ПОВЫШЕНИЕ ЭФФЕКТИВНОСТИ ПРОЕКТИРОВАНИЯ ТЕХНОЛОГИЧЕСКИХ ПРОЦЕССОВ МЕТОДАМИ ИНТЕЛЛЕКТУАЛЬНОГО АНАЛИЗА ДАННЫХ
Куклина А.Г., Боровский А.В. (ГОУ ВПО БГУЭП, г. Иркутск, РФ)
The concept to automations of the constructor's labour is based in a milieau of geometric modeling and computer graphs. The IT-system had been developing autonomous for constructors, technologist. So engineering knowledges - a base of the designing, remained outside of computer. This position does not satisfy the modern requirements to automations.
Правительством РФ поставлена задача инновационного развития промышленности, что предполагает переход на компьютерные системы управления технологическими установками. В связи с этим, многократно возрастает роль проектирования автоматизированных систем управления технологическими процессами (АСУ ТП). Объективным препятствием повышению качества проектов и сокращению сроков их разработки является несоответствие между сложностью объектов промышленности и устаревшими методами и средствами их проектирования. Применение математических методов и ЭВМ при проектировании способствует повышению технического уровня и качества проектируемых объектов, сокращению сроков разработки и освоения их в производстве. Компьютеризация проектирования особенно эффективна, когда от локальной автоматизации, такой как выполнение отдельных инженерных расчетов, переходят к комплексной, создавая для этой цели системы автоматизированного проектирования (САПР). При создании САПР различают два разных подхода: с одной стороны - создание САПР в крупных, ведущих проектных и конструкторских организациях, а с другой - широкое распространение типовых расчетов, алгоритмов и программ в средних и заводских проектно-конструкторских организациях.
Как и другие типы автоматизированных систем, САПР является развивающейся системой. Технический прогресс в соответствующей отрасли должен сопровождаться непрерывным обновлением в САПР математических моделей, нормативов, данных о материалах комплектующих изделий.
САПР создается и функционирует в проектной организации как самостоятельная система и имеет свои специфические особенности, принципы создания и развития. В связи с этим выявлена проблема в проектировании систем управления технологическими объектами, так как традиционные САПР с их геометрическим, а не информационным ядром, не могут явиться основой для проектирования таких систем.
Научно-обоснованное распределение функций между человеком и ЭВМ подразумевает, что человек должен решать задачи, носящие творческий характер, а ЭВМ — задачи, решение которых поддается алгоритмизации.
Несмотря на все усовершенствования реализации АСУ ТП, САПР касается, в основном, геометрических функций и оказывают конструктору слабую помощь с точки зрения всего процесса конструкторского проектирования. Они обеспечивают описание геометрических форм и рутинные операции, такие как соблюдение размеров, генерация спецификаций. Эти ограничения и чисто геометрический интерфейс оставляет методологию конструкторской работы такой же, какой она была при использовании чертежной доски.
Итак, концепция автоматизации труда конструктора базируется на принципах геометрического моделирования и компьютерной графики. При этом системы компьютеризации труда конструкторов, технологов, технологов-программистов, инженеров-менеджеров и производственных мастеров развивались автономно, и инженерные знания – основа проектирования, оставались вне компьютера. Такое положение не удовлетворяет современным требованиям к автоматизации. Сейчас необходима комплексная компьютеризация инженерной деятельности на всех этапах жизненного цикла технологических процессов. Это ведет к изысканиям решений в данной области и наталкивает на мысль создания такого САПР, в котором помимо графических функций будут реализованы функции хранения и интеллектуальной обработки отображаемых сведений созданных проектировщиком схем. Таким образом, в данной работе обсуждается система, включающая в себя помимо графического ядра базу данных оборудования.
Сегодня базы данных могут коренным образом изменить характер работы специалистов, занятых в среде проектирования избавив их от выполнения рутинных процедур, связанных с поиском информации в многочисленных бумажных документах, справочниках и стандартах. Между тем, хороший инструментарий еще не означает высокого качества баз данных [3]. Например, для многих САПР часто оказывается, что базы данных для них создаются по остаточному принципу, без должной проработки и с излишним увлечением внешними эффектами в ущерб содержимому.
Очевидно, что базы данных должны содержать исчерпывающие и достоверные сведения из соответствующей предметной области [5]. Построены же они должны быть таким образом, чтобы конечный пользователь вне зависимости от своей специализации, (инженер, конструктор, технолог, производственник, снабженец, менеджер) мог оперативно получать по своим запросам в удобном и привычном для него виде и в соответствии с его специфическими потребностями любые сведения об объектах, не прибегая при этом дополнительно к каким-либо бумажным справочным пособиям. В зависимости от того, насколько качественно выполнены по своей форме и содержанию базы данных, входящие в состав САПР, во многом определяются работоспособность и эффективность функционирования среды автоматизированного проектирования в целом [4].
К сожалению, ряд баз данных для САПР обладает весьма существенными недостатками, такие как неудовлетворительная достоверность или некорректность данных о реальных объектах (эти проблемы обусловлены, в частности, наличием так называемых «грязных» данных, и неудовлетворительным выбором самих источников данных).
Низкое качество баз данных объясняется наличием разрыва между разработчиками и пользователями программных продуктов. Поэтому совершенно естественным представляется то, что успешное выполнение работ по созданию эффективных и качественных баз данных для различных предметных областей возможно только в случае, если к непосредственному участию в этой работе на всех ее этапах будут в обязательном порядке привлекаться профессиональные и квалифицированные специалисты соответствующей предметной области.
Для создания САПР необходимо:
1) автоматизировать процессы поиска, обработки и выдачи информации при создании чертежей и схем;
2) использовать методы оптимального и вариантного проектирования; применять эффективные, отражающие существенные особенности, математические модели проектируемых объектов, комплектующих изделий и материалов;
3) создавать банки данных, содержащих систематизированные сведения справочного характера, необходимые для автоматизированного проектирования объектов;
4) повышать качество оформления проектной документации; не допускать применение ручного труда при оформлении штампов, рамок, а также любых других обозначений по ГОСТу.
5) повышать творческую долю труда проектировщиков за счет автоматизации нетворческих работ.
Информационное обеспечение САПР должно использовать систему интеллектуального анализа данных (ИАД). Главным предназначением технологий интеллектуального анализа данных является обработка и представление знаний из накопленной ранее в базах данных, информационных хранилищах, на бумажных носителях и других источниках информации [2]. В данном случае на вход должна поступать информация из существующих источников (уже созданные спецификации оборудования, таблицы и т.д.), а результатом обработки будет служить база данных, содержащая всю нужную в проектировании информацию.
При наличии большого количества определений понятия «знания» здесь подразумевается зависимости и взаимосвязи, скрытые закономерности. Извлечение и представление знаний или познание скрытых связей и закономерностей в совокупностях данных различного объёма представляет собой проблему и для любых объёмов данных, когда связи между явлениями, процессами, фактами выражены неявно и неизвестны закономерности, согласно которым протекают процессы, происходят те или иные явления, события и факты [6].
Можно выделить типичный ряд этапов решения задач методами ИАД: формирование гипотезы, сбор данных, подготовка данных (фильтрация), выбор модели, подбор параметров модели и алгоритма обучения, обучение модели (автоматический поиск остальных параметров модели), анализ качества обучения, анализ выявленных закономерностей.
К специфическим методам интеллектуального анализа относятся: методы нечёткой логики, классификационные и регрессионные деревья решений, нейронные сети, генетические алгоритмы, байесовское обучение и кластеризация.
Эти методы стали весьма широко и эффективно применяться в связи с бурным развитием в последнее десятилетие XX века самих методик и соответствующих инструментальных средств. Они находят применение в тех ситуациях, когда обычные методы анализа трудно или невозможно применить из-за отсутствия сведений о характере или закономерностях исследуемых процессов, взаимозависимостях явлений, фактов, о поведении объектов и систем из различных предметных областей, в том числе в социальной и экономической.
С помощью этих методов при отсутствии априорной информации об объектах и их поведении и значительной её неполноте решаются следующие задачи:
- выделение в данных групп сходных по некоторым признакам записей;
- нахождение и аппроксимация зависимостей, связывающих анализируемые параметры или события;
- поиск наиболее значимых параметров данной проблеме (задаче);
- выявление данных, характеризующих значительные или существенные отклонения от сложившихся ранее закономерностей (анализ отклонений);
- прогнозирование развития объектов, систем, процессов на основе хранящейся ретроспективной информации или с использованием принципов обучения на известных примерах и другие задачи.
Решение перечисленных задач может осуществляться каким-либо из перечисленных выше методов или комплексно для получения наиболее адекватного решения. Средствами ИАД обеспечивается также оценка полученных результатов анализа и моделирования, в том числе оценка точности и устойчивости результатов, верификация моделей на тестовых наборах данных.
Интерпретация результатов компьютерной обработки возлагается на эксперта, он же ЛПР (лицо, принимающее решение). Различные методы дают различную пищу для размышлений. В самом простом случае — это таблицы и диаграммы, а в более сложном — модели и правила [1]. Полностью исключить участие человека невозможно, так как тот или иной результат не имеет никакого значения, пока не будет применен к конкретной предметной области. Однако имеется возможность тиражировать знания. Например, эксперт при помощи какого-либо метода определил, какие показатели влияют на кредитоспособность покупателей, и представил это в виде правила, которое можно внести в систему выдачи кредитов и таким образом значительно снизить кредитные риски, поставив их оценки на поток. При этом от человека, занимающегося собственно выпиской документов, не требуется глубокого понимания причин того или иного вывода. Фактически это перенос методов, когда-то примененных в промышленности, в область управления знаниями.
В данном проекте решение проблемы САПР АСУ ТП находится в разработке интеллектуальной БД, представляющей собой синтез двух систем. В первой части необходимо из существующих неорганизованных данных найти связующую информацию и классифицировать ее, а во второй сохранить ее в нужных структурах БД, чтобы в последующем специалисты могли воспользоваться полученной информации при проектировании.
Список литературы
1. Альперович М. Технологии хранения и обработки корпоративных данных (Data Warehousing, OLAP, Data Mining). - http://www.sft.ru/
2. Журавлёв Ю.И., Рязанов В.В., Сенько О.В. РАСПОЗНАВАНИЕ. Математические методы. Программная система. Практические применения, к книге прилагается компакт-диск с демоверсией программы «РАСПОЗНАВАНИЕ». — М.: Изд. «Фазис», 2006. — 176 с.
3. Ким А.А. Три основных недостатка современных хранилищ данных// Открытые системы. -2003. -№2.
4. Кожемякин Н.В. Данные решают все// САПР и графика. -2000.- №7.
5. Липаев В. Анализ качества баз данных// Открытые системы.- 2002.- №3.
6. Паклин Н.Б., Орешков В.И. Бизнес-аналитика: от данных к знаниям (+ СD). — СПб: Питер, 2009. — 624 с.