يك سيستم استنتاج تطبيقي عصبي-فازي به منظور كنترل آماري فرآيند داده هاي خود همبسته

A Neuro–Fuzzy Model for Statistical Process Monitoring With Autocorrelation Data

نمودارهاي كنترل سنتي مبتني بر اين فرض اساسي هستند كه دادههاي فرآيند بطور متوالي مستقل از يكديگر بوده و داراي توزيع نرمال ميباشند. اين در حالي است كه در بسياري از موارد در دنياي واقعي از جمله در فرآيندهاي شيميايي و پيوسته اين فرض اساسي وجود ندارد و بين دادههاي جمعآوري شده از فرآيند نوعي خودهمبستگي وجود دارد. استفاده از نمودارهاي كنترل سنتي در فرآيندهاي خود همبسته غيرقابل اطمينان بوده و باعث افزايش اخطارهاي اشتباه ميشود. يكي از روشهاي توسعه داده شده به منظور كنترل فرآيندهاي خودهمبسته، شناسايي ساختار سريهاي زماني فرآيند و استفاده از مقادير باقيماندهها به منظور كنترل فرآيند است. در اين مقاله از يك مدل مبتني بر سيستمهاي تطبيقي عصبي-فازي به منظور شناسايي ساختار سريهاي زماني و پيشبيني استفاده شده طراحي ميشود. در نهايت AR(2) است. همچنين نمودارهاي كنترل باقيمانده مبتني بر اين سيستم براي دادههاي خود برگشتي درجه 2 با استفاده از دادههاي شبيهسازي شده، كارايي روش پيشنهادي در نمودار ميانگين متحرك موزون نمايي و براي درجههاي مختلفي از همبستگي مورد ارزيابي قرار گرفته و نشان داده ميشود كه روش پيشنهادي براي دادههاي با همبستگي زياد داراي كارايي بسيار مناسب است.

Conventional control charts are based on principle assumption that process data is sequentially independent and follow normal distribution. However, in many real case applications especially in chemical and continuous processes this assumption does not hold and there is auto-correlation between collected samples. Using conventional control charts in auto-correlated processes is not reliable and it leads to increase in fault alarms. One of the methods developed for controlling auto-correlated processes is detection of process time series structure and using residuals to monitor the process. In this paper a model based on adaptive neuro-fuzzy inference systems (ANFIS) is utilized to detect time series structure and predict the process. Also, we apply the residual control charts based on proposed method for second order autoregressive data. Finally, performance of proposed method in Exponential Weighted Moving Average (EWMA) and for different degree of correlation is evaluated using simulated data.