CC BY
4Компетентность / Competency (Russia) 6/2024 DOI: 10.24412/1993-8780-2024-6-46-50
Качество технологических процессов в аддитивном приборостроении: модели машинного обучения
Традиционные методы контроля качества часто оказываются неадекватными для уникальных условий и требований, предъявляемых к производственным процессам в аддитивном приборостроении. В этой ситуации машинное обучение предстает мощным инструментом, способным преобразовать отрасль
А.Г. Чуновкина1
ФГАОУ ВО «Санкт-
Петербургский государственный
университет аэрокосмического
приборостроения»
(ФГАОУ ВО ГУАП),
д-р техн. наук, ст. науч. сотрудник,
a.g.chunovkina@vniim.ru
А.П. Ястребов1
ФГАОУ ВО ГУАП,
д-р техн. наук, профессор,
ap.guap@gmail.com
А.В. Чабаненко2
ФГАОУ ВО ГУАП, канд. техн. наук, a@chabanenko.ru
М.Д. Рассыхаева3
ФГАОУ ВО ГУАП, mitschiru@ya.ru
1 профессор, Санкт-Петербург, Россия
2 доцент, Санкт-Петербург, Россия
3 ассистент, Санкт-Петербург, Россия
Для цитирования: Чуновкина А.Г., Ястребов А.П., Чабаненко А.В., Рассыхаева М.Д. Качество технологических процессов в аддитивном приборостроении: модели машинного обучения // Компетентность / Competency (Russia). — 2024. — № 6. DOI: 10.24412/1993-8780-2024-6-46-50
ключевые слова
контроль, обеспечение качества, машинное обучение, адаптивные модели, аддитивные технологии
ддитивное производство, или 3D-пе-чать, представляет собой процесс создания объектов последовательным нанесением материала слой за слоем, что позволяет реализовывать сложные дизайны, которые либо непрактично, либо вообще невозможно создавать с помощью традиционных методов обработки.
Этот процесс начинается с разработки цифровой 3D-модели, которая служит синтезирующим чертежом для изготовления физического объекта. Затем специализированное программное обеспечение разбивает модель на тонкие горизонтальные слои и определяет код управления 3D-принтером.
Однако несмотря на широкий спектр возможностей, аддитивное производство сталкивается с рядом вызовов, включая ограничения на выбор материалов, неточности и вероятность появления дефектов в процессе печати, например неровности или пористости материала, что может существенно повлиять на механические свойства и долговечность изготовленных изделий.
Для решения этих проблем предлагается использовать методы машинного обучения (МО), способные анализировать данные с датчиков в реальном времени и корректировать параметры процесса для минимизации дефектов и оптимизации качества продукции. Например, алгоритмы предсказательного анализа могут оценивать потенциальные дефекты на основании текущих условий печати и исторических данных, позволяя операторам вносить коррективы в процесс еще до возникновения ошибок.
Такой подход не только улучшает качество, но и повышает эффективность производства, сокращая количество отходов и время на доработку.
Механизмы применения машинного обучения в управлении качеством процессов
Традиционные методы контроля качества часто неспособны удовлетворить требованиям, предъявляемым к новым технологиям изготовления. Они могут быть слишком медленными, дорогими или неэффективными при работе с высокой степенью индивидуализации и сложности, которые предлагает аддитивное производство. В отличие от них цифровые инструменты [1] и методы машинного обучения дают возможность непрерывного сбора и анализа данных в реальном времени, позволяя оперативно корректировать процессы и повышать качество продукции [2].
Специфические задачи МО в аддитивном производстве представлены в таблице.
Основными технологическими вызовами для реализации таких систем являются сбор и обработка больших объемов данных, а также разработка алгоритмов, способных работать в условиях высокой неопределенности и переменности процессов. Решением может служить применение глубокого обучения и нейронных сетей, которые могут эффективно обрабатывать сложные и многообразные данные, получаемые во время аддитивного производства.
Машинное обучение в аддитивном производстве
|О находит применение в аддитивном производстве посредством различных алгоритмов и техник, нацеленных на оптимизацию процессов, повышение качества изделий и автоматизацию контроля качества. Эти задачи реализуются с помощью моделей предсказательного анализа, обучения с подкреплением
Компетентность / Competency (Russia) 6/2024 DOI: 10.24412/1993-8780-2024-6-46-50
и глубокого обучения, каждая из которых обладает уникальными возможностями для решения специфических проблем производства.
Одним из ключевых направлений является использование предсказательных моделей для анализа и предсказания качества и механических свойств изделий на основе параметров процесса печати. Модели, такие как регрессионный анализ и нейронные сети, используются для формирования зависимостей вида у = /(Х)у = /(X), где у — это качественные или количественные характеристики продукта, а X — вектор входных параметров, например температуры, скорости печати, материала и т.д.
Пример формулы регрессии для МО:
у = Р0 + в 1x1 + в2х2 + ... + впхп + еу = = в0 + Р1х1 + в 2x2 +...+ впхп+ е,
где в0, в1, .., вп — коэффициенты модели;
х1, х2, .., хп — входные параметры; е — ошибка модели. В области оптимизации параметров печати широко используются алгоритмы обучения с подкреплением, которые позволяют системе самостоятельно исследовать пространство возможных решений и определять оптимальные условия производства на основе получаемого вознаграждения за качество
Использование глубокого обучения является мощным инструментом для анализа изображений и данных с датчиков в реальном времени для выявления дефектов
конечного продукта. Процесс обучения можно представить через функцию ценности Q(s, a)Q(s, a), которая оценивает ожидаемое вознаграждение при переходе из состояния s в состояние s' с действием a:
Q(s, a) = r +ymaxa'Q(s', a')Q(s, a) = = r + ymaxa ' Q(s', a'),
где r — вознаграждение за действие;
Y — коэффициент дисконтирования будущих вознаграждений.
Использование глубокого обучения, в частности конволюционных нейронных сетей (CNN), является мощным инструментом для анализа изображений и данных с датчиков в реальном времени для выявления дефектов в процессе печати. Эти модели автоматически извлекают признаки из данных и классифицируют их на нормальные и дефектные, что позволяет оперативно корректировать параметры процесса и предотвращать дальнейшее распространение ошибок.
Таблица
Специфические задачи машинного обучения в аддитивном производстве [Specific tasks of machine learning in additive manufacturing]
Задача МО [The task of ML] Типы данных [Data types] Типы моделей [Model types] Примеры применения [Examples of application]
Предсказание свойств материала Структурные данные, тестовые результаты Регрессионные модели, нейронные сети Предсказание механических свойств печатных материалов
Оптимизация параметров печати Параметры печати, результаты качества Сети глубокого обучения, алгоритмы оптимизации Автоматическая настройка температуры и скорости подачи
Детектирование дефектов Изображения, сенсорные данные Конволюционные нейронные сети Распознавание дефектов слоев в реальном времени
Адаптивное управление процессом Данные с датчиков, операционные параметры Сети обучения с подкреплением Динамическая корректировка процессов в зависимости от состояния оборудования
Прогнозирование срока службы оборудования Логи работы, данные об обслуживании Выживаемые модели, временные ряды Предсказание времени до отказа критических компонентов оборудования
Автоматизация контроля качества Параметры изделий, контрольные измерения Алгоритмы классификации Автоматическая проверка и классификация готовой продукции
Компетентность / Competeпcy (Russia) 6/2024 DOI: 10.24412/1993-8780-2024-6-46-50
Развитие адаптивных моделей машинного обучения для управления качеством в аддитивном приборостроении открывает новые горизонты для производственных технологий
Для улучшения точности и уменьшения времени обучения моделей разработчики часто прибегают к передовым техникам, таким как трансферное обучение и ансамбли моделей. Транс-ферное обучение позволяет применять знания, усвоенные в одной задаче, для ускорения и улучшения обучения в другой, похожей на нее. Это особенно ценно в сфере аддитивного производства, где данные могут быть ограниченными или дорогими в получении. Ансамбли моделей, такие как случайный лес или градиентный бустинг, объединяют прогнозы из нескольких моделей, чтобы повысить общую точность и устойчивость предсказаний.
Адаптивные модели машинного обучения
Адаптивные модели МО основаны на алгоритмах, которые способны учиться на базе поступающей информации и адаптироваться к изменяющимся условиям производственного процесса. Такие модели играют ключевую роль в аддитивном производстве, обеспечивая способность системы к самообучению и автоматической корректировке в ответ на изменения в производственном процессе. Эти модели особенно важны в условиях, когда требуется высокая точность и надежность и когда процессы подвержены внутренним и внешним возмущениям.
Фундаментальными элементами адаптивных моделей можно назвать алгоритмы обучения с подкреплением, которые позволяют системам динамически адаптироваться и оптимизировать свое поведение через взаимодействие с окружающей средой. В контексте
аддитивного производства такие модели могут, например, контролировать и корректировать параметры печати в реальном времени для минимизации дефектов и оптимизации использования материалов.
Формула ценности для состояния 5 и действия а в обучении с подкреплением может быть выражена как:
Q(s, а) = г + утаха'ОУ, а') 0(5, а) = = г + утаха ' 05, а'),
где г представляет собой немедленное вознаграждение после выполнения действия а из состояния 5;
у — это коэффициент дисконтирования будущих вознаграждений;
а — возможные последующие действия.
Другой важный аспект адаптивных моделей — это их способность к обучению в режиме онлайн, что включает их обновление во время эксплуатации. Это особенно актуально для аддитивного производства, где изменения в материалах, среде или самом оборудовании могут влиять на качество и результаты процесса. Онлайн-обучение позволяет модели постоянно улучшаться, используя новые данные по мере их поступления.
Формула обновления весов в адаптивной модели может быть представлена следующим образом:
wt + 1 = wt + - yt)xtwt + 1 = = wt + - у1)х1,
где wt и wt + 1wt + 1 — веса модели до и после обновления соответственно; П — скорость обучения; yt — истинное значение цели; yt — предсказанное значение; xt — входные данные. Адаптивные модели МО в аддитивном производстве способны не только динамически реагировать на изменения в процессе, но и предсказывать потенциальные сбои или отклонения качества до их возникновения. Это достигается за счет анализа непрерывно собираемых данных в реальном времени, которые модели используют для обновления и исправления своих предсказаний и действий.
Компетентность / Competency (Russia) 6/2024 DOl: 10.24412/1993-8780-2024-6-46-50
организация производства 49
На практике это может выглядеть как система, оснащенная датчиками, которые постоянно отслеживают критические параметры производства, такие как температура, давление и скорость подачи материала. Собираемые данные анализируются МО для выявления несоответствий или отклонений от стандартных параметров. Если такие отклонения обнаруживаются, система автоматически корректирует процесс печати, что позволяет предотвратить возможные ошибки или дефекты продукта еще на ранней стадии.
Кроме того, адаптивные модели могут обучаться на основе прошлого опыта, интегрируя обратную связь о качестве продукции после каждого цикла печати. Это позволяет системе не только реагировать на текущие изменения, но и прогнозировать будущие тренды и потребности, оптимизируя процессы в соответствии с накопленными данными.
Внедрение таких адаптивных систем также способствует увеличению экономической эффективности производства. Благодаря минимизации отходов и сокращению количества брака, предприятия могут значительно снизить свои операционные затраты. Автоматизация рутинных процессов и повышение точности производства обеспечивают более высокую скорость выпуска продукции и более высокое качество изделий, что делает производство более конкурентоспособным.
Заключение
Развитие адаптивных моделей машинного обучения для управления качеством в аддитивном приборостроении открывает новые горизонты для производственных технологий. Это не только повышает качество и надежность продукции, но и способствует более широкому внедрению аддитивных технологий в различные сферы жизнедеятельности. Подобные инновации могут радикально изменить производственные процессы,
делая их более гибкими, экономически выгодными и устойчивыми к изменениям внешней среды.
По мере того как технологии МО продолжают развиваться, мы можем ожидать еще более глубокую интеграцию адаптивных систем в различные сегменты аддитивного производства. Новые исследования, вероятно, будут сосредоточены на улучшении алгоритмов для работы с более сложными данными и условиями, что позволит еще больше повысить точность и надежность производственных процессов. Особое внимание будет уделено разработке гибридных систем, которые совмещают различные типы МО для преодоления трудных задач, таких как прогнозирование поведения будущих перспективных материалов или необычных геометрических конструкций.
Кроме того, ожидается, что улучшения в алгоритмах МО приведут к созданию более мощных и эффективных методов реального времени для мониторинга и контроля качества. Это позволит автоматически адаптироваться к изменениям в процессе производства без вмешательства оператора, что сделает производственные системы более независимыми и автономными.
Поскольку применение адаптивных моделей МО в аддитивном производстве продолжает развиваться, важным аспектом будущих исследований станет фокус на устойчивость и эколо-гичность производственных процессов. Улучшенные алгоритмы МО могут способствовать более эффективному использованию материалов, снижению энергопотребления и минимизации отходов, что существенно повышает экологическую устойчивость производства. Эти усилия могут включать разработку новых методов для оптимизации параметров печати в режиме реального времени, а также для более точного прогнозирования влияния
различных производственных условий Статья поступила на окружающую среду. ■ в редакцию 10.05.2024
Список литературы
1. Назаренко М.А., Шмелева А.Н. // Компетентность. — 2024. — № 2.
2. Фролова Е.А., Тушавин В.А., Чабаненко А.В. // Известия Самарского научного центра РАН. —
2023. — Т. 25. — № 6(116)
Kompetentnost / Competency (Russia) 6/2024 ISSN 1993-8780. DOI: 10.24412/1993-8780-2024-6-46-50
Quality of Technological Processes in Additive Instrumentation: Machine Learning Models
A.G. Chunovkina1, FSAEI HE St. Petersburg State University of Aerospace Instrumentation (FSAEI HE SUAI), Senior
Researcher Dr. (Tech.), a.g.chunovkina@vniim.ru
A.P. Yastrebov1, FSAEI HE SUAI, Prof. Dr. (Tech.), ap.guap@gmail.com
A.V. Chabanenko2, FSAEI HE SUAI, PhD (Tech.), a@chabanenko.ru
M.D. Rassykhaeva3, FSAEI HE SUAI, mitschiru@ya.ru
1 Professor, St. Petersburg, Russia
2 Associate Professor, St. Petersburg, Russia
3 Assistant, St. Petersburg, Russia
Nation: Chunovkina A.G., Yastrebov A.P., Chabanenko A.V., Rassykhaeva M.D. Quality of Technological Processes in Additive Instrumentation: Machine Learning Models, Kompetentnost'/ Competency (Russia), 2024, no. 6, pp. 46-50. DOI: 10.24412/1993-8780-2024-6-46-50
key words
control, quality assurance, machine learning, adaptive models, additive technologies
References
Traditional quality control methods often turn out to be inadequate for the unique conditions and requirements imposed on production processes in additive instrumentation. In this situation, machine learning appears to be a powerful tool that can transform the industry. The main technological challenges of additive production are the collection and processing of large amounts of data, as well as the development of algorithms capable of operating under conditions of high uncertainty. Machine learning methods enable continuous data collection in real time. With their help, you can constantly analyze the process and immediately adjust its parameters. In particular, predictive analysis algorithms can evaluate potential defects based on current printing conditions and historical data, allowing operators to make adjustments to the process before errors occur.
1. Nazarenko M.A., Shmeleva A.N., Kompetentnost', 2024, no. 2, pp. 42-45.
2. Frolova E.A., Tushavin V.A., Chabanenko A.V., News of Samara scientific center of RAS, 2023, vol. 25, no. 6(116), pp. 84-91.
СОБЫТИЕ
Первый сочинский пляж прошел сертификацию
Расположенный в самом центре города Сочи пляж «Маяк» прошел сертификацию по стандартам Роскачества и получил первую категорию «Синий флаг»
Сочи продолжает оставаться одним из самых востребованных курортов страны. В прошлом году туристический поток составил 7,6 млн человек, и, по прогнозам специалистов, к 2030 г. количество туристов превысит 10 млн. Эксперты системы контроля качества оценили это место отдыха по всем существующим критериям. Сертификация пляжа проводилась в строгом соответствии с актуальными требованиями. Среди них - наличие специальной инфраструктуры, обеспечивающей безопасность отдыхающих. Комиссия проверила медицинские пункты, спасательные станции и квалификацию персонала. В обязательный набор условий входит водолазное обследование и чистка территории.
Было отмечено, что пляж «Маяк» хорошо обустроен. Здесь есть места для хранения вещей, питьевые фонтаны, душевые и кабинки для переодевания.
Пляж доступен для людей с ограниченной подвижностью, а также оборудован комнатой матери и ребенка и игровыми площадками.
По материалам www.gost.ru
