AbstractIn order to predict product

Abstract

In order to predict product quality and optimize production process, the product quality models need to be built. However, there are complex nonlinear relationship among the product quality parameters and the production process variables. The common methods cannot model the production process with high accuracy and the prediction intervals cannot be given by those methods. In contrast, the kernel methods can transform the original input data into a feature space via kernel function, and then the linear methods can be used to resolve the nonlinear problem accurately. Moreover, the relevance vector machine as a kernel method can give the prediction intervals, and wavelet kernel can inherit the ability of local analysis and feature extraction from the wavelet function. The product quality models based on wavelet relevance vector machine are proposed in this paper. A simulation data set, two chemistry data sets and a real field data set of zinc coating weights from strip hot-dip galvanizing are used to validate the model. The results demonstrate that the model based on wavelet relevance vector machines has a higher prediction precision than the common methods such as partial least squares(PLS), orthogonal signal correction-partial least squares(OSC-PLS), Quadratic-PLS, kernel partial least squares(KPLS), orthogonal signal correction-kernel partial least squares(OSC-PLS), least squares-support vector machines (LS-SVM) and ordinary relevance vector machines(RVM). The prediction intervals are also given by the presented model. Mexican, Morlet and Difference of Gaussian (DOG) wavelet relevance vector machines (WRVMs) for multi-group data show superior prediction performance compared to other methods mentioned above.

ผลลัพธ์ (ไทย) 1:

บทคัดย่อการทำนายคุณภาพของผลิตภัณฑ์ และเพิ่มประสิทธิภาพกระบวนการผลิต รุ่นผลิตภัณฑ์ที่มีคุณภาพจำเป็นต้องสร้าง อย่างไรก็ตาม มีความสัมพันธ์ไม่เชิงเส้นที่ซับซ้อนระหว่างพารามิเตอร์คุณภาพผลิตภัณฑ์และตัวแปรของกระบวนการผลิต วิธีการทั่วไปไม่สามารถจำลองกระบวนการผลิต มีความแม่นยำสูง และไม่กำหนดช่วงพยากรณ์ โดยวิธีเหล่านั้น ในทางตรงกันข้าม วิธีเคอร์เนลสามารถแปลงข้อมูลการป้อนเข้าที่เดิมเป็นพื้นที่คุณลักษณะผ่านฟังก์ชันเคอร์เนล และสามารถใช้วิธีการเชิงแก้ไขปัญหาไม่เชิงเส้นถูกต้องแล้ว นอกจากนี้ เครื่องเวกเตอร์เกี่ยวข้องเป็นวิธีเคอร์เนลจะพยากรณ์ช่วงเวลา และ wavelet เคอร์เนลสามารถสืบทอดความสามารถของเครื่องวิเคราะห์และแยกลักษณะการทำงานจากฟังก์ชัน wavelet รุ่นคุณภาพผลิตภัณฑ์ตามเครื่อง wavelet เกี่ยวเวกเตอร์มีการนำเสนอในเอกสารนี้ ชุดข้อมูลจำลอง ค่าเคมี และชุดข้อมูลฟิลด์จริงน้ำหนักเคลือบสังกะสีจากแถบแบบจุ่มร้อนจะใช้ในการตรวจสอบรูปแบบ ผลลัพธ์แสดงให้เห็นว่า แบบตาม wavelet เกี่ยวเวกเตอร์เครื่องมีความแม่นยำพยากรณ์สูงกว่าวิธีทั่วไปเช่นบางส่วนอย่างน้อย squares(PLS), orthogonal สัญญาณบางส่วนแก้ไขอย่างน้อย squares(OSC-PLS) กำลังสอง-PLS เมล็ดบางส่วน squares(KPLS) สัญญาณ orthogonal เคอร์เนลการแก้ไขบางส่วนอย่างน้อยอย่างน้อย squares(OSC-PLS) เครื่องเวกเตอร์สนับสนุนกำลังสองน้อยที่สุด (LS-SVM) และเกี่ยวข้องธรรมดาเวกเตอร์ machines(RVM) ยังได้คาดการณ์ช่วงเวลา โดยรูปแบบการนำเสนอ เม็กซิกัน Morlet และความแตกต่างของ Gaussian (สุนัข) wavelet เกี่ยวเวกเตอร์เครื่อง (WRVMs) สำหรับข้อมูลการจัดกลุ่มหลายห้องทำนายประสิทธิภาพเปรียบเทียบกับวิธีอื่น ๆ ดังกล่าวข้างต้นที่แสดง

ผลลัพธ์ (ไทย) 3:

นามธรรม

เพื่อทำนายคุณภาพของผลิตภัณฑ์และเพิ่มประสิทธิภาพของกระบวนการผลิต คุณภาพสินค้า รูปแบบจะต้องสร้าง อย่างไรก็ตาม มีความซับซ้อนเชิงเส้นความสัมพันธ์ระหว่างพารามิเตอร์ตัวแปรคุณภาพผลิตภัณฑ์และกระบวนการผลิต วิธีการทั่วไปไม่สามารถแบบจำลองกระบวนการผลิตที่มีความถูกต้องสูงและการทำนายช่วงเวลาไม่สามารถได้รับโดยวิธีการเหล่านั้น ในทางตรงกันข้ามเคอร์เนลวิธีการแปลงข้อมูลที่เป็นต้นฉบับในลักษณะพื้นที่ผ่านฟังก์ชันเคอร์เนล , และจากนั้นวิธีการเชิงเส้นที่สามารถใช้ในการแก้ไขปัญหาเส้นได้อย่างถูกต้อง นอกจากนี้ ที่สำคัญเวกเตอร์เครื่องเป็นเคอร์เนลวิธีสามารถทำนาย ช่วงเวลาและวิธีการเคอร์เนลสามารถสืบทอดความสามารถในการวิเคราะห์ท้องถิ่นและการสกัดคุณลักษณะจากฟังก์ชันการแปลงเวฟ .คุณภาพของผลิตภัณฑ์ขึ้นอยู่กับวิธีการแบบเวกเตอร์เครื่องมีความเกี่ยวข้องที่นำเสนอในบทความนี้ จำลองชุดข้อมูลสองชุดข้อมูลทางเคมีและสนามจริงข้อมูลชุดของน้ำหนักจากแถบเหล็กชุบสังกะสีชุบสังกะสีแบบจุ่มร้อนจะใช้ในการตรวจสอบรูปแบบผลลัพธ์ที่แสดงให้เห็นว่า รูปแบบตามเวฟเครื่องเวกเตอร์ Ltd ได้สูงกว่าการคาดการณ์ที่แม่นยำกว่าวิธีทั่วไปเช่นกำลังสองน้อยที่สุดบางส่วน ( PLS ) แก้ไขสัญญาณ Orthogonal บางส่วน Least Squares ( osc-pls ) กำลังสอง กรุณา เคอร์เนลบางส่วน Least Squares ( kpls ) ซึ่งสัญญาณแก้ไข Kernel บางส่วน Least Squares ( osc-pls )อย่างน้อยสนับสนุนเครื่องเวกเตอร์ ( ls-svm ) และเครื่องเวกเตอร์ความเกี่ยวข้องธรรมดา ( rvm ) พยากรณ์ช่วงเวลาที่ยังมีให้ โดยนำเสนอแบบ เม็กซิกัน , morlet และความแตกต่างของเกาส์ ( สุนัข ) เครื่องเวฟเวกเตอร์ Ltd ( wrvms ) สำหรับข้อมูลหลายกลุ่มแสดงประสิทธิภาพที่เหนือกว่าการคาดการณ์เมื่อเปรียบเทียบกับวิธีการอื่น ๆที่กล่าวถึงข้างต้น