ФОРМИРОВАНИЕ ПОЛЯ ЗНАНИЙ ИНТЕЛЛЕКТУАЛЬНЫХ ОБУЧАЮЩИХ СИСТЕМ ДЛЯ ДИСЦИПЛИН ТЕХНОЛОГИЧЕСКОГО ЦИКЛА В.И.Пименов

ФОРМИРОВАНИЕ ПОЛЯ ЗНАНИЙ ИНТЕЛЛЕКТУАЛЬНЫХ ОБУЧАЮЩИХ СИСТЕМ ДЛЯ
ДИСЦИПЛИН ТЕХНОЛОГИЧЕСКОГО ЦИКЛА
В.И.Пименов
Санкт-Петербургский государственный университет технологии и дизайна
Тел.: (812) 312-25-67, e-mail: pimenov@sutd.ru
Промышленные технологии – один из самых сложных для формализации разделов человеческих знаний, в котором
одним из важнейших факторов целенаправленного преобразования объектов является субъективный компонент. На
практике любой технологический процесс (ТП) представляет последовательность ряда частных технологических
этапов, часто характеризующихся неизвестными нелинейными взаимосвязями и большим набором переменных.
Параметрами, характеризующими все этапы технологической цепочки, являются: входные характеристики
исходных ингредиентов – используемого сырья, материалов или деталей; условия протекания ТП; выходные
переменные – потребительские свойства – показатели качества произведенной продукции и показатели
работоспособности изделия после его эксплуатации.
Множество классов представляет собой возможные наименования продукции, сортность, уровни потребительских и
эксплуатационных показателей качества при одной и той же структуре технологической цепочки. Классификация
выполняется специалистом-экспертом или автоматически по сочетанию потребительских свойств продукции.
Классифицирующими показателями ТП могут быть не только выходные признаки, но и входные параметры
промежуточного звена технологической цепочки.
Извлечение знаний из данных, представленных в форме “объект–атрибуты”, сводится к задаче обучения
интеллектуальной системы. Обучение на примерах широко распространено в теории распознавания образов. Для
описания классов объектов используются реализованные прецеденты, известные принадлежностью одному из
распознаваемых (описываемых) классов.
Наиболее удобными для построения экспертно-обучающих систем продукционно-фреймового типа являются
решающие правила (РП), основанные на дискриминантных методах распознавания, когда границы между классами
определяются разделяющими гиперповерхностями в признаковом пространстве.
В процессе обучения выполняется решение следующих основных задач: интервальное кодирование
количественных признаков (установка порогов) и выбор оптимального рабочего словаря признаков; выбор класса
решающих правил: логического, линейно-логического, кусочно-линейного, квадратичного или более сложного;
определение параметров выбранного алгоритма (параметрическая адаптация распознающей базы знаний).
Семантическая интерпретация представляющей поле знаний системы РП упрощается, если обучение
распознаванию выполнялось в глобальном пространстве входных и выходных признаков технологического процесса в
классе логических РП, разбивающих пространство гиперплоскостями, ортогональными координатным осям. Эти
правила можно применять как для непрерывнозначных переменных, так и для признаков, измеряемых в порядковых и
номинальных шкалах.
В качестве логического правила можно использовать бинарную решающую матрицу (БРМ), число строк в которой
равно суммарному числу интервалов кодирования признаков рабочего словаря, а количество столбцов – числу классов
описываемых объектов.
Заполнение бинарной матрицы учебно-методических материалов для всей совокупности параметров
технологического процесса происходит по следующему правилу:
– элемент БРМ равен нулю, если рассматриваемый диапазон значений признака не обязателен для изготовления
продукции текущего класса или не соответствует ей;
– элемент БРМ равен единице, если значение признака необходимо или целесообразно для изготовления
продукции текущего класса.
После выполнения процедуры интервального кодирования признаков методом, обеспечивающим разделение всех
непересекающихся по данному признаку классов минимальным числом порогов, оптимальный рабочий словарь
находится как решение задачи о покрытии. Оставшиеся признаки характеризуют отличительные для каждого класса
настройки параметров. Значениям таких признаков соответствуют строки матрицы, содержащие одну единицу. При
гипермедийном представлении на фрагмент учебного материала, описывающий характерный прием для получения
изделий требуемого класса, будет дана одна гиперссылка.
Значения отличительных признаков, для которых строки матрицы содержат по нескольку единиц, определяют
повторяющиеся для некоторых классов изделий процедуры, на которые будет даваться несколько гиперссылок.
Оставшееся дополнение множества признаков рабочего словаря относительно глобального априорного словаря
определяет общие (базовые) декларативные сведения, которыми следует овладеть для выполнения начальных
действий по созданию большинства видов изделий.
Если в строке матрицы содержатся все единицы, то данное значение признака является характеристикой всей
предметной области и определяет фрагмент вводной части учебно-методических материалов. Если в строке
содержатся одни нули, то соответствующий фрагмент выходит за рамки рассматриваемой предметной области.
Строки матрицы, содержащие 30–70% единиц, свидетельствуют о возможности выделения соответствующих
классов изображений в отдельное подмножество. Оптимизация рабочего словаря признаков может быть проведена в
каждом подмножестве классов для определения соответствующих базовых фрагментов знаний.
Построенные БРМ позволяют разбить учебный материал на информационные блоки и установить связи между
ними. После титульной страницы следует информационный блок с гиперссылками-наименованиями выделенных
подмножеств изображений. В нем представлены указатели на вводную декларативную часть УММ и на
информационные блоки подмножеств, содержащие указатели на базовые понятия подмножеств и на классы изделий.
Информационный блок каждого класса включает указатель на декларативный фрагмент и перечень указателей на
процедуры создания и обработки преобразуемых объектов. Информационный процедурный блок с отличительными
для каждого класса настройками параметров воспроизводится по уникальной гиперссылке. Повторяющиеся
процедурные блоки представляются несколькими указателями для различных классов объектов.
При постоянном пополнении и корректировке база знаний о технологических процессах может быть использована в
различных системах учебного назначения. В режиме тестирования система, основанная на знаниях, выбирает
известные решения и предлагает студенту указать совокупность свойств исходных материалов и параметров
технологического процесса, обеспечивающих выбранный уровень потребительских свойств. В режиме тренажера
решается обратная задача – показываются пути достижения заданного качества с помощью подсистемы объяснений.