Skip to main content
main-content

Tipp

Weitere Artikel dieser Ausgabe durch Wischen aufrufen

26.11.2013 | Ausgabe 6/2015

Journal of Intelligent Manufacturing 6/2015

Autoregressive coefficient-invariant control chart pattern recognition in autocorrelated manufacturing processes using neural network ensemble

Zeitschrift:
Journal of Intelligent Manufacturing > Ausgabe 6/2015
Autoren:
Wen-An Yang, Wei Zhou

Abstract

Pattern recognition is an important issue in statistical process control because unnatural control chart patterns (CCPs) exhibited on control charts can be associated with specific causes that adversely affect the manufacturing process. In recent years, many machine learning techniques [e.g., artificial neural networks (ANNs) and support vector machine (SVM)] have been successfully used to the CCP recognition (CCPR) in autocorrelated manufacturing processes. However, these existing researches can only detect and classify unnatural CCPs but do not provide more detailed process information, for example the autocorrelation level, which would be very useful for quality practitioners to search the assignable causes that give rise to the out-of-control situation. This study proposes a neural network ensemble-enabled autoregressive coefficient-invariant CCPR model for on-line recognition of seven typical types of unnatural CCP, assuming that the process observations are AR(1) correlated over time with unknown constant autoregressive coefficient. In this model, each individual back propagation network (BPN) is trained to recognize only CCPs with the specific autoregressive coefficient of the underlying process, while the outputs of all these individual BPNs are combined via a learning vector quantization network (LVQN). The experimental results indicate that the proposed CCPR model can not only accurately recognize the specific CCP types but also efficiently identify the autoregressive coefficient of the underlying autocorrelated manufacturing process. Empirical comparisons also show that the proposed CCPR model outperform other existing CCPR approaches in literature. In addition, a demonstrative application is provided to illustrate the utilization of the proposed CCPR model to the CCPR in autocorrelated manufacturing processes.

Bitte loggen Sie sich ein, um Zugang zu diesem Inhalt zu erhalten

Sie möchten Zugang zu diesem Inhalt erhalten? Dann informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit dem Kombi-Abo erhalten Sie vollen Zugriff auf über 1,8 Mio. Dokumente aus mehr als 61.000 Fachbüchern und rund 500 Fachzeitschriften aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Umwelt
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe

Testen Sie jetzt 30 Tage kostenlos.

Springer Professional "Technik"

Online-Abonnement

Mit dem Technik-Abo erhalten Sie Zugriff auf über 1 Mio. Dokumente aus mehr als 40.000 Fachbüchern und 300 Fachzeitschriften aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Umwelt
  • Maschinenbau + Werkstoffe

Testen Sie jetzt 30 Tage kostenlos.

Literatur
Über diesen Artikel

Weitere Artikel der Ausgabe 6/2015

Journal of Intelligent Manufacturing 6/2015Zur Ausgabe

Premium Partner

in-adhesivesMKVSNeuer Inhalt

BranchenIndex Online

Die B2B-Firmensuche für Industrie und Wirtschaft: Kostenfrei in Firmenprofilen nach Lieferanten, Herstellern, Dienstleistern und Händlern recherchieren.

Whitepaper

- ANZEIGE -

Künstliche Intelligenz und die Potenziale des maschinellen Lernens für die Industrie

Maschinelles Lernen ist die Schlüsseltechnologie für intelligente Systeme. Besonders erfolgreich ist in den letzten Jahren das Lernen tiefer Modelle aus großen Datenmengen – „Deep Learning“. Mit dem Internet der Dinge rollt die nächste, noch größere Datenwelle auf uns zu. Hier bietet die Künstliche Intelligenz besondere Chancen für die deutsche Industrie, wenn sie schnell genug in die Digitalisierung einsteigt.
Jetzt gratis downloaden!

Marktübersichten

Die im Laufe eines Jahres in der „adhäsion“ veröffentlichten Marktübersichten helfen Anwendern verschiedenster Branchen, sich einen gezielten Überblick über Lieferantenangebote zu verschaffen. 

Bildnachweise