(3.236.222.124) 您好!臺灣時間:2021/05/08 06:58
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果

詳目顯示:::

我願授權國圖
: 
twitterline
研究生:林其生
研究生(外文):Chi-Sheng Lin
論文名稱:應用混沌理論與類神經網路於製程監控與預測之研究—以電纜製程為例
論文名稱(外文):Applications of the Chaos Theory and the Neural Network in Manufacturing Process Monitoring and Prognostics with an example in an Industrial Electric Cable
指導教授:侯東旭侯東旭引用關係
指導教授(外文):Tung-Hsu Hour
學位類別:碩士
校院名稱:國立雲林科技大學
系所名稱:工業工程與管理研究所碩士班
學門:工程學門
學類:工業工程學類
論文種類:學術論文
論文出版年:2003
畢業學年度:91
語文別:中文
論文頁數:107
中文關鍵詞:混沌理論製程監控R/S分析相關維度分析類神經網路相空間局部近似混沌時間序列
外文關鍵詞:Process monitoringChaos theoryR/S analysisCorrelation Dimension analysisNeural NetworkPhase Space Local ApproximationChaos time series
相關次數:
  • 被引用被引用:2
  • 點閱點閱:159
  • 評分評分:系統版面圖檔系統版面圖檔系統版面圖檔系統版面圖檔系統版面圖檔
  • 下載下載:0
  • 收藏至我的研究室書目清單書目收藏:0
電纜製造過程是一個複雜的物理、化學過程,且加工過程的線上監控涉及很多相關技術。又電纜製造過程,是一個連續的製程。在其製造過程中,藉由製程監控系統所獲得的資料乃是一時間序列,從監控系統所蒐集資料的時序圖可知,各製程參數呈現不穩定的變化。傳統上對此種變動現象,常以雜訊來看待,因此可能忽略訊號背後的關係,故本研究嘗試以混沌相關理論來分析此製造過程的時序資料,利用R/S分析、相關維度分析與相空間重建等相關的混沌理論,用來鑑別系統是否屬於非隨機(nonrandom)的非線性系統,藉由這種監控資料的鑑別分析法,可分析此時序資料中隱藏著一些不規則但非任意的行為。並延伸應用相空間局部近似法與類神經網路預測系統製程參數的短期狀態。
本研究的第二部份乃藉由類神經網路建立製程參數與輸出品質(電纜直徑)間的關係模型,並以所預測電纜製程參數狀態來當作此神經網路的輸入資料,來預測短期的電纜輸出品質,以作為往後監控電纜製程的依據。
結果顯示利用混沌理論的相空間局部近似法與類神經網路來預測製程參數的短期未來狀態變化,與應用類神經網路所建構製程參數與輸出品質特性間的關係模型,對於電纜輸出品質的預測有不錯的表現。所以未來可參考本研究所預測製程狀態與輸出品質的推測,來做為電纜輸出品質判定的參考依據。
Industrial cable manufacturing is a complex physical and chemical process, and is involved with many technologies in the manufacturing process monitoring. This research applies the chaos theory in analyzing the monitored time series data of the manufacturing process. The R/S analysis, correlation dimension analysis, and phase space reconstruction techniques are used to identify whether the monitored time series data of the manufacturing process is a nonrandom nonlinear system or not. By using these techniques, it can identify the irregular but not random behavior in the time series data. In addition, the phase space local approximation and back propagation neural networks are used in this research to predict the short-term manufacturing parameter values. Finally, the back propagation neural network is used to model the relationship between the manufacturing parameters and the output quality characteristic (i.e., cable diameter), and is then used to predict the cable diameter that will be produced in the near future.
This research finds that a combination of the phase space local approximation and the back propagation neural network works very well in predicting the short-term manufacturing parameters, and the back propagation neural network generates very good future cable diameters with very small variations. In short, this research has demonstrated that a combination of the chaos theory with the neural network is an effective technique for manufacturing process monitoring and prognostics.
摘要 I
英文摘要 II
誌謝 III
目錄 IV
表目錄� VI
圖目錄 VII

第一章 緒論 1
1.1 研究背景與動機 1
1.2 研究目的 2
1.3 研究架構 3

第二章 文獻探討 5
2.1 產業背景描述 5
2.1.1電纜之介紹 6
2.1.2交連PE(XLPE)電纜製造過程 7
2.1.3懸垂式連續加硫(CCV) 9
2.1.4 XLPE壓出常見問題 10
2.2 製造業監控系統架構 10
2.2.1 現場設備資訊收集、控制及故障診斷系統的建立 13
2.2.2 監控資料庫系統的建立 14
2.2.3 傳統製程設備監控系統簡介 15
2.2.4 現場監控系統效益 18
2.2.5 監控系統的相關應用 18
2.3混沌現象 19
2.3.1 混沌現象之特性 21
2.3.2 奇異吸子 23
2.3.3碎形理論 24
2.4混沌現象之鑑別 27
2.4.1 R / S分析法(Rescaled range analysis) 28
2.4.2 相關維度分析法(Correlation Dimension) 30
2.5 製程監控訊號與時間序列 31
2.6 相空間局部近似法之應用 33
2.7 類神經網路(Artificial neural network, ANN)簡介 34
2.7.1 網路架構 35
2.7.2 類神經網路之運作過程: 37
2.7.3類神經網路學習策略 38
2.7.4 應用類神經網路相關文獻 39

第三章 研究方法 40
3.1 問題描述 40
3.2 研究方法流程 41
3.3 混沌的鑑別 43
3.4 相空間局部近似法 48
3.4.1 重建相空間 49
3.4.2 預測吸子軌跡 51
3.5 倒傳遞類神經網路 55

第四章� 結果分析 61
4.1 監控資料說明 61
4.2 R/S分析 64
4.3自我相關函數 65
4.4相關維度分析 68
4.5 預測吸子軌跡 71
4.6 模式預測準確度之評估 75
4.6.1 評估指標 75
4.6.2 模式分析與探討 77
4.7運用類神經網路於短期預測 78
4.8 類神經網路分析結果 80

第五章 結論與建議 89
5.1 結論 89
5.2 建議 90

�參考文獻 92
【1】Adams Douglas E., Nataraju Madhura, 2002, “A nonlinear dynamical systems framework for structural diagnosis and prognosis”, International Journal of Engineering Science, Vol. 40, pp.1919-1941.
【2】Chen Jiann-Long, Islam Shafiqul, Biswas Pratim, 1997, “Nonlinear dynamics of hourly ozone concentrations:Nonparametric short term prediction”, Atmospheric Environment , Vol. 32, p1839-1848.
【3】Chen Su-Chin and Huang Mei-June, 1995,”Chaotic Phenomena in Hydrology”, Journal of Chinese Soil and Water Conservation, Vol. 26(1): pp.31-42.
【4】Farmer J. D. and Siderowich J. J., 1987, “Predicting Chaotic Time Series,” Physical Reveiew Letters, Vol. 59, No. 8, pp. 845-848.
【5】Froyland Jan, 1992, Introduction to Chaos and Coherence, Physics, London
【6】Haykin Simon, Li Xoa Bo, 1995, “Detection of Signals in Chaos”, Proceedings of the IEEE, Vol. 83, p95-121.
【7】Islam M.N., Sivakumar B., 2002, ”Characterization and prediction of runoff dynamics: a nonlinear dynamical view”, Advances in Water Resources, Vol. 25, pp. 179-190.
【8】Jayawardena A.W., Li W.K., Xu P., 2002, “Neighbourhood selection for local modeling and prediction of hydrological time series”, Journal of Hydrology, Vol. 258, pp.40-57.
【9】Kim Jong Hyun and Stringer John, 1992, Applied Chaos, John Wiley&Sons, New York.
【10】Kocak Kasim, Saylan Levent, Sen Orhan, 2000, “Nonlinear time series prediction of O3 concentration in Istanbul”, ATMOSPHERIC ENVIRONMENT, Vol. 34, p1267-1271.
【11】Lee, J., 2000, Workshop on Intelligent Maintenance System (IMS) .
【12】Maguire L.P., Roche B., McGinnity T.M.,and McDaid L.J., 1998, “Predicting a chaotic time series using a fuzzy neural network”, Informations Sciences, Vol. 112, pp.125-136.
【13】Moon Francis C., 1992, Chaotic and Fractal Dynamics, John Wiley&Sons, New York.
【14】Moon Francis C., 1998, Dynamics and Chaos in Manufacturing Processes, John Wiley&Sons, New York.
【15】Porporato, A. and Ridolfi L., 1997, “Nonlinear Analysis of River Flow Time Sequences,” Water Resources Research, Vol. 33, No. 6, pp. 1353-1367.
【16】Rothman Philip, 1999, Nonlinear time series analysis of economic and financial data, Kluwer Academic Publishers, Boston.
【17】Sivakumar B., Phoon K.-K., Liong S.-Y., and Liaw C.-Y., 1999, “A systematic approach to noise reduction in chaotic hydrological time series”, Journal of Hydrology, Vol. 219,pp.103-135.
【18】Sugihara G. and May R. M., 1990, “Nonlinear Forecasting as a Way of Distinguishing Chaos from Measurement Error in Time Series,” Nature,
Vol. 344, no. 6268, pp. 734-741.
【19】Tomberg Claude, 1999, “Focal enhancement of chaotic strange attractor dimension in the left semantic (ernicke) human cortex during reading without concomitant change in vigilance level”, Neurosciene Letters,
Vol. 263, pp.177-180.
【20】Wile, S. A. J., Tucker, W. T., Faltin, F. W., and Doganaksoy N., 1992, “Agorithmic statistical process control: concept and an application,” Technometrics, Vol.34, No.3, pp.286-297.
【21】Wilson I.D., Paris S.D., and Jenkins D.H., 2002, “Residential property price time series forecasting with neural networks”, Knowledge-Based System Vol. 15, pp.335-341.
【22】何淑敏, 1999, 渾沌理論與類神經網路應用於濁水溪洪水預測之研究, 國立成功大學, 碩士論文。
【23】何承益,2001,BGA封裝之熱傳分析與最佳化,國立成功大學, 碩士論文。
【24】林尚儀,2000,混沌車流短期交通量變化之預測,國立交通大學,碩士論文。
【25】林泓遠,2001,混沌理論在股價上的實證研究,國立中山大學,碩士論文。
【26】吳慧娟, 1999, 類神經網路與混沌現象, 國立政治大學, 碩士論文。
【27】姒元忠,廖玉完,1999, “混沌、秩序與預測”,臺灣期貨市場, 1卷, 5期,頁3-23, 九月
【28】范兆龍,2001,殺菌設備監控系統之建立與功能提昇,屏東科技大學, 碩士論文。
【29】高仕峰, 1999, 混沌生產系統之鑑別、生產量決策與穩定性控制, 私立中原大學, 碩士論文。
【30】宮亭汝, 1997,應用類神經網路偵測製程平均值及變異數變化性之研究,私立元智大學,博士論文。
【31】陳文德,2000, 混沌與碎形理論在品質管制之應用, 國立台灣科技大學, 碩士論文。
【32】陳信維, 1999, 混沌與碎形理論在時間序列分析之應用, 國立台灣科技大學,碩士論文。
【33】湯燦泰,2001,熔融紡絲系統參數最佳化之研究,國立成功大學, 碩士論文。
【34】葉俊吾,2001,運用類神經網路建構SMT錫膏印刷製程品質管制系統,國立成功大學, 碩士論文。
【35】葉怡成,“類神經網路模式應用與實作”,儒林圖書公司,台北,1998。
【36】劉旺林,2001, 使用類神經網路與資料挖礦之粗集理論於設備監控診斷之研究,國立雲林科技大學,碩士論文
【37】劉勝良,2000,智慧型電能管理系統研製,國立臺灣大學, 碩士論文。
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top
系統版面圖檔 系統版面圖檔