CC BY
39
УПРАВЛЕНИЕ КАЧЕСТВОМ
УДК 658.562
О.В. Пантюхин, канд. техн. наук, доц., (4872) 35-36-20, [email protected] (Россия, Тула, ТулГУ),
В.М. Лялин, д-р техн. наук, проф., (4872) 33-23-50 (Россия, Тула, ТулГУ),
Н.А. Тарасова, асп., (4872) 33-23-50 (Россия, Тула, ТулГУ)
ПРОГНОЗИРОВАНИЕ ПАРАМЕТРОВ КАЧЕСТВА ГИЛЬЗЫ ПАТРОНА СПОРТИВНО-ОХОТНИЧЬЕГО КАЛИБРА 7,62x39 ММ
Предложена методика прогнозирования параметров качества гильз патронов спортивно-охотничьих с применением теории искусственных нейронных сетей.
Ключевые слова: нейронная сеть, роторная линия, выборка.
Требования технических условий приемки спортивно-охотничьих патронов и их элементов диктуют необходимость обеспечения высокого качества не только готового продукта как результата сборочно-монтажных операций, но и особенно характеристик элементов (гильз, оболочек, сердечников) в технологических процессах их изготовления. Это объясняется отличительной особенностью многопереходных технологий изготовления элементов, а именно взаимозависимостью характеристик качества полуфабрикатов практически всех основных операций технологического процесса (прессово-термических, химических, механической обработки резанием), когда точность геометрических размеров, чистота поверхности, механические свойства металла полуфабриката, полученные на предшествующей операции, являются исходными для проведения последующей операции и обеспечения качества полуфабриката. Наиболее ответственными в этой связи являются стартовые операции обработки давлением, так называемые ключевые операции формоизменения исходных заготовок, такие например, как операции вытяжки. Операции вытяжки являются одними из наиболее важных операций технологического процесса изготовления гильзы, поскольку на данных операциях формируются параметры, оказывающие влияние на качество полуфабрикатов последующих операций и готового изделия (разностенность, толщина, стенки и др.)
Важным является не только установление качества полуфабрикатов в процессе производства, но и возможность предсказать качество полуфабрикатов на последующих операциях [1]. Это необходимо для недопущения появления брака и его минимизации, а в случае выявления брака -для оперативного поиска причин потери качества и их устранения.
Поставим задачу прогнозирования параметров качества гильзы патрона спортивно-охотничьего калибра 7,62 мм на примере операции вытяжки. Поскольку контроль на вытяжных операциях осуществляется после проведения второй и четвертой вытяжки полуфабриката гильзы, спрогнозируем параметры качества полуфабриката гильзы четвертой вытяжки в зависимости от измеренных параметров полуфабриката гильзы после второй вытяжки.
Для прогнозирования используем математический аппарат теории искусственных нейронных сетей (ИНС), который реализован с помощью программного обеспечения. Осуществим построение и обучение нейронной сети, задав в качестве входных параметров следующие: геометрические параметры (диаметр полуфабриката второй вытяжки d2 = 12,46_0 09
мм, разностенность полуфабриката у дна rd2 = 0,13 мм, разностенность полуфабриката у среза rs2 = 0,10 мм), параметры инструмента хинстр, параметры оборудования хоб, параметры режима хр. Параметры оборудования учтем с использованием функции допустимого срока службы узла автоматической роторной линии f (t) согласно процедуре расчета, изложенной в [2]. Выходными параметрами являются разностенность у дна rd 4, разностенность у среза rs4, диаметр полуфабриката гильзы после четвертой вытяжки d 4. Исходные данные для расчета получим в результате измерений параметров качества полуфабриката гильзы в процессе производства на операциях вытяжки. Всего измерим 1000 полуфабрикатов сначала после второй, а затем после четвертой вытяжки.
Перед построением и обучением ИНС проведем подготовку данных, подробно описанную в [3]. В нее входят стандартизация данных, кластерный анализ, классификация данных. В результате кластерного анализа данные разбиваются на отдельные группы (кластеры), внутри которых функция зависимости выходных параметров от входных является непрерывной. Только в этом случае для каждой полученной группы данных возможно построение ИНС, которая позволит с высокой степенью точности прогнозировать значения выходных параметров.
После проведения подготовки данных для каждого кластера построим регрессионную нейронную сеть. Производится это следующим образом. Перечисленные параметры поступают в виде входных данных хг- в
компьютер и осуществляется их обработка в программе с применением метода искусственных нейронных сетей. Значения входных параметров
d 2, Ы 2, г?2 подаются на вход сети, производится обучение сети и затем осуществляется получение прогнозных значений уI параметров качества полуфабриката гильзы на последующей операции (четвертой вытяжке): диаметра полуфабриката d 4, разностенности полуфабриката у дна М 4 и у среза га 4. В результате расчетов производится выбор лучшей сети из нескольких вариантов по наилучшей производительности сети и наименьшей ошибке на контрольном и тестовом множествах данных. Для прогноза параметров качества гильзы был выбран тип сети - многослойный персептрон (МЬР), графическая иллюстрация которого приведена на рис.1.
^2 га 2
га? 2 Хцнстр
*об *р
Рис.1. Искусственная нейронная сеть для прогнозирования параметров качества полуфабриката гильзы четвертой вытяжки
Значения обученной ИНС, рассчитанные программой, приведены в таблице.
Значения параметров обученной ИНС
Номер кластера Производительность сети на обучающем множестве Производительность сети на контрольном множестве Производительность сети на тестовом множестве Ошибка сети на обучающем множестве Ошибка сети на контрольном множестве 8 ш ас К <и К | то щ е ° 5 а км ю о К м 3 о о н
1 0,990423 0,991996 0,938448 0,03252 0,03286 0,03275
2 0,991953 0,991055 0,937918 0,026464 0,026504 0,036227
3 0,981793 0,987591 0,967405 0,031434 0,026146 0,035097
Далее с помощью обученной ИНС рассчитываются прогнозные значения параметров качества. График наблюдаемых и предсказанных значений является хорошей иллюстрацией качественно построенной модели. Если модель построена качественно, то точки этого графика должны располагаться как можно ближе к прямой, лежащей под углом 45° к осям координат, как показано на рис. 2.
■п
С!_ 1Л>
о ± ■=£ ++ ■= с ■л рг ш
136
134
132
130
128
126
124
122
120
118
116
114
112
110
108
106 11,106 11
11,110 11,114 11,118 11,122 11,126 11,130 11,134
,108 11,112 11,116 11,120 11,124 11,128 11,132 11,136
Наблюдаемые значения диаметра полуфибриката четвертой вытяжки М
Рис. 2. График наблюдаемых и предсказанных значений параметра й4
Предлагаемая методика прогнозирования качества гильз спортивноохотничьих патронов с применением метода ИНС дает возможность спрогнозировать значения параметров качества гильз с высокой точностью, что позволит предотвратить появление брака в процессе изготовления гильз и обеспечить оперативное управление качеством изделий в процессе производства.
Список литературы
1. Лялин В.М., Пантюхин О.В. К вопросу о проблеме расчетнотеоретического прогнозирования качества изделий комплексноавтоматизированного производства // Изв. ТулГУ. Сер. Машиноведение, системы приводов и детали машин: спец. вып. 2006. С. 178-180.
2. Пантюхин О.В., Лялин В.М., Тарасова Н.А. Учет влияния параметров оборудования на качество изготовления гильз патронов спортивноохотничьих // Изв. ТулГУ. Технические науки. Вып.1. 2009. С. 212-215.
3. Пантюхин О.В., Лялин В.М. Задача нелинейной регрессии для параметров вытяжки полуфабрикатов гильз с применением нейронных сетей. Теория и практика производства листового проката: сб. науч. тр. Ч. 2. Липецк: ЛГГУ, 2008. С. 191-196.
O. Pantyukhin, V. Lyalin, N. Tarasova
The quality factors prediction for 7,62х39 sporting cartridge case
The technique of the quality factors prediction for sporting cartridge cases with the use of the artificial neural network theory is presented.
Keywords: neural network, rotary line, sampling.
Получено 07.04.10
УДК 621.833
А.С. Горелов, канд. техн. наук, доц., (4872) 35-23-31, [email protected] (Россия, Тула, ТулГУ)
МЕТОДОЛОГИЯ АВТОМАТИЗИРОВАННОГО СТАТИСТИЧЕСКОГО КОНТРОЛЯ МАССОВЫХ ПРОИЗВОДСТВ
Предложены методы проведения автоматизированного статистического контроля штучной и нештучной продукции, методы оценки планов контроля и метод создания технической системы автоматизированного статистического контроля.
Ключевые слова: статистический контроль, план контроля, система контроля.
Продукция комплексно-автоматизированных массовых производств характеризуется большой номенклатурой параметров. В настоящее время менее 10 % из них контролируются автоматически, остальные - выборочно вручную. С увеличением производительности оборудования ручной контроль становится проблематичным. При ручном контроле отсутствует обратная связь с отказавшей технологической позицией. Без проведения статистической процедуры отбраковки или разбраковки не гарантируется определенный уровень качества после контроля.
Избежать вышеуказанных недостатков можно лишь путем комплексной автоматизации выборочного контроля на основе соответствующих статистических планов.
Однако использующиеся модели планов не приспособлены к задачам автоматизации, так как не позволяют ритмично загрузить устройства контроля. Кроме того, назначение планов производится без достаточного учета требований Изготовителя и Потребителя на основе произвольно назначенных рисков.
Целью исследования является повышение эффективности массовых производств за счет комплексной автоматизации статистического контроля на основе создания совокупности методов (методологии), включающей:
