





توضیحات:
كنترل كيفيت محصولات با بهرهگيري از شبكه ART غير دقيق.
34صفحه قالب ورد قابل ویرایش
بخشی ازمتن:
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 (SPCشيوهاي 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(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 (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 (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 (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.
فهرست برخی ازمطالب:
كنترل كيفيت محصولات با بهرهگيري از شبكه art غير دقيق 34 ص_1583578420_38647_7162_1818.zip0.09 MB |