Home
Giới thiệu
Tài khoản
Đăng nhập
Quên mật khẩu
Đổi mật khẩu
Đăng ký tạo tài khoản
Liệt kê
Công trình khoa học
Bài báo trong nước
Bài báo quốc tế
Sách và giáo trình
Thống kê
Công trình khoa học
Bài báo khoa học
Sách và giáo trình
Giáo sư
Phó giáo sư
Tiến sĩ
Thạc sĩ
Lĩnh vực nghiên cứu
Tìm kiếm
Cá nhân
Nội dung
Góp ý
Hiệu chỉnh lý lịch
Thông tin chung
English
Đề tài NC khoa học
Bài báo, báo cáo khoa học
Hướng dẫn Sau đại học
Sách và giáo trình
Các học phần và môn giảng dạy
Giải thưởng khoa học, Phát minh, sáng chế
Khen thưởng
Thông tin khác
Tài liệu tham khảo
Hiệu chỉnh
Số người truy cập: 111,200,288
A deep learning approach for Control Chart Patterns (CCPs) prediction
Tác giả hoặc Nhóm tác giả:
Tuan Le, Hai-Canh Vu, Nassim Boudaoud, Zohra Cherfi-Boulanger, Amelie Ponchet Durupt, Ho-Si-Hung Nguyen.
Nơi đăng:
Research Publishing, Singapore;
S
ố:
1;
Từ->đến trang
: 1267-1274;
Năm:
2022
Lĩnh vực:
Khoa học công nghệ;
Loại:
Bài báo khoa học;
Thể loại:
Quốc tế
TÓM TẮT
ABSTRACT
This paper presents a novel approach for predicting of control chart patterns (CCPs). The CCPs are used in Statistical Process Control to give information on the state of a process. There are six typical types of process states corresponding to six patterns: normal, cyclic, increasing trend, decreasing trend, upward shift, and downward shift. Except for the normal patterns, all the other patterns of control chart indicate that the process being monitored is not functioning correctly and requires adjustment. Knowing the system state or CCPs in advance and taking timely action helps reduce defective products and their incurred costs. In this study, the control chart time series are firstly created by joining the difference simulated CCPs with respect to the decreasing trend of their performance index (capability index). A deep learning (DL) model, convolutional neural network (CNN), is adapted for the CPPs prediction in the two following cases: (a) a time series contains only the normal patterns; (b) time series contains the six CCPs types. The model’s performance in both training and testing phases was assessed using mean absolute error (MAE). A parameter scanning of network parameters is conducted in order to gain information about the influence of the kernel size, number of filters, and dense size on CCPs prediction performance. The results show that the CNN model is able to not only capture the low and high levels of the CCPs quality variables, but also the mixed CCPs.
© Đại học Đà Nẵng
Địa chỉ: 41 Lê Duẩn Thành phố Đà Nẵng
Điện thoại: (84) 0236 3822 041 ; Email: dhdn@ac.udn.vn