Computacion grafica

Solo disponible en BuenasTareas
  • Páginas : 27 (6588 palabras )
  • Descarga(s) : 0
  • Publicado : 5 de noviembre de 2010
Leer documento completo
Vista previa del texto
Redes Neuronales hacia el Control de Calidad para Procesos Multivariados

REDES NEURONALES HACIA EL CONTROL DE CALIDAD PARA PROCESOS MULTIVARIADOS
Nani Cabanillas Seminario Yakelin Romero Triviños Edison Castro Laynes Nestor Aquino Hancco ncabanillass@gmail.com yaki.lizbeth.15@gmail.com Eduardo.edison@gmail.com nestorsofft@gmail.com

UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS Facultad deCiencias Matemáticas Escuela Académico Profesional de Computación Científica
Lima, Perú-2010

RESUMEN:
En este artículo se presentará un procedimiento que identificará las inconformidades en el control de procesos multivariados. En este trabajo se emplea una red neuronal basada en el modelo de Kohonen para el control de calidad del producto; los datos utilizados en las etapas de entrenamiento yvalidación fueron obtenidos a través de mediciones indirectas realizadas mediante un sistema no destructivo para el control de calidad. La red neuronal implementada tuvo un óptimo desempeño en la clasificación de los procesos multivariados. Palabras Claves: Redes neuronales, control, clasificación, entrenamiento y Modelo de Kohonen.

1

Redes Neuronales hacia el Control de Calidad para ProcesosMultivariados

ABSTRACT:
In this article we present a procedure to identify non-conformities in multivariate process control.This paper uses a neural network based on Kohonen model to control product quality, the data used in the training and validation phases were obtained by indirect measurements made by a non-destructive quality control.The neural network implemented was a great performancein the classification of multivariate processes. Key words: Neural networks, control, classification, training y Kohonen Model.

INTRODUCCION:
El control de calidad es utilizado para detectar si un proceso está dentro de un control o no, ellas determinan si la distribución subyacente de un proceso o sus parámetros; tales como el promedio y la dispersión; permanecen a un nivel deseado. Tambiénes una buena alternativa para distinguir entre la variabilidad natural de los procesos, por ejemplo variaciones en el proceso que no son económicamente viables de identificar o corregir, y la variabilidad asignable. En este análisis se discuten tanto estados en control como fuera de control de un proceso según conocimiento a priori del proceso. Este conocimiento a priori es denominado set deentrenamiento. Entre mayor es la cantidad de información disponible sobre el proceso y sus características se tendrá un mejor resultado. Para construir una regla de reconocimiento de patrones se necesita una respuesta derivada de la regla de decisión que llega a ser más precisa. En este trabajo utilizaremos el modelo matemático de Kohonen que se trata de un modelo de red neuronal con capacidad paraformar mapas de características de manera similar a como ocurre en el cerebro. En éste hay neuronas que se organizan en muchas zonas, de forma que las informaciones captadas del entorno a través de los órganos sensoriales se representan internamente en forma de mapas bidimensionales. El Modelo de Kohonen es uno de los más útiles en computación neuronal, a pesar de sus limitaciones en cuanto a laduración del proceso de aprendizaje y a la imposibilidad de aprender nuevos datos sin tener que volver a repetir completamente el proceso de aprendizaje con todos los patrones. Como aplicaciones, destacan las relacionadas con el reconocimiento de patrones (voz, texto, imágenes, señales, etc.), codificación de datos, compresión de imágenes y resolución de problemas de optimización. También se hautilizado en robótica, comprobándose su utilidad en el diseño de sistemas para controlar el movimiento de un brazo mecánico en un espacio tridimensional. Se utiliza aquí la red para aprender las magnitudes sensoriales necesarias para moverse en un entorno real, considerando los efectos del desgaste que pueden alterar la dinámica del brazo con el transcurso del tiempo.

2

Redes Neuronales hacia el...
tracking img