Искусственный интеллект в сенсорных системах

Опубликовано в номере:
PDF версия
Под системами искусственного интеллекта понимается большое количество продвинутых технологий, обеспечивающих машинам способность обучаться, подстраиваться к новым условиям, принимать решения, изменять поведение. По меньшей мере семь из них могут быть использованы в сенсорных системах.

Область применения технологий искусственного интеллекта невероятно широка и продолжает увеличиваться благодаря высокой вычислительной мощности и доступности современных компьютеров.

В сенсорных системах могут найти применение семь инструментов с искусственным интеллектом. Это системы на основе базы знаний, нечеткие логически элементы, технология автоматического сбора знаний, нейронные сети, генетические алгоритмы, экспертные системы на основе отработанных ситуаций и технология внешнего интеллекта. Рассмотрим их по порядку.

В рамках статьи мы разберем по одному примеру применения, однако область использования технологий искусственного интеллекта (ИИ) значительно больше и продолжает увеличиваться благодаря высокой вычислительной мощности и доступности современных компьютеров. Со временем появится множество новых областей применения интеллектуальных систем датчиков. Вероятно, предпочтение будет отдано гибридным решениям, сочетающим в себе несколько из рассмотренных технологий.

Устройства и методы, о которых пойдет речь ниже, имеют минимальную вычислительную сложность и могут быть реализованы в небольших системах датчиков, в одиночных датчиках или массивах на простых микроконтроллерах. Их главное назначение заключается в создании конкурентоспособных сенсорных систем и приложений. Среди других технологических разработок, которые, вероятно, повлияют на сенсорные системы, можно отметить методы глубинного анализа данных, системы с несколькими агентами, распределенные самоорганизующиеся системы. Для создания систем сбора данных об окружающей среде необходимо интегрировать микропроцессоры и датчики в повседневные бытовые устройства, чтобы сделать их интеллектуальными. Устройства смогут собирать информацию об окружающей среде, обмениваться данными друг с другом и взаимодействовать с человеком. Они будут помогать пользователю решать текущие задачи интуитивным путем. В то же время сложно предсказать последствия повсеместного применения систем ИИ. По большому счету, он применим во всех производственных процессах. Ниже приведены примеры, иллюстрирующие реализацию ИИ на практике.

Для создания систем сбора данных об окружающей среде необходимо интегрировать микропроцессоры и датчики в повседневные бытовые устройства, чтобы сделать их интеллектуальными. Тогда устройства смогут собирать информацию об окружающей среде, обмениваться данными друг с другом и взаимодействовать с человеком.

Создание интеллектуальных сенсорных систем

Системы ИИ как наука появились в середине 50-х годов прошлого века. Было разработано несколько мощных инструментов, которые могут применяться, в том числе, в системах датчиков для автоматического решения проблем, которые в других условиях требуют участия человека. Перечислим семь таких инструментов:

  • системы на основе базы знаний;
  • нечеткие логически элементы;
  • системы автоматического сбора знаний;
  • нейронные сети;
  • генетические алгоритмы;
  • экспертные системы на основе отработанных ситуаций;
  • технология внешнего интеллекта.

Системы ИИ постоянно совершенствуются, и продвижения в области машинного интеллекта обеспечивают бесшовное взаимодействие между человеком и цифровыми сенсорными системами. Хотя внедрение ИИ в электронные устройства проходит медленно, оно обеспечивает гибкость, возможность настройки и высокую надежность. Новые машинные системы превосходят операторов-людей в большом круге задач, и количество этих примеров растет. ИИ все больше проникает в повседневную жизнь, и уже появляется возможность сочетать мощность человеческого мозга и производительность компьютера для анализа, дедукции, обмена информацией и создания новых концепций. Вероятно, мы живем на пороге новой эры компьютерного интеллекта.

Искусственный интеллект все больше проникает в повседневную жизнь, и уже появляется возможность сочетать мощность человеческого мозга и производительность компьютера для анализа, дедукции, обмена информацией и создания новых концепций. Вероятно, мы живем на пороге новой эры компьютерного интеллекта.

Под системами ИИ понимается большое количество продвинутых технологий, обеспечивающих машинам способность обучаться, подстраиваться к новым условиям, принимать решения, изменять поведение. Это достигается за счет использования новых технологий, таких как нейронные сети, экспертные сети, самоорганизующиеся карты, нечеткая логика, генетические алгоритмы. Сами по себе эти технологии продолжают развиваться эмпирически через применение в таких областях, где требуется сбор и обработка показаний датчиков, например:

  • на сборочных линиях;
  • в биодатчиках;
  • при моделировании строительства;
  • в системах машинного зрения;
  • при управлении режущими инструментами;
  • при моделировании условий окружающей среды;
  • при измерении силы;
  • при мониторинге здоровья;
  • при взаимодействии человека и машины;
  • при использовании Интернета;
  • при лазерном измельчении;
  • в обслуживании и инспекции оборудования;
  • в системах-помощниках;
  • в робототехнике;
  • в сетях датчиков;
  • в системах дистанционного управления.

Наработки в области машинного интеллекта внедряются в еще более сложные системы датчиков. Клик мышкой или щелчок переключателя могут преобразовать показания датчиков практически любого типа в информацию и передать ее пользователю. Перейдем к рассмотрению технологий.

Системы на основе накопленных данных

Системы на основе накопленных данных, или экспертные системы, являются компьютерными программами, содержащими знания, которые требуются для выполнения поставленной задачи. Экспертная система обычно состоит из двух элементов: база знаний и механизм принятия решений.

Клик мышкой или щелчок переключателя могут преобразовать показания датчиков практически любого типа в информацию и передать ее пользователю.

В базе знаний содержатся выражения в формате IF…THEN («условие — действие»), фактические утверждения, кадры, объекты, процедуры, описание ситуаций.

Механизм принятия решений вырабатывает алгоритм выполнения поставленной задачи на основе имеющихся знаний. Среди методов манипуляции с данными — использование наследований и ограничений (в пакетно- и объектно-ориентированных экспертных системах), выделение и адаптация примеров ситуаций (в системах на основе ситуаций), применение правил принятия решений (в системах на основе свода правил) в соответствии с процедурами управления (последовательная прямая или обратная передача) и стратегии поиска (выбор очередности — по глубине или ширине).

В системах на основе правил знания системы описаны в формате «ЕСЛИ<условие>, ТО<действие>, ИНАЧЕ<другое действие>». Для принятия решения могут понадобиться специфические знания.

Системы на основе накопленных данных, или экспертные системы, являются компьютерными программами, содержащими знания, которые требуются для выполнения поставленной задачи. Экспертная система обычно состоит из двух элементов: база знаний и механизм принятия решений.

Такие системы хороши для представления знаний и решений в форме, понятной человеку. Ввиду жесткой структуры правил они менее эффективны при обработке неопределенностей и неэффективны при обработке неточностей.

Типичная система на основе правил состоит из четырех компонентов:

  • список правил (база правил);
  • механизм принятия решений (блок семантических рассуждений), который делает выводы или предпринимает действия на основе взаимодействия между входным сигналом и базой правил);
  • временная рабочая память;
  • интерфейс пользователя или другой способ сообщения с внешним миром.

Концепция принятия решений на основе ситуаций позволяет подогнать решения отработанных ранее задач к текущей проблеме. Решения хранятся в виде базы данных и отражают опыт людей-экспертов. Когда возникает проблема, которая не встречалась ранее, система сравнивает ее с отработанными ситуациями и выбирает наиболее близко подходящую к текущей. Затем выполняется действие, указанное в решении отработанной задачи, и в базу заносится результат этого действия — успех или неудача. Часто данный тип систем рассматривается как расширение систем на основе правил. Они хороши для предоставления знаний в форме, понятной человеку, и могут обучаться по пройденным ситуациям путем генерирования новых.

Принятие решений на основе пройденных ситуаций

Процесс принятия решений на основе пройденных ситуаций состоит из четырех шагов:

  1. Выделение. Из базы ситуаций выбираются те, что наиболее близко похожи на поставленную задачу. Ситуация состоит из проблемы, ее решения и комментариев, описывающих, каким образом решение было получено.
  2. Повторное использование. Решение из отработанной ситуации применяется к текущей и по мере необходимости адаптируется.
  3. Проверка. Новое решение тестируется в реальных условиях или моделируется. При необходимости вносятся поправки.
  4. Сохранение. Адаптированное решение сохраняется в памяти вместе с комментариями и исходными условиями в виде новой отработанной ситуации.

Данный подход принимается неоднозначно. Критики полагают, что совпадение случаев нельзя использовать в качестве основного принципа работы. Без статистических данных и вытекающих из них заключений нет гарантии, что обобщения обоснованны. Это рассуждения от частного к общему, когда данные не имеют статистической релевантности и основаны только на совпадении примеров.

Рис. 1. Интеллектуальная система на основе базы ситуаций

Концепция данного подхода заключается в адаптации решений успешно отработанных задач к текущим проблемам. Решения хранятся в базе и представляют собой опыт людей-экспертов. Когда возникает проблема, с которой система не сталкивалась ранее, она сравнивает ее с пройденными ранее ситуациями и выбирает те, что наиболее близки к новой проблеме. Затем система выполняет действие, предусмотренное для этой похожей проблемы, и в базу заносится результат: успех или неудача выполненного действия.

Данный алгоритм часто рассматривается как расширение систем на основе правил. Как и системы на основе правил, системы на основе ситуаций хорошо применимы тогда, когда знания необходимо представить в форме, понятной человеку. Системы данного типа обучаются на основе пройденных ситуаций и генерируют новые ситуации. На рис. 1 показана система на основе отработанных ситуаций.

Многие экспертные системы построены на программах, называемых оболочками. Они содержат ячейки памяти для заключений и знаний, но не имеют базы знаний в конкретной области. Некоторые экспертные системы построены с помощью «сред разработки». Они обладают большей гибкостью, чем системы-оболочки, и предоставляют пользователю применять собственные методы представления заключений и знаний.

Когда возникает проблема, с которой система не сталкивалась ранее, она сравнивает ее с уже пройденными ситуациями и выбирает те, что наиболее близки к новой проблеме. Затем система выполняет действие, предусмотренное для этой похожей проблемы, и в базу заносится результат: успех или неудача выполненного действия.

Экспертные системы, вероятно, являются наиболее развитыми среди рассматриваемых инструментов. На рынке представлено множество коммерческих оболочек и инструментов разработки для облегчения их создания. После формирования базы знаний в конкретной области не остается ничего сложного. Именно поэтому данный тип систем широко применяется.

В области сенсорных систем можно отметить следующие приложения на основе отработанных ситуаций: выбор входов датчика; интерпретация сигналов; мониторинг условий; диагностика ошибок; управление процессом и машиной; разработка машины; планирование процесса; планирование производства; настройка системы. Специфическими задачами для экспертных систем являются сборка, автоматическое программирование, комплексное управление интеллектуальной машиной, планирование инспекций, предсказание риска заболевания, выбор инструментов и приборов, планирование последовательностей, управление развитием производства.

Нечеткая логика

Недостаток экспертных систем на основе свода правил заключается в том, что они не могут справляться с абсолютно новыми ситуациями, не похожими на имеющиеся в базе. В таких случаях решение не может быть найдено. При встрече с неизвестной проблемой они ломаются, а не теряют быстродействие, как эксперты-люди.

Недостаток экспертных систем на основе свода правил заключается в том, что они не могут справляться с абсолютно новыми ситуациями, не похожими на имеющиеся в базе. В таких случаях решение не может быть найдено. При встрече с неизвестной проблемой они ломаются, а не теряют быстродействие, как эксперты–люди.

Нечеткая логика позволяет сделать системы ИИ более гибкими и приближенными к образу мышления человека. В компонентах нечеткой логики точное значение переменной заменено лингвистическим описанием, значение которого представлено в виде нечеткого массива. Размышления проводятся на его основе. Например, входные сигналы от 20 датчиков могут быть охарактеризованы словом «нормальный». Массив, описывающий термин «нормальный входной сигнал», может быть таким: равен 0,0/меньше 10 виджетов в мин. +0,5/(10–15) виджетов в мин. +1,0/(15–25) виджетов в мин. +0,5/(25–30) виджетов в мин. +0,0/более 30 виджетов в мин. Значения 0,0, 0,5 и 1,0 представляют собой степени принадлежности количества сенсоров к 10 (больше 30), 10–15 (25–30) и 15–25 для данного нечеткого массива. Единица соответствует полной принадлежности, 0 — абсолютная непринадлежность.

Знания на основе нечеткой логики могут быть выражены качественными утверждениями (нечеткими правилами), например «ЕСЛИ входной сигнал датчика температуры нормальный, ТО установить нагрев в позицию «нормальный». Процедура размышлений, известная как композиционное правило размышления (эквивалент утверждающим модусам в экспертных системах на основе правил), позволяет получать заключения путем обобщения (экстраполяция или интерполяция) из качественной информации, содержащейся в базе знаний. Когда вход датчика определен как «чуть ниже нормы», нечеткая система догадывается, что необходимо установить входные сигналы «чуть выше нормы» (это заключение может отсутствовать в имеющейся базе).

В нечетких экспертных системах нечеткая логика используется для обработки неясностей, возникающих из-за неполноты или частичной потери данных. Данный подход основан на математической теории нечетких массивов и имитирует человеческое мышление. Люди легко принимают решения в сомнительных ситуациях, в то время как для машин это очень сложно. На рис. 2 показана архитектура контроллера нечеткой логики.

Рис. 2. Структура нечеткого контроллера

Рис. 2. Структура нечеткого контроллера

Нечеткая логика широко применяется в сенсорных системах, когда знания могут быть неточными. Ее удобно использовать, когда между структурами и объектами нет четких границ, при численных методах реконструкции и фильтрации изображения. В области распознавания объектов и интерпретации сцен также применяется нечеткая логика. Нечеткие экспертные системы применяются в случаях, когда нельзя строго описать правила. Эти системы не должны иметь способности обучаться. Значения параметров предустановлены и не могут быть изменены.

Нечеткие экспертные системы применяются в случаях, когда нельзя строго описать правила. Эти системы не должны иметь способности обучаться. Значения параметров предустановлены и не могут быть изменены.

Нечеткие системы с успехом применяются в мобильных и взаимодействующих роботах, системах предсказания детектируемых датчиком свойств, системах управления цепью поставок, при сварке.

Автоматический сбор знаний

Получение знаний для записи в базу может быть непростой процедурой и занимать много времени. Это создает препятствия при создании экспертной системы. Для решения данной проблемы созданы алгоритмы автоматического сбора знаний. Они могут быть записаны в формате «ЕСЛИ…ТО…» или эквивалентных конструкций ветвления. Такой тип обучающих программ обычно требует создание набора примеров в качестве отправной точки. Каждый пример содержит значения атрибутов и класс, к которому они принадлежат.

Один из подходов основан на принципе «разделяй и властвуй», когда атрибуты выбираются по некоторому принципу (например, для максимизации объема информации), чтобы разделить исходный набор примеров на блоки. Обучающая программа создает дерево решений, которое точно классифицирует заданный набор примеров. Дерево представляет собой знания, обобщенные по специфичным примерам в наборе. Оно может быть использовано впоследствии при ситуациях, частично покрывающих набор примеров.

При другом подходе используются покрытия. Обучающая программа производит поиск групп атрибутов, которые однозначно общие у примеров в данном классе. На их основе формируется правило. В части, содержащей условие («ЕСЛИ»), содержится совокупность условий, указанных в группе, в части действия («ТО») — совокупность классов. Программа удаляет правильно классифицированные примеры и останавливается, когда правило сформировано для классификации примеров в наборе.

Другой подход заключается в использовании логических программ вместо логических высказываний для описания примеров и представления новых концепций. Этот подход использует более мощную логику предикатов для представления примеров, предпосылок и создания новых концепций. Логика предикатов позволяет использовать разные формы тренировочных примеров и предпосылок. Она позволяет описывать результаты (новые концепции) в виде общих высказываний первого порядка с переменными, а не только как высказывания нулевого порядка, которые содержат только значения атрибутов. Системы данного типа делятся на два класса: основанные на обобщениях сверху вниз и на инверсном решении.

Разработан ряд обучающих программ, например ID3 (по принципу «разделяй и властвуй»), AQ (принцип покрытия), FOIL (система ILP по методу обобщения и специализации), GOLEM (ILP на инверсном решении). Хотя большинство программ вырабатывают только четкие правила, существуют алгоритмы создания и нечетких правил.

Требование представления набора примеров в жестко заданном формате с известными атрибутами известных классов совпадает с требованиями сенсорных систем и сетей, поэтому автоматическое обучение широко применяется в системах датчиков. Данный способ обучения особенно хорошо подходит в случаях, когда атрибуты имеют дискретные или символические значения, а не являются непрерывными величинами, как это часто бывает в датчиках.

Требование представления набора примеров в жестко заданном формате с известными атрибутами известных классов совпадает с требованиями сенсорных систем и сетей, поэтому автоматическое обучение широко применяется в системах датчиков.

Примеры индуктивных обучающих программ: лазерная резка, обнаружение мин, робототехника.

Нейронные сети

Нейронные сети также могут вычленять знания из примеров. Они не архивируют знания в четкой форме (правило или дерево решений) и могут обрабатывать непрерывные и дискретные данные. Они имеют высокую способность обобщения по сравнению с нечеткими экспертными системами. Нейронные сети — это численная модель мозга. Они предполагают, что вычисления распределены на нескольких простых узлах, называемых нейронами, которые взаимосвязаны и работают совместно. Нейронные сети иногда называют параллельно-распределенными или коннекционными.

Наиболее распространенная нейронная сеть — это многослойный персептрон, представляющий собой линейную сеть, в которой все сигналы проходят в одном направлении от входа к выходу. Однонаправленные сети выполняют статичное отображение входного пространства на выходное. Выходной сигнал в данный момент времени является функцией только входных данных в этот же момент времени. Рекуррентные сети, в которых выходные сигналы некоторых нейронов возвращаются на те же нейроны или нейроны с предыдущего слоя, имеют динамичную память, т. е. выходной сигнал в текущий момент времени отражает не только входной сигнал в этот же момент, но и предыдущие входные и выходные сигналы.

Точные знания заносятся в нейронную сеть путем тренировки. Некоторые сети тренируются путем представления типичных входных параметров и соответствующих выходных сигналов. Ошибка между действительным и ожидаемым выходами используется для изменения весовых коэффициентов (силы) или сети соединения нейронов. Это управляемый алгоритм обучения с участием оператора. В многослойном персептроне часто применяется обратный обучающий алгоритм, когда по выходной ошибке вычисляются весовые коэффициенты для нейронов в скрытых слоях.

Нейронные сети — это численная модель мозга. Они предполагают, что вычисления распределены на нескольких простых узлах, называемых нейронами, которые взаимосвязаны и работают совместно. Точные знания заносятся в нейронную сеть путем тренировки.

Некоторые нейронные сети тренируются без супервизора, когда есть только входные параметры, и сети автоматически обучаются создавать группы с похожими свойствами.

Искусственные нейронные сети обычно имеют входы и выходы, а вся обработка производится в скрытых промежуточных слоях. Входы являются независимыми переменными, выходы — зависимыми. Искусственные нейронные сети являются гибкими математическими функциями с конфигурируемыми внутренними параметрами. Для точного представления сложных отношений эти параметры регулируются с помощью обучающего алгоритма. При обучении с супервизором примеры входов и соответствующих выходов одновременно загружаются в сеть, а она в свою очередь за несколько итераций подстраивается так, чтобы точно воспроизвести как можно больше примеров. После тренировки нейронная сеть может принять входные данные и предсказать выходные. Для выработки выходного сигнала сеть выполняет функциональную оценку. Единственное допущение заключается в том, что между входными и выходными данными существует непрерывная функциональная зависимость. Нейронные сети могут использоваться в качестве устройств отображения, классификаторов примеров, а также исполнителей примера (адресуемая автоматическая ассоциативная память и ассоциаторы примеров).

Среди недавно появившихся областей применения следует отметить распознавание черт, теплообменники, инспекцию паяных соединений, оптимизацию параметров точечной сварки, питание, сенсорные дисплеи, сенсорные транспортные системы.

Генетические алгоритмы

Генетический алгоритм — это вероятностная процедура оптимизации, созданная на основе эволюции в природе. Генетический алгоритм позволяет найти глобальный оптимум в сложной среде с большим количеством параметров без использования специфических знаний о проблеме, которую предстоит решить. Генетические алгоритмы нашли применение в сенсорных системах, сложных комбинаторных или оптимизированных по большому количеству параметров, в том числе таких, как сборка, настройка линии сборки, диагностика ошибок, мониторинг здоровья, управление питанием.

Внешний интеллект

Эта технология на слуху последние 10 лет. Она призвана облегчить работу человека в цифровой среде, в которой электронные устройства предсказывают его поведение и реагируют на его присутствие. Данная концепция обеспечивает бесшовное взаимодействие человека и сенсорной системы. Использование внешнего интеллекта пока ограниченно. Идут разработки новых, более интеллектуальных и более развитых интерактивных систем. На рис. 3 приведена экспериментальная система для оценки целесообразности применения технологии внешнего интеллекта.

Экспериментальная система для оценки целесообразности применения технологии внешнего интеллекта для повышения эффективности расходования энергии

Рис. 3. Экспериментальная система для оценки целесообразности применения технологии внешнего интеллекта для повышения эффективности расходования энергии

Генетический алгоритм — это вероятностная процедура оптимизации, созданная на основе эволюции в природе. Генетические алгоритмы нашли применение в сенсорных системах, таких как сборка, настройка линии сборки, диагностика ошибок, мониторинг здоровья, управление питанием.

Взгляд в будущее

Искусственный интеллект может повысить эффективность обмена, уменьшить количество ошибок и сбоев, продлить срок службы датчика (рис. 4, 5). За последние 40 лет был создан ряд инструментов с искусственным интеллектом, часть из которых рассмотрена в данной статье.

Рис. 4. Сбор данных от датчика изображения. Визуальные данные и модель САПР используются совместно для определения списка объектов. Список объектов отправляется
в идентификатор сварки

Со временем появится множество новых сфер применения сенсорных систем. Более того, дополнительные преимущества обеспечиваются путем сочетания технологий и создания гибридных инструментов. Среди других разработок в области ИИ, влияющих на сенсорные системы, можно отметить глубинный анализ данных, системы с несколькими агентами, распределенные самоорганизующиеся системы. Должное применение технологий искусственного интеллекта приведет к появлению более конкурентоспособных сенсорных систем.

Рис. 5. Модуль идентификатора сварки оценивает предположения и находит оптимальную траекторию сварки. Предположения передаются в генератор программ для робота

Рис. 5. Модуль идентификатора сварки оценивает предположения
и находит оптимальную траекторию сварки. Предположения передаются в генератор программ для робота

Возможно, на осмысление преимуществ использования ИИ уйдет десятилетие. В настоящее время они мало распространены ввиду технологических сложностей. Поле исследования расширяется.

Рассмотренные инструменты и методы имеют минимальную вычислительную нагрузку и могут быть выполнены на небольших сборках, одиночных роботах или системах с мало функциональными микроконтроллерами. Рассмотренные подходы основаны на использовании внешнего интеллекта, а также сочетании различных интеллектуальных инструментов для наиболее полного использования их потенциала в различных процессах.

Добавить комментарий

Ваш e-mail не будет опубликован. Обязательные поля помечены *