Confidence assessment of quality prediction from process measurement in sequential manufacturing processes

Ye, N.; Zhong, Qiu Bo; Rahn, G. E.

doi:10.1109/6104.873245

Cited by 7 publications

(2 citation statements)

References 46 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Com essa finalidade, existem vários métodos envolvendo Algoritmos Sequenciais, Decomposição Wavelet, Monte Carlo, Abordagem Bayesiana, Teste de Taxa de Probabilidade Sequencial, Cartas de Controle CUSUM, Redes Neurais, Cadeia de Markov e outros (Burrell & Papantoni, 2000;Castanie & Denjean, 1992;Ramirez-Beltran & Montes, 1997;Lavielle & Lebarbier, 2001;Malladi & Speyer, 1999;Morgenstern et al, 1988;Ye, 2000;Macdougall et al, 1998;Karathanassi et al, 1996;Percival & Walden, 2000).…”

Section: Detecção De Mudanças Em Séries Temporais Não Linearesunclassified

Detecção de mudança de nível em séries temporais não lineares usando Descritores de Hjorth

Amorim

Balestrassi

Paiva

et al. 2015

Prod.

View full text Add to dashboard Cite

ResumoO propósito deste artigo é apresentar um método de detecção de mudança de nível na dinâmica de séries temporais não lineares que consiste no uso de um gráfico de Controle Multivariado T 2 de Hotelling monitorando a variação de três descritores normalizados: os Descritores de Hjorth de atividade, mobilidade e complexidade. Esta abordagem foi aplicada em diferentes séries temporais não lineares criadas artificialmente e é ilustrada neste artigo por um exemplo detalhado. Também foi feito um estudo de caso com seis séries reais do consumo de energia elétrica no meio industrial, confirmando a eficácia do método. Palavras-chaveSéries temporais não lineares. Descritores de Hjorth. Gráficos de Controle Multivariado T 2 de Hotelling. Mudança de nível. IntroduçãoEste artigo propõe um método para detectar mudanças dinâmicas em séries temporais não lineares tais como carga elétrica, sinais de eletroencefalograma (EEG), econometria, consumo de água, sinais de usinagem e soldagem, abalos sísmicos etc. Uma série temporal representa uma classe de fenômenos cujo processo observacional, e consequente quantificação numérica, gera uma sequência de dados distribuídos no tempo (Souza, 1981). Quando a equação característica ou o modelo de regressão de uma série temporal pode ser escrito em função de parâmetros lineares (mesmo após transformação), essa série é dita linear. Caso não existam transformações que linearizem os parâmetros, essa série é denominada não linear e, para esse tipo de série, os métodos de controle e monitoramento tradicionais são normalmente complexos.Uma série temporal que possua a média e a variância constantes ao longo do tempo é dita estacionária ou convergente, caso contrário é denominada não estacionária ou divergente. A detecção dinâmica de mudanças em séries temporais não lineares, sendo elas estacionárias ou não, é crucial para o controle em tempo real de sistemas que estão sendo monitorados e está diretamente relacionada à identificação de causas especiais de variação, que são normalmente indicações de problemas. As causas especiais de variação ocorrem devido a uma situação particular (não aleatória) que faz com que o processo se comporte de um modo diferente do usual e devem ser, de modo geral, localizadas e eliminadas. Além disso, certas medidas devem ser tomadas para evitar a sua reincidência.A metodologia proposta é baseada na combinação de Gráficos de Controle Multivariado T 2 de Hotelling e Descritores de Hjorth. A detecção dinâmica dos pontos de mudança é realizada a partir da aplicação de um gráfico de controle multivariado nos Descritores de Hjorth normalizados de atividade, mobilidade e complexidade, a fim de monitorar possíveis variações na série temporal. Esse estudo foi aplicado em diferentes tipos de séries temporais não lineares criadas artificialmente e, além disso, foi feito um estudo de caso em seis séries temporais reais do consumo de energia elétrica por indústrias brasileiras.Este artigo está dividido em cinco seções, a iniciar pela introdução ao tema. A seção 2 descreve

show abstract

Section: Detecção De Mudanças Em Séries Temporais Não Linearesunclassified

Detecção de mudança de nível em séries temporais não lineares usando Descritores de Hjorth

Amorim

Balestrassi

Paiva

et al. 2015

Prod.

View full text Add to dashboard Cite

show abstract

“…One of the major advantages of ANN is its efficient handling of highly non-linear relationships in data, even when the exact nature of such relationship is unknown [6]. It has attracted more and more attention of academic and practitioners with applications in fault diagnosis and quality prediction [7][8][9], but less in the field of the tobacco threshing and redrying. This paper attempts to build the influencing relationship of redrying process based on ANN to predict possible quality indicator of post-redyring.…”

Section: Introductionmentioning

confidence: 99%

Quality Prediction Based on ANN in Tobacco Redrying Process

Chen

Yin

et al. 2011

AMR

View full text Add to dashboard Cite

To improve uniformity of quality in tobacco redrying process, an ANN-based method is proposed to predict the possible output of post-redrying. Firstly, this paper presents an intelligent process control model with ANN. And then, it describes the three-layers network and improves BP algorithm by using the method of variable learning rate, in which 10 process parameters were selected as inputs, the moisture and temperature of post-redrying as outputs, and one hidden with 25 neurons is designed. Finally, the ANN is trained to map the nonlinear relationship between inputs and outputs. With the analyses and comparisons, the result obtained shows that the prediction of possible output has higher accuracy by this improved ANN-based method. Such model designed can be suitable for quality improvement in the tobacco redrying process.

show abstract

A multivariate descriptor method for change-point detection in nonlinear time series

Balestrassi

Paiva

Souza

et al. 2011

Journal of Applied Statistics

View full text Add to dashboard Cite

The purpose of this paper is to present a novel method that is applied to detect dynamic changes in nonlinear time series. The method combines a multivariate control chart that monitors the variation of three normalized descriptors -- Hjorth's descriptors of activity, mobility and complexity -- and is applied to the change-point detection problem of nonlinear time series. The approach is estimated using six simulated nonlinear time series. In addition, a case study of six time series of short-term electricity load consumption was used to illustrate the power of the method.

show abstract

Confidence assessment of quality prediction from process measurement in sequential manufacturing processes

Cited by 7 publications

References 46 publications

Detecção de mudança de nível em séries temporais não lineares usando Descritores de Hjorth

Detecção de mudança de nível em séries temporais não lineares usando Descritores de Hjorth

Quality Prediction Based on ANN in Tobacco Redrying Process

A multivariate descriptor method for change-point detection in nonlinear time series

Contact Info

Product

Resources

About