CC BY
15
05.13.00 ИНФОРМАТИКА, ВЫЧИСЛИТЕЛЬНАЯ ТЕХНИКА И УПРАВЛЕНИЕ
05.13.06 АВТОМАТИЗАЦИЯ И УПРАВЛЕНИЕ ТЕХНОЛОГИЧЕСКИМИ ПРОЦЕССАМИ
И ПРОИЗВОДСТВАМИ
ПРОБЛЕМА ПРОГНОЗИРОВАНИЯ ПРОИЗВОДСТВЕННОГО ПРОЦЕССА АВТОМАТИЧЕСКОГО ПОРОШКОВОГО ОКРАШИВАНИЯ В МЕТАЛЛООБРАБАТЫВАЮЩЕМ ЦЕХЕ
Евстигнеева Ольга Андреевна, аспирантка Московского технологического университета (МТУ) (МИРЭА), Институт информационных технологий, кафедра ПИ (промышленная информатика). Россия. E-mail: ep.analytics@bk.ru
Аннотация. В данной статье рассматриваются методы успешного прогнозирования характеристик производственного процесса металлообрабатывающего цеха, среди которых ключевое место занимают нейросети, а также обусловливающее их эффективность качество подготовки информации для ее обучения.
Ключевые слова: производственный процесс, металлообрабатывающий цех, порошковое окрашивание, прогнозирование, математический аппарат, нейронные сети, технический анализ.
THE PROBLEM OF FORECASTING THE PRODUCTION PROCESS OF AUTOMATIC POWDER COATING IN THE METALWORKING SHOP
Evstigneeva Olga A., Graduate student of Moscow Technological University (MTU) (MIREA), Institute of Information Technology, Department of PI (Industrial Informatics). Russia
Annotation. This article discusses the methods for successfully predicting the characteristics of the production process of a metalworking workshop, among which neural networks occupy a key place, as well as the quality of information preparation for its training that determines their effectiveness.
Key words: production process, metalworking shop, powder coloring, forecasting, mathematical apparatus, neural networks, technical analysis.
Разработка и внедрение технологических инноваций в настоящее время является необходимым фактором социально-экономического развития, залогом экономической безопасности. Высокий уровень экономической конкуренция, характерный сегодня как для межгосударственного, так и для внутригосударственного рынка, все чаще становится атрибутом научно-технической сферы, а развитие новых информационных и цифровых технологий все в большей степени определяет направления экономического развития государства.
В указанных условиях наиболее актуальны разработки и применение методов системного анализа сложных
прикладных объектов исследования, обработки информации, прогнозирования технологических процессов, особенно сроков достижения заданных экономических результатов.
Характерной предметной областью, где возможно решение задачи осуществления прогнозирования на основе выявленных закономерностей в больших массивах данных, является технологический процесс промышленных предприятий. Сегодня прогнозирование сроков и других физических характеристик, а также эффективности выполнения производственного процесса промышленных предприятий является важнейшей научно-технической задачей.
Методы прогнозирования являются важным средством в анализе сложных прикладных систем, обработке информации, целенаправленном воздействии человека на объекты исследования, с целью повышения эффективности их функционирования, в том числе в производственных процессах [1].
Ввиду практической важности методов прогнозирования их разработке и совершенствованию посвящены работы многих исследователей в нашей стране и за рубежом, среди которых можно отметить К. Гаусса, К. Пирсона, Дж. Бокса, Г. Дженкинса, Р. Шамвей, В. Вандаеле, Л. Вей, Р. Хиндмана. На сегодняшний день существует множество моделей прогнозирования временных рядов: регрессионные и авторегрессионные модели, нейросетевые модели, модели экспоненциального сглаживания, модели на базе цепей Маркова, классификационные модели и др. [1].
Эффективные методы прогнозирования связаны с разнообразным математическим аппаратом (спектральный анализ, регрессивный анализ и другое) и алгоритмами построения экспертных оценок. Но одним из наиболее перспективных методов при решении комплексных задач прогнозирования считаются нейронные сети, которые используются для решения задач технического анализа, а также многих других, зачастую более сложных и трудно формализуемых задач.
Общие принципы построения и работы нейронных сетей рассмотрены в работах Ф. Блума, А. Лейдерсона, Л. Хофстед-стера, А.В. Назарова, А.И. Лоскутова, G. Carpenter, S.A. Grossberg, K. Haines, R. Hecht-Nielsen, G.E. Hinton, T.J. Sejnowski, T. Kohonen и др. [2].
Для обеспечения правильной работы нейронной сети необходимо установить нужные весовые коэффициенты и смещения [2]. Одной из самых известных и наиболее часто применяемых процедур нахождения значений весовых коэффициентов является метод обратного распространения ошибки, предложенный независимо в работах А.И. Галушкина и P.J. Werbos в 1974 г. Метод имеет множество современных модификаций, которые рассмотрены, например, в работах С.И. Барцева, В.А. Охонина, D.E. Rumelhart, G.E. Hinton, R.J. Williams, P.D. Wasserman.
Задача прогнозирования производственного процесса металлообрабатывающего цеха заключается в нахождении величины изменения характеристик производственного процесса, которое произойдет через заданное время.
Для производственных процессов металлообрабатывающего цеха характерны следующие особенности [3]:
1) большое число случайных факторов, изменяющихся во времени и влияющих на качество и технико-экономические показатели работ;
2) наличие случайных факторов, которые не изменяются во времени, а возникают внезапно: например, поломки оборудования, ошибки человека, инциденты и аварии;
3) разнообразие внешних физических условий производственного процесса;
4) зашумленность и искажение полезного сигнала измерительной аппаратуры.
Длительность производственного цикла металлообрабатывающего цеха зависит от многих факторов. Часть из этих факторов необходимо признать случайными, физические характеристики производственного процесса следует рассматривать как случайные отклонения, а сами процессы - как случайные функции.
Исследуемое предприятие выпускает оборудование для термического запекания порошковой краски. Исследуемый производственный процесс - это термические операции - плавный нагрев, выдержка, остывание. Существует проблема точного выдерживания температуры нагрева, т.к. порошковое окрашивание критично к перегреву (идет брак окрашиваемых поверхностей) и недогреву (снижается срок службы покрытия).
В работе рассматривается производственный процесс нанесения порошковой краски в металлообрабатывающем цехе, который технологически проходит в три основных этапа: подготовка поверхности, нанесение краски в специальной покрасочной камере, запекание (полимеризация) в печи (термокамере) при заданном температурном режиме.
На продолжительность всех технологических процессов порошкового окрашивания влияют физические характеристики материала и масса изделия [3].
В целом режим для оптимального формирования покрытия требуемого качества необходимо подбирать с учетом не только параметров окрашиваемого металлического изделия, но также типа термокамеры, вида краски и других конкретных данных. Именно продолжительность процессов полимеризации в термокамере (рис. 1) является переменной величиной, нуждающейся в прогнозировании.
A
"I
A-A
С
Рис. 1. Термокамера металлообрабатывающего цеха
1610
Евстигнеева О.А.
Режим работы термокамеры [4] можно контролировать при помощи блока управления на основе программируемых логических контроллеров (ПЛК).
Система автоматического контроля и управления круглосуточно управляет всем технологическим оборудованием термокамеры. На основании имеющейся информации о текущей температуре, поступающей в систему контроля с термодатчиков, автоматика управляет взаимодействием всех механизмов термокамеры. Управление нагревом обеспечивается электроприводами на протяжении всего технологического процесса в камере.
Прогрев объема камеры происходит согласно циклограмме. Циклограмма (рис. 2) разрабатывается с учетом прогнозируемых сроков протекания процессов. [5]
Продолжительность процессов полимеризации в термокамере является переменной величиной, нуждающейся в прогнозировании. Режим работы термокамеры можно контролировать при помощи блока управления на основе программируемых логических контроллеров (ПЛК).
Программируемый контроллер базируется на логических элементах и работает аналогично большому количеству электромеханических реле.
Для формирования управляющего сигнала в автоматической системе контроля и управления термокамеры используются ПИД-регуляторы, устройства с обратной связью [6]. Такой регулятор позволяет выполнить высокие требования к точности и качеству переходных процессов. Модули ПИД-регуляторов добавляются к управляющему ПЛК (программируемый логический контроллер) контроллеру либо самостоятельно реализуются программно.
В рассматриваемом производственном процессе используются ПЛК-154 или ПЛК-160. Для настройки контроллеров разработчики предоставляют специальное программное обеспечение [7].
Одним из основных преимуществ программируемого логического контроля является то, что сигналы на входах могут быть использованы любое необходимое количество раз. ПЛК имеет всего 16 входов и выходов, однако может управлять десятками различных устройств.
ПЛК-160 осуществляет удаленный мониторинг термокамерой металлообрабатывающего цеха. Являясь, по сути, цифровым компьютером, ПЛК может взаимодействовать с другой компьютерной техникой.
Перед использованием для управления термокамерой контроллер ПЛК-160 программируют, т.е. создают для него индивидуальную пользовательскую программу. Пользовательская программа сохраняется в энергонезависимой Flash-памяти ПЛК и запускается на выполнение после включения питания или перезагрузки.
Программирование ПЛК-160 осуществляется с помощью программного обеспечения CoDeSys 2.3 версии 2.3.9.9 [8]. Для связи со средой программирования CoDeSys может использоваться один из интерфейсов контроллера: RS-232-Debug, USB-Device или Ethernet.
Большое значение для работы всей системы управления на основе ПЛК имеют характерные времена реакций и задержек контроллера. Время реакции всех дискретных входов и выходов различно и индивидуально для разных ПЛК. Внутри одного ПЛК характерные времена зависят от типов каждого из применяемых входов и выходов.
Сложность проведения теоретического расчета систем с ПИД-регуляторами в том, что обычно физические характеристики системы неизвестны, а сама система является нелинейной и нестационарной. В связи с этим теоретический анализ таких систем применяется крайне редко. Вместо этого настройка ПИД-регулируемых объектов осуществляется экспериментально. Такая настройка автоматизируется с помощью самообучающихся нейронных сетей.
Т, °С W,
Электрическая мощность Электрическая мощность Температура
Диапазон реального регулирования температуры
Установка на регуляторе температуры, времени. Горит лампа СЕТЬ
Работа регулятора /
по достижению температуры,/ ТЭНы, электровентиляторы . включены.
Горит лампа НАГРЕВ '
Работа регулятора по достижению температуры включением и выключением ТЭНов (группам раздельно). Вентиляторы работают. Горит лампа НАГРЕВ
2 / /
/
/
ч
Вентиляция термокамеры. ТЭНы выключены. Элетровентиляторы работают
\
\
\
Все
элетровентиляторы и ТЭНы выключены
Подача Включение
напряжения термокамеры
на систему (ручн.) (ручн.)
I
Начало поддержания заданной температуры (автоматич.)
I
Окончание регулирования температуры. Начало вентиляции (ручн.)
I
Выключение всех
электроаппаратов (автоматич.)
1 Хч Общее отключение температуры (ручн.)
Рис. 2. Циклограмма работы термокамеры металлообрабатывающего цеха
3
4
5
Для успешного прогнозирования характеристик производственного процесса металлообрабатывающего цеха необходимо прежде всего подготовить данные, записанные в виде временных рядов, для использования в нейропакете. Успех обучения и дальнейшего использования нейросети решающим образом зависит от качества подготовки информации для ее обучения [9].
Производственный цикл металлообрабатывающего цеха имеет две основные стадии:
• время протекания непосредственно производственного процесса металлообрабатывающего цеха - технологический процесс;
• время непроизводительных перерывов.
Технологический процесс металлообрабатывающего цеха включает следующие временные отрезки:
• время технологических операций;
• время протекания естественных технологических процессов металлообработки;
• время подготовительных и предварительных операций;
• время заключительных операций и технического контроля;
• время производственных транспортировок.
В производственном процессе металлообрабатывающего цеха также имеются непроизводственные перерывы, т.е. время, в течение которого физические и качественные характеристики продукции не изменяются, однако процесс производства еще не закончен. К таким перерывам относятся, в том числе, межоперационный и межсменный простои.
Работниками металлообрабатывающего цеха также затрачивается время на подготовку рабочего места и себя к выполнению каждого конкретного производственного задания, а также на аналогичные действия по его завершению. Например, время на получение инструктажа и материалов, инструментов, время на наладку оборудования и т.д.
Межсменные и межоперационные перерывы относятся к регламентированным перерывам. Но бывают и нерегла-ментированные перерывы. Они связаны с дополнительными, не предусмотренными технологией, простоями рабочих и оборудования. К таким простоям относятся поломки оборудования, нехватка или отсутствие сырья для производства, невыход работников и пр.
Нерегламентированные перерывы не входят в производственный цикл металлообрабатывающего цеха.
Неслучайные причины изменчивости технологического процесса металлообрабатывающего цеха появляются при возникновении изменений в процессе или внешней среде, которые можно каким-либо образом выявить. Эти же неслучайные причины изменчивости технологического процесса металлообрабатывающего цеха могут привести к нестабильности распределения изменяющихся величин и параметров, когда предсказать вид распределения становится уже невозможно. Такой ситуации следует избегать для сохранения статистического контроля над технологическим процессом.
Последовательность предварительной подготовки данных [2; 10] для нейроанализа имеет следующий вид.
1. Кодирования входных и выходных потоков данных.
2. Нормировки данных.
3. Предобработки данных: удаления очевидных регу-лярностей.
После предварительной обработки проводится:
4. Обучение нескольких видов нейросетей с различной архитектурой.
5. Выбор оптимальный конфигурации сети, дающей минимальную ошибку прогноза.
6. Оценка ошибки прогноза.
Прогнозирование сроков и производительности производственного процесса металлообрабатывающего цеха может быть полезно при планировании времени окончания процесса и общего расписания производства.
Изменчивость физических характеристик и параметров, в том числе сроков, технологического процесса металлообрабатывающего цеха содержит в себе две основные компоненты:
1) изменчивость физических характеристик и параметров под воздействием простых (или неустранимых) причин;
2) изменчивость физических характеристик и параметров под воздействием неслучайных (или специальных) причин.
После предварительной обработки данных проводится:
• обучение нескольких видов нейросетей с различной архитектурой;
• выбор оптимальный конфигурации сети, дающей минимальную ошибку прогноза;
• оценка ошибки прогноза.
В результате нормировки переведенных в числовую форму данных все данные, входные и выходные, отображаются на числовом пространстве в единичном кубе. Когда данные подготовлены, единственным возможным источником информации для статистического нейросетевого моделирования становится обучающая выборка [10].
Выбранная нами модель - многослойная нейронная сеть, имеющая слоистую архитектуру с одним слоем скрытых нейронов. Данная модель характеризуется тем, что в процессе обучения сети сигналы обучающей выборки распространяются по сети в обратном направлении.
Алгоритм обратного распространения ошибок обучает многослойные нейронные сети. Данный метод относится к итеративному градиентному алгоритму обучения, целью которого является минимизация среднеквадратичного отклонения [2].
Общий алгоритм прогнозирования производственного процесса металлообрабатывающего цеха с помощью нейро-сети представлен следующими шагами:
• получение исходного временного ряда для прогнозирования заданным с интервалом в выбранную временную итерацию;
• заполнение недостающих данных в ретроспективе;
• сглаживание ряда одним из известных методов, например методом скользящих средних;
• получение нового ряда как относительного изменения прогнозируемой в задаче величины;
• формирование специальной таблицы-матрицы свободных «окон» с известной глубиной погружения для заданных временных интервалов;
• дополнение таблицы другими данными (например, изменение величины за предыдущий цикл);
• шкалирование;
• определение обучающей и валидационной выборок;
• подбор параметров нейросети;
• обучение нейросети;
• проверка работоспособности нейросети в реальных условиях.
Данный алгоритм допустим для большинства известных приложений. При этом обучение сети всегда включает в себя следующие три стадии: подача обучающих данных на входы сети, обратное распространение ошибки и корректировка весов.
Для упрощения нейронной сети используется метод оптимального прореживания нейронных сетей [10]. Элементы
Евстигнеева О.А.
модели или те нейроны сети, которые оказывают малое влияние на ошибку аппроксимации, можно исключить из модели без значительного ухудшения качества аппроксимации.
В результате полученной после упрощения безызбыточной сети появляется возможность записать сформулированные сетью правила принятия решения уже в явном виде.
Результатом успешного процесса извлечения знаний из обученной сети является достаточный набор правил, с заданной точностью решающий также заданное число примеров из обучающей выборки. Качество извлеченных для прогнозирования знаний проверяется путем решения ряда задач прогнозирования тестовой выборки.
Таким образом, на основе сравнительного анализа достоинств и недостатков методов и моделей прогнозирования нестационарных временных рядов нами обоснован выбор нейросетевой модели временной изменчивости целевой физической характеристики временного ряда в условиях неопределенности выполнения производственного процесса металлообрабатывающего цеха с использованием комплексного аппарата нейронных сетей.
Перспективой настоящего исследования является разработка методики прогнозирования физической характеристики, заданной ансамблем временных рядов производственного процесса металлообрабатывающего цеха, на основе многослойных нейронных сетей.
Процесс разработки методики, оценка эффективности предложенных моделей, методов и алгоритмов для прогнозирования производственного процесса металлообрабатывающего цеха проводится на конкретном предприятии.
Литература
1. Садовникова Н.А. Анализ временных рядов и прогнозирование / Н.А. Садовникова, Р.А. Шмойлова. М.: МФПУ Синергия, 2016. 152 с.
2. Тадеусевич Р., Боровик Б., Гончаж Т., Леппер Б. Элементарное введение в технологию нейронных сетей с примерами программ, 2011, 408 с.
3. http://www.scron.ru/elements.html.
4. http://superarch.ru/stroitelstvo/kraska/poroshkovaya-okraska-metallicheskix-izdelij-texnologiya-vyipolneniya.
5. https://promzn.ru/metallurgiya/poroshkovaya-okraska-metalla.html.
6. http://electrik.info/main/automation/710-princip-raboty-i-osnovy-programmirovaniya-plk.html.
7. http://electrik.info/main/praktika/824.html.
8. Парр Э. Программируемые контроллеры: руководство для инженера / Пер. 3-го англ. изд. М.: БИНОМ. Лаборатория знаний, 2007. 516 с.
9. Biaobiao Zhang. Evolutionary Computation and Its Applications in Neural and Fuzzy Systems // Computational Intelligence and Soft Computing. 2011. С. 12-13.
10. Емeльянoв В.В., Иурeйчик В.В., Иурeйчик В.М. Теория и практика эволюционного моделирования. М.: Физматлит, 2013. - 432 с.
