A félgeneratív szintézis módszere

A szerző által javasolt módszer lényege és célja a variáns és a generatív módszer előnyeinek ötvözése hátrányaik egyidejű ki­

küszöbölése mellett. Nevéből is látszik, hogy megvalósítja a folyamat szintézisét, de a tervezési műveletek egy részét a generatív, más részét pedig a variáns módszerrel hajtja végre.

A tudást részint a programokban, részint pedig a bázisban tá­

rolja, azaz részint algoritmikusán, részint táblázatos formá­

ban, a környezetfüggő tudást pedig - amely főként a konkrét megoldásokat jelenti - a tudásbázisban [l08j.

Itt tisztáznunk kell a technológiai tudás kettős értelmét. Az egyik arra vonatkozik, hogy milyen módon, milyen berendezések­

kel és eszközökkel, milyen sorrendben kell valamely munkadara­

bot elkészíteni (hogyan gyártani), a másik pedig arra, hogy milyen módon kell a gyártási folyamatot tervezni (hogyan ter­

vezni) .

A tervezési folyamat mély elemzése, modellezése révén meghatá­

rozható a tervezési részfeladatok (műveletek) olyan készlete, azaz a teljes tervezési feladat olyan dekomponálása és a ter­

vezési műveletek olyan sorrendje, amely az adott szinten (pl.

sorrendtervezés, művelettervezés, előtervezés) bármilyen alkat­

részre alkalmazható tetszőleges környezeti feltételek mellett is. A tervezésnek ez az objektív modellje olyan programban realizálható, amelyet módosítani, adaptálni sohasem kell. E pontban tehát a tiszta generatív módszer érvényesül. Van egy sor aritmetikai, elemzési, választási, döntési, optimálási művelet, amely generatív módszerrel szintén megvalósítható.

A tervezési műveletek között lehetnek olyanok is, amelyek tel­

jesen általános alakban bonyolultak, túlságosan nagyméretűek

ahhoz, hogy egy programmodulban realizáljuk őket. Ilyenek pl.

a munkadarab alakjához, felületeihez kapcsolódó geometriai számítások, közbenső állapotaik meghatározása stb. Célszerű lehet ilyen műveleteket több, egymáshoz horizontálisan kap­

csolódó generatív modellel megvalósítani. A párhuzamos modu­

lok készletével gyarapítható a program alkalmazási területe, általános jellege (4.8.ábra).

A környezetspecifikus tudás, azaz a megoldások a félgeneratív rendszerben az állandó adatokkal együtt a bázisba kerülnek, így az adat- és tudásbázissá válik. E tekintetben a variáns módszerhez hasonlít egy lényegi különbséggel. A variáns mód­

szernél a teljes megoldást (pl.a teljes sorrendtervet) kon­

centráltan tárolják, míg a félgeneratív módszer esetében - a feladatmegoldás dekomponálásának megfelelően - minden terve­

zési művelethez külön tudásbázis komponenst rendelünk. Ha például sorrendtervezésről van szó, akkor külön tároljuk az adott gyártórendszerben alkalmazható eljárásokat, külön a szerszámgépeket stb.

A tudásbázis lényegében feltételek (igények) és megoldások megfeleltetését tartalmazó egyszerű táblázatokból, többméretű mátrixból, esetleg táblázatos algoritmusokból áll. Esetenként előfordul a bázisok közötti kölcsönös hivatkozás.

A tudásbázis dekoncentrációjának két roppant előnye van. Az egyik a tervezés nagyobb rugalmasságában, a másik a változó környezethez való igen egyszerű adaptációban mutatkozik meg.

A technológiai tervezésben egy-egy magasabb szintű döntést (pl.a szerszámgép kiválasztását) több elemi lépés eredménye­

ként, sokoldalú elemzés után hozhatunk meg. Az igények és a lehetőségek kölcsönösen hatnak egymásra és csak e kölcsönha­

tások figyelembe vételével születhetnek megalapozott döntések.

Ha pl. előzetesen meghatároztuk a szükséges eljárásokat, azok egymásutánját a teljes folyamatra, majd utána minden eljárás­

hoz kiválasztjuk az alkalmas gépeket, akkor azok közül kiemel­

hetjük azt, amelyik éppen olyan mértékű műveletkoncentrációt tesz lehetővé, amilyen szükséges az adott munkadarab

gyártásá-hoz. Nem választunk ki pl. megmunkálóközpontot egy egyszerű fúrógép helyett és fordítva. Az elosztott tudásbázis tehát sok feltétel elemzésének lehetőségét nyújtja s ezzel a terve­

zés rugalmasságát, hatékonyságát növeli.

Ugyanakkor az adat- és tudásbázis elemei különböző mértékben állandóak, vagy változnak a környezeti változások esetében.

Nagy valószínűséggel állítható, hogy pl. az alapvető eljárások minden azonos jellegű alkatrészhez dedikált gyártórendszerben alkalmazhatók, míg a szerszámgépek típus, vezérlés, automati­

záltság, műveletkoncentráció stb terén nagyon különbözhetnek nem csak gyártórendszerek között, hanem egy-egy gyártórendszer életciklusában is. A tudásbázisnak tehát mindazon eleme, amely nem kötődik konkrét berendezésekhez, gyártóeszközökhöz, gyakor­

latilag általános érvényű és így az új környezethez való adap­

tálás jól felépített félgeneratív rendszerek esetében néhány tudásbázis elem (pl.gyártórendszer mátrix, gépkártyák) cseré­

jére korlátozódik.

A félgeneratív módszer alkalmas a folyamat optimálására is, hiszen a tudásbázisból több lehetséges megoldást (eljárás, gép, sorrend, szerszám stb) emel ki, amelyek között a megfelelő ál­

talános érvényű programmodul kiválaszthatja a néhány legjobbat, akár különböző célfüggvények esetére is.

A félgeneratív módszer jellemzői tehát a tervezési folyamat jól átgondolt modellje és a feladat dekompozíciója, a felté­

telek (igények) és környezetfüggő megoldások kategórikus szét­

választása, az általános célú program, az elosztott paraméterű adat- és tudásbázis, amelynek nagy részei időtállóak.

A BME-n és a GTI-ben realizált félgeneratív rendszerek igazol­

ták a felfokozott várakozásokat. A módszer valóban kiküszöböli a variáns és a generatív módszer hátrányait és szerencsésen ötvözi előnyeit. Elterjedése várható, annál is inkább, mert publikálása (J08, 109]óta alkalmazásáról több jelzés érkezett

Ü27] •

A módszernek két hátránya van. Az egyik - azonosan a generatív módszerrel - az, hogy nem lehetséges (vagy legalábbis eddig

nem sikerült) a bonyolult sorrendi, struktúrális feladatokra általános megoldást találni. Úgy látszik, hogy ez a probléma meghaladja a "hagyományos" módszerek lehetőségeit és a mes­

terséges intelligenciához kell folyamodnunk. A részfeladatok kölcsönhatásai miatt erre a problémára nem lehet a tervezési műveletek sorrendjét előre rögzíteni, a döntési szintek "ván­

dorolnak". Szokványos módszerekkel ez a rugalmasság ugyanis nem biztosítható.

A másik hátrány tulajdonképpen a módszer előnyéből ered, abból t.i., hogy a tudás nagyméretű bázisban realizálódik. A tudásbá­

zis változó elemeinek újbóli feltöltése meglehetősen munkaigé­

nyes és a különböző elemek közötti keresztreferenciák miatt sok hibalehetőséget rejt magában. E kérdésben is a mesterséges intelligencia módszerei segíthetnek, mivel ezek az elemek nem

"hagyományos" módszerekkel automatikusan is előállíthatók.

A félgeneratív módszer néhány alkalmazását a következő fejezet­

ben mutatjuk be.