Разработка методики обеспечения качества швейных изделий на стадии их изготовления с использованием аппарата нейронных сетей

4.1 Выбор нейросетевого пакета для реализации задачи анализа и прогнозирования качества швейных изделий

В настоящее время известно большое количество нейропакетов, выпускаемых рядом фирм и отдельными исследователями, позволяющих конструировать, обучать и использовать нейронные сети для решения практических задач. Сегодня на рынке нейро-эмуляторы представлены в виде:

- готовых нейропакетов, представляющих из себя законченные программные продукты для решения задач диагностики, прогнозирования и статистической обработки данных;

- инструментальных средств разработки нейроприложений, предназначенных для создания готовых нейросетевых приложений в различных предметных областях;

- нейросетевых продуктов, подготовленных (обученных и оттестированных) для решения конкретных бизнес-задач [22]

Программы, работающие с нейронными сетями дают полный доступ к созданию нейросети и ее обучению, а также исследованию результатов. Они позволяют как обучаться теории работы нейросетей, так и производить расчеты, прогнозы и исследования с помощью нее, а так же осуществлять ряд прикладных задач, сложно осуществимых с помощью стандартных средств. Такие программы называют нейросимуляторами.[23]

Ниже рассмотрены несколько наиболее часто используемых нейропакетов, предназначенных для реализации на персональных компьютерах (все программные средства, как правило, совместимы с Microsoft Windows), с возможностью использования для построения прогнозных значений.

BrainMaker ,выпущенный на рынок фирмой California Scientific Software - это программный продукт, с которого началась история применения нейронных сетей в России. В этом пакете на профессиональном уровне реализована классическая многослойная нейронная сеть. Это единственная программа, в которой есть возможность настройки всех параметров нейронных сетей и алгоритмов обучения.

NeuroShell, является универсальной программой, благодаря тому, что она была первой русифицированной нейросетевой программой с удобным интерфейсом, завоевала широкое распространение на российском рынке. [24] Программный продукт NeuroShell 2 - это универсальный пакет, предназначенный для нейросетевого анализа данных. С его помощью можно решать широкий спектр задач. NeuroShell 2 включает в себя: систему для начинающего, систему для профессионала и средства автономного использования. Кроме того, существуют пакеты дополнений к NeuroShell 2, которые позволяют существенно упрощать решение отдельных задач.[25]

Библиотека алгоритмов OWL написана на языке "С" и предназначена для опытных программистов. В OWL собраны 20 различных нейросетевых моделей. Для того, чтобы "развернуть" нужную сеть, пользователю достаточно выбрать модуль и задать параметры, определяющие режим создания и функционирования сети. Функциональные параметры зависят от модели и могут быть изменены в динамике.

Аналогом OWL является динамическая библиотека Neuro Window, предлагаемая компанией Ward Systems Group. NeuroWindows обеспечивает удобное использование библиотечных функций, написанных на языках Visual С⁺⁺, Delphi, Access Basic и других, быстрое обучение нейронных сетей за счет наличия оптимизированного кода для наиболее популярных моделей.

Statistica - мощнейшее обеспечение для анализа данных и поиска статистических закономерностей. В данном пакете работа с нейросетями представлена в модуле STATISTICA Neural Networks (сокращенно, ST Neural Networks, нейронно-сетевой пакет фирмы StatSoft), представляющий собой реализацию всего набора нейросетевых методов анализа данных.

STATISTICA Neural Networks - это универсальный пакет нейросетевого анализа. Он может работать и как самостоятельное приложение, и в рамках системы STATISTICA или Quick STATISTICA. В программе используются самые современные и мощные алгоритмы обучения сети с возможностью создавать сложные, практически не ограниченные в размерах комбинации из сетей различных архитектур, выборочно обучать фрагменты нейронной сети.[26]

Deductor , разработанная российской компанией BaseGroup Labs (Рязань), является аналитической платформой, т.е. основой для создания законченных прикладных решений. Реализованные в Deductor технологии позволяют на базе единой архитектуры пройти все этапы построения аналитической системы: от создания хранилища данных до автоматического подбора моделей и визуализации полученных результатов. Deductor предоставляет аналитикам инструментальные средства, необходимые для решения самых разнообразных аналитических задач: корпоративная отчетность, прогнозирование, сегментация, поиск закономерностей - эти и другие задачи, где применяются такие методики анализа, как OLAP, Knowledge Discovery in Databases и Data Mining.[25]

Для реализации методики обеспечения качества швейных изделий на основе нейросетевой технологии была выбрана аналитическая платформа Deductor фирмы BaseGroup (Россия).

4.2 Формализация исходных данных для реализации задачи анализа и прогнозирования качества швейных изделий

Для реализации задачи анализа и прогнозирования качества швейных изделий на базе аналитической платформы Deductor необходимо выполнить отбор входных данных (количественно и качественно). Ранее были определены входы и выходы будущей нейросетевой модели (таблица 3.1, 3.2). В соответствии с тем, что для обучения нейронной сети наряду с входами имеются и выходы, таким образом использовать метод обучения "с учителем". Поэтому, началом работы программы является импорт данных в аналитическую платформу Deductor Studio.

Результаты определения параметров столбцов получили характеристики данных, представленные в таблице 4.1.

Таблица 4.1 - Результаты определения параметров столбцов

Наименование параметра	Имя столбца	Метка столбца	Тип данных	Вид данных	Назначение
Номер изделия	COL1	Номер	Целый	Дискретный	Информационный
Волокнистый состав материала	Х1	Х1	Строковый	Дискретный	Входной
Колористическое оформление материала	Х2	Х2	Строковый	Дискретный	Входной
Устойчивость окраски материала	Х3	Х3	Вещественный	Непрерывный	Входной
Уровень развития технологического оборудования	Х4	Х4	Вещественный	Непрерывный	Входной
Марка оборудования	Х5	Х5	Строковый	Дискретный	Входной
Тип стежка	COL7	Х6.1	Вещественный	Непрерывный	Входной
Число стежков в 10 мм строчки	COL8	Х6.2	Вещественный	Непрерывный	Входной
Вид и номер ниток	COL9	Х6.3	Строковый	Дискретный	Входной
Используемые иглы	COL10	Х6.4	Вещественный	Непрерывный	Входной
Температура нагрева гладильной поверхности	COL11	Х6.5	Вещественный	Непрерывный	Входной
Вид гладильной поверхности	COL12	Х6.6	Строковый	Дискретный	Входной
Время воздействия гладильной поверхности	COL13	Х6.7	Вещественный	Непрерывный	Входной
Количество дефектов, возникающих в группе сырья и вспомогательных материалов	Х11	Х11	Вещественный	Непрерывный	Входной
Дефекты, возникающие по причине технологического оборудования	Х12	Х12	Вещественный	Непрерывный	Входной
Количество дефектов, возникающих по причине технологического оборудования	Х13	Х13	Вещественный	Непрерывный	Входной
Дефекты, возникающие при работе исполнителей	Х14	Х14	Вещественный	Непрерывный	Входной
Количество дефектов, возникающих при работе исполнителей	Х15	Х15	Вещественный	Непрерывный	Входной
Показатель качества	Q	Q	Вещественный	Непрерывный	Выходной

После определения параметров всех столбцов, осуществляется запуск импорта. Выбирается способ отображения данных - таблица. Получили таблицу, отражающую все данные, используемые для построения нейронной сети.

Для оценки значимости входных данных необходимо произвести корреляционный анализ, который дает возможность установить, ассоциированы ли наборы данных по величине, то есть, большие значения из одного набора данных связаны с большими значениями другого набора (положительная корреляция), или, наоборот, малые значения одного набора связаны с большими значениями другого (отрицательная корреляция), или данные двух диапазонов никак не связаны (нулевая корреляция). Результаты корреляционного анализа представлены в таблице 4.2.

Таблица 4.2 - Результаты корреляционного анализа

Наименование измерения	Входные поля	Корреляция с выходными полями
Номер изделия	Номер	-
Волокнистый состав материала	Х1	-
Колористическое оформление материала	Х2	-
Устойчивость окраски материала	Х3	- 0,062
Уровень развития технологического оборудования	Х4	0,268
Марка оборудования	Х5	-
Тип стежка	Х6.1	0,209
Число стежков в 10 мм строчки	Х6.2	0,209
Вид и номер ниток	Х6.3	-
Используемые иглы	Х6.4	0,208
Температура нагрева гладильной поверхности	Х6.5	- 0,193
Вид гладильной поверхности	Х6.6	-
Время воздействия гладильной поверхности	Х6.7	- 0,239
Давление	Х6.8	- 0,189
Увлажнение	Х6.9	- 0,227
Дополнительные функции	Х6.10	-
Уровень квалификации работника	Х7	0,186
Стаж работы исполнителя	Х8	0,225
Использование нормативной документации	Х9	-
Дефекты, возникающие в группе сырья и вспомогательных материалов	Х10	- 0,215
Количество дефектов, возникающих в группе сырья и вспомогательных материалов	Х11	- 0,189
Дефекты, возникающие по причине технологического оборудования	Х12	- 0,612
Количество дефектов, возникающих по причине технологического оборудования	Х13	- 0,716
Дефекты, возникающие при работе исполнителей	Х14	- 0,386
Количество дефектов, возникающих при работе исполнителей	Х15	- 0,404
Показатель качества	Q	-

В результате проведения корреляционного анализа выявлено, что при пороге значимости равном 0,05 наиболее значимым параметром является фактор Х4, то есть параметр уровня развития технологического оборудования (0,268) и наименее значимым - Х3, то есть параметр устойчивости окраски материала (-0,062), так как он входит в пределы значимости в построении модели, поэтому он тоже будет учтен.

4.3 Обучение нейронной сети и анализ полученных результатов

После того, как был произведен импорт данных и оценка их значимости, производится последовательное построение нейросетевой модели. На первом этапе построения модели необходимо произвести настройку назначений исходных данных столбцов, затем преобразовать исходные данные, то есть привести входные данные к некоторому стандартному диапазону, данная процедура называется нормализацией.

Нормализация параметров, имеющих цифровые значения, выполнена линейно и приведена к интервалу [-1;1]. Для дискретных параметров использовался нормализатор битовая маска.

Далее происходит разделение исходного множества на тестовое и обучающее, которое настраивается автоматически, в результате чего, обучающее множество составило 95%, тестовое - 5% .

На следующем этапе определяется активационная функция. В данном случае берется сигмоидальная функция. Крутизна этой функции для упрощения принимается равной 1. Количество скрытых слоев в нейронной сети в соответствии с теоремой Колмогорова может быть равно одному или двум скрытым слоям, большее количество слоев приведет к переобучению модели и не достоверным значениям. Количество нейронов в скрытых слоях определяется из условия, что количество нейронов в скрытом слое принимает значения от N до 3N. Поэтому для правильного определения количества нейронов в скрытом слое обучим сети с 30 нейронами, 60 и 90.

На следующем этапе производится настройка процесса обучения нейронной сети, для этого, выбирается алгоритм и задаются параметры обучения сети. В аналитической платформе Deductor Studio, представлены две архитектуры: с использованием алгоритма обратного распространения ошибки и RPROP, одна из которых подбирается опытным путем, настройки которой устанавливаются автоматически.

Далее задаются условия, при выполнении которых обучение будет прекращено. Здесь в автоматическом режиме задана эпоха, по достижению которой, обучение прекратится, также здесь задается ошибка, при которой пример будет считаться распознанным.

Следующим этапом является собственно обучение сети. Здесь определяются доли случаев неправильной диагностики входных данных нейронной сетью и анализ результатов работы сети. Полученные нейронные сети с различными вариантами некоторых графов и нейронных архитектур представлены на рисунках 4.1 - 4.6.

Одним из первых видов анализа проводимых для определения точности обучения различных нейросетевых алгоритмов, является анализ выходных значений (Q), показанных на диаграммах рассеяния (рисунки 4.2, 4.4, 4.6), представленные программным продуктом. Диаграмма рассеяния служит для наглядной оценки качества обучения модели с помощью результатов сравнения непрерывных значений выходного поля и непрерывных значений того же поля, но рассчитанных моделью.

Рисунок 4.1 - Второй вариант графа нейросетевой модели - 1 скрытый слой, 60 нейронов, обучающий алгоритм RPROP (30х60х1)

Рисунок 4.2 - Второй вариант архитектуры нейросетевой модели - 1 скрытый слой, 60 нейронов, обучающий алгоритм RPROP (30х60х1)

Рисунок 4.3 - Четвертый вариант графа нейросетевой модели - 1 скрытый слой, 30 нейронов, обучающий алгоритм обратного распространения ошибки (30х30х1)2

Рисунок 4.4 - Четвертый вариант архитектуры нейросетевой модели - 1 скрытый слой, 30 нейронов, обучающий алгоритм обратного распространения ошибки (30х30х1)2



Рисунок 4.5 - Девятый вариант графа нейросетевой модели- 2 скрытых слоя: 1слой-30 нейронов, 2 слой-30 нейронов, алгоритм обучения RPROP (30х30х30х1)

Рисунок 4.6 - Девятый вариант нейросетевой архитектуры - 2 скрытых слоя: 1слой-30 нейронов, 2 слой-30 нейронов, алгоритм обучения RPROP (30х30х30х1)

На диаграмме рассеяния отображаются выходные значения для каждого из примеров обучающей выборки, координаты которых по оси Х - это значение выхода на обучающей выборке (эталон), а по оси Y - значение выхода, рассчитанное обученной моделью на том же примере. Прямая диагональная линия представляет собой ориентир (линию идеальных значений). Чем ближе точка к этой линии, тем меньше ошибка модели.

В результате анализа выходных значений (Q), представленных на диаграммах рассеяния нейросетевых моделей можно сделать вывод о том, что наиболее точными данными обладают сети, для построения которых использовалась архитектура с использованием алгоритма Resilient Propagation (RPROP). На диаграммах рассеивания видно, что сети, построенные на основе архитектуры Back-Propagation при обучении, имеют некоторые полученные эталонные значения сети, которые не совпадают с рассчитанными сетью, тестовое множество, также имеет большие отклонения. Некоторые архитектуры RPROP также имеют рассчитанные значения, не соответствующие эталонным значениям.

В полученных решениях количество слоев особым образом не повлияло на результат, но немного улучшило его, но и увеличило время обучения сети, таким образом, для решения этой задачи есть возможность применения двух скрытых слоев. Для более точного результата оптимальным количеством нейронов является 30 нейронов в двух скрытых слоях.

Таким образом, для дальнейшего использования и применения, наиболее подходящей является нейронная сеть с двумя скрытыми слоями, с 30 нейронами в каждом слое, и используемая архитектура сети алгоритм - Resilient Propagation (RPROP). Но данный способ является не точным. Для более тщательного анализа необходимо выполнить расчет статистических характеристик, который позволяет наглядно увидеть результаты нейросетевого обучения, не вдаваясь в подробности проектирования нейронных сетей под определенную задачу.

Для анализа полученных нейросетевых архитектур выполнен расчет значений абсолютной и относительной ошибок.

Анализируя эталонные значения показателей качества Q и значения Q_OUT, рассчитанного сетью при построении архитектур, можно сказать о том, что значения рассчитанные сетью имеют небольшие отклонения от эталонных. Построены сравнительные диаграммы абсолютных и относительных ошибок при обучении сети. Данные диаграммы позволяют увидеть, на сколько обученные сети дают точные результаты. Лучшими результатами данного анализа является девятая нейронная архитектура. На рисунках 4.7 и 4.8 представлены сравнительные диаграммы абсолютных и относительных ошибок различных нейросетевых архитектур, используемых для обучения. Для наглядного определения сети обладающей наилучшими показателями выполним расчет сводных статистических характеристик результатов абсолютной ошибки.

Для нахождения среднего арифметического значения используется формула

(4.1)

где - результаты расчета абсолютных ошибок всех используемых примеров; - общее число примеров.

Среднее квадратичное отклонение находят по формуле

(4.2)

Коэффициент вариации, который характеризует отклонение изменения измерений относительно средних значений и находится по формуле

(4.3)

Служит для сравнения величин рассеяния по отношению к выборочной средней двух вариационных рядов. Доверительный интервал - это интервал в который попадает истинное значение измеряемой величины с заданной вероятно

Рисунок 4.7 - Сравнение абсолютных ошибок различных нейросетевых архитектур

Рисунок 4.8 - Сравнение относительных ошибок различных нейросетевых архитектур

стью или с задаваемым уровнем значимости , при этом называют абсолютной ошибкой выборки и вычисляют по формуле

(4.4)

где - находят либо из таблиц распределения Стьюдента по заданному уровню значимости и числу степеней свободы , либо по заданной доверительной вероятности и объему выборки из таблиц для .

(4.5)

Относительная ошибка выборки величина, показывающая точность полученных результатов и если она меньше либо равна 5% то результаты хорошие, если 5-10% то результаты удовлетворительные, больше 10% - не удовлетворительные.

Грубые отклонения измерений определяем с помощью правила , либо , либо с помощью доверительного интервала по заданной , для этого вычисляют и :

Расчет статистических показателей выполнен на основе значения абсолютной ошибки, так как именно разница между значением показателя качества Q, используемое для обучения (подаваемое на выход), и значением показателя качества, полученное сетью после обучения, характеризует величину, на которую истинное значение показателя качества отклоняется в ту или иную сторону. В результате статистического анализа различных нейросетевых архитектур получили данные представленные в таблице 4.3

Наиболее низкими значениями статистического анализа обладает девятая нейросетевая архитектура. Коэффициент вариации (374,71424) говорит о том, что девятая нейросетевая архитектура имеет наименьшее рассеяние относительно

Таблица 4.3 - Сводная таблица статистических данных полученных нейросетевых архитектур

средней выборочной. Абсолютная ошибка выборки также имеет наименьшее значение (0,000046). Доверительный интервал девятой нейросетевой архитектуры также имеет более узкие границы, что свидетельствует о небольшом разбросе абсолютной ошибки показателя качества относительно среднего значения. Относительная ошибка девятой нейросетевой архитектуры составила 19,11357, что меньше, чем у других рассматриваемых архитектур, но больше границ предусмотренных в швейной промышленности. Если данный результат удовлетворяет требованиям, то на этом обучение нейросетевой архитектуры может быть законченно, выбрана сеть, обладающая лучшими результатами.

Если данный анализ не удовлетворяет, возможно, продолжить обучение, изменяя сначала "Режим останова обучения", так как возможно сеть не доучена или переучена (об этом говорилось ранее в предыдущих разделах), либо изменяя параметры архитектур нейронных сетей (изменение количества нейронов, количество слоев и т.д.). После чего в "Статусе пакетной обработки" выполняется использование сети на реальных данных, на основе которых и будет осуществляться прогнозирование показателя качества.

4.4 Прогнозирование качества швейных изделий с использованием нейронной сети и анализ полученных результатов

Для прогнозирования качества швейных изделий в программе Deductor используется визуализатор "что-если", который позволяет прогонять через построенную модель данные и оценивать влияние различных факторов на результат.

Первым видом анализа является выявление зависимостей влияния полиэфирной и полушерстяной тканей (Х1), при изменении различных факторов, на показатель качества Q. На рисунке 4.9 представлен график зависимости влияния используемых тканей на показатель качества Q при использовании оборудования 1095 кл.

Рисунок 4.9 - График зависимости влияния тканей (при использовании машины марки 1095) на показатель качества Q

Из показателей качества Q данного графика видна зависимость, при которой возрастание данного показателя происходит постепенно, от использования полушерстяной ткани до полиэфирной. Необходимо определить данную зависимость путем сочетания различных исходных данных (входных значений). Полученные зависимости представлены на диаграмме (рисунок 4.10).



Рисунок 4.10 - Диаграмма зависимости влияния входных значений используемых тканей на показатель качества Q (при использовании машины марки 1095).

Далее представлен анализ зависимостей влияния вида оборудования (Х5), при изменении параметров режимов обработки, на показатель качества Q. На рисунке 4.11 представлены зависимости, при использовании швейного оборудования и таких режимов обработки как вид ниток 33Л, иглы №100, 301 типе стежка с частотой стежка в 1 см - 5. На рисунке 4.12 представлены зависимости, при использовании швейного оборудования и таких режимов обработки как вид ниток 50ЛХ, иглы №100, 301 типе стежка с частотой стежка в 1 см - 4. В результате чего, что при первом виде параметров режимов обработки высокие показатели качества получились при использовании следующего вида оборудования: 1095кл (0,950), 275кл (0,920), 564кл (0,990), в то время как при втором виде режимов обработки данное оборудование имеет сравнительно низкие показатели, более высокие получили: 1183кл (0,990) и 487кл (0,990).

Рисунок 4.11 - График зависимости влияния швейного оборудования (нитки 33Л, иглы №100, 301 тип стежка с частотой стежка в 1 см - 5) на показатель качества Q



Рисунок 4.12 - График зависимости влияния швейного оборудования (нитки 50ЛХ, иглы №100, 301 тип стежка с частотой стежка в 1 см - 4) на показатель качества Q.

Для более точного анализа влияния различных факторов на показатель качества Q в зависимости от технологического оборудования представлена диаграмма зависимости влияния входных значений (режимов обработки) используемого швейного оборудования на показатель качества (рисунок 4.13). На данной диаграмме представлены значения двух показателей качества соответствующие двум графикам зависимости влияния швейного оборудования на показатель качества.

Рисунок 4.13 - Диаграмма зависимости влияния входных значений (режимов обработки) используемого швейного оборудования на показатель качества

Исходя из показателей данной диаграммы, можно сделать вывод о том, что показатели качества для каждого вида оборудования выражают зависимость, при которой возрастание или убывание данного показателя происходит постепенно. Для выявления данной зависимости необходимо провести тщательный анализ влияния различных параметров режимов обработки для каждого вида оборудования. Данный анализ является длительным и трудоемким процессом, поэтому в этой дипломной работе рассматриваться не будет.

На рисунке 4.14 представлены зависимости, при использовании оборудования для ВТО и таких режимов обработки как температура нагрева гладильной поверхности 110⁰С, вид гладильной поверхности - электропаровая, время воздействия - 35с, давление - 0,02 МПа. На рисунке 4.15 представлены зависимости, при использовании оборудования для ВТО и таких режимов обработки как температура нагрева гладильной поверхности 120⁰С, вид гладильной поверхности - паровая, время воздействия - 35с, давление - 0,03 МПа. В результате чего, что при первом виде параметров режимов обработки высокие показатели качества получились при использовании следующего вида оборудования: 243кл (0,990), 710кл (0,990), в то время как при втором виде режимов обработки данное оборудование имеет более низкие показатели, высокие получены были при использовании оборудования 905кл (0,980) и 218кл (0,980). Сравнительно не высокие показатели, при использовании двух видов режимов обработки получили оборудования 216кл (0,84) и 100кл (0,860).

Рисунок 4.14 - График зависимости влияния оборудования для ВТО (температура нагрева гладильной поверхности 110⁰С, вид гладильной поверхности - электропаровая, время воздействия - 35с, давление - 0,02 МП) на показатель качества Q



Рисунок 4.15 - График зависимости влияния оборудования для ВТО (температура нагрева гладильной поверхности 120⁰С, вид гладильной поверхности - паровая, время воздействия - 35с, давление - 0,03 МПа) на показатель качества Q

Для более точного анализа влияния различных факторов на показатель качества Q в зависимости от оборудования ВТО представлена диаграмма зависимости влияния входных значений (режимов обработки) используемого оборудования на показатель качества (рисунок 4.16). На данной диаграмме представлены значения двух показателей качества соответствующие двум графикам зависимости влияния оборудования ВТО на показатель качества.

Рисунок 4.16 - Диаграмма зависимости влияния входных значений (режимов обработки) используемого швейного оборудования на показатель качества

Исходя из показателей данной диаграммы, можно сделать аналогичный (в равнении со швейным оборудованием) вывод о том, что показатели качества для каждого вида оборудования выражают зависимость, при которой возрастание или убывание данного показателя происходит постепенно, но анализ данной зависимости в этой дипломной работе рассматриваться не будет.

Таким образом, при прогнозировании показателя качества в зависимости от различных параметров входных данных, выявляется зависимость, при которой возрастание или убывание данного показателя происходит постепенно. При анализе данной зависимости определяется сочетание различных исходных данных, которые позволяют выявлять точные прогнозные значения.

4.5 Выводы

1 Проанализированы нейросетевые программные продукты. Для реализации поставленных задач выбрана аналитическая платформа Deductor фирмы BaseGroup Labs, являющаяся основой для создания законченных прикладных решений. Реализованные в Deductor технологии позволяют на базе единой архитектуры пройти все этапы построения аналитической системы: от создания хранилища данных до автоматического подбора моделей и визуализации полученных результатов.

2 Реализована методика прогнозирования качества швейных изделий на стадии их изготовления. Выполнен анализ полученных результатов, в результате которого, для реализации методики обеспечения качества швейных изделий, наиболее точными данными обладают архитектуры с использованием алгоритма RPROP, с двумя скрытыми слоями. При расчете величины относительной ошибки, установлено, параметры полученного значения не соответствуют значением, предусмотренным в швейной промышленности, что говорит о несовершенстве разработанной нейросетевой архитектуры.

3 Выполнен анализ прогнозирования показателя качества в зависимости от различных параметров входных данных, в результате которого выявилась зависимость, при которой возрастание или убывание показателя происходит постепенно.

4 Составлено руководство пользователя, в котором выполнено подробное описание последовательного построения нейронной сети для реализации методики прогнозирования качества швейных изделий.

5. Расчет экономической эффективности от внедрения методики анализа и прогнозирования качества швейных изделий с использованием экспертных систем

Внедрение предлагаемой в настоящей работе методики даст возможность предприятию предупредить появление дефектов при обработке изделий на всех операциях технологического процесса. Это позволит значительно снизить фактическую стоимость их обработки за счет сокращения затрат времени и издержек на выявление дефектов и переделки, что приведет к снижению фабричной себестоимости и внепроизводственных затрат, связанных с рекламациями и возвратом некачественной продукции.

Согласно данным предприятия за 2008 год издержки на брак в потоке по изготовлению мужских пиджаков составили 788340 рублей, в том числе по причине внутрипроизводственных дефектов обработки изделий 25%, то есть 197085 рублей (текстильные дефекты в последнюю сумму не включены).

Внедрение программного продукта Deductor Studio, основанного на нейросетевой технологии, позволит полностью предотвратить появление дефектной продукции. Поэтому, указанные выше издержки можно считать экономией за счет повышения качества работы (Э_к

Стоимость программного продукта, S, руб., рассчитывается по формуле:

,

где Z - средняя заработная плата работника (аналитика - программиста), руб;

k₁ - коэффициент отчислений от заработной платы (k₁ = 1,26);

m - количество рабочих дней в месяце, дн.;

t - время, затраченное на подготовку к написанию базы данных, чел-дн;

t₀ - время на формирование программы и ее отладку, чел-дн;

k₂ - коэффициент, учитывающий накладные расходы (k₂ = 0,5);

С - стоимость одного часа эксплуатации машинного времени, руб/час.

Расчет стоимости пакетов программ Deductor Studio (фирмы BaseGroup Labs) представлен в таблице 5.2.

Таблица 5.2 - Стоимость пакета программ Deductor Studio

Модуль	Professional (руб)	Enterprise (руб)
Studio Viewer Warehouse Server Client	29000 8700 бесплатно - -	29000 8700 бесплатно 29000 бесплатно
Итого:	37700	66700

Капитальные затраты на покупку оборудования, программного продукта, пакета программ экспертной системы представлены в таблицах 5.3 и 5.4.

Таблица 5.3 - Капитальные затраты на покупку оборудования, программного продукта, пакета Deductor Professional (КЗ_DP).

Наименование	Количество	Сумма затрат, руб
Персональный компьютер	1	32000
Программный продукт	1	81120
Пакет программ Deductor Studio	1	37700
Итого:	-	150820

Таблица 5.4. - Капитальные затраты на покупку оборудования, программного продукта, пакета Deductor Enterprise (КЗ_DE).

Наименование	Количество	Сумма затрат, руб
Персональный компьютер	1	32000
Программный продукт	1	81120
Пакет программ Deductor Studio	1	66700
Итого:	-	179820

Условно, годовая экономическая эффективность от внедрения программного продукта может быть определена:

Э_уг=Э_к-Е·КЗ, (5.1)

где Е - нормативный коэффициент эффективности капитальных вложений (Е=0,15);

Э_к - экономия за счет повышения качества изделий;

КЗ - капитальные затраты на покупку оборудования, программного продукта, пакета Deductor Studio

В зависимости от выбора предлагаемых пакетов программ условная годовая экономическая эффективность составит:

Э_уг^DP =197085- 0,15·150820=174462руб;

Э_уг^DE =197085- 0,15·1179820=170112руб

Капитальные затраты на внедрение предлагаемой методики могут окупаться в течение года:

Т_ок=КЗ/Э_уг, (5.2)

где Т_ок - коэффициент окупаемости;

Э_к - экономия за счет повышения качества изделий;

КЗ - капитальные затраты на покупку оборудования, программного продукта, пакета Deductor Studio

Т_ок^DP = 150820/174462=0,9 года;

Т_ок^DE = 179820/170112 = 1,1 года

В качестве примера в таблице 5.5 приведены данные по снижению стоимости и трудоемкости обработки и по росту производительности труда в зависимости от наличия 2-х дефектов только на одном изделии. В качестве исходных данных для расчета затрат на изделие, представленных в таблице 5.5, используется организационно-технологическая схема потока

Т_обр=Н_вр^устр-Н_вр, (5.3)

где Т_обр - снижение трудоемкости обработки, с;

Н_вр^устр - время на устранение дефекта, с.

Т_обр=7794-7717=77 с.

Таблица 5.5 -Характеристика затрат на изделие, имеющего дефекты и бездефектного изделия

ДС_обр = , (5.4)

где ДС_обр - снижение стоимости обработки, %;

С_устр - стоимость устранения дефекта, руб;

СО_{с деф.} - стоимость обработки с устранением дефекта, руб;

ДС_обр =

РПТ= , (5.5)

где РПТ - рост производительности труда.

РПТ=

Согласно таблице 5.5, ликвидация двух дефектов на одном изделии приведет к снижению фактической трудоемкости на 77 секунд, снижению стоимости обработки на 2,00 % и росту производительности труда на 2,04%.

6. Безопасность жизнедеятельности

6.1 Анализ опасных и вредных факторов рабочего места швеи

Рабочее место - это место непосредственного выполнения технологической операции. Оно должно быть организовано таким образом, чтобы обеспечивался максимум комфорта и безопасной работы исполнителя. Рабочее место включает в себя стол с установленным на нем оборудованием, инструментами и приспособлениями, стул, зону хранения полуфабриката до и после операции [30].

Основными неблагоприятными физиологическими факторами на предприятиях легкой промышленности являются, высокая интенсивность использования рабочего времени, значительный темп работы, монотонность, связанная с разделением труда и конвейеризацией производства, неудобство рабочей позы при обслуживании многих видов технологического оборудования.

Неблагоприятные физиологические условия труда способствуют развитию стойких изменений в состоянии здоровья работающих (например, деформация стоп, позвоночника, развитие близорукости, узелковых расширений вен нижних конечностей, заболевания нервно-мышечного аппарата рук, периферической нервной системы и нервных сплетений).

В результате переутомления нарушается способность работающих критически относиться к объективной опасности, притупляется бдительность и ослабевает реакция в опасных ситуациях, отсюда возрастает вероятность учащения травм. Снижение работоспособности приводит к ухудшению качественных и количественных показателей труда. При этом упрощение выполняемых работницами операций имеет своим следствием монотонность труда, снижает привлекательность работы. Различают несколько степеней монотонности. Работа швей оценивается третьей степенью монотонности, поскольку основные операции состоят из 4--5 приемов. Работа данной профессии сопряжена со значительной концентрацией функции внимания, напряжением органов зрения, высокой плотностью рабочего дня, составляющей 80--90%. Продолжительность отдельных приемов технологических операций колеблется в пределах 25--110 с, мощность физической работы -- 0,25--0,5 Вт, а энергозатраты несколько превышают 107,5 ккал/ч [31].

Кроме неблагоприятных физиологических факторов, на динамику работоспособности рабочих оказывают влияние и санитарно-гигиенические параметры производственной среды. Труд швей относится к категории эмоционально напряженных видов труда.

С увеличением скоростей работы швейных машин возрастают производственный шум и вибрация. Производственный шум различной интенсивности и частоты, длительно воздействуя на работников, может привести к понижению остроты слуха, а иногда и к развитию профессиональной глухоты. Также шум является внешним раздражителем. Уровни звукового давления на рабочих местах в швейных цехах достигают 80--97 дБА. Превышение гигиенических норм уровня звукового давления на частотах свыше 250 Гц достигает 10 дБ. Основным источником шума швейного оборудования являются электродвигатели.

Повышенный уровень вибрации на рабочем месте может привести к развитию у работников вибрационной болезни. Вибрация крышки стола швейной машины 22 кл. на различных частотах октавных полос создает уровень звукового давления, равный 105--136 дБ (при допустимых 99--117 дБ). Амплитуда вертикальных колебаний составляет 0,05--0,06 мм при частоте 44--45 Гц.

Одним из важных санитарно-гигиенических параметров является микроклимат, в частности воздух цехов. Особенно сильно загрязняется воздух при пошиве изделий из синтетических материалов или тканей с синтетическими добавками. Воздух производственных помещений швейных цехов загрязняется токсическими примесями, пылью и микроорганизмами. Содержание угарного газа при выполнении влажно-тепловых операций составляет 5--15 мг/м³, достигая 22,4 мг/м³ при допустимой величине 20 мг/м³.

При недостаточной освещенности снижается активность работника, появляется вялость и повышается нагрузка на зрение, вызывающая переутомление.

Швейные цехи вследствие поступления в воздух значительных теплоизбытков следует отнести к теплонапряженным производственным помещениям. Удельное количество теплоизбытков может достигать 120 кДж/(ч-м³). Температура воздуха в швейных цехах в летнее время достигает 24--28° С, а относительная влажность -- 69--83%. Такие параметры воздуха при малой скорости его движения приводят к нарушению процессов терморегуляции. Одновременно снижается физиологическая граница разности температур кожи груди и кисти до 0,6--0,7° С. [30].

6.2 Рекомендации по обеспечению безопасности и удобства работы швей

Исходя из условий создания оптимальной системы человек - машина, эргономика формирует требования к проектированию рабочих мест, определяет зоны основных и вспомогательных рабочих движений и соответственно компоновку оборудования, обобщает антропометрические данные, необходимые для выявления оптимальных рабочих положений, разрабатывает рекомендации по конструированию производственной мебели, инструментов и инвентаря, в зависимости от характера работы, рабочих движений и позы работающего.[32]

Для оптимальной рабочей позы сидя требуется: строго соблюдать соответствие высоты стола и стула антропометрическим данным работающего; обеспечить необходимое расстояние между рабочей поверхностью стола и сиденьем. Для уменьшения напряжения мышц нижних конечностей швей рекомендуется использовать подставку для ног (рисунок 6.1,а). Передний край педали швейной машины должен находиться на высоте 220 мм от пола, угол наклона педали 20° (рисунок 6.1,б). Расстояние между машинами равно 1 м, площадь на человека - 6м². Для создания удобной рабочей позы большое значение имеет правильный выбор стула, который должен регулироваться по высоте, обеспечивать устойчивость при любом положении корпуса, не давить, иметь закругленный край сиденья (рисунок 6.1,в).

Для экономии движений и снижения мышечного напряжения детали кроя полуфабрикаты и готовые изделия располагаются в зонах оптимальной досягаемости моторного поля. Размеры зон досягаемости моторного поля в вертикальной и горизонтальной плоскости при работе сидя и стоя (рисунок 6.2) для среднего роста 159см (в скобках данные для мужчин ростом 168см).

Для предотвращения утомления органов зрения детали кроя, готовые изделия и инструменты следует располагать в предельной зоне обзора, а часто применяемые элементы оборудования и инструмент - на одинаковом расстоянии от глаз рабочего.

Опасные и вредные факторы, влияющие на организм работников и меры по их устранению представлены в таблице 6.1 [30]. Изготовление и ремонт швейных изделий сопровождается образованием волокнистой горючей пыли, поэтому эти помещения характеризуются как пожарные и относятся к категории В по CНиП 21-01-97 [33]. Такие помещения предусматривают устройство наружного пожарного водопровода с расположением гидрантов на расстоянии не более 150 м и не менее 5 м от стен здания, а также внутреннего пожарного водопровода с расположением пожарных кранов на высоте 1,35 м от уровня пола в заметных и в то же время доступных местах. На складах могут применяться автоматические системы пенного или газового тушения.

Из первичных средств пожаротушения применяются огнетушители углекислотные (для тушения электрических установок, находящихся под напряжением до 1000 В) и пенные типа ОВП-10. Согласно СНиП 21-01-97* расстояние от рабочего места до выхода или лестницы принимается в зависимости от категории взрывопожарности производства, степени огнестойкости здания. Для эвакуации людей из зданий высотой более 10 м и более проектируют наружные стальные лестницы. Расстояние между лестницами по периметру здания - не более 200 м. Для указания места нахождения эвакуационного выхода применяются указательные знаки.

Количество эвакуационных выходов в здании швейного предприятия должны быть расположены рассредоточено. Ширина коридора в здании - 1,5 м. Двери открываются по направлению выхода из здания. Вдоль эвакуационного выхода не должно быть шкафов и других посторонних предметов, которые будут мешать при эвакуации. Отделка коридора, приемного зала из несгораемых материалов.

Эвакуационные выходы должны обеспечивать эвакуацию всех людей, находящихся в помещении в течение необходимого времени.

Соблюдение норм безопасности и удобства рабочих позволяет повысить эффективность работы предприятия, работоспособность рабочих и снизить производственный травматизм [50, 51, 52].

Таблица 6.1 - Опасные и вредные факторы, влияющие на исполнителя на рабочем месте швеи

Выводы

1 Целью данной работы была разработка методики обеспечения качества швейных изделий на стадии их изготовления. На основании выполненной работы можно отметить, что цель достигнута. Нейросетевое программирование является актуальным, так как позволяет осуществлять прогнозирование в условиях неопределенности, а также влияния большого количества факторов, как системных, так и случайных.

2 На первом этапе выявлены основные понятия, относящиеся к качеству продукции, на основании которых проведен анализ нормативной базы обеспечения качества продукции, в результате которого установлено, что на сегодняшний день, управление качеством продукции сконцентрировано на пакете международных стандартов по обеспечению качества ("семейство" стандартов ИСО серии 9000). Также установлено, что наряду с системами стандартов качества, обеспечение высоких показателей получают при использовании методов прогнозирования, основу которых составляют математические методы статистических задач. Прогнозирование качества продукции относится к классу недетерминированных, так как протекает в условиях влияния случайных факторов, высокой степени неопределенности, динамики и сложности. Поэтому, для реализации методики прогнозирования качества швейных изделий предлагается использовать интеллектуальные системы, в частности нейронные сети, так как они способны решать слабо структурированные и плохо формализованные задачи.

3 На втором этапе построена функциональная модель процесса производства швейного изделия (на примере ОАО "Синар") показывающая основные этапы осуществляемого контроля на каждой из стадии изготовления изделия в швейном цехе. Также на основании установленных мер соответствия фактических значений параметров и показателей качества продукции нормативно-технической документации разработана классификация дефектов, которые могут возникнуть на стадии изготовления швейного изделия. Проведен анализ для установления причин факторов, в результате которого выделены соответствующие группы дефектов, которые могут возникнуть в процессе производства швейного изделия.

4 В ходе выполнения третьего раздела разработан алгоритм решения задачи анализа и прогнозирования качества швейного изделия с помощью нейронных сетей, в результате которого определено пять этапов. На первом этапе осуществляется отбор входных данных для осуществления прогноза качества швейного изделия, затем, на втором этапе, эти данные анализируются, удаляются незначимые, а также выполняется нормализация (преобразование разных по структуре данных к единому виду). На третьем этапе выполняется собственно конструирование нейронной сети, выбирается количество слоев и нейронов в них, а также выбирается подходящая архитектура (структура) нейронной сети. На четвертом этапе осуществляется процесс обучения, а на пятом - тестирование и анализ полученной сети. Если сеть удовлетворяет заданным требованиям, то на этом процесс завершается - нейронная сеть готова в работе. Если результаты не удовлетворяют необходимо проанализировать, почему такие данные и вернуться на тот шаг, где необходимо их изменить.

5 В четвертом разделе, для реализации поставленных задач выбрана аналитическая платформа Deductor фирмы BaseGroup Labs. Также реализована методика прогнозирования качества швейных изделий на стадии их изготовления, после чего выполнен анализ полученных результатов, в результате которого, для реализации методики обеспечения качества швейных изделий, наиболее точными данными обладают архитектуры с использованием алгоритма RPROP, с двумя скрытыми слоями, с 30 нейронами в каждом слое. При расчете величины относительной ошибки, установлено, параметры полученного значения не соответствуют значением, предусмотренным в швейной промышленности, что говорит о несовершенстве разработанной нейросетевой архитектуры. Выполнен анализ прогнозирования показателя качества, в результате которого выявилась зависимость, при которой возрастание или убывание показателя происходит постепенно. В руководстве пользователя выполнено подробное описание последовательного построения нейронной сети для реализации методики обеспечения качества швейных изделий.

В результате расчета экономической эффективности установлено, что условно, годовая экономическая эффективность от внедрения программного продукта Deductor Professional составила 174462руб, Deductor Enterprise - 170112руб, при этом, капитальные затраты на внедрение предлагаемой методики, при первом варианте, могут окупаться в течение 0,9 года, при втором в течение 1,1 года.

В разделе безопасность жизнедеятельности рассмотрено рабочее место швеи, установлены основные неблагоприятные факторы, влияющие на трудоспособность. Предложены меры по устранению таких факторов, которые позволяют избежать снизить утомляемость работниц, способствуют улучшению условий и росту производительности труда.

Список использованных источников

1. А.Н. Чекмарев, Б.А. Барвинок, В.В. Шалавин. Статистические методы управления качеством. - М.: Машиностроение, 1990. - 320с.

2. Материалы сайта: http://neuroschool.narod.ru/ Короткий С. Нейронные сети: основные положения.

3. Бузов Б.А. Управление качеством продукции. Технический регламент, стандартизация и сертификация: учеб. пособие для вузов/ Б.А. Бузов. - М.: Издательский центр "Академия", 2006. - 176 с.

4. Стандартизация и управление качеством продукции в легкой промышленности: Учебник для вузов/ М.И. Круглов, Н.Ю. Круглова, А.М. Галаева, Г.Н. Лебедева - М.: Легпромиздат, 1991. - 256 с.

5. Журнал № 1/2006 Стандарты и качество: "Модель качества"

6. Журнал №11/2008 Управление качеством: "ISO - Международная организация качества"

7. Крылова Г.Д. Основы стандартизации, сертификации, метрологии: Учебник для вузов. - 2-е изд., перераб. и доп. - М.: ЮНИТИ - ДАНА, 1999. - 711с.

8. Сажин Ю.В. Статистические методы анализа и контроля качества продукции: учебник. - Саранск: Изд-во Мордов. ун-та, 2006. - 212 с.

9. Стандарты и качество 6 - 2006

10. Материалы сайта: http://www.guality.eup.ru/

11. Материалы сайта: http://www.prognoz.org/

12. Золотогоров В.Г. Организация и планирование производства: Практ. пособие. - Мн.: ФУАинформ, 2001. - 528 с.

13. Эвристические методы в календарном планировании. Плиман А. Д., Рубинштейн М. И. // Итоги науки и техники. Техническая кибернетика, 1990, том 29, с. 79-127.

14. Бездудный Ф. Ф., Павлов А. П. Математические методы и модели в планировании текстильной и легкой промышленности. - М.: Легкая индустрия, 1979, 440 с.

15. Александрова В. Ф., Уразов В.А. Моделирование оптимальной системы управления предприятием в легкой промышленности. - М.: Легпромбытиздат, 1989, 192 с.

16. Ларионов А. И., Юрченко Т. И. Экономико-математические методы в планировании. - М.: Высшая школа, 1984, 224 с.

17. Фролов Ю. В. Интеллектуальные системы и управленческие решения. - М.: МГПУ, 2000. - 294 с.

18. Андрейчиков А.В., Андрейчикова О.Н. Интеллектуальные информационные системы: Учебник. - М.: Финансы и статистика, 2004. - 424 с.

19. Материалы сайта: http://www.keldysh.ru/

20. Маклаков С.В. Моделирование бизнес - процессов с AIIFusion Process Modeler (BPwin 4.1). - М.: ДИАЛОГ - МИФИ, 2003 - 240 с.

21. Информационные технологии поддержки жизненного цикла продукции. Методология функционального моделирования: Рекомендации по стандартизации. - Введ. 01.07.2002. - М.:ИПК Изд-во стандартов, 2001- 49 с.

22. Международные стандарты. Управление качеством продукции. ИСО 9000, ИСО 9004, ИСО 8402. - М.: Изд-во стандартов, 1988

23. Материалы сайта: http://www.market-pages.ru/

24. Кокеткин П.П. Одежда: технология-техника, процессы - качество. М.: Издательство МГУДТ, 2001. - 260 с.

25. Коблякова Е.Б. Конструирование одежды с элементами САПР: Учебник для вузов по специальности "Технология и конструирование швейных изделий"/ Е .Б. Коблякова, Г.С. Ивлева, В.Е. Романов и др. - 4-е изд., перераб. и доп. - М.: Легпромбытиздат, 1988. - 464 с.

26. Материалы сайта: http://www.statsoft.ru/

27. Оссовский С. Нейронные сети для обработки информации / Пер. с польского И. Д. Рудинского. - М.: Финансы и статистика, 2004. - 344 с.

28. Нейронные сети. STATISTICA Neural Networks: Пер. с англ. - М.: Горячая линия - Телеком, 2001. - 182 с.

29. Городецкий А. Е., Тарасова И. Л. Управление и нейронные сети. СПб.: Изд-во Политех. ун-та, 2005. - 312 с.

30. Хайкин С. Нейронные сети: полный курс, 2-е издание.: Пер. с англ. - М.: Издательский дом "Вильямс", 2006. - 1104 с.

31. Дулесов А. С. Нейронные сети и нейрокомпьютеры в интеллектуальных информационных системах: учебное пособие / А. С. Дулесов. - Абакан: Издательство Хакасского государственного университета им. Н. Ф. Катанова, 2005. - 116 с.

32. Материалы сайта: http://www.basegroup.ru

33. Ежов А. А., Шумский С. А. Нейрокомпьютинг и его применение в экономике. М. - 1998. - 222 с.

34. ГОСТ 24103-80 "Изделия швейные. Термины и определения дефектов" М.: Издательство стандартов, 1983.

35. Гмурман В.Е. Теория вероятностей и математическая статистика: Учеб. пособие для вузов/В.Е. Гмурман.-10-е изд., стер. - М.:Высш. шк.,2004.- 479с.

36.Франц В. Я. Охрана труда на швейных предприятиях: Справочное пособие. - М.: Легпромбытиздат, 1987. - 184 с.

37.Красильщиков М. И., Филатов И. П., Щупакас Д. Е. Гигиена труда в легкой промышленности: Справ. пособие. - М.: Легкая индустрия, 1980. - 184 с.

38. Ермолаев В.А. и др. Охрана труда в легкой промышленности/Ермолаев В.А., Кравец В.А., Свищев Г.А..: Учебник для вузов. - М.: Легпромиздат, 1985.-184 с.

39. СНиП 21-01-97 Пожарная безопасность зданий и сооружений/Госстрой России. - М.: ГУП ЦПП, 1999. - 30 с.

40. СН 2.2.4/2.1.8.562-96 Шум на рабочих местах, в помещениях жилых, общественных зданий и на территории жилой застройки. Санитарные нормы. - М.: Информационно-издательский центр Минздрава России, 1997. - 20 с.

41. СНиП 11-12-77 Защита от шума/Госстрой России. - М.:ГУП ЦПП, 2001. - 52 с.

42. СНиП 23-03-2003 Защита от шума / Госстрой России. - М.:ГУП ЦПП, 2003. - 30 с.

43. ГОСТ 12.1.003-91 ССБТ. Шум. Общие требования безопасности. - М.: Изд-во стандартов, 1991. - 10 с.

44. ГОСТ 27409-97 Шум. Нормирование шумовых характеристик стационарного оборудования. Основные положения. - М.: Изд-во стандартов, 1997. - 6 с.

45. СН 2.2.4/2.1.8.566-96 Производственная вибрация, вибрация в помещениях жилых и общественных зданий: Санитарные нормы. - М.: Информационно-издательский центр Минздрава России, 1997. - 30 с.