WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!


На правах рукописи

БАЛАНЦЕВА МАРИЯ АЛЕКСАНДРОВНА

РАЗРАБОТКА ИНФОРМАЦИОННО-АНАЛИТИЧЕСКОЙ СИСТЕМЫ ДЛЯ УПРАВЛЕНИЯ КАЧЕСТВОМ ПРИ ПРОИЗВОДСТВЕ АСФАЛЬТОБЕТОННЫХ СМЕСЕЙ

Специальность 05.13.06 – Автоматизация и управление технологическими процессами и производствами (промышленность)

АВТОРЕФЕРАТ

диссертации на соискание ученой степени кандидата технических наук

Москва – 2012

Работа выполнена на кафедре «Автоматизированные системы управления» в Федеральном государственном бюджетном образовательном учреждении высшего профессионального образования Московском автомобильно-дорожном государственном техническом университете (МАДИ).

Научный руководитель Николаев Андрей Борисович, Заслуженный деятель науки РФ, доктор технических наук, профессор, МАДИ, декан факультета «Управление» Официальные оппоненты Суворов Дмитрий Наумович, доктор технических наук, профессор, профессор кафедры «Автоматизация производственных процессов» МАДИ Морщилов Максим Витальевич кандидат технических наук, старший научный сотрудник ООО «ВИРАЖ», г.Москва

Ведущая организация: Научно-исследовательский институт материалов, конструкций и новых технологий (НИИ МК и НТ), г.Москва.

Защита состоится 22 ноября 2012 г. в 1000 часов на заседании диссертационного совета Д.212.126.05 при Федеральном государственном бюджетном образовательном учреждении высшего профессионального образования «Московский автомобильнодорожный государственный технический университет (МАДИ)» по адресу: 125319, г. Москва, Ленинградский проспект, д.64, ауд. 42.

Телефон для справок: (499) 155-93-24.

С диссертацией можно ознакомиться в библиотеке МАДИ.

Автореферат разослан19 октября 2012 года.

Отзывы на автореферат в двух экземплярах, заверенные печатью организации, просим направлять в адрес диссертационного совета университета, а копии отзывов присылать по электронной почте: uchsovet@madi.ru

Ученый секретарь диссертационного совета, кандидат технических наук, доцент Михайлова Н.В.

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ



Актуальность проблемы Контроль качества асфальтобетонных смесей является актуальной задачей, так как от него напрямую зависит качество дорожного покрытия и, как следствие, безопасность дорожного движения. Обеспечение качества дорожного покрытия осложняется тем, что технологические процессы производства асфальтобетонных смесей (АБС) весьма сложны. И, несмотря на накопленный опыт в этой области, проблема далека от разрешения. Срок службы асфальтобетонных покрытий в нашей стране существенно ниже аналогичных показателей промышленно развитых стран. Низкий срок службы асфальтобетонных покрытий связан с высокой вариацией качества асфальтобетона. Это происходит из-за нестабильности характеристик компонентов, неконтролируемых изменений свойств смеси при ее транспортировке, нестабильности параметров ее укладки и уплотнения. Особо остро эта проблема встает при использовании местных материалов. Основные слагаемые успешной реализации программы качества при устройстве дорожных покрытий состоят в создании эффективной системы контроля качества, как на стадии устройства покрытия, так и на предприятиях-изготовителях, производящих асфальтобетонные смеси. Наличие сбоев и выход из строя оборудования характерны даже для самых современных и высокоточных отраслей промышленности. В этом случае крайне важной становится проблема оценки качества произведенной продукции на возможно более ранней стадии.

Применительно к асфальтобетону технология производства - это совокупность методов подготовки щебня, песка, минерального порошка и битума, их перемешивания, доставки на объект, укладки, уплотнения и при необходимости ухода (т.е. обеспечения особых условий формирования требуемых строительно-технических свойств).

В процессе технологических операций должно происходить направленное структурообразование асфальтобетона.

В условиях асфальтобетонного завода (АБЗ) реальным направлением решения данной проблемы является создание систем управления, компенсирующих нестабильность характеристик и стабилизирующих качество готовой асфальтобетонной смеси, что и определяет актуальность настоящей диссертационной работы.

В диссертации проведено исследование различных методов и систем управления качеством асфальтобетона, и показано, что использование современных технологий обработки и анализа данных является перспективным направлением исследований. Это позволит по результатам аналитической обработки проектировать состав смеси с большей эффективностью и точностью, а также осуществлять контроль качества материалов и давать объективную и своевременную оценку будущим показателям качества готового дорожного покрытия.

Цель и основные задачи исследования Цель диссертационной работы состоит в повышении качества производимых АБС за счет использования информационноаналитической системы, в которой реализованы алгоритмы обработки и анализа данных на этапах проектирования состава АБС и их производства, с учетом эксплуатационных характеристик дорожного покрытия.

Задачами автоматизации обработки данных о качестве АБС являлись:

контроль качества материалов, используемых в АБС;

проектирование состава АБС на основе действующей нормативнотехнической документации;

эффективное управление качеством продукции асфальтобетонного завода (АБЗ);

снижение влияния человеческого фактора на качество продукции и облегчение труда специалистов-материаловедов.

Решение поставленных выше задач включает в себя следующие основные части:

1. Сравнительный анализ и исследование различных способов обработки и анализа данных с целью выбора оптимального решения, позволяющего провести наиболее полную автоматизированную обработку.

2. Разработка методики повышения эффективности управления качеством асфальтобетона.

3. Разработка и реализация алгоритмов обработки и анализа данных на этапах проектирования состава АБС и их производства, с учетом эксплуатационных характеристик дорожного покрытия.

4. Разработка методики и построение модели для прогноза качества дорожного покрытия.

5. Разработка специализированного программного обеспечения, позволяющего определять и регистрировать количественно качественный состав смеси, а также оценивать будущее эксплуатационное состояние дорожного покрытия на основе разработанной аналитической модели.

Научная новизна Научная новизна диссертации состоит в теоретической и практической реализации методов и моделей прогнозирования показателей качества покрытия, интеграции современных технологий обработки и интеллектуального анализа данных для решения поставленных задач, разработке структуры взаимодействия информационно-аналитической системы управления качеством асфальтобетонных смесей с комплексной АСУ АБЗ.

На защиту выносятся:

• модифицированный алгоритм подбора оптимального содержания битума в асфальтобетонной смеси;

• методика кластеризации (сегментации) и предобработки данных для построения прогноза;

• модели прогнозирования физико-механических показателей АБС и алгоритм прогнозирования, реализованный в модуле Data Miner;

• концептуальная модель базы данных для хранения информации о результатах процесса формирования и контроля качества АБС.

Теоретическая и методологическая основа исследования Результаты диссертационной работы получены на основе использования технологий интеллектуального анализа данных, теории баз данных, ITIL-подхода к формированию инфраструктуры программных средств, а также результатов исследования уже наработанных экспериментальных методик управления качеством асфальтобетонных смесей.

Практическая ценность и реализация результатов работы Полученные в диссертации результаты позволяют производить оперативный контроль качества смеси и материалов, прогнозировать качество покрытия, повысить точность проектирования состава и снизить количество ошибок, связанных с человеческим фактором, использовать получаемую информацию для установления сложных многофункциональных зависимостей в вопросах управления качеством асфальтобетона. Это позволяет использовать данные результаты для планирования сроков ремонтных работ, организации эффективного взаимодействия между всеми участникам технологического процесса. Научные результаты, полученные в диссертации, доведены до практического использования.

Разработанные методы и алгоритмы прошли апробацию и внедрены для практического применения на ряде предприятий, а также используются в учебном процессе в Московском автомобильнодорожном государственном техническом университете (МАДИ).

Содержание отдельных разделов и диссертации в целом было доложено и получило одобрение:

• на Российских, межрегиональных и международных научнотехнических конференциях и семинарах (2009-2012 гг.);

• на заседаниях кафедры АСУ МАДИ.

Структура работы соответствует списку перечисленных задач, содержит описание разработанных методик и моделей.

СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность темы, сформулированы цель и задачи исследования, приведено краткое изложение основных разделов диссертации.

В первой главе диссертации рассматриваются и анализируются основные проблемы, с которыми сталкиваются производители АБС при использовании существующей технологии.

К настоящему времени накоплен определенный опыт в разработке и эксплуатации систем управления производством АБС, которые охватывают различные уровни управления:

• управление технологическим оборудованием.





• управление качеством готовой продукции.

Проведенный анализ существующих методов управления качеством АБС показал, что их возможности ограничены рамками одного-двух этапов технологического процесса. Используемые методы сбора и обработки информации недостаточны для обеспечения эффективного управления качеством асфальтобетона.

Значительное влияние человеческого фактора в процессе ручной обработки данных о пробах при применении различных критериев оценки качества влияют на достоверность предлагаемых решений.

Вопросы управления и моделирование систем управления в производстве асфальтобетонной смеси рассматривались в работах Александрова А.Е., Бунькина И.Ф., Суворова Д.Н., Дьяконова В.П. и др. Для проведения исследования были использованы некоторые результаты.

При проведении исследования были также изучены иностранные аналоги комплексных систем и различные подходы к оптимизации производства, такие как, например, APC (Advanced Process Control - усовершенствованное управление); ITIL-подход (Information Technology Infrastructure Library - библиотека инфраструктуры информационных технологий); PDM –системы (Product Data Management — система управления данными об изделии). Кроме того, были изучены разработки в области интеллектуального анализа данных: технологии KDD, OLAP, DM.

В результате проведенного анализа было решено использовать и рекомендовать к внедрению комбинированный подход к реализации технологий анализа и обработки данных на производстве, в зависимости от имеющихся ресурсов и потребностей пользователей.

Во второй главе диссертационной работы описаны основные преимущества предлагаемого подхода к управлению качеством АБС, основанного на обработке и анализе данных, получаемых со всех этапов жизненного цикла АБС.

Разработана структура информационного взаимодействия системы управления качеством АБС с комплексной системой управления АБЗ и другими подсистемами. Для этого был рассмотрен процесс эволюции качества АБС на выходе АБЗ (рисунок 1).

+K1,+K 2,... + KN Состояния - это состояния удовлетворительного +K1 > +K2 >... > +KN.

качества асфальтобетонной смеси. Причем Под действием совокупности внешних факторов из-за накопления + KN +K1 до отклонений качество смеси ухудшается от. При дальнейшем накоплении отклонений качество смеси станет -KN неприемлемым. При этом будет выпускаться брак. Задача системы управления состоит в компенсации отклонений таким образом, чтобы качество смеси оставалось приемлемым и стремилось +K1.

к значению Компенсация отклонений...

+K1 +K2 +KN Качественная смесь Накопление отклонений Брак -KN Рис. 1. Процесс эволюции качества асфальтобетонной смеси на выходе АБЗ Для отображения свойств асфальтобетонной смеси можно использовать множество вида:

АСФ = {асф1,асф2,...асфk }, (1) АСФ где: асфi - i-ый показатель качества асфальтобетонной смеси; kaсф - максимальное количество показателей асфальтобетонной смеси.

Причем свойства асфальтобетонной смеси на выходе АБЗ можно представить в виде:

АСФ = (М,ТП,FТП ), (2) где: FТП - возмущение, действующее на технологический процесс, М - вектор показателей качества компонентов асфальтобетонной смеси, ТП - вектор показателей качества и режимов технологического процесса.

В ходе транспортировки асфальтобетонной смеси от завода АБЗ до объекта (операция ТRi={tri,1,tri,2,…,tri, }) ее свойства модифицируются:

АСФTR = (АСФ,TRi,FTR ) (3) ii.

Аналогично свойства готового асфальтобетонного покрытия:

Б АСФi, j = (АСФTR,PLi,FPL ) (4) i, где:

- совокупность свойств асфальтобетона для i-ого объекта и j-ой поставки материалов; PLi- совокупность показателей качества укладки и уплотнения смеси для i-ого объекта; FPL - возмущение.

Тогда, располагая информацией об отклонении k-ой выходной характеристики показателей от заданного уровня можно было бы определить требуемое изменение управляющего воздействия.

Однако до настоящего времени технология асфальтобетона не имеет ни одной надежной зависимости вида, (5) пригодной для решения задач управления качеством асфальтобетонной смеси.

Преимущества интеллектуального анализа данных, в частности, технологии добычи данных, состоят в том, что грамотно построенные модели позволяют получить решение поставленных задач в условиях неопределенности, не требуя от пользователя знания и выявления природы исследуемых зависимостей.

В соответствии с рассмотренными задачами формируется общая структура информационного обеспечения системы управления качеством (рисунок 2).

Рис. 2. Структура информационного обеспечения системы управления качеством Далее в диссертации описаны методики обработки экспериментальных данных при оценке качества АБС. Приведены алгоритмы моделирования вариаций параметров материалов, состава смеси и технологического процесса и исследованы зависимости показателей качества смеси от этих изменений.

Рассмотрены и математически обоснованы конкретные процедуры расчета гранулометрии состава и содержания битума с использованием современных программных средств. Приведены результаты численных экспериментов, подтверждающие эффективность предлагаемых методов.

Рис. 3. Пример измерения функции распределения грансостава асфальтобетонной смеси (период контроля: 200 замесов) В базе данных «Подбор состава АБ» хранится информация обо всех используемых материалах, результаты их испытаний, расчеты гранулометрических составов. Это позволяет наблюдать изменения свойств материалов с течением времени, как в пределах одного месторождения, так и в пределах определенного периода поставок, осуществляя выборку материалов по тем или иным показателям. В дальнейшем это дает возможность провести оценку свойств смеси для каждого набора свойств минеральных компонентов (рисунок 3).

В диссертации подробно описан алгоритм подбора оптимального содержания битума в асфальтобетонной смеси, реализованный с помощью пакетов Matlab 6.5, Statistica version 8.0, Statistica Neural Networks и универсального пакета EXCEL. Оперативная обработка данных и построение модели проводилось на основании методики, разработанной в МАДИ.

Для исследуемого состава моделировались замесы для каждой партии, и варьировалось содержание битума. Эффективность управления при моделировании оценивалась с использованием системы критериев. Для оценки эффективности управления m-ым показателем качества смеси был использован критерий вида:

N m mm JU = [Z (i) - ZSM ]2, (6) SM N -i=m m ZSM (i) где: - m-ый показатель качества смеси для i-ого замеса,ZSM - математическое ожидание для m-ого показателя качества смеси, N - длина реализации.

Для оценки эффективности управления по совокупности всех показателей качества смеси использовался критерий вида:

N M j jj JU = (i) - ZSM ][ZSM (7) M N -j=1 i=j, где: М - число оцениваемых показателей качества смеси.

Эффективность управления определяется характером миграции координаты максимума прочности асфальтобетона, и величиной ограничения на расход битума. На рисунке 4 представлены оценки среднего значения, стандартного отклонения, минимума и максимума.

Зависимости представлены, как функции от ошибок измерения (из ряда 0, 1, 2, 4, 8, 16%) и времени контроля (из ряда 0, 10, 50 замесов).

Результаты изменения частоты контроля (для каждой партии материалов) можно оценить сравнением двух пар графиков.

В результате исследования прочности асфальтобетона с помощью моделирования подбора количества битума, для данного состава подобранных материалов было установлено оптимальное содержание битума, которое хорошо согласуется с экспериментальным содержанием вяжущего материала, которое соответствует требуемым показателям.

Рис. 4. Результаты моделирования управления толщиной пленки битума (частота контроля – каждая партия, ошибка дозирования компонентов равна 0%) В третьей главе разработана оригинальная методика кластеризации и подготовки данных для построения прогноза, которая состоит из последовательного применения процедур очистки и подготовке данных к обработке, методов иерархического кластерного анализа и К-средних. Проверка качества работы методов осуществляется с помощью дисперсионного анализа и анализа графиков описательных статистик. Для исследуемых данных построены классификаторы и реализованы прогнозирующие модели.

Классификация может быть проведена с помощью дискриминантного анализа или нейронных сетей. Для построения прогноза внутри каждого кластера строится регрессионная нейронная сеть. В качестве меры повышения эффективности информационного обеспечения предложено по мере накопления данных итеративно улучшать модель с помощью пошагового выполнения сохраненных процедур. В процессе построения модели решена задача нелинейной регрессии в условиях грязных, зашумленных данных со сложными многофакторными зависимостями. Общая схема работы представлена на рисунке 5.

Рис. 5. Общая схема построения модели В выборке, составленной из элементов одного участка или в объеме одной партии асфальтобетонной смеси, могут появиться такие керны или пробы, результаты испытаний которых резко выделяются из общей совокупности остальных данных. Наличие таких данных не обязательно означает необходимость их очистки или же предотвращения появления. В диссертации рассмотрены способы фильтрации и очистки данных для построения прогноза с использованием программных средств. Этап очистки данных осуществляется в рамках разведочного анализа. На рисунке показаны графики описательной статистики для показателя прочности при сжатии при 20оС.

Далее, для выделения в имеющихся данных однородных групп, массив данных обрабатывается методами кластерного анализа.

Формальная процедура кластеризации заключается в разбиении множества образцов смеси d на m кластеров d1, d2,…, dm таким образом, чтобы каждый образец принадлежал одному и только одному кластеру.

Если такое разбиение осуществимо, то, скорее всего, ввиду однородности, внутри каждого кластера зависимость АСФi = f(p1, p2,…,pk) (8) будет представлять собой непрерывную функцию, где pk – максимальное количество предикторов прогноза. И тогда, построив для каждого из кластеров отдельную нейронную сеть, можно построить модель физического процесса.

----1 0 1 2 3 4 5 6 7 8 Value 6 ---2,0 2,5 3,0 3,5 4,0 4,5 5,0 5,5 6,0 6,Value Рис. 6. Графики значений показателя прочности при сжатии водонасыщенных образцов при 20оС (до и после удаления выбросов) Для оценки плотности расположения точек внутри кластеров в качестве меры используется евклидово расстояние, которая вычисляется как корень из суммы квадратов покоординатных разностей:

, (9) где: X = {X1,…,Xn} – некоторое подмножество (набор точек) k-мерного вещественного пространства Rk, Xi=(xis, хjs,…, хjk),значения s-го признака у i-го (j-го) объекта (s = 1, 2,..., k, i,j = 1, 2,.... n).

Так как различные независимые переменные измеряются в разных шкалах с различными диапазонами, была проведена процедура стандартизации переменных. Для соблюдения корректности дальнейших процедур текстовые метки категориальных переменных были перекодированы так, чтобы диапазон их изменения соответствовал диапазону изменения непрерывных переменных.

Евклидово расстояние (и его квадрат) вычисляется по исходным, а не по стандартизованным данным. Таким образом, расстояние между двумя объектами не изменяется при введении в анализ нового объекта, который может оказаться выбросом.

Так как вопрос о количестве кластеров нетривиален, в данной ситуации было решено использовать агломеративный метод иерархической классификации, или иерархический кластерный анализ. Для объединения был выбран метод Варда.

, (10) Метод Варда объединяет объекты, которые дают наименьшее приращение величине Vr, тем самым, обеспечивают минимальную дисперсию внутри кластеров. Он ориентирован на создание кластеров примерно равных размеров, имеющих гиперсферическую форму. Этот метод чаще, чем другие, позволяет получать результаты, поддающиеся содержательной интерпретации. Результат построения графика представлен на рисунке 7.

Чтобы избежать потери информативности или же наоборот достоверности, было решено выбрать среднее количество кластеров равное четырем. Для разбиения объектов на кластеры с использованием стандартизованных данных была использована итеративная процедура - метод К-средних.

Дисперсионный анализ показал, что выбранные переменные статистически существенно влияют на результаты классификации.

График средних для кластеров (рисунок 8) показывает, что найденная классификация достаточно хорошо отражает различия между данными. По графику видно, что взаимодействие между кластерами неупорядоченное, пересекающегося типа, то есть имеет место наиболее сильное взаимодействие.

Рис. 7. Вертикальная дендрограмма древовидной классификации Рис. 8. График средних для кластеров Далее были определены функции классификации, позволяющие отнести любой новый образец к одному из классов по наибольшему значению соответствующей функции. Матрица классификации показывает, что более 95% образцов были классифицированы правильно (рисунок 9).

Рис. 9. Матрица классификации Задачу классификации можно решить также с применением нейронных сетей. В результате автоматического тестирования 1сетей была отобрана сеть с наилучшей производительностью, в смысле максимального процента правильно классифицированных наблюдений (рисунок 10).

Summary of active networks (т аблица результатов кластеризации - выборка 2) Index Net. name Training perf. Test perf. Training Error function Hidden Output algorithm activation activation 2 MLP 37-24-4 100,0000 94,54545 BFGS 24 Entropy Tanh Softmax Рис. 10. Параметры нейронной сети - классификатора Рис. 11. Статистики классификации Многослойный персептрон успешно классифицировал 100% случаев (рисунок 11). В дальнейшем любой новый образец будет отнесен к одному из классов. Сохранив конфигурацию нейронной сети, выполняющей классификацию, существует возможность использовать ее и в других приложениях. Для построения прогнозной модели также были выбраны нейронные сети. Графической иллюстрацией качества работы нейронной сети является график зависимости наблюдаемых значений выходной переменной R50proba от предсказанных значений (рисунок 12).

Рис. 12. График зависимости предсказанных значений показателя прочности при сжатии при 500С от наблюдаемых для кластера Для остальных кластеров были получены аналогичные результаты Точность предсказанных значений не хуже 5% для каждого из выделенных кластеров.

В соответствии с разработанной методикой в диссертации был разработан и опробован алгоритм прогнозирования прочности для различных типов смеси в зависимости от вариации содержания битума, поставщиков материалов, режимов технологического процесса при фиксированной гранулометрии (рисунок 13).

Массив измерений в процессе контроля качества составляет более 500 наблюдений по каждому контролируемому показателю.

Данные обладают временной привязкой, что позволяет при желании провести анализ сезонных зависимостей и идентифицировать результаты с результатами мониторинга объекта улично-дорожной сети (УДС).

При построении модели в данном случае использовался модуль Data Miner, который показал свою высокую эффективность в условиях большого количества разнородных данных. В процессе работы автором были опробованы различные методы фильтрации, кластеризации, классификации и протестировано около 1нейронных сетей для каждого типа и вида смеси.

START Формирование выборки данных Процедуры подготовки, очистки и фильтрации • удаление пропущенных и нулевых значений • обработка выбросов и дубликатов • стандартизация данных, перекодирование меток Кластеризация данных • иерархический кластерный анализ • Метод K-средних Отсеивание признаков ДА НЕТ Проверка предикторов на (процедура Feature значимость Selection) (дисперсионный анализ) Построение классификатора • Общие деревья классификации для категориальных и непрерывных переменных (Standard Classification Trees with Deployment(C And RT)) Построение прогнозирующей модели внутри каждого класса • Регрессионная нейронная сеть (SANN Regression Automated network Search) • Интеллектуальный решатель (Intelligent Problem Solver with Deployment) ДА НЕТ Оценка качества модели (Заданный уровень достигнут?) Сравнение и выбор методов • Усиливающие карты (Gain Charts) • Кросс-табуляция • Лифтовые карты (Lift Charts) Уточнение модели RETURN Рис. 13. Схема алгоритма прогнозирования, реализованного в модуле Data Miner Особенностью использования данного модуля является возможность сохранения всей цепочки воспроизводимых процедур (рисунок 14). Это значит, что даже в случае выбора дополнительного источника данных или модификации уже существующих, есть возможность сохранить всю логику последовательности многоступенчатой обработки и анализа данных, подстраивая под новые данные отдельные блоки алгоритма, путем добавления новых переменных, типов; выключения, включения узлов, дополнительных методов.

Рис. 14. Окно Data Miner с сохраненными процедурами фильтрации, кластеризации, классификации, прогнозирования Автором предложены перспективные направления использования разработанных методик и алгоритмов, и вообще методов технологии Data Mining, для решения задач обеспечения качества асфальтобетонного покрытия.

Разработанная методика кластеризации и прогнозирования может, в частности, использоваться для сегментирования объектов УДС. При достаточно большом количестве объектов тип и состав смеси согласуются лишь с установленными стандартами. Однако объекты можно исследовать по целым группам признаков, добавляя неявные предикторы и постоянно обновляя построенную модель. Это повышает эффективность проектирования составов, особенно при использовании новых добавок, за счет выявления скрытых зависимостей и учета реальных требований к покрытию.

Возможные пути решения задач в этой области не ограничиваются построенными моделями и предложенными перспективами. Технологии управления знаниями и добычи данных позволяют существенно повысить качество проводимых исследований. Для этого в диссертации предложено использовать единое хранилище данных.

В соответствии с выработанными рекомендациями далее в диссертации выполнен полный цикл проектирования базы данных «Подбор состава АБ» для контроля качества асфальтобетонных смесей (рисунки 15, 16).

Рис. 15. Концептуальная схема БД «Подбор состава АБ» Рис. 16. Реляционная схема данных БД «Подбор состава АБ» Проведенные исследования и полученные результаты моделирования позволяют реализовать выдвинутую концепцию создания информационно-аналитической системы для управления качеством АБС в составе комплексной АСУ производством асфальтобетонной смеси на базе стандартной СУБД Access и универсальных статистических пакетов. Разработан интерфейс пользователя автоматизированной системы «Подбор состава АБ», который рассчитан на оператора (пользователя), обладающего начальными навыками работы с персональным компьютером.

«Подбор состава АБ» в рамках системы управления качеством АБС обеспечивает решение следующих основных задач:

Ведение базы данных поставщиков компонентов асфальтобетонной смеси;

Ведение базы данных поставок компонентов асфальтобетонной смеси;

Ведение базы данных паспортов и результатов испытаний компонентов асфальтобетонной смеси;

Проектирование состава асфальтобетонной смеси;

Ведение базы данных испытаний образцов проектируемой смеси;

Назначение производственного состава;

Ведение базы данных испытаний образцов производственного состава смеси;

Ведение базы данных клиентов (потребителей) асфальтобетонной смеси;

Ведение базы данных объектов отгрузки асфальтобетонной смеси;

Вывод твердых копий для следующих документов:

Список поставщиков компонентов Список поставок компонентов Паспорта компонентов Протокол испытаний компонентов Протокол проектирования состава асфальтобетонной смеси Протокол испытаний образцов проектируемой смеси Протокол испытаний образцов производственного состава смеси Список клиентов Список объектов Паспорт поставляемой асфальтобетонной смеси.

В четвертой главе определены принципы построения, состав и характеристики программного и аппаратного обеспечения, необходимые для практической реализации разработанной информационно-аналитической системы контроля качества асфальтобетонных смесей. Предложенный подход позволяет реализовать модульное и поэтапное внедрение системы с учетом того, что частота обновления данных отличается более чем на три порядка В процессе работы был проведен сравнительный анализ способов внедрения информационно-аналитических технологий, исходя из целей и возможностей предприятия:

• создание группы экспертов;

• покупка готовой заказной системы;

• создание собственной системы «с нуля»;

• создание системы на основе готовых пакетов.

Кроме того, в диссертации проведен обзор и сравнительный анализ доступных программных средств для реализации интеллектуального анализа данных в сфере промышленного производства. Для работы был выбран пакет STATISTICA 8.0 с установленными дополнительными модулями. Одним из решающих преимуществ стала возможность использования специализированного модуля STATISTICA Data Miner.

Учитывая особенности асфальтобетонного производства, где функции контроля и управления качеством выходят за рамки одного предприятия, в диссертации предлагается комбинированный подход к внедрению технологий анализа. Использование уже существующих на производстве локальных систем управления, стандартных СУБД и механизмов предобработки данных в рамках учетных систем в сочетании с универсальными статистическими пакетами, которые при соответствующей настройке не требуют от оператора или управленца дополнительных знаний в области методов интеллектуального анализа данных.

Рисунок 17 представляет структуру информационного обеспечения комплексной системы управления производством асфальтобетонной смеси, в состав которой входит система контроля качества. Структура информационно-аналитической системы контроля качества и ее взаимодействие с технологическим процессом АБЗ, лабораторией и оператором представлена на рисунке 18.

В системе управления производством асфальтобетонной смеси может использоваться несколько баз данных. Часть из них уже имеется на АБЗ оснащенных тем или иным типом систем управления.

Необходимо интегрировать имеющиеся наборы данных с вновь введенными наборами данных в единую систему.

Все эти базы имеют связанные реляционными отношениями наборы таблиц. Среди этих таблиц имеются таблицы-справочники, в которые внесены нормативные данные и относительно постоянные данные. Переменная информация хранится в соответствующих таблицах. Для межсистемного взаимодействия используется механизм связанных таблиц с разделением доступа.

Использование архитектуры клиент-сервер позволяет использовать для хранения данных одну мощную СУБД и клиентское программное обеспечение на рабочих станциях. В зависимости от того, будет ли использована предлагаемая методика в лаборатории или на уровне предприятия, или в объединении АБЗ, можно рекомендовать использование отдельных алгоритмов, реализованных в рамках универсальных статистических пакетов или покупку полнофункциональной аналитической платформы.

Рис. 17. Информационное взаимодействие между комплексной системой управления на АБЗ и удаленными участками укладки и уплотнения асфальтобетонной смеси Рис. 18. Структура информационно-аналитической системы управления качеством и ее взаимодействие с технологическим процессом АБЗ, лабораторией и оператором В диссертации приведена оценка перспектив внедрения информационно-аналитической системы в составе комплексной системы управления производством АБС с точки зрения затрат и достигаемых результатов, выработаны рекомендации по поэтапному внедрению методов и алгоритмов на отдельных предприятиях и их объединении.

Основными критериями эффективности достижения цели в работе являются:

1. определение степени достоверности получаемых результатов на основе сравнительного анализа;

2. снижение трудоемкости процесса обработки информации;

3. повышение скорости обработки данных, и как следствие, повышение скорости принятия решений;

4. упрощение осуществления доступа к получаемой информации;

В заключении представлены основные результаты работы.

В приложении приводятся акты внедрения результатов диссертационной работы, интерфейс пользователя БД «Подбор состава АБ», список условных обозначений и общая справочная информация по асфальтобетонным смесям.

Публикации. По результатам выполненных исследований опубликовано 5 печатных работ.

ОСНОВНЫЕ ВЫВОДЫ И РЕЗУЛЬТАТЫ РАБОТЫ В итоге выполнения работ, отраженных в данной диссертации, получены следующие основные результаты, определяющие научную новизну и ее практическую значимость:

1. Предложен комплексный подход к автоматизации технологических процессов проектирования и контроля качества составов АБС, состоящий в сборе данных со всех этапов жизненного цикла АБС, их автоматической обработке, актуализации БД, что позволяет существенно повысить объективность и качество анализа информации в рассматриваемой предметной области, 2. Разработан модифицированный алгоритм подбора оптимального содержания битума в асфальтобетонной смеси. Алгоритм включает в себя моделирование управления прочностью АБС вариацией расхода битума на основе использования основных материаловедческих принципов и системы критериев оценки качества управления, а также использование технологии добычи данных для определения того содержания битума, которое позволит получить соотношение физикомеханических характеристик смеси, максимально отвечающих требованиям ГОСТ для данного состава.

3. Разработана методика кластеризации (сегментации) и предобработки данных для построения прогноза, и реализовано семейство алгоритмов, позволяющее осуществить все необходимые процедуры подготовки данных к осуществлению прогноза. На основании разработанной методики построены прогнозирующие модели для различных типов выборок данных, в зависимости от поставленных задач.

4. Разработаны модели прогнозирования физико-механических показателей АБС и алгоритм прогнозирования, реализованный в модуле Data Miner. Впервые для прогнозирования качества покрытия применена технология добычи данных, которая позволила в автоматическом режиме исследовать сложные многофункциональные зависимости. Экспериментально доказано, что алгоритмы кластеризации, классификации данных и прогнозирования прочности, реализованные в разработанном программном обеспечении, дают погрешность не более 5 %, то есть показывают высокую степень достоверности. Использование результатов диссертационной работы позволило ускорить процесс принятия решений о проектировании состава асфальтобетона не менее чем в 2 – 2.5 раза. При этом разработанные алгоритмы универсальны и могут быть адаптированы для другого набора данных и других показателей.

5. Разработана концептуальная модель базы данных для хранения информации о результатах процесса формирования и контроля качества АБС Разработана общая структурная схема взаимодействия информационно-аналитической системы управления качеством АБС с комплексной АСУ АБЗ на основе интеграции OLAP, DM, реляционных СУБД и уже существующих на АБЗ ЛСУ. Это позволяет осуществлять поэтапное и модульное внедрение предлагаемых технологий на предприятии или их объединении, учитывая потребности лица принимающего решение и имеющиеся ресурсы.

6. В соответствии с выработанными рекомендациями разработано и реализовано программное обеспечение, включающее в себя механизмы предобработки, очистки данных, алгоритмы расчета гранулометрии, инструменты автоматизированной и ручной обработки данных, систему поиска и хранения информации в созданной базе данных «Подбор состава АБ». База данных показала свою эффективность и пригодность для проведения дальнейших исследований и оптимизации управления качеством асфальтобетонных смесей.

Публикации по теме работы ИЗ ПЕРЕЧНЯ ВАК 1. Баланцева М.А. Исследование вариации содержания битума и изменения прочности асфальтобетонной смеси/ Баланцева М.А. // Вестник МАДИ, вып. 3(30). – М.: МАДИ, 2012. – С.84-92.

В ДРУГИХ ИЗДАТЕЛЬСТВАХ 2. Баланцева М.А. Архитектура автоматизированной системы распознавания дефектов дорожного покрытия / Баланцева М.А., Николаев А.Б., Ла Суан Тханг, Власов Д.А. // Интерактивные технологии моделирования и управления: сб. науч. тр. МАДИ, вып.(46). - М., 2010. - С.162-165.

3. Баланцева М.А. Управление качеством асфальтобетона с использованием интеллектуального анализа данных / Баланцева М.А.

// Теория и практика электронного документооборота в промышленности: сб. науч. тр. МАДИ, вып.2 (50). - М., 2011. - С.160169.

4. Баланцева М.А. Современные методы повышения эффективности хранения данных / Баланцева М.А. // Автоматизация и управление на транспорте и в дорожном строительстве: сб. науч. тр.

МАДИ, вып.1 (49). - М., 2011. - С.177-183.

5. Баланцева М.А. Управление данными по контролю качества асфальтобетонных смесей / Баланцева М.А., Николаев А.Б. // Теория и практика электронного документооборота в промышленности: сб.

науч. тр. МАДИ, вып.2 (50). - М., 2011. - С.128-135.






© 2011 www.dissers.ru - «Бесплатная электронная библиотека»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.