Содержание к диссертации
Введение
ГЛАВА 1. ПОДХОДЫ К ПОДДЕРЖКЕ ИНЖЕНЕРНОГО АНАЛИЗА 11
1.1. Процесс инженерного анализа и его автоматизация 11
1.2. Задачи контактной механики. метод конечных элементов. 22
1.3. Рассуждения по прецедентам и их применение для
интеллектуальной поддержки инженерного анализа 34
1.3.1. Технология рассуждений по прецедентам 34
1.3.2. Формы представления прецедентов 35
1.3.3. Алгоритмы поиска и адаптации прецедентов 40
1.4. Цель и задачи исследования 43
ГЛАВА 2. МОДЕЛЬ ПРЕДСТАВЛЕНИЯ ЗНАНИЙ 45
2.1. Структура модели 45
2.1.1. Общая характеристика модели 45
2.1.2. Качественная модель физической системы 46
2.1.2.1.Общая характеристика качественной модели 46
2.1.2.2.Качественные переменные 47
2.1.2.3.Структурные элементы качественной модели 50
2.1.3. Описание прецедента инженерного анализа 53
2.1.4. Зависимости между параметрами , 58
2.2. Свойства модели. представимость в виде графа и онтологии. 61
2.2.1. Основные свойства модели 61
2.2.2. Представление модели с помощью онтологии 61
2.2.3. Представление модели в виде графа 82
2.3. Задачи рассуждений на модели 84
Выводы по главе 2 87
ГЛАВА 3. МЕХАНИЗМ РАССУЖДЕНИЙ. АЛГОРИТМЫ 88
3.1. ВЫБОР ПРЕЦЕДЕНТОВ 88
3 Л. 1. Общий подход к выбору прецедентов на основе близости графов 88
ЗЛ.2. Процедура сопоставления вершин графов 90
3.1.3. Оценка локальной близости двух вершин графов 98
3.2. АДАПТАЦИЯ ПРЕЦЕДЕНТОВ 108
3.2Л. Общий алгоритм адаптации , „Л08
3.2.2. Алгоритм проверки путей близости 118
3.3. Алгоритм проецирования критических точек переменных. 126
3.4. Основные свойства разработанных алгоритмов 133
Выводы по главе 3 135
ГЛАВА 4. АПРОБАЦИЯ МОДЕЛЕЙ И АЛГОРИТМОВ 138
4.1. Архитектура автоматизированной системы. аспекты реализации 138
4.2. Методика решения инженерной задачи с использованием автоматизированной системы 150
4.3. Процесс решения инженерной задачи. тестовый пример 152
4.4. Тестирование эффективности алгоритмов 168
Выводы по главе 4 169
ЗАКЛЮЧЕНИЕ 171
СПИСОК ЛИТЕРАТУРЫ 173
ПРИЛОЖЕНИЕ 1. СХЕМА ПРОЦЕССА ИНЖЕНЕРНОГО АНАЛИЗА 183
ПРИЛОЖЕНИЕ 2. АКТЫ ВНЕДРЕНИЯ РЕЗУЛЬТАТОВ
ДИССЕРТАЦИОННОЙ РАБОТЫ 190
- Процесс инженерного анализа и его автоматизация
- Качественная модель физической системы
- ВЫБОР ПРЕЦЕДЕНТОВ
- Архитектура автоматизированной системы. аспекты реализации
Введение к работе
Актуальность темы. Современные средства инженерного анализа технических решений опираются на мощный и постоянно развивающийся математический аппарат, основу которого составляют численные методы решения дифференциальных уравнений. Данный аппарат поддается эффективной автоматизации, модули инженерных расчетов являются неотъемлемыми частями систем CAE и САПР.
Однако обратной стороной мощности современного аппарата инженерных расчетов является его сложность. Процесс инженерного анализа включает ряд неалгоритмических задач (построение модели анализируемого объекта, выбор алгоритма и параметров расчета, интерпретация его результатов в терминах рассматриваемой проблемы), от решения которых решающим образом зависит точность и надежность полученных результатов.
Современные CAE и подсистемы инженерного анализа САПР эффективно реализуют большое количество расчетных методов, но практически не оказывают пользователю поддержки при выполнении неалгоритмических задач. Таким образом, задачи инженерного анализа требуют значительных материальных и трудовых затрат, а также привлечения высококвалифицированных специалистов.
Одним из способов уменьшения затрат на проведение инженерного анализа и снижение требований к квалификации инженера-расчетчика является организация интеллектуальной поддержки решения неалгоритмических задач инженерного анализа со стороны автоматизированной системы.
Реализация такой поддержки подразумевает разработку формального представления инженерных знаний и автоматизацию процесса рассуждений с использованием этих знаний. Проблемам представления знаний и автоматизации рассуждений посвящено большое количество работ в области искусственного интеллекта. Существенный вклад в развитие данного направления внесли Д.А. Поспелов, В.Н. Вагин, В.М. Курейчик, Г.С. Осипов, А.А. Зенкин, Волкова Г.Д., Петрова И.Ю., П. Уинстон, П. Джексон, Дж. МакКарти.
Важными особенностями процесса рассуждений в ходе инженерного анализа являются использование как качественной, так и количественной информации, а также использование накопленного опыта – знаний о ранее решенных задачах, аналогичных данной. Результаты изучения работ по исследованию характера знаний и процесса рассуждений в ходе инженерного анализа, включая работы Дж. Покожски, C. Фенвеса и др., позволяют выделить рассуждения по прецедентам и качественные рассуждения в качестве наиболее адекватных задачам интеллектуальной поддержки инженерного анализа технологий искусственного интеллекта. Большой вклад в развитие рассуждений по прецедентам внесли Д.Лик, Дж.Колоднер, А. Кинли, В.Н. Вагин и др., качественных рассуждений и качественного моделирования – Дж. де Клир, Б. Куйперс, Дж. Форбус, Б. Бредевег и др. Большая часть работ связана c применением указанных технологий для решения задач планирования и диагностики, в том числе в экономических, социальных, экологических предметных областях.
Существующие модели и алгоритмы не могут быть непосредственно применены для организации интеллектуальной поддержки задач инженерного анализа технических объектов на ранних этапах проектирования, так как последние обладают рядом специфических свойств: описание задачи инженерного анализа (прецедента) имеет сложную структуру, которая может существенно изменяться в зависимости от типа технического объекта и решаемой задачи; элементы поля знаний существенно различаются по степени формализации (ряд зависимостей между параметрами может быть выражен детерминированными алгебраическими соотношениями, другие – нечеткими экспертными правилами), необходимо учитывать качественные и количественные параметры.
Поэтому актуальной задачей является адаптация моделей и алгоритмов рассуждений по прецедентам и качественных рассуждений для реализации интеллектуальной поддержки инженерного анализа технических объектов.
Цель работы состоит в сокращении сроков и повышении качества результатов инженерного анализа на ранних этапах проектирования за счет организации интеллектуальной поддержки процесса решения инженерной задачи (на примере задач контактной механики, решаемых методом конечных элементов).
Для достижения данной цели были поставлены и решены следующие задачи.
-
Исследовать процесс решения задачи контактной механики методом конечных элементов с точки зрения возникающих неалгоритмических (основанных на знаниях) задач и характеристик используемых знаний, а также проанализировать средства и методы интеллектуальной поддержки данных задач.
-
Разработать модель представления знаний о прецедентах инженерного анализа объектов проектирования, включая знания о физических системах, инженерных задачах и методах их решения, а также зависимостях между параметрами задач и процедур решения;
-
Сформулировать для данной модели задачи выбора прецедента по запросу и задачи повышения релевантности выбранного прецедента путем его адаптации; разработать алгоритмы решения данных задач.
-
На основе разработанных моделей и алгоритмов спроектировать и реализовать макет автоматизированной системы интеллектуальной поддержки инженерного анализа для задач контактной механики и проверить ее работоспособность и эффективность.
Методы исследования. Для решения поставленных задач были использованы методы системного анализа, методы искусственного интеллекта, методы анализа бизнес-процессов, а также применялись положения теории объектно-ориентированного проектирования программных систем и теории проектирования реляционных баз данных
Научная новизна результатов, выносимых на защиту, заключается в следующем.
-
Предложена модель представления знаний о прецедентах инженерного анализа объектов проектирования, которая отличается от известных возможностями представления как количественных, так и качественных параметров с учетом их значимости через весовые коэффициенты. Применение элементов объектно-ориентированного подхода при реализации модели позволяет многократно использовать компоненты моделей для описания различных прецедентов.
-
На предложенной модели сформулирована задача поиска прецедента по запросу в виде задачи оценки близости графов и разработан алгоритм для ее решения, который отличается от известных использованием ряда эвристических приемов, обеспечивающих релевантность выбранного прецедента и скорость обработки запроса.
-
Для повышения релевантности найденного прецедента разработан алгоритм адаптации, который отличается от известных использованием знаний в форме как продукционных правил, так и путей близости с логическими операторами.
Практическая ценность полученных результатов.
1. Предложенные модели и алгоритмы реализованы в виде автоматизированной системы интеллектуальной поддержки решения задач контактной механики.
2. Создана тестовая база знаний. Проверена работоспособность автоматизированной системы при решении задач контактной механики; проведена оценка эффективности предлагаемых алгоритмов.
3. Предложенные модели и алгоритмы могут быть использованы в различных системах рассуждений по прецедентам, использующих их структурное представление.
Реализация и внедрение результатов. Макет автоматизированной системы интеллектуальной поддержки решения контактных задач внедрен в «ОАО ТПР «ВгТЗ» и ООО «ВЗБТ». Его использование позволяет сократить сроки проведения и повысить качество результатов инженерного анализа.
Апробация работы. Основные результаты работы докладывались и обсуждались на: международной конференции «Информационные технологии в образовании, технике и медицине», Волгоград, 2004; VIII региональной конференции молодых исследователей Волгоградской области, Волгоград, 2004; международном симпозиуме “Methods of Artificial Intelligence AI-METH 2005”, Gliwice, Польша, 2005; XXXIII международной конференции «Информационные технологии в науке, образовании, телекоммуникации и бизнесе, Гурзуф, Украина, 2006, международной конференции «Интеллектуальные системы» AIS-2006, Дивноморское, 2006.
Публикации. По теме диссертации опубликовано 14 печатных работ, в том числе 5 публикаций в изданиях из перечня ведущих научных журналов ВАК, 4 статьи в сборниках научных трудов, 5 тезисов докладов конференций.
Процесс инженерного анализа и его автоматизация
Процесс проектирования технического объекта представляет собой итерационную последовательность двух основных этапов [44]:
1. синтез технического решения в соответствии с заданными функциональными требованиями;
2. анализ технического решения для проверки удовлетворения заданным ограничениям.
Ряд задач первого этапа, включая подготовку чертежей и технической документации, организацию совместной работы проектных коллективов и др. эффективно автоматизируется в современных САПР [31, 104]. При этом основная задача первого из этапов - синтез технического решения - является неалгоритмической задачей, основанной на знаниях. В связи с этим подходы к автоматизации этой задачи широко используют средства искусственного интеллекта (ИИ). Имеется широкий спектр работ по применению в данной области всех основных технологий ИИ, включая:
- экспертные системы (ЭС), основанные на модели представления знаний предметной области [14];
- системы, основанные на рассуждениях по прецедентам (РПП) [95];
- нейронные сети [88].
ективность данных попхопов различается в зависимости от ,,г,о"
новизны синтезируемого технического решения [44] (физический принцип действия, конструктивная реализация, определение параметров), а также области инженерной деятельности. В целом наиболее перспективным и широко применимым подходом представляются РПП [68]. Это обусловлено следующими факторами:
- поле знаний в области инженерной деятельности, включает как разнопла
новые элементы специализированных знаний, так и существенную долю знаний, относимых к здравому смыслу [70], что затрудняет построение полноценных моделей представления знаний в данной области и, соответственно, применение основанных на них ЭС;
- применение систем, основанных на нейронных сетях, в основном ограничено задачами уровня определения количественных параметров [88];
- результаты ряда исследований [77, 79 и др.] характера и видов знаний, используемых в процессе инженерной деятельности, указывают на ведущую роль знаний об успешно решенных задачах (аналогах, прототипах проектируемых объектов), используемых при решении текущей задачи на основе отношения аналогии, что в полной мере соответствует концепции Р1111.
Имеется ряд работ, связанных с интеллектуальной поддержкой проектирования на основе РГШ. Концепция интеллектуального персонального ассистента (Intelligent Personal Assistant, IPA) для поддержки задач проектирования, представленная в [109], основана иа применении РПП в рамках лабиринтной модели процесса синтеза технического решения, рассматриваемого как задача многокритериальной оптимизации. Проектировщику предоставляется возможность повторного использования элементов технического решения как из совокупности уже сформированных его версий (истории текущего проекта), так и других аналогичных проектов. При этом знания о технических объектах представляются всей совокупностью технической документации (чертежей, спецификаций и т.д.). В [126] представлены подходы к поиску и повторному использованию проектных решений, основанные на языковом моделировании. Знания о технических объектах и проектных решениях представлены в текстовом виде, что обуславливает реализацию РПП с использованием методов языкового моделирования (основанных на тезаурусе предметной области) и поиска информации (information retrieval, TR).
Качественная модель физической системы
В соответствии с результатами анализа предметной области и выбранного механизма рассуждений интеллектуальной системы (глава 1), модель представления знаний должна содержать знания о физических системах, или технических объектах (механизмах, узлах, деталях), включая их типы (классы), параметры, пространственные, структурные и функциональные отношения между ними, знания о задачах инженерного анализа и способах их формализации, а также методах и процедурах их решения.
В терминах предлагаемой модели прецедент инженерного анализа представляет собой совокупность описания физической системы (технического объекта), поставленной для нее инженерной задачи, формализации данной задачи и примененной процедуры решения. Модель физической системы является центральным элементом описания прецедента инженерного анализа, определяющим его компонентную структуру. Каждому из его компонентов сопоставляется компонент описания инженерной задачи (подзадача), ее формализации (формальная подзадача) и процедуры решения. Для этих компонентов могут быть указаны соответствующие параметры и классы.
Важным компонентом модели являются также знания о зависимостях между параметрами технического объекта, задачи и процедуры решения, которые обуславливают выбор того или иного типа решения и его параметров. Данные знания используются в ходе адаптации решения в рамках процедуры рассуждений по прецедентам.
Таким образом, разработанная модель предметной области М включает: 1, Множество прецедентов инженерного анализа, каждый из которых включает:
1.1. модель физической системы (технического объекта), для которой поставлена и решена задача инженерного анализа;
1.2. описание поставленной задачи инженерного анализа;
1.3. описание соответствующей формальной контактной задачи;
1.4. описание использованной процедуры решения,
2. Множество зависимостей между параметрами компонентов 1.1-1.4.
Ы = {СЕ, DP}, где СЕ - множество прецедентов, DP - множество зависимостей. Формально описание прецедента се є СЕ представлено как се = {пт, qm, ер, ср, si, V}, где пт - наименование прецедента, qm - физическая система, ер - инженерная задача, ср - формальная контактная задача, si - процедура решения, V -множество параметров прецедента.
Ключевые элементы модели - модель физической системы qm, прецедент се и зависимости DP - рассмотрены далее.
ВЫБОР ПРЕЦЕДЕНТОВ
Как отмечено в п. 1.3, известен алгоритм оценки близости экземпляров онтологии [83], включающий ряд эффективных и специфических для онтологии процедур оценки близости ее элементов, однако он не может быть непосредственно применен для решения указанной задачи в силу ряда ограничений, в частности, неэффективного учета топологических свойств онтологии. Топологические ются рядом алгоритмов оценки близости графов, отмеченных в п. 1.3, однако для работы с онтологиями данные алгоритмы должны быть модифицированы. Таким образом, разработанный подход к оценке близости фрагментов онтологии включает:
1. представление сравниваемых фрагментов онтологии в виде маркированных ориентированных взвешенных графов с учетом особенностей разработанной МПЗ, которой принадлежат данные фрагменты;
2. разработку алгоритма сравнения графов, являющегося реализацией мета-алгоритма [74]; ключевым элементом практической реализации данною мета-алгоритма является процедура оценки локальной близости вершин графов;
3. разработку процедуры оценки локальной близости вершин, графов, основанной на модификациях оценок близости экземпляров онтологии [83]. Представимость модели в виде маркированного ориентированного взвешенного графа G, структура и свойства данного графа рассмотрены в п. 2.2.2. Исходя из этого, задача оценки близости запроса и прецедента может быть сформулирована как задача сравнения двух графов G1 и G2.
Алгоритм сравнения графов G1 и G2 включает следующие основные этапы:
1. построение сопоставления Р множеств N(G1) и N(G2) вершин графов (сопоставление ребер однозначно следует из сопоставления вершин);
2. расчет оценки близости графов по заданному сопоставлению их вершин Р.
Архитектура автоматизированной системы. аспекты реализации
Макет автоматизированной системы интеллектуальной поддержки инженерного анализа контактных задач ISFEA (далее - АС ИП) разработан с использованием технологии объектно-ориентированного анализа и проектирования и языка моделирования TJML, Для реализации выбрана платформа .NET и язык С#, которые благодаря наличию богатого набора библиотек и сервисов для типовых задач, а также эффективных инструментальных При проектировании АС ИП применена трехуровневая архитектура «Данные - Логика - Интерфейс», считающаяся наиболее адекватной для разработки расширяемых и масштабируемых приложений [ ]. Благодаря наличию совокупностей специализированных классов, представляющих интер поддержки пользовательского интерфейса» на рис. 4.1), данная архитектура позволяет обеспечить взаимную независимость реализации данных уровней, предоставляя возможности как быстрого макетирования системы, так и дальнейшего развития макета в полноценное бизнес-приложение.
В частности, предусмотрено по два варианта реализации хранилища данных (онтологии) и реализации пользовательского интерфейса системы.
Предусмотрена реализация Веб-интерфейса на основе технологии ASP.NET и Windows-интерфейса с использованием Windows Forms. Первый вариант позволяет предоставить широкий доступ инженерны ЇЇ ntij-niunvi коллективам к наполнению и использованию коллекции прецедентов инженерного анализа, а также соответствует требованиям переносимости и интегрируемости, предъявляемым к современным бизнес-приложениям. В то же время второй вариант более подходит для прототипирования системы благодаря эффективной поддержке современными средствами разработки приложений (в частности, MS Visual Studio Express), поэтому он был выбран для реализации макета АС ИП.
Предусмотрена реализация хранилища данных с использованием XML документов в формате RDF с организацией доступа при лимищи UHUJJMUTCR Protege OWL или с использованием реляционной СУБД MS SQL Server с организацией доступа по технологии ADO.NET. Первый вариант предоставляет более широкие возможности использования стандартных механизмов логического вывода описательной логики для оптимальной реализации алгоритмов механизма рассуждений системы, однако при разработке макета АС ИП был выбран второй вариант как существенно более простой для реализации.
Концептуально АС ИТТ состоит из следующих основных модулей: база знаний, подсистема работы со знаниями, подсистема интеллектуальной поддержки.
База знаний, построенная на основе разработанной модели представления знаний о предметной области, реализует типовую функциональность хранения и проверки целостности данных и знания системы в рамках диссертационного исследования, так и дальнейшего ее развития в промышленное бизнес-приложение любого масштаба. Общая архитектура АС ИП представлена на рис. 4.1
