سیدا دانلود مقاله در مورد کنترل کیفیت محصولات با بهره‌گیری از شبکه ART غیر دقیق 34 ص

دانلود مقاله در مورد کنترل کیفیت محصولات با بهره‌گیری از شبکه ART غیر دقیق 34 ص

فرمت فایل دانلودی: .zip
فرمت فایل اصلی: .doc
تعداد صفحات: 54
حجم فایل: 91 کیلوبایت
قیمت: 6000 تومان

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

 قسمتی از متن word (..doc) : 
 

‏کنترل کیفیت محصولات با بهره‏‌‏گیری از شبکه ART‏ غیر دقیق.
‏چکیده
‏به‏‌‏منظور تولید محصولات با کیفیت ثابت، مناسب است تا نظام‏‌‏های تولید برای جلوگیری از هرگونه انحراف غیرطبیعی در شرایط فرایند، نظارت شوند. چارت‏‌‏های کنترلی نقش مهمی در حل مشکلات کنترل کیفیت دارند‏؛ با وجود این اثربخشی آنان به شدت به فرضیات آماری بستگی دارد که در کاربردی واقعی صنعتی غالباً زیر پا گذاشته می‏‌‏شوند. برخلاف شبکه‏‌‏های عصبی می‏‌‏توانند میزان بسیار زیادی از داده‏‌‏های مخل را در زمان واقعی تشریح کنند، بدون آنکه نیازمند فرضیات توزیع آماری‏‌‏سنجهای نظارت شده داشته باشند. این ویژگی مهم شبکه‏‌‏های عصبی را مبدل به ابزارهایی توانمند می‏‌‏کند که می‏‌‏توان برای بهبود تجزیه و تحلیل داده‏‌‏ها در کاربردهای کنترل کیفیت محصولات از آنها بهره گرفت. در این مقاله، نظام شبکه عصبی که برمبنای فاز آموزش غیر نظارتی است، برای کنترل کیفیت معرفی می‏‌‏شود. به‏‌‏ویژه نظریه تشدید قابل سازگاری ART‏ به‏‌‏منظور تحقق نظام کنترل کیفیت فارغ از مدل مورد بحث قرار گرفته است که می‏‌‏تواند برای تشخیص تغییرات در فرایند تولید مورد بهره‏‌‏برداری قرار گیرد. هدف از این تحقیق، ت‏جزیه و تحلیل عملکرد شبکه عصبی ART‏ است با این فرض که الگوهای غیرطبیعی در دسترس نیستند. برای رسیدن ‏به این هدف، الگوریتم ساده شده ART‏ غیر دقیق عصبی در ابتدا مورد بحث قرار گرفته و سپس مطالعات به‏‌‏منظور شبیه‏‌‏سازی گسترده مونت‏‌‏کارلو طرح شده است.
‏کلید واژه‏‌‏ها: کنترل ‏کیفیت محصولات: شبکه عصبی ART‏ غیر دقیق شبیه‏‌‏سازی م‏ونت‏‌‏کارلو
‏مقدمه
‏کنترل فرایند آماری (SPC) . Statistical process Cortral
‏ شیوه‏‌‏ای است برمبنای چند تکنیک که هدف از آن نظارت بر سنجرهای محصول فرایند تولید است. چارت‏‌‏های کنترل ابزارهای ‏ هستند که گسترده‏‌‏ترین کاربرد را برای نشان دادن تنوع غیرطبیعی سنجرهای مورد نظارت قرار گرفته و قرارگیری دلایل قابل انتقال آنها دارند. برای استفاده از چارت کنترل، نمونه‏‌‏هایی از محصولات در طول فرایند تولید جمع‏‌‏آوری می‏‌‏شوند و آمارهای نمونه ‏در چارت قرار می‏‌‏گیرند. اگر فرایند در وضعیت طبیعی قرار داشته باشد، انتظار می‏‌‏رود آمارهای نمونه در محدوده‏‌‏های خاص کنترلی در نمودار قرار بگیرند. از سوی دیگر اگر دلیل خاصی از تنوع نمایان شود، آمارهای نمونه اصلاً در خارج از محدوده‏‌‏های کنترلی از پیش تعیین شده قرار می‏‌‏گیرند. وقتی تنوع غیرطبیعی در چارت کنترلی شکل می‏‌‏گیرد. دست‏‌‏اندرکاران به دنبال علت حاصل می‏‌‏گردند و اصطلاحات و تنظیمات ضروری را برای بازگرداندن فرایند به وضعیت طبیعی انجام می‏‌‏دهند.
‏امروزه با بهره‏‌‏برداری وسیع از تولید خودکار و باز‏رسی در چند محیط تولیدی، وظیفه SPC‏ که به لحاظ سنتی با متخصصان کیفیت عمل می‏‌‏کرد. بایستی خودکار شود. شبکه‏‌‏های‏ عصبی ابزارهای کارآمد و مورد اعتماد تجزیه و تحلیل هستند و در دهه اخیر، این ابزارها در کنترل کیفیت بسیار مورد استفاده قرار گرفته‏‌‏اند (Zorricassantine and Tannock, 1998)‏.
‏آنچه موجب شهرت شبکه‏‌‏های عصبی است توانایی آنها برای آموختن از تجربه و اداره کردن اطلاعات نامطمئن و پیچیده در محیطی رقابتی و نیازمند کیفیت است. شبکه‏‌‏های عصبی به دلیل ظرفیت آنها برای کار با سنجرهای شلوغ بدون نیاز به فرضیه‏‌‏ای در خصوص توزیع آماری داده‏‌‏های مورد نظارت قرار گرفته، به‏‌‏ویژه برای کنترل کیفیت محققان چندی به کاربرد شبکه‏‌‏های عصبی برای کنترل کیفیت محصولات پرداخته‏‌‏اند. پاگ . Pugh
‏ (1991)‏ اولین بار کاربرد شبکه عصبی را برای کنترل کیفیت پیشنهاد داد. شبکه proception‏ چندلایه ML.P‏ به عنوان الگوریتم نظارتی قابل همانندسازی به‏‌‏منظور شناسایی میانگین جابه‏‌‏جایی‏ مورد استفاده قرار گرفته است. گواو و دولی . Guo and Deoley
‏ (1992)‏ و اسمیت (1994)‏ شبکه پر‏ستپون چندلایه قابل همانندسازی (MLPBP)‏ را برای شناسایی تغییرات مثبت، هم در میانگین و هم د‏ر واریانس، به کار گرفتند. چنگ . Cheng
‏ (1995)‏ بعدها شبکه عصبی MLPBP‏ را برای شناسایی تغییرات مثبت و منفی و روندهای رو به بالا/ رو به پائین میانگین فرایند بر پرورش داده‏‌‏گاه و تنوک . Guh and Tanmork
‏ (1999)‏ شبکه عصبی MLP BP‏ را برای شناخت الگوی غیرطبیعی متقاطع توسعه دادند. کوک و ال (2001)‏، در مورد توسعه شبکه عصبی MLP BP‏ برای شناسایی تغییرات واریانس پارامترهای فرایند به صورت ترتیبی دارای همبستگی بحث می‏‌‏کند.
‏شبکه MLP BP‏ به طرز موفقیت‏‌‏آمیزی برای شناخت الگو مورد بهره‏‌‏برداری قرار گرفته است، اما کندی در پرورش آن هنوز عدم مطلوبیت‏‌‏هایی را برای به‏‌‏کارگیری عملی آن ایجاد کرده است. در واقع همگرایی الگوریتم
BP‏ نیازمند تعداد زیادی تکرار و همچنین تعداد مکفی از مشل‏‌‏های آموزشی است. بنابراین سایر شبکه‏‌‏های عصبی از پیش تغذیه شده برای کنترل کیفیت در متون پیشنهاد‏ شده است. برای مثال کوک و چیو (1998)‏، به‏‌‏منظور شناسایی تغییرات میانگین در پارامترهای فرایند و تولید دارای همبستگی خودکار، عملکرد شعاعی (RBF)‏ را برای سیستم شبکه عصبی پیشنهاد کردند.
‏ویژگی مشترک اکثر شیوه‏‌‏های عصبی پراکنده برای کنترل کیفیت، بهره‏‌‏گیری از الگوریتم‏‌‏های کارآموزی سرپرستی است. استفاده از این تکنیک‏‌‏ها برمبنای این فرضیه است که کاربر از پیش گروه الگوهای غیرطبیعی را که بایستی به وسیله شبکه عصبی پیدا شود می‏‌‏شناسد. دانش اولیه نسبت به اشکال الگو برای تولید داده‏‌‏های آموزشی که در برون داده‏‌‏های غیرطبیعی اصلی را تقلید می‏‌‏کند، ضروری است. با وجود این، در موارد صنعتی واقعی، محصولات فرایند غیرطبیعی را نمی‏‌‏توان به وسیله ظاهر الگوهای قابل پیش‏‌‏بینی نشان داد. بنابراین مدل‏‌‏های ریاضی درحال حاضر قابل دسترس نیستند یا نمی‏‌‏توانند فرموله شوند.
‏مقاله حاضر رویکرد متفاوتی را به شبکه عصبی برای فرایند نظارت پیشنهاد می‏‌‏کند، در زمانی که هیچ اطلاعات قبلی در خصوص توزیع داده‏‌‏های غیرطبیعی در دسترس نیست، رویکرد پیشنهادی برمبنای شبکه عصبی نظریه تشدید قابل سازگاریی (ART)‏ است که قابلیت آموختن سریع ماندگار و فزاینده را دارد.

 

پرداخت با کلیه کارتهای عضو شتاب امکان پذیر است.