4. AZ AUTOMATIZÁLT TERVEZÉS MÓDSZEREI ÉS ELVEI
4.3.3. 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.