Komputerowe bazy wiedzy w diagnostyce wad powierzchni
Transkrypt
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. KLUSKANAWARECKA 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