Geri Dön

İstatistiksel kalite kontrol kartlarında yapay sinir ağları ile örüntü tanıma

Pattern recognition with neural networks in statistical quality control charts

  1. Tez No: 833537
  2. Yazar: CANER KONUK
  3. Danışmanlar: PROF. DR. BURCU HÜDAVERDİ AKTAŞ
  4. Tez Türü: Yüksek Lisans
  5. Konular: İstatistik, Statistics
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2023
  8. Dil: Türkçe
  9. Üniversite: Dokuz Eylül Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: İstatistik Ana Bilim Dalı
  12. Bilim Dalı: Veri Bilimi Bilim Dalı
  13. Sayfa Sayısı: 115

Özet

İstatistiksel kalite kontrolü, veriye dayalı süreçlerden elde edilen ürünler veya hizmetler için kalite kontrol standartlarına uygunluğun ölçülmesini sağlayan bir yaklaşımdır. Kontrol kartları ise istatistiksel kalite kontrol yöntemlerinden birisidir. Kontrol kartları, süreçlerde ilgilenilen kalite karakteristiklerine göre sürecin görsel bir görünümünü sunmaktadır. Dolayısıyla, ilgili süreç için kontrol kartlarında ortaya çıkan örüntülerin incelenmesi sürecin kararlılığı açısından büyük önem taşımaktadır. Bu çalışmanın asıl amacı, temel kontrol kartı örüntülerine ek olarak eş zamanlı kontrol kartı örüntülerinin de yapay sinir ağı modelleri ile tanınmasının gerçekleştirilmesidir. Literatür incelendiğinde çoğu yapay sinir ağı yöntemi içeren çalışmada sadece temel örüntülerin tanınmasının gerçekleştirildiği ve eşzamanlı örüntüler için ise çoğunlukla derin öğrenme yöntemlerinin kullanıldığı görülmektedir. Dolayısıyla, bu çalışmanın bir diğer amacı ise çok katmanlı algılayıcı ve öğrenmeli vektör kuantizasyon, yapay sinir ağı modellerinin eşzamanlı örüntüler açısından ortaya koydukları örüntü tanıma performanslarının da detaylıca incelenmesini sağlamaktır. Bu çalışmada, kontrol kartlarında örüntü tanıma literatüründeki iki güçlü yapay sinir ağı modeli olan çok katmanlı algılayıcı ve öğrenmeli vektör kuantizasyon modelleri kullanılarak 7 temel ve 9 eşzamanlı örüntü olmak üzere toplamda 16 adet Shewhart kontrol kartı örüntüsü için kontrol kartı örüntü tanıma çalışması gerçekleştirilmiştir. Elde edilen sonuçlar detaylı olarak incelenmiş ve en iyi örüntü tanıyıcı modelinin belirlenmesi sağlanmıştır. Ayrıca sonuçlara göre kontrol kartı örüntü tanıma literatüründe sıkça kullanılan bu iki yapay sinir ağı modelinin detaylı olarak karşılaştırılması ve yorumlanması gerçekleştirilmiştir.

Özet (Çeviri)

Statistical quality control is an essential approach for assessing compliance with quality control standards in data – driven processes, ensuring the quality of products and services. Control charts play a vital role in this methodology by providing visual representations of process performance based on relevant quality characteristics. Consequently, analyzing patterns emerging in control charts holds significant importance in maintaining process stability. The main objective of this study is to achieve the recognition of concurrent control chart patterns in addition to basic control chart patterns using artificial neural network models. Based on literature review, artificial neural network studies primarily focus on recognizing basic patterns, while deep learning methods are more commonly used for concurrent patterns recognition. Therefore, another aim of this study is to comprehensively examine the pattern recognition performance of multilayer perceptron and learning vector quantization, artificial neural network models, specifically in relation to concurrent patterns. In this study, a control chart pattern recognition analysis was conducted using two powerful artificial neural network models in the control chart literature which are multilayer perceptron and learning vector quantization models. The study aimed to recognize a total of 16 Shewhart control chart patterns, including 7 basic patterns and 9 concurrent patterns. The obtained results were thoroughly examined, allowing for with detailed analysis and determination of the best pattern recognition model. In addition, a comprehensive comparison and interpretation of these two frequently used artificial neural network models in the control chart pattern recognition literature were carried out based on the results.

Benzer Tezler

  1. İstatistiksel süreç kontrolünde Shewhart, CUSUM ve EWMA kontrol kartları ile yapay sinir ağlarının bütünleşik kullanımı: Bir orman endüstri işletmesinde uygulama

    Integrated use of artificial neural networks and Shewhart, CUSUM and EWMA control charts in statistical process control: A case study in forest industry enterprise

    RIFAT KURT

    Doktora

    Türkçe

    Türkçe

    2018

    Ağaç İşleriBartın Üniversitesi

    Orman Endüstri Mühendisliği Ana Bilim Dalı

    PROF. DR. SELMAN KARAYILMAZLAR

  2. Yeni Cami'nin akustik açıdan performans değerlendirmesi

    Evaluation of the acoustical performance of the New Mosque

    EVREN YILDIRIM

    Yüksek Lisans

    Türkçe

    Türkçe

    2003

    Mimarlıkİstanbul Teknik Üniversitesi

    Mimarlık Ana Bilim Dalı

    PROF. DR. SEVTAP YILMAZ DEMİRKALE

  3. İstatistiksel kalite kontrolü ve tekstil işletmelerinde uygulanması

    Statistical quality control and application in textile firms

    MUSA KILIÇ

    Yüksek Lisans

    Türkçe

    Türkçe

    2006

    İşletmeDokuz Eylül Üniversitesi

    İşletme Ana Bilim Dalı

    PROF.DR. MUAMMER DOĞAN

  4. Nötrosofik sayılara dayalı Kano model ve MULTIMOORA yöntemlerinin kullanıldığı bütünleşik kalite fonksiyonu yayılımıyla bakır üretimi yapan bir firma için tedarikçi seçimi

    Supplier selection for a copper production company with an integrated quality function deployment approach using neutrosophic numbers based Kano model and MULTIMOORA methods

    BURCU EĞİLMEZ

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    İstatistikEskişehir Osmangazi Üniversitesi

    İstatistik Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ SEVGİ ABDALLA

  5. İplik işletmeleri için optimum ekonomik ve istatistiksel proses kontrol planlarının tespiti

    Başlık çevirisi yok

    A.BAKİ ENGİN

    Doktora

    Türkçe

    Türkçe

    1997

    Endüstri ve Endüstri MühendisliğiSakarya Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    PROF. DR. ALİ DEMİR