طراحی یک شبکه عصبی مصنوعی برای کشف تغییر، تشخیص عامل انحراف و تعیین اندازه شیفت به طور همزمان در بردار میانگین فرآیندهای چندمشخصه وصفی- متغیر

نوع مقاله: مقاله پژوهشی

نویسندگان

دانشگاه شاهد

چکیده

در برخی از فرآیندهای تولیدی، کیفیت محصول بر حسب ترکیبی از مشخصه‌های کیفی متغیر و وصفی همبسته بیان می‌گردد. براساس آخرین اطلاعات مولفین، تاکنون هیچ تحقیقی در خصوص شناسایی اندازه شیفت در میانگین مشخصه‌های کیفی خارج از کنترل در فرآیندهای چند مشخصه وصفی- متغیر صورت نگرفته است. در این مقاله، روشی مبتنی بر شبکه عصبی برای شناسایی اندازه شیفت در میانگین مشخصه‌های کیفی متغیر و وصفی همبسته و طبقه‌بندی بردار میانگین به کلاس‌های مختلف ارائه می‌گردد. شبکه عصبی پیشنهادی همچنین قادر است وضعیت بردار میانگین فرآیند اعم از تحت کنترل یا خارج از کنترل بودن آن را کشف نماید و مشخصه (‌های) کیفی عامل انحراف را نیز تشخیص دهد. عملکرد شبکه پیشنهادی در تعیین اندازه شیفت، تشخیص وضعیت فرآیند و همچنین تشخیص عوامل انحراف در قالب یک مثال عددی براساس شبیه‌سازی ارزیابی شده است. هم‌چنین عملکرد شبکه پیشنهادی در کشف شیفت و تشخیص عوامل انحراف در میانگین فرآیند با روش‌های موجود در ادبیات مقایسه شده است. نتایج حاصل از شبیه‌سازی نشان می‌دهد که شبکه عصبی ارائه شده عملکرد رضایت‌بخشی در تعیین وضعیت بردار میانگین فرآیند، تشخیص عوامل انحراف و شناسایی اندازه شیفت در میانگین مشخصه‌های کیفی در فرآیندهای چند مشخصه وصفی- متغیر دارد.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Designing an Artificial Neural Network for Simultaneous Detecting, Diagnosing and Quantifying the Magnitude of Mean Shift(s) in Multivariate-attribute Processes

نویسندگان [English]

  • M. Maleki
  • Amirhossein Amiri
University of Shahed
چکیده [English]

In some statistical process control applications, the quality of a product is characterized by the combination of both correlated variable and attributes quality characteristics. To the best of our knowledge, there is no method in the literature available for identifying the shift magnitude in the out-of-control quality characteristics in multivariate-attribute processes. In this paper, a neural network (NN)-based method is proposed to identify the magnitude of shifts in the out-of-control quality characteristics. The proposed methodology can also determine the process state and diagnose the quality characteristic(s) responsible for out-of-control signals. The performance of the proposed NN-based method in determining the mean shifts magnitude, detecting the process change as well as diagnosing the out-of-control quality characteristic(s) is evaluated based on a numerical example through simulation studies. In addition, the performance of the proposed NN in detection and diagnosis is compared with existing methods in the literature. The results of simulation study show the satisfactory performance of the proposed NN

کلیدواژه‌ها [English]

  • Multi-layer perceptron neural network
  • Multivariate-attribute process
  • Average run length