تبلیغات
Nothing To Display - كنترل پیش بینانه كیفیت با استفاده از شبكه های عصبی ANNs و روش تركیبی تحلیل رگرسیون و (ANNs) مصنوعی
 
Nothing To Display
you are in my heart 4ever
 
 
Archive of SID
مدیریت صنعتی، دوره 1، شماره 3، پاییز و زمستان 1388 ، از صفحه 153 تا 170
كنترل پیش بینانه كیفیت با استفاده از شبكه های عصبی
ANNs و روش تركیبی تحلیل رگرسیون و (ANNs) مصنوعی
نجمه نشاط 1*، هاشم محلوجی 2
1. دانشجوی كارشناسی ارشد، دانشكده مهندسی صنایع، دانشگاه صنعتی شریف، ایران
2. استاد ، دانشكده صنایع، دانشگاه صنعتی شریف، ایران
(1388/10/ 1387 ، تاریخ تصویب: 20 /11/ (تاریخ دریافت: 26
چكیده
در این مقاله با ارا یه نمونه عملی فرآیند اسپری درایینگ، متدولوژی مدل سازی فرآیندها با استفاده
سلسله مراتبی از تحلیل رگرسیونی و الگوریتم ش بكه عصبی مصنوعی، با هدف كنترل پیش بینانه
در این مقاله، ب ه منظور ANNs كیفیت، برای نخستین بار تشریح و پیاد ه سازی شده است. استفاده از
معماری مدل عصبی فرآیند اسپری درایینگ با اتخاذ یك رویكرد عمومی و انتخاب الگوریتم
پس انتشار خطا به كمك داده های مستقیم است. فرض تاثیر مثبت اعمال تحلیل رگرسیونی بر ارتقا
پایایی مدل عصب ی، با محاسبه و تحل یل شاخص های ارزیابی پایایی مدل كه عبارتند از : ضریب
برای مدل ،(RMSE) و جذر میانگین مربعات خطا (MRE) میانگین خطای نسبی ،(R تعیین( 2
عصبی و مدل عصبی - آماری (مدل عصبی با ا عمال تحلیل رگرسیونی) تایید شد. در انتها با توجه
به نتایج ارزیابی پایایی، سناریوهای مختلفی برای تنظیم ورودی های فرآیند توسط مدل عصبی -
آماری فرآیند طراحی شد كه با استفاده از آن م ی توان كنترل پی ش بینانه را جایگزین روش ها ی
مبتنی بر سعی و خطا برای كنترل فرآیند كرد.
واژه های كلیدی: كنترل پیش بینانه، شبكه عصبی مصنوعی، مدل سازی، اسپری درایینگ
Email: najmeh_neshaat @yahoo.com ∗ نویسنده مسئول
www.SID.ir
Archive of SID
154 مدیریت صنعتی، دوره 1، شماره 3، پاییز و زمستان 1388
1.مقدمه
لازمه پیش بینی كیفیت محصول در هر فرآیند، مدل سازی و كشف رابطه بین عواملی است
كه می توانند بر كیفیت خروجی فرآیند تاثیرگذار باشند. در سال های اخیر، شبكه های
به عنوان یك الگوریتم فرا ابتكاری در زمینه مدل سازی و (ANNs) عصبی مصنوعی
پیش بینی، مورد توجه بسیار قرار گرفته است كه این محبوبیت را می توان به توانایی و
در زمینه مدل سازی و پیش بینی علی الخصوص در مورد ANNs قابلیت های برجسته
فرآیند های پیچیده مربوط دانست. قابلیت اطمینان بالا در حذف و تشخیص نوسانات غیر
تصادفی در داده ها[ 18 ]، توانایی در كشف اثرات متقابل بین متغیر ها[ 9]، صرفه جویی
اقتصادی قابل توجه در به كارگیری، فراغت از مفروضات و قیود دست و پاگیر مدل های
كلاسیك[ 24 ] و توانایی كاهش تاثیر متغیر های غیرموثر بر مدل از طریق تنظیم پارامترهای
داخلی[ 4]، از جمله ویژگی هایی است كه موجب شده است تا این الگوریتم فرا ابتكاری را
بر دیگر روش های كلاسیك مدل سازی و پیش بینی از جمله رگرسیون برتری دهد. از
نخستین مطالعات انجام شده در زمینه مدل سازی فرآیند های تولیدی، می توان به مقاله ای
كه در سال 1986 میلادی توسط مهروترا[ 11 ] نوشته شد، اشاره كرد. در این مقاله،
مدل سازی فرایند تولید كاشی سرامیكی از طریق تشریح كمی روابط بین متغیر ها در قالب
معادلات ریاضی صورت گرفت. آندرسن و همكاران[ 2] نیز سعی كردند تا با مدل سازی
فرآیند و به كارگیری شبكه پس انتشار خطا، نسبت به پیش بینی كیفیت فرآیند جوشكاری،
در یك تجربه آزمایشگاهی اقدام كنند. از دیگر مطالعات انجام شده در زمینه مدل سازی
فرآیند می توان به مقاله ای كه توسط اسمیت و داگلی[ 20 ] با موضوع پیش بینی كیفیت
و تحلیل رگرسیونی انتشار یافت، اشاره ANNs با استفاده از PVC فرآیند شكل دهی لوله
كرد. در این مطالعه، انتخاب اولیه متغیرهای پیشنهادی مدل عصبی بر اساس نتایج تحلیل
ضرایب انفرادی مدل رگرسیونی، صورت پذیرفت. مطالعه بعدی منسوب به مارتینز و
همكاران[ 13 ] است؛ در این مطالعه مدل عصبی با هدف كاهش ضایعات در فرآیند
شكل دهی ارایه شد. در اصل در این مطالعه، از شبكه عصبی به عنوان ابزاری برای شناسایی
و طبق هبندی الگو استفاده شد. اندكی بعد، بن برهیم و همكاران[ 3] نیز برای صنایع سرامیكی
(چینی بهداشتی) با به كارگیری الگوریتم پس انتشار خطا اقدام به مدل سازی و پیش بینی
فرآیند شكل دهی چند متغیره كردند. سو و هسیه[ 22 ] مدل سازی و بهبود عملكردكیفی را
www.SID.ir
Archive of SID
كنترل پیش بینانه كیفیت با استفاده از شبكه های ... 155
با به كارگیری الگوریتم پس انتشار خطا (بر اساس قانون گرادیان نزولی) و اتخاذ رویكرد
تاگوچی برای فرآیند تولید نیمه هاد یها، مورد مطالعه قرار دادند. در سال 2000 میلادی
یك سیستم پیوندی متشكل از تكنی كهای بهبود الگوریتمی، شبكه عصبی و منطق فازی
در صنعت كاشی سرامیكی توسط لام و همكاران[ 10 ] طراحی شد كه در این سیستم، با به
كارگیری ماژول پیشبینی شبكه عصبی، تنظیمات قابل كنترل فرآیند پیش بینی شده و
سپس الگوریتم بهبود سیستم با توجه به نتایج پیش بینی شده، تابع هدف را بهینه سازی
می كرد. اما در مدل عصبی طراحی شده توسط كوك و همكاران[ 5] برای پیشگویی
استحكام تخته های نئوپان، پیش بینی كیفیت با استفاده از الگوریتم پس انتشار خطا و
بهینه سازی كیفیت، با استفاده از الگوریتم ژنتیك انجام شد. بهینه سازی در مورد
انجام شد ANNs فرآیند های شیمیایی نیز توسط ناسیمنتو و همكاران[ 14 ] با به كارگیری
كه در این مطالعه پس از پیش بینی كیفیت خروجی توسط شبكه عصبی، بهینه سازی
پارامترهای شیمیایی با استفاده از روش برنامه ریزی غیر خطی صورت گرفت. سپس
مطالعه ای توسط سوكدومیا و تانوك[ 23 ] در سال 2005 به منظور مدل سازی فرآیند تولید
تیغه مورد استفاده در پره هواپیما انجام گرفت كه در این مطالعه، عوامل موثر ورودی به
مدل عصبی به روش سعی و خطا و با توجه به ضریب تعیین شبك هها، انتخاب شد. در
مدل سازی فرآیند لعاب زنی كه با هدف بهینه سازی كیفیت خروجی رنگ لعاب، توسط
ارگینل و آی[ 6] انجام شد، تكنیك طراحی آزمای شها به كار رفت. در ادامه این فعالیتها،
مقاله ای توسط سنتورك و ارگینل[ 19 ] ارایه شد كه در این مطالعه تئوریك استفاده از
سیستم استنتاج تطبیقی فازی عصبی و آموزش آن با الگوریتم پس انتشار خطا برای
شناسایی سطوح عوامل با به كارگیری روش طراحی آزمای شها، پیشنهاد شد. فعالیت های
علمی افزولپوركار و همكاران[ 1] از دیگر مطالعات قابل توجه در این زمینه است كه با
استفاده از یك ماژول نرم افزاری هوشمند، پیش بینی كیفیت فرآیند تولید كاشی انجام شده
است. نزدیك ترین مطالعه به مقاله حاضر، مربوط به مطالع های است كه توسط هوسوز و
انجام ANNs همكاران[ 9] به منظور پیش بینی عملكرد برجهای خنك كننده با استفاده از
گرفته است. در این مطالعه شاخص عملكرد فرآیند به عنوان مجموعه ای از مشخصه های
كیفی فرآیند از جمله دمای آب تبخیر شده در برج خنك كننده، تعریف شده است.
پراتس- مونتالبان و فرر[ 15 ] طی یك مطالعه علمی، فاكتورهای مهم و موثر بر درجه بندی
www.SID.ir
Archive of SID
156 مدیریت صنعتی، دوره 1، شماره 3، پاییز و زمستان 1388
وصفی كاشی های سرامیكی با استفاده از رگرسیون لجستیك و طراحی آزمایش ها مورد
شناسایی قرار دادند. نكته قابل توجه در مورد تمامی این مطالعات مربوط به ویژگی در بسته
بودن (بلك باكس بودن) شبكه های عصبی است به طوری كه در هر دو مرحله معماری
مدل عصبی و تفسیر و بكارگیری خروجی های مدل عصبی به عنوان یكی از نقاط ضعف
شبكه های عصبی به شمار می رود. با این توصیف، هدف اساسی این تحقیق اتخاذ
رویكرد هایی است كه با استفاده از آنها بتوان این نقطه ضعف از شبكه های عصبی را مرتفع
كرده و با ارتقا پایایی مدل عصبی فرآیند بتوان نسبت به كنترل پی شبینانه كیفیت اقدام كرد.
سوالات اساسی این تحقیق را می توان در قالب دو عبارت مطرح نمود: 1) آیا استفاده از
تحلیل رگرسیونی در معماری شبكه عصبی می تواند موجب افزایش پایایی مدل عصبی به
منظور پیش بینی كیفیت فرآیند شود؟ 2) چگونه می توان با استفاده از خروجی های
عملاً نسبت به كنترل پیش بینانه فرآیند اقدام نمود؟ ANNs پیش بینی شده توسط
2. آشنایی با فرآیند اسپری درایینگ
فرآیند اسپری درایینگ، یكی از مراحل تولید كاش یهای سرامیكی می باشد كه در آن،
دوغاب كاشی از طریق تجهیزات اسپری درایر به گرانول تبدیل می شود. به منظور تبدیل
دوغاب به دانه های گرانول لازم است تا دوغاب موجود در حوضچه ها با "دمای دوغاب"
به داخل محفظه اسپری درایر پاشیده شود. همزمان با ورود (Pp) " تحت "فشار پمپ ، (TS)
دوغاب به داخل محفظه اسپری درایر ، هوای داغ از طریق سیستم توزیع هوای داغ با
به بالای محفظه تزریق شده و موجب جذب رطوبت دوغاب و (Ťin) " "دمای ورودی
تبدیل آن به دان ههای گرانول می شود. در نهایت با ایجاد جریانات گردابی در داخل محفظه
ذرات گرانول از طریق شیر تخلیه از محفظه اسپری ،(PS) " از طریق اعمال "فشار مكش
ایجاد شده با تاثیر به روی سرعت جریانات (PS) " درایر خارج می شود. "فشار مكش
گردابی، مهلت دانه های گرانول را برای به هم پیوستن و حجیم شدن، دستخوش تغییر
است، (ŤO) " می سازد. گرد و غبار موجود در داخل محفظه كه دارای "دمای خروجی
توسط سیستم جمع آوری سیكلو نها از محفظه خارج می شود[ 17 ]. با توجه به نحوه تشكیل
فرایند اسپری درایینگ P-Diagram ، ذرات گرانول و با علم به ساختار كاری اسپری درایر
:[ مطابق با نمودار شماره ( 1) رسم شده است[ 17
www.SID.ir
Archive of SID
كنترل پیش بینانه كیفیت با استفاده از شبكه های ... 157
فرایند اسپری درایینگ P-Diagram . نمودار 1
كه بیانگر وزن ذرات گرانول با ،(S مطابق با نگاره شماره ( 1) متغیر خروجی دانه بندی( 3
قطر بیشتر از 300 میكرون در یك نمونه 100 گرمی از گرانول خروجی از اسپری درایر
می باشد، معیاری برای بیان وضعیت دانه بندی گرانول ها به عنوان یك مشخصه كیفی فرآیند
تعریف می شود.
3. تحلیل رگرسیونی متغی رهای فرآیند
انجام تحلیل های رگرسیونی متغیر ها قبل از مرحله معماری مدل عصبی با هدف جبران
ناتوانایی مد لهای عصبی در شناسایی نحوه تاثیر گذاری متغی رهای ورودی بر متغیر پاسخ
انجام می گیرد. داده های جمع آوری شده از فرآیند اسپری درایینگ به منظور مدل سازی
عصبی فرآیند، شامل 100 نمونه كاملاً تصادفی م یباشد كه هر نمونه، حاوی اطلاعات
مربوط به 7 متغیر رگرسور و یك متغیر پاسخ متناظر با آن است. نتایج تحلیل همبستگی،
بین متغیر های رگرسور و متغیر پاسخ فرآیند اسپری درایینگ، طبق نگاره شماره ( 1) قابل
مشاهده است.
نگاره 1. جدول تحلیل همبستگی بین متغیر های رگرسور و متغیر پاسخ فرایند اسپری درایینگ
S3, TS S3, PS S3 ,Ťin S3 ,PP S3, ŤO S3 ,ν S3 ,ρ
-0.007 - 0.05 0.111 0.002 0.249 0.316 0.567 ضریب
همبستگی
0.95 0.601 0.297 0.983 0.017 0.002 0.000 Sig
وضعیت نهایی + + + - - - -
∗علامت "+" بیانگر وجود همبستگی و "-" به منزله عدم وجود همبستگی بین دو متغیر با توجه به نتایج تحلیل همبستگی و هم چنین نمودار پراكنش این دو متغیر
می باشد.
www.SID.ir
Archive of SID
158 مدیریت صنعتی، دوره 1، شماره 3، پاییز و زمستان 1388
،ν نتایج نگاره شماره ( 1)، نشان می دهد كه از بین هفت متغیر پیشنهادی، تنها سه متغیر
PP ،PS است و نتایج تحلیل همبستگی متغی رهای S دارای همبستگی با متغیر پاسخ 3 ŤO و ρ
0.1 ) و هم چنین عدم وجود رابطه غیرخطی این سه متغیر با < Sig) S با متغیر پاسخ 3 Ťin و
با توجه به نمودار پراكنش) بیانگر این مطلب است كه ظاهراً تغییرات این سه متغیر نمی ) S3
داشته باشد. به منظور شناخت رابطه بین متغیر های S تواند تاثیر قابل توجهی بروی تغییرات 3
ورودی به مدل، لازم است تا وضعیت همبستگی بین این دسته از متغیرها به صورت دو به
دو، طبق نگاره شماره ( 2) مشخص گردد (در صورت وجود همبستگی ذكر شده است).
نگاره 2. جدول تحلیل همبستگی بین متغیر های رگرسور در فرایند اسپری درایینگ
PS , ŤO PP , ŤO Ťin , ŤO ν, ρ
0.31 -0.324 0.354 ضریب همبستگی 0.477
0.003 0.035 0.001 0.000 Sig
تحلیل همزمان نتایج نگاره شماره ( 1) و نگاره شماره ( 2) بیانگر آن است كه متغیر های
به طور غیر مستقیم بر آن اثر می گذارند و این S با تاثیرگذاری مستقیم بر 3 Ťin و PS ،PP
با توجه به لزوم برقراری بیلان "جرم" در داخل محفظه و برای ،PP استنتاج را می توان برای
با توجه به لزوم برقراری بیلان ،Ť in با توجه به لزوم برقراری بیلان "حجم" و برای ،PS
،Ťin به عنوان یك متغیر وابسته به متغیر های ŤO "انرژی" توجیه كرد. بنابراین مقادیر متغیر
لازم ŤO و ν بر حسب متغیر های S بستگی دارد و برای ارایه مدل عصبی پی شبینی 3 PS و PP
با استفاده از الگوریتم PS و PP ،Ťin بر حسب متغی رهای مستقل آن یعنی ŤO است تا مقادیر
برآورد شود. ANNs
4. متدولوژی مدل سازی عصبی فرآیند اسپری درایینگ
با هدف توسعه مدل فرآیند پیچیده اسپری درایینگ با توجه به ANNs انتخاب الگوریتم
26 ]. بنابراین در این زیر ، دستاوردهای مطالعات قبلی در مورد این فرآیند انجام می گیرد [ 4
بند، مراحل هشت گانه مدل سازی عصبی فرآیند اسپری درایینگ با استفاده از نمودار شماره
2) (فلوچارت عمومی مدل سازی) تشریح می گردد. )
www.SID.ir
Archive of SID
كنترل پیش بینانه كیفیت با استفاده از شبكه های ... 159
نمودار 2. فلوچارت تشریح مراحل مدل سازی فرآیند های تولیدی
قدم 1) طرح ریزی معماری مدل: در این مرحله، چهارچوب كلی كار از قبیل هدف از
مدل سازی، محدودی تها و پیش فر ضها مشخص م یشود.
،ANNs قدم 2) جمع آوری و آماده سازی داده ها: در مدل سازی عصبی با استفاده از
داده های فراهم شده برای برازش مدل، لازم است تا در یك عبارت كلی، نماینده
جامعه ای باشند كه از آن انتخاب شده اند (ارضای شرط یكپارچگی،كفایت و تصادفی
بودن). با توجه به ارتباط تعداد داده های برازش به میزان پیچیدگی فرآیند، لازم است تا
تعداد داد ههای مورد نیاز برای آموزش به صورت اقتضایی مشخص شود. سه رویكرد
متفاوت برای تهیه داد ههای برازش مدل، عبارت اند از 1) روش مستقیم (پركاربردترین
طرح ریزی معماری مدل
جمع آوری و آماده سازی داده ها
انتخاب ساختار مدل
انتخاب معیارهای مناسبت برازش
تخمین پارامتر های مدل (برآورد مدل)
اندازه گیری عملكرد مدل
صحه گذاری مدل
انتخاب معیارهای ارزیابی پایایی مدل
رد صحت مدل
تایید صحت مدل
www.SID.ir
Archive of SID
160 مدیریت صنعتی، دوره 1، شماره 3، پاییز و زمستان 1388
2) روش شبیه سازی و 3) روش طراحی ،([ روش برای مدل سازی فرایند های تولیدی[ 8
آزمایش ها، كه عیب عمده این روش، مدل سازی غیر واقعی از فرآیند، هزینه بر بودن آن و
هم چنین پیش فرض قرار دادن رابطه خطی بین متغی رهای ورودی با متغیر خروجی فرآیند
است. مضاف بر شروط یكپارچگی، كفایت و تصادفی بودن، لازم است تا به منظور افزایش
كارایی فرایند برازش قبل از ارایه داد هها به مدل، نسبت به پیش پردازش داد هها در دامن های
مشخص اقدام شود.
قدم 3) انتخاب ساختار مدل: انتخاب ساختار مدل عصبی، با توجه به مأموریت شبكه،
SOM و یا مدل های RAN مد لهای ،MLP مدل های ،ART می تواند از چهار مدل اصلی
در نگاشت روابط خطی و غیر خطی MLR انتخاب شود. با توجه به كاربرد وسیع مد لهای
استفاده MLR و كاربر دهای مهندسی، غالبا در مدل سازی فرآیند های تولیدی از مدل
می شود[ 16 ]. پس از تعیین ساختار كلی مدل، لازم است تا نسبت به تعیین جزییات ساختار
مدل از جمله تعداد نرون لایه ورودی (بر اساس تعداد متغیر ورودی)، تعداد لای ههای میانی
(به روش سعی و خطا)، تعداد نرون لایه خروجی (بر اساس تعداد متغیر خروجی) و نوع
.[ تابع فعا لسازی(به روش سعی و خطا)، اقدام شود[ 7
قدم 4) انتخاب معیا رهای مناسبت برازش: مناسبت برازش مدل در مدل سازی عصبی، از
طریق توقف فرایند آموزش مدل عصبی مشخص می شود. سه معیار برای توقف آموزش در
وجود دارد كه به محض تحقق هر یك، مرحله آموزش به نشانه مناسبت MLR مدل
برازش و صحت مدل، متوقف می شود. این معیارها عبار تاند از: 1) كمتر شدن مقدار
از مقدار تعیین شده قبلی، 2) تغییرات Epoch در هر سیكل یا (MSE) میانگین مربعات خطا
نامحسوس در نرم گرادیان خطا در تكرارهای متوالی و یا كمتر شدن مقدار نرم گرادیان
.[ خطا از مقدار تعیین شده قبلی و 3) افزایش تعداد تكرار ها از مقدار تعیین شده قبلی[ 12
قدم 5) تخمین پارامت رهای مدل (برآورد مدل): تخمین پارامترهای مدل عصبی، در
اصل همان ارایه داده ها به شبكه و آموزش آن است كه با هدف تنظیم پارامترهای داخلی
(وزن ها و بایاس ها) شبكه انجام می گیرد. چنان چه به شبكه اجازه داده شود تا از طریق
تنظیم پارامترهای داخلی، متغیر های موثر را از متغی رهای غیر مؤثر بر مدل تفكیك كند،
رویكرد اتخاذ شده یك رویكرد عمومی است و در صورتی كه متغیرهای مؤثر بر مدل، با
تكیه به رو شهای دیگر از جمله بهر هگیری از تحلی لهای آماری همچون تحلیل واریانس
www.SID.ir
Archive of SID
كنترل پیش بینانه كیفیت با استفاده از شبكه های ... 161
گزینش شوند، رویكرد اتخاذ شده یك رویكرد متمركز است[ 21 ]. در مرحله آموزش لازم
است تا در مورد پارامترهای اجرای آموزش؛ از جمله نوع الگوریتم آموزش، نرخ
نحوه ارایه داده ها (تصادفی یا دوره ای) و هم چنین ،(μ ) ضریب ممنتم ،(α ) یادگیری
معیارهای توقف آموزش، تصمیم گیری به عمل آید.
قدم 6) صحه گذاری مدل: صحه گذاری در مدل سازی عصبی، در اصل همان بررسی
معیارهای توقف برای دسته ای گزینش شده از داده های آموزش می باشد كه داد ههای صحه
گذاری نامیده می شود. در حین فرایند آموزش معیار های توقف آموزش برای این دسته از
داده ها مورد بررسی لحظه به لحظه قرار می گیرد و چنانچه آموزش متوقف گردد و تابع
كمتر از مقدار تعیین شده توسط كاربر باشد فرآیند (MSE) خطای فرآیند آموزش
آموزش به معنای دستیابی به یك مدل قابل قبول متوقف می شود.
قدم 7) انتخاب معیارهای ارزیابی پایایی مدل: معیارهای ارزیابی پایایی كه به منظور
بررسی قدرت پیش بینی مدل عصبی فرآیند انتخاب شده اند، عبارت اند از[ 16 ]: الف)
بین مقادیر خروجی واقعی و مقادیر پی شبینی شده توسط شبكه كه (R ضریب تعیین ( 2
مطابق رابطه ( 3) محاسبه می گردد.
)
( )
( )
1 (
1
2
1
2
2
Σ
Σ
=
=



= − m
i
i
m
i
i i
y y
y y
R
مقداری نزدیك به 1 داشته باشد و مقدار صفر برای R بهترین عملكرد موقعی است كه 2
R2 نشان دهنده آن است كه مقادیر خروجی برآورد شده توسط مدل به مقادیر واقعی
كه نشان دهنده (MRE) خروجی نزدیك نم یباشد؛ ب) شاخص میانگین خطای نسبی
متوسط قدر مطلق نسبت خطا به مقادیر واقعی می باشد و ج) شاخص جذر میانگین مربعات
كه میانگین مربعات خطاهای محاسبه شده از مقادیر واقعی و مقادیر (RMSE) خطا
مقادیر كمتری داشته باشند نشان RMSE و MRE پیش بینی شده را نشان می دهد. هر چه
دهنده آن است كه مدل با خطای كمتری نسبت به پیش بینی مقادیر خروجی اقدام می نماید.
قدم 8) ارزیابی پایایی مدل: در این مرحله لازم است تا با توجه به معیارهای انتخاب
شده در قدم ( 7) و جمع آوری داده هایی مستقل از داد ههای برازش مدل، اما در محدوده ای
گسترده تر(با هدف اندازه گیری پایایی در برون یابی و درون یابی مدل)، نسبت به محاسبه
و تحلیل پایایی مدل اقدام شود.
www.SID.ir
Archive of SID
162 مدیریت صنعتی، دوره 1، شماره 3، پاییز و زمستان 1388
5. متدولوژی مدل سازی عصبی و عصبی- آماری فرآیند اسپری درایینگ
در این مرحله به منظور بررسی تاثیر اعمال تحلی لهای رگرسیونی بر ارتقاء پایایی مدل
عصبی فرآیند اسپری درایینگ، اقدام به معماری دو مدل عصبی با رویكرد عمومی و مدل
عصبی- آماری با اتخاذ رویكرد متمركز (توجه به نتایج تحلیل های رگرسیونی در
مدل سازی عصبی) شده است. با توجه به مطالعات مشابه قبلی در زمینه مدل سازی فرآیند
و الگوریتم MLP اسپری درایینگ [ 4و 26 ]، با اتخاذ یك رویكرد عمومی، ساختار
مبتنی بر قانون لونبرگ ماركوارت) برای مدل عصبی فرایند ) PB آموزشی پس انتشار خطا
اسپری درایینگ انتخاب گردیده است. به منظور دستیابی به بهترین پیكره بندی برای شبكه
مدل عصبی فرآیند، شبكه های مختلفی شامل 1 الی 3 لایه مخفی با تعداد متغیر از نرون لایه
مخفی و هم چنین توابع محرك متفاوت در نظر گرفته شد. نتایج ارزیابی مناسبت هر یك از
این شبكه ها بر اساس تابع خطای شبكه بیانگر این مطلب بود كه شبكه ای با دولایه مخفی
شامل 12 و 14 نرون با توابع محرك تانژانت سیگموئید، لگ سیگموئید و تابع محرك
خطی به ترتیب برای لایه های آن می تواند بهترین پیكره بندی برای شبكه مدل عصبی باشد.
جزییات بیشتر این شبكه، در قالب نمودار شماره ( 3) قابل مشاهده می باشد.
نمودار 3. پیكره بندی شبكه مدل عصبی فرآیند اسپری درایینگ
در مدل سازی عصبی، تمامی 7 متغیر شناسایی شده و 100 داده تهیه شده برای برازش
مدل مورد استفاده قرار می گیرد. در مدل سازی عصبی- آماری فرایند در ابتدا با توجه به
برآورد شده و سپس ANNs با استفاده از الگوریتم ŤO نتایج تحلیل رگرسیون، مقدار متغیر
به PS و PP ،Ťin و هم چنین مقادیر ρ و مقادیر اندازه گیری شده ŤO مقادیر برآورد شده
به مدل عصبی- آماری فرآیند به دلیل وجود PS و PP ،Ťin مدل ارایه می شود. ارایه مقادیر
صورت می گیرد زیرا این همبستگی می تواند نشانه ای ŤO همبستگی بین این متغیر ها با متغیر
باشد. نتایج رگرسیونی لحاظ شده S بر وجود اثرات متقابل بین متغی رها و تاثیرگذاری بر 3
www.SID.ir
Archive of SID
كنترل پیش بینانه كیفیت با استفاده از شبكه های ... 163
در معماری مدل عصبی- آماری عبارت اند از: 1) وجود 9 نمونه پرت در نمونه 100 تایی
و 3) احتمال وجود S بر متغیر پاسخ 3 TS داده های برازش مدل، 2) عدم تاثیر گذاری متغیر
و لزوم حضور این متغیر ها در مدل. پیكره بندی PS و PP ،Ťin اثرات متقابل بین متغی رهای
شبكه مدل عصبی- آماری فرآیند اسپری درایینگ طبق روالی مشابه با پیكره بندی شبكه
مدل عصبی انجام گرفت و جزییات آن در قالب نمودار شماره ( 4) قابل مشاهده می باشد.
نتایج ارزیابی مناسبت شبك ههای پیشنهادی بر اساس تابع خطای شبكه بیانگر این مطلب بود
كه شبكه ای با دولایه مخفی شامل 12 و 18 نرون با توابع محرك تانژانت سیگموئید، لگ
سیگموئید و تابع محرك خطی به ترتیب برای لایه های آن می تواند بهترین پیكره بندی
برای شبكه مدل عصبی  آماری باشد.
نمودار 4. پیكره بندی شبكه مدل عصبی- آماری فرآیند اسپری درایینگ
به منظور دستیابی به پیكره بهینه شبكه و یا به عبارتی برازش مدل، داده های برازش مدل
به مد لها ارایه و ،MATLAB عصبی و عصبی- آماری فرایند با استفاده از نرم افزار
آموزش انجام گرفت. معیارهای مناسبت برازش مدل های عصبی و عصبی  آماری فرآیند
( اسپری درایینگ و نتایج كسب شده در لحظه توقف آموزش مطابق با نگاره شماره ( 3
ارایه شده است.
نگاره 3. جدول معیارهای و نتایج توقف آموزش مدل عصبی و عصبی- آماری فرآیند اسپری
معیارهای توقف نتایج در لحظه توقف
GRAD Epoch MSE GRAD Epoch MSE
0.0015223 19 0.023765 1e-010 100 1e- مدل عصبی 005
0.0010241 19 0.058235 1e-010 100 1e- مدل عصبی- آماری 005
www.SID.ir
Archive of SID
164 مدیریت صنعتی، دوره 1، شماره 3، پاییز و زمستان 1388
مدل های عصبی و عصبی- آماری پس از برازش با استفاده از شاخ صهای ارزیابی
پایایی، و یك مجموعه داده 28 تایی به عنوان داده های ارزیابی پایایی مدل كه مستقل از
داده های آموزش بوده و در محدود های گسترده تر جم عآوری شده اند، تحت اندازه گیری
برای مدل RMSE= و گرم 1.44 MRE=1.92٪ ،R2= پایایی قرار گرفتند و نتایج ٪ 73.49
برای مدل RMSE= و گرم 1.343 MRE= 1.682٪ ،R2= عصبی فرایند و نتایج ٪ 79.12
عصبی- آماری فرآیند اخذ شد.
6. بحث و بررسی نتایج
نتایج ارزیابی پایایی مدل های عصبی و عصبی- آماری با به كارگیری سه شاخص ارزیابی
پایایی در قالب نگاره شماره ( 4) قابل مشاهده می باشد.
نگاره 4. جدول نتایج ارزیابی پایایی برای مدل عصبی و عصبی- آماری فرآیند اسپری درایینگ
RMSE MRE R2
1.44 1.92% مدل عصبی % 73.49
1.343 1.682% مدل عصبی- آماری % 79.12
با مقایسه نتایج ارزیابی پایایی این دو مدل م یتوان بهبود 5.63 ٪ در ضریب تعیین،
كاهش 0.24 ٪ در میانگین خطای نسبی و كاهش 0.097 گرم در جذر میانگین مربعات خطا
را در مدل عصبی- آماری در مقایسه با مدل عصبی مشاهده كرد و از این طریق تاثیر اعمال
تحلیل های رگرسیونی را در بهبود قدرت پیش بینی مدل عصبی فرآیند اسپری درایینگ،
مثبت ارزیابی كرد. ذكر این نكته ضروری به نظر می رسد در صورتی كه برای پیش بینی
و تحمل خطای ناشی از این برآورد وجود نداشته باشد مدل ŤO فرآیند الزام به برآورد
عصبی  آماری عملكرد بهتری را نشان می داد.
توسط مدل های عصبی و S به منظور تحلیل بین داده ای مقادیر پیش بینی شده برای 3
عصبی- آماری فرآیند اسپری درایینگ، نمودار روند شماره ( 5) برای داده های 28 تایی
ارزیابی پایایی، رسم گردیده است.
www.SID.ir
Archive of SID
كنترل پیش بینانه كیفیت با استفاده از شبكه های ... 165
نمودار 5. نمودار روند مقادیر پیش بینی شده با مدل عصبی و عصبی  آماری
در مقایسه با مقادیر واقعی برای داده های 28 تایی ارزیابی پایایی
در این نمودار كه به منظور سهولت مقایسه و نمایش پایایی مدل عصبی- آماری در
با علامت دایره و به (S مقابل مدل عصبی ارایه شده است، مقادیر واقعی خروجی فرآیند ( 3
همین ترتیب علامت مثلث و ضربدر نشان دهنده مقادیر پیش بینی شده توسط مدل عصبی و
مدل عصبی- آماری فرآیند است. با مشاهده مغایرت بین مقادیر واقعی و مقادیر پیش بینی
شده توسط مد لهای عصبی و عصبی- آماری، به خصوص در محدود های خارج از
محدوده طبیعی تغییر خروجی فرآیند (نمونه های شماره 16،14،15،12،13 ) می توان به
در مقایسه با مدل عصبی پی S پایایی مدل عصبی- آماری در درو نیابی و برون یابی مقادیر 3
برد. به منظور كنترل پیش بینانه كیفیت با استفاده از خروج یهای مدل عصبی  آماری فرایند
اسپری درایینگ سناریو های مختلفی برای تنظیم ورودی های فرآیند، در دامن های گسترده از
دامنه نرمال تغییرات متغیرها، در قالب نمودار شماره ( 6) ارایه شده است، همان گونه كه در
در دامنه 1.66 الی 1.69 گرم بر ρ در حالی كه S این نمودار مشاهده می شود، مقادیر 3
در دامنه 92 الی 105 درجه سانتیگراد تغییر می نماید، توسط مدل ŤO سانتیمتر مكعب و
"عصبی  آماری" برآورد شده است.
62.000
64.000
66.000
68.000
70.000
72.000
74.000
76.000
78.000
1
3
5
7
9
11
13
15
17
19
21
23
25
27
ماره داده های ارزیابی پایایی مدل
مقادیرخروجیفرایند
مقادیر واقعیخروجی فرآیند
مقادیر پیشبینیشده با مدل عصبی
مقادیر پیشبینیشده با مدل عصبی‐ آماری
مقادیر واقعی: •
▲ : مقادیر پیش بینی با مدل عصبی
× : مقادیر پیش بینی شده با مدل عصبی-آماری
شماره داده ها
مقادیر خروجی فرآیند
www.SID.ir
Archive of SID
166 مدیریت صنعتی، دوره 1، شماره 3، پاییز و زمستان 1388
To=92
To=95
To=97
To=103
To=105
To=100
65
67
69
71
73
75
77
1.66 1.67 1.68 1.69
(gr cm- دانسیته ( 3
(gr) وضعیتدانهبندی
To=92
To=95
To=97
To=100
To=103
To=105
نمودار 6. سناریوهای مختلف تنظیم ورودی ها بر اساس دانسیته و دمای خروجی
با استفاده از مدل "عصبی- آماری"
و ŤO و هم چنین بین S و 3 ρ مطابق با نمودار شماره ( 6) وجود یك رابطه مستقیم بین
قابل تایید می باشد، البته در مواردی نیز ممكن است این قاعده نقض گردد كه می توان ،S3
مرتبط دانست. بنابراین با S به وجود اثرات متقابل بین متغیر های ورودی بر متغیر خروجی 3
بهره گیری از مدلی مطمئن و پایا برای پی شبینی خروجی فرایند (مدل عصبی- آماری) و
طراحی سناریوهای مختلف برای ورودی ها، می توان كیفیت خروجی فرآیند را با توجه به
توسط مدل عصبی- آماری پیش بینی كرد. S مقادیر پیش بینی شده برای 3
7. نتیجه گیری
در این مقاله سعی شد تا از طریق مورد كاوی (فرآیند اسپری درایینگ)، مراحل معماری
با اتخاذ رویكرد عمومی در BP بر اساس MLP مدل عصبی فرآیند با استفاده از شبكه
مدل سازی و هم چنین مدل عصبی- آماری فرآیند با اتخاذ رویكرد متمركز در مدل عصبی
با توجه به نتایج تحلیل رگرسیونی، تشریح گردد و پس از برازش مدل با استفاده از
داده های 28 تایی ارزیابی، نسبت به ارزیابی پایایی مدل ها اقدام شود. این ارزیابی پایایی با
استفاده از داده هایی مستقل و در دامنه ای گسترده تر از داد ههای برازش انجام گرفت به
طوری كه بتواند قدرت درون یابی و برون یابی مد لها در پیش بینی كیفیت خروجی فرآیند
را نشان دهد. نتیجه مقایسه ارزیابی پایایی مدل های عصبی و عصبی- آماری، به صورت بین
www.SID.ir
Archive of SID
كنترل پیش بینانه كیفیت با استفاده از شبكه های ... 167
نمونه ای، بیانگر قدرت نسبی مدل های عصبی- آماری در برون یابی و درون یابی فرآیند
اسپری درایینگ بود و با مقایسه نتایج ارزیابی پایایی مدل عصبی و عصبی  آماری با
استفاده از شاخ صهای ارزیابی پایایی می توان به نقش موثر تحلیل های رگرسیونی در بهبود
پایایی مدل عصبی فرآیند اسپری درایینگ پی برد؛ هر چند كه این بهبود را با ارایه
داده های آموزش بیشتر می توان ارتقاء بخشید. پس از حصول اطمینان از برتری مدل عصبی
 آماری با طراحی سناریوهای مختلف برای تنظیم ورودی ها و تفسیر و استنتاج روابط بین
متغیرها، تا حد زیادی مساله در بسته بودن مدل های عصبی رفع و از این طریق كنترل
پیش بینانه كیفیت جایگزین روش های پر هزینه مبتنی بر سعی و خطا می شود.
www.SID.ir
Archive of SID
168 مدیریت صنعتی، دوره 1، شماره 3، پاییز و زمستان 1388
منابع
1. Afzulpurkar N.V., Saeed I.A.K. and Vyawahare V.S. (2006). "Ceramic
tile Process Modeling for Quality Improvement Using ANNs", ICIT
IEEE International Conference on Industrial Technology.
2. Andersen K., Cook G.E. and Ramaswamy K. (1990). "Artificial Neural
Networks Applied to Arc Welding Process Modeling and Control", IEEE
Transaction on Industrial Application, Vol 26, pp. 824-830.
3. Ben Brahim S., Smith A.E. and Bopaya B. (1993). "Relating Product
Specifications and Performance Data with a Neural Networks Model for
Design Improvement", Journal of Intelligent Manufacturing, Vol. 4, pp.
231-243.
4. Chegini G.R., Khazaei J., Ghobadian B. and Goudarzi A.M. (2008)
“Prediction of process and product parameters in an orange juice spray
dryer using artificial neural networks” Journal of Food Engineering, Vol.
84, pp. 534–543.
5. Coit D.W., Jackson B.T. and Smith A. (1997). "Static neural network
process models: Considerations and case studies", Journal of Production
Research, Vol. 13, pp. 145-175.
6. Cook D.F., Ragsdale C.T. and Major R.L. (2000). "Combinig a Neural
with a Genetic Algorithm for Process Parameter-Pptimization"
Engineering Application of Artificial Intelligent, Vol. 13, pp. 391-396.
7. Erginel N. and Ay N. (2005). "How Process Factor Affect Ceramic Tile
Color", American Ceramic Society Bulletin, Vol. 84, No. 7, pp. 9201-
9203.
8. Edwards P.J., Murray A.F., Papadopoulos G., Wallace A.R., Barnard J.
and Smith G. (1999). "The application of Neural Networks to the Paper
Making Industry", IEEE Transaction on Neural Networks, Vol. 10, No. 6,
pp. 1456-1464.
9. Hornik K., Stinchcombe M. and White H. (1989). "Multilayer Feed
Forward Networks Are Universal Approximators", Neural Networks,
Vol. 2, pp. 359-366.
10.Hosoz M., Ertunc H.M. and Bulgurcu H. (2007). "Performance Prediction
of a Cooling tower Using Artificial Neural Network", Journal of Energy
Conversion and Management, Vol. 48, pp. 1349-1359.
www.SID.ir
Archive of SID
كنترل پیش بینانه كیفیت با استفاده از شبكه های ... 169
11. Lam S.S., Petri K.L. and Smith A.E. (2000). "Prediction and
Optimization of a Ceramic Casting Process Using a Hierarchical Hybrid
System of Neural Networks and Fuzzy Logic" IEEE Transaction on
design and manufacturing, Vol. 32, pp. 83–91.
12.Mehrotra S.P. (1986). Role of Mathematical Modeling in Metallurgy"
Bulletin Master Science, Vol. 12, pp. 354-363.
13. Magali R.G., Meireles P.E. (2003). "A Comprehensive Review for
Industrial Application of Artificial Neural Networks", IEEE Journal, Vol.
50, pp. 3-12.
14.Martinez S.E., Smith A.E. and Bopaya B. (1993). "Reducing Waste in
Casting With a Predictive Neural Model", Journal of Intelligent
Manufacturing System, Vol. 4, pp. 23-31.
15.Nascimento C.A.O., Giudici R. and Guardani R. (2000). "Neural Net
Based Approach for Optimization of Industrial Chemical Process",
Computer and Chemical Engineering, Vol. 24, pp. 2303-2374.
16.Prats-Montalban J.M. and Ferrer A. (2008). "Integration of Color and
Textural Information in Multivariate Image Analysis: Defect Detection
and Classification Issues", Journal of Chemometrics, Vol. 21, No. 2, pp.
10-23.
17.Ramesh M.C., Rajamanickam R. and Jayaraman S. (1995). "The
Prediction of Yarn Tensile Properties by Using Artificial Neural
Networks” The Journal of the Textile Institute, Vol. 86, No. 3, pp. 456-
469.
18.SACMI Corporation (1989). "From Technology Through Machinery to
Kilns for SACMI Tile, Italy", SACMI Press.
19.Saxen H. and Petterson F. (2006). "Methods for the Selection of Nputs
and Structure of Feedforward Neural Networks" Computers and
Chemical Engineering, Vol. 30, pp. 1038-1045.
20.Senturk S. and Erginel N. (2005). "Anfis Applied to the Color Problem of
Ceramic Tile", American Ceramic Society Bulletin, Vol. 87, No. 8, pp.
123-140.
21.Smith A.E. and Dagli C.H. (1991). "Controling Industrial Process
Through Supervised Feedforward Neural Networks", Computer &
Industrial Engeering, Vol. 21, pp. 247-251.
www.SID.ir
Archive of SID
170 مدیریت صنعتی، دوره 1، شماره 3، پاییز و زمستان 1388
22.Smith A.E. and Dagli C.H. (1991). "Relating Binary and Continous
Problem Entropy to Back Propogation Network Architecture" In
Application of Artificial Neural Networks, Vol. 14, pp. 551-562.
23.Su C. and Hsieh K.L. (1998). "Applying Neural Network Approach to
Achieve Robust Design for Dynamic Quality Characteristics",
International Journal of Quality and Reliability Management, Vol. 15,
No. 5, pp. 509-519.
24.Sukthomya W., Tannock J. (2005). "The Training of Neural Networks to
Model Manufacturing Process", Journal of Intelligent Manufacturing,
Vol. 16, pp. 39-51.
25.Twomey J. and Smith A. (1998). "Bias and Variance of Validation
Models for Function Approximation", Neural Networks under Condition
of Sparse Data, IEEE Transaction on System and Cybernetics, Vol. 28,
No. 3, pp. 231-239.
26.Youssefi Sh., Emam-Djomeh Z. and Mousavi S.M. (2009), Comparison
of Artificial Neural Network (ANN) and Response Surface Methodology
(RSM) in the prediction of quality parameters of spray-dried pomegranate
juice, Drying Technology, Vol. 27, No. 7, pp. 910–917.
www.SID.ir


درباره وبلاگ


*با عرض سلام خدمت شما دوست عزیز*
امیدواریم که از خواندن این مطالب لذت ببرید
و لحظه های خوبی را سپری کنید

مدیران وبلاگ :
عمو سعید
عمو مجید

مدیر وبلاگ : saeed khaki
صفحات جانبی
نظرسنجی
نظر شما دوست عزیز راجع به این وبلاگ چیه؟







نظر شما دوست عزیز راجع به این وبلاگ چیه؟







جستجو

آمار وبلاگ
کل بازدید :
بازدید امروز :
بازدید دیروز :
بازدید این ماه :
بازدید ماه قبل :
تعداد نویسندگان :
تعداد کل پست ها :
آخرین بازدید :
آخرین بروز رسانی :
ارتباط با majid shabanpor
ارتباط با saeed khaki
gunner2066چت روم وبلاگ


فال امروز


.



دریافت کد
abzareweb
ابزار وب

تعبیر خواب آنلاین

تماس با ما
Google

در این وبلاگ
در كل اینترنت
مشاهده جدول کامل لیگ برتر ایران