Technika bootstrap aggregation w ocenie istotności parametrów procesu produkcyjnego
Łukasz Paśko
a:1:{s:5:"en_US";s:65:"Rzeszów University of Technology, Department of Computer Science";}Aneta Kuś
Politechnika Rzeszowska, Zakład InformatykiAbstrakt
Artykuł prezentuje zastosowanie techniki bootstrap aggregation do tworzenia zespołu sztucznych sieci neuronowych typu perceptron wielowarstwowy. Zadaniem zespołu sieci neuronowych jest predykcja liczby wadliwych wyrobów na podstawie wartości parametrów procesu wytwórczego, a także określenie, jak parametry procesu wytwórczego wpływają na wynik predykcji. W tym celu zaproponowano cztery sposoby wyznaczania istotności parametrów procesu wytwórczego. Sposoby te bazują na analizie wag połączeń pomiędzy neuronami oraz badaniu wielkości błędu generowanego przez sieci neuronowe. Zaproponowane podejście bierze pod uwagę fakt, że mamy do czynienia nie z pojedynczą siecią neuronową, a z całym zespołem sieci. W artykule zaprezentowano przebieg eksperymentu wraz z wynikami uzyskanymi dla rzeczywistych danych, które pochodzą z huty szkła i dotyczą procesu produkcji szklanych opakowań.
Słowa kluczowe:
manufacturing process, glassworks, neural networks, bagging, manufacturing parametersBibliografia
BREIMAN L. 1996. Bias, variance and arcing classifiers. Technical Report TR 460. Dept. of Statistics. University of California, Berkeley, CA, USA. Google Scholar
ELSKEN T., METZEN J.H., HUTTER F. 2019. Neural Architecture Search: A Survey. Journal of Machine Learning Research, 20: 1-21. Google Scholar
FRANCIK S. 2009. Metoda prognozowania szeregów czasowych przy użyciu sztucznych sieci neuronowych. Inżynieria Rolnicza, 13(6): 53-59. Google Scholar
GOLKA W., ARSENIUK E., GOLKA A., GÓRAL T. 2020. Sztuczne sieci neuronowe i teledetekcja w ocenie porażenia pszenicy jarej fuzariozą kłosów. Biuletyn Instytutu Hodowli i Aklimatyzacji Roślin, 288: 67-75. Google Scholar
GÓRSKI M., KALETA J., LANGMAN J. 2008. Zastosowanie sztucznych sieci neuronowych do oceny stopnia dojrzałości jabłek. Inżynieria Rolnicza, 12(7): 53-56. Google Scholar
HEBDA T., FRANCIK S. 2006. Model twardości ziarniaków pszenicy wykorzystujący sztuczne sieci neuronowe. Inżynieria Rolnicza, 10(13): 139-146. Google Scholar
JASIŃSKI T., BOCHENEK A. 2016. Prognozowanie cen nieruchomości lokalowych za pomocą sztucznych sieci neuronowych. Studia i Prace WNEIZ US, 45(1): 317-327. Google Scholar
KURT I., TURE M., UNUBOL M., KATRANCI M., GUNEY E. 2014. Comparing Performances of Logistic Regression, Classification & Regression Trees and Artificial Neural Networks for Predicting Albuminuria in Type 2 Diabetes Mellitus. International Journal of Sciences: Basic and Applied Research (IJSBAR), 16(1): 173-187. Google Scholar
LEFIK M. 2005. Zastosowania sztucznych sieci neuronowych w mechanice i inżynierii. Zeszyty Naukowe. Rozprawy Naukowe, 341: 3-258. Google Scholar
NIEDBAŁA G., LENARTOWICZ T., KOZŁOWSKI J.R., ZABOROWICZ M. 2015. Modelowanie neuronowe jako metoda prognozowania zawartości skrobi w ziemniakach na potrzeby Porejestrowego Doświadczalnictwa Odmianowego i Rolniczego (PDOiR). Nauka Przyroda Technologie, 9(2): 1-7. Google Scholar
OPITZ D.W., MACLIN R.F. 1997. An empirical evaluation of bagging and boosting for artificial neural networks. Proceedings of International Conference on Neural Networks (ICNN’97), 3: 1401-1405. Google Scholar
PAŚKO Ł. 2020. Significance of Manufacturing Process Parameters in a Glassworks. Advances in Manufacturing Science and Technology, 44(2): 39-45. Google Scholar
REN P., XIAO Y., CHANG X., HUANG P., LI Z., CHEN X., WANG X. 2021. A Comprehensive Survey of Neural Architecture Search: Challenges and Solutions. ACM Computing Surveys, 54(4): 1-34. Google Scholar
RODZIEWICZ A., PERZYK M. 2016. Application of significance analysis to finding root causes of product defects in continuous casting of steel. Computer Methods in Materials Science, 16(4): 187-195. Google Scholar
ROJEK I. 2015. Sieci neuronowe w kontroli jakości procesu. Studies & Proceedings Polish Association for Knowledge Management, 74: 91-100. Google Scholar
TADEUSIEWICZ R., HADUCH B. 2015. Wykorzystanie sieci neuronowych do analizy danych i pozyskiwania wiedzy w systemie ekspertowym do oceny parametrów benzyn silnikowych. Nafta-Gaz, 71(10): 776-785. Google Scholar
ZHIBIN W., NIANPING L., JINQUNG P., HAIJIAO C., PENGLONG L., HONGQIANG L., XIWANG L. 2018. Using an ensemble machine learning methodology – Bagging to predict occupants’ thermal comfort in buildings. Energy and Buildings, 173: 117-127. Google Scholar
a:1:{s:5:"en_US";s:65:"Rzeszów University of Technology, Department of Computer Science";}
Politechnika Rzeszowska, Zakład Informatyki
