Интеллектуальные сенсоры мехатронных модулей и систем

Целью создания интеллектуальных сенсоров является объединение функций измерения текущих параметров механического движения, их преобразования и компьютерной обработки по заданным алгоритмам в едином информационно-измерительном модуле. Со структурной точки зрения речь идет об интеграции сенсорного и компьютерного блоков мехатронного модуля. Интеллектуализация сенсоров позволяет добиться более высокой точности измерения, программным путем обеспечив в самом сенсорном модуле фильтрацию шумов, калибровку, линеаризацию характеристик вход/выход, компенсацию перекрестных связей, гистерезиса и дрейфа нуля.В мехатронных модулях сенсоры предназначены для сбора данных о фактическом состоянии элементов движущейся системы (исполнительного привода, механического устройства и рабочего органа), обработки в реальном времени и передачи сигналов обратной связи в устройство компьютерного управления.К типичными измеряемым величинам, информация о которых используется при управлении мехатронными модулями и системами, относятся: перемещение (линейное или угловое), скорость, ускорение и моменты, развиваемые исполнительными двигателями; внешние усилия, действующие на рабочий орган; положение и ориентация рабочего органа в пространстве (например, схвата промышленного робота или щупа контрольно-измерительной машины).В целом проблема проектирования и технологии производства интеллектуальных сенсоров (ИС) является самостоятельной научно-технической областью и выходит за рамки рассматриваемого круга вопросов. Для мехатроники представляют интерес способы интеграции ИС в мехатронные модули движения и методы минимизации промежуточных преобразований измеряемой физической величины в цифровой код, пригодный для ввода в устройство компьютерного управления.Интересным направлением является применение в интеллектуальных мехатронных модулях косвенных методов измерения параметров механического движения. В этом случае можно вообще отказаться от установки типичных датчиков (даже встроенных), добиваясь минимальных габаритов и материалоемкости модуля. Величины скорости, положения, действующего момента рассчитываются компьютерным блоком по математическим моделям протекающих электромеханических процессов (поэтому иногда применяется термин "виртуальные датчики").Все методы косвенного измерения требуют построения адекватных математических моделей и их эффективной компьютерной реализации в реальном времени, включая алгоритмы фильтрации помех, статистической обработки измерений и цифрового кодирования информации. Появление на рынке быстродействующих и недорогих встроенных микропроцессорных средств делает эти методы перспективными для интеллектуальных мехатронных модулей - модулей нового поколения.

3.ПЗ_3. Способы представления и обработки знаний в интеллектуальных системах

Необходимой частью любой интеллектуальной системы явля­ются знания. Теоретическими и практическими вопросами пред­ставления и обработки знаний в компьютерных системах актив­но занимаются исследователи, работающие в области инженерии знаний.

Характерным признаком интеллектуальных систем является наличие знаний, необходимых для решения задач конкретной предметной области. При этом возникает естественный вопрос, что такое знания и чем они отличаются от обычных данных, об­рабатываемых ЭВМ.

Данными называют информацию фактического характера, описывающую объекты, процессы и явления предметной облас­ти, а также их свойства. В процессах компьютерной обработки данные проходят следующие этапы преобразований:

• исходная форма существования данных (результаты наблюдений и измерений, таблицы, справочники, диаграммы, графики
и т.д.);

• представление на специальных языках описания данных,
предназначенных для ввода и обработки исходных данных в ЭВМ;

• базы данных на машинных носителях информации.

Для того чтобы наделить ИИС знаниями, их необходимо представить в определенной форме. Существуют два основных способа наделения знаниями программных систем. Первый — по­местить знания в программу, написанную на обычном языке про­граммирования. Такая система будет представлять собой единый программный код, в котором знания не вынесены в отдельную категорию.

Второй способ базируется на концепции баз данных и заклю­чается в вынесении знаний в отдельную категорию, т.е. знания представляются в определенном формате и помещаются в БЗ. Ба­за знаний легко пополняется и модифицируется. Она является автономной частью интеллектуальной системы, хотя механизм логического вывода, реализованный в логическом блоке, а также средства ведения диалога накладывают определенные ограниче­ния на структуру БЗ и операции с нею. В современных ИИС при­нят этот способ.

Знания в ИИС сущест­вуют в следующих формах:

• исходные знания (правила, выведенные на основе практи­
ческого опыта, математические и эмпирические зависимости,
отражающие взаимные связи между фактами; закономерности и
тенденции, описывающие изменение фактов с течением време­
ни; функции, диаграммы, графы и т. д.);

• описание исходных знаний средствами выбранной модели
представления знаний (множество логических формул или про­
дукционных правил, семантическая сеть, иерархии фреймов
и т. п.);

• представление знаний структурами данных, которые пред­
назначены для хранения и обработки в ЭВМ;

• базы знаний на машинных носителях информации.
Исследователями в области ИИ даются более конкретные оп­ределения знаний.

«Знания - это закономерности предметной области (принци­пы, связи, законы), полученные в результате практической дея­тельности и профессионального опыта, позволяющие специали­стам ставить и решать задачи в этой области».

«Знания — это хорошо структурированные данные или дан­ные о данных, или метаданные».

«Знания — формализованная информация, на которую ссы­лаются или используют в процессе логического вывода».

По своей природе знания можно разделить на декларативные и процедурные.

Декларативные знания представляют собой описания фактов и явлений, фиксируют наличие или отсутствие таких фактов, а также включают описания основных связей и закономерностей, в которые эти факты и явления входят.

Процедурные знания — это описания действий, которые воз­можны при манипулировании фактами и явлениями для дости­жения намеченных целей.

По способу приобретения знания можно разделить на факты и эвристику (правила, которые позволяют сделать выбор при отсут­ствии точных теоретических обоснований). Первая категория знаний обычно указывает на хорошо известные в данной пред­метной области обстоятельства. Вторая категория знаний осно­вана на собственном опыте эксперта, работающего в конкретной предметной области, накопленном в результате многолетней практики.

По типу представления знания делятся на факты и правила. Факты — это знания типа «А — это А», такие знания характерны для баз данных и сетевых моделей. Правила, или продукции, — это знания типа «ЕСЛИ А, ТО 5».

Кроме фактов и правил существуют еще метазнания — знания о знаниях. Они необходимы для управления БЗ и для эффектив­ной организации процедур логического вывода.