18 декабря 2016г.
Сегодня для обеспечения высокого качества продукции и эффективного управления технологическими процессами (далее – ТП) её изготовления применяют такие достаточно эффективные способы создания информационной базы, включающей разработку комплекса математических моделей и информационно-аналитических моделей для исследования закона распределения показателей качества продукции [1]. При этом для разработки математических моделей применяют общеизвестные методы корреляционного и регрессионного анализа, что на современных реальных производственных процессах не сложно применить [5]. Немаловажной задачей является повышение достоверности идентификации законов распределения случайных значений, характеризующих показатели качества изготовления продукции. Как правило, для её решения обращаются к классическим методикам – формирование конкретной гипотезы с последующей её проверкой с помощью критериев согласия Пирсона, Колмогорова или Мизеса [3]. Однако необходимо отметить, что использование данных критериев эффективно для выборок большого и среднего объема и малоэффективно для выборок малого объема (2 … 10 изделий). Выполненные ранее исследования [7] показывают, что для решения задачи идентификации или распознавания закона распределения значений случайных величин при незначительных объемах статистической информации могут быть применены методы порядковых статистик или методы нейронных сетей [6]. Эффективность применения представленных методов для решения задач обеспечения качества подтверждается результатами научно- исследовательской и практической деятельности [6, 2].
Понятия нейросетевые методы и технологии относительно молодые и новые даже для многих ученых и специалистов в области управления качеством ТП. Естественно мы поймём вышеуказанный метод тогда, когда выясним суть нейронных сетей. Одно из основных понятий звучит так: нейронные сети – метод моделирования, позволяющий воспроизводить сложные нелинейные зависимости, который основан на параллельно распределенной структуре обработки информации, состоящей из нейронов, которые соединены между собой связями [1].
Развитие нейронных сетей (далее – НС) достаточно продолжительно и состоит из множества «белых» и «чёрных» полос. Впервые упоминание о НС можно связать с работами Дж. Фон Неймана по концептуальному сравнительному анализу работы биологических нейронных сетей и компьютеров и по разработке принципов построения надежных вычислительных систем из ненадежных компонент (фактически формальных нейронов). Первый период становления научных исследований над методом лежал в промежутке с 1940 по 1960-е гг., был связан с сравнительно небольшим прогрессом нейрокибернетики (особенно в области практического применения) приведшего в последующем к спаду активности исследований искусственных нейронных сетей. Многие исследователи ушли в те области, которые показались им более привлекательными. Однако в середине 1980-х гг. снова возник нейросетевой бум. Причиной тому послужил постоянный интерес человечества к изучению работы нервной системы и ряд новых интересных моделей, разработанных к этому времени. Одной из таких "стимулирующих" моделей стали работы, которые позволили привлечь методы теоретической физики к исследованию нейронных сетей. Во второй половине 1980-х гг. был предложен целый ряд интересных и содержательных моделей нейронных сетей. Несмотря на то, что ряд исследований и был посвящен анализу характеристик нейронных сетей с целью понимания свойств естественных нейронных систем, в отличие от первого периода, основная часть работ относилось к исследованию алгоритмов нейросетей с прагматическими целями, что позволило привлечь дополнительные финансовые ресурсы для их поддержки. Все это привело к тому, что в 1990-х гг. Нейросетевые автоматические системы прочно вошли в инженерный обиход, и сейчас продолжается активная работа по их реализации для различных задач анализа и распознавания информации.
Сегодня при ближайшем рассмотрении в каждой научно-практической области можно найти постановки задач имеющих решение при применении нейронных сетей:
– в экономике и бизнесе нейронные сети используются для прогнозирования временных рядов (курсов валют, объемов продаж и т.д.), предсказания банкротства, оценки стоимости недвижимости, оптимизации товарных и денежных потоков;
– в интернете применяется для ассоциативного поиска информации, фильтрации информации, блокировки спама;
– в автоматизации производства используется для оптимизации режимов производственного процесса, контроля качества продукции, предупреждения аварийных ситуаций, робототехника;
– ввод и обработка информации: распознавание рукописных текстов, почтовых, платежных, финансовых и бухгалтерских документов.
Среди наиболее известных и доступных программных пакетов моделирования и анализа данных, включающих нейросетевую методику, следует выделить STATISTICA (Statsoft , США). Стратегии построения нейронных сетей здесь следующие: автоматизированные нейронные сети; пользовательские нейронные сети и метод многократных подвыборок. В STATISTICA Automated Neural Networks (SANN) реализованы мощные и оптимизированные алгоритмы обучения нейронных сетей, включая методы сопряженных градиентов, алгоритм Левенберга-Маркара, BFGS, алгоритм Кохонена. Для решения проблемы переобучения используется механизм контрольной кросс-проверки [4].
Кластерный анализ в SANN позволяет распознавать кластеры в данных, а также устанавливать близость этих кластеров. В нейронных сетях кластерный анализ осуществляется с использованием сетей Кохонена, рассчитанных на неуправляемое обучение, поскольку анализируемые данные содержат только значения входных переменных.
Сети Кохонена имеют два слоя: 1) входной слой, содержащий по одному нейрону для каждой входной переменной; 2) выходной слой, нейроны которого упорядочены, как правило, в одномерную или двухмерную решетку прямоугольной формы. Обучается сеть Кохонена методом последовательных приближений. Начиная со случайным образом выбранного исходного расположения центров, алгоритм постепенно улучшает его так, чтобы уловить кластеризацию обучаемых данных. Алгоритм обучения является итерационным и осуществляется по эпохам, которые задает пользователь. Нейроны входного слоя не участвуют в процессе обучения [4].
Выбор лучших нейронных сетей осуществляется по следующим параметрам: 1) высокая производительность на контрольной, тестовой и обучающей подвыборках, 2) близость гистограммы распределения остатков к нормальному закону распределения, 2) матрица ошибок, 3) лифтовые карты, 4) срез поверхности отклика, 5) диаграмма рассеивания целевых и выходных переменных, 6) график проекции временного ряда. Полученные в STATISTICA нейронные сети можно сохранить в файлах и использовать для дальнейших предсказаний.
Среди основных выводов по применению нейросетевых методов при статистическом анализе и повышение достоверности идентификации законов распределения случайных значений в области контроля качества продукции по отношению к другим известным методам следует выделить ряд преимуществ и недостатков. К преимуществам применения нейронных сетей можно отнести:
отказ от дорогостоящих приборов; сокращение продолжительности измерений; сокращение времени на подготовку, регистрацию и обработку измерений; повышение объективности; позволяет строить эффективные линейные модели.
К недостаткам следует отнести необходимость предварительной настройки нейронных сетей и предварительную обработку исходных данных по выявлению ошибок и выбросов.
Нейронные сети являются высокоэффективной интеллектуальной технологией для прогнозирования показателей качества продукции в различных отраслях.
Список литературы
1. Григорович, В.Г. Информационные методы в управлении качеством / В.Г Григорович, С.В. Юдин, Н.О. Козлова, В.В. Шильдин В.В.. - М.: РИА «Стандарты и качество», 2001. - 208с.
2. Дэйвид, Г. Порядковые статистики / Г. Дэйвид.- М.: Наука, 1979. - 335с.
3. Миттаг, Х.-Й. Статистические методы обеспечения качества / Х.-Й. Миттаг, Х.Ринне. - М.: Машиностроение, 1995. - 616 с.
4. Нейронные сети. STATISTICA Neural Networks: методология и технологии современного анализа данных / под редакцией В. П. Боровикова. – 2-е изд., перераб. и доп. – М.: Горячая линия, 2008. – 392 с.
5. Управление качеством продукции / Под ред. В.В.Бойцова, А.В. Гличева. - М.: Издательство стандартов, 1985. - 464 с.
6. Федин, С.С. Обеспечение качества типовых деталей машиностроения методом нейросетевой классификации статистических законов распределения / С.С. Федин, Р.М. Трищ // Восточно- Европейский журнал передовых технологий. – Харьков, 2006. - №3/2 (21). - С.93 - 100.
7. Идентификация законов распределения показателей качества по выборкам методом нейронных сетей [Электронный ресурс] – Режим доступа: http://www.nbuv.gov.ua/old_jrn/natural/vejpt/2006_6_2/EEJET_6_2_2006_29-32.pdf/ (доступ свободный).- Дата обр.27.11.2016 г.
