| دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
|
|
| عنوان فارسی مقاله: |
استخراج قوانین وابستگی برای بهبود کیفیت فرایند تولید |
| عنوان انگلیسی مقاله: |
Mining association rules for the quality improvement of the production process |
|
|
| مشخصات مقاله انگلیسی و ترجمه فارسی | |
| سال انتشار | 2013 |
| تعداد صفحات مقاله انگلیسی | 12 صفحه با فرمت pdf |
| تعداد صفحات ترجمه مقاله | 25 صفحه با فرمت word به صورت تایپ شده با قابلیت ویرایش |
| رشته های مرتبط با این مقاله | مهندسی صنایع |
| گرایش های مرتبط با این مقاله | بهینه سازی سیستم ها، مدیریت نوآوری و فناوری، برنامه‌ریزی و تحلیل سیستم‌ها، تکنولوژی صنعتی و داده کاوی |
| مجله | ژورنال سیستم های خبره با نرم افزار (Expert Systems with Applications) |
| دانشگاه | آزمایشگاه مهندسی تولید، دانشگاه تولوز، فرانسه |
| کلمات کلیدی | داده کاوی، استخراج قوانین وابستگی، کشف دانش، پیشرفت مداوم تولید، تمرین تولید محصول، تعمیر و نگهداری صنعتی |
| شناسه شاپا یا ISSN | ISSN 0957-4174 |
| رفرنس | دارد |
| لینک مقاله در سایت مرجع | لینک این مقاله در نشریه Elsevier |
| نشریه | Elsevier |
- بخشی از ترجمه:
چکیده
افراد تحصیل کرده و شاغل معمولاً علاقه دارند توسعه‌ی روش‌ها و برنامه‌های کامپیوتری را که با کارهای مهندسی و دانش سر و کار دارند دنبال کنند. مدیریت اشتباه عملیات و زمان‌های تولید از دست رفته، مشکلات و مسائل بزرگی هستند که بهره‌وری و کیفیت سیستم‌های صنعتی و هزینه‌ی تولید را تحت تأثیر قرار می‌دهد. استخراج قوانین وابستگی، یک تکنیک داده‌کاوی است که برای پیدا کردن اطلاعات مفید و ارزشمند از پایگاه‌های داده بزرگ استفاده می‌شود. این مقاله، پایه‌ی مفهومی بهتری را برای توسعه‌ی برنامه‌های استخراج قوانین وابستگی ارائه می‌دهد تا دانش را از عملیات و مدیریت اطلاعات به راحتی استخراج کند. تأکید این مقاله روی بهبود فرایندهای عملیاتی است. یک مثال کاربردی، تجربه‌ی صنعتی که استخراج قوانین وابستگی در آن برای تحلیل فرایند تولید استفاده می‌شود را شرح می‌دهد. این مقاله برخی نتایج جدید و جالب در رابطه با تکنیک‌های داده کاوی و کشف دانش که روی فرایند تولید نقش دارد را گزارش می‌دهد. نتایج تجربی روی داده‌هایی که در زندگی واقعی نقش دارند نشان می‌دهد که روش پیشنهادی برای یافتن دانش مرتبط با عملیات نادرست مفید واقع می‌شود.
مقدمه:
کاربردهای مهندسی هوش مصنوعی نظرات محققین و شاغلین حوزه‌ی صنعت را به دلیل توانایی آن در یادگیری و درک اصول و حقایق به منظور کسب دانش و به کارگیری آن در عمل به خود جلب کرده است. پیشرفت‌های مداوم، اشاره به پیشرفت‌های رو به جلو و غیر منتظره در زمینه‌ی عملکرد سازمانی دارد (Linderman, Schroeder, Zaheer, Liedtke, & Choo, ٢٠٠۴). پیشرفت در مسائلی مانند افزایش ارزش مشتری، کاهش خطاها و عیوب، بهره‌وری بهبود یافته، امنیت عملکرد چرخه‌ی زمانی و انگیزش Evans & Lindsay, ٢٠٠١)). این مورد معمولاً در روش حل تدریجی مسئله رخ می‌دهد که شامل مراحل ضمنی سازی مسئله، تحلیل مسئله، تعمیم راه‌حل و یادگیری دروس است (Kamsu-Foguem, Coudert, Geneste, & Beler, ٢٠٠٨). روش حل مسئله، روی توصیف فرایند شناختی در کارهای عقلانی و ملاحظات شناختی که با سرمایه‌گذاری دانش روی ساختارهای خاص و قدرت بخشی به تعمیم سر و کار دارد تمرکز می‌کند (Patel, Arocha, &Kaufman, ٢٠٠١). روش‌های حل مسئله نقش مهمی را در اکتساب دانش و مهندسی بازی می‌کند زیرا سطح دانش انتزاعی برای نیل به اهداف با
اعمال دانش توسط فرایند تدریجی جستجوی مسیر راه‌حل بسیار ارزشمند است. از این روش‌ها می‌توان برای توصیف فرایند استدلال به صورت ساختاری برای هدایت روند کسب دانش و راحت کردن تقسیم دانش و استفاده‌ی مجدد بهره جست (Benjamins & Fensel, ١٩٩٨).
- بخشی از مقاله انگلیسی:
abstract
Academics and practitioners have a common interest in the continuing development of methods and computer applications that support or perform knowledge-intensive engineering tasks. Operations management dysfunctions and lost production time are problems of enormous magnitude that impact the performance and quality of industrial systems as well as their cost of production. Association rule mining is a data mining technique used to find out useful and invaluable information from huge databases. This work develops a better conceptual base for improving the application of association rule mining methods to extract knowledge on operations and information management. The emphasis of the paper is on the improvement of the operations processes. The application example details an industrial experiment in which association rule mining is used to analyze the manufacturing process of a fully integrated provider of drilling products. The study reports some new interesting results with data mining and knowledge discovery techniques applied to a drill production process. Experiment’s results on real-life data sets show that the proposed approach is useful in finding effective knowledge associated to dysfunctions causes. 2012 Elsevier Ltd. All rights reserved.
Introduction
Engineering applications of artificial intelligence have attracted substantial consideration from industrial practitioners and researchers because of its ability to learn and comprehend facts and principles in order to acquire knowledge and apply it in practice. Continuous improvement refers to both incremental and breakthrough improvement in organizational performance (Linderman, Schroeder, Zaheer, Liedtke, & Choo, 2004). Improvement can result in such things as improved customer value, reduction of defects and errors, improved productivity, improved cycle time performance safety, and motivation (Evans & Lindsay, 2001). This often occurs through the adherence to a stepwise problem solving approach consisting of number of steps for problem contextualization, problem analysis, solution generation, and lessons learned (Kamsu-Foguem, Coudert, Geneste, & Beler, 2008). The problem-solving approach focuses on a characterization of cognitive processes in reasoning tasks and cognitive considerations deal with knowledge capitalization on certain structural and processing regularities that give strength to generalizations (Patel, Arocha, & Kaufman, 2001).
| دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
|
|
| عنوان فارسی مقاله: |
استخراج قواعد وابستگی جهت ارتقای کیفی روند تولید |
| عنوان انگلیسی مقاله: |
Mining association rules for the quality improvement of the production process |
|
|