CC BY
14
3. ТЕХНОЛОГИ! ТА
УСТАТКУВАННЯ ДЕРЕВООБРОБНИХ ШДПРИ01СТВ
УДК 330.133.7 Проф. Д.Л. Дудюк, д-р техн. наук - НЛТУ Украти
ШТЕЛЕКТУАЛЬШ ТЕХНОЛОГИ ОЦ1НКИ ЕФЕКТИВНОСТ1 Й ОПТИМ1ЗАЦП АВТОМАТИЗОВАНИХ СИСТЕМ
Дасться короткий порiвняльний аналiз нових моделей i методiв (алгоритмiв) ïh-телектуальних обчислень з метою ïx вибору i застосування для оцшки ефективиосп та вибору оптимальних параметрiв иедетермшоваиих автоматизованих виробничих систем з иеч1тким описом станiв.
Prof. D.L. Dudyuk - NUFWTU
Intellectual techniques methods for estimation of automatic systems effectiveness and optimisation
The short analysis of new models and algorithms of intellectual calculation for stochastic automatic systems effectiveness estimation and optimization with fuzzy account.
Стр1мкий розвиток науково-техшчного прогресу i, зокрема, матер1аль-ного виробництва, висока динамжа обмшу товарами i послугами м1ж державами i континентами св^у вимагае достовiрноï оцiнки ефективносп функць онування виробничих систем уже на раншх стадiяx ïx проектування i ство-рення. Сучаснi методи анашзу i синтезу автоматизованих систем, що пос-тiйно вiд ïx створення й до кiнця термiну використання пiддаються не перед-бачуваним впливам стохастичних збурень, не придатш для оперативного ви-рiшення цих актуальних проблем. У цих умовах привертають увагу новi шд-ходи, що сформувалися за останнi десятки роюв.
Щоб людина могла устшно розв'язувати завдання аналiзу ефективиосп та синтезу оптимальних автоматизованих систем рiзноманiтного приз-начення ïH потрiбнi такi унiкальнi здатностi як:
• вмтня навчатися, тобто здаттсть послщовно м1тм1зувати в1дхилення фактичного вислщу свое1 дiяльностi вщ певного еталона;
• лтгвютичшстъ, тобто здаттсть виражати природною мовою т знания, як
здобут у ироцес1 иавчаиия.
Тому для моделювання iнтелектуальноï' дiяльностi людини мае вико-ристовуватися такий математичний апарат, який, на вщмшу вщ класичних ме-тодiв, пристосований до врахування властивостей навчатися i стлкуватися.
Таким математичним апаратом сьогодш е так зваш ттелектуалъш технологи, якi в основному базуються на трьох незалежних теорiях:
• нечтких множин - засобу формал1заци природномовних висловлювань 1 ло-пчних висновшв;
• нейронних мереж - штучних аналопв людського мозку, що моделюють здат-тсть навчатися;
• генетичних алгоритм1в - методу синтезу оптимальних розв'язшв 1з множини початкових вар1ант1в, над якими виконуються операци селекцИ, схрещування та мутацп.
Моделi об,ектiв дослiдження будуються шляхом проектування i нала-годження нечiтких баз знань, що являють собою сукупностi лiнгвiстичних висловлювань типу "ЯКЩО" (входи)..., "ТО" (виходи). Налагоджуючи нечiтку базу знань, можна визначити складш нелiнiйнi залежносп з необхiдною точнiстю.
Таким чином, штелектуальш технологи у складi нечггко! логiки, генетичних алгоритмiв i нейронних мереж дають змогу успiшно вирiшувати зав-дання аналiзу й синтезу складних об,ектiв дослiдження. Суть штелектуаль-ностi полягае в ушфжованому для всiх завдань представленнi об'екта у виг-лядi лiнгвiстичних правил "ЯКЩО... ТО", що вщображають людськ мiрку-вання на рiвнi здорового глузду i практичних знань. Тим принципово вiдрiз-няеться новий тдхщ вiд класичних методiв аналiзу i синтезу, в яких структура та функцюнування об'екта моделюеться певними видами рiвнянь: дифе-ренщальними, рiзницевими та iншими. Для формалiзацil лiнгвiстичних знань використовуються спецiально введет нечггю логiчнi рiвняння, якi налашто-вуються (навчаються) генетичними алгоритмами, еволюцшним програмуван-ням i нейронними мережами [1].
Нерщко окремi спецiалiсти помилково сприймають неч^ку логiку як заЫб знаходження лише наближених рiшень в управлшш, економiцi, медици-нi та ш., де не вимагаеться висока точшсть. Але добре вiдомо, що налаштову-ючи нечiткi бази знань, можна досягати тако! точностi моделювання, яка не поступаеться перед строгими кшьюсними сшввщношеннями.
Використання неч^ко1 експертно! шформацп про нелiнiйний об'ект дослщжень дае змогу зменшити обсяг експериментальних дослiджень. Крiм цього, нечiтка база знань легко штерпретуе структуру об'екта, що не завжди можливо за використання традицшних методiв. У зв'язку зi вказаним вище вiдпадае необхщшсть штучного пiдлатування особливостей об'ектiв дослщж-ень пiд строгi рамки традицшних методiв !х аналiзу i синтезу.
Серед сучасних пiдходiв, що дають змогу знаходити новi знання на пiдставi вiдповiдного аналiзу шформацп про т чи iншi об'екти дослщження, можна видiлити шiсть основних видiв моделей, а саме: класифiкацiя, регре-сiйний аналiз, прогнозування часових послщовностей, кластерний аналiз, асоцiювання, логiчна послщовшсть (табл. 1).
Найбiльш розповсюдженою операщею iнтелектуального аналiзу рiз-номаштно1 шформацп е класифжащя. За И допомогою виявляють характеры ознаки об'ектiв дослщження, однорiдних явищ з метою вщнесення до тих чи iнших заздалепдь видiлених груп (класiв, типiв).
Табл. 1. Основш моделi ттелектуальних обчислень
Moдeль Meтa Фуикщя
1. Kлacифiкaцiя Пepeд-бaчeиия Bиявлeння в аиал1заваийму йб'екп xapaктepииx йзиак видiлeииx гpyп
2. PeipecifenË аиал1з !! Bcтaиoвлeиия кiлькicиoгo зв'язку м1ж виxiдиими i вxiдиими змшними
3. Пpoгиoзyвaиия ча^-вж пocлiдoвиocтeй !! Пpoгиoзyвaиия дииам1ки poзвиткy i пoвeдiнки cиcтeми иа пiдcтaвi icтopичиoï iифopмaцiï пpo œï
4. Kлacтepиий аиал1з Нйв1 зиаиия Caмocтiйиe видiлeиия oднopiдниx гpyп йб'екив за дoпoмoгoю мoдeлi клacтepизaцiï
5. Acoujau^ !! Bиpiшeиия пpoблeми аиал1зу cтpyктyp иа пiдcтaвi взаемйзв'язшв м1ж пйд1ями
б. Лйпчиа пocлiдoвиicть !! Bcтaиoвлeиия лoгiчиoгo зв'язку в пocлiдoвнocтi пoв'язaииx у чаш годш
Рeгpeсiйнuй аналiз викopиcтoвyeтьcя для того, шрб вста^вши кшь-кicний зв,язoк мiж виxiдними i вxiдними змiнними дocлiджyвaниx oб,eктiв i явищ. У нaйпpocтiшoмy випадку кopиcтyютьcя cтaндapтними cтaтиcтичними мeтoдaми лiнiйнoï peгpeciï. Ane peaльнi oб,eкти i явища мають cклaднiшi ви-ди мoдeлeй.
Пpoгнoзyвання чатвих noслiдoвнoстeй дае змoгy пepeдбaчaти пoвe-дшку piзнoмaнiтниx cиcтeм у мaйбyтньoмy на пiдcтaвi aнaлiзy чиcлoвиx pя-дiв тieï чи iншoï icтopичнoï iнфopмaцiï, шo нaгpoмaджeнa в iнфopмaцiйниx бaзax дaниx.
Kластepuзацiя лишe вiддaлeнo нагадуе мoдeль клacифiкaцiï. Оcнoвнa вiдмiннicть тут ^лягае в тoмy, шo caмi гpyпи (клacи, типи) нe зaдaютьcя. Moдeль клacтepизaцiï caмocтiйнo видiляe oднopiднi гpyпи oб,eктiв, ïx влаети-вocтeй i xapaктepиcтик, за якими poзпoдiляe oб,eкти дocлiджeння.
Aсoцiювання виpiшye пpoблeмy aнaлiзy piзнoмaнiтниx cтpyктyp i явищ на пiдcтaвi вcтaнoвлeння зв,язкiв мiж oкpeмими пoдiями та eлeмeнтaми.
Moдeль лoгiчнoï пoслiдoвнoстi пepeдбaчae вcтaнoвлeння лoгiчнoгo зв'язку у пocлiдoвнocтяx, пoв,язaниx у чаш пoдiй i явищ.
Зyпинимocь тeпep кopoткo на ocнoвниx мeтoдax (aлгopитмax), шo ви-кopиcтoвyютьcя для пpoвeдeння iнтeлeктyaльниx oбчиcлeнь (табл. 2). Meтoди нeчткoï лoгiкu (НЛ) дають змoгy oпиcyвaти й aнaлiзyвaти cиcтeми з так зва-ними ^ч^кими aбo poзмитими xapaктepиcтикaми й пapaмeтpaми. Оcтaннi oпиcyютьcя нe тiльки вщшвщними ймoвipнocтями, ane й вiдпoвiдними мoж-ливocтями. Meтoди НЛ бypxливo poзвивaютьcя у бaгaтьox гaлyзяx кpaïн cвi-ту. Boни зacтocoвyютьcя для poзпiзнaвaння oбpaзiв i cитyaцiй, кoнтpoлю i вдocкoнaлeння cтpaтeгiй кepyвaння cклaдним виpoбництвoм, caмoнaвчaння тexнiчниx cиcтeм, eкoлoгo-eкoнoмiчнoгo та фiнaнcoвoгo aнaлiзy тoшo.
Biднocнa пpocтoтa й виcoкa eфeктивнicть НЛ як yнiвepcaльнoï мeтoдo-лoгiï виpiшeння piзнoмaнiтниx пpoблeм зaбeзпeчye ïï ycпiшнe викopиcтaння у вбyдoвaниx cиcтeмax кoнтpoлю, aнaлiзy iнфopмaцiï та yпpaвлiння. Пpи цьoмy збepiгaeтьcя мoжливicть дoлyчeння дocвiдy та штущп oпepaтopa. На вiдмiнy вщ тpaдицiйнoï мaтeмaтики, дe на гаж^му кpoцi вимaгaeтьcя мoдeлювaння тoчниx i oднoзнaчниx фopмyлювaнь зaкoнoмipнocтeй, НЛ ^o^nye зoвciм
шший рiвень мислення. Тому тут можна проводити творчий процес моделю-вання на найвищому рiвнi абстракцiй, за якого постулюеться лише мшмаль-ний набiр закономiрностей.
Табл. 2. Основш методи (алгоритми), що використовуються для проведення _'штелектуальних обчислень_
Метод Коротка характеристика
1. Неч1тка лопка (НЛ) Методи НЛ застосовуються до груп даних, як з певною 1мо-в1ртстю можуть бути штинними або хибними. Кр1м цього, до понять "так" або "т" передбачаеться доповнення "може бути". Використовуються для контролю й анал1зу шформацн.
2. Дерева ршень 1ерарх1чна система правил обчислень, класифшацй та анал1зу "ЯКЩО., ТОД1..."
3. Система аналогш (найближчого сусща) Прогнозування розвитку подш на тдстав1 аналогш под1бних минулих ситуацш.
4. Генетичт алгоритми (ГА) ГА - ефективний зас1б виршення р1зноматтних комбшатор-них та оптим1зацшних завдань за законом1рностями природного процесу ввдбору 1 розвитку.
5. Еволюцшне програмування (ЕП) Ппотеза про зв'язок м1ж вихвдними 1 вхвдними змшними фор-мулюеться системою у вигляд1 набору програм. Процес !х по-будови под1бний до ГА. Система "вирощуе" декшькох гене-тичних лшш програм, вибирае найкращу, 1 переводить на мо-ву користувача.
6. Нейронт мереж1 (НМ) Нелшшт адаптивт системи, що умовно 1м1тують нервову ' ' ' II II тканину з нейрон1в 1 здатт навчатися та видавати р1шення. Апаратт та програмт реал1зацн алгоритм1в НМ називають нейрокомп'ютерами.
7. Комбшоват методи Комплексне поеднання вказаних вище метод1в часто забезпе-чуе високу ефективтсть пошуку оптимальних розв'язк1в.
Як недолш нечггких систем необхщно вщзначити, по-перше, вщсут-нiсть стандартно! методики !х конструювання i, по-друге, неможливють мате-матичного аналiзу нечпких систем iснуючими традицiйними методами.
Метод дерева ршень (ДР) зручний не тшьки для розв'язування завдань класифжаци, але й для обчислень. Вш уже широко застосовуеться у област фiнансiв i бiзнесу, де часто трапляються завдання чисельного прогнозу. Внас-лiдок застосування цього методу створюеться iерархiчна структура правил класифжаци типу "ЯКЩО... ТОД1...", що мае вигляд дерева. Для того щоб виршити, до якого класу вiднести дослщжуваний об'ект або явище, необхiдно вщповщати на питання, що стоять у вузлах цього дерева, починаючи з кореня.
1дея алгоритму мiркувань на основi системи аналогш (СА) досить проста. Щоб зробити прогноз на майбутне i вибрати правильне ршення, СА знахо-дять аналоги дослщжувано! ситуаци в минулому i вибирають для не! вщповщ-не ршення. Тому цей метод ще називають методом "найближчого сусiдам. Тут не створюються шяю моделi чи правила для узагальнення попереднього досвь ду, тiльки використовуеться весь масив доступних юторичних даних.
Генетичнi алгоритми - високоефективний заЫб вирiшення рiзнома-нiтних задач оптимiзацi! та комбшаторних. Назва !х вказуе на певну iмiтацiю процесу природного вiдбору [2, 3]. Якщо, наприклад, потрiбно для виршення
завдання oптимiзaцiï знайти пeвнy cyкyпнicть фiкcoвaнoï кiлькocтi тexнiчниx пapaмeтpiв, тo пpo ^й нaбip мoжнa гoвopити як ^o вiдпoвiднy cyкyпнicть xpoмocoм, шo визначають якocтi iндивiдa - дaнoгo вapiaнтa poзв'язкy шетав-лeнoгo завдання. Знaчeння пapaмeтpiв, шo визначають poзв'язoк, тoдi будуть нaзивaтиcя гeнaми. Тeпep шшук oптимaльнoгo poзв'язкy пoдiбний дo eвoлю-цiï пoпyляцiï iндивiдiв, пpeдcтaвлeниx х^шми нaбopaми xpoмocoм. У цiй eвo-люцiï дiють мexaнiзми:
• вiдбopy иaйcильиiшиx - иaбopiв xpoмocoм, яким ввдпйввдають иайближч1 дй oптимaльииx poзв'язкiв;
• схpeщyвання - гeиepyвaиия шв^ вapiaитiв за дoпoмoгoю змшуваиия xpo-мocoмииx иaбopiв вибpaииx шдивщв;
• Myma^ï - випадкйв1 змши гетв у дeякиx щдивщв гопуляцц. У peзyльтaтi змши бaгaтьox пoкoлiиь виpoбляeтьcя poзв'язoк, щй вжe иe мoжe бути пoлiпшeиим.
Оcкiльки caмe фopмyлювaння завдання в тepмiнax ГА те дае змoги пpoaнaлiзyвaти cтaтиcтичнy значушдеть знaйдeнoгo з ïx дoпoмoгoю poзв'язкy й eфeктивнo cфopмyлювaти завдання, то визначити ^rneprn вiдбopy xpoмo-шм мoжe тiльки вiдпoвiдний фaxiвeць. ^му ГА cьoгoднi шe poзглядaютьcя бiльшe як iнcтpyмeнт нayкoвиx дocлiджeнь, шж зaciб пpaктичнoгo заст^у-вання в тexнiцi та в бiзнeci.
Евoлюцiйнe пpoгpамyвання - нaймoлoдший нaпpям iнтeлeктyaльниx oбчиcлeнь. Biн гpyнтyeтьcя на тому, шр гiпoтeзи пpo зaлeжнicть втащит вe-личин oб'eктiв дocлiджeння вщ вxiдниx i збypювaльниx впливiв фopмy-люeтьcя cиcтeмoю у виглядi пpoгpaм на дeякiй внyтpiшнiй мoвi пpoгpaмyвaн-ня. Пpoцec пoбyдoви циx пpoгpaм нагадуе фyнкцioнyвaння ГА. Koли cиcтeмa знaxoдить пpoгpaмy, яка нeпoгaнo вiдoбpaжae шукану зaлeжнicть, вoнa шчи-нае мoдифiкyвaти i пocтyпoвo пoкpaшyвaти цю пpoгpaмy, вiдбиpaючи вapiaн-ти, як пiдвишyють ïï тoчнicть. Таким чишм cиcтeмa нiби "виpoшye" дeкiлькa гeнeтичниx лiнiй пpoгpaм, шo кoнкypyють мiж coбoю в тoчнocтi виpaжeння шукате:' зaлeжнocтi та за iншими шказниками. У виcлiдi вибиpaeтьcя нaйeфeктивнiший вapiaнт пpoгpaми.
Тoдi cпeцiaльний тpaнcлюючий мoдyль пepeвoдить знaйдeнi загаж-нocтi з внyтpiшньoï мoви cиcтeми на зpoзyмiлy для кopиcтyвaчa мoвy (мaтe-матичш фopмyли, гpaфiки, тaблицi тoшo).
Нeйpoннi мepeжi ^M) - цe дал^шт aдaптивнi cиcтeми з apxiтeктy-poю i фyнкцiями, шo yмoвнo iмiтyють нepвoвy тканину з нeйpoнiв, здатш нaвчaтиcя i видавати вiдпoвiднi piшeння. Пpoцec "навчання" пoлягae у шдби-paннi ваг мiжнeйpoнниx зв'язкiв i мoдифiкaцiï внyтpiшнix пapaмeтpiв ^pe-дaтнoï фyнкцiï нeйpoнiв. Для кoжнoï cyкyпнocтi нaвчaльниx дaниx на виxiднi знaчeння пopiвнюютьcя з вiдoмими peзyльтaтaми i oбчиcлюeтьcя oтpимaнa пoxибкa. Пpoцec пoвтopюeтьcя дoти, пoки пoxибкa на виxoдi cиcтeми нe ета-нe мeншoю вiд зaдaнoï.
1ншими cлoвaми, нeйpoннi мepeжi - цe cyкyпнicть зв'язанж мiж co-бoю вyзлiв, cпpиймaють вxiднi дaнi, oбpoбляють ïx i гeнepyють на виxoдi тевний peзyльтaт. Miж вузлами видимиx вxiднoгo i виxiднoгo пpoшapкiв мo-жe знaxoдитиcя пeвнa кiлькicть пpиxoвaниx пpoшapкiв oбpoблeння. Heйpoннi мepeжi peaлiзyють ^й нeпpoзopий пpoцec. Цe oзнaчae, пoбyдoвaнa мo-дeль, як пpaвилo, нe мае чiткoï iнтepпpeтaцiï.
Апаратш та nporpaMHi засоби реалiзацiï алгоритм1в нейромереж називають нейрокомп'ютером (НК). Застосування НК у практичнш дiяльностi пе-редбачае низку iстотних переваг для користувачiв:
• НК дають стандартний cnoeiô ршення багатьох нестандартних завдань;
• замicть програмування проводиться завдання, тому з'являються нoвi можли-вост для роботи;
• НК ефективт особливо там, де пoтрiбний аналiз людсько! iнтуïцiï, зокрема, для розтзнавання oбразiв, читання рукописних текспв, перекладу з одте1 мови на шшу, аналiтичних прoгнoзiв та ш.;
• НК мдемoкратичнiм, з ними може працювати зoвciм недocвiдчений користувач;
• нейрoннi мереж дають змогу створити ефективне математичне та програмне за-безпечення для кoмп'ютерiв з високим ступенем розпаралелювання оброблення.
Вельми ефективним i перспективним е комбшування охарактеризова-них вище метод1в, моделей i алгоритм1в. У ïx комплексному поеднанш знайдуть свое розв'язання складш, ще невиршеш проблеми.
Лiтература
1. Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы. - М.: Горячая линия - Телеком, 2004. - 452 с.
2. Бочарников В.П., Свешников С.В. Основы моделирования и решения экспер-тно-аналитических задач. - Киев: Эльга Ника-Центр, 2003. - 296 с.
3. Дудюк Д., Загвойська Л. Анашз ефективносп систем оброблення деревини методами штелектних технологий// Наук. вюник УкрДЛТУ: Зб. наук.-техн. праць. - Льв1в: УкрДЛТУ. - 2005, вип. 15.2. - С. 71-77._
УДК 620.193 Доц. О. Б. Гасш, канд. техн. наук;
проф. В.М. Голубець, д-р техн. наук - НЛТУ Украти
СТ1ЙК1СТЬ ДО КОРОЗП ЙОННО-ПЛАЗМОВИХ ВАКУУМНИХ ПОКРИТТ1В В УМОВАХ Д11 КИСЛИХ I НЕЙТРАЛЬНОГО
СЕРЕДОВИЩ
Наведено результати дослщжень корозшно! стшкосп йонно-плазмових вакуум-них покритпв у 5 %-му розчиш Н3РО4, 5 %-му розчиш НС1, 5 %-му розчиш HNO3 i 3 %-му розчиш №С1 за швидкiстю корозп, поляризацшними кривими та кiнетикою електродних потенцiалiв.
Doc. O.B. Hasiy; prof. V.M. Holubets - NUFWTU Corrosion durability of ion-plasma vacuum coatings in acid and neutral fluids
The results of researches of corrosion durability of ion-plasma vacuum coatings in 5 % Н3РО4, 5 % НС1, 5 % HN03 and 3 % №Cl solutions by corrosion rate, polarized curves and electrode potentials kinetics are shown.
Метою цього дослщження e вивчення електрохiмiчноi поведшки i стшкосп рiзних видiв тонких покритпв у кислих (5 %-му розчиш Н3РО4, 5 %-му розчиш HCl, 5 %-му розчиш HN03) i нейтральному (3 %-му водному розчиш №Cl) середовищах.
Bci методичнi аспекти даного дослщження детально викладено в ро-ботi [1]. Там наведено також режими нанесення дослщжуваних покритпв.
