喷射器企业传统的智能技术与方法-启东市格莱特石化设备厂

喷射器企业传统的智能技术与方法

发布时间： 2022/8/20

　　　　　　　　　喷射器企业传统的智能技术与方法
　　人工智能主要从事于有关人的思维能力和借助计算机模仿或模拟人的思维工作方面的尝试。虽然目前对人工智能的所有期望还不能完全实现，但是在一些应用领域，如诊断、配置、计划、咨询、辅助决策和制定计划等，已经可以达到预期的效果。
　　人工智能中的研究重心是喷射器知识表达、知识处理和知识获取。
　　1．知识的概念和分类
　　到目前为止，人们还无法给出知识的确切定义。喷射器知识工程中，通常不去追究关于知识的精确定义，而只是对其进行说明和描述，使其实用化和具体化。知识自身的复杂性决定了对它的理解是多层次和多方位的。通常，可以把知识理解为：“知识是以各种方式把一个或多个信息关联在一起的信息结构，简言之，知识是一个或者多个信息之间的关联"。其中，信息可解释为：“数据所表示的含义(或者称数据的语义)”。上述的解释虽然揭示了知识与信息之间具有的关系，可是仍然显得过于笼统。从数学的角度，知识可以理解为：“知识是由副本客观世界机器产生、理解并具有正确性和自身结构的不断扩充的符号集”。
　　可以从不同的角度对知识进行不同的分类。按照逻辑抽象的角度，可以把知识分为：①过程型知识：传统的数据处理将知识寓于程序中，即程序就代表系统解决问题所使用的喷射器知识，这种知识的表示类型称为过程型知识。这种类型的知识针对特定的问题，只适合完全正确的知识，很难描述模糊知识。因此，过程型知识表示要求待处理的问题具有成熟的解法以及完整、准确的数据。②描述型知识：以描述的方式表示的知识称为描述型知识，包含事实知识和判断知识。事实喷射器知识描述有关对象、事件以及行为等特征；判断知识是指对事实的判断和判断的过程。③元知识：所谓元知识，就是关于知识的知识。它可以分为三类：一是有关怎样组织、管理知识的元知识，它刻画了知识的内容和结构的一般特征，以及分类和综合等有关特征；二是有关利用知识来求解问题方面的元知识(如推理方法)，它对领域知识的运用起指导作用；三是有关从知识源中获取知识的知识。
　　2．知识表达
　　不同类型的知识可以采用不同的知识表达方式。从计算机内部描述的角度出发，可以概括为三种类型的知识表达：面向逻辑、面向规则和采用面向对象思想的结构化表达。尽管这些表达类型在应用中对于基于知识的系统的组织和执行相互问不是完全分离的，但是它们在知识的描述能力方面仍然存在着差异。
　　1)面向逻辑的表达
　　逻辑提供一种以所谓谓词陈述形式描述知识的可能性，它是一种用于描述对象及其之间逻辑关系的形式上的符号。它含有一个语法，用它可以建立逻辑的陈述。谓词逻辑表达法是面向逻辑表达的典型代表。
　　谓词逻辑法经常用于其他喷射器知识表达的参考点。由一个谓词部分和一个推理部分组成的谓词逻辑的陈述称作公理、事实或者假定，此时它们在知识库中以显式方式被表达。
　　谓词逻辑法适用于描述以事实、关联和规则为形式的问题和逻辑关系。谓词逻辑可以划分成一阶谓词逻辑和二阶谓词逻辑。一阶谓词逻辑在强度、适应性和有效性方面均存在不足，而在可靠性、完整性、时间依赖性和知识构造等方面也没有充分被考虑；而二阶谓词逻辑在实际的信息处理方面还没有得到广泛应用。
　　为了更好地描述和处理模糊陈述，出现了非典型的逻辑表达方法。非典型逻辑表达方法与典型逻辑表达方法的区别在于其采用了“真”和“假”两个词。例如，情态逻辑使用了“真”“假”“可能”等词。其他的非典型逻辑表达方法还有：非单调逻辑、暂存逻辑、或然性逻辑以及模糊逻辑等。其中，模糊逻辑是非典型逻辑表达方法中的代表。模糊逻辑的重要应用领域是控制和调节技术。图1是典型逻辑与模糊逻辑之间的区别。
　　

　　图1 典型逻辑与模糊逻辑之间的区别
　　2)面向规则的表达
　　面向规则的表达由一个条件部分(前提)和一个操作部分(结论)组成。条件部分描述在什么样的条件下规则被使用；操作部分含有行为或蕴含的内容，用它们可以改变一种状态或者推导出一种陈述的真实内容。
　　主要用规则来表达和处理知识的系统称为产生式系统，其规则称为产生式规则。产生式系统在大多数情况下由一个规则库、一个存储中间结果的动态工作存储器和一个表达系统推理机制的解释器组成。除了组织良好、可供基于规则描述的知识库在模块化构造和易于维护等方面的优点外，规则也可用来描述不可靠或不完整的知识。面向规则的表达方法可以表达过程性知识，也可以描述说明性知识。另外，面向规则的表达方法易于专家和使用者理解他们所表达的知识，同时在计算机内部结构中也容易被描述。
　　面向规则的表达方法的缺点在于难以理解规则控制的流动，以及在大量不完备的规则情况下，需要上下文关系分析才能细化问题、解决问题。因此，需要将大量的规则“模块化"，即相关的规则综合成“规则包"，以减少所需考察规则的数目。
　　3)采用面向对象思想的结构化表达
　　结构化表示方式的特征是结构与层次清楚，主要优点是表示的喷射器知识自然、直观。其中，框架系统和语义网络是比较常用的两种结构化知识表示方式，而面向对象的表达方法也越来越多地被采用。此外，当前出现了比“对象”更富动态性、更具人工智能含义的“智能体”(Agent)概念。可以认为，面向智能体技术是面向对象技术在人工智能与专家系统应用领域中的发展。
　　语义网络(semantic network)在形式上是一个有向图，由一个结点和若干条弧线构成，结点和弧线可以有标号。结点表示一个问题领域中的物体、概念、事件、动作或状态，弧线表示结点之间的语义联系。在语义网络知识表示中，结点一般分为实例结点和类结点两种类型。有向弧用于刻画结点之间的语义联系，是语义网络组织喷射器知识的关键。比较典型的语义联系有两种：一种是以个体为中心组织知识的语义联系。其结点一般都是名词性个体或概念，通过实例联系、泛化联系、聚类联系和属性联系等作为有向弧描述有关结点概念之间的语义联系；另一种是以谓词或关系为中心组织知识的语义联系。设有1元谓词或关系R(R，， R：，…，R。)，分别取值A。，A：，…，A。，其对应的语义网络可以表示为图2的形式。
　　框架(frame)是一种数据结构。对于一个特定的事物，通过把它的特征数据填入框架，达到对该事物进行
　　

　　图2关系语义网络表示
　　表示的目的；同时，可以通过以往的经验获得的概念对这些数据进行分析和解释，还可以寻找与该事物有关的统计信息。框架由框架名和一组用于描述框架各方面属性的槽(Slot)组成。每个槽设有一个槽名，它的值描述框架所表示的事物的各组成部分的属性。在比较复杂的框架中，槽下面又可以再进一步分为多个侧面(facet)，每个侧面又有一个或者多个侧面值，每个侧面值可以是一个值或者是一个概念的陈述。框架结构的抽象表示如图3所示。
　　

　　图3框架结构的抽象表不
　　面向对象方法(OOM)的本质是强调从客观世界中固有的事物出发来构造系统，强调系统中的对象及对象之间的关系能够如实地反映客观世界中的固有事物及其关系。
　　具有相同结构和处理能力的对象用类(class)来描述。一个类实质上定义了一组对象类型。它描述了属于该对象类型的所有对象的性质。如果一个对象具有某个类所描述的特性，那么该对象就是这个类的异构实例(instance)。类的描述中通常包括类名、类变量、实例变量及一组称为方法(method)的操作程序。类和类之间可以形成一定的层次结构，如超类(superclass)和子类(subclass)。类的层次结构的一个重要特性就是继承(inheritance)。
　　Agent是一个具有智能行为的信息处理单元(Information Process Cell，IPC)。它是一个抽象的实体，具有社会性、自治性、反应性、主动性和协作性等特性。Agent除了具有与外界交互的感知器及对信息进行存储加工的信息处理器、记忆库外，还具有通信机制及根据共同目标和自己的职责所产生的目标模块和反作用于外部环境的效应器。 Agent基本结构如图4所示。与人类的大脑类似，Agent的信息处理器是体现Agent智能行为的最重要的部件。由人类信息处理的分层结构可知，Agent的信息处理器应由信号/信息过滤器、控制器、符号推理机制、类比匹配机制、内部执行机制及知识库组成。其中，知识库中包含两类知识：一类是规则；另一类是知识块。信息处理器在接收到信号/信息后，先对其进行过滤、抽象、聚合，使其形成与客观世界对象联系起来的有意义的符号，然后运用推理机制及知识库中的规则处理信息，并形成新的知识块，知识库中的规则及知识块随着问题的处理不断被添加及更新。
　　

　　图4 Agent基本结构
　　3．专家系统
　　专家系统(Expert System，ES)是支配一个知识库的软件系统，它表达部分领域中的喷射器专家知识。专家系统中最重要的组成部分是知识获取部分(推理部分)，在它的帮助下，借助所存储的知识实现问题的求解。
　　专家系统的原理性结构如图5所示，知识库和问题求解部分或知识获取部分构成系统的核心。对话部分可以有选择地被集成或与另一个系统(如CAD系统)相连接。说明部分和知识获取部分通常不是专家系统的组成部分，但通常又是不可缺少的。
　　推论系统的实质是程序，它们试图证明数学定理或者在此基础上实现应用。知识的表达方式大多采用一次谓词逻辑法。推论式推理表达由一个给定的前提推导出一个逻辑的陈述，并由此推导出新的事实，它们显式地表达了隐含在以往事实中的信息。实际中主要使用的推论性推理策略包括：肯定前件的假言推理、判别、非单调推理和类似推理等(图6)。专家系统的过程控制方法是：正向推理和反向推理、深度和宽度寻找以及基于黑板系统的控制策略等。
　　知识获取(knowledge acquisition)在专家系统中至关重要，专家系统是否可以实用化直接取决于是否可以对知识进行有效获取。知识获取的任务在于把已有经验、事实、规则等)从大脑或者书本中总结和提取出来并转换成某种可以广义上，也把从已获取的知识和实例中以某种方式产生新知识的任务(即机在知识获取的范畴中。所以，喷射器知识获取要研究的主要问题包括：①对专家习理解、认识、选择、抽取、汇集、分类和组织的方法；②从已有的知识和实例中包括从外界学习新知识的机理和方法；③检查或保持已获取知识集合的一盾性)和完全性约束的方法；④尽量保证已获取的知识集合无冗余的方法。方法主要有三种：间接的知识获取、直接的知识获取和自动的知识获取。
　　

　　图5专家系统的原理性结构
　　

　　图6推论性的推理策略
　　4．人工神经网络
　　人工神经网络(Artificial Neural Network，ANN)是一个以有向图为朝态系统，它通过对连续或断续式的输入作状态响应而进行信息处理。AN八量的、同时也是很简单的处理单元或称神经元通过广泛地互相连接而形成自统。虽然每个神经元的结构和功能十分简单，但由大量神经元构成的网络勇是十分复杂的。ANN系统是一个高度复杂的非线性动力学系统，不但具举系统的共性，还具有其自身的特点，如高维性、神经元之间的广泛互连性以另自组织性等。
　　图7为一个简单的神经网络，其中的每个小圆圈表示一个神经元。各个神经元之
间通过相互连接形成一个网络拓扑，这个网络拓扑的形成成为神经网络的互连模式。不同的神经网络模式对神经网络的结构和互连模式都有一定的要求或限制。通过对实例的反复训练，神经网络可以表达问题域和求解域之间错综复杂的映射关系。这一点有利于知识的获取。然而， ANN要获得覆盖整个过程且充分可靠的信息描述(训练数据)十分困难；同时，ANN不能处理复杂结构的数据，也无法保证训练结果的合理性。
　　

　　输入　　　　　　　　　输出
　　图7一个简单的神经网络
　　5．演化算法
　　演化算法(Evolutionary Computation，EC)又称进化算法，它通过学习和借鉴大自然的演化规律来解决我们面临的各种计算问题，从EC所模仿的对象上分，可分为两大类：仿生演化算法和拟物演化算法。仿生演化算法是模拟由个体组成的群体的集体学习过程，其中每个个体表示给定问题搜索空间中的一点，随机地产生一初始群体，通过选择、变异、重组操作，使群体演化到搜索空间越来越好的区域。拟物演化算法是模拟自然界物理系统从初始状态演变到能量最优或状态最优的平衡状态的学习过程。演化算法的流派较多，典型的有遗传算法(Genetic Algorithm，GA)、遗传程序设计(Genetic Programining，GP)、演化策略(Evolutionary Strategy，ES)、演化程序设计(Evolutionary Programming，EP)、模拟退火算法(Simulated Annealing，SA)等。
　　这几种典型的演化算法都是对解空间的一组初始群体进行操作，通过随机地改变当前解而产生新解，利用目标测量函数来计算每个实验解的适应值，同时使用某种选择机制来决定保留哪一种解进入下一代。它们的共性反映了演化算法的下述特点：①极度并行性，即其群体可以分裂成相对独立的子群体，形成具有各种粒度的并行算法；②通用性，既可用来解决各种类型的优化、搜索与学习等问题，又利于建立各种类型的软件环境。③灵活性，即易于形成各种并行计算系统(包括分布式系统、并行机系统，以及人工神经网络系统等)的自适应与自组织算法。上述特点使得EC有可能成为并行计算和并行仿真的主要手段。

上一条：可靠的决定是喷射器客户的估价重因素下一条：增材制造粘结剂喷射成形技术论坛将于9月15日举行