CC BY
0
ISSN 1560-3644 BULLETIN OF HIGHER EDUCATIONAL INSTITUTIONS. NORTH CAUCASUS REGION. TECHNICAL SCIENCES. 2024. No 3
Научная статья УДК 681.518
http://dx.doi.org/10.17213/1560-3644-2024-3-33-40
Применение технологий машинного обучения и искусственного интеллекта для анализа технологических процессов
Е.С. Янов, А.В. Анцев
Тульский государственный университет, г. Тула, Россия
Аннотация. Разработана методика оперативного автоматизированного контроля состояния технологических систем. Предложен подход, позволяющий с использованием нейронных сетей обеспечить оперативный автоматизированный контроль состояния технологических систем и оперативно реагировать на их нарушения, с целью минимизации разного рода потерь.
Ключевые слова: информационно-измерительная система, аппаратно -программный комплекс, датчик вибрации, нейронные сети, машинное обучение, технологическая дисциплина
Для цитирования: Янов Е.С., Анцев А.В. Применение технологий машинного обучения и искусственного интеллекта для анализа технологических процессов // Изв. вузов. Сев.-Кавк. регион. Техн. науки. 2024. № 3. С. 33-40. http://dx.doi.org/10.17213/1560-3644-2024-3-33-40.
Original article
Application of machine learning and artificial intelligence technologies for analysis of technological processes
E.S. Yanov, A.V. Antsev
Tula State University, Tula, Russia
Abstract. A methodology for operational automated monitoring of the state of technological systems has been developed. An approach is proposed that allows, using neural networks, to provide operational automated control of the state of technological systems and promptly respond to their violations, in order to minimize various types of losses.
Keywords: information and measuring system, hardware and software complex, vibration sensor, neural networks, machine learning, technological discipline
For citation: Yanov E.S., Antsev A.V. Application of machine learning and artificial intelligence technologies for analysis of technological processes. Izv. vuzov. Sev.-Kavk. region. Techn. nauki=Bulletin of Higher Educational Institutions. North Caucasus Region. Technical Sciences. 2024;(3):33-40. (In Russ.). http://dx.doi.org/10.17213/1560-3644-2024-3-33-40.
© Янов Е.С., Анцев А.В., 2024
ISSN 1560-3644 BULLETIN OF HIGHER EDUCATIONAL INSTITUTIONS. NORTH CAUCASUS REGION. TECHNICAL SCIENCES. 2024. No 3
Введение
В соответствии с перспективами научно-технологического развития Российской Федерации1, в ближайшее десятилетие одним из приоритетов научно-технологического развития считается переход к передовым технологиям создания высокотехнологичной продукции, основанным на применении интеллектуальных производственных решений и технологий машинного обучения и искусственного интеллекта.
Обработка резанием является одним из основных технологических процессов при производстве продукции машиностроения. На операцию обработки резанием с использованием режущего инструмента приходится до 15 % стоимости деталей узлов и машин, производимых в мире [1, 2]. В ближайшее время традиционная обработка резанием сохранит свои позиции, несмотря на постоянное появление новых технологий [3].
Ложные технологические системы, предназначенные для металлообработки, взаимосвязаны благодаря наличию такого основного звена, как человек. Почти треть отказов технологических систем прямо или косвенно связаны с ошибками человека [4]. Это могут быть как ошибки оператора, так и неправильно принятые управленческие решения, что приводит к проблемам на производстве (рис. 1, а).
Не стоит забывать о технической стороне вопроса, так как в основе всех операций механической обработки резанием лежит режущий инструмент. Несвоевременная замена режущего инструмента, работающего на нерациональных режимах резания (зачастую заниженных), приводит к увеличению затрат на его закупку, увеличивает вероятность возникновения брака, что влечет за собой простои оборудования и снижение производительности, а предприятие терпит убытки или недополучает прибыль (рис. 1, б).
Задача оперативного автоматизированного контроля состояния технологических систем является актуальной. Необходимо в режиме реального времени контролировать технологическую дисциплину и оперативно реагировать на ее нарушения, с целью минимизации разного рода потерь.
1Указ Президента Российской Федерации от 28 февраля 2024 г. № 145 «О стратегии научно-технологического развития Российской Федерации».
б
Рис. 1. Анализ проблем, влияющих на эффективность производства: а - влияние технологической дисциплины; б - влияние режущего инструмента Fig. 1. Analysis of problems affecting production efficiency: a - the influence of technological discipline; б - influence of the cutting tool
а
ISSN 1560-3644 BULLETIN OFHIGHER EDUCATIONAL INSTITUTIONS. NORTH CAUCASUS REGION. TECHNICAL SCIENCES. 2024. No 3
Материалы и методы
Для решения задачи автоматизированного контроля разработан аппаратно-программный комплекс (АПК) [5], который осуществляет косвенный контроль технологической дисциплины. Принципы работы и возможности применения АПК рассмотрены в [6], например, формирование статистической отчетности о работе оборудования за прошедшие сутки исходя из анализа временных рядов сигнала вибрации и уровня тока.
Результаты
Суточный отчет состоит из таблицы статистических данных (рис. 2, а), визуализированной схемы работы оборудования за сутки в целом и по каждому часу (рис. 2, б), позволяет определить время работы оборудования, эффективность его использования, оценить расход режущего инструмента и номенклатуру изготовленных деталей.
Табличная часть отображает общее время работы оборудования, процент работы оборудования (машинное время), процент работы оборудования с учетом подготовительно-заключительного времени, общую потребленную электроэнергию, количество обработанных деталей и израсходованных инструментов в сутки в целом и за каждый час работы.
Визуализированная схема работы оборудования за сутки отображает уровень вибрации и энергопотребления оборудования с 00:00:00 до 23:59:59 ч и позволяет оценить работу оборудования в целом, например, ритмичность работы, количество перерывов, пики вибрации или пиковые мощности и т. д.
Для оценки количества, номенклатуры деталей и соблюдения технологической дисциплины в отчете представлена подробная информация о протекании технологического процесса и уровне энергопотребления за каждый час (рис. 2, в, г).
Анализ отчетов о протекании технологического процесса с целью контроля соблюдения технологической дисциплины и подсчета количества обработанных деталей выполняется вручную или автоматизированно.
Для повышения эффективности и оперативности принятия корректных управленческих решений предлагается автоматизировать анализ отчетов с использованием технологий машинного обучения и искусственного интеллекта.
Отчёт 2023-08-01 - СИК1
Секунды Процент работы Потребленная мощность, кВт^ч Деталей Инструментов Период формирования
всего работы в сутки, % в рабочее время, %
86400 69712 80,69 86,06 1706,19 92 0 0:00:0023:59:59
3600 2969 82,47 82,47 76,17 5 0 0:00:001:00:00
3600 3052 84,78 84,78 78,31 5 0 1:00:002:00:00
3600 3057 84,92 84,92 83,17 5 0 2:00:003:00:00
3600 3060 85,0 85,0 76,39 5 0 3:00:004:00:00
3600 3066 85,17 85,17 74,85 5 0 4:00:005:00:00
3600 2999 83,31 83,31 77,58 5 0 5:00:006:00:00
3600 2976 82,67 82,67 77,18 5 0 6:00:007:00:00
3600 1169 32,47 32,47 31,05 2 0 7:00:008:00:00
Я
к 0}
И _.■■ . о
ю я m
& я
И I,-
vT.-.""
Время, ч б
Время, ч в
ь
m
и
fr о С
н
m
и
я
a
о S 3
fr о С
н
m
и
fr о С
«vfp tf-SP
Время, ч г
Рис. 2. Пример суточного отчета о работе оборудования: а - статистические данные; б - визуальная схема работы за сутки; в - почасовая визуализация образов обработанных деталей; г - фиксация факта простоя оборудования
Fig. 2. An example of a daily report on the operation of equipment: a - statistical data; б - visual diagram of work per day; в - hourly visualization of images of processed parts; г - recording the fact of equipment downtime
а
ISSN 1560-3644 BULLETIN OF HIGHER EDUCATIONAL INSTITUTIONS. NORTH CAUCASUS REGION. TECHNICAL SCIENCES. 2024. No 3
Для обработки временных рядов уровня вибрации и потребляемого тока, которые являются исходными данными для построения отчетов, использована рекуррентная нейронная сеть (ЛНЫ).
Предложено много различных архитектурных решений для рекуррентных сетей от простых до сложных. В работе использована сеть с долговременной и кратковременной памятью (ЬБТМ) и управляемый рекуррентный блок (ОЛЦ), показавшие свое превосходство в задачах классификации, обработки и прогнозирования временных рядов [7].
Из временного ряда сигнала вибрации по каждой из осей выбраны максимальные и минимальные значения. Максимальные значения и отдельно минимальные значения подвергались медианной фильтрации с шириной окна фильтра в 101 секунду с целью удаления выбросов. Для каждого временного интервала вычислен размах путем вычитания минимального значения из максимального, что позволило компенсировать температурный дрейф показаний МЕМЗ-акселерометра. Далее вычислена евклидова норма значений трех осей. Пример данных после такой обработки приведен на рис. 3.
s 4000
<U
I 3000
CP
о
Iii 2000
о CP
ю
S 1000
ILJ
in
HltlU
1.6 1.8 2.0 2.2 2.4 2.6 2.8 3.0 3.2
Номер измерения, 106
Рис. 3. Фрагмент исходных данных после предварительной обработки
Fig. 3. Fragment of source data after pre-processing
Далее к данным применено оконное дискретно-временное преобразование Фурье. В соответствии с общим спектром данных, ширина окна преобразования выбрана 2048 секунд, смещение окон составило 512 секунд.
При преобразовании использована весовая функция Хэмминга. Спектр собираемых данных ограничен, в связи с чем берутся лишь 256 отсчетов спектра. Амплитудные спектры представлены в логарифмической шкале. В результате исходный сигнал на основе полученных данных имеет 18808131 отсчетов, а его спектральное представление для обучения 36731x256 отсчетов.
Автоматическая классификация обработанных деталей проводилась с использованием сверточной нейронной сети (CNN). Для построения нейронных сетей использована библиотека TensorFlow - открытая программная библиотека для машинного обучения, разработанная компанией Google для решения задач построения и тренировки нейронной сети с целью автоматического нахождения и классификации образов, достигая качества человеческого восприятия. Основной API для работы с библиотекой реализован для Python, также существуют реализации для C++.
В зависимости от решаемой задачи в качестве алгоритма выборки использованы простой кластерный сэмплинг и последовательный сэмплинг, а в качестве алгоритма обучения - обучение с учителем и обучение с подкреплением.
Обучение с учителем (supervised learning) - наиболее распространённый способ обучения. Каждый прецедент представляет собой пару «объект, ответ». Требуется найти функциональную зависимость ответов от описаний объектов и построить алгоритм, принимающий на входе описание объекта и выдающий на выходе ответ. Функционал качества обычно определяется как средняя ошибка ответов, выданных алгоритмом, по всем объектам выборки.
В случае отсутствия разметки исходных данных по производимым на оборудовании операциям, для разделения данных на фрагменты, соответствующие различным операциям, применяется метод распознавания без учителя: кластеризация на основе глубокого погружения - Deep Embedded Clustering (DEC) [8]. Метод занимает одно из ведущих мест по точности среди методов кластеризации и основан на последовательных этапах погружения исходных данных в пространство меньшей размерности при помощи глубокого автокодировщика и кластеризации путем минимизации расстояния Кульбака-Лейблера между распределением данных и вспомогательным распределением относительно центров кластеров. Структура применяемой нейронной сети приведена на рис. 4. Размеры слоев сети автокодировщика d-500-500-2000-10.
ISSN 1560-3644 BULLETIN OF HIGHER EDUCATIONAL INSTITUTIONS. NORTH CAUCASUS REGION. TECHNICAL SCIENCES. 2024. No 3
Рис. 4. Структура нейронной сети Fig. 4. Neural network structure
Кластерным (групповым) называется разновидность случайного сэмплинга, который используется, если в исходной совокупности можно выделить некоторые группы.
Из кластеров производится простая случайная выборка. При этом должны выполняться следующие условия:
- вероятность извлечения объекта одинакова для всех кластеров;
- кластеры являются взаимоисключающими (каждый объект может принадлежать только одному кластеру);
- кластеры являются исчерпывающими, т.е. должны покрывать весь набор исходных данных (все объекты должны быть распределены в кластеры).
Одноэтапный или простой кластерный сэмплинг формирует кластеры и извлекает из них случайным образом требуемое количество объектов (фиксированное или пропорциональное размеру кластера).
Метод последовательного сэмплинга заключается в том, что объекты в выборке содержатся в той же последовательности (прямой или обратной), что и в исходной совокупности. Для этого задаётся число объектов, подлежащих отбору, и положение объекта, с которого следует начать отбор.
Последовательный сэмплинг применяется в случаях, когда последовательность объектов имеет значение для решаемой задачи анализа, поскольку сохраняет её в выборке, например, при анализе временных рядов, когда в выборку нужно отобрать заданное количество последовательных элементов ряда.
Обсуждение
Преимуществом метода является простота реализации, а недостатком - отсутствие репрезентативности выборки.
Применяемый алгоритм кластеризации дает степень принадлежности фрагмента данных к кластеру, рассматривая каждый фрагмент отдельно от остальных. Для уточнения кластеризации с использованием информации о взаимном расположении фрагментов использованы принципы распознавания образов в массивах взаимосвязанных данных [9].
В результате кластеризации на два класса, соответствующих простою, оборудования и его работе к простою отнесены 14168 фрагментов сигнала, а к работе оборудования 22563 фрагмента.
Результат кластеризации для фрагмента данных показан на рис. 5.
2 5000
5
g" 4000 я
6 3000 и
2000
о
CP
я 1000 И
JiLlillllM
3,5 4,0 4,5 5,0 5,5 6,0 Номер измерения, 106
Рис. 5. Результаты кластеризации данных на фрагменты, соответствующие простою и работе оборудования Fig. 5. Results of data clustering into fragments corresponding to equipment downtime and operation
Визуализация кластеризации на плоскости при помощи метода Uniform Manifold Approximation and Projection (UMAP) [10] приведена на рис. 6.
Рис. 6. Визуализация кластеризации данных методом UMAP
Fig. 6. Visualization of data clustering using the UMAP method
ISSN 1560-3644 BULLETIN OF HIGHER EDUCATIONAL INSTITUTIONS. NORTH CAUCASUS REGION. TECHNICAL SCIENCES. 2024. No 3
Полученные классы работы оборудования перебираются с применением вероятностной модели положения отдельных элементов с коэффициентом вероятности принадлежности 90 % для объединения классов малых длин, которые не могут быть сигналами полной обработки детали.
Предложенная нейронная сеть показала хороший результат для единичной сегментации данных на тестовой последовательности длиной в один процесс. Разделение на два класса позволяет отделить элементы обработки изделия от простоя.
На следующем этапе использована нейросетевая классификации этапов обработки внутри класса с использованием информации о количестве этапов обработки изделия (технологическом процессе). С использованием возможных этапов обработки составляется алфавит операций, который позволяет анализировать последовательности и представлять информацию об изменениях в обработке изделия (появления новых букв алфавита), а также автоматически разделять сигнал на виды обработанных деталей продукции. Пример финального этапа анализа временного ряда представлен на рис. 7.
Рис. 7. Пример финального этапа анализа временного ряда с использованием нейронной сети Fig. 7. An example of the final stage of time series analysis using a neural network
На рис. 8 представлены фрагменты отчета, который сгенерирован с использованием обученной искусственной нейронной сети. В отчет добавлен раздел с информацией о номенклатуре изготовленных деталей и времени их изготовления. На графиках добавлен контур обводки сигнала, указывающий что нейронная сеть посчитала исследуемую деталь, соответствующую технологическому процессу изготовления, и внесла в раздел «Обработанные детали».
ф- Ф Время, ч
б
Рис. 8. Фрагмент отчета о работе оборудования: а - информация о номенклатуре изготовленных деталей; б - почасовая визуализация образов обработанных деталей, сгенерированная нейронной сетью Fig. 8. Fragment of a report on the operation of the equipment: a - information on the range of manufactured parts; б - hourly visualization of images of processed parts, processed by a neural network
На основе интеллектуального анализа с использованием искусственных нейронных сетей реализована классификация выполняемых технологических процессов.
По результатам проведенной классификации появилась возможность контроля изменения параметров вибрационных сигналов при обработке партии деталей. Дрейф параметров вибрационных сигналов при обработке одинаковых деталей позволяет проводить анализ состояния технологических систем.
Выводы
Предложенный подход позволяет обеспечить оперативный автоматизированный контроль технологических систем, что является актуальной задачей, так как позволяет контролировать технологическую дисциплину и оперативно реагировать на ее нарушения с целью минимизации разного рода потерь [11] и анализировать состояние технологических систем на основе контроля дрейфа параметров вибрационных сигналов при обработке партии деталей.
а
ISSN 1560-3644 BULLETIN OF HIGHER EDUCATIONAL INSTITUTIONS. NORTH CAUCASUS REGION. TECHNICAL SCIENCES. 2024. No 3
Список источников
1. Астахов В.П. Принцип наименьшей энергии пластической деформации при разрушении как основа понимания и оптимизации обработки металлов резанием // Изв. Тульского гос. ун-та. Техн. науки. 2016. № 8-1. С. 141-153.
2. Astakhov V.P. Tribology of metal cutting. London: Elsevier, 2006. 392 p.
3. Сиваченко Л.А., Сиваченко Т.Л. Технологическое машиностроение как основа передовых промышленных технологий // Вестн. Белорусско-Российского ун-та. 2016. № 4(53). С. 67-76.
4. Шубинский И.Б. Функциональная надежность информационных систем. Методы анализа. М.: «Журнал Надежность», 2012. 296 с.
5. Аппаратно-программный комплекс мониторинга технологических систем и процессов / Е.С. Янов, А.В. Анцев, М.С. Воротилин, Е.И. Минаков // СТИН. 2024. №5. С. 32-35.
6. Янов Е.С., Анцев А.В., Воротилин М.С. Исследование влияния износа режущего инструмента на вибрацию тонкостенных заготовок при точении. Тула: Изд-во ТулГУ, 2024. 173 с.
7. Cahuantzi R., Chen X., Guttel S. A Comparison of LSTM and GRU Networks for Learning Symbolic Sequences // Intelligent Computing. SAI 2023. Lecture Notes in Networks and Systems. 2023. Vol. 739. Pp. 771-785. DOI: 10.1007/978-3-031-37963-5_53.
8. Xie J., Girshick R., Farhadi A. Unsupervised deep embedding for clustering analysis // International conference on machine learning. PMLR, 2016. P. 478-487.
9. Kopylov A.V., Dvoenko S.D., Mottl V.V. Pattern recognition in interrelated treelike data arrays // Pattern Recognition and Image Analysis. 2003. Vol. 13. № 1. Pp. 95-97.
10. McInnes L., Healy J., Melville J. UMAP: Uniform manifold approximation and projection for di-mension reduction. URL: https://arxiv.org/abs/1802.03426 (дата обращения: 20.05.2024)
11. Янов Е.С., Анцев А.В. Автоматизированный контроль технологической дисциплины современного машиностроительного производства // Вестн. РГРТУ. 2024. №88. С. 86-95.
References
1. Astakhov V.P. The principle of least energy of plastic deformation during fracture as a basis for understanding and optimizing metal cutting. Izv. vuzov. Sev.-Kavk. region. Techn. nauki= Bulletin of Higher Educational Institutions. North Caucasus Region.Technical Sciences. 2016;(8):141-153. (In Russ.)
2. Astakhov V.P. Tribology of metal cutting. London: Elsevier; 2006. 392 p.
3. Sivachenko L.A., Sivachenko T.L. Technological engineering as a basis for advanced industrial technologies. Vest-nikBelorussko-Rossiyskogo universiteta. 2016;4(53):67-76. (In Russ.)
4. Shubinskiy I.B. Functional reliability of information systems. Analysis methods. Moscow: «Zhurnal Nadezhnost'»; 2012.296 p. (In Russ.)
5. Yanov Ye.S., Antsev A.V., Vorotilin M.S., Minakov Ye.I. Hardware and software complex for monitoring technological systems and processes. STIN.2024; (5):32-35. (In Russ.)
6. Yanov Ye.S., Antsev A.V., Vorotilin M.S. Study of the influence of cutting tool wear on the vibration of thin-walled workpieces during turning. Tula: Publ. TulGU; 2024. 173 p. (In Russ.)
7. Cahuantzi R., Chen X., Guttel S. A Comparison of LSTM and GRU Networks for Learning Symbolic Sequences. Intelligent Computing. SAI 2023. Lecture Notes in Networks and Systems. 2023;(739):771-785. DOI: 10.1007/978-3-031-37963-5_53.
8. Xie J., Girshick R., Farhadi A. Unsupervised deep embedding for clustering analysis. International conference on machine learning. PMLR; 2016. Pp. 478-487.
9. Kopylov A.V., Dvoenko S.D., Mottl V.V. Pattern recognition in interrelated treelike data arrays. Pattern Recognition and Image Analysis. 2003; 13(1):95-97.
10. McInnes L., Healy J., Melville J. UMAP: Uniform manifold approximation and projection for dimension reduction. Available at: https://arxiv.org/abs/1802.03426 (accessed 20.05.2024)
11. Yanov Ye.S., Antsev A.V. Automated control of technological discipline of modern mechanical engineering production. VestnikRGRTU. 2024;(88):86-95.
ISSN 1560-3644 BULLETIN OF HIGHER EDUCATIONAL INSTITUTIONS. NORTH CAUCASUS REGION. TECHNICAL SCIENCES. 2024. No 3
Сведения об авторах
Янов Евгений Сергеевичя - канд. техн. наук, зам. директора по научной работе, «Тульская инженерная школа «Интеллектуальные оборонные системы» им. академика А.Г. Шипунова, dexaik@mail.ru
Анцев Александр Витальевич - д-р техн. наук, доцент, зав. кафедрой «Сварка, литье и технология конструкционных материалов».
Information about the authors
Evgeniy S. Yanov - Cand. Sci. (Eng.), Deputy Director for Research, Tula Engineering School «Intelligent Defense Systems» named after Academician A.G. Shipunov, dexaik@mail.ru
Alexander V. Antsev - Dr. Sci. (Eng.), Assistant Professor, Head Department «Welding, Casting and Technology of Structural Materials».
Статья поступила в редакцию / the article was submitted 11.07.2024; одобрена после рецензирования / approved after reviewing 01.08.2024; принята к публикации / accepted for publication 05.08.2024.
