25115

ارائه چهارچوبي جهت پيش بيني عوامل تاثيرگذار در ضايعات توليدي با استفاده از تكنيك هاي داده كاوي

كارشناسي ارشد مهندسي صنايع - بهينه سازي

مهندسي صنايع

1396

1399/12/16

جناب آقاي دكتر روزبه قوسي

جناب آقاي دكتر رسول نورالسنا

مهندسي صنايع

با قرارگيري در عصر داده ها و گسترش سيستم هاي نرم افزاري در شركت هاي توليدي، حجم زيادي از داده ها در حال ثبت و نگهداري مي باشند كه در صورت ساختاردهي به اين داده ها مي توان دانش فراواني را از آنها استخراج نمود. همانطور كه ميدانيد در بيشتر مسائل صنعتي متغييرهاي فراواني دخيل بوده و همچنين اين متغيير داري روابط پيچيده اي مي باشند. تكنيك هاي داده كاوي امكان استخراج اين الگوها را براي ما فراهم نمودند به همين دليل روز به روز استفاده از اين داده ها در صنعت بيشتر ميگردد. در اين مقاله به دنبال پيش بيني وضعيت لوله چدن نشكن پيش از ريخته گري ميباشيم تا بدين وسيله از وقوع ضايعات پيشگيري كرده و در هزينه ها، زمان و انرژي صرفه جويي نماييم. براي اين منظور يك مدل شبكه عصبي به منظور پيش بيني ضايعات جهت جلوگيري از وقوع آن بر مبناي تنظيمات ماشين لوله ريزي پيشنهاد شده است. همچنين با توجه به ماهيت فرآيند كه مربوط به ضايعات مي باشد، داده ها نامتوازن بوده و براي حل اين مشكل از روشهاي نمونه افزايي استفاده نموديم. جهت ارزيابي عملكرد مدل با توجه به نامتوازن بودن داده ها معيار اف 1 بروي داده هاي اقليت را ملاك قرار داده و بر مبناي اين شاخص مدل ارزيابي شد. مدل پيشنهاد شده در حد قابل قبولي امكان پيش بيني ضايعه مك را فراهم ميسازد.

1400/05/24

Creating a model to predict the impact of parameters on defective product by using data mining techniques

3/7/2022 12:00:00 AM

By software system development a huge amount of data is begin recorded especialy in manufacturing companies. In case of collecting them in a structured and categorized way, a considerable level of knowledge can be derived. In the most of industrial problems redundancy variables are also involved which have complex relations. Since data mining techniques have enable us to extract this patterns, the usage of this methods are growing over time. This research is illustrating the prevention of industrial waste and also loss of time, energy and costs by mindfully predicting the quality status of the ductile iron pipe. In doing so, an artificial neural network (ANN) model is proposed based on the piping machine to predict and avoid defective products. Moreover, according to the basis of this research, SMOTE method is used to solve these problems with imbalanced data. In order to evaluate the accuracy of this model with these data, the F1 Score criteria is credited on minority data.

شبكه عصبي مصنوعي

artificial neural network