CC BY
51
УДК 658.562
О.В. Пантюхин, канд. техн. наук, директор издательства, (4872) 35-36-20, [email protected],
П.В. Аникеев, магистрант, (4872) 33-23-50, [email protected],
Н.А. Тарасова, асп., (4872) 33-23-50 (Россия, Тула, ТулГУ)
АЛГОРИТМ ПРОГНОЗИРОВАНИЯ ПАРАМЕТРОВ КАЧЕСТВА ПАТРОНА СПОРТИВНО-ОХОТНИЧЬЕГО КАЛИБРА 7,62X39 ММ
В статье изложен алгоритм прогнозирования качества полуфабриката многопереходного технологического процесса с генераг/ией программного кода искусственной нейронной сети.
Ключевые слова: искусственная нейронная сеть, управление качеством, прогнозирование параметров, генерация программного кода.
Важной составляющей обеспечения качества является задача управления технологическим процессом и прогнозирования качества изделий. В условиях массового производства изделий для оперативного управления процессом время от момента получения информации о процессе до управляющего воздействия должно быть минимальным. Получение информации о процессе осуществляется с помощью измерений и визуальной оценки изделия. Уменьшить время контроля и повысить его качество можно при использовании современных методов и средств контроля.
Более того, необходимо использовать измерительные комплексы, в состав которых входит персональный компьютер, на который передаются результаты измерений, далее производятся их обработка и анализ с помощью соответствующего программного обеспечения. Полученные таким образом данные используются для оценки состояния процесса производства на каждой технологической операции и принятия решения о необходимости вмешательства в технологический процесс [1].
Для оценки качества полуфабриката в процессе производства и готового изделия необходимо не только осуществлять оперативную обработку информации, полученной в результате измерений параметров полуфабриката на данной технологической операции, но и иметь возможность предсказать с высокой долей вероятности значения параметров качества изделия последующих технологических операций. В настоящее время наиболее эффективным методом решения задачи прогнозирования является рассматриваемый метод искусственных нейронных сетей [2].
В качестве примера осуществим прогнозирование параметров качества полуфабриката гильзы ПСО 7,62x39 мм на операции четвертой вытяжки в пакете программ STATISTICA Neural Networks ( нейронно-сетевой пакет фирмы StatSoft), представляющей собой реализацию всего набора нейросетевых методов анализа данных. Эта программа производит выбор лучшей сети по наилучшей производительности ИНС и наименьшей ошибке на контрольном и тестовом множествах.
Исходными данными являются полученные производственные показатели измерений геометрических параметров качества полуфабриката на второй и четвертой вытяжках: диаметр заготовки после вытяжки, разно-стенность у дна после вытяжки, разностенность у обреза после вытяжки.
Процедура построения требуемой нейронной сети состоит из трех этапов: обработка и подготовка имеющихся данных, проектирование структуры нейронной сети, настройка параметров нейронной сети [3].
Подготовка данных осуществляется с помощью кластерного анализа. Он необходим для разбиения всего массива данных на отдельные группы (кластеры), внутри которых данные близки по значениям, а функция зависимости выходных параметров от входных является непрерывной. Только в этом случае для каждой полученной группы данных можем построить ИНС, позволяющую с высокой степенью точности прогнозировать значения выходных параметров.
Установим тип задачи (регрессия) и спроектируем структуру ИНС (рис. 1).
Рис. 1.Проектирование структуры ИНС
Выберем зависимые и независимые переменные (рис. 2).
Рис. 2. Выбор данных для анализа
Зададим расчетные параметры перед построением и обучением ИНС: количество анализируемых сетей на вкладке «Быстрый» N=100, кодирование выхода в регрессии на вкладке «Персептрон» - логистическое, тип сети для проверки - трехслойный персептрон (рис. 3).
Нрымкзфм !■>
№ищьй Садами* Тщг^ш
Сшьпкль Персет^л ГМрш**=.«се-чэь
ПЩфСа4« >фТи1
Г Мет г Тфчлф
Г Е^+ пнгп44#чи| -;*ТН 1р*1Ии» №**0|
IV ГоЭДДГЬ Т4Э44Щ гчщл/иу п (ПГ44Я СГГГЙ при
Ь* Рьадсз«стт"51И1»«? а ре-'чпцт^!»-**в,вгн> ь* СнгерОПТЬ С«10&ЦДВДиртЦЛЯ#ЭТГ 00*4*-»#
Рис. 3. Настройка параметров нейронной сети
После выбора всех параметров осуществляем обучение ИНС (рис. 4).
/ІшІ г1.1 ■.(_ г Гііннтиі Г'.гт Щи 1 *>; і. щнн tujTy.Hi. 1 ііГір -
МП I 1*33 ІЛИПЇІ З.ТВЭД 3.75ЇЇ» ШШі или
мп )ад пЛРЭУ ДОЮ і№:ія ЇМ?
«и їж 1 иврнве 723588( ТЛЧОГ? Я<ГП5М ППЦГ
ип ! 110-33 1.01531* МНЯ и шьгаї папзм ВЦП і
ип їиінаа шй-їгі ІНЇВІСІ ПЯМЯРД пш;
МП ЛЮЭ 1.ЯЄІ1І 5ЛМЄ' №',
мп »1№ ивга тізк 5^^ «.«Ж Ь№ .
Гршда> ЙІМРИї
Рис. 4. Процесс обучения ИНС
По результатам обучения и проверки программа предложит нам лучшей вариант нейронной сети по значению производительности и ошибки (рис. 5).
В 0г.
Віііфі*
>*Т *
ЇЇЇ Ьі«і-
Рис. 5. Сообщение мастера решений
У нас есть возможность сравнивать построенные программой нейронные сети по различным критериям на контрольном и тестовом множествах (рис. 6).
Еіі«В<7»г4іи_И С'Ч'Ч
N Прлачии. ► сн*Г' Т*ІГ Пртл ОиИ5и*й <“
га мпзз^аэ 1ИПІШ7 2ШІІЯ 2583547 ОПИТЫ
7г МП а ї Б-ЇЗ 1 оооооо 1 ютооо і пгаш 0 1 332Я
72 МПЇШЗ олятн ошэо СДПС111
?Э МП5ЛПЭ ЙЛИЄі? одаяк л««т АШИ
7І МП 3 3-7-3 Э олвавд и 06172й ШИВНИ СДНЗН7
75 МП зд«3 ЕШ9979 одаявд
мп Ь&З# А.СЯЗЗ О.&ОЗЙ 0^979 с.«мэ?
77 МП я 1Э-5Э ъ.т\м 0М171 ът?п
га МП 3 3-3 31 0 0109 г? и ШЛИ 0 0075*17
п мп здюде ОШ101 одазд №Ю№1 0.005133 в
! 1111 ИМ 1И0ИВШ2ШУШШИЫаШИЫШИИ ;
* »1Г р
Си***
Выбреп*.««
Рис. 6. Значения параметров обученных ИНС
Изучаем параметры сети (рис. 7).
Рис. 7. Параметры сети
С помощью специальной функции генерируем код будущей самостоятельной программы на языке С/С++ (рис. 8).
її Ар* №~ДОі ПрОгЛКІ. Ґл>ПС ГїіС 1 Т«П ПСй 1 І КіМрО сл ! Тасгсі&к-
И неї ЗМ-ЇЇ МЄ*ВД оиегьа? ияэетэ Р.№9№ аооадо
* . і» *
Сті*м ІЛІ т-.;* т
ВЯ ЭнЬгуцц— -|
Рис. 8. Запуск генератора кода
Скомпилировав код, получаем рабочую программу в виде .ехе файла, которая позволяет осуществлять прогнозирование параметров качества полуфабриката четвертой вытяжки в зависимости от значений параметров полуфабриката второй вытяжки (рис. 9).
Рис. 9. Рабочее окно программы
При помощи специальной программы-макроса, написанной на языке Statistica Visual Basic, вся последовательность действий, выбранные опции и подготовленные отчеты сохраняются (рис. 10). Это позволит на другом массиве данных запустить макрос и повторить алгоритм в автоматическом режиме.
Г” Требовать объявление переменной перед использованием (Option Explicitj Элементы массива начинаются с 1 (Option Base 1)
Рис. 10. Создание макроса
Таким образом, используя данную методику получения обученной нейронной сети и программы, формируем рабочую программу, в которой, задавая значения параметра качества текущей операции, получаем зависящие от них прогнозные значения параметров качества на последующей операции.
Важная особенность использование метода ИНС для прогнозирования качества заключается в том, что его можно применить при существующей инфраструктуре производства и на используемом в данный момент оборудовании. Достаточно подключить специальное оборудование, которое будет в режиме реального времени считывать параметры полу-
фабриката и передавать их для последующей обработки на компьютер. Параметры изделия в режиме реального времени поступают в базу данных, которая обрабатывается прикладными нейро-сетевыми программами для прогнозирования качества полуфабрикатов на последующих операциях. Сети постоянно актуализируются и обучаются. При прохождении граничных параметров система сообщает о необходимости смены инструмента или необходимости замены определенного узла оборудования.
Вышеописанный алгоритм позволяет осуществить прогнозирование параметров качества изделий массовых производств оперативно и качественно, позволяя заранее предотвратить выпуск бракованных изделий.
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. Теория нейронных сетей / под ред. А.И. Галушкина. М.: ИПРЖР, 2000.416 с.
3. Калан Р. Основные концепции нейронных сетей. М.: Вильямс, 2002. 288 с.
O. V. Pantukhin, P. V. Anikeev, N.A. Tarasova
FORECASTING ALGORITHM FOR QUALITY PARAMETERS OF 7,62X39 MM SPORTS-and-HUNTING CARTRIDGES
The article presents the algorithm for forecasting the quality of semi-finished product of a multi-transition technological process with generating the program code of an artificial neural net.
Key words: artificial neural net, quality management, parameters forecast, generation of program code.
