Przeprowadzenie klasyfikacji zgromadzonych danych umożliwia zwrócenie uwagi na pewne grupy sygnałów wejściowych bez konfrontacji z sygnałami wyjściowymi, np. wówczas, gdy są one niedostępne. Rozpad zbioru danych wejściowych na większą niż zakładana liczbę homogenicznych podzbiorów, w analizowanym przypadku są to trzy podzbiory odpowiadające trzem produkowanym klasom żeliw, wskazuje na silną niejednorodność procesu. Daje to podstawy do określenia, kto lub, co na tę niejednorodność wpływa. Dla kompletnych zbiorów danych zawierających również sygnały wyjściowe wstępna klasyfikacja umożliwia analizowanie tych danych również w in- nym sposób. Dane wyjściowe ręcznie przyporządkowujemy do grup (np. tak jak to przedstawiono na rysunku 2), a następnie oceniamy i analizujemy sygnały inaczej sklasyfikowane. Obie metody analizy mają na celu zwrócenie uwagi personelowi na niejednorodność procesu. Analiza przeprowadzona np. tak jak to przedstawiono z wykorzystaniem rysunku 4 służy wyeliminowaniu przyczyn tych zakłóceń w celu poprawy procesu produkcyjnego i w efekcie obniżenie wadliwości.
EN
Manufacturing of products without defects is potentially possible in two ways: severe selection of faulted final products or improvement of the manufacturing technology. The paper deals with the problem of detection of defects of metallic casts. The main objective of the work is elaboration of the methodology, based on the artificial neural network approach, of classification of the industrial data and prediction of parameters initiating defects in casts. The presented method can be treated as an advisory system for foundry engineers.
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.