CC BY
112
Список литературы
1. Вороненко Д.И. Нейросети - за и против. Харьков, 2004.
2. Ежов А.А., Шумский С.А. Избранные лекции по нейрокомпьютингу. М: МИФИ, 1998.
3. Уоссермен Ф. Нейрокомпьютерная техника: теория и практика. М.: Мир, 1992.
N.A. Tarasova, V.M. Lyalin, O. V. Pantukhin
METHOD OF APPLYING THE ARTIFICIAL NEURAL NETS TO FORECAST CARTRIDGE QUALITY PARAMETERS
The article describes the methodfor application of artificial neural nets to forecast the cartridge quality parameters. Its implication will allow assessing both semi-finished products quality in the production process and finished products. It will also enable assessing of technological process and prevent defects.
Key words: artificial neural nets, quality management, parameters forecast.
УДК 658.562
O.B. Пантюхин, канд. техн. наук, директор издательства, (4872) 35-36-20, ntomach@tsu.tula.ru,
В.М. Лялин, д-р техн. наук, проф., (4872) 33-23-50,
Н.А. Тарасова, асп., (4872) 33-23-50 (Россия, Тула, ТулГУ)
УПРАВЛЕНИЕ КАЧЕСТВОМ ИЗДЕЛИЙ МАССОВОГО ПРОИЗВОДСТВА С ПРИМЕНЕНИЕМ ТЕОРИИ НЕЙРОННЫХ СЕТЕЙ
В статье описан метод управления качеством изделий массового производства с применением теории искусственных нейронных сетей. Внедрение метода позволит решить проблему управления качеством изделий в кратчайшие сроки без коренной перестройки инфраструктуры существующего производства.
Ключевые слова: искусственная нейронная сеть, управление качеством, прогнозирование параметров.
В настоящее время к качеству изделий массового производства предъявляются повышенные требования. При больших объемах партий изделий возникает проблема, заключающаяся в необходимости своевременного получения объективной информации о состоянии технологического процесса (ТП) для оперативного управления им [1]. Для управления процессом необходимо выявить все факторы, обусловившие появление причин потери качества изделий.
Данную проблему невозможно решить без применения современных методов получения, обработки и анализа информации, полученной путем
наблюдений за процессом. Для обеспечения качества уже недостаточно поддержания состояния процесса на требуемом уровне и минимизации брака. Необходимо добиться того, чтобы оборудование обеспечивало требуемую точность изготовления изделий. Влияние параметров оборудования на качество изделий должно быть минимальным. Важна своевременная диагностика оборудования, и в особенности тех узлов, от которых напрямую зависят качество изделий, их геометрия и свойства. Инструментальное производство на предприятии должно обеспечивать изготовление качественного инструмента, а его замена на рабочем месте должна осуществляться до поломки или выявления его дефектов. Для минимизации ошибок контроля наряду с использованием традиционных методов и средств контроля (предельных калибров, контрольных приспособлений, датчиков и т.д.) требуется использовать на предприятии современные измерительные комплексы и устройства автоматического контроля. Кроме того, требуется предупреждение выпуска бракованных изделий с использованием передовых методов прогнозирования качества изделий. К таким методам в настоящее время относится метод искусственных нейронных сетей (ИНС) [2].
Метод ИНС позволяет моделировать сложный ТП с нелинейными связями между параметрами при большом числе переменных. Данный метод нашел широкое применение во многих областях, в том числе в управлении технологическими процессами непрерывного производства и при прогнозировании свойств изделий.
Искусственная нейронная сеть представляет собой структуру, состоящую из простых элементов - искусственных нейронов, соединенных друг с другом связями и способных совместно решать сложные задачи. ИНС, являясь нелинейными структурами по своей сути, позволяют с высокой степенью точности аппроксимировать произвольную непрерывную функцию, что повышает степень доверия к спрогнозированным данным.
Основной элемент нейронных сетей - искусственный нейрон (рис. 1)-является упрощенной математической моделью биологического нейрона, его аналогом в ИНС. Искусственный нейрон состоит из входного неоднородного адаптивного сумматора, нелинейного преобразователя и точки ветвления на выходе. Биологический нейрон моделируется в виде устройства, имеющего несколько входов (дендриты), и один выход (аксон). Каждому входу ставится в соответствие некоторый весовой коэффициент, характеризующий пропускную способность канала и играющий роль коэффициента усиления сигнала с этого входа на сигнал на выходе. В теле нейрона происходит взвешенное суммирование входных возбуждений, и далее это значение является аргументом активационной функции нейрона.
п ^ пслинсипыи Точка
Входной преобразователь ветвления
сумматор
Рис. 1. Схема искусственного нейрона
Функционирование искусственного нейрона определяется следующими формулами:
П
^ = (1)
/=1
Р = ф(ЗД, (2)
где х, - входные сигналы нейрона, и-',- - весовые коэффициенты синаптических связей, ? - пороговый уровень нейрона, 5 - состояние нейрона, ф -функция активации, а - вектор значений параметров функции активации, а Р - выходной сигнал нейрона.
Параметрами нейрона, определяющими его работу, являются: вектор весов м/ = {м;.}, пороговый уровень ?, вид функции активации ф и вектор параметров функции активации а = {а.}.
Процедуре построения ИНС предшествует подготовка данных, полученных в результате измерений параметров качества изделия на каждой технологической операции. Из массива измеренных данных необходимо исключить резко выделяющиеся значения, что ускорит процесс обучения нейронной сети. После корректировки данных проводят их масштабирование в интервал, границы которого определяются в зависимости от вида функции активации нейрона. Например, для логистической функции активации значения входных и выходных параметров сети должны лежать в интервале от 0 до 1. Пересчет значений параметров, полученных на выходе сети, осуществляется по тем же соотношениям, что и масштабирование входных данных.
Далее осуществляется построение ИНС, состоящее из выбора типа (архитектуры) нейронной сети и подбора весов (обучения) нейронной сети. При выборе типа сети используют наиболее популярные и изученные архитектуры - это многослойный персептрон, нейронная сеть с общей регрессией, нейронные сети Кохонена и др. На данном этапе выбирают вид функции активации, количество слоев сети и количество нейронов в каждом слое. Важно также определить, значения каких параметров будут по-
даваться на вход сети и какие параметры необходимо спрогнозировать на выходе сети для конкретной технологической операции.
Для выбранной архитектуры сети проводят ее обучение, основной смысл которого заключается в подборе значений ее весов. Для обучения ИНС разработаны специальные алгоритмы обучения, которые позволяют настроить веса нейронной сети определенным образом. Наиболее часто из этих алгоритмов используется метод обратного распространения ошибки, например, для обучения персептрона. Для обучения сети предъявляются массивы входных и выходных данных, полученных путем измерений параметров качества и наблюдений за процессом в течении длительного времени. Данная информация может содержаться на предприятии, например, в виде контрольных карт, контрольных листков, в которых отражены количественные и качественные результаты контроля параметров полуфабриката на каждой технологической операции. Качество обучения ИНС напрямую зависит от объема обучающей выборки, а также от полноты описания исходными данными конкретной задачи.
В процессе обучения величина ошибки (сумма квадратов ошибок по всем выходам) постепенно уменьшается. Обучение останавливают, когда величина ошибки достигает нуля или приемлемого малого уровня. В этом случае полученную нейронную сеть считают обученной и готовой к применению на новых данных. Определив все значимые параметры качества на входе и выходе каждой технологической операции технологического процесса изготовления изделия, можно построить с применением программных реализаций метода ИНС нейронные сети для каждой отдельной технологической операции. Обученные с помощью массива производственных данных нейронные сети позволят прогнозировать параметры качества изделия еще до того, как изделия будут подвергнуты обработке на последующей технологической операции.
Процедура получения информации о процессе, обработка и анализ данных в процессе производства осуществляются следующим образом. Полуфабрикаты на промежуточных операциях технологического процесса контролируются с помощью современных средств контроля на выходе после каждой единицы оборудования. Результаты измерения автоматически передаются со средств контроля в компьютер и обрабатываются с применением вышеописанного математического аппарата теории ИНС. Подготовка данных, построение и обучение ИНС осуществляются в пакете программ STATISTICA Neural Networks (нейронно-сетевой пакет фирмы StatSoft), представляющем собой реализацию всего набора нейросетевых методов анализа данных. Пример построенной и обученной ИНС (тип сети - многослойный персептрон) для трех входных параметров качества изделия, выполненной и контролируемой операции ТП и трех выходных прогнозируемых параметров качества изделия последующей операции, показан на рис. 2.
ре МПЗ Э’10-3: Ъ , N = КО ГСраиэв-пцт'е-ль-и&стъ абуч. = 01С24980 , Кан~р лрс+ізвсд^твпьнас”ь - 0,022^27", Тест прС'і!і езс’Ді,_сль іасть ~ 0.69997-3
Рис. 2. Пример архитектуры ИНС
Полученные данные измерений параметров качества полуфабриката изделия текущей операции технологического процесса вводятся оператором в программу. Результатом обработки данных являются прогнозные значения параметров качества полуфабриката изделия на последующей операции. Прогнозные значения выдает программа, представляющая собой .ехе файл, рабочее окно которой показано на рис. 3.
NNCode test harness program. Enter inputs below
oninal variables should be numbered starting at 1 <0 for missing)
<e.g. if an input is Gender=<male,female), enter 1 for male, 2 for female) ter value for input 1: 12.4
ter value for input 2: 0.067
ter value for input 3: 0.089
tput of neural network: tput l: 11.1189 tput 2t 0.0911429 tput 3: 0.O459272
Enter next input pattern <for control menu inc. exit, enter -999 for any input): Enter value for input 1:
Puc. 3. Рабочее окно программы
Получив прогнозные данные, оператор совместно со службой управления качеством предприятия анализирует их и сравнивает с допустимыми значениями, установленными в технических условиях на изделие. В случае, если значения прогнозных данных выходят за допустимые пределы, проводится анализ причин возникновения данной ситуации. На время проведения анализа межоперационный задел изготовленных изделий не отправляют на последующую операцию во избежание появления брака. Наи-
более вероятными причинами потери качества изделий являются: износ и поломки отдельных узлов и деталей оборудования, использование рабочего инструмента низкого качества, нарушение технологии производства изделий, некачественное сырье, ошибки контроля, человеческий фактор. Далее, выявленная в ходе анализа причина потери качества устраняется, а процедура измерения полуфабрикатов и анализ продолжаются. Только в случае положительного значения прогноза параметров осуществляется передача изготовленных изделий на последующую операцию технологического процесса.
Подводя итог вышеизложенному, следует отметить, что управление качеством изделий массового производства по разработанному новому методу представляется эффективным. Внедрение метода позволит решить проблему управления качеством изделий в кратчайшие сроки без коренной перестройки инфраструктуры существующего производства.
Список литературы
1. Лялин В.М., Пантюхин О.В. К вопросу о проблеме расчетнотеоретического прогнозирования качества изделий комплексноавтоматизированного производства // Известия ТулГУ. Серия: Машиноведение, системы приводов и детали машин. Спец. вып. Тула: Изд-во ТулГУ, 2006. С.178-180.
2. Галушкин А.И. Теория нейронных сетей/ под ред. А.И. Галушкина. М.: ИПРЖР, 2000. 416 с.
O. V. Pantukhin, V.M. Lyalin, N.A. Tarasova
QUALITY MANAGEMENT FOR GOODS OF MASS REPLICATION WITH APLLYING THE THEORY OF NEURAL NETS
The article describes the method for assessment of quality for goods of mass replication with applying the theory of artificial neural nets. The implementation of this method will allow solving the problem of quality control in the smallest time spans without any crucial change to the infrastructure of the existing production.
Key words: artificial neural net, quality management, parameters forecast.
