Aplication of neural networks to quality control

Abstract

Genellikle, çok zaman alıcı, çok para ve kalifiye insan kaynağı gerektiren bir iş olan kalite kontrol, fabrikalarda üretimin temel aşamalarından biridir. Bunu otomatik olarak yapabilmek büyük yarar sağlayacağından, bu tezde, nöral ağların örüntü tanımlayıcı olan bir uygulaması geliştirilerek, belirli bir kalite kontrol probleminin çözümünde kullanımı incelenmiştir. Seri bir bilgisayar üzerinde, üç değişik `eğitim` metodu ile çalışabilen bir nöral ağ sayısal benzetimi geliştirilmiştir. Eğitim metotlarından ikisi gradient metodu, biri ise direkt arama metodudur. Ağın yapısı, otomotiv endüstrisinde montaj hattı üzerindeki parçalarda bulunan kaynakların kalitesinin belirlenmesinde kullanılacak şekilde ayarlanmıştır. Bu çalışmada özel bir nöral ağ türü olan tabakalı, ileri beslemeli ağlar incelenmiştir. Nöral ağlara, verilerin ve bu veriler sonucunda beklenen sonuçların tanıtılması yoluyla eğitimlerinin gerçekleştirilmesi anlamına gelen, denetlemeli eğitim teknikleri göz önüne alınmıştır. Uygulanan eğitim tekniklerinin performansları hız ve güvenirlik açılarından karşılaştın Imıştır. Gradient metotları ile çalışırken sık karşılaşılan ağın doyması sonucu daha fazla eniyileme yapılamaması sorun yaratmaktadır, buna karşın direkt arama metodu daha yavaş olmasına rağmen hemen hemen bütün koşullarda çalışabilmektedir. Sonuçta, bütün metotlarda nöral ağlar için oldukça önemli bir sorun olan yöresel minimumlar problemi ile karşılaşılmaktadır.VII Kavramsal olarak, denetimle eğitim, bir nöral ağın doğrusal olmayan bir objektif kriteri eniyilemesini sağlayacak parametre değerlerini bulmaktır. Bu kriter, ağın ürettiği gerçek sonuçlar ile olması gereken sonuçlar arasındaki hatanın bir ölçütüdür ve genellikle karelerin toplamı yöntemi kullanılır. Ağın ürettiği sonuçların sağlıklı olmayan veri kümelerinden etkilenmemesi için alternatif hata ölçütleri de denmiş, fakat bu çalışmada kullanılan veri kümesi yüksek hata üretecek değerler içermediği için kullanılan yöntemlerden birbirinden çok farklı sonuçlar elde edilmemiştir. Bu tezin sonuçları, nöral ağların, seri bilgisayarların çok iyi yaptığı, duyarlı hesaplar, sayısal işlemler gibi işleri çok iyi yapamadığı halde, eksik veri kümeleri, çelişen ya da kesin olmayan bilgilerle çözülmesi gereken problemlerde bilgisayarlardan, hatta paralel işlemcilerden çok daha iyi sonuç ürettiklerini kanıtlamaktadır. Programcılar nöral ağları programlamak yerine onlara kabul edilebilir yanıtlar vermeyi öğretirler. Bu nedenle bir nöral ağ, değişik veri kümeleri ile eğitilerek değişik problemlerin çözümünde kullanılabilir. Bu tezde geliştirilen nöral ağ modelinin ve eğitim tekniklerinin gelecekteki örüntü tanımlama problemlerinde de kullanılabilmesi amaçlanmıştır.

In manufacturing industry, quality control which is usually a very time consuming and costly task requiring qualified human resource, is one of the essential processes of production. Since having automatic means of doing this would be of great benefit, in this thesis application of neural networks as pattern classifiers to a specific quality control problem is investigated. Computer simulation of a neural network, which can work with three training methods, is developed. Two of the methods are gradient methods and the last one is a direct search method. The network setup is arranged so as to solve the problem of weld quality inspection problem on assembly lines in automobile industry. This study concerns particular type of a neural network, namely layered feed forward network. Only supervised training techniques, in which a neural network is thought to be trained by presenting with input values and desired output levels, is considered. Performances of the training techniques implemented are compared in terms of speed and accuracy for the problem considered. The gradient methods are difficult to work with because of high probability of occurrence of network saturation, whereas the direct search method is slower but works almost under all conditions. Finally, both types of methods suffer from local minima problem which appears to be rather serious for neural network models.Conceptually, supervised training is to find parameter values that cause the neural network to optimize some nonlinear objective criteria. This criteria is a measure of error between the actual and the desired output values, and usually traditional sum-of-squares error is used. Alternative error measures are also tested in order to prevent the network's output from being effected by ill conditioned input data sets, but since the input data set used in this study did not contain input patterns that would cause high error values, none of the methods produced different results. Results of the thesis helped to proof the idea that neural networks are not very good at handling tasks that standard serial computers are noted for, such as number crunching or making highly accurate calculations, but when it comes to tasks requiring pattern recognition, neural networks will very likely outperform conventional computers, including parallel processors. Instead of programming a neural network, programmers `teach` it to give acceptable answers. Hence, it is possible to use a network to solve different problems by training with appropriate input data sets. In this thesis, the aim is to use the neural network model and the training techniques developed for general pattern classification problems as well in future studies.