Identifying Product and Process State Drivers in Manufacturing Systems Using Supervised Machine Learning

این کتاب در مورد رویکردی جدید برای شناسایی جامع محرک‌های حالت مربوطه سیستم‌های تولیدی پیچیده و چند مرحله‌ای گزارش می‌دهد. این رویکرد قادر است از مجموعه داده‌های پیچیده، متنوع و با ابعاد بالا که اغلب در برنامه‌های کاربردی تولید رخ می‌دهند، استفاده کند و فرآیندهای مهم درون و روابط متقابل را یکپارچه کند. این رویکرد با استفاده از سه سناریو از حوزه‌های مختلف تولیدی (هوایی، شیمیایی و نیمه‌رسانا) ارزیابی شده است. نتایج، که به تفصیل در این کتاب گزارش شده‌اند، تأیید می‌کنند که می‌توان با استفاده از رتبه‌بندی ویژگی مبتنی بر SVM، روابط درونی و متقابل فرآیند ضمنی را در هر دو سطح فرآیند و برنامه ترکیب کرد. در عمل، از این روش می توان برای شناسایی مهم ترین پارامترهای فرآیند و ویژگی های حالت، به اصطلاح محرک های حالت، یک سیستم تولیدی استفاده کرد. با توجه به در دسترس بودن روزافزون داده ها و اطلاعات، این پشتیبانی انتخاب می تواند به طور مستقیم در نظارت بر کیفیت و کنترل فرآیند پیشرفته مورد استفاده قرار گیرد. نکته مهم این است که این روش نه محدود به محصولات خاص، فرآیندها یا سیستم های تولیدی است و نه به مفاهیم کیفیت خاص.

The book reports on a novel approach for holistically identifying the relevant state drivers of complex, multi-stage manufacturing systems. This approach is able to utilize complex, diverse and high-dimensional data sets, which often occur in manufacturing applications, and to integrate the important process intra- and interrelations. The approach has been evaluated using three scenarios from different manufacturing domains (aviation, chemical and semiconductor). The results, which are reported in detail in this book, confirmed that it is possible to incorporate implicit process intra- and interrelations on both a process and programme level by applying SVM-based feature ranking. In practice, this method can be used to identify the most important process parameters and state characteristics, the so-called state drivers, of a manufacturing system. Given the increasing availability of data and information, this selection support can be directly utilized in, e.g., quality monitoring and advanced process control. Importantly, the method is neither limited to specific products, manufacturing processes or systems, nor by specific quality concepts.