Проектирование промышленных виртуальных миров на платформе OpenSim Текст научной статьи по специальности «Компьютерные и информационные науки»

ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ

УДК 004.946

А. Н. АФАНАСЬЕВ, Н. Н. ВОЙТ, В. А. ГУЛЬШИН, С. И. БОЧКОВ

ПРОЕКТИРОВАНИЕ ПРОМЫШЛЕННЫХ ВИРТУАЛЬНЫХ МИРОВ НА ПЛАТФОРМЕ ОРЕ^Ш

Авторами выполнен анализ современных средств проектирования и разработки промышленных виртуальных миров, место и роль их на информационной карте проектно-производственного предприятия, а также представлена архитектура, процесс запуска серверов платформы ОрвпБШ в ОШБ-сети.

Ключевые слова: Ореп8т, моделирование, виртуальные миры, разработка, проектирование.

Введение

Под виртуальным миром (ВМ) подразумевается моделируемая окружающая среда, которую «населяют» пользователи, общающиеся друг с другом через графические персонажи - «авата-ры» [1]. Если ВМ моделирует производственные процессы организации (завода, научно-исследовательского института и т. п.) в плане проектных потоков работ по управлению производством и промышленностью, а также технологические процессы при монтаже, сборке, регулировке и наладке промышленных деталей, узлов, блоков, то они будут называться промышленными ВМ (ПВМ).

Место и роль ПВМ

Современные средства проектирования и разработки виртуальных миров OpenSimulator (OpenSim) [2], Unity 3D [3], Vacademia, Timvi, Triality, Open Wonderland, Open Cobalt [1, 4], а также технология WebGl по конструированию твердотельных изделий в среде Интернет имеют свои особенности, каждое из которых хорошо решает специфические задачи. Так, например, в OpenSim [5] коллаборативное обучение реализовано лучше, чем в других платформах; в Unity будут реализованы лучше 3D сценарные тренажёры.

Следует также рассмотреть место ПВМ на карте информационных ресурсов проектно-производственного предприятия (завода, научно-исследовательского института). На рис. 1 представлены блоками Образовательный портал на базе системы управления обучением, Инструментальные средства в виде ERP-систем,

© Афанасьев А. Н., Войт Н. Н., Гульшин В. А., Бочков С. И., 2017

8САБА-систем, САПР, а также База знаний предприятия, Модели компетенций, Требования к профессиональной зрелости, Информационный блок, Тесты, Тренажёры, Практикумы, Проектные задания и Виртуальные автоматизированные рабочие места (АРМ). Стрелками представлено направление потоков работ, т. е. связи взаимодействия.

База знаний предприятия, как правило, представлена в гетерогенном (гибридном) виде: бумажные проектные документы (схемы, чертежи), что составляет большую часть документации проектно-производственной организации, электронные проектные документы (файлы САПР, например, файлы деталей в КОМПАС-3Б -*.ш3<! или сборки - *.а3<1, что составляет собственные разработки предприятия, а также личный опыт специалистов предприятия, представленный в виде исходного кода с комментариями (для программистов), паттернов инженерных решений (для инженеров-конструкторов и инженеров-технологов), инструкций, рекомендаций и методик (для радиомонтажников, регулировщиков РЭА и П, слесарей-сборщиков РЭА и П).

Виртуальные автоматизированные рабочие места (ВАРМ) расширяют возможности блока Тренажёры и являются наиболее интересным и перспективным направлением исследований и разработок в теории и практике развития автоматизированных систем обучения.

Значимым в развитии автоматизированных систем обучения является направление по интеллектуализации процесса с применением адаптивных и экспертных систем, а также применение автоматного подхода при моделировании многофазных последовательных потоков работ [6-11].

Востребованными на предприятиях являются ВАРМ с элементами интеллектуализации процесса обучения.

Образовательный

портал

Контент Управление

Рабочие учеоным

специальности процессом

Инженерно-

технологические

специально сти

Экономико-

управленческие

специальности

Информационный блок

Тренажёры

Практикумы

- Вирту- .

« -I альные

АРМ I

л I

Инструментальные средства

ERP-системы

SCADA-сисгемы

База знаний предприятия

Документы

Стандарты

Технологии

Методики

Проектные решения

Модели

Модели компетенций

Проектные задания

Требования к профессиональной зрелости

Рис. 1. Структурно-функциональная схема корпоративной среды обучения на предприятии

Проектирование ВАРМ

OpenSim имеет клиент-серверную архитектуру, которая представлена на рис. 2 в виде GRID-сети, т. е. ВАРМ могут быть размещены на различных компьютерах (распределённых серверах). Центральный сервер, к которому подключены все серверы через локальную сеть, управляет всеми ВАРМ и перенаправляет подключения к ним. Используется база данных MySQL (Xamp), чтобы хранить всю информацию о виртуальном мире, серверы (центральный и распределённые) сохраняют отдельный экземпляр БД.

Сервисы входа (Login), учётной записи (UserAccount), инструментов (Inventory), одежды (Asset), рельефа (Grid) являются служебными и, как правило, в GRID-архитектуре OpenSim, выносятся в отдельную исполняемую систему Rubust.exe (рис. 3). На распределённом сервере запускается OpenSim.exe, загружаются ВАРМ (Region). Далее с помощью клиентского просмо-торщика Singularity - обучающийся вход в GRID-сеть, где может проходить обучение на своём ВАРМ (Region).

Взаимодействие OpenSim.exe с другой программой OpenSim.exe в GRID-сети выполняется по протоколу SL, что обеспечивает быстрое представление ВАРМ (локации, инвентаря и т. п.) из другого Region (например, цеха), т. е. можно переносить инструменты (инвентарь) в разные Region.

Рис. 2. Архитектура OpenSim по умолчанию [3]

Robust.exe

Login Service Asset Service Grid Service

1

UserAccount Service Inventory Service Other Services

Рис. 3. Система Rubust.exe со служебными сервисами [3]

Рис. 4. Место и роль аватара в OpenSim на языке диаграмматики в UML-нотациях [3]

На языке диаграмматики в UML-нотациях место и роль обучающегося (аватара) представлено на рис. 4.

Аватар (User) открывает просмоторщик (SL-client) на компьютере, чтобы войти на ВАРМ, вводит логин и пароль. Далее система загружает ВАРМ (например, OpenSim1), и на экране появляется окружение в виде структурных сооружения, обстановки, инструментов, оборудования и т. п. Аватар решает поставленные задачи

(квэсты) в ВАРМ, получая новые знания по техпроцессу, а также умения и навыки в очерёдности и быстроте выполнения операций.

Одновременно (параллельно) может обучаться несколько человек, т. е. в ВАРМ может быть несколько в одном пространстве (коллаборатив-ное обучение). Например, несколько участков в цехе.

На рис. 5 стрелками показана последовательность (алгоритм) запуска серверов в OpenSim.

1Ж

1. Запуск просмоторщика SecondLifeClient и соединение с сервером UserServer.

2. User Server информирует Region Server 1 об обучаемом.

3. User Server возвращает Second Life ответ от Region Server 1 в виде настроек ВАРМ.

4. SecondLife соединяется с Region Server 1.

5. RegionServer 1 информирует своих «соседей» об обучаемом.

6. Region Server 1 информирует SecondLife Client (обучающегося) о соседних Region Server.

7. SecondLifeClient соединяется с соседним RegionServer как дочерний агент.

Рис. 5. Алгоритм

Заключение

Авторами статьи разработаны и исследованы ВАРМ радиомонтажника, регулировщика РЭА и П, слесаря-сборщика РЭА и П по предложенной структурно-функциональной схеме и архитектуре на базе OpenSim, а также выполнено их внедрение на АО «Ульяновский механический завод», что позволило сократить сроки повышения квалификации радиомонтажников на 40%.

СПИСОК ЛИТЕРАТУРЫ

1. Learning in virtual worlds: research and applications / edited by Sue Gregory, MarkJ. W. Lee, Barney Dalgarno, and Belinda Tynan. (2016)

2. Платформа OpenSim. http:// opensimulator.org

3. Платформа Unity 3D. https://unity3d. com/ru/

4. Обзор виртуальных миров. http:// horusstudio.j imdo.com/обзор-виртуальных-миров/

запуска системы [3]

5. 5 reasons not to rush to Unity from OpenSim. http://www.hypergridbusiness.com/ 2011/07/5-reasons-not-to-rush-to-unity/

6. Афанасьев А. Н., Войт Н. Н. Разработка-компонентно-сервисной платформы обучения: диаграммы использования и деятельности программного компонента сценария на UML-языке // Вестник Ульяновского государственного технического университета. - 2012. - №1 (57). -С. 66-68.

7. Войт Н. Н., Афанасьев А. Н. Разработка алгоритмического, методического и информационного обеспечения АОС для САПР КОМ-mr-3D // Вестник УлГТУ. - 2005. - №3 (31). -С. 50-56.

8. Афанасьев А. Н., Войт Н. Н. Разработка компонентно-сервисной платформы обучения: диаграммы классов программного компонента сценария на UML-языке // Вестник УлГТУ. -2012. - №2 (58). - С. 32-36.

9. Войт Н. Н. Разработка методов и средств адаптивного управления процессом обучения в автоматизированном проектировании: дис.... канд. техн. наук / Ульяновский государственный технический университет. - Ульяновск, 2009.

10. Афанасьев А. Н., Войт Н. Н. Разработка компонентно-сервисной платформы обучения: анализ и разработка компонента метода диагностики проектных характеристик обучаемого инженера с помощью диаграмм UML // Вестник УлГТУ . - 2012. - №4 (60). - С. 43-46.

11. Афанасьев А. Н., Войт Н. Н. Разработка методов нечёткой параметрической адаптивной диагностики обучаемого инженера // Автоматизация процессов управления. - 2009. - №3. -С. 51-56.

Афанасьев Александр Николаевич, доктор технических наук, первый проректор - проректор по дистанционному и дополнительному образованию УлГТУ, профессор кафедры «Вычислительная техника» УлГТУ. Войт Николай Николаевич, кандидат технических наук, доцент кафедры «Вычислительная техника» УлГТУ, заместитель директора по на-учно-исследовательскойработе ИДДО УлГТУ. Гульшин Владимир Александрович, кандидат технический наук, доцент кафедры «Радиотехника» УлГТУ, начальник Центра подготовки и переподготовки персонала и специалистов иноза-казчика АО «Ульяновский механический завод». Бочков Семён Игоревич, магистрант кафедры «Вычислительная техника» УлГТУ, младший научный сотрудник лаборатории НИР ИДДО УлГТУ.

Поступила 15.12.2016 г.

УДК 004.93

А. В. МИХЕЕВ, С. К. КИСЕЛЕВ

АНАЛИЗ РАБОТЫ НЕЙРОННОЙ СЕТИ ТИПА 8РЛМ В ЗАДАЧЕ КЛАССИФИКАЦИИ ДВУМЕРНЫХ ОБРАЗОВ

Рассмотрены основные принципы функционирования и особенности нейронной сети типа 8ЕЛМ. Затронута проблема выбора архитектуры нейронной сети под задачу. Показаны недостатки сети при классификации образов на двумерных изображениях. Результаты экспериментов проанализированы и обобщены. Дано теоретическое обоснование результатов.

Ключевые слова: нейронная сеть, распознавание образов, классификация, нейронная сеть 8БЛМ.

В задачах классификации, когда правило разделение классов является слишком сложным или его трудно установить, у многих разработчиков возникает соблазн использовать нейронные сети (НС). Безусловно, под такими словами, как обучение и обобщение, скрываются их уникальные сильные стороны, - на основании тестовой выборки аппроксимировать функцию классификации (по сути, сеть сама находит разделяющее правило или алгоритм). Но даже если нейронные сети эффективны для какой-либо задачи, то приходится тратить много времени на выбор нужного типа сети и оптимальных параметров.

© Михеев А. В., Киселев С. К., 2017

Часто разработчики сосредотачиваются не на тех свойствах НС и не на тех особенностях своей задачи, которые действительно будут иметь значения. В технической литературе приходится сталкиваться с огромным объёмом информации, различными трактовкам и часто вольным или даже ошибочным описанием их свойств. Особенно это имеет место в сети Интернет. Так, сети ART, или сети адаптивного резонанса, разработанные Гроссбергом в 1976 г. [1], приобрели новую популярность в 1993 г., когда доктором Ка-субо была предложена Simplified fuzzy ARTMAP, или упрощённая нечёткая сеть адаптивного резонанса [2]. В русскоязычной литературе мало сведений об этой сети и её свойствах, что порождает ложные гипотезы, например,