3.2.4 Optimizacija parametrov recepta
Identificirani modeli, glede na vhodne podatke (parametri recepta, lastnosti ak-tualnega prevleka in aktualni procesni parametri), napovejo izhodno kakovost (slika 3.23 zgoraj). ˇCe vhodno-izhodno relacijo modela invertiramo (slika 3.23 spodaj), lahko poiˇsˇcemo optimalne nastavitve recepta glede na ˇzelene kazalnike uˇcinkovitosti. Kadar ne obstaja analitiˇcni inverz modela, to izvedemo preko opti-mizacije. V naˇsem primeru definiramo optimizacijsko funkcijo, ki jo oblikuje veˇc kriterijev:
• izhodna kakovost – odstopanje izhodne debeline od reference,
• produktivnost – hitrost valjanja in
• mehka omejitev (ang. soft constrain) – visoka kazen (ang. penalty) ob preseganju toleranˇcnih meja izhodne debeline.
Z uporabo optimizacijskega algoritma poiˇsˇcemo parametre recepta, ki bodo za-gotavljali minimalno vrednost optimizacijske funkcije.
inverz (MODEL)
OPTIMIZACIJA lastnosti prevleka procesni parametri
želen kazalnik učinkovitosti optimalni parametri recepta
MODEL IDENTIFIKACIJA lastnosti prevleka
procesni parametri
parametri recepta
kazalnik učinkovitosti
Slika 3.23: Uporaba regresijskega modela za optimizacijo parametrov recepta.
Veˇckriterijsko optimizacijsko funkcijo z metodo uteˇzene vsote pretvorimo v enokriterijsko, pri ˇcemer pomembnosti kriterijev doloˇcimo z uteˇzmi, posamezne kriterije pa ustrezno uteˇzimo in normiramo glede na zahtevano toleranco oziroma maksimalno hitrost valjanja:
optimiraj g(x) = ω1·f12 +ω2·f22+k·f32 =
ω1·model({recept, lastnosti prevleka, procesni parametri})2+ ω2·(maksimalna dovoljena hitrost – hitrost valjanja)2+
k·(preseˇzek ˇcez toleranˇcno mejo)2,
(3.5)
kjer je k visok koeficient za kaznovanje preseˇzka izhodnega odstopanja debeline od reference ˇcez toleranˇcno mejo,ω1 in ω2 pa sta uteˇzi, ki ju lahko spreminjamo tako, da velja enaˇcba (2.23) in s tem vplivamo na poudarek kriterijske funkcije, ki je bodisi bolj na kakovosti bodisi bolj na produktivnosti. Oba kriterija sta si na-sprotujoˇci zahtevi, kar pomeni da iˇsˇcemo kompromis med stopnjo produktivnosti in kakovostjo produkta.
3.3 Identifikacija operaterske prakse sprotne korekcije sile natega
Akcije operaterjev imajo pogosto pomemben vpliv na konˇcno uˇcinkovitost proi-zvodnih procesov. Pogosto pa pravila in uˇcinki akcij operaterjev temeljijo na dol-goletnih izkuˇsnjah in obˇcutkih, katere ni mogoˇce neposredno formalno definirati v obliki pravil/nasvetov. Problem takˇsnega dela se izkaˇze ob menjavi operaterjev, saj ni ustreznega ohranjanja in prenosa znanja na novo generacijo operaterjev.
V procesu hladnega valjanja predstavljajo korekcije sil nategov enega izmed pomembnejˇsih korekcij parametrov recepta, ki se izvajajo bodisi pred samim za-gonom valjanja, nekatere korekcije pa se izvajajo med samim valjanjem. Ker smo v prejˇsnjem poglavju ˇze identificirali modele procesa valjanja in na podlagi njih optimizirali parametre recepta, ki vsebuje tudi sile nategov, se v tem poglavju osredotoˇcimo na korekcije med samim valjanjem.
Na podoben naˇcin kot v prejˇsnjem poglavju bomo analizirali
zgodovin-ske proizvodne podatke in iz preteklih akcij operaterjev formalizirali njihovo osnovno logiko. Takˇsna formalizirana pravila bodo omogoˇcala izvedbo nadzorno-svetovalnega sistema, ki bo spremljal razmere valjanja in svetoval operaterjem med samim procesom. To bo omogoˇcalo sprotni nadzor stanja in svetovanje neizkuˇsenim operaterjem, kdaj in kakˇsno (uporaba modela predstavljenega v po-glavju 3.2) akcijo izvesti. S tem bi omogoˇcili prenos znanja ter poslediˇcno hitrejˇse uvajanje novih operaterjev.
V naslednjih poglavjih bodo predstavljeni pristopi za identifikacijo operater-skih praks od samega pridobivanja podatkov in identifikacije modela, do konˇcne uporabe modela, ki pojasni logiko odloˇcanja operaterjev.
3.3.1 Identifikacija dogodkov korekcije sil nategov in izbor znaˇcilk
Vsi procesni podatki so vzorˇceni s ˇcasovnim intervalom 0,01 s in se beleˇzijo v arhivsko podatkovno bazo, do katere lahko dostopamo in pridobimo tovrstno vzorˇcene podatke.
V podatkovni bazi se beleˇzi veˇc spremenljivk, ki predstavljajo prednastavljeno oziroma skupno silo natega na navijalniku:
• prr tens uncoi – prednastavljena sila natega na trenutnem vhodnem navi-jalniku,
• prr tens recoi -– prednastavljena sila natega na trenutnem izhodnem navi-jalniku,
• tr1 sum fref -– skupna sila natega na prvem navijalniku,
• tr2 sum fref -– skupna sila natega na drugem navijalniku,
• por sum fref -– skupna sila natega na odvijalniku.
Ker sta lahko levi in desni navijalnik tako na vhodni kot izhodni strani (od-visno glede na prevlek), definiramo novi spremenljivki, ki sta neodvisni od smeri valjanja. Ti spremenljivki sta:
• sum fref en – skupna sila natega na trenutnem vhodnem navijalniku in
• sum fref ex – skupna sila natega na trenutnem izhodnem navijalniku,
ki predstavljata preraˇcunano vsoto sile natega definirane v receptu in sile natega, ki jo korigira operater. Pri tem smo uporabili pravilo v tabeli 3.3.
Tabela 3.3: Pravilo za izraˇcun sile natega vhodnega in izhodnega navijalnika.
1. prevlek sodi in ne 1. prevlek lihi in ne 1. prevlek sum fref en por sum fref tr2 sum fref tr1 sum fref sum fref ex tr2 sum fref tr1 sum fref tr2 sum fref
V normalnih obratovalnih pogojih korekcij nategov ni, zato so vrednosti sum fref en in sum fref ex enake ˇcez celoten prevlek. Zaradi laˇzje interpreta-cije izraˇcunamo novi spremenljivki, ki predstavljata spremembo sile natega, ki jo je vnesel operater:
recoi diff=sum fref ex−prr tens recoi (3.6)
uncoi diff=sum fref en−prr tens uncoi. (3.7) Torej bosta ti dve novi spremenljivki v normalnih obratovalnih pogojih enaki niˇc, od trenutka korekcije sile natega, ki jo izvede operater pa razliˇcni od niˇc.
Hiter premislek nas pripelje do ideje, da lahko identificiramo trenutke korekcije ob spremembi vrednosti spremenljivkrecoi diff aliuncoi diff, vendar taka metoda ni ustrezna iz veˇc razlogov:
• sum fref en insum fref ex se ne spremenita instantno, temveˇc se do ˇzelene vrednosti pribliˇzujeta postopoma – zaznali bi veˇc laˇznih korekcij,
• veˇc zaporednih vzorˇcenih vrednosti sum fref en in sum fref ex je lahko za-radi narave vzorˇcenja enakih, nato pa se spet spremeni, na ta naˇcin bi zaznali veˇc dogodkov korekcije namesto enega,
• v vzorˇcenih vrednostih se lahko pojavi ˇsum (sprememba vrednosti) – zaznali bi laˇzno korekcijo.
Iz dobljenih zveznih spremenljivk poiˇsˇcemo reprezentativne vzorce, ki zasto-pajo oba razreda (sprememba parametra recepta, brez spremembe parametra recepta). Da bi pri tem zaznali ustrezne trenutke operaterjevih posegov v proces, smo definirali naslednje zahteve:
• korekcijo oznaˇcimo kot veljavno, ˇce je njena ustaljena vrednost prisotna vsaj k1 % dolˇzine trenutnega prevleka,
• vsako korekcijo (med samim procesom jih je lahko veˇc) obravnavamo rela-tivno na prejˇsnjo (ali na nastavitev, ki je zapisana v receptu, ˇce je ˇse ni bilo v trenutnem prevleku),
• dogodkov korekcije ne iˇsˇcemo v prvihk2 % dolˇzine trenutnega prevleka, saj tak poseg operaterjev lahko pripiˇsemo neoptimalnim parametrom recepta.
S tem smo se ukvarjali v prejˇsnjem poglavju.
Primer detekcije dogodka korekcije sile natega je s ˇcrtkano navpiˇcno ˇcrto pri-kazan na sliki 3.24.
Za izbor vzorcev, kjer ni bilo posegov operaterjev uporabimo logiko izbora vzorcev, kjer izberemo vzorce na 30 % in 70 % dolˇzine trenutnega prevleka. S tem se izognemo prehodnim pogojem na samem zaˇcetku prevleka, kjer lahko na-letimo na stanje sistema ob zaˇcetni izvedeni korekciji. Na koncu prevleka pa je proces lahko v fazi ustavljanja oziroma zakljuˇcevanja, ki pa ni veˇc v obiˇcajnih pogojih delovanja. Da se izognemo tudi prehodnim pojavom spremembe recepta, se odloˇcimo, da vzorce razreda brez spremembe izberemo zgolj iz tistih prevlekov, v katerih ni bilo izvedene nobene korekcije. Stanje procesa, na podlagi katerega se bo matematiˇcni model nauˇcil medsebojnih zvez za klasifikacijo dogodkov opiˇsemo s smiselnim izborom karakteristiˇcnih znaˇcilk. Znaˇcilke izberemo na podlagi raz-poloˇzljivih spremenljivk procesa na naˇcin, da izbrane znaˇcilke opisujejo kljuˇcne informacije, ki jih operaterji spremljajo in uporabljajo pri odloˇcitvah. Izbrane znaˇcilke opisujejo pretekle, trenutne in tudi prihodnje razmere valjanja. Te so:
50 100 150 200 250
Identifikacija trenutkov korekcije sile natega
velocity mdr
Slika 3.24: Primer identifikacije trenutka korekcije sile.
• distance – trenutna dolˇzina merjena od zaˇcetka kolobarja,
• pass nr – ˇstevilka prevleka,
• velocity mdr – hitrost glavnega pogona,
• zc – ˇstevilo prehodov odstopanja od reference skozi niˇc,
• dh – odstopanje debeline od reference,
• rgc act – dejanska sila stiskanja in
• rgc pos act – dejanska pozicija nastavne naprave.
Iz spremenljivk zc, dh, rgc act in rgc pos act lahko izpeljemo veˇc znaˇcilk, ki jih v sploˇsni obliki zapiˇsemo:
• zc x y,
• dh x y (abs) z w,
• rgc act y z=b w,
• rgc pos act y z=b w,
kjer so:
• x – stran meritve
– en – vhodna meritev – ex – izhodna meritev
• y – statistiˇcna funkcija
– mean – aritmetiˇcna srednja vrednost – std – standardni odklon
– rms – koren kvadratne aritmetiˇcne vrednosti – min – minimalna vrednost
– max – maksimalna vrednost
• z – stran opazovanja okna
– b – pred zaznanim trenutkom korekcije – a – po zaznanem trenutku korekcije
• w – ˇsirina okna v metrih – 10
– 20
– 50
– 100
– 200
• abs – absolutna vrednost.
Definirane znaˇcilke izraˇcunamo ob zaznanih trenutkih korekcije sile oziroma ob izbranih trenutkih opazovanja. Za nadaljnjo obdelavo zapiˇsemo znaˇcilke v stan-dardno obliko, ki je v naˇsem primeru besedilna datoteka z vrednostmi, loˇcenimi z vejico (ang. Comma Seperated Values – CSV).
Porazdelitev vzorcev po razredih je neenakomerna, zato s kombinacijo me-tod podvzorˇcenja (One-Sided Selection [22]) in prevzorˇcenja (SMOTE [11]) ko-rigiramo vzorce. Pred korekcijo vzorcev je porazdelitev prikazana na sliki 3.25 (zgoraj). Z izbrano metodo podvzorˇcenja odstranimo tiste vzorce iz veˇcinskega razreda, ki jih oznaˇcimo kot nezanesljive, tiste iz manjˇsinskega razreda pa pustimo nedotaknjene. Z nadvzorˇcenjem pa ustvarimo toliko novih vzorcev iz manjˇsinskih razredov, da je skupno ˇstevilo novih vzorcev posameznih manjˇsinskih razredov enako ˇstevilu vzorcev iz najbolj zastopanega razreda. Po korekciji je porazdelitev vzorcev prikazana na sliki 3.25 spodaj. V odstotkih je predstavljeno relativno ˇstevilo vzorcev enega razreda proti vsem vzorcem, v oklepaju pa je zapisano ab-solutno ˇstevilo vzorcev pripadajoˇcega razreda.
88,94% (6195) 11,06% (770)
01
50,0% (4450)50,0% (4450)
Razred
Slika 3.25: Porazdelitev vzorcev korekcij sil nategov po razredih – (zgoraj – originalni podatki, spodaj – korigirani podatki
.
Vsak vzorec vkljuˇcuje 285 atributov, tj. znaˇcilk in pripadajoˇco vrednost,
ki predstavlja ali je (change = 1) bila izvedena korekcija sile natega ali ne (change = 0).
Na podlagi relativno velikega ˇstevila znaˇcilk lahko sklepamo, da so nekatere iz-med njih irelavantne, zato je kljuˇcno, da izberemo manjˇsi nabor resniˇcno vplivnih znaˇcilk, ki bo ˇse vedno zagotavljal dovolj veliko uspeˇsnost modela. V ta namen, glede na diagram na sliki 2.5, izberemo naslednji metodi:
• analiza variance (ANOVA) – primerna metoda za linearne in
• Kendallov rang – primerna metoda za nelinearne odnose med neodvisno in odvisno spremenljivko.
V fazi razvoja najveˇckrat v kombinaciji z identifikacijo najboljˇsih hiper-parametrov modela preizkuˇsamo veˇc razliˇcnih metod izbire najvplivnejˇsih znaˇcilk.
V prilogi B je podrobneje predstavljenih 20 najbolj vplivnih znaˇcilk, ki jih upo-rabimo v modelu.
3.3.2 Izbira metode za klasifikacijo dogodkov korekcije sile natega
Ker je naˇs cilj formalizirati enostavno razloˇzljiva pravila odloˇcanja o posegu, v proces ˇzelimo vgraditi ˇcim bolj enostaven klasifikacijski model. Primer takˇsnega modela je odloˇcitveno drevo, ki smo ga opisali na poenostavljenem primeru v poglavju 2.2.5.
3.3.3 Identifikacija najboljˇsih parametrov modela
Osnovna ideja iskanja najboljˇsih parametrov modela je sistematiˇcno iskanje, npr.
iskanje v mreˇzi, vendar se v tej fazi identifikacije operaterske prakse odloˇcimo poiskati ˇcim enostavnejˇsi model, ki opiˇse logiko odloˇcanja operaterjevih pose-gov v proces, zato hiper-parametre, ki najbolj vplivajo na kompleksnost modela omejimo na razumljive meje, ˇce le uspeˇsnost modela ne bo bistveno slabˇsa.
V tabeli 3.4 sta za obe mnoˇzici izbranih znaˇcilk iz tabele v prilogi B (B.4) prikazani dve mnoˇzici parametrov in pripadajoˇca rezultata. Za vsako mnoˇzico
znaˇcilk so v prvi vrstici parametri, ki zagotavljajo najboljˇsi rezultat modela, v drugi vrstici pa so za ilustracijo prikazani parametri, s katerimi je rezultat modela najslabˇsi.
Tabela 3.4: Identificirani parametri modela odloˇcitveno drevo za identifikacijo operaterske prakse.
izbire znaˇcilk metoda
criterion min samples leaf [/] min samples split[/] score [/]
ANOVA gini
Iz tabele 3.4 je razvidno, da so rezultati modela boljˇsi z uporabo znaˇcilk, ki smo jih izbrali z metodo ANOVA, zato pri identifikaciji konˇcnega modela upo-rabimo le-te. Opaziti pa je tudi relativno majhen vpliv hiper-parametrov na rezultat modela.
Struktura drevesa z izbranimi najboljˇsimi parametri iz tabele 3.4 in znaˇcilkami iz tabele v prilogi B (tabela B.4 – ANOVA) je prikazana na sliki 3.26.
gini = 0.406 samples = 3747 value = [2687, 1060]
class = 0 value = [2733, 1178]
class = 0 value = [2999, 1654]
class = 0 dh_en_std_a_50 <= 2.316
gini = 0.489 samples = 5735 value = [3291, 2444]
class = 0
gini = 0.326 samples = 1385 value = [284, 1101]
class = 1 dh_en_max_abs_a_100 <= 66.619
gini = 0.5 samples = 7120 value = [3575, 3545]
class = 0
Slika 3.26: Struktura modela odloˇcitveno drevo za identifikacijo operaterske prakse.
Odloˇcitveno drevo s staliˇsˇca intepretacije odloˇcitev za korekcijo recepta podaja smiselne rezultate. Vpogled v listna vozliˇsˇca, natanˇcneje v zastopanost obeh
ra-zredov, pa nakazuje, da razlogi za korekcijo recepta niso konsistentni. To pomeni, da ni bilo moˇc zaznati povsem enotne prakse operaterjev niti v zelo podobnih po-gojih obratovanja procesa.
V kolikor operaterji potrdijo identificirano logiko odloˇcanja, je mogoˇce model odloˇcitveno drevo:
• nadgraditi in implementirati v sistem za podporo pri odloˇcanju (ang. De-cision Support System – DSS),
• zapisati v obliki formaliziranih pravil, ki bodo primerna za prenos dobrih praks med in na nove operaterje.
Sledeˇce poglavje prikazuje rezultate vrednotenja identificiranih modelov za napo-vedovanje izhodne kakovosti obdelave kolobarja in modela za ugotavljanje potrebe po korekciji nateznih sil navijalnikov. Na primeru je predstavljen tudi prototi-pni nadzorno-svetovalni sistem, ki integrira razvite modele. Razviti sistem se zdruˇzuje z aplikacijamaOptimizator, ki je namenjena za optimizacijo parametrov recepta pred priˇcetkom naslednjega prevleka, in Simulator, ki je namenjena za kasnejˇso podrobno analizo ˇze obdelanega kolobarja.
4.1 Vrednotenje identificiranih modelov
Za nepristransko mero uspeˇsnosti regresijskih modelov procesa pri konˇcnem vre-dnotenju uporabimo poseben nabor podatkov (testna mnoˇzica), katerega pri mo-deliranju nismo uporabili. V tabeli 4.1 so predstavljene ˇstevilske mere uspeˇsnosti modelov na tovrstnem naboru podatkov. Podrobni rezultati pa so predstavljeni v prilogi C.
Najviˇsjo mero uspeˇsnosti ima Model 1, vendar je njegova uporabnost ome-jena na napoved povpreˇcne izhodne kakovosti za celoten prevlek oziroma za eno ustaljeno stanje in ne omogoˇca napovedi izhodne kakovosti med samim obratova-njem, kar je pogoj za sprotno simulacijo delovanja sistema. Glede na visoko mero uspeˇsnosti pa se kaˇze moˇznost uporabe za vnaprejˇsnje nastavljanje parametrov recepta vseh prevlekov.
Svojo uporabno vrednost kaˇze tudi modelModel 3 in ga bo mogoˇce uporabiti za kratkoroˇcno napovedovanje izhodne kakovosti. Uporabnost modela Model 2 79
Tabela 4.1: Vrednotenje identificiranih modelov.
model Rˆ2 mera uspeˇsnosti
Model 1 model1 0,8686
Model 2
pa je posebno pri niˇzjih prevlekih vpraˇsljiva, zato bo potrebno ˇse dodatno vre-dnotenje. Predvsem pa smo ugotovili, da informacije iz prejˇsnjega prevleka niso zadostne, da bi lahko z veliko gotovostjo napovedovali potek v naslednjem pre-vleku.
Pri modelih opazimo tudi, da je mera uspeˇsnosti viˇsja pri viˇsjih prevlekih.
Slednje lahko interpretiramo kot vse veˇcji vpliv valjavskega ogrodja Sendzimir na produkt. V prvem prevleku je velik vpliv s prejˇsnje procesne linije, z veˇc prevleki pa se ta vpliv manjˇsa, veˇca pa se vpliv trenutne obdelave.
Za vrednotenje klasifikacijskega modela napovedovanja trenutkov korekcije sil nategov uporabimo celoten nabor izvornih podatkov brez predhodne korekcije zastopanosti razredov.
Poroˇcilo uspeˇsnosti klasifikacijskega modela je prikazano v tabeli 4.2.
Kratice, ki predstavljajo statistiˇcne mere uspeˇsnosti modela so definirane z enaˇcbami (2.30) - (2.34).
Rezultati modela kaˇzejo, da obstaja povezava med procesnimi vrednostmi in operaterjevo logiko odloˇcanja, saj v veˇcini primerov identificiran model pravilno svetuje o posegu v proces. To je razvidno iz zadovoljivo visoke mere uspeˇsnosti PPV, ki predstavlja relativno ˇstevilo vzorcev, klasificiranih kot change = 1 med
Tabela 4.2: Poroˇcilo uspeˇsnosti klasifikacijskega modela za identifikacijo opera-terske prakse.
TP [/] TN [/] FP [/] FN [/] PPV [/] TPR [/] TNR [/] F1 [/] ACC [/]
545 4881 1314 225 0,2932 0,7078 0,7879 0,4146 0,7790
vsemi vzorci, ki imajo pravo vrednost change = 1. Vzroke za napaˇcno razvrˇsˇcene vzorce pa pripiˇsemo neenotni praksi operaterjev ali pa pomembnejˇsemu podatku, ki ga v naˇsem delu nismo zaobjeli.
4.2 Primer uporabe: nadzorno-svetovalni sistem
V sklopu projekta je bil razvit prototip nadzorno-svetovalnega sistema s pripa-dajoˇcim grafiˇcnim uporabniˇskim vmesnikom (ang. Graphical User Interface – GUI), ki bo omogoˇcal:
• svetovanje optimalnih nastavitev recepta pred priˇcetkom procesa,
• sprotno spremljanje procesa valjanja in svetovanje optimalne korekcije pri-marnega recepta,
• naknadno podrobno analizo uporabe ustreznih receptur na podlagi arhi-vskih podatkov.
Glede na zasledovane cilje je bilo potrebno implementirati jedro nadzorno-svetovalnega sistema, ki ga sestavljata dva neodvisna uporabniˇska vmesnika (Op-timizator in Simulator) ter regresijski model procesa (Optimizator vsebuje Mo-del 2, Simulator vsebuje Model 3). Z nadzorno-svetovalnim sistemom je mogoˇce upravljati preko interaktivnih spletnih strani, od katerih je:
• Optimizator namenjena za izvajanje optimizacije parametrov recepta pred zaˇcetkom procesa, pri ˇcemer mora omogoˇcati moˇznost primerjanja konˇcne kakovosti za primer parametrov recepta podanih s strani uporabnika ter izraˇcunanih z optimizacijo,
• Simulator pa za naknadno podrobnejˇso analizo preteklih delovnih nalogov na podlagi ponovnega simuliranja ˇze konˇcanih nalog ter sprotnega spremlja-nja in zaznavaspremlja-nja potrebe po korekciji parametrov recepta.
4.2.1 Optimizator
Optimizator je uporabniˇsko orodje, ki temelji na uporabi regresijskega modela Model 2 in na podlagi aktualnega stanja na procesni liniji napove izhodno kako-vost za naslednji prevlek. Ta aplikacija operaterjem ˇse pred priˇcetkom prevleka predlaga parametre recepta, ki zagotovijo najviˇsjo izhodno kakovost in najviˇsjo obratovalno hitrost (produktivnost). Oba zasledovana cilja sta si nasprotujoˇca, zato uporabnik preko vmesnika izbere ustrezno prioriteto med obema ciljema.
Orodje Optimizator omogoˇca tudi vnos uporabniˇskih parametrov recepta in primerjava potekov napovedane izhodne kakovosti za celoten prevlek z dodanim povzetkom uˇcinkovitosti, ki prikazuje razlike uporabniˇskih nastavitev in optimal-nih nastavitev v smislu kakovosti in produktivnosti.
Omenili smo, operaterji veˇckrat poseˇzejo v proces, tj. korigirajo nastavitve recepta. V ta namen je bila dodana ˇse moˇznost razdelitve prevleka na veˇc segmen-tov, ki jih interaktivno doloˇci uporabnik. S tem omogoˇcimo izraˇcun optimalnih nastavitev recepta znotraj izbranih segmentov.
Optimizator je strukturiran v veˇc enot, diagram poteka je prikazan na sliki 4.1, izgled grafiˇcnega uporabniˇskega vmesnika pa na sliki 4.2.
PREVZEM UPORABNIŠKIH NASTAVITEV IZRAČUN OPTIMALNIH
NASTAVITEV INICIALIZACIJA ZAŽENI OPTIMIZATOR
PRIPRAVA STATUSNIH PODATKOV
POROČILO O USPEŠNOSTI IZRAČUN IZHODA PROCESA
USTAVI OPTIMIZATOR POSREDOVANJE OPTIMALNIH
NASTAVITEV UPORABNIKU
ANALIZIRAJ NASTAVITVE DA NE
Slika 4.1: Diagram poteka Optimizatorja.
Slika 4.2: Grafiˇcni vmesnikOptimizatorja.
4.2.2 Simulator
Regresijski model Model 3 procesa predstavlja osnovo simulacijskega programa, ki bo operaterjem omogoˇcal testiranje in analizo dejansko uporabljenih in alterna-tivnih kombinacij parametrov recepta za ˇze zakljuˇcene proizvodne naloge. Novim operaterjem pa bo lahko sluˇzil kot uˇcna naprava, v kateri spoznavajo sam pro-ces in na podlagi doseˇzenega rezultata dobijo povratne informacije o ustreznosti izbranih parametrov recepta.
Operaterji lahko med tekom simulatorja spreminjajo parametre, ki jih tudi sicer na realnem procesu in s tem preizkuˇsajo, kako se simulacijski proces odziva.
Poleg same simulacije procesa, v ozadju teˇce tudi sistem za oceno ustreznosti parametrov. Le-ta uporablja Optimizator, ki glede na trenutno izmerjeno sta-nje procesa operaterju podajo oceno o potrebi za korekcijo parametrov recepta.
Ocena je podana v treh stopnjah:
• ni potrebne korekcije(sprememba parametrov recepta bi kakovost izboljˇsala za manj kot 2 %,
• razmisli o korekciji (sprememba parametrov recepta bi kakovost izboljˇsala za 2 % do 5 %,
• izvedi korekcijo (sprememba parametrov recepta bi kakovost izboljˇsala za vsaj 5 %.
Tek simulacije uporabniki lahko spremljajo in nadzirajo z grafiˇcnim upo-rabniˇskim vmesnikom, ki ima dostop do notranjih stanj uporabnikove instance simulatorja.
Simulator je strukturiran v veˇc enot, diagram delovanja je prikazan na sliki 4.3, izgled grafiˇcnega uporabniˇskega vmesnika pa na sliki 4.4.
IZRAČUN OPTIMALNIH NASTAVITEV PREVZEM UPORABNIŠKIH
NASTAVITEV
KONEC DA NE
INICIALIZACIJA ZAŽENI SIMULACIJO
PRIPRAVA STATUSNIH PODATKOV
POROČILO O USPEŠNOSTI IZRAČUN IZHODA PROCESA
ZAKLJUČI SIMULACIJO
Slika 4.3: Diagram poteka Simulatorja.
Slika 4.4: Grafiˇcni vmesnik Simulatorja.
4.2.3 Primer uporabe
Hipotetiˇcni primer je, da ˇzelimo optimizirati parametre recepta za zadnji, peti
Hipotetiˇcni primer je, da ˇzelimo optimizirati parametre recepta za zadnji, peti