Конференции ИВТ СО РАН

Тезисы докладов

Информационные технологии

В настоящее время в условиях быстро меняющейся социально-экономической, технологической и политической ситуации, а также внедрение автоматизированных систем возникли более сложные задачи, связанные с интеллектуализацией систем управления в производстве, в которых отсутствует информация о вероятностях, а прогнозирование осуществляется на основе субъективных оценок лица, принимающего решение. Одной из важных составляющих этапа подготовки производства является процесс выбора технологического маршрута, оптимального с точки зрения конкурентоспособности и прибыльности предприятия. Машиностроительное производство имеет тенденцию к многократным повторениям — один и тот же ТП процесс может выполняться многократно и в разные промежутки времени, в зависимости от необходимости выпуска конкретного изделия. Поэтому наиболее эффективным решением для машиностроительного предприятия является применение СППР, основанных на прецедентах. В данных системах принятие решения заключается в поиске аналогичных ситуаций и адаптации прежних решений под новые условия. В состав такой СППР входит база прецедентов (БП), в которой вся информация о принятых решениях хранится в виде прецедентов. Такой тип организации информации имеет преимущества перед другими, в первую очередь, из-за типа хранимой информации, которая представляет собой данные об уже прошедших событиях (прецедентах), также такая форма представления знаний удобна для поиска необходимой информации, так как данные представляют собой оценки конкретных ТМ. После вычисления показателей для всех рассматриваемых альтернатив, производится расчет интегральных показателей по технологическим и ERP-критериям и ранжирование всех альтернатив по комплексному критерию.

В ситуации, когда СППР не может подобрать однозначного прецедента, экспертное оценивание остается единственным способом определения качественных показателей. Анализ применяемых в автоматизированных системах машиностроительных предприятий методов обработки экспертной информации, показал, что наиболее точные и адекватные оценки можно получить при применении комбинации нескольких методов. Принимаем, что поиск значений для качественных критериев производится в азработанной базе прецедентов. При отсутствии соответствующего прецедента предложено использовать методику экспертного опроса для получения показателей. На основании функциональной модели с учетом поставленных требований для СППР были определены следующие структурные блоки: база прецедентов, блок обработки прецедентов в базе и извлечения необходимых для формирования решения данных, набор процедур обработки экспертных предпочтений, блок методов для расчета количественных показателей, блок определения приоритетности критериев оптимальности, редактор эталонов и база эталонов Предложена иерархическая структура базы прецедентов в соответствии со структурным разделением ТП на 6 иерархических уровней (ТП, Операция, … , рабочий ход): Выбор прецедента из базы осуществляется последовательно, начиная с верхнего уровня. При отсутствии соответствующего прецедента на уровне, поиск осуществляется вглубь на следующем структурном уровне. В свою очередь, каждый уровень характеризуется определенными признаками, которые могут принимать определенные значения. Тем самым каждый иерархический уровень разбивается на соответствующие классы, и модель ТП представляет собой древовидную иерархическую структуру. Значения на верхнем уровне представляют собой функционал всех значений коэффициентов для нижних уровнях, так как отдельный уровень ТП содержит в себе некоторую совокупность элементов следующего уровня. Разбиение на классы по уровням осуществляется на основании выделенных основных признаков, например для уровня технологического процесса классами являются типы деталей: вал, диск, корпус.

Все значения прецедентов на каждом уровне относятся к оответствующему классу. Следовательно, на каждом уровне группа прецедентов имеет общие признаки класса и надкласса. Такая структура соответствует кластерной иерархической структуре, следовательно, для организации прецедентов, записи и хранения информации предложено использовать сочетание методов классического кластерного анализа, которые являются наиболее подходящими для анализа сложных многомерных объектов, не требуют предварительной структуризации информации, то есть можно классифицировать объекты, не имея данных о предварительном их разбиении (анализ неструктурированной совокупности прецедентов). Для разбиения на кластеры прецедентов предложено использовать различные методы, в зависимости от условий производства, известных требований, состояния базы прецедентов, числа анализируемых прецедентов. Также, для добавления новых прецедентов в имеющуюся базу прецедентов, используются методы дискриминантного анализа. Методика предусматривает выбор методов кластерного анализа, в зависимости от этих условий. При необходимости предварительной структуризации информации используют методы нечеткой кластеризации. При известном количестве кластеров, на которые производится разбиение, пользуются алгоритмом нечетких с-средних (FCM). В случае отсутствия каких-либо априорных предположений относительно количества нечетких кластеров используется метод субтрактивной нечеткой кластеризации. При анализе небольшого числа прецедентов используется иерархический метод кластеризации. При известном количестве необходимых кластеров используется методика разбиения на кластеры на базе искусственных нейронных сетей. В случае, когда количество кластеров заранее неизвестно, используется метод максимина, при использовании которого выбирается прототип кластера и наиболее удаленный от него объект, объекты делятся на кластеры. Для машиностроительного производства в предложенной методике мера близости кластеров определяет величину различия структурных элементов каждого уровня иерархии ТП, характеризующиеся определенным набором признаков, например, различие класса длинных и класса коротких валов для шестого уровня ТП.

С целью недопущения избыточности базы прецедентов и для удаления избыточных данных в дополнение к базе прецедентов создана база эталонов, которая хранит эталоны - наиболее типичные представители кластеров. В качестве эталона для кластера принимает значение центра кластера, так как он является наиболее типичным представителем кластера. Для защиты от избыточного дублирования информации методика предполагает удаление повторяющихся прецедентов, и объединение похожих кластеров в один. Запись нового прецедента в базу осуществляется в следующей последовательности: - Новый прецедент сравнивается с эталонами и находится ближайший из имеющихся: - Определяется кластер, к которому принадлежит данный эталон: - Происходит сравнение нового прецедента с прецедентами кластера: Если мера близости для большинства признаков больше пороговой величины, то подобного прецедента нет в БП, производится его запись в кластер БП. Если мера близости между ними меньше пороговой величины, то в БП имеется подобный прецедент, нет необходимости в записи результата.

В случае, когда СППР не может принять решения на основании лишь данных из БП, предлагается использовать методы экспертного оценивания для определения показателей. Для повышения точности экспертного оценивания при получении оценок качественных показателей предложена методика, предусматривающая использование различных методов вычисления весовых показателей критериев в зависимости от того, возможно ли оценивание важности критериев относительно друг друга. При отсутствии информации о важности частных критериев используются теоретико-игровые методы. В качестве обобщенного критерия оптимальности используется средневзвешенный степенной критерий ( -средний по Колмогорову), структура которого задается ЛПР на первом этапе экспертного оценивания, с учетом производственных требований для каждого конкретного заказа. Методика определения приоритетности критериев комбинированным экспертным опросом разработана на основе использование сочетания наиболее распространенных в условиях производства методов: экспертного опроса: метода непосредственной оценки, метода ранжирования и метода полных парных сравнений. Сбор и математическая обработка экспертной информации проводится тремя методами с целью получения наиболее надежного и эффективного результата. Для определения взаимной важности критериев используется балльная шкала интенсивности предпочтений Саати. В том случае, когда критерии являются взаимозависимыми, например себестоимость, затраты на ускорение поставок и штрафные санкции, для ранжирования альтернативных технологических маршрутов в работе предлагается использовать метод Electre. Для большей наглядности предложено при выборе оптимального варианта ТМ по интегральным показателям пользоваться графическими методами. Совокупный показатель по технологической и ERP-системам определяется графически, как расстояние от центральной линии в плоскости показателей.

Методика апробирована для технологических маршрутов обработки детали «полуформа правая» шифр детали: 02-0423-4017-001 ОАО «Камаз-Металлургия» СТП 104.51-038-4.2.3-013-2004 Сравнение результата, предложенного СППР, с фактическими данными из производства по стоимостным критериям, доказала адекватность модели. Погрешность вычислений СППР относительно показателей из функционирующего производства составила 4,1%. Точность распознавания прецедента при использовании аппарата нейронных сетей составила 98%, для 5 кластеров при размере обучающей выборки 500 значений.В реальных производственных условиях на выбор оптимального технологического маршрута на этапе подготовки производства затрачивается до 10 рабочих дней. Использование предложенной методики даже с учетом необходимости экспертного опроса позволяет сократить до 1 дня сроки принятия решения и передачу результатов в автоматическом режиме .

Примечание. Тезисы докладов публикуются в авторской редакции

Ваши комментарии Обратная связь

[Головная страница] [Конференции]

© 1996-2000, Институт вычислительных технологий СО РАН, Новосибирск
© 1996-2000, Сибирское отделение Российской академии наук, Новосибирск