![](img/tr.png)
V technické praxi využíváme často kombinaci různých disciplín umělé inteligence a klasických výpočtů. Takovým systémům říkáme hybridní systémy. V tomto článku se zmíním o určitém typu hybridního systému, který je užitečný ve velmi složitých výrobních procesech.
Částečně definované procesy
V technologické praxi se často setkáváme s procesy, kde některé části dokážeme přesně popsat, zatímco u jiných nedokážeme přesně určit jejich parametry.
Velmi jednoduchým příkladem takového problému je systém interpolace v předchozím článku - Zobrazení grafu s použitim evolučni metody. I když procesy ve výrobě jsou podstatně složitější, uvedený systém ukazuje všechny důležité vlastnosti řešení takových problémů.
Popis typického problému
Základní vlastnosti uvedeného hybridního systému interpolace jsou:
Některá fakta jsou přesně dána
- Pro interpolaci jsme mezi body zvolili křivku třetího stupně
- Pokud křivka prochází určitými body, musí souřadnice bodů splňovat její rovnici.
- Aby byla křivka plynulá, musí v daných bodech být tečna zprava rovna tečně zleva.
Všechny tyto podmínky vedly na soustavu 4 algebraických rovnic o čtyřech neznámých, jejichž řešení je poměrně jednoduché.
Existují také data, která neznáme nebo nedokážeme určit přesně
- v daném případě jsme v rovnicích použili neznámé tečny v jednotlivých bodech
Tyto neznámé hodnoty jsme určili evolučním způsobem tak, aby výsledná křivka odpovídala naším požadavkům. Požadavkem v tomto případě byla co nejkratší délka křivky, pro jejíž hodnocení jsme použili s určitým zjednodušením Pythagorovou věru, což je také poměrně jednoduchý vzorec.
Místo evolučního systému bychom mohli použít některou exaktní interpolační metodu popsanou v literatuře, chtěl bych však tady zdůraznit tří aspekty:
- Popsaná metoda byla pro nás podstatně jednodušší, zejména proto, že jsme měli evoluční systém z jiných projektů
- Tím, že jsme popsali požadovaný výsledek, podařilo se nám v tomto speciálním případě získat řešení, které nám vyhovovalo více než obecné řešení
- Systémy v praxi jsou daleko složitější než popsaná interpolace, v těchto případech může být exaktní určení některých parametrů procesu příliš obtížné nebo dokonce zcela nemožné.
První tvrzení je evidentní, jako ukázku druhého může sloužit následující příklad, třetí tvrzení rozvedu dále.
Význam popisu požadovaného výsledku
Popisovaný interpolační systém jsme vytvořili na základě požadavku z praxe. Bylo nutné interpolovat průběh veličiny jako na následujícího obrázku:
Hodnota veličiny mírně kolísala těsně nad minimální hodnotou, pak náhle dosáhla maxima a opět kolísala pod ním, nakonec se vrátila k minimu.
Pro splnění podmínky, že hodnota na grafu nesmí nabývat záporných hodnot nebo překročit maximum, jsme stanovili jako kritérium nejkratší délku cesty. Podrobněji ukazuje problematiku příklad 4 v systému Interpoluj z minulého článku,
V jiných případech nemusí být toto kritérium vhodné. Pokud například chceme dosáhnout hladký průběh křivky, zadáme v kritériu minimální změnu směru a evoluční systém změněnému požadavku vyhoví. Ukazuje to příklad 7.
Částečně definované systémy v praxi
V praxi jsou tyto systémy podstatně složitější. Následující schéma ukazuje, jak může v praxi vypadat takové řešení:
Popis modelu:
Technologický model přebírá z čidel výrobního procesu změřené vstupní hodnoty x1, x2, … xm. Výsledky výpočtu předává výrobnímu procesu jako řídicí veličiny y1, y2, …, yn.
Technologický model obsahuje řadu funkcí f1, f2, …, fk, Některé jsou definované teorií, jiné charakteristiky nelze přesně určit. V uvedeném schématu to jsou funkce f1, f2, …, f7. Tyto charakteristiky může definovat analytický model jako sady parametrů p1, p2, …, pk učením z reakce systému. Přitom některé funkce mohou záviset na hodnotách z minulého kroku, jak je například znázorněno na spojnici f7-f2.
K učení využívá informací z technologického procesu ve dvou směrech
- zjišťuje, jak přesně odpovídají odhadované výsledky z´1, z´2 skutečným hodnotám procesu z1, z2
- porovnává požadované cíle zadané uživatelem u1, u2 skutečně dosaženým cílům u´1, u´2 .
Závěr
Využitím klasických výpočtů dosahujeme zrychlení procesu optimalizace, model umělé inteligence používáme tehdy, když dílčí technologický děj nedokážeme exaktně popsat nebo chceme upřesnit jeho parametry pro dané zařízení.
Demo programy a software zdarma
Další materiály k tématu Umělá inteligence, demo programy k výuce a jednoduché verze inteligentních systémů zdarma naleznete na webové stránce naší firmy www.optiintelligent.cz. Stránku průběžně doplňuji o další výukové materiály.
Literatura
https://cs.wikibooks.org/wiki/Geometrie/Úvod_do_křivek
http://mathonline.fme.vutbr.cz/default.aspx?section=88&server=1&article=88&chapter=94