23034

طراحي مدلي يكپارچه مبتني بر روش هاي آماري و يادگيري ماشين براي پايش تصاوير در فرايندهاي ساخت

كارشناسي ارشد

بهينه‌سازي سيستم‌ها

1399-1400

1399/10/03

دكتر رسول نورالسناء

دكتر فرناز برزين پور

صنايع

كنترل فرايند آماري با استفاده از روش هاي آماري، تحليلي معتبر براي شناسايي، اندازه گيري و ارزيابي تغييرپذيري در يك فرايند محسوب مي شود. اين مجموعه ي قدرتمند و توانا در ايجاد ثبات در فرايند و بهبود كارايي آن از طريق كاهش تغييرپذيري مفيد واقع مي گردد. با پيشرفت فرايندهاي توليدي و همچنين پيچيده تر شدن ساختار محصولات، عمليات بازرسي محصولات نيازمند اندازه گيري هاي متعدد و دشوار است. از اين رو، كنترل اينگونه فرايندها به كمك ابزار كلاسيك كنترل فرايند آماري مشكل خواهد بود؛ چراكه اين ابزار با افزايش ابعاد داده ها و مشخصه هاي كيفي كارايي خود را از دست مي دهند. از طرفي، گاهي اوقات نياز است انواع انحرافات، طبقه بندي و الگوي آنها شناسايي شود تا اطلاعات تكميلي از فرايند در اختيار توليدكنندگان قرار گيرد. در اين مواقع ابزارهاي يادگيري ماشين به كمك روش هاي كنترل فرايند آماري خواهند آمد. امروزه تصويربرداري از محصولات و توسعه ي تكنيك هاي پايش مبتني بر تصوير، با هدف تسهيل و تسريع در كنترل و نظارت بر فرايندهاي توليدي مورد توجه متخصصان و صنعتگران قرار گرفته است. به اين منظور، پس از ثبت تصوير محصول، اين تصوير توسط يك سيستم كامپيوتري مورد ارزيابي قرار مي گيرد تا اين سيستم بدون قضاوت شخصي و به صورت خودكار قادر به پايش فرايند باشد و بتواند انواع انحرافات را در كوتاه ترين زمان شناسايي كند. در اين تحقيق، يك روش سيستماتيك مبتني بر تكنيك هاي كنترل فرايند آماري و يادگيري ماشين براي پايش تصاوير محصولات توليدي در فرايندهاي ساخت براساس مطالعات شبيه سازي معرفي شده است. به اين صورت كه در حين توليد توسط سيستم بينايي ماشين از محصول تصويربرداري مي شود. اين تصوير اوليه در مرحله ي بعد توسط سيستم كامپيوتري پردازش شده تا به يك تصوير مناسب تبديل شود. در اين بخش يك تبديل كانتورلت بر روي تصوير اعمال مي شود تا مؤلفه هاي فركانسي تصوير استخراج شوند. در ادامه اين مؤلفه هاي فركانسي بعنوان ضرايب نهايي كانتورلت توسط نمودار كنترل نسبت درستنمايي تعميم يافته در طول زمان پايش خواهند شد. سپس، هر تصوير كه عامل حالت خارج از كنترل شد در اختيار يك شبكه ي عصبي كانولوشن كه از قبل آموزش ديده است، قرار مي گيرد تا مشخص شود چه نوع نقصي در محصول وجود دارد. براي اين قسمت دو معماري از شبكه هاي عصبي كانولوشن استفاده شده است. يكي از آنها مبتني بر شبكه ي پيشرفته ي اَلِكس نت و ديگري با ساختاري نسبتاً ساده تر طراحي شده اند. نتايج شبيه سازي از عملكرد مناسب رويكرد پيشنهادي در هر دو مرحله ي پايش فرايند و تشخيص عيب حكايت دارد.

1399/10/17

Designing an Integrated Model based on Statistical and Machine Learning Methods to Monitor Image in Manufacturing Processes

12/24/2021 12:00:00 AM

Statistical Process Control (SPC) by using statistical methods, is considered as a valid analytical method for identification, measurement and assessment of variability in a process. This powerful and capable assortment is very useful in stabilizing and improving performance of the process through decreasing variability. As processes has progressed and the structure of productions getting more complicated, product inspection operations, need multiple and more complicated assessment and measurements. Hence, these processes can not be controlled easily using classic tools of statistical process control; because these tools lose their efficiency when the dimensionality and qualitative features of the data are increased. Moreover, sometimes it requires to identify different types of deviations, classifications and their models in order to apply an additional information for producers. In this case, machine learning tools will help statistical process control. Nowadays, imaging of products and develop image monitoring techniques, have been considered in purpose of facilitation and acceleration in control and monitoring production processes by technicians and craftsmen. For this purpose, the image of product is initially recorded and then is evaluated by a computer system; this system would be able to automatically monitor the process without personal judgment. This aids the system to detect the various types of deviations at the earliest possible time. In this study, a systematic method based on statistical process control techniques and machine learning for products image monitoring manufacturing processes based on simulation studies has been introduced. Imaging of product is performed by Machine Vision System (MVS) during the production phase. In the next stage, this primary image will be processed by a computer system, in order to convert to a suitable image. In this part, a contourlet transform applies to extract frequency components on image. In the following, these frequency components will be monitor by the Generalized Likelihood Ratio (GLR) control chart as final contourlet index during the time. Then, each image that gets out of control, as a factor that is provided to a pretrained Convolutional Neural Network (CNN) for determination any type of defect in the product. Two architecture of the CNN has been used for this phase. One of them is based on AlexNet developed network and the other one has been designed with relatively simple structure. The results of simulation indicate an appropriate performance of suggested approach in both levels of process monitoring and defect recognition.

كنترل فرايند آماري , تبديل كانتورلت , نمودار كنترل , نسبت درستنمايي تعميم يافته , شبكه عصبي كانولوشن , اَلِكس‌نت

Statistical Process Control , Contourlet Transform , Control chart , Generalized Likelihood Ratio , Convolutional Neural Network , AlexNet