«В.А. Валетов, А.А. Орлова, С.Д. Третьяков ИНТЕЛЛЕКТУАЛЬНЫЕ ТЕХНОЛОГИИ ИЗГОТОВЛЕНИЯ ПРИБОРОВ И УСТРОЙСТВ Учебное пособие Санкт- Петербург 2008 Валетов В.А., Орлова А.А., Третьяков С.Д. Интеллектуальные технологии ...»

МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ РОССИЙСКОЙ ФЕДЕРАЦИИ

ФЕДЕРАЛЬНОЕ АГЕНТСТВО ПО ОБРАЗОВАНИЮ

САНКТ-ПЕТЕРБУРГСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ

ИНФОРМАЦИОННЫХ ТЕХНОЛОГИЙ, МЕХАНИКИ И ОПТИКИ

В.А. Валетов, А.А. Орлова, С.Д. Третьяков

ИНТЕЛЛЕКТУАЛЬНЫЕ ТЕХНОЛОГИИ

ИЗГОТОВЛЕНИЯ ПРИБОРОВ И УСТРОЙСТВ

Учебное пособие Санкт- Петербург 2008 Валетов В.А., Орлова А.А., Третьяков С.Д. Интеллектуальные технологии производства приборов и систем. Учебное пособие, - СПб: СПб ГУИТМО, 2008. – 134 с.

Рассматриваются вопросы применения современных интеллектуальных технологий в приборостроении. Излагаются теоретические предпосылки использования элементов искусственного интеллекта для управления интеллектуальными производственными комплексами. Рассматриваются вопросы использования современных робототехнических производственных модулей и интеллектуальных систем управления ими. Приводятся примеры создания структур управления интеллектуальными производственными комплексами с использованием элементов искусственного интеллекта.

Пособие предназначено для студентов старших курсов и магистров, изучающих дисциплину «Интеллектуальные технологии производства приборов и систем» на кафедре Технологии приборостроения СПб ГУИТМО.

Рекомендовано УМО по образованию в области приборостроения и оптотехники в качестве учебного пособия для студентов высших учебных заведений, обучающихся по направлению подготовки 200100 – Приборостроение.

В 2007 году СПбГУ ИТМО стал победителем конкурса инновационных образовательных программ вузов России на 2007–2008 годы. Реализация инновационной образовательной программы «Инновационная система подготовки специалистов нового поколения в области информационных и оптических технологий» позволит выйти на качественно новый уровень подготовки выпускников и удовлетворить возрастающий спрос на специалистов в информационной, оптической и других высокотехнологичных отраслях экономики.

©Санкт-Петербургский государственный университет информационных технологий, механики и оптики, © В.А. Валетов, С.Д. Третьяков, А.А. Орлова ВВЕДЕНИЕ

1. Современные интеллектуальные технологии, применяемые при производстве приборов и систем

1.1 Основные этапы развития интеллектуальных систем и предпосылки их использования в промышленности

1.2 Признаки интеллекта производственных систем

1.3 Современные тенденции развития интеллектуальных производственных систем

1.4. Робототизированные системы искусственного интеллекта

2. Особенности использования интеллектуальных систем и систем искусственного интеллекта в приборостроении

2.1 Элементы искусственного интеллекта, применяемые в приборостроении 2.2 Особенности представления знаний в интеллектуальных производственных системах

2.3 Языки и модели представления знаний

2.4. Семантические сети

3. Методы поиска решений технологических задач и системы представления знаний

3.1 Фреймы

3.2 Семантические и когнитивные сети

3.3 Продукционные правила или продукционные системы

3.4 Методы поиска решений технологических задач

3.4.1 Структуры данных для поиска в пространстве состояний

3.4.2 Представление задачи в пространстве состояний

3.4.3 Поиск на основе данных и от цели

3.5 Поиск в глубину и в ширину

3.5.1. Поиск в ширину

3.5.2 Поиск в глубину

3.5.3 Поиск в глубину с итерационным заглублением

3.6 Процедура поиска с возвратами. BACKTRACK

3.7 Алгоритмы эвристического поиска

3.7.1 Алгоритм наискорейшего спуска для дерева решений

3.7.2. Алгоритмы оценочных (штрафных) функций

3.7.3 Алгоритм минимакса

3.7.4 Альфа-бета-процедура

3.8 Поиск решений на основе исчисления предикатов

4. Использование экспертных систем для решения технологических задач производства деталей приборов

4.1 Экспертные системы: определение и классификация

4.2 Технологические задачи, решаемые при помощи экспертных систем...... 4.3 Этапы проектирования экспертных систем

4.4. Инструментальные средства создания экспертных систем

4.5. Методика создания экспертных систем

4.6. Примеры экспертных систем

5. Использование робототехнических систем с элементами искусственного интеллекта в приборостроении

5.1. Область робототехники

5.2. Системы искусственного интеллекта в робототехнике

5.3. Современное робототехническое технологическое оборудование с элементами искусственного интеллекта

5.4.Структура и состав интеллектуальной робототехнической системы....... 5.5. Обобщённый пример устройства робота-станка

6. Применение в приборостроении современного технологического оборудования с элементами искусственного интеллекта и интеллектуальных систем

6.1. Особенности современного технологического оборудования................. 6.2. Особенности разработки технологических процессов для интеллектуальных робототехнических систем

7. Управление производственным робототехническим комплексом с использованием элементов интеллектуального управления

7.1 Основные функции и особенности интеллектуальных систем управления

7.2. Состав системы управления и функциональные характеристики ее элементов

7.3. Пример расчёта параметров встроенной оптической системы контроля на примере абразивной обработки поверхности

8.Воспроизведение сложных поверхностей деталей приборов при помощи систем искусственного интеллекта

9. Контроль работы производственного комплекса с использованием интеллектуальной системы управления качеством изделия

10. Использование встраиваемых технологических систем контроля работы интеллектуальных производственных систем

11. Моделирование технологического комплекса позиционно-силового управления в системе Simulink

СПИСОК ЛИТЕРАТУРЫ

ВВЕДЕНИЕ

Одним из основных факторов, оказывающих сильное влияние на социально-экономическое развитие общества, является уровень развития промышленного производства. В странах с развитой экономической системой уровень производственной культуры обеспечивается за счёт не прекращающихся исследований в области новых технологических разработок.

Одной из основных тенденций последних десятилетий является стремление автоматизировать как можно больше производственных процессов в различных отраслях промышленного производства. Последние достижения науки в области развития систем искусственного интеллекта позволяют вывести процессы автоматизации производства на качественно новый уровень. Наряду с уже использующимися системами роботизированного производства, внедрение искусственного интеллекта в управление производственными процессами значительно расширяет возможности технологических систем. Такой симбиоз автоматизированных производственных систем и элементов искусственного интеллекта получил название интеллектуальных технологий. Область применение таких технологий довольно широка. Производственные комплексы с элементами интеллектуальных технологий можно встретить в различных отраслях промышленности, но очевидно, что наибольшее распространение такие комплексы получили в сфере производства высоко точных приборов и систем.

В данном учебном пособии рассматриваются вопросы применения интеллектуальных технологий в области приборостроения. Описываются основы систем искусственного интеллекта, алгоритмы их работы в комплексе с современным высокоточным оборудованием. Рассматриваются вопросы моделирования работы интеллектуальных систем, а также возможности интеллектуальных систем управления.

1. Современные интеллектуальные технологии, применяемые при производстве приборов и систем 1.1 Основные этапы развития интеллектуальных систем и предпосылки их использования в промышленности В последние десятилетия основная тенденция в развитии промышленного производства заключалась в разработке систем комплексной автоматизации.

Здесь стоит отметить, что под комплексной автоматизацией понимается постепенный переход к интегрированным научно-производственным комплексам, базирующимся на широком применении гибких средств автоматизации и вычислительной техники на протяжении всего производственного цикла - от научных исследований до выпуска готовой продукции. При этом автоматизация собственно производства заключается в создании робототехнологических комплексов и на их основе- гибких автоматических производств. В рамках гибкого автоматизированного производства все робототехнические комплексы и обслуживающие их системы управляются от сети ЭВМ. Это придает им необходимую гибкость по отношению к возможным изменениям номенклатуры или типоразмеров выпускаемой продукции. В свою очередь, бурное развитие в последние годы информационных технологий позволило осуществить более тесную интеграцию систем автоматизированного производства, робототехнических комплексов и электронно-вычислительных систем. В первую очередь это связано с бурным производственную цепочку элементов искусственного интеллекта (ИИ) позволяет добиться максимальной автономности производственного комплекса и ввести в автоматизированную систему новый уровень управления. Здесь стоит более подробно рассказать об основах систем искусственного интеллекта и их возможностях, особенно в сфере промышленного производства.

В 1950 году британский математик Алан Тьюринг опубликовал в журнале «Mind» свою работу «Вычислительная машина и интеллект», в которой описал тест для проверки программы на интеллектуальность. Он предложил поместить исследователя и программу в разные комнаты и до тех пор, пока исследователь не определит, кто за стеной - человек или программа, считать поведение программы разумным. Это было одно из первых определений интеллектуальности, то есть А. Тьюринг предложил называть интеллектуальным такое поведение программы, которое будет моделировать разумное поведение человека. В настоящее время существует множество определений интеллектуальных систем и искусственного интеллекта. Сам термин «искусственный интеллект» (AI - Artificial Intelligence) был предложен в 1956 году на семинаре в Дартсмутском колледже (США). Ниже приведены некоторые из этих определений. Так Д. Люгер в своей книге [11] определяет искусственный интеллект как область компьютерных наук, занимающуюся исследованием и автоматизацией разумного поведения».

В учебнике по искусственному интеллекту [12] дается такое определение:

«Искусственный интеллект - это одно из направлений информатики, целью которого является разработка аппаратно-программных средств, позволяющих пользователю-непрограммисту ставить и решать свои, традиционно считающиеся интеллектуальными задачи, общаясь с ЭВМ на ограниченном подмножестве естественного языка».

В любом случае предметом ИИ является изучение интеллектуальной деятельности человека, подчиняющейся заранее неизвестным законам. ИИ это все то, что не может быть обработано с помощью алгоритмических методов.

Таким образом в цепочку - система автоматизированного производства, робототехнический комплекс и электронно-вычислительная система – добавляется новое звено – система искусственного интеллекта. Но в отличие от традиционного метода управления автоматизированным производством посредством электронно-вычислительного комплекса, который обрабатывает информацию по известным заранее законам и алгоритмам, ввод в эту цепочку системы искусственного интеллекта есть не что иное, как попытка сделать автоматизированную производственную систему как можно более автономной и адаптируемой. При этом под системой здесь понимается множество элементов, находящихся в отношениях друг с другом и образующих причинно-следственную связь, а под адаптивной системой такая система, которая сохраняет работоспособность при непредвиденных изменениях свойств управляемого объекта, целей управления или окружающей среды путем смены алгоритма функционирования, программы поведения или поиска оптимальных, в некоторых случаях просто эффективных, решений и состояний. Традиционно, по способу адаптации различают самонастраивающиеся, самообучающиеся и самоорганизующиеся системы.

Таким образом, под интеллектуальной системой понимается адаптивная система, позволяющая выполнять программы целесообразной деятельности по решению поставленных перед ней задач на основании конкретной ситуации, складывающейся на данный момент в окружающей их среде. Очевидно, что применение таких систем при автоматизированном производстве приборов и устройств наиболее целесообразно как с технологической точки зрения, так и с экономической. К области решаемых интеллектуальными системами задач относятся задачи, обладающие, как правило, следующими особенностями.

1. В этих задачах неизвестен алгоритм их решения (такие задачи называют интеллектуальными);

2. В этих задачах используется, помимо традиционных данных в числовом формате, информация в виде изображений, рисунков, знаков, букв, слов, звуков;

3. В таких задачах предполагается наличие выбора.

Так как для решения интеллектуальных задач не существует алгоритма, то предполагается сделать выбор между многими вариантами в условиях неопределённости. Таким образом, очевидно, что свобода выбора является существенным признаком интеллектуальных задач.

Интеллектуальные технологические системы производства содержат переменную, настраиваемую модель внешнего мира и реальной исполнительной системы с объектом управления. Цель и управляющие воздействия формируются в таких системах на основе знаний о внешней среде, объекте управления и на основе моделирования ситуаций в реальной системе.

1.2 Признаки интеллекта производственных систем Когда идёт речь об интеллектуальной системе, то в первую очередь задаётся вопрос, о том, какие признаки интеллекта должны характеризовать такую систему. Очевидно, что интеллектуальная система должна уметь в наборе фактов распознать наиболее существенные, а также быть способной из имеющихся фактов и знаний сделать выводы не только с использованием дедукции, но и с помощью аналогии, индукции и т.д. Кроме того, интеллектуальная система должна обладать умением давать самооценку, т.е.

обладать рефлексией – средствами для оценки результатов собственной работы.

Интеллектуальная система, при помощи неких подсистем, должна также уметь отвечать на вопросы о том, каким образом получен тот или иной результат.

Обязательным условием для функционирования интеллектуальной системы является её способность обобщать данные, обнаруживать сходство между имеющимися в её распоряжении фактами.

Например, производственный модуль с использованием электронного управления, который при изготовлении детали допускает неточность одного и того же параметра до тех пор, пока не вмешается оператор, интеллектуальной системой называться не может.

Центральным понятием в интеллектуальной системе является знание.

Существует множество определений знания. Например, знание есть результат, полученный познанием окружающего мира и его объектов или система суждений с принципиальной и единой организацией, основанная на объективной закономерности. Для области приборостроения самым точным является понятие знания как совокупности фактов и правил. Фрагмент знания представляет некое правило, которое в общем случае имеет вид если На рис. 1.1 показан процесс логического вывода формализованной информации, которую используют в процессе вывода. Также важным представляется деление знаний на статические и динамические. Под статическими обычно понимают такие знания, которые были внедрены в интеллектуальную систему на этапе её проектирования. Соответственно, динамические знания интеллектуальная система получает в процессе функционирования в масштабе реального времени.

Рис. 1.1 Процесс логического вывода в интеллектуальной системе В свою очередь, знания можно разделить на факты и правила. Под фактами подразумеваются знания типа «A это A», они характерны для баз данных. Под правилами (их ещё называют продукциями) понимаются знания вида «ЕСЛИ-ТО». Кроме этих знаний существуют так называемые метазнания, т.е. знания о знаниях. Создание продукционных систем для представления знаний позволило разделить знания и управление в компьютерной программе, обеспечить модульность продукционных правил, т.е. отсутствие синтаксического взаимодействия между правилами. При создании моделей представления знаний следует учитывать такие факторы, как однородность представления и простота понимания. Выполнить это требование в равной степени для простых и сложных задач довольно сложно.

Представленная на рис. 1.2 простейшая структурная схема управления интеллектуальным робототехническим модулем позволяет более наглядно усвоить данный материал.

Рис. 1.2 Структурная схема управления интеллектуальным робототехническим модулем, где БД – база данных, БЦ – блок целей и БЗ – база знаний На этом рисунке стрелками обозначено направление движения информации, двунаправленными стрелками обозначено взаимодействие типа «запрос-ответ» и «действие-подтверждение», весьма распространенное в информационных системах. Входом системы является “Блок ввода информации”, предназначенный для ввода числовых данных, текста, речи, распознавания изображений. Информация на вход системы может поступать (в зависимости от решаемой задачи) от пользователя, внешней среды, объекта управления. Далее входная информация поступает в блок логического вывода, либо сразу в базу данных - совокупность таблиц, хранящих, как правило, символьную и числовую информацию об объектах предметной области. Блок логического вывода и формирования управляющей информации обеспечивает нахождение решений для нечетко формализованных задач интеллектуальной системы, осуществляет планирование действий и формирование управляющей информации для пользователя или объекта управления на основе базы знаний, базы данных, базы целей и блока алгоритмических методов решений. Под базой знаний обычно понимается совокупность знаний, например, система продукционных правил, о закономерностях предметной области, например информация о режимах резания при механической обработке заготовок. Блок целей - это множество локальных целей системы, представляющих собой совокупность знаний, активизированных в конкретный момент и в конкретной ситуации для достижения глобальной цели. Блок алгоритмических методов решений содержит программные модули решения задач предметной области по жестким алгоритмам. Блок усвоения знаний осуществляет анализ динамических знаний с целью их усвоения и сохранения в базе знаний. Блок объяснения решений интерпретирует пользователю последовательность логического вывода, примененную для достижения текущего результата. На выходе системы блок вывода информации обеспечивает вывод данных, текста, речи, изображений и другие результаты логического вывода пользователю или объекту управления. Контур обратной связи позволяет реализовать свойства адаптивности и обучения интеллектуальной системы. На этапе проектирования эксперты и инженеры по знаниям наполняют базу знаний и базу целей, а программисты разрабатывают программы алгоритмических методов решений.

База данных создается и пополняется, как правило, в процессе эксплуатации интеллектуальной системы.

Динамика работы описанной выше системы может быть описана следующим образом. При поступлении информации на внешнем языке системы на входе блока ввода информации производится ее интерпретация во внутреннее представление для работы с символьной моделью системы. Блок логического вывода выбирает из базы знаний множество правил, активизированных поступившей входной информацией, и помещает эти правила в банк целей как текущие цели системы. Далее блок логического вывода по заданной стратегии, например, стратегии максимальной достоверности, выбирает правило из базы целей и пытается доопределить переменные модели внешнего мира и исполнительной системы с объектом управления. На основе этого активизируются новые правила базы знаний и начинается логический вывод в системе продукций (правил). Эта процедура заканчивается, как только решение будет найдено, либо когда будет исчерпан банк целей. Найденное решение из внутреннего представления интерпретируется блоком вывода информации во внешний язык подсистемы управления низшего уровня и объекта управления. Более подробно работа этих подсистем будет рассмотрена в последующих главах.

Работы по созданию промышленных роботизированных систем ведутся уже не одно десятилетие, но именно бурное развитие исследований в области искусственного интеллекта позволило этой отрасли промышленности бурно развиваться в последнее время. Однако, прежде чем инженерам удалось соединить различные по своей сути системы в единое целое, учёным предстояло решить множество проблем, лежащих как в области робототехники, так и в сфере искусственного интеллекта. Интеллектуальные роботы (иногда говорят «интеллектные» или роботы с искусственным интеллектом) явились развитием простейших программируемых промышленных роботов, которые появились в 60-х годах. Тогда же были заложены основы современных и будущих интеллектуальных роботов в исследованиях, связанных с координацией программирования роботов-манипуляторов и технического зрения на основе телевизионной камеры, планирования поведения мобильных роботов, общения с роботом на естественном языке.

Эксперименты с первыми интеллектуальными роботами проводились в конце 60-х - начале 70-х годов в Стэндфордском университете, Стэндфордском исследовательском институте (Калифорния), Массачусетском технологическом институте (Массачусетс), Эдинбургском университете (Великобритания), в Электротехнической лаборатории (Япония) [21].

Типичный интеллектуальный робот состоит из одной или двух рук (манипуляторов) и одной или двух телевизионных камер, размешенных на неподвижной тумбе либо на перемещающейся тележке. На рис. 1.3 показана обобщенная структура информационной системы интеллектуального робота.

Надо иметь ввиду, что на подсистему восприятия поступает большой объём разнотипной информации от датчиков различных типов: зрительных, слуховых, тактильных, температурных, лазерных или ультразвуковых дальномеров и т.д. При этом под синтаксисом, в данной схеме, понимается структура в пространстве и во времени этой разнотипной информации, а под семантикой - результат ее восприятия как множества возможных типовых ситуаций или образов, требующих какой-либо дальнейшей обработки. Под миром понимается описание окружения робота как результат работы его подсистемы восприятия. Под действием понимается достаточно сложный двигательный акт, например, перемещение заготовки из входного бункера в шпиндель станка и ее закрепление там, в отличие от движения как результата срабатывания какой-либо одной степени свободы робота, например, вращение робота вокруг вертикальной осп на заданный угол.

Таким образом, можно отметить тот факт, что рождение робототехники выдвинуло задачи машинного зрения и распознавания изображений в число первоочередных. В традиционном распознавании образов появился хорошо разработанный математический аппарат, и для не очень сложных объектов оказалось возможным строить практически работающие системы классификации по признакам, по аналогии и т. д.

Рис. 1.3 Структура информационной системы интеллектуального робота В качестве признаков могут рассматриваться любые характеристики распознаваемых объектов. Признаки должны быть инвариантны к ориентации, размеру и вариациям формы объектов. Алфавит признаков придумывается разработчиком системы. Качество распознавания во многом зависит от того, насколько удачно придуман алфавит признаков. Распознавание состоит в априорном получении вектора признаков для выделенного на изображении отдельного распознаваемого объекта, и лишь затем в определении того, какому из эталонов этот вектор соответствует. П. Уинстон в начале 80-х годов обратил внимание на необходимость реализации целенаправленного процесса машинного восприятия. Цель должна управлять работой всех процедур, в том числе и процедур нижнего уровня, т. е. процедур предварительной обработки и выделения признаков. Должна иметься возможность на любой стадии процесса, в зависимости от получаемого результата, возвращаться к его началу для уточнения результатов работы процедур предшествующих уровней. У П.

Уинстона, так же как и у других исследователей, до решения практических задач дело не дошло, хотя в 80-е годы вычислительные мощности больших машин позволяли начать решение подобных задач. Таким образом, ранние традиционные системы распознавания, основывающиеся на последовательной организации процесса распознавания и классификации объектов, эффективно решать задачи восприятия сложной зрительной информации не могли.

В начале 70-х годов произошел качественный скачок и пришло понимание, что необходимы глубокие знания в соответствующей области и выделение знаний из данных, получаемых от эксперта. Появляются экспертные системы (ЭС), или системы, основанные на знаниях, без которых не возможно представить себе ни одну современную интеллектуальную технологическую систему.

1.3 Современные тенденции развития интеллектуальных производственных систем Также стоит отметить тот факт, что одной из основных тенденций развития промышленных интеллектуальных систем, в настоящее время, является явное смещение исследований в область нейрокибернетики, или иначе говоря, подход к разработке систем, демонстрирующих «разумное» поведение, на основе архитектур, напоминающих устройство мозга и называемых нейронными сетями [8]. В 1942 году, когда Н. Винер определил концепции кибернетики, В. Мак-Каллок и В. Питс опубликовали первый фундаментальный труд по нейронным сетям, где говорилось о том, что любое хорошо заданное отношение вход-выход может быть представлено в виде формальной нейронной сети (рис. 1.4). Одна из ключевых особенностей нейронных сетей состоит в том, что они способны обучаться на основе опыта, полученного в обучающей среде. В 1957 году Ф. Розенблат изобрел устройство для распознавания на основе нейронной сети - персептрон, который успешно различал буквы алфавита, хотя и отличался высокой чувствительностью к их написанию [1]. Пик интереса к нейронным сетям приходится на 60-е и 70-е годы, а в последние десять лет наблюдается резко возросший объем исследований и разработок нейронных сетей. Это стало возможным в связи с появлением нового аппаратного обеспечения, повысившего производительность вычислений в нейронных сетях (нейропроцессоры, транспьютеры и т. п.). Нейронные сети хорошо подходят для распознавания образов и решения задач классификации, оптимизации и прогнозирования, поэтому основными областями их применения являются промышленное производство и робототехника.

Нейронная сеть (НС) считается альтернативным подходом к построению систем искусственного интеллекта, который использует модель, имитирующую структуры нейронов в человеческом мозге. Другим альтернативным подходом считаются генетические алгоритмы (ГА), в основе которых лежим имитация эволюции различных альтернативных конфигураций.

Основными достоинствами искусственных нейронных сетей (ИНС) и генетических алгоритмов (ГА) являются:

1) Хранение знания в виде большого числа мелких элементов, распределенных по сети, работа с зашумленными и недостаточными данными;

2) Использование принципов скрещивания и мутации- каждое последующее поколение решений может быть лучше старого;

3) НС и ГА дают естественные модели параллельной обработки данных;

4) Рабочий процесс и процесс принятия решения не замедляется при возникновении большого количества данных.

Б) модель нейрона Мак-Каллока-Питса, или простейший персептрон Как правило, при выполнении своих функций ИНС играет роль универсального аппроксиматора функции нескольких переменных, реализуя нелинейную функцию:

где, x - это входной вектор; y - реализация векторной функции нескольких переменных Входные сигналы xj(j=1,2,...,N) суммируются с учетом соответствующих весов wi (сигнал поступает в направлении от узла i к узлу j) в сумматоре, после чего результат сравнивается с пороговым значением.

Аргументом функции выступает сигнал:

где wi - набор вещественных весовых коэффициентов, определяющие силу связи между нейронами, x j +wi0 - уровень активации нейрона, который определяется взвешенной суммой его входных сигналов.

Пороговая функция определяет активное или неактивное состояние нейрона и предназначенная для вычисления выходного значения нейрона путем сравнения уровня активации с некоторым порогом.

Функция f (ui) называется функцией активации. В модели МакКаллокаПитса –это пороговая функция вида:

ИНС представляет собой параллельную, распределенную, адаптивную систему, которая восстанавливает скрытые закономерности и развивает свои способности при обработке информации и в результате обучения.

Таким образом, в ИНС:

1) Как в параллельных системах в любой момент времени в активном состоянии могут находиться несколько процессов;

2) Как в распределенных системах каждый из процессов может независимо обрабатывать локальные данные и принимать решения, а отдельные процессы обмениваются информацией между собой и внешней информационной средой через каналы связи;

3) Как в адаптивных системах процессы обработки информации организуются таким образом, чтобы достигнуть требуемых целей при неопределенных факторах, причем при изменении последних система способна адаптироваться.

ИНС обладает следующими признаками:

1) ИНС состоит из простых нейропроцессорных элементов (НЭ), или нейроэлементов, являющихся искусственным аналогом биологических нейронов;

2) НЭ связаны между собой направленными информационными каналами (ИК), по которым распространяются информационные сигналы, закодированные в скалярной форме;

3) Каждый НЭ может быть связан посредством входных ИК с множеством других НЭ;

4) Каждый НЭ имеет единственный выходной ИК, который в последствии может разветвляться;

5) Каждый НЭ может обладать собственной внутренней памятью и может осуществлять локальную обработку приходящей к нему информации;

6) Обработка информации осуществляется нейроэлементом локально - она зависит только от значений, поступающих к входным ИК, и значений, хранящихся в его внутренней памяти;

7) ИНС развиваются и адаптируются в процессе обучения по примерам.

Технологии обучения ИНС подразделяются на две категории:

1) Обучение с учителем, при котором имеется множество примеров, в которых отклик или поведение НС известно;

2) Обучение без учителя или самообучение или самоорганизация, при котором процесс обучения НС происходит автономно - по мере поступления новой информации находятся некоторые ее свойства и закономерности и НС обучается отражать их на выходе.

Как уже было сказано выше, другим альтернативным подходом к построению систем искусственного интеллекта являются генетические алгоритмы, представляющие собой алгоритмы, основанные на принципах биологической эволюции. Процессы отбора сильнейших представителей и социальные процессы были формализованы с помощью теории клеточных автоматов, генетических алгоритмов, генетического программирования, искусственной жизни и других форм эмерджентных вычислений.

ГА представляет собой эмерджентную или проявляющуюся модель, т.е.модель, которая имитирует наиболее элегантную и мощную форму адаптации - эволюцию форм жизни животного и растительного мира.

ГА и другие формальные эволюционные аналоги обуславливают наиболее точное решение задачи за счет операции над популяциями кандидатов на роль решения.

Решение задач с помощью ГА включает в себя три стадии.

1. Представление отдельных потенциальных решений в специальном виде, удобных для выполнения эволюционных операций изменения и отбора (битовые строки).

2. Реализация скрещивания и мутации, которая присуща биологическим формам жизни, в результате чего появляется новое поколение (особей) с рекомбинированными свойствами их родителей.

3. На основе некоторого критерия отбора выбираются лучшие формы жизни, т.е. наиболее точно соответствующие решению данной проблемы. Эти особи отбираются для выживания и воспроизведения, т.е. для формирования нового поколения потенциальных решений. В конечном счете некоторое поколение особей и станет решением задачи.

После анализа каждого кандидата выбираются пары для рекомбинации.

Для рекомбинации используются генетические операторы, в результате выполнения которых новые решения получаются путем комбинации свойств родителей. Как и в естественном эволюционном процессе, степень участия в репродуктивном процессе определяется для каждого кандидата значением критерия качества: кандидат с более высоким значением критерия качества участвует в процессе воспроизводства с наибольшей вероятностью.

Использование наиболее «слабых» кандидатов в процессе воспроизводства не исключается, так как выживание некоторых слабейших особей имеет важное значение для развития популяции: они могут содержать некоторые важные компоненты решения, например, фрагменты битовой строки, которые могут извлекаться при воспроизводстве.

Основными генетическими операторами являются:

1) Скрещивание (crossover) - два решения кандидата делятся на несколько частей и обмениваются этими частями, результатом становятся два новых кандидата;

2) Мутация, которая состоит в случайном выборе кандидата и случайном изменении некоторых его свойств, например: мутация может состоять в случайном выборе бита в шаблоне и изменении его значения с 1 на 0 или на #, значение мутации состоит в возможном восполнении важных компонентов решения, отсутствующих в исходной популяции;

3) Инверсия - изменение порядка следования битов в битовой стоке;

4) Обмен – перемена мест двух произвольных битов.

Работа ГА по выполнению генетических операторов продолжается до тех пор, пока не будет достигнуто условие его завершения, например, для одного или нескольких кандидатов значение критерия качества не превысит некоторого порога.

Основными областями применения ГА являются:

- решение комбинаторных задач и задач оптимизации; инструмент реализации процессов оптимизации при моделировании производственных процессов- оптимизация последовательности, упорядочения и выбора (Simulationstool);

- в качестве алгоритма нахождения экстремума многоэкстремальной функции.

последовательности - это выработка оптимальной последовательности загрузки одного из производственных участков. Подходящая симуляционная модель предоставит общее время прохождения загрузки для каждого предложенного решения. В процессе эволюции будут появляться все лучшие и лучшие последовательности, при которых задачи выполняются в наиболее короткие сроки.

Основным преимуществом ГА является их проблемная независимость и способность показать при этом хорошие результаты даже при большом количестве симулятивно- технических решений задач оптимизации.

Основными свойствами задач оптимизации, для решения которых используются ГА являются:

1) Большое пространство решений;

2) Неизвестные свойства пространства решений;

3) Дискретные пространства решений, которые не позволяют применения математической числовой оптимизации проблемы;

4) Множество мягких ограничений, т.е. ограничений которые не обязательно должны выполняться, но не учет которых может привести ухудшению результатов.

Количество возможных решений зависит от типа оптимизации, а также от количества элементов множества определения, которое содержит элементы подлежащие оптимизации.

Нейронные структуры и генетические алгоритмы привлекательны как средства реализации интеллекта по многим причинам. Они более пригодны для сопоставления зашумленных и недостаточных данных, т.к. они хранят знания в виде большого числа мелких элементов, распределенных по сети. За счет использования принципов скрещивания и мутации, каждое последующее поколение решений может быть лучше старого. Нейронные структуры и генетические алгоритмы дают естественные модели параллельной обработки данных, поскольку каждый нейрон, или сегмент решения являет собой независимый элемент. Наличие такого свойства структуры человеческого мозга, что на основе большего количества данных быстрее будет принято решение, в противовес компьютеру. Работа при этом не замедляется.

1.4. Робототизированные системы искусственного интеллекта В настоящее время промышленность широко использует возможности систем искусственного интеллекта. В основном такие системы применяются в гибких производственных комплексах и робототехнических комплексах [2].

Систему искусственного интеллекта, которая может применяться в таких случаях, можно определить как комплекс программно-аппаратных средств для решения интеллектуальных задач, которые позволяют ЭВМ выполнять операции, аналогичные функциям человека, занятого умственным трудом.

Поэтому под искусственным интеллектом производственных комплексов будем подразумевать алгоритмическое и программное обеспечение их адаптивных систем управления, позволяющее автоматизировать технологические операции интеллектуального характера. Отличительными признаками СИИ являются наличие баз данных и банков знаний, средств интерпретации задач и планирования их решений, а также связанных с ними алгоритмов формирования понятий, распознавания ситуаций и принятия решений. Решение проблемы представления знаний в памяти ЭВМ открыло принципиальную возможность понимания системами искусственного интеллекта естественного языка и речи. Оно позволило создать интеллектуальные терминалы и интерфейс, обеспечивающие непосредственное речевое или графическое (через дисплей) общение человека с ЭВМ или роботом на естественном языке, ограниченном данной предметной областью.

Системы искусственного интеллекта с базами данных и банками знаний нацелены на решение прикладных задач. Среди них важную роль играют экспертные системы искусственного интеллекта промышленного назначения, которые уже сегодня используются, например, для выработки рекомендаций по выбору компонентов и компановки гибкого автоматического производства. К числу промышленных систем искусственного интеллекта можно отнести и интеллектуальный человеко-машинный интерфейс.

В последние годы созданы и начинают применяться в промышленности интеллектуальные системы автоматизированного проектирования, системы искусственного интеллекта для распознавания зрительной информации и речи, интеллектуальные системы автоматизации программирования, интеллектуальные автоматизированные системы подготовки производства, встроенные системы искусственного интеллекта для диагностики оборудования, а также ЛИСП - машины для оперативной обработки символьной информации и ПРОЛОГ - машины для автоматического поиска логических выводов на основе факторов и правил, хранимых в базе знаний [20].

Это позволяет переложить на системы искусственного интеллекта значительную часть умственного труда, которую в условиях обычного производства приходилось возлагать на человека. В результате повышается производительность и степень автоматизации производства. Таким образом, сегодня системы искусственного интеллекта широко представлены на промышленном рынке. Более того, они находят все более широкое применение в адаптивных робототехнических комплексах и гибких технологических модулях.

В отличие от программных роботов, которые манипулируют деталями и инструментами, системы искусственного интеллекта манипулируют знаниями, необходимыми для решения возникающих задач. Тип задачи определяет особенности алгоритма ее решения. Для более чёткого понимания специфики алгоритмов решения интеллектуальных технологических задач рассмотрим задачу планирования поведения робота. Решение этой задачи, получаемое в результате интеллектуальной деятельности робота - есть план целенаправленных действий, т. е. конечная последовательность операций, при фактическом выполнении которых гарантируется достижение цели. Каждая операция переводит робот в некоторое новое состояние, которое можно назвать очередной подцелью. В процессе поиска плана поведения могут использоваться как информация, поступающая от информационной системы робота, так и ранее накопленные знания и опыт, хранящиеся в базе знаний системы управления.

Особенности методов решения многих технологических задач гибкой автоматизации можно представить аналогичным образом. Например, при переналадке производства на выпуск нового изделия требуется спланировать, скоординировать и уложить в согласованную схему технологического процесса множество операций: выбор необходимого оборудования, оптимизацию технологических маршрутов, программирование систем управления, диагностику инструмента, контроль качества продукции и т. п. Переход на новую технологию может потребовать согласования основных технологических операций с вопросами совершенно иного характера, связанными, например, с финансированием или охраной окружающей среды. Все эти операции и вопросы взаимосвязаны и должны быть учтены при планировании технологического процесса. Для фактического осуществления этого процесса нужно соответствующим образом запрограммировать системы управления оборудованием гибкого автоматизированного производства, после чего может быть получено требуемое изделие с заданными свойствами.

Таким образом, чтобы решить задачу планирования необходимо составить хорошо скоординированную, согласованную схему операций (логических, математических, технологических и др.). начинающуюся с наперед заданных условий (предпосылок) и заканчивающуюся достижением цели. Решая такого рода интеллектуальные задачи, система искусственного интеллекта постоянно ищет пути обхода препятствий и достижения заданной цели, пытается выработать какой-то план действий, следуя которому можно достичь эту непосредственно недоступную цель. Умение системы искусственного интеллекта решать интеллектуальные задачи посредством использования имеющихся знаний приобретается путем обучения на опыте и адаптации. Это умение и связанные с ним навыки решения задач в известном смысле гораздо важнее для систем искусственного интеллекта, чем информация, хранящаяся в банке знаний, хотя, конечно, без необходимых знаний невозможно найти и решение.

Отдельно стоит отметить особенности интеллекта робототехнических производственных комплексов. Как правило, в настоящее время под интеллектом робототехнического комплекса понимают способность его системы управления решать технологические задачи интеллектуального характера посредством целенаправленного преобразования информации и знаний, обучения на опыте и адаптации к изменяющейся производственной обстановке [16]. Характерными чертами интеллекта робототехнического комплекса, согласно данному определению, являются их способность к переработке знаний, обучению, накоплению опыта и адаптации к заранее неизвестным и изменяющимся условиям в процессе решения задач. Благодаря этим качествам интеллектуальный робототехнический комплекс может решать самые сложные и разнообразные технологические задачи, а также легко перестраиваться с решения одного класса задач на другой. Таким образом, система управления робототехническим комплексом, наделенная элементами искусственного интеллекта, является универсальным средством решения широкого круга технологических задач. Она позволяет автоматизировать технологические операции интеллектуального характера.

Однако необходимо подчеркнуть, что возможности интеллекта робототехнических комплексов (как, впрочем, и возможности интеллекта человека) принципиально ограничены. Это связано с тем, что объем памяти, скорость запоминания и считывания информации в системах управления на практике ограничены. Кроме того, далеко не всегда удается найти эффективные алгоритмы решения интеллектуальных задач. Тем не менее благодаря способностям к обучению и адаптации робототехнические системы искусственного интеллекта обладают большой гибкостью и могут быстро осваивать новые «профессии», автоматизируя соответствующие интеллектуальные функции человека.

2. Особенности использования интеллектуальных систем и систем искусственного интеллекта в приборостроении 2.1 Элементы искусственного интеллекта, применяемые в приборостроении Как уже упоминалось выше, интеллектуальные технологии находят всё большее применение в различных областях человеческой деятельности.

Использование интеллектуальных производственных систем позволило существенно повысить качество выпускаемой продукции за счёт автоматизации большинства операций, в том числе тех, которые до последнего времени считались мало пригодными для полной автоматизации, например, высокоточная наладка технологического оборудования. Современные адаптивные интеллектуальные системы позволяют автоматизировать практически любую стадию производства приборов и устройств. С другой стороны, стоимость такой автоматизации всё ещё довольно высока и экономическая эффективность внедрения той или иной интеллектуальной производственной системы требует тщательного изучения и обоснования.

Основной особенностью интеллектуальных производственных систем является то, что они оперируют со знаниями [13]. Таким образом, обычный программный технологический комплекс, оперирующий на прямую с деталями или заготовками, является низшим звеном интеллектуального производственного комплекса. Отсюда следует, что интеллектуальную производственную систему можно условно разделить на два модуля – «механический» и «интеллектуальный». Так называемый механический модуль отвечает непосредственно за процесс какого-либо физического воздействия на элементы приборов и устройств, тогда как задача интеллектуального модуля – управление и контроль процесса такого воздействия. Как правило, под механическим модулем понимается либо автоматизированный робототехнический комплекс, либо некая гибкая производственная система.

Устройство и особенности таких комплексов будут рассмотрены в следующих главах. Наиболее сложным элементом интеллектуальной производственной системы является её интеллектуальный модуль. Развитие интеллектуальных систем напрямую связано с прогрессом в области информационных технологий, темп развития которых постоянно увеличивается. Сама интеллектуальная производственная система состоит из нескольких элементов, каждый из которых является, по своей сути, отдельным направлением научных знаний.

Такими элементами являются:

-интеллектуальное программирование и интеллектуальный интерфейс;

-система адаптивного поиска логического вывода и языковые средства;

-система представления знаний и формирования понятий;

-система формирования адаптивных решающих правил;

-система логического анализа и распознавания сцен;

-система искусственного зрения и распознавания.

Одной из наиболее важных и дорогостоящих компонентов интеллектуальной производственной системы является алгоритмическое и программное обеспечение автоматического управления оборудованием. При его разработке речь идет о создании не отдельных алгоритмов и реализующих их программных модулей, а о сложных программных комплексах, включающих сотни тысяч команд. Для создания таких комплексов нужен труд десятков алгоритмистов и программистов. Отладка и сопровождение программного обеспечения в производственных условиях также требует значительных затрат.

В условиях частой смены выпускаемой продукции приходится непрерывно модифицировать алгоритмы и дополнять программные комплексы. По мере расширения областей применения интеллектуальной системы требуются все новые и новые комплексы алгоритмов и программ. Однако их разработка сдерживается не только трудоемкостью самого процесса алгоритмизации и программирования, но и дефицитом квалифицированных кадров. Последние не могут бросить ранее созданные ими программные комплексы и должны их «сопровождать». Все это говорит о том, что алгоритмическое и программное обеспечение становится одним из самых узких мест при разработке и эксплуатации интеллектуальной системы. Его стоимость зачастую превышает стоимость вычислительной техники, на базе которой строится система управления интеллектуальной технологической системой. В этом отношении показательны следующие данные. В США стоимость затрат на разработку программного обеспечения в 2004 г. составила около 40 млрд. долларов. Ожидается, что в 2010 г. она достигнет 125 млрд. долларов [19]. Отсюда следует, что при низких темпах роста производительности труда программистов к разработке алгоритмического и программного обеспечения интеллектуальных систем требуется привлечь большое число специалистов, которых еще предстоит обучить. Сегодня производительность ЭВМ на два порядка превышает производительность программиста при разработке программ. За время, когда производительность ЭВМ возросла в тысячу раз, производительность программиста увеличилась только в десять раз. Поэтому вопрос о разработке и совершенствовании алгоритмического и программного обеспечения для интеллектуальных систем приобретает все большую остроту.

Предлагаемые для его разрешения многочисленные рецепты, связанные с внедрением новых технологий программирования и специальных инструментальных систем, практически малоэффективны.

Одним из наиболее перспективных средств резкого ускорения процесса программирования является применение методов искусственного интеллекта. В рамках такого подхода ЭВМ применяется не только на этапе собственно программирования, т. е. синтеза и кодирования программ, но и в процессе постановки задач. Этот принципиально новый подход можно назвать интеллектуальным или концептуальным программированием. Его особенность заключается в том, что с самого начала программирование ведется в терминах и понятиях предметной области решаемых задач, например, в области приборостроения. Формализованные понятия далее используются для описания задач и автоматического синтеза программных комплексов их решения. Эти понятия, описания и программы представляют собой по существу машинное представление знаний, достаточных для решения некоторого класса задач. На их основе строится интеллектуальный банк знаний. Концептуальный подход позволяет переложить на ЭВМ значительную часть интеллектуальных операций, которые при традиционном программировании приходится выполнять специалистам. В результате удается резко повысить производительность программирования и, тем самым, высвободить значительное число программистов.

Алгоритмизацию и программирование адаптивных систем управления отдельных интеллектуальных производственных комплексов в целом можно рассматривать как своеобразный технологический процесс составления планов решения задач на ЭВМ. Достаточно детальные планы, записанные на понятном ЭВМ языке, составляют суть программного обеспечения с элементами искусственного интеллекта. Главным достоинством такого интеллектуального программного обеспечения является возможность автоматического синтеза программ для решения любой задачи из некоторого класса, сведения о котором хранятся в банке знаний. Для реализации этой возможности служат диалоговый процессор и специальная организующая программа — монитор. Последняя, в соответствии с заданной технологией, вызывает из банка знаний необходимые программные модули, снабжает их соответствующими исходными данными и текущей информацией, поступающей по каналам обратных связей, и «собирает» рабочий набор программ, обеспечивающий адаптивное управление интеллектуальным производственным комплексом в изменяющихся производственных условиях.

Интеллектуальные пакеты управляющих программ, использующие банки знаний, позволяют автоматизировать процесс программирования роботов и другого оборудования интеллектуальных производственных систем непосредственно под заданную технологическую задачу. При этом исходные данные задачи и сам технологический процесс, подлежащий реализации на данном интеллектуальном комплексе, могут быть заданы на естественном языке технолога, а не на алгоритмическом языке ЭВМ. По этим данным автоматически строится алгоритмическая модель технологического процесса, а по ней «собирается» рабочий набор программ адаптивного управления оборудованием интеллектуального технологического комплекса, реализующий заданный технологический процесс.

Совершенствование средств интеллектуального программирования постепенно избавляет технологов от рутинной работы по программированию движений роботов и другого оборудования интеллектуального производственного комплекса. Диалоговый процессор вместе с интеллектуальным монитором позволяет технологу описывать роботизированные технологические процессы на более высоком уровне и на более естественном языке, не прибегая к трудоемкому программированию в кодах ЭВМ. Таким образом, открывается реальная перспектива снять с технологов функции программистов. Для этого создаётся интеллектуальный технологический интерфейс, обеспечивающий общение технолога с управляющими ЭВМ на профессиональном языке. Для создания такого интерфейса необходимо, в свою очередь, разработать эффективные методы представления знаний, организации диалога и понимания естественного языка.

Эти методы относятся к области искусственного интеллекта и успешно реализуются на практике. Более подробно такие методы будут рассмотрены в последующих главах.

Таким образом, практическая значимость новой технологии организации интеллектуального человеко-машинного интерфейса заключается в том, что она обеспечивает прямой доступ к современным высокопроизводительным ЭВМ непрограммирующим специалистам (например, конструкторам или технологам). Для программирования интеллектуальной производственной системы достаточно ввести в банк знаний систему понятий, описывающих рассматриваемый класс технологических процессов, а затем в терминах этих понятий на естественном языке описать конкретное задание, возлагаемое на данный интеллектуальный комплекс. По этому описанию ЭВМ автоматически строит рабочую программу адаптивного управления интеллектуальным производственным комплексом, используя алгоритмы, хранящиеся в банке знаний.

2.2 Особенности представления знаний в интеллектуальных производственных системах Таким образом, все системы искусственного интеллекта являются системами, базирующимися на знаниях. Основными свойствами таких систем являются следующие.

1. Раздельное хранение знаний, представленных в символьной форме и компонентов обработки этих знаний.

Проведение четкой границы между знаниями самими по себе и формальными системами для их представления и обработки является обязательным для понимания основополагающей концепции обработки знаний. Именно такое разделение является первым шагам на пути демистификации понятия «Искусственный интеллект»

2.Системы могут делать выводы и принимать решеня на основании сохраненной информации, которая представляется в системах не явно, однако органически свойственна этим системам.

Типичным является то, что выводам систем, базирующихся на знаниях, присущ не детерминированный (не определенный) характер.

3. Системы обладают способностью к пояснениям, т.е должны быть в состоянии, по требованию вывести для пользователя понятную и ясную для него цепочку рассуждений (например: шагов резолюции). Способность к четкому пояснению является важным фактором, так как признание интеллектуальной системы пользователем по большей части зависит именно от качества данной способности к объяснению.

4. Способность к обучению, которая подразумевает, например, способность выводить новые знания на основании информации, полученной от пользователя (информация об удаче или неудаче прошедшего сеанса работы с программой).

Архитектура и основная концепция систем, базирующихся на знании, представлена на рис.2.1. Кроме того, на рисунке 2.1 представлен обмен вышеназванными свойствами посредством структуры функциональной взаимосвязи компонентов.

Рис. 2.1 Архитектура систем, базирующихся на знаниях (компонента) Интеллектуальные система разделяют следующие типы представленных знаний.

1. Специфические для данной области знания эксперта:

• содержание остается неизменным при использовании системы;

• изменение возможно посредством обучения системы.

2. Факты- знания о специальных случаях:

• пополняются за счет ввода знаний пользователем во время работы 3. Промежуточные и окончательные результаты:

• получаются посредством осуществления выводов на основании Принято различать следующие уровни представления знаний:

1) Уровень пользователя - проблемно-ориентированный;

2) Уровень, ориентированный на реализацию программной системы „tool“ориентированный (знания представленные на языке программирования системы, );

3) Системный уровень (биты) - имманентный системе (внутрикомпьютерное представление).

Для организации осмысленного диалога между человеком и ЭВМ и автоматизации решения интеллектуальных задач в процессе управления интеллектуальным производственным комплексом необходим специальный язык. Этот язык должен быть удобным средством формулировки заданий, представления знаний, поиска планов и принятия решений. Он должен также предоставить системе управления интеллектуальным производственным комплексом с элементами искусственного интеллекта необходимую основу для логических умозаключений. Благодаря способности рассуждать на своем внутреннем языке формул система управления сможет решать многие интеллектуальные задачи на самом высоком уровне.

Задачи ИИ не решаются с помощью «подгонки» к уже имеющимся понятиям. Они связаны с качественными, а не количественными проблемами, с аргументацией, а не вычислениями, с организацией общих объемов знаний, а не реализацией отдельного четкого алгоритма.

В соответствии с этим, язык представления знаний для систем ИИ должен удовлетворять следующим требованиям.

1. Обработка знаний, выраженных в качественной форме.

Демонстрация связи между элементами описываемой задачи и нашим собственным представлением и пониманием описываемой предметной области.

2. Логическое получение новых знаний из набора фактов и правил.

Язык ИИ должен обеспечить возможность рассуждения об абстрактных описаниях классов, объектов и состояний. Для этого система должна обладать правилами, которые позволяют ей делать логические выводы, исходя из имеющихся фактов.

3. Отображение общих принципов, наряду с конкретными ситуациями.

Введение использования переменных, посредством которых осуществляется обобщение. Переменные позволяют проецировать конкретные ситуации на общие понятия.

4. Передача сложных семантических значений, которая должна осуществляться за счет:

- использования семантических отношений для описания причинных связей между событиям и описания взаимодействия и способов соединения частей чего-либо, а такж представления необходимых планов решения с помощью последовательности элементарных действий, которые должны быть выполнены в определенном порядке;

- использования механизма наследования – это инструмент представления таксономической (классифицированной) структурированной информации, который гарантирует, что все члены класса обладают общими свойствами.

5. Рассуждение на метауровне.

«Осведомленность системы о своих знаниях» - это более высокий уровень знаний, называемый - метазнаниями. Метазнания необходимы для проектирования и адекватного описания интеллектуальных систем.

Интеллектуальная система (ИС) должна не только знать предмет, она должна также знать, что она обладает знаниями о предмете.

ИС должна быть способна решать задачи и объяснять эти решения.

ИС должна описывать свои знания как в конкретных, так и в обобщенных терминах, узнавать их ограничения и учиться в процессе взаимодействия с миром.

Проблемно-ориентированные знания могут быть представлены двумя способами.

1. Декларативное (дескриптивное) представление.

Идея представления знаний базируется на принципе того, что знание можно рассматривать независимо от того, как оно будет обрабатываться.

Знание и методы его обработки будут четко отделены друг от друга.

При этом данному способу представления свойственны следующие особенности:

- приобретение знаний сконцентрировано на содержании;

- сохранение только один раз вопреки тому, что применение осуществляется в различных контекстах;

- различные «модели» могут быть обработаны одной и той же машиной вывода;

- возможна модификация базы знаний без побочных эффектов;

- никакой эффективной обработки.

2. Процедуральное (императивное) представление.

Идея процедурального представления знаний подчеркивает аспект их обработки. При этом, к представляемым знаниям будут присоединены знания об их обработке (метазнания) явно или не явно и, таким образом, выше указанное четкое отделение, которое присуще декларативному представлению будет затерто.

Особенностями такого представления являются:

- эффективная обработка;

- плохая или практически отсутствующая возможность чтения, редактирования или интерпретации знаний.

2.3 Языки и модели представления знаний В интеллектуальных системах приборостроения наибольшее распространение получили следующие языки и модели представления знаний [7]:

1) язык исчисления предикатов первого порядка (логическая модель);

2) семантические или когнитивные сети;

4) продукционные правила.

При этом следует отметить, что применяемые декларативные (дескриптивные) формы представления часто расширяются за счет процедуральных (императивных) компонентов (рис. 2.2).

Для организации осмысленного диалога между человеком и ЭВМ и автоматизации решения интеллектуальных задач в процессе управления интеллектуальным производственным комплексом необходим специальный язык. Этот язык должен быть удобным средством формулировки заданий, представления знаний, поиска планов и принятия решений. Он должен также предоставить системе управления интеллектуальным производственным комплексом с элементами искусственного интеллекта необходимую основу для логических умозаключений. Благодаря способности рассуждать на своем внутреннем языке формул система управления сможет решать многие интеллектуальные задачи на уровне здравого смысла.

Рис. 2.2 Соотношение декларативных и процедуральных компонентов в моделях Для организации осмысленного диалога между человеком и ЭВМ и автоматизации решения интеллектуальных задач в процессе управления интеллектуальным производственным комплексом необходим специальный язык. Этот язык должен быть удобным средством формулировки заданий, представления знаний, поиска планов и принятия решений. Он должен также предоставить системе управления интеллектуальным производственным комплексом с элементами искусственного интеллекта необходимую основу для логических умозаключений. Благодаря способности рассуждать на своем внутреннем языке формул система управления комплексом сможет решать многие интеллектуальные задачи на самом высоком уровне.

Одним из основных инструментариев, которые используются для управления интеллектуальными технологическими комплексами, является так называемый язык предикатов или исчисление предикатов [12]. Исчисление предикатов является простейшим логическим языком, удовлетворяющим основным требованиям, предъявляемым к интеллектуальным производственным системам. На этом формальном языке можно записать многие предложения и утверждения естественного языка, что позволяет формализовать знания. В исчислении предикатов содержатся также процедуры (правила) поиска логического вывода. Это позволит придать ЭВМ способность логически рассуждать и строить умозаключения, необходимые для понимания смысла задания и решения возникающих интеллектуальных задач.

Исчисление предикатов содержит следующий экономный алфавит символов[12]:

1. Предметная область и термы. Объекты и понятия, которыми приходится оперировать при решении той или иной интеллектуальной задачи, относятся к некоторому множеству, называемому предметной областью.

Фиксированные элементы этой области называются предметными постоянными (константами). Переменные, принимающие значения из, называются предметными переменными. Предметные переменные, константы, а также функции от них называются термами.

2. Переменные высказывания и предикаты. Переменные, принимающие значения «истина» (И) или «ложь» (Л), называются переменными высказываниями. Функции, аргументы которых принимают значения из области, а сами функции принимают всего лишь два значения (И или Л), называются предикатами. Предикат, аргументами которого являются п предметных переменных, называется n-местным. Если п = 1, то предикат обычно определяет некоторое свойство предмета, если п 2, то предикат может выражать п-арное отношение между предметами.

Таким образом предикат указывает на отношение между несколькими объектами (в том числе нулевым числом объектов) в мире. Количество объектов связанных таким образом определяют арность предиката.

Предикат арности n однозначно отображает множество элементов n из области определения I в однозначно определяемое множество значений истинности.

3. Элементарные (атомарные) формулы. Высказывания и выражения вида А (), F (b,c), где A, F - предикаты, а, b, с - предметные переменные или константы, называются элементарными, или атомарными формулами.

Эти формулы (как высказывания, так и предикаты) всегда принимают лишь два значения: истинно или ложно, поэтому их можно связывать с помощью логических операций, образуя новые формулы.

4. Логические операции. К числу логических операций относятся конъюнкция & («И»), дизъюнкция V («или», «и/или»), отрицание («не», «неверно, что...»), импликация («если..., то...», «влечет»), эквивалентность («эквивалентно», «тогда и только тогда»). Эти операции определяются следующим образом: А В истинно тогда и только тогда, когда А и В имеют одинаковые значения; А В ложно тогда и только тогда, когда А истинно, а В ложно; А & В истинно тогда и только тогда, когда А и В истинны; А V В ложно тогда и только тогда, когда и А, и В ложны; А истинно тогда и только тогда, когда А ложно.

5. Скобки и кванторы. Кроме пяти упомянутых логических связок, в исчислении предикатов употребляются еще скобки ( ) и две новые операции ,, выражающие собой утверждения всеобщности и существования. Символ называется квантором всеобщности, а символ - квантором существования.

При этом, формулой исчисления предикатов называется конечная последовательность из символов, которая строится на базе элементарных (атомарных) формул путем перехода от формулы А к формулам типа А, А и от формул А и В к формулам типа А&В, АВ и т.д. Если в формуле А сделать замену переменных (как свободных, так и связанных), то полученное выражение снова будет формулой. Элементарная формула или ее отрицание, входящие в правильно построенную формулу, называются литерами, а дизъюнкция литер называется простым дизъюнктом. Если дизъюнкт не содержит никаких литер, то он называется пустым дизъюнктом и обозначается nil.

Язык логики предикатов содержит в себе всю алгебру высказываний, т. е.

элементарные высказывания, принимающие значения «истинно» или «ложно», логические операции и, следовательно, все мыслимые формулы. Кроме того, этот язык допускает переменные высказывания, отнесенные к произвольной предметной области. Благодаря этому формулам языка можно дать ту или иную интерпретацию, т. е. с содержательной (семантической) точки зрения формулы можно сделать осмысленными.

Одним из наиболее удобных средств поиска логического вывода является так называемый метод резолюций [11]. В основе этого метода лежит идея доказательства от противного. Она заключается в том, что вместо заданной формулы В, которая предполагается тождественно истинной, рассматривается ее отрицание В и доказывается противоречивость этой формулы. Процесс поиска логического вывода завершается, как только устанавливается справедливость некоторых альтернативных формул L и L. Полученное противоречие доказывает неудовлетворимость формулы В и, следовательно, тождественную истинность исходной формулы В.

Принцип резолюции в исчисление высказываний состоит в выборе двух дизъюнктов Di и Dj, в один из которых входит литера L, а в другой - ее отрицание L. Резольвентой называется новая формула R = Р V Q, получаемая из Di — Р V L и Dj = Q V (L) путем вычеркивания литер L и |L. Это соответствует применению правила «модус поненс» к рассматриваемым дизъюнктам. В исчислении предикатов принцип резолюций усложняется. В этом случае дизъюнкты зависят от переменных.

Пусть, например, Di = P () V L (), Dj = Q () V (L ( ())). Теперь уже нельзя вычеркнуть литеры L () и L ( ()), так как они зависят от разных переменных. Поэтому приходится подставлять вместо этих переменных подходящие термы. Так, подставляя в Di - вместо терм =(), получим Dt = Р ( ()) V L ( ()). Отсюда находим резольвенту R=Р(())VQ().

Получение очередной резольвенты в форме пустого дизъюнкта nil свидетельствует о том, что доказываемая формула В действительно логически следует из заданной системы формул.

Число резольвент, формируемых в процессе поиска логического вывода, конечно. Оно существенно зависит от выбора стратегии поиска, т. е. правила выбора дизъюнктов для синтеза очередной резольвенты. Большой практический интерес представляет оптимальная стратегия, позволяющая получить решение за минимальное число шагов. Синтез такой стратегии, связанный с нахождением кратчайшего пути на графе, наталкивается на значительные трудности. Поэтому разработано много эвристических стратегий, позволяющих сокращать число резольвент, необходимых для решения задачи.

Например, стратегия предпочтения одночленов или разного рода семантические и адаптивные стратегии [12]. В некоторых интеллектуальных задачах факт выводимости заданной формулы В (трактуемой как задание или вопрос) из системы формул (трактуемых как аксиоматическое описание знаний и накопленного опыта) оказывается недостаточным. Примером может служить задача планирования поведения манипулятора робота. В подобного рода задачах нужно знать тот ответный терм, при котором данная формула В() логически выводима из системы аксиом. Иными словами, нужно выяснить, следует ли логически формула В() из заданной системы аксиом и, если следует, то при каком значении переменной = это достигается.

Таким образом, именно умение отыскивать такие значения (ответный терм) для переменной, связанной квантором существования, позволяет ставить роботу вопросы общего характера и осуществлять диалог с ним. Например, если спросить у робота: «Какие действия и в какой последовательности нужно совершить, чтобы собрать из имеющихся деталей определенную конструкцию?», то ответом на этот вопрос должна быть не просто констатация факта, что сборка данной конструкции возможна, а робот должен предложить еще и развернутый план (технологический маршрут) сборки.

Описанные язык исчисления предикатов и методы поиска логического вывода представляют собой эффективное средство для автоматического решения широкого класса интеллектуальных задач. Этот логический язык, а также связанный с ним метод резолюций позволяют ЭВМ логически рассуждать и самообучаться. Первым этапом автоматического решения задач, требующих логического анализа, является формулировка этих задач в терминах исчисления предикатов. Для этого нужно, прежде всего, задать предметную область, т. е. совокупность относящихся к решаемой задаче объектов, и выделить их существенные свойства. Далее нужно, присвоив определенный содержательный (семантический) смысл предикатным и функциональным символам, формализовать данные и условия задачи в виде правильно построенных формул, удовлетворяющих рассматриваемой интерпретации. Эти формулы, описывающие условия задачи, называются аксиомами. Аксиомы можно рассматривать как концептуальное определение совокупности рассматриваемых объектов, их свойств и отношений между ними.

Формулировка задачи на языке исчисления предикатов - это один из наиболее ответственных этапов интеллектуального программирования. На этом этапе от инженера требуются глубокие знания существа решаемой задачи. Практически весьма важно, чтобы формулировка задачи (связанная с заданием системы аксиом и формулы цели) была, по возможности, простой. Эффективность поиска логического вывода можно увеличить путем уменьшения числа предикатов и аксиом, определяющих данные и условия задачи. С этой целью разумно использовать ранее доказанные формулы или ввести более сложные предикаты, образующие новые аксиомы, которые можно рассматривать как результат обучения в процессе решения задачи. Такие аксиомы, описывающие на языке исчисления предикатов приобретаемый опыт, можно назвать аксиомами обучения. Введение аксиом обучения позволяет увеличивать и улучшать знания о рассматриваемом классе задач в процессе их непосредственного решения. Таким образом, аксиомы обучения являются по существу средством представления новых знаний и уточнения старых.

При интеллектуальном программировании важную роль играют стратегии поиска логического вывода. Именно стратегия определяет, в каком порядке будут образовываться резольвенты и, следовательно, насколько быстро будет найдено решение задачи. Образно говоря, стратегия - это та активная часть, способная к обучению и адаптации, которая определяет машинный способ рассуждений в процессе решения задач. Она как бы подсказывает ЭВМ идею поиска логического вывода, исходя из заданной системы аксиом, в которой заключены необходимые для решения задачи знания. Если идея (стратегия) хороша, то решение будет найдено быстро. Весьма важно также, чтобы в системе аксиом были достаточно полно отражены не только необходимые сведения об условиях задачи, но и прошлый опыт решения задач.

Поскольку хорошие идеи (стратегии) часто имеют своим источником прошлый опыт и ранее приобретенные знания, то это наводит на мысль о целесообразности синтеза и использования адаптивных стратегий. Стратегия поиска логического вывода называется адаптивной, если она целенаправленно меняется (подстраивается) в процессе решения задач в зависимости от приобретаемого опыта [12]. Примерами простейших адаптивных стратегий могут служить семантические стратегии, в которых сначала выбираются термы, соответствующие наиболее интересным объектам, затем - предикаты, описывающие их свойства, и, наконец, формулы, содержащие эти свойства.

При синтезе адаптивных стратегий важную роль играет критерий предпочтения аксиом обучения (хранящихся в памяти ЭВМ наряду с исходной системой аксиом), который позволяет уменьшить исходную неопределенность относительно условий решения задачи. Использование аксиом обучения особенно эффективно в тех случаях, когда в них либо раскрывается неопределенность (т. е. содержится новая необходимая для решения задачи информация), либо запоминается в компактной форме часто встречающийся в рассматриваемом классе задач фрагмент решения. Таким образом, если в процессе решения очередной задачи потребуется вывести уже доказанную ранее формулу, то критерий предпочтения аксиом обучения сократит общее число шагов поиска логического вывода по крайней мере на длину вывода соответствующей аксиомы обучения.

Знание языка исчисления предикатов и связанных с ним средств поиска логического вывода является необходимым для решения задач автоматического формирования понятий, представления знаний, синтеза решающих правил, распознавания объектов и анализа сцен. В свою очередь, без решения этих задач невозможно осуществить внедрение элементов искусственного интеллекта в производственно-технологические системы.

Проблема формирования понятий и представления знаний играет важную роль не только при организации интеллектуального интерфейса, но и при разработке адаптивных систем распознавания для интеллектуальных производственных комплексов. Острая необходимость в эффективных методах решения этой проблемы возникает, например, при распознавании речевых команд, при анализе видеосцен и при моделировании окружающей среды в памяти управляющей системы комплекса.

Для формирования понятий и представления знаний, связанных с задачей распознавания, используется описанный выше язык исчисления предикатов.

При этом роль предметной области здесь играет множество объектов из М классов, а каждому классу объектов к, k - 1..... М, соответствует свой решающий предикат, представляющий собой характеристическую функцию класса к. В режиме обучения интеллектуальной производственной системе предъявляются типичные образцы объектов из разных классов. Например, в случае сборочного комплекса предъявляются детали, из которых нужно собрать изделие. При этом «учитель», в роли которого обычно выступает человек, сообщает системе, к какому классу каждый данный объект принадлежит.

Подмножество предъявленных «эталонных» объектов 0 называется обучающей выборкой. По обучающей выборке легко построить логическое описание всех эталонных объектов. Процесс построения аксиом классов (по мере предъявления интеллектуальному комплексу эталонных объектов) по сути представляет собой процесс формирования понятий интеллектуального производственного комплекса об объектах окружающей среды. Однако на практике ввиду ограниченности обучающей выборки построить такую идеальную систему аксиом обычно не удается. Поэтому в принципе возможны ошибки при распознавании объектов, не входящих в обучающую выборку.

Для оценки качества системы аксиом классов существует понятие экстраполирующей силы. Обычно качество системы аксиом классов оценивается либо на обучающей выборке, либо на контрольной выборке, если таковая имеется. Чем больше экстраполирующая сила, тем лучше сконструированная система аксиом, т. е. тем большую информацию о классах она несет.

Благодаря обучению понятиям интеллектуальный производственный комплекс приобретает способность к решению задач распознавания. Среди них наиболее важными в прикладном отношении являются такие задачи, как классификация речевых команд или идентификация дикторов, распознавания обычных яркостных или дальностных (т. е. полученных с помощью дальномера) изображений отдельных объектов и рабочих сцен, находящихся в поле зрения комплекса. Характерной особенностью ряда задач такого рода является то, что классы распознаваемых объектов инвариантны относительно той или иной группы преобразований. Многие традиционные методы формирования понятий основываются на построении их описаний в том или ином, заранее выбранном классе функций. Такие описания определяют в пространстве признаков поверхности, разделяющие классы. Решающие предикаты при этом строятся по обучающей выборке, а применяются к новым объектам. Поэтому весьма важно, чтобы решающие предикаты обладали высокой экстраполирующей силой не только на обучающей выборке, но и на всем множестве распознаваемых объектов. Требование высокой экстраполирующей силы решающих предикатов в общем случае трудно формализуемо. Однако для некоторых конкретных классов функций увеличение экстраполирующей силы связано с минимизацией сложности описаний. Так, при синтезе полиномиальных описаний решение задачи сводится к построению полиномов минимальной степени с минимальным числом членов в разложении, обеспечивающего безошибочную классификацию элементов обучающей выборки. Стоит также отметить, что принцип минимальной сложности был положен в основу синтеза адаптивных логических решающих правил и реализующих их оптимальных распознающих графов.

Таким образом, задача обучения понятиям сводится к построению по обучающей выборке идентифицирующих правил минимальной сложности в классе. При этом сложность может трактоваться по-разному. Следует отметить, что именно требование минимальной сложности, позволяющее строить наиболее простые и информативные идентифицирующие правила, отличает метод минимальной сложности от других методов формирования понятий, рассмотренных в работах [11,12].

Распознающие правила иногда удобно строить в виде ориентированного графа — разветвленного дерева решений. Узлам такого графа соответствуют некоторые предикаты-признаки; ветвям, исходящим из узла - возможные значения этих признаков. Все ветви заканчиваются листьями, которые ставятся соответственно номеру классов. Каждая ветвь, заканчивающаяся листом, содержит такую совокупность внутренних узлов, среди которых нет узлов, соответствующих одному и тому же значению предикатов. Распознающее правило, представленное в такой форме, называется последовательным распознающим правилом, а реализующий его граф типа «дерево классов»

распознающим графом. Процесс распознавания на таком «дереве классов»

представляет собой последовательное «раскрытие» узлов графа, т. е.

определение значений соответствующих предикатов на распознаваемом объекте. Любая ветвь на распознающем графе, соответствующая последовательности «раскрытых» узлов, приводит (с определенной вероятностью) к тому или иному классу. Задача синтеза последовательных логических распознающих правил и реализующих их графов минимальной сложности сводится к построению бинарно-древовидной дизьюнктивной формы, обладающей теми же свойствами, что и описанные выше оптимальные идентифицирующие правила. Таким образом, возникает последовательная разновидность ранее сформулированной задачи формирования понятий:

построить оптимальное распознающее правило, но не в классе дизьюнктивной формы, а в более узком классе бинарно-древовидных дизьюнктивных форм.

Совершенно аналогично формулируются задачи синтеза понятий в тех случаях, когда признаки являются не двузначными, а многозначными предикатами.

Достоинством оптимальных идентифицирующих и распознающих правил является гарантируемая ими высокая точность распознавания при весьма экономном логическом описании классов и представлении соответствующих понятий. Это приводит в ряде случаев к значительной экономии времени и средств (в частности, памяти системы управления интеллектуальным производственным комплексом), необходимых для распознавания различных классов объектов и ситуаций. Для представления знаний в классах объектов внешней среды в виде формул исчисления предикатов можно использовать либо информацию, заключенную в обучающей выборке, либо словесное описание классов.

Таким образом, система управления интеллектуальным комплексом, реализующая описанные выше логические средства формирования понятий и представления знаний, автоматически строит (по обучающей выборке или исходя из априорного описания классов) проблемно ориентированную систему аксиом классов, обладающую свойствами полноты, непротиворечивости и инвариантности. Получающаяся в результате аксиоматическая система понятий выступает как эффективное средство логического представления знаний о внешней среде в памяти управляющей ЭВМ комплекса.

В свою очередь, для распознавания классов ситуаций и принятия адекватных решений системе управления интеллектуальным производственным комплексом необходимо сформировать соответствующие решающие правила.

Рассмотрим общую схему и конкретные алгоритмы синтеза и оптимизации адаптивных логических решающих правил. Принцип минимальной сложности, лежащий в основе их синтеза, обеспечивает простоту реализации и высокую экстраполирующую силу. Благодаря этим качествам адаптивные решающие правила находят все более широкое применение в приборостроении, в частности, в интеллектуальных сборочных комплексах для адресования деталей на конвейерах.

Стоит также обратить внимание на связь синтезированных решающих правил с фреймами. При этом под фреймом следует понимать, прежде всего, ту минимально необходимую структурированную информацию, которая однозначно определяет данный класс объектов. Наличие фрейма позволяет относить объект к тому классу, который им определяется. Данное определение весьма точно выражает сущность синтезированных адаптивных логических решающих правил минимальной сложности. Поэтому сами эти правила и определяемые ими описания классов можно условно назвать логическими фреймами.

В общем случае фреймы представляют собой совокупность знаний о достаточно сложных объектах и ситуациях. Поэтому они содержат не только локальные сведения о конкретных объектах, которые можно представить с помощью логических описаний в терминах предикатов-признаков, но и знания о возможных действиях и условиях их применимости. Кроме того, фреймы содержат некоторые «дыры», называемые слотами, которые заполняются по мере конкретизации знаний в процессе решения задач.

2.4. Семантические сети Удобной формой записи фреймов являются семантические сети, дополненные описаниями возможных действий и условий их применимости.

Первоначально семантические сети использовались лингвистами для представления смысла текста естественного языка. В дальнейшем появилось много разновидностей таких сетей. Общим для них является то, что вершины сетей соответствуют некоторым объектам, а дуги - отношениям между соответствующими объектами. Иногда вершины представляют сложные отношения между объектами. В этом случае такие вершины соединяются дугами с теми объектами, которые связаны данным отношением. Часто для наглядности на дугах отмечается, какую роль играет каждый объект или отношение [7].

Важным достоинством семантических сетей является то, что представляемые ими знания хорошо поддаются обработке на ЭВМ. Это обеспечивается явным заданием связей между объектами и позволяет расшифровать смысл текста, заданного семантической сетью. Семантическая сеть может описывать класс объектов или ситуаций. В этом случае она имеет вид распознающего или идентифицирующего графа. Однако знания такого рода для интеллектуальной технологической системы носят фрагментарный характер. Они, как правило, недостаточны для организации целенаправленного функционирования производственного комплекса. Тем не менее, эти фрагментарные знания могут с успехом использоваться для синтеза правил поведения интеллектуальной производственной системы типа «класс ситуаций - действие». Такие правила - фреймы позволяют организовать целенаправленное адаптивное поведение интеллектуальной производственной системы в недетерминированной и изменяющейся производственной обстановке. Например, в технологической системе распознавания и адресования деталей на подвесном конвейере в качестве «класса ситуаций»

может использоваться аксиома класса деталей одного типа, а в качестве «действия» - сигнал на приводы стрелок ответвления, обеспечивающий адресование (и доставку) деталей другого класса на соответствующие позиции сборочного конвейера.

Адаптивный интеллектуальный технологический комплекс с элементами искусственного интеллекта должен обладать способностью анализировать окружающую производственную обстановку, распознавать целевые объекты (детали, инструменты и т. п.), идентифицировать препятствия. Для решения этих задач традиционные методы распознавания образов не приспособлены, а иногда и не пригодны.

Главная трудность связана с тем, что производственным комплексам обычно приходится иметь дело не с одним объектом, принадлежащим тому или иному классу, а с совокупностью объектов из разных классов. Другая трудность обусловлена сильной вариативностью объектов в поле зрения интеллектуального технологического комплекса. Так, например, могут сильно изменяться расстояния до окружающих объектов, ракурс, в котором они воспринимаются, условия освещения и т. д. Более того, одни объекты могут заслонять другие, затрудняя тем самым их распознавание. Поэтому от системы управления интеллектуальным технологическим комплексом требуется определенная активность и интеллектуальность, необходимые для преодоления охарактеризованных выше трудностей.

Немногочисленные известные алгоритмы анализа сцен ввиду своей эвристичности далеко не всегда приводят к успеху даже в очень упрощенных и стилизованных условиях распознавания. Значительный интерес для приборостроения представляют метод и системы инвариантного распознавания изображений, использующие в качестве видеодатчиков средства когерентной и некогерентной оптики. Однако и этому методу присущи определенные ограничения и недостатки. К ним относятся требование группового характера преобразований объектов на изображении сцены (что на практике выполняется далеко не всегда) и сложность выделения отдельных объектов путем вычисления их инвариантов. Имеются также хорошо зарекомендовавшие себя эвристические подходы к выделению отдельных объектов на сложной сцене без каких-либо попыток к их распознаванию. Так, в настоящее время существует ряд программ для ЭВМ, позволяющих выделять отдельные объекты на контурном изображении сцены путем предварительной разметки линий и выявления среди них граничных линий на основе анализа типа узлов. Как правило, такие программы используют сложные алгоритмы лингвистического анализа сложных (главным образом, контурных) изображений.

Принципиально иной подход к распознаванию сцен по их изображениям базируется на предварительном (в процессе обучения интеллектуальной системы) формировании понятий в виде аксиом классов с последующим выделением тех или иных объектов сцены посредством логического анализа и распознавания. Этот подход воплощен в рассматриваемом ниже адаптивном методе логического распознавания сцен, который нашёл широкое применение в современных интеллектуальных технологиях, применяемых при производстве приборов. Этот метод свободен от отмеченных недостатков: он позволяет сравнительно легко и просто с помощью ЭВМ преодолеть возникающие трудности.

Основная идея метода заключается, во-первых, в логическом представлении (в терминах предикатов-признаков) понятий, формируемых в процессе обучения интеллектуального производственного комплекса в виде проблемно-ориентированных аксиом классов, и, во-вторых, в организации процесса распознавания (включая режимы идентификации, классификации и анализа объектов сцены) с помощью алгоритмических средств поиска логического вывода. Метод хорошо приспособлен для реализации на ЭВМ, причем программирование логических алгоритмов формирования понятий и распознавания сцен удобно осуществлять как на языках высокого уровня (типа «С++), так и на языке логического программирования «ПРОЛОГ».

Управляющая система интеллектуального производственного комплекса, реализующая этот метод, обладает важным свойством: она легко дообучается новым понятиям и адаптируется к изменяющимся производственным условиям, что позволяет надежно распознавать на сцене как известные, но сильно преобразованные объекты, так и совершенно новые классы объектов.

В режиме обучения интеллектуальной технологической системе предъявляются в различных ракурсах эталонные объекты (например, детали или инструменты) из разных классов. При этом автоматически строятся описания классов в виде формул исчисления предикатов А1 (),..., Ам (), связывающих исходные предикаты-признаки и принимающих истинные значения по меньшей мере на элементах обучающей выборки. Структура, свойства и способы построения таких формул, называемых аксиомами классов, подробно описаны в следующей главе. Здесь остановимся только на одном важном свойстве этих аксиом — их инвариантности по отношению к заданной совокупности преобразований.

Дело в том, что на практике объекты из каждого класса часто отличаются только преобразованиями g из некоторой фиксированной совокупности преобразований G. В других случаях для порождения всех элементов некоторого класса к может оказаться недостаточно одного эталонного элемента из этого класса и может потребоваться некоторое множество «эталонов», соответствующее, например, существенно различным ракурсам восприятия объектов из данного класса. В подобных случаях естественно потребовать, чтобы интеллектуальный комплекс одинаково классифицировал объекты, отличающиеся допустимыми преобразованиями g из G. Поскольку конкретное преобразование g, подействовавшее на распознаваемый объект, обычно неизвестно, то РТК, по существу, является адаптивным по отношению к совокупности возможных преобразований.