دانلود مقاله در مورد كنترل كيفيت محصولات با بهره‌گيري از شبكه ART غير دقيق 34 ص

لینک دانلود و خرید پایین توضیحات
دسته بندی : وورد
نوع فایل :  word (..doc) ( قابل ويرايش و آماده پرينت )
تعداد صفحه : 54 صفحه

 قسمتی از متن word (..doc) : 
 

‏كنترل كيفيت محصولات با بهره‏‌‏گيري از شبكه ART‏ غير دقيق.
‏چكيده
‏به‏‌‏منظور توليد محصولات با كيفيت ثابت، مناسب است تا نظام‏‌‏هاي توليد براي جلوگيري از هرگونه انحراف غيرطبيعي در شرايط فرايند، نظارت شوند. چارت‏‌‏هاي كنترلي نقش مهمي در حل مشكلات كنترل كيفيت دارند‏؛ با وجود اين اثربخشي آنان به شدت به فرضيات آماري بستگي دارد كه در كاربردي واقعي صنعتي غالباً زير پا گذاشته مي‏‌‏شوند. برخلاف شبكه‏‌‏هاي عصبي مي‏‌‏توانند ميزان بسيار زيادي از داده‏‌‏هاي مخل را در زمان واقعي تشريح كنند، بدون آنكه نيازمند فرضيات توزيع آماري‏‌‏سنجهاي نظارت شده داشته باشند. اين ويژگي مهم شبكه‏‌‏هاي عصبي را مبدل به ابزارهايي توانمند مي‏‌‏كند كه مي‏‌‏توان براي بهبود تجزيه و تحليل داده‏‌‏ها در كاربردهاي كنترل كيفيت محصولات از آنها بهره گرفت. در اين مقاله، نظام شبكه عصبي كه برمبناي فاز آموزش غير نظارتي است، براي كنترل كيفيت معرفي مي‏‌‏شود. به‏‌‏ويژه نظريه تشديد قابل سازگاري ART‏ به‏‌‏منظور تحقق نظام كنترل كيفيت فارغ از مدل مورد بحث قرار گرفته است كه مي‏‌‏تواند براي تشخيص تغييرات در فرايند توليد مورد بهره‏‌‏برداري قرار گيرد. هدف از اين تحقيق، ت‏جزيه و تحليل عملكرد شبكه عصبي ART‏ است با اين فرض كه الگوهاي غيرطبيعي در دسترس نيستند. براي رسيدن ‏به اين هدف، الگوريتم ساده شده ART‏ غير دقيق عصبي در ابتدا مورد بحث قرار گرفته و سپس مطالعات به‏‌‏منظور شبيه‏‌‏سازي گسترده مونت‏‌‏كارلو طرح شده است.
‏كليد واژه‏‌‏ها: كنترل ‏كيفيت محصولات: شبكه عصبي ART‏ غير دقيق شبيه‏‌‏سازي م‏ونت‏‌‏كارلو
‏مقدمه
‏كنترل فرايند آماري (SPC) . Statistical process Cortral
‏ شيوه‏‌‏اي است برمبناي چند تكنيك كه هدف از آن نظارت بر سنجرهاي محصول فرايند توليد است. چارت‏‌‏هاي كنترل ابزارهاي ‏ هستند كه گسترده‏‌‏ترين كاربرد را براي نشان دادن تنوع غيرطبيعي سنجرهاي مورد نظارت قرار گرفته و قرارگيري دلايل قابل انتقال آنها دارند. براي استفاده از چارت كنترل، نمونه‏‌‏هايي از محصولات در طول فرايند توليد جمع‏‌‏آوري مي‏‌‏شوند و آمارهاي نمونه ‏در چارت قرار مي‏‌‏گيرند. اگر فرايند در وضعيت طبيعي قرار داشته باشد، انتظار مي‏‌‏رود آمارهاي نمونه در محدوده‏‌‏هاي خاص كنترلي در نمودار قرار بگيرند. از سوي ديگر اگر دليل خاصي از تنوع نمايان شود، آمارهاي نمونه اصلاً در خارج از محدوده‏‌‏هاي كنترلي از پيش تعيين شده قرار مي‏‌‏گيرند. وقتي تنوع غيرطبيعي در چارت كنترلي شكل مي‏‌‏گيرد. دست‏‌‏اندركاران به دنبال علت حاصل مي‏‌‏گردند و اصطلاحات و تنظيمات ضروري را براي بازگرداندن فرايند به وضعيت طبيعي انجام مي‏‌‏دهند.
‏امروزه با بهره‏‌‏برداري وسيع از توليد خودكار و باز‏رسي در چند محيط توليدي، وظيفه SPC‏ كه به لحاظ سنتي با متخصصان كيفيت عمل مي‏‌‏كرد. بايستي خودكار شود. شبكه‏‌‏هاي‏ عصبي ابزارهاي كارآمد و مورد اعتماد تجزيه و تحليل هستند و در دهه اخير، اين ابزارها در كنترل كيفيت بسيار مورد استفاده قرار گرفته‏‌‏اند (Zorricassantine and Tannock, 1998)‏.
‏آنچه موجب شهرت شبكه‏‌‏هاي عصبي است توانايي آنها براي آموختن از تجربه و اداره كردن اطلاعات نامطمئن و پيچيده در محيطي رقابتي و نيازمند كيفيت است. شبكه‏‌‏هاي عصبي به دليل ظرفيت آنها براي كار با سنجرهاي شلوغ بدون نياز به فرضيه‏‌‏اي در خصوص توزيع آماري داده‏‌‏هاي مورد نظارت قرار گرفته، به‏‌‏ويژه براي كنترل كيفيت محققان چندي به كاربرد شبكه‏‌‏هاي عصبي براي كنترل كيفيت محصولات پرداخته‏‌‏اند. پاگ . Pugh
‏ (1991)‏ اولين بار كاربرد شبكه عصبي را براي كنترل كيفيت پيشنهاد داد. شبكه proception‏ چندلايه ML.P‏ به عنوان الگوريتم نظارتي قابل همانندسازي به‏‌‏منظور شناسايي ميانگين جابه‏‌‏جايي‏ مورد استفاده قرار گرفته است. گواو و دولي . Guo and Deoley
‏ (1992)‏ و اسميت (1994)‏ شبكه پر‏ستپون چندلايه قابل همانندسازي (MLPBP)‏ را براي شناسايي تغييرات مثبت، هم در ميانگين و هم د‏ر واريانس، به كار گرفتند. چنگ . Cheng
‏ (1995)‏ بعدها شبكه عصبي MLPBP‏ را براي شناسايي تغييرات مثبت و منفي و روندهاي رو به بالا/ رو به پائين ميانگين فرايند بر پرورش داده‏‌‏گاه و تنوك . Guh and Tanmork
‏ (1999)‏ شبكه عصبي MLP BP‏ را براي شناخت الگوي غيرطبيعي متقاطع توسعه دادند. كوك و ال (2001)‏، در مورد توسعه شبكه عصبي MLP BP‏ براي شناسايي تغييرات واريانس پارامترهاي فرايند به صورت ترتيبي داراي همبستگي بحث مي‏‌‏كند.
‏شبكه MLP BP‏ به طرز موفقيت‏‌‏آميزي براي شناخت الگو مورد بهره‏‌‏برداري قرار گرفته است، اما كندي در پرورش آن هنوز عدم مطلوبيت‏‌‏هايي را براي به‏‌‏كارگيري عملي آن ايجاد كرده است. در واقع همگرايي الگوريتم
BP‏ نيازمند تعداد زيادي تكرار و همچنين تعداد مكفي از مشل‏‌‏هاي آموزشي است. بنابراين ساير شبكه‏‌‏هاي عصبي از پيش تغذيه شده براي كنترل كيفيت در متون پيشنهاد‏ شده است. براي مثال كوك و چيو (1998)‏، به‏‌‏منظور شناسايي تغييرات ميانگين در پارامترهاي فرايند و توليد داراي همبستگي خودكار، عملكرد شعاعي (RBF)‏ را براي سيستم شبكه عصبي پيشنهاد كردند.
‏ويژگي مشترك اكثر شيوه‏‌‏هاي عصبي پراكنده براي كنترل كيفيت، بهره‏‌‏گيري از الگوريتم‏‌‏هاي كارآموزي سرپرستي است. استفاده از اين تكنيك‏‌‏ها برمبناي اين فرضيه است كه كاربر از پيش گروه الگوهاي غيرطبيعي را كه بايستي به وسيله شبكه عصبي پيدا شود مي‏‌‏شناسد. دانش اوليه نسبت به اشكال الگو براي توليد داده‏‌‏هاي آموزشي كه در برون داده‏‌‏هاي غيرطبيعي اصلي را تقليد مي‏‌‏كند، ضروري است. با وجود اين، در موارد صنعتي واقعي، محصولات فرايند غيرطبيعي را نمي‏‌‏توان به وسيله ظاهر الگوهاي قابل پيش‏‌‏بيني نشان داد. بنابراين مدل‏‌‏هاي رياضي درحال حاضر قابل دسترس نيستند يا نمي‏‌‏توانند فرموله شوند.
‏مقاله حاضر رويكرد متفاوتي را به شبكه عصبي براي فرايند نظارت پيشنهاد مي‏‌‏كند، در زماني كه هيچ اطلاعات قبلي در خصوص توزيع داده‏‌‏هاي غيرطبيعي در دسترس نيست، رويكرد پيشنهادي برمبناي شبكه عصبي نظريه تشديد قابل سازگاريي (ART)‏ است كه قابليت آموختن سريع ماندگار و فزاينده را دارد.