See veebileht kasutab küpsiseid kasutaja sessiooni andmete hoidmiseks. Veebilehe kasutamisega nõustute ETISe kasutustingimustega. Loe rohkem
Olen nõus
"Eesti Teadusfondi uurimistoetus (ETF)" projekt ETF6183
ETF6183 (ETF6183) "Näidetepõhise otsustusteooria arendus ja kasutamine tehnoloogiliste abinõude raalprojekteerimiskeskkonna loomisel (1.01.2005−31.12.2007)", Grigori Nekrassov, Tallinna Tehnikaülikool, Mehaanikateaduskond.
ETF6183
Näidetepõhise otsustusteooria arendus ja kasutamine tehnoloogiliste abinõude raalprojekteerimiskeskkonna loomisel
Methodology of Case-Based Reasoning (CBR) for development design environment of technological equipment
1.01.2005
31.12.2007
Teadus- ja arendusprojekt
Eesti Teadusfondi uurimistoetus (ETF)
ETIS klassifikaatorAlamvaldkondCERCS klassifikaatorFrascati Manual’i klassifikaatorProtsent
4. Loodusteadused ja tehnika4.13. Mehhanotehnika, automaatika, tööstustehnoloogiaT455 Mootorid ja ajamid 2.3. Teised tehnika- ja inseneriteadused (keemiatehnika, lennundustehnika, mehaanika, metallurgia, materjaliteadus ning teised seotud erialad: puidutehnoloogia, geodeesia, tööstuskeemia, toiduainete tehnoloogia, süsteemianalüüs, metallurgia, mäendus, tekstiilitehnoloogia ja teised seotud teadused).100,0
AsutusRollPeriood
Tallinna Tehnikaülikool, Mehaanikateaduskondkoordinaator01.01.2005−31.12.2007
PerioodSumma
01.01.2007−31.12.2007120 000,00 EEK (7 669,40 EUR)
01.01.2006−31.12.2006120 000,00 EEK (7 669,40 EUR)
01.01.2005−31.12.2005117 647,06 EEK (7 519,02 EUR)
22 857,82 EUR

Viimase paari aasta jooksul on, üks tehisintellekti meetoditest, näidetepõhine järeldamine (CBR) äratanud üldsuse tähelepanu projekteerimisel. CBR'i peamine idee põhineb sellel, et sarnased probleemid omavad sarnaseid lahendusi. Projekteerimispraktika näitab, et tihti on efektiivsem lahendada probleem alustades varem esinenud sarnase probleemi lahendusnäidete otsimisest ja hindamisest, kui alustada tervet projekteerimist otsast peale.CBR'i keskne mõiste on näide/juhtum. Juhtum on esindatud kui paar: probleem ja selle lahendus. Juhtumid on kogutud projektlahendite näidete baasi (case library, case base).Probleemi lahendamisel, CBR süsteem otsib välja varem esinenud sarnase probleemi lahendusnäite kasutades reeglite kogumit, mille kaudu hinnatakse sarnasused lahendatava uue projekteerimisülesande (probleemi) ja näidete baasis olevate lahendusnäidete vahel. On väike tõenäosus, et leitakse täpne vaste, sellepärast peab välja otsitud lahendust kohandama. Rakendatakse kohandamise reeglid, baseerudes probleemid määramispiirkonna teooriale, et kohandada erinevused antud probleemi ja varem esinenud lahendusnäidete. Lõpuks CBR salvestab heaks kiidetud lahenduse projektlahendite näidete baasi, mida omakorda saab edaspidi kasutada tekkivate uute probleemide lahendamisel.Tüüpiliselt koosneb CBR süsteem varasemate projekteerimisülesannete ja nende lahendusnäidete baasist, reeglite ning funktsioonide kogumist, millega müüdetakse juhtumite vahelisi sarnasusi ning baasi reeglitest ja teadmistest, mida kasutatakse projektlahendite kohandamisel. Lahendusnäidete baas sisaldab projektlahendite atribuutide väärtusi, mis tuvastab probleemi tüübi ja eristab probleemi tüübi teistest projekteerimise probleemidest. Projektlahendi atribuute, mis tuvastavad probleemi tüübi, kasutatakse registrina selle otsinguks. Süsteem õpib uut ülesannete lahendamisega ja nende salvestamise teel projektlahenduste näidete baasi.CBR'i kasutamisel on mitmeid eeliseid. Selle asemel, et toetuda probleemi piirkonna üldistele teadmistele, CBR rakendab ja arendab antud probleemivaldkonna (toodete pere) spetsiifilisi teadmisi. CBR on kasulik, siis kui puudub täpne projekteerimisalgoritm, et koostada usaldusväärset projekteerimise mudelit/algoritmi. Enamgi veel - lahendust saab hakata otsima enne kui pole probleem täielikult defineeritud.Pakutud projekti eesmärk on arendada teooriat koos katselise rakendamisega kasutades DE arendamisel CBR'i järgmiste eesmärkidega: Projekti esimeses faasis (2005-2006) on kavandatud projekteerimisteadmiste esitamise ja hindamismetoodikate väljatöötamine tehnoloogiliste abinõude (rakiste) projekteerimiseks. Projekteerimisnäidete baasi realiseerimine ja projektlahendite geomeetria ja tehnoloogiliste omaduste kirjeldamise meetodite väljatöötamine CBR metoodika rakendamiseks.Teise faasi (2006-2007) eesmärk on nende meetodite katseline rakendamine tehnoloogia abinõude (rakiste) projekteerimisel. Toimub tarkvara põhimõtete väljatöötamine ja kasteline rakendamine.
Over the last few years, one of the methods of artificial intelligence, case-based reasoning (CBR) has attracted a general interest. The main idea of CBR is based on the assumption that the similar problems have the similar solutions. The practice shows that often it is more efficient to solve a problem by starting with a solution of a previous, similar problem than to generate the entire solution from scratch.The central notion of CBR is a case. A case is represented as a pair: problem and its solution.Many cases are collected in a set to build a case library (case base). In solving a current problem, a CBR system retrieves a similar, past problem and its solution using a set of rules for measuring similarity between actual problem and those stored in case base. Usually it is unlikely that an exact match will occur, therefore the retrieved solution must be adapted. The adaptation rules, based on the problem domain theory, are applied to adjust for any differences between the current case and the retrieved one. Finally, the CBR stores the approved solution to the current case, and it can then be used in solving future problems.Typically, a CBR system consists of a data base of past cases and their solutions, a set of rules and functions for measuring similarity, and rules and knowledge base for adaptation. A case base contains case attribute values that identify the problem type and that distinguish one problem type from another. The case attributes that identify the problem type are used as indices in retrieval. Learning of the system takes place when new cases are solved and stored in the case base together with the approved solution.There are several advantages of using CBR. Instead of relying on general knowledge of a problem domain, CBR employs the specific problem situations. CBR is beneficial when the problems are not completely understood so that a reliable model cannot be built. Moreover, the problem may not be completely defined before starting to search for possible solutions.The objective of the proposed project is the development the theory together with an experimental implementation of using CBR to develop DE with them following objectives: 1. In the first phase (2005-2006) of the project the process of methods of representation of knowledge about designing technolgical equipment (workholders etc) is investigated. Eliciting of common regularities of geometrical and technological simulation and developing a knowledge base which supplying applying of a method CBR for developing a construction of the technological equipment. 2. The objective of the second phase (2006-2007) is to extend of applying of these methods for designing other aspects of technological equipment. Realization of a partial implementation of the software.