Методология поддержки принятия решений при интеллектуальном управлении технологическими системами производства гальванических покрытий

Обложка

Цитировать

Полный текст

Аннотация

Приведено описание причин неопределенности, обуславливающей снижение эффективности функционирования технологических систем производства гальванических покрытий. Рассмотрена и проанализирована методология создания проблемно-ориентированных систем поддержки принятия решений и интеллектуального управления в условиях неопределенности для повышения эффективности функционирования технологических систем производства гальванических покрытий. Приведена взаимосвязь принципов системного подхода, методов и алгоритмов, формирующих предлагаемую методологию. Продемонстрирована архитектура и дано описание алгоритмического обеспечения систем.

Полный текст

Введение

Гальванические покрытия являются ключевыми операциями для защиты деталей от коррозии, улучшения механических свойств и придания декоративных качеств. В условиях растущих требований к технологическим системам производства гальванических покрытий (ТСПГП) повышение эффективности их функционирования становится важной задачей для многих отраслей промышленного производства. Многочисленные исследования в данной предметной области направлены на оптимизацию технологических систем через разработку оборудования и настройку параметров управления [1 – 5]. Эффективность функционирования ТСПГП существенно зависит от качества принимаемых решений и сформированных управлений. Однако неопределенность, вызванная сложностью их влияния на состояние объекта (ТСПГП) и субъективностью выбора методов для решения данных задач лицом, принимающим решение (ЛПР), приводит к снижению прогнозируемости и, как следствие, эффективности функционирования ТСПГП. Сложность оценки влияния принятых решений и сформированных управлений обусловлена многообразием факторов, оказывающих нелинейный характер влияния на объект, при наличии нескольких альтернатив и многокритериальности задачи. Субъективность выбора методов решения задачи связана с индивидуальными опытом, знаниями и предпочтениями ЛПР. Отсутствие единого подхода для выбора методов приводит к разным результатам при одинаковых начальных данных, что создает мультивариантность, которая затрудняет повышение эффективности функционирования ТСПГП. В свою очередь, отклонение реальных значений входных переменных от значений, используемых при принятии решений и формировании управляющих воздействий, также может негативно сказаться на эффективности функционирования ТСПГП. Существующие меры по повышению эффективности ТСПГП, такие как стандартизация принятых решений и формируемых управлений и переобучение, часто оказываются недостаточными. Поэтому актуальна необходимость использования проблемно-ориентированных систем поддержки принятия решений (СППР) и интеллектуального управления (ИСУ), которые помогут ЛПР обосновать принятые решения и сформированные управления для повышения функционирования ТСПГП. Для создания таких систем требуется разработка соответствующей методологии.

Цель работы – создание методологии поддержки принятия решений при интеллектуальном управлении ТСПГП для повышения эффективности их функционирования.

Постановка задачи для методологии.

Взаимосвязь формирующих ее принципов, методов и алгоритмов

Сформулируем задачу принятия решений и формирования управлений, в рамках разрабатываемой методологии: для заданных входных переменных X (конфигурация детали) необходимо подобрать такие управляющие воздействия U (оборудование и режим его работы), соответствующие возможным альтернативам A (вариантам оснастки гальванической ванны), которые обеспечивают для выходной переменной Y (толщина гальванического покрытия на поверхности детали) экстремальные значения критериев эффективности K. Решение задачи усложняется субъективным выбором методов нормализации разнородных данных f, расчета весовых коэффициентов Ф и принятия решений F, а также типа ИСУ (на базе ассоциативной памяти или нечеткого логического вывода) для формирования управления и ее настройки. На рисунке 1 отображена связь между принципами, методами и алгоритмами, которые составляют методологию поддержки принятия решений при интеллектуальном управлении ТСПГП. В основе принципов системного подхода при реализации СППР и ИСУ используются: информативность П1; эффективность П2; модульность П3; неопределенность П4; эквифинальность П5; интеллектуальность П6; быстродействие П7. Методы (М) и алгоритмы (А), лежащие в основе функционирования проблемно-ориентированной СППР и ИСУ: выбор метода нормализации данных (М1, А1) [6]; агрегация значений весовых коэффициентов значимости критериев (М², А2) [7]; расчет коэффициентов компетентности участников голосования (М³, А3.1, А3.2) [8]; формирование знаний в ассоциативной памяти (М4, А4) [9]; расчет весовых коэффициентов значимости входных переменных из ассоциативной памяти (М5, А5); поиск содержимого ассоциативной памяти (М6, А6); определение параметров функций принадлежности термов лингвистических переменных (М7, А7); формирование стабилизирующего управления процессом (М8, А8) [10]; выбор типа ИСУ (М9, А9). Количественная оценка минимизации человеческого фактора по методам М1 – М9, реализованных с помощью алгоритмов А1 – А9, осуществляется посредством анализа сокращения пространства допустимых решений с точки зрения уменьшения числа вариантов для выбора методов нормализации данных f, вычисления весовых коэффициентов Ф и принятия решений F, а также параметров настройки нечеткого вывода. Кроме того, оценивается расхождение результатов кластеризации ассоциативной памяти, полученных с учетом значимости входных переменных и без учета их значимости.

 

Рис. 1. Методология поддержки принятия решений при интеллектуальном управлении ТСПГП

 

Архитектура и алгоритмическое обеспечение СППР

Архитектура проблемно-ориентированной СППР, которая состоит из нескольких взаимодействующих подсистем, показана на рис. 2.

 

Рис. 2. Архитектура проблемно-ориентированной СППР

 

Алгоритмическое обеспечение проблемно-ориентированной СППР включает: ввод исходных данных (матрица решений для вариантов нанесения гальванического покрытия), нормализацию матрицы решений, агрегацию весов критериев в ней, определение оптимального решения (оборудования) путем группового голосования и формирование планов экспериментов по расчету параметров управления (рис. 3). Если результаты не удовлетворяют требуемой значимости по статистическому критерию χ2, то процесс расчета повторяется, иначе выводятся полученные результаты (выбранное оборудование и параметры управления) для ТСПГП.

 

Рис. 3. Алгоритмическое обеспечение проблемно-ориентированной СППР

 

Вычислительный эксперимент

Функционирование разработанных систем проанализировано на примере выбора типа ИСУ, основанной на ассоциативной памяти (АП) или нечетком логическом выводе (НЛВ) для ТСПГП, при этом акцент сделан на условиях неопределенности значений таких факторов, как длительность процесса электролиза, площадь обрабатываемой детали, температура и кислотность электролита.

Эффективность функционирования ТСПГП оценивается с точки зрения минимизации взвешенных относительных расхождений между ожидаемыми оптимальными критериями: равномерностью покрытий, производительностью процесса, расходом ресурсов и стоимостью выполнения работ, и фактическими значениями, полученными в условиях неопределенности. Для количественной оценки этих критериев использованы заранее определенные веса, которые составляют: для равномерности покрытий – 0,112; производительности процесса – 0,248; расхода ресурсов – 0,342; стоимости выполнения работ – 0,298. В целях обоснования выбора типа ИСУ проведена серия из 20 экспериментов. Данное количество экспериментов является достаточным для применения критерия χ2, так как ожидаемая частота для каждой категории, соответствующей выбору типа ИСУ, составляет 10. Это значение превышает минимально допустимый порог в 5, что позволяет обеспечить статистическую значимость полученных результатов и повысить надежность выводов о предпочтительности того или иного типа ИСУ режимом ТСПГП.

Анализ полученных результатов и их обсуждение

На рисунке 4 представлены результаты выбора типа ИСУ, которые настроены как с участием ЛПР, так и без него, в рамках проведенных экспериментов по двум категориям: 1 – АП; 2 – НЛВ.

Анализ результатов выбора типа ИСУ показывает наличие различий в 45 % случаев, которые распределяются следующим образом: АП выбрана 17 и 12 раз соответственно для настроек без и с участием ЛПР, в то время как НЛВ была выбрана 3 и 8 раз в тех же условиях. Для интеллектуальных систем управления, настроенных без участия ЛПР, вычисленное значение критерия χ2 составляет 9,8, тогда как для ИСУ, настроенных с участием ЛПР, это значение равно 0,8.

 

Рис. 4. Результаты выбора типа ИСУ по экспериментам

 

При установленном уровне значимости 0,05 критическое значение χ2 составляет 3,84. Таким образом, выбор ИСУ с АП, настроенной без участия ЛПР, демонстрирует статистическую значимость по сравнению с выбором ИСУ с НЛВ. В то же время, между выбором типов ИСУ, настроенных с участием ЛПР, статистически значимых различий не обнаруживается. Следовательно, использование ИСУ, настроенных с участием ЛПР, способствует увеличению эффективности функционирования ТСПГП на 29,5 и 24 % при использовании АП и НЛВ соответственно. При отсутствии участия ЛПР эффективность возрастает до 49 и 46 % для тех же типов ИСУ.

Заключение

Для процессов производства гальванических покрытий, ключевыми факторами, способствующими повышению эффективности технологических систем, становятся процессы поддержки принятия решений и формирования управлений для ЛПР. Предложена методология, направленная на решение указанной проблемы через разработку проблемно-ориентированной СППР и ИСУ, а также их интеграцию в контур ТСПГП. Внедрение данных систем обеспечивает не только автоматизацию процессов, но и улучшение технико-экономических показателей функционирования ТСПГП, что достигается за счет реализации процессов принятия решений и формирования управлений при помощи методов и алгоритмов разработанной методологии, используемой при настройке систем. Таким образом, предложенная методология способствует созданию более устойчивой и предсказуемой среды для управления производственными системами, что в свою очередь ведет к оптимизации ресурсов и повышению конкурентоспособности предприятия.

×

Об авторах

Денис Сергеевич Соловьев

ФГБОУ ВО «Тамбовский государственный университет имени Г. Р. Державина»

Автор, ответственный за переписку.
Email: solovjevdenis@mail.ru

кандидат технических наук, доцент кафедры математического моделирования и информационных технологий

Россия, Тамбов

Список литературы

  1. Ishizuka, N. Topology optimization for unifying deposit thickness in electroplating process / N. Ishizuka, T. Yamada, K. Izui, S. Nishiwaki // Structural and Multidisciplinary Optimization. – 2020. – Vol. 62. – P. 1767 – 1785. doi: 10.1007/ s00158-020-02574-8
  2. Numerical optimization of electrodeposition thickness uniformity with respect to the layout of anode and cathode / G. Yang, D. Deng, Y. Zhang, Q. Zhu, J. Cai // Electrocatalysis. – 2021. – Vol. 12. – P. 478 – 488. doi: 10.1007/s12678-021-00668-5
  3. Разработка конструкции установки химического никелирования, функционирующей в составе гальванической линии / А. Б. Борисенко, В. В. Храмцов, В. А. Немтинов, А. В. Крылов, М. А. Матрохин // Вестн. Тамб. гос. техн. ун-та. – 2021. – Т. 27, № 2. – С. 275 – 284. doi: 10.17277/vestnik.2021.02.pp.275-284
  4. Пчелинцева, И. Ю. Система распределенной обработки информации для решения задачи снижения неравномерности гальванических покрытий / И. Ю. Пчелинцева // Вестн. Тамб. гос. техн. ун-та. – 2022. – Т. 28, № 3. – С. 398 – 411. doi: 10.17277/vestnik.2022.03.pp.398-411
  5. Санников, С. А. Системный анализ процесса проектирования линий для электрохимической и химической обработки деталей / С. А. Санников, В. Г. Мокрозуб, М. С. Калистратов // Вестн. Тамб. гос. техн. ун-та. – 2023. – Т. 29, № 1. – С. 6 – 16. doi: 10.17277/vestnik.2023.01.pp.006-016
  6. Соловьев, Д. С. Формализация задачи и разработка алгоритма выбора метода нормализации данных для принятия решений / Д. С. Соловьев // Вестн. Тамб. гос. техн. ун-та. – 2024. – Т. 30, № 1. – С. 17 – 27. doi: 10.17277/vestnik.2024.01. pp.017-027
  7. Соловьев, Д. С. Метод объективизации значений весовых коэффициентов для принятия решений в многокритериальных задачах / Д. С. Соловьев // Научно-технический вестник информационных технологий, механики и оптики. – 2023. – Т. 23, № 1. – С. 161 – 168. doi: 10.17586/2226-1494-2023-23-1-161-168
  8. Соловьев, Д. С. Метод расчета коэффициентов компетентности участников группового принятия решений для выбора наилучшей альтернативы при мультивариантности результата / Д. С. Соловьев // Информатика и автоматизация. – 2024. – Т. 23, № 1. – С. 169 – 193. doi: 10.15622/ia.23.1.6
  9. Соловьев, Д. С. Разработка и анализ интеллектуальной системы управления гальваническим процессом на базе ассоциативной памяти в условиях предсказуемой неопределенности / Д. С. Соловьев // Мехатроника, автоматизация, управление. – 2023. – Т. 24, № 11. – С. 573 – 582. doi: 10.17587/mau.24.573-582
  10. Соловьев, Д. С. Разработка интеллектуальной системы с нечеткой стабилизацией управления в условиях неопределенности входных воздействий / Д. С. Соловьев // Вестник Астраханского государственного технического университета. Серия: Управление, вычислительная техника и информатика. – 2024. – № 1. – С. 38 – 45. doi: 10.24143/2072-9502-2024-1-38-45

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
2. Рис. 1. Методология поддержки принятия решений при интеллектуальном управлении ТСПГП

Скачать (283KB)
3. Рис. 2. Архитектура проблемно-ориентированной СППР

Скачать (241KB)
4. Рис. 3. Алгоритмическое обеспечение проблемно-ориентированной СППР

Скачать (268KB)
5. Рис. 4. Результаты выбора типа ИСУ по экспериментам

Скачать (75KB)

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».