Mejora de la calidad de procesos con redes neuronales, algoritmos genéticos y lógica difusa

Mejora de la calidad de procesos con redes neuronales, algoritmos genéticos y lógica difusa

##plugins.themes.bootstrap3.article.main##

Juan M. Cevallos
Resumen
En muchos casos de mejora de la calidad de productos o procesos se requiere optimizar varias respuestas simultáneamente. Un enfoque clásico es aplicar el Diseño de Experimentos DDE, modelos de regresión múltiple para estimar las relaciones entre las respuestas y factores controlables; luego se combinan las diferentes respuestas con una función de deseabilidad y finalmente se optimizan los factores controlables. Sin embargo, puede ocurrir que la relación entre respuestas y factores controlables sea demasiado compleja para estimar la relación con éstos métodos, por ejemplo, una relación altamente no lineal. Un enfoque alternativo propuesto es el uso de redes neuronales artificiales RNA para estimar funciones de respuesta, en el caso de contar con variables cualitativas se las procesa con lógica difusa LD y en la fase de optimización usar algoritmos genéticos AG. Se presenta un ejemplo de optimización de un proceso de respuestas múltiples para comprobar la propuesta.

##plugins.themes.bootstrap3.article.details##

Biografía del autor/a / Ver

Juan M. Cevallos, Universidad San Ignacio de Loyola, Lima, Perú

Magister en Ingeniería Industrial. Doctor en Ingeniería. Ingeniero en Industrias Alimentarias. Profesor de la Facultad de Ingeniería de la Universidad San Ignacio de Loyola.
Referencias / Ver

Bhol J; Bhattacharya, S. & Mandal, N. (2011). A Neuro-Genetic approach for multi-objective optimization of process variables in drilling. International Journal of Technology and Engineering System IJTES. 2(1), 89-94.

Cheng, C; Cheng, C & Lee, S. (2004). Neuro-Fuzzy and Genetic Algorithm in Multiple Response Optimization. Computers and mathematics with Applications. 44(4), 1503-1514.

Chiao,C &Hamada, M. (2001). Analyzing experiments with correlated multiple responses. Journal of Quality Technology, 33(4), 451-465.

Del Castillo, E. & Montgomery, D. (1993). A nonlinear programming solution to the dual response problema. Journal of Quality Technology. 25(3), 199-204.

Del Castillo, E. & Montgomery, D. (1996). Modified desirability functions for multiple response optimization. Journal of Quality Technology. 28(3), 337-345.

Derringer, G. & Suich, R. (1980) Simultaneous optimization of several response variables. Journal of Quality Technology. 12(4), 214-219.

Haykin,S (1994). Neural Networks. Nueva York: Macmillan College Publishing Company

Khury, A. y Conlon, M. (1981). Simultaneous optimization of multiple responses represented by polinomial regression functions. Technometrics. 23(1), 363-375.

Kim, K. & Lin, D.K.J. Dual response surface optimization: a fuzzy modeling approach. Journal of Quality Technology. 30(1), 1-10.

Myers, R., Montgomery, D. (2002). Response surface methodology: process and product optimization using designed experiments. 2a edición. Nueva Jersey: Wiley.

Montgomery, D. (2006). Diseño y Análisis de Experimentos. 4ta edición. México DF: Wiley

Nelder, J & Mead, R. (1965). A simplex method for function minimization. Computation Journal. Vol. 7, pp 308-313.

Ortiz F; Simpson, J; Pignatiello. J; Heredia, A. (2004). A Genetic Algorithm Approach to Multiple Response Optimization. Journal of Quality Technology. 36(4), 432-450.

Pignatiello, Jr. J.J. (1993). Strategies fo robust multiresponse quality engineering. IIE Transactions. 25(1), 5-15.

Vinning, G (1998). A compromise approach to multiresponse optimization. Journal of Quality Technology. 30(4), 309-313.

Sistema OJS - Metabiblioteca |