Diagnostyka wad odlewów przy uŝyciu systemu ekspertowego CastExpert - przykład zastosowania regułowej reprezentacji wiedzy

Diagnostyka wad odlewów przy uŝyciu systemu ekspertowego CastExpert - przykład zastosowania regułowej reprezentacji wiedzy Krzysztof Regulski AGH, WIMiIP, ZIP

2 Plan prezentacji: Wprowadzenie do systemu CastExpert (kontekst systemu) Przykładowy problem decyzyjny w diagnostyce wad odlewów Wada odlewu staliwnego: wŝarcie Zapobieganie? Wykorzystane w systemie metody i technologie Systemy ekspertowe regułowa reprezentacja wiedzy Struktura systemu JESS/CLIPS Integracja wiedzy Co dalej? Ontologie, XML, RDF

3 Wprowadzenie Kontekst systemu CastExpert

4 System INFOCAST Jest to zdecentralizowany system informacyjno-decyzyjny, którego przeznaczeniem jest wspomaganie technologii odlewniczej zarówno w przemyśle jak i pracach badawczo-naukowych. Do celów jakie system ten ma spełniać moŝna zaliczyć: ekspertyzy dotyczące diagnozowania wad odlewów ekspertyzy dotyczące technologii wytwarzania odlewów wskazywanie źródeł literaturowych dotyczących odlewnictwa marketing wyrobów odlewniczych (przyszłościowo) Architektura systemu INFOCAST jest architektura otwartą. Składa się na nią grupa podsystemów dynamicznie łączących się między sobą w swoistą strukturę. MoŜna do nich zaliczyć: bazy danych zbiory informacji o przypadkach zbiory reguł systemy ekspertowe

5 Elementy INFOCAST Poszczególne zadania w systemie realizowane są przez agentów współpracujących ze sobą w celu uzyskania poŝądanej informacji (wyników). W systemie rozróŝniamy następujących agentów:

6 INFOCAST w Internecie Z poziomu strony WWW uŝytkownik ma moŝliwość korzystania z: baz danych (wyszukiwanie informacji odbywa się przy uŝyciu formularzy): SINTE NORCAST CASTSTOP rozproszonej bazy danych zawierającej informacje na temat bibliotek w Polsce i na świecie (lokalizacja, strony WWW, moŝliwość przeprowadzenia wyszukiwania on-line) systemu CASTEXPERT gdzie do obsługi wymagana jest przeglądarka obsługująca aplety Javy.

7 Przykładowy problem decyzyjny Diagnostyka wady - przykład

8 Przykładowy problem decyzyjny: Półpanewka z brązu fosforowego, odlana na wilgotno Wada W-219 (wg PN-85/H-83105) - WŜarcie (metal penetration) PN: Ściśle przylegająca do odlewu warstwa stanowiąca spiek metalu, ziaren materiału formierskiego i ŜuŜla

9 Przykładowy dialog (1) rozpoczęcie pracy 1 2 3

10 Przykładowy dialog (2) rozpoznanie wady

11 Przykładowy dialog (2) rozpoznanie wady

12 Przykładowy dialog (3) poszukiwanie przyczyny

22 Pozostałe moduły systemu INFOCAST: BAZY DANYCH: NORCAST zbiór informacji o normach krajowych i zagranicznych, oraz dyrektywach UE z zakresu odlewnictwa obejmujący: Zagadnienia ogólne Materiały wsadowe Materiały formierskie i metody ich badań Materiały pomocnicze SINTE streszczenia artykułów z czasopism odlewniczych polskich i zagranicznych CASTSTOP właściwości fizykochemiczne i technologiczne tworzyw odlewniczych

23 Dalsze informacje dotyczące zapobiegania: W przypadku naszego produktu półpanewki odlanej z brązu fosforowego na wilgotno pojawienie się wady WśARCIE jest spowodowane niskim napięciem powierzchniowym stopu. (źródło: CASTSTOP) Zapobieganie: Pokryć rdzeń powłoką grafitową, stosować w większym stopniu środki ostroŝności zalecane przy odlewaniu brązu fosforowego, stosować masę formierską o niskiej porowatości i o wysokim przewodnictwie cieplnym (dodatek tlenku Ŝelaza do masy). (źródło: SINTE)

24 Omówienie technologii Regułowa reprezentacja wiedzy i Systemy Ekspertowe Architektura systemu CastExpert

25 Klasyfikacja metod reprezentacji wiedzy

26 Symboliczna metoda reprezentacji wiedzy: Postać reguły: IF (x 1, x 2,.., x n ) THEN (y k ) gdzie: x i, (i=1,..,n) przesłanki y k konkluzja (hipoteza lub działanie)

27 Systemy ekspertowe Określenie system ekspertowy moŝe być zastosowane do dowolnego programu komputerowego, który na podstawie szczegółowej wiedzy moŝe wyciągać wnioski i podejmować decyzje, działając w sposób zbliŝony do procesu rozumowania człowieka. Systemy ekspertowe stanowią jedną z gałęzi sztucznej inteligencji. System ekspertowy jest programem wyspecjalizowanym do modelowania ludzkiego doświadczenia i wiedzy. Opierają się na technice symbolicznego przetwarzania informacji. W zaleŝności od charakteru problemu, wiedzę zapisuje się w róŝny sposób. Najczęściej stosowaną formą zapisu wiedzy są reguły. Jedną z podstawowych cech systemów ekspertowych jest oddzielenie w nich systemu wnioskowania od bazy wiedzy.

28 Schemat budowy systemu ekspertowego

29 Expert system shell Klasycznym językiem uŝywanym przy tworzeniu systemów eksperckich jest Prolog. Obecnie zamiast tworzyć je od podstaw, uŝywa się gotowych szkieletów systemów ekspertowych (expert system shell) z zaimplementowanym mechanizmem wnioskowania. Szkielet taki to właściwie system ekspertowy z pustą bazą wiedzy. Szkieletami takim są np..: CLIPS (C Language Integrated Production System) JESS (Java Expert System Shell)

30 CLIPS i JESS CLIPS - stworzony w 1985 przez Johnson Space Center (NASA). Od tamtego czasu rozwijany, obecnie obowiązuje wersja 6.24 Środowisko programistyczne do tworzenia systemów ekspertowych, zawiera narzędzia do tworzenia systemów bazujących na rozumowaniu regułowym (ew. obiektowym) i reprezentacji wiedzy. Zapewnia moŝliwość rozbudowy. JESS stworzony w 1995 przez Sandia National Labolatories (organizacja rządowa USA). Najnowsza wersja: 7.0 Początkowo miała być tylko interpreterem CLIPS a pisanym w języku Java, jednak obecnie stanowi juŝ niezaleŝny shell

31 Architektura CastExpert a

32 Baza reguł (rules) przechowują wiedzę heurystyczną opartą na doświadczeniu

33 Definicje funkcji definicje funkcji (deffunctions, generic functions) - przechowujące wiedzę proceduralną

34 Schemat procedury diagnostycznej systemu CastExpert

35 Wnioskowanie w przód Wnioskowanie w przód bazuje na danych reprezentowanych w postaci faktów i reguł. Kroki: 1) sprawdzenie, czy przesłanki którejś z reguł są faktami w bazie wiedzy. JeŜeli tak to taka reguła jest uaktywniana na podstawie odpowiednio wybranej strategii sterowania wnioskowaniem; 2) konkluzja tak wybranej reguły jest wprowadzana jako nowy fakt do bazy wiedzy. 3) Powrót do punktu 1) do momentu, kiedy wśród wygenerowanych faktów znajdzie się postawiony cel (hipoteza) lub gdy nie ma w bazie wiedzy więcej reguł do uaktywnienia.

36 Co dalej? Integracja wiedzy

37 Kierunki rozwoju systemu NajbliŜsza przyszłość: Stworzenie bazy modeli symulacyjnych Dalsze prace: Stworzenie ontologii dla systemu Zastosowanie XML/RDF Przekształcenie dotychczasowych agentów (Web Services) w Semantic Web Services

38 Semantic Web Services WyróŜnione przez W3C warstwy technologiczne dla Semantic Web, tzw.: Semantic Web layer cake

39 Korzyści: Bardziej efektywne indeksowanie i systematyzowanie informacji zastosowanie ontologii do klasyfikacji i formalnego opisu wiedzy i danych Metadane i adnotacje pozwalające na opis dokumentów pod względem zawartości i dodawanie komentarzy bez ingerencji w oryginalną zawartość, wersjonowanie, współdzielenie dokumentów. Obszerna, rozproszona, międzyaplikacyjna baza danych taka infrastruktura sieci, aby dane mogły być uŝytkowane przez róŝne aplikacje bez względu na lokalizację i oprogramowanie źródłowe. Sieć jako jedna wielka baza danych. Wyszukiwanie danych bezpośrednio przez aplikacje/agentów (automatyczna akwizycja danych) (Automatyczne) Usługi sieciowe pozwalające na obsługę przez maszyny, zestandaryzowane interfejsy. (Automatyczne) Rozpoznawanie usług sieciowych umoŝliwienie agentom eksploracji sieci w celu wyszukiwania oczekiwanych usług, rozpoznawanie ich przeznaczenia, sposobu działania, interfejsu i moŝliwości automatycznego uŝycia. Systemy (wielo)agentowe sieć jako obszar kooperacji agentów, dzięki której agenci będą w stanie wykonywać za człowieka szereg zadań jak np. zaplanowanie wyjazdu zagranicznego i rezerwację biletów, miejsc etc., umówienie spotkania i zaplanowanie przebiegu, uzgodnienie warunków zakupów, wyszukanie odpowiednich produktów czy nawet negocjację cen etc.

40 Literatura: Kluska-Nawarecka, S., Dobrowolski, G., Marcjan, R., Nawarecki, E., Od pasywnych do aktywnych źródeł danych i wiedzy : zdecentralizowany system informacyjno-decyzyjny dla wspomagania technologii odlewniczej. AGH, Kraków, 2002 Kluska-Nawarecka, S., Metody komputerowe wspomagania diagnostyki wad odlewów, Instytut Odlewnictwa, Kraków, 1999 InŜynieria wiedzy i systemy ekspertowe, red. Bubnicki, Z., Grzech, A., OWPW, Wrocław, 2003 Talar, J., Komputerowy model wspomagania operacyjnych decyzji technologicznych w walcowni zimnej blach, Praca doktorska, AGH, Kraków, 2003 Tabor, A., Rączka, J.S., Odlewnictwo, Fotobit, Kraków, 1996 Zych, J., Analiza wad odlewów, AGH, Kraków, 1993 CLIPS: http://www.ghg.net/clips/clips.html JESS: http://www.jessrules.com/ Berners-Lee, T., Hendler, J., Lassila, O., The Semantic Web, Scientific American, 2001 Passin, T.B., Explorer s Guide to the Semantic Web, Manning Publications Co., Greenwich 2004

41 Dziękuję za uwagę. Zapraszam do dyskusji