دانلود مقاله کنترل کیفیت محصولات با بهره‌گیری از شبکه ART غیر دقیق

چکیده

به‌منظور تولید محصولات با کیفیت ثابت، مناسب است تا نظام‌های تولید برای جلوگیری از هرگونه انحراف غیرطبیعی در شرایط فرایند، نظارت شوند. چارت‌های کنترلی نقش مهمی در حل مشکلات کنترل کیفیت دارند؛ با وجود این اثربخشی آنان به شدت به فرضیات آماری بستگی دارد که در کاربردی واقعی صنعتی غالباً زیر پا گذاشته می‌شوند. برخلاف شبکه‌های عصبی می‌توانند میزان بسیار زیادی از داده‌های مخل را در زمان واقعی تشریح کنند، بدون آنکه نیازمند فرضیات توزیع آماری‌سنجهای نظارت شده داشته باشند. این ویژگی مهم شبکه‌های عصبی را مبدل به ابزارهایی توانمند می‌کند که می‌توان برای بهبود تجزیه و تحلیل داده‌ها در کاربردهای کنترل کیفیت محصولات از آنها بهره گرفت. در این مقاله، نظام شبکه عصبی که برمبنای فاز آموزش غیر نظارتی است، برای کنترل کیفیت معرفی می‌شود. به‌ویژه نظریه تشدید قابل سازگاری ART به‌منظور تحقق نظام کنترل کیفیت فارغ از مدل مورد بحث قرار گرفته است که می‌تواند برای تشخیص تغییرات در فرایند تولید مورد بهره‌برداری قرار گیرد. هدف از این تحقیق، تجزیه و تحلیل عملکرد شبکه عصبی ART است با این فرض که الگوهای غیرطبیعی در دسترس نیستند. برای رسیدن به این هدف، الگوریتم ساده شده ART غیر دقیق عصبی در ابتدا مورد بحث قرار گرفته و سپس مطالعات به‌منظور شبیه‌سازی گسترده مونت‌کارلو طرح شده است.

کلید واژه‌ها: کنترل کیفیت محصولات: شبکه عصبی ART غیر دقیق شبیه‌ سازی مونت‌ کارلو

مقدمه

کنترل فرایند آماری (SPC)[1] شیوه‌ای است برمبنای چند تکنیک که هدف از آن نظارت بر سنجرهای محصول فرایند تولید است. چارت‌های کنترل ابزارهای  هستند که گسترده‌ترین کاربرد را برای نشان دادن تنوع غیرطبیعی سنجرهای مورد نظارت قرار گرفته و قرارگیری دلایل قابل انتقال آنها دارند. برای استفاده از چارت کنترل، نمونه‌هایی از محصولات در طول فرایند تولید جمع‌آوری می‌شوند و آمارهای نمونه در چارت قرار می‌گیرند. اگر فرایند در وضعیت طبیعی قرار داشته باشد، انتظار می‌رود آمارهای نمونه در محدوده‌های خاص کنترلی در نمودار قرار بگیرند. از سوی دیگر اگر دلیل خاصی از تنوع نمایان شود، آمارهای نمونه اصلاً در خارج از محدوده‌های کنترلی از پیش تعیین شده قرار می‌گیرند. وقتی تنوع غیرطبیعی در چارت کنترلی شکل می‌گیرد. دست‌اندرکاران به دنبال علت حاصل می‌گردند و اصطلاحات و تنظیمات ضروری را برای بازگرداندن فرایند به وضعیت طبیعی انجام می‌دهند.

امروزه با بهره‌برداری وسیع از تولید خودکار و بازرسی در چند محیط تولیدی، وظیفه SPC که به لحاظ سنتی با متخصصان کیفیت عمل می‌کرد. بایستی خودکار شود. شبکه‌های عصبی ابزارهای کارآمد و مورد اعتماد تجزیه و تحلیل هستند و در دهه اخیر، این ابزارها در کنترل کیفیت بسیار مورد استفاده قرار گرفته‌اند (Zorricassantine and Tannock, 1998).

آنچه موجب شهرت شبکه‌های عصبی است توانایی آنها برای آموختن از تجربه و اداره کردن اطلاعات نامطمئن و پیچیده در محیطی رقابتی و نیازمند کیفیت است. شبکه‌های عصبی به دلیل ظرفیت آنها برای کار با سنجرهای شلوغ بدون نیاز به فرضیه‌ای در خصوص توزیع آماری داده‌های مورد نظارت قرار گرفته، به‌ویژه برای کنترل کیفیت محققان چندی به کاربرد شبکه‌های عصبی برای کنترل کیفیت محصولات پرداخته‌اند. پاگ[2] (1991) اولین بار کاربرد شبکه عصبی را برای کنترل کیفیت پیشنهاد داد. شبکه proception چندلایه ML.P به عنوان الگوریتم نظارتی قابل همانندسازی به‌منظور شناسایی میانگین جابه‌جایی مورد استفاده قرار گرفته است. گواو و دولی[3] (1992) و اسمیت (1994) شبکه پرستپون چندلایه قابل همانندسازی (MLPBP) را برای شناسایی تغییرات مثبت، هم در میانگین و هم در واریانس، به کار گرفتند. چنگ[4] (1995) بعدها شبکه عصبی MLPBP را برای شناسایی تغییرات مثبت و منفی و روندهای رو به بالا/ رو به پائین میانگین فرایند بر پرورش داده‌گاه و تنوک[5] (1999) شبکه عصبی MLP BP را برای شناخت الگوی غیرطبیعی متقاطع توسعه دادند. کوک و ال (2001)، در مورد توسعه شبکه عصبی MLP BP برای شناسایی تغییرات واریانس پارامترهای فرایند به صورت ترتیبی دارای همبستگی بحث می‌کند.

شبکه MLP BP به طرز موفقیت‌آمیزی برای شناخت الگو مورد بهره‌برداری قرار گرفته است، اما کندی در پرورش آن هنوز عدم مطلوبیت‌هایی را برای به‌کارگیری عملی آن ایجاد کرده است. در واقع همگرایی الگوریتم BP نیازمند تعداد زیادی تکرار و همچنین تعداد مکفی از مشل‌های آموزشی است. بنابراین سایر شبکه‌های عصبی از پیش تغذیه شده برای کنترل کیفیت در متون پیشنهاد شده است. برای مثال کوک و چیو (1998)، به‌منظور شناسایی تغییرات میانگین در پارامترهای فرایند و تولید دارای همبستگی خودکار، عملکرد شعاعی (RBF) را برای سیستم شبکه عصبی پیشنهاد کردند.

ویژگی مشترک اکثر شیوه‌های عصبی پراکنده برای کنترل کیفیت، بهره‌گیری از الگوریتم‌های کارآموزی سرپرستی است. استفاده از این تکنیک‌ها برمبنای این فرضیه است که کاربر از پیش گروه الگوهای غیرطبیعی را که بایستی به وسیله شبکه عصبی پیدا شود می‌شناسد. دانش اولیه نسبت به اشکال الگو برای تولید داده‌های آموزشی که در برون داده‌های غیرطبیعی اصلی را تقلید می‌کند، ضروری است. با وجود این، در موارد صنعتی واقعی، محصولات فرایند غیرطبیعی را نمی‌توان به وسیله ظاهر الگوهای قابل پیش‌بینی نشان داد. بنابراین مدل‌های ریاضی درحال حاضر قابل دسترس نیستند یا نمی‌توانند فرموله شوند.

مقاله حاضر رویکرد متفاوتی را به شبکه عصبی برای فرایند نظارت پیشنهاد می‌کند، در زمانی که هیچ اطلاعات قبلی در خصوص توزیع داده‌های غیرطبیعی در دسترس نیست، رویکرد پیشنهادی برمبنای شبکه عصبی نظریه تشدید قابل سازگاریی (ART) است که قابلیت آموختن سریع ماندگار و فزاینده را دارد.

شبکه ART الگوریتمی عصبی است که برای خوشه‌بندی داده‌های تصادفی در گروه‌هایی با ویژگی‌های مشابه است. القانیم[6] (1997) شبکه عصبی ARTI 1 نسخه دوگانه الگوریتم ART را به عنوان ابزاری برای تشخیص صفحه‌های طبیعی از غیرطبیعی در محصولات فرایند تولید کلی ارائه کرد. نویسنده پیشنهاد می‌دهد که شبکه ARTI استفاده شود که از دسته‌ای الگوهای داده طبیعی بهره می‌گیرد که در فرایندی نظارت شده تولید شده‌اند. در طول فاز پرورش، این شبکه الگوهای طبیعی داده‌ها را در گروه‌هایی با ویژگی‌های مشابه خوشه‌بندی می‌کند و زمانی که با داده جدیدی مواجه می‌شوند، مشخص می‌کند که این الگو به کدام خوشه تعلق دارد (اگر تعلق داشته باشد). به این ترتیب، شبکه عصبی نمی‌خواهد نوع الگوی غیرطبیعی را که در محصولات فرایند شناسایی شده است مشخص کند. زمانی که الگوی ورودی با هیچ یک از دسته‌های طبیعی شناخته شده هماهنگ نشود، این شبکه علامتی را مبنی بر روی دادن تغییر ساختاری در محصولات فرایند ارائه می‌دهد.

بهره‌گیری از سیستم عصبی که محصولات فرایند را بدون اطلاعات قبلی از الگوهای غیرطبیعی نظارت می‌کند در کاربردهای صنعتی واقعی مورد استفاده‌اند. در واقع تنها دانش رفتار طبیعی فرایند، برای راه‌اندازی شبکه عصبی مورد نیاز است. علاوه براین، شبکه عصبی می‌تواند تا زمانی که الگوهای جدید به آن معرفی می‌شوند به سبک شکل‌پذیری عمل کند (یعنی به سبکی مداوم و فزاینده).

باقیمانده این مقاله به شرح زیر ساختاربندی شده است. ART در بخش 2 ارائه می‌شود. مورد آزمون مرجع در بخش 3 معرفی می‌شود.

سیستم عصبی ART غیر دقیق پیشنهادی و الگوریتم‌های تعلیمی/ آزمون به ترتیب در بخش‌های 4 و 5 مورد بحث قرار گرفته‌اند. سپس شیوه‌شناسی شبیه‌ساز و نتایج آزمایشی هر دو در بخش 6 ارائه می‌شود. نهایتاً بخش آخر دربرگیرنده نتیجه‌گیری و بحث بر برخی جهت‌گیری‌ها برای تحقیق نیز است.

2- نظریه تشدید قابل سازگاری

ART در قالب نظریه پردازش اطلاعات شناختی شهری ارائه شد. این نظریه منجر به مجموعه تحول‌یافته‌ای از مدل‌های شبکه عصبی برای آموخته‌های دسته‌بندی شده سرپرستی نشده یا سرپرستی شده، شد. این مدل‌ها شامل ART, ARTMAP, ART2, ART1 غیر دقیق و ARTMAP غیر دقیق هستند که قابلیت یادگیری گروه‌های شناخته شده بادوام را در پاسخ به داده‌های تصادفی دارند (Pao, 1989; Hagan et al 1996).

ART 1 می‌تواند به شکلی پایدار بیاموزد که داده‌های دوگانه را دسته‌بندی کند و ART 2 می‌تواند بیاموزد که الگوهای مشابه را به ترتیبی تصادفی دسته‌بندی کند. ART MAP می‌تواند به سرعت بازنمائی‌های دسته‌بندی شده پایدار را بین بردارهای داده m بعدی و بردارهای داده n بعدی خود سازماندهی کند. ART غیر دقیق، که محاسبه‌ها را از نظریه دسته غیر دقیق به شبکه عصبی ART 1 الحاق می‌کند، قابلیت آموختن سریع و پایدار دسته‌های شناخته شده را در پاسخ به رشته‌های تصادفی الگوهای داده‌ای مشابه یا دوگانه دارد (Huangetal, 1995; Georgiopoulos et al 1996, 1999).

ART MAP غیر دقیق، ترکیبی از ART MAP با ART نادقیق است که می‌تواند به سرعت بازنمایی دسته‌ای پایدار بین داده مشابه و بردارهای داده را بیاموزد.

2-1- الگوریتم ART

ART از دو زیر سیستم عمده توجهی و تشخیص تشکیل شده است. در زیر سیستم توجهی الگوهای آشنا پردازش می‌شوند. زیر سیستم تشخیصی هرگاه الگوی ناآشنایی به عنوان داده ارائه شود، فعالیت عصبی را از نو فعال می‌کند. دو لایه گره با نام‌های F 1 (لایه مقایسه) و F 2 (لایه شناسایی) که کاملاً با وزن‌های پائین به بالا و بالا به پائین در تماسند، زیر سیستم توجهی را تشکیل می‌دهند. وزن‌های پائین به بالا و بالا به پائین میان F1 و F2 می‌تواند در پاسخ به الگوهای داده‌ای به شکل سازگاری به روز شود.

همزمانی که لایه مقایسه (F1) به عنوان شناسایی‌کننده ویژگی داده خارجی وارد شده عمل می‌کند، لایه شناسایی (F2) به عنوان شناسایی‌کننده دسته‌ای که الگوهای داخلی دریافت می‌کند عمل می‌کند. به‌کارگیری بردار تکی داده منجر به فعالیت عصبی می‌شود که الگویی را در هر دو لایه F1 و F2 ایجاد می‌کند. این الگوها تنها در زمان به‌کارگیری داده‌های جاری در این شبکه باقی می‌مانند. زیر سیستم تشخیصی مسئول تولید علامت فعال‌سازی از او به F2 است، زمانی که الگوی داده پائین به بالا و الگوی از بالا به پائین، مطابق معیارهای خود ساخته، هماهنگ نمی‌شود. این علامت فعال‌سازی از نو، در صورتی که ارسال شود، فعالیت عصبی لایه شناسایی را متوقف می‌کند و در طول فراگیری شبکه ساختار خود را با ذخیره‌های تازه در گره‌های اضافه شده در لایه F2 سازگار می‌شود. اگر علامت فعال‌سازی از نو ارسال نشود، الگوی کدگذاری شده اولیه همراه با این دسته که بهترین تطابق با داده فعلی را ارائه می‌کند. برای در برگرفتن ویژگی‌های داده اصلاح می‌شوند. معیارهای آمادگی به پارامترهای آمادگی وابسته‌اند. انتصاب ارزش‌های بالا برای پارامتر خود ساخته دلالت بر آن دارد که تنها عدم تطابقی جزئی، پیش از آنکه علامت فعال‌سازی از نو فرستاده شود، پذیرفته می‌شود. به‌عکس، ارزش‌های پائین خود ساخته دال بر پذیرش عدم تطابق‌های بزرگ هستند.

2-2- ART غیردقیق

در بهره‌گیری از یکی از شبکه‌های ART سرپرستی نشده به جای سیستم فراگیری رقابتی ساده‌تر، پایداری ویژگی‌های شبکه قابل استفاده می‌شود (Haykin, 1999). در واقع بی‌شباهت به آموختن رقابتی، وقتی الگوهای جدید به وسیله فرایندی نظارت شده تولید می‌شوند، شبکه‌های ART می‌توانند به آموختن ادامه دهند (بدون آنکه آموخته‌های قبلی را فراموش کند) و اطلاعات جدید را الحاق می‌کنند. ART1، ART2 و ART غیر دقیق مثال‌هایی از شیوه‌های ART سرپرستی نشده‌اند که می‌توانند در شیوه‌های آموزشی ناپیوسته (دسته‌ای) و پیوسته (فزاینده) بیاموزد. عدم تشابهات میان الگوهای داده تنها در فضای سنجش آنها برای خوشه‌بندی مدنظر قرار می‌گیرند (آموزش سرپرستی نشده). پس از خوشه‌بندی این فضا، به هریک از خوشه‌های آن بردار وزنی داده می‌شود.

(الگو)

ART2 تنها اعداد دوگانه (صفر یا یک) را بردار داده می‌پذیرد. ART2 و ART غیردقیق می‌توانند هر عدد حقیقی را پردازش کنند و در طیف پیوسته‌ای بین صفر و یک درجه‌بندی کنند. تفاوت‌های میان ART2 و ART1 بر اصلاحات مورد نیاز به‌منظور جای دادن الگوها با مؤلفه‌های با ارزش پیوسته، بازتاب دارد. بخش F1 و ART2 پیچیده‌تر است زیرا بردارهای داده با ارزش پیوسته ممکن است به شکل تصادفی نزدیک هم باشند. بخش F1 در ART2 علاوه بر مقایسه علایم از پائین به بالا و از بالا به پائین مورد نیاز برای مکانیسم فعال‌سازی از نو، ترکیبی از نرمال‌سازی و فرو نشاندن مخل است.

ART غیردقیق جدیدترین چارچوب تشدید قابل سازگاری است که معماری یکپارچه‌ای را برای داده‌های دوگانه و با ارزش پیوسته فراهم می‌آورد. عملیات ART غیردقیق به عنوان موردی خاص به ART1 کاهش می‌یابد (که تنها بردارهای دوگانه را می‌پذیرد). عمومی کردن فراگیری الگوهای داده مشابه و دوگانه به وسیله جایگزین کردن ظاهر فعال منطقی متقاطع  در ART1 با فعال  نظریه دسته غیردقیق است.

با الحاق نظریه دسته غیردقیق به ART1، ART غیردقیق نیازی به ارائه دوگانه الگوهای داده برای خوشه‌بندی ندارد؛ با وجود این این نوع ART خاصیت‌های مطلوب مشابهی هستند ART1 و معماری ساده‌ترین نسبت به ART2 دارد. دو تفاوت مهم میان ART2 و ART غیردقیق وجود دارد.

- اولی در سنجه‌های غیر مشابه بین الگوها و شابلون‌های داده است: ART غیردقیق از متریک فاصله بلوک شهری (یا فاصله منتهی که از فعال MIN نظریه دسته غیردقیق) استفاده می‌کند، تا نرم فاصله اقلیدسی که در ART2 استفاده می‌شود. هر دسته ART غیردقیق به وسیله کوچکترین آمار درباره داده‌های آن ارائه می‌شود: حداقل و حداکثر در هر بعد که برای حداقل کردن یکپارچه خطاهای پیش‌بینی شده و حداکثر کردن عمومی‌سازی پیش‌بینی شده آموخته می‌شوند، طیفی از بردارهای دسته‌ای قابل قبول را معرفی می‌کنند. برای تنظیم وزن تکثیر نیاز نیست و این الگوریتم می‌تواند با تعداد اندک اعداد وزن دقیق عمل کند. از سوی دیگر معماری ART2 نیازمند عملکرد بسیار پیچیده فعال‌سازی از نو و انتصاب است که برمبنای فرم اقلیدسی هستند.

- دوم شیوه‌ای است که آنها داده‌هایشان را پیش‌پردازی می‌کنند (نرمال‌سازی الگوهای داده). برای ART2 نرمال‌سازی الگوهای داده با تقسیم هر بردار به وسیله فرم اقلیدسی آن به دست می‌آید. از این رو ART2 قادر است به دسته‌بندی خوبی از الگوهای داده دست یابد. تنها در صورتی که همه آنها با طول مشترک ثابتی نرمال شده باشند. با وجود این چنین نرمال‌سازی می‌تواند اطلاعات شناسه با ارزشی را که برای نظارت کیفیت ضروری است، از بین ببرد. به منظور ذخیره کردن چنین اطلاعاتی. ART غیردقیق از کدگذاری تکمیلی استفاده می‌کند که هر نوع بردار داده M بعدی را در هنگامی که پیش فرایند نرمال‌سازی انجام می‌شود، به M2 بعدی تبدیل می‌کند. با کدگذاری تکمیلی، ART غیردقیق قادر می‌شود به دسته‌بندی مناسب داده‌ها دست یابد حتی اگر بردارهای داده نرم یکسانی نداشته باشند.

خاصیت مطلوب دیگر ART غیردقیق آن است که، به دلیل طبیعت ساده معماری آن، پاسخ‌های شبکه عصبی به الگوهای داده براحتی تشریح شده‌اند، که به‌عکس سایر مدل‌هاست که معمولاً تشریح چرایی تولید محصولی خاص از یک الگوی داده بسیار مشکل است. با نسبت دادن تغییر هندسی به دسته‌های ART غیردقیق، بینش دقیقی در گذشته به دست آمد و اخیراً مفاهیم هندسی جدیدی در چارچوبی خلاق معرفی شده است. خواص جزئی فراگیری برای ART غیردقیق را می‌توان در کارهای افراد زیر یافت: هاونگ وال (1995) جئو رکسویوپوس وال (1996, 1999)، انگنستودوپوس و جئور گیویوپوس (2002).

به دلیل سادگی هندسی شبکه عصبی ART غیردقیق و چند خاصیتی از آن که اجرای شبکه عصبی را تسهیل می‌کند، این شبکه در این مقاله برای خوشه‌بندی الگوی مشابه در کاربرد نظارت کیفی مورد بهره‌برداری قرار گرفته است.

3- مدل فراین تولید منبع

به‌منظور بررسی عملکردهای ART غیردقیق برای کاربردهای کنترل کیفیت، فرایند تولید عمومی با بهره‌گیری از برنامه رایانه‌ای باز تولید شد. این کد برمبنای اعداد تصادفی ساختگی است که محیط نرم‌افزاری MAT LAB فراهم می‌کند (Vattulainenetul 1995). اداره چارت کنترل و الگوریتم شبکه عصبی را می‌توان آزمون آماری تکراری به لحاظ دوره‌ای دانست. در هر زمان t زیرمجموعه مشخص از اطلاعات محصول گذشته برای ارزیابی وضعیت فرایند، استفاده می‌شود. فرضیه تهی H0 و فرضیه آلترناتیو H1 آزمون به شرح زیر قابل تنظیم هستند.