ارزیابی کیفیت محصولات تولیدی با ارائه رویکردی مبتنی بر شبکه عصبی ـ فازی ANFIS (مورد مطالعه: شرکت تولیدی و صنعتی خزر پلاستیک)

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری، گروه مدیریت، دانشکده مدیریت و اقتصاد، دانشگاه گیلان، گیلان، ایران.

2 دانشیار، گروه مهندسی عمران، دانشکده فنی و مهندسی، دانشگاه گیلان، گیلان، ایران.

3 دانشیار، گروه مدیریت، دانشکده مدیریت و اقتصاد، دانشگاه گیلان، گیلان، ایران.

10.48308/jimp.14.1.114

چکیده

مقدمه و اهداف: در حال حاضر، گسترش تضمین کیفیت دقیق و سریع برای ارائه محصولات تولیدی با کیفیت بالا و ایمن ضروری است. کیفیت بیشتر بر مسائل درون سازمانی تمرکز دارد که برای کنترل و بهبود فرآیند‌های داخلی به‌­کار می‌رود و به‌­دنبال بهبود عملکرد به‌منظور رضایت مشتری و رقابت‌پذیری است. کیفیت حوزه‌ای است که بر تلاش برای توسعه روش‌های خودکار تجزیه‌وتحلیل داده‌ها با هدف نهایی بهبود مستمر کیفیت محصولات و فرآیند‌ها در صنعت، دولت و جامعه تأکید دارد. سیستم ارزیابی عملکرد کیفیت به‌شدت به شناسایی و انتخاب عوامل حیاتی موفقیت و همچنین شاخص‌های آن در چارچوب مدیریت کیفیت وابسته است. برای رسیدن به این هدف در صنعت تولید، مشکلاتی مانند بازده تولید پایین، دقت پایین و عدم‌­نوآوری در محصولات وجود دارد.
روش‌ها: بر این اساس، طرحی برای معرفی روش هوش مصنوعی به شرکت‌های تولیدی برای حل مشکلات ذکرشده و درنتیجه بهبود کیفیت محصولات و کارایی تولید پیشنهاد شده است. بدین منظور، شبکه‌ای مبتنی بر یک سیستم استنتاج عصبی ـ فازی تطبیقی برای ارزیابی و بررسی دقت نتایج و مقایسه کارایی آن ارائه شده است. روش پیشنهادی در تقابل با محاسبات سخت قرار می‌گیرد و موجب صرفه‌جویی در زمان و هزینه خواهد شد. در صنایع حجم داده‌ها افزایش ‌یافته است که به ظهور مفاهیم جدیدی مانند تجزیه‌و‌تحلیل داده‌های بزرگ منجر ‌شده است و محدودیت‌ها و مزایای راه‌حل‌های مبتنی بر هوش مصنوعی مورد­بحث قرار می‌گیرد تا توجه خلاقانه به راه‌حل‌های جدید و جهت‌گیری‌های جدید در صنایع تولیدی، تجاری و خدماتی برای بهبود کارایی فرآیند‌های خود، افزایش ارزش راه‌حل‌های خود و طراحی محصولات جدید برای یافتن مشاغل و بازار‌های جدید را برانگیزد. تقریباً تمام نقشه‌های راه بین‌المللی که بر نوآوری و پژوهش متمرکز شده‌اند، هوش مصنوعی را به‌عنوان محرک اساسی فناوری آینده در­برمی‌گیرند. یکی از چالش­‌های روش‌های سنتی در مدیریت کیفیت، مدیریت داده‌های تولیدی با ابعاد بالا و غیرخطی است. برای حل این مشکلات، فرآیندی مبتنی بر هوش مصنوعی برای بهبود کیفیت محصول و کارایی تولید در این پژوهش توسعه داده ‌شده است. در این پژوهش یک مدل استتنتاج عصبی ـ فازی تطبیقی که هم­زمان دارای مزایای شبکه عصبی و استنتاج فازی است، برای ارزیابی و استخراج درجه کیفیت محصولات تولیدی و برای استنباط اینکه چگونه مجموعه‌ای از پارامتر‌های تولید و کیفیت فرآیند یک سیستم تولید مرتبط هستند، پیشنهاد شده است.
یافته‌ها: به‌منظور آموزش مدل پیشنهادی از داده‌های مربوط به فرایند کیفیت یک قطعه از خط تولید «شرکت صنعتی خزر پلاستیک» استفاده شد و 550 داده مرتبط با فرایند کیفیت با تأکید بر متغیر‌هایی تأثیرگذار شامل«معیار ظاهری، قطر خارجی چرخ‌دنده بزرگ، ضخامت چرخ‌دنده، طول شافت فلزی، ارتفاع شافت فلزی، قطر خارجی شافت فلزی» به‌عنوان متغیر ورودی و کیفیت نهایی به‌عنوان متغیر خروجی در نظر گرفته‌ شد. درنهایت دقت نتایج و کارایی مدل استتنتاج عصبی ـ فازی تطبیقی پیشنهادی با استفاده از شاخص‌های آماری ضریب همبستگی و جذر میانگین مربعات خطا مورد‌ارزیابی قرار گرفت.
نتیجه‌گیری: با توجه به نتایج، داده‌های مورداستفاده برای ارزیابی کیفیت قطعه تولیدی در روش نرو فازی تطبیقی ـ پیشنهادی با ضریب همبستگی 95/0 و میانگین مربعات خطا 42869/0 تطابق خوبی بین کیفیت خروجی مدل و مقادیر واقعی ارائه داد.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Evaluating the Quality of Manufactured Products by Providing an Approach based on the ANFIS Neural-Fuzzy Network (Case Study: Khazar Plastic Manufacturing and Industrial Company)

نویسندگان [English]

  • Samaneh Rash 1
  • Meysam Effati 2
  • Mostafa Ebrahimpour 3
1 PhD student, Department of Management, Faculty of Management and Economics, University of Guilan, Guilan, Iran.
2 Associate Professor, Department of Civil Engineering, Technical and Engineering Faculty, University of Guilan, Guilan, Iran.
3 Associate Professor, Department of Management, Faculty of Management and Economics, University of Guilan, Guilan, Iran.
چکیده [English]

Introduction and Purpose: Currently, the need to expand accurate and rapid quality assurance to provide high quality and safe manufactured products; Yes, quality focuses more on internal issues that are used to control and improve internal processes and seek to improve performance for customer satisfaction and competitiveness. The quality of products and processes is emphasized in industry, government and society. The quality performance evaluation system is highly dependent on the identification and selection of critical success factors and its indicators in the framework of quality management. To achieve this goal, there are problems in the production industry, such as low production efficiency, low accuracy and lack of innovation in products.
Methods: Based on this, a plan has been proposed to introduce the artificial intelligence method of manufacturing companies to solve the above problems and, as a result, improve product quality and production efficiency. For this purpose, a network based on an adaptive neuro-fuzzy inference system is presented to evaluate the accuracy of the results and compare its efficiency. The proposed method is opposed to hard calculations and will save time and money. In industries, the volume of data has increased, which has led to the emergence of new concepts such as big data analytics, and the limitations and advantages of artificial intelligence-based solutions are discussed to creative attention to new solutions and new directions in manufacturing, commercial and service industries to improve efficiency. Stimulate your processes, increase the value of your solutions, and design new products to find new businesses and markets. Almost all international roadmaps focused on innovation and research include artificial intelligence as a fundamental driver of future technology. A challenge for traditional methods in quality management is the management of high-dimensional and non-linear production data. To solve these problems, a process based on artificial intelligence has been developed in this research to improve product quality and production efficiency. In this research, an adaptive neural-fuzzy inference model that has the advantages of neural network and fuzzy inference together, to evaluate and extracts the quality level of manufactured products; And it is proposed to infer how a set of production parameters and process quality of a production system are related.
Findings: In order to train the proposed model, the data related to the quality process of one piece from the production line of Khazar Plastic Industrial Company was used and 550 data related to the quality process with emphasis on influential variables including "appearance standard, external diameter of large gear, thickness of gear, The length of the metal shaft, the height of the metal shaft, the external diameter of the metal shaft" are considered as input variables and final quality as output variables. Finally, the accuracy of the results and the effectiveness of the proposed adaptive neuro-fuzzy inference model have been evaluated using statistical indices of correlation coefficient and root-mean-square error.
 Conclusion: the results show the data used to evaluate the quality of the production part in the adaptive-proposal neuro-fuzzy method; With a correlation coefficient of 0.95 and a mean square error of 0.42869, it provided a good match between the quality of the model output and the actual values.

کلیدواژه‌ها [English]

  • Adaptive Neuro-Fuzzy Inference System (ANFIS)
  • Supervised learning
  • Quality management
  • Improve quality
  • Production

مراجع

  1. Al-Marakeby, A., Aly, A., & Salem, F. A. (2013). Fast quality inspection of food products using computer vision, J. Adv. Res. Comput. Commun. Eng. 2, 4168–4171.
  2. Behfarnia, K., & Khademi, F. (2017). A comprehensive study on the concrete compressive strength estimation using artificial neural network and adaptive neuro-fuzzy inference system. J. Optim. Civil Eng. 7(1), 71-80.
  3. Da, F. (2000). Decentralized sliding mode adaptive controller design based on fuzzy neural networks for interconnected uncertain nonlinear systems. IEEE Transactions on Neural Networks, 11(6), 1471-1480.
  4. Eslmpanah, M. (2023). Identifying Strategies and Applicable Policies to Improve the Standardization and Quality Management System to Achieve the Vision of the Islamic Republic of Iran in the Horizon of 1404. The Journal of Industrial Management Perspective, 13(50), 187-210. DOI: 10.52547/JIMP. 13.2.187. (In Persian)
  5. Field, J.M., Sinha, K.K. (2005) Applying process knowledge for yield variation reduction: A longitudinal field study. Decision.
  6. Hopp W.J., & Spearman, M.L. (2011). Factory Physics, 3rd ed. (Waveland Press, Long Grove, IL).
  7. Huang, X. (2022). Application of artificial intelligence APP in quality evaluation of primary school science education. Educational Studies, 1-21.
  8. Ittner, C. D. (1994). An examination of the indirect productivity gains from quality improvement. Production and Operations Management, 3(3), 153-170.
  9. JE, D. (2001). Artificial neural networks: opening the black box. Cancer, 91, 1615-1635.
  10. Karamouz, S. S., Ahmadi Kahnali, R., & Ghafurnia, M. (2019). Performance Measurement of Supply Chain Quality Management by Combination Balanced Scorecard and System Dynamics. Journal of Industrial Management Perspective, 9(3, Autumn 2019), 165-193. (In Persian)
  11. Karimi, A., Darabi, R., Poor, F. M., & Moghadam, H. (2022). Predicting Information Quality Ranking with Factor Analysis and Artificial Intelligence Approach.
  12. Lin, C. T., & Lee, C. G. (1996). Neural fuzzy systems: a neuro-fuzzy synergism to intelligent systems, 205, Prentice hall PTR Upper Saddle River NJ,
  13. Long, G. J., Lin, B. H., Cai, H. X., & Nong, G. Z. (2020). Developing an artificial intelligence (AI) management system to improve product quality and production efficiency in furniture manufacture. Procedia Computer Science, 166, 486-490.
  14. Makridakis, S. (2017). The forthcoming Artificial Intelligence (AI) revolution: Its impact on society and firms. Futures, 90, 46-60.
  15. Malik, V., & Singh, S. (2020). Artificial intelligent environments: risk management and quality assurance implementation. Journal of Discrete Mathematical Sciences and Cryptography, 23(1), 187-195.
  16. Nelles, O., & Nelles, O. (2020). Nonlinear dynamic system identification (pp. 831-891). Springer International Publishing.
  17. Pedrycz, W. (1993). Fuzzy neural networks and neurocomputations. Fuzzy Sets and Systems, 56(1), 1-28.
  18. Prentice, C., Dominique Lopes, S., & Wang, X. (2020). The impact of artificial intelligence and employee service quality on customer satisfaction and loyalty. Journal of Hospitality Marketing & Management, 29(7), 739-756.
  19. Psarakis, S. (2011). The use of neural networks in statistical process control charts. Quality and Reliability Engineering International, 27(5), 641-650.
  20. Rajawat, A. S., Rawat, R., Barhanpurkar, K., Shaw, R. N., & Ghosh, A. (2021). Robotic process automation with increasing productivity and improving product quality using artificial intelligence and machine learning. In Artificial Intelligence for Future Generation Robotics (pp. 1-13). Elsevier.
  21. Schmenner, R. W., & Swink, M. L. (1998). On theory in operations management. Journal of operations management, 17(1), 97-113.
  22. Shahin, A., Janatyan, N., & Khodaparastan, M. (2021). Designing an Integrated Method for Increasing Quality of Product through Its Lifetime by Taguchi Design of Experiments and PAF Model (The Case of Entekhab Industrial Group). Journal of Industrial Management Perspective, 11(4), 37-57. (In Persian)
  23. Shewhart, W. A. (1926). Quality control charts. The Bell System Technical Journal, 5(4), 593-603.
  24. Somasundaram, M. J. K. M. S., Junaid, K. M., & Mangadu, S. (2020). Artificial intelligence (AI) enabled intelligent quality management system (IQMS) for personalized learning path. Procedia Computer Science, 172, 438-442.
  25. Taguchi, G. (1986). Introduction to Quality Engineering: Designing Quality into Products and Processes (Asian Productivity Organization, Tokyo).
  26. Weese, M., Martinez, W., Megahed, F. M., & Jones-Farmer, L. A. (2016). Statistical learning methods applied to process monitoring: An overview and perspective. Journal of Quality Technology, 48(1), 4-24.
  27. Woodall, W. H., & Montgomery, D. C. (2014). Some current directions in the theory and application of statistical process monitoring. Journal of Quality Technology, 46(1), 78-94.
  28. R. Huang (2019). Review and Prospect of New Generation Artificial Intelligence Research [J/OL]. Journal of Xinjiang Normal University (Philosophy and Social Sciences Edition), https://doi.org/10.14100/j. cnki. 65-1039/g4.20190312.001.
  29. H. Liang. Design of Intelligent Enterprise Management System Based on Big Data [J/OL]. Modern Electronic Technology,2019 (06): 158-161[
  30. Yadollahi, M. M., Benli, A., & Demirboga, R. (2017). Application of adaptive neuro-fuzzy technique and regression models to predict the compressive strength of geopolymer composites. Neural Computing and Applications, 28, 1453-1461.
  31. Zadeh, L.A. (1965). Fuzzy Sets, Information and control. California, 8(3), 338-353.
  32. Zantek, P. F., Wright, G. P., & Plante, R. D. (2002). Process and product improvement in manufacturing systems with correlated stages. Management Science, 48(5), 591-606.
  33. Zare Ahmedabadi, H., Habib, Safari Derbarzi, Mirghfouri, Seyyed Habibullah, Jafari Nadushan, & Masoud. (2021). Evaluation of the service quality of pharmaceutical distribution companies with the combined approach of Kano, Seroqual and artificial intelligence network. Scientific Quarterly of Standard and Quality Management, 10(4), 110-131.‎ (In Persian)
  34. Zhang, B., Huang, W., Li, J., Zhao, C., Fan, S., Wu, J. and Liu, C. (2014) Principles, Developments, and Applications of Computer Vision for External Quality Inspection of Fruits and Vegetables: A Review. Food Research International, 62, 326-343. https://doi.org/10.1016/j.foodres.2014.03.012.
  35. Zhang, S., Omar, A. H., Hashim, A. S., Alam, T., Khalifa, H. A. E. W., & Elkotb, M. A. (2023). Enhancing waste management and prediction of water quality in the sustainable urban environment using optimized algorithm of least square support vector machine and deep learning techniques. Urban Climate, 49, 101487.
  36. Zhang, Z., Zhang, K., & Khelifi, A. (2018). Multivariate time series analysis in climate and environmental research (p. 287). Cham: Springer International Publishing.
چشم‌انداز مدیریت صنعتی
دوره 14، شماره 1 - شماره پیاپی 53
فروردین 1403
صفحه 114-134

فایل ها

هم رسانی

ارجاع به این مقاله

آمار