كاربرد شبكه‌هاي يادگيري عميق براي طراحي فرآيند كنترل كيفيت در صنعت روغن‌موتور

مقدمه و اهداف: با توجه به پيشرفت‌هاي جديد در دنياي مدرن، استفاده از الگوهاي كنترل كيفيت چندمتغيره-چندمرحله‌اي در صنايع توليد به عنوان موضوعي حياتي و ضروري مطرح مي‌شود. اين پژوهش به بررسي اهميت و ضرورت كنترل كيفيت چندمتغيره-چندمرحله‌اي در صنايع توليدي با تاكيد بر توليد روغن‌موتور پرداخته است. كيفيت روغن‌موتور به عنوان يك عامل بنيادين، تأثير قابل توجهي بر عملكرد، عمر موتور، رضايت مشتريان و موقعيت محصول در بازار دارد.در اين تحقيق، براي مانيتورينگ و تشخيص خطا در مولفه‌هاي كيفي، استفاده از الگوريتم‌هاي يادگيري عميق، مد نظر قرار گرفته است. علت اصلي انتخاب الگوريتم‌هاي يادگيري عميق به جاي روش‌هاي كلاسيك آماري، نرمال نبودن داده‌ها و حجم بزرگ نمونه‌ها بوده است. اين مشكلات مي‌توانند باعث عدم دقت تخمين‌ها و ناپايداري تحليل‌ها شوند. از طرفي، توانمندي‌هاي منحصر به فرد الگوريتم‌هاي يادگيري عميق در تجزيه‌وتحليل داده‌هاي پيچيده و استخراج ويژگي‌هاي معنادار از داده‌هاي گسترده توليد روغن‌موتور، دليل اصلي بر انتخاب اين الگوريتم‌ها است.روش ‌ها: در اين پژوهش، به‌منظور افزايش دقت و كنترل كيفيت مؤثر، از الگوريتم‌هاي يادگيري عميق تركيبي از جمله شبكه عصبي با حافظۀ طولاني -كوتاه مدت و شبكه  عصبي پيچشي، LSTM-CNN و شبكه باقيمانده ـ شبكه عصبي پيچشي متصل و ResNet-DenseNet براي كنترل مؤلفه‌هاي كيفي استفاده‌ شده است. در اين پژوهش، با توجه به نياز به تحليل و كنترل داده‌هاي پيچيده و چندمتغيره، از الگوريتم LSTM-CNN براي كنترل كيفي متغيرهاي عددي و تشخيص الگوهاي زماني و توالي در داده‌ها استفاده شده است. همچنين، براي مديريت و تجزيه و تحليل داده‌هاي بصري كه توزيع‌هاي غيريكنواخت و پيچيده‌اي دارند، از الگوريتم ResNet-DenseNet استفاده شده است. اين الگوريتم‌ها با استفاده از تركيبي از شبكه‌هاي عصبي با حافظه طولاني- كوتاه‌مدت و شبكه‌هاي پيچشي، قادر به استخراج ويژگي‌هاي معنادار و ارتباطات پيچيده ميان داده‌ها هستند، كه اين امر باعث بهبود عملكرد و كارايي در فرايندهاي كنترل كيفيت و تصميم‌گيري هوشمند مي‌شود. اين روش قادر به تشخيص الگوهاي پنهان و ارتباطات پيچيده بين متغيرها و ويژگي‌هاي كيفيتي موجود در داده‌ها است و قابليت بهبود فرايندهاي كنترل كيفيت و تصميم‌گيري هوشمند را تسهيل مي‌كند.يافته ‌ها: تركيب قابليت‌هاي اين الگوريتم‌ها، عملكرد فرايند كنترل كيفيت را بهبود مي‌بخشد و نتايج بهتري نسبت به روش‌هاي تك الگوريتمي به دست مي‌آورد؛ به‌علاوه از الگوريتم كلوني زنبورعسل (GBC) براي تنظيم پارامترهاي الگوريتم‌هاي يادگيري عميق LSTM-CNN و ResNet-DenseNet استفاده ‌شده است. اين الگوريتم به‌عنوان يك رويكرد تركيبي عمل مي‌كند و از مزاياي الگوريتم كلوني زنبور عسل مصنوعي(ABC) و الگوريتم ژنتيك (GA) بهره مي‌برد. اين تركيب به ميزان زيادي عملكرد الگوريتم‌هاي يادگيري عميق را در فرايندهاي كنترل كيفيت بهبود مي‌بخشد و زمان رسيدن به نتيجه مطلوب را كاهش مي دهد. به‌منظور نمايش كاربرد عملي الگوريتم‌هاي ارائه‌شده در جهان واقعي، يك مطالعه موردي از صنعت توليد روغن‌موتور بررسي شده است. الگوريتم تركيبي LSTM-CNN پيشنهادي در فرايند تشخيص خطا، نتيجه بهتري نسبت به الگوريتم‌هاي تكي CNN  و LSTM داشته و عملكرد نتايج را به ترتيب به ميزان 15 و 8 درصد ارتقا داده است؛ همچنين در مؤلفه‌هاي تصويري، الگوريتم تركيبي پيشنهادي ResNet-DenseNet نسبت به الگوريتم‌هاي ResNet و DenseNet به ترتيب با دقت بالاتري، به ميزان 10 و 15 درصد عمل كرده است.نتيجه‌ گيري: از نظر علمي و عملي، در اين پژوهش تأثير الگوريتم‌هاي يادگيري عميق در بهبود كيفيت و كارايي روغن‌موتور را مورد بررسي قرار گرفته و از روش‌هاي پيشرفته تجزيه‌وتحليل داده، به‌ويژه الگوريتم‌هاي تركيبي عميق، براي شناسايي الگوهاي كيفي در داده‌هاي توليد استفاده شده است.