Predykcja parametrów konfekcjonowania etykiet z ... · Metody regresyjne, sieci neuronowe i inne...

Copyright © StatSoft Polska 2018, [email protected]

91

PREDYKCJA PARAMETRÓW KONFEKCJONOWANIA ETYKIET Z ZASTOSOWANIEM TECHNIK EKSPLORACJI DANYCH

Krzysztof Krystosiak, Wydział Inżynierii Produkcji,

Politechnika Warszawska; Masterpress S.A.

Proces nawijania zwoju etykiet w formie rękawa jest niewątpliwie trudnym zadaniem, głów-

nie ze względu na fakt, iż na roli nawijany jest zwój rękawa, a nie płaska wstęga. To z kolei

niesie ze sobą konieczność zastosowania specjalnego sposobu nawijania zwoju etykiet.

Dodając do tego pewną liczbę zmiennych niezależnych, mających wpływ na jakość procesu

nawijania, oraz zakłóceń procesowych, otrzymamy naprawdę trudne zadanie do wykonania.

Celem prezentacji będzie przedstawienie praktycznego zastosowania metod predykcji istot-

nych parametrów nawijania zwoju etykiet w formie rękawa, z wykorzystaniem technik

eksploracji danych oraz uczenia maszynowego, takich jak: sztuczne sieci neuronowe,

metody wektorów nośnych, czy drzewa decyzyjne. Finalnie jakość predykcji istotnych para-

metrów nawijania za pomocą opracowanych modeli zostanie poddana weryfikacji w odnie-

sieniu do wzorcowych danych z przebiegu procesu konfekcjonowania.

Wytwarzanie etykiet termokurczliwych

W wielu pozycjach literaturowych oraz źródłach internetowych spotykane są różne definicje

etykiet termokurczliwych [1, 2, 5, 6, 8, 9, 10, 11, 12], jednakże dla potrzeb realizacji niniej-

szej publikacji przyjęto następującą definicję:

mailto:%[email protected]


92

„etykiety termokurczliwe (z ang. shrink sleeve labels; heat shrinkable labels) są to ety-

kiety powstające w wyniku zadruku oraz formowania rękawa z folii, który pod wpły-

wem określonej temperatury dla danego materiału ulega skurczeniu, przylegając ściśle

do powierzchni docelowej.”

Etykiety termokurczliwe wytwarzane są przy pomocy technologii fleksograficznej, dokład-

niej mówiąc: jest to metoda druku rotacyjnego, w której stosuje się elastyczną formę druko-

wą, rekompensującą nierówności powierzchni podłoża drukowego, która poprzez naniesioną

nań farbę za pomocą wałka rastrowego przenosi farbę bezpośrednio na podłoże drukowe.

Etykiety wydrukowane tą techniką stosuje się przede wszystkim do wykonywania nietrwałej

produkcji masowej, a do tej grupy zalicza się np. etykiety termokurczliwe [2].

Problematyka jakości nawijania

Głównymi etapami procesu wytwarzania etykiet termokurczliwych są cztery etapy typowo

produkcyjne, w wyniku których otrzymywany jest wyrób gotowy, nawinięty w postaci zwo-

ju rękawa etykiet. Tymi etapami są: druk, brzegowanie – cięcie, formowanie rękawa, inspek-

cja. Wspólną cechą ww. etapów procesu produkcyjnego jest nawijanie ze zwoju na zwój.

Stąd też procesy fleksograficzne nazywane są często zwojowymi, R2R (z ang. roll to roll

processing), ponieważ na wejściu do każdego etapu surowiec lub półprodukt z poprzedniego

etapu jest nawinięty w postaci zwoju [1, 6, 10, 13, 16, 17]. W celu zapewnienia odpowiedniej

jakości etykiet termokurczliwych oraz bezproblemowego przebiegu całego procesu pro-

dukcji bardzo istotny jest proces nawijania na każdym etapie oraz jakość nawoju. Mówiąc

o poziomie jakości, należy zaznaczyć, iż istotnym parametrem mającym znaczący wpływ na

jakość nawoju są początkowe parametry naciągów, które utrzymują odpowiednie naprężenie

wstęgi lub rękawa podczas nawijania, zarówno na odwijanym zwoju (roli) – nazywanym

odwijakiem (z ang. unwind – odwijać, rozwijać, unwinder – odwijak), jak również na nawija-

nym zwoju (roli) – nazywanym nawijakiem (z ang. rewind – nawijać, zwijać, rewinder –

nawijak) [1, 2, 20].



93

Parametry jakości nawoju

Najważniejszym parametrem charakteryzującym jakość nawoju jest brak stwierdzonych

wad, zarówno w procesie produkcji, jak też podczas finalnej aplikacji, takich jak: sklejenie

warstw rękawa, teleskopowanie, efekt blockingu, rozciągnięcie folii, zagniecenia, uszko-

dzenia krawędzi rękawa oraz finalnie zniszczenie nawoju [13, 16, 17].

Tematyka jakości nawoju jest powszechnie znana na zachodzie. W angielskojęzycznych po-

zycjach literaturowych z tej dziedziny [6, 20] przewija się termin web handling, co oznacza

w wolnym tłumaczeniu radzenie sobie z nawijaniem wstęgi lub inaczej nawijanie wstęgi

z maksymalną wydajnością i z minimalną stratą [10, 18, 20]. Pytanie, jakie należy zadać,

mówiąc o jakości nawoju konfekcjonowanego wyrobu, brzmi: jakie parametry początkowe

naciągów są odpowiednie? Jest to problem stanowiący obiekt badań naukowych i są różne

metody określania parametrów naciągów [18]. Niemniej jednak jest to wiedza bazująca na

stałym doświadczeniu i eksperymentowaniu, gdyż wiele jest zmiennych mających wpływ na

jakość nawoju. W praktyce produkcyjnej w większości dużych przedsiębiorstw poligraficz-

nych są gromadzone dane, zapisy dotyczące parametrów procesu. Wydobycie z nich infor-

macji w postaci opracowanych modeli reguł i zasad postępowania jest przedmiotem inter-

dyscyplinarnej dziedziny nauki, jaką jest eksploracja danych (z ang. data mining), która

wykorzystuje metody statystyczne czy sztucznej inteligencji, jak np. sztuczne sieci neuro-

nowe, drzewa decyzyjne i inne. Efektem tych działań może być poprawa jakości wyrobu

i procesu oraz obniżenie kosztów wytwarzania [13, 16, 17].

Problematyka jakości nawoju wskazuje na jeden zasadniczy problem, którym jest niewłaś-

ciwie dobrana wartość parametrów początkowych naciągów na maszynach konfekcjonu-

jących. Mówiąc o niewłaściwym naciągu, mamy do czynienia tak naprawdę z dwoma prob-

lemami: zbyt wysokim oraz zbyt niskim naciągiem początkowym zadanym na odwijaku

bądź nawijaku maszyny konfekcjonującej. Wymienione problemy są przyczyną powstawa-

nia wielu różnych rodzajów wad, spośród których najczęściej występujące zostały ujęte

w tabeli 1. Wszystkie wymienione w poniższej tabeli rodzaje wad powstających w wyniku

zastosowania niewłaściwych parametrów początkowych naciągów wymagają oddzielnego



94

omówienia w celu zrozumienia istoty problemu, jednakże dla potrzeb niniejszej publikacji

zostały celowo pominięte.

Tabela 1. Rodzaje wad jakościowych powstałych w wyniku zastosowania niewłaściwych naciągów.

Za wysoki naciąg Za niski naciąg

Sklejenie warstw rękawa Teleskopowanie

Efekt blockingu Uszkodzenie krawędzi rękawa

Rozciągnięcie folii Zniszczenie nawoju

Zerwanie wstęgi lub rękawa Zagniecenia

Podsumowując, zarówno zbyt wysoki, jak również zbyt niski parametr naciągu odwijaka lub

nawijaka może skutkować różnymi problemami. Dodając do tego jeszcze trzecią zmienną,

którą jest prędkość nawijania, trzeba dodatkowo uwzględnić efekty interakcyjne. Wymie-

nione powyżej trzy zmienne należą do głównych elementów sterowania jakością nawoju

w procesie konfekcjonowania etykiet termokurczliwych i nie tylko, gdyż zgodnie z publi-

kacjami w tej dziedzinie [6, 10, 13, 16, 17, 18, 20] są to trzy elementy sterujące nawijaniem

różnych tworzyw: od papieru, folii po włókna, a także drukowaną elektronikę.

Skala problemu w nowych zleceniach produkcyjnych

W praktyce produkcyjnej przedsiębiorstw poligraficznych każdego dnia realizowanych jest

wiele nowych zleceń, w których nie są znane wyżej wymienione parametry sterowania

jakością nawoju. Znane są natomiast zmienne charakteryzujące dany wyrób. Istotnym celem

jest zatem opracowanie sposobu, metody szacowania tychże parametrów sterujących za

pomocą zmiennych niezależnych.

Liczba nowych zleceń produkcyjnych nie jest jednakowa każdego dnia, co ewidentnie

obrazuje poniższa analiza (rys. 1) wykonana z użyciem kart kontrolnych oraz histogramów.

Przeanalizowano dokładnie wszystkie nowe zlecenia realizowane w trakcie jednego

miesiąca. Nowych zleceń było 248, natomiast patrząc na powyższe wykresy, łatwo można

wywnioskować, iż rozrzut tych zleceń wynosi od 1 aż do 21 dziennie, przy średniej liczbie



95

wynoszącej 10,783, czyli zaokrąglając do pełnych wartości w górę, mamy 11 nowych zleceń

dziennie.

Mając do czynienia z tak dużą zmiennością produkcji – bardzo charakterystyczną dla pro-

dukcji fleksograficznej – utrudnione jest technologiczne opracowanie dokładnych wytycz-

nych odnośnie całego procesu produkcji – i jego wszystkich etapów, a tym samym konfek-

cjonowania etykiet termokurczliwych, toteż zastosowanie narzędzi eksploracji danych poz-

woli na znaczące usprawnienie tego procesu. Najistotniejsze są dane, gdyż na bazie danych

historycznych z przebiegu realizacji procesu wytwarzania możliwe jest opracowanie modeli

predykcyjnych, które po procesie uczenia, nabywają swoje zdolności predykcji dla każdego

nowego wyrobu [2, 3, 13, 14, 17, 18].

Karta X i ruchomego R; zmienna: Ilość zleceń nowych

Histogram obserwacji

0 1 2 3 4 5 6 7 8 9

-10

-5

0

5

10

15

20

25

30

X: 10,783 (10,783); Sigma: 4,7937 (4,7937); n: 1,

5 10 15 20

-3,5984

10,783

25,164

Histogram ruchomy ch rozst.

0 1 2 3 4 5 6 7

-2

2

6

10

14

18

Ruchome R: 5,4091 (5,4091); Sigma: 4,0866 (4,0866); n: 1,

5 10 15 20

0,0000

5,4091

17,669

Rys. 1. Karta kontrolna nowych zleceń realizowanych w ciągu jednego miesiąca.



96

Reasumując, zakłada się, iż zastosowanie narzędzi eksploracji danych może przynieść zna-

czące usprawnienie w postaci oszczędności czasu poświęconego na eksperymentalny dobór

parametrów nawijania oraz jakości procesu konfekcjonowania.

Metodyka badań początkowych parametrów nawijania

Proces pozyskiwania danych do bazy danych, na której będą w późniejszym czasie budo-

wane modele predykcji początkowych parametrów nawijania etykiet termokurczliwych,

rozpoczyna się od opracowania głównej idei. Jak wiadomo, samo zbieranie danych jest

również kosztownym procesem, przede wszystkim ze względu na czas, dlatego też wyko-

rzystano rejestrowane dane związane z przebiegiem i parametrami procesu produkcyjnego,

według obowiązujących w zakładzie procedur. Zdecydowano, że dane produkcyjne zostaną

zebrane podczas implementacji systemu informatycznego do zarządzania produkcją typu

MES (z ang. Manufacturing Execution System). Podczas wdrożenia wskazanego systemu

informatycznego wszystkie zapisy z dokumentacji technologicznej wyrobu, dotyczące prze-

biegu procesu były zbierane, po czym wprowadzane do systemu, stąd były łatwo dostępne

do dalszych prac badawczych.

Dane produkcyjne zostały zebrane w latach 2014-2015, w wyniku czego zebrano 2334 re-

kordy danych z procesu formowania rękawa. Dane te zostały zebrane z trzech maszyn for-

mujących rękaw etykiet, które dla lepszej identyfikacji (i zachowania poufności informacji)

zostały oznaczone za pomocą symboli: S-1, S-2 i S-3.

Po operacjach czyszczenia bazy danych otrzymano 2096 rekordów danych. Z całej bazy

danych, liczącej 2334 rekordów zostało usuniętych 238 rekordów wykazujących różne

błędy, co stanowi 10,2% całej populacji danych. Pomimo iż istnieje wiele metod uzupeł-

niania brakujących danych, zdecydowano się na usunięcie brakujących przypadków. W ten

sposób pozostawiono jedynie kompletne dane z procesów produkcyjnych.



97

Determinanty parametrów początkowych procesu nawijania

Metody regresyjne, sieci neuronowe i inne techniki eksploracji danych koncentrują się na

odnalezieniu związków i zależności pomiędzy wieloma zmiennymi niezależnymi, czyli wej-

ściowymi do każdego modelu, a zmiennymi zależnymi – wynikowymi. Zależności te można

opisać w postaci jak poniżej (1):

𝑦1 = 𝑓1(𝑥1, 𝑥2, 𝑥3, 𝑥4, 𝑥5) (1)

𝑦2 = 𝑓2(𝑥1, 𝑥2, 𝑥3, 𝑥4, 𝑥5) (2)

𝑦3 = 𝑓3(𝑥1, 𝑥2, 𝑥3, 𝑥4, 𝑥5) (3)

W badanym przypadku mamy do czynienia z trzema zmiennymi wynikowymi, zależnymi,

będącymi wyjściami dla modelu oraz pięcioma zmiennymi wejściowymi, niezależnymi,

które stanowią zestawienie determinantów odpowiedzialnych za prawidłowe sterowanie pro-

cesem nawijania zwoju etykiet termokurczliwych na etapie formowania rękawa etykiet.

Tabela 2. Zestawienie zmiennych sterujących w procesie konfekcjonowania.

Nr zmiennej Opis zmiennej Jednostka Rodzaj danych

𝑥1 Szerokość rękawa LF [mm] Ciągła

𝑥2 Grubość materiału [μm] Ciągła, skokowa

𝑥3 Rodzaj materiału [X, Y, Z, …] Dyskretna

𝑥4 Producent materiału [A, B, C, …] Dyskretna

𝑥5 Maszyna [S-1, S-2, S-3] Dyskretna

Zmienne sterujące są to zmienne wejściowe, determinujące przebieg określonego procesu.

Istotne jest, żeby wytypować i przeanalizować optymalną liczbę zmiennych sterujących

w celu opracowania najlepszego modelu. Bazując na wiedzy i doświadczeniu własnym oraz

operatorów maszyn, a także inżynierów procesu, wybrano zmienne wejściowe. Powyżej,

w tabeli 2 zamieszczono wybrane zmienne wejściowe, które mają istotny wpływ na

parametry procesu nawijania. Dobór powyższych zmiennych został podyktowany

doświadczeniem autora oraz operatorów i inżynierów procesu konfekcjonowania danej

firmy opakowaniowej.



98

Zmienne wynikowe – zależne od zmiennych sterujących, zwane również wyjściowymi –

zostały zidentyfikowane i zamieszczone w tabeli 3. Są to trzy parametry odpowiadające za

poprawne nawijanie rękawa etykiet na maszynach konfekcjonujących. Parametry te decy-

dują o jakości przebiegu procesu nawijania oraz jakości nawoju, natomiast wartości tych

parametrów są determinowane przez zmienne wejściowe.

Tabela 3. Zestawienie zmiennych wynikowych procesu konfekcjonowania.

Nr zmiennej Opis zmiennej Jednostka Rodzaj danych

𝑦1 Naciąg odwijak [N] Ciągła

𝑦2 Naciąg nawijak [N] Ciągła

𝑦3 Prędkość nawijania [m/min] Ciągła

Jak łatwo zauważyć, wszystkie zmienne należą do typu danych ciągłych, ponieważ dotyczą

parametrów początkowych nawijania etykiet termokurczliwych – naciągów i prędkości.

Predykcja początkowych parametrów nawijania

Przepisy Data Miner

„Przepisy Data Miner” oferują użytkownikowi programu Statistica predefiniowane ścieżki,

które krok po kroku przeprowadzą analityka przez cały proces analizy danych, od określenia

pliku danych, poprzez sprawdzenie, oczyszczenie i przekształcenie danych, a dalej opraco-

wanie modelu i zastosowanie go dla nowych przypadków. Użytkownik może również defi-

niować własne przepisy data mining dla wykonywanych badań, a także je modyfikować,

dostosowując według własnych upodobań [2]. Kolejnym etapem prac jest określenie próby

testowej, którą określono na 20%. Pierwszym etapem prac z narzędziem „Przepisy Data

Miner” jest wybór źródła danych oraz zmiennych wejściowych i wyjściowych, zarówno

ilościowych, jak też jakościowych.

W następnym kroku jest możliwość ograniczenia nadmiarowych danych, według dwóch

metod – współczynnika korelacji lub współczynnika korelacji rang Spearmana R, określając



99

współczynnik, który standardowo jest ustawiony na wartość 0,70. W tym przypadku badanie

nie wykazało nadmiarowych zmiennych. W kolejnym etapie opracowania automatycznych

modeli istnieje możliwość ograniczenia zmiennych istotnych, czyli odrzucenie zmiennych

niemających wpływu na badaną wielkość. Program daje możliwość szybkiego lub

zaawansowanego doboru zmiennych istotnych, jednakże w badanym przypadku mamy do

czynienia z pięcioma zmiennymi, które uprzednio zostały dobrane na samym początku

eksploracji danych.

Finalnym etapem jest tworzenie samych modeli, gdzie użytkownik ma możliwość wyboru,

jakie metody chce zastosować. W badanym przypadku zaznaczono takie metody eksploracji

danych jak: drzewa decyzyjne C&RT, drzewa wzmacniane, sztuczne sieci neuronowe oraz

metodę wektorów nośnych (SVM).

Rys. 2. Wyniki korelacji dla wszystkich trzech zmiennych zależnych.

Na powyższym wykresie (rys. 2) przedstawiono wyniki predykcji parametrów nawijania dla

wszystkich trzech zmiennych zależnych, obliczane jako korelacja między zmiennymi za-

leżnymi z danych historycznych a efektem predykcji. Należy podkreślić, iż najlepsze efekty

predykcji uzyskano za pomocą drzew wzmacnianych BT (z ang. Boosted Trees) oraz drzew

0

0,1

0,2

0,3

0,4

0,5

0,6

0,7

0,8

0,9

1

BT C&RT ANN SVM BT C&RT ANN SVM BT C&RT ANN SVM

Prędkość nawijania Naciąg odwijak Naciąg nawijak

Korelacja, proces uczenia Korelacja, proces testowania



100

klasyfikacyjno-regresyjnych C&RT (z ang. Classification & Regression Trees). Nieco

słabsze wyniki predykcji osiągnięto za pomocą sztucznych sieci neuronowych ANN

(z ang. Artificial Neural Networks), a najsłabsze efekty predykcji zanotowano w modelach

metody wektorów wspierających SVM (z ang. Support Vector Machines) dla wszystkich

trzech zmiennych.

Opracowany w powyższy sposób model drzew wzmacnianych może być skutecznie używa-

ny do predykcji początkowych parametrów nawijania każdego nowego wzoru etykiet w for-

mie rękawa. Zmienne niezależne każdego nowego wzoru etykiet w formie rękawa mogą zos-

tać podane na wejścia do modelu drzew wzmacnianych, po czym opracowany model poda

na wyjściu wartości zmiennych zależnych – czyli parametrów procesu konfekcjonowania.

Badanie różnych topologii sieci neuronowych

W pierwszej kolejności sprawdzono możliwości automatycznych sieci neuronowych. Zasto-

sowano standardową metodę próbkowania, czyli liczność prób losowych: ucząca – 70%,

testowa i walidacyjna po 15%. Wybrano również proponowane ustawienia odnośnie liczby

neuronów ukrytych pomiędzy 3–11, a typ sieci – sieć MLP, czyli perceptron wielowarstwo-

wy. Zastosowano wszystkie możliwe funkcje aktywacji, zarówno dla neuronów ukrytych,

jak też wyjściowych. W poniższej tabeli zestawiono otrzymane wyniki dla automatycznie

wygenerowanych przez program Statistica pięciu sztucznych sieci neuronowych.

Do dalszych porównań wybrano sieć nr 3 – MLP 17-10-3 wyróżnioną niebieskim tłem

w tabeli 4. Dane, zarówno dotyczące jakości, jak też wielkości błędu, przemawiały na

korzyść właśnie tej sieci. Przypomnijmy: MLP 17-10-3 oznacza, iż jest to perceptron

wielowarstwowy, który ma 17 neuronów w warstwie wejściowej, 10 neuronów w warstwie

ukrytej oraz 3 w warstwie wyjściowej. Algorytm uczenia to BFGS (Broyden–Fletcher–

Goldfarb–Shanno). Funkcję błędów policzono wg metody SOS, czyli sumy kwadratów

(z ang. Sum Of Squares), natomiast do aktywacji neuronów ukrytych została użyta funkcja

logistyczna, a do aktywacji neuronów wyjściowych program zastosował funkcję liniową.



101

Tabela 4. Automatycznie wygenerowane sieci neuronowe.

Naz

wa

siec

i

Jak

ość

(ucz

enie

)

Jak

ość

(tes

tow

anie

)

Jakość

(wa

lid

acj

a)

Błą

d (

ucz

enie

)

Błą

d

(tes

tow

anie

)

Błąd

(wa

lid

acj

a)

Alg

ory

tm

ucz

enia

Fu

nk

cja

błę

du

Ak

tyw

acja

(uk

ryte

)

Ak

tyw

acja

(wy

jści

ow

e)

MLP 17-8-3 0,79 0,77 0,80 846,82 819,17 770,02 BFGS

141 SOS

Logis-

tyczna Sinus

MLP 17-9-3 0,78 0,77 0,80 899,45 800,71 805,96 BFGS

92 SOS Tanh Sinus

MLP 17-10-3 0,79 0,78 0,81 829,85 777,73 739,01 BFGS

190 SOS

Logis-

tyczna Liniowa

MLP 17-10-3 0,79 0,76 0,80 843,05 854,22 760,27 BFGS

122 SOS Tanh

Logis-

tyczna

MLP 17-11-3 0,78 0,77 0,80 913,79 827,99 801,78 BFGS

76 SOS Tanh

Wykład-

nicza

Naciąg odwijak [N] (Zm.zal) wz. Naciąg odwijak [N]

(Wy jście)

Próby : Walidacja

5

10

15

20

25

30

35

40

45

50

55

60

65

70

75

80

85

90

95

100

Naciąg odwijak [N] (Zm.zal)

10

15

20

25

30

35

40

45

50

55

60

65

70

75

80

Nacią

g o

dw

ijak [

N]

(Wyjś

cie

)

Naciag nawijak [N] (Zm.zal) wz. Naciag nawijak [N]

(Wy jście)

Próby : Walidacja

0

5

10

15

20

25

30

35

40

45

50

55

60

65

70

75

80

85

90

Naciag nawijak [N] (Zm.zal)

-10

0

10

20

30

40

50

60

70

80

Nacia

g n

aw

ijak [

N]

(Wyjś

cie

)

Rys. 3. Wykresy korelacji efektu predykcji sieci neuronowej 3.MLP 17-10-3.

Sieć MLP 17-10-3, opracowana na podstawie automatycznego projektu sieci, osiągnęła

współczynniki korelacji do zmiennych zależnych dla danych walidacyjnych na poziomie:

prędkość nawijania = 0,84, naciąg odwijak = 0,73 oraz naciąg nawijak = 0,86 (rys. 3).

Kolejnym krokiem będzie weryfikacja, jaki efekt osiągnie sieć wg projektu użytkownika.

Należy zauważyć, iż liczba neuronów w warstwie ukrytej ma zasadnicze znaczenie dla



102

jakości uczenia danej sieci, co zostało już udowodnione w pracy R. Tadeusiewicza [18].

Stwierdzono tam, iż liczba neuronów warstwy ukrytej znacznie przekraczająca 10 może

prowadzić do utraty przez sieć zdolności do generalizacji, co oznacza gorszą predykcję dla

takich samych wielkości wejściowych, stąd też postanowiono sprawdzić, jak zachowa się

sieć podczas zwiększania liczby neuronów w warstwie ukrytej.

W toku prac ustalono, że będą to sieci typu MLP z logistyczną funkcją aktywacji dla neuro-

nów ukrytych oraz liniową funkcją aktywacji dla neuronów wyjściowych. Jako algorytm

uczący wybrano BFGS, natomiast ilość neuronów ukrytych będzie zmieniana – w kolejnych

topologiach sieci będzie to: 5, 7, 11, 17 i 25 neuronów warstwy ukrytej.

Rys. 4. Jakość predykcji vs błąd a topologia sieci.

Powyżej opisane zmiany w topologii sieci dotyczyły badania wpływu zwiększenia liczby

neuronów w warstwie ukrytej, a także zmiany funkcji aktywacji neuronów ukrytych. O ile

zwiększanie liczby neuronów warstwy ukrytej nie wpłynęło znacząco na współczynniki

korelacji predykcji początkowych parametrów nawijania, o tyle jakość predykcji wyrażona

współczynnikiem błędu sieci nieznacznie pogorszyła się. Zauważono, iż logistyczna funkcja

aktywacji neuronów ukrytych wykazała lepszą jakość predykcji aniżeli funkcja Tanh.

739

797

778775

767

755

793

740

795

765

7940,81

0,80

0,800,80

0,810,81

0,81

0,81

0,80

0,81

0,81

0,80

0,80

0,81

0,81

0,82

730

750

770

790

810

a.MLP

17-10-3

5.MLP

17-5-3

4.MLP

17-7-3

2.MLP

17-11-3

2.MLP

17-17-3

2.MLP

17-25-3

4.MLP

17-5-3

6.MLP

17-7-3

12.MLP

17-11-3

20.MLP

17-17-3

22.MLP

17-25-3

Błąd (walidacja) Jakość (walidacja)



103

Współczynnik korelacji sieci na poziomie 0,7-0,8 należy uznać za dobry wynik, zwłaszcza,

że pracowano na nieprzekształconych danych przemysłowych. Różnice parametrów błędu

i jakości pomiędzy otrzymanymi wynikami sieci neuronowych są istotne jedynie z nauko-

wego punktu widzenia. Z praktycznego punktu widzenia nawet najgorsza sieć neuronowa

z powyższego zestawienia nadaje się do predykcji początkowych parametrów nawijania

każdego nowego projektu. Można stwierdzić, że sztuczne sieci neuronowe są dobrym

narzędziem predykcji.

Weryfikacja predykcji opracowanych modeli

Fundamentalną właściwością opracowanego modelu jest jego poprawność działania, dlatego

też podjęto próbę sprawdzenia wybranego modelu predykcji początkowych parametrów na-

wijania etykiet termokurczliwych, którym był model sieci neuronowej 6.MLP-17-7-3 z pro-

jektu użytkownika (tabela 5). Badanie weryfikacyjne odnosi się do wzorcowych danych

z przebiegu procesu konfekcjonowania etykiet termokurczliwych, które zostały wyznaczone

metodą doświadczalną i potwierdzone w procesie.

Tabela 5. Weryfikacja modelu sieci neuronowej MLP-17-7-3 – wybrane próby.

Zle

cen

ie w

zorc

ow

e Prędkość [m/min] Naciąg odwijak [N] Naciąg nawijak [N]

Wzo

rzec

6.M

LP

-17

-7-3

Ró

żnic

a

Wzo

rzec

6.M

LP

-17

-7-3

Ró

żnic

a

Wzo

rzec

6.M

LP

-17

-7-3

Ró

żnic

a

Nr 1. 350,0 388,1 38,1 37,3 35,3 2,0 32,4 33,9 1,5

Nr 2. 400,0 373,8 26,2 41,2 41,6 0,4 44,1 48,8 4,7

Nr 3 400,0 377,9 22,1 29,4 27,7 1,8 24,5 22,4 2,1

Nr 4. 350,0 372,9 22,9 39,2 41,1 1,8 46,5 43,8 2,7

Analizując wszystkie otrzymane wyniki, stwierdzono, że średnie odchylenie od wartości

wzorcowej wyniosło: 24,8 m/min dla prędkości nawijania, 3,7 N dla naciągu odwijaka oraz

2,8 N dla naciągu nawijaka. Bazując na wiedzy i doświadczeniu autora, stwierdzono, że



104

różnice te praktycznie nie są istotne dla procesu nawijania etykiet termokurczliwych. War-

tości naciągów rzędu tej wielkości nie mogłyby również wywołać efektów negatywnych,

zarówno dla procesu konfekcjonowania, jak i dla samych etykiet termokurczliwych. Powyż-

sza weryfikacja dowiodła celowości stosowania technik eksploracji danych w celach pre-

dykcji początkowych parametrów nawijania etykiet.

Podsumowanie

Opracowany model drzew wzmacnianych przy użyciu narzędzia „Przepisy Data Miner”

może być użyty do przewidywania początkowych parametrów nawijania, takich jak: naciąg

odwijaka i nawijaka oraz prędkość nawijania, gdyż osiągnął najlepszą korelację. Ale inne

modele, takie jak drzewa C&RT oraz sztuczne sieci neuronowe, osiągnęły również dość

dobrą jakość predykcji, mierzoną współczynnikiem korelacji, która wyniosła ok. 0,70 – 0,75

dla naciągu odwijaka i nawijaka. Należy pamiętać, że w przemyśle poligraficznym każdego

dnia jest realizowanych od kilku do kilkunastu nowych zleceń, z różnymi parametrami

wejściowymi, takimi jak: szerokość wstęgi lub rękawa, rodzaj materiału itp., dlatego modele

predykcji są w stanie odnaleźć nawet skomplikowane relacje oraz interakcje w procesie,

a zatem ich wykorzystanie może być skuteczne i nieść wymierne skutki dla jakości i efek-

tywności procesu produkcyjnego.

Głównymi przesłankami zastosowania powyżej przedstawionych technik eksploracji danych

w celu predykcji początkowych parametrów nawijania w procesie konfekcjonowania etykiet

termokurczliwych jest ich główna właściwość i niewątpliwa zaleta, iż są w stanie odtworzyć

bardzo skomplikowane zależności w procesach produkcyjnych, co też zostało potwierdzone

w niniejszych badaniach. Dodatkowo ważną cechą zaprezentowanych narzędzi jest to, że

poszczególne zmienne nie muszą reprezentować rozkładu normalnego i mogą należeć do

różnych typów danych: ciągłych i dyskretnych. Badania na danych historycznych wykazały,

że te metody mogą być użyteczne do określenia właściwych parametrów początkowych

nawijania etykiet, bazując na istotnych zmiennych determinujących bezproblemowy prze-

bieg procesu.



105

Literatura

1. Angielsko-polski leksykon terminów poligraficznych, red. Markowski L., Centralny

Ośrodek Badawczo-Rozwojowy Przemysłu Poligraficznego, wyd. 1, Warszawa 2013.

2. Demski T., Tworzenie i stosowanie modelu Data Mining za pomocą „Przepisów Statis-

tica Data Miner” na przykładzie wykrywania nadużyć, Dokument elektroniczny, Mater-

iały StatSoft 2009, http://www.statsoft.pl/czytelnia.html, data wejścia: 02.2016.

3. Fayadd U., Piatetsky-Shapiro G., Smyth P., From data mining to knowledge discovery

in databases, AI Magazine, Vol. 17, 1996.

4. Flexography: Principles and Practices. 5th Edition, Foundation of Flexographic Tech-

nical Association, Inc. 1999.

5. Forum Rozwoju Technologii Shrink Sleeve w Polsce, witryna internetowa: http://www.fo-

rumsleeve.pl/, data wejścia: 04.2014.

6. Hamrol A., Mantura W., Zarządzanie jakością. Teoria i praktyka, Wydawnictwo Na-

ukowe PWN, Warszawa 2008.

7. Hawkins E. W., The Plastic Film and Foil Web Handling Guide, CRC Press LLC, 2003.

8. Heat Shrink Sleeve Label Technical Manual & Test Methods, Technical Publication,

AWA Alexander Watson Associates, Amsterdam 2014.

9. Karlville Development Group, witryna internetowa: http://www.karlville.com/index.php,

data wejścia: 06.2014.

10. Katz S., Shrink Sleeve Converting, „Label & Narrow Web” nr 7/2013, Rodman Media,

Ramsey USA 2013.

11. Kipphan H., Handbook of print media. Technologies and Production Methods, Springer

Germany 2001.

12. Kit L. Y., The Wiley Encyclopedia of Packaging Technology, 3rd Edition, John Wiley

and Sons 2009.


http://www.forumsleeve.pl/

http://www.forumsleeve.pl/


106

13. Kozłowski J., Perzyk M., Zastosowanie rozszerzonej analizy wyników sztucznych sieci

neuronowych w zagadnieniach odlewniczych, Materiały na XXXII Sympozjum Nauko-

wo–Techniczne Zakładu Odlewnictwa ITMat., str. 32-40, Warszawa 2007.

14. Krystosiak K., Werpachowski W., Doskonalenie poziomu jakości opakowań spełnia-

jących wymagania klienta, str. 55-64, „Ekonomika i Organizacja Przedsiębiorstw”

nr 11/2013, Wydawnictwo ORGMASZ, Warszawa 2013.

15. Krystosiak K., Metoda predykcji parametrów nawijania etykiet termokurczliwych,

str. 81-84, „Opakowanie” nr 6/2015, Wydawnictwo SIGMA-NOT, Warszawa 2015.

16. Krystosiak K., Werpachowski W., Control Method of Winding Quality in Shrink Sleeve

Labels Converting Process, “Computer Methods in Materials Science” vol. 15 3/2015,

str. 409-415, Wydawnictwo Akademia Górniczo-Hutnicza, Kraków 2015.

17. Krystosiak K., Badanie wpływu topologii sztucznej sieci neuronowej na jakość predykcji

parametrów nawijania, str. 60-64, „Opakowanie” 2/2016, Wydawnictwo SIGMA-NOT,

Warszawa 2016.

18. Tadeusiewicz R., Sieci Neuronowe, Akademicka Oficyna Wydawnicza, Warszawa 1993.

19. Walker T.J., What Is The Right Tension?, „Paper, Film & Foil Converter” nr 12/2009,

Penton Media Publication 2009.

20. Walker T.J., Web Lines. Winding Process Fundamentals, part 1 & 2, „Paper, Film & Foil

Converter” nr 01-02/2013, YTC Media 2013.


Predykcja parametrów konfekcjonowania etykiet z ... · Metody regresyjne, sieci neuronowe i inne...

Documents

Transcript of Predykcja parametrów konfekcjonowania etykiet z ... · Metody regresyjne, sieci neuronowe i inne...