به کارگیری شبکه های عصبی در فناوری گروهی و مقایسه با نتایج روش های خوشه‌بندی k میانگین، ضریب شباهت و آرایش رتبه ای

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشیار، دانشگاه فردوسی مشهد.

2 دانشجوی دکتری، پردیس دانشگاه فردوسی.

چکیده

مهمترین مسئله هنگام پیادهسازی فناوری گروهی در واحدهای صنعتی، در درجهیاول تشکیل خانوادهی قطعات و دستهبندی قطعات براساس آن و در مرحله دوم حفظ سازگاری و ثبات این دستهبندی در طول زمان است. برای دستهبندی قطعات، رویکردهای مختلفی وجود دارد و اگر رویکرد استفاده از خصوصیات قطعات برای دستهبندی آنها مورد استفاده قرار گیرد، اولین و مهمترین گام، طراحی و پیاده‌سازی ساختاری برای کدگذاری و شناخت قطعات براساس خصوصیات آنها است. در این  پژوهش، کاربرد یک شبکه عصبی پسانتشار برای دستهبندی قطعات درقالب یک مطالعهی موردی برای پینهای کانکتورها و براساس خصوصیات آنها مورد بررسی قرار گرفته و نتایج حاصل از آن با دستهبندیهای صورتگرفته توسط تحلیل خوشهای K میانگین، روش ضریب شباهت و خوشهبندی آرایش رتبهای (ROC) برای همان قطعات مقایسه شده است. نتایج نشاندهنده قابلیت شبکههای عصبی برای دسته‌بندی قطعات براساس خصوصیات آنها و برتری آن نسبت به روش تحلیل خوشهای K میانگین است.

کلیدواژه‌ها


عنوان مقاله [English]

Implementation of Neural Networks in Group Technology and Its Comparison to the Results of K-means, Similarity Coefficient Method and Rank Order Clustering

نویسندگان [English]

  • Ali Reza Pooya 1
  • Ehsan Javan Rad 2
1 Associate professor, Ferdowsi University of Mashhad.
2 PhD. Student, Ferdosi University.
چکیده [English]

The most important problem during implementation of group technology in industrial units is firstly, part family formation and grouping parts according to it and secondly, achieving consistency during the time. There are different methods for grouping of parts. When we use part attributes for grouping. The first and the most important stage is designing of a part coding system and identification of parts on the basis of it. This paper  investigated application of a back propagation neural network in part grouping for connectors pins and their attributes.And its results were compared to grouping results of K-means cluster analysis, similarity coefficient method and ROC method. Finally the results showed the capability of neural networks for parts grouping on the basis of their attributes and preference of neural networks to K-meanscluster analysis.

کلیدواژه‌ها [English]

  • Neural Networks
  • Group Technology
  • Parts Coding and Classification