به‌کارگیری رویکرد‌های یادگیری ماشین جهت پیش‌بینی انحراف ابعاد کاشی‌های سرامیکی

امروزه، رویکردهای یادگیری ماشین نقش مهمی را در شناسایی عوامل موثر بر کیفیت محصولات تولیدی ازجمله تولید کاشی و سرامیک ایفا می‌کنند. یکی از چالش‌های موجود در تولید کاشی و سرامیک، معیوب شدن کاشی‌ها به دلیل ایجاد انحراف در ابعاد کاشی تولیدی است. در صورتی‌که بتوان با توجه به پارامترهای فرآیند تولید، امکان ایجاد انحراف در ابعاد کاشی را قبل از تولید پیش‌بینی نمود، می‌توان از تولید کاشی معیوب جلوگیری و نسبت به تنظیم مجدد پارامترهای تولید اقدام نمود. در این پژوهش، یک سیستم خودکار جهت پیش‌بینی دسته‌ی انحراف کاشی و شناسایی عوامل تاثیرگذار بر آن، پیشنهاد شده است. بدین منظور سه طبقه‌بندکننده‌ی مختلف شامل رگرسیون منطقی، جنگل تصادفی و ماشین بردار پشتیبان جهت مدل‌سازی پارامترهای مربوطه مورد بررسی قرارگرفته و برترین ساختار معرفی شده است. علاوه بر این با بررسی چند دسته ویژگی و بهره‌گیری از روش انتخاب ویژگی پیش‌رو، متغیرهای موثر در تصمیم‌گیری انحراف کاشی نیز شناسایی شده‌اند. نتایج آزمایش‌های انجام شده بر روی نمونه‌های واقعی، نشان می‌دهد که رویکرد جنگل تصادفی کارایی بهتری نسبت به رویکردهای دیگر داشته و تاثیرگذارترین پارامترها در ایجاد انحراف کاشی، مقدار نامناسب دماهای کوره بوده است.

Predicting Dimensional Deviation of Ceramic Tiles using Machine Learning Methods

In recent years, machine learning approaches play an important role in quality identification of manufactured products including tiles and ceramics. Deviation of tile dimensions is one the main challenge in ceramic and tile industry. Prediction of this deformation will be beneficial if it can be predicted before producing the tile. In this paper, an automatic system has been proposed to predict the deviation of the ceramic tiles. Besides, a machine learning approach is utilized to identify the most effective parameters that leads to tiles rsquo; defect. In this way, three different classification approaches including logistic regression, random forest, and support vector machine have been studied and the best solution is determined for this purpose. Moreover, several feature sets and forward feature selection method have been employed to select more effective variables on our decision making. The experimental results conducted on realworld dataset show that, random forest approach achieves better performance than others, and the results illustrate that improper temperature parameters has more effect on tile deviation.