Тема: Разработка нейросетевой модели для обнаружения дефектов плит металлопрокатного стана

Актуальность
Перед современным промышленным производством стоит задача соответствовать жестким требованиям, особенно предъявляемым к качеству выпускаемой продукции [1]. Это главным образом важно для отраслей, продукция которых используется в качестве исходных материалов в других высокотехнологичных отраслях, как, например, в случае с обработкой металла. Часто из-за недостаточного качества продукции её возвращают по цепочке производства и поставок обратно производителям, что негативно влияет на бизнес не только самого производителя, но и у его закупщиков. Достижение требуемого качества выпускаемой продукции зависит в основном от двух ключевых элементов: качества исходных материалов и качества производственного процесса, в котором исходные материалы превращаются в конечный продукт. В производственном процессе необходимо поддерживать непрерывность производства с минимальным временем простоя на техническое обслуживание и ремонт. Следовательно, мониторинг состояния и диагностика неисправностей оборудования на таких предприятиях стали неизбежными частями современных промышленных процессов. Облегчить решение этих проблем может прогнозирование поломок на основе данных с датчиков, прикреплённых к производственному оборудованию (в нашем случае это металлопрокатный стан холодной прокатки), которое позволит планировать ремонтные работы и избегать длительные простои производства, что уменьшит издержки производителя.
Существует множество методов прогнозирования, но в последнее время в прогнозировании временных рядов наблюдается тенденция перехода к использованию глубокого обучения, например, подходов, основанных на нейронных сетях.
В выпускной квалификационной работе рассматривается эффективность применения РНС для прогнозирования и обнаружения дефектов исполнительных механизмов металлопрокатного стана. Что из себя представляет РНС и металлопрокатного стан расписано в предметной области проекта.
Постановка задачи
Целью выпускной квалификационной работы является разработка нейросетевой модели для обнаружения дефектов плит металлопрокатного стана. Для достижения поставленной цели необходимо решить следующие задачи:
1) провести анализ предметной области и обзор аналогов в рамках предметной области;
2) предобработать и структурировать данные со 121 датчика;
3) разработать модели нейронных сетей;
4) реализовать и обучить модели на данных, отвечающих нормальному режиму работы стана, и сравнить их;
5) протестировать эффективность лучшей модели.
Структура и содержание работы
Работа состоит из введения, четырех глав, заключения и списка литературы. Объем работы составляет 50 страниц, объем списка литературы – 17 источников.
В первой главе описывается предметная область и аналогичные проекты, а также приводится описание модели нейронной сети «автокодировщик».
Вторая глава посвящена анализу требований к проектируемой системе. В ней определены функциональные и нефункциональные требования, построена диаграмма вариантов использования и приведена спецификация вариантов использования.
В третьей главе описывается общая архитектура системы, а также составляющие ее компоненты.
В четвертой главе содержится описание протестированных моделей, их сравнение, реализация системы и ее компонентов, а также функциональное тестирование.
В приложении А содержится исходный код предобработки данных.
В приложении Б содержится исходный код загрузки и подготовки набора данных.
В приложении В содержится исходный код системы.

Купить

В рамках данной работы была разработана система обнаружения дефектов исполнительных механизмов на основе анализа сигналов АСУТП с помощью модели гибридного авто-кодировщика. При этом были решены следующие задачи:
1) проведен анализ предметной области и обзор аналогов в рамках предметной области;
2) предобработаны и структурованы данные со 121 датчика;
3) реализованы и обучены модели на данных, отвечающих нормальному режиму работы стана, затем они были сравнены;
4) лучшая модель протестирована.
Полученные результаты могут стать основой для дальнейшего исследования эффективности применения различных методов машинного обучения для решения рассматриваемой проблемы.

Купить