CC BY
7
ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ И ТЕЛЕКОММУНИКАЦИИ
УДК: 004.8;681.5
Е.М. Самойлова
ГИБРИДНАЯ ИНТЕЛЛЕКТУАЛЬНАЯ СИСТЕМА КАК ПРИМЕР ИНТЕГРАЦИИ ТЕХНОЛОГИЙ ПРИ РЕШЕНИИ ЗАДАЧ УПРАВЛЕНИЯ КАЧЕСТВОМ
Аннотация. Рассматривается вопрос разработки гибридной интеллектуальной системы для идентификации дефектов дорожек качения колец подшипников на основе применения теории распознавания образов с использованием вейвлет-преобразований сигналов вихретокового датчика и нейронных сетей.
Ключевые слова: гибридная интеллектуальная система, нейронная сеть, экспертная система, идентификация, теория распознавания образов, вейвлет-преобразования, вихретоковый датчик, дефекты
Е.М. Samoylova
HYBRID INTELLIGENT SYSTEM AS AN EXAMPLE OF TECHNOLOGY INTEGRATION IN SOLVING QUALITY MANAGEMENT PROBLEMS
Abstract. The article considers development of hybrid intelligent systems for identifying defects in raceways of the bearing rings based on the theory of pattern recognition using wavelet transformations of eddy current sensor signals and neural networks.
Keywords: hybrid intelligent system, neural network, expert system, identification, pattern recognition theory, wavelet transform, eddy current sensor, defects
ВВЕДЕНИЕ
В современной научно-технической литературе достаточно широко рассмотрены теоретические аспекты применения интеллектуальных технологий (ИТ), однако их
практической реализации и применению непосредственно в производственных условиях при мониторинге технологических процессов и станков уделено недостаточное внимание.
Интеграция ИТ разного типа, как, например, экспертных систем (ЭС) и нейросетевых структур (НС), соединяющая как формализуемые знания (в ЭС), так и неформализуемые знания (в НС), является междисциплинарным направлением и позволяет добиться увеличения быстродействия и гибкости, ЭС и нечеткой логики -сокращение объема баз знаний (БЗ) на порядок и носит название гибридная интеллектуальная система (ГиИС).
ИНТЕГРАЦИЯ ИНТЕЛЛЕКТУАЛЬНЫХ ТЕХНОЛОГИЙ ДЛЯ РЕШЕНИЯ ЗАДАЧИ УПРАВЛЕНИЯ КАЧЕСТВОМ ОБРАБОТКИ ВЫСОКОТОЧНЫХ ДЕТАЛЕЙ
Технологии, внедряемые в ГиИС, зависят от особенностей решаемой задачи, в частности задачи управления качеством обработки высокоточных деталей. Из пяти основных стратегий разработки ГиИС, основываясь на предыдущих исследованиях и условиях решаемой проблемы, выбираем интегрированную модель, используя ее преимущества в совместном использовании структур данных и представлений знаний, реализуемом в среде единого информационного пространства (ЕИП) с обеспечением мгновенного доступа к информации и компонентам, осуществляемого посредством двойственной природы структур [1-8].
Проведенный анализ проблемной области при организации информационно-измерительного канала вихретокового контроля ГиИС показал, что необходимо осуществить идентификацию технического состояния объекта как компонента технологического процесса (ТП).
В составе подсистемы связи с внешним окружением ГиИС машино- и приборостроительного производства для контроля поверхностного слоя высокоточных деталей применяются современные методики неразрушающего контроля и автоматизации процесса идентификации, для чего формируется комплекс автоматизированных аппаратных и программных средств, способных измерять и анализировать значения контролируемых признаков.
Для поддержки принятия решения ГиИС создается база алгоритмов (БА) распознавания с соответствующим методическим и программным обеспечением, что позволяет осуществить идентификацию объекта путем сопоставления имеющихся данных о возможных состояниях объекта (эталонов) с экспериментальной информацией о нем [9-12].
Алгоритмизация процесса распознавания образов проведена с обучением, когда формирование описания классов производится по обучающей выборке, представленной в блоке «Обучающий эксперимент». Из существующих методов распознавания образов выбран метод эталонов (рис. 1).
Рис. 1. Алгоритмизация идентификации дефектов шлифования деталей по интеллектуальному анализу образной информации
Во время обучающего эксперимента формируются база данных (БД) и база знаний (БЗ), определяется алфавит классов дефектов для идентификации, производится сравнение значений массива данных с эталонными значениями классификатора и осуществляется формирование признаков идентификации и эталонных оценок дефектов для последующего принятия решения по анализу образной информации, что и определяет интеллектуальный аспект системы. В процессе распознавания по данным информационно-измерительного подсистемы связи с внешним окружением ГиИС механизм логического вывода (МЛВ) принимает решение и вырабатывает рекомендации по обеспечению качества продукции [11, 13].
ПРАКТИЧЕСКАЯ РЕАЛИЗАЦИЯ ИНФОРМАЦИОННО-ИЗМЕРИТЕЛЬНОГО КАНАЛА ВИХРЕТОКОВОГО КОНТРОЛЯ В СОСТАВЕ СИСТЕМЫ МОНИТОРИНГА
При проведении экспериментов выполнены вихретоковые измерения качества поверхностного слоя дорожек качения колец на круглошлифовальных автоматах модели SWaAGL-50 (4 шт.) и на внутришлифовальных автоматах модели SIW-5 (6 шт.). Размерность массивов данных на одно кольцо достигает 2004 х 60. Примеры результатов анализа вихретокового контроля колец прибором ПВК-К2М (амплитудная и фазовая составляющие) представлены на рис. 2 и 3, где по вертикали представлены амплитуды сигнала вихретокового контроля, а по горизонтали - номера столбцов данных сканированной дорожки качения кольца, а - вся поверхность детали (амплитудная составляющая), б - локализация максимального/минимального значения параметров.
Рис. 2. Результаты анализа вихретокового сканирования поверхности качения кольца подшипника с локальным дефектом «забоина»
Рис. 3. Результаты анализа вихретокового сканирования поверхности качения кольца подшипника с локальным дефектом «срез»
Визуальный анализ результатов вихретокового сканирования позволяет достаточно определенно распознать вид дефекта по значениям амплитудной и фазовой составляющих вихретокового сигнала, сравнивая их с эталонными параметрами, однако в условиях реального производства данный процесс необходимо автоматизировать, для чего определен алфавит классов для идентификации состояния технологической системы (ТС) в составе 10 дефектов и создан набор из 4 параметров, характеризующих каждое состояние контролируемого объекта, связанных с параметрами сигнала вихретокового прибора.
Специально разработанное ПО автоматически рассчитывает данный комплекс признаков и сохраняет в БД ЕИП для дальнейшего распознавания дефектов поверхностного слоя деталей подшипников и анализа на основе нейросетевых методов.
ИНТЕЛЛЕКТУАЛЬНЫЙ АНАЛИЗ И ОБРАБОТКА ДАННЫХ О КАЧЕСТВЕ ШЛИФОВАЛЬНОЙ ОБРАБОТКИ ДЕТАЛЕЙ ПОДШИПНИКОВ С ПОМОЩЬЮ НЕЙРОННЫХ СЕТЕЙ В СОСТАВЕ ГИИС
Нейросетевые методы являются решением задачи обработки больших массивов данных о качестве деталей, позволяющим создать эффективную автоматизированную систему мониторинга, связать в ЕИП ГиИС подсистемы контроля изделий, контроля и управления ТП, снизить себестоимость контроля качества, охватить больший объем выборки контролируемых деталей и повысить эффективность управления ТП изготовления высокоточных деталей подшипников [1-9].
Для построения нейросетевой модели в соответствии с рассмотренной ранее концепцией ЕИП по использованию унифицированных программных платформ, открытых архитектур, международных стандартов и апробированных коммерческих продуктов обмена данными, выбрана среда Ма^аЬ. Полученная модель персептрона распознавания дефектов поверхностного слоя деталей включает три слоя [13].
При определении исходных данных для распознавания дефектов поверхностного слоя учитывалось, что точность существенно зависит от объема обучающей выборки. Экспериментально было установлено, что объем выборки значений вихретокового контроля должен составлять не менее 400 значений (100 деталей), иначе уровень обучения/распознавания резко снижается. Обучающая выборка из 500 значений (125 деталей) автоматически импортировалась в программный модуль из БД ГиИС. Для тестирования обученной НС в программу импортировались массивы реальных значений вихретокового контроля по 22 деталям. Распознано 21 состояние поверхности детали из 22, что составляет 96 %. Ошибка распознавания (расхождение между обучающей выборкой и реакцией сети на тестовые данные) - в пределах 0,04.
Весь цикл работы данной методики для анализа вихретокового сигнала одной детали составил 10... 15 секунд, что подтверждает целесообразность и эффективность использования разработанного метода в производственных условиях.
ПОСТРОЕНИЕ АРХИТЕКТУРЫ ГИБРИДНОЙ ИНТЕЛЛЕКТУАЛЬНОЙ СИСТЕМЫ НА ОСНОВЕ ИНТЕГРАЦИИ ТЕХНОЛОГИЙ ДИНАМИЧЕСКОЙ ЭКСПЕРТНОЙ СИСТЕМЫ И НЕЙРОННОЙ СЕТИ
В соответствии с анализом архитектур интеллектуальных систем разработана и представлена на рис. 4 структура ГиИС на основе интеграции технологий ЭС реального времени или ситуационного управления и НС для поддержки принятия решения и контроля эффективности процесса обработки для различных сочетаний обрабатываемых деталей и инструмента.
Рис. 4. Структура ГиИС как пример интеграции технологий ЭС и НС
Структура содержит, помимо традиционных составляющих структуры ЭС, реальные объекты управления (автоматические внутришлифовальные станки моделей SIW-5, SIW-4 и SIW-3; круглошлифовальные станки моделей SWaAGL-50), подсистему связи с внешним миром, подсистему моделирования внешнего мира и непрерывную составляющую управляющей части системы, кроме того, осуществляется идентификация объекта, создается БЗ, включающая базу правил (БП), БА и базу данных (БД), блок НС, МЛВ и блок объяснений, что позволяет лицу, принимающему решение (ЛПР), оперативно реагировать на изменяющиеся условия осуществления ТП. ГиИС сочетает в себе численное и лингвистическое представление знаний, реализованное при построении БЗ.
Адаптация ГиИС к изменениям в предметной области реализуется путем обновления фактов, правил или алгоритмов БЗ, а также обучающей выборки и конфигурации НС, производимых пользователем-экспертом.
ЗАКЛЮЧЕНИЕ
Построенная интеллектуальная система позволяет использовать преимущества традиционных средств искусственного интеллекта, такие как обучаемость НС и знания ЭС, преодолевая некоторые их недостатки, и может решать специализированные задачи, не
решаемые отдельными методами искусственного интеллекта, что отражает ее актуальность и целесообразность применения для задач контроля качества обработки высокоточных деталей, корректировки технологического режима и ремонтно-восстановите-льных работ в системе мониторинга технологического процесса.
Автоматизация процессов контроля и принятия решения с применением ГиИС позволяет сократить (ликвидировать) брак изделий, а также увеличить основное время работы, т. к. ранее контроль изделий занимал до 80 % от всего времени на обслуживание
СПИСОК ИСТОЧНИКОВ
1. Колесников А.В. Гибридные интеллектуальные системы: Теория и технология разработки. Санкт-Петербург: Изд-во СПбГТУ, 2001. 711 с.
2. Игнатьев В.В. Адаптивные гибридные интеллектуальные системы управления // Известия ЮФУ. Технические науки. 2010. № 12. С. 89-94.
3. Гаврилов А.В. Гибридные интеллектуальные системы. Новосибирск: Изд-во НГТУ, 2003. 168 с.
4. Ярушкина Н.Г. Основы теории нечетких и гибридных систем. Москва: Финансы и статистика, 2004. 320 с.
5. Гейценредер А.А. Мониторинг состояния станочной системы токарной обработки при интеллектуальном управлении: автореф. дис. ... канд. техн. наук: 05.03.01. Ростов-на-Дону, 2006. 18 с.
6. Игнатьев А.А., Самойлова Е.М. Интеллектуализация мониторинга технологического процесса производства подшипников // Мехатроника, автоматизация, управление. 2013. № 4. С. 50-52.
7. Самойлова Е.М. Построение экспертной системы поддержки принятия решения как интеллектуальной составляющей системы мониторинга технологического процесса // Вестник ПНИПУ. Машиностроение, материаловедение. 2016. № 2 (18). С. 128-142.
8. Самойлова Е.М., Игнатьев А.А. Методы и алгоритмы интеллектуализации мониторинга технологических систем на основе автоматизированных станочных модулей интегрированного производства: в 3 ч. Ч. 2: Динамическая экспертная система поддержки принятия решения. Саратов: СГТУ, 2018. 100 с.
9. Самойлова Е.М., Игнатьев А.А. Методы и алгоритмы интеллектуализации мониторинга технологических систем на основе автоматизированных станочных модулей интегрированного производства: в 3 ч. Ч. 3. Интеграция «технологического уровня» единого информационного пространства предприятия на уровне АСУТП. Гибридная интеллектуальная система. Саратов: СГТУ, 2019. 84 с.
10. Самойлова Е.М. Построение гибридной интеллектуальной системы на основе интеграции технологий для решения задач контроля качества обработки высокоточных деталей // Вестник СамГТУ. Сер. Технические науки. 2017. № 2 (54). С. 45-51.
11. Программа интеллектуального анализа образной информации при организации информационно-измерительного канала неразрушающего контроля ЭСППР (Image) № 2016616445 / Самойлова Е.М., Цыбина ТВ., Игнатьев А.А.; дата гос. регистрации в Реестре программ для ЭВМ 10.06.2016.
12. Controlling the periodicity of grinding wheel dressing with the application of expert decision support system / Е.М. Samoylova, M.Yu. Zakharchenko, M.V. Vinogradov, M.G. Babenko, A.A. Ignatiev, S.V. Slesarev, V.A. Melentiev and L.G. Bokova // IOP Conf. Series: Materials Science and Engineering. 2020. Vol. 862 (12). pp. 1077-1079.
13. Обработка и анализ вихретоковых сигналов мониторинга технологического процесса производства подшипников (Amplituda) № 2017613316 / Самойлова Е.М., Цыбина Т.В., Игнатьев С.А.; дата гос. регистрации в Реестре программ для ЭВМ
14. Программа распознавания дефектов на основе нейросетевых методов многослойного персептрона (Identification) № 2017613792 / Самойлова Е.М.; дата гос. регистрации в Реестре программ для ЭВМ 31.03.2017.
15.03.2017.
СВЕДЕНИЯ ОБ АВТОРЕ
Самойлова Елена Михайловна —
кандидат технических наук, доцент кафедры «Техническая механика
Elena M. Samoylova -
Ph.D (Technical Sciences), Associate Professor, Department of Technical Mechanics and Mechatronics, Yuri Gagarin State Technical University of Saratov
и мехатроника» Саратовского государственного технического университета имени Гагарина Ю. А.
Статья поступила в редакцию 26.09.2022, принята к опубликованию 06.12.2022
