obr

Práca sa zaoberá priebežným monitorovaním hydroabrazívneho delenia materiálov v prípade porúch bez intervencie obsluhy. Je pokračovaním predchádzajúcej práce autorov, pričom jej hlavným cieľom je realizácia systému na predikciu hodnoty parametra profilu drsnosti Ra na základe hodnôt zvolených vstupných parametrov. Pre návrh tohto systému sú v práci použité modely umelých neurónových sietí. Tieto modely umelých neurónových sietí boli vytvárané v prostredí programu MATLAB verzie R2013b.

 

Celkovo bolo zostrojených vyše 150 sietí s rôznou konfiguráciou počtu neurónov v skrytých vrstvách sietí. Pri trénovaní sietí boli použité dve trénovacie funkcie, Bayesovská regularizácia a Lavenberg-Marquardtov algoritmus. Trénovací súbor dát bol normalizovaný funkciou mapminmax. Sledovaným kritériom pre výber vhodnej topológie siete bola minimálna hodnota parametra MSE. Výsledky vykonaného experimentu ukázali, že sieť s doprednou topológiou s konfiguráciou 3-24-19-1 dokáže predikovať správnu hodnotu parametra profilu drsnosti Ra. Funkčnosť zvolenej siete bola overená dvoma spôsobmi, pričom boli hodnotené výsledky predikcie hodnôt parametra Ra vzhľadom na známe a neznáme hodnoty zvolených vstupných parametrov. Záver práce je venovaný zhodnoteniu získaných poznatkov a skúseností.

Na dosiahnutie zvýšenia produktivity a kvality vyrobených výrobkov je potrebné sledovať a priebežne monitorovať jednotlivé procesy výroby a výrobné zariadenia. Priebežné monitorovanie a riadenie procesov tvorí veľkú časť záujmu pre mnohých výskumníkov, pretože nie každá v súčasnosti dostupná technológia je v tomto smere dobre zvládnutá.

Jednou z takýchto technológií je aj nekonvenčná, rýchlo sa rozvíjajúca technológia delenia hydroabrazívnym prúdom. V snahe začleniť túto technológiu do bežných výrobných procesov je súčasný výskum orientovaný do niekoľkých oblastí, týkajúcich sa nevýhod tejto technológie, ako sú kvalita generovaného povrchu či priebežné monitorovanie technológie. Vo všeobecnosti je známe, že táto technológia sa nedá monitorovať priamo, ale len nepriamo, s využitím jej sprievodných javov, ako sú vibrácie či akustické emisie. Ak chceme túto technológiu priebežne monitorovať, musíme siahnuť po možnostiach umelej inteligencie, nakoľko umelá inteligencia dokáže napodobňovať správanie sa ľudí, ktorí sú nevyhnutní pre monitorovanie a riadenie množstva procesov. Oblasť umelej inteligencie, ktorá dokáže napodobniť funkciu a obrovské výpočtové schopnosti ľudského mozgu, sa nazýva umelá neurónová sieť. Umelá neurónová sieť predstavuje veľmi výkonný systém, ktorý sa dokáže učiť, a preto tu existuje určitý potenciál využitia tohto systému na monitorovanie, respektíve predikciu kvality povrchu na základe signálov sprievodných javov technológie. Snahou tejto práce bude teda využitie modelu umelej neurónovej siete na predikciu kvality povrchu na základe informácií získaných z vibračného signálu.

Analýza súčasného stavu

ilu

Monitorovanie a kontrola hydroabrazívneho delenia materiálov je v súčasnosti predmetom záujmu mnohých výskumníkov, ktorí prezentujú rôzne prístupy riešenia danej problematiky. Jedným z prístupov je práve využitie umelej inteligencie, ktorej sa v ostatných rokoch venovala časť autorov.

 

Roku 2008 Srinivasu a Babu [1] prezentovali neuro-genetický prístup pre výber procesných parametrov. Vo svojej práci navrhli model umelej neurónovej siete, ktorý predikoval hĺbku rezu vzhľadom na priemer zaostrovacej trubice a na kontrolovateľné procesné parametre, ako sú tlak vody, hmotnostný tok abrazíva a rýchlosť posuvu.

Neskôr, v tom istom roku, sa Srinivasu a Babu [2] zaoberali adaptívnou stratégiou kontroly a riadenia procesu delenia hydroabrazívnym prúdom s integráciou vizuálneho monitorovania a neurogenetického prístupu prezentovaného v predchádzajúcej práci autorov. Ich snahou bolo priebežne monitorovať a upravovať procesné parametre tak, aby sa udržala požadovaná hĺbka rezu pri zmenách priemeru zaostrovacej trubice. Caydas a Hascalik [3] študovali drsnosť povrchu za pomoci modelov umelých neurónových sietí a regresnej analýzy. Preukázali, že hydroabrazívny prúd vytvára tri výrazné zóny pozdĺž hĺbky rezu, ako aj ryhovanie a zvlnenie  povrchu, ktoré výrazne narastá s tlakom vodného prúdu.

Parikh a Lam [4] v roku 2009 venovali svoju pozornosť odhadu vhodných hodnôt procesných parametrov pre obrábanie hydroabrazívnym prúdom, kde pre odhad použili umelé neurónové siete. Preukázali, že umelé neurónové siete poskytujú lepší odhad parametrov ako modely regresnej analýzy. V roku 2011 Wang W., Wang M. a Yan [5] študovali riadenie úberu materiálu hydroabrazívnym prúdom. V práci uvádzajú, že expertný systém založený na lineárnych a nelineárnych vzťahoch získaných z ich analýz by mohol uspokojiť potrebu automatického riadenia technológie. Kok, Kanca a Eyercioglu [6] sa venovali predikcii drsnosti povrchu použitím výrazu genetického programovania.

Výsledky predikované genetickým programovaním boli porovnané s experimentálnymi, pričom sa ukázalo, že tieto výsledky sú vo vzájomne dobrej zhode. Zain, Haron a Sharif [7] použili umelú neurónovú sieť (ANN) a metódu simulovaného žíhania (SA) na odhad optimálnych procesných parametrov pri delení hydroabrazívnym prúdom.

Madic a Radovanovic [8] vytvorili matematický model a analyzovali delenie uhlíkovej ocele s použitím umelých neurónových sietí. Výsledkom ich práce bolo zhodnotenie, že nimi navrhnutý model je schopný zachytiť podstatné informácie o reznom procese s vysokou presnosťou. Informácie získané ich neurónovou sieťou boli prevedené do formy matematických rovníc, na základe čoho autori tvrdia, že neurónové siete nie sú len „čiernou skrinkou“, ale môžu byť interpretované.

Roku 2012 Vundavili et al. [9] skúmali fuzzy-expertný systém pre predikciu hĺbky rezu v procese delenia hydroabrazívnym prúdom. Výsledkom ich práce bolo zistenie, že najlepšie výsledky dosahoval automaticky fuzzy-logic systém.

Guo, Li a Dai [10] študovali predikciu kvality pri delení pomocou kvázi päťosového zariadenia hydroabrazívneho prúdu s nastaviteľnou výchylkou deliacej hlavy. Výsledkom ich práce bolo zistenie, že predikčný model kvality rezu založený na neurónovej sieti so spätným šírením dosahoval najväčšiu presnosť predikcie kvality.

Engin [11] vo svojej práci predikoval hĺbku rezu pri delení prírodných kameňov. Vytvoril modely umelých neurónových sietí, ktoré umožňovali predikciu konkrétnych operačných parametrov pre rezanie konkrétneho typu kameňa. Tvrdil, že predikcia reznej hĺbky je hodnotným nástrojom pre riadené obrábanie povrchu kameňov.

Tang, Lu a Sun [12] v roku 2013 študovali model umelej neurónovej siete s využitím spätného šírenia chýb. Na základe teoretických poznatkov o umelých neurónových sieťach a výsledkoch experimentov prezentovali, že ich model neurónovej siete pre delenie hydroabrazívnym prúdom obsahuje šesť ovplyvňujúcich faktorov ako tlak, hmotnostný tok abrazíva, vzdialenosť rezaného objektu, hrúbka obrobku, priemer dýzy a rezná rýchlosť. Ďalej vo svojej práci navrhli jednotku predikcie reznej rýchlosti pre realizáciu vizualizácie sieťového modelu vychádzajúceho z Deplhi, poskytujúcu predpoklady pre integráciu do NC systému. Výsledky ich práce ukázali, že sieťový model integrovaný s NC systémom môže predikovať reznú rýchlosť veľmi rýchlo, presne a spoľahlivo, a tak je možné realizovať efektívne riadenie kvality v procese delenia.

Z analýzy súčasného stavu je vidieť, že využitiu umelých neurónových sietí pre aplikáciu v oblasti hydroabrazívneho delenia sa venovala len malá časť autorov. Na základe tejto skutočnosti môžeme tvrdiť, že táto práca bude aj prínosom k riešeniu danej problematiky v oblasti využitia modelu umelej neurónovej siete pre predikciu parametra profilu drsnosti Ra, prezentovaného v návrhu možného spôsobu monitorovania technológie (obr. 1).

obr1

Experimentálna štúdia

Nakoľko návrh monitorovania technológie hydroabrazívneho delenia nie je ani zďaleka jednoduchou úlohou, je potrebné samotnú realizáciu návrhu rozdeliť na niekoľko etáp. Keďže predikcia hodnoty parametra profilu drsnosti Ra je v tomto návrhu (obr. 1) zabezpečená modelom umelej neurónovej siete, budeme sa ďalej venovať vytvoreniu takéhoto modelu. Pri tvorbe architektúry umelej neurónovej siete sme vychádzali z prvotného návrhu, v ktorom sa počítalo s využitím informácií získaných z vibračného signálu, ale vzhľadom na nedostatok dát nebolo možné prvotný návrh realizovať a bolo potrebné ho zmeniť. Nový návrh architektúry modelu umelej neurónovej siete prezentovaný na obrázku 2 počíta s trojicou vstupných parametrov, ako rýchlosť posuvu deliacej hlavice, hmotnostný tok abrazíva a hĺbka rezu. Výstupom je predikovaná hodnota parametra profilu drsnosti Ra. Modely umelých neurónových sietí sme vytvárali s využitím programového vybavenia MathWorks MATLAB verzie R2013b. Nami vytvorené modely umelých neurónových sietí mali štruktúru doprednej neurónovej siete s algoritmom spätného šírenia. Pri hľadaní vhodnej topológie pre riešenie nášho problému sme vytvorili niekoľko desiatok sietí s rozdielnym nastavením počtu neurónov a počtu skrytých vrstiev. Ako funkciu trénovania sme volili Bayesovskú regularizáciu alebo algoritmus učenia podľa Levenberg – Marquardta. Aktivačná funkcia neurónov predstavovala tangenciálny sigmoid.

obr2

Výsledky experimentu

Cieľom vykonaného experimentu bolo nájsť takú topológiu umelej neurónovej siete, pri ktorej by daná umelá neurónová sieť bola schopná predikcie správnej hodnoty parametra profilu drsnosti Ra na základe privedených vstupov. Sledovaným parametrom bola minimálna hodnota parametra MSE („Mean Square Error“). Celkovo sme vytvorili vyše 150 neurónových sietí, pričom každá sieť sa líšila v počte neurónov, v počte skrytých vrstiev a vo zvolenej trénovacej funkcii. Výsledky tohto experimentu sú popísané nižšie.

Trénovanie podľa Levenberg-Marquardta

Nasledujúci obrázok (obr. 3) znázorňuje grafickú závislosť hodnôt parametra MSE na počte neurónov a na počte skrytých vrstiev, pričom ako trénovacia funkcia bol zvolený algoritmus Levenberg-Marquardt. Z obrázku je zrejmé, že použitím dvoch skrytých vrstiev dosiahneme rádovo menšie hodnoty parametra MSE. Pri trénovaní pomocou algoritmu Levenberg-Marquardta dosiahla minimálnu hodnotu parametra MSE sieť s konfiguráciou 3-29-29-1 (tri vstupné neuróny, dvadsať deväť neurónov v prvej skrytej vrstve a rovnako aj v druhej, jeden neurón vo výstupnej vrstve). Opätovným pretrénovaním sieť nedosiahla ani v jednom prípade približne rovnaké hodnoty parametra MSE, a preto je pre riešenie nášho problému nevhodná.

obr3

Trénovanie prostredníctvom Bayesovskej regularizácie

Na obrázku 4 je vidieť grafické závislosti hodnôt parametra MSE na počte neurónov a na počte skrytých vrstiev pri použití Bayesovskej regularizácie ako funkcie trénovania. Rovnako, ako v predchádzajúcom prípade, aj v tomto môžeme pozorovať výrazný pokles hodnôt parametra MSE s postupným zvyšovaním počtu neurónov a počtu skrytých vrstiev. Víťaznou topológiou, t.j. topológiou s minimálnou hodnotou parametra MSE sa stala sieť o konfigurácií 3-24-19-1, ktorá aj opätovným pretrénovaním dosahovala podobné hodnoty parametra MSE, a tak sa stala vhodnou na riešenie predikcie hodnoty parametra profilu drsnosti Ra.

obr4

Funkčnosť siete

Nami vytvorenú nakonfigurovanú a natrénovanú sieť sme podrobili simulácii, ktorej cieľom bolo určiť schopnosť siete reagovať na rôzne hodnoty vstupných parametrov, čím sme chceli determinovať možnosť použitia tejto siete v prezentovanom návrhu možného spôsobu monitorovania delenia hydroabrazívnym prúdom.

Simulácia siete sa uskutočnila celkovo v dvoch režimoch. V prvom sme odsimulovali funkčnosť siete spôsobom, keď sme na vstup siete priviedli súbor normalizovaných hodnôt vstupných parametrov (pomocou funkcie mapminmax), s ktorými sa sieť stretla počas jej trénovania. Výstupné hodnoty predikované sieťou sme porovnali s nameranými hodnotami. Výsledkom tohto porovnania bolo zistenie, že sieť dokáže predikovať hodnotu parametra profilu drsnosti Ra s vynikajúcou presnosťou. Predikcia týchto hodnôt nebola v každom prípade stopercentne ideálna (obr. 5), nakoľko proces delenia hydroabrazívnym prúdom je zložité matematicky popísať, no napriek tomu sieť dosiahla minimálne odchýlky od požadovanej hodnoty.

obr5

V druhom režime sme sa pokúsili odsimulovať funkčnosť siete vzhľadom na hodnoty vstupných parametrov, s ktorými sieť v procese trénovania neprišla do kontaktu (hodnoty hĺbky v rozsahu od 12 mm do 20 mm). Zo zostrojenej grafickej závislostí a na základe teoretických poznatkov o technológii môžeme vidieť, že sieť nedokázala predikovať správne hodnoty parametra profilu drsnosti Ra. Táto neschopnosť bola spôsobená normalizáciou dát.

obr6

Záver

Táto práca vznikla s cieľom prispieť svojim obsahom k riešenej problematike, týkajúcej sa priebežného monitorovania procesu delenia hydroabrazívnym prúdom. Na dosiahnutie požadovaného cieľa sme svoju pozornosť zamerali na využitie modelu umelej neurónovej siete. Umelé neurónové siete predstavujú veľmi výkonný algoritmus, ktorého snahou je napodobniť funkciu a výpočtové schopnosti ľudského mozgu. Vyznačujú sa teda výraznou schopnosťou učenia, ktorá z nich robí veľmi efektívny nástroj pre riešenie rôznorodých problémov týkajúcich sa aproximácie funkcií, regresnej analýzy, rôznych klasifikácií, rozpoznávania vzorov či rozhodovania. V súčasnosti môžeme aplikácie neurónových sietí nájsť v oblastiach procesnej kontroly, automobilového priemyslu, astronautike či v bankovníctve.

Samotný návrh modelu umelej neurónovej siete sme realizovali pomocou programu Matlab, verzie R2013b. Pri vytváraní súboru dát potrebného pre trénovanie siete sme narazili na problém, týkajúci sa priradenia nameranej hodnoty parametra profilu drsnosti Ra k odpovedajúcim nameraným hodnotám parametrov PTP a RMS. Vzhľadom na súbory dát, ktoré sme mali k dispozícií nebolo možné toto priradenie uskutočniť, na základe čoho sme museli pristúpiť ku zmene pôvodného návrhu architektúry umelej neurónovej siete. Návrh novej architektúry siete obsahoval trojicu vstupov (rýchlosť posuvu deliacej hlavice, hmotnostný tok abrazíva a hĺbka rezu) a jeden výstup (hodnota parametra profilu drsnosti Ra). Vytvorením trénovacieho súboru dát pre takto pozmenenú architektúru siete sme mohli prejsť k samotnej realizácií modelov umelých neurónových sietí. Vytvorili sme vyše 150 neurónových sietí s rôznou konfiguráciou nastavení týkajúcich sa aktivačných funkcií neurónov, počtu neurónov či počtu vrstiev. Takto vytvorené modely umelých neurónových sietí boli podrobené trénovaniu pomocou dvojice rozdielnych trénovacích funkcií. Pri výbere vhodnej topológie siete pre riešenie nášho problému, bola pre nás rozhodujúca minimálna hodnota parametra MSE, ktorá predstavuje rozdiel medzi hodnotou predikovanou sieťou a požadovanou hodnotou získanou meraním. Vyhodnotením získaných výsledkov sme došli k záveru, že na predikciu hodnoty parametra profilu drsnosti Ra použijeme sieť s topológiou 3-24-19-1.

Funkčnosť zvolenej umelej neurónovej siete sme overili dvojakým spôsobom. Pri prvom spôsobe sme v sieti prezentovali súbor hodnôt vstupných parametrov, s ktorými sa sieť stretla počas učenia. Pri druhom spôsobe sme predchádzajúci súbor hodnôt doplnili o ľubovoľne hodnoty vstupných parametrov, ktoré sieť počas tréningu nemala možnosť vidieť. Výstupom tohto overenia funkčnosti siete boli zistenia, ktoré potvrdili, že sieť je schopná predikovať správne hodnoty parametra profilu drsnosti Ra vzhľadom na súbor dát, ktorý bol použitý pri tréningu. Pokiaľ sme tento súbor doplnili o ďalšie hodnoty, sieť predikciu hodnôt parametra profilu drsnosti Ra nezvládla. Pravdepodobnou príčinou straty tejto schopnosti je nevhodnosť zvolenia funkcie na normalizáciu dát aj napriek tomu, že s normalizovaným súborom dát sme dosahovali počas trénovania siete rádovo menšie hodnoty parametra MSE, ktorý bol rozhodujúci pri výbere vhodnej topológie siete.

Na základe týchto zistení, ako aj na základe získaných poznatkov a praktických skúseností s návrhom, vytvorením a trénovaním umelých neurónových sietí môžeme konštatovať, že danú sieť nie je možné použiť ako rozhodujúci funkčný blok navrhnutého spôsobu monitorovania tejto technológie, nakoľko daný model umelej neurónovej siete nepracuje s dátami získanými priamym monitorovaním procesu delenia. Nami vytvorená a natrénovaná umelá neurónová sieť je síce schopná predikovať správne hodnoty parametra profilu drsnosti Ra, ale len ak sú splnené nasledujúce podmienky:

1)         Delený materiál je nehrdzavejúca oceľ 17 240.

2)         Rýchlosť posuvu deliacej hlavice nadobúda konštantné hodnoty: 50/75/100/150 mm/min.

3)         Hmotnostný tok abrazíva nadobúda konštantné hodnoty: 250 g/s a 400 g/s.

4)         Hrúbka deleného materiálu sa pohybuje do veľkosti 12 mm.

 

Poďakovanie

Táto práca bola podporovaná Agentúrou na podporu výskumu a vývoja na základe Zmluvy č. APVV-207-12.

 

Literatúra:

[1] SRINIVASU, D. S.; BABU, N. R.: A neuro-genetic approach for selection of process parameters in abrasive waterjet cutting considering variation in diameter of focusing nozzle. In: Applied soft computing. 2008, č. 8, s. 809 – 819. ISSN 1568-4946

[2] SRINIVASU, D. S.; BABU, N. R.: An adaptive control strategy for the abrasive waterjet cutting process with the integration of vision-based monitoring and a neuro-genetic control strategy. In: The International Journal of Advanced Manufacturing Technology. 2008, č. 38, s. 514 – 523. Online ISSN 1433-3015

[3] CAYDAS, Ulas; HASCALIK, Ahmet: A study on surface roughness in abrasive waterjet machining proces using artificial neural networks and regression analysis method. In: Journal of Materials Processing Technology. 2008, č. 202, s 574 – 582. ISSN 0924-0136

[4] PARIKH, P. J.; LAM, S. S.: Parameter estimation for abrasive water jet machining process using neural network. In: The International Journal of Manufacturing Technology. 2009, č. 40, s. 497 – 502. Online ISSN 1433-3015

[5] WANG, W.; WANG, M.; YAN, X.: Study on the material removal control process of abrasive water jet. In: Conference preceedings of  2011 International Conference on Electric Information and Control Engineering. 2011, č. článku 5777072, s. 4 594 – 4 552. ISBN 978-142448039-5

[6] KOK, M.; KANCA, E.; EYERCIOGLU, O.: Prediction of surface roughness in abrasive waterjet machining of particle reinforced MMCs using genetic expression programming. In: The International Journal of Advanced Manufacturing Technology. 2011, č. 55, s. 955 – 968. Online ISSN 1433-3015

[7] ZAIN, A. M.; HARON, H.; SHARIF, S.: Estimation of the minimum machining performance in the abrasive waterjet machining using integrated ANN-SA. In: Expert System with Application. 2011, č. 38, s. 8 316 – 8326. ISSN 0957-4174

[8] MADIĆ, Miloš; RADOVANOVIĆ, Miroslav: Mathematical modeling and analysis of AWJ cutting of carbon steel S275JR using ANN. In: Academic Journal of Manufacturing Engineering. 2011, č. 9, s. 49 – 54. ISSN 1583-7904

[9] VUNDAVILLI, P. R. et al.: Fuzzy logic-based expert system for prediction of depth of cut in abrasive water jet machining process. In: Knowledge-based System. 2012, č. 27, s. 456 – 464. ISSN 0950-7051

[10] GUO, Q.; LI, J.; DAI, X.: Cutting quality prediction of a quasi-5-axis abrasive waterjet machine with an adjustable workhead. In: Conference Proceedings of 2012 9th IEEE International Conference on Networking, Sensing and Control. 2012, č. článku 6204913, s. 181 – 186. ISBN 978-146730388-0

[11] ENGIN, Ifran C.: A correlation for predicting the abrasive water jet cutting depth for natural stones. In: South African Journal of Science. 2012, č. 108, s. 69 – 79. ISSN 0038-2353

[12] TANG, J.; LU, Y.; SUN, H.: Study on visual BP neural network cutting model for abrasive water jet. In: Journal of Sichuan University. 2013, č. 45, s. 164 – 170. ISSN 1009-3087

 

TEXT/FOTO Beáta Gánovská a kolektív, Fakulta výrobných technológií TUKE so sídlom v Prešove a Ústav Geoniky AV ČR, v. v. i., Ostrava Poruba

Ďalší spoluautori: Daniel Kinik, Alexander Hošovský, Ján Piteľ, Sergej Hloch