طراحی آزمایشها

"یکی از گامهای مهم در توسعه شبکه‌های عصبی مصنوعی طراحی معماری شبکه است که تأثیر زیادی بر عملکرد شبکه دارد. در طراحی معماری شبکه‌های عصبی مصنوعی، عواملی از قبیل تعداد لایه‌های پنهان، تعداد نرون‌ها در هر لایه، توابع تبدیل و الگوریتم آموزش باید تعیین شوند. محققان در طراحی معماری شبکه به‌طور عمده از طریق سعی و خطا عمل می‌کنند و یا اینکه اثر متقابل بین عوامل مختلف در طراحی معماری شبکه را در نظر نمی‌گیرند. در این تحقیق، یک مدل مبتنی بر تکنیک طراحی آزمایشها برای طراحی بهینه معماری شبکه عصبی با یادگیری تحت نظارت، با توجه به اثر متقابل بین عوامل ذکرشده، ارائه می‌شود. در این تحقیق، از مدل پیشنهادی برای طراحی معماری شبکه عصبی به منظور پیش‌بینی مصرف نفت‌گاز کل کشور استفاده شده است. به‌منظور مقایسه عملکرد مدل پیشنهادی با استفاده از روش سعی و خطا به‌عنوان یکی از روشهای مرسوم در طراحی معماری، یک مدل شبکه عصبی برای پیش‌بینی مصرف نفت‌گاز توسعه داده شده و طی آن برتری مدل پیشنهادی نشان داده شده است. همچنین برای مقایسه عملکرد شبکه عصبی با روشهای آماری، دو مدل با استفاده از رگرسیون و ARIMA طراحی شده‌اند. نتایج به دست آمده در پیش‌بینی مصرف نفت‌گاز در این بخش نیز نشان می‌دهد که پیش‌بینی با شبکه‌عصبی طراحی شده جوابهای بهتری دارد."

در دنیای رقابتی امروز، بهبود فرایندها به منظور افزایش کیفیت در محصولات، همواره یکی از دغدغه های اساسی سازمانها بوده است. طراحی آزمایشها به عنوان یکی از روشهای کنترل کیفیت آماری، افزایش کیفیت محصول و نتیجتا بهره وری در تولید را موجب می گردد. در این مقاله، ابتدا سعی گردیده با استفاده از روش تجزیه و تحلیل حالات و اثرات خرابی (FMEA)، مشکلات رنگهای صنعتی در یکی از شرکتهای تولید کننده رنگهای صنعتی (شرکت پرتو فولاد فام) شناسایی و اولویت بندی شده و سپس با استفاده از روش آرایه های متعامد تاگوچی در طراحی آزمایشها، مقادیر بهینه برای سطوح عوامل موثر شناسایی شده در فرآیند، تعیین شوند. بدین ترتیب که شش عامل سه سطحی و یک عامل دو سطحی تعریف شده و آرایه L18 جهت طراحی آزمون های مورد نیاز انتخاب گردیده است. نتایج نشان می دهد که بهترین سطح کیفیت رنگها مربوط به آزمونی است که در آن: سطح دانه بندی بیش از 10، دمای حداکثر فلز برابر 232 سانتی گراد، پیگمنت از نوع عالی، مقدار رزین برابر 55%، مقدار کاتالیست برابر 4.1%، ورق با کیفیت متوسط و مقدار حداکثر افزودنی در نظر گرفته شود. به منظور تعیین اثربخشی روش به کار گرفته شده، نمره اولویت ریسک(RPN) در روش FMEA، قبل و بعد از به کارگیری روش تاگوچی محاسبه گردید که این امر کاهش 19 واحدی میانگین RPN را به دنبال داشت. این موضوع تاثیر روش تاگوچی را در کاهش ریسک های ناشی از خرابی محصول و نیجتا افزایش کیفیت محصول بیان داشته است.