К вопросу контроля качества полуфабриката и диагностики оборудования в хлопкопрядении методами искусственного интеллекта

Тип работы:
Реферат
Предмет:
Кибернетика


Узнать стоимость новой

Детальная информация о работе

Выдержка из работы

УДК 681.5. 015. 3:677. 21. 022. 2
К ВОПРОСУ КОНТРОЛЯ КАЧЕСТВА ПОЛУФАБРИКАТА И ДИАГНОСТИКИ ОБОРУДОВАНИЯ В ХЛОПКОПРЯДЕНИИ МЕТОДАМИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА
С.А. Сакулин
Московский государственный технический университет им. Н. Э. Баумана Представлена членом редколлегии профессором В. И. Коноваловым
Ключевые слова и фразы: анализ состояния технологического процесса- вейвлет-анализ, вейвлет-преобразование- математическая обработка сигнала- текстильный полуфабрикат — чесальная лента- нечеткая логика.
Аннотация: Рассмотрены методы определения параметров, несущих полезную информацию, при математической обработке сигнала линейной плотности текстильного полуфабриката с помощью спектрального анализа и вейвлет-преобразования. Предложен метод анализа состояний технологического процесса, качества продукта и диагностики оборудования на основе распознавания образов с применением аппарата нечеткой логики.
Внедрение наукоемких технологий с элементами искусственного интеллекта в промышленность, в частности — в легкую промышленность, — это реальность сегодняшнего дня. К сожалению, отставание отечественной легкой промышленности в этой области велико. Закупка современного оборудования, переоснащение производств — долгосрочная задача, требующая больших денежных инвестиций. Для более оперативного решения проблем можно предложить «дооснаще-ние» действующих производств элементами автоматики и вычислительной техники, создание программного обеспечения, ориентированного на контроль и управление технологическими процессами. В этой области возможно создание интеллектуальной продукции.
При решении задач, которые стоят перед нашей промышленностью, мы поневоле вынуждены считаться с нестабильностью внешних условий, качества сырья, разнообразными дефектами техники. Поэтому математическая модель процесса и программное обеспечение для наших условий должно отличаться от соответствующего программного обеспечения, например, фирмы «Устер» [1].
В данной статье рассматривается система контроля, разработанная автором статьи для одного из этапов прядильного производства — технологического перехода «кипа — чесальная лента».
Объектом контроля является текстильный полуфабрикат — чесальная лента. Одним из показателей качества этого полуфабриката является неровнота линейной плотности. Кроме того, неровнота линейной плотности может служить источником информации о протекании техпроцесса, состоянии оборудования, качества сырья. Передача этой информации на компьютер, ее обработка, выдача сообщений о текущем состоянии техпроцесса, а также сохранение информации в
сжатом виде для последующего анализа — все это дает возможность с минимальными затратами повысить культуру производства.
В данной работе описано применение аппарата нечеткой логики [2, 3] для распознавания ситуаций, возникающих при протекании техпроцесса.
При рассмотрении особенностей технологического процесса получения чесальной ленты можно выделить основные состояния процесса, влияющие на качество продукции.
Биение валов, шестерен механизма чесальной машины.
Неоднородность поверхности барабана, нарушение гарнитуры шляпок.
Засоренность сырья неволокнистыми включениями.
Засоренность сырья волокнистыми включениями.
Зажгученность волокна.
Неоптимальная настройка системы подачи волокна.
Неоптимальная настройка вытяжного устройства.
Повышенная влажность сырья.
Неровнота ленты вызвана вероятностным характером процесса и находится в
границах нормы.
При анализе сигнала датчика плотности чесальной ленты можно получить образы, соответствующие перечисленным состояниям технологического процесса. Сигнал с датчика представляет собой последовательность чисел, пропорциональных линейной плотности чесальной ленты- частота измерений составляет 1000 Гц. При загрузке записи сигнала в компьютер, прежде всего, регистрируются результаты прямых измерений сигнала и производится их статистическая обработка- это позволяет судить о качестве выпускаемого продукта, его неровноте на длинных и коротких отрезках, отклонении средней плотности от требуемого значения или об обрыве. Для диагностики состояния техпроцесса производится математическая обработка сигнала с использованием пакета МЛТЬЛБ.
При спектральном анализе хорошо распознаются периодические и условнопериодические возмущения, вызванные биением валов и шестерен, неоднородностью и дефектами поверхности барабана. Спектры, свидетельствующие о неров-ноте, имеющей случайный характер вследствие засоренности сырья неволокнистыми или волокнистыми включениями, зажгученности волокна, неоптимальной настройке вытяжного устройства, имеют общие признаки. Вследствие значительного влияния случайных факторов, каждая конкретная запись сигнала, сделанная на одном оборудовании при неизменных условиях, имеет свои особенности- в то же время разные причины могут приводить к появлению сходных наборов спектральных линий, поэтому применение аппарата нечеткой логики необходимо для распознавания ситуаций и принятия решений [3, 4]. В то же время можно выделить ряд образов, которые однозначно свидетельствуют о нормальном протекании процесса или о явном нарушении [5, 6].
Отметим, что применение вейвлет-анализа позволяет лучше распознавать характер непериодических возмущений [7]. Поэтому точность распознавания ситуаций при таких отклонениях, как засоренность сырья, зажгученность волокна, неоптимальная настройка при применении вейвлет-анализа выше, чем при использовании Фурье-анализа. Нечеткие базы знаний для распознавания ситуаций строились на основе изучения спектров сигналов, записанных при работе нескольких чесальных машин в разные периоды времени, при переработке разных партий сырья. На первом этапе исследований образцы чесальной ленты с разных машин проверялись на одном датчике [8], записи сигналов обрабатывались. При накоплении результатов измерений были выделены особенности спектров сигна-
лов для каждой машины, а также варианты спектров при изменении внешних условий, состава сырья и его качества. В дальнейшем на каждую машину был установлен отдельный датчик, записи сигналов передавались на компьютер и обрабатывались с использованием программного пакета МЛТЬЛБ [9].
Обработка сигналов велась методами преобразований Фурье, а также методом вейвлет-анализа. Спектральный анализ традиционно применяется при проверке качества в текстильной промышленности [6], и, в первую очередь, из-за возможности диагностики оборудования: дефект или плохое закрепление вращающихся деталей приводит к периодическим изменениям параметров продукта. И при разработке предлагаемой системы, в первую очередь, был использован аппарат спектрального анализа. Причины ухудшения качества чесальной ленты и связанные с ними особенности спектра сигнала с датчика были разбиты на несколько категорий. Биение валов, шестерен машины обнаруживаются по соответствующим линиям в спектре. Ухудшение поверхности барабана чесальной машины, неравномерность гарнитуры шляпок может давать нечеткую спектральную линию. Наличие в сырье примесей влияет на «шумовую составляющую» сигнала. Неотрегулированность механизма может сильно повысить шумовую составляющую спектра. Зажгученность хлопка также повышает количество случайных возмущений. Неоптимальная работа загрузочного механизма проявляется как размытая спектральная линия в низкочастотной области. Для диагностики процесса необходимо анализировать как протяженные отрезки сигнала, соответствующие десяткам и сотням метров чесальной ленты, так и короткие отрезки, для лучшего выявления случайных и непериодических возмущений. Задача автоматизации контроля и диагностики отклонений решена с использованием методов нечеткой логики. Возможно несколько уровней для решения этой задачи. Первый уровень -это измерение и анализ наиболее общих параметров спектра. Несмотря на простоту обработки сигнала, он дает довольно точную и оперативную информацию. Возможен более детальный анализ спектра, при котором сообщается приблизительный «адрес» поврежденного вала. Однако можно отметить ряд отклонений, которые не определяются с использованием спектрального анализа. Это диагностика непериодических возмущений, кратковременных биений, временного усиления шумовой составляющей. Для диагностики таких состояний автором статьи применен аппарат вейвлет-анализа [10].
Таким образом, в предлагаемой системе контроля математическая обработка идет в два этапа. Первый этап: статистические расчеты — спектральный анализ -распознавание ситуации методом нечеткой логики. Второй этап: вейвлет-анализ -распознавание ситуации методом нечеткой логики. Для решения задачи распознавания ситуаций на первом этапе выбраны пять факторов, на их основе составлены схемы отношений для эталонных ситуаций, им сопоставлялись измеренные значения параметров сигнала и делался вывод о характере протекания технологического процесса [4]. Конкретизированные термы для различных значений факторов приведены в табл. 1.
Здесь «Плотность» — значение сигнала, соответствующего линейной плотности ленты, усредненное для отрезка 3 м. Соответствующая трапециевидная функция принадлежности:
Я0×1 = {1/0- 0/0,94- 0/0,96- 0/0,98- 0/1- 0/1,2- 0/1,4- 0/1,6}
ЯиХ1 = {0/0- 1/0,94- 0,5/0,96- 0/0,98- 0/1- 0/1,2- 0/1,4- 0/1,6},
ЯСХ1 = {0/0- 0/0,94- 0,5/0,96- 1/0,98- 1/1- 1/1,2−0,5/1,4- 0/1,6},
ЯВХ1 = {0/0- 0/0,94- 0/0,96- 0/0,98- 0/1- 0/1,2- 0,5/1,4- 1/1,6}
Таблица 1
Конкретизированные термы для различных значений факторов
Фактор Значение фактора Терм
Плотность Обрыв Плотность Ноль (Хь ЯоХ1)
Низкая Плотность Малая (Хь ЯнХ1)
Средняя Плотность Норма (Хь Я°х)
Высокая Плотность Большая (Хь Ял)
Внутренняя неровнота Низкая ВнутренняяНеровнота Низкая (Х2, ЯнХ2)
Средняя ВнутренняяНеровнота Средняя (Х2, Я°Х2)
Высокая ВнутренняяНеровнота Высокая (Х2, ЯВХ2)
Внешняя неровнота Низкая ВнешняяНеровнота Низкая (Х3, ЯнХ3)
Средняя ВнешняяНеровнота Средняя (Х3, Я Х3)
Высокая ВнешняяНеровнота Высокая (Х3, ЯВХ3)
Площадь спектра Низкая ПлощадьСпектра Низкая (Х3, ЯнХ3)
Средняя ПлощадьСпектра Средняя (Х4, Я°Х4)
Высокая ПлощадьСпектра Высокая (Х4, ЯВХ4)
Максимальная Низкая Амплитуда Низкая (Х5, ЯНХ5)
амплитуда в спектре Средняя Амплитуда Средняя (Х5, Я°Х5)
Высокая Амплитуда Высокая (Х5, ЯВХ5)
Трапециевидная форма функций принадлежности выбрана как наиболее простая для дальнейших вычислений. Методика построения функций такого вида заключается в задании областей универсума, в которых значение фактора полностью соответствует и полностью не соответствует определяемому понятию [3, 11, 12]. Аналогично были построены функции принадлежности для остальных факторов. Внутренняя неровнота — среднеквадратичное отклонение текущего значения плотности ленты от среднего значения на отрезке 3 м. Внешняя неровнота -это среднеквадратичное отклонение от среднего значения измеренных масс отрезков ленты длиной 3 м. Площадь спектра — это сумма гармоник спектра, полученного быстрым преобразованием Фурье из записи сигнала, соответствующего прохождению через датчик отрезка ленты по длиной 3 м. Максимальная амплитуда в спектре — вычисленное максимальное значение гармоники спектра, полученного быстрым преобразованием Фурье из записи сигнала, соответствующего прохождению через датчик трехметровых отрезков ленты.
Ситуации, возникающие в процессе изготовления чесальной ленты, можно представить схемами отношений:
Нормальная_работа (ПлотностьНорма (X, Я°х), ВнутренняяНеровно-таНизкая (Х2, ЯаХ2), ВнешняяНеровнота_Низкая (Х3, Янхз), ПлощадьСпек-траНизкая (Х4, ЯНХ4), АмплитудаНизкая (Х5, ЯНХ5))
Биение_валов (ПлотностьНорма (Хь Я°Х1)), ВнутренняяНеровно-
таВысокая (Х2, ЯВХ2), ВнешняяНеровнота_Низкая (Х3, ЯнХ3), ПлощадьСпек-траСредняя (Х4, Я°Х4), АмплитудаВысокая (Х5, ЯВХ5))
Дефект_барабана (Плотность Норма (Хь Я°Х1)), ВнутренняяНеровно-та Высокая (Х2, ЯВХ2), ВнешняяНеровнота Средняя (Х3, Я°Х3), ПлощадьСпек-тра Высокая (Х4, ЯВХ4), Амплитуда Средняя (Х5, Я°Х5))
Засоренность_волокна (Плотность Норма (Xb R°xi), ВнутренняяНеровно-таВысокая (X2, BBX2), ВнешняяНеровнотаНизкая (X3, RHX3), ПлощадьСпек-траСредняя (X4, R°X4), Амплитуда Низкая (X5, RнX5))
Неравномерная_подача (Плотность Норма (X, R°X1), ВнутренняяНеров-нота_Низкая (X2, RHX2), ВнешняяНеровнотаСредняя (X3, RBX3), ПлощадьСпек-траВысокая (X4, RBX4), Амплитуда Высокая (X5, RBX5))
Недостаточная_подача (ПлотностьНизкая (X1, RHX1), ВнутренняяНеров-нотаСредняя (X2, RIIX2), ВнешняяНеровнотаВысокая (X3, RHX3), ПлощадьСпек-траВысокая (X4, RнX4), Амплитуда Высокая (X5, RнX5))
Избыточная_подача (Плотность Высокая (X1, RBX1), ВнутренняяНеровно-таНизкая (X2, RнX2), ВнешняяНеровнота Низкая (X3, RHX3), ПлощадьСпек-траНизкая (X4, RHX4), Амплитуда Низкая (X5, RHX5))
Обрыв (ПлотностьНоль (X1, RнX1), ВнутренняяНеровнотаНизкая (X2, RHX2), ВнешняяНеровнота Низкая (X3, RHX3), ПлощадьСпектраНизкая (X4, RHX4), Амплитуда Низкая (X5, RнX5))
Плохая_Регулировка (Плотность Норма (X1, R°X1), ВнутренняяНеровно-таВысокая (X2, RнX2), ВнешняяНеровнота Низкая (X3, RBX3), ПлощадьСпек-траСредняя (X4, RBX4), Амплитуда Средняя (X5, R°X5))
Таким образом, каждый эталонный образ представлен нечеткой схемой отношений. Точно также в виде схемы отношений можно представить и измеренный образ. Рассмотрим одну из конкретных записей сигнала:
Измеренный образ (Плотность_измеренная (X1, RaX1), ВнутренняяНеровно-таизмеренная (X2, RTX2),
ВнешняяНеровнота измеренная (X3, RTX3), ПлощадьСпектра измеренная (X4, R^)), Амплитуда измеренная (X5, RgX5), где
RпX1 = {0/0,94- 0/0,96- 1/0,98- 0/1- 0/1,2- 0/1,4- 0/1,06},
RBlX2 = {0/0- 0/1- 0,5/2- 0,5/4- 0/6},
Rb2X3 = {0/0- 0,5/1- 0,5/2- 0/4- 0/6},
RX4 = {0/0- 0/0,05- 0/0,1- 0/0,2- 1/0,3- 0/0,5- 0/0,6- 0/0,8- 0/1 },
RaX5 = {0/0- 0/0,005- 0/0,01- 1/0,025- 0/0,05- 0/0,1- 0/0,25- 0/0,5- 0/1},
Теперь измеренный и эталонные образы представлены схемами отношений.
Напомним метод расчета степени сходства измеренного образа с эталонными [4]. Термом называется выражение а1 (X, R,), где X ={х, х2,…, x'-ri} - множество объектных переменных терма, Ri — имя нечеткого множества, соответствующего атрибуту а{ и заданного на Xi. Частным случаем терма, который назовем простейшим, является выражение а (х'--, ц (х-)), где х'-- - единственная объектная переменная универсума, а ц (х-) — функция принадлежности, определенная на этой переменной. Схемой отношений называется выражение а (а!(Х, Ri),…, aN (XN, RN)), где, а является именем или атрибутом схемы отношений, аi (Xi. R) — терм, Ri — нечеткое множество, соответствующее атрибуту а,-. Для того, чтобы измеренный образ отнести к тому или иному типу (в соответствии с эталонными образами) для выбора соответствующего состояния технологического процесса, необходимо термы, представляющие плотность, внешнюю и внутреннюю неровноту, площадь спектра и амплитуду гармоник измеренного образа сравнить с термами, представляющими соответствующие параметры эталонного образа. Формула для вычисления степени сходства эталонного образа с измеренным имеет вид [4]:
к=N
М (а, а,) = Е м& gt-^М (а^, а^,), А = 1,…, N,, = 1,…, т-
А=1
И=N
Е =1.
А=1
Здесь ^ - весовые коэффициенты, вводятся для определения приоритета определенных факторов. Конкретное значение этих коэффициентов устанавливается при обучении системы. Соотношение коэффициентов может меняться в процессе работы при решении конкретных проблем, поэтому коррекция данных коэффициентов должна быть доступна для пользователя.
При вычислении степеней сходства измеренного сигнала с эталонными при уточненных весовых коэффициентах получается наибольшая степень сходства (0,625) с эталоном «Засоренность сырья». Отметим, что этот ответ правильный: действительно засоренность сырья была выше нормы.
Как уже указывалось, такие возмущения сигнала, как кратковременные биения (соответствующие ситуации «стук в машине») или локальные повышения шумовой составляющей (из-за плохо прочесанных участков вследствие дефектов вытяжного устройства) не определяются методом спектрального анализа. В этом случае применение вейвлет-анализа [7] дает хорошие результаты. Непрерывный вейвлет-анализ, который обычно ассоциируется с эффектными графическими образами, своей популярностью обязан возросшей мощности компьютерной техники и связан с большим объемом вычислений. Несколько позже Ингрид Дебоши [10] разработала метод ортогонального вейвлет-анализа, замечательного по простоте, не требующего больших вычислительных мощностей. Этот метод работает даже быстрее, чем анализ Фурье.
Применяя метод ортогонального вейвлет-анализа записи сигнала, мы получили возможность отслеживать подробности протекания техпроцесса, которые при других методах контроля остаются скрытыми.
Опыт работы показал, что 6-уровневое разложение оптимально для решения поставленной задачи. Результаты дискретного анализа проиллюстрированы на рис. 1. Длина распознаваемых возмущений при повышении уровня пробегает значения от 1 мм до 32 мм- аппроксимация сигнала представляет собой «отфильтрованный» сигнал с длинноволновыми составляющими (более 30 мм). На иллюстрации видно, как всплески на разных уровнях при вейвлет-разложении коррелируют с возмущениями сигнала, вызванными разными причинами. Так, локальные увеличения (уменьшения) плотности дают в аппроксимации на верхнем (в данном случае — шестом) уровне пики и провалы, при этом возмущения типа «усиление шума», «стук в машине» на этом уровне отфильтровываются. Наличие пиков при этом свидетельствует о зажгученности сырья (возможны варианты: повышенная засоренность сырья- наличие волокнистых примесей), наличие провалов — о дефекте барабана. Локальное усиление шумовой и коротковолновой составляющих приводит к всплескам на первом и втором уровнях и свидетельствуют о неполадках в вытяжном устройстве. Высокие амплитуды вейвлет-коэффициентов на всех уровнях свидетельствуют о засоренности сырья неволокнистыми примесями. «Стук в машине» коррелирует с всплесками вейвлет-коэффициентов на 2−5 уровнях. Наблюдаются локальные возмущения, при которых сигнал с датчика представляет собой белый шум, амплитуда которого на локальных промежутках значительно выше средней. Это — свидетельство неполадок
Рис. 1 Дискретный вейвлет-анализ. Разложение сигнала по базисным функциям.
Сигнал соответствует ситуации «локальные уменьшения плотности из-за дефектов гарнитуры шляпок барабана»
в вытяжном устройстве- с этой ситуацией коррелируют «всплески» коэффициентов вейвлет-разложения на 1 и 2 уровнях. Для автоматизированного контроля качества чесальной ленты было нужно выбрать минимально необходимое количество параметров и составить схемы отношений. При 6-уровневом разложении исходного сигнала рассматриваются функции вейвлет-коэффициентов первых пяти уровней и аппроксимирующая функция шестого уровня, представляющая собой отфильтрованный сигнал (из исходного сигнала вычитаются функции нижних уровней). При рассмотрении аппроксимации 6 уровня измеряются максимум функции (пик) и минимум (провал). В норме это небольшие колебания около среднего значения. При возмущениях, вызванных локальными увеличениями плотности ленты (зажгученность волокна- засорение волокнистыми примесями), высота пиков определяется как большая. При локальных уменьшениях плотности (неоднородная структура ленты из-за дефекта барабана) глубина провала оценивается как большая. Как пики, так и провалы данной функции коррелируют с возмущениями достаточно длительными, соответствующими отклонениям в плотности длиной в несколько сантиметров. Наличие равномерно, случайным образом распределенных пиков и провалов характерно для неоптимальной настройки вытяжного устройства. Этим факторам соответствуют термы Высота и Провал. Рассмотрение функций вейвлет-коэффициентов первых пяти уровней позволяет отслеживать более короткие возмущения- чем ниже уровень, тем сильнее «сжат» материнский вейвлет и тем меньше длина распознаваемых возмущений. При анализе функций вейвлет-коэффициентов рассматривалась половина разности между наивысшим и наименьшим значениями на данном промежутке,
эта величина названа здесь «амплитуда уровня». Если все нормально, то амплитуда любого уровня не должна превышать значения 0,015… 0,02. Значительная амплитуда какого-либо уровня говорит о наличии возмущающих факторов. Для оценки этих факторов было предложено использовать термы Амплитуда малая, Амплитуда большая. Важным параметром является среднее абсолютное значение функции. Здесь использовалось отношение амплитуды уровня к среднему абсолютному отклонению функции уровня от нуля, условно названное здесь ОТКЛОНЕНИЕ. Эта величина при случайном характере функции имеет значение, близкое к 10. Для периодических функций значение ОТКЛОНЕНИЯ меньше. При всплесках, локальных возмущениях ОТКЛОНЕНИЕ значительно превышает 10. Для оценки этих факторов введены термы Отклонение Норма (для случайных последовательностей), Отклонение Малое (свидетельствует о неслучайном процессе, о наличии периодических возмущений), Отклонение Всплеск (свидетельствует о локальных возмущениях).
Таким образом, выбрано 12 факторов для составления функций принадлежности. Это ПИК АППРОКСИМАЦИИ, ПРОВАЛ АППРОКСИМАЦИИ, а также АМПЛИТУДА (1. 5) и ОТКЛОНЕНИЕ (1. 5). Чтобы численно определить, какие значения параметров являются высокими, средними, низкими, был проведен опрос экспертов. Были отобраны эталонные образцы чесальной ленты, с заранее известными пороками, а также образцы высокого качества. При прохождении таких эталонных образцов через датчик записывались сигналы, и далее производился анализ сигналов посредством дискретного вейвлет-анализа с использованием разложения coif. После просмотра большого количества образцов, когда эксперты начали свободно «читать» информацию, полученную в результате вейвлет-анализа, был проведен опрос. Эксперты должны были проставить ответы 1 (то есть «да») или 0 (то есть «нет»), а также 0,5 (при затруднении с отнесением промежуточного значения к той или иной группе) в таблицах такого вида.
Таблица 2
Амплитуда уровня 1
Q Q, Q1 Q, Q2 Q, Q3 Q, Q4 Q, Q5 Q, Q6 Q, Q7 Q, Q8 Q, Q9 Q, 1 1
Низкая 1 1 1 Q, 5 Q Q Q Q Q Q Q Q
Высокая Q Q Q Q, 5 Q, 5 1 1 1 1 1 1 1
Когда таблицы были заполнены всеми участвующими в опросе экспертами, проводилось «голосование»: вычислялось среднее значение для каждой ячейки. Такие таблицы первоначально составлялись для каждого параметра, но в процессе работы стало ясно, что параметры можно разбить на две группы и сопоставить параметрам внутри группы одинаковые наборы значений.
К первой группе относятся: Пик_Аппроксимации, Провал_Аппроксимации, Амплитуда_уровня1, Амплитуда_уровня2, Амплитуда_уровня3, Амплиту-
да_уровня4, Амплитуда_уровня5. Каждому терму этой группы сопоставлены наборы значений:
Янж = {1/0,0- 1/0,005- 0,9/0,01- 0,5/0,02- 0/0. 03- 0/0,1- 0/1},
Явх, = {0/0,0- 0/0,01- 0/0,02- 0,5/0,03- 0,9/0,05- 1/0,1- 1/1,}.
К второй группе относятся: Отклонение 1, Отклонение2, ОтклонениеЗ, От-клонение4, Отклонение5. Каждому терму этой группы сопоставлены наборы значений.
RHx, = {1/1- 1/3- 0/5- 0/10- 0/15- 0/20- 0/50},
Rcx, = {0/1- 0/3, 1/5- 0,5/10- 0/15- 0/20- 0/50},
RBx, = {0/1- 0/3- 0/5- 0,5/10- 0,9/15- 1/20- 1/50}.
На основе выбранных факторов составлены схемы отношений для эталонных ситуаций, им сопоставлялись измеренные значения параметров, и делался вывод о характере протекания технологического процесса. Построение функций принадлежности и выбор весовых коэффициентов проводились методом обработки мнений экспертов [10].
Полученная база данных позволяет определять ситуацию с хорошей точностью. Процесс ее уточнения продолжается, и при составлении программы учитывалось требование — сделать базу данных доступной пользователям для коррекции. Проведенные на работающей поточной линии Щелковского ХБК, совместно с технологами эксперименты дали положительный результат — от 70 до 100% правильного распознавания ситуаций технологического процесса в зависимости от диагностируемой ситуации (неточности возникают при совпадении трех и более возмущающих факторов).
Список литературы
1. Проспект фирмы Zellweger Uster, Швейцария, 2003.
2. Zimmerman H. -J. Fuzzy Set Theory and its Applications. Dordrecht: Kluwer Academic Publishers. 1996. — 315 p.
3. Заде Л. Лингвистическая переменная / Л. Заде — М.: Физматгиз, 1972.
4. Девятков В. В. Системы искусственного интеллекта / В.В. Девятков- М.: Изд-во МГТУ им. Н. Э. Баумана, 2001.
5. Кирюхин С. М. Контроль и управление качеством текстильных материалов / С. М. Кирюхин, А.Н. Соловьев- М.: Легкая индустрия, 1977. — 310 с.
6. Севостьянов А. Г. Методы исследования неровноты продуктов прядения / А. Г. Севостьянов. — М.: Ростехиздат, 1962.
7. Robi Polikar. Введение в вейвлет-преобразование. Пер. с англ. Iowa State University, 2000 с.
8. Сакулин С. А. Прибор для измерения ЛПМ чесальной ленты на основе пневматического датчика / С. А. Сакулин // Вестник ДИТУД. — 2003. — № 3 (17).
9. Леоненков А. А. Нечеткое моделирование в среде MATLAB и FUZZYTECH / А. А. Леоненков — СПб., 2003.
10. Daubechies I. Ten Lectures on Wavelets. SIAM, 1992.
11. Алтунин А. Е. Модели и алгоритмы принятия решений в нечетких условиях / А. Е. Алтунин, М. В. Семиухин — Тюмень: Изд-во Тюменского государственного университета, 2000. — 352 с.
12. Круглов М., Голунов Р. Нечеткая логика и искусственные нейронные сети. — М.: Физматлит, 2001.
To the Problem of Quality Control of Half-Finished Product and Diagnostics of Equipment in Cotton Spinning by Means of Artificial Intelligence
S.A. Sakulin
Moscow State Technical University after N.E. Bauman
Key words and phrases: analysis of technological process- wavelet-analysis- wavelet-transforming- mathematical signal processing- fuzzy logic- textile half — finished product — combed sliver.
Abstract: Methods of determining parameters, containing useful information during mathematical processing of the signal of linear density of textile half-finished product with the help of spectrum analysis and wavelet transforming are considered. The mechanism of analyzing technological process, product quality and diagnosing equipment on the basis of image identification is proposed.
Zur Frage der Qualitatskontrolle des Halbfabrikates und der Einrichtungsdiagnostik in der Baumwollspinnerei durch die Methoden der kunstlichen Intelligenz
Zusammenfassung: Es sind die Methoden der Bestimmung der die nutzliche Information tragenden Parameter bei der matematischen Bearbeitung des Signales der linearen Dichte des textilen Halbfabrikates mit Hilfe der spektralen Analyse und der Wavelet-Transformation untersucht. Es ist die Methode der Analyse der Zustande des technologischen Prozesses, der Qualitat des Produktes und der Diagnostik der Einrich-tung vorgeschlagen.
Sur le probleme du controle de la qualite du semi-produit et du diagnostic de l’equipement dans le filage du coton par les methodes de l’intelligence artificielle
Resume: Sont envisagees les methodes de la definission des parametres portant une information utile lors du traitement mathematique du signal de la densite du semi-produit textile a l’aide de l’analyse de spectre et la transformation. Est proposee la methode de l’analyse des etats du processus technologique, de la qualite du produit et du diagnostic de l’equipement a la base de l’identification des images.

ПоказатьСвернуть
Заполнить форму текущей работой