دانلود ترجمه مقاله کنترل کیفیت فرآیند ساخت با الگوریتم شبکه عصبی ART فازی (اسپرینگر 2003) (ترجمه ویژه – طلایی ⭐️⭐️⭐️)

کنترل کیفیت فرآیند ساخت با الگوریتم شبکه عصبی ART فازی

Manufacturing process quality control by means of a Fuzzy ART neural network algorithm

چکیده

1 مقدمه

2- طرح کلی الگوریتم عصبی

3 مرحله تمرین

4 مرحله آزمایش

5 نتایج آزمایش

6 ملاحظات جمع بندی

چکیده

شبکه های عصبی ابزارهایی هستند که از پتانسیل کاربری برای بهبود روند کنترل کیفبت برخوردار می باشند. در واقع، الگوریتم های عصبی مختلف به طور موفقیت آمیز برای تشخیص گروه هایی دارای الگوهای غیرطبیعی و دارای تعریف مشخص، استفاده شده اند. این مقاله، به جای استفاده از یک شبکه عصبی برای تشخیص یک شبکه محدود شده از الگوهای غیرطبیعی، در مورد استفاده از یک شبکه عصبی به عنوان تشخیص تغییرات در وضعیت یک روند تحت نظر صحبت می کند. به طور دقیق، یک الگوریتم کنترل که برپایه شبکه عصبی ART فازی بنا شده است، ابتدا ارائه شده و سپس در یک مورد ارجاعی به خصوص به منظور شبیه سازی مونته کارلو (Monte Carlo stimulation) مطالعه می شود. مقایسه ها میان کارایی های راه حل عصبی پیشنهاد شده، و راه حل مربوط به جدول کنترل CUSUM نیز در این مقاله گنجانده شده است. نتایج نشان می دهد که شبکه عصبی پیشنهاد شده یک راه حل جانبی عملی برای طرح های کنترل در دسترس است.

1 مقدمه

هدف اصلی کنترل کیفیت در روند تولید، حفظ یک سطح قابل قبول و متداوم برای برخی از مشخصات این روند است. به طور معمول میزان مشخصی از تغییرپذیری، اندازه گیری متغیرهای موردنظر را تحت تاثیر قرار می دهد. دو منبع تغییر پذیری می توانند خروجی یک روند را تحت تاثیر قرار دهند: به طور معمول به آنها دلایل قابل تعیین و غیرقابل تعیین گفته می شود{1}. تفاوت هایی که بر اثر دلایل غیر قابل تعیین به وجود آمده اند نتیجه تغییرات بی-شمار و بی تاثیری هستند که در یک روند امکان رخ دادن آننها وجود دارد. غالبا این نوع اختلاف، بدون یک تجدیدنظر عمیق و اساسی در کل روند تولید اجتناب ناپذیر است. زمانی که تنها دلایل غیرقابل تعیین تاثیرگذاری دارند، گفته می شود که روند در حالت طبیعی (یا تحت کنترل) می باشد. از سویی دیگر اختلافاتی که در اثر دلایل قابل تعیین رخ می دهند توسط عواملی بیرون از روند به وجود می آیند. روش های جدید و دستگاه های متفاوت، یا تغییرات در ابزارآلات اندازه گیری، مثال های رایج دلایل قابل تعیین هستند. در این موارد، گفته می شود که روند در حالت غیر طبیعی (یا خارج از کنترل) قرار دارد، و بهبود کیفیت تنها با تشخیص و حذف دلایل قابل تعیین امکان-پذیر است.

6 ملاحظات جمع بندی

در این مقاله کاربری فلسفه رزونانس تطبیقی به منظور کنترل کیفیت به طور خلاصه آنالیز شده است. چندین ویژگی شبکه عصبی بر اساس ART، آن را تبدیل به ابزاری کاربردی برای مقاصد کنترل کیفیت در مقابل نمونه های نظارتی می کند.از آنجا که شبکه های ART خود سازمانده هستند، تعداد تکرارهای مورد نیاز تمرینات برای تطبیق کارایی های شبکه عصبی نظارت شده کمتر است. به همین دلیل زمان آموزش در توسعه یک سیستم کنترل عصبی به شکل قابل توجهی کاهش می یابد. 

Abstract

Neural networks are potential tools that can be used to improve process quality control. In fact, various neural algorithms have been applied successfully for detecting groups of well-defined unnatural patterns in the output measurements of manufacturing processes. This paper discusses the use of a neural network as a means for recognising changes in the state of the monitored process, rather than for identifYing a restricted set of unnatural patterns on the output data. In particular, a control algorithm, which is based on the Fuzzy ART neural network, is first presented, and then studied in a speci fic reference case by means of Monte Carlo simulation. Comparisons between the performances of the proposed neural approach, and those of the CUSUM control chart, are also presented in the paper. The results indicate that the proposed neural network is a practical alternative to the existing control schemes.

1 Introduction

The main goal of quality control in manufacturing is to maintain a constant and acceptable level of some process characteristics. Usually, a certain amount of variability affects measurements of the quality parameters of interest. Two sources of variability may influence the outcomes of a proces~; commonly they are referred to as unassignable and assignable causes [1]. The variations due to unassignable causes are the result of numerous unremarkable changes that may occur in a process. Often, this kind of variation is inevitable without a profound revision of the whole production procedure. When only unassignable causes are in effect, a process is considered to be in a natural state (i.e. in control). On the other hand, the variations due to assignable causes are generated by factors that lie outside the process. New methods and different machines, or changes in the measurement instnunents, are common examples of assignable causes. In such cases, the process is said to be in an unnatural state (i.e. out of control), and quality improvement is possible by detection and removal of the assignable causes.

6 Concluding remarks

In this paper, the application of Adaptive Resonance Theory for quality control tasks has been briefly analysed. Several proprieties of ART-based neural network make it a practical tool for quality control applications over supervised ones. Since ART networks are selforganising, the number of training iterations needed to mach the performances of supervised neural networks is lower. Thus, training times in the development of a neural-based control system are significantly reduced.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

کنترل کیفیت فرآیند ساخت با الگوریتم شبکه عصبی ARTفازی

Manufacturing process quality control by means of a Fuzzy ART neural network algorithm