ارزیابی کیفیت محصولات تولیدی با ارائه رویکردی مبتنی بر شبکه عصبی فازی ANFIS (مورد مطالعه: شرکت تولیدی و صنعتی خزر پلاستیک)

سال انتشار: 1403
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 9

فایل این مقاله در 21 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_INDU-14-1_005

تاریخ نمایه سازی: 12 تیر 1403

چکیده مقاله:

مقدمه و اهداف: در حال حاضر، گسترش تضمین کیفیت دقیق و سریع برای ارائه محصولات تولیدی با کیفیت بالا و ایمن ضروری است. کیفیت بیشتر بر مسائل درون سازمانی تمرکز دارد که برای کنترل و بهبود فرآیند های داخلی به ­کار می رود و به ­دنبال بهبود عملکرد به منظور رضایت مشتری و رقابت پذیری است. کیفیت حوزه ای است که بر تلاش برای توسعه روش های خودکار تجزیه وتحلیل داده ها با هدف نهایی بهبود مستمر کیفیت محصولات و فرآیند ها در صنعت، دولت و جامعه تاکید دارد. سیستم ارزیابی عملکرد کیفیت به شدت به شناسایی و انتخاب عوامل حیاتی موفقیت و همچنین شاخص های آن در چارچوب مدیریت کیفیت وابسته است. برای رسیدن به این هدف در صنعت تولید، مشکلاتی مانند بازده تولید پایین، دقت پایین و عدم ­نوآوری در محصولات وجود دارد.روش ها: بر این اساس، طرحی برای معرفی روش هوش مصنوعی به شرکت های تولیدی برای حل مشکلات ذکرشده و درنتیجه بهبود کیفیت محصولات و کارایی تولید پیشنهاد شده است. بدین منظور، شبکه ای مبتنی بر یک سیستم استنتاج عصبی فازی تطبیقی برای ارزیابی و بررسی دقت نتایج و مقایسه کارایی آن ارائه شده است. روش پیشنهادی در تقابل با محاسبات سخت قرار می گیرد و موجب صرفه جویی در زمان و هزینه خواهد شد. در صنایع حجم داده ها افزایش یافته است که به ظهور مفاهیم جدیدی مانند تجزیه و تحلیل داده های بزرگ منجر شده است و محدودیت ها و مزایای راه حل های مبتنی بر هوش مصنوعی مورد­بحث قرار می گیرد تا توجه خلاقانه به راه حل های جدید و جهت گیری های جدید در صنایع تولیدی، تجاری و خدماتی برای بهبود کارایی فرآیند های خود، افزایش ارزش راه حل های خود و طراحی محصولات جدید برای یافتن مشاغل و بازار های جدید را برانگیزد. تقریبا تمام نقشه های راه بین المللی که بر نوآوری و پژوهش متمرکز شده اند، هوش مصنوعی را به عنوان محرک اساسی فناوری آینده در­برمی گیرند. یکی از چالش­ های روش های سنتی در مدیریت کیفیت، مدیریت داده های تولیدی با ابعاد بالا و غیرخطی است. برای حل این مشکلات، فرآیندی مبتنی بر هوش مصنوعی برای بهبود کیفیت محصول و کارایی تولید در این پژوهش توسعه داده شده است. در این پژوهش یک مدل استتنتاج عصبی فازی تطبیقی که هم­زمان دارای مزایای شبکه عصبی و استنتاج فازی است، برای ارزیابی و استخراج درجه کیفیت محصولات تولیدی و برای استنباط اینکه چگونه مجموعه ای از پارامتر های تولید و کیفیت فرآیند یک سیستم تولید مرتبط هستند، پیشنهاد شده است.یافته ها: به منظور آموزش مدل پیشنهادی از داده های مربوط به فرایند کیفیت یک قطعه از خط تولید «شرکت صنعتی خزر پلاستیک» استفاده شد و ۵۵۰ داده مرتبط با فرایند کیفیت با تاکید بر متغیر هایی تاثیرگذار شامل«معیار ظاهری، قطر خارجی چرخ دنده بزرگ، ضخامت چرخ دنده، طول شافت فلزی، ارتفاع شافت فلزی، قطر خارجی شافت فلزی» به عنوان متغیر ورودی و کیفیت نهایی به عنوان متغیر خروجی در نظر گرفته شد. درنهایت دقت نتایج و کارایی مدل استتنتاج عصبی فازی تطبیقی پیشنهادی با استفاده از شاخص های آماری ضریب همبستگی و جذر میانگین مربعات خطا مورد ارزیابی قرار گرفت.نتیجه گیری: با توجه به نتایج، داده های مورداستفاده برای ارزیابی کیفیت قطعه تولیدی در روش نرو فازی تطبیقی پیشنهادی با ضریب همبستگی ۹۵/۰ و میانگین مربعات خطا ۴۲۸۶۹/۰ تطابق خوبی بین کیفیت خروجی مدل و مقادیر واقعی ارائه داد.

کلیدواژه ها:

سیستم استنتاج عصبی فازی تطبیق (ANFIS) ، یادگیری نظارت شده ، مدیریت کیفیت ، بهبود کیفیت ، تولید

نویسندگان

سمانه راش

دانشجوی دکتری، گروه مدیریت، دانشکده مدیریت و اقتصاد، دانشگاه گیلان، گیلان، ایران.

میثم عفتی

دانشیار، گروه مهندسی عمران، دانشکده فنی و مهندسی، دانشگاه گیلان، گیلان، ایران.

مصطفی ابراهیم پور

دانشیار، گروه مدیریت، دانشکده مدیریت و اقتصاد، دانشگاه گیلان، گیلان، ایران.

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Al-Marakeby, A., Aly, A., & Salem, F. A. (۲۰۱۳). Fast ...
  • Behfarnia, K., & Khademi, F. (۲۰۱۷). A comprehensive study on ...
  • Da, F. (۲۰۰۰). Decentralized sliding mode adaptive controller design based ...
  • Eslmpanah, M. (۲۰۲۳). Identifying Strategies and Applicable Policies to Improve ...
  • Field, J.M., Sinha, K.K. (۲۰۰۵) Applying process knowledge for yield ...
  • Hopp W.J., & Spearman, M.L. (۲۰۱۱). Factory Physics, ۳rd ed. ...
  • Huang, X. (۲۰۲۲). Application of artificial intelligence APP in quality ...
  • Ittner, C. D. (۱۹۹۴). An examination of the indirect productivity ...
  • JE, D. (۲۰۰۱). Artificial neural networks: opening the black box. ...
  • Karamouz, S. S., Ahmadi Kahnali, R., & Ghafurnia, M. (۲۰۱۹). ...
  • Karimi, A., Darabi, R., Poor, F. M., & Moghadam, H. ...
  • Lin, C. T., & Lee, C. G. (۱۹۹۶). Neural fuzzy ...
  • Long, G. J., Lin, B. H., Cai, H. X., & ...
  • Makridakis, S. (۲۰۱۷). The forthcoming Artificial Intelligence (AI) revolution: Its ...
  • Malik, V., & Singh, S. (۲۰۲۰). Artificial intelligent environments: risk ...
  • Nelles, O., & Nelles, O. (۲۰۲۰). Nonlinear dynamic system identification ...
  • Pedrycz, W. (۱۹۹۳). Fuzzy neural networks and neurocomputations. Fuzzy Sets ...
  • Prentice, C., Dominique Lopes, S., & Wang, X. (۲۰۲۰). The ...
  • Psarakis, S. (۲۰۱۱). The use of neural networks in statistical ...
  • Rajawat, A. S., Rawat, R., Barhanpurkar, K., Shaw, R. N., ...
  • Schmenner, R. W., & Swink, M. L. (۱۹۹۸). On theory ...
  • Shahin, A., Janatyan, N., & Khodaparastan, M. (۲۰۲۱). Designing an ...
  • Shewhart, W. A. (۱۹۲۶). Quality control charts. The Bell System ...
  • Somasundaram, M. J. K. M. S., Junaid, K. M., & ...
  • Taguchi, G. (۱۹۸۶). Introduction to Quality Engineering: Designing Quality into ...
  • Weese, M., Martinez, W., Megahed, F. M., & Jones-Farmer, L. ...
  • Woodall, W. H., & Montgomery, D. C. (۲۰۱۴). Some current ...
  • R. Huang (۲۰۱۹). Review and Prospect of New Generation Artificial ...
  • H. Liang. Design of Intelligent Enterprise Management System Based on ...
  • Yadollahi, M. M., Benli, A., & Demirboga, R. (۲۰۱۷). Application ...
  • Zadeh, L.A. (۱۹۶۵). Fuzzy Sets, Information and control. California, ۸(۳), ...
  • Zantek, P. F., Wright, G. P., & Plante, R. D. ...
  • Zare Ahmedabadi, H., Habib, Safari Derbarzi, Mirghfouri, Seyyed Habibullah, Jafari ...
  • Zhang, B., Huang, W., Li, J., Zhao, C., Fan, S., ...
  • Zhang, S., Omar, A. H., Hashim, A. S., Alam, T., ...
  • Zhang, Z., Zhang, K., & Khelifi, A. (۲۰۱۸). Multivariate time ...
  • نمایش کامل مراجع