CC BY
17
отраслях хозяйства эта проблема решается просто путем увеличения объема носителей данных, так как структура базы данных проста и её оптимизация не представляется возможной, то в системах конструкторско-технологи-ческой подготовки производства эта проблема стоит более остро. Во-первых, это обусловлено сложностью формализации предметной области, т.е. не просто сразу сказать, какие именно данные нужно хранить и как (в каком формате) их нужно хранить. Во-вторых, чтобы получить в итоге правильную модель изделия, необходимо хранить большое число характеристик, причем не только количественных, но и качественных. Исходя из этого, можно сделать вывод, что при оптимизации структуры БД работа с ней значительно ускорится и упростится.
Среди самых важных характеристик любой базы данных следует назвать производительность, надежность и простоту администрирования. Знание того, как большинство СУБД физически хранят данные во внешней памяти, представление о параметрах этого хранения и соответствующих методах доступа может очень помочь при проектировании баз данных, обладающих заданной производительностью. Однако в рамках конкретного предприятия, как правило, существуют давно внедренные и функционирующие программные комплексы. Поэтому встает вопрос об оптимизации хранения данных и увеличении производительности без перепроектирования БД «вручную», так как создание и внедрение новых программных комплексов и переход на новые форматы данных может повлечь за собой такие материальные и временные затраты, которые предприятие не может себе позволить. Для решения данной задачи рассмотрим наиболее распространенные методы организации хранения данных.
Хранение данных во внешней памяти в большинстве известных СУБД ,таких как Oracle, IBM DB2, Microsoft SQL Server, CA-OpenIngres, Sybase, Informix и др. организовано очень похожим образом. Основными единицами физического хранения являются блок данных, экстент и файл. Блок данных или страница является единицей обмена с внешней памятью. Размер страницы фиксирован для базы данных в целом или для ее различных структур и устанавливается при создании. Очень важно сразу правильно выбрать размер блока, т.к. в работающей базе изменить его практически невозможно. Размер блока оказывает большое влияние на производительность базы данных - при больших размерах скорость операций чтения/записи растет, но возрастают накладные расходы на хранение (база увеличивается) и снижается эффективность индексных просмотров. Меньший размер блока позволяет более экономно расходовать память, но вместе с тем относительно дорог. Поэтому необходимо заранее определить, какого типа данные будут храниться в таблице БД. Для больших объектов данных, таких как мультимедиа-объекты, длинные строки и т.д. лучше использовать длинные блоки, а короткие лучше подходят для значений числовых типов, значений даты и времени. Следует также учитывать размер блока ОС, он должен быть кратен размеру блока базы данных.
Существует ряд признаков, по которым можно производить группировку хранимых данных. Это, прежде всего, частота изменения данных, тип работы с данными (чтение, запись или изменение), объем данных и др. Также в этот ряд можно включить субъективные признаки, которые могут быть полезны в конкретных задачах, например, важность или приоритет данных. Такая группировка - один из методов повышения производительности и ее поддерживают почти все современные СУБД.
Другим методом повышения производительности
является индексирование - способ отображения ключа индексирования в адрес хранимой записи. Индекс может служить различным целям: для ускорения доступа к записям одной таблицы и для ускорения операций соединения.
Выполнив анализ организации хранения данных во внешней памяти и используемых методов индексирования, можно подать результат анализа на вход разрабатываемой в работе экспертной системе и получить рекомендации по настройке тестируемой БД, которые помогут повысить производительность работы с ней. Таким образом, этот анализ будет являться первым этапом работы предлагаемой системы.
В конечном итоге, было бы удобно использовать данные, накопленные на всех этапах жизненного цикла, различными приложениями, не заботясь о формате данных. Результатом работы должен стать платформонеза-висимый программный продукт, работающий с большинством известных СУБД. Драйвера для работы с MySQL, DB2, Interbase, Sybase уже написаны, а драйвер к MySQL доступен в исходных кодах, что снижает затраты на создание своих драйверов к базам данных. С их использованием будет реализован мониторинг SQL запросов к БД. Далее полученная информация будет анализироваться, а результаты анализа будут поступать на вход либо самообучающейся экспертной системе, либо нейронной сети. На выходе система должна получить данные, по которым будет сформирован отчет для пользователя БД с предложениями по реорганизации структуры БД в целом или структур её отдельных таблиц.
Таким образом, исследование, направленное на создание системы с вышеописанными возможностями, не лишено актуальности и представляет существенный научный и практический интерес.
М.В. Давыдова, А.М. Михалёв, М.В. Капустин, Д.В. Грачев, А.В. Маношкин, Д.Н. Яшкин Курганский государственный университет
О ПЕРСПЕКТИВАХ ИСПОЛЬЗОВАНИЯ ЭКСПЕРТНЫХ СИСТЕМ ДЛЯ РЕШЕНИЯ ПРИКЛАДНЫХ ЗАДАЧ УПРАВЛЕНИЯ КАЧЕСТВОМ ПРОДУКЦИИ
В настоящее время одним из важных вопросов в любом производстве является его автоматизация. Причем автоматизация не только технологических процессов, но и создание автоматизированных систем управления этими процессами. Просто управления процессами недостаточно - главной целью становится управление качеством продукции. Немаловажную роль при этом играет выявление причин несоответствия продукции по качеству. Конечно, можно разработать (в большинстве случаев они уже разработаны) специальные контрольные приспособления - они будут безошибочно выявлять малейшие отклонения того или иного параметра, «ловить» сотые, тысячные доли миллиметра, микрометра... Но вот сделать заключение о причинах ухудшения качества такое приспособление не сможет. Это может сделать только специалист, причем обладающий немалым опытом работы в своей области. Но и его мнение не всегда будет верным - всегда найдется еще один высококлассный специалист, который сделает абсолютно другое умозаключение по тому же вопросу Найдется и третий, ничем не уступающий в профессионализме, но пред-
лагающий совершенно иное решение проблемы. Конечно, консенсус будет достигнут, но для этого будет затрачено немало времени и очевидно не меньше материальных ресурсов.
Одним из выходов из данной ситуации может служить применение автоматизированных систем управления качеством продукции. Такая система может накапливать статистический материал с результатами контроля продукции, и выполнять анализ протекания процесса: выявлять несоответствия, отклонения от заданных параметров, генерацию советов по решению установленных проблем. В основе этого лежит экспертная система -инструмент аккумулирования знаний высококлассных специалистов в некоторой предметной области.
Экспертная система может частично, а в некоторых случаях и полностью, принять на себя отведенный ей набор функций. Причем присутствие человека не является обязательным условием. Следует выделить два типа общения пользователя с системой: первый заключается в квалифицированном консультировании, а второй в принятии самостоятельных решений, не нуждающихся в редактировании специалистом. В случае, когда речь идет о консультировании, необходимо отметить немаловажную роль квалифицированного специалиста - система всего лишь помогает ему ускорить процесс принятия решения, последнее слово остается все равно за человеком. Это характерно для систем, работающих со сложными процессами, где нельзя допускать ни малейшей ошибки.
Существует список основных задач, для решения которых разрабатываются экспертные системы:
- извлечение необходимой информации из первичных данных (значения прямых измерения контрольных параметров);
- диагностика неисправностей (как в технических системах, так и в человеческом организме);
- структурный анализ сложных объектов (например, химического состава материала при лабораторных испытаниях);
- выбор конфигурации сложных многокомпонентных систем (например, структурных схем гибких автоматизированных производственных систем);
- планирование последовательности выполнения операций, приводящих к заданной цели (например, выполняемых промышленными роботами).
Можно классифицировать все экспертные системы следующим образом:
- системы диагностики;
- системы прогнозирования;
- системы планирования;
- системы проектирования.
При выявлении отличительных признаков таких систем обнаружим, что экспертная система
- моделирует не столько физическую (или иную) природу определенной проблемной области, сколько механизм мышления человека применительно к решению задач в этой проблемной области. Это существенно отличает экспертные системы от систем математического моделирования или компьютерной анимации. Нельзя, конечно, сказать, что программа полностью воспроизводит психологическую модель специалиста в этой предметной области (эксперта), но важно, что основное внимание все-таки уделяется воспроизведению компьютерными средствами методики решения проблем, которая применяется экспертом, то есть выполнению некоторой части задач так же (или даже лучше), как это делает эксперт;
- формирует помимо выполнения вычислительных операций определенные соображения и выводы, осно-
вываясь на тех знаниях, которыми она располагает. Знания в системе представлены, как правило, на некотором специальном языке и хранятся отдельно от собственно программного кода, который и формирует выводы и соображения. Этот компонент программы принято называть базой знаний;
- использует при решении задач эвристические и приближенные методы, которые, в отличие от алгоритмических, не всегда гарантируют успех. Эвристика, по существу, является правилом влияния (rule of thumb), которое в машинном виде представляет некоторое знание, приобретенное человеком по мере накопления практического опыта решения аналогичных проблем. Такие методы являются приблизительными в том смысле, что, во-первых, они не требуют исчерпывающей исходной информации, и, во-вторых, существует определенная степень уверенности (или неуверенности) в том, что предлагаемое решение является верным.
Существует множество программ - экспертных систем, которые являются сугубо исследовательскими и основное внимание в них уделяется абстрактным математическим проблемам или упрощенным вариантам реальных проблем (иногда их называют «игрушечными проблемами»), а целью выполнения такой программы является «повышение уровня интуиции» или отработка методики.
Малораспространены же программы - экспертные системы, имеющие ярко выраженную практическую направленность.
Одной из основных характеристик таких систем является производительность, то есть скорость получения результата и его достоверность (надежность). Система должна за приемлемое время найти решение, которое было бы не хуже, чем то, которое может предложить специалист в этой предметной области. Она должна обладать способностью объяснить, почему предложено именно такое решение, и доказать его обоснованность. Пользователь должен получить всю информацию, необходимую ему для того, чтобы быть уверенным, что решение принято «не с потолка». Экспертная система проектируется в расчете на взаимодействие с разными пользователями, для которых ее работа должна быть, по возможности, прозрачной.
Авторами предпринята попытка создать подобную систему, направленную на решение сугубо прикладной задачи - на основе накопленных данных статистического контроля, выявленных эвристических зависимостях и созданной по результатам «опроса» ведущих экспертов, базы знаний - давать «совет» пользователю о «причине» несоответствия продукции по качеству или же о причине его ухудшения.
Таким образом, разрабатываемый программный модуль - экспертная система позволяет по максимуму использовать накопленный при контроле готовых изделий статистический материал и на его основе «давать советы» о причинах несоответствия по качеству выпускаемой продукции - тем самым облегчить труд инженерно-технических служб предприятия. В комплексе с программным продуктом CSQM [1,2] данный программный модуль составит полноценную автоматизированную систему управления качеством для машиностроительного предприятия.
Список литературы
1. Давыдова М.В., Михалев А.М. Статистические методы управления качеством, автоматизация процессов управления качеством на промышленных предприятиях//Известия ТулГУ. Сер. "Инструментальные и метрологические системы". - Вып. 2. - Тула: Изд-во ТулГУ, 2006. - 375 с.
106
ВЕСТНИК КГУ, 2008. №3
2. Давыдова М.В., Михалев А.М., Хрипунов С.В. Комплекс методических и программных средств системной информационной поддержи процессов управления качеством на промышленных предприятиях// Вестник Курганского государственного университета. Серия «Технические науки». - Вып. 3. - Курган: Изд-во Курганского гос. ун-та, 2007-142 с.
А.С. Пухов, Д.Н. Свидунович, Д.Е. Замятин Курганский государственный университет
АВТОМАТИЗИРОВАННОЕ ФОРМИРОВАНИЕ СТРУКТУРНЫХ РЕШЕНИЙ ПРИ СОЗДАНИИ ИННОВАЦИОННЫХ ТЕХНОЛОГИЙ И ТЕХНИЧЕСКИХ ОБЪЕКТОВ
Основной тенденцией современных промышленных производств является постоянное совершенствование и обновление выпускаемой продукции, а следовательно и постоянное совершенствование технологий ее изготовления и методов проектирования, как самой продукции, так и средств оснащения производства, в т.ч. на основе компьютерных систем автоматизированной конструктор-ско-технологической подготовки и управления. Успех решения этих задач обеспечивается, прежде всего, на стадиях проектирования и подготовки выпуска новых изделий, что требует выдачи данными системами инновационных изобретательских решений по всему производственному циклу. Вместе с тем, существующие и создаваемые системы обеспечивают подготовку производств лишь на уровне рабочего параметрического проектирования. Выполняя значительные объемы нетворческих рутинных работ, они, как правило, не имеют в своем составе подсистем (модулей) поиска новых решений на уровне изобретений и ноу-хау.
В связи с отмеченным положением и интенсивным развитием информационных технологий в настоящее время назрела настоятельная необходимость и актуальность решения проблем системного совмещения параметрического рабочего проектирования для применения на завершающих стадиях подготовки производства с поисково - структурным проектированием, позволяющим формировать инновационные решения на начальных стадиях создания объектов.
Цель предлагаемых исследований состоит в повышении эффективности систем автоматизированного проектирования, встраиванием в них автономных модулей (подсистем), формирующих структуру создаваемых объектов и процессов на уровне инновационных результатов (изобретений) на ранних стадиях проектирования.
Для достижения данной цели необходимо решение следующих задач:
- выявление особенностей и возможностей применения декомпозиционных методов анализа задач с целью получения новых знаний непосредственно при проектировании;
- разработка и обоснование метода оптимизации по результатам декомпозиционного анализа в условиях многомерных целей;
- разработка комплекса алгоритмов и программного обеспечения, решения задач формирования структуры создаваемых объектов;
- реализация разработанных методов с использованием созданного программного обеспечения на примерах создания конкретных реальных объектов.
В основу системного подхода к решению задач син-
теза инновационных проектов в качестве исходных научных принципов положены философские категории «Часть и целое», характеризующие общее движение познания, проходящее три ступени. В общем виде познание начинается с нерасчлененного представления о «целом» (видимая часть проблемы), затем переходит к расчленению целого на части - анализу (истинная проблема) и завершается воспроизведением - синтезом конкретного целого (решение проблемы, получение нового знания).
При таком подходе получение инновационного результата (проекта, структуры нового технического объекта) предлагается представить в виде последовательного решения проблемы за три этапа:
- формирование общего желаемого представления о создаваемом объекте, потребности в нем, выполняемых функциях, месте в иерархии других объектов;
- декомпозиция задачи создания объекта (процесса) - разделение ее на части, образуемые относительно независимыми свойствами (признаками) создаваемого объекта с указанием множеств альтернатив реализации каждого признака, формирование многомерного поискового пространства;
- синтез решения - «свертка поискового пространства», образованного декомпозицией - предусматривающий выбор для каждого свойства вариант реализации из множеств соответствующих альтернатив.
Если свойства (признаки) создаваемого объекта
X X
обозначить Л ¡ , а альтернативы их реализации ¡0,
то п - мерное поисковое пространство ^п можно представить в виде матрицы
Х11, X, 2{X^^ß,..., Х1ж
■А 2 1 >{^2 2f>-■ ' Щ 2 .j >■ ■ ■ > 2.и ■ ■ ■
: Л ' i 2 '■ ■> -''■ i.j ' ■ - i
В ходе синтеза может быть получено множество
решений х £ Кп, одно из которых согласно схеме будет иметь вид
х = {Х 1.) >Х2.2.'-'Х1,ш'-'Хп.2}.
Полученное из множества вариантов наилучшее (эффективное) решение х £ ^п формируется из оптималь-
X
ных по Парето альтернатив ¡р, выбранных на основе
