CC BY
10
УДК 658.562
ОРГАНИЗАЦИЯ ПРОЦЕССА УПРАВЛЕНИЯ КАЧЕСТВОМ ИЗДЕЛИЙ ОТВЕТСТВЕННОГО НАЗНАЧЕНИЯ
С.А. Васин, О.В. Пантюхин
Рассмотрены вопросы организации управления качеством изделий ответственного назначения, изготавливаемых для горной промышленности и отраслей машиностроения.
Ключевые слова: технологический процесс, контроль качества, история качества, искусственные нейронные сети, массовое производство.
При массовом производстве изделий ответственного назначения возникает актуальная задача построения эффективной системы управления качеством на предприятии. Особенно это важно при изготовлении изделий, которые эксплуатируются в условиях повышенных нагрузок [1,2]. К таким изделиям относятся, например, ролики, втулки горных транспортных машин, тонкостенные цилиндрические детали для различных отраслей машиностроения. От того, насколько правильно будет организовано это управление, зависит не только качество продукции, но и экономическая эффективность предприятия в целом.
Для реализации данной задачи требуется внедрение целого комплекса мер организационно-технического характера, таких, как тщательный входной контроль материалов для производства продукции, своевременные диагностика и ремонт оборудования, использование качественного инструмента и его своевременная замена, проведение контроля в ходе производства с применением современных методов и средств контроля, повышение квалификации персонала.
Причем нужно не только осуществлять контроль, оценивать состояние технологического процесса (ТП), устранять причины появления бракованной продукции, но и получать прогнозные оценки значений контролируемых параметров, которые позволят осуществить упреждающее и корректирующее воздействие.
В настоящее время наиболее эффективным математическим аппаратом для прогнозирования параметров качества изделий и установления сложных взаимосвязей между ними является метод искусственных нейронных сетей (ИНС), широко использующийся при управлении процессами различных производств [3-7].
Математический аппарат ИНС предлагается интегрировать в систему контроля и управления качеством в виде готовых рабочих программ, которые скомпилированы на основе обученных и сконфигурированных под конкретные задачи ИНС.
Обучение ИНС необходимо осуществлять на основе истории качества изготовления конкретного изделия, полученной на основе результатов контрольных мероприятий за большой промежуток времени (рис.1).
Обученная ИНС
База данных (история качества)
Рис. 1. Обучение искусственной нейронной сети на основе
истории качества
Для обучения сети предъявляются значения параметров качества из базы данных предприятия (истории качества), полученных на входе и на выходе каждой технологической операции. Например, для построения ИНС, прогнозирующей параметры качества тонкостенных цилиндрических изделий на операции четвертой вытяжки (разностенность у среза rs 4, разностенность у дна гй4, диаметр изделия й4) на вход сети подаются значения влияющих параметров, измеренные на второй вытяжке (разно-стенность у среза га2, разностенность у дна гй2, диаметр изделия й2) (рис. 2).
Рис.2. ИНС для прогнозирования параметров качества изделия
на операции четвертой вытяжки
В итоге, получив на выходе обученную ИНС, генерируют с помощью специализированных компьютерных программ ее код. Далее этот код, представляющий собой текст программы на одном из языков программирования, компилируют для получения рабочей программы (рис.3). Рабочая программа в виде .exe файла используется на рабочем месте контролера отдела технического контроля предприятия для прогнозирования параметров качества изделия на потоке.
SNNCode test harness program. Enter inputs below
Noninal variables should be numbered starting at 1 iO For missing)
if an input is Gender=imale.female?, enter 1 For male. 2 for female)
Enter value For input 1- 12.4 nter value For input 2- 0.0S7 nter value For input 3: 0.089
utput oF neural network: ntput i: 11.118? utput 2: 0.0911-429 utput 3: 0.0-457272
Enter next input pattern <for control nenu inc. exit, enter -999 for any input): Enter value for input It
Рис.3. Вид окна рабочей программы
В условиях массового автоматизированного производства изготовление тонкостенных цилиндрических изделий ответственного назначения осуществляется на высокопроизводительных автоматических роторных линиях (АРЛ). В связи с необходимостью принятия решений относительно больших объемов партий для оценки их качества используется одноступенчатый и двухступенчатый выборочный контроль [8-11]. На каждой технологической операции на потоке с определенной периодичностью берутся выборки продукции. По результатам контроля изделий в выборке принимается решение о качестве межоперационного задела (рис.4).
АРЛ
ТП
G
Выборка
Рабочая программа
Прогнозное значение параметра качества
Г-
правляющее воздействие
Принятие решения о состоянии ТП
Рис. 4. Схема управления процессом с помощью рабочей программы
на основе ИНС
В ряде случаев на отдельных операциях целесообразно применение современных автоматизированных измерительных систем (АИС) и комплексов, в которых используются передовые технологии контроля (оптические, весовые системы контроля параметров изделия) (рис. 5). Данные системы позволяют осуществлять практически стопроцентный контроль параметров изделий на отдельных операциях с высокой точностью.
Рис.5. Схема управления процессом с помощью автоматизированных измерительных систем контроля
Использование вышеописанных процедур и схем позволит решить задачу организации процесса управления качеством изделий ответственного назначения, повысить уровень контрольных мероприятий, спрогнозировать значение параметров изделий на каждой технологической операции и предотвратить выпуск дефектной продукции.
Список литературы
1. Экспериментальные исследования свойств материалов при сложных термомеханических воздействиях / В.Э. Вильдеман [и др.]. М.: Изд-во физико-математической и технической литературы, 2012. 204 с.
2. Основы эксплуатации горных машин и оборудования / А.В. Ги-лев [и др.]. Красноярск: Сибирский федеральный университет, 2011. 276 с.
3.Аксенов С.В., Новосельцев В.Б. Организация и использование нейронных сетей (методы и технологии) / под общ. ред. В.Б. Новосельцева. Томск: Изд-во НТЛ, 2006. 128 с.
4. Барский А. Б. Нейронные сети: распознавание, управление, принятие решений. М.: Финансы и статистика, 2004. 176 с.
5. Галушкин А.И. Теория нейронных сетей. М.: ИПРЖР, 2000. 416с.
6. Калан Р. Основные концепции нейронных сетей. М.: Вильямс, 2002. 288 с.
7. Уоссермен Ф. Нейрокомпьютерная техника: теория и практика. М.: Мир, 1992. 236.
8. Пантюхин О.В. Расчет двухступенчатых планов выборочного контроля по методу множителей Лагранжа // Известия Тульского государственного университета. Технология машиностроения. 2003. Вып.1. С.108-111.
9. ГОСТ Р ИСО 3951-1-2015 Статистические методы. Процедуры выборочного контроля по количественному признаку. Ч. 1. Требования к одноступенчатым планам на основе AQL при контроле последовательных партий по единственной характеристике и единственному AQL. М.: Стан-дартинформ, 2015. 72 с.
10. ГОСТ Р 50779.72-99 (ИСО 2859-2-85) Статистические методы. Процедуры выборочного контроля по альтернативному признаку. Ч.2. Планы выборочного контроля отдельных партий на основе предельного качества LQ. М.: ИПК Издательство стандартов, 2000.
11. ГОСТ Р 50779.76-2018 (ИСО 39511:2018) Статистические методы. процедуры выборочного контроля по количественному признаку. Планы последовательного контроля для процента несоответствующих единиц продукции (стандартное отклонение известно). М.: Стандартинформ, 2018.
Васин Сергей Александрович, д-р техн. наук, проф., vasin_sa53@mail.ru, Россия, Тула, Тульский государственный университет,
Пантюхин Олег Викторович, канд. техн. наук, доц., директор Издательства, olegpantyukhin@mail.ru, Россия, Тула, Тульский государственный университет
ORGANIZATION OF THE QUALITY MANAGEMENT PROCESS PRODUCTS
FOR RESPONSIBLE USE
S. A. Vasin, O. V. Pantyukhin
Questions of organization of quality management of responsible products manufactured for the mining industry and machine-building industries are considered.
Key words: technological process, quality control, quality history, artificial neural networks, mass production.
Vasin Sergey Alexandrovich, doctor of technical science, professor, vasin_sa53 @mail. ru, Russia, Tula, Tula state University,
Pantyukhin Oleg Viktorovich, candidate of technical science, docent, director of the publishing house, olegpantyukhin@mail. ru, Russia, Tula, Tula State University
Reference
1. Experimental studies of the properties of materials under complex thermomechan-ical effects / V. E. vildeman [et al.]. M.: Publishing house of physical, mathematical and technical literature, 2012. 204 p.
2. Fundamentals of operation of mining machines and equipment / A.V. GI-Lev [et al.]. Krasnoyarsk: Siberian Federal University, 2011. 276 p.
3. Aksenov S. V., Novoseltsev V. B. Organization and use of neural networks (methods and technologies) / under the General ed. Tomsk: NTL Publishing house, 2006. 128 p.
4. Barsky A. B. Neural networks: recognition, management, decision-making. M.: Finance and statistics, 2004. 176 p.
5. Galushkin A. I. Theory of neural networks. M.: IPRZHR, 2000. 416s.
6. Kalan R. Basic concepts of neural networks. M.: Williams, 2002. 288 p.
7. Wasserman F. Neurocomputer technology: theory and practice. M.: Mir, 1992.
236.
8. Pantyukhin O. V. Calculation of two-stage selective control plans using the Lagrange multiplier method // Proceedings of the Tula state University. Engineering technology. 2003. Issue 1. Pp. 108-111.
9. GOST R ISO 3951-1-2015 Statistical methods. Procedures for selective control on a quantitative basis. Part 1. Requirements for single-stage plans based on AQL when controlling consecutive batches by a single characteristic and a single AQL. M.: Stan-dartinform, 2015. 72 p.
10. GOST R 50779.72-99 (ISO 2859-2-85) Statistical methods. Procedures for selective control on an alternative basis. Part 2. plans for selective control of individual batches based on the maximum quality of LQ. M.: IPK publishing house of standards, 2000.
11. GOST R 50779.76-2018 (ISO 39511:2018) Statistical methods. procedures for selective control on a quantitative basis. Sequential control plans for the percentage of non-conforming product units (standard deviation is known). Moscow: STANDARTINFORM, 2018.
