CC BY
47
ИННОВАЦИИ № 6 (104), 2007
Использование средств искусственного интеллекта и методов нечеткой логики для разработки
критических технологий
С. Г. Селиванов,
д. т. н., профессор
А. А. Нургалиев,
инженер
кафедра технологии машиностроения Уфимского государственного авиационного технического университета
В данной публикации рассмотрена задача автоматизации разработки критических технологий нанесения упрочняющих покрытий на основе использования комбинированных математических моделей, которые предусматривают применение искусственных нейронных сетей Розенблат-та, моделей системы нечеткой логики и модели граф-дерева «стяжки параметров» метода. Эти исследования предназначены для автоматизации разработки проектов технического перевооружения машиностроительного производства. В качестве основы для выбора методов нанесения покрытий использованы данные патентной статистики.
В настоящее время основой политики Российской Федерации в плане обеспечения экономического роста является задача удвоения до 2010 г. внутреннего валового продукта [1]. Эта задача решается в трех главных направлениях: использования социальных резервов экономического роста,
In the given publication the problem of automation of development of critical production engineering of strengthening coverings surveyed on the basis of use of the combined mathematical models which provide application of artificial neural networks, models of system of fuzzy logic and model of a graph-tree of «a tie of parameters» method. These researches intended for automation of development of designs of modernisation of machine-building manufacture. In the capacity of bases for sampling methods of coverings are used the data of patent statistics.
активизации инвестиционной политики и решение проблем научно-технического прогресса на основе инновационной деятельности.
Известно, что основой инноватики и инновационного проектирования является создание различных прогрессивных технологий, в том числе критических.
SB
«Критическая технология» — это принципиально новая технология, разработка и использование которой обеспечивают интересы государства в сфере национальной безопасности, экономического и социального развития, в том числе и в промышленном производстве. В состав таких критических технологий включают большой перечень «прорывных разработок», начиная с новых информационных технологий: компьютерного моделирования, искусственного интеллекта и т. д.
Новые информационные технологии — это необходимый элемент развития современной информационной инфраструктуры, обеспечивающей поддержку национальной инновационной системы. Результаты разработки и внедрения таких технологий активно используются в научно-технологической сфере и различных отраслях промышленности.
В данной публикации рассмотрена задача автоматизации разработки критических технологий нанесения упрочняющих покрытий на основе использования комбинированных математических моделей, которые предусматривают применение искусственных нейронных сетей Розенблатта, моделей системы нечеткой логики и модели граф-дерева «стяжки параметров» способа обработки. Эти исследования предназначены для автоматизации разработки проектов технического перевооружения машиностроительного производства. В качестве основы для выбора методов нанесения покрытий (способов обработки) использованы данные патентной статистики.
Искусственная нейронная сеть (ИНС) Розенб-латта (рис. 1) позволяет провести классификацию и группирование методов в данном случае упрочняющих покрытий по толщине, их материалам и технологическим способам получения на основании информации, содержащейся в патентах .
Классификация и группирование способов обработки позволяет свести все их многообразие к конечному числу групп, для которых могут быть выявлены эмпирические зависимости развития анализируемых технологий во времени, что необходимо для прогнозирования развития новых способов обработки и выполнения НИОКР или опытно-технологических работ по их созданию. Назовем такой процесс первичным группированием.
В данной разработке в качестве исходного требования принято условное разбиение покрытий по следующим категориям: н упрочняющих покрытий, н коррозионно-стойких покрытий, н покрытий, работающих в условиях высоких температур.
Применение сети Розенблатта, состоящей из четырех слоев (включая 2 скрытых слоя), показало хорошие результаты для всех элементов обучающего множества. Количество нейронов второго скрытого слоя принято равным их количеству в первом слое.
Особенностью нейронных сетей Розенблатта является то, что первый слой нейронов не производит вычислений, а только распределяет вектор входных сигналов на нейроны скрытого слоя, т. е. для нейронов входного слоя X=Y. При этом все компоненты
Л' \¥і Ц/2 ... )¥„ ¥
Входной Скрытые Выходной
слой слои слой
Рис. 1. Искусственная нейронная сеть Розенблатта: Х — множество входных сигналов; Wi — множество весовых коэффициентов взаимосвязей между і-м и (і+1)-м слоями нейронов; У — множество выходных сигналов
множества весовых коэффициентов Wl равны 1. Входными параметрами сети приняты такие признаки как толщина, материал покрытия и способ обработки.
При наличии в качестве признаков классификации семантических (нечисловых) характеристик при кодировании можно использовать два подхода.
1. Для каждой из характеристик во входном слое искусственной нейронной сети резервируют число нейронов, равное количеству возможных значений рассматриваемой характеристики. Для конкретного метода с і-м значением характеристики у таких нейронов только входной сигнал хі будет равен 1, а остальные будут нулевыми.
2. Каждой неколичественной характеристике соответствует один нейрон. Единичный отрезок [0, 1] разбивается на п-1 частей, где п — количество возможных значений конкретной характеристики. Каждому значению характеристики ставится в соответствие число в интервале по формуле
2=(і-1)/(п-1), (1)
где і — индекс возможного значения характеристики 2. Например, если взять в качестве семантической характеристики материал покрытия (со значениями: Си, А1, Fe, Сг ... до 10 материалов), то значению Си будет соответствовать і=1, 2=0] А1 — і=2, ^г=1/9; Fe — і=3, 2і=2/9 и т. д.
Обычно нейронам выходного слоя соответствуют искомые группы технологических способов обработки. Значения выходного сигнала этих нейронов определяют вероятность принадлежности анализируемого способа по заданным признакам к тем или иным группам методов обработки. В отличие от названного традиционного подхода [2] в данной искусственной нейронной сети семантической характеристике «Группа методов покрытий», соответствует один нейрон, выходные сигналы которого и определяют значение таксона (группы).
Для обучения нейронной сети Розенблатта по правилу обратного распространения используют информацию по эталонным методам, для которых заранее (априори) известна принадлежность к соответ-
ИННОВАЦИИ № 6 (104), 2007
ИННОВАЦИИ № 6 (104), 2007
ствующим группам. В обучающей выборке необходимо иметь приблизительно одинаковое количество представителей всех групп. Объем обучающей выборки определяют в зависимости от конкретных условий группирования: чем больше ее объем, тем более адекватные реальной ситуации результаты будут получены при группировании покрытий. Обучающая выборка должна быть непротиворечива, т. е. в ней не должны присутствовать данные, у которых одинаковы входные сигналы и разные выходные. От этого зависит успешность обучения искусственной нейронной сети и адекватность результатов практике.
Кроме этого, для анализа адекватности модели обычно формируют тестирующую выборку способов, для которых также известна их принадлежность к группам методов покрытий. По результатам группирования покрытий тестирующей выборки с помощью обученной искусственной нейронной сети Розенблатта осуществляется проверка адекватности выбранной модели при проверке соответствия выходных сигналов искусственной нейронной сети заданным. Обычно размер тестирующей выборки в три-четыре раза меньше обучающей.
Обучение ИНС Розенблатта означает минимизацию некоторого функционала несоответствия (ошибки) между выходными сигналами сети и сигналами, которые требуется получить. После обучения ИНС Розенблатта способна определять наиболее предпочтительное разбиение способов получения покрытий на группы по заданным выше признакам.
Тестирующая программа, которая использовалась при обучении, показала, что для обучающей выборки возможно сокращение числа нейронов скрытых слоев и числа связей между нейронами — синапсов. Одной из целей, которые преследуются при разработке искусственных нейронных сетей, является уподобление работы сети процессу мышления. Удаление нейрона или синапса возможно при малом их вкладе в выходные параметры. Но такое упрощение сети может привести к непредсказуемым результатам. Есть вероятность того, что отдельные удаленные нейроны, группы нейронов или синапсы при подаче на вход сети параметров, не входящих в обучающую выборку, могут значительно влиять на выходные сигналы сети. Поэтому подобное упрощение сети на данном этапе разработки не желательно и поэтому авторами не использовалось.
Описанная выше нейронная сеть реализована в виде программного продукта, разработанного в среде Delphi 7. Программа, используя базу данных входных параметров способов обработки, распределяет их по группам, создавая базу данных выходных параметров сети, содержащую разгруппированные способы нанесения покрытий. В базу данных выходных параметров сети входят: индекс группы способа покрытия, толщина покрытия, номер патента, индекс материала покрытия и вида обработки.
По полученным данным построены закономерности патентной статистики, необходимые для анализа и прогнозирования возникновения новых способов
Рис. 2. Эмпирические модели зависимостей патентной статистики для методов получения покрытий из нескольких различных материалов
обработки. Часть таких трендов (зависимостей) развития критических технологий показана на рис. 2, 3.
Зависимости, полученные с помощью ИНС Ро-зенблатта, структура и свойства которой описаны выше, используются для выбора технологии нанесения покрытий. Подобная задача решается поэтапно и может быть представлена в виде модели, изображенной на рис. 4.
На первом этапе происходит первичное группирование способов с использованием ИНС. На следующем II этапе на входы ИНС подаются не известные, а заданные (требуемые) пользователем параметры (толщина, материал и технологический способ покрытия). Назовем такой процесс вторичным группированием. Полученная на выходе сети наиболее подходящая группа может содержать большое количество методов (способов обработки). Третий этап — это вычленение наиболее оптимальной технологии из выделенной группы. Рассмотрим его подробнее.
При решении рассматриваемой задачи следует учесть, что описание способов может содержать как численные (например, толщина покрытия Н =100 мкм), так и словесные характеристики, например: «большая твердость», «средняя адгезия» и т. д., сле-
Рис. 3. Эмпирические модели зависимостей патентной статистики для методов получения покрытий толщиной свыше 100 мкм
Фаззи-
*2 фикация
База правил
ПГ
Механизм
вывода
> Дефаззи-
—► фикация
/
и 1 ,
и 2
Рис. 4. Модель подсистемы САПР для выбора технологических методов нанесения покрытия
довательно, традиционные численные методы решения задачи о выборе технологии в данном случае неприемлемы. Кроме того, в описании способов могут быть не включены некоторые параметры. Для работы в условиях такой неопределенности и нехватки данных в данном случае применены методы нечеткой логики [3]. Переменные «твердость» и «адгезия» в этом случае называются лингвистическими переменными. В приведенном примере они характеризуются термами (terms) — сжатыми словесными описаниями: «большая», «средняя» и т. д. Каждый из термов обозначает собой некоторое нечеткое подмножество в составе полного множества значений выбранной переменной Xi (см. рис. 5)
Структура модуля нечеткой логики (МНЛ) представлена на рис. 6. Блок фаззификации преобразует численные входные параметры Xi в лингвистические переменные с соответствующей функцией принадлежности ^ (x). Словесные описания принимаются с максимальной функцией принадлежности. Для описания лингвистических переменных используется семь термов. База правил содержит предикаты сле-
Рис. 5. Функция принадлежности нечеткого множества
дующего вида: «если себестоимость низкая и равномерность по толщине высокая, то покрытие высокой эффективности».
База правил используется механизмом вывода, предназначенным для построения функции принадлежности выходного нечеткого множества на основе метода «максимума-произведения» [3]. Переход от полученного нечеткого множества к одному четкому значению выходного параметра и — эффективности покрытия называется дефаззификацией. Для построения блока дефаззификации выбран метод центра тяжести [3].
Заметим, что анализ патентной статистики осложнён различиями в методиках исследований и проведения опытов различных специалистов. Описания способов нанесения покрытий могут содержать различные комбинации свойств, таких как адгезия, неравномерность по толщине, трещиностойкость, пористость и т. п. При выборе наиболее подходящей технологии необходимо, чтобы способы получения покрытий были описаны сходными совокупностями признаков. Для этого разработан метод «стяжки параметров». Метод основан на взаимосвязи различных параметров покрытий, априори известных.
Суть метода заключается в следующем: и Строится дерево свойств покрытия. и Определяется необходимая совокупность признаков.
и Определяются известные свойства.
Четкие значения входов
Лингвистические
переменные
Четкие значения выходов
Рис. б. Структура модуля нечеткой логики
Рис. 7. Дерево стяжки параметров
ИННОВАЦИИ № 6 (104), 2007
и Определяются взаимосвязи известных и не определенных свойств.
Выполнив эти требования, получаем дерево стяжки параметров, приведенное на рис. 7.
Этот метод позволяет сформировать входные данные для модуля нечеткой логики с практически всеми необходимыми параметрами, уменьшая тем самым неопределенности в решении задачи.
Подсистема САПР, включающая в себя описанные выше ИНС и МНЛ, реализована в виде программного пакета в среде программирования Delphi 7. Модули пакета, используя базу данных технологических способов позволяют в диалоговом режиме выбирать технологии нанесения покрытий, которые необходимы конструктору для формирования технических требований к покрытиям ответственных дета-
лей машин, так и технологу для выбора типовых технологических процессов нанесения покрытий или выполнения опытно-технологических работ (НИОКР) по созданию перспективных технологических процессов повышения долговечности и надежности изделий с помощью этих способов.
Литература
1. Основные направления государственной инвестиционной политики Российской Федерации в сфере науки и технологий. Распоряжение Правительства РФ от 11 декабря 2002 г. № 1764-р.
2. С. Г. Селиванов, М. В. Иванова. Нейросетевой метод оптимизации технологических процессов в авиадвигателестроении// Вестник УГАТУ, т. 3, № 1, 2001.
3. В. И. Васильев, Б. Г. Ильясов. Интеллектуальные системы управления с использованием нечеткой логики: учебное пособие. Уфа: УГАТУ, 1995.
