Wyniki wyszukiwania - BazTech

Ograniczanie wyników

1 Computer Methods in Materials Science

1 2015

Znaleziono wyników: 1

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: shrink sleeve

Sortuj według:

Ogranicz wyniki do:

Control method of winding quality in shrink sleeve labels converting process

Krystosiak K., Werpachowski W.

Computer Methods in Materials Science

2015

Vol. 15, No.3

409--415

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.

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.