы, может быть добавлена еще какая-либо переменная, например, величина предыдущего управляющего воздействия, однако это приводит к усложнению в разработке системы управления.

Нейронные сети

В последнее время для целей управления все шире начинают применяться нейронные сети. Они строятся на основе биологических структур мозга и, благодаря способности к самоорганизации и обучению, имеют большие преимущества перед обычными ПИД и самонастраивающимися регуляторами [2,3,5,11,12,13,14,21,22].

Страницы: 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11