Kalite kontrol grafiklerinde örüntü tanıma
Pattern recognition in the control charts
- Tez No: 295059
- Danışmanlar: YRD. DOÇ. DR. GÜLTEKİN ÖZDEMİR
- Tez Türü: Yüksek Lisans
- Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2011
- Dil: Türkçe
- Üniversite: Süleyman Demirel Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 73
Özet
İstatistiksel süreç kontrolünde kullanılan Shewhart kontrol grafikleri süreçteki anormal değişimleri incelemede önemli bir araçtır. Süreçte zaman içinde oluşabilecek değişimlerin tespit edilmesi, sürecin kontrol altında tutulması ve önlemlerin alınması amacıyla süreç boyunca oluşabilecek anormal değişimlerin örüntülerini tanımlamaya yönelik Yapay Sinir Ağları ve Bayes örüntü tanıma sistemleri oluşturulmuştur. Oluşturulan örüntü tanıyıcılarının sınıflandırma performansları ölçülmüştür. Doğru sınıflandırma performansını artırmak için örüntüleri oluşturan gözlem değerlerinden, altı adet istatistiksel özellik çıkarılmış ve sınıflandırma performansları karşılaştırılmıştır. Yapay Sinir Ağları ve Bayes örüntü tanıyıcılarının, ilgili özellikler tanımlandıktan sonra daha yüksek performans verdiği görülmüştür. Ayrıca, Bayes örüntü tanıyıcının yapay sinir ağlarına nazaran daha iyi sınıflandırma performansının olduğu sonucuna varılmıştır. Bayes sınıflandırıcının gerçek zamanlı kontrol grafikleri uygulamalarında örüntü tanıma amaçlı kullanabileceği düşünülmüştür.
Özet (Çeviri)
Shewhart control charts for statistical process control used in the examination process is an important tool for abnormal changes. When the process changes that may occur in the detection process in order to be kept under control and measures resulting from the process patterns (abnormal changes) in order to determine Artificial Neural Networks and Bayesian pattern recognition systems are formed. Recognizer classification performance of the generated pattern was measured. To improve the performance of correct classification by observing patterns of property values, issued six statistical classification performances are compared. Artificial Neural Networks and Bayesian pattern recognizers, the performance was higher after the removal of property. Moreover, Bayesian pattern recognizer is concluded that the classification performance better than neural networks. Bayesian classifier can use real-time control charts applications pattern recognition is considered.
Benzer Tezler
- Bulanık kalite kontrol grafiklerinde yeni bir yaklaşım (Oran Yaklaşımı)
A new approach in fuzzy quality control charts (Ratio Approach)
NİLÜFER PEKİN ALAKOÇ
Doktora
Türkçe
2012
Endüstri ve Endüstri MühendisliğiAnkara Üniversitesiİstatistik Ana Bilim Dalı
PROF. DR. AYŞEN APAYDIN
- Elektronik devre kartı üzerindeki kusur sayıları için bulanık c kalite kontrol grafikleri uygulaması
An application of fuzzy c quality control charts for faults on electronic circuit card
BEKİR ELİTOK
Yüksek Lisans
Türkçe
2016
Endüstri ve Endüstri MühendisliğiKırıkkale ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. SEVGİ YURT ÖNCEL
- Çok değişkenli kalite kontrol grafikleri ve yapay sinir ağları yöntemiyle döküm sanayisinde bir istatistik süreç kontrol uygulaması
A statistical process control application in casting industry through multivaiiate quality control charts and artificial neural networks
KENAN ORÇANLI
Doktora
Türkçe
2017
İstatistikAtatürk Üniversitesiİşletme Ana Bilim Dalı
PROF. DR. ERKAN OKTAY
PROF. DR. BURAK BİRGÖREN
- İstatistiksel süreç kontrolünde bulanık mantık yaklaşımı ve bir uygulama
Fuzzy logic approach in statistical process control and an application
ALEV ASLANGİRAY
- Bankacılıkta süreç iyileştirmeye yönelik temel kalite kontrol teknikleri: Bir uygulama
Basic quality control techniques for process improvement in banking: An empirical study
CENK TÜRKER