Σύγκριση μοντέλων μηχανικής μάθησης για την παρακολούθηση διαγραμμάτων ελέγχου ποιότητας

Παναγιώτης, Ζιάκας; Panagiotis, Ziakas

dc.contributor.author	Παναγιώτης, Ζιάκας	el
dc.contributor.author	Panagiotis, Ziakas	en
dc.date.accessioned	2021-03-31T07:48:26Z
dc.date.available	2021-03-31T07:48:26Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/53224
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.20922
dc.description	Εθνικό Μετσόβιο Πολυτεχνείο--Μεταπτυχιακή Εργασία. Διεπιστημονικό-Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών (Δ.Π.Μ.Σ.) “Συστήματα Αυτοματισμού”	el
dc.rights	Αναφορά Δημιουργού-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nd/3.0/gr/	*
dc.subject	Τεχνητά Νευρωνικά Δίκτυα	el
dc.subject	Μηχανική Μάθηση	el
dc.subject	Artificial Neural Networks	en
dc.subject	Machine Learning	en
dc.title	Σύγκριση μοντέλων μηχανικής μάθησης για την παρακολούθηση διαγραμμάτων ελέγχου ποιότητας	el
heal.type	masterThesis
heal.classification	Μηχανική Μάθηση	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2021-03-18
heal.abstract	Ο στατιστικός έλεγχος ποιότητας είναι μία μέθοδος που αποσκοπεί στην βελτίωση της ποιότητας των παραγόμενων προϊόντων. Τα διαγράμματα ελέγχου ποιότητας, χρησιμοποιούνται για τον στατιστικό έλεγχο της παραγωγικής διαδικασίας, υποδεικνύοντας αν αυτή εξελίσσεται ομαλά. Η εμφάνιση τάσεων, δηλαδή μη τυχαίων χρονοσειρών στα διαγράμματα ελέγχου, παραπέμπει στην επίδραση συστηματικών αιτιών που προκαλούν μεταβλητότητα, επιφέροντας μείωση της ποιότητας και καθιστώντας απαραίτητη την πραγματοποίηση διορθωτικών κινήσεων. Συνεπώς η αναγνώριση τάσεων σε διαγράμματα ελέγχου ποιότητας αποτελεί σημαντικό κομμάτι του στατιστικού ελέγχου ποιότητας. Τα τελευταία χρόνια ποικίλες μέθοδοι έχουν εφαρμοστεί για την αυτοματοποίηση αυτής της διαδικασίας. Μία από αυτές, με όλο και μεγαλύτερη απήχηση είναι τα Τεχνητά Νευρωνικά Δίκτυα (ΤΝΔ). Η παρούσα εργασία αφορά την αναγνώριση τάσεων σε διαγράμματα ελέγχου ποιότητας με την χρήση ΤΝΔ. Επιπλέον, προχωρά στην εφαρμογή μίας δεύτερης μεθόδου, αυτήν της κατηγοριοποίησης των k-Κοντινότερων Γειτόνων, με σκοπό την σύγκριση της απόδοσής τους. Αξιοποιεί δεδομένα τα οποία κατασκευάζονται και αναφέρονται σε 8 κατηγορίες τάσεων. Μέσω της βιβλιογραφίας εξετάζονται οι εκδοχές των παραμέτρων των ΤΝΔ σε ανάλογες εφαρμογές και επιλέγεται η διερεύνηση της επίδρασης ορισμένων εξ αυτών, που σχετίζονται με την αρχιτεκτονική, τον αλγόριθμο εκπαίδευσης, την συνάρτηση κόστους και την συνάρτηση ενεργοποίησης των νευρώνων, στο αποτέλεσμα. Συγκεκριμένα διαλέγονται, για την αρχιτεκτονική ο αριθμός των δύο και τριών κρυμμένων επιπέδων με 8,16,20,25 ή 30 κόμβους το κάθε ένα, για τον αλγόριθμος εκπαίδευσης, ο Levenberg-Marquardt και ο Scaled Conjugated Gradient Descent, για την συνάρτηση κόστους, το μέσο τετραγωνικό σφάλμα και η Cross Entropy και για την συνάρτηση ενεργοποίησης, η logsig και η Softmax. Το κάθε μοντέλο που δημιουργείται εκπαιδεύεται 7 φορές. Ομοίως για την μέθοδο κατηγοριοποίησης των kΚοντινότερων Γειτόνων διαλέγονται οι τιμές 1, 2, 3 και 10 για την παράμετρο k. Τα αποτελέσματα αξιολογούνται ως προς την ολική ακρίβεια τους, την ανάκληση κάθε κλάσης και την ακρίβεια κάθε κλάσης. Τα ακριβέστερα μοντέλα κάθε μεθόδου συγκρίνονται μεταξύ τους. Επιλογικά, κατασκευάζονται δεδομένα μεικτών τάσεων και μελετάται η απόδοση των βέλτιστων μοντέλων ΤΝΔ με αυτά. Τα συμπεράσματα που προκύπτουν είναι τα ΤΝΔ υπερέχουν σε ακρίβεια και ικανότητα γενίκευσης, αλλά η απόδοσή τους επηρεάζεται σημαντικά από περισσότερες παραμέτρους, σε σχέση με τα μοντέλα knn.	el
heal.abstract	Statistical Process Control (SPC) is a method intending to improve product quality. Control charts play an important role in SPC as they indicate whether a manufacturing process is progressing normally. Trends, which are systematic patterns, in control charts imply the existence of systematic causes of variations, that reduce quality and make corrective actions necessary. Consequently, control chart pattern recognition is crucial in SPC. In recent years many methods have been applied to automate this process. One of them, with growing popularity is Artificial Neural Networks (ANNs). This paper deals with pattern recognition in control charts with the use of ANNs. Additionally, it applies a second method, this of the classification of k-Nearest Neighbors (kNN) with the purpose of comparing their performance. It utilizes simulation data referring to 8 classes of trends. Though the examination of various researches the effect, in this process, of the parameters of ANNs as, architecture, training algorithm, loss function and neuron’s activation function, is considered. As a result, the ANNs formed are composed of two and three hidden layers, with either the Levenberg-Marquardt or Scaled Conjugated Gradient Descent training algorithm, either mean squared error or Cross Entropy loss function and either logsig or Softmax activation function. Each model is trained 7 times. Similarly, kNN models are formed with the parameter of k being either 1, 2, 3 or 10. The results are evaluated for their overall accuracy and each class’s accuracy and precision. Additionally, each method’s best models are compared. Finally, the best ANN models are tested with simulated mixed trends data. The conclusions made are that ANNs are superior in accuracy combined with generalization ability, but their performance is significantly depended on more parameters, than knn models.	en
heal.advisorName	Μπενάρδος, Πανώριος	el
heal.committeeMemberName	Βοσνιάκος, Γεώργιος	el
heal.committeeMemberName	Μαρκόπουλος, Άγγελος	el
heal.committeeMemberName	Μπενάρδος, Πανώριος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Μηχανολόγων Μηχανικών	el
heal.academicPublisherID	ntua
heal.numberOfPages	150 σ.	el
heal.fullTextAvailability	false