۱۹،۲۳،۳۸،۴۴،۵۰

۰۱۲۵/۰

۵ سطر اول جدول نتایج شبیه­سازی بر روی داده­هایی است که تغییرات آن در طول فرایند بررسی شد و ۴ سطر بعد نتایج حاصل از شبیه­سازی متغیرهایی است که از نمودار میزان سهم داده ­ها به­دست آمده است.
نتایج شبیه­سازی چند مورد در زیر آمده است.
شکل ۴-۷- آماره­ی T² برای متغیرهای ۱،۴،۱۸،۱۹،۳۴،۴۴،۴۵،۵۰

(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))

شکل ۴-۸- آماره­ی Q برای متغیرهای ۱،۴،۱۸،۱۹،۳۴،۴۴،۴۵،۵۰
شکل ۴-۹- آماره­ی T² برای متغیرهای ۱،۴،۴۴،۵۰
شکل ۴-۱۰- آماره­ی Q برای متغیرهای ۱،۴،۴۴،۵۰
شکل ۴-۱۱- آماره­ی T² برای متغیرهای ۱،۴،۱۹،۴۴،۴۵،۵۰
شکل ۴-۱۲- آماره­ی Qبرای متغیرهای ۱،۴،۱۹،۴۴،۴۵،۵۰
شکل ۴-۱۳- آماره­ی T² برای متغیرهای ۱،۴،۲۳،۴۴،۵۰
شکل ۴-۱۴- آماره­ی Q برای متغیرهای ۱،۴،۲۳،۴۴،۵۰
۴-۴-۴- نتایج شبیه­سازی
با مقایسه­ نتایج به­دست آمده از روش تسهیم و داده ­های بررسی شده در طول فرایند بهترین نرخ عدم تشخیص اشتباه ۰۰۹۴/۰ می­باشد که به­دنبال انتخاب مناسب متغیرهای دارای بیشترین تاثیرپذیری از وقوع عیب صورت گرفته است که با نصب سنسورهای مناسب در محل اندازه ­گیری این متغیرها می­توان فرایند عیب­یابی را سرعت و دقت بخشید با اینکه این نرخ به نظر کم می ­آید اما با توجه به افزایش پیچیدگی و پیشرفت سیستم­های کنترلی و استفاده از آن­ها در محیط­ها و کاربردهای حساس، عدم تشخیص به­موقع خطا یا خرابی به­وسیله­ کاربر در سیستم­های حساس، منجربه صدمه دیدن و از بین رفتن مقادیر قابل توجهی از امکانات و اطلاعات خواهد شد. در نتیجه باید به سرعت زمان و مکان و پارامترهای آن شناخته شود و اثر آن جبران شود. برای این منظور در ادامه برای ارتقاء سیستم عیب­یابی کار با شبکه ­های هوشمند پیشنهاد می­ شود.
فصل پنجم:
طراحی یک شبکه عصبی پویا به منظور تشخیص پارامترهای معیوب فرایند
۵-۱- مقدمه
در این فصل یک شبکه­ عصبی پویا برای تشخیص پارامترهای معیوب فرایند تنسی ایستمن طراحی و پیاده­سازی می­گردد. بدین منظور ابتدا یک شبکه عصبی به­تنهایی ارائه می­گردد و سپس با روش­های متفاوت مشخصه­های آن به­گونه ­ای استخراج می­گردد که شبکه پایین­ترین نرخ تشخیص را داشته باشد.
۵-۲- معماری شبکه عصبی پویا
شبکه عصبی پویای مورد استفاده در این فصل [۷] دارای قدرت بالای یادگیری دینامیک­های یک سیستم غیرخطی پیچیده را دارد، درحالی­که شبکه ­های عصبی استاتیک (ایستا) توانایی مدلسازی قابل قبول چنین پیچیدگی­ها را ندارند. یک نرون دینامیک با افزودن یک دینامیک درونی به نرون استاتیک و سپس وابسته کردن تابع فعالساز نرون به این حالت درونی به وجود می ­آید. به این منظور یک فیلتر IIR (فیلتر با پاسخ ضربه نامحدود) به انتهای نرون استاتیک افزوده می­ شود. این ساختار در شکل ۵-۱ نشان داده شده است.
تابع F نشان­دهنده تابع فعالسازی مشتق­پذیر می­باشد و g نشان­دهنده شیب تابع فعالسازی می­باشد.
IIR Filter
g | F(0)
شکل ۵-۱- شبکه عصبی دینامیک با فیلتر با پاسخ ضربه نامحدود
برای به­دست آوردن یک شبکه­ عصبی دینامیک با تعداد L لایه، با بهره گرفتن از نرون­های دینامیک می­توان از ساختاری که در شکل زیر نشان داده شده است استفاده کرد.

H

شکل ۵-۲- ساختار شبکه عصبی چندلایه
برای تنظیم و آموزش­های پارامترهای شبکه از مجموعه زوج­های ورودی/خروجی استفاده می­گردد و معمولا از الگوریتم پس­انتشار خطا مانند شبکه ­های استاتیک برای آموزش استفاده می­گردد.
۵-۳- تشخیص و جداسازی عیب با بهره گرفتن از شبکه عصبی دینامیک
به­منظور تشخیص و جداسازی عیب، ساختاری چندگانه مبتنی بر شبکه عصبی دینامیک به­ صورت شکل ۵-۳ پیشنهاد می­گردد.
در این شکل یک بانک (مخزن) از چندین شبکه عصبی دینامیک نشان داده است. اولین شبکه عصبی دینامیک رفتار سیستم سالم را مدلسازی می­ کند و دیگر شبکه­ ها مدل سیستم را در عیوب مختلف شبیه­سازی می­ کنند. برای انجام شبیه­سازی­های مربوط به سیستم تشخیص و شناسایی عیب، دو مرحله­ اصلی صورت می­گیرد.
۵-۳-۱- مرحله­ اول: شناسایی سیستم