توصيفگر ها :
ارزيابي كيفيت , رويكردهاي داده كاوي , درخت تصميم , جنگل تصادفي , شبكه عصبي , گندله سازي , اكسيد آهن , رويكرد دلفي , پيش بيني كيفيت
چكيده فارسي :
با توجه به پيشرفت صنعت و تكنولوژي روزانه حجم زيادي از داده‌ها در محيط‌هاي خدماتي و صنعتي توليد مي‌گردد كه تحليل و بررسي آن‌ها مي‌تواند نتايج قابل قبولي به‌منظور تدوين استراتژي‌هاي سازمان در اختيار قرار دهند. براي اين منظور، ابزارها و تكنيك‌هاي مختلفي وجود داشته كه استخراج دانش از داده و يا به‌اختصار داده‌كاوي، يكي از مهم‌ترين آن‌ها مي‌باشد. در داده‌كاوي، ابزارهاي مختلفي وجود داشته كه با توجه به ماهيت داده‌ها و مسئله‌ي موردبررسي، برخي از آن‌ها انتخاب و مورداستفاده قرار مي‌گيرند. ازجمله‌ي اين روش‌ها مي‌توان به درخت تصميم، شبكه‌ي عصبي و جنگل تصادفي اشاره نمود. هر يك از روش‌ها ويژگي‌هاي منحصربه‌فرد خود را داشته كه با استفاده از آن‌ها مي‌توان موضوع موردبررسي را از ابعاد مختلفي تحليل نمود.
در پژوهش حاضر، صنعت گندله‌سازي و كيفيت گندله‌ي محصول با استفاده از روش‌هاي داده‌كاوي موردبررسي قرارگرفته است. اهميت گندله به‌عنوان يكي از ورودي‌هاي مهم و اثرگذار در صنعت فولادسازي، قابل‌توجه بوده بنابراين لازم است تا پايش و كنترل كيفيت اين محصول با دقت بالايي انجام پذيرد. يكي از پارامترهاي اندازه‌گيري كيفيت گندله‌ي خروجي، درصد اكسيد آهن خروجي مي‌باشد كه اين پارامتر بايستي تحت كنترل قرار بگيرد. با توجه به بررسي‌هاي به‌عمل‌آمده، هرچه ميزان اين اكسيد كمتر باشد، گندله‌ي خروجي از كيفيت بيشتري برخوردار مي‌گردد.
براي انجام اين امر، با استفاده از رويكرد دلفي و نظر خبرگان عوامل اثرگذار بر روي اين كيفيت شناسايي و داده‌هاي مربوط به آن از كارخانه‌ي گندله‌سازي اردكان، استخراج گرديده است. پارامترهاي شناسايي‌شده را مي‌توان در قالب دما، فشار، آناليزهاي شيميايي و برخي ديگر از عوامل مانند سرعت چرخش و دوران در بخش‌هاي مختلف فرآيند توليد، تقسيم‌بندي نمود كه اطلاعات مربوطه جمع‌آوري‌شده و با انجام مرحله‌ي پيش‌پردازش داده‌ها براي استفاده در الگوريتم‌هاي درخت تصميم، شبكه‌ي عصبي و جنگل تصادفي آماده‌شده‌اند.
درنتيجه‌ي استفاده از روش‌هاي داده‌كاوي در تشخيص و پيش‌بيني كيفيت گندله‌ي خروجي و تعيين عوامل و پارامترهاي اثرگذار بر روي اين كيفيت، مطالبي به‌دست‌آمده است. سرعت دوراني كولينگ و مقدار سيليس، به‌عنوان دو عامل شناسايي‌شده كه بيشترين اثرگذاري را بر روي كيفيت گندله خواهند داشت. هم‌چنين با استفاده از دو روش شبكه‌ي عصبي و جنگل تصادفي مدلي ساخته‌شده كه به استناد آن در فرآيندهاي توليد آتي، مي‌توان از توليد محصول باكيفيت پايين جلوگيري نمود. اين امر با پيش‌بيني و كنترل درصد اكسيد آهن در گندله، با توجه به پارامترهاي ورودي انجام مي‌گيرد. در اين پژوهش، موضوع مورد مطالعه علاوه بر روش درخت تصميم كه در گذشته مورد بحث و بررسي قرار گرفته است، توسط روش‌هاي تركيبي تحليل شده است.
كلمات كليدي: پيش‌بيني، ارزيابي كيفيت، گندله‌سازي، رويكردهاي داده‌كاوي، جنگل تصادفي، درخت تصميم، شبكه‌ي عصبي.
چكيده انگليسي :
Due to the advancement of industry and technology, large amounts of data are produced in services and industrial environments where analysis and analysis can provide acceptable results for developing organization strategies. for this purpose, there are several tools and techniques that extracting knowledge from data and data mining data is one of the most important. in the data mining, there are several tools that have been used and used according to the nature of the data and the issue. one of these methods can be referred to the decision tree, neural network and random forest. one of the methods has unique characteristics that can be analyzed by using them in different dimensions.
In the present study, the pelletizing industry and the quality of the product have been studied using data mining methods. pelletizing importance is significant as one of the important and effective inputs in the steel industry, so it is necessary for monitoring and monitoring the quality of the product. one of the parameters measuring the quality of output is the output of the output iron oxide, which has to be controlled. according to the investigations, the lower the amount of this oxide, the higher the output is higher.
To do so, using the delphi approach and experts opinion, the factors affecting this quality of identification and data related to it were extracted from the Ardakan Pelletizing plant. the identified parameters can be classified into temperature, pressure, chemical analysis, and other factors such as rotation speed and rotation in different parts of the production process, which are collected and done using data preprocessing step for decision tree algorithms, neural network.
thus, the use of data mining methods in diagnosis and prediction of quality of output and determination of factors and parameters affecting this quality is achieved. the rotational speed and amount of silica are identified as two factors which have the greatest impact on the quality of Pelletiing. also, using two methods of neural network and stochastic forest, a model constructed from which to rely on future production processes can prevent high - quality production from low - quality production. this is done by predicting and controlling the percentage of iron oxide in Pelletizing with respect to the input parameters
Keywords: Pelletizing industry, Neural network, Decision tree, Random forest.
