تشخیص نرخ عدم تشخیص خطای تغییر ناگهانی متغیرها در فرآیند تنسی ایستمن به روش شبکه های عصبی

فصل ۱-  مقدمه

۱-۱-      مقدمه

۱-۲-      ضرورت عیب­یابی

۱-۳-      هدف از انجام تحقیق

۱-۴-      مروری بر کارهای انجام شده

۱-۵-      ساختار پایان­نامه

فصل ۲-  بررسی انواع روشهای تشخیص و شناسایی خطا

۲-۱-      مقدمه

۲-۲-      دسته­بندی روش­های شناسایی خطا

۲-۲-۱-  روش­های مبتنی بر مدل کمی

۲-۲-۲-  روش­های مبتنی بر مدل کیفی

۲-۲-۳-  روش­های مبتنی بر داده

فصل ۳-  معرفی روش آنالیز مولفه­ی اصلی و شبکه­های عصبی مصنوعی

۳-۱-      مقدمه

۳-۲-      روش آنالیز مولفه­ی اصلی

۳-۳-      شبکه­های عصبی

۳-۳-۱-  تک­نرون به­عنوان دسته­بندی کننده

۳-۳-۲-  آموزش پرسپترون

۳-۳-۳-  پرسپترون تک­لایه

۳-۳-۴-  پرسپترون چندلایه

۳-۳-۵-  آموزش شبکه­های عصبی MLP

۳-۳-۶-  الگوریتم پس­انتشار خطا برای یک شبکه با تعداد دلخواه لایه و نرون

۳-۴-      نقش شبکه عصبی در عیب­یابی

فصل ۴-  کارآیی روش PCA در تشخیص پارامترهای معیوب فرآیند تنسی ایستمن

۴-۱-      مقدمه

۴-۲- معرفی شرکت تنسی ایستمن       ۳۳

۴-۳-      شناخت فرآیند صنعتی تنسی ایستمن

۴-۳-۱-  متغیرهای فرآیند

۴-۳-۲-  عیوب فرآیند

۴-۴-      پیاده سازی سیستم عیب یابی فرآیند TEP بر مبنای PCA

۴-۴-۱-  بررسی موردی عیب ۱

۴-۴-۲-  نرخ عدم تشخیص

۴-۴-۳-  میزان اهمیت متغیرهای فرآینددر تشخیص عیب ۱

۴-۴-۴-  نتایج شبیه­سازی

فصل ۵-  طراحی یک شبکه عصبی پویا به­منظور تشخیص پارامترهای معیوب فرآیند

۵-۱-      مقدمه

۵-۲-      معماری شبکه عصبی پویا

۵-۳-      تشخیص و جداسازی عیب با استفاده از شبکه عصبی دینامیک

۵-۳-۱-  مرحله­ی اول: شناسایی سیستم

۵-۳-۲-  مرحله­ی دوم: شناسایی و جداسازی عیب

۵-۴-      تشخیص پارامترهای معیوب TEP با تکیه بر ساختار پیشنهادی

۵-۵-      بررسی موردی عیب ۱

۵-۵-۱-  نرخ عدم تشخیص

۵-۶-      پیشنهاد راهکاری برای افزایش سرعت الگوریتم

۵-۷-      نتایج حاصل از شبیه­سازی

فصل ۶-  نتیجه­گیری و پیشنهادات