Содержание к диссертации
Введение
Глава 1. Анализ подходов к поиску рецептуры лакокрасочного материала 9
1.1. Виды, назначение и способы получения лакокрасочных материалов 9
1.2. Процесс поиска рецептуры лакокрасочного материала 12
1.3. Подходы специалистов к поиску рецептуры лакокрасочного материала 19
1.4. Совокупность исходных требований к функциям и структуре автоматизированной системы поиска рецептуры лакокрасочного материала 21
1.5. Сравнение эффективности применения регрессионной и имитационной модели на примере моделирования влияния добавки на твердость лакокрасочных покрытий 24
выводы по главе 1 28
Глава 2. Критерий качества как основа автоматизированного процесса поиска рецептуры лакокрасочного материала 29
2.1. Выбор критерия оптимальности в условиях неопределенности 29
2.2 Формирование обобщенного критерия оптимальности 47
Глава 3. Методика решения задачи управления 52
3.1. Постановка задачи управления 52
3.2. Алгоритм решения задачи управления 53
Глава 4. Автоматизированная системы поиска рецептуры лакокрасочного материала 72
4.1. Структура автоматизированной системы поиска рецептуры лакокрасочного материала 72
4.2 Модули автоматизированной системы поиска рецептуры лакокрасочного материала 75
4.2.1. Модуль расчета универсального критерия качества 75
4.2.2. Модуль обработки знаний 76
4.2.3 Модуль отбора компонентов 77
4.2.4. Модуль специального плана эксперимента 77
4.2.5. Модуль синтеза имитационной модели 79
4.2.6. Модуль анализа имитационной модели 80
4.2.7. Модуль сравнения 81
4.2.8. База знаний 81
4.2.9. Диалоговый модуль 82
Глава 5. АСПР в системе управления предприятием 83
5.1. Техническая поддержка аспр 83
5.2. Информационная поддержка аспр 84
Глава 6. Практическое применение автоматизированной системы поиска рецептуры 87
6.1. Получение рецептуры разбавителя марки рэ 87
6.2. Процесс получения рецептуры эмали 90
6.2.1. Техническое задание 90
6.2.2. Описание работы автоматизированной системы поиска рецептуры на примере получения эмали 91
Заключение 104
Список литературы 106
- Процесс поиска рецептуры лакокрасочного материала
- Сравнение эффективности применения регрессионной и имитационной модели на примере моделирования влияния добавки на твердость лакокрасочных покрытий
- Выбор критерия оптимальности в условиях неопределенности
- Структура автоматизированной системы поиска рецептуры лакокрасочного материала
Введение к работе
Актуальность работы
Лакокрасочные материалы (ЛКМ) призваны обеспечить длительную и надежную работу изделий в конкретных условиях эксплуатации. Поскольку они применяются в виде лакокрасочных покрытий (ЛКП), то, говоря о свойствах ЖМ, подразумевают свойства покрытий, которые они образуют.
Создание рецептуры ЖМ зависит от востребованности. На данный момент потребительский спрос склоняется в сторону более совершенных в техническом плане ЛКМ. Поэтому на лакокрасочных предприятиях России большое внимание уделяется процессу поиска рецептуры ЛКМ с заданными техническими характеристиками.
Основу поиска рецептуры составляет выбор компонентов с последующим определением их концентраций. Использование компонентов в рецептуре обосновывается целенаправленным изменением одного или нескольких свойств ЖМ. Природа взаимного влияния компонентов недостаточно изучена, что позволяет утверждать о существовании множества скрытых связей.
На практике проводится экспериментальный подбор рецептуры, что занимает длительное время. Поэтому эффективное управление процессом поиска оптимальной рецептуры является актуальной задачей.
В настоящее время существует несколько видов автоматизированных систем, предназначенных для поиска рецептуры. Они являются либо автоматическими справочниками, либо решают задачу с помощью методов планирования эксперимента. Некоторые из них позволяют обрабатывать данные с помощью нейросетевых моделей. Самым большим их недостатком является то, что центральное место в управлении процессом поиска рецептуры отводится специалисту. Он анализирует информацию, содержащуюся в справочниках, с целью поиска необходимых компонентов. При планировании эксперимента задается диапазон варьирования рецептуры и выбирается вид модели, что может повлиять на адекватность модели и затруднить поиск рецептуры.
Количество экспериментов зависит от квалификации специалиста, поскольку инженер, только закончивший ВУЗ, значительно уступает опытному специалисту. Следовательно, эффективность применения существующих автоматизированных систем невысока вследствие наличия субъективного управляющего фактора.
Целью диссертационной работы является разработка методики поиска оптимальной рецептуры, позволяющей получить лакокрасочный материал максимального качества и сократить время разработки.
Достижение поставленной в работе цели возможно при решении следующих задач:
1. Сформулировать задачу управления процессом поиска рецептуры ЛКМ.
2. Выделить определяющие переменные и обосновать критерии управления процессом поиска рецептуры.
3. Разработать алгоритм решения задачи управления процессом поиска рецептуры ЛКМ и построить на его основе методику поиска рецептуры лакокрасочного материала.
4. Разработать автоматизированную систему поиска рецептуры ЛКМ (АСПР)
5. Внедрить разработанную автоматизированную систему поиска рецептуры лакокрасочного материал на предприятии.
6. Предложить аппаратно-программную поддержку информационно-измерительного комплекса и оценить его место в системе управления предприятия.
Научная новизна работы состоит в следующем:
Разработана методика поиска оптимальной рецептуры лакокрасочного материала на основе универсального критерия качества, позволяющая минимизировать влияние субъективных факторов и осуществлять прогноз рецептуры на основе анализа ретроспективной информации
Достоверность результатов
Достоверность научных положений и выводов диссертации базируется на корректном применении методов теории систем автоматизации технологических процессов, а также методик физико-химического и математического анализа.
Процесс поиска рецептуры лакокрасочного материала
Традиционный подход к поиску рецептуры представляет собой итерационный подбор компонентов и их концентраций, при взаимодействии которых достигается необходимый комплекс свойств ЛКМ. Для этого последовательно в рецептуре применяются следующие основные группы компонентов: плен-кообразователи, пигменты, добавки, растворители. Управление свойствами ЖМ производится с помощью изменения состава компонентов и их концентраций [100].
Критериев оценки подходящих компонентов нет. Выбор осуществляется специалистом субъективно на основании теоретических знаний, рекомендаций фирм-производителей и собственного опыта. В случае невозможности изменения уровня качества ЖМ, повторяют опыт с другим компонентоми-аналогами и т.д.
При поиске рецептуры очень важно выбрать исходные условия и создать модельную рецептуру1, обладающую рядом необходимых свойств. В дальнейшем процесс поиска рецептуру должен строится на целенаправленном последовательном изменении свойств модельной рецептуры и начинаться с выбора подходящего пленкообразователя, основные свойства которых приведены далее (Таблица 1). Пример 1. Требование к быстрому отверждению ЛКМ сокращает круг выбора пленкообразователей и сводится к выбору полиэфирных, меламино-алкидных, полиакриловых пленкообразователей (Таблица 1). Пример 2: способность ЛКМ выдерживать высокие температуры (200-250 С) обосновывается применением кремнийорганических пленкообразователей (Таблица 1). После выбора подходящего пленкообразователя производят введение в рецептуру пигментов. Пигмент применяются для создания декоративных или защитных свойств пленкообразователя. Виды, цвет и свойства пигментов приведены далее (Таблица 2). Пример 1: Создание цветных ЛКМ (эмалей, красок) предполагает применение цветных пигментов (Таблица 2) [39J. Пример 2: Противокоррозионные свойства грунтовок создаются путем введения в рецептуру противокоррозионных пигментов, например, фосфата цинка, цинкового крона, фосфата хрома (Таблица 2). Таким образом, процесс поиска является довольно длительным и трудно предсказуемым вследствие того, что не всегда просто найти объяснение взаимному влиянию компонентов. Различные теории полимерных материалов в большинстве своем являются узкоспециализированными, что вызывает трудности при проведении аналогий. Поэтому, наиболее распространенный на практике, вследствие своей простоты, является способ итерационного поиска рецептуры в рамках основных ограничений (Рис 1). Стратегия поиска рецептуры зависит от предпочтений специалиста.
С этих позиций специалист - человек, обладающий должным профессиональным мастерством, быстро, рационально и стабильно выполняющий свои функции, за счет применения знаний, умений и навыков. Следовательно, при итерационном поиске рецептуры, высокая результативность индивидуальной или совместной деятельности специалистов в различных типовых ситуациях может быть достигнута только за счет их профессиональных навыков и опыта.
При поиске рецептуры, в большинстве случаях, на каком-то этапе может возникнуть нетиповая ситуация, в которой профессиональные навыки специалистов будут недостаточны. Следовательно, вопрос разрешения такой ситуации будет сведен к экспериментальному исследованию влияния компонентов, для чего потребуется некоторое время. Далее будут рассмотрены подходы, используемые специалистами при поиске рецептуры ЖМ.
Сравнение эффективности применения регрессионной и имитационной модели на примере моделирования влияния добавки на твердость лакокрасочных покрытий
Данный подход является традиционным. Он характеризуется тем, что специалист является лицом, принимающим решение (ЛПР), и не использует какую-либо автоматизированную систему. Управленческое решение принимается специалистом на основании знаний и практического опыта. Данный подход широко применяется на практике. Среди его недостатков можно отметить, что высокая эффективность специалиста возможна только в узкоспециализированной области работы, а управление при возникновении нетиповых ситуаций, может занимать длительное время [8]. Кроме этого, субъективная оценка качества ЛКМ и отсутствие системности подхода затрудняет применение аналитических методов управления при возникновении нетиповых ситуаций. Среди достоинств можно выделить то, что специалист с большим опытом работы может справиться с задачей быстрее, чем специалист бо- . лее низкой квалификации.
Подход 2. Данный подход предполагает применение автоматических справочников и баз знаний. Специалист, также как в подходе 1, является ЛПР. Применение автоматических справочников и баз знаний позволяет скорее находить требуемую теоретическую информацию при условии ее наличия, а также знакомиться с опытом других специалистов. Вместе с тем, управленческое решение, принимается исключительно специалистом, поэтому недостатки данного подхода аналогичны недостаткам предыдущего [75, 98, 115, 121, 124]. Среди достоинств можно выделить наличие быстрого доступа к информации.
Подход 3. Данный подход характеризуется применением автоматизированной системы планирования эксперимента, позволяющей строить регрессионные модели, или автоматизированных систем с применением методов многопараметрической оптимизации [6,51].
Поскольку процесс поиска рецептуры условно состоит из этапов поиска модельной рецептуры и оптимизации качества модельной рецептуры, то на стадии поиска модельной рецептуры данный подход не отличается от подхода 1, в том числе и присущими ему недостатками. На стадии оптимизации качества модельной рецептуры применение методов планирования эксперимента позволяет сократить время поиска рецептуры вследствие системности подхода и возможности получения регрессионной модели. Недостатком применения метода планирования эксперимента является трудность выбора вида регрессионной модели, от которого в конечном итоге зависит адекватность полученной модели [103,120].
Применение методов многофакторной оптимизации при поиске рецептуры требует слишком большое количество опытов. Поскольку время на один опыт может составлять в некоторых образцах до 8-ми суток, то эффективность методов многопараметрической оптимизации, оцененная по временному фактору, довольно низкая. В качестве примера приводятся временные. диапазоны подготовки одного образца ЛКМ: - составление рецептуры в лабораторных условиях- 0,2-2 часа; - нанесение образца ЛКМ на модельные подложки - 0,2 часа; - отверждение образца - 0,5-24 часа; - выдержка образца перед измерением его свойств - до 7 суток; - определение свойств образца - 0,5-2 часа (в случаях проведения климатических испытаний время может составлять несколько недель, а в случае проведения натурных испытаний время составляет несколько лет). Из приведенных временных диапазонов очевидно, что практическое применение методов многопараметрической оптимизации для решения задачи поиска рецептуры на практике затруднительно вследствие больших временных затрат. В то же время применение методов планирования эксперимента позволяет проводить параллельные опыты, что существенно экономит время [11,81]. В данном подходе используются известные аналитические зависимости для расчета модельной рецептуры. Качество полученного ЖМ в большинстве случаев может соответствовать заданному. Обычно расчет производится с помощью автоматизированных систем, которые являются узкоспециализированными и применяются для ограниченного класса ЛКМ, например, для алкидных ЛКМ. Вместе с тем, для большинства классов ЖМ теория взаимодействия компонентов является фрагментированной, что затрудняет или делает невозможным аналитический расчет. Поэтому данный подход не является универсальным. [49, 80, ПО, 124,125]. Таким образом, анализ подходов для поиска рецептуры ЛКМ показал, что общим недостатком является то, что управляющее решение остается за специалистом. Устранение это недостатка предложено в данной работе. Автором предлагается принципиально новый подход, который позволит устранить найденный недостаток и существенно сократить количество экспериментов, а значит и время, необходимое для поиска рецептуры ЛКМ. Новый подход возможен с применением автоматизированной системы поиска рецептуры ЛКМ, требования к которой будут сформулированы далее. Автоматизация поиска рецептуры ЛКМ (АСПР) призвана заменить специалиста. Это направление представляется перспективным, поскольку можно ожидать большой экономический эффект, связанный со снижением временных и трудовых затрат. При этом будет соблюдаться основное требование к процессу принятия решения - отсутствие субъективизма. Предполагается, что АСПР будет использоваться в качестве помощника специалиста невысокой квалификации на лакокрасочном предприятии [10,17, 18,24,30,31,41,47,73, 85,97,102]. АСПР должна решать задачу поиска рецептуры ЖМ заданного качества, а определение цели, то есть задание уровня качества, поручается специалисту. Достижение поставленной цели возможно при использовании следующих автоматизированных процедур: - сбор, структурирование, хранение и поиск знаний; - управление экспериментом; - моделирование; - исследование модели для составления прогноза рецептуры; - вычисление критерия качества ЛКМ. Сбор, структурирование, хранение и поиск знаний о процессе заключается в том, что АСПР должна вобрать в себя знания большого количества специалистов и литературных источников. Структурирование и хранение знаний должно проводиться с использованием базы знаний, а анализ знаний должен проводиться с помощью алгоритмов поиска знаний в базе знаний. Управление экспериментом заключается в применении алгоритмов планирования эксперимента. Отличие данной методики от классического применения методов планирования эксперимента должно заключается том, что для моделирования должна использоваться не регрессионная модель, а имитационная модель (ИМ), реализованная с помощью искусственной нейронной сети (ИНС). Это обосновано тем, что сложность создания математической модели (ММ), пригодной для практического применения, заключается в недостатке информации о сущности процесса. Следовательно, более целесообразно использовать такие модели, которые не раскрывают сущности явлений, а отражают только формальное влияние различных параметров систем на их показатели [11].
Выбор критерия оптимальности в условиях неопределенности
Таким образом, абстрактное понятие идеального решения определяется через его свойства в терминах решаемой задачи.
Использование теории нечетких множеств делает многокритериальные задачи принятия решений более информативно содержательным, позволяя учитывать качественную, нечеткую заданную информацию в явном виде. Как указал Н.Н.Моисеев в предисловии к книге [72], до работ Л.А.Заде подобная качественная информация по существу просто терялась - было непонятно, как ее использовать в формальных схемах анализа альтернатив. В то же время, как указывалось выше, уже простейшие задачи с двумя критериями неизбежно содержат в себе элементы субъективизма.
При этом одной из важнейших проблем является формирование глобального критерия качества для равнозначных и неравнозначных частных критериев и ограничений. Характерной чертой большинства реальных процессов, например, вариации модельной рецептуры ЖМ, является непрерывность изменения параметров, определяющих критерий оптимальности.
При таких условиях пространство альтернатив становится бесконечным, что делает невозможным применение методов теории принятия решений, основанных на анализе частных показателей качества при конечном наборе решений [76]. Такие задачи обычно решаются путем формирования свертки частных критериев и ограничений в некоторый глобальный показатель качества, экстремум которого определяет точку оптимума. Как указывается в [69], процедура свертки не может быть до конца формализована и определяется спецификой задачи, целями, опытом и интуицией исследователя. В работе [71] показано, что различные способы свертки критериев могут приводить к существенно отличающимся итоговым результатам, что свидетельствует об определяющем значении этапа формирования глобального критерия при решении многокритериальных задач.
В случае большого числа критериев задача непосредственного определения рангов критериев оказывается весьма трудной и даже неразрешимой для экспертов в силу ограниченности психико-физиологических возможностей человека. При этом в случае сравнения двух альтернатив эксперт обычно спо-собен адекватно определить, у каждой из них рассматриваемый признак (важность) выражен сильнее, а также качественно (вербально) оценить, насколько велика разница между наблюдаемыми у двух альтернатив признаками.
В дальнейшем будет рассматриваться более подробно задача определения значимости рангов частных критериев на основе их попарного сравнения.
Попарное сравнение всех частных критериев проведем с помощью шкалы лингвистических оценок. На практике экспертные заключения часто имеют характер суждений типа «твердость лака для паркета гораздо важнее, чем его антистатические свойства» или «по важности параметр расте-каемостъ и цвет эмали одинаков равнозначные». Построение таких лингвистических оценок обычно не вызывает затруднений у специалистов.
В соответствии с широко распространенным подходом [13, 22, 27, 95, 138] строилась лингвистическая шкала, состоящая из девяти градаций оценок относительной важности (Таблица 9).
Такая шкала отражает особенности человека, как объекта принятия решения и обработки информации. Человек плохо воспринимает излишне детализированные шкалы значений признаков. Психофизические данные свидетельствуют о том, что человек уверенно различает не более 7±2 градации на шкале некоторого признака (параметра). Если же шкала содержит большее число градаций, то соседние уровни начинают сливаться, и уже не могут быть с уверенностью разграничены [63]. На практике часто используют только пять основных нечетких оценок шкалы, и этого оказывается достаточно при сравнении двух альтернатив критериев. Сделанными лингвистическим суждениями экспертов в соответствии с таблицей 9 присваиваются соответствующие численные оценки от 1 до 9. В основе всех определенных попарных оценок ау далее строится матрица парных сравнений А={ау}.
Так, пусть исследуемая система характеризуется тремя критериями xj, Х2, хз. Между ними существуют отношения: Х2 почти эквивалентен X] и строго предпочтительнее Хз, а хз несколько предпочтительнее X]. Тогда, в соответствии с таблицей (Таблица 9), матрица парных сравнений А частных критериев Xj (i=1,2,3) исследуемой системы будет выглядеть следующим образом:
Выбор девяти лингвистических градаций значимости далеко не случаен. Дело в том, что в естественных языках большинства народов используются также не более девяти вербальных оценок относительной значимости (предпочтительности). Формулировка оценок могут быть иными, но их число практически постоянно. Как показывают результаты психофизических исследований, таковы особенности нашего мышления [12]. Словесными оценками парной важности поставлены в соответствие числа натурального ряда. Ясно, что это необходимо для получения результатов, однако, на практике не рекомендуем показывать экспертам какие-либо числа. Оценка на основе лингвистической шкалы надежнее. Дело в том, что если предложить группе специалистов оценить известные им объекты, то вербальные оценки окажутся весьма близкими. Иначе и быть не может: люди учились по одним и тем же учебникам, читают одни и те же статьи, работают в общей для них отрасли. Однако если удастся уговорить их использовать для оценок цифры, то никакого единодушия уже не будет. Последнее подтверждается результатами обширных маркетинговых исследований [150]. Дело в том, что «в начале было слово», цифры появились значительно позже, чем слова естественных языков.
Далее будет подробно рассматриваться методика нахождения рангов частных критериев на основе матрицы парных сравнений [112]. Пусть А - матрица парных сравнений, построенная на основе определенных экспертами значении элементов матрицы а у. Через а і, а ..., ап обозначались искомые значения коэффициентов относительной значимости критериев. W=(aj,a2,...,a,) -вектор коэффициентов относительной важности (рангов); п - количество частных критериев.
Структура автоматизированной системы поиска рецептуры лакокрасочного материала
Диалоговый модуль служит для ввода следующих формализованных технических требований: - перечень свойств с указанием допустимого диапазона их величин и предпочтений номинальных значений; - предпочтения группам применяемых компонентов; - предпочтения отдельным компонентам в группах; - результаты парных сравнений свойств. Формализованные технические требования вводятся в модуль обработки знаний 2 через диалоговый модуль 1 (связь 1-2). На основании технических требований в модуле обработки знаний 2 составляется запрос в базу знаний 9. Составление запроса производится на предмет поиска знаний (ограничений, моделей, рекомендаций) в базе знаний , относящихся к рассматриваемому вопросу. Запрос передается в базу знаний 9 (связь 2-9). В базе знаний 9 производится поиск необходимых знаний по запросу, которые передаются в модуль обработки знаний 2 (связь 9-2). В результате уточняются ограничения на применение компонентов (групп компонентов) и определяются группы компонентов-аналогов. Для визуального контроля результаты запроса выводятся на диалоговый модуль 1. Для определения единственного набора компонентов, которые должны составлять рецептуру, производится анализ качества компонентов в соответствующих группах компонентов-аналогов. Данный процесс производится модулем отбора необходимых компонентов 3. Для этого устанавливаются взаимосвязи между свойствами компонентов из каждой группы компонентов-аналогов и рядом свойств разрабатываемого ЛКМ. Взаимосвязи могут быть заданы с помощью функциональных зависимостей и рекомендаций. Ранжирование частных критериев свойств производится с помощью метода выставления оценок парных сравнений актуальных свойств компонентов в каждой группе компонентов-аналогов. Оценки принимают участие в расчете УКК, который реализуется в модуле расчета УКК (связь 8-3).
Выбор единственного набора компонентов из групп компонентов-аналогов проводится на основании расчетных значений УКК в группе компонентов-аналогов соответственно. Результатом работы модуля отбора необходимых компонентов 3 является перечень компонентов и ограничений на их концентрации. Данные передаются в модуль специального плана эксперимента 4 (связь 3-4), где проводится планирование эксперимента для выбранного набора компонентов в условиях ограничений на концентрации. Результатом работы модуля является план эксперимента.
Результат планирования эксперимента выводится в диалоговый модуль 1 (связь 4-1) и передается в модуль построения имитационной модели 5 (связь 4-5), где осуществляется синтез имитационной модели на основании полученных экспериментальных данных. Оценка качества образцов ЛКМ осуществляется с помощью УКК, расчет которого проводится в модуле расчета УКК (связь 8-5). Значения УКК выводятся в диалоговый модуль 1 (связь 1-8). Результатом работы модуля является имитационная модель.
В модуле анализа имитационной модели 6 осуществляется поиск рецептуры, обеспечивающей заданное качество ЛКМ. Анализ имитационной модели проводится на основе метода поиска глобального максимума с последующей оценкой его устойчивости.
Если экспериментальное значение отличается от прогнозируемого в худшую сторону и полученный образец ЛКМ обладает неудовлетворительным качеством, то полученные данные применяются для корректировки имитационной модели. Повторный поиск максимума позволяет определить новую рецептуру. Адекватность прогноза проверяется в модуле сравнения 7. Найденная рецептура выводится в диалоговый модуль 1 (связь 6-1). Если поиск не позволил получить рецептуру ЛКМ заданного качества, то необходимо пополнение базы знаний по данной теме и повторение поиска рецептуры на основе новых знаний.
