دانلود ترجمه مقاله انتخاب خصیصه بر روند تولید با وارسی اعتبار – مجله الزویر

• فهرست مطالب:

چکیده
۱٫ مقدمه
۲٫ گزینش ویژگی و تنظیم پارامتر براساس وارسی اعتبار
۳٫ کاربرد
۳٫۱ جوشکاری فلزی ماوراءصوت
۳٫۲ استخراج ویژگی
۳٫۳ آزمایش ویژگی براساس نسبت تشخیص فیشر
۳٫۴ نتایج آموزش
۳٫۵ نتایج آزمایش
۴٫ نتیجه گیری

• بخشی از ترجمه:

نتیجه گیری
در این تحقیق، یک الگوریتم جدید گزینش به جلو و تنظیم حد کنترل براساس وارسی اعتبار برای نظارت بر فرآیندهای ساخت ابداع شد. با این الگوریتم، بهترین زیرمجموعه ویژگی و حدود SPC بطور خودکار و همزمان قابل تعیین است. کاربرد واقعی این الگوریتم در نظارت برخط جوشکاری فلزی ماوراءصوت سودمندی روش پیشنهادی را ثابت می‌کند.
الگوریتم پیشنهادی از چند جنبه مزیت دارد. اولاً، الگوریتم جدیددی برای گزینش به جلو و تنظیم حدود SPC براساس میزان خطاهای α و β از طریق وارسی اعتبار حاصل شده است. درنتیجه، ویژگی‌های بهینه انتخابی و حدود کنترل متناظرشان و نیز عملکرد نظارتی پیش بینی شده‌شان همگی نسبت به مجموعه داده‌های آموزش حساس‌اند. ثانیاً، این روش به فرض توزیع احتمال در ویژگی‌های منتخب نیاز ندارد، درنتیجه برای اندازه گیری‌های با توزیع غیرنرمال هم قابل استفاده است. ثالثاً، این الگوریتم را می‌توان به راحتی با نمودارهای کنترلی مانند نمودار کنترل هتلینگ T2 چندمتغیره ترکیب کرد.
افزون براین، باید به این موضوع اشاره کرد که ممکن است هرگاه تعداد ویژگی‌های منتخب یا حدود درصدی منتخب بسیار بزرگ‌اند، الگوریتم پیشنهادی با مشکل محاسباتی مواجه شود. چون گزینش ویژگی با محاسبه میزان خطاهای α و β برای هر ترکیب محتمل انجام می‌شود. درنتیجه، برای ارتقای کارایی الگوریتم به استراتژی جستجویی نیاز است که از حیث محاسباتی کارآمد باشد و اقدامات مداوم ما روی این موضوع تمرکز داشته‌اند.

• بخشی از مقاله انگلیسی:

۴٫ Conclusion

In this study, a new feature selection and control limit tuning algorithm is developed based on cross-validation for manufacturing processes monitoring. With this algorithm, the best feature subset and SPC limits can be automatically determined simultaneously. A real-world application to on-line monitoring of ultrasonicmetal welding demonstrates the effectiveness ofthe proposed method. The proposed algorithmis advantageous in the following several aspects. Firstly, a new algorithm is developed for feature selection and SPC limits tuning based on ˛ and ˇ error rates obtained via cross-validation. Therefore, the selected optimal features and their corresponding control limits as well as the predicted monitoring performance are all less sensitive to the training dataset. Secondly, this method does not require a probability distribution assumption on the candidate features, thus it is applicable to nonnormally distributed measurements. Finally, this algorithm can be easily incorporated with other control charts, such as multivariate Hotelling T2 control chart. In addition, it should be pointed outthatthe proposed algorithm may encounter the computational challenge when the number of candidate features or candidate percentile limits is too large, since the feature selection is done by calculating ˛ and ˇ error rates for every possible combination. Thus, a more computationally efficient search strategy is needed to improve the algorithm efficiency, and our ongoing efforts have been focused on this topic.

دانلود رایگان مقاله انگلیسی

خرید ترجمه فارسی مقاله