CC BY
85
УДК 658.562
Н.А. Тарасова, асп., (4872) 33-23-50,
В.М. Лялин, д-р техн. наук, проф., (4872) 33-23-50,
О.В. Пантюхин, канд. техн. наук, директор издательства, (4872) 35-36-20, ntomach@tsu.tula.ru (Россия, Тула, ТулГУ)
МЕТОД ПРИМЕНЕНИЯ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ ДЛЯ ПРОГНОЗИРОВАНИЯ ПАРАМЕТРОВ КАЧЕСТВА ПАТРОНОВ
В статье описан метод применения искусственных нейронных сетей для прогнозирования параметров качества патронов, реализация которого позволит оценивать качество полуфабрикатов в процессе производства и готовых изделий, а также оценивать состояние технологического процесса и предупредить появление брака.
Ключевые слова: искусственная нейронная сеть, управление качеством, прогнозирование параметров.
Рассмотрим метод применения искусственных нейронных сетей (ИНС) для прогнозирования параметров качества патронов, реализация которого позволит оценивать качество полуфабрикатов в процессе производства и готовых изделий, а также оценивать состояние технологического процесса и предупредить появление брака
К качеству патронов предъявляются повышенные требования, поэтому обеспечение их качества на каждой технологической операции является важной задачей. Неотъемлемой составляющей обеспечения качества является прогнозирование параметров качества. Для оценки качества полуфабриката в процессе производства необходимо не только осуществлять оперативную обработку информации, полученной в результате измерений параметров полуфабриката на данной технологической операции, но и иметь возможность предсказывать с высокой долей вероятности значения параметров качества изделия последующих технологических операций. В настоящее время наиболее эффективным методом решения задачи прогнозирования является метод нейронных сетей.
Описание функционирования нейронной сети
Искусственная нейронная сеть представляет собой структуру, состоящую из простых элементов - искусственных нейронов, соединенных друг с другом и способных совместно решать сложные задачи.
Основной элемент нейронных сетей - искусственный нейрон является упрощенной математической моделью биологического нейрона, его аналогом в искусственной нейронной сети.
На вход искусственного нейрона (рис. 1) поступает некоторое множество сигналов х1, х2,..., хп, каждый из которых является выходом другого нейрона. Каждый вход умножается на соответствующий вес <х>1, ют,
юп и поступает на суммирующий блок, обозначенный S. Суммирующий блок, соответствующий телу биологического элемента, складывает взвешенные входы алгебраически, создавая выход - NET.
Рис. 1. Принцип функционирования искусственного нейрона
Объединенные между собой нейроны образуют систему, которая в дальнейшем называется искусственной нейронной сетью. Созданы однослойные и многослойные нейронные сети (рис. 2). Слой содержит совокупность нейронов с едиными входными сигналами. Число нейронов в слое может быть любым и зависит от поставленной задачи.
Рис. 2. Многослойная искусственная нейронная сеть
Организация элементов нейросети является параллельной, вычисления производятся от слоя к слою, что можно сравнить с цепной реакцией.
Обучение нейронной сети
Процедуре построения ИНС предшествует подготовка данных, полученных в результате измерений параметров качества патронов на каждой технологической операции. Из массива измеренных данных необходимо исключить резко выделяющиеся значения, что ускорит процесс обучения нейронной сети.
Важно также определить, значения каких параметров будут подаваться на вход сети и какие параметры необходимо спрогнозировать на выходе сети для каждой технологической операции.
Смысл обучения нейронной сети заключается в подборе значений ее весов. Для обучения нейронной сети разработаны специальные алгоритмы
обучения. Существуют различные типы обучения, «с учителем» и «без учителя».
На рис. 3 проиллюстрирован пример обучения «с учителем».
база
длины*
~Г
ИЫЁКЭр
И" сеть ОЙуЧСНЛ
прнмензчи? нойроссіпи ответ сг-тм А ошибка I МИЛУ
■ я ш, 9 я ш ■ рнч#г рщрї&кн
І о ШИЇІК Й 1 вшчниа
подстройки
весов сети
Рис. 3. Обучение нейронной сети
Для обучения сети предъявляется массив входных и выходных данных, полученных путем измерений параметров качества и наблюдений за процессом в течение длительного времени. Данная информация содержится на предприятиях в виде контрольных карт, контрольных листков, в которых отражены количественные и качественные результаты контроля параметров полуфабриката на каждой технологической операции. Качество обучения ИНС напрямую зависит от объема обучающей выборки, а также от полноты описания исходными данными конкретной задачи.
В процессе обучения величина ошибки (сумма квадратов ошибок по всем выходам) постепенно уменьшается. Обучение останавливают, когда величина ошибки достигает нуля или приемлемого малого уровня. В этом случае полученную нейронную сеть считают обученной и готовой к применению на новых данных.
Применение нейронных сетей
Нейронные сети широко используются для поиска сложных, скрытых зависимостей огромного количества данных, которые не обнаруживаются стандартными статистическими методами.
Ниже перечислены области, в которых эффективность применения нейронных сетей доказана на практике:
Для финансовых операций:
- прогнозирование поведения клиента;
- прогнозирование и оценка риска предстоящей сделки;
- прогнозирование возможных мошеннических действий;
- прогнозирование остатков средств на корреспондентских счетах банка;
- прогнозирование движения наличности, объемов оборотных средств;
- прогнозирование экономических параметров и фондовых индексов.
Для планирования работы предприятия:
- прогнозирование объемов продаж;
- прогнозирование загрузки производственных мощностей;
- прогнозирование спроса на новую продукцию.
Для бизнес-аналитики и поддержки принятия решений:
- выявление тенденций, корреляций, типовых образцов и исключений в больших объемах данных;
- анализ работы филиалов компании;
- сравнительный анализ конкурирующих фирм.
Другие применения:
- оценка стоимости недвижимости;
- контроль качества выпускаемой продукции;
- системы слежения за состоянием оборудования;
-проектирование и оптимизация сетей связи, сетей электроснабжения;
- прогнозирование потребления энергии;
-распознавание рукописных символов, в т.ч. автоматическое распознавание и аутентификация подписи;
-распознавание и обработка видео и аудио сигналов.
Пример применения нейронной сети для прогнозирования качества патронов
В качестве примера рассмотрим одну из операций (а именно: вырубку-свертку колпака) технологического процесса производства гильзы патрона 7.62x39.
После данной операции полуфабрикат должен удовлетворять следующим требованиям технических условий (ТУ).
Наименование и обозначение параметра
Толщина рондоли, ^
Диаметр рондоли, dr Разностенность колпака, гк Наружный диаметр колпака, dk
Значение параметра по ТУ, мм
3,2-од
20,8
0,10
15,85-о,іі
Были установлены следующие взаимосвязи между параметрами гильзы (рис. 4).
Результаты выборки (149 записей) со значениями контролируемых параметров были занесены в нейронную сеть.
В процессе работы нейронной сети были определены степени влияния параметров технологического процесса на допустимую норму брака.
Рис. 4. Схема взаимосвязи между параметрами гильзы
Как видно из рис. 5, наибольшее влияние на допустимую норму брака оказывают параметры рабочего инструмента, затем параметры исходного материала и наименьшую степень влияния оказывают параметры оборудования.
Рис. 5. Степень влияния параметров технологического процесса
на допустимую норму брака
Для визуального анализа воспользуемся картами Кохонена (рис. 6).
Рис. 6. Карты Кохонена для операции вырубка-свертка
Данные карты позволяют провести визуальную обработку числовой информации и выявить нежелательные значения параметров технологического процесса. Например, в правом верхнем углу выделен кластер, для которого количество бракованных изделий превышает допустимую норму.
Для решения поставленной задачи можно также воспользоваться регрессивной моделью на основе нейронной сети (рис. 7).
■■ гттмдг.-.-^^ ид -1 1__ипгр^Н
Ъ I* Iщт ■ м и« > Л]
г га й т * £ * » т з
* ". Ч *■
—• Т ■ -ч| Т. г -г ПГ - Ь
Ъ —
ДОЧОК»
■т
НІ1“ ¥ г ’І - г ■. И
Рис. 7. Регрессивная модель для операции вырубка-свертка
Выходом данной модели является число от 0 до 1. Чем ближе число к единице, тем больше вероятность недопустимого количества брака.
В качестве входов модели выступают параметры технологического процесса.
На рис. 6 показана зависимость вероятности недопустимого количества бракованной продукции от параметров рабочего инструмента при фиксированных значениях других параметров технологического процесса. Аналогичные диаграммы можно построить и для других параметров технологического процесса.
Таким образом, определив все значимые параметры качества на входе и выходе каждой технологической операции процесса изготовления патронов, можно построить с применением программных реализаций метода ИНС нейронные сети для каждой отдельной технологической операции. Обученные с помощью массива производственных данных нейронные сети позволят прогнозировать параметры качества патронов еще до того, как изделия будут подвергнуты обработке на последующей технологической операции. Своевременно полученные прогнозные данные дадут возможность оперативно оценить состояние качества полуфабрикатов в процессе производства, что позволит, в свою очередь, в случае необходимости, вмешаться в ход технологического процесса и предупредить выпуск некачественной продукции.
Список литературы
1. Вороненко Д.И. Нейросети - за и против. Харьков, 2004.
2. Ежов А.А., Шумский С.А. Избранные лекции по нейрокомпьютингу. М: МИФИ, 1998.
3. Уоссермен Ф. Нейрокомпьютерная техника: теория и практика. М.: Мир, 1992.
N.A. Tarasova, V.M. Lyalin, O. V. Pantukhin
METHOD OF APPLYING THE ARTIFICIAL NEURAL NETS TO FORECAST CARTRIDGE QUALITY PARAMETERS
The article describes the methodfor application of artificial neural nets to forecast the cartridge quality parameters. Its implication will allow assessing both semi-finished products quality in the production process and finished products. It will also enable assessing of technological process and prevent defects.
Key words: artificial neural nets, quality management, parameters forecast.
УДК 658.562
O.B. Пантюхин, канд. техн. наук, директор издательства, (4872) 35-36-20, ntomach@tsu.tula.ru,
В.М. Лялин, д-р техн. наук, проф., (4872) 33-23-50,
Н.А. Тарасова, асп., (4872) 33-23-50 (Россия, Тула, ТулГУ)
УПРАВЛЕНИЕ КАЧЕСТВОМ ИЗДЕЛИЙ МАССОВОГО ПРОИЗВОДСТВА С ПРИМЕНЕНИЕМ ТЕОРИИ НЕЙРОННЫХ СЕТЕЙ
В статье описан метод управления качеством изделий массового производства с применением теории искусственных нейронных сетей. Внедрение метода позволит решить проблему управления качеством изделий в кратчайшие сроки без коренной перестройки инфраструктуры существующего производства.
Ключевые слова: искусственная нейронная сеть, управление качеством, прогнозирование параметров.
В настоящее время к качеству изделий массового производства предъявляются повышенные требования. При больших объемах партий изделий возникает проблема, заключающаяся в необходимости своевременного получения объективной информации о состоянии технологического процесса (ТП) для оперативного управления им [1]. Для управления процессом необходимо выявить все факторы, обусловившие появление причин потери качества изделий.
Данную проблему невозможно решить без применения современных методов получения, обработки и анализа информации, полученной путем
