Machine learning based feature extraction for quality control in a production line

Quality improvement calls data mining: the case of the seven new quality tools

“…DM became popular due to the capability of systems to learn from the experience acquired and to handle large volumes of data, the complexity of the processes either online or offline mainly in an automated manner so that they can resolve issues such as control and improvement of processes in competitive environments (Dounias et al , 2001; Guh, 2003, 2005; Kang and Park, 2000; Hand et al , 2001). DM tools predict future trends and behaviors, allowing business to make proactive and present knowledge in the form which is easily understood to human (He et al , 2009; Ilyasova and Kupriyanov, 2015; Aggarwal, 2015).…”

“…In general terms, a pattern is interesting if it is easily understood, valid, potentially useful and novel. A pattern is also considered as interesting if it validates a hypothesis that a user seeks to confirm (Dounias et al , 2001; Guh, 2003, 2005; Kang and Park, 2000; Hand et al , 2001). An interesting pattern represents knowledge.…”

“…Thus, several techniques have been developed aiming at evaluating and preparing the data used as input to the DM process. Also, a number of techniques and measures have been developed aiming at evaluating and interpreting the extracted patterns (Dounias et al , 2001; Guh, 2003, 2005; Kang and Park, 2000; Hand et al , 2001).…”

“…The development of a set of appropriate techniques and tools is essential for proper examination and QM system. Successful use of these tools, which are part of the business and production process, coordinates and promotes the improvement of quality (Dounias et al , 2001; Guh, 2003, 2005; Kang and Park, 2000; Hand et al , 2001). The QI field of TQM discriminates the QTs in two major categories: the seven old tools and the seven new ones.…”

Εμπλουτισμός Στατιστικού Ελέγχου Ποιότητας Με Τεχνικές Μηχανικής Μάθησης

“…Αυτά τα δεδομένα στη συνέχεια αναλύθηκαν σε σχέση με τους προαναφερθέντες στόχους αυτού του Κεφαλαίου.Για την αντιμετώπιση αυτού του θέματος έχει προταθεί η χρήση επαγωγικών τεχνικών Μηχανικής Μάθησης. Πιο συγκεκριμένα οιKang και Park (2000) προτείνουν μια μέθοδο που χρησιμοποιεί τον αλγόριθμο Νευρωνικών Δικτύων μάθησης με οπισθόδρομη διάδοση BPN, κατατάσσοντας όλα τα χαρακτηριστικά κατά φθίνουσα σειρά ως προς τις επιπτώσεις τους και επιλέγοντας στη συνέχεια ένα υποσύνολο αυτών, ενώ η εργασία(Dounias et al, 2001) προτείνει την εφαρμογή του αλγορίθμου Δέντρων Απόφασης C4.5 για την Εξαγωγή Μια δεύτερη προσέγγιση επιχειρεί να βρει μια λύση κλειστού τύπου για τον σχεδιασμό ενός σχεδίου δειγματοληψίας που αφορά ποιοτικά χαρακτηριστικά(Vasudevan et al, 2004). Το μέγεθος του δείγματος και ο αριθμός αποδοχής καθορίζονται, αφού πρώτα εκπαιδευτούν τα κατάλληλα Νευρωνικά Δίκτυα με δεδομένα από πίνακες δειγματοληπτικών σχημάτων για κανονική, αυστηρή και ελαστική επιθεώρηση.…”