Главная страница

Информационные системы и искусственный интеллект


НазваниеИнформационные системы и искусственный интеллект
Дата08.02.2016
Размер47.9 Kb.
ТипДокументы

Информационные системы и искусственный интеллект


Алгоритмы, используемые информационными системами предприятий, в большинстве случаев можно свести к ряду типовых, среди которых можно выделить следующие:

  1. классификация и идентификация образов – определение принадлежности образа одному или нескольким предварительно определенным классам;

  2. многоцелевая аппроксимация функций – оценка неизвестной зависимости по экспериментальным данным;

  3. прогноз (интерполяция) – определение будущего процесса по его прошлому и настоящему;

  4. многокритериальная оптимизация – нахождение решений, которые максимизируют или минимизируют определенный критерий качества при заданных ограничениях;

  5. память, адресуемая по содержанию (ассоциативная память) – память доступная по указанному содержанию (базы данных и знаний);

  6. управление – перевод и поддержание системы в требуемом состоянии.

Если ранее было традиционно использование АСУ с классическими алгоритмами из теории управления, то ростом в настоящее время все большее значение начинают приобретать новые технологии и алгоритмы. Так, широкое применение за последнее десятилетие получили совсем недавно известные только узкому кругу специалистов нейронные сети, нечеткая логика, генетические алгоритмы и ряд других информационных технологий. Экстраполируя данный процесс на будущее, можно предположить, что роль алгоритмов обработки информации в научно-техническом прогрессе будет возрастать и в дальнейшем.
Так, целью данной статья является рассмотрение более развитых средствах промышленного контроля и управления, дополняющих классические технологии и направленные на создание новых предприятий с более дешёвыми и короткими производственными циклами – системах с искусственным интеллектом (ИИ).

Технологии ИИ включают в себя искусственные нейронные сети (ИНС), экспертные системы (ЭС), нечеткую (fuzzy) логику (НЛ), генетические алгоритмы (ГА) и т.д. и т.п. Лежащие в их основе идеи существенно отличаются от общепринятых методов вычислений, имитируя "человеческие", т.е. более понятные технологу, чем "чистому" специалисту по вычислительной технике, пути решения проблем либо "природное", "генетическое" развитие процессов. Например, ИНС-сети обладают способностью к обучению, ЭС-системы принимают решения на основе наборов правил и опыта экспертов, а системы с нечеткой логикой оперируют такими понятиями, как неопределенность и частичная/приблизительная истина. Все эти системы дополняют друг друга, обогащая наш словарь такими терминами, как neurofuzzy (Прим. ред: Нет русского эквивалента. Возможно, neurofuzzy (нейрофази) ждёт судьба термина multomedia) и нейрогенетика.

Данные методы предназначены для решения очень сложных нелинейных задач, которые либо превышают возможности общепринятых алгоритмических методов, либо требуют для своего решения слишком больших материальных и временных затрат. Уже есть успешные применения методов ИИ, хотя и не всегда в роли единственного решения, например, при традиционном "языковом" проектировании на C/C++. В силу своей природы, ИИ-методы довольно спорны и не всегда принимаются сторонниками традиционных подходов. Тем не менее, сегодня ИИ-технология занимает все более важное место в арсенале средств разработчиков средств управления и контроля.

Нечеткая логика добилась определенных успехов на нескольких направлениях: в программных средствах, в контроллерах и в интегральных схемах. Контроллеры на базе нечеткой логики выпускают Fuji Electric, Klockner-Moeller, Rockwell-Automation/ Allen-Bradley, Siemens и Yokogawa и другие фирмы. Дополнительные возможности для экспансии нечеткой логики дает объединение производителей контроллеров с поставщиками программных средств. На рис 1. приведена схема внедрения алгоритма нечеткой логики в классическую систему управления технологическим процессом, используя стандарт IEC 1131-7.

Рис. 1. Стандарт IEC 1131-7.
Программирование на базе нечёткой логики, определяет НЛ-компоненты, а также взаимодействие НЛ-модулей с другими стандартными языками программирования. В качестве выходных данных могут выступать измеряемые технологические параметры, расчётные величины и контрольные значения. Выходными данными являются реальные параметры в форме корректирующих величин.

В некоторых случаях НЛ-технология реализована в промышленно выпускаемых микроконтроллерах. Например, расширение по программированию на базе нечеткой логики (Fuzzy Logic Programming) предложено для стандарта IEC 1131 (программируемые контроллеры). IЕС/МЭК 1131-7 уже лежит в основе НЛ-структуры и программного пользовательского интерфейса пакета fuzzyTech компании Inform, внедряется в известный пакет ISaGRAF (CJ International). Объектно-ориентированный пакет fuzzyTech интегрирует функции нечеткой логики со стандартным ПЛК (А-В, Modicon и Siemens) и с популярными программными средствами управления процессами типа Citech (Ci Technologies) и InTouch (Wonderware). Последняя версия fuzzyTech (5.0) оптимизирована для использования под управлением Windows NT.Компании Wonderware и Inform разработали также на базе пакета fuzzyTech расширение ActiveX для технологии InControl. Разработкам НЛ-систем благоприятствует рост интеграции НЛ на кремниевом уровне.

Одна из тенденций сегодняшнего дня - создание гибридных систем, в которых технологии нейронных сетей сочетаются с другими методами (не обязательно из сферы ИИ), как например дополнение к нейронным сетям методов частичных наименьших квадратов (PLS-метод) и базового компонентного анализа (РСА-метод). Подобные гибридные интеллектуальные нейронный сети (ИНС) являются довольно эффективным средством системного моделирования и группового мониторинга.

Наиболее подходящими для применения данных методов являются групповые процессы с сильной нелинейностью и сложным регулированием. Подходов к исследованию принципов объединения статистических методов типа PLS и РСА с нейронными сетями для постоянного регулирования групповых процессов, существует достаточно много. Одной из развивающихся областей применения ИНС-сетей является усовершенствование общезаводских ЕРМ-моделей (first-principle models), включающих два направления:

  • моделирование отдельных нелинейных процессов, для которых ЕРМ-модели либо не существуют, либо неточны, либо требуют для разработки значительных затрат, и

  • выработка корректирующего фактора для ЕРМ-модели. Нейронные сети NeuralWare позволяют повысить степень оптимизации и другие характеристики общезаводских FPM-моделей.

Еще одной областью применения ИНС-технологии является проверка достоверности данных и показаний датчиков. Это особенно важно для систем регулирования на базе "моделей с предсказанием". Многие производители средств заводской автоматизации и технологического контроля разрабатывают специализированные микропроцессоры и контроллеры, используемые как в бытовой техники, так и в новейших видах вооружения как крылатые ракеты. Хотя информации о подобных проектах недостаточно, можно отметить ассигнования Министерства обороны США на исследования в области построения систем управления вооружением и тренажеров для обучения пилотов истребителей на основе нечетких технологий. Национальное управле­ние по аэронавтике и космонавтике (НАСА) предполагает использовать нечет­кие модели для решения специальных задач в космосе.

Таким образом, можно сделать вывод, что область приложений теории нечетких множеств и нечеткой логики с каждым годом продолжает неуклонно расширяться. При этом процесс разработки и применения нечетких моделей тесно взаимосвя­зан с концепцией системного моделирования как наиболее общей методологией построения и использования информационных моделей сложных систем различ­ной физической природы, в контексте которой возможна разработка наиболее адекватных и эффективных информационных моделей сложных систем.