• 한국시뮬레이션학회논문지
• /
• 제20권4호
• /
• pp.115-125
• /
• 2011

제품의 품질 수준 제고를 위해 통계적 공정 관리(SPC : Statistical Process Control)의 다양한 관리도가 기업의 생산 공정을 관리하는데 사용된다. 관리도에 기록되는 공정 데이터는 특정 요인(Assignable Cause)에 의한 이상이 발생했을 때 그 요인에 따라 서로 다른 패턴(Pattern)으로 변화한다. 이러한 패턴을 구별하는 관리도 패턴(CCP : Control Chart Pattern) 인식(Recognition)은 공정에 대한 관리자의 빠른 의사 결정을 위해 매우 중요하다. 앞 선 연구들은 수집되는 원 데이터를 가공 하지않고 그대로 사용하였기 때문에 인식기(Recognizer)의 성능과 학습 속도가 저하되는 문제점이 있었다. 따라서 최근 데이터의 차원 축소와 인식기의 성능 향상을 위해 특질 추출법(Feature Extraction)을 적용한 특질 기반 인식기(Feature based Recognizer)에 대한 연구가 활발히 진행 중이다. 본 논문은 BDK(Bi-Directional Kohonen Network)를 사용하여 CCP의 참조 벡터(Reference Vector)를 생성하고 참조 벡터와 CCP 데이터의 거리를 기반으로 하는 특질을 추출하였다. 추출된 특질을 인공 신경망 기반 인식기의 입력 벡터로 사용하여 학습하였으며 원 데이터를 사용하여 학습하는 인공신경망 인식기와 예측 정확도 비교를 통해 제안 알고리즘의 성능을 평가하였다.

• International Journal of Reliability and Applications
• /
• 제10권1호
• /
• pp.1-15
• /
• 2009

Even though the impact of manufacturing quality to reliability is not considered much as well as that of design area, a major cause of an early failure of the product is known as manufacturing problem. This research applies two different types of neural network algorithms, the Back propagation (BP) algorithm and Learning Vector Quantization (LVQ) algorithm, to identify and classify the nonrandom variation pattern on the control chart based on knowledge-based diagnosis of dimensional variation. The performance and efficiency of both algorithms are evaluated to choose the better pattern recognition system for auto body assembly process. To analyze hundred percent of the data obtained by Optical Coordinate Measurement Machine (OCMM), this research considers an application in which individual observations rather than subsample means are used. A case study for analysis of OCMM data in underbody assembly process is presented to demonstrate the proposed knowledge-based pattern recognition system.

• International Journal of Quality Innovation
• /
• 제2권1호
• /
• pp.30-49
• /
• 2001

This paper considers a recent environment in the manufacturing process in which data in large amounts can be obtained on-line in real-time. Under this environment an on-line real-time Statistical Process Control (SPC) scheme equipped with detection of a process change, change-point estimation, and recognition of the change pattern is proposed. The proposed SPC scheme is composed of a Cusum chart, filtering methods and Akaike Information Criterion (AIC). We examine the performance of this scheme by Monte Carlo simulation and show its usefulness.

• International Journal of Quality Innovation
• /
• 제1권1호
• /
• pp.81-88
• /
• 2000

• 한국컴퓨터정보학회논문지
• /
• 제7권1호
• /
• pp.174-183
• /
• 2002

본 연구에서는 자동화된 데이터의 수집과 자동화된 제조환경하에서 수행될 수 있는 공정관리도의 패턴양상에 대하여 인공지능의 대표적인 기법인 인공신경망을 이용하여 각 패턴의 인식과 이의 검증, 그리고 이상패턴의 발생상황을 모니터링할 수 있는 지능형 공정관리 시스템을 개발하는데 중점을 두었다 개발된 패턴인식시스템을 이용하여 공정의 상태를 관리하는 작업자의 부담을 한층 덜어줄 수 있으며 작업자는 공정에 이상패턴이 발생하는 경우에 패턴인식시스템을 통하여 공정상태에 대한 정보를 전달받을 수 있어서 지속적인 품질개선활동을 수행할 수 있게 된다.

• Smart Structures and Systems
• /
• 제14권3호
• /
• pp.377-395
• /
• 2014

Vibration-based fault detection and condition monitoring of rotating machinery, using statistical process control (SPC) combined with statistical pattern recognition methodology, has been widely investigated by many researchers. In particular, the discrete wavelet transform (DWT) is considered as a powerful tool for feature extraction in detecting fault on rotating machinery. Although DWT significantly reduces the dimensionality of the data, the number of retained wavelet features can still be significantly large. Then, the use of standard multivariate SPC techniques is not advised, because the sample covariance matrix is likely to be singular, so that the common multivariate statistics cannot be calculated. Even though many feature-based SPC methods have been introduced to tackle this deficiency, most methods require a parametric distributional assumption that restricts their feasibility to specific problems of process control, and thus limit their application. This study proposes a nonparametric multivariate control chart method, based on multiscale wavelet scalogram (MWS) features, that overcomes the limitation posed by the parametric assumption in existing SPC methods. The presented approach takes advantage of multi-resolution analysis using DWT, and obtains MWS features with significantly low dimensionality. We calculate Hotelling's $T^2$-type monitoring statistic using MWS, which has enough damage-discrimination ability. A bootstrap approach is used to determine the upper control limit of the monitoring statistic, without any distributional assumption. Numerical simulations demonstrate the performance of the proposed control charting method, under various damage-level scenarios for a bearing system.

• 대한토목학회논문집
• /
• 제34권3호
• /
• pp.747-754
• /
• 2014

마할라노비스 거리 이론에 기초한 통계적 패턴 인식 기술은 안정된 외부하중에 대한 구조물 상태 평가에 대한 유용성에도 불구하고 지진과 같이 큰 변동성의 외부하중에 대한 구조물의 건전도 모니터링에는 취약하다. 손상은 일반적으로 손상되지 않은 구조물의 측정된 값의 평균과 손상된 구조물의 측정값 사이의 차이에 의해 결정된다. 외부 하중의 변동성이 커질수록 더 큰 차이가 발생하고, 이는 손상으로 인식되기 쉽다. 본 논문에서는 이러한 문제를 극복하고 불확실한 외부 하중을 받는 구조물을 지속적으로 모니터링 할 수 있도록 외부 변동성을 감소시키기 위해 마할라노비스 거리 이론을 수정한 통계적 패턴 인식 기술인 개선된 마할라노비스 거리 이론을 개발하였다. 이 방법은 일반적인 임의의 하중과 지진하중에서 정확하게 사장교의 건전도를 평가하는 것을 실험적으로 확인 하였다. 그 결과, IMDT는 손상되지 않은 케이블로부터 획득한 데이터로 손상된 케이블에 의한 구조물의 손상을 파악하는 데 유효한 것을 확인하였다. 따라서 변동성을 지닌 외부하중에 의한 교량의 건전도 모니터링에 효과적으로 적용할 수 있음을 입증하였다.