طراحی یک سیستم خبره و هوشمند جهت عیب یابی وتعمیرات ماشین فرز عمودی

مشخصات فایل

مقطع:کارشناسی
رشته تحصیلی:مهندسی مکانیک
نوع ارائه:پایان نامه
تعداد صفحات:168/td>
قالب بندی:word قابل ویرایش

نحوه خرید

دانلود رایگان فایل
شما میتوانید تنها با یک کلید به راحتی فایل مورد نظر را دریافت کنید. 🙂

برای دسترسی به این فایل ابتدا باید اشتراک خریداری کنید. برای خرید اشتراک بر روی لینک زیر کلیک کنید.

ارتقاء عضویت

در صورت بروز هر گونه مشکل در روند خرید اینترنتی، بخش پشتیبانی کاربران آماده پاسخگویی به مشکلات و سوالات شما می باشد

چکیده

چکیده 2

دنیای امروز، دنیای پیشرفت، سرعت، تکنولوژی و سیستم می­باشد. صنعت حاضر برای بقا و ماندگاری در بین رقبا نه نتها باید از تکنولوژی و فناوری بالایی برخوردار باشد، بلکه باید از مدیریت سیستمی و کنترل­های نوین و خودکار برای کاهش خطا، افزایش سرعت عکس العمل و تطابق با تغییرات سریع محیطی حاضر کمک بگیرد. مفاهیمی از قبیل هوش مصنوعی، طراحی به کمک کامپیوتر، دیدگاه سیستمی به محیط اطراف و کل مجموعه­ها، سیستم خبره و …  از جمله مواردی هستند که ما را در دستیابی به اين اهداف یاری می­رسانند.

این پروژه ابتدا به معرفی هوش مصنوعی و زیر مجموعه­های آن از جمله سیستم خبره، اجزا و کاربردهای آن می­پردازد. سپس کاربردهای سیستم خبره را در صنعت بیان می­کند. سپس به طراحی سیستم خبره به عنوان یک پروژه طراحی و ساخت می­نگرد و با دیدی تحلیل­گر به تقسیم مراحل مختلف  اجرا و اجزای پروژه ساخت سیستم خبره می­پردازد و مدلی ارایه می­دهد.

در مرحله بعدی سیستم تعمیرات نگهداری ماشین فرز عمودی را تشریح می­کند، و با نگرشی سیستماتیک به طبقه بندی روش تعمیرات و رفع عیوب دستگاه می ­پردازد، سپس در بخش بعدی شرح کامل مراحل کار، قوانین و فلوچارت سیستم ارایه می­شود، که در خاتمه  به  سیستم خبره عیب یابی و تعمیرات نگهداری در قالب صفحات وب، و در نرم افزار VPX منتهی می­گردد.

فصل اول 2

مقدمه‏ای بر سیستم خبره 2
مقدمه 4
1-2 تاريخچهاي از هوش مصنوعي و سيستمهاي خبره 5
1-3 ماهيت سيستمهاي خبره 11
1-4 فوايد استفاده از سيستم‏هاي خبره 14
1-5 ويژگي‏هاي يک سيستم خبره 18
1-6 محدوده عملکرد مناسب براي سيستم‏هاي خبره 23
1-7 اجزاي يک سيستم خبره 26
1-8 روشهاي استنتاج 28
1-8-1 درخت‌ها و شبکه‌ها 28
1-8-2 منطق قياسي و قياس صوري 30
1-8-3 زنجيره‏هاي استدلال پيشرو و پسرو 31
1-8-4- تمثيل 32
1-8-5- روش فرضيه و آزمون 33
1-8-6- استنتاج معکوس 34
1-9 طراحـي سـيسـتم خبــره 34

در اين فصل ابتدا به طور مختصر هوش مصنوعي و تاريخچه آن بيان مي‏شود و در ادامه به معرفي سيستم خبره به عنوان شاخه‏اي از سيستم خبره و نحوه طراحي و انواع مختلف آن مي‏پردازيم.

1 -1  نگرشي بر هوش مصنوعي

 نوع بشر نام علمي مرد خردمند[1] را به خودش نسبت داده است. زيرا قابليت‌هاي ذهني و حسي ما براي زندگي روزمره، بسيار مفيد هستند. حوزه هوش مصنوعي[2] سعي دارد تا موجوديت‌هاي هوشمند را درک کند و قادر به ساخت آنها گردد. هوش مصنوعی[3]  محصولات مهم و مؤثر زيادي حتي در مراحل اوليه توسعه‌اش، توليد کرده‌است. اگرچه هيچ ‌کس نمي‌تواند آينده را به ‌طور مشخص پيش‌بيني کند، اما آشکار است که کامپيوترهايي با سطح هوشمندي در رديف انسان (و حتي بهتر از آن) تأثير بسزايي بر روي زندگي روزمره ما و همچنين بر روي تمدن آينده خواهد گذاشت.

هوش مصنوعي يا به اختصار AI روشي است جهت هوشمند ساختن کامپيوتر. اين منظور زماني برآورده مي‌شود که قادر باشيم چگونگي تفکر انسان در زمان تصميم‌گيري يا حل مساله را بررسي کرده و آن را پس از تقسيم‌بندي به مراحل پايه‌اي در قالب يک برنامه کامپيوتري ارايه کنيم. هوش مصنوعي وسيله‌اي است ساده و سازمان‌يافته براي طراحي برنامه‌هاي تصميم‌گيري پيچيده.

يک برنامه کامپيوتري استاندارد مي‌تواند تنها پاسخگوي مسائل خاصي باشد که براي آنها برنامه‌ريزي شده‌است. اگر يک برنامه استاندارد نياز به تصحيح يا بازنگري جهت افزايش اطلاعات جديد داشته باشد، تمامي برنامه بايد جستجو شود تا محل مناسب جهت افزودن اطلاعات يا انجام تغييرات پيدا گردد. اين نه تنها اتلاف وقت است بلکه ساير بخش‌هاي برنامه نيز ممکن است تحت تاثير قرار گرفته و اشتباهاتي در آنها رخ دهد. در مقابل هوش مصنوعي همان‌طور که از اسمش پيداست، در واقع کامپيوتر را قادر به تفکر مي‌سازد. با ساده کردن برنامه‌هايي که کنار هم گذاشته مي‌شوند، هوش مصنوعي پايه آموختن انسان را تقليد کرده و به جذب اطلاعات جديد جهت به‌کارگيري در مراحل بعدي مي‌پردازد. فکر انسان مي‌تواند اطلاعات جديد را بدون تغيير در روند کار مغز و بدون ايجاد اختلال در اطلاعات ذخيره شده قبلي جذب نمايد. يک برنامه هوش مصنوعي نيز مشابه اين کار مي‌کند.

1-2  تاريخچه‌اي از هوش مصنوعي و سيستم‌هاي خبره

اولين کاري که به ‌طور جدي در حيطه هوش مصنوعي شناخته مي‌شود توسط وارن‌مک‌کلود[4] و والتر‌پيتز[5] (1943) انجام شد. آنها از سه منبع استفاده کردند: دانش فيزيولوژي پايه و عملکرد نورون در مغز، تحليل رسمي منطق گزاره‌ها متعلق به راسل[6] و وايت‌هد[7] و تئوري محاسبات تورينگ[8]. آنها مدلي از سلول‌هاي عصبي مصنوعي را ارايه کردند که هر سلول داراي دو ويژگي روشن و خاموش بود؛ با يک کليد که روشن بودن آن در پاسخ به تحريک تعداد کافي نورون همسايه اتفاق مي‌افتاد. وضعيت يک سلول عصبي «حقيقتاً مشابه يک گزاره که محرک کافي برايش منظور شده» بود. مک‌کلود و پيتز همچنين پيشنهاد کردند که شبکه‌هاي به درستي تعريف شده، قادر به يادگيري هستند.

دونالد‌هب[9] در سال 1949 قانون ساده بهنگام‌سازي براي تغيير تقويت اتصالات بين نورون‌ها را تعريف کرد که از طريق آن يادگيري ميسر گردد.

در همين سال‌ها نويل[10] و سيمون[11] برنامه‌اي استدلالي به‌نام «LT»[12] طراحي کردند که در مورد آن اين‌گونه ادعا کردند، « ما برنامه‌اي کامپيوتري خلق کرده‌ايم که قابليت تفکر غير عددي دارد و از اين‌رو مشکل ذهن-‌ ‌‌‌تن[13] را حل‌ کرده‌ايم.» موفقيت‌هاي زود هنگام نويل و سيمون با «GPS»[14] ادامه يافت. بر‌خلاف ال.تي، اين برنامه از نو طراحي شد تا پروتکل‌هاي حل مساله به روش انسان را تقليد کند. با وجودي که گروه محدودي از مسائل مي‌توانست مورد عمل قرار گيرد، نرم افزار روشي را در پي‌گرفت که مشابه انسان، براي حل مسائل به زير اهداف توجه شود. بنابراين، «GPS» شايد اولين برنامه براي تجسم يافتن « تفکر انساني»[15] بود.

آنچه امروزه با عنوان هوش مصنوعي شناخته شده در دهه 1950 و آغاز دهه 1960 شروع به شکل گرفتن کرد. در آغاز 1952، آرتورساموئل[16] تعدادي برنامه براي بازي چکر[17] نوشت که ناگهاني بازي دوره‌اي چکر را آموختند. در اين راستا، زماني که برنامه‌اش به سرعت ياد‌گرفت تا بازي بهتري نسبت به خالقش ارايه دهد او اين عقيده را که “کامپيوتر فقط کاري را مي‌کند که به آن گفته شده است”، نقض‌کرد. به دنبال آن در سال 1958 جان‌مک‌کارتي [18] در دانشگاه ام.آي.تي[19] زبان سطح بالاي ليسپ[20] را به وجود آورد که به مهم‌ترين زبان هوش مصنوعي بدل شد. ليسپ اولين زبان تحقيقاتي در زمينه هوش مصنوعي بود. ماروين‌مينسکي [21] در سال 1961 مقاله‌اي را تحت عنوان «گام‌هايي به‌سوي هوش مصنوعي» نوشت. در دهه 60 اولين کامپپوتري که قادر بود شطرنج بازي کند به عرصه آمد. اين کامپيوتر با يک برنامه الگوريتم رياضي به نام اليزا[22] کار مي‌کرد. اليزا برنامه‌اي بود که توسط ژوزف وايزن بوم[23] که او نيز از دانشگاه ام.آي.تي بود نوشته شده بود.

در اواسط دهه 1970 ميلادي کامپيوترهايي با ظرفيت بالاتر عرضه شدند و سرعت محاسبات کامپيوترها نيز افزايش يافت. با اين حال، حتي با وجود اين پيشرفت‌ها، بسياري از برنامه‌هاي قديمي هوش مصنوعي همچنان غيرقابل‌ اجرا باقي مانده بود.

نماي حل مسأله که در طول دهه اوليه تحقيقات هوش مصنوعي به وجود آمده بود، مکانيزم جستجوي همه منظوره‌اي را به نمايش مي‌گذاشت که سعي در به رشته درآوردن قدم‌هاي اوليه‏ي يادگيري داشت تا به يافتن راه‌حل‌هاي کامل. چنين رهيافت‌هايي، روش‌هاي ضعيف[24] ناميده شد، زيرا اطلاعات ضعيفي را در مورد دامنه فعاليت خود به‌کار مي‌برند. براي دامنه‌هاي پيچيده بسياري، مشخص شد که کارايي نيز ضعيف است. تنها راهی که مناسب به نظر می‏رسيد، استفاده مناسب‌تر از دانش براي ساخت مراحل استدلال طولاني‌تر و حل موارد در دامنه‌هاي تخصصي محدودتر است. برنامه دندرال[25] اولين نمونه از اين رهيافت بود که در دانشگاه استنفورد به‌وجود آمد. اهميت برنامه دندرال در اين بود که اولين سيستم موفق با دانش غني بود، يعني تبحر سيستم بر پايه تعداد بسيار زيادي قانون ايجاد شده بود. سيستم‌هاي بعدي ايده اصلي رهيافت مک‌کارتي را دنبال کردند، يعني جدا‌سازي دانش (درشکل قوانين) و مؤلفه‌هاي استدلال.

با به ‌ياد ‌آوري اين درس، فايگن‌بام[26] و ديگران در استنفورد، پروژه برنامه‌نويسي مکاشفه‌اي[27] را آغاز نمودند تا متدولوژي جديد سيستم خبره را در گستره‌هاي جديد تبحر انساني به ‌کار برند.

موفقيت‌هاي چشمگير و متعدد در برخي از زمينه‌هاي هوش مصنوعي، در اواخر دهه 70 ميلادي به وجود آمد. ارايه اولين فرآورده تجاري هوش مصنوعي يعني سيستم خبره مهم‌ترين موفقيت در اين موضوع بود.

در سال 1972 ميلادي زبان پرولوگ[28] توسط آلن‌کول‌مرائور[29] ساخته شد و ارايه گرديد. پرولوگ هم مانند ليسپ زباني بود که جهت کمک به مسائل هوش مصنوعي طراحي شده بود. آلن کول مرائور، ارايه کننده زبان پرولوگ، در فرانسه و در مارسي براي نخستين بار اين زبان را عرضه کرد. زبان پرولوگ معادل اروپايي زبان ليسپ در حوزه هوش مصنوعي بود.

از آن زمان تاکنون تاکيد بر هوش مصنوعي از حوزه تحقيقات به زمينه کاربردي منتقل شده است. اين جابجايي بدين معنا مي‌باشد که تکنيک‌هاي هوش مصنوعي که در مراحل اوليه با يک زبان تحقيقاتي در آزمايشگاه ايجاد شد، امروزه توسعه يافته و اکنون در جهت حل مسايل و استفاده عملي در کاربردهاي واقعي مورد استفاده واقع مي‌شود.

سيستم‌هاي خبره نخستين محصول تجاري هوش مصنوعي و مهم‌ترين موفقيت هوش مصنوعي به‌ شمار مي‌روند. برخي از اين سيستم‌هاي خبره اوليه عبارتند از: دندرال [30] در معرفي ترکيبات شيميايي، ديمپتر[31] در حوزه نفت، مايسين [32] در حوزه پزشکي و پروسپکتور [33] در حوزه زمين‏شناسي. مايسين مهمترين و نخستين سيستم خبره موفق در جهان است. اين سيستم در سال 1970 ميلادي در دانشگاه استانفورد طراحي شد. هدف از ساخت اين سيستم خبره هوشمند، ياري رساندن به پزشکان در تشخيص بيماري‌هاي ناشي از باکتري‌ها بود. در فرآيند تشخيص بيماري‌ها در سيستم خبره، مايسين عمل تشخيص بيماري‌ها، با مقايسه سريع علايم موجود در يک بيمار صورت مي‌گيرد. اين عمل يعني عمل معاينه و تشخيص بيماري براي پزشک مشکل و زمانبر مي‌باشد، چون تعداد زيادي بيماري وجود دارد که توسط باکتري‏ها ايجاد مي‌شوند. مايسين با تشخيص قاطع بيماري‌ها توانست نمونه موفقي از يک سيستم خبره را به يادگار بگذارد و کاربردي و عملي بودن سيستم‌هاي خبره را اثبات نمايد. دو تفاوت عمده در آن نسبت به دندرال، که اولين سيستم خبره بود، ديده مي‌شد. اول اين‏که بر خلاف قوانين دندرال، هيچ مدل تئوري‌وار عمومي براي آن‌که قوانين مايسين استنتاج شود، وجود نداشت. قوانين مي‌بايست توسط مصاحبه‌هاي جامعي با خبرگان، به ‌دست آيد که متعاقبا آنها نيز قوانين را از تجربه بدست آورده بودند. دوم اين‏که، قوانين مي‌بايست عدم قطعيت مربوط به دانش پزشکي را منعکس مي‌کرد. مايسين رياضيات عدم قطعيتي تحت عنوان فاکتورهاي قطعيت را تشکيل داد که به نظر مي‌رسيد به خوبي با روش برخورد پزشکان در مورد تشخيص بر پايه شواهد ناقص تطبيق داشته باشد.

شهرت سيستم خبره مايسين از سوي ديگر مربوط به ساختار و شکل اين سيستم مي‌باشد. در سيستم‌هاي خبره پيش ‌از ‌آن مانند سيستم خبره دندرال و ديگر سيستم‌هاي خبره مانند آن، دانش مورد استفاده در حوزه مربوطه و نرم‌افزاري که از اين دانش براي حل مسايل يا کاربرد در آن حوزه استفاده مي‌کرد از هم تفکيک نشده بودند. اما در سيستم خبره مايسين دانش مورد استفاده، که از آن با نام پايگاه دانش [34] نام مي‌بريم، دقيقاً از عمليات پردازش و نتيجه‌گيري تفکيک شد که در معماري و ساختار سيستم‌هاي خبره بعدي تا امروز اين شکل حفظ شده است. تفکيک جزء دانش مورد استفاده و مکانيزم‌هاي قضاوت و نتيجه‌گيري اين امکان را به وجود آورد که دانش مورد استفاده در سيستم‌ها قابل بهبود و يا استفاده مجدد بشوند.

سيستم‌ خبره مايسين از جهت ديگر نيز اهميت دارد و آن عرضه مکانيسم استنتاج [35] و توضيح‌دادن [36] درباره نتيجه‌گيري‌ها و استنتاجات است که با عنوان پوسته‏ي[37] سيستم‌هاي خبره ناميده شده است. مي‌توان پوسته‌ها را در سيستم‌هاي خبره با دانشي درباره يک حوزه دانش ديگر مجهز کرد و نتيجه‌گيري و استنتاج را در آن حوزه از دانش انجام داد. اين پوسته در سيستم خبره مايسين با عنوان« اِمايسين[38]» ناميده شده بود. يک مثال ديگر از سيستم خبره، سيستم خبره پروسپکتور مي‌باشد که در حوزه زمين‌شناسي است. اين سيستم خبره احتمال وجود رسوبات معدني را در نقاط خاص پيش‌بيني مي‌کند. اين سيستم در سال 1978 ميلادي توسط ريچارددودا[39]، پيترهارد[40] و رنه‌ربوا[41] طراحي و عرضه شد. اين سيستم خبره در امر اکتشافات نفت و گاز طبيعي کاربرد داشت.

عرضه اين سيستم‌هاي خبره و تجربيات قبلي در اين حوزه منجر به اين امر شد که در دهه 70 سه مفهوم مجزاي اساسي در سيستم‌هاي خبره با هدف حل مسايل واقعي درحوزه‌هاي خاص به وجود آيد. اين سه مفهوم عبارتند از: قوانين سيستم‌هاي خبره، پوسته‌ها و دانش در حوزه‌اي خاص.

در دهة 80 ميلادي بسياري از شرکت‌ها سيستم‌هاي خبره را از آزمايشگاه‌ها و کارگاه‌هاي دانشگاه‌ها بيرون کشيدند و به عرصه توليدات تجاري بردند. بدين طريق سيستم‌هاي خبره به صورت نرم‌افزار توسط شرکت‌هاي مختلف به بازار عرضه گرديد. نرم‌افزارهاي قدرتمند جديدي براي استفاده در سيستم‌هاي خبره به وجود آمدند. مثلاً نرم‌افزار « ART»[42] که با عنوان ابزار استنتاج خودکار ناميده شده بود. نرم‌افزار ديگري که در اين حوزه عرضه شد «KEE»[43] توسط شرکت «اينتل»[44] بود.

علاوه ‌بر ‌اين، برخي شرکت‌ها سخت‌افزارهاي تک منظوره‌اي توليد کردند که فقط ماشين‌هاي هوشمند ليسپ بودند و با نام ماشين‌هاي ليسپ ناميده مي‌شدند. در اين ‌زمان، زبان پايه بسياري از سيستم‌هاي‌خبره، زبان ليسپ بود. در ماشين‌هاي ليسپ، سيستم‌هاي ‌عامل و بسياري از کدهاي ماشين با زبان ليسپ عمل مي‌کردند. ماشين‌هاي ليسپ، ماشين‌هاي بسيار قدرتمندي در زمينه هوش مصنوعي و سيستم‌هاي خبره بودند. اما ضعف اين ماشين‌ها مانند بسياري از موارد که از تکنولوژي بالا استفاده مي‌شود، هزينه بالاي آن بود. کارکرد يک ماشين تک منظوره‏ي ليسپ با يک نرم‌افزار، هزينه‌اي در حدود صد‌هزار دلار داشت. حال با اين شرايط هزينه ايجاد يک آزمايشگاه هوش مصنوعي سر به چندين ميليون دلار مي‌زد. در دهه‏ي هشتاد ميلادي اين مشکل برطرف شد. در اين سال‌ها نرم‌افزار قدرتمند «کليپس» توسط «‌ ناسا »[45] توليد شد. اين نرم افزار به زبان  C نوشته شده بود و داراي سرعت و قابليت‌هاي بالايي بود. کليپس اين قابليت را دارد که در هر کامپايلر زبان C نصب شود. اين نرم‌افزار در کامپيوتر‌هاي شخصي و يا سيستم « VAX »[46] قابل نصب است.

البته به‏ طور مشابه تحولات عمده‌اي در روباط‌ها، بينايي کامپيوتري، يادگيري ماشيني (شامل شبکه‌هاي عصبي) و بازنمايي دانش رخ داد. درک بهتر مسايل و خواص پيچيدگي آن‏ها، با روش‌هاي رياضي افزايش يافته ترکيب شد تا روش‌هاي مقاوم‌تري مطرح گردند. شايد به ‌واسطه پيشرفت در حل زير‌مسائل هوش مصنوعي، محققين دوباره به حل مساله «کل عامل» نيم نگاهي دارند. حرکات جديد در درک کارکرد عامل‌ها در محيط‌هاي بلادرنگ با دريافت ورودي حس‌گرهاي پيوسته است. نتايج به دست‌ آمده از اين کارها اين واقعيت را هويدا مي‌کند که زير‌دامنه‌هاي جدا‌ افتاده هوش مصنوعي ممکن است در طرح يک عامل به ‌هم مربوط گردند.

1-3  ماهيت سيستم‌هاي خبره

اولين قدم در حل هر مساله‏اي تعريف دامنه يا محدوده آن است. اين نکته همان‏طور که در مورد روش‏هاي برنامه‏نويسي متعارف صحت دارد، در مورد هوش مصنوعي نيز درست است. اگرچه براي مسايل کلاسيک هوش مصنوعي هنوز راه ‏حل عمومي يافت نشده است، محدود کردن دامنه مساله مي‏تواند به راه‏حل مفيدي منجر شود.

هوش مصنوعي شامل چندين زيرمجموعه است. (بينايي، روباتيک، کلام، شبکه‏هاي عصبي، سيستم‏هاي خبره، فهميدن، زبان‏هاي طبيعي). زيرمجموعه سيستم‏هاي خبره يکي از موفق‏ترين راه‏حلهاي تقريبي براي مسايل کلاسيک هوش مصنوعي است. پروفسور فيگن‏بام از دانشگاه استانفورد يکي از پيشکسوتان تکنولوژي سيستم‏هاي خبره، تعريفي در مورد سيستم‏هاي خبره دارد: “…يک برنامه کامپيوتري هوشمند که از دانش و روش‏هاي استنتاج براي حل مسايلي استفاده مي‏کند که به دليل مشکل بودن، نياز به تجربه و مهارت انسان دارند”. بنابراين سيستم خبره يک سيستم کامپيوتري است که از قابليت تصميم‏گيري افراد خبره، تقليد‏مي‏نمايد. لغت تقليد به اين معناست که سيستم خبره سعي دارد در تمام جنبه‏ها شبيه فرد خبره عمل کند. عمل تقليد از شبيه‏سازي قوي‏تر است، چون در شبيه‏سازي تنها در بعضي موارد شبيه چيزهاي واقعي عمل مي‏شود.

سيستم‏هاي خبره يکي از شاخه‏هاي هوش مصنوعي است که هم‏چون يک فرد خبره با استفاده وسيع از دانش تخصصي به حل مسايل مي‏پردازد. فرد خبره کسي است که در يک زمينه خاص داراي تجربه و مهارت و در يک کلام خبرگي است. بنابراين فرد خبره داراي دانش يا مهارت خاصي است که براي بيشتر مردم ناشناخته و يا غيرقابل دسترسي است. فرد خبره مسايلي را حل مي‏کند که يا توسط ديگران قابل حل نيست و يا او موثرترين (والبته نه ارزانترين) راه‏حل را براي آن مساله ارايه مي‏دهد. وقتي سيستم‏هاي خبره اولين بار در دهه 1970 توسعه يافتند، فقط داراي دانش خبرگي بودند. ولي لغت سيستم خبره امروز اغلب به هر سيستمي اطلاق مي‏شود که از تکنولوژي سيستم خبره استفاده مي‏کند. اين تکنولوژي مي‏تواند شامل زبان‏هاي خاص سيستم‏هاي خبره برنامه‏ها و سخت‏افزارهاي طراحي شده براي کمک به توسعه و اجراي سيستم‏هاي خبره باشد.

دانش موجود در سيستم‏هاي خبره مي‏تواند شامل تجربه و يا دانشي باشد که از طريق کتب، مجلات و افراد دانشمند قابل دسترسي است. اصطلاحات سيستم خبره، سيستم مبتني بر دانش و يا سيستم خبره مبتني بر دانش، به طور مترادف به کار مي‏روند. شکل 1-1 مفهوم بنياني يک سيستم خبره مبتني بر دانش را نشان مي‏دهد.

شكل 1-1  مدلي از مفهوم بنيادي سيستم خبره

کاربر، حقايق (يا وقايع) و يا ساير اطلاعات را به سيستم خبره داده و در پاسخ، تجربه، تخصص و توصيه‏هاي عالمانه و در يک کلام خبرگي دريافت مي‏کند. از نظر ساختار داخلي، سيستم خبره از دو بخش اصلي تشکيل مي‏شود. بخش اول پايگاه دانش است. اين پايگاه حاوي دانشي است که بخش دوم يعني موتور استنتاج به کمک آن نتيجه‏گيري مي‏کند. اين نتايج، پاسخ سيستم خبره به سوالات کاربر مي‏باشد.

سيستم‏هاي مبتني بر دانش کارا طوري طراحي شده‏اند که بتوانند به عنوان يک دستيار هوشمند براي افراد خبره عمل کنند. اين دستياران هوشمند به وسيله تکنولوژي سيستم‏هاي خبره طراحي شده‏اند و دليل اين کار، امکان بسط دانش آن‏ها در آينده مي‏باشد. هرچه دانش بيشتري به يک سيستم دستيار هوشمند وارد شود، بيشتر شبيه يک فرد خبره مي‏شود. توسعه يک سيستم دستيار هوشمند مي‏تواند مرحله مهمي در ايجاد يک سيستم خبره کامل باشد. بعلاوه يک دستيار هوشمند مي‏تواند با سرعت بخشيدن به حل مساله، وقت فرد خبره را آزاد کند. [4]

برخلاف دانش مربوط به تکنيک‏هاي حل مسايل عمومي، دانش يک فرد خبره حوزه‏مند است يعني محدود به يک دامنه خاص است. سيستم‏هاي خبره طوري طراحي شده‏اند که مثل افراد خبره در يک حوزه خاص، مهارت داشته باشند. تخصص داشتن در يک حوزه خاص، به خودي خود، منجر به تخصص داشتن در حوزه‏هاي ديگر نمي‏شود.

دانش يک فرد خبره درباره حل يک مساله خاص، حوزه دانش فرد خبره ناميده مي‏شود. دامنه دانش کاملا درون دامنه مساله قرار دارد. بخشي از دامنه مساله که توسط دامنه دانش پوشيده نشده و در واقع بيرون از دامنه دانش قرار گرفته است نشان دهنده ناحيه‏اي است که در آن دانش کاملي درباره همه مسايل وجود ندارد. وقتي حوزه دانش براي يک سيستم خبره مشخص شد، سيستم به همان روشي که افراد خبره راه حل مساله را مي‏يابند، به استدلال يا استنتاج مي‏پردازد. شكل 2-1  ارتباط بين يك مساله و دامنه دانش را نشان مي‏دهد.

شكل 1-2: ارتباط بين يک مساله و دامنه دانش

 1-4  فوايد استفاده از سيستم‏هاي خبره

  • افزايش قابليت دسترسي: تجربه و دانش در هر سخت‏افزار مناسبي قابل دسترسي است. در واقع يک سيستم خبره، انبوهي از تجربه و دانش را در خود جاي مي‏دهد.
  • کاهش هزينه: هزينه کسب دانش و تجربه براي هر کاربر بسيار کمتر است.
  • کاهش خطر: سيستم‏هاي خبره را مي‏توان در محيط‏هايي که حضور در آن‏ها براي انسان خطرناک است به کار برد.
  • دوام و بقا: تجربه و دانش، پايدار و ماندني است. بر خلاف افراد خبره که ممکن است بازنشسته شوند، کار را رها کنند و يا فوت کنند، دانش سيستم‏هاي خبره به طور نامحدودي پايدار است.
  • تخصص چندگانه: مي‏توان از دانش چندين فرد خبره به طور همزمان و يا پيوسته براي رسيدن به حل يک مساله در هر زمان استفاده کرد. در اين صورت سطح دانش و تخصصي که از ترکيب دانش چند فرد خبره بدست مي‏آيد از سطح دانش يک فرد خبره بيشتر است.
  • افزايش قابليت اطمينان: سيستم‏هاي خبره، از اين بابت که ديدگاه دومي را براي خبره‏ي بشري فراهم مي‏کنند و يا هنگام بروز اختلاف نظر در ميان افراد خبره، ديدگاه ثالثي را مطرح مي‏کنند، موجب اطمينان خاطر کاربر مي‏گردند. البته اگر سيستم خبره تنها حاوي دانش يک فرد خبره باشد اين روش احتمالا موفق نخواهد بود. سيستم خبره بايد همواره با نظر فرد خبره موافق باشد مگر اين‏که فرد خبره دچار اشتباه شده‏ باشد. معمولا در مواقعي که فرد خبره دچار خستگي و يا فشارهاي روحي باشد، احتمال اشتباهات او بالا مي‏رود.
  • توضيح: سيستم خبره مي‏تواند درباره جزييات استدلال خود در مورد نتيجه‏اي که بدست آمده به صراحت توضيح دهد. يک فرد خبره ممکن است بسيار خسته باشد و يا تمايل و توانايي انجام اين کار را در همه اوقات نداشته باشد. توضيح مراحل استلال، اطمينان به صحت تصميم‏گيري را افزايش مي‏دهد.
  • پاسخ سريع: بعضا ارايه پاسخ سريع و به موقع يک ضرورت است. با توجه به نوع نرم‏افزار و سخت‏افزاري که مورد استفاده قرار مي‏گيرد، سيستم خبره مي‏تواند بسيار سريع‏تر و با سهولت بيشتري نسبت به يک فرد خبره، پاسخ دهد. در برخي موارد اضطراري به پاسخي سريع‏تر از انسان نياز است و سيستم خبره‏اي که بتواند بلادرنگ پاسخ دهد مي‏تواند مطلوب باشد.
  • پاسخ کامل، ثابت و غير حساس در همه مواقع: اين خصوصيت مي‏تواند در شرايط اضطراري که به پاسخ بلادرنگ نياز است بسيار مهم باشد چون يک فرد خبره هنگامي که دچار خستگي و يا ناراحتي است نمي‏تواند کار خود را به گونه‏اي موثر انجام دهد.
  • معلم هوشمند: يک سيستم خبره مي‏تواند به عنوان يک معلم هوشمند براي انسان عمل نمايد و با اجراي چندين مثال و توضيح چگونگي استنتاج سيستم، به کاربر کمک نمايد.
  • بانک اطلاعاتي هوشمند: سيستم‏هاي خبره مي‏توانند به روش هوشمندانه از يک بانک اطلاعاتي استفاده کنند.

مراحل توسعه يک سيستم خبره همچنين داراي يک فايده غيرمستقيم است چرا که دانش افراد خبره بايد به طور صريح وارد کامپيوتر شود. از آن‏جا که دانش غير صريح موجود در ذهن فرد خبره به صورت صريح درمي‏آيد، مي‏توان اين دانش را مورد تنظيم و بررسي مجدد قرار داد تا از کيفيت بهتري برخوردار باشد.

دانش موجود در يک سيستم خبره را مي‏توان به صور مختلفي نمايش داد. يکي از روش‏هاي عمومي نمايش دانش، قواعدي[47] به شکل “اگر… انگاه…[48] هستند.

هرگاه رخداد قسمت “اگر” فعال شود، قاعده ارضا شده و عمل يا اقدام اين قاعده انجام مي‏گيرد.

برخي از ابزارهاي سيستم‏هاي خبره مانند كليپس[49] از اشيا، مانند قواعد استفاده مي‏کنند. دانش را مي‏توان در قواعد و اشيا جاي داد. قواعد مي‏توانند همان گونه که با واقعيات، وظيفه انطباق الگو را انجام مي‏دهند با اشيا هم انجام دهند. همچنين اشيا مي‏توانند مستقل از قواعد عمل کنند.

يک سيستم خبره کلاسيک حاوي دانشي است که در جايي نوشته نشده ‏است و بايد از طريق مذاکرات طولاني بين يک فرد خبره و يک مهندس دانش[50] استخراج شود. فرايند ساخت يک سيستم خبره، مهندسي دانش ناميده مي‏شود و توسط يک مهندس دانش صورت مي‏گيرد. مهندسي دانش به کسب دانش از فرد خبره و تبديل آن به زبان قابل فهم براي ماشين، اطلاق مي‏شود.

مراحل کلي توسعه يک سيستم خبره در شکل 1-3 آمده‏ است. ابتدا مهندس دانش گفتگويي با فرد خبره انجام مي‏دهد تا دانش او را کسب کند. اين مرحله نظير مرحله گفتگوي طراح سيستم با مشتري درباره ملزومات و خصوصيات سيستم در روش‏هاي متداول برنامه‏نويسي است. سپس مهندس دانش، دانش کسب شده را به طور صريح و به زبان قابل فهم براي ماشين وارد پايگاه دانش مي‏کند. فرد خبره سپس سيستم خبره را مورد ارزشيابي قرار داده و انتقادات و نتيجه ارزشيابي را به مهندس دانش ارايه مي‏دهد. اين فرايند آنقدر تکرار مي‏شود تا عملکرد سيستم مورد تاييد فرد خبره قرار گيرد.

شكل 1-3  مراحل كلي توسعه سيستم خبره

از آنجا که مسايل مربوط به سيستم‏هاي خبره معمولا هيچ الگوريتم خاصي نداشته و براي رسيدن به يک راه‏حل منطقي به استنتاج وابسته‏اند، لذا سيستم‏هاي خبره کاملا متفاوت با برنامه‏هاي مرسوم طراحي مي‏شوند. اگر هيچ الگوريتمي براي رسيدن به جواب بهينه وجود نداشته باشد راه حل منطقي، بهترين راه‏حلي است که مي‏توانيم انتظار داشته باشيم. از آن‏جا که سيستم خبره به استنتاج وابسته است بايد بتواند استدلال خود را براي رسيدن به پاسخ توضيح دهد تا بتوان نحوه استلال آن را مورد بررسي قرار داد. تسهيلات توضيح دهنده، يکي از اجزاي سيستم‏هاي خبره پيچيده مي‏باشد.

برخي سيستم‏هاي خبره اين قابليت را دارند که قواعد را با استفاده از مثال‏ها و از طريق القای قاعده ياد بگيرند. در اين سيستم، قواعد را با استفاده از جداول اطلاعات ايجاد مي‏نمايند. در دانش فرد خبره ممکن است، ناسازگاري‏ها، ابهامات، دوگانگي و يا مشکلات ديگري وجود داشته باشد و تا زماني که اين دانش در يک سيستم خبره نشان داده نشده، مشکلات ظاهر نمي‏شوند.

افراد خبره محدوده دانش خود را مي‏دانند و پاسخ‏هاي خود را تا قبل از آن‏که به مرز اغماض يا ناداني برسند، مورد تاييد قرار مي‏دهند. يک فرد خبره همچنين مي‏داند که چه هنگامي قواعد را زيرپا بگذارد. سيستم‏هاي خبره معمولي توصيه‏ها و پيشنهادهاي خود را حتي در شرايطي که داده‏هاي آنها غلط يا ناکافي است با همان درجه اطميناني ارايه مي‏دهند که داده‏هاي آن‏ها درست و کافی باشند. توصيه‏هاي يک سيستم‏ خبره، درست مانند افراد خبره، بايد به هنگامي که دانش آن‏ها رو به پايان بوده و به مرز ناداني يا جهل نزديک مي‏شوند، به تدريج کمرنگ و کمرنگ‏تر شود، نه اين‏که ناگهان قطع شود.

امروزه يکي از محدوديت‏هاي عملي بسياري از سيستم‏هاي خبره، کمبود دانش علت و معلولي است. اين به آن معناست که سيستم‏هاي خبره، درک واقعي از علت و معلولي اساسي موجود در يک سيستم ندارند. برنامه‏نويسي سيستم‏هاي خبره توسط دانش سطحي که مبتني بر دانش تجربي و ابتکاري يا هيورستيک است بسيار ساده‏تر از دانش عميق مي‏باشد که بر ساختار، عملکرد و رفتار بنياني اشيا استوار است.

يکي از انواع دانش سطحي، دانش ابتکاري يا هيورستيک است. لغت هيورستيک يک واژه يوناني و به معناي کشف است. هيورستيک‏ها، برخلاف روش‏هاي الگوريتمي، حل موفقيت‏آميز مساله را تضمين نمي‏کنند. بلکه اين روش‏ها، يکسري قواعد تجربي و يا قوانين سرانگشتي هستند که از آزمايش‏ها و تجربيات بدست آمده‏اند و ممکن است در حل مساله کمک کنند ولي تضمين نمي‏کنند که حتما آن را به درستي حل کنند.

مشکل ديگر سيستم‏هاي خبره امروزي آن است که تجربه و دانش آن‏ها محدود به همان حوزه دانشي است که در سيستم در مورد آن اطلاع دارد. سيستم‏هاي خبره نوعا نمي‏توانند مانند مردم با استفاده از تمثيل، در مورد موقعيت‏هاي جديد استدلال کرده، و دانش خود را توسعه داده و عموميت بخشند. اگرچه القای قواعد در اين مورد کمک مي‏کند، ولي فقط انواع محدودي از دانش را مي‏توان از اين طريق وارد سيستم خبره نمود. روش مرسوم ساخت سيستم خبره به اين صورت که مهندس دانش سيکل توليد سيستم و مجددا گفتگو را تکرار نمايد بسيار زمان‏بر بوده و نيروي انساني زيادي را صرف مي‏کند. در حقيقت اين مساله يعني تبديل دانش انسان به دانش يک سيستم خبره آنقدر بزرگ و دشوار است که به آن گلوگاه کسب دانش[51] مي‏گويند.

1-5  ويژگي‏هاي يک سيستم خبره

يک سيستم خبره معمولا براي داشتن ويژگي‏هاي کلي زير طراحي مي‏شود.

  • عملکرد بالا: سيستم بايد قادر باشد در سطحي معادل با يک فرد خبره و يا بهتر از آن در حوزه خاص خود عمل کند. بنابراين کيفيت توصيه‏هاي ارايه شده توسط سيستم بايد بسيار بالا باشد.
  • زمان پاسخگويي مناسب: سيستم بايد در زمان منطقي در مقايسه با زماني که يک فرد خبره براي تصميم‏گيري نياز دارد و يا بهتر از آن، به پاسخ دست يابد. سيستم خبره‏اي که يک سال طول مي‏کشد تا به پاسخ برسد، در مقايسه با فرد خبره‏اي که ظرف يک ساعت اين کار را انجام مي‏دهد، چندان مفيد نيست. در مواقعي که پاسخ بايد طي يک زمان مشخص بدست‏ آيد مثلا در شرايطي که به جواب بلادرنگ نياز است، مي‏بينيم که محدوديت زماني که برعملکرد سيستم‏هاي خبره اعمال مي‏شود، بسيار مهم و جدي است.
  • قابليت اطمينان خوب: سيستم خبره بايد قابل اطمينان باشد و نبايد دچار خرابي يا مشکلي شود که نتوان از آن استفاده کرد.
  • قابل فهم بودن: سيستم بايد بتواند مراحل استدلال خود را به هنگام اجرا به گونه‏اي توضيح دهد که قابل فهم باشد. سيستم بايد مراحل استدلال خود را درست مثل يک فرد خبره توضيح‏ دهد، نه اينکه يک جعبه سياه باشد و جواب‏هاي معجزه‏آسا توليد کند. اين ويژگي به چند دليل اهميت دارد.

قابل فهم بودن به دلايل مختلفي مورد نياز است. يک دليل اين است که زندگي و سرمايه انسان ممکن است به پاسخ سيتم خبره بستگي داشته‏ باشد.از آنجا که تصميمات حساس داراي ريسک بالقوه بالايي هستند، سيستم خبره بايد بتواند نتايج خود را تصديق و توجيه نمايد. همان طور که يک فرد خبره مي‏تواند توضيح دهد که چرا يک نتيجه مشخص بدست مي‏آيد، سيستم خبره نيز بايد استنتاجش را توضيح دهد. لذا ابزار توضيح ‏دهنده موجود در سيستم‏هاي خبره امکان بررسي نحوه استدلال سيستم را براي انسان‏ها فراهم مي‏آورد.

علت ديگر نياز به ابزار توضيح دهنده، به مرحله توسعه يک سيستم خبره مربوط است. در اين مرحله بايد صحت دانش کسب شده و نيز استفاده درست سيستم از دانش به تاييد برسد. اين نکته در امر اشکال‏زدايي بسيار مهم است. چون ممکن است بدليل اشتباهات تايپي، دانش به طور غلط وارد سيستم شود و يا به دليل عدم فهم دقيق مهندس‏دانش از تخصص فرد خبره، دانش کسب شده اشتباه باشد. يک ابزار توضيح دهنده خوب به فرد خبره و مهندس دانش اجازه مي‏دهد که صحت دانش را مورد بررسي و تحقيق قرار دهند. از طرف ديگر به دليل نوع روشي که در ساخت سيستم‏هاي خبره بکار مي‏رود، خواندن يک ليست برنامه کامپيوتري بلند و درک عملکرد آن بسيار مشکل است. [5]

  • انعطاف پذيري: به دليل حجم زياد دانشي که سيستم خبره ممکن است در خود داشته باشد، وجود يک مکانيزم کارا در اضافه کردن، تغيير و حذف دانش بسيار اهميت دارد. يکي‏از دلايل فراگيري سيستم‏هاي مبتني بر قاعده يا قاعده- پايه، توانايي ذخيره قواعد به روشي کارا و مدولار مي‏باشد.

  در يک سيستم مبتني بر قاعده، دانش مي‏تواند بتدريج[52] افزايش يابد. به اين صورت که وقتي قواعد افزايش مي‏يابند پايگاه دانش، اندک اندک بزرگ‏تر مي‏شود به گونه‏اي که نحوه عملکرد و صحت کار سيستم دايما کنترل ‏‏مي‏شود. اگر قواعد به نحوه صحيحي طراحي ‏‏شوند، تضاد بين آن‏ها به حداقل مي‏رسد و يا حذف مي‏شود و اين کار از عواقب نامطلوب و پيش‏بيني نشده جلوگيري مي‏کند. رشد تدريجي دانش، کار نمونه‏سازي سريع را تسهيل مي‏کند به طوري که مهندس دانش مي‏تواند به سرعت يک نمونه‏کاري از سيستم خبره را به فرد خبره نشان‏دهد. اين خصوصيت بسيار مهم است چرا که مي‏تواند علاقه مديريت و نيز فرد خبره را به پروژه ساخت سيستم خبره حفظ کند. نمونه‏سازي سريع مي‏تواند هرگونه خطا و يا تناقض موجود در دانش فرد خبره يا دانش سيستم را به سرعت نشان داده و باعث تسريع در اصلاحات شود.

يکي از ريشه‏‏هاي عمده سيستم‏‏هاي خبره پردازش اطلاعات انسان است که به آن دانش ادراکي[53] گفته مي‏‏شود. موضوع اين روش عبارت است از مطالعه اين که چگونه انسان‏‏ها اطلاعات خود را پردازش مي‏‏کنند. به بيان ديگر علم ادراک عبارت است از مطالعه اين‏‏که مردم چگونه فکر مي‏‏کنند، به خصوص هنگامي که مسايل را حل‏‏ مي‏‏کنند. در انتهاي دهه 1950 و 1960 ميلادي برنامه‏‏هاي کامپيوتري زيادي که هدف آن‏ها حل مسايل به طور عمومي بود، نوشته شده‏اند. مشورترين اين برنامه‏ها “حلال عمومي مسايل”[54] بود که توسط نيول و سيمون نوشته شد و در مجموعه‏اي از مقالات شرح داده شد.

يکي از مهم‏‏ترين نتايجي که توسط نيول و سيمون بدست آمد اين بود که حل بيشتر مسايل توسط انسان و يا ادراک و افهام آن را مي‏توان با قواعد توليدي[55] از نوع “اگر… انگاه… ” بيان کرد. هر قاعده‏اي متناظر با مجموعه‏اي کوچک و مدولار از دانش است که به آن يک چاک يا جزء گفته مي‏شود. اين اجزا با متصل شدن به ساير اجزاي مرتبط در يک ساختار نرم، سازماندهي مي‏شوند. يک تئوري در اين باره بيان مي‏کند که همه حافظه انسان در قالب اجزاء سازماندهي شده است.

نيول و سيمون استفاده از قواعد را براي نمايش دانش انساني گسترش دادند و نشان دادند که چگونه مي‏توان با استغاده از قواعد استدلال کرد. روانشناسان و متخصصان علم ادراک، از قواعد به عنوان مدلي جهت توضيح پردازش اطلاعات انسان استفاده کردند. ايده اصلي اين است که يک ورودي حسي باعث تحريک مغز مي‏شود. اين محرک باعث تحريک قواعد خاصي در حافظه دراز مدت مي‏شود که اين قواعد پاسخ لازم را فراهم مي‏آورند. حافظه دراز مدت جايي است که دانش ما در آن ذخيره مي‏شود.

حافظه درازمدت از تعداد زيادي قواعد با ساختار ساده “اگر… انگاه…” تشکيل مي‏شود. در حقيقت يک متخصص شطرنج ممکن است حدود حداقل 50000 جزء دانش درباره الگوهاي شطرنج بداند. در مقابل حافظه درازمدت[56]، از حافظه کوتاه مدت[57] براي ذخيره موقت دانش در خلال حل مساله استفاده مي‏شود. ‏برخلاف حافظه درازمدت که مي‏تواند صدها هزار جز دانش و يا حتي بيشتر را در خود جاي دهد، ظرفيت حافظه عملياتي (کوتاه مدت) بسيار کوچک و در حدود 4 الي 7 جزء است.

يک تئوري در اين مورد وجود دارد که بيان مي‏کند حافظه کوتاه مدت نشانگر تعداد اجزايي است که به طور هم‏زمان فعال مي‏شوند و به نظر مي‏آيد که حل مسايل توسط انسان از طريق بسط اين اجزا فعال شده در ذهن صورت مي‏گيرد.

يک عنصر لازم ديگر براي حل مسايل توسط انسان، پردازشگر ادراکي است. پردازشگر ادراکي سعي دارد قواعدي را که بايد بوسيله يک محرک خاص فعال شوند پيدا کند. يعني لازم نيست همه قواعد فعال و اجرا شوند.

مدل ارايه شده از سوي نيول و سيمون در حل مسايل توسط انسان که شامل حافظه درازمدت (قواعد)، حافظه کوتاه مدت (حافظه عملياتي) و پردازشگر ادراکي(موتور استنتاج) است، پايه و اساس سيستم‏هاي خبره مبتني بر قاعده و يا قاعده- پايه امروزي را تشکيل مي‏دهد. [4]

قواعدي از اين دست نوعي سيستم توليدي[58] هستند. سيستم‏هاي توليد مبتني بر قاعده يکي از روش‏هاي عمومي اجراي سيستم خبره در حال حاضر هستند. قواعد مجزايي که يک سيستم توليد را به وجود مي‏آورند قواعد توليد مي‏نامند.‏ يکي از عوامل مهم در طراحي سيستم‏هاي خبره، مقدار دانش موجود در قواعد يا دانه‏بندي دانش است. اگر اين دانه‏بندي[59] خيلي ريز باشد فهم يک قاعده بدون رجوع به ساير قواعد دشوار مي‏شود و اگر اين تقسيم‏بندي خيلي درشت باشد تغيير اجزا يا چاک‏هاي مختلف دانش که در يک قاعده با هم ممزوج شده‏اند به سختي امکان پذير است. تا اواسط دهه 1960 ميلادي، يکي از اهداف بزرگ هوش مصنوعي،  ساخت سيستم‏هاي هوشمندي بود که کمتر به حوزه دانش متکي باشند و به طور عمده از روش‏هاي قوي استنتاج استفاده کنند.

حتي اصطلاح  “حل کننده مسايل عمومي” نشان‏دهنده تمرکز بر روي ماشين‏هايي است که براي يک محدوده خاص از دانش طراحي نشده‏اند بلکه قصد داشتند انواع مسايل مختلف را حل کنند. اگرچه “حلال مسايل عمومي” از روش‏هاي استدلال بسيار قوي استفاده مي‏کرد ولي هنوز اين ماشين‏ها در نقطه شروع حرکت بودند. اين ماشين‏ها هنگامي که با يک محدوده جديد دانش روبرو مي‏شدند مجبور بودند همه چيز را از ابتدا ياد بگيرند و نمي‏توانستند مانند افراد خبره از حوزه دانش خود در سطح بالا استفاده کنند.

در اوايل دهه 1970 ميلادي مشخص شد که محدود شدن در يک حوزه خاص از دانش کليد اصلي ساخت ماشين‏هايي است که بتوانند در سطح يک فرد خبره مسايل را حل کنند. اگر چه روش‏هاي استدلال اهميت زيادي دارند، ليکن مطالعات نشان داده که افراد خبره در شروع حل مساله به استدلال تکيه نمي‏کنند. در حقيقت، استدلال در حل مساله توسط فرد خبره نقش بسيار کمي دارد. در عوض متخصصين به دانش تجربي و روش‏هاي هيورستيک که طي ساليان دراز آموخته‏اند تکيه دارند. اگر يک فرد خبره نتواند مساله‏اي را براساس تجربيات خود حل‏کند، لازم است از اصول و تئوري‏هاي اوليه براي استدلال کمک بگيرد (و يا احتمالا از يک متخصص ديگر کمک بگيرد). در برخورد با مسايل ناشناخته، قدرت استدلال يک فرد خبره معمولا بهتر از يک فرد معمولي نيست. تلاش‏هاي اوليه‏اي که براي ساخت يک سيستم قوي حل مسايل براساس استدلال صورت گرفت نشان داد که اگر اين سيستم بخواهد فقط بر قدرت استدلال خود متکي باشد فلج خواهد شد.

اين تفکر که تعيين محدوده خاصي از دانش، عامل مهم در ساخت برنامه‏هاي “حلال مسايل واقعي” است، منجر به موفقيت سيستمهاي خبره شد. سيستم‏هاي خبره موفق امروزي، بيشتر سيستم‏هاي خبره مبتني بر دانش هستند تا حلال عمومي مسايل. به علاوه همان تکنولوژي که منجر به توسعه سيستم‏هاي خبره شد، عامل پيشرفت سيستم‏هاي مبتني بر دانش نيز بود که لزوما حاوي دانش و تجربه افراد خبره نبودند.

خبرگي به عنوان يک دانش تخصصي شناخته مي‏شود که تنها در اختيار افراد خاصي است در حالي که دانش مقوله‏اي است که مي‏توان به آن از طريق کتاب‏ها، مجلات و ساير منابع دست يافت. امروز دو اصطلاح برنامه‏نويسي مبتني بر دانش و سيستم‏هاي خبره به طور مترداف بکار مي‏روند. در واقع سيستم‏هاي خبره، به عنوان يک مدل برنامه‏نويسي جديد و الگويي جديد در مقابل روش‏هاي برنامه‏نويسي الگوريتمي و مرسوم به حساب می‏آيند.

1-6  محدوده عملکرد مناسب براي سيستم‏هاي خبره

قبل از شروع به ساخت يک سيستم خبره، بايد ديد آيا رويکرد سيستم خبره، روش مناسبي براي حل مساله هست يا نه. به عنوان مثال يکي از نگراني‏هايي که وجود دارد اين است که آيا مي‏توان از سيستم‏هاي خبره به جاي روش‏هاي برنامه‏نويسي متداول استفاده کرد؟ محدوده عملکرد مناسب مناسب براي سيستم‏هاي خبره به چندين عامل بستگي دارد.

  • آيا مي‏توان مساله را با استفاده از روش‏هاي متداول برنامه‏نويسي حل کرد؟

    اگر پاسخ مثبت باشد، استفاده از سيستم‏هاي خبره، بهترين روش حل مساله نيست. به عنوان مثال مساله تشخيص معايب تجهيزات را در نظر بگيريد. اگر همه علايمي که حاکي از بد کار کردن تجهيزات است مشخص و شناخته شده باشد، در اين صورت يک جدول جستجوي ساده و يا يک درخت تصميم‏گيري براي حل مساله کافي است. سيستم‏هاي خبره براي مسايلي که هيچ الگوريتم مشخصي ندارد، بهترين راه‏حل هستند. چنين مسايلي، مسايل با ساختار ناقص[60] ناميده مي‏شوند. در اين گونه مسايل، تنها اميد براي رسيدن به يک راه حل خوب، استدلال است.

در برخورد با مسايل با ساختار ناقص، اين خطر وجود دارد که سيستم خبره به طور تصادفي به يک راه‏حل الگوريتمي برسد. به اين صورت که در مرحله ايجاد و توسعه سيستم خبره، ممکن است به طور ناخواسته يک روش الگوريتمي بر مساله تحميل شود. سرنخي که در شناخت اين موضوع به ما کمک مي‏کند اين است که آيا راه‏حل مساله، داراي يک ساختار کنترلي قوي[61] هست يا خير. ممکن است مهندس دانش با اولويت‏بندي برخي قواعد، برنامه را طوري تنظيم کرده باشد که قواعد با ترتيب خاصي اجرا شوند و بدين ترتيب يک ساختار کنترلي ايجاد کرده باشد. ايجاد يک ساختار کنترلي سخت در سيستم خبره، يکي از فوايد تکنولوژي سيستم‏هاي خبره می‏باشد که پرداختن به ورودي‏هاي غيره منتظره و عدم پيروي از الگوهاي از پيش تعيين شده را از بين مي‏برد. سيستم‏هاي خبره اين امکان را فراهم مي‏کنند که در مقابل هر نوع ورودي، قدرت واکنش و پاسخگويي داشته باشند. برنامه‏هاي متداول کامپيوتري معمولا انتظار دارند که ورودي‏ها از ترتيب خاصي پيروي کنند. سيستم خبره‏اي که کنترل‏هاي زيادي داشته باشد، مانند يک الگوريتم عمل مي‏کند و مي‏توان به جاي آن از يک برنامه متداول کامپيوتري استفاده کرد.

  • آيا محدوده عملکرد سيستم به خوبي مشخص شده است؟

    تعيين اين‏که يک سيستم خبره، چه چيزهايي را بايد بداند و چه توانايي‏هايي بايد داشته باشد، بسيار مهم است. به عنوان مثال فرض کنيد شما مي‏خواهيد سيستم خبره‏اي بسازيد که سردرد را تشخيص دهد. قطعا دانش طبي پزشک بايد به پايگاه دانش اين سيستم منتقل شود. براي فهم کامل و دقيق سردرد، ممکن است شما بايد اطلاعاتي درباره شيمي عصبي، کليات بيوشيمي، شيمي، بيوفيزيک مولکولي (و به همين ترتيب شايد تا فيزيک هسته‏اي) داشته باشيد. ساير زمينه‏ها مانند بازخورهاي زنده، روانشناسي، فيزيولوژي، ورزش، يوگا و مديريت استرس و فشار هم ممکن است به سردرد مربوط باشند. نکته مهم اينجاست که چه موقع بايد اين محدوده را پايان داد؟ هرچه زمينه‏هاي دانش بيشتري به سيستم اضافه شود، سيستم خبره پيچيده‏تر خواهد شد. وظيفه هماهنگ کردن همه اين دانش‏ها و خبرگي‏ها در يک سيستم خبره، وظيفه دشوار و مهمي است.

  • آيا نياز و تمايلي براي ايجاد سيستم خبره وجود دارد؟

    حتي اگر تجارب زيادي در ساخت يک سيستم خبره وجود داشته ‏باشد، اگر کسي نخواهد از آن استفاده کند، ساخت آن بيهوده و بيجا خواهد بود. حتي اگر به يک سيستم خبره نياز باشد در صورتي که افراد خبره و يا کاربران، علاقه‏اي به استفاده از سيستم نداشته باشند، ايجاد سيستم خبره قابل قبول نخواهد بود. مديريت به ويژه بايد به پشتيباني از سيستم خبره علاقمند باشد. اين نکته درباره سيستم خبره که يک تکنولوژي جديد است بيش از برنامه‏نويسي‏هاي متداول اهميت دارد. زيرا از طرفي تعداد افراد با تجربه و ورزيده در آن بسيار کم است و از طرف ديگر ابهامات زيادي درباره آنچه بايد انجام شود، وجود دارد. به هر حال سيستم‏هاي خبره اين شايستگي را دارند که مورد پشتيباني بيش‏تري قرار گيرند زيرا آن‏ها براي حل مسايلي سعي مي‏کنند که توسط روش‏هاي برنامه‏نويسي متداول قابل حل نيست. بکارگيري سيستم‏هاي خبره، ريسک زيادي به همراه دارد ولي در مقابل نتايج خوبي بدست خواهد آورد.

  • آيا حداقل يک فرد خبره وجود دارد که مايل به همکاري باشد؟

    بايد يک فرد خبره متمايل و ترجيحا مشتاق به پروژه وجود داشته باشد. همه افراد خبره مايل نيستند دانش خود را تحت بررسي و آزمايش قرار دهند، معايب آن را مشخص کنند و سپس اين دانش را به کامپيوتر بدهند. حتي اگر چندين فرد خبره براي همکاري وجود دارد، شايد عاقلانه‏تر باشد که تعداد افراد خبره درگير در ساخت سيستم را محدود کنيم. افراد خبره مختلف، راه‏حل‏هاي گوناگوني را براي حل مساله ارايه مي‏دهند، مثلا ممکن است به نتايج کاملا مختلفي نيز برسند. وارد کردن چندين روش مختلف براي حل يک مساله در پايگاه دانش، ممکن است باعث ايجاد تضاد و ناسازگاري در داخل سيستم شود.

  • آيا فرد خبره مي‏تواند دانش خود را به‏گونه‏اي توضيح دهد که براي مهندس دانش قابل فهم باشد؟

    حتي اگر فرد خبره مايل به همکاري باشد، ممکن است در خصوص توضيح دانش با عبارت صريح با مشکلاتي مواجه شود. به عنوان مثال آيا شما مي‏توانيد توضيح دهيد که انگشت خود را چگونه حرکت مي‏دهيد؟ ممکن است شما بگوييد که اين کار با انقباض يکي از ماهيچه‏هاي انگشت صورت مي‏گيرد اما در اين صورت اين سوال مطرح مي‏شود که ماهيچه را چگونه منقبض مي‏کنيد؟ مشکل ارتباطي ديگر بين فرد خبره و مهندش دانش اين است که مهندس دانش درباره اصطلاحات پزشکي ناآشنا است. ممکن است حدود يک سال و يا بيشتر طول بکشد تا مهندس دانش بفهمد که فرد خبره درباره چه چيز صحبت مي‏کند و بعد از آن است که مي‏تواند دانش فرد خبره را به زبان قابل فهم براي کامپيوتر تبديل کند.

  • آيا بخش مهمي از دانش حل مساله عمدتا تجربي و غير قطعي است؟

    سيستم‏هاي خبره وقتي مناسب هستند که دانش فرد خبره عمدتا به صورت تجربي و نا مطمئن باشد. اين دانش، دانش مبتني بر تجربه است که دانش تجربي[62] نيز ناميده مي‏شود. در اين شرايط اگر راه‏حلي، جواب ندهد بايد از روش‏هاي ديگري استفاده کند. به عبارت ديگر دانش فرد خبره ممکن است بيشتر يک روش سعي و خطايي باشد تا يک روش مبتني بر منطق و الگوريتم. با اين حال فرد خبره هنوز هم مي‏تواند مساله را سريع‏تر از ساير افراد حل کند‏، مگر اين‏که واقعا يک فرد خبره و مسلط نباشد. بنابراين سيستم‏هاي خبره کاربرد خوبي در اين مورد دارند. اگر بتوان مساله را به آساني توسط منطق و الگوريتم حل کرد، بهترين راه اين است که از روش‏هاي برنامه‏نويسي متداول استفاده شود. [4]

1-7  اجزاي يک سيستم خبره

اجزاي يک سيستم خبره معمولي در شکل 1-4 نشان داده ‏شده ‏است. در يک سيستم مبتني بر قاعده، پايگاه دانش محتوي حوزه‏اي از دانش است که براي حل مساله به آن نياز است و اين دانش در قالب قواعد درآمده ‏است. هرچند استفاده از قواعد، يک روش عمومي براي نمايش دانش است وليکن برخي سيستم‏هاي خبره ممکن  است از روش‏هاي ديگري براي نمايش دانش خود استفاده‏کنند.

  • بخش ارتباط با کاربر[63]: مکانيزمي که به وسيله آن کاربر و سيستم خبره با هم ارتباط برقرار ‏مي‏کنند.
  • امکانات توضيح راه حل: اين بخش نحوه استلال سيستم را براي کاربر توضيح مي‏دهد.
  • حافظه کاري: يک پايگاه داده کلي متشکل از وقايع يا حقايقي که توسط قواعد به کار گرفته‏ مي‏شوند.
  • موتور استنتاج: اين بخش از سيستم قواعدی را که توسط واقعات و يا اطلاعات ورودي به سيستم، فعال و ارضا شده، اولويت‏بندي مي‏کند و قاعده‏اي که بالاترين اولويت را دارد اجرا ‏مي‏کند.
  • دستور کار يا برنامه عمليات: يک ليست اولويت‏بندي شده از قواعد که توسط موتور استنتاج تهيه ‏مي‏شود. قسمت شرطي قواعد موجود در اين ليست توسط حقايق و يا اشيای موجود در حافظه کاري ارضا شده است.
  • تسهيلات کسب دانش: يک روش خودکار است که کاربر از طريق آن مي‏تواند دانش خود را وارد سيستم کند. اين روشي است که مهندس دانش بايد دانش موجود را به طور صريح و شفاف برنامه‏نويسي کند.[5]

فصل دوم

2-2 کاربرد‏هاي سيستم خبره در زمانبندي کارگاهي 41
2-3 کاربردها در طراحي « FMS» 42
2-4 کاربردها در برنامه ريزي فرايند و عمليات 43
2-5 کاربردها در کنترل فرايند 45
2-6 کاربرد ها در طرحريزي تسهيلات 46
2-7 سيستم‏هاي خبره در طراحی به کمک کامپیوتر”CAD/CAM” 47
2-8 کاربرد ها در طراحي مهندسي 47
2-9 کاربردهاي سيستم خبره در عيب‏يابي و تعميرات و نگهداري 48
2-10 کاربرد ها در جابجايي مواد و انبار 50
2-11 کاربرد‏ها در انتخاب تجهيزات و شرايط عملياتي 51
2-12 کاربرد سيستم خبره در رباتيک 51
1-12-2 برخي کاربرد‏هاي سيستم خبره در رباتيک 52
13-2 کاربرد‏ها در ابزار‏آلات 53
14-2 کاربردهاي سيستم خبره در مديريت ساخت و توليد 54

فصل سوم 55

مراحل ساخت سیستم خبره 55
3- 1 استراتژي‏هاي مديريت و اجرا 56
3-2-1-1 مهندس دانش 60
3-2-2 انتخاب فرد خبره 61
3-2-2-1 كشف دانش 63
3-2-3 روش‏هاي استخراج اطلاعات از فرد خبره 64
3-3 ساخت پايگاه دانش 72
3-3-1 رويکرد سيستمي در طراحي سيستم خبره 73
3-3-1-2- استفاده از درخت تصميم‏گيري براي طراحي ساختار دانش 75

فصل چهارم 80

اجزا و نحوه‏ی کارکرد دستگاه فرز عمودی 80
مقدمه 81
4-1- اجزا اصلي ماشين فرز عمودي 82
4-1-2 زانويي ماشين فرز 83
4-1-3 زين 84
4-1-4 ميز ماشين 84
4-2 نوع دیگر تقسیم بندی ماشین فرز عمودی 85
4-2-1-2 شفت 86
4-2-1-3 یغ فرز انگشتی 88
4-2-2 بدنه اصلي 88
4-2-2-1 مرغک 89
4-2-2-2 ترمزها 90
4-2-2-3 جعبه تقسيم 91
4-2-2-4 سه‏نظام 92
فک هاي سه نظام 94
نحوه اتصال فک ها سه نظام به پيچ ارشميدسي: 94
پيچ ارشميدسي 95
چرخ دنده هاي مخروطي کوچک 96
پيچ هاي اتصال 96
بدنه اصلي سهنظام 97
درپوش سهنظام 97
چرخدنده مخروطي بزرگ 98
4-3 نگهداري دستگاه 99

فصل پنجم 100

سیستم خبره عیب یابی و تعمیرات دستگاه فرز 100
5-1 مشکلات در حرکت میز کار 101
5-1-1-2 ناشی از بلبرینگ 103
5-1-1-3 ناشی از گوهها: 104
5-2-2 لرزش قطعه کار در حین کار 129
5-2-2-1 هم مرکز نبودن مرغک و سه نظام 129
5-3 مشکلات در حرکت سردستگاه 132
5-3-1 ناشی از پیچ درون آن 133
5-3-2 ناشی از چرخدنده 133
5-4 مشکلات سه نظام 136
5-4-2-1 سختی در باز و بسته شدن فک ها 137
گرد و غبار و براده لاي اجزا رفته است: 137
5-4-2-2- خلاصی در باز و بسته شدن فک ها 138
5-4-2-3 شکستگی دنده یکی(چند تا) از فک ها 139
5-4-3 عیوب جای آچارخور 140
5-5-1-1 عیوب پیچ 150
5-5-1-2 عیوب بادامک 151
منابع و ماخذ: 161

نحوه خرید

دانلود رایگان فایل
شما میتوانید تنها با یک کلید به راحتی فایل مورد نظر را دریافت کنید. 🙂

برای دسترسی به این فایل ابتدا باید اشتراک خریداری کنید. برای خرید اشتراک بر روی لینک زیر کلیک کنید.

ارتقاء عضویت

در صورت بروز هر گونه مشکل در روند خرید اینترنتی، بخش پشتیبانی کاربران آماده پاسخگویی به مشکلات و سوالات شما می باشد

راهنمای سایت

برخلاف سایت های دیگر که فایل ها را به صورت تکی می فروشند روال سایت ما این است که شما با عضویت در سایت ما میتوانید از تمام فایل های موجود استفاده کنید.

تمام مطالب سایت فقط برای اعضای سایت رایگان است.

نحوه عضویت در سایت