لینک پرداخت و دانلود *پایین مطلب*
فرمت فایل:Word (قابل ویرایش و آماده پرینت)
تعداد صفحه22
شبکه های عصبی مصنوعی
مدل بندی شبکه عصبی برای تشخیص اختلال
تشخیص پروسه پریشانی و اختلال با استفاده از SPCوEPC و شبکه های عصبی :
موسسه مدیریت و خودکارسازی تجارت، دانشگاه تکنولوژی ( فنی) ، تایوان R.O.C
دپارتمان آمار و علوم اطلاعات، دانشگاه فراگیر فو – جن تایپه، تایوان
دپارتمان اجرایی بیزینس
مؤسسه آمار کاربردی
از آنجائی که استفاده صرف از کنترل پروسه آماری (SPC) و کنترل پروسه مهندسی ( کارشناسی EPC) بطور بهینه نمی تواند، پروسه های تولیدی را کنترل و بررسی کند، تحقیقات زیادی برای استفاده تکمیلی از SPC و EPC صورت گرفته است. اکثریت این مطالعات گزارش داده اند که روش تکمیلی عملکرد بهتری را نسبت به استفاده صرف از SPC یا EPC دارد. تقریبا تمام این تحقیقات فرض کرده اند که عامل قابل تشخیص پروسه اختلال می تواند توسط تکنیک های SPC مشخص و از بین بروند. با این حال، این تکنیک ها معمولا وقت گیر هستند و از این رو، اجرای عملی جستجو را سخت می کنند. در این مقاله EPC و طرح شبکه عصبی در تشخیص عامل قابل تعیین اختلال اساسی، کامل شدند. برای یافتن ست آپ( آغاز) مناسب از پارامترهای شبکه ها، نظیر شماره گرهای مخفی و متغیر های ورودی مناسب، روش انتخاب all possible regression ( پس رفت) بکار گرفته شد. برای مقایسه دو جدول spc ، جداول شیوارت و مجموع فزاینده ( کوسوم) همچنین برای همان مجموعه اطلاعات و داده ها توسعه یافتند. همانگونه که نتایج آشکار می کنند، روش های پیشنهادی بهتر از روش های دیگر عمل کرده و تغییر اختلال یا پریشانی می تواند بطور موفق مشخص شود.
کلمات کلیدی: کنترل پروسه آماری، کنترل پروسه مهندسی، کنترل حداقل، توسط مربع مورد اشتباه، شبکه های عصبی، تشخیص پروسه اختلال .
مقدمه:
کاملا شناخته شده است که هر دوی کنترل پروسه آماری ( SPC) و کنترل پروسه مهندسی ( EPC) در توضیح و تنظیم پروسه های تولیدی برای چندین سال، موثر هستند. با این حال تکنیک های SPC در ابتدا برای کنترل پروسه استفاده می شدند و از این رو ممکن است که فقط زمان اختلال را بدون ثبات آن گزارش دهند. از طرف دیگر EPC بطور عمده برای تنظیم و هماهنگ سازی پروسه در زمان ورود به یک مرحله خارج از کنترل استفاده می شد. و بعضی اوقات تشخیص اشتباه ماهیت پروسه اختلال، تنظیمات نامناسب انجام می دهند. از آنجایی که استفاده صرف از EPC, SPC نمی تواند به طور بهینه پروسه های تولیدی ونیاز به توسعه و بهبود پروسه های اساسی را کنترل کند، مطالعات بی شماری وقف استفاده تکمیلی SPC, EPC شده است. اکثر این مطالعات گزارش نموده اند که روش تکمیلی عملکرد بهتری نسبت به استفاده تنها از SPC یا EPC دارد. بطور اساسی این حقیقات بر سه مرحله بررسی مؤثر اختلال است. در حالیکه مرحله دوم مرکزیت دادن بر تشخیص و برکناری علل قابل تعیین اختلال و مرحله آخر کنترل پروسه با مجزا کردن و محو کردن علل قابل تشخیص می باشد. در میان این تحقیقات که بر تشخیص پروسه اختلال تمرکز می کنند، تقریبا همگی فرض کرده اند که علت قابل تعیین پروسه اختلال می تواند از طریق تکنیک های SPC تشخیص و برکنار شود. با این حال، این روش ها یا وقت گیر می باشند و یا اجرای عملی آنها مشکل است و از این رو جستجوی علت ریشه ای اختلال را کاری حجم و چالش بر انگیز می کنند.
در پرتو بحث بالا، این تحقیق بر شناسایی ماهیت پروسه اختلال، با کمک شبکه های عصبی مصنوعی ( ANNS) تکیه می کند. بر مبنای تنظیم طرح EPC و ( ANNS) کمک به تشخیص ماهیت علل قابل تعیین اختلالات زیر بنایی و اصل را پیشنهاد می کند. و روش انتخاب ( تمام پس رفت های احتمالی) برای برطرف سازی معضل یافتن ناقل های ورودی مناسب شبکه ها، استفاده می شود. این تکنیک، ناقل های ورودی متنوع را باتمام مدل های بازیافت ( پس رفت) و گسل به انتخاب نمائی ناقل های ورودی، امتحان می کند. به منظور ارزیابی اثرات در تشخیص ماهیت علل قابل تعیین، با استفاده از مدل های عصبی مطرح شده، یکی از رایج ترین اختلالات که بحث شده، اختلال تغییر مرحله ای، برای آزمایش عملکرد آن از طریق یک سری تشابه سازی ها، استفاده خواهد شد. برای مقایسه شبکه عصبی RBF ( عملکرد پایه ای) توسط کوک و چیو ساخته شد و تا از جداول SPC که به طور رایج استفاده می شد. یعنی شیوارت و جداول مجموع فرایند ( cusum ) برای همان مجموعه داده های شبیه سازی شده، همین توسعه یافتند. قابلیت های تشخیص بهینه از مدل شبکه عصبی طرح شده، می تواند از طریق درستی دقت
تحقیق در مورد تشخیص پروسه پریشانی و اختلال با استفاده از SPCوEPC و شبکه های عصبی
