автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.18, диссертация на тему:Математическое моделирование и разработка системы диагностики состояния технологического процесса и управления качеством продукции

На правах рукописи

БАБЕНКО АЛЕКСЕЙ ГРИГОРЬЕВИЧ

МАТЕМАТИЧЕСКОЕ МОДЕЛИРОВАНИЕ И РАЗРАБОТКА СИСТЕМЫ ДИАГНОСТИКИ СОСТОЯНИЯ ТЕХНОЛОГИЧЕСКОГО ПРОЦЕССА И

УПРАВЛЕНИЯ КАЧЕСТВОМ ПРОДУКЦИИ (на примере процесса непрерывного литья заготовки алюминиевой фольги)

Специальность 05 13 18 — Математическое моделирование, численные методы

и комплексы программ

Автореферат диссертации на соискание ученой степени кандидата технических наук

Екатеринбург - 2007

003070974

Работа проведена в Уральском государственном техническом университете — УПИ, Новоуральском Государственном Технологическом Институте, ОАО «Фольгопрокатный завод» г Санкт-Петербург

Научный руководитель

доктор технических наук, профессор Владимир Георгиевич Лисиенко

Научный консультант

кандидат технических наук, доцент Генрих Леонидович Хазан

Официальные оппоненты

доктор технических наук, профессор Сергей Людвигович Гольдштейн

кандидат технических наук, доцент Владимир Иванович Антипенко

Ведущая организация

Уральский филиал «УралРТСофт» ЗАО «РТСофт», г Екатеринбург

Защита состоится 25 мая 2007 г в 15— в аудитории Р-217 на заседании диссертационного совета К 212 285 02 при ГОУ ВПО «Уральский государственный технический университет - УПИ» по адресу 620002, Екатеринбург, ул Мира, 19

Отзывы в двух экземплярах, заверенные гербовой печатью учреждения, просим направлять по адресу 620002 г Екатеринбург, ул Мира, д 19, ГОУУГТУ-УПИ, ученому секретарю

Автореферат разослан 24 апреля 2007 г

Ученый секретарь диссертационного совета К212 285 02, В А Морозова

кандидат технических наук, доцент ~

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ Актуальность темы.

В настоящее время быстрыми темпами идет развитие упаковочной отрасли Доля потребления алюминия при производстве упаковочных материалов составляет примерно 20-25 % от всего потребления в мире, поэтому вопрос организации эффективного производства алюминиевой фольги, используемой при производстве современных упаковочных материалов, является важным в сложившихся рыночных условиях

Процесс непрерывного литья листовой заготовки алюминиевой фольги является этапом процесса бесслитковой прокатки фольги, который по сравнению с традиционным получением полосы из слитков обладает значительными преимуществами, однако, применение этой технологии сопровождается некоторыми затруднениями Этап получения листовой заготовки обладает низкой производительностью и неустойчивостью технологического процесса В первую очередь это связано со сложностью организации эффективного управления, так как процесс непрерывного литья листовой заготовки является многофакторным процессом Процесс производства фольги предусматривает обработку заготовки при многократных обжатиях, когда толщина фольги соизмерима с размером образующихся дефектов, поэтому дефекты заготовки чаще всего являются причиной снижения качества фольги. Используемые в настоящее время методы управления качеством листовой заготовки основаны на применении однофакторного подхода, поэтому они обладают невысокой эффективностью, и часто устранение дефектов одного вида сопровождается появлением дефектов других видов

Данная работа посвящена решению проблемы диагностики состояния технологического процесса непрерывного литья листовой заготовки алюминиевой фольги для управления ее качеством

Теоретическим основам математического моделирования технологических процессов и применению моделирования для решения актуальных практических задач посвящены работы таких ученых как А А Самарский, Б Н Петров, Н П Бусленко, С А Айвазян, А Н Горбань,

А Н Колмогоров, В В Круглов, В Г Лисиенко, В В Налимов, Б Я Советов, П Эйкхофф и других

Объектом исследования является технологический процесс непрерывного литья листовых заготовок алюминиевой фольги

Предмет исследования — методы и алгоритмы моделирования сложного технологического объекта

Цель исследования состоит в построении системы диагностики состояния процесса непрерывного литья заготовки алюминиевой фольги для управления качеством продукции

В ходе построения системы диагностики были решены следующие задачи

1) получение экспертных оценок и ранжирование методом парных сравнений позволило сделать вывод, что в отличие от известного метода непосредственного ранжирования метод парных сравнений обеспечивает большую согласованность мнений экспертов и повышает объективность результатов экспертизы,

2) предложен метод сбора данных - многомерный ситуационный экспертный опрос — совмещающий элементы теории планирования эксперимента и теории экспертных оценок,

3) разработано и зарегистрировано программное обеспечение многомерного ситуационного экспертного опроса,

4) произведен анализ технологического оборудования процесса непрерывного литья заготовок алюминиевой фольги, разработана топология математической модели технологического процесса, определена структура модели,

5) выделены факторы, оказывающие наиболее существенное влияние на качество продукции, а также характеристики качества, наилучшим образом отражающие качество заготовки,

6) разработано два варианта алгоритма функционирования системы диагностики, использующих вероятностный и нейросетевой подходы В результате их анализа сравнения получен итоговый алгоритм, являющийся композицией предложенных вариантов,

7) построена многофакторная нейросетевая модель управления процессом непрерывного литья заготовок алюминиевой фольги,

8) анализ процесса принятия решений по управлению технологическим процессом в целях получения продукции необходимого качества выявил главный источник низкой эффективности - однофакторный подход Для устранения этого недостатка обоснован алгоритм расчета пошагового изменения параметров технологического процесса, опирающийся на многофакторную модель,

9) проведена успешная апробация разработанной системы диагностики технологических состояний и управления качеством

Методы исследования

В ходе решения задач исследования использовались методы теории планирования эксперимента, аппарат теории нейронных сетей, статистический анализ, методология проведения экспертных опросов и обработки экспертных данных, объектно-ориентированное программирование

Основные научные результаты и положения, выносимые на защиту:

1 Отличающийся от существующих методов экспертных оценок метод многомерного ситуационного экспертного опроса - метод получения экспертных оценок значений выходных характеристик объекта в технологических ситуациях, определяемых планом активного эксперимента Отличительными особенностями разработанного метода являются

- сравнение влияния на показатели качества не отдельных значений технологических параметров, а их совокупностей, характеризующих технологические ситуации,

- использование в основе метода парных сравнений планов полных и дробных факторных экспериментов,

- использование цветового кодирования технологических ситуаций для проведения сравнений в режиме, наиболее благоприятном для эксперта

2 Система диагностики состояния технологического процесса непрерывного литья заготовки алюминиевой полосы, отличающаяся от существующих •

- используемой нейросетевой многофакторной математической моделью, учитывающей сложность моделируемого процесса,

- методом расчета рекомендуемых изменений параметров технологического процесса с целью управления качеством продукции, путем одновременного варьирования всех факторов и шагового приложения воздействий,

- способом получения обучающей выборки нейронной сети, использующим теорию планирования экспериментов, регрессионный и статистический анализ

Достоверность полученных положений, выводов и рекомендаций

обеспечивается корректным использованием математических методов теории планирования эксперимента, теории нейронных сетей, статистического анализа, теории экспертных оценок и подтверждается результатами промышленных испытаний системы на ОАО «Фольгопрокатный завод» г Санкт-Петербург Научная новизна исследований:

разработана система диагностики состояния технологического процесса непрерывного литья заготовок алюминиевой фольги путем интеграции нейросетевой модели управления процессом, алгоритма генерирования начальной обучающей выборки нейронной сети на основе регрессионной модели технологического процесса, алгоритма расчета изменений технологических параметров для управления качеством продукции,

разработан метод многомерного ситуационного экспертного опроса и его программное обеспечение в качестве альтернативы производственному эксперименту,

предложено применение методов планирования экспериментов и методики bootstrap для получения репрезентативной начальной обучающей выборки нейронной сети

Научная значимость исследований заключается в развитии

1) методов построения диагностических систем и систем управления качеством,

2) методов теории экспертных оценок Практическая ценность исследования

разработана и проверена на практике эффективная система управления качеством непрерывно-литой заготовки алюминиевой фольги,

предложенный способ построения системы диагностики состояния технологического процесса непрерывного литья листовой заготовки может быть адаптирован для построения систем управления качеством продукции в металлургии и машиностроении и других отраслях промышленности,

применение метода многомерного ситуационного экспертного опроса аналогично проведению активного эксперимента при исследовании технологического объекта и позволяет получать оценки значений выходных

характеристик объекта, которые могут использоваться при построении многофакторных моделей технологических объектов

Личный вклад автора

1) разработка и сравнение двух способов реализации системы диагностики технологических состояний и управления качеством непрерывно-литых заготовок алюминиевой фольги,

2) применение статистической методики bootstrap для получения начальной обучающей выборки нейросетевой модели технологического процесса непрерывного литья заготовок алюминиевой фольги,

3) построение диагностической модели технологического процесса непрерывного литья заготовок алюминиевой фольги,

4) разработка метода многомерного ситуационного экспертного опроса,

5) разработка программного обеспечения метода многомерного ситуационного экспертного опроса,

6) участие в промышленных испытаниях разработанной системы на ОАО «Фольгопрокатный завод» г Санкт-Петербург и обработке данных испытаний

Реализация работы Система диагностики прошла промышленные испытания и рекомендована к внедрению на ОАО «Фольгопрокатный завод» г Санкт-Петербург

Апробация работы Результаты диссертационной работы докладывались и обсуждались на международной научно-практической конференции «СВЯЗЬ-ПРОМЭКСПО 2006» (Екатеринбург, 2006), 4-ой межотраслевой научно-технической конференции (Новоуральск, 2005 г)

Публикации. По теме диссертации опубликовано 8 научных работ

Объем и структура работы. Диссертация состоит из введения, 5 глав, заключения, списка литературы из 123 наименований, 2 приложений и содержит 133 стр основного машинописного текста, 24 рисунка, 29 таблиц ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована необходимость организации управления качеством продукции и приведена общая постановка задачи управления качеством, решение которой состоит в построении модели технологического процесса и ее использовании при расчете изменений технологических параметров, необходимых для достижения требуемого качества

В первой главе приведены основные сведения о технологическом процессе непрерывного литья листовых заготовок алюминиевой фольги, рассмотрены достоинства и недостатки технологии, обоснована необходимость разработки инструмента, способного помочь персоналу принимать решения по управлению технологическим процессом для получения продукции требуемого качества Таким инструментом является информационно-расчетная система, работающая в режиме советчика технолога, где в качестве главного вычислительного элемента выступает математическая модель технологического процесса Ближайшие аналоги разрабатываемой системы - системы технической диагностики, имеющие блок выработки управляющих воздействий, однако в отличие от них в данном случае цель обработки информации состоит не в оценке работоспособности оборудования, а в оценке состояния технологического процесса

Произведен анализ методов, применяемых на различных этапах моделирования сборе данных, построении модели, проверке адекватности модели Проведенные ранее исследования достоверности и достаточности информации, собираемой для построения модели в результате проведения пассивного эксперимента, активного эксперимента и экспертного опроса, позволили сделать следующие выводы

данные пассивного эксперимента, полученные для технологического процесса, находящегося под управлением, часто не содержат информации для всестороннего описания объекта, поэтому их применение при построении модели несколько ограничено,

данные активного эксперимента достаточно полно описывают объект, но их получение для сложного технологического объекта в условиях промышленной эксплуатации оборудования сопряжено со значительными трудностями, временными и материальными затратами,

альтернативой производственному эксперименту является применение экспертного опроса, однако, существующие методики экспертных опросов нацелены на сравнение лишь отдельных характеристик объектов, что недостаточно для построения многофакторной модели сложного технологического процесса, когда необходим анализ многомерных совокупностей данных В связи с этим возникает необходимость разработки метода многомерного ситуационного экспертного опроса, который может быть

использован для сбора данных при построении модели технологического процесса непрерывного литья заготовок алюминиевой полосы

Далее в главе проведено сравнение инструментов, применяемых на этапе моделирования регрессионный анализ, нейронные сети, метод группового учета аргументов

В заключении главы перечислены основные задачи, решаемые в работе-

1) построение многофакторной модели процесса непрерывного литья заготовки алюминиевой полосы, используемой при определении параметров технологического процесса по значениям показателей качества продукции, с применением в процессе моделирования многомерного ситуационного экспертного опроса,

2) разработка алгоритма адаптации модели, позволяющего производить ее настройку в ответ на изменения условий производства в ходе эксплуатации системы диагностики технологического состояния процесса непрерывного литья заготовок алюминиевой фольги и управления качеством продукции,

3) разработка метода многомерного ситуационного экспертного опроса в качестве частичной альтернативы производственному эксперименту при исследовании технологических объектов и построении многофакторных моделей этих объектов,

4) разработка программного обеспечения метода многомерного ситуационного экспертного опроса, упрощающего проведение опроса и обработку его результатов,

5) проведение опытно-промышленных испытаний системы диагностики технологического состояния процесса непрерывного литья заготовок алюминиевой фольги и управления качеством продукции с целью определения ее работоспособности в условиях промышленной эксплуатации

Во второй главе проведен анализ особенностей технологического процесса непрерывного литья заготовок алюминиевой полосы с целью выявления основных параметров состояний

Общая схема технологического процесса получения заготовки изображена на рис 1 Комплекс бесслитковой прокатки устанавливается в сочетании с плавильными печами После обработки в печах расплав поступает в миксер Подготовленный и доведенный до необходимой температуры алюминиевый сплав из миксера направляется в емкость для рафинирования и

затем через литниковую систему равномерно распределяется в зазоре валков-кристаллизаторов В результате контакта с поверхностью валков, которые также являются и кристаллизаторами, жидкий металл кристаллизуется и затем подвергается горячей деформации непосредственно в зазоре вращающихся валков Листовая заготовка в виде прокатанной полосы проходит правку и обрезку кромок, сматывается в рулон на шпулю, закрепленную в наматывающем устройстве

Рис 1 Общая технологическая схема получения заготовки 1 - отражательная печь, 2 - литейный ковш, 3 - электрический миксер, 4 -металлопровод, 5,6 - проточная емкость, 7 - прокатная клеть

Процесс непрерывного литья листовой заготовки является сложным многофакторным процессом Даже небольшая нестабильность технологических параметров приводит к ухудшению качества фольги Для описания существующих дефектов используется система классификации, которая основана на описании физической природы дефекта Она позволяет идентифицировать дефект в соответствии с его описанием путем непосредственного осмотра продукции В данной классификации выделено восемь категорий дефектов выступы (неровности) на фольговой заготовке, полости (раковины), несплошности (разрывы), дефекты поверхности, незавершенная отливка, неправильные размеры или форма, включения или структурные аномалии, дефекты алюминиевой фольги Каждая категория в свою очередь разделяется на группы и подгруппы

В заключении главы приведена концептуальная модель технологического процесса непрерывного литья заготовок алюминиевой фольги Описание этого процесса во всей полноте - чрезвычайно сложная задача, так как на него оказывают влияние большое число факторов, поэтому при построении модели произведен выбор факторов, оказывающих наибольшее влияние на качество продукции Необходимость построения многофакторной модели продиктована тем, что для исследуемого процесса известны механизмы

действия тех или иных факторов на качество продукции по отдельности, однако, одновременное действие тех же факторов, когда проявляются эффекты их взаимодействия, изучено в значительно меньшей степени

Третья глава посвящена разработке методики построения модели технологического процесса непрерывного литья заготовок алюминиевой фольги В начале главы приведена топология модели, полученная в результате анализа технологического процесса Топология содержит 21 входную характеристику (расход лигатуры, расход аргона, давление в гидравлической системе прижимных домкратов и др), 17 промежуточных характеристик технологического процесса (содержание водорода, температура литья, скорость литья и др ), устанавливаемых в результате обобщения входных характеристик и выступающих в качестве характеристик более высокого уровня, 33 выходных характеристики - показателей качества (вспучивание, анизотропия механических свойств, горячие трещины, сквозные отверстия и др)

Далее проведен анализ собранного в цехе статистического материала включающего значения как технологических факторов (толщина ленты, скорость литья, температура в насадке, давление металла на валки, содержание водорода, химический состав расплава - содержание Ре, Б1, Мп, Ъ, А1, состав шихты - содержание скрапа, отходов 1 сорта, отходов 2 сорта, лигатуры, флюса, температура расплава в литейной насадке) так и откликов -механических свойств непрерывно-литых заготовок фольги, определяющих качество продукции (временное сопротивление разрыву, предел текучести, относительное удлинение, твердость) Номенклатура и перечень этих величин соответствовали сложившейся практике и нормативам технологического контроля, применяемых на предприятии ОАО «Фольгопрокатный завод» г Санкт-Петербург Целью статистической обработки было получение информации о взаимной коррелированности факторов, о наличии корреляций между откликами и факторами, о соответствии распределения контролируемых величин закону нормального распределения При этом выполнены следующие этапы статистического анализа

1) вычислены корреляции между факторами и корреляции между факторами и откликами,

2) проверена статистическая значимость коэффициентов корреляции между факторами и откликами,

3) проведена проверка закона распределения данных статистической выборки на близость нормальному закону, что позволяет сделать выводы об устойчивости технологического процесса При соблюдении условия нормальности и небольшой дисперсии значений из выборки, можно говорить об их стабильности в ходе технологического процесса, иначе, можно предполагать их нестабильность вследствие влияния внешнего некомпенсированного неслучайного воздействия

В ходе статистического анализа был сделан вывод о том, что исследованные показатели качества подвергались некоторому внешнему неучтенному воздействию Поэтому построение модели процесса непрерывного литья листовых заготовок алюминиевой фольги с использованием таких данных и применение полученной модели для управления качеством продукции может привести к нежелательным последствиям, к ухудшению качества заготовок Проведение активного эксперимента в нашем случае было затруднено ограничением возможности реализации необходимых изменений технологических параметров на находящемся под управлением оборудовании, поэтому для получения данных был использован альтернативный способ -многомерный ситуационный экспертный опрос

К многомерному ситуационному экспертному опросу привлекались высококвалифицированные специалисты, хорошо знающие технологию непрерывного литья и имеющие опыт работы в данной области более 10 лет Экспертная группа состояла из 5 человек

В процессе разработки системы диагностики на основе топологии модели технологического процесса непрерывного литья по результатам экспертного опроса произведено определение структуры многофакторной модели, в ходе которого выделены факторы и отклики, наилучшим образом характеризующие состояние технологического процесса и наиболее полно описывающие качество непрерывно-литой листовой заготовки Первоначально отбор факторов и откликов производился методом непосредственного ранжирования факторов, однако при этом возникли трудности, так как с увеличением числа сравниваемых объектов потребовалось более точно их различать В результате уменьшалась согласованность ответов экспертов, то есть увеличивалась субъективность экспертных данных, а, значит, увеличивалась содержащаяся в них ошибка Для снижения субъективной составляющей в оценках процедура опроса была изменена непосредственное

ранжирование факторов и откликов заменено ранжированием методом парных сравнений. Расчет и сравнение коэффициентов ранговой корреляции Спирмена показал, что согласованность оценок при такой замене заметно возросла. В результате отбора существенных факторов и откликов на основе предложенной топологии получена структура модели технологического процесса - выбрано 5 входных технологических параметров - управляющих воздействий (содержание водорода, см5/100г A!; соотношение содержаний Fe/Si, ед.; температура литья, С; скорость литья, м/мин; давление металла на валки, МПа) и 9 показателей качества - выходных параметров (сквозные отверстия, шт/м2; горячие трещины, шт/м3; холодные трещины, шт/м2; вспучивания поверхности, шт/м2; анизотропия механических свойств, ед.; предел прочности при растяжении, ЧПа; поверхностные дефекты, шт/м2; относительное удлинение, %; разнотолщинность, мм).

На следующем этапе создания системы диагностики был разработан метол многомерного ситуационного экспертного опроса. Его идея состоит в том, что парному сравнению подвергаются не отдельные факторы, а сочетания их возможных предельных уровней, т.е. технологические ситуации. При этом уровни факторов соответствуют плану активного эксперимента. Такое сравнение многомерных ситуаций более затруднительно для эксперта по сравнению с обычным одномерным ранжированием. Поэтому для облегчения этой работы и соответствующего повышения объективности оценок применяется цветовое кодирование технологических состояний, что позволяет получить для каждого состояния свой уникальный графический образ, помогающий экспертам увереннее различать сравниваемые ситуации.

ииииида! Mil

О riwEk-ime Mrtvm«

Пожалуйста, выберите наиболее существенный фактор

а Скорость литья г Температура литья г Факторы равнозначны

Даяев |

Рис. 2. Диалог с экспертом на этапе определения структуры модели.

Для организации диалога эксперта с компьютером, совмещённого с математической обработкой результатов по ходу автоматизированного опроса

нами было разработано программное обеспечение «POLL». Программа имеет оконный графический интерфейс. Пример интерфейса программы на стадии определения структуры модели приведен на рис. 2. На рис. 3 изображен интерфейс программы на стадии проведения многомерного ситуационного экспертного опроса.

JBLaJ

Ш vm Hefc> Dtf Е t

Пожалуйста, предположит* j Осталось q кнк'измеиитсо вероятность появлений признака брака при следующем изменении параметров rem (выбор нужного вариант а производится щелчком п соответствующей колонке) рганеьнй: potiacca

Параметры техпроцесса 1риэнаки брака

Параметр | Уровень до нами чвннп | Уровень поело изменения ; иистниится | Не изменится Увеличится 1

температура высоюнй высокий гор. трещин«

Н2 низкий fe/Я шпаки* оысокий НИЗКИЙ хоатрешины пои.деф. V

скорость висотй высокий ИСПуЧИПЛНИ^ у

давление пысотй пр.прочн. V

отн. уд л аниаогр. дыры раянотол«иииность V V V

Рис. 3. Диалог с экспертом на этапе проведения многомерного

ситуационного экспертного опроса.

Предложенный метод многомерного ситуационного экспертного опроса был использован при построении многофакторной модели процесса непрерывного литья листовых заготовок алюминиевой фольги. В ходе опроса эксперты сравнили 16 состояний технологического процесса, соответствующих плану дробного факторного эксперимента типа 25 1 с генерирующим соотношением .V; = X, ХгХ3ХА, с целью получения оценок значений каждого из 9 показателей качества. В результате получены прогнозируемые значения откликов, на основе которых построены регрессионные уравнения в виде неполной квадратичной формы

У = Ьп + УЬ,х, + XVе/**, (1)

описывающие зависимости показателей качества от технологических параметров.

Четвертая глава посвящена разработке алгоритма функционирования диагностической системы. На основе анализа существующих систем технической диагностики и систем управления технологическими процессами были предложены и совмещены два варианта построения и функционирования

диагностической системы, использующих вероятностный и нейросетевой подходы к определению параметров технологического процесса по показателям качества листовой заготовки

В диагностической системе, использовавшей вероятностный подход, определение технологических параметров по значениям показателей качества производилось с помощью эвристического алгоритма, полученного в результате следующих рассуждений и допущений Взаимосвязи откликов с факторами носят стохастический характер, поэтому нельзя исключать возможность порождения совокупности откликов любым наблюдавшимся сочетанием факторов Вероятности таких событий можно считать обратно пропорциональными Евклидовым расстояниям между сочетаниями откликов, то есть чем меньше Евклидово расстояние между векторами откликов, тем более вероятна близость соответствующих им векторов факторов Расчет значений факторов, составляющих искомое технологическое состояние, заключается в средневзвешенном суммировании значений соответствующих факторов по всему объему рабочей базы данных диагностической системы Весами являются величины обратно пропорциональные Евклидовым расстояниям между сочетаниями откликов рабочей базы данных и сочетанием откликов, для которого ищется соответствующее сочетание факторов

Полученных в результате многомерного ситуационного экспертного опроса значений откликов для 16 точек факторного пространства было недостаточно для расчета технологических параметров по значениям показателей качества Требовалось увеличение размера рабочей базы данных на несколько порядков Для этого была использована статистическая методика bootstrap, применение которой заключалось в следующем

1) на основе данных многомерного ситуационного экспертного опроса построены регрессионные уравнения в виде (1), описывающие зависимости показателей качества от технологических параметров,

2) сформировано 3000 технологических состояний (дальнейшее увеличение числа формируемых технологических состояний не давало улучшения результатов расчета), в которых значения факторов являлись

случайными числами, равномерно распределенными в области допустимых значений,

3) для сформированных технологических состояний путем их подстановки в систему регрессионных уравнений найдены соответствующие значения показателей качества,

4) полученные сочетания значений технологических параметров (точки факторного пространства) и сочетания значений показателей качества (точки пространства откликов) внесены в базу данных диагностической системы, при этом определялось Евклидово расстояние от добавляемой точки факторного пространства до уже хранящихся в базе точек и если оно оказывалось меньше пороговой величины (в нашем случае пороговая величина выбиралась, таким образом, чтобы обеспечить обновление точек в базе данных при покоординатном совпадении новых и старых точек факторного пространства более чем на 95%), хранящаяся в базе точка факторного пространства и соответствующая ей точка пространства откликов заменялись новыми

Для учета возможного дрейфа параметров технологического процесса и наличия субъективной составляющей в данных многомерного ситуационного экспертного опроса математическая модель технологического процесса была дополнена алгоритмом адаптации, который в системе, использующей вероятностный подход к диагностике технологических состояний, заключался в пересчете параметров регрессионных уравнений при поступлении новых данных, и повторной генерации рабочей базы данных в случае ухудшения точности диагностики состояния

Во втором алгоритме построения и функционирования диагностической системы для определения технологических состояний по значениям показателей качества продукции использовалась нейросетевая модель управления исследуемым технологическим процессом, то есть применялся алгоритм систем нейрокомпьютинга Обычно в таких системах в качестве обучающей выборки нейронной сети используются данные, полученные в результате наблюдения за ходом технологического процесса, что равносильно

применению при построении модели технологического процесса данных пассивного эксперимента

С Начало ) _

. _ J Определение структуры модели

проведение многомерного ситуационного экспертного опроса

Построение регрессионных уравнений результатах экспертного опроса :нерация обучающего множества нейронной сети

— Обучение нейронной сети Завершить работу системы**

| Ввод текущих и требуемых I значений показателей """1 качества листовой I заготовкн

Расчет требуемых значений нологических параметров помощью нейронной сети

Расчет рекомендуемых управляющих воздействий

Вывод рекомендаций по управлению технологическим

процессом с целью их _ реализации

В результате управления требуемые изменения показателей качества достигнуты9

Коррекция обучающего множества

Рис 4 Блок-схема алгоритма построения и функционирования системы

диагностики

Сравнение двух вариантов функционирования системы диагностики по критериям точности, требованиям к вычислительным ресурсам, скорости разработки системы, скорости адаптации позволило прийти к заключению, что наибольшей эффективностью обладает их комбинация (блок-схема приведена на рис 4), которая использует нейронную сеть для расчета диагностируемой технологической ситуации (блок б рис 4), начальную обучающую выборку нейронной сети формирует (блок 2 рис 4) обработкой результатов многомерного ситуационного экспертного опроса (блок 1 рис 4), построением регрессионных уравнений вида (1) и применением методики bootstrap, как это было описано выше Указанные блоки выделены на рис 4 уголками серого

цвета и используют методы, процедуры и модели, полученные в ходе выполнения данной работы

Алгоритм адаптации модели в ходе эксплуатации системы, заключается в обновлении данных, содержащихся в обучающей выборке, данными о ходе технологического процесса, и повторном обучении сети в случае, если ошибка диагностики технологической ситуации слишком велика Благодаря этому система диагностики получила способность на начальном этапе функционирования производить распознавание технологических состояний, опираясь на экспертные данные, а по мере накопления реальных данных адаптировать к ним модель технологического процесса, повышая тем самым адекватность модели, а значит и точность диагностики состояний

Рис 5. Структура нейросетевой модели управления технологическим процессом в системе диагностики Нейросетевая модель управления технологическим процессом реализована в виде трехслойного персептрона, содержащего 9 нейронов во входном слое, 5 нейронов в выходном слое и 25 нейронов в скрытом слое (рис 5) Запись модели в матричной форме имеет вид Х = СЗ ЦС2 С1 У),

где

У = (1, У,, У,, У,, У4, У5, Уй, У7, У8,У, )т - вектор входных сигналов, дополненный единичным сигналом нейронного смещения, (значения входных сигналов определяются по значениям показателей качества у„ /=1 9, пересчетом их в единый масштаб, где максимальному значению показателя качества соответствует значение входного сигнала +1, а минимальному - 0), X = (Х,,Х2,Х3,Х4,Х5)Т- вектор выходных сигналов (значения выходных сигналов определяются по значениям технологических параметров х„ г=1 5, пересчетом их в единый масштаб, где максимальному значению технологического параметра соответствует значение выходного сигнала +1, а минимальному --1),

матрица синаптических весов нейронов первого слоя

0 0 0 0 2 0 0 0 0 2 0 0 0 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 0 0 0 0 2 0 0 0 0 2 0 0 0 0 2

матрица синаптических весов нейронов второго слоя

-0 036 0 010 0 076 О 074 -0 003 -О 030 О 062

о из 0 011 О 107 О 033 -О 092 О 093 -0 017 -0 001 -0 021 -0 003 О 010 0 056 О 071 0 060 -О 092 -0 031 - О 011 ( О 014

0 016

- 0 03 о

- 0 0323

- О 014 -0 029 -0 003

-0 005 0 102 0 047 0 067 0 023 -0 067 0 012 0013 0031 0 036 0 046 0 020 0 004 0 010 0 027 0 061 0 009 0 006 0 070

0 024 -0 008 0 084 - 0 126

- 0 072 -0 011

0 003 0039 -0 005

- 0 023

- 0 056 О 115 0 032 -0 029 0 039 0 045

-0 067

- 0 026 -0013

- 0 003 0 081

-0 042 0012

- 0 023

- О 159

0 004 -0 042 0 066 О 043 О 034 -0 010 -0 020 0 181 0 014 0 003 0 030 0 014 -0 027 -0 066 0 009 -0 037 0 065 0 017 0027 О 115 0 046 0 056 О 102 0012 0 060

О

0 016 -0 081 О 107 -О 026 -О 023 -О 013 - О 080 О 160 0 008 О 118 -0 061 0 098 0 010 0 053 0 003 0 090 0 090 0 074 0131 О 109 0010 0 027 0 075 0 052 О 158

О

0 007 0 001 0 003 -0 032 -0 019 О 017 -О 027 0074 0 044 -0 062 0 031 0 010 0010 -0 004 -0010 0 025 0014 0016 0 048 0 076 0 013 0 012 0 002 -0015 0 033

о

0 005 -0 029 О 119 -0 012 О 008 О 002 -О 011 О 102 0 091 0 082 -О 100 0 005 0 084 0 064 0 017 0 060 0 060 0 034 0 091 0 000 0 008 0 066 0 053 0 088 0 096

О

0 081 0 055 0 023 -О 012 О 016 О 084 О 027 0 174 0 085 0 063 0 077 О 119 -0 026 0 015 -0 028 0 082 0 028 0 039 0 070 0 026 0 001 0 078 0 021 0 029 О 134

-0 043 -0 067 0 043 -0 059 -О 056 О 056 О 007 -0 026 -0014 -0 057 0 056 0 071 0 040 -0 005 0 017 0 031 -0014 -0 020 0 017 0 007 0 033 -0 021 0011 0 028 0 002

О " -0 016 0 015 0 063 -О 007 -О 025 О 023 -О 017 О 186 О 105 0 043 О 099 -0 080 0 037 0 065 0 008 0 001 0 051 0 036 0 026 О 157 0 025 0 043 0 052 0 040 0 037

матрица синаптических весов нейронов третьего слоя

Г-о юз -0 019 -0 024 -0 033 0 070 ^

0 050 -0 030 -0010 0 485 0 010

0 124 0 075 0 130 0 149 -0 355

0,165 0 097 0 328 0 026 -0 277

0 376 -0 025 -0 070 0,124 -0 075

-0 398 0 029 0 035 0 065 0 008

0,033 0,100 0,041 0,500 0,075

0,008 -0,359 -0 064 0,056 0,053

0 056 -0 020 -0 293 0 157 0 474

0,053 -0 077 0 075 0065 0 500

0,106 - 0,062 0 190 0 148 -0,172

- 0,097 0 027 -0 067 -0,132 - 0,500

0,111 -0 179 0,102 0,144 0 185

-0 070 -0 283 0 228 -0 087 0 155

-0 048 -0 074 0,417 -0 021 0 054

0,030 ■0 297 0 111 -0 130 -0 003

0 063 -0 066 -0 133 0 192 -0 194

-0 135 -0 109 -0 288 - 0,064 -0 046

-0 009 0 309 0 004 -0 008 -0 061

0 191 0 277 0 073 0 227 0 109

-0 115 -0 075 -0 265 -0 099 0 293

0 353 0 021 0 096 -0 045 0 065

-0 197 -0 043 0 240 0 042 0,139

0 086 -0 053 -0 291 0018 -0 083

0 124 0 084 -0 031 0 048 0 355

0 006 0 182 0 258 -0 177 0 304

А[) - операция применения ко всем компонентам вектора-аргумента за исключением первого (первый компонент вектора обеспечивает нейронное смещение нейронов 3 слоя и должен оставаться равным 1) функции

Здесь маленькими буквами обозначены значения технологических параметров и показателей качества, а большими буквами — значения соответствующих сигналов нейронной сети дгь X] - температура литья, х2, Х2, -содержание водорода, Х3, - отношение содержаний Fe/Si, х4, Х4, - скорость литья, x¡, Х5, - давление металла на валки,

Уи Y] - показатель качества «сквозные отверстия», у2, Y2 - показатель качества «горячие трещины», у3, Y3 - показатель качества «холодные трещины», у4, Y4 - показатель качества «вспучивание», у5, Y5 - показатель качества «анизотропия механических свойств», ye, Y6 - показатель качества «предел прочности», y-¡, Y7 - показатель качества «поверхностные дефекты», Уя, Y8 - показатель качества «относительное удлинение», у9, У9 - показатель качества «разнотолщинность»

Диагностика технологических состояний использовалась в разработанной системе для выработки рекомендаций по ведению технологического процесса для управления качеством продукции Особенность таких рекомендаций заключалась в расчете изменений нескольких технологических параметров, которые должны реализовываться одновременно Этот способ управления качеством продукции отличается от широко применяемого (в частности на предприятии ОАО «Фольгопрокатный завод» г Санкт-Петербург) изменения факторов по одному, когда устранение дефекта одной категории часто сопровождается ухудшением ситуации из-за возникновения других видов брака

Алгоритм расчета рекомендуемых изменений технологических параметров для достижения требуемого качества включает следующие шаги

1) на основании замеров службы ОТК определяются значения показателей качества продукции в текущий момент времени, одновременно с этим производятся измерения параметров технологического процесса, характеризующих текущее технологическое состояние хтек,

2) требования к продукции задаются заказчиком и регламентируют значения показателей качества На основании этих значений, применяя нейросетевую модель, определяются соответствующие значения технологических параметров, то есть требуемое технологическое состояние Хф,

3) вектор рекомендуемых изменений вычисляется по формуле Дх=(л:тр-хтек)'/к Величина к определяет количество шагов изменения технологических параметров для достижения требуемого качества и введена с целью упреждения непредвиденных последствий (во время промышленных испытаний системы задавалось к=5),

4) шаги 1)-3) повторяются, пока не достигнуто требуемое качество Здесь целью управления является достижение требуемых значений

показателей качества, при этом на значения технологических параметров (см стр 20) налагаются ограничения 675<*1<715(°С), 0,06<х2<0,22(см3/100г А1), 1£*з<3,5(ед ), 0,7<*4<1,2(м/мин), 1100<х5<1650(МПа)

Проиллюстрируем сказанное примером. Текущее качество продукции определялось параметрами (см стр 20) >',=0,8(шт/м2), >>2=0,8(шт/м2), Уз=4(шт/м2), >'д=1,2(шт/м2), ),5=0,33(ед ), у6=125(МПа), >>7=1,5(шт/м2), >-8=15(%),

>'9=0,25(мм), при этом определены текущие значения технологических параметров (см стр 20) *i=688(°C), *2=0,13(см3/100г А1), *3=1,86(ед), х4=1(м/мин), лг5=1350(МПа) По предъявляемым к качеству требованиям необходимо установить _у1=0,4(шт/м2) Расчет требуемого в этом случае технологического состояния дал следующие значения технологических параметров ^!=687(°C), *2=0ДЗ(см3/100г А1), *3=2,2(ед), х4=1(м/мин), л-5=1330(МПа) Таким образом, нужное качество достигалось в основном изменением х3, что согласуется с результатами качественного анализа технологического процесса, то есть с топологией модели В результате реализации управления технологическим процессом на основе рекомендаций разработанной системы были получены следующие показатели качества ^1=0,4(шт/м2), ^2=0,8(шт/м2), >>3=3,9(шт/м2), >>4=1,2(шт/м2), у5=0,33(ед), >'6=12б(МПа), >'7=1,5(шт/м2), >>8=15(%), _у9=0,25(мм) Отклонение полученных результатов от требуемых значений качества не превысило 2% В более сложных случаях для достижения требуемого качества требуется одновременное изменение нескольких технологических параметров

В пятой главе приведены результаты производственных испытаний системы Сбор исходных данных, построение модели, отладка и испытания системы диагностики произведены на предприятии ОАО «Фольгопрокатный завод» г Санкт-Петербург

Исходные данные были собраны путем опроса группы экспертов предложенным нами методом многомерного ситуационного экспертного опроса На первом этапе опроса экспертами на основе топологии модели были выделены 5 наиболее значимых входных параметров технологического процесса и 9 наиболее значимых показателей качества литой заготовки (см стр 13) На втором этапе путем сравнения 16 технологических ситуаций, являющихся комбинациями значений выбранных технологических параметров, соответствующих плану дробного факторного эксперимента типа 25"1, получены экспертные оценки показателей качества непрерывнолитых заготовок в каждой из сравниваемых технологических ситуаций Опрос экспертов проводился с помощью разработанной нами программы «POLL» Полученные данные использованы для формирования начальной обучающей выборки

нейросетевой модели и построения нейросетевой модели технологического процесса

Производственные испытания системы диагностики технологических ситуаций и управления качеством продукции заключались в проведении следующего ряда экспериментов

1) определение значений показателей качества по предъявляемому набору параметров технологического процесса и сравнение их с реальными данными,

2) определение значений параметров технологического процесса по предъявляемому набору показателей качества и сравнение их с реальными данными,

3) расчет рекомендуемых изменений параметров технологического процесса для получения продукции требуемого качества, проверка правильности функционирования системы сравнением требуемых и полученных в результате реализации управления показателей качества

В ходе промышленных испытаний произведено 10 серий первого типа, 10 - второго типа и 4 - третьего типа, при этом наибольшая погрешность результатов испытаний первого типа не превысила 10%, второго типа - 12%, третьего типа — 12%

В результате промышленных испытаний системы диагностики состояния технологического процесса и управления качеством фольговой заготовки в течение 90 часов (86 тонн заготовки) заказчиком оценены следующие экономические результаты

рост выхода годной продукции при производстве фольги 40-65 мкм составил 15%,

расчетный экономический эффект от внедрения составляет 1256 рублей на 1 тонну фольги

В заключительной части диссертации сформулированы общие выводы и приведены основные результаты, полученные в ходе выполнения работы

Цель исследования состояла в построении системы диагностики состояний процесса непрерывного литья заготовки алюминиевой фольги для управления качеством продукции В ходе разработки были получены следующие результаты

1 Исследованы и проанализированы два варианта алгоритма построения и функционирования системы диагностики, различающиеся способами определения параметров технологического процесса по значениям показателей качества продукции в одном случае - с помощью эвристического вероятностного алгоритма, в другом - с помощью нейросетевой модели управления технологическим процессом В результате анализа и сравнения этих вариантов был разработан итоговый алгоритм построения и функционирования системы диагностики, в основу которого положена нейросетевая многофакторная математическая модель процесса непрерывного литья листовых заготовок алюминиевой фольги, реализованная в виде трехслойного персептрона с 9 нейронами во входном слое, 25 нейронами в скрытом слое и 5 нейронами в выходном слое Для сбора исходной информации о связях между выходными и входными координатами технологического процесса при построении модели использован разработанный нами метод многомерного ситуационного экспертного опроса Математическое обеспечение созданной системы диагностики базируется на методах теории нейронных сетей, статистическом анализе, теории экспертного оценивания, теории планирования эксперимента

2 Проведен анализ существующих методов сбора информации о связях между выходными и входными координатами технологического объекта в результате проведения пассивного эксперимента, активного эксперимента, экспертного опроса В ходе анализа отмечены сложности проведения экспериментов на технологическом объекте, находящемся под управлением, что обусловило необходимость разработки инструмента сбора данных для построения многофакторной модели в результате экспертного опроса (многомерный ситуационный экспертный опрос) Предложенный метод использует элементы теории планирования эксперимента и теории экспертных оценок и заключается в сравнении влияний на показатели качества совокупностей технологических параметров, характеризующих состояния технологического процесса, соответствующие плану полного или дробного факторного эксперимента Для проведения опроса и обработки его результатов создано и зарегистрировано программное обеспечение Проведение многомерного ситуационного экспертного опроса при построении системы

диагностики состояний технологического процесса непрерывного литья заготовки алюминиевой фольги в режиме диалога эксперта с компьютером не превышало 3 часов

3 Разработана математическая процедура моделирования технологических процессов, базирующаяся на сочетании методов регрессионного анализа, методики bootstrap и теории нейронных сетей Показано, что применение регрессионных уравнений для моделирования промышленного многофакторного объекта затруднено в частности из-за необходимости априорного выбора и фиксации вида зависимостей Ошибка в выборе вида модели становится одной из главных причин ее неадекватности При построении нейросетевой модели не требуется выбор вида аппроксимируемой зависимости, поэтому переход от регрессионной модели к нейросетевой, позволяет устранить один из главных источников ошибок Разработанная процедура была реализована в системе диагностики технологических состояний Проверка работоспособности процедуры заключалась в переводе системы из 9 регрессионных уравнений, в нейросетевой вид и оценке степени расхождения полученных моделей Нейросетевая модель была реализована в виде трехслойного персептрона с 25 нейронами в скрытом слое Проверка соответствия между моделью в виде нейронной сети и моделью в виде регрессионных уравнений в 1000 точек факторного пространства показала максимальное расхождение значений факторов на 3 35%

4 В связи с невозможностью полного учета нелинейностей объекта управления рекомендовано реализовывать управляющие воздействия дискретно-шаговым путем, когда требуемое качество достигается не однократным изменением технологических параметров, а за несколько последовательных шагов, с контролем адекватности модели на каждом шаге Количество шагов выбирается исходя из стоимости возможного ущерба, возникающего при реализации ошибочных воздействий на технологический процесс Во время промышленных испытаний системы диагностики состояния процесса непрерывного литья требуемое качество удавалось за 5 шагов

5 Математическая модель объекта управления, дополнена алгоритмом адаптации, используемым для учета возможного дрейфа характеристик сырья и

изменения условий производства Алгоритм заключается во внесении в обучающую выборку нейронной сети данных, полученных при наблюдении за технологическим процессом, и обучении сети на скорректированной выборке в случае выявляемой неадекватности модели

6 Проведены производственные испытания разработанной системы диагностики с целью проверки ее работоспособности в условиях промышленной эксплуатации Они заключались в определении параметров технологического процесса по показателям качества продукции, расчете рекомендаций по изменению технологических параметров для достижения требуемых значений показателей качества, реализации рекомендаций и сравнении достигнутых показателей качества с требуемыми В ходе испытаний расхождения требуемых и достигнутых показателей качества не превышали 12%, что оценивалось заказчиком, как приемлемый уровень остаточных отклонений

7 В результате производственных испытаний получен пятнадцати процентный рост выхода годной продукции с подтвержденным экономическим эффектом 1256 рублей на 1 тонну фольги

8 Проведен анализ и дополнительные производственные исследования с целью оценки возможности широкого применения разработанного метода для ряда объектов в машиностроении и металлургии Исследование в этом направлении производилось в частности на Кушвинском заводе литых прокатных валков В результате и здесь было установлено, что предварительно полученные модели в достаточной степени отражают характер зависимостей показателей качества от технологических параметров и могут далее использоваться для построения системы диагностики на основе нейросетевой модели технологического процесса Это говорит о достаточной универсальности предложенного метода и возможности его более широкого применения

Основные положения диссертации опубликованы в следующих работах-1 Хазан Г Л, Бабенко А Г, Бажин В Ю Диагностика состояния многофакторного процесса //Расплавы -2006 -№1 -С 28-35

2 Хазан Г J1, Лисиенко В Г , Бабенко А Г , Бажин В Ю Альтернативные методы диагностики состояния многофакторного процесса // Расплавы - 2006 -№4 - С 77-81

3 Бабенко А Г, Хазан Г J1 Свидетельство об официальной регистрации программы для ЭВМ № 2005612701 «POLL»

4 Бабенко А Г , Хазан Г Л, Бажин В Ю , Лисиенко В Г Свидетельство об официальной регистрации программы для ЭВМ № 2007611221 «NNControl»

5 Бажин В Ю , Хазан Г Л , Бабенко А Г, Волкова А В Использование экспертных оценок для диагностики дефектности бесслитковой фольговой заготовки//Литейщик России -2005 -№9 -С 37-40

6 Хазан Г Л, Бабенко А Г, Лисиенко В Г Диагностика состояния многофакторного процесса // Научные труды международной научно-практической конференции «СВЯЗЬ-ПРОМЭКСПО 2006» в рамках III ЕвроАзиатского международного форума «СВЯЗЬ-ПРОМЭКСПО 2006» -Екатеринбург ЗАО «Компания Реал-Медиа», 2006 - С 82-84

7 Хазан Г Л , Бабенко А Г, Бажин В Ю , Дюгай П А Методика создания обучающей выборки для диагностики качества отливок // Автоматизация и прогрессивные технологии Труды 4-ой межотраслевой научно-технической конференции (26-29 сентября 2005 г )-Новоуральск Изд-во НГТИ, 2005 -494 с

8 Лисиенко В Г , Хазан Г Л , Бабенко А Г , Бажин В Ю Построение системы управления качеством заготовок алюминиевой фольги, изготовленных методом непрерывного литья // Энергоанализ и энергоэффективность - 2006 - №7 -С 36-39

Подписано в печать 20 04 2007 Формат 60x84 1/16

Бумага типографская Плоская печать Уел печ л 1,20 Уч-издл 1,34 Тираж 100 Заказ 48 Бесплатно Редакционно-издательский отдел ГОУ ВПО УГТУ-УПИ 620002, Екатеринбург, ул Мира, 19

Ризография НИЧ УГТУ-УПИ, 620002, Екатеринбург, ул Мира, 19

Введение.

1. Анализ теоретических и литературных данных и определение задач исследования.

1.1. Процесс непрерывного литья заготовки алюминиевой фольги и применение системы диагностики состояний технологического процесса и управления качеством.

1.2. Определение структуры системы.

1.3. Методы построения математических моделей объекта для целей технической диагностики.

1.3.1. Анализ сложности объекта.

1.3.2. Построение модели.

1.4. Задачи исследования.

2. Анализ особенностей технологического объекта с целью выявления основных параметров состояний для системы технической диагностики.

2.1. Общие сведения.

2.2. Конструкция установки непрерывного литья ОАО «Фольгопрокатный завод» (г.Санкт-Петербург).

2.3. Описание технологического процесса.

2.4. Метрологическое обеспечение технологического процесса.

2.5. Возможные дефекты и причины их возникновения.

2.6. Концептуальная модель технологического процесса.

2.7. Выводы.

3. Разработка методики и результаты экспериментального исследования.

3.1. Топология модели технологического процесса.

3.2. Обработка и анализ данных пассивного эксперимента.

3.2.1. Цели анализа данных.

3.2.2. Корреляция между факторами.

3.2.3. Корреляция между откликами и факторами.

3.2.4. Проверка нормальности распределения.

3.3. Разработка метода многомерного ситуационного экспертного опроса.

3.3.1. Выбор метода проведения экспертного опроса, определение существенных факторов и откликов.

3.3.2. Многомерный ситуационный экспертный опрос.

3.3.3. Разработка и описание программного обеспечения метода многомерного ситуационного экспертного опроса.

3.4. Выводы.

4. Разработка алгоритмов и моделей системы диагностики.

4.1. Варианты алгоритмов функционирования системы.

4.2. Вероятностный алгоритм функционирования системы диагностики.

4.2.1. Вероятностный алгоритм диагностики состояния технологического процесса.

4.2.2. Формирование рабочей базы данных.

4.2.3. Регрессионные уравнения технологического процесса.

4.2.4. Алгоритм адаптации регрессионных уравнений и коррекции рабочей базы данных.

4.2.5. Расчет рекомендуемых изменений технологических параметров для достижения требуемого качества.

4.3. Нейросетевой алгоритм функционирования системы диагностики.

4.3.1. Нейросетевой алгоритм диагностики состояния технологического процесса.

4.3.2. Алгоритм адаптации системы.

4.3.3. Расчет рекомендуемых изменений технологических параметров для достижения требуемого качества.

4.4. Анализ и сравнение вероятностного и нейросетевого алгоритмов.

4.5. Модель технологического процесса в виде нейронной сети.

4.5. Программное обеспечение системы диагностики.

4.6. Выводы.

5. Производственные испытания системы и перспективы для ее широкого внедрения.

5.1. Проверка и внедрение компьютерного диалога экспертного опроса.

5.2. Проверка системы диагностики на производстве.

5.2.1. Определение показателей качества по набору значений параметров технологического процесса.

5.2.2. Определение параметров технологического процесса по набору значений показателей качества.

5.2.3. Расчет рекомендуемых изменений технологических параметров для получения продукции требуемого качества.

5.2.4. Анализ экономической эффективности внедрения системы.

5.3. Предварительная оценка перспектив внедрения метода.

5.4. Выводы.

В настоящее время вопрос повышения качества продукции является ключевым для российских производителей. Только качественный продукт может успешно конкурировать на отечественном и международном рынке. Повышающиеся требования к качеству продукции заставляют применять меры организационного и технологического характера, состоящие, в том числе и во внедрении новых способов управления производственным процессом [1]. Своевременное выявление брака на ранних этапах сложного технологического процесса позволяет вовремя изменять условия производства продукции, что в итоге отражается в снижении расходов на производство, уменьшает ее конечную стоимость, повышает конкурентоспособность.

Процедура управления технологическим процессом для получения продукции требуемого качества, называемая далее в данной работе процедурой управления качеством, имеет сходство с процедурой технической диагностики [2]. В обоих случаях конечной целью производимых действий является определение состояния системы. Отличие состоит в том, что техническая диагностика акцентирует внимание на работоспособности технологического оборудования, а управление качеством - на соответствии параметров продукции предъявляемым требованиям.

Для выработки верной стратегии управления качеством необходимо четко представлять производственный процесс, должен быть проведен анализ причин появления брака и способов их устранения. В результате такого анализа строится модель управления технологическим процессом, позволяющая рассчитывать необходимые изменения технологических параметров.

Математическая модель, лежащая в основе диагностической системы, должна описывать наиболее важные зависимости показателей качества от значений параметров технологического процесса. Технологические процессы обычно являются сложными объектами, то есть состоят из многих взаимодействующих частей и обладают качественными особенностями, которыми ни одна из них в отдельности не обладает. Кроме этого, технологические процессы подвержены влиянию неисчислимого количества факторов. Попытка построения максимально полной математической модели такой системы обычно приводит к получению настолько громоздкой и сложной математической задачи, что ее решение даже на современных быстродействующих вычислительных машинах затруднено. Выходом из этой ситуации является целенаправленное упрощение объекта исследования [3]. В каждом конкретном случае, определяющую роль играет ограниченное, как правило, небольшое число таких факторов, а остальные являются второстепенными, несущественными и их влияние мало. При построении математической модели требуется заранее оценить, каким из факторов отдать предпочтение, а какие отнести к разряду второстепенных и не брать их во внимания. Для принятия решения об отсеве факторов могут привлекаться статистический материал и специалисты, хорошо знающие производственный процесс. Получаемая математическая модель, однако, может применяться для изучения объекта только в определенных условиях, определяемых целями разработки модели, в других условиях данная модель оказывается неравноценной реальному объекту, именно поэтому важной частью процесса моделирования является этап проверки качества модели, выявления степени ее соответствия реальному объекту.

Гибкое управление производством позволяет предприятию легче конкурировать на рынке, расширять номенклатуру продукции, повышать качество выпускаемой продукции, снижать затраты, а значит позволяет проводить эффективную ценовую политику в отношении своего товара.

Особый интерес представляет возможность использования при построении диагностической системы информации о функционировании технологического объекта, получаемой в результате опроса экспертов -специалистов, очень хорошо знающих технологический процесс и обладающих обширной информацией в предметной области, полученной в результате длительных наблюдений за объектом. Интуитивно данные этих наблюдений уже переработаны экспертом, в них в неявном виде выявлен ряд закономерностей, которые и могут быть раскрыты в результате опроса.

Обычно характеристики внутренних связей объекта постепенно изменяются, поэтому в процессе эксплуатации системы диагностики, модель объекта должна корректироваться, иначе точность решения с течением времени перестанет удовлетворять предъявляемым требованиям.

Построение системы диагностики состояния технологического процесса в данной работе проведено на примере процесса непрерывного литья заготовки алюминиевой полосы. При этом преследуется цель получения инструмента эффективного управления качеством фольги. Кроме того, описанные в работе алгоритмы и методы диагностики состояния технологического процесса и управления качеством выпускаемой продукции могут быть использованы при управлении качеством продукции в ряде других отраслей.

6. ОБЩИЕ ВЫВОДЫ

Цель данного исследования состояла в построении системы диагностики состояний процесса непрерывного литья заготовки алюминиевой фольги для управления качеством продукции и применении построенной системы для выработки рекомендаций по ведению технологического процесса. В ходе разработки были получены следующие результаты:

1. Исследованы и проанализированы два варианта алгоритма построения и функционирования системы диагностики, различающиеся способами определения параметров технологического процесса по значениям показателей качества продукции: в одном случае - с помощью эвристического вероятностного алгоритма, в другом - с помощью нейросетевой модели управления технологическим процессом. В результате анализа и сравнения этих вариантов был разработан итоговый алгоритм построения и функционирования системы диагностики, в основу которого положена нейросетевая многофакторная математическая модель процесса непрерывного литья листовых заготовок алюминиевой фольги, реализованная в виде трехслойного персептрона с 9 нейронами во входном слое, 25 нейронами в скрытом слое и 5 нейронами в выходном слое. Для сбора исходной информации о связях между выходными и входными координатами технологического процесса при построении модели использован разработанный нами метод многомерного ситуационного экспертного опроса. Математическое обеспечение созданной системы диагностики базируется на методах теории нейронных сетей, статистическом анализе, теории экспертного оценивания, теории планирования эксперимента.

2. Проведен анализ существующих методов сбора информации о связях между выходными и входными координатами технологического объекта в результате проведения пассивного эксперимента, активного эксперимента, экспертного опроса. В ходе анализа отмечены сложности проведения экспериментов на технологическом объекте, находящемся под управлением, что обусловило необходимость разработки инструмента сбора данных для построения многофакторной модели в результате экспертного опроса (многомерный ситуационный экспертный опрос). Предложенный метод использует элементы теории планирования эксперимента и теории экспертных оценок и заключается в сравнении влияний на показатели качества совокупностей технологических параметров, характеризующих состояния технологического процесса, соответствующие плану полного или дробного факторного эксперимента. Для проведения опроса и обработки его результатов создано и зарегистрировано программное обеспечение. Проведение многомерного ситуационного экспертного опроса при построении системы диагностики состояний технологического процесса непрерывного литья заготовки алюминиевой фольги в режиме диалога эксперта с компьютером не превышало 3 часов.

3. Разработана математическая процедура моделирования технологических процессов, базирующаяся на сочетании методов регрессионного анализа, методики bootstrap и теории нейронных сетей. Показано, что применение регрессионных уравнений для моделирования промышленного многофакторного объекта затруднено в частности из-за необходимости априорного выбора и фиксации вида зависимостей. Ошибка в выборе вида модели становится одной из главных причин ее неадекватности. При построении нейросетевой модели не требуется выбор вида аппроксимируемой зависимости, поэтому переход от регрессионной модели к нейросетевой, позволяет устранить один из главных источников ошибок. Разработанная процедура была реализована в системе диагностики технологических состояний. Проверка работоспособности процедуры заключалась в переводе системы из 9 регрессионных уравнений, в нейросетевой вид и оценке степени расхождения полученных моделей. Нейросетевая модель была реализована в виде трехслойного персептрона с 25 нейронами в скрытом слое. Проверка соответствия между моделью в виде нейронной сети и моделью в виде регрессионных уравнений в 1000 точек факторного пространства показала максимальное расхождение значений факторов на 3.35%.

4. В связи с невозможностью полного учета нелинейностей объекта управления рекомендовано реализовывать управляющие воздействия дискретно-шаговым путем, когда требуемое качество достигается не однократным изменением технологических параметров, а за несколько последовательных шагов, с контролем адекватности модели на каждом шаге. Количество шагов выбирается исходя из стоимости возможного ущерба, возникающего при реализации ошибочных воздействий на технологический процесс. Во время промышленных испытаний системы диагностики состояния процесса непрерывного литья требуемое качество удавалось за 5 шагов.

5. Математическая модель объекта управления, дополнена алгоритмом адаптации, используемым для учета возможного дрейфа характеристик сырья и изменения условий производства. Алгоритм заключается во внесении в обучающую выборку нейронной сети данных, полученных при наблюдении за технологическим процессом, и обучении сети на скорректированной выборке в случае выявляемой неадекватности модели.

6. Проведены производственные испытания разработанной системы диагностики с целью проверки ее работоспособности в условиях промышленной эксплуатации. Они заключались в определении параметров технологического процесса по показателям качества продукции, расчете рекомендаций по изменению технологических параметров для достижения требуемых значений показателей качества, реализации рекомендаций и сравнении достигнутых показателей качества с требуемыми. В ходе испытаний расхождения требуемых и достигнутых показателей качества не превышали 12%, что оценивалось заказчиком, как приемлемый уровень остаточных отклонений.

7. В результате производственных испытаний получен пятнадцати процентный рост выхода годной продукции с подтвержденным экономическим эффектом 1256 рублей на 1 тонну продукции.

8. Проведен анализ и дополнительные производственные исследования с целью оценки возможности широкого применения разработанного метода для ряда объектов в машиностроении и металлургии. Исследование в этом направлении производилось в частности на Кушвинском заводе литых прокатных валков. В результате и здесь было установлено, что предварительно полученные модели в достаточной степени отражают характер зависимостей показателей качества от технологических параметров и могут далее использоваться для построения системы диагностики на основе нейросетевой модели технологического процесса. Это говорит о достаточной универсальности предложенного метода и возможности его более широкого применения.

1. Мазур И.И., Шапиро В.Д. Управление качеством: Учеб. пособие. -М.:Высш. шк., 2003. 334 с.

2. Кузякин В.И., Лисиенко В.Г., Меныциков В.А. Информационные измерительные системы: теория, моделирование, проектирование, применение. Екатеринбург:Издательство АМБ, 2005. - 208 с.

3. Советов Б.Я., Яковлев С.А. Моделирование систем: Учеб. для вузов. 3-е изд., перераб. и. доп. - М.:Высшая школа, 2001. - 343 с.

4. Мозгалевский A.B., Гаскаров Д.В. Техническая диагностика. -М.:Высшая школа, 1975.-207 с.

5. Химмельблау Д. Обнаружение и диагностика неполадок в химических и нефтехимических процессах / Пер. с англ. Л.:Химия, 1983. - 352 с.

6. Кузнецов П.И., Пчелинцев Л.А. Последовательное обучение систем диагностики. М.: Энергоатомиздат, 1987 - 112 с.

7. Глудкин О.П., Обичкин Ю.Г., Блохин В.Г. Статистические методы в технологии производства радиоэлектронной аппаратуры. М.:Энергия, 1977.-296 с.

8. Статистические методы повышения качества / Под ред. X. Куме. -М.:Финансы и статистика, 1990. 304 с.

9. Контроль качества с помощью персональных компьютеров / Т. Макино, М. Охаси, X. Докэ, К. Макино. М.: Машиностроение, 1991. - 224 с.

10. Фейгенбаум А. Контроль качества продукции / Сокр. пер. с англ.; авт. предисл. и науч. ред. A.B. Гличев. М.: Экономика, 1986. - 472 с.

11. Хазан Г. Л., Антипенко В.И. Диагностика брака и дефектности отливок в автоматизированной системе управления качеством. // Инф. листок ЦНТИ. -№949.-1995.-С. 4.

12. Хазан Г.Л., Антипенко В.И Актуальные проблемы автоматизации смесеприготовления // Совершенствование литейных процессов. Труды конф. литейщиков России. ЕкатеринбурпУГТУ. - 1997. - С.21-33.

13. Попов Э.В. Экспертные системы, решение неформализованных задач в диалоге с ЭВМ. М: Наука, 1987. - 284 с.

14. Искусственный интеллект: Применение в интегрированных производственных системах / Под ред. Э.Кьюсиака; Пер. с англ. -М. Машиностроение, 1991. 544 с.

15. Создание экспертных систем обнаружения дефектов электроагрегатов. / В.И. Кузякин, А.Р. Харисов // Труды международной научно-практической конференции «Топливно-энергетический комплекс». В 4 т. Том 4. Часть 2 -Екатеринбург, 2007 - С. 281-284.

16. Муромцев Ю.Л. Безаварийность и диагностика нарушений в химических производствах. -М.: Химия, 1990. 144 с.

17. Мхитарян B.C. Статистические методы в управлении качеством продукции. М.: Финансы и статистика, 1982. - 119 с.

18. Затолокин В.М. Методы анализа качества продукции. М.: Финансы и статистика, 1985.-214 с.

19. Ядыкин И.Б., Шумский В.М., Осепян Ф.А. Адаптивное управление непрерывными технологическими процессами. М.: Энергоиздат, 1986. -240 с.

20. Ким Д.П. Теория автоматического управления. М.: Физматлит, 2004. -Т. 2: Многомерные, нелинейные, оптимальные и адаптивные системы. -464 с.

21. Беллман Р. Процессы регулирования с адаптацией. М.: Наука, 1964. -360 с.

22. Растригин JI.A. Адаптация сложных систем. Рига: Зинатне, 1981. -375 с.

23. Винер Н. Кибернетика. М.:Наука, 1983. - 344 с.

24. Современные методы идентификации систем / П. Эйкхофф, А. Ванечек, Е. Савараги и др.; Под ред. П. Эйкхоффа. М.:Мир, 1983. - 400 с.

25. Химмельблау Д. Анализ процессов статистическими методами. -М.:Мир., 1973.-510 с.

26. Самарский A.A., Михайлов А.П. Математическое моделирование: Идеи. Методы. Примеры. 2-е изд., испр. - М.: Физматлит, 2001. - 320 с.

27. Компьютеры, модели, вычислительный эксперимент. Введение в информатику с позиций математического моделирования / Авт. пред. А. А. Самарский. -М.: Наука, 1988. 176 с.

28. Тихонов А. Н., Самарский А. А. Уравнения математической физики. 5-е изд. - М.: Наука, 1977. - 73 6 с.

29. Кузин J1.T. Основы кибернетики: В 2 т. М.: Энергия, 1979. - Т. 2: Основы кибернетических моделей. - 584 с.

30. Коршунов Ю.М. Математические основы кибернетики: Учеб. пособие. -М.: Энергия, 1980.-424 с.

31. P. Congdon Applied Bayesian modeling. Wiley, 2002. 472 p.

32. Терехов С.А. Введение в байесовы сети // Научная сессия МИФИ-2003. V всероссийская научно-техническая конференция «Нейроинформатика-2003»: Лекции по нейроинформатике. Часть 1. М., 2003. - С. 149-182.

33. Бокс Дж., Дженкинс Г.М. Анализ временных рядов, прогноз и управление. Т. 1-2.-М.: Мир, 1974.

34. Кендал М. Дж., Стьюарт А. Многомерный статистический анализ и временные ряды. М.: Наука, 1976. - 736 с.

35. Петров Б.Н. Избранные труды. М.:Наука, 1983. - Т.1: Теория автоматического управления. - 432 с.

36. Лисиенко В.Г., Салихов З.Г., Гусев O.A. Моделирование объектов с распределенными параметрами на примере трехуровневых АСУ нагревом материала: Учеб. пособие. Екатеринбург:УГТУ-УПИ, М: МИСиС, 2004. -163 с.

37. Горбань А.Н., Россиев Д.А. Нейронные сети на персональном компьютере. Новосибирск: Наука, 1996. - 275 с.

38. Ерофеев A.A., Поляков А.О. Интеллектуальные системы управления. -СПб: Издательство СПбГТУ, 1999. 264 с.

39. Бусленко Н.П. Моделирование сложных систем. М.:Наука. Главная редакция физико-математической литературы, 1978. - 399 с.

40. Бусленко Н.П., Калашников В.В., Коваленко И.Н. Лекции по теории сложных систем. М.:Наука, 1973. - 440 с.

41. Нейроинформатика / А.Н.Горбань, В.Л.Дунин-Барковский, А.Н.Кирдин и др. Новосибирск: Наука. Сибирское предприятие РАН, 1998. - 296 с.

42. Снапелев Ю.М., Старосельский В.А. Моделирование и управление в сложных системах. М.: Сов. радио, 1974. - 264 с.

43. Налимов В.В., Чернова H.A. Статистические методы планирования экстремальных экспериментов. М.: Наука, 1965. - 340 с.

44. Елисеева И.М., Рукавишников В.О. Группировка, корреляция, распознавание образов. Статистические методы классификации и измерения связей. -М.: Статистика, 1977. 143 с.

45. Шеффе Г. Дисперсионный анализ. М.:Наука. Главная редакция физико-математической литературы, 1980. - 512 с.

46. Факторный, дискриминантный и кластерный анализ / Дж.-О. Ким, Ч.У. Мьюллер, У.Р. Клекка и др. М.¡Финансы и статистика, 1989. - 215 с.

47. Налимов В.В., Голикова Т.И. Логические основания планирования эксперимента. М.: Металлургия, 1980. - 152 с.

48. Зедгинидзе И.Г. Планирование эксперимента для исследования многокомпонентных систем. М.:Наука, 1976. - 390 с.

49. Адлер Ю.П., Маркова Е.В., Грановский Ю.В. Планирование эксперимента при поиске оптимальных условий. М.:Наука, 1976. - 279 с.

50. Налимов В. В. Теория эксперимента. М.: Наука, 1971. - 206 с.

51. Спиридонов A.A. Планирование эксперимента при исследовании технологических процессов. -М.: Машиностроение, 1981. 184 с.

52. Зедгинидзе И.Г. Планирование эксперимента для исследования многокомпонентных систем. М.: Наука, 1976. - 390 с.

53. Орлов А.И. Экспертные оценки // Заводская лаборатория. 1996. - Т.62. -Ж1.-С.54-60.

54. Круглов В.В., Дли М.И., Годунов. Нечеткая логика и нейронные сети. -М.: Физматлит, 2001. 224 с.

55. Нечеткие множества в моделях управления и искусственного интеллекта / А.Н. Аверин и др.; Под ред. Д.А Поспелова. М.: Наука, 1986. - 312 с.

56. Осипов Б.В., Мировская Е.А. Математические методы и ЭВМ в стандартизации и управлении качества. -М:. Издательство стандартов, 1990. -168 с.

57. Китаев H.H. Групповые экспертные оценки. М.: Знание, 1975. - 64 с.

58. Планирование эксперимента в исследовании технологических процессов / К. Хартман, Э. Лецкий, В. Шефер и др. М: Мир, 1977. - 552 с.

59. Ганшин Г.С. Методы оптимизации и решение уравнений. М.:Наука. Гл. ред. физ.-мат. лит., 1987. - 127 с.

60. Айвазян С.А, Енюков И.С., Мешалкин Л. Д. Прикладная статистика. Статистическое оценивание зависимостей. -М.: Финансы и статистика, 1985. -484 с.

61. Андерсон Т. Введение в многомерный статистический анализ. М.: Физматгиз, 1963. - 500 с.

62. Многомерный статистический анализ в экономике: Учеб. пособие для вузов / Л.А. Сошникова, В.Н. Тамашевич, Г. Уебе, М. Шефер. М.:Юнити-Дана, 1999.-598 с.

63. Дронов C.B. Многомерный статистический анализ: Учеб. пособие. -Барнаул: Изд-во Алт. гос. ун-та, 2003. 213 с.

64. Мандель И. Д. Кластерный анализ. М.: Финансы и статистика, 1988. -176 с.

65. Дюран Б., Оделл П. Кластерный анализ. М.: Статистика, 1977. - 128 с.

66. Харман Г. Современный факторный анализ. М.: Статистика, 1972. - 489 с.

67. Иберла К. Факторный анализ. М.: Статистика, 1980. - 389 с.

68. Браверман Э.М., Мучник И.Б. Структурные методы обработки эмпирических данных. М.: Наука, 1983. - 464 с.

69. Арене X., Лейтер Ю. Многомерный дисперсионный анализ. М.: Финансы и статистика, 1985. - 232 с.

70. Андерсон Т. Введение и многомерный статистический анализ / Пер. с англ. -М. Физматгиз, 1963. 500 с.

71. Айвазян С.А, Енюков И.С., Мешалкин Л.Д. Прикладная статистика. Основы моделирования и первичная обработка данных. М.: Финансы и статистика, 1983.-471 с.

72. Прикладная статистика: Классификация и снижение размерности / С.А. Айвазян, В.М. Бухштабер, И.С. Енюков, Л.Д. Мешалкин. М.:Финансы и статистика, 1989. - 607 с.

73. Прикладные нечеткие системы: Пер. с япон. / К. Асаи, Д. Ватада, С. Иван и др.; Под ред. Т. Тэрано, К. Асаи, М. Сугэно. М.: Мир, 1993. - 368 с.

74. Нечеткие множества в моделях управления и искусственного интеллекта / А.Н. Аверкин, И.З. Батыршин, А.Ф. Блишун и др.; Под ред. Д.А. Поспелова. М.:Наука. Гл. ред. физ.-мат. лит., 1986. - 312 с.

75. Тимохин В.И. Применение ЭВМ для решения задач распознавания образов: Учеб. пособие. Л.:Изд.-во Ленингр. ун-та, 1983. - 216 с.

76. Фукунага К. Введение в статистическую теорию распознавания образов. -М.: Наука. Гл. ред. физ.-мат. лит., 1979. 368 с.

77. Дрейпер Н., Смит Г. Прикладной регрессионный анализ. 2-е изд. -Т.1-2. -М.: Финансы и статистика, 1986.

78. Демиденко Е.З. Линейная и нелинейная регрессия. М.: Финансы и статистика, 1973.-302 с.

79. C.R. Rao, Н. Toutenburg Linear models: Least squares and alternatives, Springer, 1999.-439 p.

80. Лоусон Ч., Хенсон P. Численное решение задач методом наименьших квадратов. М.: Наука, 1986. - 232 с.

81. Вапник В.Н. Восстановление зависимостей по эмпирическим данным. -М.:Наука, 1979.- 448 с.

82. Монтгомери Д.К. Планирование эксперимента и анализ данных. -Л.:Судостроение, 1980. 384 с.

83. M.R. Chernick, R.H. Fritis Introductory Biostatistics for the Health Sciences Modern Applications Including Bootstrap, Wiley, 2003. 420 p.

84. Д. фон Нейман Теория самовоспроизводящихся автоматов. Часть 2. -М.:Мир, 1971.-48 с.

85. А.Н. Колмогоров Избранные труды. Математика и механика, М.:Наука, 1985.-470 с.

86. Осовский С. Нейронные сети для обработки информации. М.: Финансы и статистика, 2002. - 344 с.

87. Назаров A.B., Лоскутов А.И. Нейросетевые алгоритмы прогнозирования и оптимизации систем. СПб.: Наука и техника, 2003. - 384 с.

88. Методы нейроинформатики / Под. ред. А.Н. Горбаня; отв. за выпуск М.Г. Доррер. КГТУ, Красноярск, 1998. - 205 с.

89. Нелинейная теория управления: динамика, управление, оптимизация / Под ред. В.М. Матросова, С.Н. Васильева, А.И. Москаленко. М.: Физматлит, 2003. - 352 с.

90. Ежов A.A., Шумский С.А. Нейрокомпьютинг и его применения в экономике и бизнесе. М:МИФИ, 1998. - 222 с.

91. Комашинский В.И., Смирнов В.И. Нейронные сети и их применение в системах управления и связи. М.: Горячая линия-Телеком, 2002. - 96 с.

92. Гольдштейн C.JL, Щербатский В.Б., Гущина О.В. Практический нейрокомпьютинг: Учеб. пособие. Екатеринбург: ГОУ ВПО УГТУ-УПИ, 2005.-128 с.

93. Уоссермен Ф. Нейрокомпьютерная техника. М.: Мир, 1992. - 237 с.

94. Ивахненко А.Г. Индуктивный метод самоорганизации моделей сложных систем. Киев: «Наукова думка», 1981. - 296 с.

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

96. Сотник C.J1. Идентификация колебательного звена методом группового учета аргументов и искусственной нейронной сетью с генетическим алгоритмом обучения // http://www.alicetele.com/~sergei/indexe.htm.

97. Дж. фон Нейман Теория самовоспроизводящихся автоматов. Часть 1. -М.: Наука, 1971. -56 с.

98. Успенский В.А. Теорема Гёделя о неполноте. М.: Наука, 1982. - 114 с.

99. Черняк С.Н., Коваленко П.А., Симонов В.Н. Бесслитковая прокатка алюминиевой ленты. М.: Металлургия, 1976. - 136 с.

100. И.А. Шур Перспективы развития бесслитковой прокатки алюминиевых сплавов // Технология легких сплавов. 2001. - №5-6. - С.38-41.

101. А.Н. Сметанин, А.П. Гергерт, С.С. Саркисов Освоение и развитие производства упаковочных материалов // Цветные металлы. 1999. - №1. -С.56-58.

102. Сильникова Е.Ф. Зависимость механических свойств полос алюминия от режима бесслитковой прокатки // Цветные металлы. 1983. - №8. - С.79-81.

103. Баранов М.В., Бажнн В.Ю. Технические и технологические разработки для литья алюминиевых полос, совмещенного с прокаткой. // Литейщик России. 2005. - №1 - С. 37-39.

104. Технологическая инструкция ТИ 14504589-087-2005 ОАО «Уральская фольга» Изготовление алюминиевой ленты на агрегате бесслитковой прокатки АБП-1600. 32 с.

105. Баранов М.В., Бажин В.Ю., Мысик Р.К. Причины образования поверхностных дефектов фольговой заготовки из алюминиевых сплавов на агрегатах бесслитковой прокатки // Литейщик России. 2005. - № 9. - С. 4346.

106. Алюминиевые сплавы. Металловедение алюминия и его сплавов: справочник / Под ред. Л.Ф. Фридляндера. М.: Металлургия, 1971. - 352 с.

107. Баранов М.В., Бажин В.Ю. Дефекты фольговых заготовок и фольги из алюминиевых сплавов: Учеб. пособие. Екатеринбург: ГОУ ВПО УГТУ-УПИ, 2006. -126с.

108. Бажин В.Ю., Хазан Г.Л., Бабенко А.Г., Волкова А.В. Использование экспертных оценок для диагностики дефектности бесслитковой фольговой заготовки // Литейщик России. 2005. - № 9. - С. 37-40.

109. Бабенко А.Г., Хазан Г.Л. Свидетельство об официальной регистрации программы для ЭВМ № 2005612701 «POLL».

110. Купцевич Ю. Альманах программиста. M.:MicrosoftPress, Русская редакция, 2003. - Т. 1: Microsoft ADO.NET, Microsoft SQL Server, Доступ к данным из приложений. - 403 с.

111. Круглински Д. и др. Программирование на Microsoft Visual С++ 6.0 для профессионалов / Д. Круглински, С. Уингоу, Д. Шеферд. М.:Русская редакция, 2004. - 864 с.

112. Джосьютис Н. С++ стандартная библиотека. Для проффесионалов. -СПб.: Питер, 2004. 730 с.

113. Проектирование и реализация баз данных Microsoft SQL Server 2000: Учебный курс. M.:MicrosoftPress, Русская редакция, 2003. - 510 с.

114. Хазан Г.Л., Бабенко А.Г., Бажин В.Ю. Диагностика состояния многофакторного процесса. // Расплавы. 2006. - №1. - С.28-35.

115. Хазан Г.Л., Лисиенко В.Г., Бабенко А.Г., Бажин В.Ю. Альтернативные методы диагностики состояния многофакторного процесса. // Расплавы. -2006. №4. - С.77-81.

116. Хазан Г. Л. , Антипенко В.И. , Злыгостев С.Н. , Антипенко А.В. Обращение уравнений регрессии. // Расплавы. 1996. -№ 2. - С. 31-37.

117. Хазан Г.Л., Вальдман Л.М. Алгоритм адаптации обучающей выборки при распознавании производственно-технологических ситуаций // Известия высших учебных заведений. Черная металлургия. 1991. - №6. - С.86-88.

118. Лисиенко В.Г., Хазан Г.Л., Бабенко А.Г., Бажин В.Ю. Построение системы управления качеством заготовок алюминиевой фольги, изготовленных методом непрерывного литья. // Энергоанализ и энергоэффективность. 2006. - №7. - С.36-39.

119. Бабенко А.Г., Хазан Г.Л., Бажин В.Ю., Лисиенко В.Г. Свидетельство об официальной регистрации программы для ЭВМ № 2007611221 «NNControl».

120. Пустыльник Е.И. Статистические методы анализа и обработки наблюдений. М.гНаука, 1968. - 288 с.