Στατιστικός έλεγχος διεργασιών και μηχανές διανυσμάτων υποστήριξης

Δίλμα, Ελένη; Dilma, Eleni

dc.contributor.author	Δίλμα, Ελένη	el
dc.contributor.author	Dilma, Eleni	en
dc.date.accessioned	2017-06-28T10:54:43Z
dc.date.available	2017-06-28T10:54:43Z
dc.date.issued	2017-06-28
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/45106
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.14288
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Διανύσματα υποστήριξης	el
dc.subject	Έλεγχος ποιότητας	el
dc.subject	Διάγραμμα ελέγχου	el
dc.subject	Πολυμεταβλητές διεργασίες	el
dc.subject	Ανίχνευση σφαλμάτων	el
dc.subject	Support vector	en
dc.subject	Quality control	en
dc.subject	Control chart	en
dc.subject	Multivariate process	en
dc.subject	Fault detection	en
dc.title	Στατιστικός έλεγχος διεργασιών και μηχανές διανυσμάτων υποστήριξης	el
dc.title	Statistical process control and support vector machines	el
heal.type	bachelorThesis
heal.classification	Στατιστική και μαθηματικά	el
heal.classification	Ποιοτικός έλεγχος	el
heal.classification	Έλεγχος διασφάλισης ποιότητας	el
heal.classificationURI	http://data.seab.gr/concepts/612439338f883f5eb6bd1c572627da57a3b10bfb
heal.classificationURI	http://data.seab.gr/concepts/66ae3e33105b908817f2c356a2588496efc77c45
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2017-03-02
heal.abstract	Ο στατιστικός έλεγχος ποιότητας (ΣΕΔ) είναι μία από τις μεγαλύτερες τεχνολογικές ανακαλύψεις του 20ου αιώνα και βοηθάει στην επίτευξη της ικανότητας, μειώνοντας τη μεταβλητότητα. Ο ΣΕΔ ανιχνεύει έγκαιρα την εμφάνιση ειδικών αιτιών μεταβλητότητας, ώστε να γίνουν διορθωτικές ενέργειες, προτού κατασκευαστούν προϊόντα που δεν πληρούν τις προδιαγραφές. Το πιο χρήσιμο εργαλείο είναι το διάγραμμα ελέγχου. Οι μηχανές διανυσμάτων υποστήριξης (SVM) αποτελούν ένα εργαλείο για την επεξεργασία δεδομένων που χρησιμοποιείται σε πολλές εφαρμογές. Είναι ένα σύνολο μεθόδων εκμάθησης με επίβλεψη, που χρησιμοποιούνται κυρίως στην ταξινόμηση, στην παλινδρόμηση και στην αναγνώριση μη φυσικών μοτίβων σε πολυμεταβλητές διεργασίες. Σκοπός της παρούσας εργασίας είναι η παρουσίαση των SVM μεθόδων που χρησιμοποιούνται σε πολυμεταβλητές διεργασίες για τη βελτίωσή τους, ώστε να ανιχνεύονται τα σφάλματα εγκαίρως στα διαγράμματα ελέγχου.	el
heal.abstract	Statistical process control is one of the greatest technological de- velopments of the twentieth century because it helps to achieve precision in process stability and improve capability through the reduction of variability. Statistical Process Control (SPC) detects on time the appearance of variability causes, in order to have corrective actions, before the construction of products, which do not meet the requirements. The most useful tool is the control chart, which improves the productivity, provides the flaws, prevents the unnecessary fitting and provides information about the capacity of the process. Support vector machine (SVM) is a tool for data processing, which is used in many applications. It is a supervised statistical learning algorithm, which is used mostly in the classification and the regression. When we cannot construct a linear limit, we use the kernel functions, which convert the problem into a linear one. We use also SVMs for the recognition of non natural patterns in multivariate processes. Due to the increased request of effectiveness in production and the products’ quality, it is necessary to use complex control systems, to detect the faults automatically. Most of the monitoring and control processes contain several variables and usually we need simultaneous monitoring or control of two or more features. The purpose of this thesis is the presentation of the SVM methods, which are used in multivariate processes for improving them, in order to recognize non natural patterns and to detect the faults on time in the control charts. Moreover, we compare various methods for processes monitoring with non natural data, such asrk-chart, AK-chart, one class classification based chart and K2 chart. Specifically, Chapter 1 presents the Statistical Process Control for univariate and multivariate processes and in Chapter 2 deals with Support Vector Machines. In Chapter 3 is presented the use of SVMs for the recognition non-natural patterns in the multivariate control charts and in Chapter 4 we refer to the automatic fault detection with the use of SVMs. In the fifth Chapter are presented some control charts, which are based in the SVMs and in the MSPC techniques. Finally in Chapter 6 are presented some applications of the methods we refer to and their results.	en
heal.advisorName	Κουκουβίνος, Χρήστος	el
heal.committeeMemberName	Καρώνη-Ρίτσαρντσον, Χρυσηίς	el
heal.committeeMemberName	Βόντα, Φιλία	el
heal.committeeMemberName	Κουκουβίνος, Χρήστος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Εφαρμοσμένων Μαθηματικών και Φυσικών Επιστημών. Τομέας Μαθηματικών	el
heal.academicPublisherID	ntua
heal.numberOfPages	149 σ.
heal.fullTextAvailability	true