تخصيص تلورانس داده محور: روشي جديد با بكارگيري درخت تصميم و شبيه سازي مونت كارلو

كارشناسي ارشد

اين روزها، با توجه به پيشرفت تكنولوژي‌هاي توليد، ميزان بيشتري داده در فرايند‌هاي توليد ‌ايجاد و ذخيره مي‌شود. با توجه به تغيير طبيعت توليد به خودكار و هوشمند شدن، الگوريتم‌هاي يادگيري ماشين نقش حياطي را در ‌اين تغييرات فرايند‌هاي توليد‌ ايفا مي‌كند. علاوه بر اين، كيفيت محصول و همينطور هزينه توليد حساس تر از گذشته خواهند بود. در صورت توجه به تخصيص تلورانس، مرحله طراحي به توليد كننده كمك مي‌كند تا محصولي باكيفيت و بدون هزينه زائد توليد كند. توليد كننده تلورانس زياد را براي كاهش هزينه در نظر مي‌گيرد، اما طراحان تلورانس دقيق را براي يك محصول با كيفيت ترجيح مي‌دهند. بسياري از الگوريتم‌هاي بهينه سازي با توابع هدف مختلف - مانند بهينه سازي هزينه و بهينه سازي قابليت فرآيند توليد – براي ‌ايجاد ‌اين مشكل استفاده شده اند. اگرچه شبيه سازي مونت كارلو يك مجموعه داده را توليد مي‌كند، اما به عنوان يك روش تجزيه و تحليل تلورانس براي كمك به مدل بهينه سازي براي يك نتيجه احتمالي در نظر گرفته شده است. در ‌اين مطالعه، دانش يادگيري ماشين براي كمك به تخصيص تلورانس در نظر گرفته شده است. بنابراين، يك رويكرد تخصيص تلورانس جديد براي مقابله با تلورانس‌هاي مطالعه موردي جانسن تعريف شده است. از‌ اين رو‌ اين رويكرد هرگز مورد توجه قرار نگرفته است؛ يك مدل درخت تصميم اجرا مي‌شود، و تلورانس‌هاي جديدي از درخت استخراج مي‌شود. روش تحقيق به‌ اين صورت است كه در ابتدا شبيه سازي مونت كارلو اوليه‌اي با در نظر گرفتن تلورانس 0.06 براي تمامي ابعاد در نظر گرفته مي‌شود. سپس الگوريتم درخت تصميم شروع به يادگيري مي‌كند و سپس مدل استخراج قوانين تعريف شده تلورانس‌هاي جديد را بدست مي‌آورد. تلورانس‌هاي جديد ورودي شبيه سازي جديد خواهند بود و در ادامه يادگيري توسط درخت تصميم و استخراج قوانين مانند قبل‌ايفاي نقش خواهند كرد. اين چرخه 10 بار تكرار خواهد شد تا بهترين مقادير براي تلورانس‌ها بدست آيد. پس از پياده سازي مدل (روش تحقيق) بيان شده، نتايج قابل تامل و توجهي بدست آمد. نتايج نشان داده است كه مدل بالا مي‌تواند مسائل پيچيده و غيرخطي را با چند تكرار حل كند و تلورانس‌هاي مناسبي را به عنوان خروجي در اختيار بگذارد.

209515

دانشگاه علم و صنعت ايران

مهندسي سيستم

دكتر محمد فتحيان