فهرست نشریات علمی دسترسی آزاد ایران

مقدمه و اهداف: با توجه به پیشرفت‌های جدید در دنیای مدرن، استفاده از الگوهای کنترل کیفیت چندمتغیره-چندمرحله‌ای در صنایع تولید به عنوان موضوعی حیاتی و ضروری مطرح می‌شود. این پژوهش به بررسی اهمیت و ضرورت کنترل کیفیت چندمتغیره-چندمرحله‌ای در صنایع تولیدی با تاکید بر تولید روغن‌موتور پرداخته است. کیفیت روغن‌موتور به عنوان یک عامل بنیادین، تأثیر قابل توجهی بر عملکرد، عمر موتور، رضایت مشتریان و موقعیت محصول در بازار دارد.در این تحقیق، برای مانیتورینگ و تشخیص خطا در مولفه‌های کیفی، استفاده از الگوریتم‌های یادگیری عمیق، مد نظر قرار گرفته است. علت اصلی انتخاب الگوریتم‌های یادگیری عمیق به جای روش‌های کلاسیک آماری، نرمال نبودن داده‌ها و حجم بزرگ نمونه‌ها بوده است. این مشکلات می‌توانند باعث عدم دقت تخمین‌ها و ناپایداری تحلیل‌ها شوند. از طرفی، توانمندی‌های منحصر به فرد الگوریتم‌های یادگیری عمیق در تجزیه‌وتحلیل داده‌های پیچیده و استخراج ویژگی‌های معنادار از داده‌های گسترده تولید روغن‌موتور، دلیل اصلی بر انتخاب این الگوریتم‌ها است.روش­‌ها: در این پژوهش، به‌منظور افزایش دقت و کنترل کیفیت مؤثر، از الگوریتم‌های یادگیری عمیق ترکیبی از جمله شبکه عصبی با حافظۀ طولانی -کوتاه مدت و شبکه  عصبی پیچشی، LSTM-CNN و شبکه باقیمانده ـ شبکه عصبی پیچشی متصل و ResNet-DenseNet برای کنترل مؤلفه‌های کیفی استفاده‌ شده است. در این پژوهش، با توجه به نیاز به تحلیل و کنترل داده‌های پیچیده و چندمتغیره، از الگوریتم LSTM-CNN برای کنترل کیفی متغیرهای عددی و تشخیص الگوهای زمانی و توالی در داده‌ها استفاده شده است. همچنین، برای مدیریت و تجزیه و تحلیل داده‌های بصری که توزیع‌های غیریکنواخت و پیچیده‌ای دارند، از الگوریتم ResNet-DenseNet استفاده شده است. این الگوریتم‌ها با استفاده از ترکیبی از شبکه‌های عصبی با حافظه طولانی- کوتاه‌مدت و شبکه‌های پیچشی، قادر به استخراج ویژگی‌های معنادار و ارتباطات پیچیده میان داده‌ها هستند، که این امر باعث بهبود عملکرد و کارایی در فرایندهای کنترل کیفیت و تصمیم‌گیری هوشمند می‌شود. این روش قادر به تشخیص الگوهای پنهان و ارتباطات پیچیده بین متغیرها و ویژگی‌های کیفیتی موجود در داده‌ها است و قابلیت بهبود فرایندهای کنترل کیفیت و تصمیم‌گیری هوشمند را تسهیل می‌کند.یافته­‌ها: ترکیب قابلیت‌های این الگوریتم‌ها، عملکرد فرایند کنترل کیفیت را بهبود می‌بخشد و نتایج بهتری نسبت به روش‌های تک­الگوریتمی به­دست می‌آورد؛ به‌علاوه از الگوریتم کلونی زنبورعسل (GBC) برای تنظیم پارامترهای الگوریتم‌های یادگیری عمیق LSTM-CNN و ResNet-DenseNet استفاده ‌شده است. این الگوریتم به‌عنوان یک رویکرد ترکیبی عمل می‌کند و از مزایای الگوریتم کلونی زنبور عسل مصنوعی(ABC) و الگوریتم ژنتیک (GA) بهره می‌برد. این ترکیب به میزان زیادی عملکرد الگوریتم‌های یادگیری عمیق را در فرایندهای کنترل کیفیت بهبود می‌بخشد و زمان رسیدن به نتیجه مطلوب را کاهش می دهد. به‌منظور نمایش کاربرد عملی الگوریتم‌های ارائه‌شده در جهان واقعی، یک مطالعه موردی از صنعت تولید روغن‌موتور بررسی شده است. الگوریتم ترکیبی LSTM-CNN پیشنهادی در فرایند تشخیص خطا، نتیجه بهتری نسبت به الگوریتم‌های تکی CNN  و LSTM داشته و عملکرد نتایج را به­ترتیب به­میزان 15 و 8 درصد ارتقا داده است؛ همچنین در مؤلفه‌های تصویری، الگوریتم ترکیبی پیشنهادی ResNet-DenseNet نسبت به الگوریتم‌های ResNet و DenseNet به ترتیب با دقت بالاتری، به میزان 10 و 15 درصد عمل کرده است.نتیجه‌­گیری: از نظر علمی و عملی، در این پژوهش تأثیر الگوریتم‌های یادگیری عمیق در بهبود کیفیت و کارایی روغن‌موتور را مورد بررسی قرار گرفته و از روش‌های پیشرفته تجزیه‌وتحلیل داده، به‌ویژه الگوریتم‌های ترکیبی عمیق، برای شناسایی الگوهای کیفی در داده‌های تولید استفاده شده است.