ИНТЕЛЛЕКТУАЛЬНЫЕ МЕХАТРОННЫЕ СИСТЕМЫ

Исследования в области искусственного интеллекта (ИИ) развернулись одновременно с началом промышленного использования ЭВМ. Сам термин "искусственный интеллект" впервые появился в конце 60-х гг. Искусственный интеллект (англ. - artificial intelligence) – это искусственные программные системы, созданные человеком на базе ЭВМ и имитирующие решение человеком сложных творческих задач в процессе его жизнедеятельности. По другому аналогичному определению, "искусственный интеллект – это программы для ЭВМ, с помощью которых машина приобретает способность решать нетривиальные задачи и задавать нетривиальные вопросы".

Различают два направления работ, составляющих искусственный интеллект (ИИ). Первое из этих направлений, которое можно условно назвать бионическим, имеет своей целью смоделировать деятельность мозга, его психофизиологические свойства, чтобы попытаться воспроизвести на ЭВМ или с помощью специальных технических устройств искусственный разум (интеллект).

Второе (основное) направление работ в области ИИ, называемое иногда прагматическим, связано с созданием систем автоматического решения сложных (творческих) задач на ЭВМ без учета природы тех процессов, которые происходят в человеческом сознании при решении этих задач. Сравнение при этом осуществляется по эффективности результата, качеству полученных решений. Созданные в рамках этого направления системы ИИ позволяют доказывать математические теоремы, переводить тексты с одного языка на другой, диагностировать болезни, умело играть в шахматы и другие интеллектуальные игры. Новое поколение роботов, наделенных ИИ, обладает такими "интеллектуальными" способностями, как способность обучаться, приспосабливаться к изменениям внешней среды, "осмысленно" имитируя поведение человека.

Несмотря на различия предметной области (т.е. сферы применения) систем ИИ, можно выделить некоторые общие принципы их построения и функционирования. Прежде всего, отметим, что процесс мышления человека обладает рядом характерных особенностей:

1. Существует цель, т.е. тот конечный результат, на который направлены мыслительные процессы человека ("цель заставляет человека думать").

2. Человеческий мозг хранит огромное число фактов и правил их использования. Для достижения определенной цели надо только обратиться к нужным фактам и правилам.

3. Принятие решений всегда осуществляется на основе специального механизма упрощения, позволяющего отбрасывать ненужные (малосущественные) факты и правила, не имеющие отношения к решаемой в данный момент задаче, и, наоборот, выделять главные, наиболее значимые факты и правила, нужные для достижения цели.

4. Достигая цели, человек не только приходит к решению поставленной перед ним задачи, но и одновременно приобретает новые знания. Та часть интеллекта, которая позволяет ему делать соответствующие заключения (выводы) на основании правил, отобранных механизмом упрощения, и генерировать новые факты из уже существующих, называется механизмом (или машиной) вывода (inference machine).

Так, типовая схема решения математической задачи часто выглядит следующим образом. Выбираются неизвестные величины, подлежащие определению. На основании анализа условий (ограничений), содержащихся в исходной формулировке задачи, составляется система уравнений, связывающих указанные неизвестные. Далее, применяя какой-либо из стандартных методов решения полученных уравнений, находим искомое решение задачи. Заметим, что, решив один раз конкретную задачу по описанной схеме, мы решим (и гораздо быстрее) другую подобную (и даже более сложную) задачу, отличающуюся значениями исходных данных, числом неизвестных, формой представления условий и т.д.

Поскольку система ИИ принимает решения аналогично тому, как это делает человек, то она должна включать в себя следующие ключевые элементы – цели, факты и данные, правила, механизмы вывода и упрощения.

Все эти компоненты системы ИИ показаны на рис. 1.1. На этом же рисунке выделена база знаний, которая содержит всю располагаемую информацию о внешнем мире (моделях решаемых задач). Условно она может быть разделена на три части (или области), называемые базой целей, базой правил и базой данных. Первая область содержит информацию о целях, для достижения которых предназначена система ИИ. Вторая область включает в себя сведения, которые отражают закономерности, характерные для решаемого класса задач. Это правила, механизмы упрощения и вывода, которые позволяют не только выводить новые факты, не зафиксированные ранее в базе данных, но и приобретать новые знания в ходе функционирования системы или на этапе ее обучения. В третьей области содержатся в некотором упорядоченном виде качественные данные, необходимые для решения задачи. В силу той особой роли, которую играет база знаний в процессе формирования решений, системы ИИ нередко называют системами, основанными на знаниях (knowledge-based systems).

Взаимодействие системы ИИ с человеком-оператором (пользователем системы) и набором датчиков (сенсоров), поставляющих текущую информацию о состоянии внешней среды, при этом осуществляется с помощью специальных аппаратно-программных средств (интерфейса).

Интерфейс также может выполнять интеллектуальные функции, обеспечивая общение с человеком на естественном языке, восприятие символьной и графической информации, сжатие и предварительную обработку результатов измерений и т.д.

Рис. 1.1. Компоненты системы ИИ

Заметим, что построение универсальной системы ИИ, охватывающей все предметные области, является невозможным, так как это потребует бесконечного числа фактов и правил. Более реальной является задача создания таких систем ИИ, которые предназначены для решения задач в узко очерченной, конкретной проблемной области.

Такие системы, использующие опыт и практические знания экспертов-специалистов в данной предметной области, называются экспертными системами (expert systems). Применение экспертных систем оказывается чрезвычайно эффективным в самых различных областях человеческой деятельности (медицина, геология, электроника, нефтехимия, космические исследования и т.д.). Это объясняется рядом причин:

1) появляется возможность решения ранее не доступных, плохо формализуемых задач с привлечением нового, специально разработанного для этих целей математического аппарата (семантических сетей, фреймов, нечеткой логики и т.д.);

2) создаваемые экспертные системы ориентированы на их эксплуатацию широким кругом специалистов (конечных пользователей), общение с которыми происходит в диалоговом режиме, с использованием понятной им техники рассуждений и терминологии конкретной предметной области;

3) применение экспертной системы позволяет резко повысить эффективность решений, принимаемых рядовыми пользователями, за счет аккумуляции знаний в экспертной системе, в том числе знаний экспертов высшей квалификации.

Суть организации экспертной системы (как человеко-машинной) можно условно показать с помощью представленной на рис. 1.2 структурной схемы. Экспертная система включает базу знаний и подсистемы: общения, объяснения, принятия решений, накопления знаний. Через подсистему общения с экспертной системой связаны: конечный пользователь; эксперт - высококвалифицированный специалист, опыт и знания которого намного превосходят знания и опыт рядового пользователя; инженер по знаниям, знакомый с принципами построения экспертной системы и умеющий работать с экспертами в данной области, владеющий специальными языками описания знаний.

Пользователь обращается к системе за советом по своей конкретной проблеме, сообщая ей имеющиеся в его распоряжении данные и возможные гипотезы (альтернативные варианты решений). Эксперт передает системе свои знания по исследуемой частной проблеме, а также общепринятые факты и правила вывода. Инженер по знаниям действует в данном случае в качестве посредника между экспертом и системой, помогая первому закодировать свои знания и проверяя работу законченной экспертной системы.

Рис.1.2. Структура экспертной системы

Одна из новых сфер применения экспертных систем – задачи управления сложными техническими объектами и процессами. Заметим, что традиционный подход к проектированию систем автоматического управления (САУ) сводится к выбору таких алгоритмов управления объектом (часто в рамках некоторых стандартных, например, ПИ (ПИД) - законов управления), которые обеспечили бы заданные требования к качеству установившихся и переходных режимов работы в условиях действия возмущений. Математическая модель объекта (процесса) при этом считается известной, что позволяет использовать на стадии синтеза алгоритмов управления (регулятора) хорошо разработанные методы оптимизации. Требования к качеству процессов управления задаются или в виде желаемых значений показателей качества САУ (порядок астатизма, время регулирования, перерегулирование и др.) или же в виде некоторых функционалов качества, подлежащих оптимизации.

В основе данного подхода лежит убеждение в том, что поведение любого объекта и системы можно достаточно точно описать математически, с помощью количественных зависимостей. Даже в тех случаях, когда речь идет о проектировании адаптивной САУ, математическая модель объекта управления, как правило, записывается в виде системы дифференциальных уравнений, включающих в себя, помимо переменных входа, выхода и состояния объекта, также источники «неопределенностей» (т.е. параметрические, сигнальные или структурные возмущения), удовлетворяющие определенным ограничениям. Вместе с тем выбор такой модели нередко производится на основе упрощенных представлений разработчика о функционировании системы, его стремлении подогнать результаты синтеза под имеющиеся модели и инструментальные средства проектирования, получить не "хорошую" систему, а "удобную" процедуру синтеза.

Очевидно, что применение экспертных систем, аккумулирующих знания и опыт экспертов-специалистов в данной предметной области, позволяет существенно повысить качество проектируемых систем управления. Возможны два варианта использования экспертных систем:

1) в качестве "советчика" на этапе проектирования САУ (режим off-line), предлагающего к рассмотрению большое число вариантов (альтернатив) построения регулятора и поясняющего преимущества или недостатки тех или иных решений;

2) включив ее непосредственно в контур управления объектом (процессом) и используя в режиме реального времени (on-line) в качестве "экспертного регулятора" (или "экспертно-управленческой" системы), заменяя, таким образом, традиционные цифровые регуляторы или дополняя их.

Если в первом из этих случаев проблема построения экспертной системы сводится к проблеме "инженерии знаний" (knowledge engineering), т.е. накопления, обобщения знаний экспертов и представления их в наиболее наглядной и удобной для пользователя форме, то цели и функции экспертной системы во втором случае уже совершенно иные.

На "экспертный регулятор" здесь возлагается задача оценки текущего состояния системы на основе информации, поступающей от датчиков, и выбора наиболее подходящей в данный момент стратегии управления, так же, как это делал бы опытный человек-оператор, хорошо представляющий себе особенности управления данным конкретным объектом или процессом. Системы управления 2-го типа, построенные на основе экспертных регуляторов, имитирующих действия человека-оператора в условиях неопределенности характеристик объекта и внешней среды, называются интеллектуальными системами управления (intelligent control systems).

Согласно другому аналогичному определению, интеллектуальной системой управления (ИСУ) является такая, которая обладает способностью понимать, рассуждать и изучать процессы, возмущения и условия функционирования. К изучаемым факторам при этом относятся, главным образом, характеристики процесса (статическое и динамическое поведение, характеристики возмущений, практика эксплуатации оборудования). Желательно, чтобы система сама накапливала эти знания, целенаправленно используя их для улучшения своих качественных характеристик.

Чтобы лучше понять принципы функционирования этих систем, рассмотрим возможную структуру ИСУ (рис. 1.3), предназначенной для управления гибкой производственной системой (ГПС) .

Гибкая производственная система (flexible manufacturing system) – это такой тип системы, которая объединяет совместно функционирующую в едином производственном процессе группу станков (или рабочих станций), управляемых с помощью ЭВМ и легко переналаживаемых под выпуск широкой номенклатуры изделий. Управление ГПС имеет свои особенности – частая смена заказов на выпуск продукции, большой объем перерабатываемой информации, динамически изменяющаяся внешняя среда.

Интеллектуальная система управления (рис.1.3) обеспечивает принятие рациональных, обоснованных решений по управлению ГПС на этапах планирования, выпуска конечной продукции и контроля за ходом производства.

Рис.1.3. Структура интеллектуальной системы управления ГПС

В функции системы управления при этом входят: сохранение нужного состава деталей в системе; выбор последовательности операций по их управлению; распределение работ по станкам; размещение деталей в накопителях в процессе обработки; выбор транспортных средств для перевозки материалов; управление их движением и т.д.

Указанные задачи решаются в режиме прямого цифрового управления (on-line) с помощью специализированной ЭВМ, на которую возлагаются также функции по сбору информации о планируемых заказах, фактическом их исполнении, эффективности функционирования ГПС и по управлению вводом и выводом данных.

Экспертная система играет важную роль в процессе принятия решений, выполняя функции "интеллектуальной" обратной связи. В качестве основных модулей (компонент) в состав экспертной системы входят:

- модуль прогнозирования входных воздействий (МПВ), отвечающих за выполнение прогнозов тех внешних переменных, которые определяют требованиями производства и оказывают непосредственное влияние на график прохождения деталей, использование оборудования и т.д.;

- модуль анализа состояния системы (MAC), обеспечивающий моделирование поведения ГПС на основе входов, предсказанных МПВ, начального состояния системы и фиксированных параметров стратегии (т.е. способа) управления ГПС;

- модуль назначения стратегии (МНС), отвечающий за выбор наиболее пригодных для данной конкретной ситуации альтернатив из имеющегося множества стратегий управления:

- модуль выбора параметров стратегии (МПС), предназначенный для выбора конкретных значений параметров (числовых показателей), определяющих ту или иную стратегию управления.

Взаимодействие перечисленных выше компонент в составе ИСУ показано на рис. 1.4. В процессе работы данной системы используются как; формализованные, математические, методы (временного сглаживания, статистического прогнозирования, распознавания образов, поисковые методы оптимизации и др.), так и специфические, качественные, знания (know-how), полученные путем обработки мнений экспертов и накопленные в базе знаний. Последние включают в себя результаты, касающиеся реакций производственной системы на отдельные комбинации входных воздействий. Для определения частной стратегии управления применяется механизм логического вывода, т.е. набор определенных правил принятия решений с использованием накопленной информации о функционировании ГПС.

Рис.1.4. Взаимодействие компонент ИСУ

Данная интеллектуальная система управления быстро реагирует на изменения условий производства (очередности и размеров заказанных партий деталей, количества исправных станков, износа инструмента и т.п.), адаптируясь к указанным возмущениям, изменяя логику своей работы и сокращая в конечном итоге суммарное время изготовления деталей и запасы незавершенного производства.

Отмеченные преимущества ИСУ обуславливают широкий интерес со стороны специалистов к методам их проектирования и практической реализации. Возникает ряд вопросов, которые имеют важное значение для понимания сути процессов, протекающих в этих системах, и разработки алгоритмов их функционирования:

1. Существует ли формальный математический аппарат, пригодный для работы с нечеткими, качественными понятиями и суждениями экспертов, сформулированными ими на естественном языке?

2. Возможно ли с помощью данного математического аппарата построение специального механизма логического вывода? Насколько формализованными являются соответствующие процедуры принятия решений, каковы особенности их реализации в задачах управления?

3. К чему сводятся инженерные методики синтеза нетрадиционных алгоритмов управления сложными объектами, основанных на имитации механизмов поведения опытного человека-оператора (эксперта) в сходных ситуациях, в противовес классическим методам, базирующимся на использовании точных математических моделей?

4. Какова область наиболее эффективного применения интеллектуальных систем управления, разработанных с использованием соответствующих методик и алгоритмов? В чем перспектива их развития?

Ответы на эти вопросы даны в следующих лекциях.