ZAŁĄCZNIK 2A autoreferat w języku polskim

Transkrypt

1 AKADEMIA GÓRNICZO-HUTNICZA IM. STANISŁAWA STASZICA W KRAKOWIE WYDZIAŁ INŻYNIERII METALI I INFORMATYKI PRZEMYSŁOWEJ KATEDRA INFORMATYKI STOSOWANEJ I MODELOWANIA ZAŁĄCZNIK 2A autoreferat w języku polskim dr inż. Krzysztof Regulski Katedra Informatyki Stosowanej i Modelowania Wydział Inżynierii Metali i Informatyki Przemysłowej Akademia Górniczo-Hutnicza w Krakowie

2 Krzysztof Regulski, dr inż. Katedra Informatyki Stosowanej i Modelowania Wydział Inżynierii Metali i Informatyki Przemysłowej Akademia Górniczo-Hutnicza w Krakowie ORCID: ResearcherID: D Scopus: PBN: OPI-PIB Nauka Polska: Kraków, r. Załącznik nr 2a. Do wniosku o przeprowadzenie postępowania habilitacyjnego Autoreferat w języku polskim przedstawiający opis dorobku i osiągnięć naukowych, w szczególności określonych w art. 16 ust. 2 ustawy o stopniach naukowych Spis treści: 1. Imię i Nazwisko 2 2. Posiadane dyplomy, stopnie naukowe - z podaniem nazwy, miejsca i roku ich 3 uzyskania oraz tytułu rozprawy doktorskiej 3. Informacje o dotychczasowym zatrudnieniu w jednostkach naukowych 4 4. Wskazanie osiągnięcia wynikającego z art. 16 ust, 2 ustawy 4 a) Tytuł 4 b) cykl publikacji będący osiągnięciem naukowym 4 c) omówienie celu naukowego 6 1. Motywacja 6 2. Cel naukowy 7 3. Kompozycja cyklu 8 4. Osiągnięte rezultaty Badania materiałowe Modelowanie procesów Formalizacja wiedzy: tworzenie baz wiedzy i semantyczna integracja Zastosowane metody i narzędzia Algorytmy eksploracji danych Algorytmy indukcji reguł i formalizacji wiedzy Eksploracja tekstu Ontologie Wpływ na dyscyplinę naukową Streszczenie Omówienie pozostałych osiągnięć naukowo-badawczych 18 A. Udział w projektach badawczych 18 B. Działalność dydaktyczna, organizacyjna, popularyzatorska i podnoszenie 21 kwalifikacji naukowo-zawodowych 6. Podsumowanie działalności naukowo - badawczej 23 1

3 1. Imię i Nazwisko: Krzysztof Regulski 2. Posiadane dyplomy, stopnie naukowe/ artystyczne z podaniem nazwy, miejsca i roku ich uzyskania oraz tytułu rozprawy doktorskiej Dyplom: Jednostka: Dyscyplina: Temat pracy: Promotor: Recenzenci: Data obrony: dr inż. nauk technicznych nadany uchwałą Rady Wydziału Inżynierii Metali i Informatyki Przemysłowej Akademii Górniczo-Hutniczej Metalurgia Doskonalenie procesów wytwarzania odlewów staliwnych poprzez organizację przepływu informacji i integrację wiedzy Prof. dr hab. inż. Stanisława Kluska-Nawarecka Prof. dr hab. inż. Jan Kusiak (AGH), Prof. dr hab. inż. Zbigniew Górny - Instytut Odlewnictwa Kraków r. Dyplom: mgr inż. Jednostka: Wydział Zarządzania Akademii Górniczo-Hutniczej Specjalność: Zarządzanie wiedzą Temat pracy: Komputerowe systemy zarządzania wiedzą na przykładzie ewidencji kapitału intelektualnego Data obrony: 2005r. Dyplom: studia podyplomowe Jednostka: Wydział Elektrotechniki, Automatyki, Informatyki i Elektroniki AGH Specjalność: Projektowanie i eksploatacja współczesnych systemów informatycznych Data obrony: 2006r. 2

4 3. Informacje o dotychczasowym zatrudnieniu w jednostkach naukowych /artystycznych obecnie Wydział Inżynierii Metali i Informatyki Przemysłowej, Katedra Informatyki Stosowanej i Modelowania, AGH w Krakowie stanowisko: adiunkt od 2011r. asystent od 2006r. wcześniej student studiów doktoranckich Zakres pracy: dydaktyka (Eksploracja danych, Statystyka, Sztuczna Inteligencja i Systemy Ekspertowe, Bazy danych, Projektowanie Systemów Komputerowych), organizacja (współpraca przy projektach, tworzenie propozycji projektowych, komisja egzaminów dyplomowych, komisja wyborcza, komisja ds. programów studiów na kierunku Informatyka Stosowana). badania naukowe, udział w projektach naukowych Instytut Odlewnictwa w Krakowie wykonawca zadań w ramach projektów badawczych Katedra Automatizace a Počitačové Techniki v Metalurgii - VYSOKA ŠKOLA BÁŇSKÁ (Faculty of metallurgy and materials engineering VSB Technical University of Ostrava) wykonawca zadań w ramach międzynarodowego projektu badawczych we współpracy z Instytutem Odlewnictwa 2016 Uniwersytet Jagielloński - Collegium Medicum wykonawca w projekcie badawczym KNOW: The system for integration of heterogeneous data sources in the domain of Obstructive Sleep Apnea, zadania z zakresu analizy i eksploracji danych Instytut Odlewnictwa w Krakowie staż naukowy obejmujący: Zespół laboratoriów Badawczych, Centrum Badań Wysokotemperaturowych, Centrum Projektowania i Prototypowania, Zakład Żeliwa IOd, systemy informatyczne i inteligentne dla przemysłu 3

5 4. Wskazanie osiągnięcia wynikającego z art. 16 ust. 2 ustawy z dnia 14 marca 2003 r. o stopniach naukowych i tytule naukowym oraz o stopniach i tytule w zakresie sztuki (Dz. U r. poz. 882 ze zm. w Dz. U. z 2016 r. poz ): 4a) tytuł osiągnięcia naukowego Odkrywanie, integracja i kodyfikacja wiedzy o produkcji i przetwarzaniu metali na potrzeby Przemysłu 4.0 4b) cykl publikacji będący osiągnięciem naukowym publikacje uszeregowane według udziału (wkładu pracy, malejąco) habilitanta [A1] [A2] [A3] [A4] [A5] [A6] [A7] Regulski K., Metody uczenia maszynowego wspierane semantycznie - Machine learning methods supported by semantic technologies [w] Trendy i rozwiązania technologiczne odpowiedź na potrzeby współczesnego społeczeństwa. Tom 2, pod red. Maciąg M., Maciąg K., Wyd. Naukowe TYGIEL, Lublin 2017, ISBN , 24-32; { Udział habilitanta: 100% typ: rozdział w monografii, IF: brak; pkt MNiSW: 5 (2017); nie indeksowane w SCOPUS, WoS Regulski K., Formalization of technological knowledge in the field of metallurgy using document classification tools supported with semantic techniques, Archives of Metallurgy and Materials, 2017, 62(2), DOI: /amm Udział habilitanta: 100% IF: 0.625; pkt MNiSW: brak (2017); liczba cytowań SCOPUS: 1; liczba cytowań WoS: 1 Regulski K., Szeliga D., Kusiak J., Data exploration approach versus sensitivity analysis for optimization of metal forming processes, Key Engineering Materials, 2014, , Udział habilitanta: 85% IF: brak; pkt MNiSW: 10 (2014); liczba cytowań SCOPUS: 13; liczba cytowań WoS: 12 Regulski K., Jakubski J., Opaliński A., Brzeziński M., Głowacki M., The prediction of moulding sand moisture content based on the knowledge acquired by data mining techniques, Archives of Metallurgy and Materials, 2016, 61(3), DOI: /amm Udział habilitanta: 70% IF: 0.571; pkt MNiSW: brak (2016) ; liczba cytowań SCOPUS: 5; liczba cytowań WoS: 6 Kluska-Nawarecka S., Regulski K., Krzyżak M., Leśniak G., Gurda M., System of semantic integration of non-structuralized documents in natural language in the domain of metallurgy, Archives of Metallurgy and Materials, 2013, 58(3), DOI: /amm Udział habilitanta: 70% IF: 0.763; pkt MNiSW: 20 (2013); liczba cytowań SCOPUS: 15; liczba cytowań WoS: 11 Regulski K., Wilk-Kołodziejczyk D., Kacprzyk B., Gumienny G., Rojek G., Mrzygłód B., Approximation of ausferrite content in the compacted graphite iron with the use of combined techniques of data mining, Archives of Foundry Engineering, 2017, 17(3), Udział habilitanta: 70% IF: 0.763; pkt MNiSW: 15 (2017); liczba cytowań SCOPUS: 1; liczba cytowań WoS: 0 Regulski K., Rojek G., Skóra M., Kusiak J., Data exploration approach in control of metal forming manufacturing chain : example of fasteners production, Steel Research International ; spec. ed., eds. Jan Kusiak, Janusz Majta, Danuta Szeliga, Weinheim : Wiley-VCH Verlag GmbH & Co. KGaA, 2012, Udział habilitanta: 60% 4

6 IF: 0.493; pkt MNiSW: 25 (2012); liczba cytowań SCOPUS: 6; nie indeksowane w Web of Science Core Collection [A8] [A9] [A10] [A11] [A12] [A13] Regulski K., Wilk-Kołodziejczyk D., Kluska-Nawarecka S., Szymczak T., Gumienny G., Jaśkowiec K., Multistage discretization and clustering in multivariable classification of the impact of alloying elements on properties of hypoeutectic silumin, Archives of Civil and Mechanical Engineering, 19(1), 2019, , doi: /j.acme Udział habilitanta: 60% IF: (2017); pkt MNiSW: 30 (2018); liczba cytowań SCOPUS: 0; liczba cytowań WoS: 0 Górny Z., Kluska-Nawarecka S., Wilk-Kołodziejczyk D., Regulski K., Methodology for the construction of a rule-based knowledge base enabling the selection of appropriate bronze heat treatment parameters using rough sets, Archives of Metallurgy and Materials, 2015, 60(1), DOI: /amm Udział habilitanta: 43% IF: brak; pkt MNiSW: 30 (2015) ; liczba cytowań SCOPUS: 12; liczba cytowań WoS: 11 Macioł P., Regulski K., Development of semantic description for multiscale models of thermo-mechanical treatment of metal alloys, The Journal of The Minerals JOM, 2016, 68, DOI /s Udział habilitanta: 40% IF: 1.860; pkt MNiSW: 30 (2016); liczba cytowań SCOPUS: 2; liczba cytowań WoS: 2 Wilk-Kołodziejczyk D., Regulski K., Gumienny G., Comparative analysis of the properties of the Nodular Cast Iron with Carbides and the Austempered Ductile Iron with use of the machine learning and the Support Vector Machine, The International Journal of Advanced Manufacturing Technology, 2016, 87(1), DOI: /s y. Udział habilitanta: 33% IF: 2.209; pkt MNiSW: 25 (2016) ; liczba cytowań SCOPUS: 12; liczba cytowań WoS: 10 Warmuzek M., Regulski K., A procedure of in situ identification of the intermetallic AlTMSi phase precipitates in the microstructure of the aluminum alloys, Practical Metallography, 2011, 48 (12), Udział habilitanta: 15% IF: 0.214; pkt MNiSW: 15 (2012); liczba cytowań SCOPUS: 8; liczba cytowań WoS: 5 Wilk-Kołodziejczyk D., Regulski K., Gumienny G., Kacprzyk B., Kluska-Nawarecka S., Jaśkowiec K., Data mining tools in identifying the components of the microstructure of compacted graphite iron based on the content of alloying elements, International Journal of Advanced Manufacturing Technology, 2018, 95(9-12), DOI: /s Udział habilitanta: 15% IF: (2017) ; pkt MNiSW: 25 (2017); liczba cytowań SCOPUS: 1; liczba cytowań WoS: 1 Kopie publikacji [A1-A13] znajdują się w załączniku 4. do wniosku habilitacyjnego. 5

7 4c) omówienie celu naukowego ww. prac i osiągniętych wyników wraz z omówieniem ich ewentualnego wykorzystania. 1. Motywacja Czwarta rewolucja przemysłowa Industry 4.0 wymusza na gospodarce, producentach, dostawcach i technologach szereg zmian, szczególnie w zakresie informatyzacji i cyfryzacji, jak i sterowania komputerowego. Przemysł 4.0 to koncepcja cyberfizycznych systemów produkcyjnych. Systemy takie oznaczają integrację maszyn i urządzeń produkcyjnych z warstwą systemów komputerowych odpowiedzialnych za monitoring, sterowanie, optymalizację oraz wizualizację procesów produkcyjnych. Koncepcja Przemysł 4.0 to konieczność analizy danych procesowych na niespotykaną dotąd skalę w celu zapewnienia możliwości podejmowania decyzji opartych na pewnej i precyzyjnej informacji. Wspieranie podejmowania decyzji zapewnione jest poprzez modele datadriven, czyli modele budowane na podstawie danych. Tworzenie takich modeli odbywa się poprzez eksplorację danych, która wymaga zastosowania narzędzi sztucznej inteligencji z obszaru uczenia maszynowego (machine learning). Wspomaganie decyzji, będące paradygmatem Industry 4.0 dotyczy zarówno procesów wytwarzania jak i przetwórstwa metali. Rozpatrując koncepcję Przemysłu 4.0 z perspektywy metalurgii, istotna jest charakterystyka tego obszaru. Postrzegając przemysł metalurgiczny przez pryzmat procesów, należy zauważyć, że produkcja jest skomplikowana i złożona z wielu etapów, bardzo duża liczba parametrów procesu determinuje jakość wyrobu, a zjawiska zachodzące w trakcie przetwarzania materiału mają najczęściej charakter nieliniowy i trudny do modelowania z użyciem metod deterministycznych (numerycznych). Wszędzie tam, gdzie procesy metalurgiczne nie dają się modelować z zastosowaniem narzędzi typu CAD/CAE, czyli modeli deterministycznych (numerycznych), lub jest to zbyt kosztowne obliczeniowo i czasochłonne, można tworzyć modele stochastyczne wspomagające podejmowanie decyzji z użyciem technik eksploracji danych. Z perspektywy stosowanych materiałów najczęściej spotykamy się z problemem przewidywania przyszłych właściwości wyrobu gotowego celem kontroli i optymalizacji procesu. Jakość wyrobu może być określona poprzez właściwości mechaniczne lub pośrednio poprzez szacowanie składu chemicznego i mikrostruktury. Industry 4.0 postuluje monitorowanie procesów poprzez porównywanie bieżących operacji z równolegle obliczanym z modelu wirtualnego oczekiwanym wynikiem w celu utrzymania oczekiwanego poziomu jakości. Innymi słowy jest to ciągłe przewidywanie rezultatów bieżących operacji. Tworzenie modeli predykcyjnych w tym zakresie opiera się w pierwszym kroku na poszukiwaniu zależności pomiędzy parametrami procesu, a następnie na zastosowaniu algorytmu, który analizując te zależności będzie w stanie przewidzieć nieznaną wartość parametrów istotnych dla efektywności procesu (zmiennej zależnej). W powyżej określonym kontekście Autor przedstawia swoje oryginalne badania w zakresie tworzenia metodyki automatycznego odkrywania i formalizacji wiedzy o procesach produkcji i przetwarzania metali w nowoczesnym ujęciu, jakie wynika z przesłanek koncepcji Przemysłu 4.0 (Industry 4.0). W opinii Autora aplikacja metod sztucznej inteligencji w metalurgii podnosi jakość i niezawodność procesów, poprawia efektywność podejmowania decyzji i umożliwia tworzenie repozytoriów (baz wiedzy) pozwalających na przetwarzanie pozyskanej wiedzy w przyszłości. Zostało to wykazane w raportowanych badaniach naukowych i udokumentowane cyklem publikacji. Idea przedstawianego 6

8 osiągnięcia naukowego została opisana w publikacji A1 (wykaz publikacji z sekcji 4b), a szczegóły opracowane i przedstawione w podmiotowym cyklu publikacji. Wspomaganie podejmowania decyzji poprzez metody sztucznej inteligencji polega na zastosowaniu algorytmów eksploracji danych i uczenia maszynowego. W badaniach Autor wykorzystywał zarówno metody już rozpowszechnione i popularne, jak sztuczne sieci neuronowe czy nowoczesna metoda wektorów nośnych (precyzyjne, ale hermetyczne z perspektywy użytkownika), jak i rzadziej wykorzystywane narzędzia z zakresu statystyki i indukcji reguł. Do budowania modeli predykcyjnych stosuje się adaptacyjne metody regresji nieliniowej (np. MARSplines). Często wykorzystywane algorytmy do przewidywania zarówno wartości zmiennych ciągłych (regresja), jak i dyskretnych (klasyfikacja), to modele indukcji drzew decyzyjnych dających w rezultacie modele proste w interpretacji przez człowieka. Indukcja reguł, jako pojęcie abstrakcyjne, może obejmować również szereg innych algorytmów: zbiory przybliżone, analizę asocjacyjną, logikę rozmytą czy analizę skupień. Wynik wszystkich tych algorytmów ma podobną postać są nim reguły w postaci "IF-THEN" pozwalające na podejmowanie decyzji. Reguły takie mogą być z powodzeniem zapisane w bazie wiedzy, jednak właściwa eksploatacja takiej bazy w warunkach wielokryterialnych i zróżnicowanych problemów wnioskowania wymaga często dodatkowych narzędzi informatycznych: integracji wiedzy z użyciem technik semantycznych, czyli ontologii. Realizując modele predykcyjne można doprowadzić do optymalizacji procesów poprzez identyfikację wpływu parametrów. Posiadając model aproksymacyjny poznamy oczekiwane optimum i jesteśmy w stanie określić siłę wpływu poszczególnych składowych procesu (analiza wrażliwości), a następnie oszacować ilościowo ich wpływ na wynik końcowy. Model sterowania parametrami procesu pozwala odnaleźć optymalne wartości na wejście sterowania. Przedstawiony cykl publikacji będący osiągnięciem naukowym obejmuje zrealizowane badania dotyczące następujących zagadnień związanych z procesami metalurgicznymi, m.in.: przewidywania właściwości wyrobów metalowych, w tym predykcji właściwości na podstawie składu chemicznego czy składu fazowego nowoczesnych materiałów odlewniczych, optymalizacji procesu walcowania czy obróbki termicznej, predykcji wilgotności mas formierskich, przewidywania wystąpienia wad wyrobów odlewniczych, zagadnień związanych z tworzeniem baz wiedzy na podstawie źródeł w postaci dokumentów zawierających opisy technologiczne i artykuły naukowe z tego zakresu. Wynikiem przedstawionych badań jest opracowanie metodyki prowadzenia analiz eksploracyjnych ukierunkowanych na pozyskiwanie wiedzy, jak również metodyki formalizacji tej wiedzy w aspekcie tworzenia baz wiedzy umożliwiających powtórne wykorzystanie zebranych reguł w zakresie wytwarzania i przetwórstwa metali. 2. Cel naukowy Cykl publikacji łączy wspólna idea, którą jest opracowanie metodyki automatycznego odkrywania i formalizacji wiedzy o procesach wytwarzania i przetwarzania metali. Metodyka ta obejmuje problemy związane z (1) akwizycją danych i integracją ich w aspekcie dalszej eksploracji, (2) doborem i adaptacją metod uczenia maszynowego indukcji reguł, predykcji zmiennych ilościowych 7

9 i jakościowych, (3) formalizacją wiedzy w odpowiednich reprezentacjach: regułowej, zbiorów rozmytych, zbiorów przybliżonych czy wreszcie logiki deskrypcyjnej oraz (4) integracją wiedzy w repozytoriach opisanych modelami semantycznymi czyli ontologiami. Głównym zagadnieniem związanym z opracowaną metodyką, a przedstawionym w cyklu publikacji, jest zatem możliwość aplikacji metod sztucznej inteligencji w celu doskonalenia (podniesienia jakości) procesów wytwarzania wyrobów metalowych i wspomagania projektowania materiałów spełniających coraz wyższe wymagania technologiczne. 3. Kompozycja cyklu Cykl publikacji przedstawiony w sekcji 4b Autoreferatu składa się z trzynastu publikacji naukowych będących reprezentacyjną grupą dla prowadzonych przez habilitanta badań. Kolejność na liście (numerowana A1 A13) jest zgodna z udziałem habilitanta w poszczególnych manuskryptach. Pierwsze dwie publikacje są samodzielnymi pracami Autora, pozostałe publikacje cyklu są pracami zbiorowymi, jednak osiągnięcia opisywane w niniejszym Autoreferacie: metodyka, modele, zbiory reguł, wzorce, algorytmy przetwarzania i integracji wiedzy, a wreszcie modele ontologiczne w logice deskrypcyjnej stanowią autorskie osiągnięcie habilitanta, co zostanie szczegółowo wskazane w dalszej części dokumentu i w wykazie dorobku habilitacyjnego. Jako manifest osiągnięcia naukowego stanowiącego przedmiot wniosku habilitacyjnego można uznać samodzielną publikację [A1], pierwszą z cyklu. Przedstawia ona koncepcję, w jaki sposób narzędzia odkrywania i formalizacji wiedzy mogą wpłynąć na rozwój dyscypliny, jaką jest metalurgia. W pracy wyjaśniony został związek prowadzonych badań z koncepcją Industry 4.0. Rysunek 1. przedstawia w schematyczny sposób kompozycję cyklu. Poszczególne bloki na rysunku symbolizują pozycje cyklu. Artykuły ponumerowane A1 A13 opisane są poprzez skrócone nazwy odzwierciedlające ich merytoryczną zawartość. Związki między nimi odzwierciedlają przedmiot kolejnych publikacji, ukierunkowanie prowadzonych badań. Przykładowo: w publikacji A1 wzmiankowana jest optymalizacja procesów wskutek identyfikacji wpływu poszczególnych czynników na jakość wyrobu. Myśl ta rozwinięta została w publikacji A7 dokumentującej badania nad procesem produkcji śrub. Z kolei realizacja aspektów analizy wrażliwości w procesach wytwarzania znalazła kontynuację w publikacji A3 na przykładzie walcowania na gorąco blach. Innym przykładem niech będzie gałąź dotycząca formalizacji wiedzy. W publikacji A1 przedstawiona została koncepcja, a zastosowanie metod semantycznych w formalizacji wiedzy zostało szerzej opisane w publikacji A2. Pozycja A2 dotyczyła zarówno ontologii, jak i eksploracji tekstu. Inny przykład zastosowania ontologii znajdzie czytelnik w pozycji A10, natomiast rozwinięcie badań nad eksploracją tekstu w pozycji A5. 8

10 Rys.1. Graficzna reprezentacja cyklu publikacji wyszczególnionych w sekcji 4b Autoreferatu. Poszczególne publikacje (A1-A13) zostały podpisane skróconymi tytułami, a relacje między nimi odzwierciedlają przedmiot kolejnych publikacji. Następujące po A1 publikacje z cyklu dotyczą szczegółowych rozwiązań (będących również przykładami realizacji głównej idei pracy) w zakresie badań materiałowych i procesów obróbki metali. W omawianym cyklu publikacji wskazać można główne nurty, będące wiodącymi kierunkami prac badawczych habilitanta: (a) odkrywanie wiedzy na temat procesów i materiałów z wykorzystaniem technik eksploracji danych oraz (b) formalizacja tej wiedzy do postaci baz reguł oraz ontologii. Odkrywanie wiedzy opisane jest w publikacjach dotyczących badań związanych z modelowaniem procesów (poz. A3, A4, A7, A9) oraz w pięciu najważniejszych publikacjach z zakresu badań nad materiałami odlewniczymi (poz. A6, A8, A11, A12, A13). Pozostałe trzy publikacje dotyczą semantyki tworzenia modeli w logice deskrypcyjnej (ontologii) na potrzeby systemów integracji wiedzy, mających za zadanie wspomaganie decyzji użytkownika w oparciu o zbiory dokumentów zawierających wiedzę technologiczną. 4. Osiągnięte rezultaty Przedstawiony cykl publikacji można uporządkować w kontekście poruszanych problemów technologicznych. Główne grupy widoczne na rys.1. obejmują (w nawiasach przypisano numery artykułów opisujące poszczególne badania z wykazu 4b): MATERIAŁY: aproksymacja właściwości na podstawie: składu chemicznego (A8) parametrów obróbki (A9) mikrostruktury (A6, A13, A12) 9

11 identyfikacja składników i klasyfikacja materiałów (A11, A12, A13) PROCESY: optymalizacja procesów poprzez identyfikację wpływu parametrów: odkrywanie zależności występujących między parametrami procesu (A3) badanie siły wpływu składowych procesu (A7) weryfikacja reguł pozyskiwanych algorytmicznie w zakresie optimum zmiennej (A9, A3) modelowanie przebiegu zmienności parametrów dyskretnych i ciągłych: predykcja wilgotności mas formierskich (A4) prognozowanie właściwości na podstawie udziału dodatków stopowych (A8) przewidywanie wad wyrobów metalowych (A1 oraz w innych publikacjach nie ujętych w cyklu, ale znajdujących się w wykazie dorobku) prognozowanie zużycia narzędzi (A1 oraz w innych publikacjach nie ujętych w cyklu, ale znajdujących się w wykazie dorobku) FORMALIZACJA WIEDZY: tworzenie baz wiedzy na potrzeby sterowania procesami: indukcja zbioru reguł (A9) struktury danych dla systemów wspomagania decyzji (A1, A2, A5, A9) meta-modelowanie z użyciem logiki deskrypcyjnej: tworzenie ontologii dziedzinowych (A10) integracja danych heterogenicznych, złożonych i pochodzących z różnych źródeł (A2, A5) re-użytkowanie komponentów wiedzy (A1) opis komponentów modelowanego systemu (A10) Rezultaty badań zostaną przedstawione zgodnie z zaproponowanym powyżej porządkiem Badania materiałowe Badania materiałów niejednokrotnie opierają się na badaniu właściwości mechanicznych i próbie przewidywania tych właściwości w oparciu o skład chemiczny, mikrostrukturę czy parametry obróbki danego materiału. Habilitant uczestniczył w serii prac badawczych związanych z badaniem właściwości materiałów, czego skutkiem są przytoczone poniżej osiągnięcia. Osiągnięciem Autora jest [A8] stworzenie procedury pozyskiwania wiedzy na temat zmian mikrostruktury siluminów po wprowadzeniu pierwiastków stopowych (Cr, Mo, V oraz W) bezpośrednio z wyników badań eksperymentalnych z zastosowaniem mieszanych technik data mining. Opracował on w ramach badań procedurę postępowania w analizie małych zbiorów danych eksperymentalnych dla modeli wieloetapowych, wielowartościowych o wielu zmiennych zależnych (multistage, multivariate & multivariable), co może w znacznym stopniu uprościć takie badania w przyszłości. Osiągnięciem habilitanta było stworzenie procedury głosowania w oparciu o wyniki drzew klasyfikacyjnych i analizę skupień. Wykonał on analizę przebiegu zmienności poszczególnych zmiennych zależnych metodami regresji, wykorzystał regresję: liniową, wykładniczą, wielomianową, sklejaną oraz DWLS (distance weighted least squares smoothing). Najlepsze wyniki dopasowania krzywych uzyskano stosując metodę wygładzania lowess. Wyniki badań eksperymentalnych posłużyły do stworzenia modeli drzew decyzyjnych, których jakość poprawiono z wykorzystaniem dyskretyzacji. Zastosowano analizę skupień by zniwelować wielowymiarowość wektora wyjść (rozwiązanie zagadnienia wielu zmiennych zależnych - multivariable). Wykazano skuteczność zastosowania dyskretyzacji zarówno zmiennych zależnych, jak i predyktorów. W ten sposób powstała wieloetapowa procedura klasyfikacji z zastosowaniem dyskretyzacji i analizy skupień. Badania 10

12 wykazały również, że przeprowadzone postępowanie wymaga na każdym etapie decyzji analityka, ciągłych poszukiwań wśród dostępnych narzędzi, elastycznego dobierania modeli i wnioskowania na bardziej wyrafinowanym poziomie, niż zwykłe techniki machine learning. Przedstawiono w jaki sposób kształtuje się balans pomiędzy wygodą użytkowania a skutecznością w przypadku pozyskiwania wiedzy z małych zbiorów. Badania wykazały, że drzewa decyzyjne są wygodnym narzędziem odkrywania wiedzy i dobrze radzą sobie z problemami silnie nieliniowymi, a wprowadzenie dyskretyzacji poprawia ich działanie. Zastosowanie metod clustering'u umożliwiło też wyciąganie bardziej ogólnych wniosków, przez co udowodniono tezę, że granulacja informacji pozwala znaleźć wzorce nawet w małych zbiorach danych. Opracowano w ramach badań procedurę postępowania w analizie małych zbiorów danych eksperymentalnych, w których występują zależności wielowartościowe dla wielu zmiennych zależnych, czyli modeli multistage, multivariate & multivariable, nazwaną procedurą 3multi, która może w znacznym stopniu uprościć takie badania w przyszłości. Badania te są dobrym przykładem analizy doboru narzędzi sztucznej inteligencji i statystyki w rozwiązywaniu problemów z zakresu projektowania materiałów. Opracowana metodyka umożliwia akwizycję wiedzy z niewielkich zbiorów danych doświadczalnych. Natomiast opracowane reguły dotyczące wpływu poszczególnych dodatków stopowych i mieszanek na właściwości siluminów stanowią bazę wiedzy, która umożliwia wspomaganie decyzji i podniesienie jakości i skrócenie czasu badań materiałowych. Identyfikacja składników osnowy w ramach badań struktury stopów Al-Si (morfologii oraz składu chemicznego faz intermetalicznych) była tematem publikacji [A12], w której udział habilitanta polegał na opracowaniu koncepcji modelu rozmytego (fuzzy logic) do identyfikacji faz α oraz β AlMPSi (MP metale przejściowe) na podstawie danych z badań, na przygotowaniu reguł i formalizacji wiedzy o identyfikacji faz, a następnie realizacji modelu wnioskowania z wykorzystaniem logiki rozmytej. Wykorzystanie logiki rozmytej pozwoliło na stworzenie modelu wnioskowania, w którym granice przedziałów zawartości pierwiastków, na podstawie których dokonywana jest predykcja składników osnowy, zostają rozmyte. Przydatność logiki rozmytej w tworzeniu baz wiedzy w zakresie wnioskowania o właściwości i mikrostrukturze materiałów została potwierdzona. Fuzzy logic okazała się na tyle skutecznym narzędziem, że wykorzystywano ją jeszcze wielokrotnie w badaniach, co znalazło odzwierciedlenie w publikacjach habilitanta (nie uwzględnionych w cyklu). Do osiągnięć Autora zaliczyć można również opracowanie bazy wiedzy z zastosowaniem teorii zbiorów przybliżonych na podstawie danych z badań wpływu obróbki cieplnej na właściwości stopu CuAl10Fe3Mn2. Metodykę tworzenia takiej bazy Autor opublikował w pracy [A9]. Opracował mechanizm wnioskowania wspomagający dobór odpowiednich parametrów obróbki cieplnej i modyfikatorów w celu uzyskania pożądanych właściwości brązu. Opracował metodykę tworzenia bazy wiedzy (na podstawie indukcji reguł algorytmami wykorzystującymi teorię zbiorów przybliżonych lub drzew decyzyjnych) oraz analizę wyników badań, w tym analizę statystyczną oraz analizę wariancji (ANOVA). Badania te pozwalają rozszerzyć spektrum problemów, które można objąć automatyczną procedurą gromadzenia wiedzy. Zastosowanie narzędzia, jakim są zbiory przybliżone, pozwoliło rozwiązać problem granularności informacji, niepewności i niekompletności danych w warunkach sygnałów dyskretnych i punktowych. Badania te, dotyczące mechanizmów wnioskowania nt. doboru odpowiednich parametrów obróbki i rodzajów modyfikacji w celu uzyskania pożądanych właściwości brązu, rozwijają również metodykę automatycznego odkrywania wiedzy. 11

13 Praca [A11] rozpoczynała badania nad właściwościami żeliwa wermikularnego. Udział habilitanta polegał na zastosowaniu narzędzi uczenia maszynowego w analizie porównawczej właściwości materiałów w szczególności żeliwa ADI oraz żeliwa sferoidalnego z węglikami (nodular cast iron with carbides). Zastosował: maszynę wektorów nośnych (Support Vector Machine SVM), sztuczne sieci neuronowe (Artificial Neural Networks ANN), klasyfikator minimalnoodległościowy (knn) i drzewa klasyfikacyjne (CART oraz CHAID) do rozwiązania problemu doboru materiału do produkcji wyrobu o zadanych właściwości mechanicznych. Opracował modele klasyfikatorów pozwalające na wspomaganie decyzji technologicznych na etapie projektowania wyrobów odlewniczych. Zaproponował i przeprowadził dwutorowy przebieg analizy. Z jednej strony badany był problem klasyfikacyjny na podstawie surowych danych na temat właściwości, a z drugiej strony usprawnienie tej metody poprzez wykorzystanie wstępnej analizy skupień na bazie właściwości czyniąc klasyfikację bardziej zgrubną, ale jednocześnie bezbłędną. W przedstawionych badaniach wykorzystano metodykę automatycznego odkrywania wiedzy w przypadku innego materiału niż wspomniane wcześniej siluminy czy brązy. Stosowane narzędzia z powodzeniem pozwoliły na tworzenie baz wiedzy również i w tym procesie wytwarzania. Uzyskane w ten sposób rozwiązanie łączy zalety wymienionych wcześniej algorytmów. Zaproponowana metodyka analizy porównawczej zapewnia wygodną ścieżkę eksploracyjną dla analiz rozszerzonych o nowe materiały, których właściwości konstrukcyjne można zestawiać, tworząc w ten sposób wachlarz możliwości dla technologa czy konstruktora, co spełnia paradygmat cyfryzacji informacji decyzyjnych obecny w Industry 4.0. Rozwinięciem tych prac były badania nad opracowaniem metodyki eksploracyjnej analizy danych pochodzących z badań mikrostrukturalnych żeliwa wermikularnego w celu pozyskania wiedzy na temat czynników sprzyjających powstawaniu ausferrytu [A6]. Habilitant opracował reguły umożliwiające szacowanie zawartości ausferrytu na podstawie składu chemicznego. Jego udziałem było opracowanie modeli z wykorzystaniem: (1) narzędzi statystycznych, regresji, (2) regresyjnych drzew wzmacnianych (boosted trees), (3) losowego lasu (random forest), (4) sztucznych sieci neuronowych, (5) modeli regresji składanej (piecewise regression models), (6) algorytmu CART, (7) MARSplines. Opracował procedurę etapowego budowania modeli regresyjnych na ograniczanych iteracyjnie zbiorach, co umożliwiło z jednej strony poprawę precyzji prognozowania, a z drugiej pozyskanie większej wiedzy na temat powstawania ausferrytu. Wielokrotne badanie istotności wpływu poszczególnych czynników w różnych modelach regresyjnych pozwoliło wytypować najważniejsze zmienne mające wpływ na zawartość ausferrytu w różnych obszarach zmienności parametrów. Domknięciem badań nad żeliwem wermikularnym była publikacja [A13], w której autor zbudował model aproksymacji mikrostruktury żeliwa wermikularnego (CGI Compacted Graphite Iron) na podstawie składu chemicznego i grubości ścianki odlewów, a tym samym umożliwił predykcję udziału poszczególnych składników osnowy (austenitu, ausferrytu, martenzytu, węglików, perlitu i ferrytu). Opracowano (1) analizę statystyczną danych w tym modele regresji liniowej, (2) regresję algorytmem MARSplines, (3) model sztucznych sieci neuronowych ANN, (4) model maszyny wektorów nośnych SVM, (5) drzewa regresyjne CART. Badania są przykładem zastosowania kilku algorytmów uczenia maszynowego w akwizycji wiedzy o mikrostrukturze CGI. Opracowana metodyka dostarcza uniwersalnego narzędzia pozyskiwania wiedzy - z jednej strony precyzja sieci neuronowych czy maszyny wektorów nośnych, a z drugiej - intuicyjność i przejrzystość drzew decyzyjnych i możliwość wnikliwej analizy zależności. Stworzone w ten sposób bazy wiedzy 12

14 odpowiadają potrzebom użytkowników i uczestników Industry 4.0 w możliwie szerokim zakresie. Wykazano również, że można je wykorzystać w wytwarzaniu różnych rodzajów materiałów, o bardzo różnej specyfice Modelowanie procesów Zagadnienia związane z tworzeniem modeli procesów w wyniku uczenia maszynowego były przedmiotem kilku publikacji z cyklu. Schemat działania jest podobny do podejścia związanego z badaniem właściwości materiałów. W każdym przypadku model miał na celu z jednej strony umożliwienie prognozowania (dla określonego parametru decyzyjnego), a z drugiej strony ocenę w jaki sposób poszczególne parametry wejściowe procesu zmieniają wartość na wyjściu (analiza wrażliwości). Zastosowanie drzew decyzyjnych znalazło się również w publikacji [A7] opisującej badania nad procesem produkcji śrub w ramach łańcucha produkcyjnego. Udział habilitanta polegał na opracowaniu modeli drzew decyzyjnych CART i CHAID na podstawie danych dotyczących procesu. Wykonał analizę danych procesowych pozwalającą na ocenę ważności (siły wpływu) zmiennych na klasę jakości śruby. Osiągnięciem było wygenerowanie reguł pozwalających na detekcję możliwości występowania wad produkcyjnych. Wykorzystanie drzew decyzyjnych daje możliwość interpretacji modelu (w całości, jak również we fragmentach - poszczególnych reguł) przez człowieka. To bardzo ważny aspekt eksploracji danych, a niestety nie dający się zrealizować z użyciem innych technik. Przejrzystość modeli uzyskanych z pomocą indukcji drzew decyzyjnych, okupiona jest jednak często zmniejszoną precyzją, albo przeuczeniem modelu (uwzględnieniem nieistotnych odchyleń). W prowadzonych badaniach wykazano jednak, że da się wykorzystywać to narzędzie w sterowaniu procesami jako wspomaganie decyzji z dokładnością nawet do 94%. W badaniach dotyczących procesu walcowania pasm ze stali dwufazowych referowanych w publikacji [A3] habilitant zastosował metodę indukcji drzew decyzyjnych w celem optymalizacji procesu. Zaprezentował rozwiązanie umożliwiające badanie wpływu poszczególnych parametrów procesu (22 zmienne niezależne w modelu, w tym temperatura wsadu, czasy międzyoperacyjne dla sześciu przepustów, prędkość obrotowa walców, współczynnik wymiany ciepła, etc.) na parametry wyjściowe (temperatura walcowania w poszczególnych przepustach, wielkość ziarna). Wyniki analizy statystycznej, jak również eksploracyjnej porównał z wynikami analizy wrażliwości realizowanej w osobnej publikacji. Wykazał, że zastosowanie zaproponowanych technik pozwala na osiągnięcie tych samych wyników przy wykorzystaniu zaledwie 1% danych potrzebnych do przeprowadzenia analizy wrażliwości innymi technikami obliczeniowymi. Takie rozwiązanie zapewnia możliwość szybkiej analizy, realnej nawet w czasie rzeczywistym. Innym przykładem modelowania opartego na danych są badania wilgotności mas formierskich [A4]. Habilitant opracował sposób poprawy jakości procesu przygotowania mas formierskich w oparciu o predykcję wilgotności. Wykonał badania eksploracyjne celem określenia zależności pomiędzy czynnikami określającymi właściwości mas formierskich. Opracował dwustopniowe podejście do dopasowania predykcji i wykazał jego skuteczność w ocenie wilgotności masy formierskiej. Pozyskał w ten sposób wiedzę w postaci reguł przydatną przy tworzeniu baz wiedzy dla systemów wspomagających decyzje w diagnostyce odświeżania mas formierskich. 13

15 Osiągnięciem habilitanta jest wykorzystanie tych samych metod sztucznej inteligencji (uczenia maszynowego) do modelowania różnych procesów w obszarze przetwórstwa metali. Dzięki proponowanym badaniom udało się zaproponować zestaw narzędzi analitycznych pozwalających na rozwiązywanie i modelowanie różnych, często skomplikowanych problemów przetwórstwa metali jednocześnie pozyskując wiedzę na ich temat w formie zrozumiałej dla człowieka i przetwarzalnej dla maszyny, co jest warunkiem koniecznym wspierania idei Industry Formalizacja wiedzy: tworzenie baz wiedzy i semantyczna integracja W modelowaniu procesów nierzadko wykorzystuje się bazy danych materiałowych. Do podejmowania decyzji, a także przewidywania przyszłości w procesach produkcyjnych, wykorzystuje się wiedzę składającą się nie tylko z danych, ale przede wszystkim umiejętności technologicznych. W opisanych wcześniej pracach wykazano, że wiedzę o procesach można pozyskiwać również w sposób automatyczny z wykorzystaniem uczenia maszynowego. Aby w pełni wykorzystać potencjał, jaki dają stosowane metody sztucznej inteligencji, należy jednak pozyskaną wiedzę w postaci reguł, modeli czy wzorców zapisać, zachować, czyli skodyfikować. By zachowana wiedza była dodatkowo zrozumiała dla ludzi i przetwarzalna dla maszyn, konieczne jest odpowiednie opisanie tej wiedzy. Część publikacji z cyklu będącego opisywanym osiągnięciem naukowym habilitanta traktuje właśnie o metodach formalizacji wiedzy. W pozycji [A1] autor zaprezentował proces odkrywania wiedzy i wnioskowania z użyciem modeli uczenia maszynowego z zastosowaniem technik semantycznych (ontologii) celem formalizacji wiedzy i kodyfikacji w semantycznych bazach wiedzy. W publikacji zakreślono zakres stosowalności narzędzi z grupy uczenia maszynowego na przykładach rozwiązywanych problemów badawczych. Publikacja ta stanowi w istocie krótkie streszczenie dokonań habilitanta w zakresie prezentowanego cyklu publikacji. Wykorzystanie technik tworzenia ontologii, czyli modelowania semantycznego, opisane zostało w pracy [A10] na przykładzie ontologii do opisu modeli wieloskalowych termomechanicznej obróbki stopów. Model semantyczny, czyli ontologia, umożliwiła walidację modeli wieloskalowych poprzez badanie kompletności zmiennych wejściowych. Opis taki stanowi również narzędzie jednoznacznej komunikacji pomiędzy inżynierami i programistami. Zastosowanie ontologii znalazło się także w pracach [A2] oraz [A5]. Przedstawione rozwiązanie umożliwia stworzenie semantycznej bazy wiedzy w zakresie metalurgii i przetwarzania metali z użyciem technik akwizycji i kodyfikacji dających się ponownie wykorzystać artefaktów komputerowych generowanych na podstawie dokumentów. Publikacje te dokumentują proces tworzenia systemu umożliwiającego automatyczne katalogowanie (w oparciu o ontologię) i przeszukiwanie merytoryczne dokumentów tekstowych z repozytorium dokumentów dotyczących technologii przetwórstwa metali. Metodyka obejmuje: algorytm TF-iDF dla określenia siły dyskryminacyjnej słów, ukryte indeksowanie semantyczne LSI celem grupowania dokumentów, tworzenie grup wyrażeń bliskoznacznych, oraz integrację z ontologią poprzez przypisanie klas do grup tematycznych. Opracowanie systemu wymusiło proces formalizacji wiedzy, który jest nieodzownym elementem tworzenia systemów wspomagających podejmowanie decyzji. Zaprezentowane rozwiązanie polegało na adaptacji klasyfikatorów opartych na teorii zbiorów przybliżonych i analizy asocjacji w eksploracji tekstu dokumentów dotyczących technologii produkcji i przetwarzania metali. 14

16 5. Zastosowane metody i narzędzia Celem realizacji przedstawionych wcześniej badań w obszarze metalurgii wykorzystano szereg technik z zakresu eksploracji danych, uczenia maszynowego czy formalizacji wiedzy. Metody te zostaną w tym rozdziale przytoczone i uporządkowane w bloki zagadnień, do rozwiązania których zostały zastosowane. Rys. 2. stanowi graficzne uzasadnienie przyjętego porządku omawiania. Pierwszym etapem zaproponowanej metodyki pozyskiwania i formalizacji wiedzy jest pozyskanie danych w postaci, która umożliwia ich dalsze przetwarzanie. Dane w przedstawionym cyklu publikacji miały trzy podstawowe źródła: (1) dane eksperymentalne dotyczące materiałów; (2) dane z procesu produkcji i kształtowania metali; (3) dane w postaci dokumentów tekstowych, najczęściej plików PDF zawierających artykuły naukowe z omawianego zakresu. Ostatnie źródło danych omówione będzie w sekcji 5.3. (eksploracja tekstu), natomiast dane ze źródeł (1) oraz (2) charakteryzują się podobną specyfiką: były to najczęściej dane liczbowe przechowywane w wielu arkuszach kalkulacyjnych i plikach tekstowych ich przetwarzanie omówione zostało w sekcji 5.1. (eksploracja danych). Cztery zaznaczone na rysunku bloki zagadnień zostały opisane poniżej w osobnych sekcjach. Składają się one na etapy tworzenia zintegrowanej, semantycznej bazy wiedzy, której przeznaczeniem jest wspomaganie podejmowania decyzji. Niejednokrotnie zdarza się, że te same narzędzia znajdują zastosowanie w różnych fazach, dla przejrzystości opisu w niniejszym opracowaniu przypisano je jednak do bloku, w którym mają największe znaczenie. Rys.2. Stosowane metody w kontekście metodyki pozyskiwania i formalizacji wiedzy metalurgicznej Algorytmy eksploracji danych Przetwarzanie danych wymaga, aby zostały zintegrowane i połączone w jedną bazę. Ta operacja obejmuje transformację danych, ich czyszczenie oraz integrację w oparciu o wiedzę eksperta. Proces ten można nazwać pozyskiwaniem i integracją danych: data acquisition. Stosunkowo najszerzej opisane zostało to w publikacjach [A8, A12]. 15

17 Przetwarzanie danych rozpoczyna się od badania struktury zmiennych i ich wzajemnych zależności (data preprocessing). Analizy wstępne prowadzone są z użyciem technik statystycznych: badanie rozkładu cechy, korelacji i istotności parametrów [A3, A4]. Modelowanie i eksploracja danych, które stanowiły często bezpośredni cel poszczególnych analiz rozwiązywano w pierwszej fazie z zastosowaniem technik: regresji wielorakiej i nieliniowej, modeli regresji sklejanej MARSplines, analizy wariancji ANOVA oraz komponentów wariacyjnych VEPAC. Przykłady takich analiz i szczegółowe omówienie algorytmów podane są w publikacjach [A6, A13]. Algorytmy te, stanowiące głównie narzędzia statystyczne, służyły do podstawowej analizy zbiorów danych, tworzenia zgrubnych modeli i pozyskiwania podstawowej wiedzy o zależnościach. Uzupełniane były bardziej zaawansowanymi metodami sztucznej inteligencji wymienionymi w następnej sekcji Algorytmy indukcji reguł i formalizacji wiedzy Algorytmiczne pozyskiwanie wiedzy polega na tworzeniu modeli na podstawie danych (data driven models). Modele te służą do odzwierciedlenia zależności parametrów, opisu ilościowego ich wzajemnego wpływu. Określona na podstawie wiedzy eksperta zmienna decyzyjna (zależna) opisana zostaje poprzez uchwycenie reguł zmienności tej cechy w zależności od zmian zachodzących w pozostałych parametrach. Zależności stochastyczne mogą zostać odzwierciedlone w postaci modeli regresji, w postaci reguł 'IF-THEN', lub w postaci sub-symbolicznej jak w przypadku sztucznych sieci neuronowych. W prowadzonych badaniach wykorzystano w szczególności algorytmy: indukcji drzew decyzyjnych: CART, CHAID, losowy las (random forest), drzewa wzmacniane (boosted trees) [szczegółowo omówione w: A3, A4, A6, A7, A8, A11, A13], teorii zbiorów przybliżonych (rough sets) [A2, A3, A9], logikę rozmytą (fuzzy logic) [A12], uczenie maszynowe (machine learning, w tym: metodę wektorów nośnych - support vector machine SVM, sztuczne sieci neuronowe - artificial neural networks ANN) [A11, A13]. Pozyskane modele mogą zostać wykorzystane do wnioskowania w systemach wspomagania decyzji. Stanowią one modele wnioskowania w kategoriach systemów zarządzania wiedzą. Różnią się między sobą strukturą, często też precyzją, jednak wzajemnie się uzupełniają zapewniając użytkownikowi końcowemu zróżnicowaną użyteczność. Omówienie ich funkcjonalności i korzyści stosowania poszczególnych metod czytelnik znajdzie w wymienionych wyżej publikacjach Eksploracja tekstu (text mining) Proces pozyskiwania wiedzy z niestrukturalizowanych dokumentów tekstowych nazywamy eksploracją tekstu. Związany jest on z przetwarzaniem dokumentów najczęściej do postaci wektorowej, aby z wykorzystaniem takiej reprezentacji tekstu możliwa była analiza ilościowa i semantyczna wiedzy zawartej w tekście. Wykorzystuje się tutaj algorytm TF-iDF. Służy on do oceny siły dyskryminacyjnej słów. Na podstawie uzyskanej macierzy częstości (term frequency matrix) ważonej współczynnikiem idf (inverse document frequency) możemy określić, jakie słowa w dokumencie mają największe znacznie, które z nich najlepiej oddają zawartość merytoryczną. 16

18 Wektoryzacja i przekształcenie zbioru dokumentów do postaci TF-iDF pozwala na zastosowanie innych technik data mining. W publikacji [A3] zastosowano ukryte indeksowanie semantyczne (latent semantic indexing - LSI) pozwalające na grupowanie tematyczne (klasteryzację) dokumentów, co jest techniką pozwalającą na porządkowanie dużych repozytoriów w łatwiejsze w zarządzaniu struktury zbiorów dokumentów. W pozycji [A2] wykorzystano techniki analizy asocjacji (association rule learning) oraz indukcji reguł w oparciu o teorię zbiorów przybliżonych (rough sets theory) w celu umożliwienia klasyfikacji dokumentów, czyli przypisywania dokumentów do klas - określonych przez użytkownika grup tematycznych. Taki mechanizm pozwala na automatyczne wnioskowanie o zawartości dokumentu na podstawie jego reprezentacji wektorowej Ontologie Ontologie można określić jako metamodele danych na potrzeby integracji semantycznej. Są to struktury w logice deskrypcyjnej będące połączeniem pojęć w sieci za pomocą relacji. Dzięki takiemu rozwiązaniu możemy konstruować intencjonalny model rzeczywistości, przetwarzalny dla maszyn i zrozumiały dla ludzi. Ontologie zapewniają integrację danych heterogenicznych (o zróżnicowanej składni i formacie), złożonych i pochodzących z różnych źródeł. Dzięki ontologiom możliwe jest reużytkowanie komponentów wiedzy czy też meta-opis komponentów modelowanego systemu. Tworzenie ontologii i ich wykorzystanie było tematem wielu publikacji habilitanta (znajdujących się w wykazie dorobku), a w ramach cyklu czytelnik znajdzie je w [A2, A5, A10]. 6. Wpływ na dyscyplinę naukową Badania prowadzone w ramach osiągnięcia naukowego są dziedzinowym wkładem Autora w koncepcję Industry 4.0, tworzenia systemów cyberfizycznych, których główną cechą jest samodzielność podejmowania decyzji na podstawie danych z procesu i modeli stworzonych na podstawie tych danych (data-driven models). Wartości poznawcze, jakie te badania wniosą w dziedzinę metalurgii, dotyczą głównie metodyki wykorzystania metod uczenia maszynowego i formalizacji wiedzy. Badania mają charakter teoretyczno-aplikacyjny i ukierunkowane są na obserwację możliwości wykorzystania nowoczesnych technik semantycznych i eksploracyjnych w prowadzeniu badań analitycznych (związanych z analizą danych) w zakresie sterowania procesami przetwórstwa metali. Przebadane zostały eksperymentalne rozwiązania wykorzystujące najnowsze koncepcje m. in. autorski model 3multi: multistage-multivariate-multivariable czy ontologie w uczeniu maszynowym i modelowaniu, czy eksploracji tekstu. Aktualnie znanych jest szereg metod reprezentacji wiedzy oraz narzędzi eksploracji danych, jednakże brak jest badań na temat możliwości ich integracji oraz kryteriów oceny i wskazań dotyczących wyboru metod i narzędzi dostosowanych do konkretnych warunków akwizycji danych oraz właściwości analitycznych tworzonej wiedzy. Badania tego typu stanowią novum w obszarze metalurgii oraz inżynierii materiałowej, szczególnie w odniesieniu do specyfiki procesów kształtowania metali czy projektowania stopów odlewniczych, co nadaje im charakter unikatowy. Jako, że celem badań było również doskonalenie dostępu do wiedzy, która zwiększa innowacyjność i potencjał produkcyjny zakładów przemysłowych, należy uznać, że wyniki posiadają również wymiar w aspekcie rozwoju kapitału ludzkiego. 17

19 7. Streszczenie Osiągnięcie naukowe przedstawione w postaci cyklu trzynastu publikacji obejmuje badania z zakresu tworzenia metodyki automatycznego odkrywania i formalizacji wiedzy w procesach produkcji i przetwarzania metali w nowoczesnym ujęciu, jakie wynika z przesłanek koncepcji Przemysłu 4.0 (Industry 4.0). Cykl publikacji prezentuje zrealizowane badania dotyczące m.in.: przewidywania właściwości wyrobów metalowych, w tym predykcji właściwości na podstawie składu chemicznego czy zawartości fazowej nowoczesnych materiałów odlewniczych, optymalizacji procesu walcowania czy obróbki termicznej, jak również predykcji wilgotności mas formierskich czy przewidywania wystąpienia wad, a także zagadnienia związane z tworzeniem baz wiedzy na podstawie źródeł w postaci dokumentów zawierających opisy technologiczne i artykuły naukowe z tego zakresu. W omawianym cyklu publikacji wyraźnie można wskazać główne działy, będące wiodącymi kierunkami prac badawczych habilitanta: (a) odkrywanie wiedzy na temat procesów i materiałów z wykorzystaniem technik eksploracji danych i uczenia maszynowego oraz (b) formalizacja tej wiedzy do postaci baz reguł oraz ontologii. Publikacja A1 stanowi krótkie streszczenie dokonań habilitanta w zakresie prezentowanego cyklu publikacji. Przedstawia ona koncepcję, w jaki sposób narzędzia odkrywania i formalizacji wiedzy mogą wpłynąć na rozwój dyscypliny, jaką jest metalurgia. W pracy wyjaśniony został związek prowadzonych badań z koncepcją Industry 4.0. Odkrywanie wiedzy opisane jest w publikacjach dotyczących badań związanych z modelowaniem procesów (poz. A3, A4, A7, A9) oraz w pięciu najważniejszych publikacjach z zakresu badań nad materiałami odlewniczymi (poz. A6, A8, A11, A12, A13). Pozostałe trzy publikacje dotyczą semantyki tworzenia modeli w logice deskrypcyjnej (ontologii) na potrzeby systemów integracji wiedzy, mających za zadanie wspomaganie decyzji użytkownika w oparciu o zbiory dokumentów zawierających wiedzę technologiczną. Głównym zagadnieniem związanym z opracowaną metodyką jest zatem możliwość aplikacji metod sztucznej inteligencji w celu doskonalenia (podniesienia jakości) procesów wytwarzania wyrobów metalowych i wspomagania projektowania materiałów spełniających coraz wyższe wymagania technologiczne. Osiągnięcie Autora polega na opracowaniu metodyki automatycznego odkrywania i formalizacji wiedzy o procesach wytwarzania i przetwarzania metali. Metodyka ta obejmuje problemy związane z (1) akwizycją danych i integracją ich w aspekcie dalszej eksploracji, (2) doborem i adaptacją metod uczenia maszynowego indukcji reguł, predykcji zmiennych ilościowych i jakościowych, (3) formalizacją wiedzy w odpowiednich reprezentacjach: regułowej, zbiorów rozmytych, zbiorów przybliżonych czy wreszcie logiki deskrypcyjnej oraz (4) integracją wiedzy w repozytoriach opisanych modelami semantycznymi czyli ontologiami. Autor przedstawił możliwość osiągnięcia równowagi pomiędzy wygodą użytkowania a precyzją w przypadku pozyskiwania wiedzy z małych zbiorów. Badania wykazały, że drzewa decyzyjne są wygodnym narzędziem odkrywania wiedzy i dobrze radzą sobie z problemami silnie nieliniowymi, a wprowadzenie dyskretyzacji poprawia ich działanie. Zastosowanie metod analizy skupień umożliwiło też wyciąganie bardziej ogólnych wniosków, przez co udowodniono tezę, że granulacja informacji pozwala znaleźć wzorce nawet w małych zbiorach danych. Opracowano w ramach badań procedurę postępowania w analizie małych zbiorów danych 18

20 eksperymentalnych dla modeli multistage, multivariate & multivariable, co może w znacznym stopniu uprościć takie badania w przyszłości. Badania te są dobrym przykładem analizy doboru narzędzi sztucznej inteligencji i statystyki w rozwiązywaniu problemów z zakresu projektowania materiałów czy modelowania procesów. Opracowana metodyka dostarcza uniwersalnego narzędzia pozyskiwania wiedzy z jednej strony precyzja sieci neuronowych czy maszyny wektorów nośnych, a z drugiej - intuicyjność i przejrzystość drzew decyzyjnych czy modeli indukcji reguł przybliżonych i możliwość wnikliwej analizy zależności. Stworzone w ten sposób bazy wiedzy odpowiadają potrzebom użytkowników i uczestników Industry 4.0 w możliwie szerokim zakresie. 5. Omówienie pozostałych osiągnięć naukowo - badawczych. Osiągnięcia nie uwzględnione w cyklu publikacji dotyczą głównie (A) projektów badawczych realizowanych jako wykonawca zadań w latach W ramach swojej działalności naukowodydaktycznej habilitant realizuje również zadania z zakresu (B) dydaktyki oraz działalności organizacyjnej. 5.A. Udział w projektach badawczych Kuźnia Jawor S.A. wykonawca zadania pt.: Zaprojektowanie i zaimplementowanie systemu ekspertowego wraz z właściwymi ontologiami i przyjaznym interfejsem graficznym w projekcie POIR /15-00, pt.: Wykonanie innowacyjnej, półautomatycznej instalacji pilotażowej do wysokowydajnego procesu wytwarzania prototypów odkuwek matrycowych i pierwszej partii produkcyjnej dla wybranego agregatu kuzienniczego i typoszeregu odkuwek rozwidlonych z uwzględnieniem mapowania procesu produkcyjnego. AGH, KISIM, wykonawca w projekcie 2014/15/B/ST8/00187, pt.: "Zastosowanie systemów opartych o wiedzę do kontrolowania niepewności w optymalizacji procesów przetwórstwa metali", Tematy: Opracowanie modeli adaptacji algorytmów tworzenia reguł w oparciu o tablice decyzyjne doboru modeli numerycznych; Uniwersytet Jagielloński - Collegium Medicum, wykonawca w projekcie KNOW: The system for integration of heterogeneous data sources in the domain of Obstructive Sleep Apnea, zadania z zakresu analizy i eksloracji danych. Instytut Odlewnictwa wykonawca w projekcie NCBiR: LIDER/028/593/L-4/12/NCBR/2013, pt. System informacyjno-decyzyjny wspomagający produkcję żeliwa ADI - zadania z zakresu tworzenia semantycznych modeli baz wiedzy oraz eksploracji danych. Instytut Odlewnictwa główny wykonawca w międzynarodowym projekcie Nr. 820/N- Czechy/2010/0 we współpracy z Katedrą Automatizace a Počitačové Techniki v Metalurgii - VYSOKA ŠKOLA BÁŇSKÁ, pt. Opracowanie rozwiązań w zakresie konceptualizacji i udostępnienie komponentów wiedzy o technologiach odlewniczych, w kontekście innowacji i doskonalenia procesów produkcyjnych. AGH, KISIM, wykonawca zadania pt.: "Opracowanie prototypowej ontologii modeli wieloskalowych" w projekcie badawczym NCN 2011/01/D/ST8/04984 Opracowanie metodyki "zwinnego" modelowania wieloskalowego. AGH, KISIM, wykonawca zadania w projekcie badawczym 7924/B/T02/2011/40 Hybrydowy system wspomagania decyzji w zakresie doboru parametrów technologicznych wytwarzania elementów maszyn z żeliwa sferoidalnego w celu poprawy ich własności użytkowych. AGH, KISIM, wykonawca zadania: Uproszczona procedura modelowania relaksacji naprężeń oparta o system regułowy w projekcie NCBiR pt.: SPAW nr ZPB/33/63903/IT2/ (AGH, WIMIIP, KISIM) 19

21 Systemy ekspertowe w nowoczesnych tworzywach i procesach technologicznych w odlewnictwie PBZ KBN 114/T08/2004 wykonawca zadania, Instytut Odlewnictwa, Prace dotyczyły: budowy i rozwoju multimedialnej bazy wiedzy dla systemu ekspertowego Castexpert (INFOCAST); Implementacji interfejsu graficznego dla systemu Castexpert, testowania; Budowy modeli regułowych reprezentujących relacje: struktura właściwości wyrobów; Zadanie: Opracowanie modeli matematycznych w oparciu o wyniki badań eksperymentalnych z wykorzystaniem metod heurystycznych i logiki rozmytej oraz przeprowadzenie badań symulacyjnych w projekcie N /1099 (Instytut Odlewnictwa) Prace badawcze zrealizowane w ramach projektów naukowo-badawczych zazwyczaj przynosiły publikacje naukowe. Sumaryczne zestawienie dorobku publikacyjnego znajdzie czytelnik w sekcji 6. Warto jednak zaznaczyć, że spektrum zainteresowań badawczych w dużym stopniu zostało już omówione w ramach cyklu publikacji. Niewyszczególnione w cyklu osiągnięcia stanowią mniej istotne (z punktu widzenia punktacji) publikacje z zakresu zastosowania narzędzi eksploracji danych i budowania modeli matematycznych, jak również tworzenia i zastosowania ontologii. Część osiągnięć habilitanta obejmowała tworzenie i eksploatację systemów ekspertowych, w tym systemu CastExpert realizowanego w ramach badań Instytutu odlewnictwa. System ten zapewniał możliwość diagnostyki i identyfikacji wad odlewniczych z zastosowaniem mechanizmów wnioskowania realizowanych w oparciu o język JESS. W ramach badań nad pracą doktorską autor zajmował się m.in. reprezentacją wiedzy z zastosowaniem różnych rodzajów logiki. Istotnym elementem publikacji, również po doktoracie, były zastosowania logiki rozmytej (fuzzy logic) we wnioskowaniu w problemach odlewniczych. Owocem tych badań, jak również rozwijanych równolegle metod data mining i ontologii była monografia opublikowana we współpracy z prof. dr hab. inż. Stanisławą Kluską-Nawarecką (promotorką pracy doktorskiej) pt.: "Knowledge integration computer tools and algorithms in the improvement of the production processes of cast-steel castings, Artificial Intelligence in the Knowledge and Information Systems", Instytut Odlewnictwa, Kraków, 2012r. Ciekawym elementem prac badawczych habilitanta jest udział w projekcie naukowym we współpracy z Collegium Medicum UJ. Projekt dotyczył tworzenia systemu wspomagania diagnostyki w zakresie wykrywania OBS (Obturacyjny Bezdech Senny). Rolą habilitanta była realizacja analiz statystycznych i poszukiwanie wzorców w obrazie klinicznym pacjentów. Rezultaty badań eksploracyjnych były na tyle interesujące, że planowana jest kontynuacja tej tematyki we współpracy z kliniką CMUJ w ramach kolejnych projektów naukowych. W ramach badań statutowych habilitant rozwija techniki eksploracji tekstu i narzędzia semantycznej integracji wiedzy, w tym tworzenia ontologii. W wykazie dorobku znajdzie czytelnik wiele publikacji z tego zakresu, które nie znalazły się w prezentowanym cyklu. W ramach działalności naukowej można wymienić również recenzowanie artykułów w czasopismach, w tym: Archives of Civil and Mechanical Engineering, Mathematical and Computational Applications, Applied Computing and Informatics, Symmetry, Computational Materials Science, Measurement, Computers, Metalurgija, Mechanik. 20

22 5.B. Działalność dydaktyczna, organizacyjna, popularyzatorska i podnoszenie kwalifikacji naukowozawodowych Podnoszenie własnych kwalifikacji 2006r. studia podyplomowe z zakresu Projektowania i eksploatacji współczesnych systemów informatycznych w Katedrze Informatyki na Wydziale Elektrotechniki, Automatyki, Informatyki i Elektroniki, AGH w Krakowie 2008r. uprawnienia egzaminatora Europejskiego Certyfikatu Umiejętności Komputerowych (ECDL) pozwalające na prowadzenie szkoleń przygotowujących do egzaminu ECDL oraz przeprowadzanie egzaminów 2011r. Studium Doskonalenia Dydaktycznego dla Pracowników i Doktorantów AGH 2011r. odbył staż naukowy w Instytucie Odlewnictwa w Krakowie 2013r. dyplom poświadczający posiadanie umiejętności wymaganych do prowadzenia zajęć zawierających elementy kształcenia online (świadectwo ukończenia kursu e-learning'u) 2013r. Staż w ramach projektu pt.: Wiedza, praktyka, kadry klucz do sukcesu w biznesie ; MARR/764/2013/DZ99; dla pracowników naukowych i mikro, małych, średnich i dużych przedsiębiorstw. Tworzenie dokumentacji systemu informatycznego WOPA-SWD, czyli systemu wspomagania decyzji na etapie wyceny oferty projektu architektonicznego. Ukończone szkolenia i kursu miały na celu podnoszenie kwalifikacji i lepsze przygotowanie do działalności dydaktycznej, w ramach której habilitant prowadził zajęcia na kierunkach Informatyka Stosowana, Edukacja Techniczno-Informatyczno, Inżynieria Obliczeniowa jak również na Studiach Podyplomowych Informatyka Stosowana: Zajęcia dydaktyczne samodzielnie opracowywane cykle wykładów zajęcia laboratoryjne z przedmiotów 1. Eksploracja Danych 1. Informatyka (I+II) 2. Statystyka i opracowanie danych 2. Statystyka i opracowanie danych 3. Rachunek Prawdopodobieństwa i Statystyka 3. Projektowanie systemów informatycznych 4. Podstawy Sztucznej Inteligencji 4. Bazy danych 5. Bazy Danych 5. Zdecentralizowane systemy Informatyczne 6. Badania Operacyjne i Logistyka 6. Systemy zarządzania jakością 7. Controlling Personalny 8. Badania Operacyjne i Logistyka 8. Statystyka i Demografia 9. Controlling Personalny 10. Podstawy Sztucznej Inteligencji 11. Sztuczna Inteligencja i Systemy Ekspertowe Habilitant był promotorem 58 prac dyplomowych, w tym 24 magisterskich i 34 inżynierskich. Zdecydowana większość tych prac miała zaczepienie w pracach badawczych realizowanych przez habilitanta, studenci brali udział w projektach prowadzonych w Katedrze Informatyki Stosowanej i Modelowania AGH i Instytucie Odlewnictwa, byli również współautorami publikacji. Tematyka prowadzonych prac dyplomowych w dużej mierze pokrywa się z tematyką prezentowaną w tym autoreferacie: dotyczy eksploracji danych oraz narzędzi semantycznych. 21

23 W latach brał udział w Pogórzańskich Atrakcjach Naukowych jako jeden z przedstawicieli Katedry Informatyki Stosowanej i Modelowania WiMiIP AGH. Jest to impreza, której celem jest propagowanie nauki wśród całych rodzin w rejonie Gorlic. Działalność organizacyjna Komisje Wydziałowa Komisja Wyborcza od 2011 Wydziałowa Komisja ds. Krajowych Ram Kwalifikacji od 2012 Komisja ds. zmian programu nauczania na kierunku Informatyka Stosowana od 2017 Sekretarz Dziekańskiej Komisji d/s Egzaminów Dyplomowych - Modelowanie i Technologie Informacyjne od 2017 (od 2012 w komisji) udział w komitecie organizacyjnym MetalForming' udział w komitecie organizacyjnym KomPlasTech' tworzenie propozycji projektowych od

24