کاربرد شبکه های یادگیری عمیق برای طراحی فرآیند کنترل کیفیت در صنعت روغن موتور

مقدمه و اهداف: با توجه به پیشرفت های جدید در دنیای مدرن، استفاده از الگوهای کنترل کیفیت چندمتغیره-چندمرحله ای در صنایع تولید به عنوان موضوعی حیاتی و ضروری مطرح می شود. این پژوهش به بررسی اهمیت و ضرورت کنترل کیفیت چندمتغیره-چندمرحله ای در صنایع تولیدی با تاکید بر تولید روغن موتور پرداخته است. کیفیت روغن موتور به عنوان یک عامل بنیادین، تاثیر قابل توجهی بر عملکرد، عمر موتور، رضایت مشتریان و موقعیت محصول در بازار دارد.در این تحقیق، برای مانیتورینگ و تشخیص خطا در مولفه های کیفی، استفاده از الگوریتم های یادگیری عمیق، مد نظر قرار گرفته است. علت اصلی انتخاب الگوریتم های یادگیری عمیق به جای روش های کلاسیک آماری، نرمال نبودن داده ها و حجم بزرگ نمونه ها بوده است. این مشکلات می توانند باعث عدم دقت تخمین ها و ناپایداری تحلیل ها شوند. از طرفی، توانمندی های منحصر به فرد الگوریتم های یادگیری عمیق در تجزیه وتحلیل داده های پیچیده و استخراج ویژگی های معنادار از داده های گسترده تولید روغن موتور، دلیل اصلی بر انتخاب این الگوریتم ها است.روش­ ها: در این پژوهش، به منظور افزایش دقت و کنترل کیفیت موثر، از الگوریتم های یادگیری عمیق ترکیبی از جمله شبکه عصبی با حافظه طولانی -کوتاه مدت و شبکه  عصبی پیچشی، LSTM-CNN و شبکه باقیمانده شبکه عصبی پیچشی متصل و ResNet-DenseNet برای کنترل مولفه های کیفی استفاده شده است. در این پژوهش، با توجه به نیاز به تحلیل و کنترل داده های پیچیده و چندمتغیره، از الگوریتم LSTM-CNN برای کنترل کیفی متغیرهای عددی و تشخیص الگوهای زمانی و توالی در داده ها استفاده شده است. همچنین، برای مدیریت و تجزیه و تحلیل داده های بصری که توزیع های غیریکنواخت و پیچیده ای دارند، از الگوریتم ResNet-DenseNet استفاده شده است. این الگوریتم ها با استفاده از ترکیبی از شبکه های عصبی با حافظه طولانی- کوتاه مدت و شبکه های پیچشی، قادر به استخراج ویژگی های معنادار و ارتباطات پیچیده میان داده ها هستند، که این امر باعث بهبود عملکرد و کارایی در فرایندهای کنترل کیفیت و تصمیم گیری هوشمند می شود. این روش قادر به تشخیص الگوهای پنهان و ارتباطات پیچیده بین متغیرها و ویژگی های کیفیتی موجود در داده ها است و قابلیت بهبود فرایندهای کنترل کیفیت و تصمیم گیری هوشمند را تسهیل می کند.یافته­ ها: ترکیب قابلیت های این الگوریتم ها، عملکرد فرایند کنترل کیفیت را بهبود می بخشد و نتایج بهتری نسبت به روش های تک­الگوریتمی به­دست می آورد؛ به علاوه از الگوریتم کلونی زنبورعسل (GBC) برای تنظیم پارامترهای الگوریتم های یادگیری عمیق LSTM-CNN و ResNet-DenseNet استفاده شده است. این الگوریتم به عنوان یک رویکرد ترکیبی عمل می کند و از مزایای الگوریتم کلونی زنبور عسل مصنوعی(ABC) و الگوریتم ژنتیک (GA) بهره می برد. این ترکیب به میزان زیادی عملکرد الگوریتم های یادگیری عمیق را در فرایندهای کنترل کیفیت بهبود می بخشد و زمان رسیدن به نتیجه مطلوب را کاهش می دهد. به منظور نمایش کاربرد عملی الگوریتم های ارائه شده در جهان واقعی، یک مطالعه موردی از صنعت تولید روغن موتور بررسی شده است. الگوریتم ترکیبی LSTM-CNN پیشنهادی در فرایند تشخیص خطا، نتیجه بهتری نسبت به الگوریتم های تکی CNN  و LSTM داشته و عملکرد نتایج را به­ترتیب به­میزان ۱۵ و ۸ درصد ارتقا داده است؛ همچنین در مولفه های تصویری، الگوریتم ترکیبی پیشنهادی ResNet-DenseNet نسبت به الگوریتم های ResNet و DenseNet به ترتیب با دقت بالاتری، به میزان ۱۰ و ۱۵ درصد عمل کرده است.نتیجه ­گیری: از نظر علمی و عملی، در این پژوهش تاثیر الگوریتم های یادگیری عمیق در بهبود کیفیت و کارایی روغن موتور را مورد بررسی قرار گرفته و از روش های پیشرفته تجزیه وتحلیل داده، به ویژه الگوریتم های ترکیبی عمیق، برای شناسایی الگوهای کیفی در داده های تولید استفاده شده است.

کلیدواژه ها:

خود­رمزگذار ، یادگیری عمیق ، تشخیص خطا ،  الگوریتم فراابتکاری ،  کنترل کیفیت