پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 157 |
| تعداد شماره‌ها | 6,051 |
| تعداد مقالات | 66,103 |
| تعداد مشاهده مقاله | 111,493,717 |
| تعداد دریافت فایل اصل مقاله | 86,132,073 |
کنترل پیش‌بینانه کیفیت با استفاده از شبکه‌های عصبی مصنوعی (ANNs) و روش ترکیبی تحلیل رگرسیون و ANNs | ||
| مدیریت صنعتی | ||
| مقاله 9، دوره 1، شماره 3، 1388 اصل مقاله (336.2 K) | ||
| نویسندگان | ||
| نجمه نشاط؛ هاشم محلوجی | ||
| دانشگاه شریف | ||
| چکیده | ||
| در این مقاله با ارایه نمونه عملی فرآیند اسپری درایینگ، متدولوژی مدل‌سازی فرآیندها با استفاده سلسله مراتبی از تحلیل رگرسیونی و الگوریتم شبکه عصبی مصنوعی، با هدف کنترل پیش‌بینانه کیفیت، برای نخستین‌بار تشریح و پیاده‌سازی شده است. استفاده ازANNs در این مقاله، به منظور معماری مدل عصبی فرآیند اسپری درایینگ با اتخاذ یک رویکرد عمومی و انتخاب الگوریتم پس انتشار خطا به کمک داده‌های مستقیم است. فرض تاثیر مثبت اعمال تحلیل رگرسیونی بر ارتقا پایایی مدل عصبی، با محاسبه و تحلیل شاخص‌های ارزیابی پایایی مدل که عبارتند از: ضریب تعیین ، میانگین خطای نسبی (MRE) و جذر میانگین مربعات خطا (RMSE)، برای مدل عصبی و مدل عصبی- آماری (مدل عصبی با اعمال تحلیل رگرسیونی) تایید شد. در انتها با توجه به نتایج ارزیابی پایایی، سناریوهای مختلفی برای تنظیم ورودی‌های فرآیند توسط مدل عصبی- آماری فرآیند طراحی شد که با استفاده از آن می‌توان کنترل پیش‌بینانه را جایگزین روش‌های مبتنی بر سعی و خطا برای کنترل فرآیند کرد. | ||
| کلیدواژه‌ها | ||
| اسپری درایینگ؛ شبکه عصبی مصنوعی؛ کنترل پیش‌بینانه؛ مدل‌سازی | ||
| عنوان مقاله [English] | ||
| Predictive Process Control Using Artificial Neural Networks (ANNs) and A Combined Method of Regression Analysis and ANNs | ||
| نویسندگان [English] | ||
| Najmeh Neshat؛ Hashem Mahlooji | ||
| چکیده [English] | ||
| This is the first attempt at process modeling in terms of predictive control using a hierachical method based on regression analysis and Artificial Neural Networks (ANNs). This hierachical method leads to the reliability improvement of neural model of the process in predicting (extrapolation and interpolation) the process output. Such an outlook makes it possible to predict the proper input settings which can achieve a desired process output by designing various scenarios for process set up. This approach is applied to tile industry for spray drying process and in order to determine the amount of improvement, two models (i)Neural model of process taking general approach using Multilayer Perceptron based on Back Propagation algorithm and (ii)Mixed-regression neural model of process taking focus approach in architecture of neural model are designed to evaluate the reliability of prediction of spray drying process output via three criteria. These criteria include mean relative error, root mean squre error and coefficient of determination. The results indicate that the Mixed regression-neural model leads to the best results in prediction (extrapolation and interpolation) of spray drying process output. | ||
| کلیدواژه‌ها [English] | ||
| Artificial Neural Networks, modeling, Predictive Control, spray drying | ||
|
آمار تعداد مشاهده مقاله: 2,841 تعداد دریافت فایل اصل مقاله: 3,945 |
||