Возможности совершенствования статистического приёмочного контроля качества толстолистового проката для ОАО "Газпром" и опыт их реализации

Размещено на http://www.allbest.ru/

Возможности совершенствования статистического приёмочного контроля качества толстолистового проката для ОАО "Газпром" и опыт их реализации

К.Е. Черкасов, М.И. Румянцев

ГОУ ВПО им. Г.И.Носова, г. Магнитогорск, Россия

Необходимость внедрения и применения статистических методов контроля качества продукции возникла, в связи с требованием стандартов СТО Газпром серии 9000, один из которых [1] предусматривает применение в организациях, поставляющих продукцию для нужд нефте-газового комплекса, статистических методов управления качеством. Как и в международных технических условиях для автомобилестроения [2], целью применения статистических методов в системе менеджмента качества организации-поставщика является необходимость объективного и достоверного подтверждения возможности производства продукции и достижения ее требуемых характеристик. При этом актуален вопрос выбора наиболее эффективных методов.

Одними из основных методов статистического контроля является применения уравнений регрессии зависимости свойств проката от таких факторов как химический состав металла и параметры процесса его обработки (скорость прокатки, температура и т. д.). Однако, традиционные независимые переменные применяемые для построения уравнений, далеко не всегда способны обеспечить статистическую надёжность данных уравнений остается достаточно большая вероятность ошибки как приемки негодной продукции, так и отбраковки продукции надлежащего качества. Чтобы предотвратить указанные события, необходимо повысить достоверность результатов контроля, что может быть достигнуто за счет увеличения точности и достоверности применяемых уравнений регрессии [3].

Улучшение уравнений по точности и достоверности можно сделать за счет включения в них факторов, степень влияния которых на отклики выше, чем тех, которые традиционно применяются в статистических зависимостях. В связи с этим был произведен поиск такого комплекса факторов (независимых переменных) в уравнениях для статистического приёмочного контроля, который способствовал бы повышению точности прогноза свойств [4]. В частности температурные условия процесса характеризовали отклонением температуры конца прокатки от температуры начала превращения:

статистический контроль качество продукция

; (1)

и отклонением температуры начала ускоренного охлаждения от температуры конца превращения:

(2)

Модернизированные уравнения и уравнения, построенные относительно традиционных независимых переменных, были оценены по количеству совпадений с данными прямых разрушающих испытаний. Результаты оценки представлены в табл. 1.

Таблица 1 -Результаты сравнения точности расчетных оценок качества проката толщиной 9,0-16,8 мм из стали класса прочности К60 с оценками, полученными разрушающим методом

Из таблицы 1 можно сделать вывод, что предлагаемые уравнения, в целом, обеспечивают заметно больше число совпадений с результатами прямых испытаний. Таким образом, применение уравнений, построенных с использованием модернизированного комплекса факторов, действительно повышает достоверность статистического приёмочного контроля механических свойств толстолистового проката. Тем самым создаются предпосылки для уменьшения вероятности ошибок выводов относительно годности не только оцениваемой партии продукции, но и каждого листа в отдельности, а также для значительного повышения оперативности выполнения заказов за счет исключения потерь времени на проведение прямых испытаний.

Другим методом статистического приёмочного контроля могут быть искусственные нейронные сети. Известно, что нейронные сети применимы практически в любой ситуации когда имеется связь между входными и прогнозируемыми переменными, даже если эта связь имеет сложную природу и её трудно отобразить методами нелинейного регрессионного анализа [5]. Как показывает известный опыт [например, [6], точность прогноза свойств проката с использованием нейронной сети действительно выше, чем получаемая по множественной линейной аппроксимации при традиционном наборе независимых переменных.

Провели сравнение точности прогноза свойств проката с использованием нейронных сетей различного типа при использовании в качестве независимых переменных как традиционных, так и усовершенствованных характеристик факторов технологического процесса. Из сравнения различных сетей был выбран тип нейронной сети на основе множественного персептрона с использованием алгоритма Левенберга-Маркара. Результаты сравнения для вариантов такой сети, отличающихся набором независимых переменных, приведены в табл. 2. Нейронная сеть, построенная с использованием модернизированного набора независимых переменных, обеспечивает более высокие показатели точности прогноза.

Таблица 2 -Результаты сравнения нейронных сетей для проката толщиной 9,0-16,8 мм из стали класса прочности К60 с оценками, полученными разрушающим методом

Таким образом, и для уравнений регрессии, и для нейронных сетей замена традиционных показателей, характеризующих условия получения проката, такими факторами, степень влияния которых на отклики выше, действительно обеспечивает заметное повышение точности прогноза свойств проката. При наличии программного обеспечения, позволяющего строить, обучать и применять нейронную сеть на основе множественного персептрона с применением алгоритма Левнберга-Маркара, для совершенствования статистического приемочного контроля следует рекомендовать применение такой сети на основе модернизированного комплекса характеристик процесса. В случае отсутствия технических возможностей применения нейронной сети, статистический приемочный контроль рекомендуется производить с использованием уравнений регрессии, построенных с использованием комплекса характеристик процесса.

Список используемой литературы

1 СТО ГАЗПРОМ 9000-2006 Системы менеджмента качества. Основные положения и словарь. - М.: ОАО «ГАЗПРОМ», 2006, 17 с.

2 ГОСТ Р 51814.1-2004 (ИСО/ТУ 16949:2002) Системы качества и автомобилестроении. Системы качества для предприятий - поставщиков автомобильной промышленности. Общие требования. - М: Издательство стандартов, 2004. - 35 с

3 Румянцев М.И., Ручинская Н.А. Статистические методы для обработки и анализа числовой информации, контроля и управления качеством продукции: Учебное пособие. - Магнитогорск: ГОУ ВПО «МГТУ им. Г.И. Носова», 2008. - 207 с.

4Повышение точности статистического контроля качества толстолистового проката по корреляционной связи между параметрами / Румянцев М.И., Черкасов К.Е., Попкова А.А.; ГОУ ВПО«Магнитогорск.гос.техн.ун-т». - Магнитогорск, 2010. - 11 с.: Библиогр. 6 назв. -Рус. - Деп. в ВИНИТИ 30.09.2010, №563-В2010

5Нейронные сети. Методология и технологии современного анализа данных/под редакцией В.П. Боровикова. - 2-е изд., перераб. в доп. - М.: Горячая линия - Телеком, 2008. - 392 с.

6 В.М. Салганик, А.М. Песин, В.В. Жлудов и др. Нейросетевое моделирование механических свойств проката из низколегированных сталей. Моделирование и развитие процессов обработки металлов давлением: межрегиональный сборник научных трудов. Магнитогорск: ГОУ ВПО «МГТУ», 2007, с. 109-114

Размещено на Allbest.ru