دانلود رایگان ترجمه مقاله طراحی سیستم چندعاملی هوشمند برای نظارت بر کیفیت فرآیند تولید سیمان (نشریه الزویر 2013)

این مقاله انگلیسی ISI در نشریه الزویر در 9 صفحه در سال 2013 منتشر شده و ترجمه آن 19 صفحه میباشد. کیفیت ترجمه این مقاله ارزان – نقره ای ⭐️⭐️ بوده و به صورت کامل ترجمه شده است.

 

دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
عنوان فارسی مقاله:

IMAQCS: طراحی و پیاده سازی سیستم چندعاملی هوشمند برای کنترل و نظارت بر کیفیت فرآیند تولید سیمان

عنوان انگلیسی مقاله:

IMAQCS: Design and implementation of an intelligent multi-agent system for monitoring and controlling quality of cement production processes

 
 
 
 
 

 

مشخصات مقاله انگلیسی (PDF)
سال انتشار 2013
تعداد صفحات مقاله انگلیسی 9 صفحه با فرمت pdf
رشته های مرتبط با این مقاله مهندسی صنایع، کامپیوتر
گرایش های مرتبط با این مقاله هوش مصنوعی، برنامه ریزی و تحلیل سیستم ها، بهینه سازی سیستم ها 
چاپ شده در مجله (ژورنال) کامپیوترها در صنعت – Computers in Industry
کلمات کلیدی سیستم چند عاملی، نظارت و کنترل هوشمند، فرآیند سیمان
ارائه شده از دانشگاه دانشگاه علم و صنعت مازندران، بابل، ایران
رفرنس دارد  
کد محصول F1515
نشریه الزویر – Elsevier

 

مشخصات و وضعیت ترجمه فارسی این مقاله (Word)
وضعیت ترجمه انجام شده و آماده دانلود
تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش  19 صفحه (1 صفحه رفرنس انگلیسی) با فونت 14 B Nazanin
ترجمه عناوین تصاویر و جداول ترجمه شده است ✓ 
ترجمه متون داخل تصاویر ترجمه نشده است  
ترجمه متون داخل جداول ترجمه نشده است 
درج تصاویر در فایل ترجمه درج شده است  
درج جداول در فایل ترجمه درج شده است 
منابع داخل متن درج نشده است 
کیفیت ترجمه کیفیت ترجمه این مقاله متوسط میباشد 

 

فهرست مطالب
چکیده
1- مقدمه
2- بیان مسئله
2-1 عوامل IMAQCS
3-روش
3-2طبق فرایند تولید سیمان، 
3-3 تحلیل و طراحی IMAQCS
3-4 ارتباط عاملی
3-5 پیاده سازی عامل
4- آزمایش و تایید IMAQCS
5- نتیجه گیری
 

 

بخشی از ترجمه
 چکیده
در کارخانه سیمان، از آنجاییکه تمام فرایندها شیمیایی و برگشت ناپذیرند، نظارت و کنترل عامل مهمی است. اگر فرایند در هر مرحله ای کنترل نشود، محصول نهایی آسیب دیده یا از بین می رود. بنابراین، در چنین محیط هایی، بررسی کیفیت محصول در هر حالت، ضروری است. همچنین، برای کنترل فرایند، ارتباط میان بخشهای مختلف خط تولید ضروری است. زمان هدر رفته در خط تولید، تاثیر مستقیمی بر زمان اصلاح فرایند و عملکرد تولید سیمان دارد. در این قسمت، مدلی از سیستم جدید کنترل کیفیت چندعاملی هوشمند IMAQCS برای کنترل کیفیت فرایندهای تولید سیمان پیشنهاد شده است. این مدل، با استفاده از تکنیک هوشمند قانون محور و مصنوعی، بر رابطه بین بخشهای خط تولید سیمان، جهت نظارت بر عوامل کیفیت چندخصیصه تاکید دارد. با وجود عوامل کنترل کیفیت فرآوری سیمان، تحلیل فوری و تصمیم گیری در شرایط خطا، ارائه خواهد شد. جهت تعیین اعتبار مدل پیشنهادی، IMAQCS در کارخانه های حقیقی مجتمع صنایع سیمان ایران مستقر شده است. توانایی سیستم در محیط فرایند تولید ارزیابی شده است. اثربخشی و بازده سیستم، ازطریق کاهش زمان اصلاح فرایند و افزایش عملکرد تولید سیمان نمایش داده می شوند. در نهایت، این سیستم می تواند بر منابع کارخانه و صرفه جویی در هزینه، تاثیر قابل توجهی داشته باشد. 
 
1- مقدمه
اهمیت کنترل فرایند در محصولات کیفی، واضح و شفاف است. اغلب فرایندهای تولید همچون فرایند صنعتی و شمیایی، دارای سیستم های کنترل خودکار دارند. اکثریت سیستم های کنترل کیفیت خودکار برای آشکارسازی شرایط خارج از کنترل استفاده می شوند. همچنین، این سیستم ها بر خروجی فرایدن و اقدامات کنترل تاکید دارند. Tsung برای اشکارسازی تغییرات فرایند، عملکرد خروجی فرایند و اقدامات کنترل را ارائه کرد. Wu در [2]، با کمک شبکه عصبی احتمالی PNN، روشی برای شناسایی الگوی نمودار کنترل در تولید سلولی پیشنهاد کرد. Yu و همکارانش، از قانون مبتنی بر الگوریتم ژنتیکی برای شناسایی رابطه بین پارامترهای تولید و کیفیت محصول استفاده کردند. آنها به ادعغام شبکه عصب مصنوعی دانش محور و استخراج قانون الگوریتم ژنتیکی جهت بهبود کیفیت محصول در خط جلا پرداختند. بعلاوه، سیستم های هوشمند نظارت، کنترل و تشخیص فرایندهای صنعتی براساس سه رویکرد اصلی هستند: رویکرد دانش محور، تحلیل و داده محور.
در میان چندین سیستم کنترل فرایند و آشکارسازی خطا، کنترل کیفیت متفاوت است. کنترل فرایند به خاطر ماهیت برگشت ناپذیرشان، در فرایند شیمیایی متفاوت است. اگر فرایند خارج از کنترل باشد، محصول کاملا از بین می رود. بسیاری از روشهای فنی خودکارسازی کنترل کیفیت سیمان، در سالهای اخیر پیشنهاد شده است. بسیاری از این روشها، درباره تحلیل اشعه ایکس در بخشهای مختلف خط تولید سیمان هستند. آنها بر کنترل شیمی سیمان تمرکز داشته اند. در فرایند سیمان، سیستم یکپارچه برای کنترل کیفیت فرایند، توجه کمی به خود جلب کرده است. همراه با ماهیت فرایند سیمان، نظارت و تعامل میان بخشهای مختلف نیز مهم می باشند. سیستم کنترل کیفیت که فرایند را نظارت می کند، ورودی و خروجی بخشهای مختلف را کنترل کرده و شرایط خطا در مجموعه صنعتی را نیز اشکار می سازد.
دراین مقاله، سیستم کنترل کیفیت فرایند خودکاری را برای پردازش سیمان ارائه کردیم که براساس سیستم چندعاملی طراحی شده است. در مدل پیشنهادی، ما سعی داریم تا بر ارتباط بین ایستگاه نمونه گیری، آزمایشگاه و بخشهای مختلف فرایند تولید سیمان تمرکز کنیم. همچنین، کنترل کیفیت آماری را به روش ارتباطی جدید جهت تولید سیمان انتقال می دهیم. تکنولوژی MAS را یافتیم که با تعامل پیچیده میان بخشها مقابله می کند. بعلاوه، به مقایسه سیستم دستی با سیستم خود می پردازیم. با این روش، ما قادر به کاهش زمان اصلاح فرایند بودیم. این کاهش در زمان اصلاح فرایند، به کاهش مواد خام اتلافی منجر شده و تاثیر مالی بر کارخانه دارد.
بخشهای دیگر این مقاله، به شکل زیر است: بخش 2، مروری دارد بر دامنه مسئله. مدل پیشنهادی ما در بخش 3 ارائه می شود. در این بخش، عوامل سیستم، تعاملات و روش هماهنگی آنها، مدل تحلیل و طراحی و تکنیک پیاده سازی ارائه می شوند. در بخش 4، سیستم پیشنهادی تست شده و ارزیابی می شود در نهایت، نتایج و آثار آینده در بخش 5 ارائه می شوند.

 

بخشی از مقاله انگلیسی

Abstract

In cement plant, since all processes are chemical and irreversible, monitoring and control is a critical factor. If the process is not controlled at any stage, the final product can be damaged or lost. Thus, in such environments, considering the quality of the product at each state is essential. Also, to control the process, communication among different parts of production line is essential. The wasted time in production line has a direct effect on process correction time and cement production performance. Here, a model of a new intelligent multi-agent quality control system (IMAQCS) for controlling the quality of cement production processes is suggested. This model, using of rule-based artificial intelligence technique, concentrates on relationship between departments in cement production line to monitor multi-attribute quality factors. With the presence of agents for controlling the quality of cement processes, real-time analyzing and decision making in a fault condition will be provided. In order to validate the proposed model, IMAQCS is deployed in real plants of a cement industries complex in Iran. The ability of the system in the process production environment is assessed. The effectiveness and efficiency of the system are demonstrated by reducing the process correction time and increasing the cement production performance. Finally, this system can effectively impact on factory resources and cost saving.

1 Introduction

The importance of process control in quality products is clear. Most manufacturing process such as chemical and industries process have automated process control systems. The majority of automated quality control systems are used to detect out-ofcontrol conditions [1]. Also they focused on the process output and control actions. Tsung to detect changes in a process, provided functions of the process output and control actions [1]. Wu in [2] with the help of probabilistic neural network (PNN) proposed a method for pattern recognition of control chart in cellular manufacturing. Yu et al. used a genetic algorithm based rule extraction approach to recognize the relationship between manufacturing parameters and product quality. They integrated a knowledge-based artificial neural network and a genetic algorithm rule extraction to improve the product quality in a japanning-line [3]. Moreover, intelligent systems for monitoring, control, and diagnosis of industries process are based on three main approaches: knowledge-base, analytical and data-driven as mentioned in [4]. Uraikul et al. provided an overview on intelligent systems for control and diagnosis of process [4].

Among several systems for process control and fault detection have been proposed, depending on the type of process, the quality control is different. The process control is more difficult in chemical process because of their irreversible nature. The product is completely wasted, if the process is out of control. Many technological methods in cement process quality control automation have been proposed in recent years. Most of these methods are about X-ray analysis at the different departments of cement production line. They focused on the control of the chemistry of cement production [5–7]. Apart from chemistry of the cement, Tsamatsoulis provided a reliable model of the dynamics among the chemical modules in the outlet of raw meal grinding systems in [8]. Also, he has developed a dynamical model of cement milling process in [9]. In these two works, each department is assessed separately. The whole plant has not been considered. In cement process, an integrated system for controlling the quality of process has received less attention. Along with the nature of the cement process, monitoring and interaction among departments are important too. A quality control system that monitors the process, controls the input and output of different departments, and detects fault conditions in cement industries complex is an issue.

The control of plants that are spatially distributed has been considered recently. Chan presented a system that monitors operations at the plant based on the input data. Then it detected abnormalities in the data and suggested some actions to the operator. It was an expert decision support system for monitoring, control and diagnosis of a petroleum production and separation plant [10]. Mahdavi et al. suggested a real-time quality control information system that improves control of the quality of products through an integrated monitoring of distributed shops [11]. Van Brussel et al. presented the architecture consists of three types of basic holons: order holons, product holons, and resource holons to reduce the complexity of the system and enable easy reconfiguration [12]. However, multi-agent systems (MASs) can be used to control the plant, and especially the control of process in distributed manufacturing. Seilonen et al. utilized MAS to design a process automation system. They applied agents to run supervisory control and make decisions [13]. A large number of researches on distributed manufacturing and MAS in industries focus on scheduling and planning tasks among different machines for optimizing their throughput [14–18]. Some other works on MAS are done in the area of supply chain management (SCM) systems [19]. A review of all related work to agent-based systems in manufacturing is provided in [20]. In addition, some other researchers have proposed different models of MAS and deployed them in manufacturing [18,21–24]. Finally, Behdani et al. in [25] proposed an agent-based system for modeling a complex network of a chemical manufacturing enterprise which can capture the interactions among the various constituents including the plants, functional departments, and external entities. Among the researches that have been referred to, the use of MAS to cope with the control of chemical process quality among different parts of plants has been less noticed.

In this paper, we proposed an automated process quality control system for cement process that is designed based on multiagent system. In our proposed model, we try to concentrate on the communication between sampling station, laboratory and different departments of the cement production process which are not extensively described in previous researches. Also, we transform statistical quality control into a new communication method for cement production. We found MAS technology to cope with sophisticated interaction among departments. Besides, we compare a manual system with our system in a part of cement plant to evaluate the model. With this method, we were able to reduce the time of correcting the process. This reduction in process correction time is lead to reduce wasted raw materials and has the financial impact for the factory.

The other parts of this paper are organized as follows: Section 2 gives an overview of problem domain. Our proposed model is presented in Section 3. In this section, agents in the system, their interaction and coordination approach, analysis and design method and implementation technique are explained. Next, in Section 4 the proposed system has been tested and evaluated. Finally, conclusions and future work are provided in Section 5.

 

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

دکمه بازگشت به بالا