SEARCH RESULT

It is often not easy to obtain results from complex processes multi variables. Additional techniques and methods are needed to guide. In this study, after the detecting the out of control and under control samples with Hotelling T2 control chart in a multivariate manufacturing process then machine learning algorithms was used to predict the quality of future samples. Four machine learning algorithms were trained and tested by shifts of different magnitude from the process average. The performances of the algorithms were compared according to the accuracy and error rates of the predictions and the most appropriate one was chosen as Multilayer Perceptron.

International Data Science & Engineering Symposium
IDSES

Deniz DEMİRCİOĞLU DİREN Semra BORAN Seda Hatice GÖKLER

Üretim süreçlerindeki karmaşık yapı süreçlerin yönetilmesini güçleştirmektedir. İşletmelerin rekabet unsuru olan kaliteli ürünlerin üretilebilmesi için bu proseslerin etkin yönetilmesini sağlayacak daha gelişmiş yöntemlere olan ihtiyaç da bu nedenle artış göstermektedir. Karmaşık süreçlerde kalitenin etkin kontrolü çok değişkenli kalite kontrol diyagramları aracıyla yapılabilmektedir. Ancak çok sayıda değişkenin eş zamanlı etki ettiği üretim süreçlerinde ortaya çıkan kontrol dışı durumun hangi değişkenden kaynaklandığını belirlemek oldukça zordur. Prosesleri kontrol altına almak için yapılacak iyileştirmeler değişkenliğin azaltılması ve ortadan kaldırılmasını içerdiğinden doğru değişken/leri belirlemek oldukça önemlidir. Bu çalışmada önce Mason-Young-Tracy (MYT) ayrıştırma yöntemi ile prosesi kontrol dışı yapan değişken/ler belirlendikten sonra bunların ortadan kaldırılması ile ilgili uzman sistem yaklaşımı esas alan bir model geliştirilmiştir. Amaçlanan modelin geçerliliği bir örnek uygulama ile gösterilmektedir.

International Symposium on Industry 4.0 and Applications
ISIA

Semra BORAN İhsan Hakan Selvi Deniz DEMİRCİOĞLU DİREN