Prezentace se nahrává, počkejte prosím

Prezentace se nahrává, počkejte prosím

VÍTKOVICE ITS a.s. Ruská 60, 706 02 Ostrava - Vítkovice Nové možnosti informačních systémů s využitím inteligentních modulů RNDr. Jaroslav Teda, Ph.D.

Podobné prezentace


Prezentace na téma: "VÍTKOVICE ITS a.s. Ruská 60, 706 02 Ostrava - Vítkovice Nové možnosti informačních systémů s využitím inteligentních modulů RNDr. Jaroslav Teda, Ph.D."— Transkript prezentace:

1 VÍTKOVICE ITS a.s. Ruská 60, Ostrava - Vítkovice Nové možnosti informačních systémů s využitím inteligentních modulů RNDr. Jaroslav Teda, Ph.D.

2 Projekční a konzultační činnost v oblasti grafických systémů a systémů podporujících technologická a výrobní pracoviště CAD/CAM nadstavbový software komplexní řešení včetně dodávky software MKP analýza, simulace, vizualizace výsledků pevnostní výpočty lineárních a nelineárních úloh metodou MKP optimalizace produktů pomocí strukturální a tepelné analýzy řešení napěťově-deformační analýzy prostřednictvím produktů I-DEAS a MARC simulace reálného chování (tváření, válcování, kování) profesionální prezentace výsledků včetně vizualizace, animace Technické informační systémy grafické uživatelské rozhraní - grafická klasifikace využití předností technologií Internet/Intranet relační databáze (ORACLE, MS SQL) heterogenní prostředí (Unix, Windows) Integrace technických a podnikových informačních systémů integrace CAD/CAM systémů se systémy pro plánování a řízení výroby poradenské služby v oblastech analýzy, návrhu a realizace integrovaných systémů integrace CAD/CAM systémů se systémy pro podporu technologie (Sysklass, Asepo, Technologická příprava výroby 2000) Programování na zakázku Náplň činnosti společnosti v oblasti vývoje SW projektů

3  V letech 2002 – 2007 řešila firma VÍTKOVICE ITS, a.s. řadu informačních systémů, jejichž některé subsystémy nebylo možno popsat algoritmicky  Nabízely se tyto možnosti řešení: vytvořit interaktivní systémy s kvalitním interfacem a při řešení nealgoritmizovatelných úloh spoléhat na intuici uživatele vytvořit moderní informační systémy vybavené určitým stupněm umělé inteligence Motivace pro nasazení inteligentních systémů Základ pro inteligentní moduly studium moderních metod vlastní vědeckovýzkumná činnost soustavné ověřování v projektech AILS - artificial intelligence library system

4  Řeší úlohy, které nejdou popsat algoritmicky, při kterých dříve používali pracovníci intuice a odhadu  Dokážou nalézt samostatně řešení (znalostní systémy)  Dokážou se učit z příkladů, prognózovat, generalizovat a rozpoznávat jevy (neuronové sítě)  Navrhují samostatně nejlepší alternativy řešení, optimalizují výrobní procesy (genetické algoritmy)  Automaticky se přizpůsobují změněným podmínkám, pokud změny nezasahují přímo do koncepce systému  Dosahují značných úspor provozních nákladů, materiálu, energie, práce a náhradních dílů Výhody inteligentních systémů

5 Příklad systému s inteligentním subsystémem Integrace MIDAPS & Oracle Aplikace Tvorba strukturovaných kusovníků Přejímání a vytváření položek a kusovníků v Oracle Aplikaci Výpočty hmotnosti hutního materiálu a sestav Generování Typového seznamu Grafický klasifikační systém Dynamické vyhledávání položek a odeslání do kusovníku Administrace tabulek Administrace grafické klasifikace Optimalizace dělení hutního materiálu

6 Přehled projektů s genetickou optimalizací Konstrukční kusovník - podpora práce konstruktéra  optimalizace dělení tyčového materiálu   úspora materiálu Plánování procesu válcování - plánování způsobu dělení předvalků  optimalizace dělení tyčového materiálu   úspora materiálu Plošná optimalizace - plánování nejvhodnějšího dělení plechů  optimalizace dělení plošného materiálu   úspora materiálu Optimalizace pálicích plánů - plánování umístění polotovarů na plechu, minimalizace zápalů hořáků a délky cesty  optimalizace trajektorie   úspora náhradních dílů, práce Tvorba tavících plánů - podpora rozhodovacího procesu ve slévárně  optimalizace využití tavících pecí   úspora práce, energie

7 Připravované projekty s genetickou optimalizací Optimalizace procesů v kovárně  optimalizace využití lisů a ohřívacích pecí   úspora energie Dopravní dispečerský systém  optimalizace pohybu lokomotiv a vozů  úspora energie, nákladů Přehled prognostických modelů Plánování procesu válcování - předpověď délky předvalků  optimalizace dělení tyčového materiálu   úspora materiálu Předpověď jakostních problémů  omezení vadných taveb   úspora energie, nákladů Ekonomické a personální prognózování  zlepšení řídicí a personální práce   úspora nákladů

8 Řešení optimalizačních úloh: využití metod umělé inteligence Genetické algoritmy :modelují proces přirozeného vývoje s cílem získat výsledek požadovaných vlastností jednoduché ale zpravidla značně pomalé Znalostní systémy :s využitím vložených znalostí dokážou samostatně nalézt řešení znalosti musí vložit expert  Hybridní systémy (s převahou GA): kombinací předchozích systémů dokážou získat výsledek podstatně rychleji v některých projektech řídí proces v reálném čase

9 Řešení prognostických modelů využití metod umělé inteligence Časové řady:nejdůležitější metoda předpovědi budoucího vývoje, statistická metoda budoucí vývoj jevu se předpovídá na základě jeho současného a minulého chování Neuronové sítě: modelují činnost nervové soustavy živých organismů, metoda umělé inteligence jejich základní vlastnost je učit se z příkladů  Neuronové sítě mohou modelovat časové řady a učit se zákonitosti vývoje ekonomických jevů

10 Genetické algoritmy Základní pojmy gen popisuje jednu určitou vlastnost chromozómpopisuje jedince, souhrn vlastností populacesoubor jedinců, jehož vývoj směřuje k určitému cíli Genetické operátory kříženíze dvou jedinců vzniknou dva noví, každý má část genů od prvního jedince a část od druhého mutacenáhodná změna jednoho genu některého jedince reprodukcejedinci jsou kopírováni do nové populace podle výše své hodnotící funkce (jedinci s lepšími vlastnostmi s větší pravděpodobností) Vzor: principy vývoje v živé přírodě

11 Příklad definice genetického algoritmu pro optimalizaci dělení hutního materiálu Objekty gen předpis pro dělení jednoho profilu chromozom seznam předpisů pro nařezání všech požadovaných položek populace různé varianty řezání Genetické operátory mutace náhodná změna předpisu kříženíkombinace dvou předpisů tak, aby nová varianta zahrnovala nejlepší vlastnosti původních předpisů reprodukcevýběr variant s nejlepší hodnotící funkcí

12 Schématické znázornění genetického algoritmu Populace obsahuje různé návrhy plánů řezání Chromozom je návrh jednoho plánu řezání Gen je rozpis řezání jednoho profilu

13 Praktický příklad nutnosti modifikace algoritmu Závěr: V uvedeném příkladu není možné realizovat standardní operátor křížení Řešení: neplatný chromozóm vyřadit pomocí kriteriální funkce   pomalé definovat funkci fitgen (gen), která pro druhý gen nabývá hodnotu 0   několikanásobně rychlejší Jednoduchý příklad :

14 Přehled modifikací genetických algoritmů - 1 Definice genů a chromozómů gen není reálné číslo ale popis vlastností nejmenší jednotky optimalizace chromozóm je rozdělen na rysy - skupiny genů se stejnou kriteriální funkcí optimalizovaných společně nelze zachovat chromozóm nebo rysy pevné délky Vytvoření populace, mutace vytvoření chromozómů není úplně náhodné, ale podle pravidel popsaných experty - zatím procedurální reprezentace poznatků v průběhu procesu je výběr prvků do chromozómu realizovaný heuristicky podle momentální situace

15 Přehled modifikací genetických algoritmů - 2 Křížení výběr rodičovských chromozómů není zcela náhodný ale podle určitých kritérií s cílem zrychlit proces optimalizace provádí se průběžná kontrola, zda je možno gen v dané chvíli do potomka převzít doplnění genů, které nebylo možno převzít z žádného rodičovského chromozómu podle heuristických pravidel platných při vytváření chromozómu Reprodukce zpravidla výběr podle různých kritérií kritéria volí uživatel v dialogu (max. zaplnění pece, min. energie) výsledné kritérium jako vážený průměr dílčích kritérií, koeficienty volí uživatel v dialogu

16 Neuronové sítě  Lineární prognozování ekonomických dějů s trendovou nebo trendovou a sezónní složkou, analýza vlivů faktorů  S aktivační funkcí sigmoida prognózování složitých ekonomických a technologických dějů s neznámými vlivy mnoha faktorů  Soutěžní strategie rozpoznávání objektů Využití:  Systém ElTav prognozování jakostních vad  Systém EKON ekonomické prognózování, personalistika

17 Konstrukce systému Struktura knihovny AILS a její integrace do popsaných softwarových celků

18 Popis modulů systému Heuristické moduly genetické optimalizace SEQ- dělení tyčového materiálu PLN - dělení plošného materiálu TPL - optimalizace tavících plánů TCK- optimalizace trajektorie SMT- optimalizace kovárny TRF - dopravní dispečerský systém Systémové moduly AILS GA - genetický algoritmus NEU - neuronová síť WSYS - interface RAN - náhodný výběr LSTS - seznamy SYS- systémové funkce Aplikačně zaměřené moduly neuronových sítí ANEU- síť MADALINE KNEU - Kohonenova síť SNEU - sigmoidální síť EKON- ekonomické prognózování ELTAV- prognózování jakostních problémů Připravujeme ES - pravidlový expertní systém

19 Ukázky optimalizačních systémů Optimalizace dělení hutního profilového materiálu metodou genetických algoritmů  efektivní rozdělení materiálu ve tvaru tyčí na potřebné délky  minimalizace odpadu  kombinace různých délek polotovaru  ovládání postupu optimalizace uživatelem  možnost využití zbytků materiálu po dělení  možnost integrace s Informačním systémem podniku Systém CutOpt

20 Přehled funkcí Optimalizace Konstrukční kusovník | | | | | | | | Informační systém Seznam dodávaného materiálu (polotovary) ……………. Specifická data Specifické rozhraní Sklad zbytků

21 Postup optimalizace Okno pro detailní informace Souhrnné informace počet kusů položek označení materiálu včetně jakosti celková délka položek zbytek po dělení

22 Detailní výsledek optimalizace vybrané položky délky výchozího materiálu délky položek (zbytek po dělení) Vybraná položka Detail optimalizace

23 Výsledek optimalizace Rozdělení tyče na 2 položky

24 Optimalizace dělení profilového materiálu v provozu válcovací tratě  efektivní rozdělení materiálu po vyválcování podle zakázek  minimalizace odpadu  optimalizace objednaného počtu bram  optimalizace dělení profilů podle hmotností  využití zpětné vazby pro stanovení délek konkrétních profilů  systém je zakomponován do navrhovaného projektu řízení válcovací profilové tratě Systém ValcOpt

25 Využití optimalizace v provozu válcovací tratě Pálení předvalků z bram Válcování profilu Pec Vážení předvalku Dělení profilu podle zakázek Seznam zakázek Optimalizace dle hmotností předvalků Optimalizace dle výběhových délek profilu Dodávka bram Optimalizace před objednáním bram

26 Fukce optimalizačního systému při válcování ValcOpt získá údaje o váze předvalku a z ní vypočte předpokládanou délku ze zásobníku zakázek vybere takové, aby po dělení byl co nejmenší odpad stříhač odhadne délku odpadu a pokud se liší od vypočtené, opraví ji z vypočtené a opravené délky zbytku se doučí ValcOpt vztah mezi váhou a délkou předvalku (připravovaná druhá etapa)

27 Obrazovka stříhače

28 Optimalizace dělení plošného materiálu  efektivní rozdělení plošného materiálu  minimalizace odpadu  optimalizace objednaného počtu plechů  integrace s Informačním systémem  zohlednění specifických požadavků uživatele  úspora materiálu a energie  ovládání postupu optimalizace uživatelem  možnost využití zbytků materiálu po dělení Systém PlOpt

29 Ukázky výsledků plošné optimalizace Expertní systém - optimalizace pravoúhlých tvarů Genetický systém - optimalizace nekonvexních tvarů (ve vývoji)

30 Optimalizace cesty hořáku  efektivní umístění plošných polotovarů  minimalizace šířky zkušebního pásu  optimalizace počtu zápalů hořáku  integrace s Informačním systémem  umísťování polotovarů do požadovaných oblastí určené šířky (kraj, střed, relativně k šířce plechu)  umísťování podle priorit (vyšší priorita má přednost vzhledem ke splnění požadavků)  úspora náhradních dílů, materiálu a energie Systém OptiPal

31 Systém operativního plánování tavících procesů  plánování taveb v pecích různých typů ve slévárnách nebo ocelárnách  stanovení optimálního plánu taveb v návazností na snižování výrobních nákladů, v integraci s firemním informačním systémem  realizace optimalizací v celém řetězci předvýrobních a výrobních procesů, počínaje obchodní přípravou zakázek, se zahrnutím technologických procesů s cílem optimalizovat vlastní výrobní náklady  nástroj pro kvalifikované rozhodování ještě v období přípravy výroby Systém TavPlan

32 Ukázka prognostického systému Analýza a prognózování jakostních problémů  Při tavení v elektrických pecích dochází někdy k jakostním problémům, které znamenají značné ekonomické ztráty  Dosavadní snaha odhalit jejich příčiny klasickými metodami nevedla k úspěchu  Řídicí systém ocelárny poskytuje pro prognózování jakostních vad dostatek dat  Navržený systém je možné provázat s ekonomickým modelem, aby se dosáhlo co nejlepších ekonomických výsledků při zachování kvality Systém ElTav Protože klasické prostředky nevedly k cíli, systém nelze popsat algoritmicky, jsou pro řešení navrženy moderní metody umělé inteligence

33 Struktura systému a komunikace s okolím Součásti: Prognostický model:samoučící se neuronová síť Optimalizační model: genetický optimalizační systém

34 Činnost složek systému  Prognostický model přebere data ze systému ŘISO naučí se závislosti technologického procesu průběžně se bude doučovat podle měnících se provozních podmínek podle získaných vstupních údajů odhadne, zda dojde k jakostnímu problému výsledek předá optimalizačnímu systému bude reagovat na požadavky optimalizačního modelu  Optimalizační model bude přebírat výsledky prognostického modelu doporučí nejvhodnější řešení návrh bude korigovat jak s ekonomickým modelem, tak i prognostickým modelem nejvhodnější řešení bude doporučovat operátorovi a po potvrzení do ŘISO průběžně bude reagovat na změnu požadavků operátora a provozní situaci

35 Metody řešení  Prognostický model bude realizován neuronovou sítí vzorem je činnost nervové soustavy živých organismů v přírodě hlavní vlastností neuronové sítě je schopnost se učit neuronová síť se v adaptivním režimu naučí zákonitosti procesu, včetně takových, které se nedají popsat algoritmicky v aktivním režimu bude ze zadaných vstupů odhadovat, zda dojde k jakostnímu problému nebo tavba bude kvalitní  Optimalizační model bude realizován genetickým algoritmem vzorem je princip vývoje živých organismů v přírodě hlavní vlastností je schopnost se vyvíjet optimalizační model samostatně nalezne metodou vývoje nejvhodnější řešení tak, aby vyhovovalo ekonomickým požadavkům i kvalitě

36 Vývojové prostředí Parametry Hodnocení Detail

37 Interaktivní testování  Význam interaktivního prostředí interaktivní testovací prostředí slouží uživateli k ověření prognózy a nastavení parametrů pro jeho konkrétní prostředí před vlastní implementací dalším úkolem je v předstihu navrhnout relevantní data pro kvalitní prognózu  Vstupní data komplexní data jsou připravena do excelovské tabulky testovací program čte textový výstup z Excelu část dat se vyčlení a po naučení se provádí kontrola účinnosti prognózy  Volba parametrů uživatel má možnost nastavit řadu systémových parametrů uživatel si operativně definuje relevantní vstupní a výstupní položky a sleduje výsledky prognózy pro konkrétní množinu vstupů a výstupů

38 Nastavení parametrů Uživatel má možnost nastavit řadu systémových parametrů

39 Postup řešení  Prognostický model ve spolupráci s uživatelem se bude vyvíjet nejvhodnější metoda prognózování po ověření funkce na zkušebních datech se realizuje komplexní systém prognózy jakosti elektrických taveb systém bude integrován do ŘISO systém bude upozorňovat na předpoklad jakostní vady za daných podmínek  Optimalizační model po ověření provozní funkce prognostického systému se realizuje systém optimalizace ve spolupráci s prognostickým modelem bude společný systém nejen předpovídat jakostní vady, ale evoluční metodou bude navrhovat potřebné zásahy, aby k vadám nedošlo při doporučení bude zohledňovat ekonomické hodnocení modelu ŘISO

40 Připravujeme: Hybridní systém optimalizace kovárny Součásti: pravidlový znalostní systém systém genetické optimalizace Výhody: uživatelem definovaná pravidla úspory energie, nákladů

41 Dodávané produkty Optimalizace dělení: tyčového materiálu válcovaného materiálu plošného materiálu Optimalizace tavících plánů Optimalizace pálicích plánů Rozpracované produkty Optimalizace kovárny Dopravní dispečerský systém Prognózování jakostních problémů Zhodnocení ekonomických přínosů úspora materiálu úspora energie úspora práce zvýšení kvality WEB stránky: (položka Produkty)dodávaný software modely, demo a výukové programy zdarma


Stáhnout ppt "VÍTKOVICE ITS a.s. Ruská 60, 706 02 Ostrava - Vítkovice Nové možnosti informačních systémů s využitím inteligentních modulů RNDr. Jaroslav Teda, Ph.D."

Podobné prezentace


Reklamy Google