دانلود مقاله در مورد كنترل كيفيت محصولات با بهره‌گيري از شبكه ART غير دقيق 34 ص
دسته بندي :
مقاله »
مقالات فارسی مختلف
لینک دانلود و خرید پایین توضیحات
دسته بندی : وورد
نوع فایل : word (..doc) ( قابل ويرايش و آماده پرينت )
تعداد صفحه : 54 صفحه
قسمتی از متن word (..doc) :
كنترل كيفيت محصولات با بهره‌گيري از شبكه ART غير دقيق.
چكيده
بهمنظور توليد محصولات با كيفيت ثابت، مناسب است تا نظامهاي توليد براي جلوگيري از هرگونه انحراف غيرطبيعي در شرايط فرايند، نظارت شوند. چارتهاي كنترلي نقش مهمي در حل مشكلات كنترل كيفيت دارند؛ با وجود اين اثربخشي آنان به شدت به فرضيات آماري بستگي دارد كه در كاربردي واقعي صنعتي غالباً زير پا گذاشته ميشوند. برخلاف شبكههاي عصبي ميتوانند ميزان بسيار زيادي از دادههاي مخل را در زمان واقعي تشريح كنند، بدون آنكه نيازمند فرضيات توزيع آماريسنجهاي نظارت شده داشته باشند. اين ويژگي مهم شبكههاي عصبي را مبدل به ابزارهايي توانمند ميكند كه ميتوان براي بهبود تجزيه و تحليل دادهها در كاربردهاي كنترل كيفيت محصولات از آنها بهره گرفت. در اين مقاله، نظام شبكه عصبي كه برمبناي فاز آموزش غير نظارتي است، براي كنترل كيفيت معرفي ميشود. بهويژه نظريه تشديد قابل سازگاري ART بهمنظور تحقق نظام كنترل كيفيت فارغ از مدل مورد بحث قرار گرفته است كه ميتواند براي تشخيص تغييرات در فرايند توليد مورد بهرهبرداري قرار گيرد. هدف از اين تحقيق، تجزيه و تحليل عملكرد شبكه عصبي ART است با اين فرض كه الگوهاي غيرطبيعي در دسترس نيستند. براي رسيدن به اين هدف، الگوريتم ساده شده ART غير دقيق عصبي در ابتدا مورد بحث قرار گرفته و سپس مطالعات بهمنظور شبيهسازي گسترده مونتكارلو طرح شده است.
كليد واژهها: كنترل كيفيت محصولات: شبكه عصبي ART غير دقيق شبيهسازي مونتكارلو
مقدمه
كنترل فرايند آماري (SPC) . Statistical process Cortral
شيوهاي است برمبناي چند تكنيك كه هدف از آن نظارت بر سنجرهاي محصول فرايند توليد است. چارتهاي كنترل ابزارهاي هستند كه گستردهترين كاربرد را براي نشان دادن تنوع غيرطبيعي سنجرهاي مورد نظارت قرار گرفته و قرارگيري دلايل قابل انتقال آنها دارند. براي استفاده از چارت كنترل، نمونههايي از محصولات در طول فرايند توليد جمعآوري ميشوند و آمارهاي نمونه در چارت قرار ميگيرند. اگر فرايند در وضعيت طبيعي قرار داشته باشد، انتظار ميرود آمارهاي نمونه در محدودههاي خاص كنترلي در نمودار قرار بگيرند. از سوي ديگر اگر دليل خاصي از تنوع نمايان شود، آمارهاي نمونه اصلاً در خارج از محدودههاي كنترلي از پيش تعيين شده قرار ميگيرند. وقتي تنوع غيرطبيعي در چارت كنترلي شكل ميگيرد. دستاندركاران به دنبال علت حاصل ميگردند و اصطلاحات و تنظيمات ضروري را براي بازگرداندن فرايند به وضعيت طبيعي انجام ميدهند.
امروزه با بهرهبرداري وسيع از توليد خودكار و بازرسي در چند محيط توليدي، وظيفه SPC كه به لحاظ سنتي با متخصصان كيفيت عمل ميكرد. بايستي خودكار شود. شبكههاي عصبي ابزارهاي كارآمد و مورد اعتماد تجزيه و تحليل هستند و در دهه اخير، اين ابزارها در كنترل كيفيت بسيار مورد استفاده قرار گرفتهاند (Zorricassantine and Tannock, 1998).
آنچه موجب شهرت شبكههاي عصبي است توانايي آنها براي آموختن از تجربه و اداره كردن اطلاعات نامطمئن و پيچيده در محيطي رقابتي و نيازمند كيفيت است. شبكههاي عصبي به دليل ظرفيت آنها براي كار با سنجرهاي شلوغ بدون نياز به فرضيهاي در خصوص توزيع آماري دادههاي مورد نظارت قرار گرفته، بهويژه براي كنترل كيفيت محققان چندي به كاربرد شبكههاي عصبي براي كنترل كيفيت محصولات پرداختهاند. پاگ . Pugh
(1991) اولين بار كاربرد شبكه عصبي را براي كنترل كيفيت پيشنهاد داد. شبكه proception چندلايه ML.P به عنوان الگوريتم نظارتي قابل همانندسازي بهمنظور شناسايي ميانگين جابهجايي مورد استفاده قرار گرفته است. گواو و دولي . Guo and Deoley
(1992) و اسميت (1994) شبكه پرستپون چندلايه قابل همانندسازي (MLPBP) را براي شناسايي تغييرات مثبت، هم در ميانگين و هم در واريانس، به كار گرفتند. چنگ . Cheng
(1995) بعدها شبكه عصبي MLPBP را براي شناسايي تغييرات مثبت و منفي و روندهاي رو به بالا/ رو به پائين ميانگين فرايند بر پرورش دادهگاه و تنوك . Guh and Tanmork
(1999) شبكه عصبي MLP BP را براي شناخت الگوي غيرطبيعي متقاطع توسعه دادند. كوك و ال (2001)، در مورد توسعه شبكه عصبي MLP BP براي شناسايي تغييرات واريانس پارامترهاي فرايند به صورت ترتيبي داراي همبستگي بحث ميكند.
شبكه MLP BP به طرز موفقيتآميزي براي شناخت الگو مورد بهرهبرداري قرار گرفته است، اما كندي در پرورش آن هنوز عدم مطلوبيتهايي را براي بهكارگيري عملي آن ايجاد كرده است. در واقع همگرايي الگوريتم
BP نيازمند تعداد زيادي تكرار و همچنين تعداد مكفي از مشلهاي آموزشي است. بنابراين ساير شبكههاي عصبي از پيش تغذيه شده براي كنترل كيفيت در متون پيشنهاد شده است. براي مثال كوك و چيو (1998)، بهمنظور شناسايي تغييرات ميانگين در پارامترهاي فرايند و توليد داراي همبستگي خودكار، عملكرد شعاعي (RBF) را براي سيستم شبكه عصبي پيشنهاد كردند.
ويژگي مشترك اكثر شيوههاي عصبي پراكنده براي كنترل كيفيت، بهره‌گيري از الگوريتمهاي كارآموزي سرپرستي است. استفاده از اين تكنيكها برمبناي اين فرضيه است كه كاربر از پيش گروه الگوهاي غيرطبيعي را كه بايستي به وسيله شبكه عصبي پيدا شود ميشناسد. دانش اوليه نسبت به اشكال الگو براي توليد دادههاي آموزشي كه در برون دادههاي غيرطبيعي اصلي را تقليد ميكند، ضروري است. با وجود اين، در موارد صنعتي واقعي، محصولات فرايند غيرطبيعي را نميتوان به وسيله ظاهر الگوهاي قابل پيشبيني نشان داد. بنابراين مدلهاي رياضي درحال حاضر قابل دسترس نيستند يا نميتوانند فرموله شوند.
مقاله حاضر رويكرد متفاوتي را به شبكه عصبي براي فرايند نظارت پيشنهاد ميكند، در زماني كه هيچ اطلاعات قبلي در خصوص توزيع دادههاي غيرطبيعي در دسترس نيست، رويكرد پيشنهادي برمبناي شبكه عصبي نظريه تشديد قابل سازگاريي (ART) است كه قابليت آموختن سريع ماندگار و فزاينده را دارد.