Pemanfaatan Machine Learning Techniques untuk Peningkatan Penerimaan Sampel

1. Pemanfaatan Machine Learning Techniques untuk Peningkatan Penerimaan Sampel Nama : DewiSaraswati Nim : 061819 Jurusan : T. Industri

2. PENDAHULUAN • Kualitas adalah metrik yang kesempurnaan. Sesuai dengan standar internasional ISO 9000,interpretasi yang berkualitas adalah gelar yang satu set melekat karakteristik tertentu yang memenuhi persyaratan yang ditetapkan. • Secara keseluruhanprosedur harus diulang sebanyak jumlahvariabel, yang pada gilirannya akan meningkatkan waktu yang signifikan diperlukan untuk melengkapi produkinspeksi.Akhirnya,kualitas insinyur yang bertanggung jawab atas keputusan penerimaan atau penolakan suatu produk yang menggunakan tandar yang mungkin tidak akurat mengacu pada nilai dari inspeksi parameter dinilai setiap kali, sehingga menghasilkan sebuah berkompromi dengan nilai-nilai yang diberikan oleh standar (standar merujuk pada kisaran nilai). • Bertujuan untuk meningkatkan proses, makadiusulkan metodologi yang inovatif untuk keputusan penerimaan atau penolakan dari sampel, dengan pelatihan yang benar Artificial Neural Jaringan (ANNs) dengan data dari standar yang berbeda, untuk sampel dengan satu atau lebih variabel, dan untuk berbagai Kualitas penerimaan Levels (AQLs).

3. PENERIMAAN Sampling • Latar Belakang Masalah • Tujuan dari AS adalah penerimaan atau penolakan suatu contoh produk berdasarkan kepatuhan standar tertentu. • AS termasuk dua pendekatan, yaitu Penerimaan Sampling oleh Atribut (ASA) dan ASV [8]. Adalah mantan diikuti ketika item inspeksi mengarah ke biner hasil (baik adalah conforming item atau non-conforming), atau jumlah non-conformities dalam item dihitung. Yang terakhir digunakan ketika item inspeksi mengarah ke sebuah pengukuran, yang merupakan kasus yang terjadi lebih sering.

4. Contoh n diambil dari banyak dan berarti nilai x dari sampel, sepertijuga indikator ZL = (x - L) / σ, yang memberi jarak dan L di antara jumlah standar penyimpangan yang dihitung (di mana L merujuk ke spesifikasi yang lebih rendah dan batas ke σ standar deviasi dari variabel). Jika indikator ZL lebih besar sama atau lebih penting jarak k, maka sampel yang diterima; sebaliknya, ia menolak. Jarak k mendefinisikan langsung yang persentase non-conforming produk yang diterima ditetapkan dengan kemungkinan. • Parameter lain yang penting adalah tingkat inspeksi, yang mendefinisikan hubungan antara banyak ukuran N dan ukuran sampel n.

5. Penerimaan Sampel kaya dengan Mesin Belajar • Sebagai parameterdari sampel rencana harus integers, solusinya harus optimal dalam setiap kasus.Ukuran sampel dan angka penerimaan yang ditentukan oleh pelatihan ANNs dengan data dari skema tabled sampel, untuk normal, dikurangi dan tightened pemeriksaan. Kontribusi dari pendekatan ini adalah desain dari rencana untuk setiap sampel diperlukan nilai AQL banyak dan ukuran.

6. Usulan METODOLOGI • Usul ini bertujuan untuk menghilangkan kesulitan mengajukan permohonan ASV. Tujuan utama adalahotomatis untuk proses membaca standar, sedangkan pemberian ditutup-bentuk solusi untuk setiap AQL dan untuk tingkat inspeksi. Metodologi yang dapat diulang untuk banyak variabel yang diperlukan. • Menurut yang diusulkan metodologi, yang penting jarak dari k acak sampel dihitung oleh ANNs. ANNs yang dilatih dengan cara yang fungsional hubungan antara discrete input dua atribut (ukuran sampel dan AQL) dan output k adalah approximated. Prosedur yang sama dapat diulang untuk berbagai standar dan tingkat pemeriksaan, sehingga set ANNs berbeda dapat digunakan dalam setiap kasus. Apapun standar yang dipilih setiap waktu, yang sesuai adalah ANNsdikembangkan.

7. Contoh dari standar MIL STD 414 dapat dilihat pada TabelI.

8. Untuk pelaksanaan metodologi yang diusulkan, maka pilihan yang tepat standar serta pemeriksaan tingkat harus ditentukan.Setelah penentuan umum pemeriksaan parameter, informasi lebih lanjut harus dimasukkan. Ini termasuk: ukuran sampel n, jumlah variabel, yang mean dan σ untuk setiap variabel, dan untuk AQL batas atas dan bawah (atau salah satu dari dua yang ada), untuk semua variabel.

9. Numerical EXAMPLES • Contoh 1. Banyak 600 axles harus ditelitiuntukpenerimaan atau penolakan. Dasar untuk variabel keputusanadalahyang gandar dari diameter yang mengikuti distribusi normaldengan tidak diketahui variabilitas. Membiarkan spesifikasi kasus dibawahpertimbangan menetapkan batas rendah L = 44,8 mm dan batas atas U = 45,2 mm. Batas atas yang lebih penting, yang tercermin dalam nilai-nilai AQLL dan AQLU: membiarkan AQLL = 1,5 dan AQLU = 0,65. Dari ukuran sampel dari n = 20 axles, itu yang dihitung x = 44,96 cm dengan σ = 0,09 cm. Itu sampel dicentang untukpenerimaan atau penolakan berdasarkan kriteria MIL STD 414. Akhirnya, mari tingkat inspeksi sebagai satu normal. Yang dilatih oleh ANNeasyNN-plusmemberikan KL = kU = 1,687 dan 1,971 untuk data kasus ini. The interkoneksi dari node yang dilatih ANN,bersama-sama dengan data yang terkait, yang digambarkan disamping.

10. Menunjukkan salahsatubagian dari pelatihanmenetapkan kesalahan (dalam kasus dijelaskan di sini, pelatihan ditetapkan terdiri dari 99 data tuples,sementaratarget yang ditetapkan untuk kesalahan 0,001; tuples semua yang di bawahtarget error).

11. Setelah perhitungan KL dan kU dari ANN terlatih, maka nilai-nilai dan ZL zu adalah computed. • Berdasarkan prosedur yang dijelaskan dalam Bagian II, dan sejakZL> KL dan zu> kU, sampel diterima.

12. Contoh 2. Banyak jenis tertentu kabel sedang diperiksa terhadap duavariabel. Yang pertama adalah produk perlawanan yang tidak bolehmelebihi U1 = 60 Ω / km, dan kedua adalah diameter-nya, yang seharusnya tidak melebihi U2 = 30 cm. Kedua variabel mengikuti distribusi normal dengan Tidak diketahui variabilitas. Dari yang banyak, sesuaidengan kriteria MIL STD 414, contoh dari 10 kabel dilakukan. Nilai rata-rata perlawanan yang diukur untuk x = 56,85 Ω / km dengan σ = 1,8 Ω / km dan rata-rata nilai diameter diukur untuk x = 25 cm dengan σ = 2 cm. Sampel dicentang untuk penerimaan atau penolakan berdasarkan kriteria MIL STD 414. Itu produk perlawanan dianggap lebih penting daripada para diameter, yang tercermin dalam nilai-nilai dan AQLU1 AQLU2: membiarkan AQLU1 = AQLU2 = 0,7 dan 0,9. Tingkat Pemeriksaan yang biasa adalah satu. Menggunakan ANN sudah dilatih dalam contoh sebelumnya (standar yang sama maupun yang sama tingkat inspeksi adalah digunakan), maka nilai-nilai kU1 dan kU2 direkam (kU1 dan kU2 terkait dengan produk dari perlawanan dan diameter, masing-masing). Yang dilatih oleh ANN easyNN-plus memberi kU1 = 1,812 dan kU2 = 1,746. Nilai-nilai yang ZU1 dan ZU2 adalah: • Berdasarkan prosedur yang dijelaskan dalam Bagian II, dan sejak ZU1 <kU1 dan ZU2> kU2, sampel tidak diterima.

13. DISKUSI - KESIMPULAN • Diusulkanmetodologi yang inovatif untuk ASV, yang memainkan peran penting dalam keseluruhan kualitasdari sebuah perusahaan. Secepat ASV rencana yang dirancang, yang kualitas insinyur harus memutuskan (berdasarkan kriteria yang sesuai standar) jika sampel yang diambil dari banyak adalah diterima atau ditolak. Usulan metodologi yang alleviates beban standarsedform solusi untuk setiap nilai AQL, bahkan bagi mereka yang tidak termasuk dalam standar. Selain itu, tidak termasuk rumit dan perhitungan yang berlebihan, dan memberikan mudah solusi, sehingga kualitas inspeksi tugas yang lebih mudah, sejauh sebagai upaya, biaya dan waktu yang bersangkutan. Selain itu, metodologi yang diusulkan dapat dieksploitasi oleh laymen, sejak paraaplikasi tidak memerlukan pengetahuan mendalam dalam ANNs dan prosedur pemeriksaan sampel. Dalam semua contoh skema rencana, rencana sampling yang tersedia terbatas untuk jumlah nilai AQL dan ukuran sampel.

14. Tabel II menunjukkan bagaimana AQL nilai dikompromi untuk mereka yang standar. Dalam metodologi yang diusulkan, tidak ada kompromi yang diperlukan. Jarak k (yang merupakan faktor kunci yang menerima atau penolakan sampel berdasarkan ASV prosedur yang digunakan dalam makalah ini) dihitung untuk setiap nilai discrete AQL, sehingga mengurangi kemungkinan palsu keputusan setelah mengorbankan dengan standar.In any case, keterbatasan metodologi yang diusulkan, yang merupakan warisan dari ASV prosedur diadopsi (sebagai dijelaskan dalam Bagian II), adalah bahwa kualitas variabel di bawah inspeksi harus mengikuti distribusi normal. Bekerja arah masa depan yang peduli pada penyuburan diusulkan dengan metode belajar lainnya mesin teknik untuk bantuan keseluruhan kualitas proses. Misalnya, pohon keputusan dapat digunakan untuk mendiagnosa yang penyebab non-conformities dari sampel yang ditolak, dan menunjukkan intervensi yang sesuai dalam proses manufaktur

15. SEKIAN TERIMA KASIH