چكيده:
متداولترين ابزارهاي كنترل فرايند آماري (SPC) گه جهت مونيتورينگ تغييرات فرايند استفاده مي شود، چارت هاي كنترلي است. يك چارت كنترلي با تغيير فرايند، يك سيگنال خروج از كنترل، صادر مي كند. در اين مقاله طراحي يك سيستم دقيق براي تشخيص الگوهاي چارت كنترلي (CCP) از دو جنبه انجام مي گيرد. ابتدا يك سيستم موثر معرفي مي شود كه شامل 2 ماژول اصلي است: ماژول استخراج ويژگي و ماژول كلاسبند.
در ماژول استخراج ويژگي يك مجموعه ويژگي شكلي و آماري به عنوان ويژگي هاي موثر الگوها معرفي مي شوند. در ماژول كلاسبندي، چندين شبكه عصبي مثل MLP، PNNو RBFمورد استفاده قرار مي گيرند. بر اساس تجربيات حاصل شده، بهترين كلاسبند براي تشخيص CCPها انتخاب مي شود. در گام بعدي يك سيستم تشخيص هيبريدي بر اساس الگوريتم بهينه سازي فاخته (COA) جهت بهبود كارايي تعميم پذيري كلاسبند، معرفي مي شود. نتايج شبيه سازي نشان مي دهد كه الگوريتم معرفي شده دقت تشخيص بالايي دارد.
اين مقاله در سال 2013، در ژورنال ISA Transactionsدر Elsevierبه چاپ رسيده و از طريق سايت مرجع الگوريتم بهينه سازي فاخته در اختيار شما عزيزان قرار مي گيرد.
جهت دانلود مقاله بر روی
این لینک کلیک نمایید