طراحي مدلي يكپارچه مبتني بر روش هاي آماري و يادگيري ماشين براي پايش تصاوير در فرايندهاي ساخت

كارشناسي ارشد

كنترل فرايند آماري با استفاده از روش هاي آماري، تحليلي معتبر براي شناسايي، اندازه گيري و ارزيابي تغييرپذيري در يك فرايند محسوب مي شود. اين مجموعه ي قدرتمند و توانا در ايجاد ثبات در فرايند و بهبود كارايي آن از طريق كاهش تغييرپذيري مفيد واقع مي گردد. با پيشرفت فرايندهاي توليدي و همچنين پيچيده تر شدن ساختار محصولات، عمليات بازرسي محصولات نيازمند اندازه گيري هاي متعدد و دشوار است. از اين رو، كنترل اينگونه فرايندها به كمك ابزار كلاسيك كنترل فرايند آماري مشكل خواهد بود؛ چراكه اين ابزار با افزايش ابعاد داده ها و مشخصه هاي كيفي كارايي خود را از دست مي دهند. از طرفي، گاهي اوقات نياز است انواع انحرافات، طبقه بندي و الگوي آنها شناسايي شود تا اطلاعات تكميلي از فرايند در اختيار توليدكنندگان قرار گيرد. در اين مواقع ابزارهاي يادگيري ماشين به كمك روش هاي كنترل فرايند آماري خواهند آمد. امروزه تصويربرداري از محصولات و توسعه ي تكنيك هاي پايش مبتني بر تصوير، با هدف تسهيل و تسريع در كنترل و نظارت بر فرايندهاي توليدي مورد توجه متخصصان و صنعتگران قرار گرفته است. به اين منظور، پس از ثبت تصوير محصول، اين تصوير توسط يك سيستم كامپيوتري مورد ارزيابي قرار مي گيرد تا اين سيستم بدون قضاوت شخصي و به صورت خودكار قادر به پايش فرايند باشد و بتواند انواع انحرافات را در كوتاه ترين زمان شناسايي كند. در اين تحقيق، يك روش سيستماتيك مبتني بر تكنيك هاي كنترل فرايند آماري و يادگيري ماشين براي پايش تصاوير محصولات توليدي در فرايندهاي ساخت براساس مطالعات شبيه سازي معرفي شده است. به اين صورت كه در حين توليد توسط سيستم بينايي ماشين از محصول تصويربرداري مي شود. اين تصوير اوليه در مرحله ي بعد توسط سيستم كامپيوتري پردازش شده تا به يك تصوير مناسب تبديل شود. در اين بخش يك تبديل كانتورلت بر روي تصوير اعمال مي شود تا مؤلفه هاي فركانسي تصوير استخراج شوند. در ادامه اين مؤلفه هاي فركانسي بعنوان ضرايب نهايي كانتورلت توسط نمودار كنترل نسبت درستنمايي تعميم يافته در طول زمان پايش خواهند شد. سپس، هر تصوير كه عامل حالت خارج از كنترل شد در اختيار يك شبكه ي عصبي كانولوشن كه از قبل آموزش ديده است، قرار مي گيرد تا مشخص شود چه نوع نقصي در محصول وجود دارد. براي اين قسمت دو معماري از شبكه هاي عصبي كانولوشن استفاده شده است. يكي از آنها مبتني بر شبكه ي پيشرفته ي اَلِكس نت و ديگري با ساختاري نسبتاً ساده تر طراحي شده اند. نتايج شبيه سازي از عملكرد مناسب رويكرد پيشنهادي در هر دو مرحله ي پايش فرايند و تشخيص عيب حكايت دارد.

195379

دانشگاه علم و صنعت ايران

دكتر فرناز برزين پور

بهينه‌سازي سيستم‌ها

دكتر رسول نورالسناء