كليدواژه :
روش هاي گروهي , تصميم گيري , الگوها , بردار پشتيبان , نزديكترين همسايگي
چكيده فارسي :
در محيط هاي صنعتي، مقدار زيادي از داده‌ها توليد ميشود كه به نوبه خود انبار پايگاه داده و داده‌ها را از همه مناطق مربوطه مانند برنامه‌ريزي، طراحي فرآيند، مواد، مونتاژ، توليد، كيفيت، كنترل فرآيند، برنامه‌ريزي، تشخيص خطا، خاموش كردن، مديريت ارتباط با مشتري و غيره جمع‌آوري مي‌كند. داده‌كاوي به ابزار مورد استفاده براي كسب دانش براي روند صنعتي ساخت آهن و فولاد تبديل شده است. با توجه به رشد سريع داده‌كاوي، صنايع مختلف از فنّاوري داده‌كاوي براي جستجوي الگوهاي پنهان كه ممكن است بيشتر به سيستم با دانش جديدي كه مدل‌هاي جديد را براي بهبود كيفيت توليد، هزينه مطلوب بهره‌وري و تعمير و نگهداري و غيره بپردازند استفاده كردند. بهبود مستمر تمام فرايند توليد فولاد با توجه به اجتناب از كمبود كيفيت و بهبود توليد مرتبط با آن، يك وظيفه اساسي توليدكننده فولاد است. بنابراين، استراتژي نقص صفر امروزه محبوب است و براي حفظ آن، چندين تكنيك تضمين كيفيت استفاده ميشود. در اين مقاله سعي ميشود با استفاده از داده كاوي حسگرهاي موثر در وضعيت سيستم شناسايي شوند وسپس با استفاده از ماشين بردار پشتيبان مدل مناسبي براي پيشبيني وضعيت سيستم به دست آورده شود كه در اين مقاله با دقت بيش از 95 درصد حالت خطا تشخيص داده شده است.
چكيده لاتين :
In industrial environments, a large amount of data is generated which in turn stores the
database and data from all relevant areas such as planning, process design, materials, assembly,
production, quality, process control, scheduling, error detection, shutdown, relationship management.
Collects with the customer, etc. Data mining has become the tool used to gain knowledge of the
industrial process of iron and steel making. Due to the rapid growth of data mining, various industries
have been using data mining technology to search for hidden patterns that may be more relevant to
the new windshield system, which will introduce new models to improve production quality, optimal
cost of productivity and maintenance, and so on. Continuous improvement of the entire steel
production process due to the avoidance of quality deficiencies and associated production
improvement is an essential task of the steel producer. Therefore, the zero defect strategy is popular
today and several quality assurance techniques are used to maintain it. This article attempts to
identify the effective state-of-the-art sensors in the system using data mining and then to obtain a
suitable model using a support vector machine to predict the system status in this article, the accuracy
of more than 95% of the error states is detected.
