Дослідження використання нейронних мереж при реалізації машинного навчання автоматичних систем управління листоправильних машин

Размещено на http://www.allbest.ru/

Донбаська машинобудівна академія

Донбаська державна машинобудівна академія

Дослідження використання нейронних мереж при реалізації машинного навчання автоматичних систем управління листоправильних машин

Тіщенко Артем Вікторович

магістр, здобувач вищої освіти

факультету автоматизації та машинобудування

Науковий керівник: Грибков Едуард Петрович

доктор технічних наук, професор,

доцент кафедри комп'ютерних інформаційних технологій

м. Тернопіль, Україна

Анотація

У статті здійснений аналіз засобів розробки для реалізації програмного комплексу для автоматизації діяльності та дослідження факторів її ефективності, проаналізовані методи, моделі та інформаційні технології з використання нейронних мереж при реалізації машинного навчання автоматичних систем управління листоправильних машин, побудована модель напружено деформованого стану (НДС) із використанням нейронних мереж при навантаженні в пружній області засобами машинного навчання для зменшення часу розрахування та підвищення надійності розрахунків.

Ключові слова: моделі, інформаційні технології, нейронні мережі, машинне навчання, автоматичні системи управління, листоправильні машини.

Постановка проблеми

У структурі українського експорту прокатна металопродукція займає провідне місце, що потребує якості продукції відповідно до вимог сучасних європейських стандартів.

Особливе місце в сучасному виробництві займають технології правки гарячекатаних листів на листоправильних машинах (ЛПМ), які застосовуються в прокатному виробництві для вирівнювання поверхні листової сталі.

Налаштування роликів ЛПМ здійснюється на основі чисельних аналітичних математичних моделей. При виправленні листів з високоміцних матеріалів раціональне налаштування ЛПМ знаходиться в дуже вузькому діапазоні, що потребує перебору дуже великої кількості варіантів і займе дуже великий час в умовах діючого обладнання. Тому проблема зниження машинного часу при визначенні налаштувань ЛПМ на основі нейронних мереж є актуальною. програмний автоматизація нейронний мережа

Мета роботи

Проаналізувати методи, моделі та інформаційні технології з використання нейронних мереж при реалізації машинного навчання автоматичних систем управління листоправильних машин та побудувати модель для визначення раціональних налаштувань листоправильних машин із використанням нейронних мереж засобами машинного навчання для зменшення часу розрахування та підвищення надійності розрахунків.

Використано такі методи наукових досліджень: 1) аналізу, порівняння та узагальнення для теоретичного обґрунтування використання нейронних мереж при реалізації машинного навчання автоматичних систем управління листоправильних машин; 2) бібліосемантичний метод - для вивчення наукової літератури, програм, підручників та навчальних посібників; досвіду вітчизняних та зарубіжних науковців; 3) соціологічний - для виявлення актуальних проблем реалізації машинного навчання автоматичних систем управління; 4) статистичний - для систематизації теоретичних та експериментальних даних, аналізу трендів сучасних інформаційних технологій.

Результати дослідження

Аналіз наукової літератури [1-14] показав, що серед методів і технологій, на яких засновано управління підприємством нині активно впроваджують методи машинного навчання (МН) (технології штучного інтелекту) на основі штучних нейронних мереж (ШНМ), оскільки вони дозволяють ефективно вирішувати завдання аналізу, класифікації та прогнозування широкого класу даних, зокрема, отриманих з інформаційного середовища. Методи машинного навчання (МН) знайшли застосування в різних сферах людської діяльності.

Результати аналізу останніх публікацій показали, що штучні нейронні мережі (ANN - Artificial Neural Network) (ШНМ) це новітні математичні апарати для вирішення технічних задач, а саме для процесів обробки металів тиском, є моделлю МН, яка змінює вхідні сигнали на вихідні за допомогою нелінійних перетворень в групі штучних нейронів прихованих шарів. Суть МН на основі ШНМ полягає у навчанні (тренуванні) нейронної мережі на підставі наданого їй зразку, або без такого, для здійснення подальшої класифікації або прогнозування, оптимізації та управління.

В роботі здійснено моделювання напружено деформованого стана із використанням нейронних мереж при навантаженні в пружній області засобами навчання штучної нейронної мережі, розробка бізнесів-правил і ефективне використання сукупності методичних, язикових, технічних і програмних засобів для організації роботи кінцевих користувачів у даної предметної царині.

Основними властивостями ШНМ, які використовуються в даних системах управління листоправильних машин є можливість ідентифікувати різноманітні стани, виявляти аномальні стани, здійснювати прогнозування станів та процесів систем при зміні навантаження в пружній області.

Реалізацію машинного навчання автоматичних систем управління листоправильних машин можна представити як роботу ШНМ на основі багатошарового персептрона зі зворотнім розповсюдженням помилки

Для навчання ШНМ на початковому етапі генеруються малі значення випадкових величин вагових коефіцієнтів для кожного зв'язку між нейронами шарів [12].

Усі етапи процесу створення систем автоматизації бізнес-процесів: проектування бази даних, розробка інтерфейсу, програмування, тестування й налагодження системи в умовах реальності, повинні автоматизувати стандартні технічні операції та управління щодо визначення навантажень із використанням нейронних мереж при навантаженні в пружній області засобами навчання штучної нейронної мережі для листоправильних машин.

Моделювання раціональних налаштувань ЛПМ з використання нейронних мереж здійснюємо наступним чином.

У користувача є дані з товщини, ширини та довжини листа які він передає НМ яка в свою чергу вносить у таблицю налаштувань для касети ЛПМ, де збережений асортимент товщини та границі текучості матеріалу, потім проводить розрахунки та видає дані налаштувань роликів.

Маємо базовий клас «Моделювання НДС», який включає в себе нейрону мережу, дані о листі та дані о машині, метод проведення моделювання. Клас видає результат моделювання та дані про налаштування роликів у касеті ЛПМ. Але спочатку потрібно навчити нейронну мережу, для цього потрібно завантажити тестові дані листа та тестові дані результату, а потім здійснювати навчання. Для тестування потрібно завантажити дані листа та машини а потім порівняти з відповіддю. Тільки після того, як мережа буде протестована, можна здійснювати моделювання НДС. Після проведення моделювання отримуємо результат.

На підставі алгоритму була створена діаграма класів для кластеризації даних. При розробці діаграми використаний аналітичний вид діаграми, який розглядає загальний вигляд і взаємозв'язки класів, що входять в систему, і концептуальна точка зору, де діаграма класів описує модель предметної області, в якої присутні тільки класи прикладних об'єктів.

Рис. 1 Діаграма класів моделювання налаштувань ЛПМ

На підставі отриманих даних побудовано діаграма прецедентів .

Рис. 2 Діаграма прецедентів для моделювання даних. Головним прецедентом є прецедент «розрахунок у НМ».

Для проведення моделювання налаштувань ЛПМ завантажуються параметри листа для моделювання. Проводиться процес моделювання за допомогою штучної нейронної мережі (ШНМ). В результаті отримуються налаштування кожного ролику у листоправильний машині - користувач отримує дані налаштування, які потім вносить до листоправильної машини.

На підставі алгоритму була розроблена діаграма послідовностей для моделювання налаштувань ЛПМ (рисунок 3).

Результат використання нейронних мереж при моделювання процесів виправлення листів засобами машинного навчання дозволяє значно підвищити ефективність роботи підприємства, зменшити виробничі витрати й отримати додатковий прибуток. Використання програм автоматизації дозволяє визволити час у персоналу підприємства й використати його для оцінки проведеної роботи та її планування. У такий спосіб підвищується конкурентоздатність і мобільність діяльності підприємства в умовах ринку.

Для опису послідовного протікання процесів, включаючи всі розгалуження та можливі події програми і користувача, застосовується діаграма діяльності. Спочатку користувач входить до програми вводить данні листа, коли данні завантажені нейрона мережа проводить обчислення та виводить найкращі налаштування на цю модель у листоправильній машині (ЛПМ). Користувач отримує дані які потім буде завантаженні у ЛПМ яка в свою чергу їх використовує при виправленні листів. Діаграма діяльності була розроблена на основі SADT-діаграми.

Рис. 3 Діаграма послідовностей для моделювання налаштувань ЛПМ

Літературні дані свідчать, що для управління та моделювання бізнес- процесів використовується така модель як SADT (структурний аналіз й проектування бізнес-процесів), а також популярну методологію UML, яка використовується при проектуванні інформаційних систем і додатків з метою опису вимог до них, сценаріїв роботи користувачів, зміни стану системи й даних.

Моделювання застосовується для вдосконалювання процесів шляхом виявлення й усунення «вузьких місць» у діяльності листоправильних машин.

Розкладання деякої діяльності на її складові частини відбувається на Діаграмі діяльності - UML-діаграмі.

У користувача є лист металу, який потрібно виправити в листоправильній машині (ЛПМ), але для цього в ЛПМ потрібно задати налаштування кожного ролику, зараз це розраховуватися через чисельну аналітичну математичну модель, але це займає дуже багато часу, тому цю математичну модель замінимо на штучну нейрону мережу (НМ), яка буде дуже швидко видавати результат завдяки нейронному алгоритму.

Вхідні дані для нейронних мереж це розміри листа, механічні властивості матеріалу листа та конструктивні параметри ЛПМ. Вихідні - це налаштування кожного ролику.

Вплив на нейронну мережу буде нести користувач та швидкість обчислюваної машини. Вихідні данні будуть нести структуру даних, тобто налаштування кожного ролику.

На основі даних розроблено SADT-діаграму нульового рівня та деталізуючи SADT-діаграму першого рівня. Ці діаграми нам потрібні, щоб визначити процеси які будуть протікати при дослідженні.

Першою є діаграма нульового рівня, яка показує загальний опис всіх функцій. Основним процесом в діаграмі я нульового рівня є «Моделювання налаштувань листоправильної машини» (рисунок 4).

Рис. 4 Моделювання налаштувань ЛПМ

Деталізована SADT-діаграма першого рівня покрокове описує кожний процес і що з цим процесом буде відбуватись. Деталізована SADT-діаграма першого рівня для основного процесу «Моделювання налаштувань роликів ЛПМ» наведена на рисунку 5.

ЛПМ

НМ Користувач

Рис. 5 Деталізована SADT-діаграма першого рівня для основного процесу «Моделювання налаштувань роликів ЛПМ»

Побудуємо діаграму прецедентів для предметної області «Моделювання даних» (рисунок 6).

Рис. 6 Діаграма прецедентів для предметної області «Моделювання даних»

У більшості сучасних систем автоматизації наявні вбудовані конструктори схем бізнес-процесів, що дозволяють описати потік робіт, що переходить від одного робочого місця до іншого. На сьогоднішній день розроблено цілий ряд моделей бізнес-процесів (БП), орієнтованих на різні галузі. Традиційний підхід до управління передбачає задану послідовність виконання процедур БП. для побудови якісної бізнес-системи. З цією метою нами також побудована діаграма діяльності (рисунок 7).

Рис. 7 Діаграма діяльності

Порівняємо SADT-діаграму та діаграму діяльності.

За результатами побудови діаграмам різниця діаграми діяльності з SADT- діаграмою в тому, що перша чітко розмежує можливості і повноваження саме користувача та програмного комплексу. Тобто діаграма діяльності послідовно показує ті процеси, які включаються до користувача (вхід до програми, завантаження даних, обрання найкращого методу та результату), а які до програмного комплексу (проведення обчислення різними методами, отримання найкращих результату та порівняння методів). А SADT-діаграма узагальнено показує блоки побудова бізнес-процесів з декількома рівнями їх побудови. Тобто спочатку вона показує узагальнений процес обчислення даних, потім що за чим відбувається при роботі у нейронній мережі.

На підставі розробки діаграми діяльності та проведеного порівняння з SADT-діаграмами, можна припустити, що діаграма діяльності є більш зрозумілою та простішою аніж SADT- діаграма. Вона дійсно показує обов'язки і повноваження між користувачем і програмним комплексом, а також дозволяє знайти резерви підвищення ефективності діяльності.

Основним інструментом для вирішення сучасних проблем керування технологічними процесами (ТП) - визначення налаштувань листоправильних машин (ЛПМ) служать так звані автоматизовані системи керування (АСК), в яких центральна, найголовніша роль і творчі здібності людини поєднуються із широким застосуванням сучасних математичних методів і засобів автоматизації, а саме у штучній нейронній мережі.

Висновки

Досліджено методи, моделі та інформаційні технології з використанням нейронних мереж при реалізації машинного навчання автоматичних систем управління листоправильних машин.

При виконанні роботи розглянута проблема побудови моделі налаштувань листоправильних машин із використанням нейронних мереж засобами машинного навчання. Обрані засоби математичного моделювання, а саме здійснена заміна математичної моделі на використання нейронної мережі засобами машинного навчання, яка забезпечує формалізацію зв'язків між структурою технологічного процесу і його параметрами, механічними властивостями металевого листа та допускає використання методів навчання без викладача, що дозволяє усунути недоліки, які пов'язані з залежністю від зразків навчальних даних. Теоретично проаналізовані експериментальні дослідження в умовах діючого цеху на листоправильній машині товстолистового стану 2800 конструкції ПрАТ «Новокраматорський машинобудівний завод». Для прогнозування доцільності застосування розробленого програмного забезпечення проведено експертне оцінювання, у якому брали участь 7 здобувачів вищої освіти, рівеня магістра, з різних закладів вищої освіти за напрямком КН - 122. Доцільність та своєчасність запровадження у виробничий і навчальний процес розробленого програмного забезпечення визнало 100% реципієнтів.

Вважаємо, що впровадження в виробничий і навчальний процес розробленого програмного забезпечення допоможе об'єктивно модифікувати виробничий процес і досягти цілком визначених результатів виробництва, що підтверджено проведеним експертним оцінюванням.

Список використаних джерел

1. Гаврильченко, Є. Ю. (2018) Удосконалення процесу правки гарячекатаних листів і конструктивних параметрів листоправильних машин для його реалізації (автореф. дис. ... канд. технічних наук). ДДМА. Краматорськ, Україна.

2. Грибков, Э. П., Коваленко, А. К., Ивчик, Р. С., Титенко, А. А. (2020). Исследование влияния настройки рабочих роликов на качество правки листового металлопроката. Обработка материалов давлением, 1 (50). 236-242.

3. Грибков, Э. П., Гаврильченко, Е. Ю. (2017). Исследование процесса правки волнистости листов на листоправильных машинах. Вісник Херсонського національного технічного університету. 2 (61), 35-44.

4. Грибков, Э. П., Гаврильченко, Е. Ю. (2017). Автоматизированное проектирование технологических настроек листоправильной машины. Вісник Національного технічного університету "ХПІ". Інноваційні технології та обладнання обробки матеріалів у машинобудуванні та металургії. 37 (1259). 11-16.

5. Грибков, Э. П., Завгородний, А. В., Гаврильченко, Е. Ю., Горбенко, А. С. (2015). Программное обеспечение для проектирования технологических параметров настройки многороликовых листоправильных машин. Научный вестник Донбасской государственной машиностроительной академии. 2 (17E). 33-38.

6. Бондаренко, Л. Ю., Вершков, О. О, Антонова, Г. В. (2017). Лабораторний практикум з механіки матеріалів і конструкцій : навчальний посібник. Мелітополь: Таврійський державний агротехнологічний університет.

7. Череповська, А. Цикли навантаження і розрахунок на міцність по допустимим напруженням. Участь молоді у розбудові агропромислового комплексу країни: матеріали 28-ї студентської науково-теоретичної конференції (с.55-60). 23-25 березня, 2016, Миколаїв, Україна: МНАУ.

8. Smallman, R. E., Bishop, R. J. (1999). Mechanical behaviour of materials. Modern Physical Metallurgy and Materials Engineering (Sixth Edition). Science, process, applications, (6), 197258.

9. Schleder, G. R., Padilha, A. C. M., Acosta, C. M.,. Costa, M., Fazzio, А. (2019). From DFT to machine learning: recent approaches to materials science-a review.J. Phys.: Mater, 2 (3)

10. Scales, M., Anderson, J., Kornuta, J.A., Switzner, N., Gonzalez, R., Veloo, P. (2022). Accurate Estimation of Yield Strength and Ultimate Tensile Strength through Instrumented Indentation Testing and Chemical Composition Testing. J. Phys : Materials, 15, 832.

11. Тарасов, О. Ф., Білик, Г. Б., Сагайда, П. І., Вінников, М. О., Короткий С. О. (2008) Системні методи в автоматизації проектування виробів машинобудування : навчальний посібник. Краматорськ : ДДМА, 2008.

12. Shevchenko, A., Zastelo, H., & Shpachinskiy, Y. (2019). Аналіз застосування методів машинного навчання на основі штучних нейронних мереж для виявлення кіберзагроз. Collection "Information Technology and Security", 7 (1), 79-90.

13. Федоринов, В. А. , Барабаш, А. В. , Гаврильченко, Е. Ю. , Грибков, Э. П. (2014). Математическая модель технологических настроек ЛПМ ТЛС 2850 Ашинского металлургического завода для горячей и холодной правки листов. Обработка материалов давлением. 1 (38). 48-53.

14. Грибков, Э. П., Гаврильченко, Е.Ю. Экспериментальные исследования холодной правки на многороликовых листоправильных машинах. International Scientific

15. Journal Acta Universitatis Pontica Euxinus. X International Conference "Strategy of Quality in Industry and Education" . (53-57). Special Number June 6-13, 2014, Varna, Bulgaria.

Размещено на Allbest.ru