Zastosowanie metod eksploracji danych produkcyjnych w diagnostyce przyczyn wad wyrobów i zakłóceń procesu produkcyjnego

• Autorzy: Perzyk M.
• Języki publikacji: PL

Abstrakty

PL

Metody eksploracji danych mogą przynieść znaczące korzyści w procesach produkcyjnych, przyczyniając się do ułatwienia wykrywania przyczyn problemów w postaci wad wyrobów i innych zakłóceń procesów wytwarzania. Warto zwrócić uwagę, że metody te z założenia wykorzystują istniejące, zarejestrowane w przedsiębiorstwie dane, bez konieczności przeprowadzania kosztownych eksperymentów w warunkach laboratoryjnych lub przemysłowych. Warunkiem pomyślnego ich stosowania jest jednak uświadomienie sobie przez personel inżynieryjny ogromnego potencjału systemów eksploracji danych w przedsiębiorstwach produkcyjnych, których wprowadzenie stanie się niedługo koniecznością.

Słowa kluczowe

PL

eksploracja danych; zakłócenia; proces produkcyjny; wady wyrobów; systemy uczące się; analiza szeregów czasowych

• Wydawca: ELAMED Media Group
• Czasopismo: Utrzymanie Ruchu
• Rocznik: 2017
• Tom: Nr 4
• Strony: 45--47
• Opis fizyczny: Bibliogr. 11 poz., rys.

Twórcy

autor

Perzyk M.

• Instytut Technik Wytwarzania, Wydział Inżynierii Produkcji, Politechnika Warszawska

Bibliografia

• 1. Perzyk M.: Data mining in foundry production. [W:] Research in Polish Metallurgy at the Beginning of XXL Century, red. K. Świątkowski, Committee of Metallurgy of the Polish Academy of Sciences, Kraków 2006, s. 255-276.
• 2. Shahbaz M. et al.: Product design and manufacturing process improvement using association rules. „Journal of Engineering Manufacture, Proceedings of the Institution of Mechanical Engineers, Part B” vol. 220, 2006, s. 243-254.
• 3. Kusiak A.: Data mining: manufacturing and service applications. „International Journal of Production Research”, vol. 44, 2006, s. 4175-4191.
• 4. Harding J.A. et al.: Data mining in manufacturing: A review. „J Manuf Sci Eng Trans ASME”, vol. 128, 2006, s. 969-976.
• 5. Wang K.: Applying data mining to manufacturing: The nature and implications. „J Intell Manuf”, vol. 18, 2007, s. 487-495.
• 6. Perzyk M., Kochański A.: Detection of causes of casting defects assisted by artificial neural networks. „Journal of Engineering Manufacture”, vol. 217, 2003, s. 1279-1284.
• 7. Shuguang H.E., Li L.I., Ershi Q.I.: Study on the Continuous Quality Improvement Systems of LED Packaging based on Data Mining. Proc. International Conference on Wireless Communications, Networking and Mobile Computing, WiCom 2007, Shanghai, China, s. 5625-5628.
• 8. Stites R., Ward B. Walters R.: Defect Prediction With Neural Networks. Proceedings of the Conference on Analysis of Neural Network Applications ANNA ’91, 1991, Fairfax, VA, USA, s. 199-206.
• 9. Perzyk M., Krawiec K., Kozłowski J.: Application of time-series analysis in foundry production. „Archives of Foundry Engineering”, vol. 9, No. 3, 2009, s. 109-114.
• 10. Alwan L.C., Roberts H.V.: Time-series modelling for statistical process control. „Journal of Business & Economic Statistics” vol. 6 (1), 1988, s. 87-95.
• 11. Perzyk M., Rodziewicz A.: Application of Special Cause Control charts to green sand process. „Archives of Foundry Engineering”, vol. 15, 2015, s. 55-60.