Mô hình xác suất LSTM-MC Dropout sử dụng biểu đồ dự báo kiểm soát chất lượng công trình

Bài viết đề xuất một mô hình tiên lượng cho dự báo CCP. Mô hình được xây dựng dựa trên kỹ thuật học sâu mạng nơ ron hồi quy nhân tạo LSTM (Long-Short-Term Memory) có tính xác suất để nắm bắt các yếu tố phụ thuộc và không chắc chắn của dữ liệu biểu đồ kiểm soát.

Nội dung trích xuất từ tài liệu:
Mô hình xác suất LSTM-MC Dropout sử dụng biểu đồ dự báo kiểm soát chất lượng công trìnhTạp chí Khoa học công nghệ Giao thông vận tải Tập 11 - Số 4Mô hình xác suất LSTM-MC Dropout sử dụng Biểu đồdự báo Kiểm soát Chất lượng công trìnhA probabilistic LSTM-MC dropout model for ControlChart Pattern predictionNguyễn Trọng Dũng1,*, Vũ Ngọc Trụ2, Hồ Anh Cương3, Nguyễn Huy Hùng3, Hoàng Thanh Thuý3, VũHải Cảnh4, Huỳnh Khắc Tuấn51 Trường Đại học Mỏ-Địa chất2 Trường Đại học Xây dựng Hà Nội3 Trường Đại học Giao thông vận tải4 Trường Đại học Công nghệ Compiègne, Pháp5 Trường Đại học Công nghệ Troyes, Pháp* Email liên hệ: nguyentrongdung@humg.edu.vnTóm tắt:Biểu đồ kiểm soát là một công cụ hiệu quả trong kiểm soát quá trình thống kê, giám sát chất lượng công trình.Trong thực tế, mỗi mẫu trong biểu đồ kiểm soát chất lượng thường tương ứng với các trạng thái hoạt động/hưhỏng của các công trình. Hầu hết các công trình nghiên cứu hiện tại đều tập trung vào việc xác định các mẫubiểu đồ kiểm soát (Control Chart Pattern - CCP). Trong bài báo này, nhóm tác giả đề xuất một mô hình tiênlượng cho dự báo CCP. Mô hình được xây dựng dựa trên kỹ thuật học sâu mạng nơ ron hồi quy nhân tạoLSTM (Long-Short-Term Memory) có tính xác suất để nắm bắt các yếu tố phụ thuộc và không chắc chắn củadữ liệu biểu đồ kiểm soát. Hiệu quả của mô hình được đề xuất được xác nhận thông qua một nghiên cứu số.Các kết quả dự báo có thể sử dụng như là cơ sở cho việc ra quyết định bảo trì mang tính dự báo và giúp tránhnhững hư hỏng không mong muốn.Từ khóa: Kiểm soát quá trình thống kê; Dự báo mẫu biểu đồ kiểm soát chất lượng; Học sâu có tính xác suất;Kỹ thuật học sâu mạng nơ ron hồi quy nhân tạo (LSTM); Phương pháp loại bỏ ngẫu nhiên Monte Carlo (MC).Abstract:Control chart, a powerful tool of statistical process control, monitors efficiently the production quality. Inpractice, it is realized that each pattern in a control chart usually corresponds to a functional/failed to state ofthe production process. Most existing works in the literature focus on the identification of control chart patterns(CCPs). In this paper, we propose a prognostic model for CCPs forecasting. The model is constructed basedon the probabilistic long-short-term memory (LSTM) network to capture the dependencies and uncertaintiesof the control chart data. The performance of the proposed model is then validated through a numerical study.The prediction results can be used as a basis for the predictive maintenance decision-making and helping toavoid unexpected failures of the production process.Keywords: Statistical process control; Control Chart Patterns forecasting, Probabilistic deep learning, Longshort Term Memory (LSTM), Monte Carlo (MC) Dropout.1. Giới thiệu sự không hài lòng của khách hàng, hình ảnh thương hiệu tiêu cực,... Kiểm soát quá trình thống kê (SPC)Chất lượng công trình là yếu tố cốt lõi của doanh đã được áp dụng thành công trong công nghiệp đểnghiệp. Các vấn đề về chất lượng dẫn đến các hậu giám sát và cải thiện chất lượng công trình. Nhưquả đáng kể chẳng hạn như chi phí thi công bổ sung, được chỉ ra bởi tên của nó, một trong những ưu điểm 37Nguyễn Trọng Dũng và cộng sựcủa SPC là có thể tính đến sự bất ổn của quá trình Recurrent Neural Network) [13], nó có khả năngthi công (liên quan đến lỗi máy móc hoặc điều kiện học được các phụ thuộc xa để khắc phục sự triệtkhai thác) nhờ vào nguyên tắc thống kê của nó [1]. tiêu và bùng nổ của gradient, chính là thách thức phổ biến nhất trong thiết kế vào đào tạo các mạng Biểu đồ kiểm soát, một trong những công cụ phổ RNN. LSTM đã được ứng dụng rộng rãi và thànhbiến nhất của SPC, là sự mô tả bằng đồ họa của một công cho việc dự báo chuỗi thời gian [14]. Vớiđặc tính chất lượng được tính toán từ một mẫu công nhiều ưu điểm, LSTM nói riêng và các phươngtrình theo thời gian [2]. Sự phát triển của biểu đồ pháp học sâu xác định khác nói chung thường chỉkiểm soát không hoàn toàn ngẫu nhiên và thường cung cấp một ước tính đầu ra tại một thời điểmtuân theo một số xu hướng/khuôn mẫu CCP. Mỗi tương lai và do đó, kh ...