بررسی کاربرد
شبکه های عصبی در تجزیه و تحلیل حالات و آثار خطا
(FMEA)
محمدرضا شهریاری
کارشناسی صنایع – تولید صنعتی
–کارشناس سیستم در
شرکت خودروسازی بن رو
چکیده :
در این مقاله به بررسی کاربرد شبکه های
عصبی در کیفیت با توجه به آنالیز خطاهای بالقوه در فرآیند و بررسی استفاده از شبکه
های عصبی در مورد آن جهت آنالیز بهتر عیوب و بررسی خطاهای بالقوه موجود در فرآیند
پرداخته شده است
در نهایت سعی
شده است مدل مربوط به آن به گونه ای طراحی شود که بتواند تمام مواردی که در تکنیک FMEA کمتر مورد توجه قرار گرفته و یا از کارایی کمتری برخوردار است را
پوشش داده و به طور جامع قابلیتهای این تکنیک را برجسته نماید و آن را کامل نماید
هدف اصلی در این
مقاله پیشگیری از وقوع عیب در فرآیند و محصول و
پیش بینی کیفیت آن در فرآیند یا طراحی محصول، می باشد
واژه های کلیدی :
شبکه های عصبی – آنالیز خطاهای بالقوه – کیفیت
1-مقدمه :
شبکه های عصبی
جزء آن دسته از سیستمهای دینامیکی قرار دارند که با پردازش بر روی داده های تجربی
،دانش نهفته ای را که در ورای داده ها وجود دارد به ساختار شبکه منتقل می کنند لذا
به آنها سیستمهای هوشمند نیز گفته می شود
شبکه های عصبی
یک سیستم مصنوعی است که از مغز الگو گرفته شده و سعی در پیاده سازی ویژگیهای شگفت
انگیز مغز را در یک سیستم مصنوعی دارد
مغز از عناصر
ساختاری به نام نرون تشکیل شده است که خود در سه دسته نرونهای حسی ، نرونهای محرک
ونرونهای ارتباطی هستند
عمل یادگیری در
مغز در ایجاد ارتباطات جدید بین نرونها و تنظیم مجدد ارتباطات موجود گام بر می
دارد
حال شبکه های
عصبی شبکه هایی هستند که از نرونهای مصنوعی تشکیل شده و در کاربردهای مختلف مورد
استفاده قرار گرفته و برای آنها الگوریتمهای یادگیری تعریف کرده اند
2- مفهوم و ویژگیهای شبکه های عصبی :
شبکه های عصبی در
واقع یک تلاش برای مدل کردن فعالیتهای وابسته به مغز است که می تواند خصوصیات زیر
را دارا باشد :
1-بر مبنای یک
مدل ساده است همانطوریکه نرونها در مغز ما کار می کنند
2- بعد از ارائه
مثالها توسط شبکه های عصبی می توانیم یک الگوریتم برای تغییر وزنهای تولید درست تر
خروجی به دست آوریم
1-بخشهای صنعتی
2-کارکردهای تجاری
3-تکنیکهای
تحلیلی
اگر بخواهیم از
موارد کاربردی شبکه های عصبی یک جمع بندی داشته باشیم ، می توانیم موارد کاربردی
زیر را بیان کنیم :
1-طبقه بندی
،شناسایی و تشخیص الگو :
انواع و اقسام
شبکه های عصبی برای طبقه بندی، خوشه بندی ، شناسایی و تشخیص الگوها مورد استفاده
قرار گرفته است
2-پردازش
سیگنال:
در این قسمت می
توان به کاربرد شبکه های عصبی در پردازش صحبت و تصویر ، فشرده سازی تصویر ، و
سیستم پردازش پرداخت مشتریها اشاره نمود
3-پیش بینی
سریهای زمانی :
در جاهایی بیشتر
استفاده می شودکه سریهای زمانی پیچیده می باشد (مانند سیستمهای قدرت)
4-مدلسازی و
کنترل :
در سیستمهای
تطبیقی مخصوصا زمانی که پروسه تحت بررسی پیچیده می باشد شبکه های عصبی راه حلهای
مناسبی را ارائه می دهد
5-بهینه سازی:
چه در سیستمهای
کنترلی و چه در سیستمهای مدیریت ، تخصیص و تقسیم منابع جهت بهینه سازی بسیار مورد
استفاده قرار گرفته است
6-سیستمهای خبره
و فازی :
برای مسائل مالی
و مدیریتی ، سیستمهای فازی رفتار مناسبی را از خود نشان می دهند
7-مسائل مالی ،
بیمه ، بازار بورس و وسائل سرگرم کننده :
از شبکه های
عصبی می توان در امور تخصیص اعتبارات وام ، مشاوره در امور تخصیص سرمایه در
مکانهای مناسب و آنالیز امور مالی و پیش بینی قیمت ارز استفاده کرد
8- ساخت وسائل
صنعتی ،پزشکی و حمل و نقل :
در این مورد نیز
می توان به کاربرد شبکه های عصبی در پروسه ساخت و پیاده سازی دستگاهها ،آنالیز و
طراحی محصولات صنعتی ، پیش بینی خطا و عیب یابی نام برد
فرآیند یادگیری
شبکه :
بعد از ایجاد
شبکه های عصبی مصنوعی الگوریتمهای یادگیری نیز در مورد آنها مورد توجه واقع شده
است . این الگوریتمها در واقع الگورتمهایی هستند که صرفا با مشاهده عملکرد شبکه می
تواند رفتار آن را در جهت دستیابی به هدف و مقصدی خاص بهبود بخشد
در زمینه کیفیت
سیستمها و تکنیکهای زیادی از گذشته تا حال به وجود آمده که هر یک با توجه به نوع
سازمان می تواند برای آن مفید باشد
بسیاری از این تکنیکها و سیستمها ، هر یک به
گونه ای مستقل عمل می کنند به طوریکه ممکن است تکنیکی از یک سیستم به کار گرفته
شود ولی هیچگاه اثر مطلوبیت آن بر روی تکنیکی از سیستم دیگر محاسبه نشود . و یا
ممکن است سیستمهایی برای سازمان طراحی شوند ولی میزان همپوشانی این سیستمها با
یکدیگر مورد توجه قرار گرفته نشوند
این موضوع می
تواند در خود تکنیکها نیز وجود داشته باشد .
از نمونه این تکنیک ها ، تکنیک FMEA است که به تجزیه و تحلیل
آثار و حالات خطا می پردازد
در این تکنیک با
توجه به پارامترهایی که وجود دارد ( عوامل شکست ، الگوی بالقوه شکست و آثار )
به تجزیه و تحلیل خطاهایی می پردازند که
ممکن است در فرآیند یا طراحی محصول وجود داشته باشد ، اما مطلبی که در این تکنیک
کمتر مورد توجه قرار گرفته است این سوال است که :
آیا می
توان گفت در صورت تحت کنترل درآوردن یک خطا یا کم کردن RPN
مربوط به آن ، این مساله تا چه اندازه می تواند
در الگوی خطا یا عامل شکست دیگر در همان فرآیند یا طراحی محصول و یا در فرآیند
دیگرتاثیر گذار باشد ؟
این سوال توسط شبکه عصبی پاسخ داده می شود .چنانچه ، شما می توانید با توجه به
مدلی که در قسمت بعد توضیح داده خواهد شد، تمامی جوانب و تاثیرات پارامترها را بر
روی یکدیگر بررسی نمایید
از مهمترین مزیتهای شبکه های عصبی در این تکنیک می توان به موارد زیر اشاره
نمود :
1- در این مدل می توان به هوشمند کردن تکنیک FMEA ، بررسی تاثیر هر یک از
پارامترهای آن از یک مشخصه نسبت به مشخصه های دیگر و ارائه یک الگوریتم بهبود جهت
بهبود خودکار سیستم با توجه به آن الگوریتم و تعدیل وزنهای مربوط به اقدامات
پیشنهادی با توجه به الگوریتم بهبود پرداخت .
2- شبکه های عصبی ، تکنیک فوق را با تمامی پارامترها مورد
بررسی قرار داده و با بررسی همه جانبه نسبت به تمامی پارامترهای شبکه ، تاثیرات
آنها را نسبت به یکدیگر محاسبه نموده و اقدامات پیشنهادی را در بهینه ترین حالت
ارائه می دهد
3- شبکه های عصبی قابلیت همزمان بازگو کردن نتایج حاصل از
چندین متغیر کیفی را در تقابل با یکدیگر دارا می باشد .
باتوجه به مطالب فوق و با توجه به بحثهای
موجود در فرآیند و کنترل کیفیت در این قسمت به بحث و بررسی در مورد کاربرد شبکه
های عصبی در مورد آنالیز خطاهای بالقوه در فرآیند پرداخته و با توجه به آن
مدلی را در این زمینه ارائه می دهیم . به این منظور در ابتدا به مفهوم (FMEA)
آنالیز خطاهای بالقوه پرداخته و سپس به بررسی استفاده از شبکه های عصبی در مورد
آن می پردازیم :
آنالیز خطاهای
بالقوه ( FMEA)
FMEA
روشی سیستماتیک برای شناسایی وپیشگیری از وقوع مشکل درمحصول و فرآیند آن می باشد .
این روش بر جلوگیری از بروز عیب و نقص تمرکز دارد و هدف ار آن در یک فرآیند یا
محصول پیشگیری از وقوع مشکل است .
در این تکنیک در ابتدا قطعه یا محصول را
شناخته و سپس به بررسی الگوی بالقوه شکست ، عوامل شکست ،آثار بالقوه شکست ، و
کنترلهای کنونی پرداخته و در مورد هر کدام از موارد مربوطه به بررسی درجه شدت ،
وقوع و بازیابی (درجه تشخیص) می پردازند . در نهایت با درنظر گرفتن موارد مربوطه
اقدامات پیشنهادی را در مورد آن انجام می دهند .
حال با
به دست آوردن RPN جدید و مقایسه آن با RPN قبل
میزان بهبود را محاسبه می کنند .
RPN :
RPN
را عدد اولویت ریسک گویند که از ضرب شدت ،وقوع و بازیابی به دست می آید .
RPN
= شدت * وقوع * بازیابی
استفاده از شبکه
های عصبی در آنالیز خطاهای بالقوه :
در
تکنیک FMEA هر کدام از الگوهای بالقوه خطا به طور جداگانه مورد بررسی قرار
گرفته و آثار و عوامل شکست و در نهایت شدت ، وقوع ، و درجه تشخیص مربوط به هر کدام
محاسبه و سپس به بررسی RPN پرداخته می شود .ولی در مورد هر یک از آنها به
طور مستقل عمل می شود .
استفاده از شبکه های عصبی می تواند در این
زمینه به خوبی این مشکل را پوشش داده و
مزایای خوبی را به تکنیک فوق بدهد .
در این قسمت با استفاده از شبکه های عصبی می
توانیم تاثیر هر یک از الگوهای بالقوه خطا را نسبت به دیگری بر روی محصول و یا
تاثیر هر یک از آنها را بر روی دیگری بررسی می کنیم و سپس با در نظر گرفتن این
تاثیر شاخصی را که می تواند بیشترین تاثیر را در مورد فرآیند بگذارد را انتخاب و
در نهایت در بهینه ترین حالت ،به حالت ایده آل آن نزدیک می شویم .
در این قسمت لازم است هر کدام از الگوهای
بالقوه شکست ، عوامل شکست و آثار آنها به خوبی لیست شوند و به عنوان اطلاعات اولیه
در الگو قرار داده شوند .
سپس در این قسمت
هر کدام از الگوهای بالقوه شکست به طور جداگانه با همه عوامل شکست و آثار آنها
مقایسه شده و اهمیت وزنی را که ممکن است در برخورد با هر یک از آنها داشته باشد به
آنها می دهیم ، در نهایت در انتهای مدل تمام الگوهای بالقوه شکست در کنار تمام عوامل شکست و تمام آثار آن به
خوبی قرار داده شده و مقدار تاثیر و همخوانی که ممکن است با یکدیگر داشته باشند
بیان شده است و در نهایت خروجی به دست می آید که این خروجی می تواند در مورد مشخصه
ها دارای ضریبهای وزنی مربوط به الگو های شکست ، عوامل شکست ، و آثار شکست باشد ،
که با توجه به اینکه قبلا موارد مطلوب و مورد تایید در مورد مقدار واحد آن مشخص
شده است لذا با مقایسه مربوط به میانگین مربوط به هر کدام از وزنها و مقادیر مورد
نظر مقدار خطا را محاسبه نموده و با استفاده از الگوریتم یادگیری مورد نظر به
بهبود آن می پردازیم .
البته در مورد محاسبه میانگین به این صورت عمل
می کنیم که در ابتدا مواردی را که دارای اولویت اول هستند را به صورت جدا در نظر
گرفته و اولویت های بعدی را نیز به صورت جدا در نظر می گیریم ، سپس با توجه به
تعیین یک ضریب معین و توافقی بین اعضای گروه برای هر کدام از اولویتها ،ضریب هر
پارامتر در اولویت اول ، با ضرایب آن در اولویت دوم وضرایب آن در اولویت سوم جمع
کرده و سپس میانگین می گیریم .
N1
= f1(wi1j1 (pk)1 +b1) (1)
N2 = f2(wi2j2 (pk)2 + b2) (2)
N3 = f3(wi3j3 (pk)3 + b3) (3)
F4(wi4j4f2(wi2j2(pk)2
+ b4 ) (4) = خروجی کنترل A
N4
= f5(A|N1) (5)
N5
= f6(wi5j5N4 + b5) (6)
N6
= f7(wi6j6n5 + b6 ) (7)
Is exist go to next
line else present output(
همخوانی نداشت با خواسته مورد انتظار) If
error
طبق الگوریتم یادگیری رفتار شده و به سطر اول بروید Then
لازم به ذکر است
که تابع مورد نظر در هر قسمت با توجه به مجریان مورد نظر و با نظر کارشناسان آنها
تعیین می شود ولی تابع کلی آن را می توان به صورت زیر در نظر گرفت .
F = a1x1^n + a2x2^n-1 + a3x3^n-2 + … (8)
الگوریتم
یادگیری :
در مورد مدل فوق در ابتدا با استفاده از
روش توضیح داده شده در بالا ، به محاسبه میانگین ها می پردازیم ، سپس میانگین های
مورد نظر را با اعداد مطلوب و مورد نظرمان مقایسه می کنیم و مقدار قدر مطلق تفاضل
آنها را در مورد هر یک را به دست می آوریم و در نهایت با به دست آوردن بیشترین عدد
در مورد هر یک از سه شاخص (الگو ، عوامل ، آثار ) به ارائه اقدامات پیشنهادی در
مورد هر یک از آنها پرداخته و این اقدامات
را با ضریبهای وزنی مورد نظر در مدل وارد می کنیم و دوباره چرخه را به پایان
رسانیده و مقدار به دست آمده را با مقدار مطلوب مقایسه می کنیم و آنقدر این کار را
ادامه می دهیم تا خروجی مطلوب به دست آید .
Z1
=?mi – aii ? (9) : m1 |m2|m3 ….mn
Z2
= ?ki - pii? (10) :
k1|k2|k3|……..kn
Z3
= ?li – sii ? (11) : l1 |l2|l3|…..…...ln
Aii
: مطلوب مورد نظر در مورد عوامل شکست
Pii : مطلوب مورد نظر در مورد آثار بالقوه شکست
Sii : مطلوب مورد نظر در مورد الگوی بالقوه شکست
مثال :
فرض کنید که در وزارت صنایع 3 الگوی بالقوه شکست به شرح زیر ارائه می شود که
در نهایت ، آثار بالقوه شکست و عوامل شکست آن نیز به صورت زیر استخراج می شود :
با توجه به
مشاهدات نمودارهای spc
وکنترل چارت ها و واریانس و داده های به
دست آمده ضرایب توابع به صورت زیر به دست می آید .
اگر دو مورد
مساوی بودند به دلخواه انتخاب می کنیم .
با توجه به پیدا شدن ماکزیمم ها اقدامات
پیشنهادی را با تمرکز بر روی آنها ارائه می دهیم و سپس مراحل را ادامه می دهیم . و با توجه به اعداد به دست آمده مطلوب ترین ضریب اهمیت
وزنی را به اقدامات پیشنهادی مورد نظر داده و نتایج را استخراج کرده و دوباره چرخه
را ادامه می دهیم .
در این قسمت همانطور که مشاهده می شود
باید بیشترین تمرکز را بر روی نارضایتی مشتریان اعم از داخل و خارج متمرکز کرد و
به همین ترتیب در مورد آثار و عوامل نیز مقدار به دست آمده است .
نتیجه گیری :
استفاده از شبکه های عصبی می تواند به
خوبی به پیش بینی کیفیت محصول بپردازد قبل از آنکه آن محصول به طور واقعی ساخته
شود .با استفاده از مدل ارائه شده می توان هر یک از موارد مربوط به آنالیز خطاهای
بالقوه شامل الگوی بالقوه شکست ، عوامل شکست ، و آثار ناشی از آن در مورد فرآیند را به خوبی آنالیز نمود و در نهایت با یک دید همه جانبه اثر مربوط به
هر کدام از آنها را بر روی یکدیگر یا محصول نهایی به دست آورد و در پایان نیز طوری
الگوریتم یادگیری را طراحی نمود که
اقدامات پیشنهادی با مطلوب ترین ضریب
اهمیت وزنی در مدل وارد شده و بتواند بهترین حالت و ایده آل ترین مطلوبیت
را در مورد کیفیت محصول به ما ارائه نماید . این مدل به گونه ای عمل می کند که بعد
از به دست آمدن خروجی شبکه آن را با خروجی مورد انتظار مورد مقایسه قرار داده و در
جهت بهبود با استفاده از الگوریتم یادگیری سعی در بهبود خروجی می نماید .
مهمترین استفاده
این مدل در بررسی همه جانبه در مورد تاثیر الگوهای شکست ، عوامل شکست و آثار آن بر
روی همدیگر می باشد به طوریکه با استفاده از شبکه فوق می توان فهمید با تغییر در
یکی از پارامترهای مربوط به الگوی شکست ، عامل مربوط به الگوی دیگر شکست چقدر باعث
شکست خواهد شد .
این مدل می تواند تا رسیدن به مطلوبیت
مورد نظر در مورد شاخصهای کیفیتی مورد نظر به چرخه خود ادامه دهد.
منابع و ماخذ :
[1] دکتر محمد باقر منهاج ، مبانی شبکه های
عصبی ، نشر دانشگاه صنعتی امیرکبیر | 1379
[2]ابین ای درموت ، ریموند
جی.میکولاک ، مایکل آر.بیورگارد ، روشهای تجزیه وتحلیل عوامل
شکست و آثار
آن ، مترجم :
مریم نوشاد حقیقی | نشر ساپکو ،1380
[3]
Alice .E.smith |phd “impact of
intelligent process control on product
design “|department of- industrial engineering |university of Pittsburgh
| 1992
[4]
Jain| B.| and B. Nag. 1995. Artificial neural network models for pricing
initial public offerings. Decision Sciences 26: 283-302.
[5]
Ballou| D.| R. Wang| H. Pazer| and G. Tayi. 1998. Modeling information
manufacturing systems to determine information product quality. Management
Science 44: 462-484.
[6]
CARPENTER |G.A |and GROSSBERG |G|S . 1988 |The ART of adoptive pattern
recognition by a self – organizing neural network . computer
[7]
Yang Q.| Marchant J. A.| “Accurate blemish detection with
active
contour models”| Comp. Elec. Agric.| 14| 77-89| 1996.
[8] Zahedi| F. 1991. An introduction to neural
networks and a comparison with artificial intelligence and expert systems.
Interfaces 21: 25-38.
[9]
Approximating a finite element model by neural network prediction for facility
optimization in groundwater engineering
European
Journal of Operational Research| Volume 166| Issue 3| 1
Olaf
Arndt| Thomas Barth| Bernd Freisleben and Manfred Grauer