تبلیغات
Nothing To Display - كنترل فرآیند آماری عصبی فازی
 
Nothing To Display
you are in my heart 4ever
 
 
Archive of SID
نشریه مدیریت صنعتی، دوره 1، شماره 3، پاییز و زمستان 1388 ، از صفحه 83 تا 98
كنترل فرآیند آماری عصبی  فازی
* نظام الدین فقیه 1، امیرعباس معصومی 2
1. استاد بخش مدیریت دانشگاه شیراز، ایران
2. كارشناس ارشد مدیریت صنعتی، ایران
(1388/11/ 1387 ، تاریخ تصویب: 14 /8/ (تاریخ دریافت: 7
چكیده
هدف از كنترل هوشمند،كنترل یك سیستم بدون در دست داشتن معادلات دینامیكی حاكم بر آن
سیستم با حداقل اطلاعات می باشد . فرآیند تولید یك محصول، همواره تحت تأثیر عوامل
گوناگونی قرار گرفته و رفتار آن از یك رابطه ریاضی مشخص تبعیت نمی كند. یكی از روش های
رایج برای كنترل فرآیند، استفاده از نمودارهای كنترل كیفیت شوهارت می باشد. تجزیه و تحلیل
این نمودارها مستلزم دانش و تجربه كافی است كه در عمل ممكن است همه اپراتورها از آن
برخوردار نباشند . شبكههای عصبی - فازی به عنوان یكی از مؤلفه های هوش مصنوعی، می توانند
نقش مؤثری را در تقویت روشهای رایج كنترل فرآیند بر عهده بگیرند. در این تحقیق به كمك
به طبقه بندی دو الگوی غیر طبیعی در ، ANFIS و با استفاده از شبكه MATLAB نرم افزار
نمودارهای كنترل كیفیت پرداخته شده است. نتایج نهایی به دست آمده در این تحقیق نشان
میتوان با كاهش خطاهای مرتبط، ضریب اطمینان سیستم های ANFIS می دهند كه با استفاده از
كنترل كیفیت را به خصوص در زمینه نمودارهای كنترل كیفیت، تا حدود زیادی افزایش داد.
واژههای كلیدی : كنترل هوشمند ، داده كاوی ، سیستم عصب ی - فازی ، مدیریت كیفیت ،
نمودارهای كنترل كیفیت
Email: aamasoomi @yahoo.com ∗ نویسنده مسئول
www.SID.ir
Archive of SID
84 مدیریت صنعتی، دوره 1، شماره 3، پاییز و زمستان 1388
مقدمه
از آنجا كه افزا یش جمع یت در گذر زمان، افز ایش تقاضا و تنوع را به دنبال داشته است ،
روش سنتی ساخت كه متكی بر ابزار و مهارت های فردی بود ، پاسخگوی ا ی ن حجم از
نیازهای متنوع نیست . لذا روش های جد ید پ یچیدهتری برای تو لید به وجود آمده كه تلاش
برای تو لید بیشتر را چند برابر كرده است. در این روشهای جدید برای تولید محصولات
باید مجموعه ای از عمل یات توسط یك كارگر و با استفاده از یك ماش ین دقیق بر روی مواد
اولیه صورت گ یرد كه لزوما منجر به تول ید محص ولات كاملا " مشابه نخواهد شد . از زمانی
كه انسان توانست محصولی را بسازد، كیفیت و ضرورت كنترل آن مطرح شد.
پیشرفت و تغییر روش های تو لید افزا یش درجه اتوماس یون دستگاه ها و ماش ینآلات
تولیدی، واحدهای پشت یبان تو لید از جمله كنترل ك یفیت و بخش های مرتبط با آن را ن ی ز
تحت ت أثیر قرار میدهد . كنترل آماری فرآ یند و نمودارهای كنترل ب ه عنوان یكی از
ابزارهای مهم آن نیز تحت تأثیر این تغییرات بوده و برای حفظ و افزایش كارایی آن باید از
تكنیكها و فنون جد یدی استفاده شود . با و جود تكن یك هایی هم چون هوش محاسبا تی و
مؤلفههای مختلف آ ن نظ یر شبكه های عصبی مصنوعی امكان كنترل هوشمند فرآ یندهای
ساخت و تولید نیز فراهم شده است . هدف از كنترل هوشمند ، كنترل یك س یستم بدون در
دست داشتن معادلات د ینامیكی حاكم بر آن س یستم با حداقل اطلاعات است . تجزی ه و
تحلیل نمودارهای كنترل منجر به شناسا یی وضع یت ها ی خارج از كنترل و آشكارشدن
منابع انحراف و فعالیتهای اصلاحی می شود. برای تجز یه و تحلی ل نمودارهای كنترل به
تجربه و شناخت كافی از فرآ یند تو لید نیاز است . در ی ك مح یط ساخت تول ید یكپارچه
كامپیوتری كه در آن كامپ یوتر و اتوماسیون نقش قابل توجهی را ا یفا می كند ، ب ه منظور
خودكارسازی كنترل فرآیند ساخت و نیز كنترل آماری فرآیند كه یك شیوه سنجش آن به
.[7،8 ، نام نمودارهای كنترل باید تلاشهایی صورت گیرد [ 6،1
همان طور كه می دانید، یكی از اهداف تهیه نمودارهای كنترل، دستیابی به نتایجی است
كه از تفسیر و تجزیه و تحلیل این نمودار ها حاصل می شود. به عبارت دیگر، با انجام تفسیر
و تجزیه و تحلیل نمودارها می تو ان به وجود الگوها و طرح های غیرعادی گوناگونی
هم چون روند، سیكل، شیفت، تغییرات سیستماتیك و ... پی برد. وجود الگوهای غیر طبیعی
نشانگر تأثیر یكسری عوامل قابل شناسایی و با دلیل بر روی ف رایند بوده و انجام اقدامات
www.SID.ir
Archive of SID
كنترل فرآیند آماری عصبی  فازی
85
اصلاحی را ضروری می سازد. هدف در اینجا ، شناسایی چند الگوی غیر طبیعی به كمك
می باشد. ANFIS
لذا به منظور استفاده از علوم جدید در صنایع و فرایندهای تولیدی و برای مكانیزه و
مدرن كردن این صنایع ، شده است كه با استفاده از تكنیك عصبی - فازی و تشخیص
ویژگیهای كنترل فرآیند (دو الگوی روند و نقاط خارج از حدود كنترل) گامی در جهت
بهبود كیفیت برداشته شود.
محققان ژاپنی روش های عصبی - فازی بسیاری را پایه ریزی كرده اند . استفاده از
تكنیك های فازی، عصبی و عصبی - فازی در زمینه الكترونیك در ژاپن مرسوم شده ب ود.
ولی در حال حاضر استفاده از این تكنیكها در سطح جهان رواج پیدا كرده است.
البته باید گفت كه بسیاری از كاربردهای روش عصبی - فازی هنوز در مراحل ابتدایی
هستند. از این روش در امور صنعتی مختلفی از جمله در عملیات های اكتشافی زیر زمینی،
كنترل گرما، كنترل جر یان الكتریكی، حركت ماشین های مخت لف و ... استفاده
میشود.
یك نمونه از كاربردهای روش عصبی - فازی در سال 1994 ،در مقاله ای از فرالی ق 1
شرح داده شده است[ 10 ] . در آنجا از این روش برای كنترل كیفیت در یك فرایند زیست
دارویی 2 استفاده شد. این سیستم مشتمل بر دو شبكه عصبی بود كه برای پردازش مقدماتی
اطلاعات دریافتی كه سپس با منابع اطلاعاتی دیگر توسط یك سیستم فازی تركیب
.[ می شوند، مورد استفاده قرار میگیرند[ 10
در سال 1994 جانسون از روش عصبی - فازی برا ی تشخیص چهره انسان استفاده كرد
.[ كه در آنجا از خروجی سیستم فازی به عنوان ورو دی یك شبكه عصبی استفاده شد [ 10
در مركز عصبی - فازی در دانشگاه توئنت در هلند از یك سیستم عصبی - فازی برای
كنترل نقاله استفاده گردید. برای این منظور، آنها از یك كنترلر فازی برای تثبیت سرعت و
كشش كمربند نقاله در یك محدوده مشخص استفاده كردند . یك ا لگوریتم تنظیم شبكه
عصبی نیز برای اصلاح مجموعههای فازی كنترلر برای عملكرد بهینه به كار گرفته شد.
1. Fraleigh
2. Biopharmaceutical process
www.SID.ir
Archive of SID
86 مدیریت صنعتی، دوره 1، شماره 3، پاییز و زمستان 1388
در همان سال یعنی سال 1994 ، كرآس 1 از این روش برای كنترل یك كارخانه زباله
سوزی استفاده كرد[ 10 ]. در همین سال روئدا و پدریچ 2 از یك شبكه فازی عصبی خاص
درجه آزادی N (مدل عصبی - ف ازی پیوندی 3) برای ساختن یك كنترلر برای یك روبات با
.[ برای كنترل مسایل حركتی آن استفاده كردند [ 10
نیز در كارهای بسیاری استفاده شده است . در سال 1999 ام. سیدایا 4 از این ANFIS از
شبكه برای مشخص كردن نوع اضافات موجود در پنبه استفاده كرد . در سال 2000 اچ.
.[ برای طبقهبندی حشرات در اكوسیستم كشاورزی استفاده نمود[ 10 ANFIS گاسومی 5 از
كارهای متعدد دیگری نیز در این زمینه انجام شده است اما در زمینه نمودارهای كنترل
تحقیقات كمی به كمك روش عصبی - فازی صورت گرفته است . در سال 1996 ، گرسون
تونتینی با استفاده از شبكه فازی آرتمپ 6 الگوهای غیرطبیعی در نمودارهای كنترل را مورد
.[ بررسی قرار داد [ 14
شبكههای عصبی  فازی
هر كدام از شبكه های عصبی و سیستم های فازی دارای نواقص خاص خود هستند . وقتی
سیستمی تنها با شبكه عصبی طراحی می شود، شبكه به صورت جعبه سیاهی است كه نیاز به
تعریف شدن دارد كه یك فرایند كاملاً محاسباتی و سنگین خواهد بود . در نهایت، طراح
یك شبكه عصبی بعد از تجرب هها و تمرین های زیاد، به یك رضایت نسبی دست می یابد. از
طرف دیگر، در طراحی سیستم های فازی نیاز به فهم عمیقی از متغیرهای فازی و توابع
عضویت و هم چنین انتخاب صحیح قوانین فازی دارد . به عنوان مثال، اگر شخصی یك
سیستم فازی را با سه ورودی و یك خروجی و پنج تابع عضویت در هر ورودی در نظر
53 خواهد بود و برای چهار ورودی برابر = بگیرد، آنگاه تعداد كل قواعد برابر 125
.[ 3125 خواهد بود [ 3
1. Krause
2. Rueda & Pedrycz
3. Hybrid Neuro-Fuzzy Model
4. M. Siddaiah
5. H. Gassoumi
6. Fuzzy-Artmap
www.SID.ir
Archive of SID
كنترل فرآیند آماری عصبی  فازی
87
شبكههای عصبی و سیستم های فازی ، ارتباط نزدیكی نیز با هم دارند . در نگاره ( 1) برخی
از خصوصیات سیستمهای فازی و سیستمهای عصبی نشان داده شده است.
نگاره ۱.مقایسه بین منطق فازی و شبکه عصبی
شبكه های عصبی سیستم های استنتاجی فازی
از قوانین بر پایه دانش قبلی نمیتوان استفاده كرد. از یك پایگاه قوانین پیشین میتوان استفاده كرد.
قابلیت یادگیری فاقد قابلیت یادگیری ( استفاده از دانش زبانی)
جعبه سیاه قابل تفسیر (قوانین اگر آنگاه)
الگوریتمهای آموزش پیچیده تفسیر و اجرای آسان
استخراج دانش مشكل است. دانش باید در دسترس باشد.
سیستمهای عصبی  فازی دارای مدل های مختلفی هستند كه در این تحقیق از مدل
استفاده شده است. ANFIS
ردهای از شبكه های تطبیقی است كه از لحاظ وظیفه هم ارز سیستم های ANFIS
دارای تعدادی ANFIS ، استنتاجی فازی هستند [ 15 ]. بر عكس یك شبكه عصبی مصنوعی
لایه ثابت است (پنج لایه ) و نرونهای موجود در هر لایه وظیفه خاصی را انجام می دهند
.[11 ،10]
استراتژی است برای ساختن مدل ه ای كیفی از FIS ، همان طور كه قبلاً هم اشاره شد
دانش انسان و توانایی های استدلالی بدون داشتن اجباری برای استفاده دقیقی از محاسبات
.[ پایه گذاری شده است [ 12 if…then بر اساس تعدادی قانون فازی FIS كمی. در واقع
به شكل یك شبكه عصبی چند لایه است. از این سینرجی به FIS اجرای یك ANFIS
دست آمده از تركیب موضوعات منطق فازی و شبكه های عصبی برای حل مسا یل
غیرخطی و مسایلی كه به خوبی تعریف نشدهاند (برای مثال دادههای بیولوژیك و
.[ سری های زمانی) و به دست آوردن تواناییهای تعمیمی بهتر، استفاده میشود [ 12،13
معمولی، توانایی آن در تعدیل پارامترهایش نسبت FIS نسبت به ANFIS مزیت اصلی
به جفت دادههای ورودی/خروجی مشاهده شده میباشد [ 6]. در نمودار ( 1) معماری یك
و جریان اصلی محاسبات نشان داده شده است. ANFIS
www.SID.ir
Archive of SID
88 مدیریت صنعتی، دوره 1، شماره 3، پاییز و زمستان 1388
ANFIS نمودار ۱. معماری
متدولوژی مورد عمل
استفاده شده است. در اینجا برای تشخیص الگو MATLAB در این تحقیق از نرم افزار
متدولوژی زیر مورد استفاده قرار گرفته است:
اولیه، 3-آموزش شبكه، 4-آزمون شبكه FIS -1 تولید الگو، 2-تولید
تولید الگو
الگوریتم شناسایی الگوی مورد استفاده در این تحقیق بر این فرض مبتنی است كه كاربر
مجموعهای از الگوهایی كه باید شناسایی شود را در اختیار دارد. در این تحقیق دو الگوی
روند و وجود نقاط خارج از حدود كنترل مورد استفاده قرار گرفته است. برای تولید این
با 1217 الگو، آموزش شبكه انجام شده است. به ،MATLAB الگوها به كمك نرم افزار
الگوهای ورودی، طبقهبندی شدهاند و به الگوهای نقاط خارج از حدود ANFIS كمك
كنترل كلاس 0 و به الگوهای روند كلاس 1 اختصاص داده شده است.
اولیه FIS تولید
اولیه عبارتند از: FIS در این تحقیق، روشهای مورد استفاده برای تولید
-1 جداسازی شبك های، 2- جداسازی خوشهای
1 میباشد كه شش عضو اول همان × هر الگوی تولید شده به صورت یك ماتریس 7
مقادیر ورودی و عضو هفتم همان خروجی مطلوب است. بنابراین، تعداد قانون تولید شده
در جداسازی شبكهای با دو تابع عضویت برابر 64 و با 3 تابع عضویت برابر 729 قانون
و گوس مورد استفاده قرار گرفتهاند و به هر ورودی gbell است. در اینجا توابع عضویت
دو و سه تابع عضویت اختصاص داده شده است.
www.SID.ir
Archive of SID
كنترل فرآیند آماری عصبی  فازی
89
تعداد قانون تولید شده در جداسازی خوشهای مطابق با انتخاب دامنه تأثیر، تعیین
می شود. به طور مثال برای این حالت با انتخاب دامنه تأثیر 5/.، تعداد قوانین برابر 3 و با
انتخاب دامنه تأثیر 1/. تعداد قوانین برابر با 41 خواهد بود.
آموزش شبكه
اولیه، نوبت به آموزش شبكه میرسد. FIS پس از تولید الگو و تولید یك
یك تكنیك شبكه عصبی است كه توسط یادگیری با ANFIS ، همان طور كه می دانید
ناظر آموزش میبیند، یعنی، پارامترهای تعدیل پذیر (پارامترهای پیش فرض و نتیجه) از
طریق مینیموم كردن خطا كه به تفاوت بین خروجیهای محاسبه شده و مطلوب بستگی
دارد، بهینه میشوند. در اینجا برای آموزش شبكه از روش پیوندی استفاده شده است. به
این روش به دلیل استفاده تركیبی از روش كمترین مجذورات و روش كاهش گرادیان،
روش یادگیری پیوندی گفته میشود.
تولید شده به روش جداسازی شبكهای و با اختصاص 2 تابع عضویت FIS در مورد
0، و با اختصاص 3 تابع / خطای 082338 epoch گوس به هر ورودی، بعد از 4000
0 حاصل شده است. در / خطای 15207 epoch عضویت گوس به هر ورودی بعد از 4000
به gbell تولید شده به روش جداسازی شبكهای و با اختصاص 2 تابع عضویت FIS مورد
خطایی در حدود epoch 0، و بعد از 4000 / خطای 10388 epoch هر ورودی، بعد از 1000
002 /. به دست آمده است كه خطای معقولی است. روند آموزش و شكل قوانین و ساختار
3 و 4 نشان داده شده است. ، شبكه به ترتیب در نمودارهای شماره 2
اما در مورد جداسازی خوشهای و با اختصاص 3 تابع عضویت گوس به هر ورودی بعد
و پس از gbell 0 و با اختصاص 2 تابع عضویت / خطای 15207 epoch از 4000
آموزش خطایی بهتر از 15 /. به دست نمیآید كه خطای معقولی نیست. روند epoch2000
آموزش و ساختار شبكه به ترتیب در نمودارهای شماره 5 و 6 نشان داده شده است.
آزمون شبكه
برای آزمون شبكه 100 الگو مورد استفاده قرار گرفته است. خطای به دست آمده حدود
002 /. میباشد كه خطای معقولی است.
www.SID.ir
Archive of SID
90 مدیریت صنعتی، دوره 1، شماره 3، پاییز و زمستان 1388
نمودار ٢. روند آموزششبكه
نمودار ٣. ساختار شبكه
نمودار ٤. شكل قوانین
www.SID.ir
Archive of SID
كنترل فرآیند آماری عصبی  فازی
91
نمودار ۵. روند آموزش
نمودار ۶. ساختار شبكه
برای روشنتر شدن مطالب ارایه شده، با ارایه یك نمونه عملی، اعتبار مدل طراحی
شده مورد آزمون قرار گرفته است. بدین منظور، به جای تولید الگو به كمك نرم افزار، از
دادههای واقعی استخراج شده در یك دوره 3 ماهه از خط تولید یك كارخانه تولیدی
استفاده شده است.
www.SID.ir
Archive of SID
92 مدیریت صنعتی، دوره 1، شماره 3، پاییز و زمستان 1388
آشنایی با كارخانه
كارخانه تولیدی مورد نظر، یكی از واحدهای تابعه یكی از كارخانجات تولید كننده سیمان
میباشد كه در زمینه ساخت محصولات تبدیلی سیمان (سیمان- آزبست) در عرصه صنعت
فعالیت میكند. این كارخانه یكی از بزرگترین كارخانههای تولیدی در این صنعت در
ایران میباشد.
پس از مطالعه انواع لولههایی كه در این كارخانه تولید میشوند، مشخص گردید كه
چهار نقص دوپوستی بودن لوله، بیضوی بودن لوله، تغییرات ناشی از خارج از استاندارد
بودن ضخامت لوله و طول لوله، عموماً باعث ضایعاتی شدن لولهها میگردد.
لوله هایی كه روزانه تولید میشوند، پس از سپری نمودن حدود 21 روز در استخرهای
آب مخصوص لوله، دو مرحله تراش حاشیه لوله و تست هیدرولیك را باید طی نمایند.
لولههایی كه دارای نق صهایی از قبیل بیضوی بودن، دوپوستی بودن، لاغر م یباشند و در
این مرحله از آزمایش شكسته م یشوند و لاجرم جزء ضایعات محسوب می گردند و
لوله های سالم به انبار محصول فرستاده میشوند.
پس از بررسی مشاهده شد كه بیشترین نقص را خارج از استاندارد بودن ضخامت لوله
به خود اختصاص داده است كه میتوان از طریق نمودار كنترل و نمودار علت و معلول
برای رفع یا كاهش آن اقدامات لازم را انجام داد. با توجه به مطالب ذكر شده، در طی یك
دوره 3 ماهه، 32 نمونه از محصولات كارخانه برداشت شد كه در جدول 2 آورده شده
است.
www.SID.ir
Archive of SID
كنترل فرآیند آماری عصبی  فازی
93
نگاره ٢. نمونههای برداشتشده ضخامتلوله از یککارخانه تولیدی محصولات تبدیلی سیمان
مشاهدات تعداد اقلام
1 2 3 4 5 معیوب
شماره
زیرگروه
0 11.8 12.4 12 12.3 11.2 1
1 14.2 12.2 12.2 12.4 12.2 2
1 12.7 14.3 11.3 12.3 12.2 3
1 12.8 12.3 14.3 11.4 11.8 4
0 12.5 12.2 12.5 12.3 12.4 5
0 12.7 12.8 12.4 11.9 12.3 6
2 12.3 12.1 10 11.8 10.9 7
5 10.4 10.3 10.6 10.7 10.2 8
3 10.7 10.4 11.8 10.8 11.7 9
2 14.2 12.4 12.2 13.2 12.3 10
2 12.9 17.3 13 12.7 13.1 11
1 13.3 12.5 12.1 12 12.2 12
1 12.3 12.1 12 13.2 12.4 13
0 11.8 12.4 11.7 12.2 12.4 14
1 12.7 13.5 12.4 12.3 11 15
1 12.7 12.6 12.8 13.4 12.8 16
0 11.7 12.4 12.4 11.9 11 17
1 12.5 13.2 12.3 12.2 12.2 18
2 13.2 12.1 11.7 10.9 11.5 19
1 12.8 12.9 12.6 13.4 12.6 20
0 12.7 12.4 12.3 11.9 11 21
2 11.3 13.2 12 13.6 11.8 22
0 12.6 11.9 12.5 12.2 11.8 23
0 12.8 12.3 12.2 11.2 12.2 24
1 12.7 12 12.3 11.5 14.6 25
2 11.8 14.5 11.6 12.3 13.2 26
0 12.7 12.2 11.7 12.4 12.6 27
2 13.4 12.3 12 12.3 13.1 28
0 12.4 12.7 12.2 12.3 12.2 29
1 12 12.1 14.4 12.1 11.4 30
1 12.7 11.8 11.5 12.4 14.8 31
0 12.3 12 12.2 11.3 12.8 32
www.SID.ir
Archive of SID
94 مدیریت صنعتی، دوره 1، شماره 3، پاییز و زمستان 1388
برای np نمودار SPSS سپس به كمك نمودارهای سنتی كنترل و به كمك نرم افزار
این نمون هها ترسیم شد كه در نمودار 7 نشان داده شده است.
Control Chart: NP
Sigma level: 3
31
29
27
25
23
21
19
17
15
13
11
9
7
5
3
1
Number Nonconforming
6
5
4
3
2
1
0
NP
UCL = 3.8067
Center = 1.0625
LCL = .0000
مربوط به دادههای كارخانه تولیدی مورد نظر np نمودار ٧. نمودار كنترل
همان طور كه مشاهده میشود، یكی از نقاط خارج از حدود كنترل قرار گرفته است.
قادر به تشخیص این الگو ANFIS برای آزمون این كه آیا كنترلر طراحی شده به روش
آموزش دیده قرار می دهیم. ANFIS میباشد یا خیر، این داد هها را در
برای كنترل تعمیم پذیری كنترلر ANFIS نمودار ٨. شكل قوانین در
www.SID.ir
Archive of SID
كنترل فرآیند آماری عصبی  فازی
95
همان طور كه مشاهده می شود، این كنترلر با دقت بسیار بالایی وجود الگوی خارج از
كنترل را نشان داده است.
نتیجه گیری
نظر به اهمیت بررسی نتایج حاصل از تجزیه و تحلیل نمودارهای كنترل كیفیت و لزوم
شناسایی الگوهای غیرطبیعی به منظور حذف و یا كاهش علل مربوط به آن و استفاده
روزافزون از سیستمها و تجهیزات هوشمند در فرایندهای ساخت و تولید، در این تحقیق
سعی شده است تا از طریق نگرش و رویكرد عصبی- فازی به این نمودارها، الگوهای غیر
طبیعی مانند روند و نقاط خارج از حدود كنترل شناسایی گردند. برای این منظور با كمك
آزمایشهای وسیعی در رابطه با آموزش و آزمون آنها صورت گرفت و ANFIS شبكه
نتایجی نیز حاصل گردید.
در این تحقیق سعی شد تا در بحث كنترل كیفیت، به جای استفاده از مفاهیم و نرم
و ... برای تشخیص الگوهای خارج از حدود ،Minitab ،SPSS افزارهای رایج از قبیل
كنترل، از مفاهیم جدیدی هم چون منطق فازی و شبكههای عصبی با هدف طراحی یك
كنترلر هوشمند استفاده شود. همان گونه كه می دانید، در مد لهای سنتی كنترل به دلیل
وجود اشتباهات و خطاهای انسانی و عدم استفاده از كنترل آن لاین و هوشمند، قابلیت
اطمینان این سیستم ها، نسبت به سیست مهای هوشمند بسیار پایین می آید. برای مثال، اغلب
مدت زمان زیادی طول می كشد تا این كه اپراتور قبل از این كه سازمان به واسطه یك عیب
حقیقی در فرآیند تولید، هزینه زیادی را متقبل شود، متوجه نقص در سیستم تولیدی گردد.
بدین منظور برای جلوگیری از تمام این كاستی ها از روش عصبی- فازی كه تمام مزیت-
های منطق فازی و شبكههای عصبی را دارا می باشد، استفاده شده است.
در بحث تخصیص توابع عضویت، به دلیل این كه با افزایش تعداد توابع عضویت
تخصیص داده شده به ورودی ها، اولاً زمان آموزش به طرز محسوسی افزایش پیدا میكند -
با توجه به این موضوع كه زمان بر بودن م یتواند نوعی نقص محسوب شود- و ثانیاً پایین تر
3 و 4 تابع عضویت بر روی هر ورودی و ، نیامدن میزان خطا در اینجا پس از تخصیص 2
بر روی هر gbell مقایسه میزان خطاها، به نظر میرسدكه اختصاص دادن 2 تابع عضویت
ورودی میتواند حالت ایدهآلی را به وجود آورد.
www.SID.ir
Archive of SID
96 مدیریت صنعتی، دوره 1، شماره 3، پاییز و زمستان 1388
نتایج نهایی به دست آمده از این آزمایشها نشان میدهند كه متوسط كارایی كل شبكه
%99/ جهت تشخیص دو الگوی روند و نقاط خارج از حدود كنترل برابر با 008 ANFIS
است و هم چنین استفاده از روش جداسازی شبكهای به دلیل این كه خطای كمتری به دست
اولیه نسبت به روش جداسازی خوشهای ارجحیت دارد. FIS میآید برای تولید
برخی از اقدامات آینده برای افزایش ضریب اطمینان سیستم و هم چنین دست پیدا كردن به
یك سیستم كاملاً هوشمند، میتوانند به شرح زیر باشند:
ضریب اطمینان این كنترلر را از C 1. به كمك نرمافزار سیمولینك، دلفی و یا نر مافزار
تبدیل كنیم. به عبارت on line این هم فراتر برده و این كنترلر را به یك كنترلر
دیگر میتوان با قرار دادن این كنترلر بر سر راه خط تولید ، هم خط مورد نظر را
را در قبال دادههای جدید آموزش ANFIS ، on line كنترل كرد و هم به صورت
داد تا همواره یك كنترلر به هنگام در اختیار داشت. در نهایت با توجه به نتایج به
دست آمده، به كمك این كنترلر میتوان خطاهای مرتبط با اپراتور (اعم از
خستگی ناشی از كار زیاد، تعویض اپراتور، اشتباهات بصری و ... ) را تا حدود
بسیار زیادی كاهش داد و راه را برای رسیدن به هوشمندسازی خطوط تولیدی
هموار كرد.
2. پوشش دادن سایر خطاهای كنترل
3. پوشش دادن سایر عوامل ایجاد كننده خطا از قبیل شكستگی یك مؤلفه در داخل
فرایند، ساییدگی و فرسایش برخی از ابزار و اشتباه در اندازهگیری
4. تشخیص عیبهای حقیقی از عیبهای طبیعی
در این مقاله تلاش شده است كه با كمك مفاهیم جدید، گامی در جهت هوشمند
سازی كنترل آماری فرایند برداشته شود ولی بر هیچ كس پوشیده نیست كه برای توسعه و
تكمیل این هدف متعالی، یعنی رسیدن به یك سیستم كنترل كاملاً هوشمند، اقدامات
بسیاری باید صورت پذیرد.
www.SID.ir
Archive of SID
كنترل فرآیند آماری عصبی  فازی
97
منابع
1 . زهیدی رضا ( 1380 ). "كاربردهای صنعتی شبكه های عصبی فازی ". تهران ، انستیتو ایز
ایران. 
2 . فقیه نظام الدین ( 1377 ). "كنترل كیفیت آماری". تهران، انتشارات سمت.
3 . كارتالوپولس اس.وی. ( 1381 ). "منطق فازی و شبكه های عصبی: مفاهیم و كاربردها".
ترجمه: محمود جورابیان و رحمت الله هوشمند، دانشگاه شهید چمران اهواز.
4 . نوبری نازك ( 1382 ). "كاربرد منطق فاز ی در كنترل كیفیت ." پایان نامه كارشناسی
ارشد، دانشگاه شیراز. 
5. Abraham A. (2002). "Cerebral Quotient of Neuro Fuzzy Techniques–
Hype or Hallelujah?", School of Computing and Information Technology,
Monash University, Churchill, Victoria, Australia-3842.
http://ajith.softcomputing.net.
6. Chou T.S., and K.K.Yen, J.LNO (2008). "Network Intrusion Detection
Design Using Feature Selection of Soft Computing Paradigms",
International Journal Of Computational Intelligence, Vol. 23, pp. 196-
208.
7. Fries T.P. (2008). "A Fuzzy-Genetic Approach to Network Intrusion
Detection", ACM New York, NY, USA, pp. 2141-2146.
8. Kuang L. (2007). "DNIDS: A Dependable Network Intrusion Detection
System Using the CSI-KNN Algorithm", Master thesis, Queen’s
University, Canada.
9. Nauck D., Klawonn F. & Kruse R. (1997). "Fundamental of Neuro-Fuzzy
Systems", John Wiley & Sons.
10.Ondrej P. and Konstadinos G. Goulias, (2003). "On The Application of
Adaptive Neuro-Fuzzy Inference System (ANFIS) to Analyze Travel
Behavior". Department of Civil and Environmental Engineering & the
Pennsylvania Transportation Institute, the Pennsylvania State University,
TRB Annual Meeting.
11.Riberio F., I.Moutinho, P. silva, C. fraga, N. pereira (2004). "Three Omni
directional Wheels Control On A Mobile Robot", Control 2004
Conference, University of bath, UK, ID. 237.
12.Steiner S. (1994). "Quality Control and Improvement Based on Grouped
Data", Mac Master University, Paper AAINN93413.
www.SID.ir
Archive of SID
98 مدیریت صنعتی، دوره 1، شماره 3، پاییز و زمستان 1388
13.Svantesson A. (2003). "Using Alternative Multi-Variate Data Analysis
Methods For Predicting Physical-Chemical Properties of Organic
Compounds". Master Thesis in Computer Science, Royal Institute of
Technology (KTH), Stockholm.
14.Tontini G. (1996). "Pattern Identification in Statistical Process Control
Using Fuzzy Neural Networks". IEEE, Vol. 3, pp. 2065-2070.
15.Zilouchian A. and David W. Howard. (1999). "Design of a Fuzzy
Inference System for Control of Robot Manipulator". Lecture Notes in
Computer Science, Springer Berlin, pp. 382-392.
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