автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.06, диссертация на тему:Инструментально-квалиметрическая и компьютерная поддержка контроля и управления качеством продукции автоматизированных производств многокомпонентных гетерогенных смесей

кандидата технических наук
Сокольчик, Павел Юрьевич
город
Пермь
год
2006
специальность ВАК РФ
05.13.06
Диссертация по информатике, вычислительной технике и управлению на тему «Инструментально-квалиметрическая и компьютерная поддержка контроля и управления качеством продукции автоматизированных производств многокомпонентных гетерогенных смесей»

Автореферат диссертации по теме "Инструментально-квалиметрическая и компьютерная поддержка контроля и управления качеством продукции автоматизированных производств многокомпонентных гетерогенных смесей"

На правах рукописи

СОКОЛЬЧИК Павел Юрьевич

ИНСТРУМЕНТАЛЬНО-КВАЛИМЕТРИЧЕСКАЯ И КОМПЬЮТЕРНАЯ ПОДДЕРЖКА КОНТРОЛЯ И УПРАВЛЕНИЯ КАЧЕСТВОМ ПРОДУКЦИИ АВТОМАТИЗИРОВАННЫХ ПРОИЗВОДСТВ МНОГОКОМПОНЕНТНЫХ ГЕТЕРОГЕННЫХ СМЕСЕЙ

Специальность 05.13.06 - Автоматизация и управление технологическими процессами и производствами (промышленность)

АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук

Пермь 2006 г.

Работа выполнена в Государственном образовательном учреждении высшего профессионального образования «Пермский государственный технический университет».

Научный руководитель: доктор технических наук, профессор

ШУМИХИН Александр Георгиевич

Официальные оппоненты: доктор технических наук, профессор

ШЕВЕЛЕВ Николай Алексеевич,

кандидат технических наук ПЛЕХОВ Владимир Геннадьевич

Ведущая организация: Федеральное государственное унитарное

предприятие «Пермский завод им. С.М.Кирова»

Защита состоится «14» июня 2006 г. в часов на заседании

Диссертационного совета Д 212.188.04 Пермского государственного технического университета по адресу: 614000, г. Пермь, Комсомольский проспект, 29, ауд. 212.

С диссертацией можно ознакомиться в библиотеке Пермского государственного технического университета.

Автореферат разослан « мая 2006 г.

Ученый секретарь Диссертационного Совета доктор технических наук, профессор

А.А.Южаков

ЯаоЬк Л 473

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы. Современные условия ставят перед предприятиями, производящими продукцию из смесевых гетерогенных композиций, например, лаки и краски, задачу упрочения рыночного положения и конкурентоспособности. Это возможно, если в производстве обеспечивается оперативное, гибкое реагирование на конъюнктуру рынка как путем разработки новых рецептур, так и путем управления потребительскими свойствами продукции при изготовлении с тем, чтобы значения показателей этих свойств соответствовали уровню, диктуемому потребителем.

Эффективное решение подобных задач для автоматизированных производств требует создания компьютерно-интегрированных систем, обеспечивающих управление разработкой новой продукциии и формированием исходных данных для проектирования, проектированием технологических процессов с системами контроля и управления, технологической подготовкой производства, функционированием технологических процессов с целью выпуска конкурентной продукции.

Важность данной диссертационной работы применительно к созданию итерированных систем управления производствами многокомпонентных гетерогенных композиций определяется необходимостью разработки алгоритмов функционирования систем, основанных на применении моделей связи показателей качества продукции с составом рецептуры и параметрами технологических процессов.

Потребительские свойства, например краски, такие как цветовые оттенки и качество покрытия, оцениваются при производстве, как правило, органолептическим методом экспертом-квалиметристом путем сравнения с эталонными образцами. Поэтому построение адекватных математических моделей связи показателей качества с составом рецептуры и параметрами технологических процессов требует разработки инструментальных методов для оценки этих показателей непосредственно в процессе получения продукции.

Разработке и исследованию математических моделей количественной связи оптолептических параметров светочувствительного сканирования, характеризующих цветовые оттенки и степень гомогенизации многокомпонентных гетерогенных смесей, с составом рецептуры и технологическими параметрами процессов их получения, а также синтезу на основе этих моделей адаптивных алгоритмов управления качеством посвящена настоящая работа.

Представленная работа является частью научных исследований, проводимых в Пермском государственном техническом университете в соответствии с планами научно-исследовательских работ по научно-технической программе Министерства образования РФ «Автоматизированные системы, средства автоматизации и вычислительная техника» (1999-2001 г.г., проект № Г.р. 01200010347), региональной научно-технической программе «Западный Урал: актуальные проблемы научно-технического развития и экологической безопасности» (2000 г., проект «Разработка теоретических основ и алгоритмов гибкого автоматизированного управления технологическими процессами многономенклатурных химических производств в условиях быстроменяющейся конъюнктуры рынка»), заданию Министерства образования РФ № Г.р.01200310375 «Нелинейные модели механики неоднородных сред и математические методы прогнозирования эффективных свойств матричных композитов» (2003, 2004 г.г., проект: «Принципы, модели и алгоритмы управления качеством продуктов компаундирования»). РОС. НАЦИОНАЛЬНАЯ

Цель работы. Создание систем инструментально-квш имет]ВИ83Мй)ТРК1\

С.-Петербург

компьютерной поддержки контроля и управления качеством продукции автоматизированных производств многокомпонентных гетерогенных смесей.

Для достижения этой цели необходимо решить следующие задачи разработки и исследования методов и алгоритмов:

- повышения точности дозирования твердых компонентов в жидкую органическую основу технологической массы композиционных материалов;

- количественной оценки степени гомогенизации гетерогенных смесей на основе оптолептической информации о состоянии их поверхности;

- количественной оценки (идентификации) цветовых оттенков композиционных материалов по модели RGB - разложения с использованием оптолептической информации, получаемой при сканировании их поверхности;

- идентификации связей «состав-качество» многокомпонентных гетерогенных композиций формальными математическими моделями;

- управления составлением рецептуры многокомпонентных гетерогенных смесей с целью получения продукции (лаков и красок) с заданными по эталонам цветовыми оттенками;

- управления рецептурой и технологическими режимами процессов получения многокомпонентных гетерогенных композиций с заданными характеристиками качества, а также задачи разработки алгоритмической структуры систем контроля и управления качеством.

Методы исследования. В процессе выполнения работы использованы методы математической статистики, идентификации объектов и систем управления, в т.ч. нейросетевыми моделями, теории управления, теории систем, вычислительный эксперимент, натурный эксперимент с использованием метода оптолептической квалиметрии.

Научная новизна результатов диссертационной работы заключается в следующем:

- предложены и обоснованы метод и алгоритмы количественной оценки цветовых оттенков гетерогенных смесей, идентифицируемых моделью RGB-разложения, и идентификации связи оттенков с составом рецептуры формальными математическими моделями (регрессионными, МГУА, нейросетевыми), обучаемыми по информации оптолептического сканирования поверхности образцов смесей известного состава;

- предложены и обоснованы методы и алгоритмы количественной оценки однородности лакокрасочных покрытий, использующие энтропию и количество оптолептической информации об их поверхности, и идентификации связи параметра качества покрытий с составом рецептуры и параметрами технологического процесса гомогенизации гетерогенной смеси формальными математическими моделями;

- разработан метод управления показателями качества (цветовые оттенки, однородность смеси) при получении лакокрасочной продукции, основанный на применении в задаче управления нейросетевых моделей связи показателей качества с составом рецептуры и параметрами технологического процесса гомогенизации;

- предложен подход к формированию базы знаний из обученных нейросетевых моделей «состав рецептуры - качество» и «качество - состав рецептуры» на основе метода прецедентов, отличающийся тем, что при изменениях в составе сырья для рецептуры смеси, выбор пары моделей осуществляется по прецеденту, соответствующему проблемной ситуации;

разработана информационная структура инструментально-кпалиметрической компьютерно-интегрированной системы управления качеством продукции автоматизированного производства многокомпонентных гетерогенных смесей и архитектура информационно-программного обеспечения получения и использования математических моделей прогнозирования и управления качеством.

Практическое значение работы. Разработан способ дозирования твердых компонентов в жидкую основу технологической массы композитов, основанный на алгоритмах тестового повышения точности дозирования.

Разработана программная реализация алгоритмов идентификации цветовых оттенков красок и однородности лакокрасочных покрытий на основе оптолептической информации, получаемой при сканировании поверхности образцов.

Разработана программная реализация алгоритмов моделирования связей состава рецептуры и параметров процесса гомогенизации технологической массы с показателями качества продукции.

Разработана файловая структура информационно-программного средства для прогнозирования и управления показателями качества гетерогенных многокомпонентных смесей.

Основные положения диссертации, выносимые на защиту:

- методы и алгоритмы количественной оценки цветовых оттенков, степени гомогенизации многокомпонентных гетерогенных смесей, однородности лакокрасочных покрытий по оптолептической информации, получаемой при сканировании поверхности образцов;

- методы и алгоритмы идентификации связей состава рецептуры и параметров технологических процессов получения многокомпонентных гетерогенных композиций с показателями их качества формальными математическими моделями, в том числе нейросетевыми;

- информационно-алгоритмическая структура инструментально-квалиметрической компьютерно-интегрированной системы управления качеством многокомпонентных гетерогенных композиций и файловая структура информационно-программных средств;

- способ дозирования компонентов технологической массы композитов, основанный на алгоритмах тестового повышения точности дозирования. Апробация работы. Основные положения диссертационной работы

докладывались и обсуждались на международной научно-технической конференции «Перспективные химические технологии и материалы» (Пермь: 111 1 У,1997), Международной конференция молодых ученых «Методы кибернетики в химической технологии» (Москва: РХТУ, 1997), Всеросс. конф. молодых ученых «Математическое моделирование в естественных науках» (Пермь: ПГТУ, 1999), научной конференции «Химия, химическая технология, охрана окружающей среды» (Пермь: ПГТУ, 2000), Международной научно-техническая конференция «Новые материалы и технологии на рубеже веков» (Пенза: Приволжский дом знаний, 2000), Международной конференция молодых ученых «Успехи в химии и химической технологии» (Москва: РХТУ им. Д.И. Менделеева, 2000), Всероссийской научной конференции «Проектирование научных и инженерных приложений в среде МАТЪАВ» (Москва: ИПУ РАН, 2002); XV Международной научной конференции «Математические методы в технике и технологиях» (Тамбов. Тамбовский гос. техн. университет, 2003), XVI Международной научной конференции «Математические методы в технике и технологиях» (Ростов-на-Дону: РГАСХМ ГОУ, 2004).

Публикации. По теме диссертации опубликовано 10 научных работ. Структура и объем диссертации. Диссертация состоит из введения, четырех основных глав, заключения, списка литературы, приложений. Содержит 135 страниц машинописного текста, 18 таблиц и 51 рисунок.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована важность и актуальность решаемых научных задач прогноза и управления качеством гетерогенных смесевых композиций в малотоннажных гибких автоматизированных производственных системах. Дана характеристика научной новизны и практической значимости работы.

В первой главе рассмотрены особенности производств смесевых гетерогенных композиций как объектов моделирования и управления.

В структуру системы управления производствами смесевых гетерогенных композиций входят: система управления разработкой рецептуры композиций с заданными свойствами; система управления технологической подготовкой производства; система управления технологическими процессами производства композиций. В общем случае производство смесевых композиций, например, красок, характеризуется общими особенностями. К ним относятся

1. Отсутствие (или малое количество) химических превращений.

2. Наличие большого количества показателей качества, задающихся в виде диапазона X ^[Х^.Х^]. В этих производствах наиболее актуальна проблема воспроизводимости в разных товарных партиях продукции.

3. Наличие показателей качества, которые трудно или невозможно выразить количественно, или которые приходится выражать через косвенные (зависимые показатели), и показателей, имеющих субъективную природу. Например, оттенки цвета краски и их соответствие эталону определяются опытными людьми -экспертами визуально с применением специальных атласов.

4. Периодический и непрерывно-периодический характер производства. Это свойство в свою очередь дает возможность использовать для управления качеством методы и алгоритмы с большим объемом вычислений, неприемлемые для непрерывных технологических процессов.

5. Возможность производства продукции широкого ассортимента на одном и том же оборудовании.

6. Большой объем лабораторных исследований. Многоассортиментность производства, постоянно меняющаяся конъюнктура рынка требуют лабораторных исследований, ведущихся по следующим направлениям:

- разработка и перенос в промышленные условия новых рецептур;

- удешевление рецептуры уже производящейся технологических режимов.

Технология производства рассмотрена на примере процесса получения пентафталевых лаков и красок. Технологический процесс состоит из стадий: подготовка исходных компонентов, дозирование, гомогенизация, диспергирование,

1. Подготовка исходных компонентов

Подготовка жидкой Фазы

Подготовка твердой Фазы

2. Дозирование

4. Диспергирование

5 Усреднение

3. Гомогенизация

Т.

Рис. 1. Схема производства гетерогенных композиций

продукции с подбором

усреднение (рис. 1).

Система управления технологическим процессом производства имеет трехуровневую иерархическую структуру.

На первом, нижнем уровне решаются задачи стабилизации и программного управления параметрами режима XI П. На втором уровне иерархии осуществляется решение задач управления стадиями по локальным критериям при локальных ограничениях и принятие решений по уставкам систем стабилизации и программного управления нижнего уровня. На третьем уровне иерархии осуществляется координация решений задач управления стадиями с учетом взаимосвязей локальных критериев в глобальном критерии для всей ХТС, а также взаимосвязей ограничений для подпроцессов.

Проведен анализ проблемы определения показателей качества гетерогенных композиций. Приведено обоснование целесообразности использования для количественной оценки цветовых оттенков и степени перетира и гомогенизации гетерогенных смесей бесконтактного оптолептического метода, основанного на светочувствительном сканировании поверхности образца и формальных математических моделей для прогнозирования и управления качеством продукции.

Внешний вид поверхности смесевой композиции несет информацию о показателях качества смеси: соотношении исходных веществ, фазовом составе, степени перетира и гомогенизации и др. Перечисленные показатели характеризуют потребительские характеристики: укрывистость, текучесть, скорость высыхания и т.д. Так, например, цвет красок является важным показателем ее качества.

Для получения моделей «состав-качество» и «качество-состав» можно использовать оптолегггаческую информацию о цвете смеси и внешнем виде ее поверхности. Создание, например, новой рецептуры краски определенного цвета при переходе от лабораторных исследований к технологическому процессу сопровождается большим количеством брака при «постановке» цвета. Необходимо прогнозировать цвет краски по исходной рецептуре до осуществления технологического процесса (прямая задача). Для протекающего технологического процесса необходимо управлять дозировкой пигментов (обратная задача). Прямая задача формулируется в виде с = F(x), где х - вектор, характеризующий концентрации пигментов в краске; с - вектор параметров, характеризующих цвет краски, обратная задача в виде х = /^'(с). Функции Р и Р"1 представляются обычно в

виде формальных математических моделей, так как теоретические закономерности связи показателей цвета с составом рецептуры недостаточно изучены.

Определение показателей качества по изображению поверхности смесевой композиции представляется привлекательным по следующим причинам: определение качества можно вести бесконтактным способом, не требующим специальных датчиков и анализаторов и их перенастройки; анализ производится непрерывно или дискретно в любые моменты времени; возможна формализация экспертных оценок показателей качества человеком-экспертом.

Во второй главе приведено описание методики натурного эксперимента по количественной оценке качества гетерогенных смесей с использованием метода оптолептической квалиметрии и проанализирована возможность получения формальных математических моделей связи показателей качества с составом рецептуры и технологическими параметрами методами регрессионного анализа, группового учета аргументов, искусственных нейронных сетей.

В общем случае модель связи показателей качества с составом рецептуры и

технологическим параметрами процесса получения гетерогенной смеси имеет вид:

?ШГ(Х,Ц), _ (1)

где X, - неуправляемые параметры, / = 1,л; У, -показатели качества, / = 1,/; ик -управления, к = \,т.

Для задачи прогноза качества продукции по исходному составу (прямая задача) используется модель «состав-качество», входами которой являются вектор неуправляемых координат X и управляющих - и, которые можно изменять.

Для определения значений управлений строится следующая формальная модель:

и, =Р~{(х,7), (2)

позволяющая по заданным значениям показателей качества находить значения управлений. Модель (1) используется при этом для контроля решения задачи управления по модели (2), Поочередное вычисление значений управлений и их контроль позволяют оценивать адекватность моделей на каждом шаге управления.

Обучающая выборка, используемая для установления зависимостей (1) и (2), содержит данные, полученные с промышленных технологических установок, данные лабораторного анализа и опытного производства. Для нестационарных процессов обучающая выборка обновляется таким образом, чтобы она содержала технологические ситуации за заданный промежуток времени.

При светочувствительном сканировании поверхности отраженный от объекта свет проходит через оптическую систему и попадает на светочувствительную матрицу, каждый элемент который выдает электрический сигнал пропорциональный силе падающего света. Причем, для каждой ячейки светочувствительной матрицы вырабатывается три сигнала, пропорциональные разным компонентам излучения. Наиболее часто используется разложение в три составляющих: красную (Я), зеленую (О) и синюю (В).

Поверхность образца представляется в виде образа:

/ = 1ДЗ...,

где О* - отклик элемента светочувствительной матрицы для £-го цветового слоя; к -

количество передаваемых матрицей цветов; у - номер элемента соответственно в строке и столбце матрицы; п,т - соответственно количество элементов светочувствительной матрицы по высоте и ширине; / - количество уровней сигнала, передаваемого каждой ячейкой матрицы.

Использование цифрового образа поверхности в виде КХЗВ-модели является удобным для передачи информации в математическую модель. Характеристиками любого светочувствительного преобразования будут являться разрешение (количество элементов изображения на единицу длины) и глубина цветопередачи. Глубина цветопередачи определяет, сколько дискретных уровней может иметь каждая из координат, соответствующая Я, С или Я-составляющей.

Для натурного эксперимента были выбраны следующие параметры оцифровки изображения. Разрешение по горизонтали и вертикали 75 точек/дюйм (2.95 точек/мм). Площадь красящего состава выбрана таким образом, чтобы по вертикали укладывалось 200 точек, по горизонтали 100 (площадь близкая к лабораторным образцам): 200/ г = 67.8 мм; Ь2= 100/ г = 33.9 мм, где ЬьЬ2 - высота и ширина образца; г - разрешение светочувствительного устройства, точек/мм (г=2,95); глубина цветопередачи 3 байта (24 бита). Каждая составляющая представлена одним байтом

(2* состояний) что наиболее распространено в светочувствительных устройствах. Общий объем информации для каждого образца составляет 3x100 x 200 = 60000 байт. Образ поверхности представлен в виде матрицы:

О^ е[о...25б];| = 1...100;у' = 1...200;А = 1...3.

Исходными данными для построения моделей связи количественных оценок цветовых оттенков с составом композиции явились результаты светочувствительного сканирования девяти образцов, полученных смешением (фаски, содержащей белый, красный и зеленый пигменты. Значения объемных концентраций нормируются: х' = X, ¡V, где X, - объем, занимаемый компонентом /', мл; V - полный объем замеса, мл; х' - приведенная концентрация, Л^е[0,1]. Составляющие цвета представляются в нормированном виде: С] = С1/И, где С, - нормированный уровень /-Й цветовой составляющей; С, - представление цветовой составляющей в виде одного из 256 возможных уровней; N - 256 - максимально возможное числовое значение уровня цветового представления.

При выборе типа модели для оценки связи между оптолептическими характеристиками и составом композиции было проведено сопоставление методов группового учета аргументов (МГУА), множественной регресс™ Брандона, искусственных (формальных) нейронных сетей (ИНС).

Так, при обработке экспериментальных данных методами Брандона и МГУ А для «прямой» задачи были получены зависимости составляющих цвета от количеств белого, 1фасного, зеленого пигментов и растворителя в смеси, а для «обратной» задачи - зависимости необходимых количеств белого, красного, зеленого пигментов и растворителя в смеси от заданных значений Я, в и ^-составляющих цвета.

С аналогичными аргументами по тем же экспериментальным данным для «прямой» и «обратной» задач были сконструированы и обучены ИНС.

Сравнение дисперсионных Р-отношений выборочной к остаточной дисперсии откликов для всех типов моделей связи показало, что наибольшее значение Р-критерия, равное 37, соответствует нейросетевым моделям, что свидетельствует о достаточной степени их адекватности экспериментальным данным.

Для получения моделей использовались нейронные сети с алгоритмом обучения обратного распространения ошибки, каждый нейрон которых описывается

соотношениями:

_

где х, > / = (1, п;к)- входы у-го нейрона ¿-слоя (п1]с) - количество входов у'-го нейрона к-слоя); м>1;* - синаптический вес 1-го входа у'-го нейрона в Л-слое {к = 1,п/; л, количество слоев нейронной сети; - выход у'-го нейрона ¿-слоя; fJk - функция активации у'-го нейрона ¿-слоя. В качестве функции активации использовалась логистическая функция (сигмоид) = 1 /(1 + ехр(-5,*)).

Для исследований были построены трехслойные нейронные сети с различными парадигмами (П( П2 Пз ) (п, - число нейронов в слое, / = (1,3)), входным (нулевым) слоем с тремя входами и выходным слоем с тремя выходами.

Обучение нейронных сетей заключается в минимизации ошибки на выходе сети, в качестве которой взята сумма квадратов отклонений (СКО) текущих значений

выходов от желаемых из обучающей выборки путем коррекции синаптических весов входов нейронов ъ/^ на каждом цикле обучения.

Для нейронной сети с парадигмой (8,16,3) были исследованы следующие алгоритмы обучения: «упругий»; с использованием метода секущих; метод Левенберга-Марквардта. Наилучшие результаты (по значению СКО) как на обучающей, так и тестовых выборках получены при использовании алгоритма Левенберга - Марквардта.

С использованием этого метода для экспериментальных данных светочувствительного сканирования поверхности девяти образцов были обучены пары нейронных сетей для «прямой» и «обратной» задач. Фрагмент с результатами проверки обученных сетей на тестовой выборке приведен в табл. 1.

Таблица 1

Результаты проверки нейронных сетей

Экспериментальные данные | Прогноз нейронной сетью

Исходный состав, масс, доли Результаты светочувствительного сканирования, доли ед. шкалы сост. цвета Пигментный состав (обратная задача), масс, доли СКО 1ЮВ-компоненты (прямая задача), доли ед.ппсалы сост.цвета СКО

Пиг-мекг 1 Пигмент 2 Пигмент 3 Я в В Пигмент 1 Пигмент 2 Пигмент 3 Л в В

1.00 0.00 0.00 0.00 1.00 0.00 0.00 0.60 0.40 1.00 1.00 1.00 0.88 0.21 0.14 0.26 0.21 0.13 1.00 0.00 0.01 0.19 0.19 0.06 0.00 0.77 0.27 0.01 0.83 0.22 1.00 1.00 1.00 0.88 0.20 0.14 0.29 0.15 0.11 0.00 0.01 0.07

Полученные результаты удовлетворяет точности, с которой необходимо проводить дозировку пигментов. Для каждой новой рецептуры используегся новая нейронная сеть. На тех же обучающих и тестовых выборках были обучены и исследованы нейронные сети, имеющие три входа с парадигмами: (4,4,3); (5,5,3); (5,10,3); (8,16,3); (10,10,3). Наилучший результат получен при использовании сети с парадигмой (8,16,3).

С целью учета отличия характеристик сырья для рецептуры различных партий при его поставке разработан подход к формированию базы знаний из обученных ИНС, основанный на методе прецедентов, размещенных в базе ^бз = {Л^.Л^}, ' =1.*. где NБ3 - база знаний на основе множества нейронных сетей; ¿-размеры базы знаний; НС для прямой задачи (прогноз), Ы,г- НС для обратной (управление).

База знаний формируется следующим образом. Для определенного регламентируемого цвета в лабораторных условиях делается серия пробных замесов из существующих компонентов Хх, Хг - Хя. По данным опытных замесов (они проводятся и в существующем способе подбора цвета) обучаются и тестируются нейронные сети Л^ N12, заносятся в базу знаний и по этой паре производится прогноз и управление технологическим процессом. Далее при смене исходного сырья проверяется уже две пары (ЛГц, Ип) и (Л'гьЛ'иУВ случае, если ни у одной пары не совпадают результаты прямого и обратного вычислений добавляется третья пара {ЛГ31, #32} и т.д. Таким образом, через некоторое время будет создана база знаний,

содержащая к пар правил в виде пар нейронных сетей и при смене сырья X в базе отыскивается наиболее близкая пара {Ыр\, Л^) путем следующего выбора:

'W

(4)

где fit(i = \,k) - критерий близости прецедента из базы знаний к проблемной

ситуации (смене сырья); xjX- реальное значение количества j-то пигмента; -

значение количества пигмента, полученное для i-той пары нейронных сетей (N\„ Nb) при прямом и обратном вычислениях. Если при этом значение цр попадает в

заданный диапазон - в задаче управления используется р-ая пара сетей Npz), иначе следует процесс переобучения этой пары с сохранением. Вновь обученная пара сетей помещается в базу знаний, а исходная р-ая пара сохраняется в ней.

Третья глава посвящена разработке способа дозирования твердых веществ в жидкую органическую основу с использованием тестовых методов повышения точности измерений и метода оценки степени гомогенизации неоднородной системы по энтропии информации, полученной оптолептическим методом при светочувствительном сканировании поверхности смеси. Получаемые при этом значения энтропии для различных образцов являются исходной информацией для обучения искусственной нейронной сети с выходным нейроном в виде пороговой функции.

Подготовка жидкой фазы для малотоннажных производств проводится в смесителях периодического действия. Основным показателем качества полученного на этой стадии жидкого связующего является его вязкость, которую характеризует отношение массы тр растворителя к массе полимерного наполнителя т„: W = тр1т„.

Соотношение масс растворителя и связующего влияет на степень диспергирования порошковых пигментов на последующих стадиях. Установить точную зависимость вязкости от тр и т„ сложно, так как показатели качества сырья имеют разброс. Содержание растворителя в процессе растворения связующего определяют путем измерения токовой нагрузки постоянно работающей мешалки аппарата. Потребляемая электроприводом мощность зависит от вязкости технологической массы, которая определяется соотношением W. Недостатком этого метода измерения вязкости является его низкая точность. Повысить точность оценки вязкости можно, применив тестовый алгоритм повышения точности измерений.

Исследование зависимости

токовой нагрузки электродвигателя от характеристик вязкой среды проводилось на лабораторной установке. В емкость с мешалкой, объемом 500 cmj, вращаемой трехфазным асинхронным двигателем, добавлялся мелкоизмельченный бутилкаучук. В качестве растворителя применялся бензин. При одинаковой температуре были получены

Рис. 2. Зависимость токовой нагрузки от соотношения каучук - бензин

зависимости токовой нагрузки асинхронного двигателя от соотношения каучук-бензин, представленные на рис. 2.

Регрессионный анализ экспериментальных данных показал, что наилучшим образом экспериментальные данные описываются полиномом вида При

этом коэффициенты аъ а0 для каждого нового замеса могут изменяться в результате изменения показателей качества сырья, налипания массы на мешалку и т.п. От необходимости определения коэффициентов уравнения можно избавиться с помощью применения тестового алгоритма. Для этого производится несколько измерений тока с изменением соотношения фаз IV постепенным добавлением растворителя. Для измеренных значений тока /, например в случае трех измерений, можно записать следующую систему равенств:

10=а2№2+а0-

(5)

Л—»О^ + ^У+во.

где А\, Аг - изменения соотношения масс компонентов после добавления порции растворителя, соответственно равные

т. +Лт„, т„ + Дт„,

Д __I_!!!_ ; ^ —_р_££.

т. т.

Зная начальные массы тр. т„ и приращения массы добавляемого растворителя Лтр\, ЬгПрг, Лтр3, можно определить отношение масс IV как решение системы

уравнений, из которого вектор коэффициентов а исключается.

цг _ (/,-/, -(/, -/,

2-(/2-/, >4-2.(7, ЛГМ '

Важными характеристиками краски являются степень перетира и однородность поверхности краски. Однако оценить эти показатели зачастую можно только визуально, либо с помощью лабораторных методов. Принятие решения о достижении заданной степени перетира и о достижении заданной однородности требует, в первом случае, наличие эксперта, а во втором - время для проведения пофазного лабораторного контроля. Возникает необходимость оперативной инструментальной оценки степени гомогенности состава.

Оценку неоднородности состава можно получить, оценивая степень хаотичности информации о внешнем виде поверхности смеси, получаемой с помощью светочувствительного сканирования. На рисунках 3,4 в пространстве Д С в В-цветовых составляющих представлены результаты светочувствительного сканирования образцов поверхностей с нанесенной краской различной степени гомогенизации.

Дальнейшая обработка результатов светочувствительного сканирования проводится с использованием понятия энтропии информации, определяемой для N точек поверхности образца выражением: к

Н —М4-£Л-Ы*2Л. (6)

м

где Я - энтропия информационной системы в битах; к - количество уровней состояния системы; р, - вероятность появления /-го состояния системы М'/Ы,

- i-e состояние информации о поверхности; N - количество точек поверхности; N' - количество точек с одинаковым цветом.

Образец с высокой степенью неоднородности краски

Рис. 3. Разброс точек, характеризующих цветовые составляющие образца с высокой степенью неоднородности краски

Образец с нанесенным составом высокой

однородности Рис.4 Разброс точек, характеризующих цветовые составляющие

образца с нанесенным составом высокой однородности

Для учета разницы значений энтропии для различных партий продукции в нулевой момент измерения (для негомогенизированной смеси) целесообразно использовать приведенное изменение энтропии за время Л г между измерениями Я/ = (Н1 - Ям )■ Я0.

Для каждой составляющей Л, б и В рассчитывается энтропия Нй Не и Нв, затем вычисляется их сумма:

Н=НК+НВ + НС. (7)

Алгоритм определения окончания перемешивания композиции следующий:

1. Светочувствительным сканированием снимается образ поверхности смеси в растрово-цифровой форме;

2. По данным исследования формируются матрицы СА Со, Св отображения цветовой составляющей;

3. Строятся эмпирические законы распределения интенсивности ЯЛ(дс), Рс(х\ Р8(х). Для этого подсчитывается количество точек с одинаковым состоянием интенсивности (вид гистограмм представлен на рис. 5).

4. По формуле (6) определяется значение энтропии для каждого цветового слоя, а затем по формуле (7) суммарная энтропия;

5. Если приготовление смсси только началось, то шаги 1-4 повторяются несколько раз с интервалом Дт, чтобы получить вектор значений энтропии Н(0), Я(1Дт),...Я(/Дт),...Я(гДт).

6. Полученные с шагом Дт г значений энтропии подаются на входы

обученной нейронной сети с выходным слоем из одного нейрона и пороговой функцией активации.

7. Производится определение необходимости прекращения гомогенизации. И если гомогенизация не прекращена, шаги 1-6 повторяются Гомогенизация прекращается, если изменение энтропии на нескольких последних шагах становится меньше заданного значения, в противном случае шаги 1-6 в цикле повторяются.

Эксперимент проводился с пятью пигментными составами.

На рис. 6 представлен пример зависимостей энтропии информации от степени гомогенизации, определяемой числом оборотов мешалки, для смесей пяти составов.

Кмлегав оборотов

Рис 5 Гистограмма распределения уровней Рис. 6. Зависимости измеренной приведенной цветовых составляющих RG.II - компонент энтропии информации от степени гомогенизации, в пределах одного образца характеризуемой числом оборотов мешалки в минуту

Экспериментальным составам на рис. 6 соответствуют точки: 2 - состав 1; 4 -состав 2; 6 - состав 3; 8 - состав 4; 10 - состав 5 и аппроксимирующие зависимости: 1-для состава 1; 3-для состава 2; 5 -дня состава 3; 7-для состава 4; 9 - для состава 5.

Для принятия решения о достижении поверхностью образца в процессе перемешивания однородности используется нейронная сеть с выходным нейроном с пороговой функцией активации.

Сеть имеет один скрытый слой с тремя нейронами (Я!) вида (3). Выходом данной сети является выход нейрона с пороговой функцией активации, принимающей значения логических «О» или «1».

ГО,«/5<50

При наличии на выходе сети логической единицы, принимается решение о достижении достаточной степени гомогенизации. На вход нейронной сети подается вектор энтропии информации образца, снятой через промежутки времени Дт. {Я((/ - 2)Д т}, #((< - 1)Д г) Я(/Д г)}

Для всех пяти образцов пороговая функция активации нейронной сети принимает значение «1» (смесь однородна) после 6-7 итераций.

В четвертой главе рассмотрена общая структура интегрированной автоматизированной системы управления производством многокомпонентных гетерогенных композиций, основанной на инструментальной оптолептической и компьютерной поддержке контроля показателей качества композита и принятия решений по управлению составом рецептуры и технологическими режимами (рис.7),

а также архитектура информационно-программного обеспечения этой поддержки.

Рис. 7. Структура интегрированной системы управления качеством смесевых

композиций

Для реализации системы управления могут быть применены любая современная ПЭВМ с платформой не хуже чем Репйипг 100 и любое светосканирующее устройство с глубиной цветопередачи не хуже 24 бит на точку, имеющее цифровой выход.

Архитектура информационно-программною обеспечения комплекса инструментально-квалиметрической и компьютерной поддержки контроля и управления качеством продукции представлена на рис. 8, где указаны операции,

Рис. 8. Общая структура информационно-программного средства

Средой разработки для управления качеством продукции с помощью информации, снятой с оптического светосканирующего устройства и основанного на

использовании аппарата нейронных сетей, явилась среда разработки MATLAB. Разработка информационно - программного продукта проводилась с использованием m-файлов, которые представляют собой набор инструкций для виртуальной машины MATLAB.

Блок получения информации о поверхности образца или гетерогенной смеси реализуется с помощью стандартных средств программного обеспечения светосканирующего устройства. Выходной информацией должен являться любой растровый графический файл без потери качества изображения (использован формат BMP с 24 битной глубиной цветопередачи).

Блок обработки образа поверхности осуществляет последовательное чтение информации о точках из файла, полученного на операции формирования образа поверхности образца смеси, и занесение результата в три матрицы MR, MG, MB, содержащие целочисленную информацию в диапазоне [0;256] для каждой точки.

В целом файловая структура ИПС представляет собой совокупность следующих блоков (рис.9): блок создания растрового файла; блок обработки растрового файла; блок обучения и

переобучения; блок использования Р™-9- Файловая структура ИПС

нейронных сетей; блок базы знаний (совокупность файлов, содержащих нейронные сети); блок интерфейса.

Результаты исследований переданы для использования в производстве лаков и красок ФГУП «Пермский завод им. С.М.Кирова» и при контроле нанесения защитных покрытий на оборудование в общество с ограниченной ответственностью «ЛУКОЙЛ-Пермнефтеоргсинтез», а также в учебном процессе Пермского государственного технического университета.

Результаты работы применимы в производствах смесевых твердых топлив, взрывчатых веществ, клеев, фармацевтической продукции и при нанесении защитных покрытий различного назначения.

В заключении указаны основные научные и практические результаты диссертационной работы.

В приложении представлены: пример внешнего вида образцов в разные моменты времени; схемы использования факторов, полученных методом МГУА; коэффициенты полиномов полученных методом группового учета аргументов; показатели качества краски на примере акриловой краски ВД-АК-191; формат растрового файла, используемого в разработанном ИПС; список функции создания и использования нейронных сетей, применяемых при разработке ИПС в среде MATLAB; алгоритм обратного распространения ошибки; структура нейронных сетей, полученных в среде MATLAB для трехкомпонентной смеси; программа реализации метода Брандона.

Рис.9. Файловая структура ИПС (совокупность файлов, содержащих нейронные

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ

С целью создания интегрированных систем инструментально-квалиметрической и компьютерной поддержки контроля и управления качеством продукции производств многокомпонентных гетерогенных композиций в диссертационной работе предложены, исследованы и обоснованы:

1. Методы и алгоритмы идентификации связи цветовых оттенков гетерогенных смесей, оцениваемых моделью ШЗВ-разложения, с составом рецептуры формальными математическими моделями, обучаемыми по информации оггтолептического сканирования поверхности образцов известного состава;

2. Метод и алгоритмы количественной оценки степени однородности гетерогенных смесей, основанный на использовании энтропии и количества оптолептической информации, получаемой при сканировании поверхности образца смеси.

3. Регрессионная модель связи энтропии оптолептической информации с параметрами процесса гомогенизации и пейросетевая модель с пороговой функцией активации, используемая в алгоритме определения момента стабилизации приведенной энтропии и окончания процесса перемешивания;

4. Способ управления показателями качества (цветовые оттенки, однородность) при получении продукции из гетерогенных смесей, основанный на применении в задаче управления моделей связи показателей с составом рецептуры и параметрами процесса гомогенизации;

5. Способ управления дозированием твердых компонентов в жидкую основу технологической массы в процессе ее гомогенизации, основанный на алгоритме тестового повышения точности;

6. Подход к формированию базы знаний из обученных пар нейросетевых моделей «состав - качество смеси» и «качество смеси - состав» с использованием метода прецедентов;

Для реализации способов и алгоритмов контроля и управления разработаны:

1. Информационно-алгоритмическая структура интегрированной системы управления качеством композитов, основанная на использовании базы знаний;

2. Программная реализация алгоритмов оценки цвета и однородности гетерогенных смесей в виде набора модулей и текстов программ для среды МАТЬАВ;

3. Архитектура файловой структуры информационно-программного средства из модулей среды МАТЬАВ, представляющего совокупность блоков: получения растрового файла; обработки растрового файла; обучения и переобучения нейронных сетей; использования нейронных сетей; базы знаний, интерфейса.

ОСНОВНЫЕ ПОЛОЖЕНИЯ ДИССЕРТАЦИИ ОПУБЛИКОВАНЫ В РАБОТАХ:

1. Сокольчик П.Ю., Шумихин А.Г. Тестовый алгоритм управления дозировкой компонентов в периодических процессах приготовления многокомпонентных смесей//МНТК «Перспективные химические технологии и материалы»: Тез.докл-Пермь: ПГТУ, 1997.

2. Сокольчик П.Ю., Шумихин А.Г. Алгоритм дозирования легколетучего растворителя в лакокрасочном производстве//Методы кибернетики в химической технологии: Международная конференция молодых ученых: Тез.докл - Москва,

РХТУ: 1997.

3. Сокольчик П.Ю., Шумихин А.Г. Моделирование гибких производственных систем лаков и красок с использованием сетей Петри//Математическое моделирование в естественных науках: Всеросс. конф. молодых ученых: Тез.докл.- Пермь: ПГТУ: 1999.

4. Сокольчик П.Ю., Шумихин А.Г. Прогноз качества продукции лакокрасочного производства// Химия, химическая технология, охрана окружающей среды: Материалы конференции химико-технологического факультета: Тез.докл. -Пермь: ПГТУ: 2000.

5. Сокольчик П.Ю., Шумихин А.Г. Управление качеством продукции в производстве многокомпонентных гетерогенных смесей// Новые материалы и технологии на рубеже веков: Международная научно-техническая конференция- Тез.докл -Пенза: Приволжский дом знаний: 2000. - С. 131.

6. Сокольчик П.Ю., Шумихин А.Г. Прогнозирование качества готовой продукции в производстве многокомпонентных смесей; В кн.: Успехи в химии и химической технологии- Вып. XIV: 4.1. Тез. докл.; г. Москва: РХТУ им. Д.И. Менделеева, 2000 г.

7. Сокольчик П.Ю., Шумихин А.Г. Управление цветом продукции в производстве красок с использованием механизма нейронных сетей // Тр. ВНК Проектирование научных и инженерных приложений в среде МАТЪАВ- М.: ИГТУ РАН, 2002-С.140.

8. Сокольчик П.Ю., Шумихин А.Г. Прогноз и управление качеством продукции в лакокрасочном производстве// Математические методы в технике и технологиях: Сб трудов XV Международной научной конференции в 10-и т. Т.5 - Тамбов: Тамбовский гос. техн. университет, 2003. - 296с., С.133-135.

9. Сокольчик П.Ю., Шумихин А.Г. Применение метода прецедентов и нейронных сетей при управлении качеством лаков и красок// Математические методы в технике и технологиях: Сб.трудов XVI Международной научной конференции в 10-и т. Т.4. - Ростов-на-Дону: РГАСХМ ГОУ, 2003. - 244с. С.159-161.

10. Сокольчик П.Ю., Шумихин А.Г. Применение аппарата нейронных сетей в системе управления качеством продукции при производстве гетерогенных смесевых композиций// Сборник научных трудов. Т.2. - Пермь: Пермский государственный технический университет, 2003. - С. 134-138.

Лицензия JIP № 020370

Сдано в печать 6.05.06. Формат 60x84/16. Объём 1,0 уч.изд.п.л. _Тираж 100. Заказ1296._

Печатная мастерская ротапринта ПГТУ. 614600, г. Пермь, Комсомольский пр., 29а.

»11473

Оглавление автор диссертации — кандидата технических наук Сокольчик, Павел Юрьевич

Введение.

1. Компьютерно-интегрированные системы управления качеством функционирования производств многокомпонентных гетерогенных смесей (обзор и постановка задачи исследования).

1.1. Классификация химико-технологических систем. Особенности создания гибких автоматизированных химико-технологических систем.

1.2. Общие принципы построения и структура иерархических автоматизированных систем управления гибкими производствами дискретно-непрерывного типа.

1.3. Основные задачи и модели управления качеством в гибких автоматизированных производствах химической продукции.

1.4. Особенности производства многокомпонентных гетерогенных композиций как объектов моделирования и управления.

2. Контроль показателей качества и управление рецептурой гетерогенных смесей на основе оптолептической информации светочувствительного сканирования.

2.1 Структура алгоритма управления качеством многокомпонентных гетерогенных композиций на основе связи показателей качества с составом рецептуры.

2.2. Получение оптолептической информации для оценки цветовых оттенков и степени гомогенизации гетерогенных смесей.

2.3. Принцип построения экспертной системы компьютерной поддержки и управления показателями качества многокомпонентных гетерогенных композиций на основе оптолептической информации.

2.4. Обоснование выбора и проектирование нейросетевых моделей связи состава рецептуры и оптиколептических параметров светочувствительного сканирования поверхности образцов композиции.

2.5. Экспертная система с базой знаний из нейросетевых моделей, формируемой на основе метода прецедентов.

3. Контроль и управление дозированием компонентов и гомогенизацией смесевых композиций.

3.1 Подготовка жидкой фазы смесевой композиции.

3.2 Определение степени гомогенизации смесевой композиции на основе оценки энтропии оптолептической информации светочувствительного сканирования поверхности смеси.

4. Структура и информационно-программные средства системы инструменталыю-квалиметрической и компьютерной поддержки управления качеством гетерогенных смесей.

4.1. Структура интегрированной системы контроля и управления качеством гетерогенных смесей.

4.2. Информационно-программные средства (ИПС) системы контроля и управления качеством гетерогенных смесей.

Введение 2006 год, диссертация по информатике, вычислительной технике и управлению, Сокольчик, Павел Юрьевич

Современные условия ставят перед предприятиями, производящими продукцию из смесевых гетерогенных композиций, например, лаки и краски, задачу упрочения рыночного положения и конкурентоспособности. Это возможно, если в производстве обеспечивается оперативное, гибкое реагирование на конъюнктуру рынка как путем разработки новых рецептур, так и путем управления потребительскими свойствами продукции при изготовлении с тем, чтобы значения показателей этих свойств соответствовали уровню, диктуемому потребителем.

Эффективное решение подобных задач для автоматизированных производств требует создания компьютерно-интегрированных систем, обеспечивающих управление разработкой новой продукциии и формированием исходных данных для проектирования, проектированием технологических процессов с системами контроля и управления, технологической подготовкой производства, функционированием технологических процессов с целью выпуска конкурентной продукции.

Важность данной диссертационной работы применительно к созданию интегрированных систем управления производствами многокомпонентных гетерогенных композиций определяется необходимостью разработки алгоритмов функционирования систем, основанных на применении моделей связи показателей качества продукции с составом рецептуры и параметрами технологических процессов.

Потребительские свойства, например, краски, такие как цветовые оттенки и качество покрытия, оцениваются при производстве, как правило, органолептическим методом экспертом-квалиметристом путем сравнения с эталонными образцами. Поэтому построение адекватных математических моделей связи показателей качества с составом рецептуры и параметрами технологических процессов требует разработки инструментальных методов для оценки этих показателей непосредственно в процессе получения продукции.

Разработке и исследованию математических моделей количественной связи оптолептических параметров светочувствительного сканирования, характеризующих цветовые оттенки и степень гомогенизации многокомпонентных гетерогенных смесей, с составом рецептуры и технологическими параметрами процессов их получения, а также синтезу на основе этих моделей адаптивных алгоритмов управления качеством посвящена настоящая работа.

Представленная работа является частью научных исследований, проводимых в Пермском государственном техническом университете в соответствии с планами научно-исследовательских работ по научно-технической программе Министерства образования РФ «Автоматизированные системы, средства автоматизации и вычислительная техника» (1999-2001 г.г., проект № Г.р. 01200010347), региональной научно-технической программе «Западный Урал: актуальные проблемы научно-технического развития и экологической безопасности» (2000 г., проект «Разработка теоретических основ и алгоритмов гибкого автоматизированного управления технологическими процессами многономенклатурных химических производств в условиях быстроменяющейся конъюнктуры рынка»), заданию Министерства образования РФ № Г.р.01200310375 «Нелинейные модели механики неоднородных сред и математические методы прогнозирования эффективных свойств матричных композитов» (2003, 2004 г.г., проект: «Принципы, модели и алгоритмы управления качеством продуктов компаундирования»).

Цель работы. Создание систем инструментально-квалиметрической и компьютерной поддержки контроля и управления качеством продукции автоматизированных производств многокомпонентных гетерогенных смесей.

Для достижения этой цели необходимо решить следующие задачи разработки и исследования методов и алгоритмов:

- повышения точности дозирования твердых компонентов в жидкую органическую основу технологической массы композиционных материалов; количественной оценки степени гомогенизации гетерогенных смесей на основе оптолептической информации о состоянии их поверхности;

- количественной оценки (идентификации) цветовых оттенков композиционных материалов по модели RGB - разложения с использованием оптолептической информации, получаемой при сканировании их поверхности;

- идентификации связей «состав-качество» многокомпонентных гетерогенных композиций формальными математическими моделями;

- управления составлением рецептуры многокомпонентных гетерогенных смесей с целью получения продукции (лаков и красок) с заданными по эталонам цветовыми оттенками;

- управления рецептурой и технологическими режимами процессов получения многокомпонентных гетерогенных композиций с заданными характеристиками качества, а также задачи разработки алгоритмической структуры систем контроля и управления качеством.

Методы исследования. В процессе выполнения работы использованы методы математической статистики, идентификации объектов и' систем управления, в т.ч. нейросетевыми моделями, теории управления, теории систем, вычислительный эксперимент, натурный эксперимент с использованием метода оптолептической квалиметрии.

Апробация работы. Основные положения диссертационной работы докладывались и обсуждались на международной научно-технической конференции «Перспективные химические технологии и материалы» (Пермь: ПермГТУ,1997); Международной конференция молодых ученых «Методы кибернетики в химической технологии» (Москва: РХТУ, 1997); Всеросс. конф. молодых ученых «Математическое моделирование в естественных науках» (Пермь: ПермГТУ, 1999); «Химия, химическая технология, охрана окружающей среды» (Пермь: ПермГТУ, 2000); Международной научно-техническая конференция «Новые материалы и технологии на рубеже веков» (Пенза: Приволжский дом знаний, 2000); «Успехи в химии и химической технологии» (Москва: РХТУ им. Д.И. Менделеева, 2000); Всеросийской научной конференции «Проектирование научных и инженерных приложений в среде

MATLAB» (Москва: ИПУ РАН, 2002); XV Международной научной конференции «Математические методы в технике и технологиях» (Тамбов: Тамбовский гос. техн. университет, 2003); XVI Международной научной конференции «Математические методы в технике и технологиях» (РГАСХМ ГОУ, Ростов-на-Дону, 2004).

Заключение диссертация на тему "Инструментально-квалиметрическая и компьютерная поддержка контроля и управления качеством продукции автоматизированных производств многокомпонентных гетерогенных смесей"

ЗАКЛЮЧЕНИЕ

1. Выполнен анализ особенностей автоматизированных производств многокомпонентных гетерогенных смесей как объектов управления. Производства отнесены к дискретно-непрерывному типу с признаками гибких производственных систем с иерархической интегрированной автоматизированной системой управления. На основе анализа задач, решаемой системой управления установлена необходимость интерактивного контроля показателей качества композитов с применением методов инструментально-квалиметрического контроля показателей качества продукции, в частности путем светочувствительного сканирования поверхности смеси, и разработки алгоритмов управления составом рецептуры и степенью гомогенизации смеси.

2. Разработана структура алгоритма управления качеством гетерогенных композиций, в частности цветовых оттенков, основанного на использовании формальных моделей «состав рецептуры - показатель качества» и «показатель качества - состав рецептуры».

3. Предложен и обоснован метод количественной оценки цветовых оттенков гетерогенных смесей на основе информации полученной с помощью светочувствительного сканирования поверхности образцов.

4. Для идентификации зависимостей между составов рецептуры гетерогенных смесей и оптолептических показателей светочувствительного сканирования их поверхности разработаны математические модели в форме уравнений множественной регрессии, полученных методом Брандона, методом группового учета аргументов, формальных нейронных сетей. На основе оценки адекватности разработанных моделей к применению в алгоритмах контроля и управления качеством рекомендованы нейросетевые модели.

5. Предложен и обоснован подход к формированию базы знаний, содержащей зависимости между показателями качества и оптолептической информации поверхности образца, экспертной системы из нейросетевых моделей «состав рецептуры - показатель качества» и «показатель качества -состав рецептуры» на основе метода прецедентов модели.

6. Разработан, обоснован и экспериментально проверен метод повышения точности контроля дозирования твердых компонентов на основе оценки вязкости жидкой основы технологической массы композита по значению косвенного параметра - тока электродвигателя привода мешалки при трех его измерениях после добавок известных масс растворителя в жидкую основу.

7. Разработан, обоснован и экспериментально проверен метод оценки степени гомогенизации гетерогенных смесей в процессе диспергирования и перемешивания, основанный на вычислении значений энтропии оптолептической информации, получаемой путем светочувствительного сканирования поверхности смеси.

8. Предложен и экспериментально проверен алгоритм принятия решения о достижении заданной степени однородности смеси по изменению в процессе перемешивания энтропии оптолептической информации, подаваемой на вход формальной нейронной сети с пороговой функцией активации.

9. Рассмотрена общая структура интегрированной автоматизированной системы управления производством гетерогенных композиций, разработана архитектура информационно программного средства обеспечения инструментально квалиметрической поддержки контроля и управления на основе инструкций для виртуальной машины MATLAB.

Библиография Сокольчик, Павел Юрьевич, диссертация по теме Автоматизация и управление технологическими процессами и производствами (по отраслям)

1. МухлёновИ.П. Химико-технологические системы. Синтез, оптимизация и управление. Л.: Химия, 1986. - 424 с.

2. КафаровВ.В., Мешалки В.П. Анализ и синтез химико-технологических систем: Учебник для ВУЗов. М.: Химия, 1991.- 432 с.

3. КафаровВ.В., Макаров В.П. Гибкие автоматизированные производственные системы в химической промышленности: учебник для ВУЗов. М.: Химия, 1990. - 320 с.

4. КафаровВ.В., ВетохинВ.Н. Основы автоматизированного проектирования химических производств. М.: Наука, 1987.

5. Принципы математического моделирования химико-технологических систем (Введение в системотехнику химических производств) / В.В. Кафаров, В.Л. Перов, В. П. Мешалкин. М.: Химия», 1974. - 344 с.

6. Фор А. Восприятие и распознавание образов / Пер. с фр. А.В.Серединского; под ред. Г. П. Катыса. М.: Машиностроение, 1989. - 272 с.

7. Ахназарова С. Л., Кафаров В.В. Оптимизация эксперимента в химии и химической технологии: учеб, пособие для химико-технологических вузов. М.: Высш. школа, 1978. - 319 с.

8. Иваненко А.Г. Долгосрочное прогнозирование и управление сложными системами. М.: Техника, 1975. - 312 с.

9. Бромберг Э.М., Куликовский К.Л. Тестовые методы повышения точности. -М.: Энергия, 1978.-240 с.

10. КругловВ.В., Борисов В.В. Искусственные нейронные сети. Теория и практика. М.: Горячая линия - Телеком, 2001. - 382 с.

11. Дьяконов В. MATLAB. Обработка сигналов и изображений: Специальный справочник. СПб.: Питер, 2002. - 608 с.

12. Фигурин В.А., Оболонкин В.В. Теория вероятностей и математическая статистика : Учебное пособие. Мн.: ООО «Новое знание», 2000. - 208 с.

13. Теория сетей Петри и моделирование систем Питерсон Дж./ Пер. с англ. М.: Мир, 1984. - 264 с.

14. Искусственный интеллект. Системы общения и экспертные системы: Справочник в трех книгах. Книга 1/ Под ред. Э.В. Попова. М.: Радио и связь, 1990. - 464 с.

15. Искусственный интеллект. Модели и методы: Справочник в трех книгах. Книга 2 / Под ред. Д.А. Поспелова М.: Радио и связь, 1990. - 304 с.

16. Шумихин А.Г. Автоматизированное управление химико-технологическими процессами в условиях нестационарности: Дис. работа д-ра техн. наук: 05.13.06. Защищена 1998г.; Утв. 1998г.- Пермь, 1998.

17. Лукомский Я.И. Теория корреляций и ее практическое применение к анализу производства. М.: Госстатиздат, 1961

18. Нильсон Н. Обучающиеся машины / Пер. с англ. А.А. Дорофеюк; Под ред. Э.М. Браверманн. М.: Мир, 1967.

19. Распознавание образов. Адаптивные системы: Труды международного симпозиума по техническим и биологическим проблемам управления / Под ред. В.А. Трапезников. М.: Наука, 1971.

20. Управление химико-технологическими процессами приготовления многокомпонентных смесей / Гельфанд Я.Е., Яковис Л. М., Дороганич С.К. и др.; Под ред. Я. Е. Гельфанда. Л.: Химия, 1988. - 288 с.

21. Цифровая обработка изображений в информационных системах: Учебное пособие / И.С. Грузман, B.C. Киричук и др. Новосибирск: Изд-во НГТУ, 2002. -352 с.

22. Шапиро Д. И. Принятие решений в системах организационного управления: Использование расплывчатых категорий. М.: Энергоатомиздат, 1983. - 184 с.

23. Элти Дж., Кумбс М. Экспертные системы: концепции и примеры / Пер. с англ. и предисл. Б. И. Шитикова. М.: Финансы и статистика, 1987. - 191 с.

24. Модели нейронных структур: Труды международного симпозиума по техническим и биологическим проблемам управления. Ереван, 24—28 сентября 1968 г. М.: Наука, 1970. -208 с.

25. Горелик А.Л., Скрипкин В.А. Методы распознавания: Учеб. пособие. 2-е изд., перераб. и доп. М: Высш. шк., 1984. - 208 с.

26. Василенко Г. И., Тараторин А. М. Восстановление изображений. М.: Радио и связь, 1986. - 304 с.

27. Сойер Б., Фостер JI.JL Программирование экспертных систем на Паскале : Пер с англ.- М.: Финансы и статистика, 1990. -191 с.

28. Ивахненко А.Г. Долгосрочное прогнозирование и управление сложными системами-М.: Техника, 1975. 312 с.

29. Цыпкин Я.З. Адаптация и обучение в автоматических системах. М.: Наука, 1968.-400 с.

30. Цыпкин Я.З. Основы теории обучающихся систем. М.: Наука, 1970. - 252 с.

31. Шумихин А.Г., Дадиомов Р.Ю. Алгоритмы поиска прецедентов производственных ситуаций в базе знаний интеллектуальной управляющей системы : Сб. тр. МНК ММТТ-15. Т.5.- Тамбов: ТГТУ, 2002.- С.83-86.

32. Растригин JI.A., Эренштейн Р.Х. Метод коллективного распознавания. М.: Энергоиздат, 1981. - 80 с.

33. Кол кот Э. Проверка значимости / Пер. с англ. И.Ш. Амирова. М.: Статистика, 1978. - 128 с.

34. Семенов Н.А. Программы регрессионного анализа и прогнозирования временных рядов. Пакеты ПАРИС и МАВР. М.: Финансы и статистика, 1990. -111 с.

35. Кафаров В.В. Методы кибернетики в химии и химической технологии. М.: Химия, 1971.-496 с.

36. Вероятностные методы в инженерных задачах: Справочник / А.Н. Лебедев и др. -СПб.: Энергоатомиздат, 2000. 333с.

37. Литвак Б.Г. Экспертная информация: Методы получения и анализа. М.: Радио и связь, 1982. - 184 с.

38. Стратонович Р.Л. Теория информации. М.: Сов. радио, 1975. - 424 с.

39. Советов Б.Я., Яковлев С.А. Моделирование систем: Учебник для вузов. 3-е изд., перераб. и доп. М.: Высш. шк., 2001. - 343 с.

40. Технологические основы гибких производственных схем: Учебник для машиностроит. спец.вузов. 2-е изд., испр. / В.А.Медведев, В.П.Вороненко, В.Н.Брюханов и др.; Под ред. 10. М. Соломенцева. М.: Высш. шк., 2000. - 255 с.

41. Тюрин Ю.Н., Макаров А.А. Анализ данных на компьютере / Под ред. В.Э. Фигурнова. М.: ИНФРА-М, Финансы и статистика, 1995. - 384 с.

42. Бусленко Н. П. Моделирование сложных систем. М.: Главная редакция физико-математической литературы изд-ва «Наука», 1978.

43. Яглом A.M., Яглом И.М. Вероятность и информация. М.: Наука, 1973.

44. Джексон Питер. Введение в экспертные системы: Учебное пособие : Пер. с англ. М.: Издательский дом «Вильяме», 2001. - 624с.

45. Математические основы автоматизированного проектирования химических производств: Методология проектирования и теория разработки оптимальных технологических схем / В.В. Кафаров, В.П. Мешалкин, B.JI Перов. М.: Химия, 1979. - 320 с.

46. Бояринов А.И., Кафаров В.В. Методы оптимизации в химической технологии. Изд. 2-е. М.: Химия, 1975. - 576 с.

47. Построение математических моделей химико-технологических объектов / Е.Г. Дудников, B.C. Балакирев, В.Н. Кривсунов, A.M. Цирлин. М.: Химия, 1970.-312 с.

48. Липатов Л.Н. Типовые процессы химической технологии как объекты управления. М.: Химия, 1973. - 155 с.

49. Основы информационной теории идентификации. Я.З. Цыпкин. М.: Наука, 1984.-336 с.

50. Современные методы идентификации систем / Под ред. П. Эйкхоффа. М.: Наука, 1984.-336 с.

51. Принципы построения и проектирования самонастраивающихся систем управления / Б.Н.Петров, В.Ю. Рутковский, И.Н. Крутова и др. М.: Наука, 1972.-260 с.

52. Дорохов И.Н., Кафаров В. В. Системный анализ процессов химической технологии // Экспертные системы для совершенствования промышленных процессов гетерогенного катализа. М: Наука, 1989. - С. 297, 312-315.

53. Поспелов Г.С. Искусственный интеллект основа новой информационной технологии. - М.: Наука, 1988. - 280 с.

54. Искусственный интеллект: Применение в химии : Пер. с англ. М.: Мир, 1988.-430 с.

55. Попов Э.В. Экспертные системы. М.: Наука, 1987. - 283 с.

56. Нильсон Н. Принципы искусственного интеллекта : Пер. с англ. М.: Радио и связь, 1985.-373 с.

57. Вапник В.И., Червонискис А.Я. Теория распознавания образов. М.: Наука, 1974.-416 с.

58. Современное состояние проблемы распознавания / A.JI. Горелик, И.Б. Гурович, В.А. Скрипкин. М.: Радио и связь, 1985. - 160 с.

59. Теоретические основы информационной техники / Ф.Е. Темников и др. М.: Энергия, 1971.-424 с.

60. Ясницкий Л.Н. Введение в искусственный интеллект: Учебное пособие по спецкурсу. Пермь: ПГТУ, 2001.- 143 с.

61. Распознавание образов / Бархатен К., ДейнР., Грун Ф. и др. М.: Радио и связь, 1985.- 194 с.

62. Введение в искусственные нейронные сети. Открытые системы. А.К. Джейн. 1997. №4.

63. Завалишин Н.В., Мучник И.Б. Модели зрительного восприятия и алгоритмы анализа изображений. М.: Наука, 1974. - 344 с.

64. Уоссермен Ф. Нейрокомпьютерная техника. М.: Мир, 1992. - 170 с.

65. Обработка изображений и цифровая фильтрация: Пер. с англ. М.: Мир, 1979.-318 с

66. Александров В.В., Горский Н.Д., Мысько С.К. Экспертные системы анализа изображений. Л.: ЛИИАН, 1986. - 37 с.

67. Ю.П.Адлер, Е.В.Маркова, Ю.В.Грановский. Планирование эксперимента при поиске оптимальных условий. Издание второе переработанное и дополненное М.'.НАУКА, 1976.

68. В.В. Круглое, В.В. Борисов, Е.В. Харитонов. Нейронные сети: конфигурации, обучение, применение. Смоленск: Изд-во Моск. энерг. ин-та, фил-л в г Смоленске, 1998.

69. Ф.Розенблатг. Принципы нейродинамики: Персептроны и теория механизмов мозга. -М.: Мир, 1965.

70. В.В. Круглое, В.В.Борисов, Е.В.Харитонов. Основы построения нейронных сетей. Смоленск: Изд-во Военного ун-та войсковой ПВО ВО РФ, 1999.

71. Сокольчик П.Ю., Шумихин А.Г. Тестовый алгоритм управления дозировкой компонентов в периодических процессах приготовления многокомпонентных смесей // МНТК «Перспективные химические технологии и материалы»: Тез.докл. Пермь: ПГТУ, 1997.

72. Сокольчик П.Ю., Шумихин А.Г. Алгоритм дозирования легколетучего растворителя в лакокрасочном производстве // Методы кибернетики в химической технологии: Международная конференция молодых ученых: Тез.докл. Москва: РХТУ, 1997.

73. Сокольчик П.Ю., Шумихин А.Г. Моделирование гибких производственных систем лаков и красок с использованием сетей Петри// Математическое моделирование в естественных науках: Тез.докл. Всеросс. конф. молодых ученых. Пермь: ПГТУ, 1999.

74. Сокольчик П.Ю., Шумихин А.Г. Прогноз качества продукции лакокрасочного производства // Химия, химическая технология, охрана окружающей среды: Материалы конференции химико-технологического факультета. Пермь: ПГТУ: 2000.

75. Сокольник П.Ю., Шумихин А.Г. Прогнозирование качества готовой продукции в производстве многокомпонентных смесей // Успехи в химии и химической технологии: Вып. XIV: 4.1. Тез. докл. Москва: РХТУ, 2000 .

76. Сокольчик П.Ю., Шумихин А.Г. Управление цветом продукции в производстве красок с использованием механизма нейронных сетей // Тр. ВНК Проектирование научных и инженерных приложений в среде MATLAB. М.: ИПУ РАН, 2002. - С. 140.

77. Сокольчик П.Ю., Шумихин А.Г. Применение аппарата нейронных сетей в системе управления качеством продукции при производстве гетерогенных смесевых композиций// Сборник научных трудов. Т.2. Пермь: ПГТУ, 2003. -С.134-138.

78. ПОКАЗАТЕЛИ КАЧЕСТВА КРАСКИ НА ПРИМЕРЕ АКРИЛОВОЙ КРАСКИ1. ВД-АК-1911. Показатель качества Норма

79. Внешний вид пленки Цвет пленки краски Степень перетира по "клину" мкм, не более После высыхания матовая В зависимости от цвета пигмента 60

80. Время высыхания при t=(20+-5) С до степени 3, ч не более Условная вязкость при t=(20+-5) С по ВЗ-246 с Dcomia=6mm 1 Факультативно

81. Массовая доля нелетучих веществ, % 40-60

82. Укрывистость в пеерсчете на сухую пленку, г/кв.м, не 100более

83. Эластичность плени при изгибе, мм, не более 1

84. Прочность пленки при ударе на приб. У-1а, см, не 50менее

85. Адгезия пленки к металлической поверхности, баллы, 1не более

86. Твердость пленки по ТМЛ-2124 (маятник А), усл. ед Факультативно

87. ВНЕШНИЙ ВИД ОБРАЗЦОВ В РАЗНЫЕ МОМЕНТЫ ВРЕМЕНИ ОТБОРА ПРОБЫ ПРИ НЕПРЕРЫВНОМ ПЕРЕМЕШИВАНИИ1. Состав 11. Состав 2

88. СХЕМЫ ИСПОЛЬЗОВАНИЯ ФАКТОРОВ, ПОЛУЧЕННЫХ МЕТОДОМ1. МГУА.1. Прямая задача.

89. Определение R-соетавляющей по исходному составу (fl): ух (х) = а0 + ах • х, + а2 • х2 + а3 • х2 + а4 • х\ + а5 • хх • х21. Xi

90. Определение G-составляющей по исходному составу (f2): у2 (л:) = а0 + а1 ■ х2 + а2 • х3 + а3 • х\ + а4 • х. + а5 • х2 • х3

91. Определение относительного содержания зеленого пигмента (ЬЗ)уг (х) = а0 + а1 • хх + а2 • х3 + а3 • xf + а4 • х. +а5-хх-хъ

92. КОЭФФИЦИЕНТЫ ПОЛИНОМОВ ПОЛУЧЕННЫХ МЕТОДОМ ГРУППОВОГО УЧЕТА АРГУМЕНТОВ ДЛЯ РЕШЕНИЯ ПРЯМОЙ И ОБРАТНОЙ ЗАДАЧ (ПРОГНОЗ И УПРАВЛЕНИЕ ПИГМЕНТНОГО1. СОСТАВА)ао ai аг аз а4 as

93. Коэффициенты полиномов для решения обратной задачи

94. У1 5.289023793-Ю"4 -8.202635934-10'2 1.082982392 -2.916590002 -2.951127103 5.866136403

95. П1 /2 -2.607701394-10'1 -2.533759747-10"1 2.534960545 3.433140731-10-' -3.3218328Ы0'1 -1.030951724з -1.831398305-Ю"' -2.576401889-10-' 1.719505159 -7.46003496-10"2 -2.147007886 1.942967363

96. П2 У2 1.486823209-10"' 6.21380912 -8.248001644 -5.786991489 -7.023508598-10"' 8.377587072

97. ПЗ Уз 1.112101393 -5.980802962 5.736116097 5.466844687 1.036958398 -7.374776678

98. Коэффициенты полиномов для решения прямой задачи

99. R У1 1.637074089-10'1 3.959142297-10"' -5.3983575-10'1 4.428428835-10"' 1.258542883 1.754287808

100. G У2 9.986511402-Ю"1 -1.019746878 -5.1593853-10-' 2.244363484-10"' -1.67772088-10"' -1.0916406-10

101. ФОРМАТ РАСТРОВОГО ФАЙЛА ИСПОЛЬЗУЕМОГО В РАЗРАБОТАННОМ ИПС.

102. Формат используемых файлов представлен в синтаксисе язака программирования Turbo Pascal. Поля записи заголовка файла.type

103. TBMPInfо = record hl,h2: char; {префикс файла «В»,«М»}1. Size: longlnt;размер файла, байт}

104. Reserved: longint; {резервное поле}

105. Offset: longint; {смещение данных относительно начала файла}b: longint;резервное поле}

106. Width: longint; {ширина образа в точках}

107. Height: longint; {высота образа в точках}

108. Plans: word; {кол-во планов; должно содержать «1»}bpp: word;кол-во битов на пиксель(24бита)} end;

109. Поля записи заголовка файла с глубиной цветопередачи 24 бита на точку. TColor24 = record {24 вита на пиксель} R,G,В : byte;поля для хранения информации об R, G и В составляющих}end;

110. ФУНКЦИИ СОЗДАНИЯ И ИСПОЛЬЗОВАНИЯ НЕЙРОННЫХ СЕТЕЙ ПРИМЕНЯЕМЫХ ПРИ РАЗРАБОТКИ ИПС В СРЕДЕ MATLAB

111. Функции создания нейронных сетейnetwork функция создания нейронной сети пользователя. Запись: net=networknet=network(numInputs, numLayers, biasConnect, inputConnect, layerConnect, outputConnect, targetConnect)

112. PR Rx2 матрицу минимальных и максимальных значений для R входных элементов,1. S число нейронов,

113. PR Rx2 матрицу минимальных и максимальных значений для R входных элементов,

114. SI размер i-ro скрытого слоя, для N1 слоев.

115. TFI функция активации нейронов i-ro слоя, по умолчанию 'tansig'.

116. BTF функция обучения сети, по умолчанию 'traingd'.

117. BLF функция настройки весов и смещений, по умолчанию 'learngdm'.

118. Функции использования нейронных сетей

119. Аргументы Pi, Ai, Pf, Af используются только в случаях, когда сеть имеет задержки по входам или по слоям нейронов.

120. Структура данных аргументов:

121. Р массив размера NixTS, каждый элемент которого P{i, ts} является матрицей размера RixQ.

122. Pi массив размера NixID, каждый элемент которого Pi{i, к} (/-й вход в момент ts=k-ID) является матрицей размера RixQ (по умолчанию ноль).

123. Ai массив размера NixLD, каждый элемент которого Ai{i, к} (выход /-ого слоя в момент ts=k-ID) является матрицей размера SixQ (по умолчанию ноль).

124. Y массив размера NOxTS, каждый элемент которого Y{i, ts} является матрицей размера UixQ.

125. Pf массив размера NixID, каждый элемент которого Pf{i, к} (/-й вход в момент ts=TS+k-ID) является матрицей размера RixQ.

126. Af массив размера NixLD, каждый элемент которого Af{i, к} (выход /-ого слоя в момент ts=TS+k-ID) является матрицей размера SixQ, при этом:

127. Ni=net.numlnputs количество входов сети;

128. N1= net.numLayers количество ее слоев;

129. No=net.numOutputs количество выходов сети;1.= net.numlnputsDelays входные задержки;1.= net.numLayersDelays задержки слоя;

130. TS=Number of time steps число временных интервалов;

131. Q=Batch size размер набора подаваемых векторов;

132. Ri= net.inputs(i). size размер /-го вектора входа;

133. Si= net.Iayers(i). size размер /-го слоя;

134. ИСПОЛЬЗУЕМЫЙ АЛГОРИТМ ОБРАТНОГО РАСПРОСТРАНЕНИЯ ОШИБКИ (BASK PROPAGATION)

135. Итеративный градиентный алгоритм обучения, используемый с целью минимизации среднеквадратичного отклонения текущего выхода и желаемого выхода многослойных нейронных сетей /10/.

136. Шаг 1. Весам сети присваиваются небольшие начальные значения.

137. Шаг 2. Выбирается очередная обучающая пара (X, Y) из обучающего множества; вектор X подается на вход сети.

138. Шаг 3. Вычисляется выход сети.

139. Шаг 4. Вычисляется разность между требуемым (целевым, Y) и реальным (вычисленным) выходом сети.

140. Шаг 5. Веса сети корректируются так, чтобы минимизировать ошибку.

141. Шаг 6. Шаги со 2-го по 5-й повторяются для каждой пары обучающего множества до тех пор, пока ошибка на всем множестве не достигнет приемлемой величины.

142. Шаги 2 и 3 подобны тем, которые выполняются уже в обученной сети.

143. Вычисления в сети выполняются послойно. На шаге 3 каждый из выходов сети вычитается из соответствующей компоненты целевого вектора с целью получения ошибки. Эта ошибка используется на шаге 5 для коррекции весов сети.

144. Метод обучения нейронной сети с помощью алгоритма обратного распространения ошибки заключается в следующем.

145. Функция ошибки зависит от векторов весов скрытого слоя и вектора весов, связанных с выходным нейроном.

146. Выход сети описывается выражением1