Продукционные правила базы знаний экспертной системы для контроля динамического состояния шлифовальных станков
Отправьте статью сегодня! Электронный вариант журнала выйдет 14 августа,печатный экземпляр отправим18 августа.

Продукционные правила базы знаний экспертной системы для контроля динамического состояния шлифовальных станков

Поделиться в социальных сетях
268 просмотров
Библиографическое описание

Игнатьев, А. А. Продукционные правила базы знаний экспертной системы для контроля динамического состояния шлифовальных станков / А. А. Игнатьев, А. В. Каракозова. — Текст : непосредственный // Молодой ученый. — 2015. — № 21.2 (101.2). — С. 24-25. — URL: https://moluch.ru/archive/101/23642/ (дата обращения: 05.08.2021).



 

Одним из направлений применения интеллектуальных технологий является разработка экспертных систем (ЭС) поддержки принятия решения при мониторинге технологического процесса и оборудования [1, 2]. В нашем случае рассматривается вопрос построения ЭС для поддержки принятия решения при контроле динамического состояния шлифовальных станков для обработки колец подшипников [3]. Структура разрабатываемой экспертной системы контроля динамического состояния станка включает следующие компоненты: базу знаний (БЗ), компонент приобретения знаний, объяснительный компонент, диалоговый компонент, механизм вывода, базу данных (рабочую память). На этапе формализации базы знаний необходимо выбрать модель представления знаний. На основании этого осуществляется проектирование логической структуры БЗ. База знаний любой экспертной системы состоит из двух компонент: декларативной и процедурной. Декларативная компонента содержит знания о предметной области: информацию о сущностях, свойствах сущностей и связей между ними. Процедурная компонента содержит правила, применяемые для преобразования декларативной информации.

В промышленных ЭС база знаний чаще всего основывается на продукционной модели или модели, основанной на правилах. Данная модель представляет знания в виде: если «условие», то «действие». В качестве «условия» выступает предложение, по которому осуществляется поиск в БЗ, а «действие» выполняется при успешном исходе поиска.

Декларативная компонента разрабатываемой ЭС реализована в СУБД Access в виде объектно-ориентированной модели. Процедурная компонента реализована в СИ++ Bulder. Принцип работы процедурной компоненты заключается в следующем: «Если атрибут Аi объекта Оi имеет значение Зi, то необходимо выполнить действие Di». Под действием понимается цель поиска (дефект оборудования).

Для того чтобы достаточно эффективно использовать информацию в задаче контроля динамического состояния станков, необходимо состыковать её с БЗ и представить её в форме, удобной для использования в программе компьютера. Создание БЗ представляет собой систематический процесс, включающий сбор и обработку первичных данных, установление фактов и связей и формирование правил.

Рассмотрим фрагмент формирования продукционных правил при анализе работоспособности круглошлифовального станка SWaAGL-50:

Правило 1: Если «Измеряемый параметр – Вибрация на ШУ круга – недопустимое», то «Заключение= Необходима балансировка круга».

Правило 2: Если «Измеряемый параметр – Вибрация на ШУ круга – допустимое» и «Вибрация на передней опоре ШУ детали – недопустимое», то «Заключение = Необходима балансировка шпинделя детали или замена подшипника».

Правило 3: Если «Измеряемый параметр – Вибрация на ШУ круга – допустимое» и «Вибрация на передней опоре ШУ детали – допустимое» и «Измеряемый параметр – Вибрация на задней опоре ШУ детали – недопустимое» и «Измеряемый параметр – ОУВ двигателя - недопустимое», то «Заключение=Необходима замена двигателя».

В БЗ входят порядка 100 продукционных правил.

Продукционная система в данной ЭС является системой с прямым выводом, т.к. реализует стратегию «от фактов к заключениям». Достоинством такой системы можно считать простое представление знаний и организации логического вывода. К недостаткам можно отнести сложность оценки целостного образа знаний.

Применение ЭС в производственных условиях позволяет обслуживающему персоналу оперативно выявить неисправность шлифовальных станков, что существенно снижает время восстановления и повышает коэффициент готовности станков.

 

Литература:

  1.                Искусственный интеллект: применение в интегрированных производственных системах / под ред. Э. Кьюсиака. М.: Машиностроение, 1991. 544 с.
  2.                Каракозова А.В., Игнатьев А.А., Каракозова В.А. Использование интеллектуальных технологий при мониторинге динамического состояния шлифовальных станков // Современные тенденции в технологиях металлообработки и конструкциях металлообрабатывающих машин и комплектующих изделий: межвуз. научн. сб. Уфа, 2014. С. 131-135.
  3.                Свидетельство о государственной регистрации программы для ЭВМ № 2014662238 / А.В. Каракозова, А.А. Игнатьев
Похожие статьи
Козлова Татьяна Дмитриевна
Использование оболочек для программной реализации экспертной системы поддержки процесса диагностирования автоматических станочных модулей
Технические науки
2017
Узденёва Татьяна Александровна
Некоторые проблемы систем поддержки принятия решений
Информационные технологии
2010
Суслова Екатерина Владимировна
Интеллектуальные системы поддержки принятия решений
Технические науки
2017
Будылина Евгения Александровна
Основные принципы проектирования сложных технических систем в приложениях
Технические науки
2013
Лобастов Станислав Юрьевич
Системы коллективной поддержки принятия решений: определение, виды, направления развития
Прочее
2015
Похорукова Мария Юрьевна
Информационная система поддержки принятия решений в процессе профессионального самоопределения
Педагогика
2015
Ермакова Анастасия Александровна
Рекрутинг как элемент системы подбора персонала
Экономика и управление
2018
Мурачёв Дмитрий Андреевич
Методика измерения параметров на координатно-измерительной машине GLOBAL CLASSIC 05.05.05
Спецвыпуск
2016
дата публикации
ноябрь-1 2015 г.
рубрика
Спецвыпуск
язык статьи
Русский
Опубликована
Похожие статьи
Козлова Татьяна Дмитриевна
Использование оболочек для программной реализации экспертной системы поддержки процесса диагностирования автоматических станочных модулей
Технические науки
2017
Узденёва Татьяна Александровна
Некоторые проблемы систем поддержки принятия решений
Информационные технологии
2010
Суслова Екатерина Владимировна
Интеллектуальные системы поддержки принятия решений
Технические науки
2017
Будылина Евгения Александровна
Основные принципы проектирования сложных технических систем в приложениях
Технические науки
2013
Лобастов Станислав Юрьевич
Системы коллективной поддержки принятия решений: определение, виды, направления развития
Прочее
2015
Похорукова Мария Юрьевна
Информационная система поддержки принятия решений в процессе профессионального самоопределения
Педагогика
2015
Ермакова Анастасия Александровна
Рекрутинг как элемент системы подбора персонала
Экономика и управление
2018
Мурачёв Дмитрий Андреевич
Методика измерения параметров на координатно-измерительной машине GLOBAL CLASSIC 05.05.05
Спецвыпуск
2016