Системный анализ

К.т.н. Бакановская Л.Н.

ФГБОУ ВО «Тюменский государственный нефтегазовый университет», Россия

 

К вопросу о разработке нейросетевых

экспертных систем

 

В проектировании изделий способы визуализации, трансформации и анализа информации (степень владения прототипами [1]) являются основным условием гибкости производства [2]. Под гибкостью, в данном случае, понимается возможность оперативного реагирования и адаптации рассматриваемого процесса проектирования изделий к изменениям потребительских ситуаций в условиях нестабильной экономики (адресная ориентация проектирования предметов потребления).  С этой целью компании разбивают рынок на сегменты. Принципы сегментирования рынка рассмотрены авторами [2-4] и могут быть внедрены в процесс изготовления изделий по прототипам. Результаты прототипирования как аналитические, так и описательные, в значительной мере зависят от правильной организации и планирования научных работ, надлежащего сбора, анализа, визуализации и интерпретации полученных данных [5]. Состоятельность и результативность подобных исследований приобретают особую актуальность в связи с разработкой общепринятой концепции производства. При этом существует настоятельная потребность в разработке автоматизированных приложений к существующим подсистемам (например, [6]), способных обрабатывать в интерактивном пользовательском режиме имеющиеся и поступающие данные, а также позволяющих создавать прогнозируемые системы по предложениям (гипотезам) эксперта-технолога, подтверждаемым формализованными статистическими методами. Экспертные системы уже показали свою эффективность во многих областях человеческой деятельности [7-9]. При этом использование специалиста-эксперта не всегда возможно на предприятиях. Простая в освоении и управлении программа обеспечит решение данной задачи без дополнительных затрат со стороны предприятия. В связи с этим актуальной является задача разработки экспертных модулей (систем искусственного интеллекта) для экономико-производственных задач.

На сегодняшний день для производства целесообразной является задача разработки и изготовления изделий не на склад, а «от обратного» результата, то есть, от желаемого уровня рентабельности и выпуска. Следовательно, разработка современного программного обеспечения для обработки данных маркетинговых исследований предпочтений потребителей является актуальной задачей.

Существует значительное число унифицированных программных продуктов по статистике, анализу и синтезу экспертных данных (например, MAPLE, «Statistica for Windows», MS Exel, PolyAlalyst, Matlab и многие другие), имеющих широкую область применения. Из перечисленных выше программных средств, как наиболее развитая, выделяется среда компьютерной математики MATLAB, в первую очередь в связи с тем, что в ней реализованы современные алгоритмы построения средств нечёткой логики, задач оптимизации и обучения нейронных сетей.

Для анализа применения нейронной сети в экспертном модуле для автоматизации планирования производства в MATLAB (на примере швейного предприятия) необходимо:

·                                            сформировать персептрон соответствующей размерности, указав в качестве функции обучения learnpn;

·        сформировать обучающее множество;

·        осуществить настройку параметров персептрона, при этом возможны два варианта:

а) выполнить процесс обучения персептрона с помощью функции adapt или train;

б) аналитически вычислить требуемые значения весов и смещений и присвоить их соответствующим параметрам;

·        путем моделирования проверить результат работы обученной сети.

·     построить график, изображающий пространство входов и линии, отобра­жающие, как настроенная нейронная сеть делит пространство входов на подпространства, соответствующие различным классам.

·     выбрать архитектуру и сформировать искусственную нейронную сеть, способную, после обучения, классифицировать двухэлементные входные векторы и классифицировать: мужской пиджак по двум признакам (количество деталей кроя и максимальное время обработки) на два класса:

1)     низкая ценовая группа – количество деталей кроя не более 15 и время обработки не более 2 часов;

2)     высокая ценовая группа – количество деталей кроя более 15 и время обработки более 2 часов.

На рисунке 1 представлены полученные результаты.

 

Рисунок 1 – Рабочее окно MATLAB с результатами обучения

 

По найденным коэффициентам обученная сеть разделила область на 4 сегмента и эксперт-технолог примет решение, имеет ли смысл проводить дальнейшие работы по проектированию изделия и запускать его в производство или необходимо вернуться к корректировке входных данных. Для закрепления логических связей сегментов и предприятий после ранжирования, каждое предприятие получает свой сегмент рынка и строит свою ценовую политику на партнёрских взаимоотношениях.

 

ЛИТЕРАТУРА

 

1.                 Чекардовская, И.А. Эффективная система проектирования производственных процессов [Текст] / И.А. Чекардовская, Л.Н. Бакановская, И.А. Торопова // Научное обозрение. – 2015. - № 5. С. 272-278;

2.                 Мокеева, Н.С. Методология автоматизации проектирования технологического процесса изготовления мужских костюмов для разных ценовых сегментов рынка [Текст] / Н.С. Мокеева, Л.Н. Бакановская, В.А. Заев. – М. : ИИЦ МГУДТ, 2010. – 150 с.

3.                 Мокеева, Н.С. Анализ рынка потребителей города Новосибирска с целью разработки информационной базы для проектирования мужских костюмов разных ценовых групп [Текст] / Н.С. Мокеева, Л.Н. Бакановская, Н.А. Кузьмина // Швейная промышленность. – 2008. – № 6. – С. 47-49;

4.                 Бакановская, Л.Н. Проектирование технологического процесса обработки мужских костюмов для разных ценовых сегментов рынка [Текст] / Л.Н. Бакановская, Н.С. Мокеева // Швейная промышленность. – 2009. – № 5. – С. 26-27;

5.                 Иванов, В.А. Методика определения показателей эффективности организации производства с помощью графоаналитического метода [Текст] / В.А. Иванов, И.Г. Волынец, И.А. Чекардовская // Известия высших учебных заведений. Нефть и газ. – 2009. – № 1. – С. 48-52;

6.                 Мокеева, Н.С. Создание АРМ технолога для проектирования технологического процесса [Текст] / Н.С. Мокеева, Л.Н. Бакановская // Программные продукты и системы. – 2009. – № 4. – С. 52-54;

7.                 Ахмадулин, Р.К. Программное обеспечение проектирования и оценки качества полевых геофизических исследований на нефть и газ [Текст] : автореферат дис. … канд. техн. наук / Ахмадулин Руслан Камильевич. – Тюмень. : Изд-во «Нефтегазовый университет», 2006. – 18 с.;

8.                 Глухих, И.Н. Ситуационные модели в корпоративных базах знаний геолого-технологических мероприятий [Текст] / И.Н. Глухих, В.Н. Пьянков, А.Р. Заболотнов // Нефтяное хозяйство. 2002. – № 6. – С. 45;

9.                 Глухих, И.Н. Применение нечеткой логики в моделировании
информационной системы обнаружения мошенничества с использованием
пластиковых карт [Текст] / И.Н. Глухих, А.П. Моор // Вестник Тюменского государственного университета. – 2006. – №5. – С. 204-210