Содержание к диссертации
Введение
1. Компьютерно-интегрированные системы управления качеством функционирования производств многокомпонентных гетерогенных смесей 8
1.1. Классификация химико-технологических систем. Особенности создания гибких автоматизированных химико-технологических систем 8
1.2. Общие принципы построения и структура иерархических автоматизированных систем управления гибкими производствами дискретно-непрерывного типа 15
1.3. Основные задачи и модели управления качеством в гибких автоматизированных производствах химической продукции 21
1.4. Особенности производства многокомпонентных гетерогенных композиций как объектов моделирования и управления 27
2. Контроль показателей качества и управление рецептурой гетерогенных смесей на основе оптолептической информации светочувствительного сканирования 38
2.1 Структура алгоритма управления качеством многокомпонентных гетерогенных композиций на основе связи показателей качества с составом рецептуры 40
2.2. Получение оптолептической информации для оценки цветовых оттенков и степени гомогенизации гетерогенных смесей 42
2.3. Принцип построения экспертной системы компьютерной поддержки и управления показателями качества многокомпонентных гетерогенных композиций на основе оптолептической информации 46
2.4. Обоснование выбора и проектирование нейросетевых моделей связи состава рецептуры и оптиколептических параметров светочувствительного сканирования поверхности образцов композиции 61
2.5. Экспертная система с базой знаний из нейросетевых моделей, формируемой на основе метода прецедентов 91
3. Контроль и управление дозированием компонентов и гомогенизацией смесевых композиций 96
3.1 Подготовка жидкой фазы смесевой композиции 96
3.2 Определение степени гомогенизации смесевой композиции на основе оценки энтропии оптолептической информации светочувствительного сканирования поверхности смеси 101
4. Структура и информационно-программные средства системы инструментально-квалиметрической и компьютерной поддержки управления качеством гетерогенных смесей 120
4.1. Структура интегрированной системы контроля и управления качеством гетерогенных смесей 120
4.2. Информационно-программные средства (ИПС) системы контроля и управления качеством гетерогенных смесей 123
Заключение 129
Библиографический список
- Классификация химико-технологических систем. Особенности создания гибких автоматизированных химико-технологических систем
- Структура алгоритма управления качеством многокомпонентных гетерогенных композиций на основе связи показателей качества с составом рецептуры
- Подготовка жидкой фазы смесевой композиции
- Структура интегрированной системы контроля и управления качеством гетерогенных смесей
Введение к работе
Современные условия ставят перед предприятиями, производящими продукцию из смесевых гетерогенных композиций, например, лаки и краски, задачу упрочения рыночного положения и конкурентоспособности. Это возможно, если в производстве обеспечивается оперативное, гибкое реагирование на конъюнктуру рынка как путем разработки новых рецептур, так и путем управления потребительскими свойствами продукции при изготовлении с тем, чтобы значения показателей этих свойств соответствовали уровню, диктуемому потребителем.
Эффективное решение подобных задач для автоматизированных производств требует создания компьютерно-интегрированных систем, обеспечивающих управление разработкой новой продукциии и формированием исходных данных для проектирования, проектированием технологических процессов с системами контроля и управления, технологической подготовкой производства, функционированием технологических процессов с целью выпуска конкурентной продукции.
Важность данной диссертационной работы применительно к созданию интегрированных систем управления производствами многокомпонентных гетерогенных композиций определяется необходимостью разработки алгоритмов функционирования систем, основанных на применении моделей связи показателей качества продукции с составом рецептуры и параметрами технологических процессов.
Потребительские свойства, например, краски, такие как цветовые оттенки и качество покрытия, оцениваются при производстве, как правило, органолептическим методом экспертом-квалиметристом путем сравнения с эталонными образцами. Поэтому построение адекватных математических моделей связи показателей качества с составом рецептуры и параметрами технологических процессов требует разработки инструментальных методов для оценки этих показателей непосредственно в процессе получения продукции.
Разработке и исследованию математических моделей количественной связи оптолептических параметров светочувствительного сканирования, характеризующих цветовые оттенки и степень гомогенизации многокомпонентных гетерогенных смесей, с составом рецептуры и технологическими параметрами процессов их получения, а также синтезу на основе этих моделей адаптивных алгоритмов управления качеством посвящена настоящая работа.
Представленная работа является частью научных исследований, проводимых в Пермском государственном техническом университете в соответствии с планами научно-исследовательских работ по научно-технической программе Министерства образования РФ «Автоматизированные системы, средства автоматизации и вычислительная техника» (1999-2001 г.г., проект № Г.р. 01200010347), региональной научно-технической программе «Западный Урал: актуальные проблемы научно-технического развития и экологической безопасности» (2000 г., проект «Разработка теоретических основ и алгоритмов гибкого автоматизированного управления технологическими процессами многономенклатурных химических производств в условиях быстроменяющейся конъюнктуры рынка»), заданию Министерства образования РФ № Г.р.01200310375 «Нелинейные модели механики неоднородных сред и математические методы прогнозирования эффективных свойств матричных композитов» (2003, 2004 г.г., проект: «Принципы, модели и алгоритмы управления качеством продуктов компаундирования»).
Цель работы. Создание систем инструментально-квалиметрической и компьютерной поддержки контроля и управления качеством продукции автоматизированных производств многокомпонентных гетерогенных смесей.
Для достижения этой цели необходимо решить следующие задачи разработки и исследования методов и алгоритмов: - повышения точности дозирования твердых компонентов в жидкую органическую основу технологической массы композиционных материалов; количественной оценки степени гомогенизации гетерогенных смесей на основе оптолептической информации о состоянии их поверхности; количественной оценки (идентификации) цветовых оттенков композиционных материалов по модели RGB - разложения с использованием оптолептической информации, получаемой при сканировании их поверхности; идентификации связей «состав-качество» многокомпонентных гетерогенных композиций формальными математическими моделями; управления составлением рецептуры многокомпонентных гетерогенных смесей с целью получения продукции (лаков и красок) с заданными по эталонам цветовыми оттенками; управления рецептурой и технологическими режимами процессов получения многокомпонентных гетерогенных композиций с заданными характеристиками качества, а также задачи разработки алгоритмической структуры систем контроля и управления качеством.
Методы исследования. В процессе выполнения работы использованы методы математической статистики, идентификации объектов и' систем управления, в т.ч. нейросетевыми моделями, теории управления, теории систем, вычислительный эксперимент, натурный эксперимент с использованием метода оптолептической квалиметрии.
Апробация работы. Основные положения диссертационной работы докладывались и обсуждались на международной научно-технической конференции «Перспективные химические технологии и материалы» (Пермь: ПермГТУ,1997); Международной конференция молодых ученых «Методы кибернетики в химической технологии» (Москва: РХТУ, 1997); Всеросс. конф. молодых ученых «Математическое моделирование в естественных науках» (Пермь: ПермГТУ, 1999); «Химия, химическая технология, охрана окружающей среды» (Пермь: ПермГТУ, 2000); Международной научно-техническая конференция «Новые материалы и технологии на рубеже веков» (Пенза: Приволжский дом знаний, 2000); «Успехи в химии и химической технологии» (Москва: РХТУ им. Д.И. Менделеева, 2000); Всеросийской научной конференции «Проектирование научных и инженерных приложений в среде MATLAB» (Москва: ИПУ РАН, 2002); XV Международной научной конференции «Математические методы в технике и технологиях» (Тамбов: Тамбовский гос. техн. университет, 2003); XVI Международной научной конференции «Математические методы в технике и технологиях» (РГАСХМ ГОУ, Ростов-на-Дону, 2004).
Классификация химико-технологических систем. Особенности создания гибких автоматизированных химико-технологических систем
Для постановки задачи управления качеством продукции в химико-технологических системах (ХТС) рассмотрим понятие ХТС, их классификацию и определим место ХТС производства многокомпонентных гетерогенных смесей в этой классификации.
Как указано в /1,2,3,4/ под ХТС понимается совокупность физико-химических процессов и средств для их проведения с целью производства продукции заданного качества и в нужном количестве /1/. Как объект управления каждая ХТС имеет иерархическую структуру. С учётом иерархии в ХТС можно выделить следующие уровни III: отрасль или химический комбинат; технологическая линия; химический завод; цех; типовой процесс. Наиболее часто ХТС рассматривается на уровне цеха и на этой ступени ХТС можно классифицировать по различным признакам: характеристике произведённой продукции; типу структуры; виду функционирования; области значения переменных состояния; по количеству выпускаемой продукции.
Наиболее важной является классификация по виду функционирования, в которой выделяют следующие виды ХТС:
1) ХТС, предназначенные для производства одного продукта: - Непрерывно работающие ХТС. Такие системы характеризуются временным постоянством (стационарностью) главных переменных состояний и выходов ХТС. Кроме этого, их структура не изменяется во времени. Способ функционирования непрерывных ХТС на любом интервале времени характеризуется стационарным непрерывно-произвольным изменением или постоянством переменных состояния каждого отдельного ХТП и ХТС в целом. Непрерывные ХТС позволяют получать большое количество однородного продукта с единицы объема аппаратов, а также сократить непроизводительные потери топливно-энергетических ресурсов и сырья, обеспечивают возможность полной автоматизации всех ХТП. Примерами непрерывных ХТС являются крупнотоннажные ХТС;
- Непрерывно-циклические ХТС - системы, для которых характерно стационарное непрерывно-произвольное изменение или постоянство входных переменных и переменных состояния в целом при циклическом изменении во времени как переменных состояний некоторых ХТП, так и технологической топологии ряда подсистем. Примером непрерывно-циклических ХТС являются подсистемы адсорбции сырья или продуктов. 12/;
- Непрерывно-периодические ХТС - системы, у которых входные переменные и переменные состояния отдельных ХТП и ХТС в целом, а также технологическая топология системы периодически изменяются во времени. В структуру таких ХТС входят как непрерывные, так и периодические ХТП.
2) ХТС, предназначенные для производства нескольких продуктов: Это ХТС широкого назначения, используемые, как правило, для производства таких малотоннажных продуктов, как красители, фармацевтические препараты и т.п. Обычно они работают периодически, их структура устанавливается в соответствии с регламентом на производство заданного продукта.
Для этих производств характерны: изменяющийся ассортимент малотоннажной продукции; множество видов перерабатываемого уникального сырья; сложность и неоднозначность маршрутов химического синтеза продуктов; разнообразные типо-конструкции аппаратов многофункционального назначения; преимущественно периодические ХТП; наличие вспомогательных организационно-технических операций (загрузка, выгрузка, очистка аппаратов, пуск, останов и др.). Наибольшая мобильность присуща ассортименту таких классов химических продуктов, как лакокрасочные материалы, синтетические красители, органические промежуточные продукты, химические реактивы и особо чистые вещества, медикаменты, химические средства защиты растений и т. п. Наиболее часто такие ХТС работают в режиме периодических ХТС, так как для выпуска многоассортиментной продукции характерен периодический закон изменения во времени входных переменных и переменных состояния отдельных ХТП. В структуру периодических ХТС для согласования во времени режимов работы отдельных периодических ХТП может входить большое число резервуаров или емкостей. ХТС, в целом, подразделяют на индивидуальные, совмещенные и гибкие:
- Индивидуальные ХТС - это такие системы, которые в разные периоды времени в зависимости от видов сырья позволяют выпускать, используя одни и те же элементы при определенных жестких технологических связях между элементами и при заданных режимах функционирования периодических ХТП, один вид продуктов. Обычно в индивидуальных ХТС циклически производят подряд несколько партий одного продукта;
- ХТС многоцелевого производства (гибкие миогоассортиментные ХТС) (ГМХТС) — к ним относят многоассортиментные системы, которые в различные периоды времени в зависимости от видов сырья позволяют выпускать, используя определенный набор элементов (что обусловлено изменением состава элементов и периодических ХТП, изменением структуры технологических связей между ними, а также перенастройкой технологических режимов функционирования ХТП), одновременно различные совокупности нескольких видов продуктов. ГМ-ХТС принципиально дают возможность существенно интенсифицировать и повысить ТЭП производств различных малотоннажных продуктов. В соответствии с производственной программой и необходимыми аппаратами каждый раз заново формируется необходимая новая структура системы. В зависимости от этих условий в данном наборе аппаратов возможно получение одного или нескольких продуктов одновременно. Как правило, структура системы изменяется после завершения производства каждого продукта; - ХТС типа многоассортиментного производства (совмещенные многоассортиментные ХТС) (СМ-ХТС) это многоассортиментные системы, которые в зависимости от видов сырья в различные периоды времени позволяют выпускать, используя одни и те же элементы при определенных жестких технологических связях между этими элементами и заданных режимах работы периодических ХТП, одновременно несколько видов продуктов. Для СМ-ХТС характерны высокие значения коэффициентов использования технологического оборудования и возможность применения крупнотоннажных аппаратов. Такая ХТС объединяет, как правило, совокупность отдельных производств. В состав ХТС входят не только общие для всех производств элементы, но и элементы, работающие только при производстве отдельных продуктов. Последовательность их включения в систему задана. Обычно в такой ХТС отдельные продукты синтезируются во временной последовательности, часто производятся несколько партий одного и того же продукта подряд. Подобные ХТС широко используют для получения красителей и органических полупродуктов. СМ-ХТС имеют ряд недостатков, связанных с необходимостью останова оборудования для промывания и очистки при переходе с выпуска одного ассортимента продуктов на другой, с возможностью загрязнения одного продукта другим, с некоторыми потерями продукции при смене ассортимента, с трудностями подбора оптимального ассортимента выпускаемых продуктов, с выбором оборудования из-за различия параметров ХТП при производстве разных продуктов. Несмотря на это, использование оптимально организованных СМ-ХТС для производства малотоннажных продуктов является экономически выгодным. /1,2/
Структура алгоритма управления качеством многокомпонентных гетерогенных композиций на основе связи показателей качества с составом рецептуры
В результате расчета на выходе модели будет получен с некоторой достоверностью вектор прогнозируемых показателей качества Y. Вектор этих показателей используется для установления целесообразности производства продукции с данными технологическими режимами без экономических потерь, которые неизбежно будут, если показатели качества попадают в область неудовлетворительных значений, а технологический процесс уже начат. В случае небольшого количества управляющих параметров (1-3), модель «состав-качество» можно использовать для определения значений управлений. Для этого на вход модели подаются найденные по некоторому алгоритму значения управляющих воздействий до тех пор, пока на ее выходе не будет сформирован вектор показателей качества, удовлетворяющий потребительским характеристикам продукции.
Модель (9) позволяет по заданным значениям показателей качества находить значения управлений. Модель (8) используется при этом для контроля правильности решения задачи управления по модели (9). Такое поочередное вычисление значений управлений и их контроль позволяет проверять адекватность моделей на каждом шаге управления.
Наибольшую сложность представляет установление зависимостей (8) и (9). Обучающая выборка, используемая для этого, представляет собой данные, полученные с технологических установок, данные лабораторного анализа и опытного производства. Для нестационарных во времени процессов обучающую выборку необходимо обновлять таким образом, чтобы она содержала технологические ситуации за заданный (последний) промежуток времени. В случае малой выборки сравнительно хорошие результаты получены при использовании моделей, основанных на формальных нейронных сетях и методе группового учета аргументов. По мере накопления выборки появляется возможность использовать методы, основанные на построении дерева логических (решающих) функций, нечеткой логики. Достоинство этих методов заключается в их легкой адаптации к изменяющимся технологическим условиям. Например, при смене исходного сырья (на более дешевое или другого поставщика) достаточно дообучить алгоритм.
Одним из важных показателей качества лакокрасочной продукции являются цветовые оттенки и степень гомогенизации, получаемая при ее производстве, от которой зависит однородность покрываемой поверхности.
Получаемое качество покрытия и цветовые оттенки краски оцениваются, как правило, органолептическим методом экспертом-квалиметристом путем сравнения с эталонными образцами. Оценка же этих показателей непосредственно в процессе получения продукции и оперативная корректировка содержания компонентов рецептуры и параметров технологического процесса требуют разработки инструментальных методов для количественной оценки указанных выше характеристик продукции. Одним из направлений решения задачи оценивания цветовых оттенков и однородности покрытий цифровыми характеристиками может служить светочувствительное сканирование и использование аддитивной RGB цветовой модели с 24-мя разрядами представления оттенков.
Разработка математических моделей количественной связи параметров светочувствительного сканирования, характеризующих цветовые оттенки и однородность смесевых гетерогенных композиций с составом рецептуры и параметрами технологических процессов их получения, а также алгоритмов управления на основе моделей связи рецептуры и технологических режимамов, являются предметом исследований настоящей научно-исследовательской работы. Для получения моделей «состав-качество» и «качество-состав», которые в дальнейшем будут использоваться для прогноза и управления качеством продукции, возможно (и перспективно) использовать оптолептическую информацию. Для многих смесевых композиций некоторые важные показатели качества отражаются в виде изменения цвета состава, внешнего вида его поверхности, нанесенной на пластину и т.д. Вид поверхности смеси может однозначно определить некоторые показатели качества, что обуславливает применение оптолептических методов определения качества.
Внешний вид поверхности смеси несет так же информацию о соотношении исходных веществ, фазовом составе, степени перетира и гомогенизации, т.е. о показателях качества смеси. Перечисленные показатели характеризуют потребительские характеристики: укрывистость, текучесть, скорость высыхания и т.д. Так, например, наиболее ярко это выражено для лаков и красок, где цвет не только является мерой точности дозирования исходных веществ, но и сам является важным, если не основным, показателем качества.
Однако оптометрические методы определения качества связаны со следующими проблемами.
Во-первых, само понятие «цвет» имеет сложную физическую природу. Человеческий глаз воспринимает не объективный цвет (электромагнитное излучение с различной длиной волны), а субъективный - суммарное раздражение цветовых рецепторов глаза. Во-вторых, наличествует нелинейная, а зачастую нечеткая зависимость между показателем качества и образом поверхности.
Как указано в /6/ методы создания, обработки и приема цветных изображений в различных областях техники основаны на трехцветной теории зрения, согласно которой визуальное ощущение любого цвета может быть создано искусственно путем взвешенного суммирования трех заранее выбранных исходных цветов. Например, если на одно и то же место экрана спроецировать одновременно два пучка света от источников красного и желтого цветов, то глаз увидит на этом месте оранжевый цвет. В то же время спектральный анализ суммарного цвета покажет, что в нем имеются только две составляющие — красная и желтая. Поэтому аппаратное распознавание цветных изображений может давать результаты, отличные от субъективных ощущений, получаемых человеком при рассматривании того же самого изображения.
В системах восприятия представление видеоданных - это структура данных (логическая или физическая), с которой взаимодействуют аппаратные и программные компоненты системы обработки изображений и от которой зависит сложность и эффективность алгоритмов дальнейших преобразований видеоданных и построения образной иерархии. Удачно выбранная структура данных позволяет сократить объемы передаваемой и хранимой в системе информации, избежать трудоемких операций преобразования видеоданных из одной формы в другую. Наиболее часто в системах восприятия ИС используются следующие представления видеоданных /26/: - матричное или прямое, где каждый элемент описывает яркость или цвет элемента изображения; - векторное, где каждый элемент описывает отрезок прямой линии определенной длины и ориентации; - синтаксическое, элементами которого являются алфавит символов (простые, часто встречающиеся на изображении конфигурации типа отрезка, дуги, узла и т.п.) и объекты, конструируемые по определенным правилам из этих символов /65/; - на основе ортогональных преобразований, где элементами являются коэффициенты разложения функции яркости по некоторой системе базисных функций /67/; - пирамидально-рекурсивное, где каждый элемент описывает яркость или цвет области изображения определенной формы и различных размеров /68/.
Подготовка жидкой фазы смесевой композиции
Стадия подготовки жидкой фазы смесевой композиции проводится для малотоннажных производств в смесителях периодического действия. Основным показателем качества, полученного на этой стадии жидкого связующего является его вязкость, которая характеризует отношение количества растворителя к количеству полимерного наполнителя : где тр - масса растворителя; т„- масса полимерного связующего.
Соотношение масс растворителя и связующего (6) влияет на качество диспергирования порошковых пигментов на последующих стадиях.
Точно установить зависимость вязкости от тр и т„ трудно, так как показатели качества сырья имеют некоторый разброс. В производстве лаков и красок необходимо следить за тем, чтобы вязкость технологической массы и конечного продукта находилась в заданном диапазоне. Существует возможность определять содержание растворителя в процессе получения продукта путем измерения токовой нагрузки мешалки аппарата (это становится возможным, так как мешалки во избежание комкования массы работают постоянно). Так как Потребляемая мощность электропровода (в дальнейшем просто мощность) зависит от вязкости технологической массы, которая зависит от соотношения W. Для оценки вязкости можно использовать этот показатель, что благоприятно скажется на оперативности измерения. Недостатком этого метода является его низкая точность. Низкая точность метода определяется тем, что для каждого нового замеса вид зависимости токовой нагрузки от вязкости будет отличаться от зависимости для предыдущего замеса, что связано с налипанием на мешалку вязкой массы, изменением степени скольжения подшипников двигателя и др. Повысить точность измерения вязкости можно, применив тестовый алгоритм повышения точности 191.
В емкость объемом 500 см , вращаемой трехфазным асинхронным двигателем, с непрерывно работающей мешалкой, заранее взвешенными порциями, добавлялся мелкоизмельченный бутилкаучук. В емкости заранее помещен растворитель. В качестве растворителя в лабораторной установке применен бензин. В качестве растворителя применялся бензин. После добавления каждой порции бутилкаучука перемешивание велось до его полного растворения, о чем можно было судить по стабилизации токовой нагрузки электродвигателя на одном уровне. При одинаковой температуре, обеспеченной термостатировапием, были получены зависимости токовой нагрузки асинхронного двигателя от соотношения каучук-бензин (таблица 11).
Проведенный регрессионный анализ показал, что наилучшим образом экспериментальные данные описываются полиномом вида агх +а0 (таблица 9). Адекватность описания экспериментальных данных полиномиальной зависимостью проверена по критерию Фишера. При этом установлено, что все полиномиальные зависимости могут быть приняты в качестве моделей. Для дальнейшего использования выбрана квадратичная зависимость у= а2х2+ао.
На практике определить значение отношения масс w из решения уравнения (7) затруднительно, так как коэффициенты а-ъ а\, а0 для каждого нового замеса будут изменяться. Изменение значений коэффициентов обусловлено изменением показателей качества сырья, налипанием массы на мешалку, и т.п. От необходимости определения коэффициентов можно избавиться с помощью применения тестового алгоритма [4]. Для его реализации необходимо провести несколько измерений тока с изменением соотношения фаз w, постепенно добавляя растворитель.
При производстве композиционных смесевых составов качество продукции во многом зависит от степени гомогенизации массы, которая влияет на потребительские свойства. В производстве красок важной характеристикой является степень перетира, а также однородность поверхности краски. Однако оценить эти показатели зачастую можно только визуально, либо с помощью лабораторных методов. Принятие решения о достижении требуемой степени перетира и о достижении требуемой однородности требуют в первом случае наличие экспорта, а во втором необходимо время для произведения пофазного лабораторного контроля.
Гомогенизация массы достигается за счет перемешивания или диспергирования. При малом времени процесса не достигается требуемого качества. При большем времени происходит перерасход ресурсов (трудовых, энергетических, временных), таким образом возникает необходимость объективной оперативной оценки степени гомогеннности состава.
Оценку неоднородности состава можно получить, оценивая степень хаотичности информации о внешнем виде смеси, получаемой с помощью светочувствительного сканирования. На рисунках 34-39 в пространстве R, GnB-цветовых составляющих представлены результаты светочувствительного сканирования образцов поверхностей с нанесенной краской различной степени гомогенизации. Образцы получены с помощью одного и того же состава взятого из смесителя в различные моменты времени.
Структура интегрированной системы контроля и управления качеством гетерогенных смесей
Этот процесс является итеративным и производится опытным экспертом. Значения составов промежуточных рецептур, используемых для подбора оттенка, а также оптолептическая информация светочувствительного сканирования, соответствующая данным рецептурам, используется для обучения пар формальных нейронных сетей, решающих прямую и обратную задачи, которые заносятся в базу знаний как правила, характеризующие зависимость «состав-качество» и «качество-состав». По мере накопления знаний о различных рецептурах правила из базы знаний могут использоваться для уменьшения количества итераций по подбору как оттенка новой рецептуры, так и ее состава, соответствующего заданному эталону. Такие исследования проводятся как при разработке новых рецептур, так и при изменении качества исходных компонентов гетерогенной смеси.
Подобранная в ходе лабораторных исследований пара формальных нейронных сетей, а если таковой нет, то обученная пара сетей, характеризующих зависимости «состав-качество» и «качество-состав», используется в системе управления, для коррекции заданий на стадии дозирования пигментов и для априорного прогноза цветового оттенка. Задания, поступающие с выходов нейронных сетей, передаются в систему управления дозированием для использования в тестовом алгоритме повышения точности дозирования.
Промежуточная (не поставленная на «тип») технологическая масса подвергается светочувствительному сканированию, результаты которого подаются на входы нейронной сети, с помощью которой производится коррекция состава рецептуры. На стадии диспергирования на основании светочувствительного сканирования и оценки энтропии информации поверхности образцов с помощью нейросетевого алгоритма принимается решение о завершении или продолжении процесса диспергирования.
При разработке методов и алгоритмов системы прогнозирования и управления качеством для реализации комплекса контроля качества продукции были приняты следующие аппаратные и программные средства.
Жестких требований к аппаратным средствам нет. Для реализации системы управления качеством можно использовать любую современную ПЭВМ с платформой не хуже чем Pentium 200ММХ и любое светосканирующее устройство (например цифровой фотоаппарат) с глубиной цветопередачи не хуже 24 бит на точку.
Средой разработки для управления качеством продукции с помощью информации, снятой с оптического светосканирующего устройства и основанного на использовании аппарата нейронных сетей, явилась среда разработки MATLAB. Среда MATLAB представляется наиболее целесообразной для разработки по следующим причинам. Во-первых, среда MATLAB имеет в своем составе структурированные процедурно-ориентированный и объектно-ориентированный языки программирования, что позволяет разрабатывать программы с соответствующими подходами; во-вторых, среда разработки MATLAB содержит большую библиотеку объектов и функций для работы с нейронными сетями; в-третьих, среда программирования имеет необходимые блоки для работы с операционной системой, в-четвертых, открытые инструкции m-файлов и большое количество справочной информации делает ИПС на основе среды MATLAB гибким и легко адаптируемым к производственным условиям.
Разработка информационно - программного продукта проводилась с использованием m-файлов, которые представляют собой набор инструкций для виртуальной машины MATLAB. Информационно - программное средство для управления качеством гетерогенных многокомпозиционных смесей выполняет следующие операции: 1. Получение образа поверхности образца смеси; 2. Формирование базы данных, содержащей числовую информацию о поверхности образцов; 3. Получение моделей «качество - состав», «состав - качество» на основе нейронных сетей. Данный блок ИПС включает в себя подблоки: - обучение и тестирование пары нейронных сетей; - помещение пары нейронных сетей в базу знаний. 4. Использование моделей «качество - состав» заключается: - в выборке пары нейронных сетей из базы знаний; - в решении прямой или обратной задач. Общая структура информационно-программного средства представлена на РИС. 50. 125 Блок получения оптической информации Обработка образа поверхности обучение использование ж. Получение обучающей выборки т Получение данных о поверхности образца Выбор из базы знаний наилучшей сети База знаний Выбор пары нейронных сетей из базы знаний. f Обучение пары нейронных сетей Переобучение пары нейронных сетей Получение решения прямой или обратной задачи Помещение пары нейронных сетей в базу знаний
Блок получения информации о поверхности образца или гетерогенной смеси реализуется с помощью стандартных средств программного обеспечения светосканирующего устройства. Выходной информацией должен являться любой растровый графический файл без потери качества изображения. Наиболее целесообразно использовать для этих целей файл формата BMP, в котором каждая точка изображения отражается 24 битами, что составляет 224 состояний цветовой палитры.
Блок обработки образа поверхности осуществляет последовательное чтение информации о точках из файла, полученного на операции 1, и занесение результата в три матрицы MR, MG, MB, содержащие целочисленную информацию в диапазоне [0; 256] для каждой точки. Для работы с растровым файлом в ИПС используются функции imread.
Формат базы знаний может быть любой. В настоящей работе пары нейронных сетей хранились в рабочей области в виде глобальных переменных с одновременной записью в файловые переменные (с использованием функций save и load).
Обучение и переобучение нейронных сетей производится одинаковым способом. В качестве нейронной сети выбрана сеть с обратным распространением ошибки и сигмоидальной функцией активации. Используются функции newff, train. Ниже приведены следующие фрагменты блоков для формирования нейросетевой модели для случаев принятия решения в прямой и обратной задачах: 1) фрагмент блока для формирования нейросетевой модели для решения прямой задачи netl=newff(minmax(P), [3,4,4,3],{ logsig , logsig , logsig , logsig }, trainlm ); netl.trainParam.epochs = 1000; %количество циклов обучения netl.trainParam.goal = 0.0001; %погрешность обучения netl JrainParam.show = 1; % вывод промежуточной информации [netl,tr]=train(netl,P,T); % обучение; 2) фрагмент блока для формирования нейросетевой модели для решения обратной задачи Net2=newff(minmax(T), [3,4,4,3], { logsig , logsig , logsig , logsig }, trainlm ); Netl.trainParam.epochs = 1000; %количество циклов обучения Net2.trainParam.goal = 0.0001; %погрешность обучения Net2.trainParam.show = 1; % вывод промежуточной информации [net2,tr]=train(net2,T,P); % обучение. При этом нейросетевые модели хранятся в рабочей области в виде глобальных переменных netl и net2;
