Applicability of decision trees in manufacturing industry

• Autorzy: Perzyk M. , Biernacki R. , Soroczyński A.

Warianty tytułu

PL

Stosowalność drzew decyzyjnych w przemyśle wytwórczym

• Języki publikacji: EN

Abstrakty

EN

In manufacturing companies large amounts of data are collected and stored, related to designs, products, equipment, materials, manufacturing processes etc. Utilization of that data for improvement of product quality and lowering manufacturing costs requires extraction of knowledge from the data, in the form of appropriate conclusions, rules, relationships and procedures. Data mining provides tools and methodologies for semi-automated extraction of that type of knowledge. It is a multidisciplinary field, rapidly growing in recent years, and used mainly in business, medicine, social sciences. Applications to manufacturing and design on a large scale are relatively seldom. In the present work some important manufacturing-related problems are characterized, from the standpoint of benefits from application of data mining methods. In the second part of the paper some selected results of the authors' studies and research are presented, showing performance of decision trees in solving important typical problems in manufacturing industry.

PL

W przedsiębiorstwach produkcyjnych są zbierane i przechowywane duże ilości danych związanych z konstrukcją wyrobów, oprzyrządowaniem, materiałami, procesami technologicznymi itd. Wykorzystanie tych danych do poprawy jakości produkcji i obniżenia kosztów wytwarzania wymaga wydobycia z nich wiedzy w postaci odpowiednich wniosków, reguł, zależności i procedur. Eksploracja danych (data mning) dostarcza narzędzia i metodologie dla półautomatycznego wydobywania tego typu wiedzy. Jest to wielodyscyplinarna dziedzina wiedzy, gwałtownie rozwijająca się w ostatnich latach i stosowana głównie w biznesie, medycynie i naukach społecznych. W niniejszej pracy scharakteryzowano niektóre ważne problemy związane z wytwarzaniem, z punktu widzenia korzyści ze stosowania metod eksploracji danych. W drugiej części artykułu przedstawiono niektóre wybrane wyniki własnych prac studialnych i badawczych, pokazujące możliwości i zachowanie się drzew decyzyjnych w rozwiązywaniu istotnych, typowych problemów w przemyśle wytwórczym.

Słowa kluczowe

EN

data mining; manufacturing processes; parameter significance; statistical methods

• Wydawca: Wydawnictwa AGH
• Czasopismo: Computer Methods in Materials Science
• Rocznik: 2008
• Tom: Vol. 8, No. 2
• Strony: 70--78
• Opis fizyczny: Bibliogr. 15 poz., rys.

Twórcy

autor

Perzyk M.

autor

Biernacki R.

autor

Soroczyński A.

• Warsaw University of Technology, Institute of Materials Processing, Narbutta 85, 02-524 Warszawa,

Bibliografia

• Etchells, T.A., Lisboa, P.J.G., 2006, Orthogonal Search-Based Rule Extraction (OSRE) for Trained Neural Networks: A Practical and Efficient Approach, IEEE Transactions on Neural Networks, 17, 374-384.
• Harding, J.A., Shahbaz, M., Srinivas, Kusiak, A., 2006, Data mining in manufacturing: A review, J. Manuf. Sci. Eng. Trans. ASME, 128, 969-976.
• Hill, T., Lewicki, P., 2007, Statistics Methods and Applications, StatSoft, Tulsa, OK.
• Holzmüller, A., Wlodawer, R., 1953, Zehn Jahre Speiser-Einguss-Verfahren fur Gusseisen, Giesserei, 50, 781-791.
• Huang, H., Wu, D., 2006, Product quality improvement analysis using data mining: A case study in ultra-precision manufacturing industry, Leci. Notes Comput. Sci., 3614LNAI, 577-580.
• Kusiak, A., 2006, Data mining: manufacturing and service applications, Int. J. Production Research, 44, 4175-4191.
• Perzyk, M., 2006, Data mining in foundry production, Research in Polish Metallurgy at the Beginning of XXI Century, ed., Świątkowski K., Committee of Metallurgy of the Polish Academy of Sciences, Kraków, 255-275.
• Perzyk, M., Biernacki, R., Kozłowski, J., 2007, Data mining in manufacturing: methods, potentials, limitations, Proc. Conf. Advances in Production Engineering 2007, ed., Dąbrowski L., Warsaw, 147-156.
• Perzyk, M., Kochański A., 2001, Prediction of ductile cast iron quality by artificial neural networks, J. Mat. Proc. Techn., 109, 305-307.
• Perzyk, M., Kochański, A., Kozłowski, J., 2003, Relative importance of input signals of neural network, Computer Methods in Materials Science, 3, 172-179 (in Polish, English abstract).
• Perzyk, M., Kozłowski, J., 2006, Comparison of statistical and neural networks-based methods in analysis of significance and interaction of manufacturing processes parameters, Computer Methods in Materials Science, 6, 81-93.
• Perzyk, M., Soroczyński, A., Biernacki, R., 2008, Possibilities of decision trees applications for improvement of quality and economics of foundry production, submitted to Archives of Foundry Engineering.
• Quinlan, J. R., 1987, Simplifying decision trees, Int. J. Man-Machine Studies, 27, 221-234.
• Vanderberg, H., Motroni S., 2007, Purplelnsight MineSet 3.2™ Reference Guide, available from www.purpleinsight.com/downloads/docs.shtml.
• Wang, K., 2007, Applying data mining to manufacturing: The nature and implications, J. Intell. Manuf., 18, 487-495.