شناسایی هوشمند ناهنجاری در داده های صنعتی نامتوازن با استفاده از مدل XGBoost و الگوریتم ژنتیک (GA) جهت بهینه سازی عملکرد در شناسایی محصولات معیوب در خط تولید | ||
| چشمانداز مدیریت صنعتی | ||
| دوره 15، شماره 3 - شماره پیاپی 59، پاییز 1404، صفحه 170-194 اصل مقاله (1.06 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.48308/jimp.15.3.170 | ||
| نویسندگان | ||
| رسول نعمت نیا1؛ مریم خادمی* 2؛ کیامرث فتحی3؛ سهیلا سردار4 | ||
| 1دانشجوی دکتری گروه مدیریت صنعتی، واحد تهران شمال، دانشگاه آزاد اسلامی، تهران، ایران. | ||
| 2دانشیار گروه ریاضی کاربردی، واحد تهران جنوب، دانشگاه آزاد اسلامی، تهران، ایران. | ||
| 3استادیار گروه مدیریت صنعتی، واحد تهران جنوب، دانشگاه آزاد اسلامی، تهران، ایران. | ||
| 4استادیار گروه مدیریت صنعتی، واحد تهران شمال، دانشگاه آزاد اسلامی، تهران، ایران. | ||
| چکیده | ||
| مقدمه و اهداف. فرآیند ﺧﻄﻮط تولید و توالی آن ﯾﮑﯽ از روﯾﮑﺮد ﻫﺎی اساسی در برنامه ریزی ﻣﺤﺼﻮﻻت ﺻﻨﻌﺘﯽ به صورت انبوه است. ﻋﺪم برنامهریزی در ﺧﻄﻮط و راه کار مناسب برای بهینهسازی سیستمهای موثر در فرآیند تولید و مونتاژ، ﺑﺎﻋﺚ اﻓﺰاﯾﺶ زمان تخصیصی به امر تولید و افزایش زمانهای توقف ماشینآلات و در ﻧﺘﯿﺠﻪ ﮐﺎﻫﺶ تعداد محصولات تولید از لحاظ تعدادی و نرخ تولید عدم ﮐﺎراﯾﯽ منابع تخصیصی و در اختیار و در نتیجه اﻓﺰاﯾﺶ ﻫﺰﯾﻨﻪﻫﺎی ﺳﯿﺴﺘﻢ میشود ﮐﻪ همه این ﻋﻮاﻣﻞ در ﻧﻬﺎﯾﺖ ﺑﺎﻋﺚ ﺑﻬﺮه وری ﭘﺎﯾﯿﻦ و از دست دادن منابع موجود است. از این رو در این پژوهش هدف اصلی شناسایی ناهنجاریها در فرآیند تولید ویفرهای نیمه هادی با استفاده از روشهای یادگیری ماشین است. دادههای مورد استفاده شامل ویژگیهای مختلفی از ویفرهای تولیدی است که از یک تولید کننده بزرگ در صنعت نیمه هادی جمعآوری شده و حاوی اطلاعاتی از وضعیت ویفرها در فرآیند تولید است. به منظور بهبود عملکرد مدل و کاهش اثرات منفی دادههای پرت، از روش وینزوریزه کردن برای تعدیل مقادیر بسیار دور از میانگین در برخی از ویژگیها استفاده شد. همچنین، برای آمادهسازی بهتر دادهها، ویژگیها استانداردسازی شدند تا مدل نسبت به تفاوت مقیاس بین ویژگیها حساس نباشد. روشها. در این پژوهش، با استفاده از روشهای پیش پردازش داده و همچنین شبیهسازی در نرمافزار پایتون، سعی شد تا دقت مدل در شناسایی ناهنجاریها افزایش یابد. اولین گام، آمادهسازی دادهها و حذف یا تعدیل دادههای پرت بود. به دلیل اینکه برخی از ویژگیها شامل مقادیر بسیار و تعداد زیاد دور از میانگین بودند که میتوانستند مدل را دچار انحراف کنند، از روش "وینزوریزه کردن" استفاده شد. وینزوریزه کردن به این معناست که مقادیر بسیار بزرگ و بسیار کوچک هر ویژگی به آستانههای معینی محدود میشوند تا تأثیر آنها بر عملکرد مدل کاهش یابد. یکی دیگر از گامهای کلیدی در این پروژه، کاهش ابعاد دادهها بود. با توجه به اینکه این مجموعه داده شامل ۱۵۵۸ ویژگی است، پردازش و تحلیل تمامی این ویژگیها نیازمند منابع محاسباتی قابل توجهی است و ممکن است مدل را پیچیدهتر از حد لازم کند. از این رو، با بهرهگیری از روش "تحلیل تفکیک خطی (LDA) ، ابعاد دادهها به فضای بُعد پایینتری کاهش یافت تا جدایی بهتری بین کلاسهای نرمال و ناهنجار ایجاد شود. این کاهش ابعاد به مدل کمک میکند تا طبقه بندی دادهها را با دقت بیشتری انجام دهد و همچنین پردازش محاسباتی سادهتر شود. یافتهها. پس از آمادهسازی دادهها، برای استانداردسازی دادهها ازجدول استاندارد آرایههای متعامد در روش تاگوچی استفاده میشود آرایههای متعامد L9(34) به عنوان مناسبترین طرح برای مدلهای سه تا شش انتخاب میشوند. سپس دادهها مربوط به پژوهش با استفاده از مدل XGBoost و الگوریتم ژنتیک برای شناسایی ناهنجاریها و مقایسه دو مدل استفاده شده است . عملکرد مدل با استفاده از ماتریس در هم ریختگی و منحنی ROC و کارائی الگوریتم ژنتیک مورد ارزیابی قرار گرفت. نتایج نشان داد که مدل توانایی بالایی در شناسایی ناهنجاریها دارد و مقدار زیر منحنی AUC برابر با ۰.۹۷ به دست آمد. در ادامه، بهمنظور بهینهسازی بیشتر و مدیریت چالش عدم توازن داده-ها، از الگوریتم ژنتیک (GA) بهعنوان یک رویکرد تکاملی برای تنظیم وزن ویژگیها و آستانه طبقهبندی استفاده شد این نتایجنشاندهنده توانایی مدل در تفکیک نمونههای سالم و معیوب با دقت بالا است. این پژوهش نشان میدهد که با استفاده از تکنیکهای مناسب پیش پردازش داده و مدلهای یادگیری ماشین، میتوان در شناسایی ناهنجاریهای تولید و شناسایی قطعات معیوب به نتایج موفقیت آمیزی دست یافت و از ورود محصولات معیوب به بازار جلوگیری کرد. نتیجهگیری. نتایج به دست آمده از این تحقیق نشان داد که روش XGBoost توانایی بالایی در تشخیص ناهنجاریها دارد.و همچنین الگوریتم ژنتیک توانسته است معیارهای عملکردی مانند دقت (92.4%)، ، فراخوانی (0.924) و امتیاز (0.913) را بهبود دهد و همگرایی پایداری در طول نسلهای مختلف ارائه کند. ترکیب XGBoost و الگوریتم ژنتیک (GA) امکان شناسایی دقیقتر ناهنجاریها را فراهم کرده و نشان میدهد که این رویکرد میتواند بهعنوان یک چارچوب عملی در بهبود کنترل کیفیت، کاهش ضایعات و افزایش بهرهوری خطوط تولید مورد استفاده قرار گیرد. | ||
| کلیدواژهها | ||
| ناهنجاری هوشمند؛ مدل XGBoost؛ صنعتی نامتعادل؛ خط تولید؛ محصولات معیوب؛ الگوریتم ژنتیک | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 1,118 تعداد دریافت فایل اصل مقاله: 416 |
||