跳到主要內容

臺灣博碩士論文加值系統

(3.95.131.146) 您好!臺灣時間:2021/07/29 02:24
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:楊素華
研究生(外文):Yang Su-Hua
論文名稱:整合資料採礦與模糊推論於多重品質特性製程參數調控之研究-以啤酒發酵製程為例
論文名稱(外文):Parameter Setting of a Multiple Quality Characteristics Process Using an Integrated Approach of Data Mining and Fuzzy Set Reasoning :An Application in Beer Fermentation Process
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
畢業學年度:92
語文別:中文
論文頁數:85
中文關鍵詞:資料礦採類神經自適應共振理論ART2決策樹模糊推論發酵製程
外文關鍵詞:Decision TreeData MiningFuzzy Set ReasoningART2Fermentation Process
相關次數:
  • 被引用被引用:1
  • 點閱點閱:215
  • 評分評分:
  • 下載下載:0
  • 收藏至我的研究室書目清單書目收藏:0
在於本研究啤酒的發酵製程中,啤酒品質受到製程參數之影響。而影響啤酒發酵的製程參數有很多,例如發酵槽四區域之溫度、壓力…等等。另外衡量啤酒品質之指標亦有許多種,例如糖度、丁二酮、及PH值及發酵天數。對於這種多重製程參數和多重品質特性環境條件,其製程參數的調整及其所產生之品質特性,蘊含著大量的參數調控法則。傳統上,對於這種多品質特性問題,大都是利用實驗、多元迴歸、試誤法(try and error)或憑著專家的經驗與直覺來調控製程參數。若能運用資料採礦方法找出其中規則,對於製程參數的調控有相當大的幫助。因此本研究提出一套結合資料採礦與模糊推論的智慧型調控參數之機制,以協助製程工程師能有效找到適合之製程參數。
本研究擬以自適應共振理論ART2對各監控製程參數與品質特性進行自動分群,依據分群結果建立各製程參數與品質特性之模糊歸屬函數;再透過資料採礦之決策樹技術進行分析,可以從大量資料中(如發酵槽之各監控製程參數與品質特性參數),快速、有效的,萃取出『階層式』規則;再針對產品品質之要求,利用模糊系統推論出一組較佳之監控參數組合。
本研究從案例公司取得377筆樣本進行訓練,20筆樣本進行測試。經過本研究之智慧型製程參數調控之機制可以100%推論出結果,而且MAPE值皆小於10,由此驗證本研究所提出之整合資料採礦與模糊推論之演算法所推論之參數組合結果準確度極佳。
The quality of beer is affected by many process parameters in a fermentation process. The process parameters that may affect the beer quality and will be investigated in this research are the temperature in four different areas of a fermentation tank and the tank pressure. The measures of beer quality used in this research are degree of beer sweetness, and PH value. This is a multiple quality characteristics process. However, many process parameters and corresponding quality measures are collected and stored in a huge database. Traditionally, process engineers set these parameters by using experiments, multiple regressions, a try-and-error approach or based on their experience and knowledge about the multiple quality characteristics process. This database certainly contains many useful operation know-how and rules that can be extracted by data mining techniques to facilitate process parameter setting and to improve beer quality. The objective of this research is to propose an integrated approach to set the beer fermentation process parameters. This approach consists of an ART2 neural network, a fuzzy decision tree algorithm, and a fuzzy set reasoning.
The ART2 neural network is applied to process parameters and quality measures, and groups these features into several groups whose centers are also found and recorded. The groups and their centers are then applied to build the fuzzy membership function. The decision tree algorithm is then applied to create fuzzy sets and find the rule hierarchy (the rule tree). Finally, the fuzzy set reasoning is applied to find the desirable process parameters based on the given quality measures and the created rule hierarchy.
The study uses 377 samples totrain the system.Another 20 samples are used to testthe system. This research finds that the proposed system can 100% successfully infer a set of process parameter with all the MAPE values less that 10.In short,this research has demonstratied the effectiveness of the proposed parameter setting system.
摘 要 III
ABSTRACT IV
誌謝 V
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 研究範圍與限制 3
1.4 研究流程 4
第二章 文獻探討 6
2.1啤酒產業背景之介紹 6
2.1.1啤酒製程之介紹 7
2.1.2 發酵製程之介紹 9
2.1.2.1 發酵製程: 9
2.1.2.2 影響發酵製程之因素 10
2.1.3啤酒製程之相關研究 12
2.1.4製程參數診斷之相關研究 13
2.1.5多重品質特性之相關研究 14
2.2自適應共振理論網路 17
2.2.1基本原理 18
2.2.2 ART1神經網路架構 18
2.2.3 自適應共振理論ART2 神經網路 22
2.2.4 自適應共振理論ART2 之相關研究 23
2.3 資料採礦 23
2.3.1 資料採礦的技術 24
2.3.2 資料採礦之決策樹演算法 25
2.3.2.1 決策樹之介紹 25
2.3.2.2 決策樹之演算法ID3 & C4.5 26
2.3.2.3 決策樹修剪 28
2.3.3 決策樹演算法相關研究 29
2.4 模糊理論之介紹 30
2.4.1 模糊集合 31
2.4.2 歸屬函數 31
2.4.3 模糊控制器 32
2.4.4 模糊理論的相關研究 35
第三章 研究架構 36
3.1 問題描述 36
3.2 研究方法 37
3.3 自適應共振理論ART2 40
3.4 決策樹演算法 43
3.4.1 決策樹演算流程 43
3.4.2 決策樹範例說明 45
3.5 模糊推論 48
第四章 結果分析 53
4.1資料來源 53
4.2 類神經網路自適應共振理論ART2 53
4.2.1類神經網路自適應共振理論ART2 之建立 54
4.2.2 類神經網路自適應共振理論ART2 之結果與分析 55
4.3 決策樹演算法 56
4.3.1決策樹之建立 56
4.3.2決策樹之分析與結果 59
4.4 模糊推論 63
4.4.1模糊推論之建立 63
4.5 模式準確度之評估 64
4.5.1 評估指標 64
4.5.2模式分析與探討 65
第五章 結果與建議 72
5.1 結論 72
5.2建議 73
參考文獻 74
附錄A 79
附錄B 84
[1] 王文俊,1997,認識FUZZY,全華科技圖書股份有限公司。
[2] 王尹,2002,生產管理,高點文化事業有限公司,台北, pp.4-60-4-63。
[3] 王冠儒,2000,雙反應曲面法應用於多重品質特性製程,國立台灣科技大學工業管理究所碩士論文。
[4] 方國富,2000,多品質特性產品之穩健參數設計,國立成功大學工業管理科研究所,碩士論文。
[5] 李允中、王小璠、蘇木春,2003,模糊理論及其應用,全華科技。
[6] 李培瑞,2002,半導體製程資料挖礦架構、決策樹分類法則及其實證研究,清華大學工業工程與管理,碩士論文。
[7] 林信成、彭啟峰,1994,Oh! Fuzzy 模糊理論剖析,第三波文化事業股份有限司。
[8] 林鼎浩,2000,建構半導體製程資料挖礦架構及其實證研究,清華大學工業工程與工程管理研究所,碩士論文。
[9] 柯瑞芬,1994, 多重品質特性之產品穩健設計決策模式,國立成功大學工業管理科研究所,碩士論文。
[10]姚念周,2004,國內酒類產品產業現狀與發展,食品資訊雜誌社,第200期,pp.66-68。
[11]孫任東,2003,利用類神經網路於多重輸入多重輸出之製程管制系統,中原大學工業工程所,碩士論文。
[12]張永豐,2003,應用類神經網路處理伺服控制系統自動調整動作之研究-以CNC為例,朝陽科技大學工業工程研究所,碩士論文。
[13]張家源,1994,應用固定化酵母與酵素系統於啤酒釀製之研究,東吳大學微生物學研究所,碩士論文。
[14]陳明宏,1994,多種品質特性在動態系統中之研究,中原大學工業工程研究所,碩士論文。
[15]陳明佑,2002,利用模糊目標規劃法求解田口式多品質特性最佳化問題,國立成功大學工業管理研究所,碩士論文。
[16]陳勵生、許棟樑,2001,類神經網路應用於機台參數設定:以銲線機為例,中國工業工程刊。
[17]曾國勳,2002,資料挖掘在射出成型之研究,淡江大學資訊工程研究所,碩士論文。
[18]黃呈福,2001,田口品質工程方法之控制系統參數調整,國立中正大學機械研究所,碩士論文。
[19]郭振宗,2000,微生物類別診斷與抗生素用藥決策支援系統,屏東科技大學,碩士論文。
[20]葉怡成、郭耀煌,1992,專家系統—方法應用與實作,全欣資訊圖書,台北。
[21]葉怡成,2000,類神經網路模式應用與實作,儒林圖書有限公司,台北。
[22]楊景程,2001,射出成型機最佳參數之預測,國立台灣科技大學纖維及高分子工程研究所,碩士論文。
[23]楊英魁、孫宗瀛、鄭魁春、林建德與蔣旭堂,1996,模糊控制理論與技術,全華科技,台北。
[24 ]管敦儀,1999,啤酒工業手冊,修訂版,中國輕工業出版社。

[25]劉中光,2001,以資料挖掘為基建構製程品質問題診斷系統--以印刷電路板業為例,元智大學工業工程與管理研究所,碩士論文。
[26]劉益善,1993,應用固定化酵母技術於啤酒釀製之發展,製酒科技專論彙編, 15期,pp.349-361
[27]簡禎富、徐紹鐘、彭誠湧與林鼎浩,2001,建構半導體晶圓允收測試資料挖礦架構及其實證研究,中國工業工程學刊,18(4),pp.37-48 。
[28]繆佐君,1987,啤酒發酵程序最佳操作條件及其設定點控制,台灣科技大學,碩士論文。
[29]謝孟錫,2002,分徑指標在建立決策樹的比較,中央大學工業管理研究所,碩士論文。
[30]蘇育霆,2001,整合模糊理論與自適應共振理論II類神經網路於資料採礦之集群技術研究,國立台北科技大學,碩士論文。
[31] Berry, M. B. and Linoff,G. S, 2001,資料採礦-顧客關係管理暨電子行銷應用,彭文正譯,臺北市維科圖書有限公司。
[32]Berry,M. J. A. and Linoff, G.,1997,“Data Mining Techniques”, JohnWiley & Sons Inc.
[33]Carpenter,G. A. and Grossberg,S.,1988 ,“The ART of Adaptive Pattern Cognition By a Self-organizing Neural Network”,Computer , pp.77-88 .
[34]Chen,L. H.,1997”Designing Robust Products With Multiple Quality Characteristics” , Computers & Operations Research , Vol. 24 ,937-944.


[35]Hall,C.,1995,”The devil’s in the details: Techniques, Tools, and Applications for Database Mining and Knowledge Discovery—PartⅡ”, Intelligent Software Strategies, Vol. 14,No.9, pp.1-16.
[36]Han,J., 2002, “Data Mining: Concepts and Techniques”, Micheline Kamber U.S.A.
[37]Homaifar,A. and McCormick,E., 1995,“Simultaneous design of membership functions and rule sets for fuzzy controllers using genetic algorithms”, IEEE Trans. on Fuzzy Systems, Vol. 3, pp. 129-139.
[38]Hong,T. P. and Lee,C.Y.,1996,“Induction of fuzzy and membership functions from training examples”, fuzzy sets and systems , Vol. 84 ,pp.33-47.
[39] Jervis,B. W.,Saatchi,M. R.,Vacey,A.,Papaourakis,G. M.,Vourkas,M.,Roberts,T.,Allen,E. M.,Hudson,N. R. and Oke,S.,1992,“The Application of Unsupervised Artificial Neural Networks to the Sub-Classification of Subjects At-Risk of Huntington''s Disease” IEEE Colloquium , pp.1-9.
[40]Kristin,R. N., and Matkovsky,I. P., 1999,”Using Data Mining Techniques for Fraud Detection.”, SAS Institute Inc. and Federal Data Corporation.
[41]Kuncheva,L. I., 2000,“How good are fuzzy if-then classifiers?” IEEE Trans. on System, Man, and Cybernetics – Part B, Vol. 30, No. 4, pp. 501-509.
[42]Lavrac,N.,1999,“Selected Techniques for Data Mining in Medicine”,Artificial Intelligence in Medicine ,Vol. 16, pp.3-23.
[43]Martin,C. A. and Witt,S. F.,1989,”Accuracy of Econometric Forecasts of Tourism ”,Annals of Tourism Research.Vol.16,pp.407-428.

[44]Pao,Y. H.,1989,”Adaptive Pattern Recognition and Neural Networks”,Addison- Wesley.
[45]Pao,Y. H. and Sobajic,D. J.,1992,“Combined use of Unsupervised and Supervised Learning for Dynamic Security Assessment”, IEEE Transactions on Power Systems ,Vol. 7, pp.878 – 884.
[46]Pollanen,J.,Rousu,J.and Kronlof,J.,2001,“A Neural Network Tool for Brewery Fermentations”, SAS Julkaisusarja , Vol. 24 , pp.246-251.
[47]Quinlan,J. R., 1993 ,C4.5: Programs for Machine Learning, Morgan Kaufmann, USA.
[48]Takagi,T. and Sugeno, M. ,1985,”fuzzy identification of system it is applications model and control”, IEEE Int. Conf.on Fuzzy Systems, Vol. 15, no.1, pp. 116-131.
[49]Umano,M.,Okamoto,H.,Hatono, I.,Tamura, H.,Kawachi, F.,Umedzu, S.and Kinoshity, O., 1994,“Fuzzy Decision Tree By Fuzzy ID3 Algorithm and Its Application to Diagnosis Systems,” IEEE Int. Conf.on Fuzzy Systems, Vol. 3 ,pp.2113-2118.
[50] Zadeh,L. A., 1965 ,” Fuzzy sets”, information and Control ,Vol.8,pp.338-353.
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top