Komputerowe bazy wiedzy w diagnostyce wad powierzchni

ARCHIWUM ODLEWNICTWA
20/17
Rok 2005, Rocznik 5, Nr 17
Archives of Foundry
Year 2005, Volume 5, Book 17
PAN - Katowice PL ISSN 1642-5308
POZYSKIWANIE I FORMALIZACJA WIEDZY O WADACH
POWIERZCHNI WYROBÓW METALOWYCH
1
B. MRZYGŁÓD1 , S. KLUSKANAWARECKA 1, 2
Akademia Górniczo-Hutnicza w Krakowie, Zakład Informatyki Przemysłowej
2
Instytut Odlewnictwa w Krakowie
STRESZCZENIE
Inteligentne systemy komputerowe wykorzystujące dziedzinowe bazy wiedzy
ułatwiają użytkownikom szybkie podejmowanie właściwych decyzji. Znajdują także
zastosowanie w sterowaniu procesami technologicznymi oraz w zarządzaniu jakością
produkcji. Bazy wiedzy zawierają zarówno zbiory faktów (danych, informacji) z danej
dziedziny, jak i określony system wnioskowania, a ich jakość ma decydujący wpływ na
efektywność systemu. W artykule przedstawiono kolejne etapy pozyskiwania
i przetwarzania informacji źródłowych w wiedzę systemową oraz przykład
zastosowania logiki rozmytej jako jednego z narzędzi formalnych do reprezentacji
wiedzy niepełnej i niepewnej. Prowadzone rozważania dotyczą zagadnień związanych
z tworzeniem bazy wiedzy z zakresu Inżynierii Powierzchni Metali.
1.
WSTĘP
Rozwój informatyki umożliwił zastosowanie, w projektowaniu procesu
technologicznego oraz jego sterowaniu, zaawansowanych metod sztucznej inteligencji,
które uzupełniają tradycyjne bazy danych [1]. Wraz z rozwojem metod sztucznej
inteligencji zaczęto stosować systemy ekspertowe, z bazą wiedzy w postaci reguł
wnioskowania. Inteligentny system komputerowy, wyposażony w bazę wiedzy pomaga
szybko podejmować właściwe decyzje, pozwala znacznie skrócić czas przygotowania
produkcji, zwiększyć jej efektywność oraz ograniczyć możliwości powstawania wad
w produkowanych wyrobach.
W artykule przedstawiono kolejne etapy pozyskiwania i przetwarzania
informacji źródłowych w wiedzę systemową oraz przykład zastosowania logiki
rozmytej jako jednego z narzędzi formalnych do reprezentacji wiedzy niepełnej
i niepewnej. Prowadzone rozważania dotyczą zagadnień związanych z tworzeniem bazy
wiedzy z zakresu inżynierii materiałowej, a w szczególności Inżynierii Powierzchni
Metali, obejmującej całokształt działań naukowych i technicznych, mających na celu
175
konstruowanie, wytwarzanie i badanie warstw powierzchniowych [2]. Warstwą
wierzchnią nazywa się tutaj zewnętrzną warstwę materiału utworzoną w wyniku
procesów fizykomechanicznych lub fizykochemicznych podczas jego kształtowania,
która wykazuje budowę i właściwości odmienne od materiału położonego głębiej,
nazywanego rdzeniem. Struktura i właściwości warstwy wierzchniej w dużym stopniu
decydują o zachowaniu się wyrobów w czasie ich eksploatacji [3]
2.
ETAPY POZYSKIWANIA I PRZETWARZANIA INFORMACJ I
Ogólny schemat przetwarzania informacji źródłowych w wiedzę systemową
przedstawiono na rysunku 1.
Rys. 1. Etapy przetwarzania informacji źródłowych
Fig. 1. Steps of processing of source data
W ramach pozyskiwania informacji źródłowych dokonano przeglądu literatury,
norm, poradników, danych z procesów technologicznych i innych źródeł informacji
oraz przeprowadzono szereg wywiadów z ekspertami z dziedziny, jaką jest inżynieria
powierzchni.[4] Przegląd dokonywany był w aspekcie wad występujący ch na wyrobie
w trakcie nanoszenia warstwy różnymi metodami. Ze względu na szeroki zakres
zagadnienia zdecydowano się na przyjęcie określonego kryterium wydobywania
zebranych informacji. Każda wada i związane z nią przyczyny powstawania oraz
sposób zapobiegania przypisana jest do konkretnego procesu (nawęglanie, azotowanie,
chromowanie, itd.) oraz metody wykonywania danego procesu (np. osadzanie
elektrolityczne, implantacja jonowa, itd.) Istotnym jest również określenie materiału
podłoża, tzw. rdzenia, na który warstwa jest nanoszona.
176
ARCHIWUM ODLEWNICTWA
Schemat procesu przetwarzania informacji źródłowych o wadach powierzchni
przedstawiono na rysunku 2.
Rys. 2 Schemat przetwarzania danych o wadach powierzchni
Fig. 2. Schema of processing of surface faults data
Prowadzi to do postaci tabelarycznej w formie katalogu wad, którego fragment
przedstawia tabela 1.
Tabela 1. Fragment katalogu wad powierzchni.
Table 1. Part of surface faults list.
177
Kolejnym etapem przekształcania informacji było dokonanie ich analizy pod
względem możliwości różnego rodzaju uogólnień, regularności oraz występujących
związków. Przykład powiązań typu: wada – przyczyna – zapobieganie przedstawiono
na rysunku 3.
P ę c h e r z e , z łu s z c z e n ia , o d w a r s tw ie n ia
P o w ło k i m a to w e , b r a k p o ły s k u
Z ła p r z y c z e p n o ś ć p o w ło k i
M a ła w g łę b n o ś ć
Z b y t m a ła g r u b o ś ć
C ie m n a p o w ło k a
K r u c h a p o w ło k a
Rys. 3.Ogólna struktura powiązań typu: wada- przyczyna- zapobieganie
Fig. 3. The structure of interconnections of type: faults – reason - protection
Jak widać struktura powiązań wad z ich przyczynami posiada charakter
złożony i niejednoznaczny- dana wada wywołana być może przez szereg przyczyn, zaś
ta sama przyczyna może powodować różne wady. W procesie galwanicznego
cynkowania powierzchni, np. stali, mogą pojawić się następujące nieprawidłowości:
pęcherze, złuszczenia, odwarstwienia, brak połysku, zła przyczepność, mała wgłębność,
kruchość, itd. Na powstawanie tych wad w tym procesie istotny wpływ mają takie
przyczyny, których parametry zmieniają się w sposób ciągły. Są to m.in. gęstość prądu,
czas trawienia, temperatura kąpieli, zasadowowość, itd. Oczywiście takie same wady
mogą występować również w innych procesach technologicznych i być spowodowane
różnymi innymi (niż wymienione) przyczynami.
Z przedstawionych przykładów mamy podstawy wnioskować, iż cechą
charakterystyczną wiedzy o wadach jest brak pełnej precyzji. Bardzo często stosowane
są takie określenia jak: „za dużo”, „za mało’, „dodać”, „uzupełnić”. Reprezentacja tak
wyrażanej wiedzy w postaci ścisłych formuł (reguł matematycznych) jest trudna albo
niemożliwa.
Jednym z formalizmów stworzonych specjalnie do celów reprezentacji wiedzy
niepełnej (nieprecyzyjnej) jest logika rozmyta (fuzzy logic). Poniżej przedstawiono
w dużym uproszczeniu zasady tego formalizmu.
178
ARCHIWUM ODLEWNICTWA
3.
LOGIKA ROZMYTA
WIEDZY NIEPEŁNEJ
JAKO
NARZĘDZIE
DO
REPREZENTACJI
Pojęcie zbioru rozmytego zostało wprowadzone przez L. A. Zadeha w 1965
[5]. Celem wprowadzenia tego pojęcia była chęć modelowania procesów złożonych,
w szczególności obejmujących udział czynnika ludzkiego. W logice klasycznej element
może należeć do zbioru lub do niego nie należeć. Przynależność do zbioru jest
zdefiniowana funkcją przyjmującą dwie wartości: 0 lub 1. W odróżnieniu od zbioru
klasycznego funkcja przynależności do zbioru rozmytego może przyjmować dowolne
wartości ze zbioru <0, 1>[5]. Taki sposób klasyfikacji jest bardziej zbliżony do
ludzkiego procesu myślenia, który jest z natury „mglisty”. Wprowadzając pewną dozę
niedokładności, zyskujemy odporność systemu, która umożliwia modelowanie
złożonych procesów.
Analizując wiedzę o wadach powierzchni wyrobów metalowych, która została
pozyskana i przedstawiona postaci tabelarycznej [4], spotykamy
często takie
nieprecyzyjne pojęcia jak: „wysoka temperatura”, „ niski potencjał”, „duża gęstość”,
„duże zabrudzenie”, „rozległe ubytki”, „nadmierne przetrawienie”.
Przytoczone pojęcia opisują pewne cechy bądź parametry jedynie w sposób
jakościowy. Bardzo trudno przetłumaczyć je na precyzyjny język maszyn, nie tracąc nic
z ich charakteru. Stosowanie zbiorów rozmytych jako narzędzia do formalizacji wiedzy
o takim właśnie charakterze pozwala na dokładniejsze odwzorowanie pojęć
stosowanych przez ludzi. Parametry jakościowe, czyli opis otaczającego nas świata za
pomocą słów, są dla człowieka bardziej naturalne. Określenie prędkości chłodzenia
słowami: mała, średnia, duża jest bardziej naturalne i prostsze niż oszacowanie jej
w m/s.
Opis jakościowy jest mniej precyzyjny i zależny od osoby opisującej.
Nieprecyzyjność ta wynika z subiektywnej oceny osób, grupy osób (obserwatorów),
a nie z braku wiedzy o wartości pewnej wielkości. Oczywiście każdy obserwator
indywidualnie może, na własny użytek wprowadzić własną interpretację granic
pomiędzy określeniami mała, średnia, duża, ale granice te mogą być inne dla różnych
osób-ekspertów.
179
Kolejny przykład
podano tablicy 2.
fragmentu wiedzy o wadach powierzchni wyrobu metalowego
Tabela 2. Fragment katalogu wad
Table 2. Part of faults list
Tak przedstawiona wiedza stanowi podstawę do wyrażenia jej w postaci reguł
rozmytych, operujących zmiennymi lingwistycznymi. Przykład wnioskowania
prowadzonego zgodnie z kanonami logiki rozmytej przedstawić można w sposób
następujący [5]:
Schemat wnioskowania:
Przesłanka
x jest A′
Implikacja
IF x jest A THEN y jest B
Wniosek
y jest B′
Wnioskowanie to, po wprowadzeniu zmiennych lingwistycznych i zastosowaniu logiki
rozmytej prowadzone jest następująco:
Przesłanka
Duże zabrudzenie implantowanego materiału
Implikacja
Jeżeli zabrudzenie implantowanego materiału jest
bardzo duże, ubytki w materiale są rozległe
Wniosek
Ubytki w materiale są średnio-rozległe
Gdzie do przedstawionego schematu wnioskowania p odstawiono::
x – zmienna lingwistyczna „ zabrudzenie materiału”
y – zmienna lingwistyczna „ubytki w materiale”
T1 = {„mała”, „średnia”, „duża”, „bardzo duża”} – zbiór wartości zmiennej x
T2 = {„mały”, „małe”, „średnio-rozległe”, „bardzo-rozległe”} – zbiór wartości
zmiennej y
A = „bardzo duże zabrudzenie materiału” – wartość lingwistyczna
A′ = „duże zabrudzenie materiału” – wartość lingwistyczna
B = „ubytki rozległe”
B′ = „średnio-rozległe ubytki”
180
ARCHIWUM ODLEWNICTWA
Reguła tego typu nabiera jeszcze większej ekspresji, gdy pojęciom „duże”,
„bardzo duże” ,” średnie” przyporządkowane zostają ciągłe funkcje przynależności.
4.
WNIOSKI KOŃCOWE
Przedstawione w pracy procedury pokazują możliwości efektywnego
pozyskiwania wiedzy o wadach wyrobów metalowych. Analiza zgromadzonej wiedzy
o wadach powierzchni wskazuje na celowość zastosowania logiki rozmytej do opisu
występujących form zjawisk i prawidłowości. Stosowanie zbiorów rozmytych
w systemach decyzyjnych pozwala na dokładniejsze odwzorowanie pojęć używanych
przez ludzi, które często są subiektywne i nieprecyzyjne. Wprowadzając pewną
nieokreśloność, zyskujemy elastyczność systemu, która umożliwia modelowanie
złożonych procesów i wspomaganie związanych z nimi procedur decyzyjnych.
LITERATURA
1.
2.
3.
4.
5.
6.
7.
Korbicz J. i in.: Diagnostyka procesów. Modele, metody sztucznej inteligencji,
zastosowania. Praca zbiorowa pod red. i in. WNT, W-wa, 2002
Burakowski T., Wierzchoń T.: Inżynieria powierzchni metali, WNT, W-wa. 1995
Kula P.: Inżynieria warstwy wierzchniej, Wyd. Politechniki Łódzkiej, 2000
Kluska-Nawarecka S., Durak J., Marek B., Wilk-Kołodziejczyk D., Pozyskiwanie
wiedzy w zakresie wad wyrobów metalowych, Materiały 11 Konferencji
„Informatyka w Technologii Metali”, KomPlasTech2004, Zakopane, 11-14 styczeń
2004
Rutkowska D., Piliński M., Rutkowski L.: Sieci neuronowe, algorytmy genetyczne
i systemy rozmyte, WN PWN, Warszawa 1999.
Biły B., Drwal G., Grzymkowski R.: Wykłady z modelowania matematycznego,
Gliwice 2004.
Kluska-Nawarecka S.: Metody komputerowe wspomagania diagnostyki wad
odlewów, Instytut Odlewnictwa, Kraków 1999.
Praca wykonana w ramach projektu KBN nr 3 T08C 061 26
181
COLLECTING AND FORMALIZATION OF KNOWLEDGE ABOUT
SURFACE FAULTS OF METAL PRODUCTS
SUMMARY
Intelligent computer systems using knowledge base of the field of metal
engineering ( for example) enable users to make quick and right decisions. They are
applied in control of technological processes and in management of quality production.
Knowledge bases contain both fact series ( data, information) and from given field
of knowledge as well as defined system of conclusion. Their quality has decisive
influence on the system efficiency. In these paper successive steps of collecting and
processing of base information in knowledge system are presented. Also an example
of application of fuzzy logic as one of the formal tool to represent the uncertain
knowledge. Presented considerations are related to problems with preparation
of knowledge base in area of surface engineering of metals.
Recenzował: prof. dr hab. inż. Stanisław Pietrowski
182