CC BY
51
УДК 681.518.2
А.К. ТУГЕНГОЛЬД, А.А. КУЗЬМИН
К ВОПРОСУ МОДЕЛИРОВАНИЯ ЗНАНИЙ НА СТРАТЕГИЧЕСКОМ УРОВНЕ ИНТЕЛЛЕКТУАЛЬНОЙ СИСТЕМЫ УПРАВЛЕНИЯ
Указаны посылки, положенные в основу выбора моделей представления знаний стратегического уровня. Приведены примеры программной реализации (фрагментов базы знаний мехатронного технологического объекта.
Ключевые слова: уровни интеллектуальности, продукционные и (фреймовые модели, мехатронный объект.
Построение иерархической системы интеллектуального управления объектами ведется на основе сложившейся методологии построения многоуровневых систем управления - основных представлений теории интеллектуальных машин Дж. Саридиса [1-3]. Им расширен базовый набор научных разделов, формирующих интеллектуальное управление, до области знаний, лежащей на пересечении искусственного интеллекта, проведены исследования операций и автоматического управления. По Саридису, для достижения автономными объектами заданных им целей без какого-либо взаимодействия с человеком-оператором в указанные системы должны быть заложены организующие, планирующие и исполнительные функции. Система иерархического оптимального управления включает соответственно следующие основные уровни интеллектуальности: 1) уровень организации, или стратегии, с функциями рассуждения, планирования и принятия решений по организации процесса решения задачи, 2) уровень согласования, тактики или координации, осуществляющий взаимодействие между верхним и нижним уровнями, 3) уровень исполнения, являющийся нижним уровнем, с высокими требованиями к точности.
Для стратегического уровня, которому в статье уделяется основное внимание, наиболее высокому в иерархии, справедливо следующее:
- подсистема управления этого уровня оперирует более широкими аспектами поведения системы в целом по сравнению с нижестоящими;
- подсистема имеют дело с более медленными аспектами поведения системы, и допустимы некоторые затраты времени на принятие решений;
- с повышением уровня подсистем увеличивается удельный вес информационной компоненты совокупности процессов и ее роль в функциональной деятельности системы.
Дадим некоторые пояснения к особенностям стратегического уровня. Стратегия (др.-греч. - искусство полководца) — общий, недетализиро-ванный план какой-либо деятельности, способ достижения сложной цели, являющейся неопределённой и главной на данный момент. Этот план в дальнейшем корректируется под изменяющиеся условия существования управляемой системы. Поэтому о стратегии говорят как об искусстве, в котором стратегия как знание является в роли инструмента, а стратег - в
12
роли творца. При этом задачей стратегии является эффективное использование имеющихся возможностей для достижения основной цели. Иначе говоря, стратегия — это модель поведения, которой придерживается (руководствуется) система для достижения цели. Тактика же является инструментом реализации стратегии и подчинена основной цели стратегии. То есть стратегия достигает цели через решение промежуточных тактических и завершающих исполнительных задач.
Проблемы представления знаний на различных уровнях иерархии интеллектуальной системы управления (ИСУ) связаны в значительной степени с разработкой соответствующих для них специфических совокупностей языков, моделей представления декларативных и процедурных знаний, информационного обеспечения и пр.
Одно из требований к выбору способа представления знаний -возможность обобщения знаний и выявления закономерностей в их записях, а также закономерностей проявления событий в среде после выполнения принятого решения. К другим требованиям относятся:
- ограничение времени на поиск в БЗ и принятие решения в зависимости от уровня иерархии в структуре ИСУ;
- минимизация объема памяти.
- требования, связанные с удобством манипулирования, модернизации и пр.;
- регистрация частоты пользования тем или иным знанием или правилом.
При создании ИСУ необходимо иметь в виду то, что каждый уровень интеллектуального управления требует специфической совокупности моделей представления знаний, сценариев оценки ситуации и выбора или синтеза действий, методов информационной поддержки. Естественно, что специфика объекта или области интеллектуального управления предполагает возможность использования разных подходов к моделям баз знаний и процедурам принятия решений. В связи с этим совокупность вышеприведенных требований воплощается различными методами в соответствии с принципами, выдвинутыми Дж. Саридисом.
Ограничим область рассмотрения аспектов построения ИСУ организационного уровня классом технических объектов, имея в виду, что этот класс охватывает широчайший спектр машин с компьютерным управлением
- мехатронных объектов (МО). При различных особенностях построения и функционирования МО, специфике условий эксплуатации на стратегическом уровне ИСУ прослеживается некоторая общность решаемых задач. К этим задачам относятся:
- Диагностика состояния внешней среды.
- Диагностика состояния МО.
- Обобщение ситуации.
- Принятие стратегических решений управления МО.
- Постановка локальных целей и задач.
- Обучение и самообучение на базе опыта и специального обучающего режима.
- Обмен сигналами и информацией с внешней средой и другими машинами.
Для формализации описания предметной области функционирования мехатронного объекта А введем следующее представление:
А = (В, Е, Б, V и) (1)
где В - множество входных сообщений, в том числе постановка цели, подготовленная ранее программа; Е - совокупность оценок параметров состояния среды; Б - оценочное множество состояний самого МО, а также априорно известное множество его параметров; V - множество оценок выполняемого процесса; и - множество управляющих воздействий, определяемых принятыми решениями, и оценок состояния управляющей системы.
О языке представления знаний на стратегическом уровне. Описание ситуаций, складывающихся на объекте управления (исходных и текущих ситуаций), в соответствии со спецификой стратегического уровня должно быть произведено на таком языке, в котором отражались бы все основные параметры и связи, необходимые для классификации этого описания и сопоставления ему одношагового решения по управлению. При этом необходимо правильно выбрать уровень описания, который не должен быть ни слишком подробным, не слишком грубым. Язык описания ситуаций должен позволять отражать в нем не только количественные факты и соотношения, характеризующие объект управления, но и качественные знания, которые не могут быть формализованы в обычном математическом смысле [4].
Словари базовых понятий, отношений, действий, оценок, имен и модальных операторов, необходимые для создания полноценной системы стратегического управления, должны быть достаточно полными и должны отражать все стороны МО, способы управления и операции, выполняемые им в соответствии с (1). Это касается прежде всего создания трех словарей: словаря понятий, словаря отношений и словаря действий (операций).
Словари понятий целиком определяются семантикой проблемной области. Так, для МО технологического назначения этот базовый словарь лексем в достаточной мере регламентирован стандартами качества соответствующих машин и технологической терминологией. Для российских условий примерами могут служить стандарты: Роботы промышленные - ГОСТ 4.480-87; Станки металлообрабатывающие - ГОСТ 4.93-86; Кузнечно-прессовое оборудование - ГОСТ 4.456-86 и пр.
Отношения фиксируют связи между понятиями и именами, а также между другими функциональными группами языка. В связи с языковой общностью отношений для различных объектов здесь приведен лишь их ограниченный перечень: классификационные, сравнения, признаковые, количественные, порядковые, временные, пространственные, каузальные, инструментальные и пр.
Действия выражают словами и словосочетаниями динамику поведения МО и среды. К таким лексическим единицам относятся императивы (различные приказы и указания), процессы (названия техпроцессов), состояния [4].
К выбору моделей представления знаний. Модель предметной области функционирования МО должна отражать не только состояние и структуру на момент проектирования и реализации, но и иметь внутренние механизмы адаптации на протяжении всего жизненного цикла этой модели в ИСУ объекта. Именно модель представления знаний определяет архитектуру, возможности и свойства системы, а также методы приобретения знаний. На этапе разработки всегда возникает вопрос выбора модели представления знаний для построения интеллектуальной системы применительно к данной конкретной задаче.
Известен ряд базовых моделей представления знаний и их модификаций: продукционные системы, исчисления предикатов, нейронные сети, семантические сети, фреймы. Каждая из моделей позволяет получить ИСУ с некоторыми преимуществами, делая ее более эффективной в конкретных условиях, облегчая ее понимание и выполнение модификаций. Ниже приведен перечень характерных требований, которые целесообразно использовать при выборе модели представления знаний на стратегическом уровне:
- удобство разработки системы на основе модели;
- естественность и наглядность представления знаний;
- минимизация объема памяти, необходимого для хранения элемента модели;
- возможность воплощения в модели предположений и ожиданий;
- минимизация времени принятия решения;
- возможность описания знаний в различных предметных областях -универсализм;
- доступность оценки целостности образа знаний;
- способность модели к обучению и формированию новых, непротиворечивых знаний;
- возможность описания метазнаний.
Анализ применимости и целесообразности использования упомянутых моделей в мировой практике создания интеллектуальных систем [5-14] показывает, что для уровня стратегии наиболее предпочтительными считаются фреймовые и продукционные модели.
Фреймовая система не только описывает знания, но и позволяет описывать метазнания, т.е. процедуры обработки знаний, выбора стратегий, приобретения и формирования новых знаний. Модель является универсальной, поскольку существуют не только фреймы для обозначения объектов и понятий, но и фреймы-ситуации, фреймы-роли и др. Практически во всех современных языках программирования появились специальные структурно-функциональные единицы (объекты, классы), обладающие основными признаками фреймов [13].
В отличие от моделей других типов, во фреймовых моделях фиксируется жесткая структура информационных единиц, которая называется протофреймом [14]. Представления знаний на основе фреймовой модели особенно эффективно использовать для структурного описания сложных понятий и решения задач.
Фреймовая модель является достаточно универсальной в качестве основной организации базы знаний и удобной для описания конкретных областей знания, когда анализируются конкретные ситуации, а также описываются свойства объектов и ситуаций, отношения между ними. Преимущество фреймовой модели заключается также в том, что значения слотов представляются в такой системе в единственном экземпляре, поскольку включаются только в один фрейм. Таким образом, обеспечивается экономное размещение баз знаний в памяти компьютера.
Фреймовая организация информации, а именно спецификация родственных терминалов, позволяет обеспечить более быстрый автоматизированный поиск, следовательно, сэкономить память и время. Однако фреймы непосредственно не предназначены для отображения динамики изменений во времени, что позволяет характеризовать их как структуру в основном для декларативного представления информации.
И хотя в целом для этих типов моделей существуют некоторые проблемы с организацией вывода, фреймовые системы многими исследователями и разработчиками оценены как перспективные.
Также к достоинствам фреймовой модели знаний относятся:
- внутренняя интерпретация и наличие внутренней структуры связей;
- возможность использования предположений и ожиданий;
- механизм наследования свойств;
- универсальность за счет существования не только фреймов для обозначения объектов и понятий, но и фреймов-событий, фреймов-ситуаций, фреймов-ролей, фреймов-сценариев и т.п.;
- возможность легкого перехода к сетевой модели.
Значимость фреймов особо обнаруживается в составе иерархических систем и в условиях применения наследования. Использование фреймов в виде заполнителей слотов и ввод в действие отношений наследования позволяют создавать очень мощные системы представления знаний [15]. В частности, как оказалось, экспертные системы на основе фреймов являются очень полезным средством представления причинных знаний, поскольку хранимая в них информация организована с учетом причин и следствий. В отличие от этого интеллектуальные системы, основанные на правилах, обычно опираются на неорганизованные знания, которые не являются причинными.
Применяемые по умолчанию значения соответствуют ожиданиям, которые складываются на основании опыта в отношении некоторой ситуации. Соответствующие действия управляемого объекта называются «поведением по умолчанию», определяющие образец поведения. А по-
сле того как обнаруживается новая неординарная ситуация, осуществляется модификация наиболее подходящих фреймов, что позволяет проще приспособиться к ситуации и изменить поведение в процессе достижения цели.
Такой подход хорошо сочетается с использованием рекурсивного метода для наращивания БЗ - обобщения с предварительным заданием одного или нескольких базовых случаев или методов.
Как недостаток фреймовых систем следует отметить их относительно высокую сложность, что проваляется в снижении скорости работы механизма вывода, т.е. системы должны «просканировать» всю структуру на предмет поиска нужной информации, а также в увеличении трудоемкости внесения изменений в родовидовую иерархию. Здесь необходимо заметить, что эти недостатки не сказываются на работоспособности подсистемы стратегического уровня ИСУ мехатронными объектами, не предъявляющего существенных ограничений на время принятия решений.
Системы продукций, основанные на правилах, очень широко распространены и имеют по сравнению с другими моделями представления знаний следующие преимущества: модульность, универсализм, естественность. В связи с простотой механизма логического вывода, легкостью внесения изменений и дополнений - это наиболее удобные системы для моделирования действий и сценариев, построения прямых и обратных выводов. Однако продукционные системы не свободны от недостатков: процесс вывода длительнее, чем во фреймовых системах, поскольку большая часть времени при выводе затрачивается на непроизводительную проверку применимости правил, и этот процесс трудно поддается управлению; сложно представить родовидовую иерархию понятий [16].
Объем базы знаний продукционных систем растет линейно по мере включения в нее новых фрагментов знаний. Базы знаний, в которых насчитывают сотни правил, отнюдь не считаются чем-то необычным. При такой сложности системы процесс обновления состава правил и контроль связей между ними становится весьма затруднительным, поскольку добавляемые правила могут дублировать имеющиеся или вступать с ними в противоречие.
Сложившийся опыт создания интеллектуальных систем показывает, что вовсе необязательно должна быть реализована только какая-нибудь одна из упомянутых моделей представления знаний "в чистом виде". Сочетание различных моделей может способствовать созданию более эффективных систем. На уровне теории искусственного интеллекта это иногда находит отражение в разработке новых типов моделей представления знаний, сочетающих в себе черты моделей, ставших уже традиционными.
Разработанная подсистема стратегии ИСУ использует фреймовопродукционное представление знаний, в котором декларативные знания о предметной области А (1) и ее составляющих В, Е представляются в виде фреймовой иерархии, а в качестве динамических знаний для формирования управлений в переходах между состояниями, т.е. процедурных
знаний, используются продукционные правила прямого и обратного вывода, сгруппированные вокруг соответствующих фреймов и слотов.
Пример фрагмента базы знаний стратегического уровня ИСУ. Ниже в качестве примера реализации сформированного подхода представлены элементы фреймового представления БЗ стратегического уровня системы управления станочной мехатронной технологической системы.
Принятая структура фрейма имеет следующий вид:
Ф {(с1, з1, n1), (с2, з2, n2), ... (ск1, зк1, пк)}, где Ф - имя фрейма; с - имя слота; з - значения (возможно структура данных); п - имя процедуры, связанной с данным слотом.
Программная реализация ИСУ выполнена с использованием инструментария языка экспертных систем CLIPS. Ниже в качестве примера представления исходной ситуации A в мехатронной технологической системе показан протофрейм целевого состояния обрабатываемой детали (рис.1). Для написания этого фрейма используется конструктор defclass языка CLIPS.
О File Edit Buffer Execution Browse Wi dow Help -lei x|
DlcilHl £|M@I Sltfl
!ПЕРВЫЙ СЛОТ ФРЕЙНА "ДЕТАЛЬ" [ВТОРОЙ СЛОТ ФРЕЙНА "ДЕТАЛЬ"
I
[аегс1азз ПАТЕ РИАЛ из-а ОЗЕЕ)
[ТРЕТИЙ СЛОТ ФРЕЙНА "ДЕТАЛЬ"
[defelass ТИП_ ДЕТАЛИ (is-a USER)
(slot ТИП (type STRING)
[ЧЕТВЁРТЫЙ СЛОТ ФРЕЙНА "ДЕТАЛЬ"
[defclass ГЕОИ_ОСОБ_ПОВЕРХ (is-а ÜSER)
~ ~ (role concrete)
(mult is lot КООРДИНАТА (type FLOAT SYHBOL)
Рис. 1. Фрагмент листинга фрейма «Деталь»
Конструктор defclass удобен как для описания фрейма, так и для каждого его слота. Слоты в итоге соединяются в единую структуру следующим конструктором:
(defclass ДЕТАЛЬ (is-a ДОП_ШЕРОХОВАТОСТЬ ДОП_ПОГР_ФОРМЫ
ГЕОМ_ОСОБ_ПОВЕРХ ТИП_ДЕТАЛИ МАТЕРИАЛАКО) (role concrete) ). Результат загрузки данного фрейма и создания конкретного объекта, а также вид данного объекта в интерпретаторе языка CLIPS представлены на рис.2.
CLIPS> (load "С:/Documents and Settings/Алексей/Рабочий стол/Фрейм деталь.clp")
Defining defclass: First_A
Defining defclass: AKO
Defining defclass: МАТЕРИАЛ
Defining defclass: ТИП_ДЕТАЛИ
Defining defclass: ГЕОН_ОСОБ_ПОВЕРХ
Defining defclass: ДОП_ПОГР_ФОРНЫ
Defining defclass: ДОП_ШЕРОХОВАТОСТЬ
Defining defclass: ДЕТАЛЬ
TRUE
CLIPS> (make-instance Цапфа_РСМ10.01.34.606 of ДЕТАЛЬ)
::= local slot ПАРKA_HATEРИАЛА in instance Цапфа_РСН10.01.34.606 <- "Сталь 50" ::= local slot ТИП in instance Цапфа_РСМ10.01.34.606 <- "Тело вращения"
::= local slot КООРДИНАТА in instance Цапфа_РСН10.01.34.606 <- (120.0 мм)
::= local slot В_ОТКЛОН_ДИАМ in instance Цапфа_РСН10.01.34.606 <- (0 мкн)
::= local slot Н_ОТКЛОН_ДИАМ in instance Цапфа_РСН10.01.34.606 <- (16 нкн)
::= local slot ДИАМ_ЦЕНТР_ОТВ in instance Цапфа_РСМ10.01.3 4.60 6 <- (0.0 мм)
::= local slot СПЕЦИФИКА in instance Цапфа PCH10.01.34.606 <- Тонкостенность
::= local slot ОВАЛЬНОСТЬ in instance Цапфа_РСН10.01.34.606 <- да
::= local slot МАКС_МИН_РАЗН_ПОП in instance Цапфа_РСМЮ.01.34.606 <- (0.001 мм)
::= local slot БОЧКООБРАЗНОСТЬ in instance Цапфа_РСН10.01.34.606 <- Да
::= local slot НАКСМИНРАЗНПР0Д in instance Цапфа_PCD10.01.34.606 <- (0.002 мм)
::= local slot ШЕРОХОВАТОСТЬ in instance Цапфа_РСН10.01.34.606 <- (Ra 1.25)
[Цапфа_РСМ10.01.34. 606]
CLIPS> (send [Цапфа_РСМ10.01.34.606] print)
[ ЦапфаРСНЮ .01.34. 606] of ДЕТАЛЬ (HAPKA_HATEРИАЛА "Сталь 50")
(ТИП "Тело вращения")
(КООРДИНАТА 12 0.0 мм)
(В_0ТКЛ0Н_ДИАН 0 мкм)
(Н_0ТКЛ0Н_ДИАН 16 мкм)
(ДИАН_ЦЕНТР_ОТВ 0.0 мм)
(СПЕЦИФИКА Тонкостенность)
(ОВАЛЬНОСТЬ да)
(НАКС_НИН_РА3Н_П0П 0.001 мм)
(БОЧКООБРАЗНОСТЬ Да)
(МАКС_НИН_РА3Н_ПРОД 0.002 мм)
(ШЕРОХОВАТОСТЬ Ra 1.25)
CLIPS>
Процедурные знания. Сценарии. На каждом из уровней ИУС МО формируются сценарии управления на основе процедурных знаний. Управления Ц,, синтезируемые на организационно-стратегическом уровне, можно представить четверкой:
где Ме, Ме, М„, -оценки состояний, представленных соответствующими (1) множествами в базе знаний стратегического уровня.
Управления и по решениям, включающим последовательность действий по принятой стратегии, транслируются на координационный уровень, а также на пульт оператора в случае решения о вероятности возникновении конфликтных ситуаций. К таким ситуациям относится, например, заключение о невозможности достижения заданной цели. Совокупность принимаемых решений по выполнению соответствующих действий фрагментарно представлена на рис. 3 в виде графа (дерева решений).
ди
Рис. 2. Результат загрузки фрейма «Деталь»
(2)
Рис. 3. Граф сценария поэтапного выполнения действий
Здесь приняты следующие значения цифр для действий (решений) в зависимости от складывающейся ситуации:
0 -исходная ситуация,
1 - на первом шаге производить действия без изменения следующего кадра исходной программы, транслируемой в МО до начала действий (согласно целевой установке);
2 - на первом шаге провести коррекцию программы;
3 - на первом шаге формировать новый кадр программы;
4 - остановить процесс, сигнал оператору.
Для обозначения действий на последующих шагах к указанным цифрам приписываются цифры обозначения вышеназванных действий. Так, 1134 означает, что на первом и втором шаге обработка велась без изменения программы, а на третьем принято решение 3 о формировании нового кадра программы, т.е. определены причины такого решения и, как следствие, намечен механизм формирования нового кадра для его реализации. Под механизмом в данном случае понимается выбор из имеющегося набора решений, определяющих содержание кадра. Для уже упомянутого примера ИСУ системы управления станочной мехатронной технологической системы кадр включает следующие данные:
- код инструмента в рабочей позиции револьверной головки;
- координаты начального положения вершины инструмента (координаты положения суппортов);
- частота вращения шпинделя, величина подачи (величины - при контурной обработке);
- прочее (подготовительные и вспомогательные команды) ...см. соответствующее №О и документацию УЧПУ.
Терминальное решение 4 остановки процесса может быть заменено на цепочку команд (рис.4): войти в режим диагностирования + локализовать причины аномалий + выработать (выбрать) корректирующие решения 43 или остановить процесс обработки, сигнал оператору - 45.
Рис.4. Вариант графа с применением режима диагностирования и локализации причин аномалий
Коротко остановимся на фрагментах совокупности продукционных правил для построения сценария действий на стратегическом уровне. Для рассматриваемой системы с i -м исходным состоянием при переходе на 1-й шаг с уровня 0 на уровень 1 (по некоторому варианту ] из множества возможных) правила принятия решений имеют вид:
Я0; ^АО,, ^еп и0] где Я0: - правила, применяемые для исполнения 1-го шага (прохода); А0: - условная часть правил М; с Ьй спецификой, необходимой и
достаточной для принятия ] -го решения (из набора ] = 1, ..., 4); Ш00 - решение по управлению.
Если Ья специфическая ситуация определяется состоянием системы А0, на исходной стадии и при этом
" А А А 1 А0: = [В Ме; М- М„] и,
где Lk - множество критичных (лимитирующих) условий, то это говорит о том, что по совокупности оценок состояний технологической системы отсутствуют критичные (лимитирующие) условия по всему перечню параметров, определенных множествами фреймов состояния системы А в момент 0 для достижения требуемого результата действий. Отсюда следует, что Ш0] = и01, т.е. на первом шаге производятся действия без изменения исходной программы.
Если же в состоянии системы р ситуация определяется выра-жени-
ем
А0р = " [Вр А Мер А М,р А М„р] А Lk/
то в соответствии с р-ми оценками состояний системы принимаются решения 2, 3 или 4. Так, если во входных сообщениях и состояниях подсистем В, Ме, М,, Ми, М„ содержится какое-либо условие из Lk/ приводящее к решению 3, то принимается решение применить управление Ш0] = и03. Это означает, что для первого шага формируется новый кадр программы [17].
Опыт функционирования ИСУ с реализацией предложенных подходов к построению подсистемы стратегического уровня показал свою эффективность и значимость [18]. Ниже представлен пример принятия решения по лимитирующим поверхностям. В данном примере использован следующий сценарий. Станок имеет разброс значений получаемых диаметров при работе по загруженной управляющей программе 0,03 мм, а деталь -
0,016 мм. Решение ИСУ, принятое в соответствии со сложившейся ситуацией, показано на рис.5. Для реализации принятия решения по лимитирующим поверхностям используются как демоны, так и продукции.
Dialog Window
CL IPS> (make-instance СТАНОК of ДОПУСК_НА_ДИАМ_РАЗ) d
: = local slot Е_ЗНАЧ_ДИАМ in instance СТАНОК <- □.IS
; = local slot H_3HАЧ_ДИAM in instance СТАНОК < 0.15
! [СТАНОК]
CL IF5> (make-instance Цапфа РСНЮ. 01. 34. 606 of ДЕТАЛЬ)
■ * = local slot ПАРКА МАТЕРИАЛА in instance Цапфа PCM10.01.34.606 <- "Сталь 50"
: = local slot ТИП in instance Цапфа PCM10.01.34.606 <- "Тело вращения"
: = local slot КООРДИНАТА in instance Цапфа_РСМ10.01.34.606 <- 120.0
• = local slot В_ОТКЛОН_ДИАМ in instance Цапфа_РСМ10.01.34.60 6 <- 0.0
* - local slot H ОТКЛОН ДИАМ in instance Цапфа РСМ10.01.34.606 <- 0.016
■ * = local slot ДИАМ ЦЕНТР ОТВ in instance Цапфа РСМ10.01.34.606 <- 0.0
■ * = local slot СПЕЦИФИКА in instance Цапфа РСМ10.01.34.606 <- Тонкостенность
: = local slot ОВАЛЬНОСТЬ in instance Цапфа РСМ10.01.34.606 <- да
: = local slot НАКС_МИН_РАЗН_П0П in instance Цапфа_РСМ10.01.34.606 <- (0.001 ни)
; = local slot БОЧКООБРАЗНОСТЬ in instance Цапфа_РСМ10.01.34.606 <- Да
* = loc|al slot МАКС МИН РАЗН ПРОД in instance Цапфа РСМ10.01.34.606 <- (0.002 мм)
; = local slot ШЕРОХОВАТОСТЬ in instance Цапфа РСМ10.01.34.60б <- (Ra 1.2 5)
FElDEHIiE : ИЗМЕНИТЬ ПРОГРАММУ
[Цапфа PCM1D.01.34. 60 61
CLIPS> Е
.iU Ал
Рис. 5. Пример принятия решения по лимитирующим значениям
Заключение. В связи с особенностью задач, ставящихся перед стратегическим уровнем иерархии интеллектуальных систем управления объектами, и требований к специфике функционирования сформированы представления, положенные в основу выбора методов моделирования знаний. Приведены примеры программной реализации фрагментов базы знаний соответствующего уровня мехатронного технологического объекта.
Библиографический список
1. Saridis G.N, Valavanis K.P. Analytical design of intelligent machines. Automatica. 1988, vol. 24, №2.
2. Valavanis K.P., Sarldls G.N. Information theoretic modelling of intelligent systems. EEEE Traos- on Systems, Man and Cybernetics. 1988. vol SMC-18, Ns6.
3. Sarldls G.N. Analytical formulation of the principle of increasing precision with decreasing intelligence for intelligence machines. Automatica. l989, vol. 25, №4.
4. Поспелов Д.А. Ситуационное управление: теория и практика. / Д.А.Поспелов. - М.: Наука, 1986.
5. Вудс У.А. Основные проблемы представления знаний / У.А. Вудс // ТИИЭР. - 1986. - Т.74. - №10. - С. 32-47.
6. Тэнк Д.У. Коллективные вычисления в нейроноподобных электронных схемах / Д.У.Тэнк, Д.Д.Хопфилд // В мире науки. - 1988. - №2. -С.44-53.
7. Шевченко В. Нейронные сети / В.Шевченко // Компьютерное обозрение. - 1996. - №46. - С.19.
8. Скрэгг Г. Семантические сети как модели памяти / Г.Скрэгг // Новое в зарубежной лингвистике. - М.: Радуга, 1983. - Вып. 12. - С.228-271.
9. Минский М. Фреймы для представления знаний. / М.Минский. -М.: Мир, 1979.
10. Шлеер С. Объектно-ориентированный анализ: моделирование мира в состояниях. / С.Шлеер, С.Меллор / Пер. с англ. - Киев: Диалектика, 1993.
11. Интеллектуальные системы поддержки принятия решений в нештатных ситуациях с использованием информации о состоянии природ-
ной среды / В.А. Геловани, А.А. Башлыков, В.Б. Бритков, Е.Д. Вязилов. - М.: ЭдиториалУРСС, 2001. - 304 с.
12. Искусственный интеллект: применение в интегрированных производственных системах. - М.: Машиностроение, 1991.
13. Гаврилова Т.А. Базы знаний интеллектуальных систем. / Т.А.-Гаврилова, В.Ф.Хорошевский. - СПб.: Питер, 2000.
14. Heinz Worn, Thomas Laengle, Martin Albert. Distributed Diagnosis for Automated Production Cells. // Proceedings of the 2nd International Workshop on Computer Scienc and Information Technologies. (Vol.1). - Ufa: USATU Publishing, 2001.
15. Джарратано Д. Экспертные системы: принципы разработки и программирование. / Д.Джарратано, Г.Райли. - М.: ООО «И.Д. Вильямс», 2007.
16. Таунсенд К. Проектирование и программная реализация экспертных систем на персональных ЭВМ. / К.Таунсенд, Д.Фохт. - М.: Финансы и статистика, 1990.
17. Тугенгольд А.К. Интеллектуальное управление мехатронными технологическими системами. / А.К.Тугенгольд, Е.А.Лукьянов. - Ростов н/Д: Издательский центр ДГТУ, 2004.
18. Тугенгольд А.К. Интеллектуальное управление технологическими системами / А.К.Тугенгольд, Е.А.Лукьянов, Э.В.Ремизов О.Е.Коротков. // СТИН. - 2008. - №2. - С.2-8.
Материал поступил в редакцию 22.04.09.
A.K.TUGENGOLD, A.A.KUZMIN
TO A QUESTION OF MODELLING OF KNOWLEDGE AT A STRATEGIC LEVEL OF AN INTELLECTUAL CONTROL SYSTEM
Are specified parcel, assumed in a basis of sampling of models of representation of knowledge of a strategic level. Instances of program implementation of fragments of the knowledge base mechatronic technological installation are resulted.
ТУГЕНГОЛЬД Андрей Кириллович (р.1937), доктор технических наук (1983), профессор ДГТУ, окончил РИСХМ (1960).
Сфера научных интересов: интеллектуальное управление технологическими системами, динамика и точность мехатронных систем.
Автор более 200 научных работ, в том числе 18 учебных пособий и монографий.
КУЗЬМИН Алексей Анатольевич (р.1986), магистрант кафедры «Робототехника и мехатроника» ДГТУ, в 2008 г. окончил бакалавриат ДГТУ по направлению «Автоматизация и управление».
Сфера научных интересов: интеллектуальное управление технологическими системами.
akt0@yandex.ru
а. а. ^т1п198б@дтаИ. сот
