روشی هوشمند برای تشخیص الگو در نمودارهای کنترل

کنترل و نظارت بر فرآیندها یکی از وظایف مهم در کنترل کیفیت آماری به حساب می¬آید و نمودارهای کنترل به عنوان یکی از ابزار مهم در کنترل کیفیت آماری نقش بسزایی در کنترل فرآیند حین تولید دارد. البته باید به این نکته توجه شود که نمودارهای کنترل، فرآیند را کنترل نمی¬کنند بلکه ابزاری برای سنجش فرآیند به شمار می¬آیند که فرآیند تحت کنترل است یا خیر. با توجه به عدم توانایی نمودارهای کنترل برای هشدار هنگام وجود الگوهای غیرطبیعی در این نمودارها، امروزه تشخیص خودکار این الگوها در نمودارهای کنترل در فرآیندهای تولیدی اهمیت فراوانی یافته است. در این پژوهش، مدل پیشنهادی با توجه به چارچوب سه ماژولی سامانه تشخیص الگو که شامل ماژول¬های پیش پردازش داده¬ها، استخراج ویژگی و طبقه¬بندی است، شکل گرفته است. استفاده از روش تجزیه به مدهای تجربی (emd)، به منظور استخراج ویژگی از سیگنال¬های نمودار کنترل در این پژوهش مدنظر قرار گرفته است. emd به عنوان ابزاری برای تجزیه سیگنال به مؤلفه های سازنده¬ی آن¬ها و با توجه به این نکته که درحوزه¬ی زمان باقی می¬ماند، ابزاری مفید برای تجزیه سیگنال¬ در نمودارهای کنترل پیشنهاد شده است. مدل پیشنهادی با توجه به نوع استفاده از emd، شامل دو رویکرد است. در رویکرد نخست از emd به عنوان ابزاری برای استخراج ویژگی استفاده شده است، به این صورت که آخرین imf استخراجی به عنوان ویژگی استخراج شده از سیگنال اصلی در نظر گرفته شده است. هم چنین در این رویکرد از باقی مانده به دست آمده از سیگنال اصلی پس از اعمال emd، به عنوان سیگنالی برای استخراج ویژگی استفاده شده است. در رویکرد دوم از emd به عنوان ابزاری برای فیلترینگ سیگنال¬های کنترل استفاده شده که در نهایت دو imf نخست از سیگنال اصلی حذف شده و سیگنال فیلتر شده به عنوان ویژگی در نظر گرفته شده است. در ماژول طبقه بندی از ماشین بردار پشتیبان و شبکه های عصبی چند لایه استفاده شده است در نهایت پس از ارزیابی عملکرد سیستم، صحت تشخیصی برابر با 52/92 درصد برای رویکرد اول و 875/99 درصد برای رویکرد دوم حاصل شده که نشان از کارایی بالای سیستم پیشنهادی دارد. کلمات کلیدی: نمودارهای کنترل، الگو، استخراج ویژگی، تجزیه به مدهای تجربی (emd)، ماشین بردار پشتیبان (svm)، شبکه¬های عصبی چند لایه (mlp