دانلود مقاله 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 شبیه‌ سازی مونت‌ کارلو مقدمه کنترل فرایند آماری (SPC)[1] 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[2] (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[3] (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[4] (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[5] (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.

شبکه ART الگوریتمی عصبی است که برای خوشه‌بندی داده‌های تصادفی در گروه‌هایی با ویژگی‌های مشابه است.

القانیم[6] (1997) شبکه عصبی ARTI 1 نسخه دوگانه الگوریتم ART را به عنوان ابزاری برای تشخیص صفحه‌های طبیعی از غیرطبیعی در محصولات فرایند تولید کلی ارائه کرد.

نویسنده پیشنهاد می‌دهد که شبکه ARTI استفاده شود که از دسته‌ای الگوهای داده طبیعی بهره می‌گیرد که در فرایندی نظارت شده تولید شده‌اند.

در طول فاز پرورش، این شبکه الگوهای طبیعی داده‌ها را در گروه‌هایی با ویژگی‌های مشابه خوشه‌بندی می‌کند و زمانی که با داده جدیدی مواجه می‌شوند، مشخص می‌کند که این الگو به کدام خوشه تعلق دارد (اگر تعلق داشته باشد).

به این ترتیب، شبکه عصبی نمی‌خواهد نوع الگوی غیرطبیعی را که در محصولات فرایند شناسایی شده است مشخص کند.

زمانی که الگوی ورودی با هیچ یک از دسته‌های طبیعی شناخته شده هماهنگ نشود، این شبکه علامتی را مبنی بر روی دادن تغییر ساختاری در محصولات فرایند ارائه می‌دهد.

بهره‌گیری از سیستم عصبی که محصولات فرایند را بدون اطلاعات قبلی از الگوهای غیرطبیعی نظارت می‌کند در کاربردهای صنعتی واقعی مورد استفاده‌اند.

در واقع تنها دانش رفتار طبیعی فرایند، برای راه‌اندازی شبکه عصبی مورد نیاز است.

علاوه براین، شبکه عصبی می‌تواند تا زمانی که الگوهای جدید به آن معرفی می‌شوند به سبک شکل‌پذیری عمل کند (یعنی به سبکی مداوم و فزاینده).

باقیمانده این مقاله به شرح زیر ساختاربندی شده است.

ART در بخش 2 ارائه می‌شود.

مورد آزمون مرجع در بخش 3 معرفی می‌شود.

سیستم عصبی ART غیر دقیق پیشنهادی و الگوریتم‌های تعلیمی/ آزمون به ترتیب در بخش‌های 4 و 5 مورد بحث قرار گرفته‌اند.

سپس شیوه‌شناسی شبیه‌ساز و نتایج آزمایشی هر دو در بخش 6 ارائه می‌شود.

نهایتاً بخش آخر دربرگیرنده نتیجه‌گیری و بحث بر برخی جهت‌گیری‌ها برای تحقیق نیز است.

2- نظریه تشدید قابل سازگاری ART در قالب نظریه پردازش اطلاعات شناختی شهری ارائه شد.

این نظریه منجر به مجموعه تحول‌یافته‌ای از مدل‌های شبکه عصبی برای آموخته‌های دسته‌بندی شده سرپرستی نشده یا سرپرستی شده، شد.

این مدل‌ها شامل ART, ARTMAP, ART2, ART1 غیر دقیق و ARTMAP غیر دقیق هستند که قابلیت یادگیری گروه‌های شناخته شده بادوام را در پاسخ به داده‌های تصادفی دارند (Pao, 1989; Hagan et al 1996).

ART 1 می‌تواند به شکلی پایدار بیاموزد که داده‌های دوگانه را دسته‌بندی کند و ART 2 می‌تواند بیاموزد که الگوهای مشابه را به ترتیبی تصادفی دسته‌بندی کند.

ART MAP می‌تواند به سرعت بازنمائی‌های دسته‌بندی شده پایدار را بین بردارهای داده m بعدی و بردارهای داده n بعدی خود سازماندهی کند.

ART غیر دقیق، که محاسبه‌ها را از نظریه دسته غیر دقیق به شبکه عصبی ART 1 الحاق می‌کند، قابلیت آموختن سریع و پایدار دسته‌های شناخته شده را در پاسخ به رشته‌های تصادفی الگوهای داده‌ای مشابه یا دوگانه دارد (Huangetal, 1995; Georgiopoulos et al 1996, 1999).

ART MAP غیر دقیق، ترکیبی از ART MAP با ART نادقیق است که می‌تواند به سرعت بازنمایی دسته‌ای پایدار بین داده مشابه و بردارهای داده را بیاموزد.

2-1- الگوریتم ART ART از دو زیر سیستم عمده توجهی و تشخیص تشکیل شده است.

در زیر سیستم توجهی الگوهای آشنا پردازش می‌شوند.

زیر سیستم تشخیصی هرگاه الگوی ناآشنایی به عنوان داده ارائه شود، فعالیت عصبی را از نو فعال می‌کند.

دو لایه گره با نام‌های F 1 (لایه مقایسه) و F 2 (لایه شناسایی) که کاملاً با وزن‌های پائین به بالا و بالا به پائین در تماسند، زیر سیستم توجهی را تشکیل می‌دهند.

وزن‌های پائین به بالا و بالا به پائین میان F1 و F2 می‌تواند در پاسخ به الگوهای داده‌ای به شکل سازگاری به روز شود.

همزمانی که لایه مقایسه (F1) به عنوان شناسایی‌کننده ویژگی داده خارجی وارد شده عمل می‌کند، لایه شناسایی (F2) به عنوان شناسایی‌کننده دسته‌ای که الگوهای داخلی دریافت می‌کند عمل می‌کند.

به‌کارگیری بردار تکی داده منجر به فعالیت عصبی می‌شود که الگویی را در هر دو لایه F1 و F2 ایجاد می‌کند.

این الگوها تنها در زمان به‌کارگیری داده‌های جاری در این شبکه باقی می‌مانند.

زیر سیستم تشخیصی مسئول تولید علامت فعال‌سازی از او به F2 است، زمانی که الگوی داده پائین به بالا و الگوی از بالا به پائین، مطابق معیارهای خود ساخته، هماهنگ نمی‌شود.

این علامت فعال‌سازی از نو، در صورتی که ارسال شود، فعالیت عصبی لایه شناسایی را متوقف می‌کند و در طول فراگیری شبکه ساختار خود را با ذخیره‌های تازه در گره‌های اضافه شده در لایه F2 سازگار می‌شود.

اگر علامت فعال‌سازی از نو ارسال نشود، الگوی کدگذاری شده اولیه همراه با این دسته که بهترین تطابق با داده فعلی را ارائه می‌کند.

برای در برگرفتن ویژگی‌های داده اصلاح می‌شوند.

معیارهای آمادگی به پارامترهای آمادگی وابسته‌اند.

انتصاب ارزش‌های بالا برای پارامتر خود ساخته دلالت بر آن دارد که تنها عدم تطابقی جزئی، پیش از آنکه علامت فعال‌سازی از نو فرستاده شود، پذیرفته می‌شود.

به‌عکس، ارزش‌های پائین خود ساخته دال بر پذیرش عدم تطابق‌های بزرگ هستند.

2-2- ART غیردقیق در بهره‌گیری از یکی از شبکه‌های ART سرپرستی نشده به جای سیستم فراگیری رقابتی ساده‌تر، پایداری ویژگی‌های شبکه قابل استفاده می‌شود (Haykin, 1999).

در واقع بی‌شباهت به آموختن رقابتی، وقتی الگوهای جدید به وسیله فرایندی نظارت شده تولید می‌شوند، شبکه‌های ART می‌توانند به آموختن ادامه دهند (بدون آنکه آموخته‌های قبلی را فراموش کند) و اطلاعات جدید را الحاق می‌کنند.

ART1، ART2 و ART غیر دقیق مثال‌هایی از شیوه‌های ART سرپرستی نشده‌اند که می‌توانند در شیوه‌های آموزشی ناپیوسته (دسته‌ای) و پیوسته (فزاینده) بیاموزد.

عدم تشابهات میان الگوهای داده تنها در فضای سنجش آنها برای خوشه‌بندی مدنظر قرار می‌گیرند (آموزش سرپرستی نشده).

پس از خوشه‌بندی این فضا، به هریک از خوشه‌های آن بردار وزنی داده می‌شود.

(الگو) ART2 تنها اعداد دوگانه (صفر یا یک) را بردار داده می‌پذیرد.

ART2 و ART غیردقیق می‌توانند هر عدد حقیقی را پردازش کنند و در طیف پیوسته‌ای بین صفر و یک درجه‌بندی کنند.

تفاوت‌های میان ART2 و ART1 بر اصلاحات مورد نیاز به‌منظور جای دادن الگوها با مؤلفه‌های با ارزش پیوسته، بازتاب دارد.

بخش F1 و ART2 پیچیده‌تر است زیرا بردارهای داده با ارزش پیوسته ممکن است به شکل تصادفی نزدیک هم باشند.

بخش F1 در ART2 علاوه بر مقایسه علایم از پائین به بالا و از بالا به پائین مورد نیاز برای مکانیسم فعال‌سازی از نو، ترکیبی از نرمال‌سازی و فرو نشاندن مخل است.

ART غیردقیق جدیدترین چارچوب تشدید قابل سازگاری است که معماری یکپارچه‌ای را برای داده‌های دوگانه و با ارزش پیوسته فراهم می‌آورد.

عملیات ART غیردقیق به عنوان موردی خاص به ART1 کاهش می‌یابد (که تنها بردارهای دوگانه را می‌پذیرد).

عمومی کردن فراگیری الگوهای داده مشابه و دوگانه به وسیله جایگزین کردن ظاهر فعال منطقی متقاطع در ART1 با فعال نظریه دسته غیردقیق است.

با الحاق نظریه دسته غیردقیق به ART1، ART غیردقیق نیازی به ارائه دوگانه الگوهای داده برای خوشه‌بندی ندارد؛ با وجود این این نوع ART خاصیت‌های مطلوب مشابهی هستند ART1 و معماری ساده‌ترین نسبت به ART2 دارد.

دو تفاوت مهم میان ART2 و ART غیردقیق وجود دارد.

- اولی در سنجه‌های غیر مشابه بین الگوها و شابلون‌های داده است: ART غیردقیق از متریک فاصله بلوک شهری (یا فاصله منتهی که از فعال MIN نظریه دسته غیردقیق) استفاده می‌کند، تا نرم فاصله اقلیدسی که در ART2 استفاده می‌شود.

هر دسته ART غیردقیق به وسیله کوچکترین آمار درباره داده‌های آن ارائه می‌شود: حداقل و حداکثر در هر بعد که برای حداقل کردن یکپارچه خطاهای پیش‌بینی شده و حداکثر کردن عمومی‌سازی پیش‌بینی شده آموخته می‌شوند، طیفی از بردارهای دسته‌ای قابل قبول را معرفی می‌کنند.

برای تنظیم وزن تکثیر نیاز نیست و این الگوریتم می‌تواند با تعداد اندک اعداد وزن دقیق عمل کند.

از سوی دیگر معماری ART2 نیازمند عملکرد بسیار پیچیده فعال‌سازی از نو و انتصاب است که برمبنای فرم اقلیدسی هستند.

- دوم شیوه‌ای است که آنها داده‌هایشان را پیش‌پردازی می‌کنند (نرمال‌سازی الگوهای داده).

برای ART2 نرمال‌سازی الگوهای داده با تقسیم هر بردار به وسیله فرم اقلیدسی آن به دست می‌آید.

از این رو ART2 قادر است به دسته‌بندی خوبی از الگوهای داده دست یابد.

تنها در صورتی که همه آنها با طول مشترک ثابتی نرمال شده باشند.

با وجود این چنین نرمال‌سازی می‌تواند اطلاعات شناسه با ارزشی را که برای نظارت کیفیت ضروری است، از بین ببرد.

به منظور ذخیره کردن چنین اطلاعاتی.

ART غیردقیق از کدگذاری تکمیلی استفاده می‌کند که هر نوع بردار داده M بعدی را در هنگامی که پیش فرایند نرمال‌سازی انجام می‌شود، به M2 بعدی تبدیل می‌کند.

با کدگذاری تکمیلی، ART غیردقیق قادر می‌شود به دسته‌بندی مناسب داده‌ها دست یابد حتی اگر بردارهای داده نرم یکسانی نداشته باشند.

خاصیت مطلوب دیگر ART غیردقیق آن است که، به دلیل طبیعت ساده معماری آن، پاسخ‌های شبکه عصبی به الگوهای داده براحتی تشریح شده‌اند، که به‌عکس سایر مدل‌هاست که معمولاً تشریح چرایی تولید محصولی خاص از یک الگوی داده بسیار مشکل است.

با نسبت دادن تغییر هندسی به دسته‌های ART غیردقیق، بینش دقیقی در گذشته به دست آمد و اخیراً مفاهیم هندسی جدیدی در چارچوبی خلاق معرفی شده است.

خواص جزئی فراگیری برای ART غیردقیق را می‌توان در کارهای افراد زیر یافت: هاونگ وال (1995) جئو رکسویوپوس وال (1996, 1999)، انگنستودوپوس و جئور گیویوپوس (2002).

به دلیل سادگی هندسی شبکه عصبی ART غیردقیق و چند خاصیتی از آن که اجرای شبکه عصبی را تسهیل می‌کند، این شبکه در این مقاله برای خوشه‌بندی الگوی مشابه در کاربرد نظارت کیفی مورد بهره‌برداری قرار گرفته است.

3- مدل فراین تولید منبع به‌منظور بررسی عملکردهای ART غیردقیق برای کاربردهای کنترل کیفیت، فرایند تولید عمومی با بهره‌گیری از برنامه رایانه‌ای باز تولید شد.

این کد برمبنای اعداد تصادفی ساختگی است که محیط نرم‌افزاری MAT LAB فراهم می‌کند (Vattulainenetul 1995).

اداره چارت کنترل و الگوریتم شبکه عصبی را می‌توان آزمون آماری تکراری به لحاظ دوره‌ای دانست.

در هر زمان t زیرمجموعه مشخص از اطلاعات محصول گذشته برای ارزیابی وضعیت فرایند، استفاده می‌شود.

فرضیه تهی H0 و فرضیه آلترناتیو H1 آزمون به شرح زیر قابل تنظیم هستند.

به‌منظور بررسی عملکردهای ART غیردقیق برای کاربردهای کنترل کیفیت، فرایند تولید عمومی با بهره‌گیری از برنامه رایانه‌ای باز تولید شد.

H0: فرایند در وضعیت طبیعی است H1: فرایند در وضعیت طبیعی نیست همانند هر آزمون آماری، خطای نوع اول و نوع دوم امکان دارد رخ دهد.

که به این ترتیب قابل تنظیمند: - خطای نوع اول: برخی کنش‌ها صورت گرفته است گرچه فرایند تحت کنترل است (اعلام خطر اشتباه) - خطای نوع دوم: هیچ کنشی صورت نگرفته است با وجود اینکه فرایند از کنترل خارج است.

تأکید این تحقیق بر فرایندهایی با یک پارامتر کیفی است.

تصور کنید توالی تصادفی ویژگی کیفی مشاهده شده باشد، زمانی که دلالت بر زمان منفصل یا عدد بخشی دارد.

سری‌های زمانی تصادفی با مدل احتمال شبیه‌سازی شده‌اند.

فرایندی در وضعیت طبیعی به شیوه‌ای واقع‌گرایانه به وسیله سیستمی که در آن محصول جمع میانگین اسمی ثابت (یعنی هدف فرایند ) به اضافه مؤلفه متغیر طبیعی تصادفی است، مدل می‌شود.

این مولفه تصادفی، که مدل تغییر فرایند طبیعی است، سری زمانی از ارزش‌هایی است که به صورت نرمال مستقل و یکسان توزیع شده‌اند (NIID) با میانگین صفر و انحراف استاندارد معمول 6.

بدون از دست دادن عمومی بودن، فرض می‌شود که و 6=1 (در غیر اینصورت می‌توان سنجه‌های نظارت شده استاندارد را مورد استفاده قرار داد).

این مدل تقریب نزدیکی به بسیاری انواع فرایندهای تولیدی عملی به دست می‌دهد.

در وضعیت‌هایی که این فرضیات زیر پا گذاشته می‌شوند، تکنیک تبدیل قدرتی می‌تواند.

به‌منظور کاهش بی‌نظمی‌هایی چون نرمال نبودن و heteioscedasticaly سنجه‌های نظارت شده، به اجرا درآید.

از سوی دیگر وقت فرایند شروع به انحراف از وضعیت طبیعی می‌کند شکلی از علایم مزاحمت خاص با سری‌های سنجه‌های محصول فرایند هم‌پوشی می‌کند این علامت خاص معمولاً به الگوی غیرطبیعی برمی‌گردد.

بنابراین اگر سری زمانی داده فرایند طبیعی باشد و سری زمانی علامت مزاحمت خاص، آزمون آماری به شرح قابل تنظیم است: به‌منظور شبیه‌سازی این فرایند در وضعیت غیرطبیعی، تغییر میانگین به عنوان الگوی غیرطبیعی در آزمونی مورد استفاده قرار خواهد گرفت (Montgomery 2000).

دلایل ممکن اولیه برای انتقال میانگین ممکن است ناشی از معرفی ماشین‌آلات، کارگران یا شیوه‌ای جدید باشد.

دیگر دلایل ممکن شامل عدم کارکرد مناسب بخشی از ماشین‌آلات یا تغییراتی در سطح مهارت عاملان باشد.

با فرض اینکه شناسه تغییر و لحظه انتقال باشد آنگاه الگوی انتقال را می‌توان به این شکل مدل‌سازی نمود: سیستم کنترل کیفیت به‌منظور نمایش تمایز دوگانه بین کلاس‌های طبیعی و غیرطبیعی داده‌ها طراحی شده است.

2سنجه نمایش مورد استفاده‌اند.

- اولی توانایی مدل‌سازی علت‌های مشترک نوسان بدون ایجاد خطای نوع اول (یعنی اعلام خطر اشتباه) است که در زمانی که فرایند در واقع تحت کنترل است، نشان می‌دهد که از کنترل خارج شده است.

این خصیصه به صورت آزمایشی به وسیله گزارش رخ دادن میانگین خطای نوع اول (یعنی نمونه میانگین علایم اعلام خطر) در فرایند اطلاعاتی که تنها منبع طبیعی دارند، سنجیده می‌شود.

این ارزش نقطه سازگاری برآوردکننده پارامتر است یعنی احتمال مورد انتظاری که سیستم کنترل اعلام خطر می‌کند، وقتی که فرایند در وضعیت طبیعی است.

- دوم توانایی شناسایی میانگین خطای نوع دوم (یعنی ملایم غیر اعلام خطر) است، زمانی که مزاحمت خاصی در اطلاعات فرایند ایجاد شده‌اند.

این ارزش نقطه سازگاری تخمین پارامتر است به مفهوم احتمال مورد انتظاری که سیستم کنترل هیچ علامت خطری نفرستد مگر آنکه فرایند به واقع خارج از کنترل باشد.

معمولاً هدف هر سیستم کنترلی شناسایی تغییرات پارامترهای فرایند با حداکثر سرعت ممکن (با نرخ کوچکی از خطای نوع دوم)، بدون اعلام خطرهای غلط بسیار (نرخ کمی از خطای نوع اول) است.

4- خطوط کلی سیستم ART غیردقیق پیشنهادی شکل یک سیستم عصبی پیشنهادی برای کنترل کیفیت و مدل فرایند تولید را نشان می‌دهد.

فرض کنید شناسه تصادفی ویژگی کیفی مشاهده شده باشد (t = 1, 2, …).

سیستم کنترل به عنوان داده فرایند محصول پذیرفته می‌شود و علامت محصول دوگانه را تولید می‌کند که اگر این فرایند در وضعیت طبیعی باشد و در غیر این صورت چنانچه در شکل نشان داده شده است، برخی مراحل پیش‌پردازش داده، پیش از آنکه آنها به شبکه ART غیردقیق ارائه شوند صورت می‌گیرد.

مرحله اول، شکل‌گیری پنجره نامیده می‌شود.

در این مرحله، آخرین مشاهدات M برای شکل‌دادن به بردار ورودی M بعدی شبکه، جمع‌آوری می‌شوند.

نماد به عنوان محصول وحله شکل‌گیری پنجره، هر وقت به شرح زیر خواهد بود در پراکنده‌ترین متن، پارامتر M به اندازه پنجره سیستم عصبی کنترل کیفیت برمی‌گردد (cheng, 1995, 1997; chang and cheng, 2001).

دومین مرحله پیش‌پردازش (کدگذاری) الگوی داده M بعدی را می‌گیرد و به بردار محصول هم‌تراز (به نام It) تبدیل می‌کند که مولفه‌های آن با فاصله هستند .

این مرحله شامل مقیاس‌دهی خطی مجدد متغیر داد به طیف است.

شکل (1).

مدل سیستم عمومی تولید و سیستم عصبی پیشنهادی برای کنترل کیفیت نمودار با 1>0 محدودیت مناسبی برای تغییر ارزش‌های محصول فرایند از میانگین اسمی (در آزمون منبع، پارامتر L مساوی 3 است).

کدگذاری پیش‌پردازش به شرح زیر توصیف می‌شود.

(4) در کنار لایه‌های مقایسه‌ای (F1) و شناسایی (F2)، زمینه تکمیلی (F0) برای شکل دادن به زیرمجموعه توجهی به اجرا گذاشته شده است.

در این لایه F0، کدگذاری بر بردارهای ورودی را تکمیل می‌کند هر وقت بردار ورودی M بعدی It را می‌پذیرد و بردار خروجی M2 بعدی را برای لایه F1 تولید می‌کند.

با در نظر گرفتن 1 به عنوان بردار هر یک M بعدی، برنامه‌های زیر برای کدگذاری تکمیلی قابل استفاده هستند: رشته‌های F1 و F2 کاملاً در تماس با پیوندهای وزن داده شده هستند.

بردار 2M بعدی که مولفه‌های آن وزن‌هایی هستند که گره j رشته F2 را با هر گره در F1 مرتبط می‌کنند به شکل تعیین می شود.

زیر سیستم تشخیصی شامل تک گره‌ای است که گره فعال‌سازی ازنو نام دارد.

این گره تولیدی، که به پارامتر خود ساخته وابسته است، بر گره‌های لایه F2 تأثیرگذار است.

در کاربردهای کنترل کیفیت، تارهای عملیاتی شبکه عصبی ART غیردقیق به شرح زیر قابل اجرا هستند.

برای آموزش، فرض می‌شود که الگوهای محصول فرایند (لیست آموزش) در دسترس است.

به طور مجهول چنین اطلاعاتی، سنجه‌های پارامتر کیفیت هستند، وقتی که دلایل طبیعی نوسان تأثیرگذار هستند.

تعداد پارامترها در لیست آموزش در اینها دوره فراگیری (Al- Ghanim 1997) نامیده می‌شوند، که وابسته به طول زمان سری‌های محصول فرایند هستند که برای آموزش شبکه عصبی به کار گرفته می‌شوند.

فرضیه اصلی آن است که در دوره فراگیری، فرایند تحت نظارت تنها محصولات طبیعی تولید می‌کند که با شبکه ART غیردقیق در دسته‌هایی خوشه‌بندی می‌شوند.

روشن است که شبکه عصبی الگوهایی را که مشابه یکدیگرند در دسته‌های یکسان خوشه‌بندی می‌کند.

الگوریتم ART به کاربر اجازه می‌دهد درجه تشابه الگوهای قرار گرفته در خوشه مشابه را کنترل کند.

معنای تشابه به پارامتر خود ساخته بستگی دارد که در فاز آموزش مورد استفاده قرار می‌گیرد.

آمادگی‌های بالاتر معیارهای انطباق جدی‌تری را تحمیل می‌کند که الگوهای داده را به دسته‌های بهتری تقسیم می‌کند.

به‌عکس، خودساخته‌های پائین‌تر عدم انطباق‌های بیشتری را می‌پذیرند و دسته‌های نامطبوع‌تری را تولید می‌کنند.

در طول آموزش، پارامتر خودساخته حداکثر، به ART غیردقیق امکان می‌دهد الگوی داده را با بالاترین نرخ تشخیص دسته‌بندی کند.

به‌ویژه اگر خودساخته حداکثر ارزش فرض شود، آنگاه شبکه عصبی به دسته‌هایی شکل می‌دهد که الگوهای خاص به کار رفته برای آموزش را تکثیر می‌کند (الگوهای به بهتر شکل فراگیری شده PLP).

خوشه‌ای که در طول فاز آموزش PLP شکل گرفته‌اند را نمی‌توان در ارائه لیست شناسه تغییر داد؛ متعاقباً، تعداد کافی ارائه‌های لیست برای تضمین همگرایی فاز آموزش، می‌تواند به یکی تقلیل یابد (Huangetal, 1995).

در فاز آزمون، فرایند فراگیری جدا می‌شود (یعنی تنظیم وزن بیشتر یا ایجاد خوشه‌های بیشتری ممکن است) و الگوهایی از لیست آزمون به منظور ارزیابی نمایش‌های شبکه عصبی ارائه می‌شوند.

الگویی از لیست آزمون به شبکه عصبی ارائه می‌شود و از طریق الگوریتم ART غیردقیق، دسته‌ای انتخاب می‌شود به شرطی که برای معرفی ورودی مناسب تشخیص داده شود.

معیارهای تعیین چگونگی معرفی خوب خوشه به وسیله دسته‌ای که الگوی داده به آن تعلق دارد، به ارزش خودساخته انتخاب شد و برای فاز آزمون بستگی دارد (که می‌تواند از ارزش به کار رفته در آموزش متفاوت باشد).

به‌ویژه، آمادگی‌های بالاتر معیارهای انطباق جدی‌تری را نسبت به خودساخته‌های پائین‌تر بین الگوهای داده و دسته‌های ART می‌پذیرند.

5- آموزش و آزمون سیستم ART غیردقیق پیشنهادی پیش از بحث بر الگوریتم ART غیردقیق با جزئیات بیشتر، برخی مفاهیم اولیه بایستی معرفی شود.

از حالا به بعد، اندازه بردار x به عنوان خواهد بود.

حداقل میان بردارهای x و y به صورت شناسایی می‌شود.

درحالیکه ماکزیمم در قالب و فاصله بین برداری x و y به صورت نمایش داده می‌شود.

با استفاده از تعریف عاملان min و max تابع مسافت می‌تواند به این شکل بازنویسی شود .

5-1- فاز آموزش در طول آموزش آمادگی حداکثر PLP است.

در ضمیمه الف، توصیف تفصیلی الگوریتم آموزش PLP ارائه شده است.

می‌توان اشاره کرد که رویکرد فراگیری PLP باعث می‌شود که هر الگوی ورودی در دسته متمایزی در طول آموزش قرار بگیرد.

و برجستگی بسیار مهم و مطلوب رویکرد فراگیری پیشنهادی زمان کوتاه آموزش است.

در واقع خوشه‌ای که در طول فاز آموزش PLP شکل گرفته است نمی‌تواند در ارائه لیست شناسه تغییر یابد و متعاقباٌ تعداد لیست می‌تواند به یکی کاهش یابد.

علاوه براین، شناسه ارائه آموزش بر آموزش شبکه عصبی اثری ندارد زیرا هر الگو در دسته‌ای خاص ذخیره می‌شود.

با بهره‌گیری از آمادگی ماکزیمم در طول آموزش.

دیگر پارامترهای شبکه (پارامتر انتصاب و نرخ فراگیری) هیچ تأثیری بر فراگیری ندارد (Huangetal, 1995) زیرا وقتی دسته‌ای شکل می‌گیرد، در طول مسیرهای آموزش بعدی نمی‌تواند اصلاح شود (آمادگی حداکثر منجر به علایم فعال‌سازی از نو می‌شود، اگر گره متعدی در طول آموزش در قالب دولایه F2 برنده شود).

هر الگوی آموزش جدیدی در گره غیرمتعمدی خوشه‌بندی می‌شود.

شبکه عصبی به تعدادی از دسته‌ها، مطابق با تعداد الگوهای آموزشی متفاوت شکل می‌دهد.

بنابراین، هر بردار (یا دسته) بالا به پائین می‌تواند به این شکل نیز تشریح شود: که در آن الگوی M بعدی و I بردار "همه یکی" M بعدی هستند.

پیامد مهم دومی آن است که اندازه بردار برابر است در واقع 5-2- فاز آزمون شکل 2 معماری اصلی شبکه عصبی ART غیردقیق را نشان می‌دهد که به وسیله محیط نرم‌افزاری شبکه‌های عصبی حرفه‌ای II اجرا شده است (Neural ware, 1997).

فرض کنید که الگوی ورودی M بعدی It در رشته F0 ارائه شده است.

ظاهر الگوی 2M بعدی در طول رشته F1 ورودی پائین به بالا را تولید می‌کند که بر گره‌های لایه F2 تأثیر می‌گذارد.

این داده‌های پائین به بالا در برای حالتی که و انتخاب شده به صورت تصادفی در طیف قرار می‌گیرند، آمده است.

داده‌های پائین به بالا فرایند رقابتی را میان گره‌های F2 فعال می‌کنند که نهایتاً منجر به فعال شدن گره تکی در F2 می‌گردد، بدین معنی که این گره حداکثر داده پائین به بالا از F1 دریافت می‌کند.

فرض کنید j نمایه گره در لایه F2 است که تابع انتخاب را حداکثر می‌کند یعنی بردار به عنوان نماینده گروه برای الگوی ورودی است.

تناسب گروه طبیعی برای ارائه الگوی داده به وسیله مقایسه نسبت ، به پارامتر آمادگی در فاز آزمون چک می‌شود که ارزش‌های مفروض در طیف (5, 1) قرار دارند.

شکل 2- شبکه عصبی ART غیردقیقی پیشنهادی برای کنترل کیفیت محصولات نمودار اگر چنین نسبتی کمتر از پارامتر آمادگی N باشد آنگاه محصول با (داده طبیعی، هماهنگ می‌شود.

در غیر این صورت، الگوریتم محصول را تولید می‌کند و داده غیرطبیعی، بدین ترتیب نتیجه می‌شود که بایستی اشاره شود که گره j، که بردار وزن از بالا به پائین آن تابع انتخاب را حداکثر می‌کند.

همچنین گره‌ای که مسافت را حداقل می‌کند.

بنابراین الگوی داده در دسته طبیعی قرار می‌گیرد اگر شرایط زیر (8) رد شود: 6- آزمایش و تجزیه و تحلیل سه پارامتر می‌تواند بر عملکردهای سیستم عصبی پیشنهادی برای کنترل کیفیت تأثیر بگذارد.

1- پارامتر آمادگی از فاز آموزش، می‌تواند ارزشی بین (11 و 0) بگیرد.

2- اندازه پنجره M می‌تواند ارزش‌هایی را بین {1, 2, 3, …} بگیرد یعنی هر عدد غیر صفری را.

3- دوره آموزش N یعنی تعداد الگوهای آموزش.

به منظور برآورد تأثیرات آنها بر عملکردهای سیستم، که در محیط‌های خطای نوع اول و نوع دوم سنجیده می‌شوند.

طرح آزمایشی کاملی مورد استفاده قرار گرفت (Montgomery, 1997).

برای سادگی، هر 3 عامل به وسیله دو سطح مناسب (بالا و پائین) ارزیابی شدند.

بنابراین 8 سناریوی آزمایشی تجزیه و تحلیل شد.

15 داده آموزش و 15 داده آزمون متفاوت به وسیله شبیه‌ساز مونت‌کارلو ایجاد شد.

برای ساختن این نسل تصادفی متفاوت برای همه دسته داده، نطفه متفاوتی از مولد شبه تصادفی MATLAB، برای هر سری آموزشی یا آزمونی مشخص شد.

تکثیر شبیه‌سازی برای ترکیب هر دسته داده آموزشی به همه دسته‌های آزمونی اخذ شد.

بنابراین تعداد 15*15 مانندسازی متفاوت برای هر 8 سناریوی آزمایشی به دست آمد.

هر دسته داده آموزشی شامل تعداد d بردار M بعدی است و این درحالی است که دسته داده‌های آزمونی از 10000 بردار M بعدی تشکیل شده‌اند.

دسته داده‌های آموزشی و همچنین دسته داده‌های آزمونی که برای تخمین خطاهای نوع اول به کار می‌روند، با بهره‌گیری از تابع توزیع نرمال شبیه‌سازی شده‌اند (میانگین و انحراف استاندارد 6=1).

از سوی دیگر دسته‌های داده آزمونی که برای تخمین خطاهای نوع دوم استفاده شده‌اند، از طریق الگوی تغییر 5/1 واحد از انحراف استاندارد و نقطه آغاز در مشاهده پنجم شبیه‌سازی شده‌اند.

پیش از معرفی نتایج شبیه‌سازی اجازه دهید جزئیات بیشتری از مدل آزمایشی را تشریح کنیم.

ارتباط بین خطای نوع اول و پارامترهای شبکه به این شکل قابل تنظیم است.

درجایی که تابع خطای نوع اول مورد انتظار است سطح ترکیب پارامتری سنجه شبیه‌سازی واقعی است.

سنجه واقعی از خطای تأثیر می‌پذیرد که می‌تواند به عنوان روی دادن متغیر تصادفی یا میانگین صفر باشد.

3 منبع تغییر می‌تواند بر خطای تصادفی تأثیر گذارد: دسته آموزشی، دسته آزمونی و میانکنش میان آنها.

تأثیر دسته داده آموزشی بر سنجه واقعی به عنوان انتخاب می‌شود و تأثیر دسته داده آزمونی بر سنجه واقعی به شکل .

به این ترتیب دلالت بر تأثیر میانکش میان دو عامل را دارد.

را می‌توان بدین شکل بازنویسی کرد.

با اختصاص نمادهای به ارزش‌های واریانس مولفه‌های تصادفی ، آنگاه واریانس را می‌توان به صورت بازنویسی کرد.

مدل مشابهی را می‌توان برای خطای نوع دوم تنظیم کرد و بنابراین را می‌توان در این خصوص به کار گرفت: این موضوع دلالت بر دارد.

6-1- تجزیه و تحلیل چنانچ اشاره شد برای اینکه بدانیم چطور سه پارامتر بر عملکردهای شبکه تأثیر می‌گذارند، نرخ خطای نوع اول و نوع دوم هر دو در 8 سناریو تخمین زده شده‌اند.

دو اندازه پنجره ، در سطح پارامتر آمادگی و دو دوره فراگیری (d= 100 – 1000).

مورد استفاده قرار گرفته‌اند.

نرخ‌های خطای نوع اول حاصل در جدول شماره 1 آمده‌اند.

در ادامه شکل 3 نقاط تأثیر اصلی برای هر عامل آزمایشی را نشان می‌دهد.

نتیجه اینکه با افزایش پارامتر آمادگی نرخ خطای نوع اول نیز افزایش می‌یابد.

بطور مشابه اندازه پنجره بالاتر منجر به افزایش خطای نوع اول می‌شود.

به‌عکس دوره آموزش طولانی‌تر خطای نوع اول کمتری تولید می‌کند.

باید توجه داشت که تغییرات پارامتر آمادگی و اندازه پنجره می‌تواند تأثیر قابل ملاحظه‌ای بر خطاهای نوع اول بگذارد، این درحالی است که تغییرات در دوره آموزش تنها تأثیر اندکی بر نرخ اعلام خطر اشتباه دارند.

علاوه براین تجزیه و تحلیل واریانس (Montgomery, 1997- ANOVA) نتایج شبیه‌سازی، نشان می‌دهد که میانکش قابل ملاحظه‌ای بین پارامتر آمادگی و اندازه پنجره M در محیط تأثیرات آنها بر خطای نوع اول وجود دارد.

شکل3 و جدول یک 8 نقطه انحراف معیار استاندارد برآورد شده جدول یک.

پراکندگی عملکردها در نقطه تخمینی اعلام خطر اشتباه را اندازه می‌گیرند.

نتیجه اینکه تغییرات در دسته داده آموزش و همچنین دسته داده آزمون تأثیر مهمی بر خطاهای نوع اول ندارند.

با وجود این باید توجه داشت که دوره کوتاه آموزش (d= 100) می‌تواند باعث تأثیر بیشتر دسته داده آموزش بر نرخ اعلام خطر اشتباه اعلام شده توسط سیستم عصبی باشد.

خطاهای نوع دوم در جدول شماره 2 آمده‌اند و نقاط تأثیر عمده در شکل 4 نشان داده شده‌اند.

در این مورد می‌توان استنباط کرد که با افزایش پارامتر آمادگی، خطای نوع دوم کاهش می‌یابد.

بطور مشابه اندازه پنجره بزرگتر موجب کاهش خطای نوع دوم می‌شود درحالیکه دوره آموزش طولانی‌تر خطای نوع دوم کمی بیشتر تولید می‌کند.

با مقایسه شکل 3 و 4 مشخص می‌شود که تأثیرات 3 پارامتر بر خطای نوع دوم کمتر از تأثیرات آنها بر خطای نوع اول است.

چنانچه برای خطای نوع اول سنجش می‌شود، تجزیه و تحلیل واریانس نشان می‌دهد که میانکش قابل ملاحظه‌ای بین پارامتر آمادگی و اندازه پنجره در خصوص خطای نوع دوم نیز وجود دارد.