• 한국정밀공학회지
• /
• 제15권3호
• /
• pp.50-60
• /
• 1998

This paper is concerned with the design of two residual control charts for real-time monitoring of the continuous flow processes. Two different control charts are designed under the situation that observations are correlated each other. Kalman-Filter based model estimation is employed when the process model is known. A black-box approach, based on Back-Propagation Neural Network, is also applied for the design of control chart when there is no prior information of process model. Performance of the designed control charts and traditional control charts is evaluated. Average run length(ARL) is adopted as a criterion for comparison. Experimental results show that the designed control chart using the Neural Network's modeling has shorter ARL than that of the other control charts when process mean is shifted. This means that the designed control chart detects the out-of-control state of the process faster than the others. The designed control chart using the Kalman-Filter based model estimation also has better performance than traditional control chart when process is out-of-control state.

• 한국지능시스템학회논문지
• /
• 제10권5호
• /
• pp.487-496
• /
• 2000

본 논문에서는, HCM 클러스러팅 방법과 유전자 알고리즘을 이용하여 다중 FNN 모델을 동정하고 최적화 한다. 제안된 다중 FNN은 Yamakawa의 FNN을 기본으로 하며, 퍼지 추론 방법으로 간략 추론을, 학습으로는 오류 역전파 알고리즘을 사용한다. 다중 FNN 모델의 구조와 파라미터를 동정하기 위해 HCM 클러스터링과 유전자 알고리즘을 사용한다. 여기서, 시스템 모델링을 위해 데이터 전처리 기능을 수행하는 HCM클러스터링 방법은 I/O 프로세서 공정 데이터를 이용하여 입출력 공간분할에 의한 다중 FNN 구조를 결정하기 위해 사용된다. 또한 유전자 알고리즘을 사용하여 멤버쉽함수의 정점, 학습율, 모멘텀 계수와 같은 다중 FNN 모델의 파라미터들을 동조한다. 모델의 근사화와 일반화 능력 사이에 합히적 균형을 얻기 위해 하중계수를 가진 합성 성능지수를 사용한다. 이 합성 성능지수는 근사화 및 예측 능력사이의 상호 균형과 의존성을 고려한 하중계수를 가진 합성 목적함수를 의미한다. 데이터 개수, 비선형성의 정도에 의존하는 이 합성 목적함수의 하중계수의 선택, 조절을 통하여 최적의 다중 FNN 모델을 설계하는 것이 유용하고 효과적임을 보인다. 제안된 모델의 성능 평가를 위하여 가스로 공정의 시계열 데이터와 비선형 함수의 수치 데이터를 사용한다.

• 한국지능시스템학회논문지
• /
• 제10권4호
• /
• pp.343-350
• /
• 2000

본 논문에서는, 최적 시스템을 위해서 FNN과 PNN에 기반을 둔 Multi-FPNN(다중 퍼지 다항식 뉴럴네트워크) 모델을 제안한다. 여기서 FNN 구조는 각각의 분리된 입력변수에 의해 분할된 퍼지 입력공간을 사용해서 설게되고, 간략 퍼지추론 방법과 오류 역전파 알고리즘을 이용한다. FNN은 더 좋은 출력성능을 얻기 위해 PNN과 결합한다. GMDH 방법에 기초한 PNN 구조의 각 노드는 1차 및 2차 고계 다항식의 두 형태를 사용하고, 그 노드의 입력의 입력은 2, 3, 4의 세 종류의 다변수 입력을 사용한다. 그리고 다중 FPNN 모델의 구조와 파라미터를 동정하기 위햐 HCM 크러스터링방법과 유전자 알고리즘을 사용한다. 여기서, 시스템을 위해 데이터 전처리 기능을 수행하는 HCM 클러스터링 방법은 입출력 공간분할에 의해 다중 FPNN 구조를 결정하기 위해 사용된다. 모델의 근사화와 일반화 능력 사이에 충분한 군형을 ？기 위해 하중계수를 가진 합성 성능지수(목적함수)를 사용한다. 데이터 개수, 비선형의 정도(입.출력 데이터 분포)에 위존하는 이 합성 목적함수의 하중계수의 선택 및 조절을 통하여 최적의 다중 FPNN모델을 설계하는 것이 유용하고 효과적임을 보인다. 본 연구는 두 개의 대표적 수치예의 도움으로 설명되고, 그 모델의 근사화 및 일만화 능력에 관련된 합성 성능 지수가 평가되고, 도한 토의된다.