Анализ, верификация и оптимизация проектных решений средствами САПР

5.2. Структурный синтез при проектировании технологических процессов

В основе решения задач структурного синтеза различной сложности лежит перебор вариантов счетного множества. При переборе каждая проба включает:

• создание (поиск) очередного варианта;
• принятие решения о замене ранее выбранного варианта новым;
• продолжение или прекращение поиска новых вариантов. Задачи структурного синтеза при автоматизированном технологическом проектировании зависят от уровня сложности.

В наиболее простых задачах синтеза (первого уровня сложности) определяется структура технологического процесса или его элементов (операции, переходы). В этом случае часто используют таблицы применяемости (табличные модели).

Для полного перебора вариантов структуры из конечного множества необходимо задавать перечень всех элементов этого множества (второй уровень сложности структурного синтеза ). Такой перечень создается в виде каталога типовых вариантов структуры, например типовых технологических маршрутов. Тогда для данного класса (группы, подгруппы или вида) деталей устанавливается так называемый обобщенный маршрут (обобщенная структура) обработки. Он включает ряд операций обработки, характерный для определенного класса, подкласса или группы деталей. Перечень является упорядоченным и представляет собой множество существующих индивидуальных маршрутов. Маршруты имеют типовую последовательность и содержание, причем они отражают передовой производственный опыт предприятия или отрасли.

При третьем уровне сложности структурного синтеза решаются задачи выбора варианта структуры во множестве с большим, но конечным результатом известных вариантов. Для решения таких задач используют алгоритмы направленного перебора (например, алгоритмы дискретного линейного программирования), алгоритмы последовательные, итерационные и другие, сведение задачи к полному перебору путем ограничения области поиска на стадии формирования исходных данных. Например, оптимизация плана обработки поверхности представляет задачу структурного синтеза, когда выбор варианта плана происходит во множестве с большим, но конечным количеством известных вариантов. Для поиска оптимального варианта применяют алгоритмы дискретного программирования, находят условия, которым должен удовлетворять оптимальный многошаговый процесс принятия решений. Подобный анализ наз ывают динамическим программированием. Оптимальная стратегия обладает тем свойством, что, каков бы ни был путь достижения некоторого состояния (технологического перехода), последующие решения должны принадлежать оптимальной стратегии для части плана, начинающегося с этого состояния (технологического перехода).

К третьему уровню сложности структурного синтеза технологического процесса и его элементов также относятся задачи целочисленного программирования; при этом к требованиям линейности критерия и ограничений добавляется условие целочисленности переменных.

Задачи структурного синтеза четвертого уровня сложности (выбор вариантов во множестве с заранее неизвестным числом элементов или вообще в бесконечном множестве) решаются при активном участии технолога-проектировщика и реализуются в режиме диалога с ЭВМ. Технолог, работающий в режиме диалога с ЭВМ, выбирает такой вариант структуры, который представляет собой оптимальный компромисс между производительностью работы автомата и вероятностью обеспечения заданного качества выполнения операций. ЭВМ помогает технологу принять решение об изменении структуры, рассчитав по программе режимы работы и производительность автомата.

Общую трудоемкость проектирования можно уменьшить с помощью перехода от диалогового режима к пакетному.

Подобные задачи решают путем применения процедур обучения (процедур формирования понятий). В качестве процедур обучения применяют программы распознавания и классификации. При этом происходит перераспределение рутинной и творческой работы при использовании пакетного режима более высокого уровня, технолог занимается подготовкой исходных данных и проверяет окончательный результат.

Пятый, самый сложный уровень структурного синтеза направлен на создание принципиально новых технологических процессов и решается так называемым поисковым конструированием (искусственный интеллект).

Одним из путей поискового конструирования является использование метода эвристических приемов.

• Уяснение или формулирование ТЗ.
• Выбор одного или нескольких аналогов (прототипов) технологического процесса.
• Анализ прототипов, выявление их недостатков и формулирование задачи в виде ответов на вопросы:
  • каковы показатели качества в прототипе синтезирующего технологического процесса и насколько желательно их улучшить;
  • какие новые параметры качества должен обеспечить создаваемый технологический процесс и какие параметры качества должен утратить рассматриваемый прототип.
• Решение задачи.

Большие трудности, возникающие при поисковом конструировании и эвристическом программировании, привели к появлению экспертных систем. В основе экспертных систем лежит база данных, используемая экспертом (технологом-пользователем) в режиме диалога. Недостатком таких систем явилась зависимость качества проектных технологических решений (в частности, проектирование маршрутной и операционной технологий) от уровня подготовки эксперта. Другой недостаток заключается в ограничении круга решаемых задач и их размерности.

Необходимость повышения уровня интеллектуализации автоматизированного процесса синтеза технологических решений при высоких размерностях решаемых задач потребовала разработки принципиально новых решений, одним из которых явилось создание и использование метода генетических алгоритмов.

Основная философия генетических алгоритмов - оптимизация на основе эволюционных принципов естественных хромосом, т. е. отбор, скрещивание и мутация популяций параметров по принципу "выживания" теории Дарвина. Как первый шаг, вероятность отбора используется для воспроизводства. Пересекающиеся операторы применяются для обмена и повторного комбинирования исходной информации, и, наконец, операторы мутации изменяют полученную информацию для объединения отдельных решений.

Генетические алгоритмы первоначально считали методами исследования, пригодными только для академических целей. Однако вскоре они обеспечили хорошие решения в широком диапазоне производственных проблем, и, что наиболее важно, эти алгоритмы легко корректировались в соответствии с решаемыми задачами и ограничениями. Необходимо лишь постичь искусство кодирования задач оптимизации в генетическую информацию. Генетические алгоритмы обеспечивают большой потенциал, который широко используется для оптимизации производства, планирования и управления предприятиями.

В любой задаче оптимизации на основе генетических алгоритмов есть два главных процесса. Сначала проектируют модуль генетических алгоритмов, а затем моделируют испытания и оценки. Граничные условия определены параметрами исследуемого процесса. Постановка задачи оптимизации для достижения главной цели и возможных альтернатив осуществляется на базе анализа структуры основных массивов производственных данных предприятия. Генетический алгоритм использует некоторый начальный фактический массив этих данных. Если этот предварительный массив адаптируется моделью с ограничениями, происходит возврат к модулю генетических алгоритмов. Если функция соответствия удовлетворена, получаем решение задачи. Во втором поколении модуль генетических алгоритмов обрабатывает первую популяцию параметров и создает новый список параметров, продолжая поиск необходимых мутаций, пока окончательный вариант не удовлетворит функцию соответствия или не закончится заданное пользователем время работы алгоритма. Этот тип системы с применением р азработанных фирмой Siemens инструментов и генетических алгоритмов был внедрен на заводах Megasteel (Малайзия), Zhuijang (Китай), Thyssen Krupp Stahl (Германия) и др.

Применение генетических алгоритмов предполагает отображение возможной структуры технологического процесса в виде хромосомы (фреймов), состоящей из генов (полей). Каждый ген является аналогом операции в технологическом маршруте.

При формировании структуры технологического процесса используется набор эвристических правил, позволяющий эффективно формировать конкретные структуры. Оценка эффективности проводится на основе расчета значений целевой функции и анализа полученных результатов. Реализация такого подхода осуществляется на основе алгоритма, представленного на рис. 5.2.

Рис. 5.2. Генетический алгоритм

Совокупность возможных структур технологического процесса, представленная в виде хромосом, образует популяцию. Процесс решения задачи сводится к формированию новых популяций путем модификации предыдущих. Модификация основана на формировании новых хромосом путем скрещивания лучших (согласно целевой функции) хромосом из предыдущей популяции. Это позволяет достаточно быстро находить работоспособный вариант при решении задач высокой размерности.

Контрольные вопросы

1. Дайте пояснения к понятиям РПС, ПЗ, ПС, ВПС.
2. Что понимают под интеллектуальным управлением и какие возможности оно дает?
3. Что включает в себя многообъектное технологическое проектирование с интеллектуальным управлением в РПС?
4. Что дает создание оперативных производственных систем?
5. Что входит в понятие "порождающая среда"?
6. Что представляет собой метод комбинирования эвристик?
7. От чего зависит эффективность управления реальной ПС?
8. В чем заключается проведение верификации?
9. Поясните суть ранжирования сгенерированной популяции.
10. Как используются методы эволюционного поиска рациональных решений?
11. Как происходит процесс формирования хромосом?
12. Назовите примеры эвристик для выбора очередной технологической операции.
13. Назовите эвристики для выбора производственной системы.
14. Что лежит в основе экспертных систем?
15. Чем объяснить создание и использование метода генетических алгоритмов?