پیش‌بینی کیفیت فرآیندهای تولیدی با بُعد بالا به‌کمک رگرسیون تنسوری

با پیشرفت فناوری‌های رایانه‌ای مدرن و سیستم‌های سنجش تعبیه شده در حوزه‌های مختلف، رشد چشم‌گیری در حجم، تنوع و سرعت داده‌های تولید شده وجود دارد که منبع غنی از اطلاعات هستند. داده‌های تنسوری یکی از مهم‌ترین نوع داده‌های پیچیده ساختاریافته با ابعاد بالا هستند که روش‌های سنتی قادر به حل این نوع از داده‌ها نیستند. مدل‌های رگرسیونی تنسوری کاربرد زیادی در بهینه‌سازی مسائلی دارد که در آن‌ها تعدادی متغیر مستقل عددی به‌عنوان ورودی مساله وجود دارند که با تغییر آن‌ها می‌توان خروجی بهتری را ایجاد کرد. در این مطالعه، مدل رگرسیونی ارائه شده است که متغیرهای مستقل آن به‌صورت عددی و متغیر پاسخ آن به‌صورت تنسوری است. مجموعه‌ای از روش‌های جبر خطی و رویکردهای تنسوری به‌منظور پیدا کردن الگوهای درون مجموعه نقاط در فضا و ارتباط آن‌ها با متغیرهای فرآیند پیشنهاد شده است. جوشکاری اصطکاکی اغتشاشی به‌عنوان مثال انگیزشی این مطالعه برای تایید نتایج درنظر گرفته شده است. مدل پیشنهادی در نرم‌افزار r کدنویسی شده است. نتایج نشان‌داد که مدل پیشنهادی عملکرد خوبی در پیش‌بینی خروجی فرآیندها با تنظیم پارامترهای آن به‌صورت پویا دارد.

predicting the quality of production processes with high-dimensional data via tensor regression

advances in modern computer technologies and measurement systems embedded in various fields, there is a significant growth in the volume, variety and velocity of the data produced, which is a rich source of information. tensor data is one of the most important types of complex structured data with high dimensions that traditional methods are not able to solve this type of data. tensor regression models have many applications in optimizing problems in which there are a number of independent numerical variables as input to the problem that can be changed to create a better output. in this study, a regression model is presented in which the independent variables are numerical and the response variable is tensor. a set of linear algebraic methods and tensor approaches are proposed in order to find patterns within a set of points in space and their relationship to process variables. friction stir welding (fsw) is a motivational example of this study to confirm the results. the proposed model is coded in r software. the results showed that the proposed model has a good performance in predicting the output of processes by dynamically adjusting its parameters.