Управление процессом проектирования чугуна с вермикулярным графитом на основе базы прецедентов

Интеллектуальные системы управления сегодня общепризнаны как перспективное направление научных исследований. Актуальность интеллектуализации информационно-управляющих систем обусловлена развитием высоких технологий автоматизации и информатизации технологических процессов, базирующихся на фундаментальных научных открытиях, что позволяет эффективно реализовывать сложные вычислительные процедуры и повышает эффективность контроля и управления, а также качество готовой продукции. Одним из направлений литейного производства, где использование этих систем наиболее востребовано, является анализ и прогнозирование процессов проектирования ЧВГ.

Целью научной работы является: снижение затрат на процесс изготовления ЧВГ, уменьшение до минимума количество экспериментов и улучшение качества конечного продукта за счет использования базы прецедентов с многомерной моделью структуры. Для достижения поставленной цели потребовалось решение следующих задач:
- Анализ свойств ЧВГ и технологического процесса его изготовления;
- Анализ САПР в литейном производстве;
- Анализ моделей структур организации базы данных, методов их проектирования и систем управления БД;
- Разработка правил для функционирования базы прецедентов;
- Разработка алгоритма работы базы прецедентов;
- Разработка алгоритмов взаимодействия базы прецедентов с базой данных
- Выбор программного обеспечение для реализации базы прецедентов
- Выбор программного обеспечение для реализации базы правил
- Реализации базы правил и базы прецедентов;

Интеллектуальные системы управления сегодня общепризнаны как перспективное направление научных исследований. Актуальность интеллектуализации информационно-управляющих систем обусловлена развитием высоких технологий автоматизации и информатизации технологических процессов, базирующихся на фундаментальных научных открытиях, что позволяет эффективно реализовывать сложные вычислительные процедуры и повышает эффективность контроля и управления, а также качество готовой продукции. Одним из направлений литейного производства, где использование этих систем наиболее востребовано, является анализ и прогнозирование процессов проектирования ЧВГ. 

 

На основании проведенного анализа был выбран ER-метод проектирования БД. Модель «сущность-связь» (англ. “Entity-Relationship model”) или ER-модель является наиболее известным представителем класса семантических (концептуальных, инфологических) моделей предметной области. База данных решает следующие задачи: хранение и выдача данных о литье, его этапах, получаемых деталях, механических и химических свойствах отливок, применяемых печах и модификаторах. В качестве СУБД используется SQL Server, т.к. в процессе анализа были выявлены его преимущества перед другими. Он позволяет создавать важные приложения и решения для работы с большими данными, используя высокоэффективную технологию обработки в памяти. В качестве ПО, с помощью которого будет реализовываться база прецедентов, выбрана Microsoft Analysis Services (Службы анализа от Microsoft) - часть Microsoft SQL Server, системы управления базами данных (СУБД). Microsoft включила набор служб в SQL Server, связанных с бизнес-анализом и хранением данных. Эти службы включают в себя службы интеграции (Integration Services) и службы анализа (Analysis Services). Analysis Services, в свою очередь, включают в себя набор средств для работы с OLAP и интеллектуальным анализом данных.  В качестве средства реализации базы правил была выбрана среда CLIPS. Она является одной из наиболее широко используемых инструментальных сред для разработки экспертных систем благодаря своей скорости, эффективности и бесплатности. 

Проектируемая база прецедентов, а также база данных и база правил, является частью интеллектуальной системы проектирования ЧВГ. Интеллектуальная система состоит из Базы Знаний, которая включает в себя базу данных, базу прецедентов и базу правил. Функционирование интеллектуальной системы проектирования ЧВГ разбито на три этапа: этап обучения, этап моделирования технологического процесса, этап управления технологического процесса. Функциональная часть базы знаний представлена блоками: формирования образа для поиска прецедента, поиска прецедента, выбора оптимального образа, интерпретации и прогнозирования.

Структура OLAP состоит из источника данных, многомерного хранилища и  аналитической части. Источник данных – это база данных, многомерное хранилище - это куб с измерениями и мерами, а аналитическая часть включает в себя произвольные запросы и многомерный анализ. Данные из источника развертываются в куб, при этом из измерений строятся иерархии. Всего построено 3 измерения с иерархиями: «Деталь» с уровнями иерархий: тип техники, класс транспортного средства, тип транспортного средства, деталь; «Литье» с уровнями иерархий: тип металла, тип чугуна, тип ЧВГ, литье; «Время» с уровнями иерархий: год, квартал, месяц, неделя, дата.

БД источника включает такие таблицы как: литье, модификатор, печь, шихтовой материал, этапы, детали и др. Из числа отобранных в базу прецедентов элементов мы получаем структуру прецедент. В прецедент внесены такие данные как код литья, тип металла, дата, модификатор, температура, химический состав, механические свойства и др.

Данные базы прецедентов обновляются периодично. Сначала происходит обновление измерений с иерархиями и мер, затем развертывается куб и происходит сохранение изменений.

После получения запроса, происходит его интерпретация и формируется запрос для базы прецедентов, затем запрос корректируется на основании правил и получаем срез данных из базы прецедентов. Дальнейшая сортировка также происходит на основании правил и результат выдается пользователю.

База правил состоит из: правил поиска схожих прецедентов, правил сортировки, правил исключительных ситуаций.

Сначала происходит загрузка модулей, шаблонов, правил, затем происходит получение фактов из базы данных и базы правил. Далее запускается процедура поиска правила, если правила есть, то они выполняются, если правила не найдены, ведется поиск причины. При нахождении причины выполняется его предусмотренное действие, если причина не обнаружена происходит запуск блока прогнозирования.

В результате поиска мы получаем множество кортежей, часть из которых принадлежат одному и тому же прецеденту. Далее дубликаты отсеиваются, и информация подается пользователю.

1) Андреев В.В. Особенности формирования литой структуры высокопрочных чугунов и разработка эффективных технологий изготовления отливок с высокими параметрами эксплуатационных свойств. // Диссертация на соискание ученой степени д.т.н. М.: 2012. 4 с.
2) Фраерман А.И. Экспертная система по базе знаний предметной области технологий микро- и наосистем. М.: 2012. 1 с.
3) Интернет-ресурс: Структура систем искусственного интеллекта. http://www.itstan.ru/it-iis/struktura-i-tipy-sii.html
4) Потапов М.В. Интеллектуальные информационные системы. // Учебно-методические материалы. Воскресенск. 2013. 43 с.
5) Симонова Л.А., Костюк И.В. Формирование базы знаний системы инструментообеспечения // 2009. №8. С.22-28.
6) Кудрявцев И.В. Материалы в машиностроении Выбор и применение. Т.IV. М.: 1989. 70 c.

Intelligent control systems it is now widely accepted as a promising direction of research. The relevance of intellectualization information management systems due to the development of high technologies of automation and Informatization of technological processes, based on fundamental scientific discoveries, which allows to efficiently implement complex computational procedure and increases the efficiency of control and management, as well as the quality of the finished product. One of the areas of foundry where the use of these systems the most popular is the analysis and forecasting of processes of design of cast iron with vermicular graphite.