文章基本信息
- 标题：پایش تغییرپذیری فرآیندهای چند مشخصه وصفی و متغیر با استفاده از شبکه عصبی مصنوعی
- 其他标题：Monitoring Variability of Multivariate-Attribute Processes Using Artificial Neural Network
- 本地全文：下载
- 作者：Amirhossein Amiri ; Mohammad Reza Maleki ; Mohammad Hadi Doroudyan 等
- 期刊名称：Journal of Production & Operations Management
- 印刷版ISSN：2251-6409
- 电子版ISSN：2423-6950
- 出版年度：2015
- 卷号：5
- 期号：2
- 页码：36-21
- 语种：Persian
- 摘要：
امروزه در برخی محیطهای تولیدی یا خدماتی، کیفیت محصول یا عملکرد فرآیند به وسیله ترکیبی از مشخصههای کیفی متغیر و وصفی همبسته توصیف میگردد. بر اساس آخرین اطلاعات مؤلفان، تا کنون هیچ روشی برای پایش ماتریس واریانس- کوواریانس این گونه فرآیندها ارائه نشده است. در این مقاله، یک شبکه عصبی مصنوعی برای پایش تغییرپذیری یک فرآیند چند مشخصه وصفی و متغیر ارائه شده است. شبکه ارائه شده نه تنها قادر به کشف وضعیتهای خارج از کنترل بوده، بلکه می تواند مشخصه /مشخصههای عامل انحراف در فرآیند را نیز شناسایی کند. کارایی روش ارائه شده با استفاده از یک مثال عددی بر اساس معیارهای متوسط طول دنباله و درصد تشخیص درست مشخصه /مشخصههای کیفی عامل انحراف بررسی شده است. همچنین عملکرد شبکه طراحی شده در پایش ماتریس واریانس- کوواریانس فرآیندهای چند مشخصه وصفی و متغیر با دو روش آماری پایش ماتریس واریانس- کوواریانس برای مشخصههای کیفی متغیر که در این مقاله برای پایش فرآیندهای چند متغیره- چند مشخصه توسعه داده شده اند، مقایسه شده است. نتایج مثال عددی نشان میدهد که شبکه عصبی طراحی شده عملکرد بهتری در کشف وضعیتهای مختلف خارج از کنترل نسبت به روش های آماری توسعه داده شده دارد و همچنین به خوبی قادر به تشخیص مشخصه(های) کیفی عامل انحراف در فرآیند است.
- 其他摘要：Nowadays in some manufacturing processes, the quality of a product or process is well expressed by both correlated attribute and variable quality characteristics. To best of our knowledge, there is no method for monitoring the covariance matrix of multivariate-attribute quality characteristics. In this paper, we propose a multi-layer perception artificial neural network to monitor multivariate-attribute processes as well as to diagnose the quality characteristic(s) responsible for out-of-control signals. The performance of the proposed method is evaluated through a numerical example from both detection and diagnosis perspectives. In addition, the performance of the proposed neural network in detecting shifts in the variance of quality characteristics is compared with two statistical methods first proposed for monitoring the variability of multivariate quality characteristics and developed in this paper for our problem. The results of numerical example show that the proposed artificial neural network outperforms the extended statistical methods in detecting different out-of-control shifts. The results also confirm that the performance of the proposed neural network in identifying the quality characteristic(s) responsible for out-of-control signal is satisfactory
- 关键词：شبکه پرسپترون چند لایه; شبکه عصبی مصنوعی; فرآیند چند مشخصه وصفی و متغیر; کنترل فرآیند آماری; متوسط طول دنباله
- 其他关键词：Statistical process control; Artificial neural network; Multi-layer perceptron; Multivariate-attribute process; Average run length
