طراحی نمودار کنترل مبتنی بر یادگیری ماشین برای پایش پراکندگی جریان داده های با ابعاد بالا در فاز ۲

این یک نمودار کنترل مبتنی بر شبکه عصبی کاملا متصل برای پایش پراکندگی فرآیندهای چند متغیره با دو ویژگی مهم توسعه داده می شود: (۱) قابلیت استفاده برای پایش پراکندگی فرآیندها با جریان داده ابعاد بالا، و (۲) عدم نیاز به برقراری مفروضات آماری محدودکننده ازجمله نرمال بون مشخصه های کیفی تحت مطالعه و مستقل بودن مشاهدات در نمونه های اخذشده. چالش مهمی که معمولا در آموزش شبکه های عصبی با آن مواجه هستیم بیش برازش یا شکست تعمیم است. در این مطالعه برای مواجهه با چالش ذکرشده از دو ابزار لایه حذف تصادفی و منظم سازی وزن در طراحی شبکه استفاده می شود. به علاوه جهت آموزش بهتر شبکه عصبی و برخلاف بیشتر نمودارهای کنترل مبتنی بر ابزارهای یادگیری که از الگوی دو کلاسه صفر و یک به عنوان مقادیر هدف بهره می برند، در این مطالعه مقادیر هدف بر اساس اندازه و تعداد مولفه های شیفت یافته تعیین شده اند، به گونه ای که با افزایش اندازه شیفت و تعداد مولفه های شیفت یافته، مقادیر هدف نیز افزایش یابند. در ادامه، به منظور افزایش توان نمودار کنترل توسعه داده شده در کشف اختلالات رخ داده در مولفه های ماتریس کوواریانس، نسخه بهبودیافته ای از آن به کمک دو قانون حساس سازی ۲ از ۳ و ۴ از ۵ ارائه می شود. عملکرد رویکردهای پیشنهادی با استفاده از یک مثال عددی با دو نمودار کنترل ATL و RPLR مقایسه می شوند. نتایج نشان می دهد که رویکرد مجهز شده به قوانین حساس سازی عملکرد بهتری از نمودارهای رقیب برحسب دو شاخص ARL و SDRL دارد.

کلیدواژه ها:

پایش پراکندگی ، فرآیند ابعاد بالا ، نمودار کنترل مبتنی بر شبکه عصبی ، تنظیم سازی ، قانون حساس سازی ، لایه حذف تصادفی