Научная статья на тему 'Интеллектуальный анализ и обработка данных о качестве механической обработки деталей'

Интеллектуальный анализ и обработка данных о качестве механической обработки деталей Текст научной статьи по специальности «Электротехника, электронная техника, информационные технологии»

CC BY
351
80
i Надоели баннеры? Вы всегда можете отключить рекламу.
Ключевые слова
НЕЙРОННЫЕ СЕТИ / РАСПОЗНАВАНИЕ / МОНИТОРИНГ / ДЕФЕКТ / КАЧЕСТВО ОБРАБОТКИ ДЕТАЛЕЙ / NEURAL NETWORKS / PATTERN RECOGNITION / MONITORING / DEFECT / PROCESSING QUALITY OF DETAILS

Аннотация научной статьи по электротехнике, электронной технике, информационным технологиям, автор научной работы — Самойлова Е. М., Игнатьев С. А.

Рассматривается применение интеллектуального мониторинга механической обработки деталей.

i Надоели баннеры? Вы всегда можете отключить рекламу.

Похожие темы научных работ по электротехнике, электронной технике, информационным технологиям , автор научной работы — Самойлова Е. М., Игнатьев С. А.

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.
i Надоели баннеры? Вы всегда можете отключить рекламу.

DATABASE MINING AND DATA PROCESSING OF THE MECHANICAL TREATMENT QUALITY

Application of the database mining for the mechanical treatment of parts is considered by the authors.

Текст научной работы на тему «Интеллектуальный анализ и обработка данных о качестве механической обработки деталей»

УДК 681.5

Е.М. Самойлова, С.А. Игнатьев

ИНТЕЛЛЕКТУАЛЬНЫЙ АНАЛИЗ И ОБРАБОТКА ДАННЫХ О КАЧЕСТВЕ МЕХАНИЧЕСКОЙ ОБРАБОТКИ ДЕТАЛЕЙ

Рассматривается применение интеллектуального мониторинга механической обработки деталей.

Нейронные сети, распознавание, мониторинг, дефект, качество обработки деталей

E.M. Samoilova, S.A. Ignatiev

DATABASE MINING AND DATA PROCESSING OF THE MECHANICAL TREATMENT

QUALITY

Application of the database mining for the mechanical treatment of parts is considered by the authors.

Neural networks, pattern recognition, monitoring, defect, processing quality of

details

Интеллектуальный анализ данных и обработка образной информации - это сравнительно новое направление, основу которого составляют две процедуры: обнаружение закономерностей в исходной информации и использование обнаруженных закономерностей для предсказания (прогнозирования). Сюда относят задачи выбора информативных данных из большой их совокупности, выбора информативных характеристик некоторого объекта из более широкого множества его характеристик, задачи построения модели, позволяющие вычислять значения выбранных информативных характеристик по значениям других характеристик и т. п. [1]. Проблема распознавания образов состоит из двух основных частей: обучения и распознавания. Обучение осуществляется путем определения отдельных признаков с указанием их принадлежности тому или другому образу. В результате обучения распознающая система должна приобрести способность одинаково реагировать на все объекты одного образа и различно - на все объекты различных образов. Очень важно, что процесс обучения должен завершиться идентификацией конечного числа объектов без каких-либо других подсказок. В качестве объектов обучения могут быть как визуальные изображения, так и состояние технического объекта в системах управления и др. [2, 5].

За обучением следует процесс распознавания новых объектов, который характеризует действия уже обученной системы. Автоматизация этих процедур и составляет проблему обучения распо-194

Рис. 1. Обобщенный многослойный персептрон

знаванию образов. В том случае, когда человек с ам вручную вводит в базу знаний ПЭВМ классификационные признаки, проблема распознавания решается частично,

так как основную и главную часть проблемы (обучение) человек берет на себя, ставя систему в зависимость от так называемого «человече-

ского фактора». Для решения данной проблемы в настоящее время проводятся исследования по нескольким направлениям. Одно из них - исследования по различным аспектам распознавания изображений с помощью нейросетей. Изучаются методы распознавания последовательностей объектов на основе декларативного подхода и извлечения семантически значимой информации [9]. В целях обучения нейросети наиболее часто используется алгоритм обратного распространения, описанный еще в 1974 году (рис. 1), который используется с целью минимизации ошибки работы многослойного перцептрона и получения желаемого выхода. Основная идея этого метода состоит в распространении сигналов ошибки от выходов сети к её входам, в направлении, обратном прямому распространению сигналов в обычном режиме работы. Этот итеративный градиентный алгоритм имеет ряд недостатков при цифровой обработке сигналов: медлительность и неоднозначность при распознавании искаженных образов, а также непредсказуемость сети на самом этапе распознавания образов сигнала. Причем количество нейронов в скрытых слоях модели и количество распознаваемых сетью образов не находятся в линейной зависимости как друг с другом так и с точностью распознавания. В результате на выходе сети при распознавании появляются образы, которым ее никто не обучал, или не распознаются сигналы, очень похожие на элементы обучающей выборки. При задании более жестких ограничений при обучении сети процесс тренировки сети вообще может стать бесконечным [3, 10].

Для того чтобы избежать рассмотренных выше недостатков, применяется алгоритм, структурированный определенным количеством нейронов для конкретного объема обучающих образов с элементами обучения встречного распространения (рис. 2). Метод встречного распространения основан на отыскании корреляции пар образов обучающей выборки (входных и соответствующих им «желаемых» выходных). Первый слой нейронов вычисляет коэффициенты корреляции заданного в процессе распознавания входного образаХ с каждым входным образом V из «эталонной» обучающей выборки. Далее по этим коэффициентам скрытый слой вычисляет коэффициенты присутствия во входных значениях Х каждого из к входных образов V обучающей выборки (коэффициент «присутствия» - это, по сути, выход каждого из нейронов скрытого слоя). И уже по этим данным выходной слой подсчитывает реальный выход сети, скомбинированный из всех выходных образов обучающей выборки, в соответствии с коэффициентом присутствия. Задача распознавания сети сводится к тому, чтобы сопоставить искаженному входному образу Х, похожему на один из входных образов, соответствующий ему «желаемый» выходной образ, причем это будет не обязательно один из выходных образов обучающей выборки, а, скорее, комбинация из нескольких Д, в соответствии со степенью искажения Х по отношению к V. Как видно из рис. 2, на всю модель требуется (2к+п) нейронов с к(к+т+п) синаптическими связями. Предложенный алгоритм позволяет снизить временные затраты за счет обучения модели всем нужным образам выборки за один раз, не прибегая к итерационным процессам и, кроме того, может применяться к решению задачи интеллектуального мониторинга качества механической обработки деталей [3, 5].

Применение подобного алгоритма апробировалось в процессе экспериментальных исследований обработки данных качества механической обработки деталей с помощью нейронных сетей в ОАО «Саратовский подшипниковый завод». Необходимость применения интеллектуального анализа и обработки данных качества механической обработки деталей с помощью нейронных сетей возник-

ла в связи с тем, что представление результатов вихретокового контроля поверхностей деталей подшипников в виде изображения, неоднородности можно характеризовать по типу, форме и их взаимному расположению, что объясняет большую размерность массивов амплитуды и фазы сигнала вихретокового преобразователя [5]. Например, при контроле поверхностного слоя роликов подшипника размером 32x52 мм из стали марки ШХ-15, обрабатываемых на шлифовальных станках 8Г^4, SIW-

5, осуществляемом в ОАО «Саратовский подшипниковый завод» в процессе интеллектуального мониторинга, размерность массивов данных может достигать 122 на 3339 точек [6].

Интеллектуальный мониторинг качества механической обработки деталей по степени неоднородности поверхностного слоя и выявления дефектов представляет собой два этапа: выявление и распознавание дефектов поверхностного слоя деталей подшипников (рис. 2 а) и проведение обучающего эксперимента с использованием нейронной сети (рис. 2 б).

Входной слой 101

Ве>тр У,

Слой

ГроссИерга 121

Нейроны

Кошена

Нейроны

Гроссіерго

а

Рис. 2. Схема интеллектуального мониторинга обработки высокоточных изделий, где ВТП - автоматизированный вихретоковый прибор контроля ПВК-К2М

Для экспериментального исследования предлагаемой методики выбрали три дефекта различного происхождения: метальная трещина, пятнистый прижог и пятно троостита (рис. 3) [4].

В общей сложности было выбрано 112 обучающих образцов сигналов дефектов, для каждого из которых с помощью классификатора К3-2005, разработанного на ОАО «Саратовский подшипниковый завод», был сопоставлен вид дефекта. Вид дефекта определялся экспертом лаборатории неразрушающего контроля путем сопоставления изображений тестируемых дефектов, получаемым с помощью ПО ПВК-К2М, с изображениями из классификатора. На этих дефектах была обучена используемая нейронная сеть, которая потом была протестирована на 310 образцах тестовых сигналов, также выделенных из эталонных колец. Результаты тестирования обученной сети приведены в табл. 1.

Для решения задачи идентификации неоднородностей и определения типов дефектов наиболее подходящей является сеть Кохонена. Это объясняется тем, что по сравнению с КБРК-сетью, которая содержит большее число скрытых элементов, она требует более скромных затрат памяти, а по сравнению с небинарной АИТ-сетью она более проста и предсказуема. При этом используется упрощенная версия представления нейросети (рис. 2 б). Нейроны слоя 0 служат лишь точками разветвления и не выполняют вычислений. Каждый нейрон слоя 0 соединен с каждым нейроном слоя Кохоне-на отдельным весом wmn. Эти веса в целом рассматриваются как матрица весов W. Аналогично каждый нейрон в слое Кохонена соединен с каждым нейроном в слое Гроссберга весом упр. Эти веса образуют матрицу весов V. Как и многие другие сети, встречное распространение функционирует в двух режимах: в нормальном режиме, при котором принимается входной вектор X и выдается выходной вектор У, и в режиме обучения, при котором подается входной вектор и веса корректируются, чтобы дать требуемый выходной вектор.

_ 1

2

3

Рис. 3. Сканограммы дефектов, полученные с помощью прибора ПВК-К2М (1), их локализация в сигнале (2) и аппроксимация выделенного сигнала, из которой происходит выделение классификационных признаков (3)

Таблица 1

Результаты тестирования обученной нейронной сети

Вид дефекта Процент верно распознанных дефектов

Метальная трещина 95.8% (69 из 72 дефектов)

Прижог 95,6% (110 из 115 дефектов)

Трооститное пятно 97,5% (120 из 123 дефектов)

Общая эффективность сети 96.3%

После обучения нейронной сети реализованный метод был протестирован на 30 кольцах, каждое их которых содержало один или несколько локальных дефектов из числа рассматриваемых. Результаты приведены в табл. 2.

Таблица 2

Результаты применения разработанного алгоритма

Вид дефекта Процент верно распознанных дефектов

Метальная трещина 90% (9 из 10 дефектов)

Прижог 92.8% (13 из 14 дефектов)

Трооститное пятно 100% (10 из 10 дефектов)

Полный цикл работы метода при анализе вихретокового сигнала одной детали подшипника составил в среднем 10-15 секунд, что подтверждает целесообразность и эффективность использования разработанного метода в производственных условиях [4].

Проведенные теоретические и экспериментальные исследования показали, что изменения в структуре электромагнитного поля, обусловленные перераспределением вихревых токов в объеме материала при наличии в нем неоднородностей, содержат достаточную информацию для определения типа и места положения дефектов, а применение интеллектуального анализа и обработки полученных данных для оценки качества поверхности деталей подшипников подтвердили целесообразность использования нейронных сетей и эффективность применения разработанных методов и алгоритмов для решения задач классификации деталей подшипников по степени неоднородности поверхностного слоя и выявления дефектов. Формируемая в процессе обучения и распознавания база знаний по устранению причин выявляемых типов дефектов помогает еще и эффективно решать задачу обучения персонала, обслуживающего и эксплуатирующего шлифовальное оборудование [6-8]. Все вышеперечисленное позволяет реализовать интеллектуальный мониторинг, поднимая качество выпускаемой продукции на более высокий уровень, и практически исключить брак при шлифовании деталей подшипников.

ЛИТЕРАТУРА

1. Hecht-Nielsen R. Counterpropagation Networks / R. Hecht-Nielsen // Proceedings of the 1ЕЕЕ International Conference on Neural Networks. N.Y., 1987. Р. 19-32.

2. Уоссерман Ф. Нейрокомпьютерная техника: Теория и практика / Ф. Уоссерман. М.: Мир, 1992. 301 с.

3. Бровкова М.Б. Интеллектуализация автоматизированного машиностроительного производства / М.Б. Бровкова. Саратов: СГТУ, 2004. 76 с.

4. Игнатьев С.А. Мониторинг технологического процесса как элемент системы управления качеством продукции / С.А. Игнатьев, В.В. Горбунов, А.А. Игнатьев // Саратов: СГТУ, 2009. 160 с

5. Самойлова Е.М. Интеграция искусственного интеллекта в автоматизированные системы управления и проектирование технологических процессов / Е.М. Самойлова, А.А. Игнатьев // Вестник СГТУ. 2010. № 2 (44). С. 117-119.

6. Мониторинг станков и процессов шлифования в подшипниковом производстве / А.А. Игнатьев, М.В. Виноградов, В.В. Горбунов, В.А. Добряков, С.А. Игнатьев // Саратов: СГТУ, 2004. 124 с

7. Игнатьев А.А. Автоматизация распознавания дефектов шлифованных деталей в системе мониторинга технологического процесса производства подшипников / А.А. Игнатьев, А.Р. Бахтеев; Вестник СГТУ. 2006. № 3 (14). С. 136-142.

8. Горбунов В.В. Статистическое распознавание неоднородностей шлифовальных поверхностей при вихретоковом методе контроля / В.В. Горбунов, А.А. Игнатьев, О.В. Волынская // Автоматизация и управление в машино- и приборостроении: сб. науч. тр. Саратов: СГТУ, 2002. С. 43-46.

9. Фор А. Восприятие и распознавание образов / А. Фор. М.: Машиностроение, 1989. 272 с.

10. Дмитриев А.К. Основы теории построения и контроля сложных систем / А.К. Дмитриев, П.А. Мальцев. Л.: Энергоатомиздат, 1988. 192 с.

Самойлова Елена Михайловна -

кандидат технических наук, доцент кафедры «Автоматизация и управление технологическими процессами» Саратовского государственного технического университета имени Гагарина Ю.А.

Elena M. Samoilova -

Ph. D., Associate Professor Department of Automation Technology and Process Control Gagarin Saratov State Technical University

Игнатьев Станислав Александрович -

доктор технических наук, профессор кафедры «Автоматизация и управление технологическими процессами» Саратовского государственного технического университета имени Гагарина Ю.А.

Stanislav A. Ignatiev -

Dr. Sc., Professor Department of Automation Technology and Process Control Gagarin Saratov State Technical University

Статья поступила в редакцию 11.05.12, принята к опубликованию 06.09.12

i Надоели баннеры? Вы всегда можете отключить рекламу.