ارائه مدلي استوار بر مبناي شبكه عصبي و تحليل پوششي داده‌ها براي بهينه سازي روش تاگوچي چند پاسخه در حالت عدم قطعيت داده‌ها در برش ليزر CO2

A Robust Model Based on Neural Network and Data Envelopment Analysis to Optimize Multi response Taguchi Under Uncertainty

روش تاگوچي يك روش متداول براي كنترل كيفيت در حالت برون خطي است. اين روش در صدد طراحي پارامتر و انتخاب بهترين سطح پارامترها براي طراحي بهتر روش توليد محصولات با كيفيت است. روش تاگوچي مناسب براي بهينه سازي مسائل چند پاسخه نمي باشد و ما نيازمند به يك روش مهندسي و بهينه سازي براي قضاوت در مورد انتخاب بهترين تركيب پارامترها مي باشيم. از سوي ديگر به علت وجود برخي عوامل غيرقابل كنترل و يا به علت امكان ناپذير بودن اعمال تمام آزمايشات، فقط برخي از آزمايشات انجام مي‌شود و قسمت اعظمي از نتايج ناتمام است. در اين مقاله از روش شبكه عصبي پس خور براي حدس نتايج استفاده شده است. از آنجايي كه نتايج و اعداد به دست آمده از شبكه عصبي داراي عدم قطعيت هستند و توزيع آن ها مشخص نيست، از رويكرد تحليل پوششي داده‌هاي استوار براي انتخاب بهترين تركيب پارامترها استفاده گرديده است. مدل پيشنهادي اين مقاله برروي دستگاه برش ليزر CO2 شركت تريلر سازي مارال صنعت امتحان گرديده و نتايج مورد بررسي قرار گرفته است.

Taguchi method is a common method for off-line quality control. Thismethod is suitable in designing experiments and aims to choose the best level of parameters to produce high quality products. Taguchi approach initially was proposed to optimize a quality characteristic. However in real world problems more than a quality characteristic is a concern of both manufacturers and customers. So, multi-response Taguchi method was extended. In optimizing multi- response problems an optimizing method and engineering judgment is necessary to select the best combination of parameters. On the other hand, due to the existence of some uncontrollable factors or impossibility of implementing all the experiments, just some of them are implemented and a vast part of the results are incomplete. In this paper, a back-propagation neural network (BPNN) is used to estimate the results. Since, the results obtained through neural network are uncertain and their distribution is not clear, the robust data envelopment analysis approach (RDEA) is presented. The proposed model is implemented on a CO2 laser cutting machine of Maral Sanat Company and the results are investigated.