| عنوان فارسی مقاله: | شبکه های عصبی مصنوعی در کنترل فرایند متغیر: کاربرد در تولید و ساخت پارتیکل برد |
| عنوان انگلیسی مقاله: | Artificial neural networks in variable process control: application in particleboard manufacture |
| دانلود مقاله انگلیسی: | برای دانلود رایگان مقاله انگلیسی با فرمت pdf اینجا کلیک نمائید |
| سال انتشار | 2009 |
| تعداد صفحات مقاله انگلیسی | 9 صفحه |
| تعداد صفحات ترجمه مقاله | 18 صفحه |
| مجله | سیستم تحقیقات کشاورزی و جنگلداری |
| دانشگاه | مادرید کشور اسپانیا |
| کلمات کلیدی | شبکه های عصبی مصنوعی، کنترل فرایند آماری، قدرت پیوند درونی، پنل هایی با پایه چوبی |
| نشریه INIA | INIA |
فهرست مطالب:
چکیده
مقدمه
۲ مواد و روش ها
۲ ۱ مواد
۲ ۲ شبکه های عصبی مصنوعی
۲ ۳ کنترل کیفیت آماری
۳ نتایج و بحث ها
۳ ۱ شبکه های عصبی مصنوعی
۳ ۲ کنترل فرایند آماری
نتایج
بخشی از ترجمه:
چکیده
شبکه های عصبی مصنوعی یک ابزار کارامد برای مدل سازی فرایندهای کنترلی تولید با استفاده از داده های مربوط به تولید واقعی و داده های شبیه سازی شده و یا طراحی شده ی آزمایشات می باشند. در کار انجام شده در این مقاله، دو تا از شبکه های عصبی مصنوعی و نمودارهای مربوط به فرایند کنترل با هم ترکیب شده اند و بررسی شده است که آیا داده های بدست آمده با استفاده از شبکه ها برای کنترل فرایند متغیر در تولید و ساخت پارتیکل برد معتبر می باشند یا نه.
شبکه ها این امکان را ایجاد می کنند که انحراف متوسط و استاندارد مربوط به قدرت پیوند درونی پارتیکل-بردها را با استفاده از داده های معلوم و مشخص مربوط به ضخامت، دانسیته، محتوی رطوبت، برآمدگی و جذب با تولورانس قابل قبول (منظور از تولورانس قابل قبول یعنی تا این میزان اگر خطایی ایجاد شود قابل چشم پوشی و صرف نظر کردن است) بدست آورد. این شبکه ها معیار و ملاک های قابل قبول برای مقادیر تست شده با استفاده از متدها و روش های تست غیراستاندارد و همچنین معیارهای لازم برای استفاده از آن ها در کنترل فرایند آماری را دارا می باشند.
مقدمه
کاربرد متدها و روش های آماری در کنترل کیفیت تولید در اوایل سال های 1920 شروع شد. شرکت تلفن بل اولین شرکتی بود که از نمودارهای کنترل آماری استفاده کرد و نمونه گیری آماری قابل قبولی را توسعه و گسترش داد. اگرچه ارزش و اهمیت این تکنیک ها و روش ها واقعا تا زمان جنگ جهانی دوم در نظر گرفته نشده بود. نیاز برای بهتر کردن و کنترل کردن کیفیت محصولات تولید شده باعث شد تا چندین شرکت شروع به استفاده از تکنیک ها و روش های کنترل تولید بکنند. بعد از تاسیس انجمن آمریکایی کیفیت ، این انجمن تشویق به استفاده از تکنیک ها و روش های بهبود کیفیت برای هر دو بخش تولید و خدمات رسانی می کرد. علی رغم این همه تشویق ها، این تکنیک ها و روش ها تا سال 1960 در ژاپن و تا سال 1970 در اروپا و آمریکا در هیچ شرکتی به کار گرفته نشد. اولین شرکت ها در زمینه ی استفاده از این تکنیک ها و روش ها صنایع ساخت مواد شیمیایی بودند، به طوری که کاربرد تکنیک های آماری در کنترل کیفیت باعث شد که مشکلات فرایندی از بین برود و محصولات جدید سودمندتر و کارامدتر توسعه و گسترش پیدا کنند. پس از سال 1980 در بسیاری از شرکت ها در زمینه ی تکنیک ها و روش های آماری کنترل کیفیت تحولات و گسترش های اساسی ایجاد شد که باعث افزایش قابل ملاحظه و چشم گیر رقابت ها در بین شرکت هایی شد که از تکنیک ها و روش های آماری استفاده می کردند (مونت گومری در سال 2004 ).
یکی از مهم ترین ابزارها در کنترل فرایند آماری، نمودار کنترل می باشد که این نمودار به نام نمودار کنترلی شی وارت هم شناخته شده است. این نمودار شامل یک خط مرکزی به علاوه دو خط دیگر که به صورت موازی با خط مرکزی رسم شده اند، می باشد. خط مرکزی مکانی را نشان می دهد که اندازه ی مشخصه در حالت ایده ال در آن مکان قرار دارد و خطوط موازی محدوده های کنترل این اندازه ی مشخصه را نشان می دهند (شکل 1). این محدوده های کنترل با استفاده از مبحث آماری تعیین شده اند. در زمانی که فرایند تولید به درستی کار می کند، استفاده از خطوط کنترلی که 99.7% از داده های تولید را دسته بندی می کند خیلی مرسوم و رایج است (مونت گومری در سال 2004).
بخشی از مقاله انگلیسی:
Abstract
Artificial neural networks are an efficient tool for modelling production control processes using data from the actual production as well as simulated or design of experiments data. In this study two artificial neural networks were combined with the control process charts and it was checked whether the data obtained by the networks were valid for variable process control in particleboard manufacture. The networks made it possible to obtain the mean and standard deviation of the internal bond strength of the particleboard within acceptable margins using known data of thickness, density, moisture content, swelling and absorption. The networks obtained met the acceptance criteria for test values from non-standard test methods, as well as the criteria for using these values in statistical process control.
1. Introduction
The application of statistical methods to production quality control began in the early 1920s. The Bell Telephone Company was the first to apply statistical control charts and develop statistical acceptance sampling. However, it was not until the Second World War that the importance of these techniques was really taken into account. The need to improve and control the quality of manufactured products led several companies to adopt production control techniques. 1946 saw the creation of the American Society for Quality, which encouraged the use of quality improvement techniques for both products and services. However, these techniques were not applied in companies until the 1960s in Japan and the 1970s in Europe and America. The first companies to apply them were from the chemical manufacturing industry, in which the application of statistical techniques to quality control enabled processing problems to be eliminated and new products to be developed more efficiently. Since the 1980s there have been major developments in statistical quality control techniques in numerous companies, resulting in a considerable increase in competitiveness for the companies in which they were applied (Montgomery, 2004).
One of the main tools used in statistical process control (SPC) is the control chart, also known as the Shewhart control chart, which consists of a centre line and two lines drawn parallel to it. The centre line represents the place where the characteristic measured should ideally be located and the parallel lines represent the control limits of the characteristic (Fig. 1). The control limits are determined by statistical considerations. The use of control lines which group 99.7% of production data is very common when the production process is working correctly (Montgomery, 2004).
| عنوان فارسی مقاله: | شبکه های عصبی مصنوعی در کنترل فرایند متغیر: کاربرد در تولید و ساخت پارتیکل ¬برد |
| عنوان انگلیسی مقاله: | Artificial neural networks in variable process control: application in particleboard manufacture |
خرید ترجمه فارسی مقاله با فرمت ورد