Современные тенденции развития методов проектирования технологических процессов объемной штамповки

Развитие научного подхода к решению задач обработки металлов давлением и обобщение накопленного практического опыта являются предпосылками создания эффективных технических решений, направленных на интенсификацию штамповочного производства.

Наряду с развитием методов решения определенных технических задач большое внимание уделяется проблемам методологии проектирования. Это связано с тем, что усложнение технологических процессов и превращение их в сложные технические системы приходит в противоречие с традиционными принципами проектирования, когда сравнению подвергаются несколько альтернативных вариантов технологических процессов, выбранных технологом. В этом случае качество принимаемого технического решения полностью ставится в зависимость от знаний, опыта и интуиции проектировщика. Нерациональное решение, а порой и ошибки, допущенные на этапе проектирования, выявляются после апробации процесса, когда уже затрачены значительные средства на его реализацию. В условиях современного производства при повышении требований, предъявляемых к технологическим процессам и срокам их реализации, традиционные методы проектирования становятся неэффективными. Решить проблему возможно на основе автоматизации проектирования технологических процессов.

Создание и использование систем автоматизированного проектирования. Проектирование технологических процессов рассматривается как сложный специфический вид созидательной деятельности разработчика, основанный на глубоких научных знаниях и творческом поиске, использовании накопленного опыта и приобретенных навыков. В процессе этой деятельности исходная информация, включающая чертеж детали, марку металла, серийность выпускаемых деталей, технические требования и т.п., преобразуется в выходную информацию: чертеж поковки, технологическую карту, чертежи штампов и др.

Наибольшее распространение при автоматизации проектирования технологии получили системы автоматизированного проектирования технологических процессов (САПР ТП), включающие комплекс средств автоматизации проектирования: технические средства, математическое и программное обеспечение. Системное единство САПР ТП обеспечивается наличием комплекса взаимосвязанных моделей, определяющих технологический процесс в целом, а также комплексом системных интерфейсов, осуществляющих указанную взаимосвязь.

Дальнейшее совершенствование методов автоматизированного проектирования связано с расширением использования системного подхода при решении и технологических задач. Системный подход позволяет исследовать разные по сложности технологические процессы с единой системной точки зрения. Для принятия решения на основе системного анализа предусмотрено проведение декомпозиции сложной проблемы на более простые компоненты.

Основная задача системного анализа состоит в том, чтобы помочь исследователю разработать единый критерий оценки приемлемого варианта решения на основе анализа сложных несоизмеримых факторов, характеризующих технологическую систему, и связанных с ними различных вариантов решения. Принятые решения рассматриваются как выбор наиболее предпочтительного решения из множества допустимых альтернативных решений или некоторое упорядочивание этого множества. Типовая схема принятия решения представлена на рис. 1.7. Нахождение наилучшего решения на множестве целей, называемое задачей многоцелевой оптимизации, связано с решением многокритериальной задачи.

Однако, знание системного подхода и владение методами системного анализа недостаточно для ведения практической системотехнической деятельности. Необходимо знание предметной области, умение выделить в многообразии частных задач проектирования основные противоречия и найти оптимальный способ их разрешения в конкретных условиях.

Специфика процесса объемной штамповки обусловила необходимость разработки и применения САПР ТП в этой области металлообработки и, прежде всего, для автоматизированного проектирования технологических процессов горячей объемной штамповки. В числе первых - работы Р.А. Вайсбурда, посвященные решению проблемы автоматизации проектирования с позиций теории оптимального управления.

Устоявшиеся правила проектирования, имеющиеся научно обоснованные классификаторы поковок, методические рекомендации, руководящие технические материалы (PTM) и соответствующие стандарты способствовали четкой формализации задач и этапов проектирования технологических процессов горячей объемной штамповки, а также определению правил принятия решений. В связи с этим, при решении оптимизационных задач при автоматизированном проектировании в САПР ТП получили распространение известные методы исследования операций.

Новым толчком в развитии методов автоматизированного проектирования технологических процессов объемной штамповки послужило создание статистических моделей этих процессов. Оценка вероятности тех или иных событий на основе их статистических моделей позволяет оптимизировать принятие решения в условиях риска.

Еще более сложным становится принятие решения в условиях неопределенности, когда трудно получить не только достоверную, но и вероятностную оценку качества решения. Такая ситуация возникает, когда критериев качества принимаемого технологического решения много и реальное решение всегда будет компромиссом, неизвестным заранее.

В силу специфики производственных условий различных предприятий и бесконечного разнообразия форм изготавливаемых деталей, возникла необходимость в разработке САПР ТП, способных обучаться и адаптироваться в изменяющихся условиях производства.

В связи с возрастающими потребностями машиностроения в точных деталях и известными преимуществами ХОШ и ПГОШ перед горячей объемной штамповкой ведутся работы по созданию автоматизированных процедур проектирования и САПР ТП ХОШ и ПГОШ. Наибольших успехов в этой области достигли ученые НПУ "ХПИ", НИИТавтопрома, ОмГТУ, МГТУ "Станкин", а также ряда ведущих предприятий. Известны примеры реализованных проектов в этой области и за рубежом.

Прогресс в решении задач автоматизации проектирования процессов ХОШ и ПГОШ в нашей стране стал возможен благодаря фундаментальным работам Л.Г. Степанского, Г.Я. Гуна, А.Г. Овчинникова, В.А. Евстратова, Г.А. Навроцкого, B.Л. Колмогорова, В.А. Кроха, Г.П. Тетерина и других исследователей.

К числу основных затруднений, стоящих на пути разработчиков САПР ТП ХОШ и ПГОШ, следует отнести несовершенство методологической базы и самих процессов проектирования технологических процессов; отсутствие объективных критериев оценки технологических процессов и связанная с этим малая достоверность принимаемых технических решений.

Анализ работ по автоматизации проектирования во многих случаях выявляет несовершенство методологии самого проектирования и приводит к необходимости одновременного решения задач по совершенствованию процессов проектирования. Взгляды различных авторов на концепции совершенствования и развития методологии проектирования в одном полностью сходны: в основе проектирования должен лежать системный подход.

Другим перспективным направлением совершенствования методов моделирования сложных систем и автоматизации принятия решений является создание и использование интеллектуальных систем.

Особенности создания систем искусственного интеллекта. Ведущая роль широкого внедрения вычислительной техники в производстве, научных исследованиях и управлении отводится компьютерным системам с элементами искусственного интеллекта. Системы искусственного интеллекта, являясь человеко-машинными системами, предполагают возможность как автономной работы, так и в диалоге с человеком. При этом, чем более развита человеко-машинная часть системы, тем более совершенной считается система искусственного интеллекта. Область искусственного интеллекта является одним из важнейших направлений кибернетики, включающая ряд самостоятельных проблем: теорию игр; распознавание образов; доказательство теорем и логический вывод; робототехнику; экспертные системы и принятие решений; восприятие естественных языков; адаптивное программирование; инженерия знаний и др. На рис. 1.8 представлены основные направления исследований в области искусственного интеллекта.

Э. Хант выделяет два четко определенных класса научных проблем: распознавание образов и решение задач, которые лежат в основе исследований по искусственному интеллекту. Эти и другие проблемы являются конкретным его приложением.

Большое внимание специалистов по искусственному интеллекту привлекает создание систем общения человека с компьютером на естественном языке. К настоящему времени в мире создано немало таких систем (свыше 60), которые в большинстве случаев имеют экспериментальный характер.

Принципы построения систем распознавания образов. Одним из фундаментальных направлений исследований в области искусственного интеллекта является проблема распознавания образов. Без решения задач распознавания и классификации невозможно создание интеллектуальных систем, которые позволяют поднять на новый уровень автоматизацию производственных процессов.

Разнообразие задач распознавания образов можно охарактеризовать тремя параметрами: способом, которым предъявляется обучающее множество; типом правила классификации, которое должен построить классификатор, и видом описания классифицируемых объектов.

Проблема машинного обучения (автоматической классификации) является одной из наиболее активно изучающихся проблем искусственного интеллекта. Существует два общих метода классификации: параллельный и последовательный. Независимо от метода классификации распознаваемые объекты описываются вектором признаков. В параллельной процедуре производится ряд тестов над всеми компонентами вектора, а затем делается предположение о принадлежности объекта классу на основе объединенного результата этих тестов. В процедуре последовательной классификации сначала проверяется некоторое подмножество компонент вектора описания, а затем в зависимости от результатов этих тестов или проводится классификация, или выбирается новая совокупность тестов и новое подмножество компонент вектора описания, после чего указанный процесс повторяется.

В большинстве задач классификации объект может быть описан набором результатов измерений. В дополнение к этому описание может состоять из списка признаков, неподдающихся измерениям. Структурные описания выделяют взаимоотношения между компонентами объекта. Формирование понятий - процесс построения обобщенных описаний классов объектов. В связи с этим распознавание образов является сложным взаимодействием двух систем, первая из которых решает интеллектуальную задачу формирования понятий, а вторая, используя сформированное понятие, решает интеллектуальную задачу непосредственного распознавания.

Теории распознавания образов и ее практическому применению посвящено много работ, в некоторых из них формулируются методологические основы и дается гносеологический анализ современного состояния теории распознавания образов.

Одним из основных затруднений распознавания образов является проблема выделения и выбора признаков, характеризующих объекты классификации и группирования, задача усложняется отсутствием формализованных методов, которые позволили бы выделить априорный набор разделяющих признаков для достоверного распознавания. Интуиция, опыт, метод проб и ошибок так или иначе используются при определении исходного набора признаков исследуемых объектов.

При решении задач автоматизации классификации и группирования распознаваемые объекты различаются с помощью некоторых дискриминантных (решающих) правил, в которые входят признаки объектов. Геометрической интерпретацией решающих правил являются разделяющие поверхности, вид которых определяется характером расположения распознаваемых объектов в заданном множестве. Способы определения дискриминантных правил зависят от объема априорной информации, при ее неполноте возникает необходимость обучения распознаванию образов.

Принципы построения экспертных систем. Известным и широко используемым типом систем, основанных на знаниях, являются экспертные системы. Экспертная система характеризуется как вычислительная система, в которую включены знания специалистов по конкретной предметной области. Совокупность накопленных знаний в области технологической подготовки процессов ХОШ и ПГОШ позволяет успешно завершить работы по созданию экспертной системы. Рассмотрим общие принципы построения подобных систем.

В пределах рассматриваемой области система способна принимать экспертные решения. Экспертные системы обладают следующими особенностями, отличающими их от традиционных программ:

- решения обладают ясностью, высоким качеством и требуют минимальных ресурсов;

- решения являются результатом применения символических рас-суждений, базирующихся на эвристиках (применительно к искусственному интеллекту эвристики представляют собой правила, руководствуясь которыми интеллектуальная система движется к поставленной цели);

- системы способны объяснять свои действия и знания;

- системы способны приобретать от эксперта новые знания и менять свое поведение в соответствии с ними;

- решаемые задачи являются сложными и практически значимыми;

- системы имеют естественно языковой интерфейс.

Компонентами экспертной системы являются: база знаний; интерпретатор, решающий на основе имеющихся знаний поставленную задачу; лингвистический процессор, осуществляющий диалоговое взаимодействие на естественном для пользователя языке; компонента приобретения знаний; объяснительная компонента, поясняющая и отвечающая на вопросы о ходе рассуждений. Наиболее общей является архитектура экспертной системы, представленная на рис. 1.9.

Обширность и качество базы знаний определяет мощность экспертной системы, однако сам процесс выявления и представления знаний — плохо определенная и трудоемкая задача.

Основными этапами построения экспертной системы, которые показаны на рис. 1.10, являются: накопление первичного опыта на основе разработки и реализации проблемно ориентированных систем; обобщение первичного опыта реализации, выделение общих принципов разработки отдельных блоков и формирование концепции оболочек экспертных систем; формирование концепции программного окружения экспертной системы.

Знания, позволяющие эксперту получать эффективные решения задач, носят эвристический, экспериментальный характер, являясь неопределенными, правдоподобными. Причина этого заключается в том, что решаемые задачи не формализованы или слабо формализованы. Приобретение знаний экспертной системой - наиболее узкое место при ее создании. Работа с экспертом - один из главных источников знаний. Как правило, экспертная система моделирует знания одного или нескольких высококвалифицированных экспертов, в то же время она может содержать и опыт "коллективного эксперта", полученный из других источников знаний (рис. 1.11).

Процесс приобретения знаний трудоемок и решается инженером по знаниям на основе анализа деятельности эксперта, решающего реальные задачи. Возможность накопления знаний, которые, как правило, концентрируются вокруг наиболее важных объектов предметной области, определяет адаптивные свойства экспертной системы.

Такими объектами при разработке технологии ХОШ и ПГОШ являются изготовляемые детали. В базу знаний включают параметры их геометрической формы, размеры, механические характеристики материала, технологию изготовления данных деталей, штампованную оснастку, смазочные материалы, применяемое оборудование и т.д.

При решении слабоструктурированных проблем человеческая интуиция имеет особую ценность. Догадки эксперта, основанные на его прошлом опыте, на неявных знаниях, позволяют ему решать проблемы на высоком уровне.

Однако практические успехи экспертных систем подтверждают тот факт, что проведение исследований в данной области является актуальной задачей. Научная база этой области знаний еще недостаточно развита.

Так как системы, основанные на знаниях, ориентированы на обработку символьной информации, данные в них интерпретируются в терминах содержательных категорий и правил. В связи с этим одной из главных проблем является вопрос о способе представления знаний, полученных при работе с экспертом. Как правило, используют декларативные и процедурные формы представления знаний.

Декларативные знания представляются в виде фреймов, семантических сетей, реляционных моделей. Проектные процедуры, сведения о методах и принципах принятия решений в различных ситуациях, т.е. совокупность информации, объединяемая под названием процедурных знаний, представляется в соответствии со следующей схемой: правила продукций, предикатная логика, пролог-программы и программы на специализированных языках представления знаний. Наиболее распространено представление знаний в виде системы продукций. Продукция представляет собой правило, состоящее из двух частей: в первой части описывается конкретная ситуация, во второй части указывается определенный для этой ситуации набор действий.

Очень важной особенностью экспертной системы является то, что она применяет для решения проблемы высококачественный опыт, что в сочетании с умением его использовать обуславливает рентабельность системы. Система должна обладать гибкостью, т.е. возможностью постепенного наращивания.

При построении экспертной системы необходимо учесть возможность использования ее как инструмент обучения специалистов с помощью знаний, заложенных в систему.

Необходимо отметить, что искусственная компетентность экспертной системы постоянна. Реализация подобной системы может быть простым копированием всех или части программных модулей. Кроме того, искусственную компетентность намного легче документировать.

Экспертная система в отличие от систем, основанных на использовании только строгих, дедуктивных, силлогических знаний, способна решать практические задачи в условиях неполноты или чрезмерной избыточности исходных данных.

Характеристики уровней разработки экспертных систем приведены в табл. 1.2.

С практических позиций к экспертной системе, ориентированной на решение задач технологической подготовки ХОШ и ПГОШ, предъявляют следующие требования:

- способность вести диалог о решаемой проблеме и приобретать новые знания;

- способность при решении проблемы следовать линии рассуждения, понятной пользователю;

- способность пояснять ход своих рассуждений.

Система должна не просто дать ответ на вопрос пользователя, но сделать его понятным для него. При этом преследуются две цели: завоевать доверие пользователя, объяснить ему рациональность действий системы и обучить пользователя, т.е. обеспечить понимание им логики эксперта, заложенной в систему. Для этого пользователю последовательно предъявляют совокупность правил, которые приводят к конкретному выводу.

Проблемы интеграции экспертных и теоретических систем. В большинстве современных автоматизированных системах признаки, характеризующие объекты и явления предметной области, отображаются в базу данных (информационное обеспечение), а теоретические конструкции (модели), обобщающие различные закономерности и зависимости между признаками, реализуются в виде процедур обработки данных (программного обеспечения), позволяющих по значениям одних признаков вычислить значения других.

Деление систем на экспертные и теоретические определяется не различиями в функциях или архитектуре, а разными методологическими установками, выраженными в системных требованиях к базе данных, теоретическим моделям, способам вывода и оценки результатов. С учетом этого автоматизированные системы подразделяются:

- по требованиям к базе данных на строгие, работающие только с объективными данными, и нестрогие, способные обрабатывать любые сведения независимо от их достоверности и объективности;

- по требованиям к теоретическим конструкциям на формальные, использующие классические, хорошо обоснованные математические модели, и эвристические, построенные на соображениях "здравого смысла" и эмпирически выявленных закономерностях;

- по способу получения результатов на нормативные, реализующие формальные алгоритмы, и дискриптивные, реализующие схему действий человека;

- по способу оценки результата на использующие объективные формальные критерии и опирающиеся на субъективные экспертные оценки.

Таким образом, отличие экспертных и теоретических систем определяется степенью формализации исходной базы знаний. Этим определяются различия в назначении и области применения этих систем. Теоретические системы предназначены для решения задач, постановка которых основана на достоверных данных. Они используют модели и методы, имеющие надежное теоретическое и методологическое обоснование. Экспертные же системы выполняют роль консультантов для принятия решений в неопределенных ситуациях.

Для решения сложных проблем нужны интегрированные экспертнотеоретические системы. Поскольку экспертные и теоретические системы отвечают исходному и конечному состояниям процесса формализации знаний, в результате их интеграции появляется возможность организовать моделирование всего процесса на ЭВМ.