Znaczenie jakości w poligrafii
Problematyka jakości w kontekście przemysłu opakowaniowego stawia nowe wyzwania przed współczesnymi organizacjami. Już nie wystarczy tylko wyprodukować. Trzeba dobrze wyprodukować, najlepiej za pierwszym razem i w taki sposób, aby zostały spełnione wymagania jakościowe klienta. W celu spełnienia wymagań klienta należy najpierw podjąć próbę wysłuchania jego głosu. Następnie należy przełożyć – lakoniczny częstokroć – komentarz klienta na cechy krytyczne dla jakości wyrobu. Dopiero wówczas wymagania jakościowe co do wyrobu nabierają określonego kształtu i stanowią specyficzny przepis na jego poprawne wyprodukowanie [7].
Często odbiór oferty w fazie początkowej jest przede wszystkim wzrokowy, a sam wygląd opakowania ma zachęcać do realizacji transakcji [3]. Oryginalność i wrażenie, jakie robi na kliencie opakowanie, są przy tym równie ważne co odpowiedni poziom poprawności działania, informacje nt. trwałości, niezawodności, bezpieczeństwa, ekonomiczności czy naprawialności tego, co jest oferowane. Ocena jakości powstaje najczęściej w umyśle człowieka, więc wymagania jakościowe stawiane współczesnym produktom – w tym też opakowaniom – są coraz wyższe. Rosną także wymagania dotyczące etykiet.
Etykiety termokurczliwe
Etykiety termokurczliwe (z ang. shrink sleeve labels) to etykiety powstające w wyniku zadruku oraz formowania rękawa z folii, który pod wpływem określonej temperatury dla danego materiału ulega skurczeniu, przylegając ściśle do powierzchni docelowej [8]. Etykiety tego typu powstają najczęściej w wyniku zadruku fleksograficznego [2].
Do produkcji etykiet termokurczliwych, stosownie do potrzeb, używa się różnych materiałów; są to między innymi [3]:
n PVC (polichlorek winylu);
n PET (politereftalan trójetylenu);
n PET-G (politereftalan etylenowy z glikolem);
n OPS (orientowany polistyren);
n PLA (polyactic acid);
n hybrydowe folie współwytłaczane do specjalistycznych zastosowań.
Wymienione materiały charakteryzują się zróżnicowanym stopniem kurczliwości. Etykiety termokurczliwe stwarzają duże możliwości marketingowe, gdyż mogą być zadrukowane na całej swej powierzchni i z uwagi na swoje właściwości termoplastyczne nie stawiają właściwie żadnych ograniczeń co do kształtu opakowania [12]. Wśród etykiet termokurczliwych wyróżniamy następujące kategorie [8]:
n full body label – etykiety okrywające całą powierzchnię pojemnika, ściśle przylegające do jego konturu i pozwalające na pokrycie nadrukiem całej powierzchni;
n tamper evident – etykiety tego typu stwarzają możliwość zabezpieczenia produktu przed otwarciem i spełniają funkcję plomby gwarancyjnej. Nienaruszona etykieta daje kupującym pewność, że produkt nie był otwierany, zachowuje świeżość i swoje właściwości;
n combo pack – etykiety używane są do promocyjnego łączenia produktów, niekoniecznie tych samych, często zaś o zróżnicowanych kształtach i wielkości.
Problematyka jakości nawoju
Głównymi etapami procesu wytwarzania etykiet termokurczliwych są cztery etapy typowo produkcyjne, w wyniku których otrzymywany jest wyrób gotowy w postaci rękawa etykiet nawiniętego na roli. Tymi etapami są: druk, brzegowanie, formowanie rękawa, inspekcja. Wspólną cechą ww. etapów procesu produkcyjnego jest nawijanie z roli na rolę, dlatego też procesy fleksograficzne nazywane są często rolowymi (z ang. reel to reel processing), ponieważ na wejściu do każdego etapu surowiec lub półprodukt z poprzedniego etapu jest nawinięty w postaci roli [1, 2, 4]. W celu zapewnienia odpowiedniej jakości etykiet termokurczliwych oraz bezproblemowego przebiegu całego procesu produkcji bardzo istotne są 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 odwijanej rolce – nazywanej odwijakiem (z ang. unwind –odwijać, rozwijać, unwinder – odwijak), jak i na nawijanej rolce (z ang. rewind – nawijać, zwijać, rewinder – nawijak) – nazywanej nawijakiem [8].
Najważniejszym parametrem charakteryzującym jakość nawoju jest brak stwierdzonych wad, zarówno w procesie produkcji, jak i u finalnego odbiorcy, takich jak:
n sklejenie warstw rękawa ze sobą,
n teleskopowanie,
n efekt „blockingu”,
n rozciągnięcie folii,
n zagniecenia,
n uszkodzenia krawędzi rękawa,
n zniszczenie nawoju.
Tematyka jakości nawoju jest dość powszechnie znana na Zachodzie, w angielskojęzycznych pozycjach literaturowych z tej dziedziny [11, 14] przewija się termin web handling, co oznacza w wolnym tłumaczeniu „radzenie sobie z nawijaniem wstęgi” lub inaczej „nawijanie wstęgi z maksymalną wydajnością i minimalną stratą” [8, 12]. Pytanie, które 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 [14], niemniej 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 poligraficznych są gromadzone dane, zapisy dotyczące parametrów procesu. Wydobycie z nich informacji w postaci opracowanych modeli reguł i zasad postępowania stanowi przedmiot interdyscyplinarnej dziedziny nauki, jaką jest eksploracja danych (z ang. data mining), która wykorzystuje metody statystyczne, czy sztucznej inteligencji, jak np. sztuczne sieci neuronowe, drzewa decyzyjne, systemy ekspertowe. Efektami tych działań będą poprawa jakości wyrobu i procesu oraz obniżenie kosztów wytwarzania.
Predykcja początkowych parametrów nawijania z użyciem sztucznej sieci neuronowej
W wyniku przeprowadzonych badań problematyki jakości nawoju postawiono tezę, iż zastosowanie metod eksploracji danych i uczenia maszynowego w procesie konfekcjonowania etykiet termokurczliwych pozwoli na ograniczenie strat produkcyjnych oraz umożliwi uzyskanie wymiernych efektów technicznych, ekonomicznych i organizacyjnych. W celu zweryfikowania powyższej tezy sformułowano następujące hipotezy badawcze:
n Poprzez zastosowanie narzędzi eksploracji danych i uczenia maszynowego możliwe jest pozyskanie wiedzy, umiejętności i doświadczenia, pozwalającego na optymalne wykorzystanie procesu konfekcjonowania etykiet termokurczliwych w formie rękawa.
n Opracowane modele predykcyjne mogą być pomocne w ustaleniu początkowych parametrów naciągów oraz prędkości nawijania maszyn konfekcjonujących etykiety termokurczliwe w formie rękawa.
n Istnieją zależności w procesie konfekcjonowania etykiet termokurczliwych, które można wykorzystać do budowy modeli predykcyjnych w celu ich zastosowania do właściwego sterowania jakością nawoju.
W celu opracowania skutecznej metody sterowania jakością nawijanych etykiet zastosowano sztuczną sieć neuronową. Sieci neuronowe najczęściej są stosowane do rozwiązywania problemów klasyfikacji bądź regresji [5], w tym wypadku będzie to problem typowo regresyjny. Przeprowadzono badania wstępne na zebranych danych historycznych procesu konfekcjonowania etykiet termokurczliwych etapu formowania rękawa, które zawierają następujące zmienne sterujące, czyli wejściowe [8]:
n szerokość materiału [mm]
n grubość materiału [μm]
n rodzaj materiału [X, Y, Z, …]
n prędkość nawijania [m/min]
n producent materiału [A, B, C, …]
Powyższe zmienne są danymi wejściowymi do modelu sztucznej sieci neuronowej, natomiast wyjściem sieci będą dwie zmienne zależne – parametry początkowe naciągów odwijaka i nawijaka:
n naciąg odwijak [N]
n naciąg nawijak [N]
Jak można zauważyć, przedstawione dane wejściowe należą do typu danych ciągłych
i dyskretnych. Nie stanowi to problemu, gdyż na wejściu sztucznej sieci neuronowej mogą być podawane różne typy danych. Wymienione powyżej zmienne wejściowe odnoszą się tylko do niektórych parametrów mających wpływ na efekt w postaci prawidłowo nawiniętej roli etykiet termokurczliwych, dlatego opracowany model nie będzie idealny, gdyż w procesie mogą występować pewne zakłócenia. Stosowane materiały również mogą być różnej jakości i pewne cechy mogą oddziaływać na jakość nawijania, aczkolwiek niniejsze badania wstępne stawiają za cel udowodnienie celowości zastosowania tej metody. Zadaniem modelu SSN jest odnalezienie zależności między danymi wejściowymi i wyjściowymi.
W celu opracowania modelu sieci użyto pakietu oprogramowania Statistica Automatyczne Sieci Neuronowe SANN (z ang. Statistica Automated Neural Networks) [6]. Przetestowano wiele wariantów modeli sieci, finalnie została wybrana sieć MLP 17-10-2, co oznacza, że jest to sieć typu perceptron wielowarstwowy (z ang. Multi Layer Perceptron) składający się z 17 neuronów w warstwie wejściowej (dwie zmienne dyskretne zostały rozdzielone na pojedyncze neurony), 10 neuronów w warstwie ukrytej i 2 neuronów w warstwie wyjściowej – czyli poszukiwanych optymalnych parametrów naciągów odwijaka i nawijaka. Sieć została odnaleziona w 82. cyklu uczenia [8].
Opracowany w ten sposób model sztucznej sieci neuronowej posiada współczynniki korelacji zmiennych zależnych z wyjściem sieci na poziomie 0,81 dla początkowych parametrów naciągu odwijaka i 0,86 dla początkowych parametrów naciągu nawijaka. Korelacje te zostały zbadane na próbie walidacyjnej. W procesie pracy na danych uczących następuje podział wszystkich danych na trzy grupy: ucząca, testująca i walidacyjna, gdzie program Statistica losowo przydziela dane do trzech grup, natomiast ich wielkość jest domyślnie podzielona na 70% dla grupy uczącej i po 15% dla grup testującej i walidującej [15]. To oznacza, że opracowany model SSN na grupie uczącej jest testowany na danych testowych, które nie brały udziału w opracowaniu modelu, natomiast walidacja modelu SSN odbywa się na danych walidacyjnych. Współczynnik korelacji zmiennej zależnej z wyjściem sieci neuronowej jest jednym z wielu mierników jakości opracowanego modelu sieci. Im wyższy współczynnik, tym dokładniejszy jest opracowany model [9, 15]. Niezmiernie istotną rzeczą jest jakość zgromadzonych danych. Istnieje wiele metod i technik przygotowywania, czyszczenia oraz uzupełniania brakujących danych, nie są one jednak przedmiotem niniejszego opracowania.
Analizując otrzymane wykresy korelacji zarówno dla naciągu odwijaka, jak i nawijaka (rys. 2), zauważono pewne wartości zbioru odbiegające od linii korelacji, co można wytłumaczyć w dwójnasób: jakość danych nie była zadowalająca (pamiętajmy, że są to dane historyczne) lub istnieją zmienne, czynniki i zależności, które nie zostały uwzględnione w sporządzonym modelu SSN.
Uzyskane współczynniki korelacji oscylujące w okolicach 0,8 jak na dane przemysłowe są dość dobre, toteż uzyskany model można uznać za wystarczający do poprawnego działania
– sztuczna sieć neuronowa odnalazła zależności występujące w procesie.
Opracowany model SSN można wykorzystać do celów predykcji początkowych parametrów naciągów dla każdego nowego wyrobu, czyli etykiet termokurczliwych, podając na wejścia SSN parametry – czyli zmienne wejściowe, które charakteryzują dany wyrób. Model SSN obliczy wartości wyjściowe – w tym przypadku parametry początkowe naciągów dla odwijaka i nawijaka. Uzyskany efekt to czas zaoszczędzony na eksperymentalnym doborze naciągów w trakcie pracy przy danym zleceniu produkcyjnym, a także zmniejszone ryzyko wystąpienia wad związanych z niewłaściwie dobranymi naciągami.
W tym miejscu należy podkreślić, iż model ten został opracowany na danych historycznych, które były możliwe do uzyskania. Kierunkiem dalszych badań związanych z eksploracją danych procesu konfekcjonowania etykiet termokurczliwych w przedsiębiorstwie powinno być zebranie danych z obecnego procesu wraz z wieloma innymi istotnymi parametrami, które w obecnym modelu zostały pominięte ze względu na ich brak, takimi jak ilość zadrukowanych farb, warstwa hot-melt czy średnica nawijanej roli oraz wiele innych.
Podsumowanie
Najważniejszą przesłanką zastosowania sztucznej sieci neuronowej w celu optymalizacji procesu 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 sztucznych sieci neuronowych jest to, że poszczególne zmienne nie muszą reprezentować rozkładu normalnego i mogą należeć do różnych typów danych: ciągłych i dyskretnych.
Zastosowanie sztucznej sieci neuronowej w celu prób optymalizacji jakości nawijania etykiet termokurczliwych przyniosło pozytywny rezultat, toteż postawione w pracy hipotezy zostały zweryfikowane i potwierdzone. Badania pilotowe na danych historycznych dowiodły, że ta metoda może być pomocna w celu ustalenia optymalnych początkowych parametrów naciągów w procesie konfekcjonowania, bazując na kilku istotnych czynnikach decydujących o przebiegu procesu. Przeprowadzone badania udowodniły, iż sztuczna sieć neuronowa odnalazła zależności występujące w procesie, niemniej dalsze badania powinny koncentrować się na zebraniu danych dla wszystkich istotnych czynników, których nie uwzględniono w obecnym modelu SSN, a także ograniczeniu czynników mniej istotnych.
Bibliografia
[1] Flexography: Principles and Practices. 5th Edition, Foundation of Flexographic Technical Association, Inc. 1999
[2] Hawkins E. W., The Plastic Film and Foil Web Handling Guide, CRC Press, 2003
[3] Heat Shrink Sleeve Label Technical Manual & Test Methods, Technical Publication, AWA Alexander Watson Associates 2014
[4] Kipphan H., Handbook of print media. Technologies and Production Methods, Springer Germany 2001
[5] Knosala R. i Zespół, Zastosowania metod sztucznej inteligencji w inżynierii produkcji, Wydawnictwa Naukowo-Techniczne, Warszawa 2002
[6] Kołomańska K., Wolak D.: Ocena poziomu jakości wizualnej w otoczeniu człowieka, „Ekonomika i Organizacja Przedsiębiorstw” nr 06/2013, Wydawnictwo ORGMASZ, Warszawa 2013
[7] Krystosiak K., Werpachowski W., Doskonalenie poziomu jakości opakowań spełniających wymagania klienta, „Ekonomika i Organizacja Przedsiębiorstw” nr 11/2013, Wydawnictwo ORGMASZ, Warszawa 2013
[8] Krystosiak K., Werpachowski W., Zaawansowane metody eksploracji danych kluczem do doskonalenia procesu produkcji etykiet termokurczliwych, konferencja „Produkt i Opakowanie Współczesne Wyzwania – P&P 2014”, Politechnika Łódzka 2014
[9] Tadeusiewicz R., Sieci Neuronowe, Akademicka Oficyna Wydawnicza, Warszawa 1993
[10] Walker T. J., What Is The Right Tension?, „Paper, Film & Foil Converter” nr 12/2009, Penton Media Publication 2009
[11] http://www.convertingquarterly.com/ – Web Processing & Finishing Technologies
[12] http://www.forumsleeve.pl/ – Forum rozwoju technologii shrink sleeve
[13] http://iweb.okstate.edu/default.aspx – International Conference on Web Handling
[14] http://www.pffc-online.com/ – Paper, Film & Foil Converter
[15] http://www.statsoft.pl/ – StatSoft Polska
