Prezentacja programu PowerPoint

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Systemy ekspertowe - podsumowanie

•Skuteczność systemów ekspertowych
zależy od

zakodowanej w nich wiedzy

rozwiązywanym problemie.

•Jednym z najczęściej stosowanych
zapisów wiedzy są

reguły

JEŻELI [przesłanka] TO

[konkluzja]

Baza wiedzy

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Zalety i wady ES

•

Przydatne do rozwiązywania złożonych problemów, w

dziedzinach, w których zgromadzono wiedzę empiryczną

•

Potrafią odpowiadać na pytania prezentując swoje

konkluzje w intuicyjne zrozumiały sposób, nie potrzeba

programistów by zrozumieć ich działanie.

•

Zwykle oparte są na jednolitym sposobie reprezentacji

wiedzy, np. regułach lub ramach.

•

Dzięki temu łatwo jest modyfikować wiedzę.

Wady:
•

Trudno jest przewidzieć, jakie będą skutki dodania nowej

wiedzy, rozumowanie zdroworozsądkowe jest trudne.

•

Trudno jest pozyskiwać wiedzę (uczenie maszynowe i

odkrywanie wiedzy rzadko jest częścią ES).

•

Traktowanie niepewności nadal jest rzadko spotykane.

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Obszary zastosowań SE

•

Przemysł

–

Nadzorowanie procesów, sterowanie procesami

–

Raportowanie sytuacji specjalnych

–

Wykrywanie uszkodzeń, diagnostyka

–

Projektowanie i planowanie projektów

–

Ekspertyzy techniczne i analizy (np.chemiczne)

•

Medycyna

– Wykrywanie związków przyczynowo-skutkowych
(objaw - choroba)

–

Diagnostyka medyczna

–

Badania genetyczne

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Obszary zastosowań SE

•

Bankowość, ubezpieczenia, handel

–

Obserwacja trendów

–

Analiza ryzyka kredytowego,

inwestycyjnego

–

Planowanie inwestycji, dystrybucji

•

Inne zastosowania:

–

Wspomaganie decyzji menedżerskich

–

Doradztwo personalne

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Proces tworzenia SE

Wywiad wstępny (zleceniodawca, ekspert, inżynier

wiedzy)

Wybór metodologii tworzenia systemu (inżynier

wiedzy)

Akwizycja wiedzy (ekspert, inżynier wiedzy)

Formalny zapis wiedzy (inżynier wiedzy)

Tworzenie bazy wiedzy (inżynier wiedzy)

Testowanie bazy wiedzy (ekspert)

Poprawianie bazy wiedzy (inżynier wiedzy)

Korzystanie z systemu eksperckiego (użytkownik)

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Przykłady wdrożonych SE

MYCIN - Medyczny system diagnozujący, 1972 r.

Uniwersytet Stanforda (nazwa od końcówki

nazw wielu leków antybakteryjnych

(streptomycyna - streptomycin)

– system doradza, które antybiotyki można

stosować w konkretnym przypadku

chorobowym (Praca w trybie konwersacji z

użytkownikiem; Odpowiedź na każde

pytanie jest opatrzona stopniem pewności)

–

Na bazie systemu stworzono system

szkieletowy EMYCIN

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Przykłady wdrożonych SE

• INTERNIST / CADUCEUS - Wspomaganie pracy

lekarza-internisty

• CASNET - Diagnozowanie stanów chorobowych

związanych z jaskrą

• PROSPECTOR - System konsultacyjny dla geologów

(1978r. Stanford) wspomaga analizę występowania
rud metali na dużych obszarach

• R1 (XCON)

W latach 80 jeden z najszerzej

stosowanych systemów, wspomagał konfigurowanie
systemów komputerowych firmy DEC serii VAX

• INVEST - Doradztwo w zakresie finansów, inwestycji

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Przykłady wdrożonych SE

• LENDING ADVISOR- Pomoc w decyzjach kredytowych poprzez

analizę wniosków kredytowych

• UNDERWRITING ADVISOR - Szacowanie ryzyka

ubezpieczeniowego

• AUDITOR - Wspomaganie prowadzenia ksiąg rachunkowych
• MANAGEMENT EDDGE

Ocena zdolności menedżerskich i

organizacyjnych danej osoby

• MACSYMA - analizy matematyczne
• HEARSAY

interpretacja języka naturalnego

• RPFA

wspomaganie pracy urzędów pomocy społecznej, pomoc

przy rozpatrywaniu podań

• SHEARER - wspomaganie napraw i serwisowania kombajnów

węglowych

• DFA

projektowanie obwodów scalonych

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Problemy planowania produkcji walcowni blach

na zimno

• złożona struktura technologiczna produkcji

– cykle produkcyjne są bardzo długie,
– koszty przezbrojeń są wysokie,
– ilość i wartość wsadu powodują, że koszty

utrzymania zapasów są wysokie,

– podczas produkcji powstają produkty pośrednie i

uboczne.

• konieczność uwzględnienia szeregu kryteriów

o charakterze marketingowym i

technologicznym

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Problemy decyzyjne w walcowni blach na

zimno

dobór

materiału

dobór operacji

technologicznych

zamówien

ie wsadu

realizacja

procesu

produkcji

procesy
technologiczne

materiały wsadowe

zamówien

zamówienie-wsad-procesy

SYSTEM
ERP

dostępno
ść
agregató
w

dopasowanie

niezgodnego

wyrobu do

innego

zamówienia

wyrób

niezgod

 PRZEWIDYWANIE CZASÓW

CHŁODZENIA

W PIECACH KOŁPAKOWYCH

 PLANOWANIE OBCIĄŻENIA

AGREGATÓW

 PLANOWANIE ZAJĘTOŚCI SKŁADÓW

 OPTYMALIZACJA WYKORZYSTANIA

POWIERZCHNI MAGAZYNOWYCH

 HARMONOGRAMOWANIE

PRODUKCJI

PROBLEMY DECYZYJNE

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Planowanie pracy wyżarzalni

Przewidywanie czasów chłodzenia ma kluczowe

znaczenie dla prawidłowego przebiegu produkcji na

wydziale walcowni blach na zimno oraz wspomagania

operacyjnych decyzji technologicznych dotyczących:

– przygotowania kolejnych partii wsadu do załadunku

na stanowisko piecowe,

– planowania obciążenia składów

międzyoperacyjnych (przed i za wyżarzalnią),

– zagospodarowania powierzchni składów,
– planowania obciążenia poszczególnych stanowisk

piecowych,

– planowania remontów,

a w całościowym ujęciu - planowania produkcji na

wydziale walcowni blach na zimno.

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Etapy procesu wyżarzania w piecu

kołpakowym

2 – 3

4 – 5

6 – 7

8 – 9

10 – 11

OPERACJE TECHNOLOGICZNE

1 – załadunek kręgów

2 – założenie mufli ochronnej

3 – sprawdzenie szczelności mufli, prze-

dmuchanie

4 – założenie kołpaka grzewczego

5 – nagrzewanie i wygrzewanie wsadu

6 – zdjęcie kołpaka grzewczego

7 – chłodzenie naturalne

8 – założenie kołpaka chłodzącego

9 – chłodzenie przyśpieszone (kołpak chło-

dzący oraz układ wychładzania atmos-

fery ochronnej w chłodnicach wodnych)

10 – zdjęcie kołpaka chłodzącego

11 – zdjęcie mufli ochronnej, rozładunek

kręgów.

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Proces wyżarzania rekrystalizującego



faza nagrzewania



faza wygrzewania



faza chłodzenia

Schemat cyklu pracy pieca kołpakowego

Cykl pracy pieca - t





- czas załadunku

wsadu

-czas

nagrzewania

-czas

wygrzewania

- czas

chłodzenia

- czas rozładunku

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Trudności w planowaniu pracy wyżarzalni



cykle wyżarzania kręgów blachy są bardzo

długie, a czasy ich zakończenia są trudne do

przewidzenia



zaburzenia w rytmicznej pracy oddziału



brak synchronizacji kolejnych procesów



nieoptymalne wykorzystanie agregatów

piecowych na wyżarzalni oraz składów

międzyoperacyjnych

TRUDNOŚCI W PLANOWANIU PRODUKCJI

W WALCOWNI BLACH NA ZIMNO

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Modelowanie chłodzenia w piecach

kołpakowych

• Trudności w obliczeniach cieplnych pieców

kołpakowych:

– zróżnicowany kształt wsadu
– ruch atmosfery ochronnej pod muflą
– ruch powietrza pod kołpakiem chłodzącym.

• Metody oparte na doświadczeniu i intuicji

personelu kierowniczego obarczone są wysokimi

błędami i służą do obliczeń szacunkowych.

Problem prognozowania czasów chłodzenia w

piecach kołpakowych nie jest rozwiązany.

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

– Usprawnienie systemu planowania

produkcji w walcowni blach na zimno oraz

wspomaganie operacyjnych decyzji

technologicznych.

– Wykazanie skuteczności zastosowania

metod sztucznej inteligencji do

przewidywania czasów chłodzenia kręgów

blachy w piecach kołpakowych.

Zadanie systemu ekspertowego

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Tryb szacowania czasów chłodzenia

Planowanie długookresowe

zmienne wejściowe:

m – masa stosu kręgów,
– średnia szerokość blachy w
stosie,
– średnia grubość blachy w
stosie,
n – ilość kręgów w stosie,

p – typ pieca,

– temperatura gazu

ochronnego pod

muflą,

– temperatura otoczenia.

Planowanie operacyjne

dodatkowe zmienne
wejściowe:

k – występowanie kołpaka
chłodzącego,
d – zaburzenia w danych
pomiarowych
temperatury.

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

System ekspertowy

•

Przewidywanie czasów chłodzenia

kręgów

blachy w piecach kołpakowych sprowadzono

zagadnienia klasyfikacji

Obiekt

Atrybut

Wartość

stos kręgów blach

w piecu

kołpakowym

 masa stosu
 szerokość
blachy
 typ pieca
 i in.

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

System ekspertowy dla przewidywania

czasów chłodzenia kręgów

SYSTEM
EKSPERTOW
Y

WEJŚCIE: stos kręgów

blachy

BAZA

DANYCH

SQL

MODUŁ

WNIOSKOWANIA

BAZA WIEDZY

reguły

fakty

MODUŁ

OBJAŚNIAJĄCY

WYJŚCIE: czas chłodzenia

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

Wyniki prognozowania czasów
chłodzenia planowanie operacyjne

Metod
a

Błąd E

Błąd

średnio-

kwadratow

y 

(C4.5)

1 godz. 36

min

0.27















)

(

)

(

)

(

)

(

)

(



















gdzie:
  L-  ilość  poszczególnych  pomiarów
temperatury
            gazu  dla  wszystkich  cykli
chłodzenia,
      - czas chłodzenia (obliczony),
      - czas chłodzenia (zmierzony).

)

(

)

( j

System ekspertowy – SE (C4.5)

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

SCHEMAT BUDOWY PIECA ZAWIESINOWEGO

Koncentrat miedziowy

dmuch
technologiczny

SZYB

REAKCYJNY

SZYB

GAZOWY

rynna
spustowa

WANNA ODSTOJOWA

miedzi
blister

rynna

spustowa

zuzla

Wynikiem stapiania koncentratów w piecu zawiesinowym są
następujące produkty:
- miedź blister, zawierającą poniżej 0,3 % Pb i do 0,5 % tlenu
- żużel zawiesinowy , o wysokiej zawartości miedzi, zwykle od 13 do 16
%
- pyły siarczanowe : miedzi, wapnia, magnezu, żelaza i innych metali
- gazy, o wysokim stężeniu SO

, zwykle od 12 do 18 % obj.

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

DEFINICJA PROBLEMU

 Problemy w modelowaniu procesu wytopu miedzi:

• Złożona struktura procesu
• Duża ilość parametrów (ok. 30 parametrów wejściowych
i 40

parametrów wyjściowych)

 Podczas wytopu miedzi w piecu zawiesinowym często
występuje
zjawisko gotowania, które jest niepożądane.

Celem była ocena skuteczności zastosowania metod
sztucznej inteligencji w przewidywaniu zjawiska
gotowania.

Kategoria „OSTRZEŻENIE”

…

Kategoria „OK”

Kategoria „ŹLE”

Sieci Bayesowskie

Sztuczne Sieci

Neuronowe

System Ekspertowy

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

SYSTEM EKSPERTOWY

Dla przewidywania zjawiska gotowania zastosowano regułowy
system ekspertowy. Reguły systemu ekspertowego
wygenerowano na podstawie drzewa decyzyjnego, opracowanego
na podstawie algorytmu C4.5 Quinlana. Do budowy drzewa
decyzyjnego wykorzystano 1500 rekordów danych pomiarowych
oraz 500 rekordów do testowania.

Przykładowe reguły systemu ekspertowego:

wy_gotowanie = "OSTRZEZENIE" if

we3_konc_pk3 > 27.2,

we8_ios_p3 <= 0.63,

we11_olej > 174.11,

we11_olej <= 201.69;

wy_gotowanie = "OK" if

we3_konc_pk3 <=
27.2,

we8_ios_p3 > 0.52;

wy_gotowanie = "ZLE" if

we3_konc_pk3 > 27.2,

we8_ios_p3 <= 0.63,

we10_ios_p5 > 0.89,

we10_ios_p5 <= 1.07,

we5_pyly > 10.73,

we11_olej <= 174.11,

we11_olej > 121.9;

Podstawy Sztucznej

Inteligencji

Jan Kusiak

Systemy ekspertowe

WYNIKI PRZEWIDYWANIA POZIOMU

GOTOWANIA

% poprawnie zaklasyfikowanych

odpowiedzi do kategorii

Metody Badawcze

OSTRZEŻENIE

ŹLE

Sieci Bayesowskie

92%

83%

99%

Sztuczne Sieci Neuronowe

91%

93%

98%

System Ekspertowy

89%

91%

95%

Document Outline