CC BY
134
УДК 778.14
АЛГОРИТМ ПОСТРОЕНИЯ СТАТИСТИЧЕСКОЙ МОДЕЛИ УПРАВЛЕНИЯ КАЧЕСТВОМ ДЛЯ МНОГООПЕРАЦИОННЫХ ТЕХНОЛОГИЧЕСКИХ ПРОЦЕССОВ
А.К. Талалаев, Р.Г. Панфилов, А. А. Лазарев
Для разработанной модели управления качеством в многооперационных технологических процессах, приведен детальный алгоритм ее наполнения необходимыми сквозными информационными характеристиками, позволяющими до начала изготовления технологической оснастки, средств автоматизации, комплектования поточной линии статистически моделировать и улучшать результирующие параметры качества.
Ключевые слова: многооперационные технологические процессы, управление качеством, статистическая модель.
Методы статистического моделирования сложных многооперационных и многопараметрических систем и процессов, которые проблематично анализировать детерминированными моделями и экспериментальными исследованиями, в настоящее время находят весьма широкое и обоснованное применение [1, 2]. В работе [3] (статья в данном сборнике) разработана статистическая модель управления качеством (СМУК) изготавливаемой продукции для многооперационных технологических процессов (МТП), позволяющая еще на стадии подготовки необходимой конструкторско-технологической документации на соответствующий производственный комплекс, т.е. до изготовления оснастки, средств автоматизации и комплектации поточной линии в целом, а следовательно, и до получения первых пробных партий изделий, прогнозировать результирующие параметры качества (РПК) и, в случае необходимости, обоснованно корректировать технологические режимы и конструктивные параметры с целью улучшения качества этих изготавливаемых изделий.
Процесс построения такой СМУК, наполнения ее расчетными статистическими параметрами и сквозными информационными характеристиками, позволяющими качественно и комплексно моделировать и оптимизировать многооперационные технологические процессы, представляет собой многоэтапный статистический анализ, включающий: генерацию по предполагаемым законам распределения случайных одномерных массивов исходных составляющих погрешностей (ИСП) на каждой технологической операции; частотный анализ одномерных массивов пооперационных выходных параметров (ВП); парный и множественный корреляционнорегрессионный анализ зависимостей между варьируемыми факторами (ВФ) и выходными параметрами вдоль тонких, скелетных и управляющих ветвей [3] всей технологической цепи (ТЦ); специальные прогнозные ста-
тистические методы управления качеством продукции, базирующиеся на расчетах условных допусков [4].
Учитывая сложность и протяженность реализации предложенного алгоритма (рисунок), его изложение целесообразно провести с использованием разработанной схемы СМУК, приведенной в работе [3]. Как следует из приведенного рисунка, рассматриваемый алгоритм включает 8 последовательно проводимых этапов, представляющих собой самостоятельные фрагменты исследований, завершающиеся промежуточными результатами и выводами.
На первом этапе формируется схема ТЦ, включающая последовательно располагаемые технологические операции, для каждой из которых путем ее детального анализа выявляются перечень и диапазоны возможного изменения формирующихся на ней ИСП (варьируемых факторов) и перечень подлежащих последующему исследованию и контролю ВП качества. Также здесь составляется комплекс тонких и скелетных ветвей для каждой технологической операции, т.е. для всей ТЦ. Обоснованность и корректность проводимых на данном действии в значительной степени обусловливают адекватность проектируемой модели качества и достоверность прогнозируемых ею результатов.
Второй этап является наиболее проблематичным и трудоемким, поскольку в результате его проведения необходимо выявить часто сложные множественные связи между каждым ВП и комплексом действующих на него ВФ на каждой технологической операции. Здесь анализируется имеющаяся априорная информация о раздельном или частично комплексном влиянии исследуемых факторов на соответствующий выходной параметр, однако, в большинстве случаев, для каждой операции необходимо проведение серии экспериментальных исследований. В качестве положительного момента следует отметить, что данные экспериментальные исследования проводятся независимо для каждой технологической операции, поэтому относительно просты и носят ограниченный характер. Учитывая, что важной составной частью данного исследования является статистическое моделирование, в качестве наиболее целесообразного математического аппарата выявления указанных связей рекомендуется метод искусственных нейронных сетей (ИНС). Это обусловлено тем, что для обучения построенной нейронной сети весьма полезны даже несистемные отрывочные экспериментальные результаты, имеется возможность последующего уточнения установленных взаимосвязей. Важно, что результатом применения ИНС является числовой массив ВП, не связанный соответствующим уравнением регрессии, что весьма удобно для сквозного статистического моделирования вдоль всей ТЦ.
На третьем этапе, уже имея информацию о возможном диапазоне изменения и характере распределения каждой исходной составляющей погрешности, осуществляется последовательное статистическое моделирова-
ние ИСП вдоль всей технологической цепи, начиная с входных на первую операцию и формирующихся непосредственно на ней. Обученный участок ИНС на указанной первой технологической операции обеспечит расчет одномерного массива каждого ВП, в котором каждой частной комбинации ИСП соответствует числовое значение выходного параметра (один модельный опыт). Каждое полученное значение ВП первой технологической операции является входным фактором на второй операции, обеспечивая формирование вдоль ТЦ сквозных информационных характеристик и, в результате, формирование модельных результирующих показателей качества изготавливаемой продукции. Таким образом, для каждого условного опыта становятся известными числовые значения всех ВФ, приходящих на вторую технологическую операцию с первой. Добавляя к ним смоделированные частные значения ИСП, формируемые на второй операции, и используя соответствующий участок ИНС, получают для нее значения и распределения каждого ВП и т. д. На этом же этапе для более обстоятельного изучения выявленных закономерностей связей между входными факторами и выходными параметрами проводят частотный анализ распределений ВП, устанавливающий закон распределения и позволяющий оценить величины описательных статистических характеристик этих распределений.
Проведение первых трех этапов построения СМУК позволяет получить модельные распределения результирующих параметров качества. Это обеспечивает возможность на четвертом этапе, используя специальные прогнозные статистические методы управления качеством продукции [4, 5], рассчитать условные возможные диапазоны изменения результирующих параметров качества для различных условий и рисков прогноза. Путем сопоставления модельных, условных и требуемых (по техническим условиям на изготовление продукции) допусков (диапазонов изменения) на результирующие параметры качества рассчитываются показатели рассеяния, обобщенный показатель настроенности технологической системы и, далее качественно и количественно спрогнозировать уровень вероятности брака по каждому РПК.
Пятый этап посвящен проведению множественного корреляционного анализа для каждой операционной скелетной ветви (связывающей один ВП со всеми действующими на него ВФ) вдоль ТЦ. В результате рассчитывается значение частного коэффициента корреляции или корреляционного отношения (в зависимости от линейности или нелинейности связи) вдоль каждой тонкой ветви (связывающей один ВП с одним из действующих на него ВФ) ТЦ. Далее из всего комплекса тонких ветвей (ТВ) исключают из рассмотрения и дальнейшего анализа те из них, которые обладают небольшими значениями частных коэффициентов корреляции [3]. В таких ТВ факторы незначимо влияют на выходные параметры и такие тонкие ветви нельзя включать в устанавливаемые управляющие ветви (УВ), количество которых соответствует числу РПК разрабатываемой модели. Как
указано в работе [3] управляющей будет сквозная по операциям ветвь, замыкаемая на один результирующий параметр качества и имеющая большие значения частных коэффициентов корреляции или корреляционных отношений вдоль всей своей длины. Таким образом, на пятом этапе предварительно устанавливаются УВ для каждого РПК вдоль всей технологической цепи.
Рис. 1. Схема алгоритма реализации разработанной статистической модели управления качеством многооперационных
технологических процессов
На шестом этапе для каждой операционной скелетной ветви (СВ), входящей в предварительно установленную УВ, проводится множественный регрессионный анализ, позволяющий определить соответствующее уравнение регрессии, связывающее ВП и действующие на него ВФ. По малым величинам коэффициентов регрессии в этих уравнениях, записанных в кодированных переменных, устанавливаются факторы, слабо влияющие на ВП, которые также исключаются из УВ, как неэффективные для последующей корректировки ИСП с целью улучшения результирующих показателей качества. При этом если исключенный фактор только формируется на рассматриваемой операции, то соответствующая ИСП просто не рассматривается сама как эффективный объект последующей корректировки, а если это наследственный фактор, приходящий с предыдущей операции, то из УВ исключается весь данный предшествующий участок. В результате на шестом этапе окончательно формируются управляющие ветви, опре-
деляющие возможные точки последующей корректировки ИСП (более качественное изготовление определенных конструктивных элементов оснастки, средств автоматизации; улучшение технологических параметров, в частности настройки и регулировки; применение более точного технологического оборудования и приборов, более качественных расходных материалов).
На седьмом этапе производится технико-экономическое обоснование возможности и целесообразности уменьшения установленных исходных составляющих погрешностей вдоль управляющих ветвей. При этом оценивается, насколько можно технически уменьшить ту или иную ИСП, какой комплекс организационных мероприятий выполнить и какие затраты при этом придется понести. После окончательного утверждения точек корректирующих действий вдоль УВ, в зависимости от принятой стратегии повышения качества изготавливаемой продукции, производится выбор одного из двух наиболее эффективных способов регулирования величин РПК [3] или принимается решение о последовательном использовании обоих способов. При этом, в случае необходимости корректировки результирующего параметра качества на определенную фиксированную величину корректирующие действия начинают производить с конца УВ, а в случае необходимости максимально возможно улучшения РПК - с начала соответствующей управляющей ветви.
Фактически, начиная с пятого этапа ведется обоснованная подготовка к проведению моделирования необходимых корректировок ИСП, которые реализуются непосредственно на восьмом этапе. Для этого уменьшают возможные диапазоны изменения установленных исходных составляющих погрешностей в соответствующих точках СМУК и по представленной на рисунке ветви обратной связи производят скорректированное статистическое моделирование вдоль необходимых управляющих ветвей до достижения соответствующим результирующим показателем качества требуемой удовлетворяющей техническим условиям на изготовление продукции величины.
Реализация представленного в данной работе алгоритма формирования статистических моделей управления качеством в многооперационных технологических процессах может производиться в диалоговом режиме с прикладными пакетами компьютерных статистических программ «Статистика» [6], «$Р$$», «AtteStat» и других, или данные типовые статистические программы могут быть интегрированы в специально разработанный для формирования рассматриваемых СМУК МТП конечный программный продукт.
Как показывают результаты проведенных исследований, в частности, в области совершенствования гибридных технологий микрофильмирования и многооперационных технологий обработки металлов давлением, реализуемых на автоматических и поточных линиях, проведение ком-
плексных многофакторных натурных экспериментов, обеспечивающих разработку качественных многозвенных моделей исследуемых процессов, практически не представляется возможным. Поэтому разработанная статистическая модель управления качеством и алгоритм ее реализации позволят эффективно совершенствовать многооперационные технологические процессы в различных направлениях производственной деятельности.
Список литературы
1. Талалаев А.К., Панфилов Р.Г. К вопросу статистического моделирования сквозных информационных характеристик качества при микрофильмировании с бумажных носителей // «Автоматизация: проблемы, идеи, решения»: сб. трудов Международной научно-технической конференции. 10-12 ноября 2010 г., под ред. В.В. Прейса, Е.В. Давыдовой. В 2-х частях. Ч.2. Тула: Изд-во ТулГУ, 2010. С. 100-105.
2. Панфилов Г.В., Парамонов Р. А., Шуляков А.В. Разработка модели качества поточной линии по изготовлению радиусных секций волнообразного профиля для сборных металлических водоотводных труб // Известия ТулГУ. Механика деформируемого твердого тела и обработка металлов давлением. Тула: Изд-во ТулГУ, 2006. Вып. 4. С. 156-163.
3. Панфилов Р.Г. Разработка статистической модели управления качеством многооперационных технологических процессов // Известия ТулГУ. Технические науки. Тула: Изд-во ТулГУ, 2013. Вып. 4. С. 422-434.
4. Кухарь В.Д., Панфилов Р.Г., Панов А.А. Статистическое моделирование качества двухоперационного пластического формообразования сферической шайбы // Известия ТулГУ. Технические науки. Тула: Изд-во ТулГУ, 2009. Вып. 3. С. 19-27.
5. Способ регулирования параметров изготавливаемой штамповой оснастки : пат. 242302 Рос. Федерация. № 2010128795 ; заявл. 12.07.10, опубл. 10.07.11, Бюл. № 19. 3 с.
6. В. Боровиков. СТАТИСТИКА. Искусство анализа данных на компьютере: Для профессионалов. СПб: Изд-во Питер, 2003. 2-е изд. 688 с.
Талалаев Алексей Кириллович, д-р техн. наук, проф., bor_yak@mail.ru, Россия, Тула, Тульский государственный университет,
Панфилов Родион Геннадиевич, канд. техн. наук, доц., bor_yak@mail.ru, Россия, Тула, Тульский государственный университет,
Лазарев Андрей Андреевич, асп., bor_yak@mail.ru, Россия, Тула, Тульский государственный университет
ALGORITHM OF CREA TION OF STA TISTICAL MODEL OF QUALITY MANAGEMENT FORMULTIOPERATIONAL OF TECHNOLOGICAL PROCESSES
A.K. Talalaev, R.G. Panfilov, A.A. Lazarev
For the developed model of quality management the detailed algorithm of its filling is given in multioperational technological processes by the necessary through information characteristics allowing prior to the beginning of manufacturing of industrial equipment, an automation equipment, acquisition of the product line statistically to model and improve resultant parameters of quality.
Key words: multioperational technological processes, quality management, statistical model.
Talalaev Alexei Kirillovich, doctor of technical science, professor, manager of department, tppzi@,tsu.tula.ru, Russia, Tula, Tula State University,
Panfilov Rodion Gennadiyevich, candidate of technical science, docent, tppzi@tsu.tula.ru, Russia, Tula, Tula State University,
Lazarev Andrey Andriyovych, postgraduate, tppzi@tsu.tula.ru, Russia, Tula, Tula State University
УДК 655.36
ГОЛОГРАФИЧЕСКАЯ И ДИФРАКЦИОННАЯ ФОЛЬГА КАК СПОСОБ ЗАЩИТЫ ПОЛИГРАФИЧЕСКОЙ ПРОДУКЦИИ ОТ ФАЛЬСИФИКАЦИИ
О.В. Чечуга, Е.А. Ющенко, Д. Л. Мухина
Рассмотрены виды и основные характеристики полиграфической фольги. Проанализированы особенности строения голографических элементов фольги используемых для защиты полиграфической продукции от фальсификации.
Ключевые слова: голографическая фольга, защита от фальсификации, голографическая этикетка
Голографическая фольга содержит объемные изображения, формирующие привлекательные декоративные рисунки. Однако ее общее назначение заключается в обеспечении защиты, поскольку голограммы очень трудны для копирования, что делает их символом подлинности.
ODV (optical vidiodisk) - оптически изменяемая структура, представляющая совокупность определенных оптических признаков (эффектов), располагаемых между слоями фольги. В зависимости от освещения
