基于控制图和神经网络的印刷过程质量智能监控技术.pdf

第 38 卷 第 3 期2012 年 3 月北京工业大学学报JOURNAL OF BEIJING UNIVERSITY OF TECHNOLOGYVol 38No 3Mar 2012基于控制图和神经网络的印刷过程质量智能监控技术初红艳，李鹏，蔡力钢(北京工业大学 机械工程与应用电子技术学院 北京市先进制造技术重点实验室，北京100124)摘要:将 SPC 方法和 BP 神经网络技术相结合，应用于印刷过程，研究了印刷过程质量智能监控技术 分析影响印刷品质量的因素，设计印刷质量管理数据库;根据印刷过程特点，结合印刷质量的检测方法，确定控制图的绘图方案;通过实验，建立 4 个 BP 神经网络模型，实现控制图模式智能识别及异常模式特征参数的估计，并进一步分析异常原因及诊断建议 在分析研究的基础上，开发了印刷过程质量智能监控系统，对提高印刷过程的自动化和智能化水平具有重要的意义关键词:SPC 控制图;BP 神经网络;数据库;印刷过程质量中图分类号:TS 805.3;TH 165.4文献标志码:A文章编号:0254 0037(2012)03 0340 05Intelligent Monitoring Technology of Printing ProcessQuality Based on Control Chart and Neural NetworkCHU Hong-yan，LI Peng，CAI Li-gang(College of Mechanical Engineering and Applied Electronics Technology，The Key Lab of Advanced Manufacturing Technology，Beijing University of Technology，Beijing 100124，China)Abstract:This study applies the SPC method and BP neural network to a printing process，andintelligent monitoring technology of printing process quality is researched The factors that influence theprints quality are analyzed，and the printing quality management database is established According tothe characteristics of the printing process and method of printing quality detection，the drawing plan ofcontrol chart for printing process is also established Through the experiments，four BP neural networkmodels are established to realize intelligent recognition of control chart patterns and characteristicparameters estimation of abnormal patterns，and the abnormal causes and suggestions are furtherobtained The intelligent monitoring system for printing process quality is developed based on analysis andresearch，and it is of great significance to improve the degree of automation and intelligence of theprinting processKey words:SPC control chart;BP neural network;database systerm;printing process quality收稿日期:2010-03-19基金项目:国家“十一五”科技支撑计划课题资助项目(2006BAF03B01);北京市教委科研计划资助项目(KM200910005006)作者简介:初红艳(1972)，女，副教授，主要从事印刷色彩质量检测与控制及评价方面的研究，E-mail:chuhongyan bjutedu cnSPC 即统计过程控制，是由美国休哈特博士在1927 年提出的，主要是指应用数理统计方法对生产过程各个阶段进行监控，识别出异常趋势，以便采取措施恢复过程的稳定，达到保证质量的目的1 目前，数字化印刷工作流程的实施使印刷的信息化、集成化程度不断提高，印刷过程呈现出自动化程度高、速度快的特点2 受诸多因素的影响，如印版、橡皮布受脏，水墨平衡关系等，印刷质量的波动第 3 期初红艳，等:基于控制图和神经网络的印刷过程质量智能监控技术是不可避免的，要实现印刷品的高质量、高效率，其工艺过程就必须处于稳定受控的状态 SPC 作为一种面向过程的质量管理方法，能实时监控印刷过程中的异常波动，使质量控制做到预防为主;人工智能技术的发展，使得过程状态的识别不再仅仅依赖于人工观察 本研究将人工智能技术应用于印刷过程，采用 SPC 方法与 BP 神经网络相结合3，实现印刷过程质量的智能监控，这将大大提高印刷企业的自动化程度和质量管理水平1总体研究方案通过分析影响印刷品质量的因素，设计印刷质量管理数据库;根据印刷过程特点，结合印刷质量的检测方法，把 SPC 控制图技术应用于印刷过程;然后基于 BP 神经网络，实现控制图模式智能识别及异常模式特征参数的估计，并进一步分析异常原因及诊断建议，实现印刷过程质量的智能监控印刷过程质量智能监控流程如图 1 所示图 1印刷过程质量智能监控流程Fig 1Intelligent monitoring scheme for printingprocess quality2关键技术2.1印刷质量管理数据库设计SPC 以能反映生产过程的数据信息为依据，且对抽样数据有着严格的要求，必须保证随机性、独立性和连续性 对于印刷过程质量的控制，分析影响印刷品质量的因素，如实地密度、网点增大、印刷反差、色差、色相差、灰度等印刷质量特性，并结合使用的美国 IntelliTrax 自动扫描系统的检测特点4，把实地密度、网点增大、印刷反差 3 项关键指标确定为控制对象为实现印刷过程质量的智能监控，设计数据库如下:针对青色、品红、黄色、黑色 4 种单色，设计 4张存储结构相似的数据表，每张表包含 34 个字段，其中墨区个数为 30，用户可以根据样张实际大小，将未用到的墨区设置为 0 值;3 个印刷质量特性指标即实地密度、网点增大、印刷反差 以青色为例，数据表的设计及说明如表 1 所示表 1青色的印刷质量数据表设计Table 1Printing quality data of cyan字段名称数据类型说明ProductNovarchar(20)记录检测的印刷样张名称Charactervarchar(20)区分 3 个印刷质量特性指标Orderint记录连续抽样检测的序号KeyArea_01float第 1 墨区的印刷质量数据KeyArea_02float第 2 墨区的印刷质量数据KeyArea_30float第 30 墨区的印刷质量数据Timedatetime记录检测的时间2.2印刷过程质量控制图设计控制图是 SPC 的核心工具，是对生产过程实时监控的技术基础 控制图基本形式1 见图 2:在平面直角坐标系中做出 2 条控制线和 1 条中心线，分别记为 UCL、CL、LCL;纵坐标表示产品抽样的质量特性值，横坐标为以时间先后排列的样本序号;把抽样得的特性值按顺序以点的形式依次反映在坐标图上 点排列的状态即反映了加工过程的波动情况图 2控制图的基本形式Fig 2Basic form of the control chart依据印刷过程高速化、批量化的特点，采用 2 类有代表性的计量值控制图用以监控印刷过程，分别为均值极差控制图和单值移动极差控制图1，在不同的生产要求下，采用适宜的控制图类型 其中均值极差控制图需要较大的样本量，能提供较多143北京工业大学学报2012 年的质量特性值信息，对印刷过程中的异常情况检出力较高，作为常用的控制图类型;单值移动极差控制图能根据较少的检测样本值得到过程控制图，但是检出力稍弱，可在印刷过程相对稳定的情况下使用由于印刷品整幅画面的质量是由各墨区质量共同决定的，各墨区的墨量取决于对应的墨键开度，直接影响该墨区的质量 针对印刷质量这一特点，对采集的样本数据做进一步的处理，以整幅画面和单一墨区 2 种方式绘制控制图，整幅画面质量控制图是从全局角度对样张所有墨区的质量特性值取均值加以监控，而单一墨区质量控制图则是对样张每个墨区的质量特性值进行监测，控制印刷品的局部精细质量 用户可以选择条件，查看控制图，及时掌握当前的印刷过程状态，使质量控制做到预防为主2.3控制图模式识别及异常参数估计设计2.3.1印刷质量控制图模式分类要实现对控制图由人工识别到智能判断，必须把控制图转化为计算机能表达的模式 目前，研究人员一般将控制图划分为 4 种基本模式5，分别为正常模式、阶跃模式、周期模式和趋势模式，阶跃异常又可分为向上阶跃和向下阶跃，趋势异常又可分为上升趋势和下降趋势 这就基本涵盖了印刷过程的大部分异常情况，比如印刷机失稳，油墨、纸张性能差异，水墨失衡等 进一步分析异常模式的关键特征参数，确定阶跃型的幅值、周期型的幅值和周期长度、趋势型的斜率为研究对象，以便掌握异常波动的程度，为后续的诊断质量过程偏差提供依据2.3.2模式识别及异常参数估计设计方案BP(back-propagation)网络是目前研究比较成熟的一类人工神经元网络模型，被广泛应用于模式识别问题6 通过 BP 神经网络对 SPC 控制图模式进行识别，不需要建立精确的数学模型描述变量间的非线性映射关系，只要有足量的基本模式训练样本，就能实现控制图的智能识别取代人工观察7 同时还可以对异常模式的特征参数值做出估计8，更好地实现控制图的智能识别本研究基于 BP 神经网络，建立 4 个独立的网络模型，其中 BP 网络1 用来识别控制图的4 种基本模式，另外 3 个网络分别用来估计异常模式的特征参数，其中网络 2 用于阶跃型幅值，网络 3 用于周期型幅值和周期，网络4 用于趋势型斜率 4 个网络分别训练完成并连接起来，首先识别控制图的基本模式，然后再对异常模式的参数进行估计 整个模式识别及参数估计模块的设计方案如图 3 所示图 3模式识别及参数估计设计方案Fig 3Design scheme of pattern recognition andparameter estimation2.3.3BP 网络结构模型BP 网络的训练需要充足的样本数据，以保证网络的精度 由于很难获取各种模式下大量的印刷质量数据，本研究采用 Monte Carlo 方法9 模拟实际印刷过程，生成分别具有 4 种基本模式特征的仿真数据，通过实验，确定 4 个网络模型均为 4 层结构，其中输入层节点数均为 24，即连续 24 个印刷质量抽样检测数据;目前对隐含层节点的确定方法还没有一个确定的解析式6，通过实验，综合考虑网络的收敛性能及识别的正确率，确定网络 1 隐含层节点为 18、16，其他 3 个网络的隐含层节点数均为 20、18;4 个网络输出层节点个数依次为 4、1、2、1 网络拓扑结构及识别能力见表 2表 2BP 网络拓扑结构的节点数及识别正确率Table 2Nodes of BP network and accuracy of pattern recognitionBP 网络名称输入层节点隐含层节点输出层节点识别率/%网络 1241816495.87网络 2242018198.5网络 3242018293.5网络 4242018199243第 3 期初红艳，等:基于控制图和神经网络的印刷过程质量智能监控技术在训练时，4 个网络采用相同的参数，设置均为:收敛精度0.001，最大训练次数20000，各层之间的传递函数分别为 tansig、tansig、purelin，训练函数采用比例共轭梯度算法6 2.4异常诊断设计依据 SPC 理论，影响控制图波动的因素主要包括人、机、料、法、环 5 个基本因素，其细微变化就可以引起产品质量的变异1 对于印刷过程，全面地分析可能出现的 3 种异常模式，针对每种模式，从 5个方面总结典型的异常原因，提出相应的指导建议，构建一个较高水平的异常诊断知识库 当某一异常出现时，操作人员可以查看对应的原因及建议，作为调整方法的参考 另外，为了使诊断结果能达到比较权威的专家水平，还具有对知识库进行独立的添加、删除、修改等功能3系统功能实现基于以上研究，采用 SQL server2000 设计印刷质量管理数据库和异常诊断知识库，以 Visual C+6.0 和 Matlab7.0 为平台，开发了印刷过程质量智能监控系统 系统的主要功能有 4 部分，即印刷质量数据管理、印刷过程控制图绘制、控制图模式识别及异常模式特征参数估计、异常原因及诊断建议3.1控制图绘制功能以 VC+为开发工具，设计良好的交互界面，严格按照 GB 40912000 定义的计算公式，编写所选择的 2 种类型控制图的绘制算法，并从印刷质量管理数据库中读取数据，完成控制图的绘制 绘图功能采用 VC+中 MFC 提供的绘图类 CDC10，它封装了所有与绘图操作相关的函数，可以调用其成员函数在窗口区域绘制图形 在访问数据库时，采用 ADO 技术9，ADO 的对象模型封装了数据库访问细节，可以被独立地创建和释放，具有很强的灵活性，只需在 VC+环境下导入 ADO 的动态链接库，就可以访问数据源 界面设计中，给出选择条件，设置控制图坐标系，并同时以列表的形式给出绘图的样本数据以及 CL、LCL、UCL 的值，使操作人员全面掌握当前的印刷过程信息3.2控制图模式识别及异常模式参数估计功能该模块采用 VC+和 Matlab 混合编程的方式实现，首先在 Matlab 环境下，基于 Monte Carlo 方法模拟印刷过程仿真数据用以训练识别，采用 Matlab工具箱提供的 BP 网络算法，通过大量实验，确定网络的结构模型在 VC+环境中嵌入必要的Matlab Engine 库，通过 Matlab 引擎的 API 函数，启动 Matlab 进程11，间接地操作 Matlab 语句，完成 4个 BP 网络的训练、保存，然后在 VC+环境下按照图 3 所示的流程编写程序，分别调用保存的 BP网络，实现基本模式的识别以及异常模式参数的估计 这样就可以使训练和仿真相互独立，事先完成网络训练，保证在监控印刷过程时直接获得仿真结果 采用混合编程方式，可以结合 VC+和 Matlab的各自优点，利用 VC+较好地实现软件的界面设计和逻辑算法，而 BP 网络的训练、仿真交由后台的Matlab 完成，可以大大提高软件的开发效率3.3异常诊断功能要实现良好的智能诊断，需要大量的不良分析和专家经验，此模块基于数据库存储专家知识，构建一张数据表，包含异常模式、基本因素、异常原因、指导建议和备注等 5 个字段，初步地实现了异常的诊断 在交互界面中，设置查询条件，以列表的形式显示查询结果，以便查看异常的原因及诊断建议 该功能与模式识别部分紧密相连，可以根据识别的结果直接获取对应的异常原因及诊断建议，指导对印刷过程的调整3.4实验测试实验选用北人集团 BR624A 型胶印机，美国Intellitrax 自动测色扫描系统，北京红宝石油墨，江苏 ZIXING128 g/m2铜版纸，印刷速度为7 500 张/h，对系统测试 选定某一段印刷过程，选择均值极差控制图类型，以青色的实地密度为例，实验结果如下首先，选择整幅画面控制图方式，抽样检测数据96 个，将每 4 个数据取均值和极差处理，得 24 组样本值，绘制过程控制图，识别出过程状态为趋势型异常，同时得斜率估计值 0.14，界面显示如图 4 所示;以同样的过程为对象，进一步查看单一墨区控制图方式，以墨区 07 为例，绘制控制图并识别呈趋势型，斜率估计值为 0.11，结果如图 5 所示 对比分析发现，控制图的波动状况相似，进一步查看其他的墨区，也都存在类似的情况，说明异常存在于整幅画面中 点击图5 中“异常诊断分析”按钮，链接得到简单的趋势异常的原因分析及诊断结果，见图6结合印刷生产的实际状况，发现青色机组的靠版水辊变脏，着水能力下降，导致印版轻微变脏，墨量渐渐变大，破坏了水墨平衡关系 操作人员增大出水辊的转速后，印刷过程逐渐恢复稳定 实验测试表明，系统能根据抽样检测数据绘制印刷过程控制图，正确地识别出过程状态及特征参数，并给出初步343北京工业大学学报2012 年图 4整幅画面控制图及模式识别测试结果Fig 4Control chart and pattern recognition for all areas图 5单一墨区控制图及模式识别测试结果Fig 5Control chart and pattern recognition for the 7th area图 6趋势异常诊断测试结果Fig 6Causes and suggestions for trend pattern的异常原因及指导建议，实现了预期的研究目标4结论1)将 SPC 控制图技术应用于印刷过程，并建立了4 个独立的 BP 神经网络模型，分别用于识别控制图的4 种基本模式及3 种异常模式的特征参数估计;2)采用 2 类有代表性的计量值控制图用以监控印刷过程，分别为均值极差控制图和单值移动极差控制图，以实现根据不同的生产要求采用适宜类型的控制图;3)设计了印刷色彩质量管理数据库，分别针对青色、品红、黄色、黑色 4 种单色，设计 4 张存储结构相似的数据表，能满足印刷过程中色彩质量数据查询及质量控制的需要;4)开发了印刷过程质量智能监控系统，对提高印刷过程的自动化和智能化水平具有重要意义参考文献:1 王毓芳，郝凤 过程控制与统计技术 M 北京:中国计量出版社，2001:70-85 2 王民，张扬，李小富 数字化印刷工作流程的设计开发 J 北京工业大学学报，2006，32(8):750-753WANG Min，ZHANG Yang，LI Xiao-fu Design of digitalprinting workflowJ Journal of Beijing University ofTechnology，2006，32(8):750-753(in Chinese)3 LE Q H，TENG L，ZHU M Q，et al On-line intelligentdiagnosis and analysis system for quality control charts J Computer Integrated Manufacturing Systems，2004，10(12):1583-1589 4 初红艳，蔡力钢，郑刚，等 基于 Intellitrax 的印刷色彩检测与控制系统 J 包装工程，2007，28(10):94-97CHU Hong-yan，CAI Li-gang，ZHENG Gang，et alPrinting color detection and system based on Intellitrax J Packing Engineering，2007，28(10):94-97(in Cinese)5 CHENG C S A neural network approach for the analysis ofcontrolchartpattern J InternationalJournalofProduction Research，1997，35(3):667-697 6 闻新，周露，李翔，等 Matlab 神经网络仿真与应用 M 北京:科学出版社，2003:258-284 7 昝涛，费仁元，王民 基于神经网络的控制图异常模式识别研究 J 北京工业大学学报，2006，32(8):673-676ZAN Tao，FEI Ren-yuan，WANG MinResearch onabnormal pattern recognition for control chart based onneural network J Journal of Beijing University ofTechnology，2006，32(8):673-676(in Chinese)8 陈平，罗晶 基于神经网络的控制图模式识别和参数估计 J 机械与电子，2006(9):3-6CHEN Ping，LUO Jing Pattern recognition and parameterestimate of the control chart based on neural networkJ Machinery Electronics，2006(9):3-6(in Chinese)9 CHENG C SA multi-layer neural network model fordetecting changes in the process meanJ Computers Industrial Engineering，1995，28(1):51-56 10 宋坤，刘锐宁 Visual C+程序设计自学手册 M 北京:人民邮电出版社，2008:232-261 11 张德丰 Matlab 与外部程序接口编程M 北京:机械工业出版社，2009:110-135(责任编辑张蕾)443