автоматизация производственного процесса с помощью ИИ и НС.
Введение: Рыночная экономика основывается на возможности конкуренции. В связи с быстрым развитием информационных технологий и вычислительной техники, наибольшее преимущество получат те кто лучше, быстрее и качественнее сумеет применить их в производстве. Это позволит выиграть экономически и качественно. В этой работе будут преведены доказательства, разобран процес и логика создания нейросети, её обучение и эксплуотация.
Цель работы: создать нейросеть способную самообучаться, для управления процессом производства и обеспечить оптимальную работу станка и оптимальное качество выпускаемой продукции при оптимальной скорости изготовления продукции вне зависимости от степени сложности поверхности. Экономически обосновать выгодность разработки данной нейросети и её внедрение в производство. Снизить требования к квалификации сотрудников и их количестве. В любом типе производства
В начале стоит уточнить дефиниции.
· Нейронная сеть – один из способов реализации искусственного интеллекта (ИИ). математическая модель, работающая по принципам нервной системы живых организмов. Ее основное назначение — решать интеллектуальные задачи. То есть те, в которых нет изначально заданного алгоритма действий и спрогнозированного результата.
Главной особенностью нейросетей является способность к обучению. Они могут обучаться как под управлением человека, так и самостоятельно, применяя полученный ранее опыт.
· Это способность компьютерной системы имитировать когнитивные способности человека, такие как обучение и решение задач. Используя математические функции и логику, компьютерная система имитирует процессы изучения новых сведений и принятия решений у людей.
· Машинное обучение — обширная область в разработке ИИ. Это использование математических моделей данных, которые помогают компьютеру обучаться без непосредственных инструкций. Оно считается одной из форм искусственного интеллекта (ИИ). При машинном обучении с помощью алгоритмов выявляются закономерности в данных.
Искусственные нейронные сети были придуманы в начале 1950-х годов на основе работ нейробиологов о процессах обработки информации в природе. Таким образом прототипом стал мозг. Несовершенство методов исследования, отсутствие развитой математической теории и, самое главное, критическое отношение других именитых Коллег поубавило энтузиазм исследователей, повлекло снижению инвестиций в изучение нейросетей и развитие нейромоделей. На долгое время нейромоделированием занимались лишь узкие специалисты в области информатики и искусственного интеллекта. Не смотря на сложности. Их ждал успех, с последующим использованием ии во множестве сфер деятельности.
Под нейронной сетью, на базе нейромодели, обычно понимают связную параллельную сеть простых адаптивных элементов, которая взаимодействует с окружающим миром по аналогии с биологической нервной системой. На различные сигналы вырабатываются индивидуальные комплексы реакций нейросети. Неоспоримым достоинством любой нейросети является обучаемость. Работоспособная нейросеть не требует программирования, поскольку обучение решению задач её цель. Другое ее отличие и несомненное достоинство - толерантность к ошибкам. Ошибка не приводит к отказу нейросети, а лишь снижает качество обработки информации. А во многих случая способна сама же их и исправлять.
Условия применения ИИ или нейросетей:
1) известно, что эта задача решается людьми (независимо от того, построена ли модель для ее решения);
2) возможно предоставление примеров решения задачи;
3) имеется взаимосвязь между входными и выходными данными, т. е. изменения на входе влияют на результат на выходе.
Если условия соблюдаются, задача может быть решена с помощью нейромодели.
Применение нейросетей предпочтительнее при решении задач, для которых еще не существует строго формализованных алгоритмов, для их выведения. Если использование алгоритма ведет к большим затратам времени.
Использование нейросетей в интеллектуальных системах для автоматизации приобретения знаний - одно из самых перспективных направлений работы. Одним из первых таких нейропакетов стал Brain State in a Box, предназначенный для извлечения знаний из баз данных. Другое направление, в настоящее время интенсивно развивающееся, - это использование самообучаемости нейросети для автоматизированного формирования правил продукций в системах вывода экспертных систем. В качестве примера можно привести работы над созданием механизма формального вывода, основанного на базе знаний, построенной в виде нейросети, - MACIE.
Нечеткая логика. Системы с использованием нечеткой логики были специально разработаны для решения плохо определенных задач и задач с неполной и недостоверной информацией. Слияние экспертных систем с системами нечеткого вывода привело к созданию нового класса нечетких экспертных систем. Недавние исследования показали, что сочетание нейросетей и систем нечеткой логики позволяет решить на компьютере широкий класс задач, который разработчики-практики зачастую старались обойти стороной. В настоящее время на рынке программных продуктов доступен нейросетевой пакет CubiCalc, имеющий инструментарий для обработки нечеткой информации при решении конкретных задач.
Глобальные информационные системы. Нейросети являются чуть ли не единственным инструментом обработки и анализа информации, получаемой по глобальным телекоммуникационным системам. Для представления информации в таких глобальных системах свойственна неоднородность, неструктурированность и нечеткость, а в случае доступа к базам данных - наличие большого числа форматов представления структурированных данных. Нейросети свободны от каких-либо определенных форматов данных. Единственным требованием для представления данных в нейросетиявляется возможность выразить их в виде вектора входных параметров и, соответственно, вектора выходных параметров. При этом вовсе не нужно точно знать характер закономерностей, связывающих входные и выходные параметры. Определение этих закономерностей происходит в процессе обучения сети.
Особенности применения нейросетей и нейромоделей. Зависимость функционирования нейросетей от процесса обучения порождает несколько особенностей их использования. Первая - это неограниченный спектр задач, который может быть решен с помощью нейросетей. При этом не нужно знать, существует ли формальный алгоритм решения задачи или нет. Важно иметь набор правильных решений, удовлетворяющий требуемой точности. Можно использовать очень модную сейчас идею применения двух нейросетей: одна обучается на правильных решениях, а другая - на неправильных. В результате будут получены два решения задачи: как следует поступить и как не нужно поступать.
Вторая особенность, связанная с обучаемостью нейросети, - это индивидуальность обученной сети. Несмотря на то что один и тот же нейропакет может быть использован разными людьми (а в США, например, нейропакет BrainMaker продан в количестве 17 000 экземпляров), можно быть уверенным в том, что обученная нейросеть сохранит свою неповторимость. Это дает определенную гарантию безопасности решений, принимаемых с помощью нейросети.
Третья особенность обучаемости нейросети - зависимость качества работы нейросети от подобранных вами примеров решения задачи. Подбор примеров должен осуществляться самым тщательным образом. Хотя, если у вас есть время, можно поэкспериментировать с данными. Но в любом случае, приобретая нейропакет, вы должны быть уверены в том, что специалисты помогут вам обучиться с ним работать. Это сэкономит ваше время и деньги.
Четвертый важный момент, связанный с обучаемостью нейросетей, - возможность переобучения в процессе эксплуатации. Это позволяет своевременно отражать в нейросети текущие изменения в информационной ситуации, которые присущи вашей предметной области. Иными словами, можно учесть новые факторы и избавиться от несущественных.
Таким образом, использование нейросетей, базирующихся на нейромоделях, позволяет быстро и своевременно учитывать динамику взаимодействия различных экономических и финансовых факторов, присущих вашей деловой активности.
Остановимся на проблеме выбора подходящего нейропакета. Здесь возможны два пути - использование уже готовых решний либо проектирование собственной модели под конкретную задачу и ее реализация в виде нейросети.
Рассмотрим набор нейропакетов, представленных на российском рынке. Нейропакет BrainMaker (фирмы California Scientific Software) является пакетом широкого назначения, предназначенным для профессиональных пользователей (BrainMaker Pro), неподготовленных пользователей и студентов (BrainMaker Student). Нейропакет N-Net (фирмы HI Ware) представляет собой комплексный интегрированный нейропакет, пригодный для решения большого числа задач. Экспертные системы на основе нейросетей можно создавать с помощью Nexpert Object (Neuron Data). Специально для работы с финансовыми данными предназначен нейропакет Nestor DLS (фирмы Nestor). Для разработки приложений с использованием нечеткой логики предназначен нейропакет CubiCalc (корпорации Hyper Logic).
На мировом рынке над созданием коммерческих нейропакетов работают в настоящее время более 100 фирм и компаний, в основном в США, Европе и Японии. В России также проводятся интенсивные исследования по созданию нейропакетов.
Интенсификация промышленного производства, осуществляемая в целях ускорения роста производства, повышения производительности труда, экономного использования сырья, материалов, энергоресурсов, внедрения малоотходной технологии, определяет новые задачи в области совершенствования управления с применением автоматизированных систем на основе комплексной автоматизации управления всеми процессами - от организационно-экономических и технологических до проектирования изделий и технологий их изготовления.
В настоящее время продолжается развитие и создание автоматизированных научных и производственных исследований и испытаний (АСНИ), систем общепромышленного управления, ориентированных на автоматизацию основных функций управления производственным объединением (АСУО), предприятием (АСУП). Широкое распространение получили гибкие автоматизированные производственные системы и комплексы (ГПС).
Остановимся на основных принципах разработки нейросетей и нейромоделей.
Искусственная нейронная сеть (ИНС, нейросеть) - это набор нейронов, соединенных между собой. Как правило, передаточные функции всех нейронов в сети фиксированы, а веса являются параметрами сети и могут изменяться. Некоторые входы нейронов помечены как внешние входы сети, а некоторые выходы - как внешние выходы сети. Подавая любые числа на входы сети, мы получаем некий набор чисел на выходах сети. Таким образом, работа нейросети состоит в преобразовании входного вектора в выходной вектор, причем это преобразование задается весами сети.
Практически любую задачу можно свести к задаче, решаемой нейросетью.