جداسازي عيب مبتني بر طبقه بندي سري هاي زماني چند متغيره

كارشناسي ارشد

مطالعات اخير بر روي روش‌هاي معمول طبقه بندي در زمينه‌هاي مختلف صنعتي، به خصوص به هنگام برخورد با مسئله تشخيص و جداسازي عيب، نشان داده كه اين روش‌ها عمدتا ويژگي‌هاي سري زماني داده‌ها را ناديده گرفته و عيب را با دقت كمتري تشخيص مي‌دهند. يك رويكرد نوين در حل مسائل تشخيص و جداسازي عيب، استفاده از روش‌هاي طبقه‌بندي سري‌هاي زماني است. در اين پايان‌نامه از روش‌هاي يادگيري ماشين براي طبقه بندي داده‌هاي سري زماني چند متغيره يك مجموعه داده پيش آگاهي و مديريت سلامت در يك فرآيند صنعتي استفاده مي‌كنيم و به تشخيص رويدادهاي آتي عيب و جداسازي انواع عيوب موجود در داده‌هاي اين فرآيند صنعتي مي‌پردازيم. بدين ترتيب مجموعه داده‌هاي مورد نظر را پيش‌پردازش نموده و با انتخاب ويژگي‌هاي آماري جديدي از سري‌هاي زماني به مهندسي ويژگي‌هاي مجموعه داده‌ها مي‌پردازيم. در ادامه، با استفاده از روش‌هاي مختلف كاهش ابعاد داده‌ها مانند آناليز مولفه‌هاي اصلي و الگوريتم جنگل تصادفي به كاهش ابعاد ويژگي‌هاي سري‌هاي زماني مي‌پردازيم. پيش از اعمال الگوريتم‌هاي طبقه بندي سري‌هاي زماني، مجموعه داده‌هاي آماده‌سازي شده را به دو دسته داده‌هاي آموزش و آزمايش تقسيم نموده و توزان داده‌هاي آموزش را با روش‌هاي مختلف مانند انتخاب دستي داده‌هاي متوازن، افزايش تعداد نمونه‌ها و كاهش تعداد نمونه‌ها برقرار مي‌سازيم و با اعمال روش‌هاي مختلف اعتبارسنجي بهترين مدل براي مجموعه داده‌ها انتخاب مي‌كنيم. در نهايت، الگوريتم k نزديكترين همسايه، ماشين بردار پشتيبان خطي و ماشين بردار پشتيبان با هسته تابع پايه شعاعي، از الگوريتم‌هاي طبقه بندي سري زماني را بر روي مجموعه داده‌ها اعمال كرده و نتايج حاصل از تشخيص و طبقه بندي عيب به كمك اين الگوريتم‌ها را با يكديگر مقايسه مي‌كنيم.

194786

دانشگاه علم و صنعت ايران

كنترل

دكتر جواد پشتان