Статистический мониторинг в непрерывном производстве

Выражение Э. Деминга «Качество должно быть встроено в технологию, а не обеспечено контролем» [1, 2] применимо не только к изготовлению сложных устройств, надежность которых определяется сотнями показателей качества [3], но и к непрерывным процессам, когда полный контроль характеристик, формируемых на всех этапах производства, возможен только при приемке готовой продукции. К процессам такого рода относятся многие металлургические производства, в частности, изготовление проката, рассмотренное в настоящей работе в качестве примера. В свете представлений В.А. Качалова [4] — это «процесс-событие», «объем входа» которого не превышает «технологическую порцию входа» (ТПВ), представляющую собой в данном случае партию (рулон) металла, прокатываемую с толщины Н до h мм и термообрабатываемую в исходном, промежуточном и (или) конечном размере. В том же контексте: «операция-событие» — каждый единичный проход прокатки или непрерывной термообработки.

Одним из принципов процессного подхода в менеджменте качества является установление причины возникшей проблемы и ее характера [5]. Для этой цели в непрерывном производстве разработаны способы также непрерывного или последовательного (через определенный интервал длины обрабатываемого материала) «мониторинга с измерениями» как «физических и других факторов, воздействующих на ТПВ», так и «характеристик результатов» производства [4] (все они представляют собой «временные ряды», поддающиеся специальным способам изучения и анализа [6, 7]). В частности, в нашем случае в качестве «характеристик результатов» может контролироваться толщина ленты после прокатки [8] или ее механические свойства, параметры анизотропии после термообработки [9, 10].

Инструменты, используемые для «обеспечения результативного управления ходом» непрерывного процесса [4], по нашему мнению, можно разделить на два принципиально различных, но дополняющих друг друга класса:

• инструменты «текущего», или «непрерывного» менеджмента, осуществляемого в ходе «операции-события» вручную или с использованием автоматической системы регулирования, в нашем случае, например, толщины (АСРТ) [11, 12];
• инструменты «межоперационного менеджмента», осуществляемого в промежутках времени между «операциями-событиями» (или «процессами-событиями») [4], связанные с технологическим регулированием, заменой инструмента (например, прокатных валков) и т.п.

Заметим, что в литературных материалах и действующих нормативных документах по промышленной статистике [2, 13] (см. также комплекс ГОСТ Р 50779), как правило, представлены статистические методы выборочного контроля. Однако искусственное сужение выборками объема информации, когда в результате мониторинга (см. ниже) доступна вся генеральная совокупность, не всегда может быть оправдано. В то же время какие бы высокие статистические технологии [14], в том числе в анализе временных рядов [6], ни предлагались, все они не рассчитаны на «непрерывный менеджмент» в процессе «операции-события» (на нашем предприятии проход прокатки длится не более нескольких минут). Таким образом, по нашему мнению, не только сами понятия «мониторинг» и «измерение процесса» [4], но и способы статистической обработки результатов непрерывного мониторинга недостаточно освещены в методической и регламентирующей литературе (приглашаем к участию в дискуссии по данному вопросу).

В настоящей статье рассмотрено, как задачи статистического мониторинга решаются в ОАО «Кировский завод по обработке цветных металлов» (далее — КЗОЦМ), одном из ведущих предприятий перерабатывающего комплекса Уральской горно-металлургической компании, и обсуждаются вопросы дальнейшего совершенствования менеджмента непрерывного производства.

Результаты использования «мониторинга с измерениями»

В 2004—2006 гг. при нашем участии на предприятии была разработана и установлена локальная сеть сбора, хранения, обработки и представления информации¹ (система СХОПИ) [15, 16]. В таблице в качестве примера представлены начальные результаты таких измерений (фактически число измерений каждого параметра составляет несколько тысяч), произведенных в ходе прокатки на станке «Кварто 250». Видно, что таблица содержит электрические и скоростные характеристики, последовательно снимаемые с электрооборудования, «программные слова», силовые и геометрические характеристики (использование специальных месдоз и толщиномеров).

Фрагмент результатов измерений, полученных при прокатке ленты латуни Л68 (партия 10320) с 1200 мкм до 959 мкм

Система СХОПИ позволяет, задавая величины числа измерений в выборке, верхней (ВГД) и нижней (НГД) границы допуска контролируемого (см. таблицу) параметра (толщина после прокатки h представляет для нас особый интерес, так как входит в «диапазон приемочных значений» [4]), автоматически рассчитывать и строить контрольную карту (КК) (рис. 1). (Получаемые на ее основе индексы пригодности процесса обозначены C_p и C_pk, хотя фактически рассматривается полная вариабельность процесса, стабильность по разбросу не подтверждена и, следовательно, их можно понимать как P_p и P_pk [17]). Значение индекса C_p говорит о достаточно высокой точности процесса, а индексов C_pk — о неправильной настройке (здесь не процесса, а установочных данных — задано одностороннее поле допуска вместо необходимого симметричного), приводящей к смещению рассеяния относительно поля допуска. Особенностью данной КК является раздельное определение индексов C_pk1 и C_pk2 относительно ВГД и НГД, соответственно. В системе менеджмента качества предприятия нами разработаны и внедрены рабочие инструкции по отслеживанию толщины ленты при прокатке². Аналогичным образом можно организовать построение КК единичных наблюдений, что позволит перейти от выборок к генеральной совокупности, оперативно управлять процессом, регулируя оптимальным образом индексы C_pk1 и C_pk2 [15, 16].

Рис. 1. Окно КК и характеристики прокатки на стане 4/250 ленты латуни Л90 толщиной 1,1.0 09 мм

Довольно давно было установлено, что систематическая составляющая толщины ленты после прокатки [18] и механических свойств после термообработки [9] представляет собой наложение гармонических колебаний различной частоты, обусловленных особенностями производства проката. Спектральный анализ Фурье [19] , предназначенный для разложения случайной функции на эти гармонические составляющие, представлен даже в Microsoft Office (Excel) [20], но пакет STATISTICA, наиболее успешное, на наш взгляд, статистическое программное средство, позволяет очень просто получать значения частот и периодов из временных рядов практически неограниченной длины [20, 21]. На рис. 2 в качестве примера представлены некоторые результаты такого анализа, выполненные для ряда значений (3380 наблюдений) толщины латунной ленты, прокатанной на четырехвалковом стане. Действительно, видно, что обнаруживаются колебания различной частоты; наибольшую спектральную плотность имеет частота ~ 0,04. Разделив расстояние между измерениями на 0,04, получим длину волны искомой гармоники. Обнаружение таких доминирующих гармоник, установление и устранение причин, их вызывающих, уменьшающие систематическую составляющую погрешности обработки и увеличивающие таким образом индекс C_p, относятся по сути дела к «межоперационным» способам менеджмента качества (см. выше).

Рис. 2. Графики частоты для периодограммы (а) и спектральной плотности (б), а также график периода для периодограммы (в), построенные для одного из рядов замеров толщины ленты, прокатанной на стане 4/250

Рис. 3. Панели результатов двумерного анализа Фурье (а), анализа распределенных лагов (б), а также нейронных сетей (в — вкладка «быстрый», г — вкладка «дополнительно»)

Обсуждение результатов

Можно выделить два направления совершенствования менеджмента качества в непрерывном производстве:

• быстрота реагирования на изменения параметров процесса и характеристик качества;
• наиболее полный и эффективный анализ объема получаемых данных.

Совмещение, объединение этих направлений позволило бы получать наилучший результат, но оно труднодостижимо. Так, многочисленные специализированные программы в области управления качеством [22] позволяют проводить анализ последовательного изменения контролируемой характеристики качества («карты регулирования»), но их использование для непрерывной «настройки» в процессе, например, отдельного прохода процесса прокатки, затруднительно. Для решения такого рода задач необходима не только непрерывная обработка новых данных (в этом отношении интересна работа, посвященная пошаговой регрессии по последовательно поступающим данным [23]), но и надежные исполнительные механизмы регулирования.

Заметим, что, в частности, в прокатном производстве исполнительные механизмы такого рода разрабатываются достаточно давно (АСРТ) [11, 12]. Причем имеются примеры использования в АСРТ (преимущественно зарубежного исполнения) результатов статистического контроля [11], например, использовался анализ Фурье [6, 7] функций толщины или усилия прокатки [11, с. 124—126]. Однако, как правило, при формировании корректирующего сигнала, поступающего в систему управления гидравлическим нажимным устройством, для регулирования «по возмущению» или «по отклонению» в качестве базового используется среднее значение [12]. По нашему мнению, более эффективным было бы применение в этом качестве в АСРТ параметра, основанного на результатах вышеприведенного автоматизированного анализа, в частности C_pk [17].

Для кардинального решения вопроса контроля и регулирования представляется интересным более широкое использование возможностей специальной программы. Так, в частности, для установления взаимосвязи рядов различных данных она позволяет производить совместный анализ нескольких рядов: двумерный кросс-спектральный анализ Фурье (рис. 3а), анализ распределенных лагов как метод оценки запаздывающей зависимости между рядами (рис. 3б). Действительно, контролируемые характеристики процесса (их изменения) не мгновенно и не одновременно оказывают влияние на «характеристику результатов производства» [11].

Сложные нелинейные связи неопределенного вида между входными (характеристики процесса) и выходными значениями (толщина ленты или ее свойства) дает основание предполагать эффективность использования нейронных сетей [24]. Пакет ST Neural Networks программы STATISTICA 6.0 [21], в котором реализуется структура прямой передачи сигнала с полной системой связей, должен расширить возможности не только анализа, но и управления (рис. 3в, г).

Список использованной литературы

1. Конарева Л. Теория доктора Деминга // Стандарты и качество. — 2002. — № 11. — С. 46–50.

2. Розно М.И. Еще раз о статистическом контроле и контроле качества продукции вообще // Методы менеджмента качества. — 2008. — № 6, 7.

3. Розно М.И. Откуда берутся «неприятности»? // Стандарты и качество. — 2002. — № 11. — С. 14–20.

4. Качалов В.А. Что такое «мониторинг» и «измерение процесса»? // Методы менеджмента качества. — 2008. — № 1. — С. 40–45.

5. Гладков В. Менеджмент качества: процессный подход // Проблемы теории и практики управления. — 2008. — № 10. — С. 100–106.

6. Кендэл М. Временные ряды: Пер. с англ. — М.: Финансы и статистика, 1981. — 199 с.

7. Айвазян С.А., Мхитарян В.С. Прикладная статистика и основы эконометрики. — М.: ЮНИТИ, 1998. — 1022 с.

8. Ведерников Б.Г., Мартынов А.М., Певзнер М.З. и др. Мониторинг толщины ленты // Цветные металлы. — 2005. — № 12. — С. 95–98.

9. Широков Н.М., Певзнер М.З., Хаютин С.Г. Текстурный контроль при непрерывной термообработке ленты // Цветные металлы. — 1995. — № 12. — С. 44–47.

10. Певзнер М.З. К активному текстурному контролю механических свойств и анизотропии пластических свойств // Производство проката. — 2006. — № 3. — С. 31–38.

11. Тимошенко Е.В., Самецький А.А. Синтез систем управления параметрами штаби при холодному прокатувани. — Киев: НВК «KIA», 1999. — 264 с.

12. Кареев С.М. Автоматические системы регулирования толщины полосы для реверсивных станов холодной прокатки // 60 лет научно-конструкторской и производственной деятельности ВНИИМЕТМАШ / Сост. В.Г. Дрозд, А.И. Майоров, Б.А. Сивак. — М., 2005. — С. 473–477.

13. ГОСТ Р ИСО/ТО 10017–2005. Статистические методы. Руководство по применению в соответствии с ГОСТ Р ИСО 9001.

14. Орлов А.И. Высокие статистические технологии // Заводская лаборатория. Диагностика материалов. — 2003. — Т. 69. — № 11. — С. 55–60.

15. Итоги внедрения и вопросы совершенствования статистического мониторинга в лентопрокатном производстве / М.З. Бикметов, А.М. Мартынов, М.З. Певзнер и др. // Цветные металлы. — 2009. — № 4. — С. 84–88.

16. Бикметов М.З., Певзнер М.З., Созонтов А.А., Счастливцев С.Н. О непрерывном статистическом контроле качества плоского проката // Производство проката. — 2007. — № 8. — С. 27–33.

17. ГОСТ Р 50779.44–2001. Показатели возможностей процессов. Основные методы расчета.

18. Железнов Ю.Д., Коцарь С.Л., Абиев А.Т. Статистические исследования точности тонколистовой прокатки. — М.: Металлургия, 1974. — 240 с.

19. Корн Г., Корн Т. Справочник по математике для научных работников и инженеров. — М.: Наука, 2003. — 831 с.

20. Клячкин В.Н. Статистические методы в управлении качеством: компьютерные технологии. — М.: Финансы и статистика, 2007. — 304 с.

21. Боровиков В.П. STATISTICA. Искусство анализа данных на компьютере: Для профессионалов: 2-е изд. — СПб.: Питер, 2003. — 688 с.

22. Рыжков М.Б. Компьютерные программы в управлении качеством // Методы менеджмента качества. — 2001. — № 1. — С. 20–25.

23. Блюмин С.Л., Погодаев А.К. Пошаговая нелинейная регрессия по последовательно поступающим данным // Заводская лаборатория. — 1995. — Т. 61. — № 10. — С. 51–57.

24. Хайкин С. Нейронные сети: Полный курс: 2-е изд.: Пер. с англ. — М. — СПб. — Киев: Вильямс, 2008. — 1104 с.

¹ В работе участвовали А.В. Пьянков и С.Н. Желобов (ООО «ПП Экон»), А.А. Созонтов, А.В. Колышницын и др. (КЗОЦМ).

² В работе участвовала руководитель службы менеджмента А.Л. Земцова.

Дата публикации: 20.09.2010