تشخيص پارامتر خارج از كنترل در پروفايلهاي چندجمله اي با استفاده از شبكه عصبي مصنوعي

Fault Diagnosis in Polynomial Profiles Using Artificial Neural Networks

بحث پايش پروفايل‏ها يكي از زمينه‏هاي نوين تحقيقاتي در حوزه كنترل فرآيند آماري است. پروفايل رابطه بين يك متغير پاسخ و يك يا چند متغير مستقل را توصيف مي‏كند. اين رابطه كه معمولاٌ با استفاده از يك رابطه رگرسيوني مدل مي‏شود مي‏تواند خطي ساده، خطي چندگانه، چند جمله‏اي و در مواردي غيرخطي باشد. به منظور پايش كيفيت يك فرآيند يا محصول با مشخصه كيفي به صورت پروفايل، به دليل وجود همبستگي بين پارامترهاي مدل رگرسيون مي بايست از نمودارهاي كنترل چندمتغيره استفاده شود. انواع نمودارهاي كنترل چندمتغيره مي توانند براي شناسايي تغييرهاي كوچك و بزرگ در فرآيند مورد استفاده واقع شوند. مشكل عمده نمودارهاي كنترل چندمتغيره، عدم تشخيص پارامتر خارج از كنترل زماني كه نمودار وجود تغيير در فرآيند را نشان مي دهد، مي باشد. در اين مقاله، جهت تشخيص پارامتر خارج از كنترل پس از اين كه نمودار كنترل چندمتغيره MCUSUM در روش MCUSUM-كاي دو وجود تغيير را در يك پروفايل چندجمله اي اعلام كرد، از شبكه عصبي چند لايه پرسپترون استفاده مي شود. شبكه طراحي شده، پس از آموزش مورد آزمون قرار گرفته و نتايج نشان دهنده عملكرد بسيار خوب شبكه در تشخيص پارامتر خارج از كنترل است.

Profile monitoring is a new research area in statistical process control. Profile is a regression relationship between a response variable and one or more explanatory variables. This relationship can be linear or non-linear. To monitor the quality of a profile, multivariate control charts are used because there is correlation between parameter estimates of the profile. Multivariate control charts can detect the overall shifts in the process but they cannot distinguish which parameter is out of control. In this paper, to detect the out of control parameter in the polynomial profile, the multi-layer perceptron neural network is used when MCUSUM control chart in MCUSUM/chi2 approach detects the overall shift. The designed neural network has been tested after learning phase and the results show good performance for the network.