Applications of rough sets theory in control of foundry processes

• Autorzy: Perzyk M. , Soroczyński A. , Kozlowski J.

Warianty tytułu

PL

Zastosowania teorii zbiorów przybliżonych w sterowaniu procesami odlewniczymi

• Konferencja: International Conference "Development Trends in Mechanization of Foundry Processes" (5 ; 14-16 October 2010 ; Inwałd, Poland)
• Języki publikacji: EN

Abstrakty

EN

In contemporary manufacturing industry many varied methods are used for controlling process parameters, ranging from paper SPC charts to automated closed loop systems. In recent years a remarkably increasing interest in application of supporting systems based on computational intelligence methods, utilizing company recorded data, is observed. Most frequently, methods of automated knowledge extraction from data in the form of logic rules are utilized, based on classification learning systems. A growing interest of industrial applications of rough sets theory (RST) is observed in that area, which can provide with various types of important information concerning complex manufacturing processes. In the present paper the main elements and characteristics of RST are expounded and compared to another learning system – widely used decision trees (DTs). Current applications of the both methods in manufacturing industry are briefly reviewed. Results of the paper authors’ research concerning two important issues of RST and DTs applications in foundry production are presented. They include assessment of correctness of relative significances of process parameters of arbitrary nature (e.g. physical, human, organizational etc.) and evaluation of reliability of engineering knowledge in the form of logic rules. The numerical experiments, carried out on simulated and real data, related to foundry technology, have shown that RST can be a valuable tool for control of complex manufacturing processes and it performs remarkably better then DTs.

PL

We współczesnym przemyśle wytwórczym stosowanych jest wiele różnorodnych metod do sterowania i kontroli parametrów procesów, począwszy od papierowych kart kontrolnych SSP, a skończywszy na systemów automatycznych, pracujących w zamkniętych pętlach. W ostatnich latach obserwuje się znacznie zwiększone zainteresowanie stosowaniem systemów wspomagających opartych na metodach inteligencji obliczeniowej, wykorzystujacych dane zarejestrowane w przedsiębiorstwie. Najczęsciej wykorzystywane są metody zautomatyzowanego pozyskiwania wiedzy z danych w postaci reguł logicznych, oparte na klasyfikacyjnych systemach uczacych sie. W tym zakresie obserwuje sie wzrastąjace zainteresowanie przemysłowymi zastosowaniami teorii zbiorów przybliżonych (ang. skrót RST), które są w stanie dostarczyć różnego typu informacji o złożonych procesach wytwórczych. W mniejszym artykule przedstawiono główne elementy RST i porównano z innymi systemami uczacymi się – szeroko stosowanymi drzewami decyzyjnymi (ang. skrót DTs). Dokonano krótkiego przeglądu aktualnych zastosowań obu systemów w przemysle wytwórczym. Przedstawiono wyniki badań autorów artykułu dotyczące dwóch istotnych rodzajów zastosowan RST i DTs w produkcji odlewniczej. Obejmują one ocene poprawności wyznaczania względnych istotności parametrów procesu o dowolnej naturze (np. fizycznej, ludzkiej, organizacyjnej) oraz ocene wiarygodności wiedzy inżynierskiej w postaci reguł logicznych. Eksperymenty numeryczne, przeprowadzone na danych symulowanych i rzeczywistych, związanych z technologią odlewniczą pokazały, że RST może być wartościowym narzędziem sterowania złożonymi procesami wytwarzania, spełniając swoje zadania istotnie lepiej niż DTs.

Słowa kluczowe

EN

foundry production; process control; computational intelligence; rough sets theory; decision tree

PL

odlewnictwo; sterowanie; inteligencja obliczeniowa; teoria zbiorów przybliżonych; drzewo decyzyjne

• Wydawca: Institute of Metallurgy and Materials Science of Polish Academy of Sciences ; Committee of Materials Engineering and Metallurgy of Polish Academy of Sciences
• Czasopismo: Archives of Metallurgy and Materials
• Rocznik: 2010
• Tom: Vol. 55, iss. 3
• Strony: 889--898
• Opis fizyczny: Bibliogr. 17 poz., rys. tab.

Twórcy

autor

Perzyk M.

autor

Soroczyński A.

autor

Kozlowski J.

• INSTITUTE OF MANUFACTURING TECHNOLOGIES, WARSAW UNIVERSITY OF TECHNOLOGY 02-524 WARSZAWA, NARBUTTA 85, POLAND

Bibliografia

• [1] E. Ziółkowski, R. Wrona, Using Fuzzy Optimisation Method in Calculation of Charge Burden to Correct the Chemical Composition of Metal Melt, Archives of Foundry Engineering 7, 183-186 (2007).
• [2] E. Czogała, A. Mrózek, Z. Pawlak, The idea of a rough fuzzy controller and its application to the stabilization of a pendulum-car system, Fuzzy Sets and Systems 72, 61-73 (1995).
• [3] K. Wang, Applying data mining to manufacturing: The nature and implications, J Intell Manuf 18, 487-495 (2007).
• [4] R. S. Chen, R. C. Wu, C. C. Chang, Using data mining technology to design an intelligent CIM system for IC manufacturing, Proc. Sixth Int. Conf. Softw. Eng. Atif. Intell. Netw. Parallel/Distr. Comput. Self-Assemb. Wireless Netw., SNPD/SAWN Towson, MD, USA, 70-75 (2005).
• [5] J. Hur, H. Lee, F. G. Baek, An intelligent manufacturing process diagnosis system using hybrid data mining, Lect. Notes Comput. Sci. 4065 LNAI, 561-575 (2006).
• [6] H. Huang, D. Wu, Product quality improvement analysis using data mining: A case study in ultra-precision manufacturing industry, Lect. Notes Comput. Sci. 3614 LNAI, 566-580 (2006).
• [7] L. Rokach, O. Maimon, Data mining for improving the quality of manufacturing: a feature set decomposition approach, J Intell Manuf 17, 285-299 (2006).
• [8] D. Koonce, C. H. Fang, S. C. Tsai, Data mining tool for learning from manufacturing systems, Comput Ind Eng 33, 27-30 (1997).
• [9] A. Kusiak, C. Kurasek, Data mining of printed-circuit board defects, IEEE Trans Rob Autom17, 191-196 (2001).
• [10] T. L. Tseng, M. C. Jothishankar, T. Wu, G. Xing, F. Jiang, Applying data mining approaches for defect diagnosis in manufacturing industry, IIE Annual Conference and Exhibition, Houston, 1441-1447 (2004).
• [11] L. Shen, F. E. H. Tay, L. Qu, Y. Shen, Fault diagnosis using Rough Sets Theory”, Computers in Industry, 43, 61-72 (2000).
• [12] H. Sadoyan, A. Zakarian, P. Mohanty, Data mining algorithm for manufacturing process control, Int J Adv Manuf Technol 28, 342-350 (2006).
• [13] M. Perzyk, A. Soroczynski, Comparison of selected tools for generation of knowledge for foundry production, Archives of Foundry Engineering 8, 263-266 (2008).
• [14] J. Stefanowski and D. Vanderpooten, Induction of decision rules in classification and discovery-oriented perspectives, Int J Intell Syst 16, 13-27 (2001).
• [15] L. Polkowski, Rough Sets: mathematical Foundations. Physica-Verlag Heidelberg New York (2002).
• [16] StatSoft, Inc. (2008). STATISTICA (data analysis software system), version 8.0. www.statsoft.com.
• [17] M. Perzyk, R. Biernacki, J. Kozlowski, Data mining in manufacturing: Significance analysis of process parameters, Proc. IMechE Part B: J. Engineering Manufacture 222, 1503-1516 (2008).