На правах рукописи

ЯСИНСКИЙ ИГОРЬ ФЕДОРОВИЧ

РАЗРАБОТКА НЕЙРОСЕТЕВОЙ СИСТЕМЫ

ДЛЯ ОБНАРУЖЕНИЯ И КЛАССИФИКАЦИИ ДЕФЕКТОВ ТКАНИ

НА МЕРИЛЬНО-БРАКОВОЧНОМ ОБОРУДОВАНИИ

Специальность 05.02.13 - Машины, агрегаты и процессы

(легкая промышленность)

АВТОРЕФЕРАТ

диссертации на соискание ученой степени кандидата технических наук

Иваново 2007

Работа выполнена в государственном образовательном учреждении высшего профессионального образования "Ивановская государственная текстильная академия" (ИГТА).

Научный руководитель доктор технических наук, профессор Калинин Евгений Николаевич

Официальные оппоненты:

доктор технических наук, профессор Фомин Юрий Григорьевич доктор технических наук, профессор Глазунов Виктор Федорович

Ведущая организация - Ивановский государственный химико-технологический университет

Защита диссертации состоится "28" мая 2007г. в 10 часов на заседании диссертационного совета Д 212.061.01 при Ивановской государственной текстильной академии по адресу:

153000, г. Иваново, пр.Ф.Энгельса, д.21.

С диссертацией можно ознакомиться в библиотеке Ивановской государственной текстильной академии.

Автореферат разослан "25" апреля 2007 г.

Ученый секретарь диссертационного совета Кулида Н.А.

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы. В настоящее время обнаружение дефектов ткани и оценка ее качества в мерильно-браковочном цехе производятся визуально.

Ткань на мерильно-браковочной машине движется со скоростью 30-50 м/мин.

Ввиду ограниченной способности человека к обработке информации, и при увеличении скорости движения ткани количество пропущенных дефектов резко возрастает. В течение рабочего дня эффективность обнаружения дефектов ткани уменьшается. Для улучшения качества контроля сортности ткани, увеличения производительности мерильно-браковочного оборудования и высвобождения человека для более квалифицированного труда необходимо автоматизировать процесс контроля качества ткани средствами нейросетевых технологий, исключающих значимость человеческого фактора из технологического процесса.

Цель работы состоит в повышении производительности мерильнобраковочного оборудования, надежности контроля качественных параметров текстильных материалов, расширении спектра распознаваемых дефектов ткани, снижении влияния человеческого фактора в технологическом процессе за счет автоматизации процесса контроля качества выпускаемой ткани посредством использования нейросетевых технологий.

Для достижения указанной цели поставлены следующие задачи:

1. Исследование современных способов и систем контроля качества и определение концептуальных направлений развития средств автоматического контроля качества текстильных материалов.

2. Разработка и реализация аппаратного и программного обеспечения нейросетевой системы автоматического контроля качества выпускаемой ткани.

3. Разработка принципиально новых эффективных алгоритмов обучения искусственных нейронных сетей применительно к процессу обнаружения и классификации дефектов ткани.

4. Производственная апробация созданной системы нейросетевого контроля качества ткани.

Методы исследований. При решении поставленных задач использовались теория автоматического управления, теория цифровых систем управления, методы экспериментального исследования, а также методы математической статистики и вычислительной математики с применением ЭВМ.

В основе представленного исследования лежат принципы математического моделирования. Для обучения искусственных нейронных сетей распознаванию дефектов ткани использовались дельта-метод, алгоритм обратного распространения ошибки, разработанный нами синтетический алгоритм и входящие в его состав созданные нами оригинальные методы усовершенствованного случайного поиска, случайного поиска с памятью, инерционной минимизации функции, генетического поиска. Для улучшения показателей распознаваемости применялся метод сжатия информации с помощью нейросетевой воронки.

Научная новизна. В представленной работе получены следующие результаты:

1. Разработаны функциональная и структурная схемы аппаратного обеспечения системы для распознавания и классификации дефектов на движущейся ткани применительно к мерильно-браковочной машине.

2. Разработаны и апробированы принципиально новые алгоритмы, обеспечивающие обучение и функционирование нейронной сети, предназначенной для распознавания и классификации дефектов ткани.

Разработан пакет прикладных программ, позволяющий комбинировать синтезированные нами алгоритмы с целью отыскания глобального минимума целевой функции в множестве локальных.

3. Разработана система, предусматривающая использование многопроцессорных вычислительных устройств (многопроцессорных кластеров и многоядерных процессоров) для нейросетевого контроля качества текстильных материалов.

Практическая ценность. Разработана и реализована нейросетевая система распознавания и классификации дефектов ткани на мерильно-браковочном оборудовании. Установлено, что разработанная система позволяет повысить производительность мерильно-браковочного оборудования и надежность контроля качественных параметров текстильных материалов, расширить спектр распознаваемых дефектов ткани, снизить влияние человеческого фактора в технологическом процессе.

На основе синтетического алгоритма создан пакет прикладных программ, распознающий и классифицирующий дефекты ткани, позволяющий сократить затраты машинного времени на обучение нейронной сети в 2-3 раза.

Получены оптимальные коэффициенты сжатия информации нейросетевой воронкой, обеспечивающие эффективность обнаружения и классификации дефектов на движущейся ткани.

Разработаны оптические устройства, обеспечивающие функционирование системы в заданных технологических условиях.

На защиту выносятся:

1. Функциональная схема нейросетевой установки для обнаружения и классификации дефектов ткани на мерильно-браковочном 2. Алгоритмы обучения нейронной сети, распознавания и классификации 3. Программная реализация синтетического алгоритма и алгоритмов усовершенствованного случайного поиска, случайного поиска с памятью, метода инерционной минимизации, двух разновидностей генетического поиска, сжатия информации с помощью нейросетевой 4. Результаты производственной апробации системы распознавания и классификации дефектов ткани.

Апробация работы.

Основные положения и результаты работы доложены и обсуждены на следующих научно-технических форумах:

- VI Международный научно-практической семинар “Физика волокнистых материалов” (Иваново, ИГТА, 2003 г.);

- VII Международный научно-практической семинар “Физика волокнистых материалов" (Иваново, ИГТА, 2004 г.);

- “Молодые ученые - развитию текстильной и легкой промышленности” (Поиск-2004) (Иваново, ИГТА, 2004 г.);

- “Молодые ученые - развитию текстильной и легкой промышленности” (Поиск-2005) (Иваново, ИГТА, 2005 г.);

- 57-я конференция “Студенты и молодые ученые КГТУ – производству” (Кострома, КГТУ, 2005 г.);

- “Дни науки-2005” (Санкт-Петербург, СПГУТД, 2005 г.);

- межвузовская научно-практическая конференция “Экологические проблемы Ивановской области” (Иваново, ИГТА, 2005 г.);

- “4th Central European Conference 2005” fibre-grade polymers, chemical fibres and special textiles; (Сzech Republic, Liberec, Technical University, 2005);

- “Молодые ученые - развитию текстильной и легкой промышленности” (Поиск-2006) (Иваново, ИГТА, 2006 г.);

- международная научно-техническая конференция “Современные наукоемкие технологии и перспективные материалы текстильной и легкой промышленности” (ПРОГРЕСС-2006) (Иваново, ИГТА, 2006 г.);

конструирование численных алгоритмов и решение задач математической физики с приложением к многопроцессорным системам” (Дюрсо, Институт прикладной математики им. М.В.Келдыша РАН и МГУ им.

М.В.Ломоносова, 2006 г.).

Публикации По теме диссертации опубликованы 19 печатных работ:

- 9 статей в журналах “Известия вузов. Технология текстильной промышленности”; “Вестник ИГТА”; “Вестник ИГЭУ” и сборнике материалов научной конференции “4th Central European Conference 2005” fibre-grade polymers, chemical fibres and special textiles;

- 9 тезисов в сборниках материалов научных конференций “Молодые ученые - развитию текстильной и легкой промышленности” (Поиск-2004, 2005, 2006); 57-й конференции “Студенты и молодые ученые КГТУ -производству”; “Дни науки-2005”; “Экологические проблемы Ивановской области - 2005”; “Современные наукоемкие технологии и перспективные материалы текстильной и легкой промышленности” (ПРОГРЕСС-2006);

16-й Всероссийской конференции “Теоретические основы и конструирование численных алгоритмов и решение задач математической физики с приложением к многопроцессорным системам”, 2006.

- 1 патент на изобретение (Пат. 2296991 Российская Федерация, МПК7 G01N 33/36 Устройство для обнаружения и регистрации дефектов на движущейся ткани).

Диссертация состоит из введения, четырех глав, заключения и приложений, изложенных на 192 страницах машинописного текста, содержит 67 рисунков, 27 таблиц, 80 формул, список литературы из 118 наименований.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность темы диссертации, определены ее цель и задачи, сформулированы научные результаты и основные положения, выносимые на защиту.

В первой главе на основе анализа литературных источников выявлены достоинства и недостатки существующих систем контроля качества материала. Приведены описание существующих типов дефектов ткани и их классификация согласно причинам возникновения. Рассмотрены принципы функционирования нейронных сетей, определены задачи, эффективно решаемые ими. Составлен обзор нейросетевых систем, используемых в разных областях человеческой деятельности, таких, как медицина, энергетика, гидрология и др. На основе анализа существующих систем контроля качества материала показана целесообразность применения современных информационных и аппаратных средств реализации контролирующих систем, позволяющих повысить производительность мерильно-браковочного оборудования, надежность контроля качественных параметров текстильных материалов, расширить спектр классифицируемых дефектов ткани, снизить влияние человеческого фактора в технологическом процессе.

Для целей контроля нами использована известная классификация дефектов ткани по их происхождению.

Одной из важнейших задач в ткацком и отделочном производствах является обнаружение дефектов, возникающих в процессе выработки ткани.

Осуществление автоматической разбраковки полотен непосредственно в процессе формирования полотна (на ткацком станке) позволит устранить участок разбраковки продукции как дополнительный технологический переход и в сочетании обратной связи с механизмами ткацкого станка значительно сокращает выход несортной продукции.

Существующие в настоящее время методы контроля качества полотен не соответствуют уровню развития современного производства. Контроль качества и определение сортности полотен преимущественно производятся визуально. Так как методы органолептического контроля трудоемки и непроизводительны, а сама оценка качества ткани носит субъективный характер, зависящий от многих причин: состояния контролера, времени проведения осмотра (начало или конец смены), вида переплетения, разноцветности контролируемого полотна и условий окружающей среды, то повысить производительность труда контролера и качество контроля полотен при визуальном методе невозможно; все ресурсы совершенствования этого метода уже исчерпаны.

Из анализа приведенных существующих до настоящего времени методов и устройств контроля поверхности текстильных материалов следует, что существующие технические средства не позволяют обнаруживать все многообразие дефектов полотна. Для контроля всего спектра дефектов с различными геометрическими размерами и формами необходимо использование технологии распознавания вида брака. Другим недостатком существующих автоматических систем является отсутствие адаптивности собственных параметров непосредственно в процессе функционирования.

Нейросетевые системы при контроле качества выпускаемого полотна обладают рядом принципиальных преимуществ по сравнению с известными автоматическими системами. Использование нейронной технологии позволяет расширить спектр классифицируемых дефектов, повысить производительность мерильно-браковочного оборудования и улучшить качество контроля полотна. Важным достоинством нейросетевой технологии является ее адаптивность во время работы.

На основании аналитического обзора сформулированы цель и задачи исследований.

Вторая глава посвящена разработке структуры аппаратного обеспечения системы контроля качества текстильного материала, программного обеспечения нейронной сети, а также алгоритмов обучения нейронной сети, предназначенной для распознавания дефектов ткани.

Система контроля качества ткани имеет структуру, показанную на рис.1, и работает следующим образом. Движущаяся ткань 1 освещается источником света 8. С помощью цифровой видеокамеры 2 с частотой, определяемой датчиком 3 длины ткани производится фотографирование поверхности ткани. Получающиеся изображения в цифровом виде передаются в вычислительное устройство 4, в котором с помощью нейросетевой системы может делаться заключение о наличии дефекта ткани, выполняться распознавание его вида, геометрических размеров, формы и координат.

Принтер 5 выводит протокол 6 обнаруженных дефектов и их положений на полотне, текущее состояние ткани отображается на мониторе 7.

Для обнаружения дефектов использована идеология построения обучаемой нейронной сети. Весовые коэффициенты синтезированной нами нейронной сети предварительно получены в результате компьютерной математической обработки различных типовых дефектов ткани.

Рис. 1. Структурная схема нейросетевой системы контроля качества ткани Один из наиболее актуальных вопросов при использовании нейронной сети заключается в выборе метода настройки весовых коэффициентов сети. Задача настройки нейронной сети является задачей многоэкстремального поиска, т.е.

поиска глобального экстремума целевой функции ошибки распознавания среди множества локальных экстремумов.

Первоначально был использован традиционный метод обучения нейронной сети, называемый методом обратного распространения ошибки.

Эксперименты показали, что этот метод не эффективен для обнаружения дефектов ткани ввиду существенного недостатка, при котором поисковая точка останавливается в локальных минимумах целевой функции ошибки распознавания дефекта ткани и не находит глобального минимума.

Для решения этой проблемы нами разработан синтетический алгоритм, способный отыскать глобальный минимум среди множества локальных.

Синтетический алгоритм основан на чередовании в процессе поиска рандомизированных составляющих алгоритмов. В состав синтетического алгоритма входят разработанные нами методы усовершенствованного случайного поиска, случайного поиска с памятью, инерционной минимизации и генетического поиска.

Численные эксперименты позволили убедиться в том, что синтетический алгоритм позволяет эффективно обучать нейронные сети распознаванию дефектов ткани, перемещая поисковую точку в глобальный минимум целевой функции ошибки распознавания образа, преодолевая локальные.

Принят следующий алгоритм усовершенствованного случайного поиска.

Множество весов нейронной сети рассматриваются как вектор W в N-мерном пространстве. Целевая функция Q ошибки распознавания зависит от значений весов W. W 0 = (W10,...,W N0 ) - исходная точка в пространстве поиска.

Последовательность (W1k,...,WNk ) ; к = 0,1,…,М2 является последовательностью удачных точек, если в каждой следующей точке целевая функция Q(W ) меньше, чем в предыдущей. Последовательность удачных точек получается таким образом.

1. Около очередной удачной точки строится окрестность в виде N-мерного 2. Из этой окрестности выбирается пробная случайная точка W с координатами где - случайные числа, равномерно распределенные в интервале (-1, +1).

3. В этой точке вычисляется значение целевой функции Q(W ), которое сравнивается с ее значением в последней удачной точке Q(W k ). Если Q(W )< Q(W k ), то такая точка объявляется новой удачной и она становится центром новой окрестности с полуразмерами DWk+1m.

Следующая пробная точка будет взята из этой новой окрестности.

Последовательность удачных точек W k сходится к точке минимума целевой функции Q(W ).

Использован следующий способ выбора начальных размеров окрестности поиска DWkm, позволяющий оптимально изменять их по мере приближения окрестности к точке минимума:

где Q = Q (W1,..., W N ), Qm = Q(W1,...,Wm + hm,...,W N ), Qm = Q(W10,...,Wm hm,...,WN ), hm – малые пробные приращения аргументов Wm0, - малое положительное число (защита от нуля в знаменателе).

В процессе поиска размеры окрестности DWkm изменялись следующим образом: выполнена серия из МS проб, из них проб оказались удачными.

Вычисляем эмпирически полученный множитель По окончании указанной серии проб все размеры окрестности DWkm умножаем на множитель µ. Согласно такому алгоритму пробная окрестность по мере приближения к точке минимума сжимается. Поиск прекращается,