CC BY
34
УДК 681.3
НЕЙРО-НЕЧЕТКОЕ ПРОГНОЗИРОВАНИЕ ПРОЧНОСТИ ЖЕЛЕЗОБЕТОННЫХ ИЗДЕЛИЙ
С.А. Ткалич, О.Ю. Таратынов
В статье рассматривается возможность применения современных методик прогнозирования как элемента системы управления качеством. Объектом исследований является система контроля качества при производстве железобетонных изделий. Для решения поставленной задачи предложено использовать модернизированный цикл Э. Деминга с прогнозированием состояния P&P-D-C-A. Применен математический инструментарий искусственных нечетких нейронных сетей с обратным распространением ошибки архитектуры вида ANFIS и TSK. Проведен анализ факторов, влияющих на прочность бетона. В качестве входных характеристик выбраны модуль крупности песка, количество зёрен пластинчатой и игольчатой формы в щебне, объемный вес цемента, предел прочности цементного камня. В качестве выходного параметра используется среднеарифметическая величина разрушающего воздействия по результатам трех экспериментов. Сформирована электронная база данных в среде MS Access на основе данных учетных журналов лаборатории входного контроля предприятия. Сформированы две группы кортежей: для тренировки нечеткой нейронной сети и для проверки натренированной сети на адекватность. Математическая модель показала свою эффективность при тестировании. Средняя величина ошибки составила 9.6 кг/см2 или 2%
Ключевые слова: система контроля качества, нечеткая логика, нейронные сети, прогнозирование, производство железобетонных изделий
Введение
Одним из важнейших факторов роста эффективности производства является улучшение качества выпускаемой продукции или предоставляемой услуги. Повышение качества выпускаемой продукции расценивается в настоящее время как решающее условие её конкурентоспособности на внутреннем и внешнем рынках.
Качество продукции относится к числу важнейших критериев функционирования предприятия в условиях относительно насыщенного рынка и преобладающей неценовой конкуренции. Повышение технического уровня и качества продукции определяет темпы научно - технического прогресса и рост эффективности производства в целом, оказывает существенное влияние на интенсификацию экономики, конкурентоспособность отечественных товаров и жизненный уровень населения страны.
Рост технического уровня и качества выпускаемой продукции является в настоящее время наиболее характерной чертой работы предприятий в про-мышленно развитых странах. В условиях преобладающей неценовой конкуренции и насыщенного рынка именно высокое качество продукции служит главным фактором успеха.
Предприятиям необходимо более эффективно использовать современные технические возможности воздействия на процесс формирования, обеспечения и поддержания необходимого уровня качества на всех стадиях жизненного цикла товара [1].
Прогнозирование как элемент системы управления качеством Процессный подход является одним из основополагающих требований, изложенных в стандарте МС ИСО 9001:2008. Под процессом понимается
Ткалич Сергей Андреевич - ВГТУ, канд. техн. наук, доцент, тел. 8(473) 243-77-20, e-mail: [email protected] Таратынов Олег Юрьевич - ВГТУ, канд. техн. наук, доцент, тел. 8(473) 243-77-20, e-mail: [email protected]
совокупность взаимосвязанных ресурсов и деятельности, преобразующей входящие элементы в выходящие. Одной из известных реализаций "принципа постоянного улучшения" процесса является цикл Э. Деминга Р1ап-Эо-ЗДеск-АС (Р-Э-С-А), представленный на рис. 1.
Планирование
Коррекция
Действие
Контроль
Рис. 1. Классический цикл Э. Деминга Р-Э-С-А
Классический цикл Р-Э-С-А в течение ряда лет является одним из основных методов принципа "постоянного совершенствования", успешно применяемым организациями, практикующими процессный
подход (рис. 2.). _ _
"" "" Управляющие воздействия
Входы
JL
^^^Процесс
W
Выходы
Ресурсы
Рис. 2. Схема процесса
На этапе "Планирование" в рамках цикла Р-Э-С-А планируются управляющие воздействия, целью которых является приближение выходных параметров процесса к оптимальным.
Таким образом, формируется вектор управляющих воздействий Х на процесс, результатом
применения которых на выходе процесса формируется вектор фактических выходных параметров Yфакт, отличающийся от вектора оптимальных параметров Yопт. На этапе "контроль" проводится анализ несоответствий, вычисляется расхождение фактических выходов процесса от оптимальных:
Е Yопт - Yфакт (1)
Очевидно, смысл цикла Р-Э-С-А заключается в минимизации вектора Е. Теоретически, при выполнении бесконечного количества итераций цикла Р-Э-С-А Е ^ 0.
В условиях инновационной модели развития системы управления качеством необходима разработка методов снижения количества итераций цикла Р-Э-С-А, что позволит значительно сократить время вывода выходов процессов на оптимальные показатели, тем самым получив конкурентные преимущества.
Для более эффективной работы цикла Э. Де-минга, необходимо включить современные методики прогнозирования, позволяющие заранее оценить эффективность мероприятий на стадии планирования [2].
Для решения поставленной проблемы предлагается использовать модернизированный цикл -Р&Р-Э-С-А (рис. 3).
Рис. 3. Цикл Э. Деминга с прогнозированием состояния оптимизируемого процесса
На современном этапе развития математических методов предлагается использовать нейросете-вые модели прогнозирования [3], лингвистические системы [4], а также термодинамический подход [5], в том числе с возможностью определения доминирующих параметров риска [6].
Прогнозирование с помощью нейронных сетей в чистом виде в настоящее время всё больше отходит на второй план, поскольку они обладают рядом недостатков и не обеспечивают существенного преимущества по сравнению с нечеткими лингвистическими и стохастическими моделями принятия решений [7, 8].
Особый интерес представляют искусственные нечеткие нейронные сети с обратным распространением ошибки. При этом, на начальном этапе формируются обучающие выборки из векторов ХДф^. Далее, после корректного обучения нейронной сети, появляется возможность оптимизировать выходные параметры процессов.
Прогнозирование с помощью нейро-нечетких сетей
Наибольшее распространение в настоящее время получили архитектуры нечёткой нейросети вида ANFIS и TSK. Доказано, что такие сети являются универсальными аппроксиматорами. Сети данного типа получили свое название в силу того, что для аппроксимации зависимости выходного сигнала от входного вектора X=[xb x2, ..., xN, ]T в них используются выражения, заимствованные из нечетких систем (в частности, из систем Мамдани-Заде и Такаги-Сугено-Канга). Теоретически доказано, что эти выражения позволяют с произвольной точностью аппроксимировать любую непрерывную нелинейную функцию многих переменных суммой функций (называемых нечеткими) одной переменной [9].
В сети Такаги-Сугено-Канга (сокращенно, TSK) выходной сигнал рассчитывается с помощью выражения
УШ = Щр^ (2)
где y¡(x) = pi0 + Sjli(PijXj) - i-ый полиномиальный компонент аппроксимации,
Wj - веса компонентов нейронной сети.
Веса Wj компонентов рассчитываются по следующей формуле (с использованием рациональной формы функции Гаусса)
w^n^c^ = пЦ / (3)
Приведенным выражениям соответствует пя-тислойная нейронная сеть, структурная схема которой представлена на рис. 4.
Разработка системы управления качеством При разработке системы управления качеством на предприятии важным элементом является доступность данных, полученных в результате контроля на основных этапах производственного цикла. До настоящего момента на многих предприятиях собранные данные записываются и хранятся на бумажных носителях - журналах учета. Это снижает скорость доступа к данным, и не позволяет анализировать их с применением ЭВМ и использовать в математических моделях без предварительной оцифровки. Следовательно, важным этапом повешения эффективности контроля качества является построение электронной базы данных, которая, в свою очередь, позволяла бы использовать накопленные эмпирические данные для анализа и прогнозирования [10].
Для построения базы данных использовались учетные журналы лаборатории входного контроля Лискинского предприятия «Спецжелезобетон». Была произведена оцифровка данных за период с янва-
ря 2013 года по апрель включительно. Структура Анализ факторов, влияющих на прочность бетона
Как известно, бетон состоит из цемента, воды и наполнителя. Каждый из этих материалов влияет на результат. Количество и качество каждого компонента являются важными для создания раствора с необходимыми характеристиками. Проанализируем каждый компонент.
1. Наполнитель. Для получения прочного бетона нужно подобрать такой материал наполнителя, который сможет обеспечить минимальное количе-
таблиц показана на рис. 5-8. ство пустот между зерном. Например, если использовать песок одной фракции, количество пустот в наполнителе может составить до 40%, а если приме применять песок разных фракций (и крупнозернистый, и мелкозернистый в одном растворе), можно добиться повышенной плотности бетона. Если же зернистость наполнителя не контролировать и применять любой (например, песок с примесями непосредственно из карьера), потребуется большее количество цемента, причем добиться высокой прочности можно будет не всегда.
Рис. 4. Структурная схема нечеткой нейронной сети TSK
Рис. 5. Структура таблицы входного контроля песка
Д Цемент
Имя поля Тип данных
* Акт Числовой
Дата Дата/время
Насыпная плотность Числовой г/л
Плотность в уплотненном состоянии Числовой Г/л
Густота цементной смеси Числовой %
Начало схватывания Числовой мин
Конец схватывания Числовой мин
Предел прочности при изгибе Числовой МПа
Прочность на сжитие(ИАП) Числовой МПа
СеойстЕа поля
Рис. 6. Структура таблицы входного контроля цемента
Щебень
Имя поля Тип данных
1 Акт Числовой Номер акта
Дата Дата/время Дата испытания
0статок20 Числовой %
Остаток! 2,5 Числовой %
Остаток5 Числовой %
Остаток2,5 Числовой %
Насыпная плотность Числовой кг/мЗ
Содержание пласт и игл зерен Числовой %
Содержание пылевидных частиц Числовой %
Влажность Числовой %
Сбойстеэ поля
Рис. 7. Структура таблицы входного контроля щебня
'"'I Испытания
Имя поля Номер подбора состава бетона Дата формовки Масса образца (10ч) Масса образца (28сут) Предел прочности (среднее, 10ч) Разброс (10ч) Предел прочности (среднее, 28сут) Числовой Разброс (28сут) Числовой
Тип данных Счетчик Дата/время Числовой Числовой Числовой Числовой
кг кг
кгс/см2 кгс/см2
Свойства полл
Рис. 8. Структура таблицы результатов испытания образцов
2. Вода. Для высококачественного бетона используется только чистая вода без примесей. Соли, сульфаты, жиры и органические кислоты, содержащиеся в воде, влияют на процесс отверждения бетона и снижают общую прочность готового раствора. Поэтому для приготовления высококачественного раствора речную, грунтовую, торфяную или промышленную воду нужно заменить питьевой. И уж тем более не стоит использовать морскую воду.
3. Цемент. Наиболее важный компонент, являющийся вяжущим звеном. Чем мельче помол клинкера, тем выше марка бетона, а значит - его клеящая способность. Так же существенное влияние на качество бетона оказывает свойства цементного камня.
4. Крупный наполнитель. Свойства наполнителя влияют на напряжение, при котором начинается образование трещин при сжатии в той же степени, как и на предел прочности при изгибе, так что отношение между этими двумя величинами не зависит от свойств наполнителя. За исключением высокопрочного бетона, свойства наполнителя, особенно структура его поверхности, воздействуют на предел прочности при сжатии намного меньше, чем на предел прочности при растяжении или трещинообразу-ющее напряжение при сжатии.
Таким образом, учитывая имеющиеся данные лаборатории входного контроля Лискинского завода «Спецжелезобетон», для прогнозирования прочно-
сти бетона предлагается контролировать следующие характеристики исходных компонентов:
- модуль крупности песка;
- количество зёрен пластинчатой (лещадной) и игольчатой формы в щебне;
- объемный вес цемента в уплотненном состоянии, отражающий крупность помола;
- предел прочности цементного камня на сжатие.
В качестве выходного параметра используется среднеарифметическая величина разрушающего воздействия по результатам трех экспериментов.
Построение математической модели на основе нейро-нечетких сетей
На основе имеющихся данных о параметрах исходных компонентов собранных за 4 месяца, а так же о результатах испытания образцов за этот же период, была сформирована база данных в среде MS Access. Вышеуказанная база данных использовалась для вычисления закономерностей, связывающих параметры исходных компонентов и прочность образцов приготовленных из них. Были сформированы две группы кортежей. Первая группа использовалась для тренировки нечеткой нейронной сети (результаты представлены на рис. 9). Вторая группа использовалась для проверки натренированной сети на адекватность (результаты представлены на рис. 10) [11].
Рис. 9. Результаты тренировки нейронной сети
Рис. 10. Результаты проверки нейронной сети
Рис. 11. Графический интерфейс пользователя
Для использования данной нечеткой нейронной сети в качестве модели прогнозирования и, таким образом, повышения качества выпускаемой продукции был разработан графический интерфейс пользователя, предоставляющий доступ к ресурсам сети (рис. 11).
Информация, полученная с помощью прогнозирования, основанного на математическом моделировании, позволяет корректировать ход процесса изготовления железобетонных изделий еще на стадии приготовления бетонной смеси и получать изделия с заданными характеристиками прочности.
Выводы
На основании данных лаборатории входного контроля построена электронная база данных, включающая в себя данные контроля исходных компонентов бетонной смеси: песка, щебня и цемента.
Основным критерием, влияющим на качество ЖБИ, выбрана прочность бетона.
В качестве входных характеристик, влияющих на прочность, выбраны модуль крупности песка, количество зёрен пластинчатой (лещадной) и
игольчатой формы в щебне, объемный вес цемента, предел прочности цементного камня.
Данные испытаний на прочность регистрируются по величине разрушающей нагрузки.
Разработана система контроля качества на основе прогнозирования с применением математического моделирования, основанного на аппарате нечеткой логики и нейронных сетей.
Математическая модель показала свою эффективность при тестировании. Средняя величина ошибки составила 9.6 кг/см2 или 2%.
Литература
1. Аристов О.В. Управление качеством: учебник/ О.В. Аристов. - М.: БЕК, 2010. - 385 с.
2. Алексеева Е.В. Теория принятия решений / Е.В. Алексеева. - М.: МГТУ имени Н.Э. Баумана, 2008. 412 с.
3. Ткалич С.А. Нейросетевая модель процесса прогнозирования аварийной ситуации / С.А. Ткалич// Системы управления и информационные технологии. -2008. -Т. 33. -№3.1. -С. 196-200.
4. Ткалич С.А. Лингвистическая система прогнозирования аварийных ситуаций в производстве синтетических каучуков / С.А. Ткалич // Вестник Воронежского государственного технического университета. -2009. -Т. 5. -№ 8. -С. 103-112.
5. Ткалич С.А. Термодинамический подход к прогнозированию аварийных ситуаций / С.А. Ткалич // Системы управления и информационные технологии. 2008. Т. 33. № 3.1. С. 200-204.
6. Ткалич С.А. Определение доминирующих параметров риска в системах прогнозирования аварийных ситуаций/ С.А. Ткалич // Вестник Воронежского государственного технического университета. -2010. -Т. 6. -№ 1. -С. 81-84.
7. Ткалич С.А. Основания и возможности использования искусственных нейросетей в системах прогнозирования / С.А. Ткалич, Е.М. Васильев // Электротехнические комплексы и системы управления. 2008. № 2. С. 37-38.
8. Ткалич С.А. Модели принятия решений в системах управления потенциально-опасными производствами /С.А. Ткалич, В.П. Поваров, А.В. Бурковский // Вестник Воронежского государственного технического университета. -2014. -Т. 10. -№ 5.1. -С. 129132.
9. Рутковская Д.А. Нейронные сети, генетические алгоритмы и нечеткие системы / Д.А. Рутковская. - М.: Горячая линия-Телеком, 2006. - 383 с.
10. Захаров В.Н. Современная информационная технология в системах управления / В.Н. Захаров // Известия академии наук. Теория и системы управления. 2000. №1. С. 70-78.
11. Леоненков А.В. Нечеткое моделирование в среде МАТЬАВ и ^уТЕСН / А.В. Леоненков. СПб.: БВХ-Петербург, 2005. - 736 с.
Воронежский государственный технический университет
NEURO-FUZZY FORECASTING OF FIRMNESS OF THE REINFORCED CONCRETE
MATERIALS
S.A. Tkalich1, O.Ya. Taratynov2
'PhD Associate Professor, Voronezh State Technical University, Voronezh, Russian Federation, e-mail: [email protected]
PhD Associate Professor Voronezh State Technical University, Voronezh, Russian Federation, e-mail: [email protected]
The article considers the possibility of applying modern forecasting techniques as an element of a quality management system. The object of research is a quality control system for the production of reinforced concrete products. To solve the problem, it was suggested to use the modernized E. Deming cycle with the prediction of the P & P-D-C-A state. The mathematical toolkit of artificial fuzzy neural networks with backward propagation of architectural errors of the form ANFIS and TSK is applied. The analysis of the factors influencing the strength of concrete is carried out. As input characteristics, the sand size modulus was chosen, the number of plaque and needle-shaped grains in the rubble, the bulk density of cement, the ultimate strength of the cement stone. As output parameter arithmetic mean value of the destroying influence by results of three experiments is used. The electronic database in the environment of MS Access on the basis of these registration logs of laboratory of incoming inspection of the enterprise is created. Two groups of tuples are created: for a training of an indistinct neural network and for check of the trained network on adequacy. The mathematical model showed the efficiency when testing. The average error value was 9.6 kg/cm2 or 2%
Key words: Quality control system, fuzzy logic, neural networks, forecasting, production of reinforced concrete products
References
1. Aristov O.V. «Upravlenie kachestvom» [Quality Management]: Textbook. - Moscow: BEK, 2010. - 385 p.
2. Alekseeva E.V «Teorija prinjatija reshenij» [The theory of decision making]. - M.: MSTU after N.E. Bauman, 2008. - 412
P.
3. Tkalich S.A. «Nejrosetevaja model' processa prognozirovanija avarijnoj situacii» [Neural network model of process of prediction of a contingency situation], Sistemy upravlenija i informacionnye tehnologii. 2008. T. 33. №3.1. pp. 196-200.
4. Tkalich S.A. «Lingvisticheskaja sistema prognozirovanija avarijnyh situacij v proizvodstve sinteticheskih kauchukov» [Linguistic system of prediction of contingency situations in production of synthetic rubbers] // Vestnik Voronezhskogo gosudarstvennogo tehnicheskogo universiteta, 2009, Vol. 5, № 8, pp. 103-112.
5. Tkalich S.A. «Termodinamicheskij podhod k prognozirovaniju avarijnyh situacij» [Thermodynamic approach to forecasting emergency situations], Control Systems and Information Technology. 2008. T. 33. № 3.1. pp. 200-204.
6. Tkalich S.A. «Opredelenie dominirujushhih parametrov riska v sistemah prognozirovanija avarijnyh situacij» [Determination of the dominating risk parameters in systems of prediction of contingency situations], Vestnik Voronezhskogo gosudarstvennogo tehnicheskogo universiteta, 2010, Vol. 6, № 1, pp. 81-84.
7. Tkalich S.A, Vasiliev E.M. «Osnovanija i vozmozhnosti ispol'zovanija iskusstvennyh nejrosetej v sistemah prognozirovanija» [Bases and possibilities of using artificial neural networks in forecasting systems], Electrotechnical complexes and control systems, 2008, № 2, pp. 37-38.
8. Tkalich S.A., Povarov V.P., Burkovskij A.V. «Modeli prinjatija reshenij v sistemah upravlenija potencial'no-opasnymi proizvodstvami» [Decision making models in control systems of potential-dangerous productions], Vestnik Voronezhskogo gosudarstvennogo tehnicheskogo universiteta, 2014, T. 10, № 5-1, pp. 129-132.
9. Rutkovskaya D.A. «Nejronnye seti, geneticheskie algoritmy i nechetkie sistemy» [Neural networks, genetic algorithms and fuzzy systems]. - M .: Hot line-Telecom, 2006. - 383 p.
10. Zakharov V.N. «Sovremennaja informacionnaja tehnologija v sistemah upravlenija» [Modern Information Technology in Control Systems], Izvestiya Akademii Nauk. Theory and control systems, 2000, №1, pp.70-78
11. Leonenkov A.V. «Nechetkoe modelirovanie v srede MATLAB i fuzzyTECH» [Fuzzy modeling in the environment of MATLAB and fuzzyTECH].- SPb .: BVH-Petersburg, 2005. - 736 p.
