25677

افزايش كيفيت محصول يك فرايند از طريق پيش بيني عيب با استفاده از تكنيك هاي داده كاوي

كارشناسي ارشد

مهندسي صنايع- بهينه‌سازي سيستم‌ها

1400/6/27

محمد سعيدي مهرآباد

رسول نورالسناء

دانشكده مهندسي صنايع

فرآيند توليد همواره داراي حجم انبوهي از داده و چندين نوع ويژگي مي باشد كه مي توان با شناخت آن ها و ميزان تأثير آن ها در كيفيت محصول نهايي، فرآيند را تحت كنترل قرار داد تا ميزان بهره وري افزايش يابد. كنترل كيفيت در فرآيند توليد، هسته اصلي صنايع توليدي براي اطمينان از كيفيت محصول است و پيش بيني عيب مي تواند ياري دهنده كنترل كيفيت و سيستم مديريت كيفيت باشد. براي رسيدن به اين مهم مي توان از مفاهيم و تكنيك هاي داده كاوي استفاده نمود. در اين تحقيق با بكارگيري داده هاي واحد كنترل كيفيت كارخانه خودروسازي بهمن موتور، با هدف پيش بيني عيب در فرآيند توليد محصول شاسي تك كابين و دو كابين، يك مدل تركيبي پيش بيني عيب ساخته شده است. در ابتدا از تك مدل هاي K نزديك ترين همسايگي، بيز گوسي، شبكه عصبي، درخت تصميم، جنگل تصادفي و درخت هاي گراديان تقويت شده استفاده گرديده كه هر كدام با استفاده از ويژگي هاي منتخب ساخته و توسط دو روش اعتبارسنجي ساده و متقابل ارزيابي شدند و در نهايت مدل تركيبي مورد نظر با استفاده از الگوريتم هاي جنگل تصادفي و شبكه عصبي مصنوعي ايجاد مي شود كه بر اساس معيارهاي ارزيابي، اين مدل تركيبي نسبت به تك مدل هاي معرفي شده از قابليت بالاتري برخوردار است.

1400/09/22

Enhancing product quality of a process through Fault prediction using data mining techniques

9/18/2022 12:00:00 AM

The production process always has a large amount of data and several types of property that can be controlled by recognizing them and the extent of their impact on the quality of the final product to increase productivity. Quality control in the production process is the core of the manufacturing industry to ensure product quality, and fault forecasting can help quality control and quality management system. To achieve this, data mining concepts and techniques can be used. In this research, using the data of the quality control unit of Bahman Motor Automotive Factory, with the aim of predicting defects in the production process of a single-cabin and double-cabin chassis product, a combined fault forecasting model has been developed. Initially, K-Neighborhood Clustering, Bayes Gaussian, neural network, decision tree, random forest and reinforced gradient trees were used, each of which was created using selected features and evaluated by two simple and reciprocal validation methods. Finally, the desired hybrid model is created using random forest algorithms and artificial neural network. Based on the evaluation criteria, this hybrid model has a higher capability than the single models introduced.