Pobierz artykuł PDF

SIECI NEURONOWE W KONTROLI JAKOĝCI PROCESU
IZABELA ROJEK
Streszczenie
W artykule przedstawiono zastosowanie sieci neuronowych w kontroli jakoĞci
procesu technologicznego. Kontrola jest bardzo waĪnym etapem caáego procesu produkcyjnego. Istnieją róĪne metody sprawdzania tej jakoĞci. W niektórych
przedsiĊbiorstwach produkcyjnych jakoĞü sprawdzana jest przez operatorów maszyn,
czy teĪ dziaáy kontroli jakoĞci. Mogą tutaj byü wykorzystywane metody rĊcznego
sprawdzania jakoĞci lub narzĊdzia statystycznej kontroli w postaci specjalizowanych
programów komputerowych. Innym podejĞciem jest traktowanie karty kontrolnej jako
obrazu, a nie zbioru punktów. Opracowano modele analizy karty kontrolnej jako obrazu w postaci sieci neuronowych typu MLP, czyli sieci jednokierunkowych,
wielowarstwowych ze wsteczną propagacją báĊdu. Modele te przetestowano na danych rzeczywistych z przedsiĊbiorstwa produkcyjnego.
Sáowa kluczowe: sieci neuronowe, kontrola, jakoĞü procesu
WstĊp
W zarządzaniu jakoĞcią podkreĞla siĊ, Īe cechą nieodáączną produkcji wyrobów jest zmiennoĞü.
ZmiennoĞü procesu, mająca odbicie w zmiennoĞci wartoĞci wáaĞciwoĞci wytwarzanego wyrobu,
wystĊpuje zawsze, niezaleĪnie od jego rodzaju, jak i stosowanej technologii [2].
Zbiór narzĊdzi statystycznych, których zadaniem jest opisanie zmiennoĞci procesu, w wyniku
czego moĪliwe jest podjĊcie odpowiednich dziaáaĔ pozwalających utrzymaü zmiennoĞü w dopuszczalnych granicach a nastĊpnie sprowadziü je do minimum, okreĞla siĊ mianem statystycznego
sterowania procesami (SPC) [10]. Jednym z podstawowych zadaĔ SPC jest wykrywanie zaistnienia
zakáóceĔ specjalnych procesu. Ich identyfikacja odbywa siĊ w oparciu o próby losowe pobierane w
toku produkcji. Od chwili wykrycia zakáócenia waĪnym staje siĊ rozpoznanie jego przyczyny i okreĞlenie Ğrodków zapobiegawczych.
Jednym z podstawowych narzĊdzi SPC są karty kontrolne procesu. NarzĊdzie to jest centralnym
elementem SPC. KartĊ kontrolną jako graficzną metodĊ statystyczną zaproponowaá po raz pierwszy
Walter Shewhart [9].
1. Stan badaĔ
Istnieje wiele rozwiązaĔ wykorzystujących karty kontrolne do analizy stabilnoĞci procesu.
W artykuáach [1,3–5] zostaáy pokazane badania kontroli jakoĞci procesu przy zastosowaniu statystycznych metod kontroli, wykorzystujących karty kontrolne.
Ponadto istnieją rozwiązania wykorzystujące sieci neuronowe [6,11]. Niestety, zastosowanie
sieci neuronowych przedstawiono na doĞü ogólnym poziomie bez pokazania szczegóáowych badaĔ
dotyczących budowy modeli.
91
Izabela Rojek
Sieci neuronowe w kontroli jakoĞci procesu
Celem tego artykuáu jest pokazanie dziaáania opracowanych modeli w postaci sieci neuronowych MLP na tle tradycyjnych podejĞü wykorzystywanych w przedsiĊbiorstwach produkcyjnych.
Sieci neuronowe posáuĪyáy do analizy kart kontrolnych. Karty te lub ich fragmenty moĪna traktowaü
jako obrazy.
Dziaáanie sieci neuronowych polega na analizie tych obrazów i ich interpretacji. Pewne obrazy
na karcie kontrolnej Ğwiadczą o utracie przez proces stabilnoĞci. Opracowane modele w postaci sieci
neuronowych rozpoznają wiele wzorców nieprawidáowoĞci, które mają miejsce w przypadku braku
stabilnoĞci procesu. SpoĞród sieci neuronowych zostaáy wybrane sieci MLP, czyli sieci jednokierunkowe, wielowarstwowe ze wsteczną propagacją báĊdu.
Dziaáanie modeli w postaci sieci neuronowych zostaáo przetestowane na danych rzeczywistych
z przedsiĊbiorstwa produkcyjnego. WczeĞniejsze prace autorki dotyczące stosowania sieci neuronowych w systemach produkcyjnych zostaáy przedstawione w pracach [7,8].
2. Opis karty kontrolnej
Karta kontrolna jest to dokument, na którym rejestrowane są wyniki badania prób pobieranych
systematycznie z bieĪącej produkcji lub wyznaczanych na ich podstawie statystyk (rys 1). Jest to
wykres okreĞlonych wczeĞniej miar statystycznych.
Osią Y na karcie są najczĊĞciej: numer próby, czas pobierania próby, numer partii lub inna
wielkoĞü, a osią X są: wartoĞci pomiarowe, wartoĞü Ğrednia, mediana, rozstĊp itp.
Linie kontrolne na karcie oznaczają granice zmiennoĞci cechy, której przyczyną są czynniki
losowe. Wyznaczenie poáoĪenia granic kontrolnych wynika z zaáoĪonego rozkáadu prawdopodobieĔstwa cechy lub statystyki oraz zaáoĪonego ryzyka báĊdnej decyzji (GLK – górna linia kontrolna,
LC – linia centralna, DLK – dolna linia kontrolna).
Rysunek 1. Kontrola jakoĞci procesu na karcie kontrolnej
W literaturze tematu spotyka siĊ róĪne podziaáy kart. Zasadniczo dokonuje siĊ podziaáu na dwie
podstawowe grupy: karty kontrolne cech mierzalnych (wartoĞü pomiarowa, Ğrednia, mediana, Ğrednia waĪona, rozstĊp, odchylenie standardowe, suma skumulowana) oraz karty kontrolne cech
policzalnych (liczby jednostek niezgodnych w próbie, frakcje jednostek niezgodnych w próbie,
liczby niezgodnoĞci w próbie, liczby niezgodnoĞci na jednostkĊ wyrobu).
Zadaniem operatora procesu jest obserwowanie karty i podejmowanie decyzji: proces jest stabilny, nic siĊ nie zmieniáo lub proces utraciá stabilnoĞü. Obserwacja karty sprowadza siĊ do
92
Studies & Proceedings of Polish Association for Knowledge Management
Nr 74, 2015
zauwaĪenia charakterystycznego ukáadu punktów, który jest sygnaáem o utracie stabilnoĞci przez
proces. Ukáady te są „obrazem” stanu procesu. W statystycznym sterowaniu procesami nazywa siĊ
je czĊsto symptomami.
Zadaniem inĪyniera jakoĞci jest zaprojektowanie karty kontrolnej oraz wskazanie, które ukáady
punktów dla danego procesu są symptomami utraty stabilnoĞci. InĪynier definiuje równieĪ podejmowane ewentualne kroki korygujące w sytuacji rozregulowania procesu. Takimi sygnaáami dla
karty wartoĞci Ğredniej mogą byü: przesuniĊcie, trend, run, mieszanina staáa, fluktuacja oraz stratyfikacja (rys. 2).
a)przesuniħcie(S)
b)run(R)
Rysunek 2. Przykáady niestabilnoĞci procesu
3. Etapy tworzenia modelu kontroli jakoĞci procesu
-
-
-
Etapy tworzenia modelu są nastĊpujące:
Zdefiniowanie zbioru wzorców do procesu technologicznego. Wzorce zdefiniowano w oparciu
o instrukcje prowadzenia karty kontrolnej wartoĞci Ğredniej i rozstĊpów, obowiązujące w przedsiĊbiorstwie, z którego uzyskano dane do weryfikacji. Brano pod uwagĊ wzorce 5-elementowe
i 10-elementowe.
Zebranie danych z procesów wytwarzania oraz wyników rozpoznawania obrazów przez operatora.
Analiza zbiorów danych. Wyznaczenie wszystkich, zdaniem eksperta oraz osoby odpowiedzialnej za proces, obrazów Ğwiadczących o zmianie stanu procesu.
Rozpoznanie obrazów w zbiorach danych przez operatora oraz z wykorzystaniem: metody
tradycyjnej wykorzystywanej w oprogramowaniu Statistica QC oraz sztucznych sieci neuronowych MLP.
Porównanie skutecznoĞci rozpoznania za pomocą przyjĊtych miar.
93
Izabela Rojek
Sieci neuronowe w kontroli jakoĞci procesu
4. Analiza karty kontrolnej procesu przy uĪyciu narzĊdzi statystycznych
Pierwsze eksperymenty zostaáy wykonane metodą tradycyjną, wykorzystującą narzĊdzia
statystyczne.
Dane pomiarowe zostaáy zebrane przez operatora oraz rĊcznie naniesione na przygotowane
przez dziaá jakoĞci karty kontrolne. Karty nastĊpnie zostaáy zarchiwizowane w komputerze.
NastĊpnie zostaá przygotowany plik z danymi pomiarowymi zebranymi z procesu szlifowania
waáków áoĪysk tocznych. Plik z danymi zawieraá 60 wartoĞci pomiarów Ğredniej.
Wykresy kart kontrolnych wykonano i przeanalizowano przy uĪyciu oprogramowania StatSoft
Statistica QC.
W programie Statistica w module analizy kart kontrolnych udostĊpniono 7 typów wzorców. Są
nimi:
- 9 kolejnych punktów po jednej stronie linii centralnej,
- 6 kolejnych obserwacji: wzrasta lub maleje,
- 14 obserwacji: naprzemiennie w górĊ w dóá,
- 2 z 3 kolejnych obserwacji w strefie A lub dalej,
- 4 z 5 kolejnych obserwacji w strefie B lub dalej,
- 15 kolejnych obserwacji w strefie C,
- Īadna z 8 kolejnych obserwacji nie leĪy w strefie C.
W module analizy narzucono liczbĊ punktów branych pod uwagĊ w analizie, jak równieĪ typ
sygnaáu. PowyĪsze ograniczenie sprawia, Īe zdefiniowanie rozpoznawania nietypowych sygnaáów,
jak np. cykli, grup punktów, mieszanin, jest niemoĪliwe.
Metoda 3 stref, związana ĞciĞle z zaáoĪonym rozkáadem cechy – rozkáadem normalnym, nakáada
ograniczenia generowania sygnaáów niekonwencjonalnych, charakterystycznych dla okreĞlonej
technologii.
Na rys. 3 pokazano analizĊ karty wedáug wyznaczonych kryteriów.
Rysunek 3. Analiza karty kontrolnej w programie Statistica QC
94
Studies & Proceedings of Polish Association for Knowledge Management
Nr 74, 2015
5. Analiza kart kontrolnych przy uĪyciu sieci neuronowych
5.1. Przygotowanie danych
Rozpoznawanie stanu procesu w i-tej chwili odbywa siĊ poprzez analizĊ i-tego obrazu (Oi)
o okreĞlonej wczeĞniej dáugoĞci o. W kolejnym punkcie czasu (i+1) analizowany jest obraz Oi+1
o tej samej dáugoĞci o.
W przypadku rozpoznawania obrazów na karcie kontrolnej z wykorzystaniem sztucznych sieci
neuronowych wyznaczano zbiór danych uczących. Jest to zbiór wzorców stabilnoĞci oraz jej braku.
Plik uczący na wejĞciu sieci neuronowej zawiera obrazy stanu procesu. Obraz przedstawia zbiór
5 lub 10 Ğrednich. Na wyjĞciu mamy odpowiedĨ sieci MLP, czy jakoĞü procesu znajduje siĊ w normie (norma), czy teĪ nie (Run rosnący – RR, Run malejący – RM, Trend rosnący – TR, Trend
malejący – TM, PrzesuniĊcie górne – SU, PrzesuniĊcie dolne – SD, Mieszanina – MIX, Fluktuacja
– FLK, Stratyfikacja – STR).
Wszystkie przypadki (504 rekordy) podzielono na plik uczący (75% rekordów), plik testowy
(15% rekordów) oraz plik walidacyjny (10% rekordów). Sieü neuronowa byáa uczona przy uĪyciu
pliku uczącego, testowana plikiem testowym oraz dodatkowo jej dziaáanie byáo sprawdzane plikiem
walidacyjnym. Plik walidacyjny jest odpowiedzią na przeuczenie sieci neuronowych.
5.2. Modele kontroli jakoĞci procesu przy uĪyciu sieci neuronowych
Eksperymenty zostaáy przeprowadzone dla procesu szlifowania. Wykonano modele w postaci
róĪnych sieci neuronowych typu MLP. Dla kaĪdego typu sieci zmieniano parametry modeli.
Dla sieci MLP wykonano modele z jedną warstwą ukrytą. Zmieniane byáy dwa parametry:
liczba neuronów w warstwie ukrytej oraz liczba cykli uczenia. Neurony w warstwie ukrytej dobrane
zostaáy eksperymentalnie. Liczba neuronów w warstwie ukrytej przyjmowaáa wartoĞci od 5 do 30
a liczba cykli uczenia wartoĞci 10 do 200. Warunkiem koĔczenia etapu uczenia sieci neuronowej
byáa odpowiednia wartoĞü báĊdu RMS.
W tabeli 1 pokazano podsumowanie sieci neuronowych dla procesu szlifowania dla okna obrazu wejĞciowego 5 i 10. Do uczenia sieci MLP wykorzystano algorytm BFGS (Broyden-FletcherGoldfarb-Shanno). Np. zapis BFGS 130 oznacza, Īe optymalne rozwiązanie otrzymano w 130 cyklach. Ogólną oceną sieci jest miara jakoĞci klasyfikacji podana w procentach. W tabeli
przedstawiono báąd RMS w fazie uczenia, testowania i walidacji oraz skutecznoĞü rozpoznawania
obrazu jakoĞci procesu wyraĪoną w %.
95
Izabela Rojek
Sieci neuronowe w kontroli jakoĞci procesu
Tabela 1. Analiza modeli w postaci sieci neuronowych
Nazwa sieci
Báąd
(uczenie)
Báąd (testowanie)
Báąd (walidacja)
JakoĞü klasyfikacji
sieci [%]
95,64
Algorytm
uczenia
MLP 5-25-1
0,669640
0,425530
0,212770
BFGS 130
MLP 5-22-1
0,000000
0,538301
0,000000
0,714897
100,00
BFGS 37
MLP 5-13-1
0,000000
0,771433
87,92
BFGS 32
MLP 10-12-1
0,000000
0,000000
0,000000
100,00
BFGS 52
MLP 10-25-1
0,000000
0,000000
0,000000
100,00
BFGS 48
MLP 10-29-1
0,225992
0,000001
0,133333
98,80
BFGS 28
W przypadku sieci MLP w celu osiągniĊcia 100% jakoĞci klasyfikacji naleĪaáo zastosowaü duĪo
wiĊkszą liczbĊ cykli w algorytmie BFGS (37 i 49 odpowiednio dla okien o dáugoĞci 5 i 10).
W przypadku okna obrazu o dáugoĞci 10 czas nauczenia sieci byá o rząd wiĊkszy.
Widaü tutaj równieĪ nastĊpującą zaleĪnoĞü, im wiĊcej neuronów w warstwie ukrytej, tym mniej
cykli uczenia (porównanie sieci MLP 10-12-1 i MLP 10-25-1).
Dodatkowo przeprowadzono dokáadniejszą analizĊ sieci neuronowych. Wyznaczono wartoĞü
procentową poprawnie zaklasyfikowanych przypadku w rozbiciu na klasy.
NastĊpnie okreĞlono, ile przypadków danego wzorca zostaáo zaklasyfikowanych przez sieü jako
ten, czy inny wzorzec.
Ponadto okreĞlono trafnoĞü oraz stopieĔ pewnoĞci. TrafnoĞü pokazuje nam dziaáanie sieci dla
nowych danych. Natomiast stopieĔ pewnoĞci wskazuje przynaleĪnoĞü nowych danych wejĞciowych
do okreĞlonej klasy wzorców.
Sieci neuronowe byáy obliczane przy uĪyciu programu Statsoft STATISTICA Data Miner.
5.3. Kryteria oceny skutecznoĞci metod
Analiza kart kontrolnych SPC naraĪona jest na moĪliwoĞü popeánienia dwóch rodzajów báĊdów.
Pierwszy polega na niezauwaĪeniu, Īe i-ty obraz jest j-tym wzorcem. Drugi báąd polega na przypisaniu wzorca prawidáowemu ukáadowi losowemu [4]. W związku z tym zostaáy zdefiniowane dwie
miary pozwalające oceniü skutecznoĞü rozpoznawania dla sieci neuronowych:
- miara poprawnych rozpoznaĔ (MP),
- miara báĊdnych rozpoznaĔ, tzn. wskazaĔ wzorca w poprawnym szeregu losowym (MB).
MiarĊ MP zdefiniowano jako iloraz liczby poprawnych rozpoznaĔ przez sieci neuronowe w stosunku do liczby wszystkich wystąpieĔ wzorców w analizowanym zbiorze. WartoĞü miary MP
zmienia siĊ w przedziale od 0 do 1. WartoĞü maksymalną równą 1 osiąga ona w przypadku, kiedy
rozpoznano poprawnie wszystkie wzorce znajdujące siĊ w analizowanym zbiorze.
MiarĊ MB zdefiniowano jako iloraz liczby báĊdnych rozpoznaĔ przez sieci neuronowe w stosunku do liczby wszystkich wskazaĔ. Miara MB wyznacza odsetek báĊdnych wskazaĔ w stosunku
do wszystkich rozpoznaĔ. WartoĞü miary MB zmienia siĊ w przedziale <0, 1>. WartoĞü minimalną
równą 0 osiąga ona w przypadku, gdy metoda nie ingeruje w proces losowy (zero faászywych sygnaáów). W celu porównaniu skutecznoĞci rozpoznawania przez sieci neuronowe analizowano
96
Studies & Proceedings of Polish Association for Knowledge Management
Nr 74, 2015
wartoĞci obu miar MP oraz MB jednoczeĞnie.
W badaniach zaáoĪono, Īe analizowana metoda charakteryzuje siĊ skutecznoĞcią na wysokim
poziomie, jeĪeli wartoĞü miary MP jest wiĊksza niĪ 80% i jednoczeĞnie wartoĞü miary MB nie przekracza 1%. ĝredni poziom skutecznoĞci metody okreĞlono dla sytuacji, kiedy MP jest mniejsze od
80% a wiĊksze od 60%, a wartoĞü miary MB nie przekracza 1%.
WartoĞci miar MP oraz MB wyznaczano dla obrazów o róĪnej liczbie punktów (5 i 10). Celem
zmiany dáugoĞci obrazu byáo uzyskanie odpowiedzi na pytanie, czy wiĊksza liczba punktów w analizowanym obrazie ma wpáyw na skutecznoĞü rozpoznawania wzorców przez poszczególne
metody?
Kolejnym kryterium obliczania wartoĞci wskaĨników MP i MB byá rodzaj rozpoznawanego
wzorca. WaĪnym jest, czy opracowane metody radzą sobie lepiej z klasyfikowaniem wzorców niekonwencjonalnych. SkutecznoĞü poszczególnych sieci neuronowych porównano wyznaczając
Ğrednią wartoĞü miary MP oraz Ğrednią wartoĞü miary MB.
Opracowano najlepsze modele sieci neuronowych. Wedáug tabeli 1 trzy najlepsze sieci osiągnĊáy
100% miarĊ poprawnych rozpoznaĔ MP. W celu osiągniĊcia takiej skutecznoĞci zmieniano parametry sieci neuronowych.
Rozpoznawanie obrazu jakoĞci procesu przez sieci neuronowe jest duĪym osiągniĊciem w stosunku do rozpoznawania tego obrazu przez operatora. Operator niestety duĪo gorzej poradziá sobie
z rozpoznawaniem wzorców i kontrolą jakoĞci procesu. Dla operatora w przypadku rozpoznawania
okna o dáugoĞci 5 miara poprawnych rozpoznaĔ MP wyniosáa 61%, a w przypadku okna o dáugoĞci
10–63%.
Analizując dziaáanie operatora i sieci neuronowych nasuwa siĊ kolejny wniosek, Īe dáugoĞü obrazu nie ma istotnego wpáywu na jakoĞü rozpoznawania. Nieznacznie wzrasta wraz ze wzrostem
liczby analizowanych punktów.
W przypadku sieci neuronowych przeprowadzono kolejną analizĊ, w której okreĞlono, w jakim
procencie kaĪdy wzorzec zostaá rozpoznany przez sieci. W tabeli 2 przedstawiono miary klasyfikacji
oraz ich Ğrednie w odniesieniu do poszczególnych wzorców. Nie podano wartoĞci miary MB, poniewaĪ we wszystkich przypadkach przyjmowaáa ona wartoĞci mniejsze od 1%. Procent
prawidáowych rozpoznaĔ z wykorzystaniem sieci neuronowych jest zbliĪony. Niektóre wzorce zostaáy rozpoznane w 100% (Run malejący – RM, PrzesuniĊcie górne – SU, Trend malejący – TM).
NajwiĊcej trudnoĞci w rozpoznawaniu sprawia wzorzec STR (stratyfikacja).
97
Izabela Rojek
Sieci neuronowe w kontroli jakoĞci procesu
Tabela 2. Rozpoznanie wzorców przez sieci neuronowe dla procesu szlifowania
Nazwa sieci
MLP 5-25-1
FLK
MIX
RM
RR
SD
STR
SU
TM
TR
98,81
98,81
98,81
98,81 98,81
98,81 98,81 98,81
98,81
MLP 5-22-1
MLP 5-13-1
MLP 10-12-1
MLP 10-25-1
MLP 10-29-1
Ocena wzorca
przez sieci
neuronowe [%]
98,41
98,81 98,81
98,81 98,81 98,68
98,81
6. Podsumowanie
Karty kontrolne sáuĪą do kontrolowania procesów i mają na celu zwiĊkszenie wydajnoĞci produkcji oraz jakoĞci wyrobów. DziĊki analizie kart kontrolnych moĪna stwierdziü, czy zmiany
zakáócające dany proces są zdarzeniem naturalnym (związanym z procesem) lub teĪ przyczyną specjalną, która wystĊpuje systematycznie lub sporadycznie i jest sygnaáem do znalezienia i eliminacji
zakáóceĔ w badanym procesie.
Przy pomocy oprogramowania Statistica QC dokonuje siĊ obserwacji pojedynczych wykresów
na karcie kontrolnej. Analiza karty kontrolnej wykonywana jest wg okreĞlonych kryteriów wpisanych w oprogramowanie. Tak jest w wiĊkszoĞci programów istniejących na rynku.
Sieci neuronowe są narzĊdziem bardziej zaawansowanym w stosunku do oprogramowania statystycznego wspomagającego kontrolĊ jakoĞci procesu. UmoĪliwiają one gáĊbszą analizĊ i kontrolĊ
jakoĞci procesu. MoĪna w sposób bardziej szczegóáowy zbadaü trendy braku stabilnoĞci procesu.
Sieci neuronowe rozpoznają duĪo wiĊcej wzorców i nieprawidáowoĞci, niĪ klasyczne oprogramowanie. Opracowane metody pozwalają ekspertom tworzyü niekonwencjonalne wzorce stanów
procesów, co w znaczącym stopniu rozszerza moĪliwoĞü ich stosowania.
Nowe spojrzenie na kartĊ kontrolną procesu jako zbioru n-elementowych szeregów czasowych,
bĊdących swego rodzaju obrazami stanu procesu, pozwoliáo autorce wykorzystaü w analizie tych
kart techniki rozpoznawania obrazów. Traktują one zbiory punktów jako obrazy stanu procesu, co
jest bardziej zbliĪone do ich interpretacji przez czáowieka. Opracowane metody w postaci sieci neuronowych daáy bardzo dobre wyniki rozpoznawania stanu procesu. Zostaáy opracowane najlepsze
modele dla dáugoĞci obrazu 5 i 10 oraz przeprowadzono praktyczną weryfikacjĊ tych modeli na
danych rzeczywistych dla procesu szlifowania waáków.
Sieci neuronowe wykazaáy wiĊkszą skutecznoĞü, niĪ operator czáowiek oraz oprogramowanie
statystyczne. Dlatego są obiecującym narzĊdziem badającym stabilnoĞü procesu.
98
Studies & Proceedings of Polish Association for Knowledge Management
Nr 74, 2015
Bibliografia
[1] Acosta-Mejia C.A., Pignatiello J.J. Jr.: Modified R Charts for Improved Performance. Quality
Engineering, 20(3), 361–369, 2008.
[2] Hamrol A.: Zarządzanie jakoĞcią z przykáadami. Wydawnictwo Naukowe PWN, Warszawa,
2005.
[3] Hamrol A., KujawiĔska A.: Nowa metoda analizy kart kontrolnych procesu. Archiwum
Technologii Maszyn i Automatyzacji, 26(2), 149–158, 2006.
[4] KujawiĔska, A.: Badanie moĪliwoĞci wykorzystania wybranych metod rozpoznawania
obrazów w analizie kart kontrolnych procesu. Praca doktorska, Politechnika PoznaĔska,
PoznaĔ, 2006.
[5] Messaoud A., Theis W., Hering F., Weihs C.: Monitoring a Drilling Process Using Residual
Control Charts. Quality Engineering, 21(1), 1–9, 2008.
[6] Polczynski M., Kochanski A.: Knowledge Discovery and Analysis in Manufacturing. Quality
Engineering, 22(3), 169–181, 2010.
[7] Rojek I.: Neural Networks as Performance Improvement Models in Intelligent CAPP Systems.
Control and Cybernetics, 39(1), 55–68, 2010.
[8] Rojek I., JagodziĔski M.: Hybrid Artificial Intelligence System in Constraint Based Scheduling
of Integrated Manufacturing ERP Systems. Lecture Notes in Artificial Intelligence, 7209,
Springer-Verlag, 229–240, 2012.
[9] Shewhart W.: Economic Control of Quality of Manufacturing Product. D. Van Nostrand
Company, 1931.
[10] Wheeler D. J., Chambers D. S.: Understanding Statistical Process Control. ISBN 0-94532013-2, 1992.
[11] Yu J. B., Xi L. F.: Using an MQE chart based on a self-organizing map NN to monitor out-ofcontrol signals in manufacturing processes. International Journal of Production Research,
46(21), 5907-5933, 2008.
99
Izabela Rojek
Sieci neuronowe w kontroli jakoĞci procesu
NEURAL NETWORKS IN PROCESS QUALITY CONTROL
Summary
This paper presents neural networks in process quality control. The control is
a very important step in the production process. There are different methods for checking the quality of the process. In some manufacturing companies quality is checked by
machine operators or quality control departments. Here can be used method for manually checking the quality or tools of statistical control in the form of specialized
computer programs. Another approach is to treat the control card as an image instead
of a set of points. We have developed the models of analysis of process control charts.
The models were created in the form of multilayer networks with error back propagation (MLP neural networks). The models were tested on real data from the
production company.
Keywords: neural networks, control, process quality
Izabela Rojek
Instytut Mechaniki i Informatyki Stosowanej
Uniwersytet Kazimierza Wielkiego
ul. Chodkiewicza 30, 85-064 Bydgoszcz
e-mail: [email protected]
100