کاربرد شبکه های یادگیری عمیق برای طراحی فرآیند کنترل کیفیت در صنعت روغن موتور (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
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، تأثیر 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 مؤثر، 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 مؤلفه 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 تک الگوریتمی به دست 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 به ترتیب به میزان 15 و 8 درصد ارتقا داده است؛ همچنین در مؤلفه های تصویری، الگوریتم ترکیبی پیشنهادی ResNet-DenseNet نسبت به الگوریتم های ResNet و DenseNet به ترتیب با دقت بالاتری، به میزان 10 و 15 درصد عمل کرده است.نتیجه گیری: از نظر علمی و عملی، در این پژوهش تأثیر 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.Application of Deep Learning Networks to Design Quality Control Process in the Motor Oil Industry
Introduction: In light of recent advancements in the modern world, multivariate-multistage quality control patterns are increasingly recognized as vital and indispensable in manufacturing industries. This study delves into the significance and necessity of multivariate-multistage quality control in manufacturing, specifically focusing on motor oil production. As a foundational factor, motor oil quality considerably influences engine performance, lifespan, customer satisfaction, and market positioning. This research employs deep learning algorithms for monitoring and fault detection in quality components. The primary rationale for opting for deep learning algorithms over conventional statistical methods is the non-normal distribution of data and the large sample sizes, which can lead to inaccurate estimations and unstable analyses. Conversely, the unique capabilities of deep learning algorithms in handling complex data and extracting meaningful features from extensive motor oil production data justify their selection.
Methods: To bolster accuracy and effective quality control, a combination of deep learning algorithms is utilized, including Long Short-Term Memory (LSTM) networks, Convolutional Neural Networks (CNN), and hybrid models such as LSTM-CNN, as well as Residual Networks (ResNet) with Dense Networks (DenseNet). The LSTM-CNN algorithm is applied to control numerical quality variables and identify temporal and sequential patterns in the data. Meanwhile, ResNet-DenseNet manages and analyzes visual data with non-uniform and intricate distributions. By integrating LSTM networks, CNNs, and residual connections, these algorithms excel at extracting meaningful features and capturing complex relationships within the data. This enhances performance and efficiency in quality control processes and facilitates intelligent decision-making. Such an approach is adept at uncovering latent patterns and intricate relationships between variables and quality attributes, enhancing quality control procedures and intelligent decision-making.
Results and discussion: The amalgamation of these algorithmic capabilities enhances the efficacy of quality control processes, outperforming single-algorithm approaches. Additionally, the Bee Colony Clonal Algorithm (BCC) is employed to fine-tune the parameters of the LSTM-CNN and ResNet-DenseNet algorithms. This hybrid approach harnesses the Artificial Bee Colony (ABC) and Genetic Algorithm (GA) strengths, markedly improving the performance of deep learning algorithms in quality control and reducing the time required to achieve desired outcomes. To illustrate the practical applicability of the proposed algorithms, a case study in the motor oil production industry is examined. The proposed LSTM-CNN hybrid algorithm in fault detection demonstrated superior results compared to standalone CNN and LSTM algorithms, achieving performance improvements of approximately 15% and 8%, respectively. Furthermore, the proposed ResNet-DenseNet hybrid algorithm exhibited higher accuracy in visual components, enhancing performance by approximately 10% and 15% compared to ResNet and DenseNet algorithms, respectively.
Conclusions: From both academic and practical standpoints, this research scrutinizes deep learning algorithms' influence on enhancing motor oil quality and efficiency. Advanced data analysis methods, particularly hybrid deep learning algorithms, are employed to identify quality patterns in production data.
تبلیغات
