روشی هوشمند و اتوماتیک برای تشخیص نوع الگوهای جدول کنترل بر پایهماشین بردار پشتیبان

سال انتشار: 1395
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 500

فایل این مقاله در 17 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

EHCONF04_223

تاریخ نمایه سازی: 6 اردیبهشت 1396

چکیده مقاله:

الگوهای جدول کنترل شامل شش الگوی متفاوت و تقریبا شبیه هم هستند که هر یک نشان دهنده وضعیت خاصی در فرآیند تولید می باشند. این الگوها شامل الگوهای نرمال، پریودیک، روندی افزایشی، روندی کاهشی، شیفت بالا رونده و شیفت پایین رونده هستند. در این بین غیر از الگوی نرمال، هر یک از الگوها نشان دهنده وجود خطا در فرآیند تولید می باشند. برای رفع خطای بوجود آمده ابتدا باید نوع خطا به درستی تشخیص داده شود تا اقدامات متناسب با آن خطا صورت گیرد. در این مقاله روشی هوشمند و اتوماتیک برای تشخیص نوع الگوهای جدول کنترل بر پایه ماشین بردارپشتیبان پیشنهاد شده است. در روش پیشنهادی از ماشین بردار پشتیبان به عنوان کلاسیفایر استفاده شده است. برای تستعملکرد و دقت روش پیشنهادی از داده های واقعی مربوط به یک کارخانه اتومبیل سازی در بریتانیا استفاده شده است ونتایج شبیه سازی نشان می دهد که روش پیشنهادی دارای عملکرد بسیار خوبی در پیدا کردن الگوهای جدول کنترلاست.

نویسندگان

مسعود ذکاء اسدی

دانشجوی کارشناسی ارشد،گروه مهندسی صنایع، دانشگاه آزاد اسلامی واحد کرمان

مرجان محمد جعفری

استادیار، گروه مهندسی صنایع، دانشگاه آزاد اسلامی واحد کرمان

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Petros Xanthopoulos. A weighted support vector machine method for control ...
  • Wen-An Yang _ Identification and quantification of concurret control chart ...
  • extreme-point symmetric mode decomposition and extremme Neuroc omputing 147(20 15) ...
  • Shichang Du. Recognition of concurret control chart patterns using wavelet ...
  • Liangjun Xie. Concurrent control chart patterns recognition with singular spectrum ...
  • Ataollah Ebrahimzadeh, Jalil Addeh, Zahra Rahmani. Control chart pattern recognition ...
  • Sevil Sentirk.Fuzzy exponentially weighted moving average control chart for univariate ...
  • S.M.T. Fatemi Ghomi, S.A. Lesany, A. Koochakzadeh Recognition of unnatural ...
  • Bruno Chaves Franco. Economic design of Shewhart control charts for ...
  • D.A.O. Moraes. Self-oriented control charts for efficient monitoring of mean ...
  • alil Addeh. Statistical process control using optimized neural networks: A ...
  • Le Q, Goal X, Teng L, Zhu M. A new ...
  • Yang JH, Yang MS. A control chart pattern recognition scheme ...
  • Assaleh K, Al-assaf Y. Features extraction and analysis for classifying ...
  • Pham DT, Otri S, Ghanbarzadel A, Kog E. Application of ...
  • Chen Z, Lu S, Lam S. A hybrid system for ...
  • Cheng Z, Ma Y. A Research about Pattern Recognition of ...
  • Gauri SK, Chakraborty S. Improved recognition of control chart patterns ...
  • Gauri SK, Chakraborty S. Recognition of control chart patterns using ...
  • V. Ranaee, A. Ebrahimzadel Control chart pattern recognition using a ...
  • V. Ranaee, A. Ebrahimzadeh, R. Ghaderi. Application of the PSO-SVM ...
  • fat A.Gheyas, Leslie S.Smith Feature subst selection in large dimensionality ...
  • .A. Swift, J.H. Mize. Out-of-controf pattern recognition and analysis for ...
  • .R. Evans, W.M. Lindsay. A framework for expert system development ...
  • E. Avci, D. Hanbay, A. Varol. An expert Discrete Wavelet ...
  • M. Hosoz, H.M. Ertunc, H. Bulgurcu. An adaptive neuro-fuzzy inference ...
  • A. Keles, A. Keles, U. Yavuz. Expert system based _ ...
  • D. T. Pham, A. Ghanbarzadeh, E. Ko, , S. Otri ...
  • نمایش کامل مراجع