Разработка  структуры  и  алгоритма  работы  базы  прецедентов  в  интеллектуальной  системерасчета  нормы  расхода  инструмента

Афлятунова  Венера  Алмасовна

магистр,  ГОУ  ВПО  «Камская  государственная  инженерно-экономическая  академия»,  г.  Набережные  Челны

E-mail:  venera1203@mail.ru

Симонова  Лариса  Анатольевна

профессор,  д.  т.  н.,  ГОУ  ВПО  «Камская  государственная  инженерно-экономическая  академия»,  г.  Набережные  Челны

Важная  роль  в  бесперебойном  обеспечении  предприятия  необходимыми  инструментами  принадлежит  инструментальному  хозяйству.  Сложность  организации,  планирования  производства  и  эксплуатации  инструментов  обуславливается  огромной  номенклатурой,  высоким  требованиям  к  качеству  и  стойкости  и  большим  влиянием  инструментального  хозяйства  на  экономику  предприятия.  Значительный  объем  анализируемых  данных  требует  немалого  времени  для  их  ручной  обработки  и  принятия  решения  в  сложившейся  ситуации.  Этим  и  обусловлена  необходимость  использования  автоматизированной  системы  поддержки  принятия  решений,  предназначенной  для  формирования  точных  данных  расхода  инструмента.  В  основе  таких  систем  могут  лежать  различные  методы  обработки  информации,  в  частности,  использование  интеллектуальной  системы  поддержки  принятия  решений.  В  области  проектирования  и  реализации  программных  систем  искусственного  интеллекта  весьма  актуальными  являются  задачи  моделирования  правдоподобных  рассуждений  на  основе  прецедентов  в  интеллектуальных  системах  поддержки  принятия  решений  [1],  в  том  числе  задачи  организации  представления  и  хранения  данных  и  знаний  (прецедентов),  а  также  разработки  эффективных  методов  работы  с  распределенными  данными.

Для  разработки  начального  состояния  базы  прецедентов  необходимо  взять  за  основу  данные,  полученные  из  опытного  исследования.  За  основу  были  взяты  3  вида  деталей  и  опытным  путем  определено  вид  и  количество  расходуемых  инструментов  на  1000  деталей.  Опытные  данные  приведены  в  таблице  1.

Таблица  1.  Экспериментальные  данные

Согласно  полученным  данным,  в  первоначальном  состоянии  база  прецедентов  будет  содержать  следующие  прецеденты  [2;  3]:

1.  если  патрубок  из  сплава  АК9ч  обрабатывается  в  техоперации  обрезка,  то  инструмент  Фреза  ф550  и  расход  инструмента  на  1000  отливок  составляет  2шт.;

2.  если  патрубок  из  сплава  АК9ч  обрабатывается  в  техоперации  Зачистка  машинная,  то  инструмент  Дисковой  напильник  и  расход  инструмента  на  1000  отливок  составляет  2шт.;

3.  если  патрубок  из  сплава  АК9ч  обрабатывается  в  техоперации  зачистка  ручная,  то  инструмент  Зубило  и  расход  инструмента  на  1000  отливок  составляет  1шт.;

4.  если  колено  из  сплава  Ак9пч  обрабатывается  в  техоперации  зачистка  машинная,  то  инструмент  Дисковой  напильник  и  расход  инструмента  на  1000  отливок  составляет  5шт.;

5.  если  колено  из  сплава  Ак9пч  обрабатывается  в  техоперации  зачистка  машинная,  то  инструмент  Дисковой  напильник  и  расход  инструмента  на  1000  отливок  составляет  5шт.;

6.  если  колено  из  сплава  Ак9пч  обрабатывается  в  техоперации  зачистка  машинная,  то  инструмент  Дисковой  напильник  и  расход  инструмента  на  1000  отливок  составляет  5шт.

Учитывая  приведенные  выше  опытные  данные  и  специфику  работы  интеллектуальной  системы  (сложность  получения  ответа  при  помощи  логического  рассуждения)  база  прецедентов  была  разделена  на  следующие  классы:

·     исходные  данные,  т.е.  данные  получаемые  с  интерфейса  пользователя;

·     опытные  решения,  т.е.  решения,  которые  получены,  но  не  подтверждены  экспертом;

·     эталонные  решения,  решения,  которые  подтверждены  экспертом  и  являются  прецедентами.

Рисунок  1.  Классы  и  алгоритм  формирования  прецедента

Алгоритм  работы  базы  прецедентов  состоит  в  модификации  исходных  данных  следующим  образом  [1;  2]:

·     анализируются  данные  детали  –  ее  форма,  вид  обработки  и  сплав,  из  которого  состоит  деталь;

·       далее  данные  сравниваются  с  уже  существующими  прецедентами;

·     определяется  эталонное  решение  с  тем  же  параметрами,  в  котором  заложен  метод  расчета  нормы  расхода  инструмента;

·     исходные  данные  и  метод  расчета  передается  в  блок  вычисления,  т.е.  происходит  модификация  эталонного  решения;

·     в  результате  данной  модификации  получаем  опытное  решение,  которое  идет  на  подтверждение  эксперту;

·     после  подтверждения  эксперта,  формируется  прецедент,  сохраняющийся  в  базе.

Список  литературы:

1.Бредихин  К.Н.,  Варшавский  П.Р.  Распределенный  вывод  на  основе  прецедентов  в  интеллектуальных  системах  поддержки  принятия  решений  //  Теория  и  практика  системного  анализа:  тр.  I  Всерос.  науч.  конф.  молодых  ученых.  Рыбинск:  РГАТА  им.  П.А.  Соловьева,  2010.  Т.  1.  С.  57–62.

2.Варшавский  П.Р.,  Еремеев  А.П.  Моделирование  рассуждений  на  основе  прецедентов  в  интеллектуальных  системах  поддержки  принятия  решений  //  Искусственный  интеллект  и  принятие  решений.  2009.  №2.  С.  45–47.

3.Гречишников  В.А.  Моделирование  систем  инструментального  обеспечения  автоматизированных  производств.  Москва,  1988,  серия  8  (Инструментальное  и  технологическое  оснащение  металлообрабатывающего  производства:  ВНИИТЭМР.  Вып.4).