Control method of winding quality in shrink sleeve labels converting process

• Autorzy: Krystosiak K. , Werpachowski W.

Warianty tytułu

PL

Metoda sterowania jakością nawoju w procesie konfekcjonowania etykiet termokurczliwych

• Języki publikacji: EN

Abstrakty

EN

In manufacturing practice of most big printing companies there are collected data, records of process parameters. Gathering information from them in form of developed models and rules is the subject of interdisciplinary field of science like data mining which uses statistical methods or Artificial Intelligence, like Artificial Neural Networks, Decision Trees, Expert Systems and many other. Effect of using data mining tools will be quality improving of shrink sleeve labels and winding process and also reduction manufacturing costs. This paper describes developed models of Artificial Neural Networks (ANN) to be used for prediction of initial tension parameters and winding speed for each every new design of shrink sleeve label. Every one design of shrink sleeve label has a lot of factors. Some of them are more significant, some of them less. The aim of this paper is to choose significant factors and build a model of ANN in learning process with using collected data. Finally when ANN model will be computed, it can be used for prediction of key winding parameters of new shrink sleeve label designs. This will brings for company saved time for experimental selection during converting of winding parameters like tension and speed and also will be minimized risk of occurrence of defects with incorrect winding parameters.

PL

W praktyce produkcyjnej w większości dużych przedsiębiorstw poligraficznych są gromadzone dane, zapisy dotyczące parametrów procesu. Wydobycie z nich informacji w postaci opracowanych modeli reguł i zasad postępowania jest przedmiotem interdyscyplinarnej dziedziny nauki jaką jest eksploracja danych, która wykorzystuje metody statystyczne, czy sztucznej inteligencji, jak np. sztuczne sieci neuronowe, drzewa decyzyjne, systemy ekspertowe, i inne. Efektem tych działań będzie poprawa jakości wyrobu i procesu oraz obniżenie kosztów wytwarzania. Artykuł prezentuje opracowany model sztucznej sieci neuronowej (SSN), w celu wykorzystania do predykcji początkowych parametrów naciągów oraz prędkości nawijania dla każdego nowego wyrobu, czyli etykiet termokurczliwych. Każdy wzór etykiet termokurczliwych posiada wiele zmiennych. Niektóre z nich są bardziej istotne, inne mniej. Celem niniejszego artykułu jest wybór istotnych zmiennych i opracowanie modelu SSN w procesie uczenia sieci na zebranych danych. Model SSN obliczy wartości wyjściowe - w tym przypadku parametry początkowe naciągów dla odwijaka i nawijaka oraz prędkość nawijania. Uzyskany efekt, to zaoszczędzony czas na eksperymentalnym doborze naciągów w trakcie pracy przy danym zleceniu produkcyjnym, a także zmniejszone ryzyko wystąpienia wad związanych z niewłaściwie dobranymi wartościami naciągów. Zastosowanie SSN w celu optymalizacji jakości nawijania przyniosło pozytywny efekt. Badania wstępne na danych historycznych z procesu konfekcjonowania udowodniły, że ta metoda może myć użyteczna do celu predykcji optymalnych wstępnych parametrów nawijania, takich jak naciągi czy prędkość, bazując na kilku najistotniejszych zmiennych opisujących proces konfekcjonowania. Niniejsze badania potwierdziły, że model UJ Sztucznej Sieci Neuronowej odnalazł zależności występujące w procesie konfekcjonowania.

Słowa kluczowe

EN

shrink sleeve; converting; quality; data mining; artificial neural networks

• Wydawca: Wydawnictwa AGH
• Czasopismo: Computer Methods in Materials Science
• Rocznik: 2015
• Tom: Vol. 15, No.3
• Strony: 409--415
• Opis fizyczny: Bibliogr. 14 poz., rys.

Twórcy

autor

Krystosiak K.

• Faculty of Production Engineering, Warsaw University of Technology

autor

Werpachowski W.

• Faculty of Production Engineering, Warsaw University of Technology

Bibliografia

• Ejsmont, K., Krystosiak, K., 2014, Manufacturing of Shrink Sleeve Labels, Economics and Organization of Enterprise, 12, 53-61 (in Polish).
• Ejsmont, K., Krystosiak, K., Lipiak, J., 2015, Application of Selected Data Mining Technique in Printing Industry, Conference Proceedings Polish Association for Production Management, II, 75-86 (in Polish)
• Flexography: Principles and Practices, 1999, 5th Edition, Foundation of Flexographic Technical Association, Inc.
• Forum for Shrink Sleeve Technology Development in Poland, available online at http://www.forumsleeve.pl/, accessed: 12.08.2015 (in Polish).
• Heat Shrink Sleeve Label Technical Manual & Test Methods, Technical Publication, 2014, AWA Alexander Watson Associates, Amsterdam.
• Kipphan, H., 2001, Handbook of print media. Technologies and Production Methods, Springer, Germany.
• Kit, L. Y., 2009, The Wiley Encyclopedia of Packaging Technology, 3rd Edition, John Wiley and Sons.
• Knosala, R. 2002, Applications of Artificial Intelligence in Production Engineering, WNT, Warsaw (in Polish).
• Krystosiak, K., Werpachowski, W., 2013, The Improvements of the Quality Level of Packaging with Overprint, Economics and Organization of Enterprise, 11, 55-64 (in Polish).
• Krystosiak, K., Werpachowski, W., 2014, Advanced Data Mining Methods as a Key to Improvement of Shrink Sleeve Labels Production Process, Conference Proceedings Product & Packaging - Contemporary Challenges, Lodz University of Technology (in Polish)
• Roisum, D., R., 1988, How to measure roll quality, Tappi Journal 10.
• Tadeusiewicz, R., 1993, Neural networks, Academic Publishing House, Warsaw (in Polish).
• Walker, T.J., Stress & Strain, 2009, Paper, Film & Foil Converter, 6, available online at: http://www.pffc-online.com/ar/7198-paper-stress-strain-0609, accessed: 18.06.2015.
• Walker, T.J., 2009, What Is The Right Tension? Paper, Film & Foil Converter, 12, available online at: http://www.webhandling.com/, accessed: 18.06.2015