CC BY
1
УДК 62-52
ВНЕДРЕНИЕ НЕЙРОСЕТИ В УПРАВЛЕНИЕ ПРОИЗВОДСТВЕННОЙ ЛИНИЕЙ ПРЕДПРИЯТИЯ РАКЕТНО-КОСМИЧЕСКОЙ ПРОМЫШЛЕННОСТИ
М. Е. Воронин, С. А. Андреева Научный руководитель - В. А. Будьков
Сибирский государственный университет науки и технологий имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газеты «Красноярский рабочий», 31
Е-mail: vormiha1@list.ru
В статье рассматриваются внедрение нейросетей в высший уровень управления мехатронными системами на предприятиях ракетно-космической отрасли.
Ключевые слова: нейросеть, мехатронные системы, ракетно-космическое предприятие.
IMPLEMENTATION OF A NEURAL NETWORK IN THE MANAGEMENT OF THE PRODUCTION LINE OF A ROCKET AND SPACE INDUSTRY ENTERPRISE
M. E. Voronin, S. A. Andreeva Scientific Supervisor - V. A. Budkov
Reshetnev Siberian State University of Science and Technology 31, Krasnoyarskii rabochii prospekt, Krasnoyarsk, 660037, Russian Federation
Е-mail: vormiha1@list.ru
The article discusses the introduction of neural networks into the highest level of mechatronic systems management at the enterprises of the rocket and space industry.
Keywords: neural network, mechatronic systems, rocket and space enterprise.
В настоящий момент аэрокосмическая отрасль в Российской Федерации находится в затруднительном положении. Предприятия ракетно-космической промышленности плохо оптимизируются, оборудование практически не модернизируется с момента распада СССР. Большая часть технологий остается успешной только благодаря разработкам советских времен и в ближайшее время продукция российских аэрокосмических предприятий может оказаться неконкурентоспособной.
Также не успев восстановиться от западных санкций 2014 года, отечественная ракетно-космическая промышленность оказалась вновь под влиянием антироссийских ограничений, в том числе и ответные санкции нанесли урон по данной отрасли: прекращение поставок двигателей РД-180 в США, остановка работы с аппаратами OneWeb. В связи с этим сейчас крайне важно найти способ стремительного восстановления этой отрасли, благодаря оптимизации процесса производства, которая должна быть основана на сокращении расходов на создание и внедрение как проверенных годами, так и новых технологий; усилении контроля качества продукции; создании и введении в эксплуатацию новых систем управления технологическим процессом.
Для этих целей может служить внедрение нейросетей в высший уровень управления мехатронными системами на производственной линии предприятия РКП. Нейронные сети -это самообучающиеся интеллектуальные информационные системы, которые на основе обучения по реальным примерам строят ассоциативную сеть понятий (нейронов) для
Секция «Технологические и мехатронные системы в производстве ракетно-космической техники»
параллельного поиска на ней решений. В результате обучения на примерах строятся математические решающие функции (передаточные функции или функции активации), которые определяют зависимости между входными и выходными признаками (сигналами). Обучение нейронной сети сводится к определению связей (синапсов) между нейронами и установлению силы этих связей (весовых коэффициентов). Алгоритмы обучения нейронной сети упрощенно сводятся к определению зависимости весового коэффициента связи двух нейронов от числа примеров, подтверждающих эту зависимость [1].
Актуальность внедрения нейросетей на высшем уровне обусловлена достаточной скоростью реагирования, которая следует из способности выражения больших данных более компактно, на основе тесных взаимосвязей между их параметрами; способности к прогнозированию, благодаря обнаружению скрытых взаимосвязей между входными и выходными данными, что дает возможность предсказания некоторой последовательности на основе предыдущих значений и факторов в настоящий момент [2].
Нейросеть интегрируется в систему управления производством и принимает информацию из имеющихся в мехатронной системе датчиков и микроконтроллеров их управления (все от напряжения питания до угла поворота выходного звена). Внедрение нейронных сетей в автоматизированные мехатронные системы требует установки дополнительных датчиков, устанавливаемых в помещениях и непосредственно на мехатронное оборудование. Базовыми датчиками для любого цеха, оснащенного автоматизированными системами, являются:
• датчик вибрации;
• датчик силы;
• камера высокого разрешения;
• микрофон.
Датчик вибрации, интегрированный в корпус мехатронного модуля, необходим для обнаружения превышения допустимых значений вибрации, на основании чего нейронная сеть может принять решение об остановке техпроцесса на данном этапе или о корректировке настроек оборудования для предотвращения брака или ЧП. Примером использования датчиков этого типа может служить автоматизированный сверлильный станок с интегрированными датчиками виброскорости и виброускорения. Если при его эксплуатации возникает несвойственная нормальному режиму работы вибрация, то нейросеть, опираясь на данные с датчиков и свою базу данных, может определить причину, допустим, неподходящая скорость сверления, и изменить ее, либо если причина не в неверной скорости, она оповестит оператора о возникшей ошибке.
Аналогично работает датчик силы, он позволяет определить усилие, при превышении максимально допустимого значения которого нейросеть получит сигнал, прервет работу мехатронного оборудования и оповестит о внештатной ситуации, либо скорректирует настройки системы для получения заданных параметров. К примеру, при штамповке деталей возможен дефект детали из-за недостаточной или избыточной силы удара. Кроме того, возможно использование датчика силы вкупе с датчиком крутящего момента для контроля силы резания.
Камера высокого разрешения должна быть размещена в рабочей зоне и может охватывать сразу несколько единиц автоматизированного оборудования. Она может использоваться как для обычной видеофиксации, так и для выявления дефектов при производстве, например, можно внедрить программу для проведения измерений при фотофиксации производимой продукции: с определенной периодичностью создаются фотографии, и нейросеть анализирует фото каждой единицы продукции каждого станка, определяя отклонения от нормы, это позволит ускорить процесс выявления и устранения дефектов. Возможен следующий вариант использования: камера, установленная в литейном цеху, производит фотофиксацию готовой детали, нейросеть обрабатывает полученное изображение и выявляет значительные отклонения от заданных геометрических параметров.
Микрофон устанавливается в помещении и захватывает звуки работы производственного оборудования. В базу знаний нейронной сети вносятся образцы звуков нормальной работы оборудования. Если нейросеть при анализе сигналов из микрофона выявляет какие-либо посторонние шумы, не относящиеся к известным и не подобные им, она может определить, какая из мехатронных систем является источником постороннего звука, далее, опираясь на параметры системы, которые поступают в обработку нейросети, она распознает проблемный модуль и оповещает человека-оператора о неисправности. Кроме того, возможен следующий вариант использования микрофона в системе управления: при наличии в помещении цеха пожарных оповещателей существует возможность записи в базу нейронной сети их звуков, из чего следует способность нейросети к распознаванию звуков оповещателей и последующей остановке производственного процесса во избежание негативных последствий для оборудования и производимой продукции.
Для решения вышеупомянутых задач необходимо использовать нейросети рекуррентного типа, так как для них характерно наличие памяти: такие нейросети могут проводить аналогии между текущим состоянием системы и предшествующими; они способны генерировать последовательность действий, провести анализ ситуации и выбрать оптимальное решение. Согласно классификации основных моделей теории нейронных сетей, нейросети прямого распространения не обладают такими функциями [3].
Исходя из особенностей рекуррентной модели нейронной сети, есть возможность обучения системы управления технологической линией самодиагностике и выявлению причин сбоя, благодаря восстановлению исходной цепочки техпроцесса с последующим выявлением этапа, на котором произошли ошибки при производстве.
В целом, использование нейросетей на предприятиях ракетно-космической промышленности приводит к получению возможности обнаружения брака и немедленной остановки работы во избежание некачественного результата, а также сильно снижает вероятность возникновения ошибок в ходе технологического процесса. Также применение нейросетей способствует минимизации использования человеческого труда на промышленном объекте, этот аспект не только исключает негативное влияние вредного производства на здоровье, но и сократит расходы на обучение, повышение квалификации и в целом заработную плату персонала.
Библиографические ссылки
1. Горобченко С. Л. Курс Интеллектуальные средства автоматизации. Модуль Конспект лекций и концепт-карты основных тем [Электронный ресурс]. URL: https://life-prog.ru/1_18239_samoobuchayushchiesya-sistemi.html (дата обращения: 04.04.2022)
2. Искусственная нейронная сеть, Национальная библиотека им. Н. Э. Баумана [Электронный ресурс]. URL: https://ru.bmstu.wiki/index.php?title=Искусственная_нейронная_с еть&тоЫ1еасйоп^оаа!е view mobile (дата обращения: 04.04.2022).
3. Нейронные сети: как работают и где используются [Электронный ресурс]. URL: https://gb.ru/blog/nejronnye-seti/ (дата обращения: 04.04.2022).
© Воронин М. Е., Андреева С. А., 2022
