УДК 001

Применение многоагентных систем

Давлетбаева Регина Ренатовна – магистрант кафедры Автоматизации и управления Набережночелнинского института (филиала) Казанского (Приволжского) федерального университета.

Зиятдинов Рустем Раисович – научный руководитель, кандидат технических наук, доцент Набережночелнинского института (филиала) Казанского (Приволжского) федерального университета

Аннотация: В работе рассматривается применение многоагентной системы для решения задачи по автоматизированному подбору необходимого оборудования при разработке технологическихпроцессовна этапе моделирования обработки изделий.

Ключевые слова: Электронный технологический процесс, многоагентные системы.

Необходимым условием успешного функционирования современных производственных предприятий является постоянное совершенствование и расширение ассортимента выпускаемой продукции. Конструкторские отделы предприятий могут проектироватьбольшое количество оригинальных изделий, число которых может превышать тысячи штук в месяц. На эти изделия технологам требуется разрабатывать электронные модели технологических процессов. Такие модели технологических процессов необходимы для того, чтобы на этапе разработки конструкторской документации определить возможность изготовления данной детали при имеющихся производственных мощностях предприятия.

Последовательность выбора оборудования для моделей технологических процессов заложена в классификаторе среды моделирования. Классификатор имеет систематизированный перечень наименований объектов, в том числе и оборудования для технологического процесса. Каждому наименованию оборудования соответствует уникальный код, а также атрибуты, по которым происходит поиск того или иного оборудования. Перечень 3D-моделей оборудования, заложенного в классификатор, часто не является актуальным, а поиск происходит по атрибутам, которые не всегда очевидны. Учитывая разную квалификацию технологов и отсутствие единой методики этапа выбора необходимого оборудования процесс моделирования может привести к увеличению времени и снижению качества разработки технологического процесса, что в конечном итоге снижает эффективность работы предприятия.

Таким образом, разработка автоматизированной системы подбора необходимого оборудования на основе методов искусственного интеллекта позволит повысить качество и сократить трудозатраты на разработку технологического процесса.

Для разработки автоматизированной системы был проведен анализ различных подходов и методов, в том числе с использованиемметодов искусственного интеллекта. Для решения данной задачи были выбраны многоагентные системы. Это связано с тем, что различные способы механической обработки удобно описывать отдельными программами, специализированными на конкретных видах обработки. Также применение многоагентных систем обладает следующими достоинствами:

  • разделение вычислительной нагрузки между множеством агентов;
  • повышение качества выполнения функций за счет поиска оптимальных вариантов при взаимодействии агентов;
  • гибкость и масштабируемость за счет децентрализации;
  • использование знаний и вывода на имеющихся знаниях [1].

Для разработки автоматизированной системы по подбору оборудования на основе многоагентной системы была разработана структурная схема взаимодействия объектов системы (рисунок 1)[2].

Рисунок 1. Структурная схема взаимодействия объектов.

Рассмотрим подробнее взаимосвязь объектов и функциональные обязанности каждого. Задача координации поведения агентов возложена на агента-координатора, который обеспечивает выполнение пошагового алгоритма принятия решения, а также поддерживает целостность баз данных системы на групповом уровне и вносит в них необходимые изменения. На вход агенту-координатору от оператора поступает чертеж с PMI размерами и техническими характеристиками. Далее агент-координатор отправляет нужные данные на агента эффективности оборудования. Агент эффективности оборудования определяет возможность обработки детали с определенным количеством выпуска в год на конкретном оборудовании с учетом экономической эффективности.

После этого агент эффективности оборудования посылает данные обратно агенту-координатору. Для работы с каждым типом обработки необходим свой агент для написания операции под входные данные. Далее агент-координатор предоставляет связь агентам «обработчикам» в зависимости от типа механической обработки детали.

Например, если агент координатор определил, что потребуется обработка на токарном станке, то он посылает полученную информацию агенту токарной обработки. Агент, получив входные данные, выбирает стратегию обработки (черновое, чистовое и т.д.).

Агент соответствующей обработки производит необходимые расчёты (в соответствии с целевой функцией) для получения числовых значений атрибутов, по которым будет проводится выбор оборудования:

y = f (x1, …,xN),

где x1, … xNN атрибутов оборудования.

Проведя расчеты, и получив все необходимые параметры, агент обработки обращается к базе знаний. Происходит сравнение полученных результатов с заложенными правилами базы знаний. Итогом связи между базой знаний и агентом токарной обработки, является подобранное оборудование, на основании атрибутов, рассчитанных агентом токарной обработки.

Далее уже готовый пакет выходных данных от агента обработки подается на агента выходных данных. Далее агент, отвечающий за обработку, передает сигнал агенту координатору, что есть готовность для следующей задачи.

На примере решения функций агента токарной обработки была разработана структурная схема экспертной системы(рисунок 2).

Рисунок 2. Структурная схема экспертной системы решения задачи.

Рассмотрим подробнее компоненты экспертной системы, присутствие каждого из которых обеспечивает работу системы в целом. Эти компоненты важны не столько по отдельности, сколько в слаженной взаимосвязанной работе, так как все они играют важную роль в решении задач, для которых и предназначена экспертная система.

Пользователь – специалист предметной области, для которого предопределена система. Обычно его квалификация недостаточно высока и поэтому он нуждается в и поддержке своей деятельности со стороны ЭС.

Инженер по знаниям – специалист в области искусственного интеллекта, выступающий в роли промежуточного буфера между экспертом и базой знаний.

Интерфейс пользователя – комплекс программ, реализующих диалог пользователя с ЭС как на стадии ввода информации, так и при получении результатов.

База знаний – ядро ЭС, совокупность знаний предметной области, записанная на машинный носитель в форме, понятной эксперту и пользователю.

Решатель – программа, моделирующая ход рассуждений эксперта на основании знаний, имеющихся в БЗ.

Редактор базы знаний – программа, представляющая инженеру по знаниям возможность создавать базы знаний в диалоговом режиме[3].

Использование автоматизированной системы подбора оборудования позволит оптимизировать сроки разработки технологических процессов, повысить точность моделирования и существенно упростить внедрение оригинальных изделий на производстве. Это особенно актуально для крупных производственных компаний, где существует большое количество оригинальных изделий. Постановка деталей на производство без предварительных проверок на технологичность может нанести значительные потери в производстве.

Список литературы

  1. Мультиагентные системы // Учебные материалы: [Электронный ресурс] – Режим доступа: https://works.doklad.ru/view/6nbrrWG97Q0/all.html. (Дата обращения: 24.04.2018).
  2. Структура мультиагентной системы принятия решений для многокритериальной оценки инновационной деятельности предприятия // Фундаментальные исследования: [Электронный ресурс] – Режим доступа: https://fundamental-research.ru/ru/article/view?id=4281. (Дата обращения: 29.06.2018).
  3. Экспертные системы (Архитектура) // TADVISER: [Электронный ресурс] – Режим доступа:http://www.tadviser.ru/index.php/index.php/Статья:Экспертные_системы_(Архитектура). (Дата обращения: 28.04.2018)

Интересная статья? Поделись ей с другими: