Streszczenie
Zagadnienie oceny stanu obiektów technicznych nabiera szczególnego znacze-nia głównie w fazie eksploatacji, ze wzglĊdu na uwarunkowaznacze-nia ekonomiczne i eko-logiczne. Stosowane obecnie urządzenia diagnozujące stan obiektów, takich jak po-jazdy samochodowe, ograniczają siĊ jedynie do pomiarów. Sprawy znacznie siĊ komplikują, jeĪeli chodzi o stan, w jakim był obiekt przed np. wypadkiem lub, jaka jest prognoza, co do dalszej jego eksploatacji. W artykule omówiono problematykĊ tworzenia systemu doradczego dla potrzeb technik wirtualnych w badaniu stanu ma-szyn.
Słowa kluczowe: techniki wirtualne, systemy doradcze, badania diagnostyczne 1. Wprowadzenie
Pojawienie siĊ technologii cyfrowej, a uprzednio elektronicznej i elektrycznej, w znaczącym stopniu wpłynĊło na obraz naszego współczesnego Ğwiata. Rewolucja technologiczna, skoncentro-wana wokół technik informacyjnych pozwoliła skonstruowaü nowe poziomy komunikacji, a co za tym idzie — współzaleĪnoĞci i współbieĪnoĞci, przeobraziła z duĪym przyspieszeniem materialne podstawy społeczeĔstwa.
Wirtualna rzeczywistoĞü (ang. virtual reality – VR) obraz sztucznej rzeczywistoĞci stworzony przy wykorzystaniu technologii informatycznej [1, 10], czyli to co wygląda realnie, jest odczuwane realnie, działa lub zachowuje siĊ realistycznie, aczkolwiek w rzeczywistoĞci realne nie jest.
Sztuczną rzeczywistoĞü tworzy siĊ przy wykorzystaniu technologii komputerowej. Polega ona na multimedialnym kreowaniu komputerowej wizji przedmiotów, przestrzeni i zdarzeĔ Ğwiata real-nego (symulacje komputerowe), jak i zupełnie fikcyjreal-nego (gry komputerowe science-fiction), nie-istniejącego w naturze. Uzyskuje siĊ to poprzez generowanie obrazów, efektów akustycznych, a nawet zapachowych. Za twórcĊ pojĊcia Virtual Reality (VR) uwaĪa siĊ Jarona Laniera. Steve Bryson na podstawie swoich prac w NASA razem z Jaronem Lanier zdefiniował rzeczywistoĞü wirtualną w nastĊpujących słowach: "RzeczywistoĞü wirtualna jest sposobem uĪycia technologii komputerowej w tworzeniu efektu interaktywnego, trójwymiarowego Ğwiata, w którym obiekty dają wraĪenie przestrzennej (fizycznej?) obecnoĞci." ("Virtual Reality is the use of computer technology to create the effect of an interactive three-dimensional world in which the objects have a sense of spatial presence."). Podstawowym przykładem są gry komputerowe, w których dzieci uczą siĊ wie-lu uĪytecznych umiejĊtnoĞci jak zdolnoĞü kojarzenia faktów, refleks, rozwiązywanie zagadek oraz kształcą pamiĊü wzrokową [4].
Programy edukacyjne pomagają w uatrakcyjnianiu procesu nauczania. Trudno sobie obecnie wyobraziü współczesną technikĊ bez symulacji jazdy, czy architektonicznych programów wspiera-jących budownictwo. Powstanie VR łączy siĊ z wejĞciem w trzeci etap rozwoju cywilizacyjnego, kiedy skoĔczyła siĊ modernistyczna rewolucja produktywnoĞci. VR otrzymywana przez nowocze-sne technologie informatyczne pozwoliła na przynamniej czĊĞciową realizacje pomysłów takich ludzi jak Stanisław Lem. W eseju Summa technologia w roku 1964 napisał, Īe wejĞcie do rzeczy-wistoĞci wirtualnej jest jakby podróĪą w jedną stronĊ, z której nie ma powrotu. Bo wychodząc z "maszyny fantomatycznej" (jak to nazwał Lem), nigdy nie moĪemy byü pewni, czy to wyjĞcie nie jest tylko elementem symulacji. MoĪe byü przecieĪ tak, Īe kiedy juĪ bĊdziemy wychodziü z ma-szyny, odłączaü elektrody, zamykaü oprogramowanie itd., wszystko to dalej bĊdziemy robiü tylko na niby — w wirtualnej rzeczywistoĞci. Abstrahując nawet od tego paradoksu, ale pozostając bli-sko science fiction, warto wspomnieü o kulturze cyberpunk dla której VR jest niezmiernie istotnym elementem. Obecnie łatwiej niĪ kiedyĞ (za pomocą choüby ksiąĪek fantastycznych) oderwaü siĊ od otaczającej rzeczywistoĞci. W mgnieniu oka moĪna z szeregowego pracownika biurowego staü siĊ kimĞ o niesamowitych zdolnoĞciach, włączając odpowiednia grĊ. Cyberpunk koncentruje siĊ naj-czĊĞciej na mrocznej stronie wpływu technologii na człowieka. Istotnym jest połączenie człowieka z maszyną, od cybernetyki, przez całkowicie sztuczne ciała, po zwykłe uzaleĪnienie człowieka od techniki w podstawowych czynnoĞciach dnia powszedniego. Jest teĪ postmodernistycznym rajem [4], gdzie np. według Wiliama Gibsona autora Neuromancera, w celu zwiĊkszenia moĪliwoĞci ludzkiego organizmu stosowane są cybernetyczne rozszerzenia (tzw. cyberdecks ) zdolne m.in. wymieniaü informacje ze Ğwiatową siecią komputerową. Bohater poruszający siĊ w ten sposób w sieci, znajdował siĊ w cyberprzestrzeni. Wizja Gibsona stała siĊ inspiracją dla innych autorów oraz wielu sieciowych społecznoĞci. Choü przykłady podane powyĪej są technologicznymi absur-dami jak na dzieĔ dzisiejszy, ale Ğrodowisko odbiorców cyberkultury nie ogranicza siĊ juĪ tylko do wąskiego grona wielbicieli cyberpunka. ĝwiadczy o tym choüby komercyjny sukces filmu Matrix braci Wachowskich. Cyberkultura obecnie jest utoĪsamiana z Internetem i tak właĞnie odnosi swo-je sukcesy. Nie mogłyby siĊ swo-jednak rozwinąü podobne formy kultury, gdyby nie postĊp technolo-giczny, który jest związany z kształceniem.
2. Sztuczna inteligencja – definicja, reprezentacja wiedzy, poszukiwanie rozwiązaĔ
Przez wiele dziesiątków lat próbowano zastosowaü komputery do rozwiązania problemów, które do tej pory uwaĪano wyłącznie za rozwiązywalne przez ludzki umysł. Tak narodziła siĊ sztuczna inteligencja. PojĊcie to pojawiło siĊ juĪ w latach piĊüdziesiątych, a obecnie definicja sztucznej inteligencji przedstawia siĊ nastĊpująco: Sztuczna inteligencja (angielskie artificial in-telligence, AI), dział informatyki zajmujący siĊ konstruowaniem maszyn i algorytmów, których działanie posiada znamiona inteligencji. Rozumie siĊ przez to zdolnoĞü do samorzutnego przysto-sowywania siĊ do zmiennych warunków, podejmowania skomplikowanych decyzji, uczenia siĊ, rozumowania abstrakcyjnego itp.
W badaniach nad sztuczną inteligencją wyróĪniamy wiele nurtów. Maksymalny program, jaki stawia przed sobą ta dziedzina to stworzenie maszyn o inteligencji dorównującej, a nawet przewyĪ-szającej ludzką. Program minimalny to stworzenie algorytmów lub maszyn przejawiających tylko jakiĞ wąski aspekt inteligencji, np. grających w szachy lub rozpoznających obrazy czy automatycz-nie tworzących raporty lub ekspertyzy w wybranej dziedziautomatycz-nie wiedzy.
Sztuczna inteligencja jest dziedziną bardzo kontrowersyjną, jednak chĊtnie badaną przez wiele firm. Badacze tej dziedziny natrafili na szereg problemów. NajpowaĪniejszym jest to, Īe komputer jest jedynie maszyną, nie potrafi niczego sam wymyĞliü, poniewaĪ „nie myĞli” w ludzkim znacze-niu tego słowa. Nie posiada intuicji, podĞwiadomoĞci, stanów emocjonalnych (to akurat moĪna uznaü za jedną z powaĪniejszych zalet komputerów). Komputer jednak ma szereg bardzo powaĪ-nych zalet dających mu przewagĊ nad człowiekiem. Jego podstawową zaletą jest szybkoĞü doko-nywanych obliczeĔ. W tym wzglĊdzie człowiek nigdy nie doĞcignie maszyny. Jednak obliczenia te nie są twórcze, a jedynie przetwarzane z kodu programu, który został wprowadzony przez człowie-ka. Komputer musi, wiĊc siĊ jakoĞ komunikowaü z człowiekiem. Dzieje siĊ to za pomocą progra-mu. Człowiek wprowadza dane, komputer analizuje je, wykonuje operacje i odpowiada. MoĪna powiedzieü, Īe działa to na zasadzie dialogu, a wiĊc powstaje wraĪenie jakby obie strony przeka-zywały swoje myĞli. Widzimy wiĊc, Īe komputer sprawia wraĪenie jakby myĞlał, miał inteligencjĊ. To jest właĞnie sztuczna inteligencja.
Do sprawdzenia, czy dany system (program) posiada inteligencjĊ (oczywiĞcie sztuczną) wyko-rzystuje siĊ test Turinga, zwany inaczej testem nie rozróĪnialnoĞci (indistinguishability test). Pole-ga on na tym, Īe maszynĊ uwaĪa siĊ za inteligentną, jeĞli bezstronny obserwator zadając pytania systemowi nie bĊdzie w stanie stwierdziü, czy odpowiedzi pochodzą od człowieka czy od maszyny. Realizacją tego testu moĪe byü np. gra w szachy. Systemy sztucznej inteligencji okreĞla siĊ jako systemy oparte na wiedzy (knowledge based system), bowiem w metodach SI nastĊpuje przejĞcie od przetwarzania danych do przetwarzania wiedzy.
PoniĪszy model (rys. 1.) ukazuje powiązania róĪnych dziedzin, które korzystają lub tworzą sztuczną inteligencjĊ.
Rysunek1. Model wejĞciowo-wyjĞciowy sztucznej inteligencji ħródło: Opracowanie własne.
Cały zarys historyczny moĪna podzieliü ogólnie na cztery etapy. Pierwszy etap obejmuje lata 1945–1955. W okresie tym powstały komputery oraz bardzo gwałtownie rozwinĊła siĊ dziedzina cybernetyki. Prekursorem tej dziedziny był N. Wiener, który napisał dzieło „Cybernetics”. Po-wstawały równieĪ pierwsze prace z dziedziny sztucznej inteligencji, miĊdzy innymi stworzony zo-stał wspomniany wczeĞniej test Turinga.
Drugi etap rozwoju sztucznej inteligencji obejmuje lata 1955 – 1970. W tym czasie rozwija siĊ koncepcja sztucznej inteligencji, okreĞla siĊ jej przeznaczenie, rozwija siĊ pojĊcie robotyki i heu-rystyki, nastĊpuje gwałtowny rozwój komputerów. Na początku lat szeĞüdziesiątych powstaje pro-gram „rozwiązywania problemów ogólnych” (GPS – General Problem Solver). Pozwoliło to na zajmowanie siĊ rozwiązywaniem prostych, nieskomplikowanych problemów, ale za to z niemal kaĪdej dziedziny (ogólnikowo). DziĊki temu przedsiĊwziĊciu rozwinĊły siĊ róĪnego rodzaju pro-gramy dla róĪnych gier, ale takĪe propro-gramy do automatycznego dowodzenia twierdzeĔ – przykła-dem moĪe byü opracowanie programu gry w szachy, który wykorzystywał doĞwiadczenie z przeby-tych juĪ partii, aby działaü jeszcze skuteczniej.
Drugi etap był równieĪ przełomowy ze wzglĊdu na stworzenie w tym okresie podstawowych narzĊdzi programowych, miĊdzy innymi znanego na całym Ğwiecie jĊzyka Lisp (List Processing Language). Jego twórcą jest J. McCarthy, a sam jĊzyk oparty jest na przetwarzaniu struktur listo-wych. Głównym powodem stworzenia tego jĊzyka było odejĞcie od przekształcania typu nume-rycznego, ogólnie przyjĊtego w informatyce na przekształcanie symboli. Z tego powodu jĊzyk ten bardzo szybko znalazł zastosowanie przy tworzeniu programów równania symbolicznego, uprosz-czenia wyraĪeĔ algebraicznych oraz do tworzenia programów dowodzenia twierdzeĔ i wnioskowa-nia.
Kolejny trzeci etap w rozwoju sztucznej inteligencji przypada na lata 1970 – 1980. Był to bar-dzo ciĊĪki okres w rozwoju tej dziedziny, zwłaszcza jej początkowe lata. Ludzie wiązali z tą dzie-dziną zbyt wielkie nadzieje i chcieli szybkich efektów, a przecieĪ nie wszystko da siĊ osiągnąü od razu, w bardzo szybkim czasie, zwłaszcza w tak trudnej dziedzinie. ZaczĊła pojawiaü siĊ krytyka badaĔ nad SI, miĊdzy innymi raport Lighthill (1971 rok). Ludzie w porĊ jednak zrozumieli, ze błĊ-dem było ograniczenie badaĔ wyłącznie do metod wnioskowania. Dlatego teĪ wiĊkszą uwagĊ zwracano teraz na metody reprezentacji wiedzy i powiązania jej z systemem, który zajmował siĊ daną dziedziną. ZaczĊły powstawaü pierwsze systemy doradcze rozwiązujące problemy ze ĞciĞle okreĞlonej dziedziny Īycia. Do programów (systemów doradczych), które powstały w tym okresie moĪemy zaliczyü: MYCIN, MACSYMA, EMYCIN. Ponadto w okresie tym stworzony został jĊ-zyk programowania PROLOG (Programming In Logic), a wkład w jego powstanie mają równieĪ polscy naukowcy.
Po 1970 roku powstał nowy kierunek w dziedzinie sztucznej inteligencji – inĪynieria wiedzy (knowledge engineering). Jej podstawowymi załoĪeniami jest tworzenie metod programowania opisujących pozyskiwanie wiedzy pochodzącej od ekspertów, strukturalizowanie jej, dopasowy-wanie odpowiednich technik wnioskowania oraz tworzenie interfejsów, czyli komunikacji uĪyt-kownika z komputerem.
Ostatnim, czwartym etapem jest okres po 1980 roku. Jest to okres badaĔ ukierunkowanych na bezpoĞrednie zastosowania sztucznej inteligencji. Obecnie w uĪytku jest bardzo duĪo rozmaitych systemów doradczych. Sztuczna inteligencja jako dziedzina znalazła zastosowanie miĊdzy innymi w robotyce, przy tworzeniu robotów reagujących na otoczenie (za pomocą mowy, analizy scen).
Prym w tej dziedzinie wiedzie Japonia. Interfejs uĪytkownika z systemem doradczym (kompute-rem) jest coraz bardziej naturalny i przyjazny.
Po 1980 roku wprowadzone zostały nastĊpujące projekty badawcze: • projekt komputerów piątej generacji (Japonia),
• projekt zaawansowanej technologii informacji (Anglia),
• projekt ESPRIT (Europen Strategic Program for Research and Development In Information Technology),
• projekt MCC (Microelectronics Computer Technology Corporation – USA). 3. Architektura systemu
System ekspertowy (doradczy – SE) – to program komputerowy, przeznaczony do rozwiązy-wania specjalistycznych problemów, które wymagają profesjonalnej ekspertyzy na poziomie trud-noĞci pokonywanych przez ludzkiego eksperta.
Dowolny program komputerowy moĪe byü systemem ekspertowym o ile na podstawie szcze-gółowej wiedzy „potrafi” wyciągaü wnioski i uĪywaü ich podejmując decyzjĊ, tak jak człowiek. Bardzo czĊsto zdarza siĊ jednak, iĪ taki system, pracujący w czasie rzeczywistym, pełni swoją rolĊ lepiej niĪ człowiek (ekspert). Główną przewagą systemu ekspertowego nad człowiekiem jest szyb-koĞü oraz brak zmĊczenia.
Systemy ekspertowe, ze wzglĊdu na zastosowanie, moĪemy podzieliü na trzy ogólne kategorie: • systemy doradcze (advisory systems),
• systemy krytykujące (criticizing systems),
• systemy podejmujące decyzje bez kontroli człowieka.
Pierwszy rodzaj – systemy doradcze, zajmują siĊ doradzaniem, tj. wynikiem ich działania jest metoda rozwiązania jakiegoĞ problemu. JeĪeli rozwiązanie to nie odpowiada uĪytkownikowi, moĪe on zaĪądaü przedstawienia przez system innego rozwiązania, aĪ do wyczerpania siĊ moĪliwych rozwiązaĔ.
Odwrotnym działaniem do systemów doradczych charakteryzują siĊ systemy krytykujące. Ich zadaniem jest ocena rozwiązania (danego problemu) podanego przez uĪytkownika systemowi. Sys-tem dokonuje analizy tego rozwiązania i przedstawia wyniki w postaci opinii.
Ostatnim rodzajem systemów ekspertowych są systemy podejmujące decyzje bez kontroli człowieka. Działają one niezaleĪnie. Pracują najczĊĞciej tam gdzie udział człowieka byłby niemoĪ-liwy, same dla siebie są autorytetem.
Najszersze i najliczniejsze zastosowanie wĞród systemów ekspertowych mają systemy dorad-cze. Budowane dziĞ systemy doradcze wykorzystują róĪne metody reprezentacji wiedzy: reguły, ramy, sieci semantyczne, rachunek predykatów, scenariusze. Najbardziej powszechną metodą jest reprezentacja wiedzy w formie reguł i przewaĪnie wielkoĞü systemu okreĞla liczba wpisanych re-guł. PrzyjĊto, Īe system, który posiada poniĪej 300 reguł nazywany jest zazwyczaj małym, Ğrednim systemem ekspertowym, kiedy zawiera od 300 do 2000 reguł, zaĞ powyĪej – systemem duĪym [3].
Aby zbudowaü inteligentny program bĊdący systemem ekspertowym naleĪy go wyposaĪyü w duĪą iloĞü prawdziwej i dokładnej wiedzy z dziedziny, jaką bĊdzie zajmował siĊ dany system. Ogólnie mówiąc wiedza jest informacją, która umoĪliwia ekspertowi podjĊcie decyzji. Zasadni-czym celem przy realizacji systemu ekspertowego jest pozyskanie wiedzy od ekspertów, jej
struk-turalizacja i przetwarzanie. Proces pozyskiwania wiedzy przedstawia rys. 2.
Rysunek 2. Proces pozyskiwania wiedzy ħródło: [4].
Wiedza jest pobierana przez inĪyniera wiedzy od eksperta z danej dziedziny, w razie niejasno-Ğci inĪynier zwraca siĊ z pomocą do eksperta. NastĊpnie jest strukturalizowana do bazy wiedzy, skąd moĪe byü przetwarzana. Strukturalizacja bazy wiedzy polega na jej zapisywaniu w formie przyjĊtej do jej zapisywania tzw. reprezentacja wiedzy. Wiedza w systemach ekspertowych (do-radczych) moĪe byü reprezentowana w postaci reguł, sieci semantycznych, ram, wykorzystujących elementy logiki rozmytej, rachunku prawdopodobieĔstwa, teorii zbiorów itp.
Problematyka reprezentacji wiedzy jest jednym z najwaĪniejszych nurtów badaĔ w dziedzinie sztucz-nej inteligencji. Systemy ekspertowe wykorzystują do rozwiązywania problemów jawnie wyraĪoną wiedzĊ z okreĞlonej dziedziny. Wiedza ta musi byü wczeĞniej opisana (sformalizowana) za pomocą tzw. jĊ-zyka reprezentacji wiedzy i wprowadzona do systemu. Kluczowym pojĊciem jest tu wiedza, czyli w uproszczeniu zbiór wiadomoĞci z okreĞlonej dziedziny.
W kontekĞcie systemów ekspertowych wiedzĊ moĪna okreĞliü jako informacje o Ğwiecie, umoĪliwia-jące ekspertom rozwiązywanie problemów i podejmowanie decyzji. Przez reprezentacjĊ wiedzy bĊdziemy tu rozumieü sposób odwzorowania tej wiedzy w okreĞlony formalizm, który jest „zrozumiały" dla systemu ekspertowego. Oznacza to zdolnoĞü SE nie tylko do statycznego przechowywania fragmentu wiedzy (systemy statyczne) o Ğwiecie, ale równieĪ jej efektywne przetwarzanie w celu znalezienia rozwiązania postawionego przed nim problemu. EfektywnoĞü systemu jest bardzo waĪnym kryterium z punktu widzenia praktycznej realizacji systemów ekspertowych (doradczych).
NarzĊdzia programowe (expert system tool), które słuĪą do tworzenia systemów ekspertowych, moĪna podzieliü na dwie grupy:
• jĊzyki programowania: jĊzyki systemów ekspertowych, jĊzyki sztucznej inteligencji, inne jĊzyki programowania,
• szkieletowe systemy ekspertowe (ang. expert system shells lub skeletal systems).
Opracowanie systemu ekspertowego, przy zastosowaniu pierwszego podejĞcia jest zadaniem bardzo pracochłonnym i wymaga zatrudnienia programistów o wysokich kwalifikacjach. Alternatywą jest zasto-sowanie systemu szkieletowego, zawierającego gotowy podsystem przetwarzania wiedzy. W takim przy-padku zadanie twórcy systemu polega głównie na pozyskiwaniu i sformalizowaniu wiedzy ekspertów, co równieĪ jest zadaniem niełatwym. Do narzĊdzi umoĪliwiających realizacjĊ systemu ekspertowego (do-radczego), w ramach drugiego podejĞcia naleĪą systemy szkieletowe.
Znane są rozwiązania takich zastosowaĔ. Do nich moĪna zaliczyü system szkieletowy MAS (rys. 3.)
MS Windows DOS BIOS Hardware *.exe *.ini *.dll wnd.* Global heap Mas.exe DDE Message
Rysunek 3. Struktura systemu szkieletowego MAS ħródło: [3,4].
Program główny MAS (rys. 3.) pozwala na uruchomienie innych programów, z którymi ko-munikuje siĊ zgodnie z protokołem DDE (Dynamic Data Exange). W procesie dynamicznej wy-miany danych program główny moĪe wystĊpowaü w roli nadrzĊdnej (DDE klient) System MAS jest systemem otwartym, współdziała z innymi aplikacjami systemu Windows i bazami danych zgodnymi z formatem stosowanym przez program dBase IV.
Innym rozwiązaniem jest system szkieletowy PC Shell. System szkieletowy PC-Shell (rys. 4.) jest narzĊdziem do tworzenia systemów ekspertowych z takich dziedzin wiedzy jak: ekonomia, diagnostyka, geologia, pracujących w systemie operacyjnym Windows 9x/NT.
Edytor Symulator sieci neuronowej Moduł wnioskowania Trabslator opisu jĊzyka
bazy wiedzy Sterowanie
Moduł wyjaĞnieĔ
Interfejs
uĪytkownika Interfejsplików PrzĊglądarka ħródło n
ħródło 1 Baza wiedzy fakty, reguły, program
STRUKTURA SYSTEMU PC-Shell
Rysunek 4. Struktura systemu szkieletowego PC Shell ħródło: [3].
System szkieletowy „Exsys” przeznaczony jest do budowy systemów doradczych, w których wiedza reprezentowana jest za pomocą reguł [2,3,6]. Edytor systemu „Exsys” składa siĊ z kilku zasadniczych modułów: moduł zapisu konkluzji, moduł zapisu pytaĔ (faktów), moduł zapisu zmiennych, moduł tworzenia drzew decyzyjnych, moduł tworzenia reguł i moduł kontroli popraw-noĞci bazy wiedzy (rys. 5.).
Moduł celów
konkluzji ModułpytaĔ zmiennychModuł Moduł
drzew
Moduł
reguł Moduł kontrolibazy wiedzy Baza wiedzy Moduł sterujący dialogiem Moduł wnioskowania Sieü neuronowa Bazy danych Arkusze kalkulacyjne Inne programy Interfejs uĪytkownika
Rysunek 5. Struktura systemu szkieletowego Exsys ħródło: [5].
Tworzenie systemu doradczego rozpoczyna siĊ od wprowadzenia danych początkowych mają-cych zasadniczy wpływ na budowĊ bazy wiedzy, a tym samym systemu doradczego. Dane począt-kowe systemu to: wybór pewnoĞci przedziału konkluzji, wybór metody przeszukiwania bazy wie-dzy, wprowadzenie danych tekstowych o systemie, wybranie sposoby wyĞwietlania reguł, wybór komunikowania siĊ z innymi aplikacjami (system otwarty). RozpoczĊcie tworzenia bazy wiedzy (zapisu reguł, symptomów, faktów) moĪe byü realizowane dwoma sposobami: przez tworzenie drzewa decyzyjnego lub zapisu reguł. InĪynier wiedzy podczas jej formalizowania ma moĪliwoĞü zapisywania reguł prostych i złoĪonych. W przypadku wyboru graficznego zapisu drzew decyzyj-nych reguły proste i złoĪone tworzone są w sposób półautomatyczny (bloki reguł wybierane są w specjalnym oknie dialogowym [5].
4. System doradczy dla potrzeb techniki wirtualnej
Zaproponowany systemu doradczego w swoim zakresie wnioskowania bĊdzie obejmowała wszystkie rodzaje badaĔ diagnostycznych [7,8,9]. Wraz z rozwojem sztucznej inteligencji i rozwo-jem informatyki, pojawiły siĊ moĪliwoĞci i potrzeba, ustalania historii eksploatacji obiektu tech-nicznego, czyli ustalenia pewnych faktów, które doprowadziły obiekt do stanu w0 (rys. 6.).
Rysunek 6. Rodzaje badaĔ diagnostycznych w powiązaniu z charakterystyką zuĪycia i parametrem stanu obiektu
ħródło: [8].
JeĪeli posłuĪymy siĊ przy okreĞlaniu stanu w1, w0 i w2, wartoĞcią parametru diagnostycznego p, bądĨ jego charakterystyką i przedstawimy to na rysunku okreĞlającym zmiany parametru diagno-stycznego lub charakterystyki w zaleĪnoĞci od czasu momentu Īycia obiektu, to otrzymamy ogólną charakterystykĊ, dającą siĊ zastosowaü jako pewna zmienna dla systemu ekspertowego, którego zadaniem na podstawie diagnozy, bĊdzie wyznaczenie genezy eksploatowanego obiektu lub pro-gnozy, co do jego dalszej eksploatacji. ZaleĪnoĞci te przedstawiono na rys. 6.
W okresie T0, który nazywamy okresem docierania nastĊpuje szybki wzrost zuĪywania siĊ współpracujących czĊĞci, a tym samym stabilizacja parametru diagnostycznego p0 do wartoĞci p1, przy załoĪeniu, Īe wartoĞü początkowa parametru diagnostycznego była p0.
Okres T2, to okres właĞciwej eksploatacji obiektu technicznego i stały wzrost parametru dia-gnostycznego do wartoĞci p2 w czasie Īycia obiektu T2. Okres trzeci T3, to okres przyspieszonych zmian w strukturze obiektu, a tym samym intensywny wzrost parametru diagnostycznego, do war-toĞci w punkcie Z, w którym nastĊpuje zniszczenie struktury i dalsza praca obiektu jest niemoĪli-wa. Punkt Z jest punktem krytycznym, okreĞlanym jako awaria obiektu technicznego.
Istota budowy systemu doradczego opartego na charakterystykach przedstawionych na rysun-ku 6, polegaü bĊdzie na wyznaczaniu genezy i prognozy dla obiektu, dla którego postawiono dia-gnozĊ w punkcie A. Bardzo istotnym elementem tak przedstawionej charakterystyki jest przyrost parametru diagnostycznego p w czasie, wyraĪony przy pomocy kąta Į.
2 1 2
T
p
p
tg
α
=
−
(1)WartoĞü kąta Į zasadniczo wpływa na przebieg charakterystyki Īycia obiektu, a zasadniczo na punkt krytyczny Z. Przebieg charakterystyki jest wiĊc zaleĪny przede wszystkim od warunków an-tropotechnicznych (układu człowiek, obiekt techniczny, Ğrodowisko), jak i warunków zewnĊtrz-nych (warunków eksploatacji).
Dla identycznych obiektów technicznych róĪnych, co do czynników wymienionych wyĪej, otrzymamy róĪne charakterystyki Īycia obiektu, róĪne diagnozy, róĪne genezy jak i prognozy, co pokazano na rysunku 7.
Rysunek 7. Charakterystyki Īycia obiektu w zaleĪnoĞci od warunków antropotechnicznych i eksploatacyjnych
Pomimo, Īe w punkcie A otrzymamy zbliĪone wartoĞci parametrów diagnostycznych, które bĊdą kwalifikowaü obiekt do stanu zdatnoĞci, to zarówno w genezie jak i prognozie, bĊdą siĊ one zasadniczo od siebie róĪniły. Jak pokazano na rysunku 7, wartoĞci parametrów diagnostycznych, charakterystycznych dla krzywych Īycia obiektu przesuwają siĊ w kierunku osi rzĊdnych wpływa-jąc na zasadniczo na punkt Z, przesuwawpływa-jąc go do punktu Z’ i Z’’.
W ostatnich latach intensywny rozwój sztucznej inteligencji, a w tym systemów ekspertowych (doradczych), stworzył moĪliwoĞci zastosowania systemu doradczego do rozwiązania tego pro-blemu, jakim jest ustalenie genezy np. sposobu eksploatacji obiektu technicznego, co nie jest bez
znaczenia na prognozĊ, a tym samym wyznaczenie czasu, T dla punktu Z. StrukturĊ takiego syste-mu w którym zostaną zastosowane charakterystyki Īycia obiektu ( zespołów, podzespołów i czĊ-Ğci) pokazuje rysunek 8. WartoĞci parametrów diagnostycznych lub całe charakterystyki stanu, bĊdą zapisywane w bazie danych wzorcowych i danych pomiarowych, które równieĪ mogą stano-wiü systemy wspomagania zarządzania eksploatacją obiektów technicznych np.: systemy CMMS (Computerised Maintenance Management Systems), czyli programów wspomagających utrzymanie ruchu.
Rysunek 8. Architektura systemu doradczego dla potrzeb technik wirtualnych
Na podstawie tak przyjĊtych charakterystyk, jest moĪliwe opisanie stanu technicznego obiektu i wyznaczanie wszystkich trzech elementów badania diagnostycznego tj na podstawie wartoĞci pa-rametrów diagnostycznych w punkcie A, okreĞlanie genezy i prognozy, co do stanu obiektu w1 i w2, w okreĞlonych czasach wg rys. 7.
Proces konstruowania systemu doradczego naleĪy do zagadnieĔ inĪynierii wiedzy. Zasadni-czym celem inĪynierii wiedzy jest pozyskiwanie wiedzy (powinien to byü proces ciągły), jej struk-turalizacja, przetwarzanie zwane akwizycją wiedzy. Obiekt techniczny, który w przyszłoĞci bĊdzie podlegał takiemu badaniu powinien byü juĪ na etapie konstruowania „wyposaĪany” w tego typu, lub podobne charakterystyki oraz wartoĞci parametrów stanów granicznych, co jest niezbĊdnym do prawidłowego działania systemu. OdrĊbny problemem jest wybór zespołu ekspertów o tak zwanej zgodnej opinii oraz cała metodologia związana z pozyskiwaniem i zapisywaniem wiedzy do syste-mu.
5. Podsumowanie
Przedstawiony tu system doradczy dla potrzeb techniki wirtualnej w eksploatacji i bezpieczeĔ-stwa obiektów technicznych pokazuje, Īe zrealizowanie tego zadania jest zadaniem trudnym i wy-maga zgromadzenia bardzo obszernej wiedzy o obiekcie technicznym, w zaleĪnoĞci od wartoĞci parametrów diagnostycznych, metod ich diagnozowania, okreĞlonych na podstawie Īycia obiektu, czy zastosowanych modeli.
Jedynie zapisanie tej wiedzy w systemie doradczym (ekspertowym) opartym na wiedzy algo-rytmicznej bądĨ deklaratywnej, pozwoli w przyszłoĞci na rozwiązywanie problemów w zakresie badaĔ diagnostycznych dotyczących genezowania i prognozowania stanu maszyn, a takĪe szcze-gólnie w badaniach stanu zagroĪeĔ bezpieczeĔstwa i Ğrodowiska eksploatowanych maszyn.
Bibliografia
1. Castells M.: SpołeczeĔstwo sieci, PWN, Warszawa 2000 r.
2. Cholewa W., Pedrycz W.: „Systemy doradcze”; Skrypt uczelniany Politechniki ĝląskiej nr 1447. Gliwice 1987 r.
3. Cholewa W., Korbicz J., KoĞcielny J., Kowalczuk Z.: Diagnostyka procesów, WNT, Warsza-wa 2002 r.
4. Jarynowski A.: Wirtualne aspekty nauki i techniki, racjonalista.pl, 2009 r.
5. Kupraszewicz W.: Rozprawa doktorska „Budowa i egzemplifikacja systemu doradczego wy-branego silnika wysokoprĊĪnego”; ATR, Bydgoszcz 2002 r.
6. Mulawka J. J.: „Systemy ekspertowe” WNT Warszawa 1996 r.
7. NiziĔski S.: „Elementy diagnostyki obiektów technicznych”; Uniwersytet Warmi Ĕsko-Mazurski. Olsztyn 2001 r.
8. ĩółtowski B. Tylicki H.: „Wybrane problemy eksploatacji maszyn”; Wyd. PWSZ, Piła 2004 r. 9. ĩółtowski B;Cempel Cz.: „InĪynieria diagnostyki maszyn”; Wyd. BPE, PTT i ITE-PIB,
Ra-dom 2004 r.
10. Zacher, L.: Transformacje społeczeĔstw od informacji do wiedzy, racjonalista.pl, 2005 r. PracĊ zrealizowano w ramach projektu „Techniki wirtualne w badaniach
sta-nu, zagroĪeĔ bezpieczeĔstwa i Ğrodowiska eksploatowanych maszyn”.
THE ADVISORY SYSTEM IN VIRTUAL TECHNIQES USED IN INVESTIGATION OF TECHNICAL OBJECTS CONDITION
Summary
The problem of evaluation of technical objects condition gathers special signifi-cance mainly in exploitation phase, by means of economic and ecological condi-tions. Devices used for object diagnostics as vehicles state, restrain currently only to measurements. It becomes more complicated, when it comes to the objects state i. e. prior to accident or prognosis regarding its further exploitation. This article discuss issues connected to making of the advisory system used for virtual techniques in in-vestigation of machines condition.
Keywords: virtual techniques, advisory systems, diagnostics investigation
Wiktor Kupraszewicz Instytut Politechniczny
Zakład Budowy i Eksploatacji Maszyn
PaĔstwowa WyĪsza Szkoła Zawodowa im. Stanisława Staszica w Pile ul. PodchorąĪych 10, 64-920 Piła
tel. (067) 352-26-12
