Analyse comparative d'algorithmes intelligents en reconnaissance de motifs sur cartes de contrôle

Gagnon, Iannick (2019). Analyse comparative d'algorithmes intelligents en reconnaissance de motifs sur cartes de contrôle. Mémoire de maîtrise électronique, Montréal, École de technologie supérieure.

Prévisualisation	PDF Télécharger (9MB) | Prévisualisation
Prévisualisation	PDF Télécharger (1MB) | Prévisualisation

Résumé

Le contrôle statistique des procédés est un moyen pour les entreprises d’augmenter leurs profits en réduisant les défauts de fabrication. L’outil de base du contrôle statistique des procédés est la carte de contrôle. Elle permet de déterminer si un procédé est en contrôle ou non et si des actions correctives doivent être prises. Elle permet aussi de détecter la présence de motifs non naturels. Chaque motif non naturel possède une ou plusieurs causes assignables. En l’absence de rétroaction, les causes assignables peuvent mener à une augmentation du nombre de pièces défectueuses.

La lecture des cartes de contrôle doit être faite par des experts, car les motifs sont parfois difficiles à distinguer du bruit statistique et sont parfois mélangés. Pugh (1989) introduit l’utilisation des réseaux de neurones artificiels pour automatiser la des cartes de contrôle. Dans les années qui suivent, plusieurs autres algorithmes d’apprentissage machine sont utilisés avec des résultats qui varient d’une étude à l’autre. Le problème est que le protocole expérimental, la source des données et les détails des algorithmes sont souvent manquants.

Cette recherche fait la comparaison entre les algorithmes d’apprentissage machine les plus utilisés en reconnaissance de motifs sur cartes de contrôle : les arbres décisionnels, les forêts aléatoires, les machines à vecteurs de support et les réseaux de neurones artificiels. En plus de donner des résultats accompagnés d’intervalles de confiance, cette recherche fournit un protocole expérimental clair ainsi que les données et les paramètres algorithmiques utilisés. L’adresse web d’un dépôt Git qui contient tout le code utilisé est donnée dans les appendices.

Titre traduit

A comparative analysis of intelligent algorithms for control chart pattern recognition

Résumé traduit

Statistical quality control is a method for manufacturers to increase their profits by reducing manufacturing defects. The basic tool of statistical quality control is the control chart. It is used to show graphically if a process is in control or not and if corrective actions must be taken. They also show if there are patterns that are symptoms of assignable causes which can lead to more defects if they are not dealt with.

Interpreting control charts must be done by experts, because the patterns are sometimes hard to distinguish from random statistical noise and sometimes they overlap. Pugh (1989) introduces the use of artificial neural networks for the automated analysis of control charts. In the years that follow, different machine learning algorithms were used with varying results from one study to another. The problem is that the experimental protocols, the datasets and the algorithmic parameters are often incomplete or missing entirely.

This research compares the most widely used machine learning algorithms in control chart pattern recognition: decision trees, random forests, support vector machines and artificial neural networks. In addition to reporting performance results with their confidence intervals, this research provides a clear experimental protocol, the dataset used as well as the algorithmic parameters. A website address to a Git deposit that contains all the code used is given in the appendix.

Type de document:	Mémoire ou thèse (Mémoire de maîtrise électronique)
Renseignements supplémentaires:	"Mémoire présenté à l'École de technologie supérieure comme exigence partielle à l'obtention de la maîtrise avec mémoire en génie concentration génie logiciel". Comprend des références bibliographiques (pages 111-114).
Mots-clés libres:	reconnaissance de motifs sur cartes de contrôle, intelligence artificielle, apprentissage machine, classification de séries temporelles
Directeur de mémoire/thèse:	Directeur de mémoire/thèse April, Alain
Programme:	Maîtrise en ingénierie > Génie
Date de dépôt:	17 déc. 2019 21:42
Dernière modification:	17 déc. 2019 21:42
URI:	https://espace.etsmtl.ca/id/eprint/2428

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt