بخشی از مقاله
چکیده
نمونهگیری به منظور پذیرش یک بخش عمده کنترل کیفیت آماری می باشد که در آن مصرف کننده با توجه به اطلاعاتی که از نمونه انتخابی دریافت می کند در مورد رد یا پذیرش انباشته ارسالی از سوی تولیدکننده، تصمیم گیری می کند. وقتی از نمونه گیری به منظور پذیرش استفاده می شود بین منافع مصرف کننده و منافع تولیدکننده تضاد ایجاد می شود. تولیدکننده می خواهد تمام انباشته های خوب پذیرفته شوند و مصرف کننده می خواهد تمام انباشته های بد رد شوند که این امر می تواند در روابط بنگاه های اقتصادی با زنجیره تأمین کنندگان اثر نامطلوبی ایجاد کند. از انجایی که می خواهیم ریسک تولید کننده - - و ریسک مصرف کننده - β - را همزمان در نظر بگیریم و همچنین با در دست داشتن مقادیر AQL - سطح کیفیت قابل قبول - ، LTPD - درصد معیوب قابل قبول انباشته - و همچنین تعداد نقص - c - بتوانیم اندازه نمونه - n - را بدست آوریم و از آن برای طراحی نمونه گیری استفاده کنیم ، حال با توجه به اینکه ریسک تولید کننده و مصرف کننده با هم در تضاد هستند اندازه نمونه - n - واحدی ندارند، بدین منظور با توجه به اینکه شبکه عصبی توانایی حل مسائل پیچیده را دارد از شبکه عصبی برای طراحی نمونه گیری استفاده می شود.
واژگان کلیدی : ریسک تولید کننده، ریسک مصرف کننده ، نمونهگیری، شبکه عصبی
مقدمه
برای اینکه بتوانیم شبکه عصبی را به خوبی آموزش دهیم - که این آموزش توسط الگوریتم Levenberg-Marquardt انجام می شود - و جواب های مناسبی - اندازه نمونه - بدست آوریم، بایستی ورودی های مناسبی - - , AQL, LPTD, به آن بدهیم تا بتوانیم n واحدی بدست اوریم و از آنجایی که تضاد بین منافع وجود دارد، از الگوریتم بهینه سازی - PSOالگوریتم بهینه سازی ازدحام ذرات - استفاده می کنیم که ورودی های مناسبی را برای شبکه عصبی فراهم کند. در نهایت یک جدول ارائه داده ایم که شامل ورودی های شبکه عصبی - , AQL, LPTD, C - و خروجی شبکه عصبی - اندازه نمونه - - - n می باشد. در این پژوهش سعی کرده ایم مقالات مرتبط پیشین را بیان کرده، هر چند که تاکنون پژوهش منسجمی انجام نشده است، و جدولی کاربردی ارایه دهیم.
مروری بر مطالعات پیشین
جاکوبز1 و لوک - 1993 - 2، به مطالعه و استفاده از شبکه های عصبی مصنوعی - ANNs - 3 در کنترل فرایند آماری - SPC - 4 و کاربرد بالقوه شبکه های عصبی مصنوعی برای کنترل فرآیند پرداختند. تسنیاک5 و بانواچ - 2014 - 6، مسائل مهم پذیرش ویژگی های پیچیده نمونه گیری به منظور پذیرش در قالب آماری را در نظر گرفتند و نشان دادند که چگونه اندازه انباشته طرح های نمونه گیری زوجی مختلف، متفاوت است. فلاح نژاد و حسینی نسب - 2011 - ، یک سیاست کنترل جدید برای مشکل نمونه گیری به منظور پذیرش را معرفی نمودند. آنها یک مدل جدید برای انتخاب حداقل هزینه طرح نمونه گیری به منظور پذیرش تک مرحله ای ارائه کردند. تصمیم گیری بر اساس تعداد اقلام معیوب بازرسی شده در یک دسته انجام می گیرد. هدف این مدل پیدا کردن یک سطح کنترل ثابت است که هزینه کل، از جمله هزینه های رد دسته ای، هزینه های بازرسی و هزینه اقلام معیوب، را به حداقل می رساند.
فونتولاکی7 و همکاران - 2008 - نیز یک روش ابتکاری برای نمونه گیری به منظور پذیرش توسط متغیرها 8 - ASV - ، که یک گروه خاص از کنترل کیفیت آماری با اطمینان از کیفیت محصولات می باشد، ارائه دادند. روش پیشنهادی بار جستجویی رویه جدول استاندارد را کاهش و راه حل های مناسبی - closed form - برای هر مقدار AQL، حتی برای آنهایی که در استانداردها گنجانده نشده اند ارائه می دهد. سامپاث9 و دیپا - 2012 - 10، یک الگوریتم ژنتیک برای انتخاب بهینه اعداد پذیرش و اندازه نمونه ها برای ریسک مشخص تولید کننده و مصرف کننده طراحی نمودند. اجرای الگوریتم بصورت عددی برای گزینه های مختلف از مقادیر آنها در یک طرح جفت نمونه گیری نشان داده شده است. داتی - 2011 - 11، یک روش کنترل خطای آماری برای تعیین حجم نمونه مناسب از شبیه سازی های محاسباتی برای استفاده در آزمایش های اعتبار سنجی طراحی و ارائه کردند. فرایند مبتنی بر آمار توسط حجم نمونه - n - ، و عدد پذیرش - c - داده شده برای تعدادی از شبیه سازی ها اجرا می شود و کنترل خطا را پشتیبانی و عدم قطعیت کمی - UQ - را آنالیز می کند. صنیعی منفرد و افتخار اردبیلی - 1382 - ، کاربرد سه شبکه عصبی پرسپترون چند لایه، هاپفیلد و کوهونن را مورد تحقیق و بررسی قرار داده و سیستمی برای تشخیص اتوماتیک خرابی ها و عیوب خودرو طراحی و مدل سازی نمودند.
روش حل مساله
در این مرحله پس از یافتن تابع بهینه بوسیله الگوریتم PSO که ورودی های مناسب را فراهم می کند، و سپس به کمک اموزش شبکه عصبی مصنوعی توسط الگوریتم آموزشی Levenberg-Marquardt به ازای محدوده های مختلف برای α، AQL، β، LTPD و برای c های متفاوت اندازه نمونه - n - محاسبه خواهد شد.