یک سیستم استنتاج تطبیقی عصبی-فازی به منظور کنترل آماری فرآیند با دادههای خود همبسته

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشگاه آزاد اسلامی، واحد اردبیل، دانشکده مهندسی صنایع ، اردبیل، ایران

2 دانشگاه آزاد اسلامی، واحد علوم و تحقیقات تهران، گروه مهندسی صنایع، تهران، ایران

3 دانشگاه آزاد اسلامی واحد علوم و تحقیقات تهران، گروه مهندسی صنایع، تهران، ایران

چکیده


نمودارهای کنترل سنتی مبتنی بر این فرض اساسی هستند که دادههای فرآیند بطور متوالی مستقل از یکدیگر بوده و دارایتوزیع نرمال میباشند. این در حالی است که در بسیاری از موارد در دنیای واقعی از جمله در فرآیندهای شیمیایی و پیوسته این فرضاساسی وجود ندارد و بین دادههای جمع آوری شده از فرآیند نوعی خودهمبستگی وجود دارد. استفاده از نمودارهای کنترل سنتی درفرآیندهای خود همبسته غیرقابل اطمینان بوده و باعث افزایش اخطارهای اشتباه میشود. یکی از روشهای توسعه داده شده به منظورکنترل فرآیندهای خودهمبسته، شناسایی ساختار سریهای زمانی فرآیند و استفاده از مقادیر باقیماندهها به منظور کنترل فرآیند میباشد.در این مقاله از یک مدل مبتنی بر سیستمهای تطبیقی عصبی-فازی به منظور شناسایی ساختار سریهای زمانی و پیش بینی استفادهطراحی میشود. در AR(2) شده است. همچنین نمودارهای کنترل باقیمانده مبتنی بر این سیستم برای دادههای خود برگشتی درجه 2و برای )EWMA( نهایت با استفاده از دادههای شبیه سازی شده، کارایی روش پیشنهادی در نمودار میانگین متحرک موزون نمائیدرجههای مختلفی از همبستگی مورد ارزیابی قرار میگیرد.

کلیدواژه‌ها

عنوان مقاله [English]

A neural-fuzzy adaptive inference system for statistical control of the process with self-correlated data

نویسندگان [English]

  • Mohammadreza Vakili 1
  • Amin Mahmoudi 2
  • Abbas Saghaee 3
1 Islamic Azad University, Ardabil Branch, Faculty of Industrial Engineering, Ardabil, Iran
2 Islamic Azad University, Science and Research Branch of Tehran, Department of Industrial Engineering, Tehran, Iran
3 Islamic Azad University, Tehran Science and Research Branch, Department of Industrial Engineering, Tehran, Iran
چکیده [English]

Traditional control diagrams are based on the basic assumption that process data are sequentially independent of each other and have a normal distribution. However, in many cases in the real world, including in chemical and continuous processes, this assumption does not exist and there is a kind of autocorrelation between the data collected from the process. The use of traditional control charts in self-correlated processes is unreliable and increases erroneous warnings. One of the methods developed to control autocorrelation processes is to identify the structure of process time series and use residual values ​​to control process. In this paper, a model based on adaptive neural-fuzzy systems to identify time series structure and predict design use. May be. Is in AR (2). Also, the residual control diagrams based on this system for the self-return data of degree 2 and for (EWMA) finally using the simulated data, the efficiency of the proposed method in the moving average diagram are evaluated. Different degrees of correlation are evaluated.

کلیدواژه‌ها [English]

  • Statistical process control
  • Control chart
  • Adaptive neural-fuzzy inference system
  • Self-correlated data

مراجع

[1]     Alwan.  LC, Roberts.  HV. (1988), Time-series modeling for statistical process control. J Bus Econ Stat, 6, pp.87–95.
[2]     Wardell. DG, Moskowitz H, Plante. RD. (1994), Run-length distributions of special-cause control charts for correlated processes. Technometrics 36(1), pp.3–17.
[3]     Runger . GC, Willemain. TR. (1995), Model-based and model-free control of autocorrelated processes. J Qual Technol 27(4), pp.283–292.
[4]     Noorossana. R, Vaghefi. S.J.M. (2006), Effect of autocorrelation on performance of the MCUSUM control chart, Quality and Reliability Engineering International, 22, pp.191–197.
[5]     Alwan. L.C. (1992), Effects of autocorrelation on control chart performance, Communication in Statistics, Theory and Methods, 21, pp.1025–1049.
[6]     Harris. T.J, Ross. W.H. (1991), Statistical process control procedures for autocorrelated observations, The Canadian Journal of Chemical Engineering, 69, pp.48–57.
[7]     Hunter. J.S. (1998), The Box–Jenkins Manual Adjustment Chart, Quality Progress, 31, pp.129–137.
[8]     Orlando. O, Atienza. L.C, Tang. B.W, (2002), A CUSUM scheme for autocorrelated observations, Journal of Quality Technology, 34, pp.187–199.
[9]     Loredo. E.N, Jaerkpaporn.D, Borror. C.M, (2002), Model-based control chart for autoregressive and correlated data, Quality and Reliability Engineering International,18, pp.489–496.
[10]  A. Snoussi, M.E. Ghourabi, M. Limam, (2005), On SPC for short run autocorrelated data, Communication in Statistics, Simulation and Computation,34, pp.219–234.
[11]  Dooley. J, Guo. K, (1992), Identification of change structure in statistical process control, International Journal of Production Research, 30, pp.1655–1669.
[12]  Hwarng. H.B, Hubele.N.F, (1993), X-bar control chart pattern identification through efficient off-line neural network training, IEEE Transactions, 25, pp.27–40.
[13]  Chang. S.I, AW. C.A, (1996), A neural fuzzy control chart for detecting and classifying process shifts, International Journal of Production Research, 34, 2265–2278.
[14]  Ben Khediri Issam , Limam Mohamed, (2008), Support vector regression based residual MCUSUM control chart for autocorrelated process, Applied Mathematics and Computation, 201, pp.565–574.
[15] Issam Ben Khediri , Claus Weihs , Mohamed Limam, (2010), Support Vector Regression control charts for multivariate nonlinear autocorrelated processes, Chemometrics and Intelligent Laboratory Systems, 103, pp.76–81.
[16]     Arkat. J, Niaki. S.T.A, Abbasi. B, (2007), Artificial neural networks in applying MCUSUM residuals charts for AR (1) processes, Applied Mathematics and Computation, 189, pp.1889–1901.
[17]     Bisgaard. S, Kulahci. M, (2005), Quality Quandaries*: The Effect of Autocorrelation on Statistical Process Control Procedures, Quality Engineering, 17, pp. 481–489.
[18]     Runger, G.C, Willemain. T. R, (1996), Batch means control charts for autocorrelated data, IEE Transactions, 28, pp.483-487.
[19]     Jang, J. S. R, (1993), ANFIS: Adaptive-network-based fuzzy inference system. IEEE Transactions on Systems, Man, and Cybernetics, 23(3), pp.665–685.
[20]     Jang, J. S., Sun, C. T., & Mizutani, E, (1997), Neuro-fuzzy and soft computing: A computational approach to learning and machine intelligence. New Jersey: Matlab Curriculum Series Prentice Hall.
[21]     Takagi, T, Sugeno, M, (1983), Derivation of fuzzy control rules from human operator’s control actions. IFAC symposium fuzzy information knowledge representation and decision analysis, pp.55–60.
[22]     Jang, J. S, (1996), Input selection for ANFIS learning. In Proceedings of the fifth IEEE international conference on fuzzy systems, 2, pp.1493–1499.
نشریه علمی پژوهشی مهندسی و مدیریت کیفیت
دوره 6، شماره 4
بهمن 1395
صفحه 250-259

فایل ها

هم رسانی

ارجاع به این مقاله

آمار