ВВЕДЕНИЕ 3
1 Анализ предметной области 5
1.1 Определения и свойства баз знаний. Анализ методов
получения знаний 5
1.2 Обзор систем автоматизированного проектирования в
литейном производстве 7
1.3 Анализ средств интеллектуального анализа 9
1.4 Постановка цели и задач. Актуальность 16
2 Определение зависимостей показателей технологического
процесса от химического состава ЧВГ 17
3 Структура базы знаний и алгоритмов ее формирования 25
3.1 Структура базы знаний 25
3.2 Разработка кластерно-генетического метода
формирования базы знаний 27
3.3 Разработка алгоритма кластеризации 30
3.4 Разработка генного алгоритма 34
4 Реализация алгоритмов на основе кластерно-генетического подхода 38
4.1 Реализация кластеризатора 38
4.2 Реализация генного алгоритма 41
ЗАКЛЮЧЕНИЕ 44
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ 45
ПРИЛОЖЕНИЕ А 46
ПРИЛОЖЕНИЕ Б
Купить

В настоящее время интеллектуальные системы, основанные на знаниях, получили широкое распространение в различных прикладных областях для решения таких задач, как прогнозирование, распознавание образов, диагностика, управление, автоматизированное проектирование и другие. Основным компонентом интеллектуальных систем является база знаний, правила которой описывают закономерности в рассматриваемой предметной области. Несмотря на достаточно большой срок существования и использования интеллектуальных систем, перед разработчиками до сих пор стоят проблемы формирования их баз знаний. В настоящее время существует два основных подхода к формализации знаний в интеллектуальных системах: с применением метода инженерии знаний (ручной метод), с применением методов и алгоритмов интеллектуального анализа данных (автоматический метод).
До недавнего времени для формализации знаний в интеллектуальных системах применялся метод инженерии знаний. Данный метод основан на получении знаний непосредственно у экспертов предметной области и требует большой аналитической работы: эксперту бывает трудно, а порой и невозможно изложить свои знания, опыт и интуицию в рамках строгих формальных моделей представления знаний.
В последнее время актуальность приобретают методы автоматического формирования баз знаний, основанные на применении методов искусственного интеллекта. Использование такого подхода значительно упрощает и ускоряет процесс разработки интеллектуальной системы.
Очевидно, что при наличии достаточного количества экспериментальных данных использование второго подхода более предпочтительно, поскольку помимо сокращения времени и упрощения всего процесса получения знаний эксперт может участвовать в процессе оценивания сформированных правил и закономерностей, которые согласуются с его личными знаниями, опытом и интуицией.
Одним из направлений литейного производства, где использование выше описанных систем наиболее востребовано, является анализ и прогнозирование процессов проектирования ЧВГ. Сочетание достаточно высоких механических свойств и повышенной теплопроводности делает ЧВГ перспективным материалом для отливок, работающих в условиях термоциклирования при значительном перепаде температур, и испытывающих большие термические нагрузки. Экономически выгодно применять ЧВГ взамен серого чугуна в деталях общего машиностроения, работающих при повышенных циклических механических нагрузках. При этом существенно снижается металлоемкость изделий и повышается эксплуатационная надежность. Особенно хороший результат дает применение ЧВГ для изготовления крупногабаритных деталей тяжелых металлорежущих станков и кузнечнопрессового оборудования. Хорошие литейные свойства ЧВГ позволяют использовать его взамен высокопрочного чугуна с шаровидным графитом при получении сложных низкотехнологичных отливок, в которых трудно предотвратить образование усадочных дефектов.
Цель - формирование базы знаний для интеллектуальной системы проектирования чугуна с вермикулярным графитом, при условии малого количества и невысокого качества исходных данных.
Для достижения поставленной цели необходимо решить следующие задачи:
- Разработать комплексный метод формирования базы знаний на основе кластеризации и генного алгоритма;
- Разработать алгоритм кластеризации базы знаний;
- Разработать последовательность работы генного алгоритма;
- Реализация программного комплекса на основе составленных алгоритмов;

Купить