Aplicación de la perceptrón en el gráfico de control de mediciones individuales

José Antonio Vásquez López; Paloma Teresita Gutierrez Rosas; Armando Ríos Lira; Luis Gerardo Esparza Díaz

Autores/as

José Antonio Vásquez López Instituto Tecnológico de Celaya, México
Paloma Teresita Gutierrez Rosas Instituto Tecnológico de Celaya, México
Armando Ríos Lira Instituto Tecnológico de Celaya, México
Luis Gerardo Esparza Díaz Instituto Tecnológico de Celaya, México

Palabras clave:

Inteligencia artificial, Redes neuronales artificiales, Perceptrón, Gráficos de control, Control estadístico de calidad, Reconocimiento de patrones

Resumen

En este artículo se aplica la red neuronal artificial Perceptrón como sistema clasificador de puntos fuera de control en el ámbito de la carta de control de mediciones individuales. Se introduce el uso de las propiedades geométricas de la Perceptrón como método de entrenamiento para sustituir, en consecuencia, a los métodos de entrenamiento conocidos. Se experimentó con bases de datos numéricas contaminadas con datos alterados en su media global y se comparó la capacidad de la detección de puntos fuera de control de la carta de control con la aplicación de la Perceptrón entrenada por geometría. Los resultados revelan mayor capacidad en la Perceptrón en diferentes porcentajes de contaminación. Esta propuesta puede ser generalizada a otros tipos de gráficos de control y a patrones de variación especial y natural no considerados en esta investigación.

Descargas

La descarga de datos todavía no está disponible.

Biografía del autor/a

José Antonio Vásquez López, Instituto Tecnológico de Celaya, México

Departamento de Ingenier´ıa Industrial, Instituto Tecnol´ogico de Celaya, M´exico

Paloma Teresita Gutierrez Rosas, Instituto Tecnológico de Celaya, México

Departamento de Ingenier´ıa. Industrial, Estudiante de posgrado en Instituto Tecnol´ogico de Celaya, M´exico

Armando Ríos Lira, Instituto Tecnológico de Celaya, México

Departamento de Ingenier´ıa Industrial, Instituto Tecnol´ogico de Celaya, M´exico

Luis Gerardo Esparza Díaz, Instituto Tecnológico de Celaya, México

Departamento de Ingenier´ıa Industrial, Instituto Tecnol´ogico de Celaya, M´exico,

Citas

Bishop, C. M. (2008). Neural Network for Pattern Recognition. New York: Oxford University Press.
Duda, R. O., Hart, P. E. & Stock, D. G. (2001). Pattern Classication. United States of América: John Wiley & Sons.
Guh, R. S. (2005). Real-time pattern recognition in statistical process control: a hybrid neural network/decision tree-based approach. IMechE, Part B: J. Engineering Manufacture, 219 (3), 283-298.
Gutiérrez-Rosas P.T., Vázquez-López J.A., Hernández Ripalda M.D., Hernández - González S., • López-Juárez I. (2012). Uso de la red neuronal Perceptrón para detección de cambios pequeños en la media en los gráficos de control.1st LACCEI International Symposium on Software Architec-ture and Patterns (LACCEI-ISAP-MiniPLoP2012), July 23-27, 2012, Panama City, Panama.
Montgomery, D. C. (2009). "Statistical Quality Control". United States of America: John Wiley & Sons, Inc.
Pacela, M., Semeraro, Q., & Anglania, A. (2004). Manufacturing Quality Control By Means Of A Fuzzy ART Network Trained On Natural Process Data. Engineering Applications Of Artificial Intelligence, 17, 83-96.
Rosenblatt, F. (1962). Principles of Neurodynamics: Perceptrons and the Theory of Brain Mechanisms. Spartan.
Theodoridis, S. & Koutroumbas, K. (2009). Pattern Recognition. Canada: Academic Press. The Mathworks Inc. (2009). MATLAB. Natick, MA.
Vázquez -López, J. A., López - Juárez, I., Peña-Cabrera, M. (2010). On the Use of the FuzzyARTMAP Neural Network for Pattern Recognition in Statistical Process Control using a Factorial Design. International Journal of Computers, Communications & Control, V, (2), 205-215.
Wafik, H. & Ahmed, G. (2012). A survey of control-chart pattern-recognition literature (1991-2010) based on a new conceptual classification scheme, Computers & Industrial Engineering.
Western Electric. (1956). Statistical Quality Control Handbook. Indianapolis, IN.: AT& T.
Zobel, C.W., & Cook, D.F.Q. (2004). Nottingham, An Augmented Neural Network Classification Approach To Detecting Mean Shifts In Correlated Manufacturing Process Parameters. International Journal Of Production Research , 42 (4), 741-758.