25960

تخصيص تلورانس داده محور: روشي جديد با بكارگيري درخت تصميم و شبيه سازي مونت كارلو

كارشناسي ارشد

مهندسي سيستم

1398

1400/09/28

دكتر محمد فتحيان

مهندسي صنايع

اين روزها، با توجه به پيشرفت تكنولوژي‌هاي توليد، ميزان بيشتري داده در فرايند‌هاي توليد ‌ايجاد و ذخيره مي‌شود. با توجه به تغيير طبيعت توليد به خودكار و هوشمند شدن، الگوريتم‌هاي يادگيري ماشين نقش حياطي را در ‌اين تغييرات فرايند‌هاي توليد‌ ايفا مي‌كند. علاوه بر اين، كيفيت محصول و همينطور هزينه توليد حساس تر از گذشته خواهند بود. در صورت توجه به تخصيص تلورانس، مرحله طراحي به توليد كننده كمك مي‌كند تا محصولي باكيفيت و بدون هزينه زائد توليد كند. توليد كننده تلورانس زياد را براي كاهش هزينه در نظر مي‌گيرد، اما طراحان تلورانس دقيق را براي يك محصول با كيفيت ترجيح مي‌دهند. بسياري از الگوريتم‌هاي بهينه سازي با توابع هدف مختلف - مانند بهينه سازي هزينه و بهينه سازي قابليت فرآيند توليد – براي ‌ايجاد ‌اين مشكل استفاده شده اند. اگرچه شبيه سازي مونت كارلو يك مجموعه داده را توليد مي‌كند، اما به عنوان يك روش تجزيه و تحليل تلورانس براي كمك به مدل بهينه سازي براي يك نتيجه احتمالي در نظر گرفته شده است. در ‌اين مطالعه، دانش يادگيري ماشين براي كمك به تخصيص تلورانس در نظر گرفته شده است. بنابراين، يك رويكرد تخصيص تلورانس جديد براي مقابله با تلورانس‌هاي مطالعه موردي جانسن تعريف شده است. از‌ اين رو‌ اين رويكرد هرگز مورد توجه قرار نگرفته است؛ يك مدل درخت تصميم اجرا مي‌شود، و تلورانس‌هاي جديدي از درخت استخراج مي‌شود. روش تحقيق به‌ اين صورت است كه در ابتدا شبيه سازي مونت كارلو اوليه‌اي با در نظر گرفتن تلورانس 0.06 براي تمامي ابعاد در نظر گرفته مي‌شود. سپس الگوريتم درخت تصميم شروع به يادگيري مي‌كند و سپس مدل استخراج قوانين تعريف شده تلورانس‌هاي جديد را بدست مي‌آورد. تلورانس‌هاي جديد ورودي شبيه سازي جديد خواهند بود و در ادامه يادگيري توسط درخت تصميم و استخراج قوانين مانند قبل‌ايفاي نقش خواهند كرد. اين چرخه 10 بار تكرار خواهد شد تا بهترين مقادير براي تلورانس‌ها بدست آيد. پس از پياده سازي مدل (روش تحقيق) بيان شده، نتايج قابل تامل و توجهي بدست آمد. نتايج نشان داده است كه مدل بالا مي‌تواند مسائل پيچيده و غيرخطي را با چند تكرار حل كند و تلورانس‌هاي مناسبي را به عنوان خروجي در اختيار بگذارد.

1400/10/23

Data-Driven Tolerance Allocation: a new approach based on Decision Tree and Monte Carlo simulation

12/19/2022 12:00:00 AM

Nowadays, due to the advancement of production technologies, more data is created and stored in production processes. Due to the changing nature of production to automation and intelligence, machine learning algorithms play a crucial role in these changes in production processes. In addition, product quality and production costs will be more sensitive than before. If the tolerance allocation is considered, the design phase helps the manufacturer produce quality products at no extra cost. The manufacturer finds high tolerances to reduce costs, but designers prefer accurate tolerances for a quality product. Many optimization algorithms with different objective functions have created this problem, such as cost optimization and production process capability optimization. Although the Monte Carlo simulation produces a data set, it is intended as a tolerance analysis method to aid the optimization model for a possible outcome. In this study, machine learning knowledge is used to help allocate tolerances. Therefore, a new tolerance allocation approach has been defined to address the tolerances of Johnson’s case study. Hence this approach has never been considered; A decision tree model is implemented, and new tolerances are extracted from the tree. The research method is that the initial Monte Carlo simulation is initially taken with a tolerance of 0.06 for all dimensions. The decision tree algorithm learns and then obtains a model for extracting defined rules of new tolerances. The new tolerances will be the input to the new simulation. They will continue to play the role of the decision tree and extract the rules as before. This cycle will be repeated 10 times to obtain the best values for the tolerances. After implementing the model (research method) expressed, significant results were obtained. The results show that the above model can solve complex and nonlinear problems with a few iterations and provide suitable tolerances as output.

تخصيص تلورانس , تجزيه و تحليل تلورانس , يادگيري ماشين

Tolerance Allocation , Tolerance Analysis , Machine Learning