Содержание к диссертации
Введение
Глава 1. Анализ современных методов и средств обучения проектной деятельности САПР 14
1.1. Основные понятия и системный подход в автоматизированном проектировании 14
1.2. Особенности обучения автоматизированному проектированию 16
1.2.1. Специфика обучения современной проектной деятельности 16
1.2.2. Компетентностный подход 20
1.2.3. Модель компетенций инженера 25
1.3. Методы и средства обучения САПР 29
1.3.1. Методы организации обучения САПР на предприятии 29
1.3.2. Классификация АОС по типу обучаемых задач 30
1.3.3. Виды контроля знаний, применяемые в АОС САПР 33
1.3.4. Типы тестов для оценки проектных характеристик обучаемого инженера 34
1.3.5. Диалоговая помощь в обучении проектной деятельности 36
1.3.6. Обучение имитационному моделированию устройств 38
1.3.7. Стандарт представления учебного материала SCORM-2004 в АОС САПР 41
1.4. Обзор обучающих систем в современных пакетах САПР 44
1.5. Постановка задачи 60
1.6. Выводы 63
Глава 2. Разработка и исследование моделей АОС САПР 65
2.1. Парадигмы архитектур АОС САПР 65
2.1.1. Объектно-ориентированная парадигма 65
2.1.2. Компонентно-ориентированная парадигма 66
2.1.3. Сервисно-ориентированная парадигма 66
2.2. Модели построения АОС САПР 67
2.3. Анализ моделей сценария 68
2.3.1. Одноресурсная сеть Петри как модель сценария (модель по работе Доррера и Рудакова[68]) . 69
2.3.2. KFS-граф модель сценария обучения[85, 86] 71
2.3.3. Модель сценария на основе семантической сети (модель по работе Башмакова и Рабиновича[53]) 74
2.3.4. Орграфовая модель сценария (модель последовательности обучения [71, 72]) 78
2.3.5. Информационно-логическая модель учебного материала (модель по работе Башмаковых[51]) . 81
2.3.6. Древовидная графовая и орграфовая модели учебного материала[106] 85
2.4. Модели обучаемого инженера 91
2.4.1. Многоуровневая сетевая модель[102] 91
2.4.2. Модель обучаемого инженера (модель по работе Зайцевой [71]) 92
2.5. Разработка модели предметной области 93
2.5.1. Порождающие паттерны модели CADModel . 104
2.5.2. Адаптация модели CADModel для конструкторской САПР 107
2.5.3. Паттерны компоновки, размещения и трассировки 109
2.5.4. Паттерны изготовления физических деталей в САПР КОМПАС 113
2.5.5. Растановка весов в модели CADModel 114
2.6. Разработка модели сценария 118
2.6.1. Вопросно-ответная автоматная модель сценария 121
2.7. Разработка модели обучаемого инженера (проектировщика) 122
2.8. Разработка модели протокола 123
2.9. Выводы 124
Глава 3. Разработка методов диагностики проектных знаний, умений, навыков и компетентности обучаемого инженера и адаптивного планирования траектории обучения на основе разработанных моделей АОС САПР 126
3.1. Самоорганизующиеся карты Кохонена как инструмент
классификации обучаемых инженеров 126
3.1.1. Способы классификации обучаемых инженеров 126
3.1.2. Конкурентное обучение карт Кохонена (SOM) 127
3.1.3. Архитектура карт Кохонена 129
3.1.4. Нечеткие карты Кохонена (FSOM) 132
3.1.5. Анализ видов функций принадлежности, применяемых в классификации обучаемых инженеров 135
3.1.6. Способы оценок погрешности карт Кохонена .136
3.2. Разработка метода диагностики проектных характеристик обучаемых инженеров на основе FSOM 137
3.2.1. Разработка структурно-параметрического анализа проектного решения 137
3.2.2. Разработка оценочной шкалы для функции принадлежности \і в FSOM 138
3.2.3. Классификация проектных характеристик обучаемого инженера 139
3.2.4. Алгоритм обучения FSOM, использующий гауссову функцию принадлежности 143
3.2.5. Сильные и слабые стороны нейроанализа 144
3.3. Разработка метода адаптивного планирования сценария 144
3.3.1. Накопление информации об обучаемом инженере 144
3.3.2. Принятие решения выбора траектории обучения
с помощью модели обучаемого инженера 153
3.3.3. Обучение моделированию средств вычислительной техники с применением языка VHDL 153 <
3.3.4. Сравнительный анализ методов диагностики обучаемого инженера АОС САПР 157
3.4. Выводы 158
Глава 4. Разработка программных и информационных средств АОС САПР 160
4.1. Архитектура АОС САПР 160
4.2. Оценка эффективности метода диагностики проектных характеристик обучаемого инженера 166
4.3. Оценка эффективности метода адаптивного планирования и управления (-ей) обучения инженера 167
4.4. Разработка средств оценки проектных решений 167
4.5. Разработка графического конструктора (ГК) 168
4.5.1. Функциональные возможности 168
4.5.2. Описание формата хранения данных 176
4.5.3. Диаграмма управления ГК 180
4.5.4. Тестовый пример 181
4.5.5. Построение сценария. Проверка сценария. Генерация html-сценария 181
4.6. Разработка компонентов предметной области, сценария, обучаемого инженера и протокола 184
4.7. Разработка БД предметной области, сценария, обучаемого, протокола и обучающих образов нечетких карт 184
4.8. Уровень сложности VHDL-кода 185
4.8.1. Алгоритм вычисления сложности программы 189
4.8.2. Оценка правильности VHDL-кода описания 189
4.9. Выводы 191
Заключение 194
Библиографический список использованной литературы
- Особенности обучения автоматизированному проектированию
- Одноресурсная сеть Петри как модель сценария (модель по работе Доррера и Рудакова[68]) .
- Анализ видов функций принадлежности, применяемых в классификации обучаемых инженеров
- Оценка эффективности метода адаптивного планирования и управления (-ей) обучения инженера
Введение к работе
Актуальность темы. Усложнение и появление новых технических объектов, сокращение сроков их проектирования, повышение качества проектных решений, появление новых САПР и множество развивающихся САПР требуют постоянного повышения квалификации инженеров предприятий. Важность корпоративного обучения подчеркивается правительством России, необходимость переподготовки специалистов является частью производственной политики современного предприятия и во многом определяет его интеллектуальный капитал и успешность па рынке.
Компьютерные технологии проектирования являются основными в производственном цикле, предлагается множество отечественных и зарубежных САПР различного назначения, класса и стоимости. Однако, в области обучения автоматизированному проектированию промышленных объектов имеется ряд нерешенных проблем.
Отсутствуют эффективные средства адаптации обучаемого инженера к учебно-практическому наполнению в ходе процесса обучения, позволяющие сократить сроки обучения без отрыва от производства.
Автоматизированные обучающие системы (АОС) САПР являются статическими с заранее заданной неизменной структурой, ориентированы на целевую аудиторию с максимальной степенью усвоения материала, в них не учитываются динамические индивидуальные характеристики обучаемых.
В основе реализации АОС САПР лежит, как правило, модульный принцип, что снижает степень масштабируемости архитектуры.
/
4. АОС САПР являются узко специализированными в предметной области.
Вышеизложенное обусловливает актуальность темы исследования и разработки.
Целью диссертационной работы является разработка адаптивного подхода к управлению процессом обучения, включающего создание компьютерных методов, моделей и средств обучения проектной деятельности в САПР, обеспечивающих повышение качества содержания и технологий обучения и сокращение сроков обучения без отрыва от производства.
Задачи исследования
Анализ современных методов, моделей и средств автоматизированного обучения проектной деятельности в САПР, исследование области применения средств обучения в САПР.
Разработка моделей АОС САПР: предметной области, обучаемого инженера, сценария обучения и протокола информационных потоков.
Разработка метода диагностики проектных характеристик (знаний, умений, навыков и компетентности) обучаемого инженера в САПР.
Разработка метода адаптивного планирования и управления траектории (-ей) обучения.
Разработка компонентной архитектуры АОС САПР.
Разработка программно-информационного обеспечения, реализующего предложенные модели и методы.
Объектом исследования является обучение проектированию на основе пакетов САПР.
Предметом исследования являются методы и средства автоматизированного обучения проектной деятельности в САПР.
Методы исследования основаны на использовании положений и методов теории алгоритмов, теории множеств, теории нечетких
множеств, теории графов, теории автоматов, теории автоматизированных обучающих систем, теории классификации, теории автоматизированного проектирования, основ системотехники и теории нейросетей.
В результате проведенных исследований получены следующие научные результаты.
Разработана модель предметной области автоматизированного проектирования в виде дерева онтологии, отличающаяся динамическим использованием иерархических, упорядоченных и ассоциативных связей, обеспечивающая адекватное представление процессов и объектов системного проектирования и повышающая качество содержания обучения.
Разработана новая модель обучаемого инженера, в которой используются нечеткие лингвистические проектные характеристики обучаемого инженера, соответствующие теоретическому и практическому уровням его подготовки в области САПР, и применяемые в адаптивном планировании траектории обучения.
Впервые предлоэюен метод диагностики проектных знаний, умений, навыков и компетентности обучаемого инженера, заключающийся в классификации проектных характеристик на основе нечетких карт Кохонена, обеспечивающий уменьшение числа ошибок оценки уровня подготовленности обучаемого инженера на 40% и повышающий качество технологий обучения.
Впервые предлоэюен метод адаптивного планирования и управления траектории (-ей) обучения инженера, использующий комплекс моделей (предметной области, обучаемого инженера, сценария и протокола) и позволяющий достигать требуемого значения проектных характеристик обучаемого инженера в сокращенные сроки по отношению к известным адаптивным методам (примерно на 40%).
Практическая ценность полученных результатов состоит в следующем.
Разработаны компонентная архитектура АОС САПР, соответствующая международному стандарту IEEE Р1484.1, и ее программно-информационное обеспечение по технологии Java Beans на базе Apache Tomcat.
Разработаны БД для хранения и обработки компонентов предметной . области, сценария, обучаемого инженера и протокола на базе MySQl-сервера.
Разработана программная система GraphsConstructor - графический конструктор создания сценариев обучения.
Разработан гипертекстовый редактор конструкторской документации САПР.
Разработаны программные средства интеграции с КОМПАС-ЗБ: «Программный контроллер управляющего элемента ActiveX КОМПАС обучающей системы GraphConstructor» и «Транслятор SCORM-спецификации проектных решений САПР КОМПАС».
Реализован формат хранения и представления учебного материала SCORM-2004, что дает возможность экспортировать и импортировать проектные учебные курсы SCORM-формата.
Разработана Web-ориентированная тестовая система ТЕСКО.
Реализация и внедрение результатов работы. Разработанные программные средства внедрены в практику работы ОАО «Ульяновский механический завод» (г. Ульяновск) и учебный процесс Ульяновского государственного технического университета (г. Ульяновск).
Апробация работы. Основные положения диссертационной работы докладывались и обсуждались на следующих международных и региональных конференциях: Международной конференции
«Интерактивные системы: проблемы человеко-компьютерного
взаимодействия (ИС-2005)», г. Ульяновск, 2005; Международной конференции «Континуальные алгебраические логики, исчисления и нейроинформатика в науке и технике (КЛИН-2005)», г. Ульяновск, 2005; Международной конференции «Континуальные алгебраические логики, исчисления и нейроинформатика в науке и технике (КЛИН-2006)», г. Ульяновск, 2006; VII Международной научно-технической конференции «Новые информационные технологии и системы», г. Пенза, 2006; Международной конференции по логике, информатике, науковедению, г. Ульяновск, 2007; Международной конференции «Интерактивные системы: проблемы человеко-компьютерного взаимодействия (ИС-2007)», г. Ульяновск, 2007; Международном конгрессе по интеллектуальным системам и информационным технологиям (AIS'08/CAD'08), Краснодарский край, пос. Дивноморское 2008; районной конференции «Информационные технологии», г. Ульяновск, 2008; VII Международной конференции «Математическое моделирование физических, экономических, технических, социальных систем и процессов», г. Ульяновск, 2009; ежегодных внутривузовских конференциях профессорско-преподавательского состава, г. Ульяновск 2004, 2005, 2006, 2007, 2008, 2009.
Публикации. По теме диссертации опубликовано 29 печатных работ, в том числе 3 - в журналах списка ВАК, получено 9 свидетельств об официальной регистрации программ для ЭВМ.
Структура и объем работы. Диссертационная работа состоит из введения, четырех глав с выводами, заключения, библиографического списка использованной литературы и приложения, изложенных на 232 страницах машинописного текста, содержит 48 рисунков и 15 таблиц. Список литературы включает 117 наименований.
Особенности обучения автоматизированному проектированию
Специфика обучения автоматизированному проектированию заключается в том, что проектировщика обучают разработке и анализу материальных промышленных изделий с помощью применения системного подхода и инструментальных средств САПР. Составными частями подхода являются: иерархическая структура системы, анализ и моделирование системы, синтез и оптимизация системы.
Создание моделей сложных систем и исследование свойств систем на основе анализа их моделей являются основными задачами моделирования.
Содержанием задач обучения созданию объектов (систем) является обучение методам и средствам синтеза структуры проектируемых систем (структурный синтез) и выбора численных значений параметров элементов этих систем (параметрический синтез).
Задача структурного синтеза формулируется как задача принятия решения и заключается в определении цели, множества возможных решений и ограничивающих условий. По числу критериев различают задачи одно-и многокритериальные, по степени неопределенности — детерминированные, стохастические, в условия неопределенности [94].
Проектирование с помощью САПР означает, что разработчик вводит для расчета в САПР предметную задачу в виде модели объекта проектирования с учетом физических и технических особенностей. Выделение математической модели и расчет выполняется автоматизировано с последующим ее анализом.
Список иерархических уровней каждой системы может быть специфичным, традиционно выделяют следующий список [94]. 1. Системный уровень, на котором решаются наиболее общие задачи, проектирования систем, машин, процессов; результаты проектирования представляются в виде структурных схем, генеральных планов, схем размещения оборудования, диаграмм потоков данных и т.п. 2. Макроуровень, на котором проектируются отдельные устройства, узлы машин и приборов; результаты представляются в . виде функциональных, принципиальных и кинематических схем, сборочных чертежей и т.п. 3. Микроуровень, на котором проектируются отдельные детали и элементы машин и приборов.
Специфика методов и средств автоматизированного проектирования позволяет классифицировать автоматизацию проектирования как самостоятельную научно-техническую дисциплину, имеющую свои проектные этапы, процедуры, операции, функции [75]. Можно выделить три основные части в проектной деятельности. 1. Теории формализации предметных задач. 2. Теории алгоритмизации (расчет математических моделей объекта и моделирование). 3. Теории и средства реализации методов формализации и расчета предметных задач.
Системный метод анализа и синтеза материальных объектов промышленности в автоматизированном проектировании является особым способом исследования, в котором активно участвует проектировщик. Составление нематематического описания проектного решения, а по нему составление математической модели является формализацией проектной задачи. Здесь активное участие принимает проектировщик. Разработанные модели анализируются и оптимизируются. Оптимизированный вариант проектного решения реализуется.
Инженерный анализ - это способ получения трехмерных данных в компьютеризированном виде из физической модели или продукта. Состоит из двух фаз: оцифровки (измерение детали) и трехмерного моделирования детали на основе оцифровки. Поверхности определяются по данным оцифровки, обрабатываются и превращаются в твердотельную модель, которую необходимо экспортировать в STL-файл (стандартные входные данные для любого процесса быстрого прототипирования). Перенеся STL-файл на машину для быстрого прототипирования, можно изготовить копии отсканированной модели. Основные этапы быстрого прототипирования [78].
Одноресурсная сеть Петри как модель сценария (модель по работе Доррера и Рудакова[68]) .
Интегрированные САПР имеют в своем составе множество систем: подсистемы технологической подготовки производства, контроля качества, моделирования, экспертные системы, адаптивные системы и системы автоматизированного обучения и т.п.
В основу проектирования и реализации таких систем положены: предметно-ориентированные и проблемно-ориентированные АОС, которые имеют определенную область применения, настраиваемую структуру и обладают высокой эффективностью; адаптивные системы подготовки специалистов в области проектирования САПР, имеющие «дружественный интерфейс пользователя»; экспертные системы; самообучающиеся системы; универсальные средства программного, технического обеспечения и специализированные средства, в том числе, инструментальные и сервисные.
Модели объектов проектирования разрабатываются с целью прогностической оценки и выбора эффективных проектных стратегий, что позволит значительно сократить сроки разработки и повысить эффективность АОС САПР. Достижение цели базируется на решении следующих задач: разработка архитектуры АОС САПР; разработка моделей АОС САПР в соответствии со сформированными требованиями.
Модель обучаемого [102] может быть представлена в виде вектора понятий, каждому понятию ставится значение «знает/не знает». Состояние уровня обучаемого инженера определяется набором значений элементов вектора. Такая модель не учитывает связи понятий друг с другом. Поэтому была рассмотрена сетевая многоуровневая модель обучаемого в виде графа, в котором вершины отображены в понятия (умения) и имеют атрибуты: номер понятия (умения), «знает/не знает» («умеет/не умеет») U и вес понятия. Уровень обучаемого вычисляется как произведение веса понятия на U. Дуги указывают связи понятий: «часть-целое» (показывает, что понятие (умение) дочерней вершины является составной частью родительской вершины), «ассоциация» (означает, что знание (умение) родительской вершины требует знание (умение) дочерней вершины), «слабая связь» (указывает, что знание (умение) родительской вершины не требует знание (умение) дочерней вершины). Более подробно модель рассмотрена в разделе Анализ моделей обучаемого инженера.
Модель обучения определяет порядок прохождения учебных элементов в зависимости от состояния характеристик модели обучаемого, требуемых эталонных значений характеристик обучаемого и некоторых воздействий. Под воздействиями понимается представление обучаемому конкретного учебного материала теоретического или практического характера в различном виде. В зависимости от разницы характеристик обучаемого и эталонных (требуемых) значений действует определенное воздействие.
Модель объяснения необходима для расширения текстовых возможностей представления материала элементами мультимедиа технологий.
В данном разделе детально рассматриваются способы представления порядка процесса обучения.
Модель этого процесса в виде сети Петри представлена на рис. 2.1. Эта сеть содержит два множества узлов: множество позиций Р = {jp\... p-f\ (обозначены кружками) и множество переходов Т = {t\... ts} (обозначены планками). Узлы соединены дугами двух видов: от позиций к переходам и от переходов к позициям.
Маркировка позиций моделирует выполнение условий, а переходы при своем срабатывании - наступление событий. На первом этапе моделирования не дифференцируются виды ресурсов, используемых в системе, ограничившись только одним видом целочисленного типа, которому соответствует единственное цветовое множество: Color INT = integer и соответствующая переменная var s : INT.
Смысл введенного ресурса следующий: если в позиции pi имеется хотя бы одна фишка (т.е. маркировка mi — k s, к 0), то срабатывание выходного перехода возможно. Описанная сеть называется обыкновенной сетью Петри, с изучения таких сетей началась разработка этой теории.
Анализ видов функций принадлежности, применяемых в классификации обучаемых инженеров
Для формирования множеств входных и выходных показателей (в виде нечетких множеств) и построения их логико-лингвистических шкал целесообразно использовать типовые L — R- функции, например, колоколообразного типа (3.12) [63].
Построение fid может проходить по следующим схемам [92]: 1. По принципу симметричной треугольной функции (см. рис. 3.4): Л1" - (3.11) для остальных 2. При помощи обобщеной гауссовой функции (см. рис. 3.5): х — С " / ч 26" (3.12) Jlci(x) = ехр 3. При помощи трапециевидных функций: — - для х С [сі — d, С2 + d], причем, с\ сг 1Ы{Х) = { " - - L-i - - "І—, w -г ч (3 13) О для остальных где с - центр кластера, d - ширина треугольной функции, о", Ъ - параметры формы для гауссовой кривой.
Производная гауссовой функции равна экспоненте, скорость изменения функции имеет экспоненциалный характер. Функция медленно меняется в окрестностях ее максимума и минимума, т.е. выделяются две окрестности функции 3.12 в глобальных экстремумах, которые явно делят входное множество на две части,что улучшает качество вычисления принадлежности.
Производная треугольной функции равна константе, т.е. скорость изменения функции постоянная, функция одинаково меняется на всех
Колоколообразный вид функции принадлежности участках, следовательно, не возникает окрестностей, в которых наблюдалось сосредоточение значений функции.
Следовательно, наиболее эффективной функцией для классификации является колоколообразная гауссова функция (3.12). — целевое; Рассмотрим три способа оценки погрешности карт Кохонена. Формула оценки максимума правдоподобия Кульбака-Лейблера [80] имеет вид: к „ v- л целевое, + (1 - жцелевое ) log — фактическое. (3.14) ь== Zs жЦелевое log г=1 фактическое, 137 где К - число выходов сети, фактическая Ценочная фактическая величина, целевая - эталонное значение величины.
Метод интервальных оценок показывает «наихудший» вариант оценки.. Формальная запись следующая: Ах = жцедевое - фактическое- (3-15) Метод среднеквадратичного отклонения показывает «лучший» вариант оценки, формальная запись имеет вид: Ах = уЧжцелевое - фактическое)2- (3-16)
Входные оценочные значения баллов за проектные задачи, выполненные инженером, получаются в результате структурно-параметрической оценки учебного объекта проектирования. Анализ проектного решения на структурном уровне в обучающих целях использует дерево построения, что обеспечивает контроль процесса и последовательности проектирования, структуры решения и повышает качество обучения. Сравнительный анализ разработанного проектного решения с эталоном позволяет выявить наличие лишних элементов или отсутствие элементов, неправильные совершенные операции над объектом. Поэтапное сравнение иерархического дерева построения с эталонным вариантом может проводиться в глубину и в ширину дерева.
Анализ в ширину дерева позволяет контролировать все одноуровневые элементы проектного решения. Такой анализ используется для вычисления количества элементов, входящих в проектное решение.
Метод сравнения основан на обходе дерева по горизонтали путем сравнения элементов дерева проектного решения с эталонным вариантом (анализ «слева-направо»). Одинаковые элементы в проектном решении и в эталонном отмечают совпадение. В проектном решении элементы могут отсутствовать или отличаться от эталонных элементов.
Анализ в глубину дерева позволяет детально контролировать любой элемент проектного решения на всех иерархических уровнях. Анализ в глубину сравнивает подэлементы элемента дерева проектного решения (анализ «сверху-вниз»).
Параметрический анализ учитывает параметры элементов объекта и совершенные операции, сравнивает их в проектном решении и в эталонном варианте. Параметрический анализ применяется вместе со структурным при обходе дерева проектного решения.
Метод анализа может быть интегрирован в САПР с помощью разработки дополнительных сервисных программ, что дает возможность использовать в обучении примеры, взятые с производства, и контролировать правильность проектных решений в САПР.
Оценка эффективности метода адаптивного планирования и управления (-ей) обучения инженера
F30M построена на базе SOM, поэтому для упрощения оценочной модели выполним оценку погрешности SOM. Смоделируем обучение SOM и СММ (СММ широко используются в адаптивном обучении) в пакете Mat-1аЬ2006а для определения погрешностей (см. приложение П1.4). М-код обучения имеет вид. р = rand(7,l); a = rand (4,1); w = г and (4,7); dW = leamk(w p1Q 0 a1D D,D,D.D.lP.D) mse(dW) Метод диагностики на основе SOM имеет 15% погрешности (среднеквадратичная ошибка). М-код обучения СММ имеет вид. TRANS_GUESS = [.9 .1; .1 .9;]; EMIS_GUESS = [1/4, 1/4, 1/4, 1/4;... 1/4, 1/4, 1/4, 1/4]; [seq, states] = hmmgenerate(100, TRANS_GUESS, EMIS_GUESS); [TRANS_EST2, EMIS_EST2] = hmmtrain(seq, TRANS_GUESS, EMIS_GUESS) likelystates — hmmviterbi(seq, TRANS_EST2, EMIS_EST2); sum(states==likelystates)/100 Метод диагностики на основе скрытых Марковских переменных имеет 21% погрешности. Таким образом, ЦЦ = 1,4, следовательно, выигрыш классификации на SOM дает 40% по отношению к СММ.
Традиционные адаптивные методы обучения основаны на модульном принципе. Каждый " модуль содержит определенное число элементов, которые имеют учебный элемент, адаптированный под конкретный уровень знаний обучаемого инженера. Формула оценки эффективности имеет ви : t = зё±5$ гЬ где elementmodul - число модулей, elementsubmodul ЧИСЛО учебных ЗЛЄМЄНТ0В В МОДуле, elementscenariy ЧИСЛО учебных элементов сценария, elementcadmodei - число учебных элементов модели предметной области.
На рис. 4.6 приведен график эффективности применения нового метода адаптивного планирования и управления траектории (-ей) обучения инженера. Выигрыш авторского метода составляет, примерно, 40%.
Зависимость времени обучения от числа проектных понятий и действий (см. приложение 1): S - известные методы адаптации, Р - авторский метод адаптации
Оценка проектных решений предназначена для учебных целей проверки объекта на ошибки [77]. Разработка дерева построения объекта и его сравнительный анализ с требуемым (эталонным или целевым) являются процедурами структурного анализа. Дерево представлено названиями составных элементов объекта. Проверка заданных параметров объекта с целевыми и является процедурой параметрического анализа. Проверка имеет составные параметры, построенные с помощью функций, например, периметр, площадь, объем, потенциал в точке. Схема 4.7 иллюстрирует компоненты анализатора и направления потока данных.
Структурные и параметрические данные проектных объектов получают с помощью открытых интерфейсов САПР, используется Active-X технология для взаимодействия АОС с САПР.
Результат структурного анализа имеет структуру объекта с комментариями, указывающими пропуски и ошибки в синтезе.
Результат параметрического анализа имеет указания места несовпадения фактического и целевого значения. ГК обеспечивает следующие функциональные возможности. 1. Графическое построение статического сценария курса обучения и его редактирование. 2. Автоматизация построения связей учебных элементов.
