Agnieszka Olejnik-Krugły - Zachodniopomorski Uniwersytet
Transkrypt
Agnieszka Olejnik-Krugły - Zachodniopomorski Uniwersytet
Model systemu informatycznego monitorowania jakości produktu poligraficznego na poziomie operacyjnym AUTOREFERAT ROZPRAWY DOKTORSKIEJ Mgr inż. Agnieszka Olejnik-Krugły Promotor: dr hab. inż. Emma Kusztina, prof. nadzw. ZUT Recenzenci: prof. dr hab. inż. Antoni Wiliński Wydział Informatyki Zachodniopomorski Uniwersytet Technologiczny w Szczecinie dr hab. inż. Georgij Petriaszwili Wydział Inżynierii Produkcji Politechnika Warszawska Szczecin, 2012 1 Spis treści 1. Aktualność problemu ....................................................................................................... 3 2. Przedmiot badań ............................................................................................................... 3 3. Metody naukowe stosowane podczas wykonywania badań ........................... 4 4. Główny cel rozprawy ...................................................................................................... 4 5. Zadania do rozwiązania .................................................................................................. 4 6. Wartość teoretyczna ........................................................................................................ 5 7. Wartość praktyczna .......................................................................................................... 5 8. Akceptacja wyników przez społeczność naukową ................................................. 5 9. Na obronę wnosi się ........................................................................................................ 6 10. Skrótowa prezentacja struktury i układu pracy ................................................... 6 11. Zawartość pracy ............................................................................................................... 6 11.1. Struktura modelu Systemu Monitorowania Jakości Produktu Poligraficznego ....................................................................................................................... 7 11.2. Analiza jakości produktu poligraficznego .................................................................. 10 11.3. Metoda identyfikacji przyczyn wad jakości produktu poligraficznego ............ 11 11.4. Metoda dopasowania parametrów maszyny drukującej do wskaźników jakości produktu poligraficznego .................................................................................. 13 11.4.1. Budowa modelu matematycznego zależności parametrów jakości od parametrów nastawu maszyny drukującej ............................................. 13 11.4.2. Korekta parametrów nastawu maszyny drukującej na podstawie modelu ich wpływu na parametry jakości produktu ................................ 16 11.5. Weryfikacja i walidacja wyników Systemu Monitorowania Jakości Produktu Poligraficznego ................................................................................................ 17 11.5.1. Badanie stabilności algorytmu określającego prawdopodobieństwo wystąpienia związków przyczynowo-skutkowych ..................................... 17 11.5.2. Badanie stabilności algorytmu korekty parametrów nastawu maszyny drukującej na podstawie modelu ich wpływu na parametry jakości produktu ................................................................................ 19 11.6. Studium przypadku, wg zaproponowanego podejścia, do opracowania Systemu Monitorowania Jakości Produktu Poligraficznego ............................... 19 12. Zakończenie ..................................................................................................................... 23 13. Spis publikacji związanych z treścią rozprawy .................................................... 24 2 1. Aktualność problemu Jakość jest definiującą cechą każdego produktu. Odgrywa ona szczególną rolę w przemyśle poligraficznym, którego produkty są narzędziem reklamy i marketingu wielu przedsiębiorstw. Osiągnięcie wysokiej jakości tych produktów stanowi złożone zagadnienie, które wymaga pracochłonnych regulacji nastawczych maszyny drukującej. Złożoność ta wynika ze stosowania różnych podłoży, farb, środków chemicznych i popełnianych błędów, co wiąże się z wykonywaniem wielu serii wydruków, a co za tym idzie – zużyciem materiałów, mediów oraz dużej ilości czasu. Rozwiązaniem problemów osiągnięcia wysokiej jakości produktów są odpowiedniej klasy systemy informatyczne. Współczesna produkcja poligraficzna jest obecnie bardzo dynamicznie rozwijającą się gałęzią przemysłu. W 2010 roku wartość rynku poligraficznego w Polsce wyniosła 9,9 mld złotych, do roku 2013 rynek może wzrosnąć do prawie 12 mld złotych1. Według danych Eurostat2 w 2010 roku w Polsce funkcjonowało ponad 8,9 tys. podmiotów poligraficznych, co daje polskiej poligrafii siódme miejsce w Unii Europejskiej. Badania pokazują, że dominującą techniką drukarską jest offset (stosowany przez 70% przedsiębiorstw), w dalszej kolejności sitodruk (10%) i fleksodruk (9%)3. Rosnąca ilość przedsiębiorstw poligraficznych powoduje spadek cen i jednocześnie wzrost presji na jakość produkowanych wyrobów. Zatem, w najbliższych latach kondycja sektora poligraficznego uwarunkowana będzie umiejętnością przystosowania się przedsiębiorstw do nowych warunków rynkowych. Koniecznością stanie się standaryzacja i informatyzacja procesów produkcyjnych, wdrożenie standardu informatycznego JDF4, norm jakości np. ISO 126475 oraz systemów informatycznych wspomagających zarządzanie i kontrolę jakości produktu poligraficznego. Rezultatem badań nad jakością produktu poligraficznego prowadzonych przez instytucje naukowe i badawcze (Fogra, CIP4, ICC, COBiRPP, Ghent PDF Workgroups, QuadTech) jest szereg norm i standardów, np. PDF, JDF, ISO, ICC. Producenci skupiają się na problemach zarządzania przepływem prac w oparciu o standard informatyczny JDF, a opracowane przez nich rozwiązania informatyczne (np. Prinect 2008, Measuring Systems 2010, PECOM 2010, FALCON-66 2009, iQ300 2010, SISTEMAS INELME 2010, CtC/CoRC 2011, PrintControl 2010) dedykowane są do konkretnych procesów poligraficznych i określonych modeli maszyn drukujących. Wadą istniejących systemów informatycznych jest wąska specjalizacja i brak uwzględnienia wielu czynników wpływających na końcową jakość produktu, np. przygotowanie form drukowych, rodzaj stosowanych materiałów, parametry projektu. Poza tym, nie biorą one pod uwagę wielu, określonych w normach, np. ISO 12647, parametrów jakości produktu oraz nie oferują wsparcia w likwidacji wykrytych wad jakości. Dodatkowo, wdrożenie tych rozwiązań wiąże się z dużymi inwestycjami w park maszynowy i infrastrukturę informatyczną, których koszty są poza zasięgiem finansowym większości przedsiębiorstw poligraficznych. Przedstawione wady istniejących rozwiązań uzasadniają konieczność opracowania kompleksowego podejścia do zapewnienia jakości produktów poligraficznych, poprzez opracowanie systemu informatycznego. 2. Przedmiot badań Przedmiotem badań rozprawy jest opracowanie modelu Systemu Informatycznego Monitorowania Jakości Produktu Poligraficznego. Monitorowanie jakości rozumiane jest 1 Rynek poligraficzny w Polsce: badanie (raport) KPMG i PBKG. Warszawa: Publisher 2012. 2 Industry, trade and services: statistics database Eurostat. European Commission 2010. 3 Rynek poligraficzny w Polsce: badanie (raport) KPMG i PBKG. Warszawa: Publisher 2012. 4 JDF release 1.4a Process Integration Technology: specification. Zurich: The International Cooperation for the Integration of Processes in Prepress, Press, and Postpress Organization 2009, dostępne 13 września 2012r., www.cip4.org. 5 ISO 12647-2. Graphic technology - Process control for the production of half-tone color separations, proof and production prints. 3 jako seria obserwacji prowadzonych w określonym czasie w celu określenia stopnia zgodności obserwowanego obiektu ze sformułowanymi oczekiwaniami6. Zadaniem proponowanego systemu informatycznego jest wsparcie drukarza w procesie kontroli jakości realizowane poprzez zbieranie danych, kompleksową analizę parametrów jakości produktu poligraficznego w odniesieniu do norm jakości, raportowanie oraz opracowanie instrukcji naprawy wykrytych wad. 3. Metody naukowe stosowane podczas wykonywania badań Do rozwiązania problemów przedstawionych w rozprawie zastosowano metody sztucznej inteligencji, metody statystyczne (analizę regresyjną, twierdzenie Bayesa), metody planowania eksperymentu, metodologię tworzenia systemów informatycznych oraz analizę systemową. 4. Główny cel rozprawy Za główny cel rozprawy przyjęto opracowanie modelu referencyjnego dla potrzeb formalizacji systemu informacyjnego ze szczególnym uwzględnieniem dopasowania wewnętrznych parametrów jakości produktu poligraficznego do norm ISO. Należy zaznaczyć, że podstawą budowy modelu systemu informatycznego są modele referencyjne reprezentujące wiedzę o procesie produkcyjnym i kontroli jakości. W rozprawie sformułowano hipotezę, że zastosowanie w modelowaniu referencyjnym metod o charakterze regresyjnym pozwoli na usprawnienie procesu dopasowania wewnętrznych parametrów jakości do zewnętrznych standardów stawianych w normach ISO. 5. Zadania do rozwiązania Zadaniem niezbędnym do opracowania modelu Systemu Informatycznego Monitorowania Jakości Produktu Poligraficznego jest opracowanie metod: 1. Identyfikacji przyczyn wad jakości produktu poligraficznego. 2. Dopasowania parametrów maszyny drukującej do wskaźników jakości produktu poligraficznego. Powyższe metody wymagają rozwiązania następujących problemów badawczych: − Określenie modelu parametrów jakości produktu poligraficznego oraz przyczyn − − − − − wpływających na nieprawidłowe wartości zadanych wskaźników jakości. Określenie sposobu formalizacji heterogenicznych źródeł danych w poligraficznym procesie produkcyjnym. Opracowanie metody wyboru jednej (spośród wielu możliwych) przyczyny wad jakości produktu, która jest najbardziej prawdopodobna w konkretnych warunkach produkcyjnych (na podstawie twierdzenia Bayesa). Opracowanie modelu wpływu parametrów nastawu maszyny drukującej na wskaźniki parametrów jakości produktu poligraficznego (model regresji). Opracowanie metody doboru prawidłowych parametrów nastawu maszyny drukującej względem zadanych norm jakości produktu poligraficznego (model regresji). Określenie sposobu weryfikacji i walidacji metod oraz modelu Systemu Informatycznego Monitorowania Jakości Produktu Poligraficznego. Ponadto, opracowanie modelu Systemu Informatycznego Monitorowania Jakości Produktu Poligraficznego wymaga zaprojektowania struktury przechowywania danych i wiedzy (baza danych relacyjno-obiektowa), zdefiniowania protokołu wymiany danych z innymi systemami informatycznymi (standard informatyczny JDF), a także określenia zbioru danych wejściowych i wyjściowych systemu informatycznego. 6 Hellawell J.M.: Rozwój – uzasadnienie monitorowania. Londyn, 1991. 4 6. Wartość teoretyczna System Monitorowania Jakości Produktu Poligraficznego stanowi rozszerzenie istniejących rozwiązań informatycznych DSS w poligrafii poprzez analizę większej ilości parametrów jakości produktu oraz uwzględnienie całego procesu produkcyjnego jako źródeł potencjalnych wad jakości produktu. Dodatkowo, opracowany system informatyczny integruje, rozproszone dotychczas, procesy kontroli jakości, standardy informatyczne i normy jakości. Uwzględnienie w modelu systemu informatycznego wielu, do tej pory nierozpatrywanych, parametrów jakości oraz szczegółowa analiza ich przyczyn, ujawniła luki w dotychczasowych podejściach przedstawionych, m.in. (Verikas et al.)7, (Briggs, Tse)8. Zastosowane w tych podejściach systemy ekspertowe sprawdzają się tylko przy założeniu braku zmienności zamówień, natomiast opracowane w rozprawie podejście bierze pod uwagę współczesną różnorodność produktów poligraficznych. W ramach rozprawy została także opracowana baza wiedzy opisująca zależności pomiędzy wadami jakości produktów a ich przyczynami. 7. Wartość praktyczna System Informatyczny Monitorowania Jakości Produktu Poligraficznego dostosowany jest do realiów rynku przedsiębiorstw poligraficznych9. Został przetestowany w typowej drukarni offsetowej, umożliwiając osiągnięcie zadanego poziomu jakości produktów oraz wykazując realne zyski w postaci skrócenia czasów przygotowawczych o 80% i zmniejszenia zużywanej ilości papieru rozbiegowego o około 100 arkuszy. System oparty jest na standardach informatycznych (ISO, JDF, PDF, XML) i nie wymaga użycia płatnych komponentów informatycznych (np. bibliotek, baz danych, frameworków) i może być bezpłatnie rozpowszechniany. Zadania realizowane przez systemu wpisują się w panujący obecnie nurt badawczy komputerowej integracji procesów produkcyjnych10. System informatyczny, oprócz przemysłu, może być wykorzystany w edukacji jako program szkoleniowy przygotowujący ludzi do zawodu. Ma to szczególne znaczenie w kontekście likwidacji szkół zawodowych i zmniejszenia kadry rzemieślniczej. 8. Akceptacja wyników przez społeczność naukową Wyniki badań zostały opublikowane i zaprezentowane na przedstawionych poniżej krajowych i zagranicznych konferencjach naukowych oraz seminariach branżowych. 1. Czasopisma i materiały konferencyjne, w których recenzenci ocenili wyniki rozprawy: − Metody Informatyki Stosowanej, 2006. − Systems Science, materiały międzynarodowej konferencji, 2007. − Problemy regionalnego i miejskiego zarządzania, materiały międzynarodowej konferencji, 2007. − IFAC Workshop on Intelligent Manufacturing Systems, materiały międzynarodowej konferencji, 2008. − Inżynieria Wiedzy i Systemy Ekspertowe, materiały krajowej konferencji, 2009. − IFAC Symposium on Information Control Problems in Manufacturing, materiały międzynarodowej konferencji, 2009. − Polskie Stowarzyszenie Zarządzania Wiedzą, studia i materiały, 2010. − Computer graphics - selected issues, 2010. 7 Verikas A., Lundström J., Bacauskiene M., Gelzinis A.: Advances in computational intelligence-based print quality assessment and control in offset colour printing. Expert Systems with Applications, 2011, vol. 38, issue 10, pp. 13441–13447. Briggs J., Tse M.K.: Objective Print Quality Analysis and The Portable Personal IAS. Image Analysis System, 2005. 9 Zachodniopomorska Platforma Poligraficzna: projekt - analiza potrzeb przedsiębiorców. Szczecin: Szczeciński Park Naukowo-Technologiczny 2007, aktualizacja badań 2010. 10 Regh J., Kraebber H.: Computer-Integrated Manufacturing. Prentice Hall, 2004. 8 5 − Materiały Krajowej Konferencji Edukacyjnej Centralnego Ośrodka Badawczo- Rozwojowego Przemysłu Poligraficznego, 2011. − Problemy sterowania bezpieczeństwem systemów złożonych, materiały międzynarodowej konferencji, 2007, 2008, 2009, 2010, 2011. 2. Konferencje, na których wyniki pracy zostały przedyskutowane: − 16th International Conference on Systems Science, 4-6 wrzesień, 2007. − 9th IFAC Workshop on Intelligent Manufacturing Systems, 9-10.10.2008. − Inżynieria Wiedzy i Systemy Ekspertowe, 23-24.06.2009. − 13th IFAC Symposium on Information Control Problems in Manufacturing, 3-5.06.2009. − Zawodowe szkolnictwo poligraficzne w epoce technologii cyfrowych, 12.04.2011. 9. Na obronę wnosi się Poniżej przedstawiono listę osiągnięć deklarowanych do obrony: stanu wiedzy z dziedziny procesów poligraficznych i systemów informatycznych wspomagających zarządzanie drukarnią oraz monitorowanie jakości procesu drukowania; szczegółowa analiza możliwości funkcyjnych dedykowanych rozwiązań informatycznych typu DSS w poligrafii. Opracowanie modelu referencyjnego Systemu Informatycznego Monitorowania Jakości Produktu Poligraficznego; opracowanie relacyjno-obiektowej bazy danych; opracowanie formy przesyłu danych wejściowych i wyjściowych systemu za pomocą standardu informatycznego JDF. Model regułowej bazy wiedzy opisujący wielowymiarową przestrzeń relacji pomiędzy parametrami jakości produktu poligraficznego a przyczynami mającymi wpływ na ich nieprawidłowe wskaźniki. Opracowanie metody identyfikacji przyczyn wad jakości produktu, w tym wyboru jednej spośród wielu możliwych przyczyn wad jakości produktu, która jest najbardziej prawdopodobna w konkretnych warunkach. Opracowanie metody dopasowania parametrów maszyny drukującej celem korekty wskaźników jakości produktu poligraficznego, pozwalającej na budowę modelu matematycznego zależności parametrów jakości od parametrów nastawu maszyny drukującej oraz na korektę parametrów nastawu maszyny podczas realizacji bieżącego zadania produkcyjnego. Opracowanie prototypów istotnych fragmentów Systemu Informatycznego Monitorowania Jakości Produktu Poligraficznego. − Analiza − − − − − 10. Skrótowa prezentacja struktury i układu pracy Rozprawa doktorska składa się ze wstępu, pięciu rozdziałów, zakończenia, bibliografii, spisu rysunków, spisu tabel oraz 3 załączników. Rozprawa została spisana na 141 stronach i zawiera 27 rysunków i 11 tabel. Spis literatury pracy obejmuje 125 cytowanych pozycji literaturowych. 11. Zawartość pracy We wstępie (8 stron) przedstawiono tematykę rozprawy w kontekście aktualnych kierunków badań, wykazano fakt istnienia luki naukowej oraz sformułowano cel pracy i hipotezę naukową. W rozdziale pierwszym „Kontrola jakości produktu w procesie produkcji poligraficznej” (14 stron) przedstawiono przegląd głównych zagadnień z dziedziny, charakterystykę procesu poligraficznego oraz definicję jakości produktu poligraficznego. Rozdział drugi, „Systemy informatyczne wspomagające proces kontroli jakości produktu poligraficznego” (17 stron), zawiera przegląd metod, narzędzi oraz analizę porównawczą stosowanych w przemyśle systemów informatycznych wspomagających zarządzanie oraz kontrolę jakości produktu poligraficznego. 6 W rozdziale trzecim „Model referencyjny Systemu Monitorowania Jakości Produktu Poligraficznego” (20 stron) przeprowadzono analizę poligraficznego procesu produkcyjnego, w szczególności dokonano: 1) klasyfikacji parametrów jakości produktu poligraficznego (zgodnej z ISO 12647, Systemem Brunner, PN-80/P-55207, BN-88/7714-04, BN-75-7419-02, BN-80-7439) i analizy stopnia ich złożoności, 2) identyfikacji i klasyfikacji przyczyn wpływających na nieprawidłowe wartości wskaźników jakości (w oparciu o literaturę przedmiotu, raporty branżowe, dokumentację techniczną maszyn i urządzeń poligraficznych, wywiady z drukarzami) oraz 3) analizy przepływu danych w typowym przedsiębiorstwie poligraficznym. W rozdziale określono również sposób komunikacji proponowanego systemu z innymi systemami informatycznymi i informacyjnymi przedsiębiorstwa, w tym MIS. Dokonano charakterystyki rodzajów i sposobu transmisji danych niezbędnych do prawidłowego funkcjonowania Systemu Monitorowania Jakości Produktu Poligraficznego (standard informatyczny JDF, JMF i XML). Rozdział czwarty, „Model funkcjonowania informatycznego Systemu Monitorowania Jakości Produktu Poligraficznego na poziomie operacyjnym” (36 stron), przedstawia model funkcjonowania zaproponowanego systemu informatycznego oraz metody i algorytmy realizujące jego główne zadania. Ten rozdział rozprawy zostanie przedstawiony w punktach 11.1.-11.5. Przykład działania opracowanego prototypu istotnych fragmentów systemu z wykorzystaniem danych rzeczywistego procesu produkcyjnego przedstawiono w rozdziale piątym „Studium przypadku, wg zaproponowanego podejścia, do opracowania Systemu Monitorowania Jakości Produktu Poligraficznego na poziomie operacyjnym” (14 stron). Ten rozdział rozprawy zostanie przedstawiony w punkcie 11.6. W załącznikach przedstawiono sformalizowany zapis wiedzy niezbędnej do realizacji algorytmów zaproponowanego systemu informatycznego (załącznik 1 i 2 do rozprawy) oraz wybrane ekrany opracowanego prototypu systemu informatycznego (załącznik 3 do rozprawy). 11.1. Struktura modelu Systemu Monitorowania Jakości Produktu Poligraficznego Model Systemu Informatycznego Monitorowania Jakości Produktu Poligraficznego przedstawiony na rysunku 1 składa się z trzech elementów: modułów realizujących poszczególne zadania systemu, bazy danych oraz interfejsu umożliwiającego komunikację użytkownika z systemem. Zadaniem modułu 1 jest analiza jakości produktu poligraficznego. Dokonywana jest ona na podstawie danych o kontrolowanych parametrach jakości produktu (obszar i sposób pomiaru), parametrach zlecenia produkcyjnego (specyfika produktu) oraz wartościach parametrów jakości zmierzonych podczas operacji kontroli jakości produktu poligraficznego (bieżące dane produkcyjne). Formalny zapis analizy jakości produktu poligraficznego został przedstawiony w punkcie 11.2. Uzyskane wyniki analizy (z modułu 1) są podstawą do identyfikacji przyczyn wykrytych wad jakości produktu poligraficznego (moduł 2). Na podstawie przeprowadzonych badań określono obszary procesu produkcyjnego wpływające na konkretne parametry jakości (rozdział 3.3. rozprawy). Opracowane związki przyczynowoskutkowe zostały przedstawione w postaci macierzy, a następnie sformalizowane do postaci reguł (załącznik 1 i 2 rozprawy). Złożoność procesu produkcyjnego powoduje, że wiedza na temat tych związków staje się niekompletna, co skutkuje tym, że nie można wyodrębnić jednej, konkretnej przyczyn wad jakości produktu. W związku z tym opracowano metodę pozwalającą na sprecyzowanie zawartej w regułach wiedzy, przedstawioną w punkcie 11.3. Opracowana metoda pozwala określić kierunek dalszego postępowania systemu, czyli sposobu likwidacji wykrytych wad jakości produktu. W przypadku identyfikacji wad jakości produktu związanych z warunkami procesu druku, eksploatacją maszyny drukującej czy procesami przygotowawczymi 7 (scharakteryzowana w rozdziale 3.3. rozprawy), wynikiem działania systemu informatycznego będzie udzielenie szczegółowych instrukcji naprawczych. W przypadku identyfikacji wad jakości produktu związanych z parametrami nastawu maszyny drukującej, należy przeprowadzić ponowną jej kalibrację ustawiając inne, niż początkowe, parametry nastawu (moduł 3). Złożoność tej czynności wymagała opracowania autorskiej metody dopasowania parametrów nastawu maszyny do wskaźników jakości produktu poligraficznego, przedstawionej w punkcie 11.4. Rysunek 1. Struktura modelu Systemu Monitorowania Jakości Produktu Poligraficznego (opracowanie własne). Przedstawiony system informatyczny należy do klasy systemów wspomagania decyzji (DSS) typu model-driven (md) oraz knowledge-driven (kd)11, skupiającym się na wykorzystaniu danych od użytkownika do analizy sytuacji za pomocą modeli statystycznych (md) oraz dostarczającym ekspertyz odnośnie problemu zapisanego jako fakty, reguły, procedury, itd. (kd). Wszystkie dane przechowywane są w bazie danych sprzężonej ze wszystkimi modułami systemu. Dodatkowo, moduł identyfikacji przyczyn wad jakości produktu wymaga utworzenia bazy wiedzy do przechowywania związków przyczynowo-skutkowych. Do opracowania struktury bazy danych zastosowano hybrydę architektoniczną, w której baza wiedzy będzie przechowywana w formie modelu obiektowego, którego implementacja będzie zrealizowana za pomocą bazy danych relacyjno-obiektowej12. Na rysunku 2 przedstawiono diagram klas zapisany w UML, reprezentujący strukturę bazy danych relacyjno-obiektowej. Wyróżniono w nim trzy najważniejsze klasy: Analiza_jakości, Reguła, Maszyna_drukująca. Szczegółowa charakterystyka klas podstawowych została przedstawiona w rozprawie. 11 Power D.J.: Decision Support Systems: Concepts and Resources for Managers: Studies in Informatics and Control 2002, nr 11(4), s. 349-350. 12 Connolly T., Begg C.: Database systems: a practical approach to design, implementation, and management, Addison Wesley, 2010. 8 Rysunek 2. Diagram klas podstawowych występujących w bazie danych Systemu Monitorowania Jakości Produktu Poligraficznego (opracowanie własne). 9 11.2. Analiza jakości produktu poligraficznego Wymagania jakościowe dla produktu poligraficznego zdefiniowane są w zleceniu produkcyjnym Z p {z 1 , z 2 , z3 , , z n } , gdzie zi jest parametrem zlecenia produkcyjnego; i 1,2,3, , n , a n jest ilością parametrów zlecenia produkcyjnego. Jakość produktu oceniana jest podczas operacji kontroli jakości produktu oznaczonej jako K x1 , x 2 , x3 , , xk , gdzie xi jest parametrem operacji kontroli jakości produktu; i 1,2,3, , k , a k jest ilością parametrów operacji kontroli jakości produktu. Dla każdej operacji kontroli jakości produktu istnieje zbiór danych wejściowych określany jako zbiór parametrów jakości X x1 , x 2 , x3 , , xr , gdzie xi jest parametrem kontroli jakości; i 1,2,3, , r , a r jest ilością parametrów kontroli jakości produktu. Dla każdego parametru jakości xi X istnieje zakres wartości xi min xi xi max określanych jako norma jakości. Wartość parametru jakości może być różnie klasyfikowana w zależności od rodzaju tego parametru i przedziału normy jakości: − W pierwszym przypadku, dla parametru jakości xi spełniającego warunek xi ximax przypisywana jest flaga b(x i ) 1 dla określenia położenia pomiaru powyżej górnej granicy tolerancji. Analogicznie dla parametru jakości xi spełniającego warunek xi ximin przypisywana jest flaga b(xi ) 1 dla określenia położenia pomiaru poniżej dolnej granicy tolerancji. Dla wartości parametrów zgodnych z normą jakości przypisywana jest flaga b(xi ) 0 , wynikająca ze spełnienia warunku ximin xi ximax . − W drugim przypadku, zdefiniowane są tylko dwie flagi: b(xi ) 2 dla wartości parametrów xi spełniających warunek xi ximin xi ximax , oraz b(xi ) 0 dla warunku ximin xi ximax . Przypisanie powyższych flag parametrom jakości jest niezbędne w celu identyfikacji przyczyn odchyleń względem norm jakości. Dla każdej flagi oznaczonej jako 1, -1 lub 2 istnieje inny zbiór czynników identyfikujących przyczynę występowania wad. Wynik operacji kontroli jakości oznaczany jako S określa status zlecenia produkcyjnego i jednocześnie gotowość przejścia produktu do kolejnego etapu wytwarzania. Zatem, dla każdego Sxi , gdzie xi jest parametrem kontroli jakości operacji technologicznej; i 1,2,3, , k , wartość parametru Sxi może przyjąć postać: 1 S(xi ) 0 dla dla xi ximin xi ximax ximin xi ximax Na podstawie powyższego sformułowano następujące założenie zadania analizy jakości produktu poligraficznego. Mając dane wejściowe w postaci: − Zbioru parametrów zlecenia produkcyjnego Z p {z 1 , z 2 , z 3 , , z n } , − Zbioru parametrów jakości produktu X x1 , x 2 , x3 , , xr , − Norm jakości, definiowanych jako spełnienie warunku xi min xi xi max dla każdego z określonych parametrów jakości xi X , − Dla każdego zmierzonego parametru jakości xi określony status Sxi taki, że dla xi ximin xi ximax 1 i dla ximin xi ximax 0 należy określić status kontroli jakości produktu, gdzie: − Status A (spełnia wymagania) dla warunku S(xi ) 0 i − Status B (nie spełnia wymagań) dla warunku S(xi ) 0 i 10 11.3. Metoda identyfikacji przyczyn wad jakości produktu Zadanie oceny wpływu przyczyn wad jakości P p1 , p 2 , p3 , , pl na konkretny wskaźnik parametru jakości xi dla którego Sxi 1 dla xi ximin xi ximax , opiera się na zastosowaniu systemu ekspertowego i aparatu matematycznego wykorzystującego twierdzenie Bayesa (przedstawionego na rys. 3). Zaproponowany aparat pozwala zapisać wpływ poszczególnych przyczyn na parametr jakości w postaci reguły (defrule R i (xi b) (assert (pi ))) 13, gdzie R i jest regułą; i 1,2,3, , n , (xi b) jest parametrem jakości z przypisaną flagą, a pi jest przyczyną nieprawidłowej wartości parametru jakości xi . Zbiór opracowanych reguł przedstawiono w załączniku 1 i 2 rozprawy. Pierwotny zbiór został uproszczony ze 105 reguł prostych do 20 złożonych, obejmujących łącznie 28 konkluzji. Złożoność procesu produkcyjnego powoduje, że nie można wskazać jednoznacznej przyczyny wykrytych wad jakości produktu. Sytuację, w której dla takiego samego zbioru parametrów jakości istnieje więcej niż jedna przyczyna wystąpienia wad jakości nazwano wariantem decyzyjnym w postaci W(x1 , x 2 , x3 , , xr ) p1 , p 2 , p3 , , pl , gdzie W jest wariantem decyzyjnym dla stałych parametrów jakości xi , pi jest przyczyną wady dla zestawu parametrów jakości xi . Sprecyzowanie zgromadzonej w systemie wiedzy może nastąpić poprzez dodanie do wniosków (przyczyn wad jakości pl ) wskaźnika mówiącego o sprawdzalności danej reguły w konkretnych warunkach produkcyjnych. Niech R będzie zbiorem reguł określających zależności pomiędzy zbiorem parametrów jakości X , a zbiorem przyczyn wad P . Dla każdej utworzonej reguły r R określenie stopnia sprawdzalności będzie przebiegało w następujących krokach: 1. Określenie zbioru danych uczących D . Zrealizowane zostało za pomocą algorytmu zliczania poprawnych wystąpień konkretnej reguły r R w rzeczywistości, czyli w sytuacji gdy wyeliminowała wykrytą wadę jakości produktu. Za każdym razem, kiedy system wyświetla listę możliwych przyczyn wad jakości i podjęte zostają kroki jej naprawy, operator wskazuje, która z wyświetlonych reguł była rzeczywistą przyczyną wady jakości. Za każdym razem, kiedy konkretna reguła zostanie wybrana, zostaje dla niej zwiększony licznik o wartość 1. 2. Wyliczenie prawdopodobieństwa wystąpienia reguły r R ze wzoru Bayesa14: P(r | D) P(D | r ) P(r ) r 'R P(r' ) P(D | r' ) gdzie P(r | D) jest prawdopodobieństwem hipotezy (reguły) r po zaobserwowaniu danych D , P(D | r ) jest prawdopodobieństwem zaobserwowania danych D przy założeniu poprawności hipotezy (reguły) r , P(r ) jest prawdopodobieństwem wystąpienia hipotezy (reguły) r , a r 'R P(r' ) P(D | r' ) jest sumą iloczynów dopełnień prawdopodobieństw r i D | r . 3. Określenie mocy dla każdej z reguł wariantu decyzyjnego poprzez wskazanie, która z nich najczęściej rozwiązała konkretny problem w przeszłości oraz wyliczenie prawdopodobieństwa, z jakim sprawdzi się w kolejnej sytuacji w przyszłości. Na rysunku 3 przedstawiono metodę identyfikacji przyczyn wad jakości produktu poligraficznego opartą na regułach systemu ekspertowego i twierdzeniu Bayesa. 13 14 Formalny zapis związków przyczynowo-skutkowych w języku implementacji Clips. Hadama M.S., Wilson A.G., Reese C.S., Marts H.F.: Bayesian Reliability. Berlin: Springer, 2008. 11 Rysunek 3. Metoda identyfikacji przyczyn wad jakości produktu poligraficznego (opracowanie własne). Przyjmując, że r jest indeksem rzeczywistej przyczyny usterki, k indeksem sugerowanej przez moduł odpowiedzi, która najczęściej w przeszłości była prawdziwa, a yk odpowiedzią sugerowaną, algorytm określający prawdopodobieństwo poszczególnych reguł można uogólnić do następującej postaci pseudokodu: FOR i:=1 TO n: c[i]:=0 FOR i:=1 TO n: READ y[i] from user k=1 temp=c[1] FOR i:=2 TO n: IF c[i]>temp: temp:=c[i] k:=i WRITE “suggested answer is” + y[k] WRITE “correctness probability is” + calc_Bayes(k) READ r c[r]:= c[r]+1 i ‐ jest licznikiem pętli, l ‐ jest licznikiem ilości wystąpień danej odpowiedzi, temp ‐ jest zmienną tymczasową (pomocniczą). Kod 1. Formuła wyliczania prawdopodobieństwa reguł (opracowanie własne). Przedstawiona metoda pozwala uporządkować zbiór możliwych przyczyn wad jakości produktu w kolejności od najbardziej prawdopodobnej do najmniej. W miarę, jak wiedza w module identyfikacji przyczyn wad jakości będzie ulepszana i stanie się bardziej dokładna, System Monitorowania Jakości Produktu Poligraficznego może w końcu funkcjonować na wyższym poziomie, niż jakikolwiek pojedynczy ekspert ludzki w dokonywaniu ocen w specyficznym, zwykle wąskim, zakresie ekspertyzy. 12 11.4. Metoda dopasowania parametrów maszyny drukującej do wskaźników jakości produktu poligraficznego Metoda dopasowania parametrów maszyny drukującej do wskaźników jakości produktu poligraficznego realizowana jest w dwóch krokach przedstawionych szczegółowo w punkcie 11.4.1. i 11.4.2. Pierwszym krokiem zaproponowanej metody jest konstrukcja modelu matematycznego maszyny drukującej opisującego zależności pomiędzy parametrami jakości produktu, a parametrami nastawu maszyny drukującej. W drugim kroku, na podstawie wcześniej skonstruowanego modelu, dokonywana jest korekta parametrów nastawu maszyny do wymaganego poziomu jakości produktu. Korekta dokonywana na bieżąco, podczas realizacji zlecenia produkcyjnego, a dobór odpowiednich parametrów nastawu maszyny drukującej odbywa się środowisku maszyny wirtualnej. Takie rozwiązanie umożliwia sprawdzenie kombinacji parametrów nastawu maszyny bez konieczności kontynuacji procesu druku. 11.4.1. Budowa modelu matematycznego zależności parametrów jakości od parametrów nastawu maszyny drukującej Istnieje zbiór parametrów X x1 , x 2 , x3 , , xr , które nie spełniają wymagań jakości i w procesie analizy zostały oznaczone statusem Sxi 1 . Dla tych parametrów istnieje zbiór przyczyn P p1 , p 2 , p3 , , pl , wśród których wyróżnić można przyczyny związane z nieprawidłowym doborem parametrów nastawu maszyny drukującej określanych jako zbiór U {u1 , u 2 , u3 , , us } , gdzie ui jest parametrem nastawu maszyny drukującej; i 1,2,3, , s . Wiedząc, że parametry jakości produktu są od siebie zależne, należy je traktować jako zbiór wzajemnie powiązanych zmiennych takich, że ' n x1 f(x), x 2 f (x), x3 f" (x), , xr f (x) . Parametr jakości xi jest zmienną losową, zależną od parametru maszyny drukującej ui . Ponieważ wartości zmiennej xi zależą od wartości wielu zmiennych niezależnych u1 , u2 , u3 , , us , ich relacje można napisać w postaci x f(u1 , u2 , u3 , , us ) . Sformułowano następujące zadanie dopasowania parametrów maszyny drukującej do wskaźników jakości produktu poligraficznego. Wiedząc, że: − X x1 , x 2 , x3 , , xr - jest zbiorem zmiennych zależnych (objaśnianych), − U u1 , u2 , u3 , , us - jest zbiorem zmiennych niezależnych (objaśniających), − Istnieje współzależność parametrów jakości przedstawiona funkcją x1 f(x ), x 2 f ' (x ), x3 f" (x ), , xr f n (x ) , − zmienna xi zależy od więcej niż jednej zmiennej ui należy sformułować model matematyczny opisujący związek wielu zmiennych x1 , x 2 , x3 , , xr , u1 , u 2 , u3 , , us , gdzie x1 , x 2 , x3 , , xr są zmiennymi zależnymi, a u1 , u2 , u3 , , us zmiennymi niezależnymi. Konstrukcja takiego modelu opiera się, co zostało wykazane w pracy, na liniowej funkcji regresji z wieloma zmiennymi w postaci: xi 0 1u1 2u 2 s us (1) gdzie xi jest zmienną objaśnianą; i 1,2,3, , r , ui jest zbiorem zmiennych objaśniających; i 1, 2, , s , 0 jest wyrazem wolnym funkcji regresji, i jest zbiorem parametrów strukturalnych liniowej funkcji regresji x względem u , jest składnikiem losowym. Dodatkowo, wiedząc że końcowa jakość produktu poligraficznego zależy od kilku X x1 , x 2 , x3 , , xr , rozwiązaniem parametrów jakości opisanych zbiorem rozpatrywanego problemu będzie zbiór funkcji regresyjnych, gdzie dla każdego 13 rozpatrywanego x i funkcja regresji będzie konstruowana w postaci (1). Przy tak skonstruowanym modelu przyjęto następujące założenia, których słuszność została udowodniona w rozprawie: zależność między zmiennymi ma charakter liniowy, normalny rozkład prawdopodobieństwa, wartość oczekiwana składnika losowego E( ) 0 , wariancja składnika losowego jest identyczna dla wszystkich obserwacji i var( i ) 2 , kowariancja między dwoma różnymi błędami losowymi wynosi zero i j cov( i , j ) 0 , składnik losowy ma rozkład normalny N(0, 2I) , egzogeniczność zmiennych niezależnych E[i | ui,1 , ui,2 , , ui, k ] 0 . Na rysunku 4 przedstawiono algorytm budowy takiego modelu. Zmienna zależna (parametr jakości) poddawana jest serii eksperymentów, w wyniku których uzyskiwane są dane odzwierciedlające wpływ parametru nastawu maszyny drukującej na tę zmienną. Każdy z kroków algorytmu od 1 do 5 omówiono w dalszej części pracy. Start 1a. Skonstruowanie funkcji regresji według wzoru (1) dla zbioru zmiennych zależnych względem zbioru zmiennych niezależnych. 1b. Zbadanie zależności pomiędzy dwiema zmiennymi przy wyłączeniu wpływu innych zmiennych według schematu c xui .ui 1 ,,s Przedstawienie zależności w postaci funkcji regresji ze wzoru (2). 2. Wygenerowanie zbioru liczb losowych zgodnie z rozkładem normalnym w zakresie odpowiadającym właściwościom tej zmiennej. 3. Wyznaczenie metodą empiryczną wartości zmiennej zależnej dla zbioru wylosowanych zmiennych niezależnych. 4a. Szacowanie parametrów strukturalnych funkcji regresji metodą najmniejszych kwadratów. tak tak 4b. Budowa funkcji regresji dla badanej pary zmiennych c xui .ui 1 ,,s c xui .ui 1 ,,s nie 5. Sumowanie składowych elementów funkcji regresji x i (a 0 a 1ui ) (a 0 a 2u 2 ) (a 0 a ius ) nie Stop Rysunek 4. Algorytm budowy modelu matematycznego zależności parametrów jakości od parametrów nastawu maszyny drukującej (opracowanie własne). 14 1a, 1b. Określenie założeń modelu funkcji regresji. Rozpatrując poszczególne liniowe funkcje regresyjne w postaci (1) wyznaczono zależność regresyjną między dwiema zmiennymi, przy wyłączeniu wpływu innych zmiennych. Przyjęto oznaczenie c xui .ui1 ,, k , gdzie dwa pierwsze indeksy oznaczają cechy, między którymi wyznaczana jest zależność regresyjna, natomiast subskrypty po kropce oznaczają cechy eliminowane. Dla każdej rozpatrywanej pary zmiennych zbudowano model opisujący zależność zmiennej losowej x od u w postaci xi f(u) 0 iui i , gdzie x są teoretycznymi wartościami funkcji regresji x f(u) odpowiadającymi danemu poziomowi realizacji zmiennej u , 0 , i są parametrami strukturalnymi liniowej funkcji regresji x względem u , jest składnikiem losowym. Oszacowaniem funkcji regresji (1) x względem u w populacji generalnej jest funkcja regresji x względem u w próbie losowej przyjmująca postać: xi a0 a1ui (2) gdzie i 1, 2, , n są kolejnymi numerami jednostek wylosowanych z populacji generalnej do próby. Dla każdej funkcji regresji rozpatrywanego układu par zmiennych xij.nm,, z przyjęto: − Związek pomiędzy xi a ui opisany równaniem xi a0 a1ui . − Zależność regresyjna określana między dwiema zmiennymi xi i ui przy wyłączeniu wpływu innych zmiennych (przyjmowanych jako pewna stała). − Istnienie tylko jednej zmiennej objaśniającej u . 2. Określenie liczności oraz sposobu generowania próby losowej. Do wylosowania zbioru liczb losowych charakteryzujących zmienną niezależną ui wykorzystano generator liczb losowych, a jego liczebność określono metodą Steina15. 3. Określenie wartości zmiennej zależnej metodą eksperymentalną. Dla każdej wylosowanej zmiennej objaśniającej ui zgodnie z zakresem ui (ui min , uimax ) i rozkładem prawdopodobieństwa N(m; ) zbadano jej wpływ na zmienną objaśnianą x . Badanie zależności przeprowadzone zostało w rzeczywistych warunkach produkcyjnych na podstawie przygotowanego planu eksperymentu (DoE). 4a, 4b. Szacowanie parametrów strukturalnych funkcji regresji metodą najmniejszych kwadratów. Do oszacowania parametrów strukturalnych funkcji regresji 0 i i wykorzystano metodę najmniejszych kwadratów. 5. Sumowanie składowych elementów funkcji. Ostateczną postać funkcji regresji dla zbioru zmiennych niezależnych ui U względem zmiennej zależnej xi uzyskano poprzez zsumowanie funkcji cząstkowych wyliczonych dla konkretnych par zmiennych c xui .ui1 ,, s według schematu xi (a0 a1ui ) (a0 a 2u2 ) (a0 aius ) . W rezultacie otrzymano liniową zależność funkcyjną w postaci xi 0 1ui 2u2 ius , gdzie xi jest zmienną zależną od zbioru zmiennych ui U , 0 , i są parametrami strukturalnymi liniowej funkcji regresji x względem u . Przedstawiona powyżej metoda pozwala sformułować model zależności parametrów jakości produktu poligraficznego (zmiennych zależnych) od parametrów nastawu 15 Sobczyk M.: Statystyka. Warszawa: PWN, 2008. 15 maszyny drukującej (zmiennych niezależnych). Liniowe funkcje regresyjne określono dla wszystkich zmiennych zależnych, tworząc zbiór funkcji w postaci: x1 0 11u1 12u 2 1ius x 2 0 21u1 22u 2 2ius x3 0 31u1 32u 2 3ius (3) xn 0 n1u1 n2u 2 nius 11.4.2. Korekta parametrów nastawu maszyny drukującej na podstawie modelu ich wpływu na parametry jakości produktu Zadanie, którego algorytm przedstawiony został na rysunku 5, można sformułować następująco. Znając: − Zbiór i zakres poszczególnych parametrów jakości. − Przedział regulacji poszczególnych parametrów nastawu maszyny drukującej. − Współczynnik charakteryzujący wpływ parametru nastawu maszyny ui na parametr jakości xi . należy dokonać korekty parametrów nastawu maszyny drukującej do zadanego poziomu jakości produktu poligraficznego. xi us us xi Rysunek 5. Algorytm korekty parametrów nastawu maszyny drukującej (opracowanie własne). Pierwszym krokiem realizacji algorytmu jest przypisanie zmiennym xi ' , u1 ' , , us ' , 0 , 1,,i następujących wartości początkowych: 1. Dla xi ' wymagany poziom jakości dla konkretnego zlecenia produkcyjnego Zp , przy czym zadana wartość xi ' zapisywana jest w stosunku procentowym takim, że dla każdego xi ' 100% 1 . Oznaczając a jako wartość początkową przedziału, a b jako końcową i przypisanym im odpowiednio udziałem procentowym 0 i 1 , oraz 16 zmienną tymczasową ut s ' dla początkowej wartości ustawienia maszyny z zakresu us ' (a, b) , wartość procentową us ' należy obliczyć z zależności us ' 1 ut s ' . ba 2. Dla 0 , 1,,i wartości określone na etapie badania zależności pomiędzy zmiennymi modelu (3). 3. Dla zbioru u1 ' , , us ' parametry nastawu maszyny drukującej, dla których nie osiągnięto żądanego poziomu jakości produktu. Następnie dla zmierzonej wartości parametru jakości xi określany jest wpływ zmiany wartości parametru u1 na ogólną postać równania (3), przy założeniu że 0 , 1,,i , u2 ' , , uk ' const . Dla badanej zmiennej u1 sprawdzana jest wartość jaką osiągnęła podczas kontroli jakości. Jeśli u1 osiągnęło wartości xi ' , to sprawdzany jest kolejny parametr us . W przeciwnym wypadku, generowana jest wartość losowa dla u1 z zakresu (u1 min , u1 max ) odczytanego z funkcji regresji dla danej pary zmiennych xiu1 dla wartości oczekiwanej xi ' w przedziale powiększonym obustronnie przez zmierzoną wartości xi ; xi ' xi xi ' xi ' xi . Dla każdej wylosowanej wartości u1 w zakresie (x1 ' min , x 2 ' max ) należy sprawdzić poprawność równania (3) dla xi ' . Generowanie wartości powtarzane jest dla n wylosowanych wartości u1 , gdzie po każdej interakcji (dla której xi było zbieżne do xi ' ) granica przedziału (u1 min , u1 max ) zostaje zawężona względem tej wartości. Z całego zbioru wylosowanych ui przypisujemy tylko tą wartość dla której xi ' xi min . 11.5. Weryfikacja i walidacja wyników Systemu Monitorowania Jakości Produktu Poligraficznego Weryfikację i walidację zrealizowano poprzez testowanie prototypów istotnych fragmentów (załącznik 3 do rozprawy) systemu w rzeczywistych i symulacyjnych warunkach produkcyjnych. W szczególności sprawdzono poprawność realizacji algorytmów obliczeniowych oraz funkcji rachunkowych, zgodność systemu z założeniami projektowymi, ocenę użyteczności wyników systemu w oparciu o wymagania i oczekiwania jakościowe klienta, integralność systemu ze środowiskiem informacyjnym i informatycznym przedsiębiorstwa oraz adekwatność wyników systemu do charakteru przedsiębiorstwa. Przykładowe testy przedstawiono w punkcie 11.5.1. i 11.5.2. 11.5.1. Badanie stabilności algorytmu określającego prawdopodobieństwo wystąpienia związków przyczynowo-skutkowych (moduł 2 na rys. 1) Celem eksperymentu było określenie ilości kroków potrzebnych do stabilizacji algorytmu określającego prawdopodobieństwo wystąpienia reguł w konkretnej sytuacji. Przyjęto następujące warunki eksperymentu: ilość wariantów decyzyjnych W {w1 , , w5 } , próba wynosząca 1000 iteracji, pi występuje z równym niezerowym prawdopodobieństwem, wartości wylosowano za pomocą generatora liczb pseudolosowych każdorazowo inicjowanego innym ziarnem, zmiennym pi przypisano rzeczywiste prawdopodobieństwa wystąpienia p1 0,08 , p 2 0,09 , p3 0,09 , p4 0,09 . Wyniki przeprowadzonego eksperymentu przedstawione zostały na rysunku 6. 17 Rysunek 6. Stabilizacja algorytmu określającego prawdopodobieństwo wystąpienia związków przyczynowo-skutkowych (opracowanie własne). Wyniki przeprowadzonego eksperymentu wykazały, że algorytm osiąga stabilizację w granicach 100 iteracji i ten poziom utrzymany jest do końca procesu produkcyjnego (z niewielkimi odchyleniami). Wahania pomiędzy zmiennymi w pierwszych 100 iteracjach związane są z tym, że różnice pomiędzy zmiennymi systemu a rzeczywistymi są bardzo wysokie. W celu określenia poziomu uzyskanych odchyleń prawdopodobieństw od wartości pożądanej, przeprowadzono drugie badanie, w którym badaniu poddano losowy wariant decyzyjny z pierwszego eksperymentu. Przyjęto następujące założenia: ilość powtórzeń wariantu W {w1 , , w5 } wynosi 10 razy, zmiennym pi przypisano następujące rzeczywiste prawdopodobieństwa wystąpienia wynoszące: p1 0,4 , p 2 0,1 , p3 0,3 , p 4 0,2 , wielkość próby wynosząca 1000 iteracji. Na rysunku 7 przedstawiono wartości bezwzględne odchylenia standardowego uśrednionych prawdopodobieństw z dziesięciu kolejnych powtórzeń. Rysunek 7. Uśrednione wartości odchylenia standardowego dla jednego wariantu decyzyjnego (opracowanie własne). Wyniki drugiego eksperymentu wykazały, że system stabilizuje się, zaś wartości parametrów jakości są zbieżne do założonych (rzeczywistych). Dodatkowo, standardowe odchylenia zmniejszają się w skokach, które następują około 100. i 200. iteracji. Na podstawie przeprowadzonych eksperymentów, można zaobserwować zależność pomiędzy liczbą iteracji, a ilością zmiennych pi . W miarę zwiększania ilości zmiennych, czas potrzebny na stabilizację całego systemu zmniejsza się. Wynika to z faktu, iż więcej zmiennych pi oznacza większą ilość wyjść (konkluzji), pomiędzy które dzieli się prawdopodobieństwo niewystąpienia najbardziej prawdopodobnej z przyczyn. System dość trafnie określa prawdopodobieństwa, średnio po zaledwie 100 iteracjach przy założeniu, że występują różne rodzaje wad. Jednakże, niezależnie od różnorodności wad, po 200 iteracjach (biorąc pod uwagę element losowości), każdy wariant się stabilizuje. 18 11.5.2. Badanie stabilności algorytmu korekty parametrów nastawu maszyny drukującej na podstawie modelu ich wpływu na parametry jakości produktu (moduł 3 na rys. 1) Celem eksperymentu było określenie kroków potrzebnych do osiągnięcia przez algorytm zadanego przedziału normy jakości. Przyjęto następujące warunki eksperymentu: jeden parametr jakości z przypisanym zbiorem parametrów nastawu maszyny drukującej, ilość stanów początkowych parametrów nastawu maszyny drukującej w próbie wynoszącej 10, gdzie dla każdej próby przyjęto 10 parametrów nastawu maszyny drukującej, którym przypisano rzeczywiste wartości początkowe; próba wynosząca 2000 iteracji; zadanym poziomem jakości jest środek przedziału normy równoznaczny z wartością 100%. Na rysunku 8 przedstawiono wyniki zrealizowanego eksperymentu. próba 1 250,00% próba 2 próba 3 poziom jakości 200,00% próba 4 próba 5 150,00% próba 6 próba 7 100,00% próba 8 50,00% próba 9 próba 10 0,00% 0 20 40 60 80 100 120 140 160 180 200 iteracje Rysunek 8. Stabilizacja algorytmu korekty parametrów nastawu maszyny drukującej (opracowanie własne). Wyniki eksperymentu przeprowadzone dla 10 różnych stanów początkowych parametrów nastawu maszyny drukującej pokazują, że korekta ich wartości umożliwiła osiągnięcie zadanego poziomu jakości. Na początku eksperymentu żadna próba nie dawała poziomu jakości przyjętego za akceptowalny. Osiągnięcie tego poziomu nastąpiło zaledwie po 80 iteracjach i utrzymało się do końca procesu produkcyjnego. Oznacza to, że algorytm spełnił założone zadanie i pozwolił na właściwą korektę pierwotnych parametrów nastawu maszyny drukującej. 11.6. Studium przypadku, wg zaproponowanego podejścia, do opracowania Systemu Monitorowania Jakości Produktu Poligraficznego 1. Charakterystyka zlecenia produkcyjnego. Ulotka, format: A4 (trójdzielna), podłoże klasa 2, kolory: CMYK, nakład: 2000 sztuk, rozdzielczość projektu: 300dpi, wysoka jakość wydruku, spady: 3mm, znaczniki drukarskie wg projektu (w powyższym tylko linie cięcia i falcowania), liniatura rastra: 80l/cm dla całego CMYK, kąt skręcenia rastra: C 75o, M 15o, Y 0o, K 45o, kształt punktów rastrowych: okrągłe. 2. Analiza jakości produktu poligraficznego. Wartości pomiarów parametrów jakości produktu pobrane w trakcie operacji kontroli jakości: gęstość optyczna x1 1,95 , przyrost pokrycia rastrowego x 2 23% , kontrast druku x3 40,9 , pasowanie x4 0,15 , murzenie x5 stwierdzono, dublowanie x6 stwierdzono. Wszystkim wprowadzonym do systemu wartościom przypisano następujące flagi: b(x1 ) 1 , b(x 2 ) 0 , b(x3 ) 0 , b(x4 ) 0 , b(x5 ) 2 , b(x6 ) 2 , oraz statusy: Sx1 1 , Sx 2 0 , Sx3 0 , Sx 4 0 , Sx5 1 , Sx6 1 . Dla powyższych danych, wynik przeprowadzonej kontroli jakości jest negatywny S(xi ) 0 , produkt poligraficzny nie spełnia wymagań jakości określonych przez i przedsiębiorstwo oraz klienta. 3. Identyfikacja przyczyn wad jakości produktu poligraficznego. Zbiór danych wejściowych stanowią wyniki przeprowadzonej analizy jakości produktu, czyli: gęstość 19 optyczna: b(x1 ) 1 Sx1 1 , przyrost pokrycia rastrowego: b(x 2 ) 0 Sx 2 0 , kontrast druku: b(x3 ) 0 Sx3 0 , pasowanie: b(x4 ) 0 Sx4 0 , murzenie: b(x5 ) 2 Sx5 1 , dublowanie: b(x6 ) 2 Sx6 1 . System wyodrębnił 5 reguł dla zdefiniowanych predykatów: R 5 , R6 , R 7 , R8 , R 16 . Na podstawie przypisanych parametrom jakości flag oraz zdefiniowanych reguł, wyodrębniono następującą sytuację wraz z poszczególnymi wariantami decyzyjnymi: Dla r 6 parametrów jakości produktu trzy nie spełniały wymagań i oznaczono je flagami: b(x1 ) 1 , b(x5 ) 2 , b(x6 ) 2 , czyli b(x 2 ) b(x3 ) b(x4 ) 0 . System wskazał 6 możliwych przyczyn wystąpienia błędów (po wyeliminowaniu przyczyn związanych z warunkami produkcyjnymi, takimi jak temperatura, zastosowane podłoże itd.): p6 , p8 , p9 , p10 , p 23 , p 25 . Taka ilość możliwych przyczyn wprowadza u drukarza dezorientację i niemoc w podejmowaniu decyzji, dlatego też wprowadzono do systemu mechanizm określenia prawdopodobieństwa wystąpienia konkretnej przyczyny. Określenie mocy dla poszczególnych reguł zostało przeprowadzone na podstawie danych historycznych, zebranych po 1000 kontrolach jakości przeprowadzonych w oparciu o proponowany system (okres ok. 3 miesięcy). Dane historyczne dotyczą wszystkich reguł, jednak poniżej przedstawiono tylko reguły związane z omawianym przykładem. Zebrane dane obrazują ilość sytuacji, w których reguła była rzeczywistą przyczyną wad jakości, ilość razy, gdy konkretna reguła była uznawana przez system za najbardziej prawdopodobną oraz ilość razy kiedy podpowiadana reguła okazała się nią w rzeczywistości. Wycinek zbioru danych historycznych przedstawiono w tabeli 1. Tabela 1. Zbiór danych historycznych wystąpień przyczyn wad jakości produktu (opracowanie własne na podstawie zebranych danych analitycznych). Numer reguły p6 p8 p9 p10 p23 p25 Ilość rzeczywistych wystąpień 23 48 49 43 36 36 Ilość sugestii systemu Ilość trafionych sugestii 0 117 102 213 0 22 0 4 6 8 0 0 Na podstawie zebranych danych obliczono prawdopodobieństwo wystąpienia konkretnej reguły korzystając z twierdzenia Bayesa. Wartość prawdopodobieństwa wystąpienia reguły P(r ) oszacowano w porozumieniu z ekspertem oraz operatorem maszyny drukującej. Suma iloczynów dopełnień prawdopodobieństwa r i D | r obliczona została dla każdej reguły ze zbioru n 31 i ze względu na ilość danych nie zostały one przedstawione w omawianym przykładzie. Dla zbioru n 6 otrzymano następujące prawdopodobieństwa: Reguła p6 : P(D | r ) 0 ; P(r ) 0,010 (po znormalizowaniu 0,0212) ; r 'R P(r' ) P(D | r' ) 0,0082 ; prawdopodobieństwo wystąpienia p6 : P(r6 | D) 0 Reguła p8 : P(D | r ) 4 / 117 0,0342 ; P(r ) 0,028 (po znormalizowaniu 0,0593) ; r 'R P(r' ) P(D | r' ) 0,0082 ; prawdopodobieństwo wystąpienia p8 : P(r8 | D) 0,2473 Reguła p9 : P(D | r ) 6 / 102 0,0588 , P(r ) 0,023 (po znormalizowaniu 0,0487) ; r 'R P(r' ) P(D | r' ) 0,0082 ; prawdopodobieństwo wystąpienia p9 : P(r9 | D) 0,3492 Reguła p10 : P(D | r ) 8 / 213 0,0375 ; P(r ) 0,020 (po znormalizowaniu 0,0424 ; r 'R P(r' ) P(D | r' ) 0,0082 ; prawdopodobieństwo wystąpienia p10 : P(r10 | D) 0,1939 Reguła p23 : P(D | r ) 0 ; P(r ) 0,015 (po znormalizowaniu 0,0318) ; r 'R P(r' ) P(D | r' ) 0,0082 ; prawdopodobieństwo wystąpienia p23 : P(r23 | D) 0 20 Reguła p25 : P(D | r ) 0 ; P(r ) 0,015 (po znormalizowaniu 0,0318) ; r 'R P(r' ) P(D | r' ) 0,0082 ; prawdopodobieństwo wystąpienia p23 : P(r25 | D) 0 Wyniki otrzymane dla zbioru omawianych przyczyn wad jakości produktu poligraficznego pozwalają ułożyć reguły w kolejności najwyższego prawdopodobieństwa ich wystąpienia w konkretnej sytuacji (tab. 2.) Tabela 2. Zestawienie reguł z określonym prawdopodobieństwem wystąpienia w konkretnej sytuacji (opracowanie własne) nr Numer reguły Ilość wystąpień Prawdopodobieństwo wystąpienia Nr Numer reguły Ilość wystąpień Prawdopodobieńs two wystąpienia 1 p9 49 P(r9 | D) 0,3492 4 p 23 36 P(r23 | D) 0 2 p8 48 P(r8 | D) 0,2473 5 p 25 36 P(r25 | D) 0 3 p10 43 P(r10 | D) 0,1939 6 p6 23 P(r6 | D) 0 W prezentowanym przykładzie operator maszyn testujący system zdecydował się wybrać wariant pierwszy oznaczony najwyższym prawdopodobieństwem. Jak wynika z analizy wad jakości przeprowadzonej w rozprawie przyczyny p8 i p9 związane są z maszyną drukującą. W tej sytuacji konieczne jest dopasowanie parametrów nastawu maszyny drukującej do wymaganego poziomu jakości, co wymaga uprzedniego skonstruowania matematycznego modelu zależności tych parametrów. Gdyby operator zdecydował się na wariant trzeci p10 odpowiedzią systemu byłaby instrukcja naprawy tej wady przedstawiona w szczegółowych krokach. 4. Budowa modelu matematycznego zależności parametrów jakości od parametrów nastawu maszyny drukującej. Model matematyczny zależności parametrów jakości od parametrów nastawu maszyny drukującej został skonstruowany poprzez wykonanie serii testowych wydruków, podczas których sprawdzano zachowanie wskaźników jakości dla losowo ustalonych wartości kolejnych parametrów nastawu maszyny drukującej. Zebrane dane pozwoliły sformułować model opisujący te zachowania. Ze względu na powtarzalność procedury, postępowanie przedstawiono tylko dla jednego parametru – uśrednionej wartości gęstości optycznej x1 . Przyjęto następujące założenia eksperymentu: − Celem badania jest określenie wielkości wpływu (oznaczonego jako 0 i 11,..., 2 ) parametrów nastawu maszyny drukującej na wartość parametru jakości. − Rozpatrywany moduł maszyny drukującej: Cyjan − Parametry nastawu maszyny drukującej: 10 stref farbowych ( u11 ,..., u110 ) w zakresie od 1 do 20 oraz docisk ( u 2 ) w zakresie od 1 do 5. Dla powyższych założeń ogólną postać funkcji regresji: x1 0 11u11 12u12 13u13 14 u14 15u15 16u16 17 u17 18u18 19u19 110u110 2u 2 Następnie dla każdej pary zmiennych funkcji zbadano zależność przy wyłączeniu wpływu pozostałych zmiennych według schematu c xui .ui1 ,, s . Zależność pomiędzy wybraną parą zmiennych c x1u11.u12 ,, u2 przedstawiono według wzoru (2). Dla tej pary zmiennych wybrano zbiór parametrów nastawu maszyny drukującej, biorących udział w eksperymencie. Z uwagi na stosunkowo małą liczebność zbioru s 20 , przeprowadzono eksperyment całościowy, nie wykluczając żadnej wartości zmiennej u11 . W przypadku zbioru o większej liczebności, wybór próby należy przeprowadzić według zaproponowanej w pracy metodyki. 21 Dla każdej zmiennej niezależnej w przedziale u11 1;20 zmierzono wartość zmiennej zależnej x1 . Na podstawie tych pomiarów oszacowano metodą najmniejszych kwadratów parametry strukturalne funkcji (2) przedstawione następująco: dla funkcji x1 a0 a11u11 ; a0 0,286 , a11 0,162 ; dla funkcji x1 a0 a12u12 ; a0 0,464 , a12 0,211 ; dla funkcji x1 a0 a 13u13 ; a0 0,633 , a13 0,201 ; dla funkcji x1 a0 a 14 u14 ; a0 0,711 , a14 0,098 ; dla funkcji x1 a0 a 15u15 ; a0 0,385 , a15 0,212 ; dla funkcji x1 a0 a16u16 ; a0 0,149 , a16 0,132 ; dla funkcji x1 a0 a17 u17 ; a0 0,326 , a17 0,152 , dla funkcji x1 a0 a 18u18 ; a0 0,182 , a18 0,206 ; dla funkcji x1 a0 a 19u19 ; a0 0,397 , a19 0,144 ; dla funkcji x1 a0 a110u110 ; a0 0,523 , a110 0,073 ; dla funkcji x1 a0 a 2u2 ; a0 0,319 , a 2 0,531 . Końcowa postać modelu parametru x1 po zsumowaniu równań stronami: X 1 0,146 0,015u11 0,019u12 0,018u13 0,009u14 0,019u15 0,012u16 0,014 u17 0,019u18 0,013u19 0,007 u110 0,048u2 5. Korekta parametrów nastawu maszyny drukującej na podstawie modelu ich wpływu na parametry jakości produktu. Skonstruowany powyżej model stanowi podstawę do bieżącej korekty parametrów nastawu maszyny drukującej. Zdefiniowano następujące dane wejściowe: − x1 ' - zadana wartość parametru jakości dla danego zlecenia produkcyjnego, w tym przypadku dla parametru x1 dla wyciągu Cyjan mieści się w przedziale x1 1,25;1,4 . − x1 - wartość parametru jakości zmierzona podczas kontroli jakości produktu: x1 1,95 . − u1 ' , , u 2 ' - wartości wstępnych parametrów nastawu maszyny drukującej, dla których x1 nie było w normie: u11 15; u12 13; u13 11; u14 8; u15 12; u16 16; u17 19; u18 15; u19 12; u110 10; u 2 3 Przypisane wartości początkowych zmiennym modelu i wyliczenie wartości parametru jakości: x 1 0,146 0,015 15 0,019 13 0,018 11 0,009 8 0,019 12 0,012 16 0,014 19 0,019 15 0,013 12 0,007 10 0,048 3 x 1 1,931 co jest zbliżone do zmierzonej wartości parametru jakości równej 1,95. Ponieważ wartość parametru stanowi 193% pożądanej normy, następuje modyfikacja w sposób losowy wartość parametru u11 . Wybór kolejnych parametrów nastawu maszyny do modyfikacji nastąpił losowo. Podczas 10 iteracji w przeprowadzonym eksperymencie najlepszą wartość parametru jakości (1,818) osiągnięto dla wartości u11 8,039 . Wyniki dalszych iteracji przedstawia tabela 3. Tabela 3. Wyniki poszczególnych iteracji dopasowania parametrów nastawu maszyny drukującej do parametrów jakości produktu poligraficznego (opracowanie własne). Zmieniany parametr nastawu maszyny drukującej Wartość parametru nastawu dająca najlepszą wartość parametru jakości Uzyskana wartość parametru jakości Osiągnięty procent normy jakości Wartość wyjściowa Nie dotyczy 1,931 193,2% u11 8,514 1,825 176,9% u11 8,039 1,818 176,7% u14 13,000 1,796 172,5% u16 8,212 1,680 154,6% u17 8,789 1,519 129,8% u12 7,236 1,365 106,2% 22 u13 8,894 1,324 99,8% u13 8,898 1,325 100,0% Wartości parametrów nastawu maszyny drukującej przez użyciem na fizycznej maszynie powinny zostać zaokrąglone do najbliższej sprogowanej wartości. W rezultacie otrzymujemy zbiór nowych ustawień maszyny drukującej: u11 8,039; u12 7,236; u13 8,898; u14 13,000; u15 12,000; u16 8,212; u17 8,789; u18 15,000; u19 12,000; u110 10,000; u 2 3,000 Na rysunku 9 przedstawiono pozycję parametrów nastawu maszyny drukującej przed i po zastosowaniu wyżej przedstawionego algorytmu. Rysunek 9. Pozycja parametrów nastawu maszyny drukującej przed i po korekcie według zaproponowanego algorytmu (opracowanie własne). Algorytm dokonał korekty zbyt wysokich nastaw, sprowadzając wartość parametru jakości do pożądanego zakresu. Warto zauważyć, że po osiągnięciu celu (przedziału normy) przez algorytm, jego dalsze działanie stabilizuje się i nie wprowadza znaczących zmian. Sprawdzenie proponowanych przez system ustawień odniosło pozytywny skutek w postaci prawidłowej wartości zmierzonej gęstości optycznej (1,28). Powyższy przykład stanowi wycinek całego problemu, przedstawiony w sposób uproszczony dla pojedynczego parametru jakości. Zamodelowanie całości maszyny drukarskiej wymaga zbudowania modeli regresyjnych dla wszystkich parametrów jakości, a następnie przeprowadzania zademonstrowanego powyżej algorytmu na kolejnych parametrach jakości, aż do uzyskania prawidłowej wartości wszystkich z nich. 12. Zakończenie Korzyścią dla przedsiębiorstwa z zaproponowanego w rozprawie Systemu Monitorowania Jakości Produktu Poligraficznego jest minimalizacja kosztów zapewnienia wysokiej jakości produktu poligraficznego oraz wsparcie drukarza, zwłaszcza niedoświadczonego. Obecnie stosowane podejście prób i błędów powoduje 23 konieczność czasochłonnego powtarzania przebiegów testowych, które pociągają za sobą duże koszty. Przedstawiony system informatyczny zastępuje w tym procesie rzeczywistą maszynę maszyną wirtualną, co eliminuje marnotrawienie np. papieru oraz wielokrotnie skraca czas przestojów. Proponowane rozwiązanie pozwoliło na osiągnięcie i utrzymanie wysokiego poziomu jakości produktów przez cały czas trwania procesu produkcyjnego oraz doprowadziło do znacznego skrócenia nieproduktywnych czasów przygotowawczych, które trwały nawet do 1 godziny oraz przestojów maszyny spowodowanych pojawiającymi się błędami jakościowymi. Zaproponowane metody pozwoliły na skrócenie czasów przygotowawczych do kilku minut oraz natychmiastowe wykrywanie odchyleń wartości parametrów jakość produktu. Skutkiem przeprowadzenia testów proponowanego rozwiązania (w formie prototypu) było zmniejszenie ilości zużywanego papieru rozbiegowego o około 100 arkuszy na każdy nieproduktywny przebieg. Zmniejszyło się również zużycie farb drukarskich. System znajduje prawidłowy zestaw parametrów nastawu w ciągu średnio 80 iteracji, których wykonanie zajmuje mniej niż sekundę. Wykonanie takiej samej ilości prób przez drukarza zajęłoby kilkanaście godzin i, jako ekonomicznie nieuzasadnione, w ogólne nie miałoby miejsca. Zastosowanie systemu pozwala zatem zwiększyć końcowy poziom jakości ze względu na fakt, iż przeprowadzenie nawet dużej ilości prób nie tylko gwarantuje osiągnięcie parametrów jakości, ale także nie wiąże się ze stratami czasu i materiałów. System może stanowić rozszerzenie istniejących rozwiązań desktopowych oraz obszaru badań prowadzonych przez wiodące w branży poligraficznej instytucje naukowo-badawcze (FOGRA, CIP4, ICC). Opracowany system informatyczny może być z powodzeniem wykorzystany zarówno w przemyśle, jak i w edukacji. W przemyśle poligraficznym będzie stanowił instrument kontroli jakości i źródło informacji dla większości obszarów zarządzania jakością. W edukacji będzie sprawował program szkoleniowy przygotowujący ludzi do zawodu. Możliwości rozwoju opracowanego systemu informatycznego obejmują: − Optymalizację algorytmu wybierania parametrów nastawy maszyny drukującej do korekty. − Zastosowanie metod data mining do analizy zbieranych danych na temat parametrów zleceń produkcyjnych, co pozwoli na identyfikację nieznanych jeszcze relacji oraz aktualizację istniejącej bazy wiedzy (co zostało już częściowo zaproponowane w artykule16. − Dostosowanie metod i algorytmów do innych technik druku, w szczególności identyfikacja związków przyczynowo-skutkowych oraz opracowanie bazy reguł. − Opracowanie metody przechowywania modeli wielu maszyn drukujących opartej na wspólnej bazie danych i regułach. 13. Spis publikacji związanych z treścią rozprawy 1. Olejnik-Krugły A.: System kontroli jakości w procesie druku.: Metody informatyki stosowanej 2006, nr 10, s. 193-198. 2. Zaikin O., Korytkowski P., Olejnik-Krugły A.: Quality control system for offset printing supported by expert system. W: Materiały XVI Międzynarodowej Konferencji (Systems Science). Wrocław, 2007, s. 520-528. 3. Zaikin O., Olejnik-Krugły A.: Parameters affecting correct proceeding of printing process control. W: Materiały XV Międzynarodowej Konferencji (Problemy sterowania bezpieczeństwem systemów złożonych). Moskwa, 2007, s. 100-103. 16 Zaikin O., Olejnik-Krugły A.: System ekspertowy zapewniający jakość procesu produkcyjnego w druku offsetowym. W: Materiały IX Krajowej Konferencji (Inżynieria wiedzy i systemy ekspertowe). Wrocław, 2009 s. 545-557. 24 4. Zaikin O., Olejnik-Krugły A.: Quality control system in printing process supported by expert system. W: Materiały Międzynarodowej Konferencji (Problemy regionalnego i miejskiego zarządzania). Moskwa, 2007, s. 177-180. 5. Korytkowski, P., Zaikin O., Olejnik-Krugły A.: A model of a quality control for integrated manufacturing systems, W: Materiały Międzynarodowej Konferencji (IFAC Workshop on intelligent manufacturing systems). Szczecin, 2008, s. 251-256. 6. Zaikin O., Olejnik-Krugły A.: A model for product quality control system. W: Materiały XVI Międzynarodowej Konferencji (Problemy sterowania bezpieczeństwem systemów złożonych). Moskwa, 2008, s. 404 –407. 7. Kusztina E., Olejnik-Krugły A.: A model of printing product quality monitoring system in a virtual machine environment. W: Materiały XVII Międzynarodowej Konferencji (Problemy sterowania bezpieczeństwem systemów złożonych). Moskwa, 2009, s. 327-329. 8. Zaikin O., Olejnik-Krugły A.: System ekspertowy zapewniający jakość procesu produkcyjnego w druku offsetowym. W: Materiały IX Krajowej Konferencji (Inżynieria wiedzy i systemy ekspertowe). Wrocław, 2009 s. 545-557. 9. Korytkowski, P., Olejnik-Krugły A., Zaikin O.: A Framework for a Quality Assurance in Offset Printing. W: Materiały XIII Międzynarodowej Konferencji (IFAC Symposium on Information Control in Manufacturing). Moskwa, 2009, s. 1866-1871. 10. Kusztina E., Olejnik-Krugły A.: Methodology for conducting virtual experiments for sheetfed offset printing. W: Materiały XVIII Międzynarodowej Konferencji (Problemy sterowania bezpieczeństwem systemów złożonych). Moskwa, 2010, s. 370-373. 11. Różewski P., Olejnik-Krugły A., Kusztina E.: Model systemu informatycznego monitorowania jakości produktu poligraficznego. W: Materiały Polskiego Stowarzyszenia Zarządzania Wiedzą (Studia i Materiały), Bydgoszcz, 2010, nr 27, s. 196-203. 12. Różewski P., Olejnik-Krugły A., Kusztina E.: Analysis of quality factors in printing production process: information systems based approach. Computer graphics. Selected Issues 2010, rozdział 8, s. 131-141. 13. Zaikin O., Kusztina E., Olejnik-Krugły A.: Science experiment design procedure. W: Materiały XIX Międzynarodowej Konferencji (Problemy sterowania bezpieczeństwem systemów złożonych). Moskwa, 2011. 14. Różewski P., Olejnik-Krugły A., Kusztina E.: Informatyczne aspekty kształcenia poligrafów na przykładzie procesu zarządzania jakością. W: Materiały II Konferencji Edukacyjnej COBRPP (Zawodowe szkolnictwo poligraficzne w epoce technologii cyfrowych), Poznań, 2011, s. 29-35. 25