توصيفگر ها :
داده‌كاوي , تنظيم پارامتر , كشف دانش از پايگاه داده , توليد نخ تكسچره , تكسچرايزينگ , الياف مصنوعي
چكيده فارسي :
امروزه در بسياري از واحد هاي صنعتي، حجم وسيعي از داده‌ها و اطلاعات در مورد پارامترهاي مختلف فرآيند توليد، جمع‌آوري و ثبت مي‌شود. اما استفاده از اين داده‌ها در اغلب موارد كار ساده‌اي نيست و نمي‌توان به صورت يكپارچه از اين حجم داده‌ها استفاده نمود. داده‌كاوي، ابزارهايي را براي تحليل پايگاه‌هاي داده بزرگ، كشف روندها، الگوها و دانش از اين منابع فراهم مي‌كند. به دليل رشد روزافزون جمعيت و كاهش منابع طبيعي توليد الياف، الياف طبيعي ديگر قادر به پاسخگويي نياز بشر نيستند. همچنين نيازهاي جديد و پيشرفت مد، بشر را وادار ساخته تا از مواد مصنوعي جهت توليد الياف استفاده نمايند. به همين دليل استفاده از الياف مصنوعي رواج يافته است به طوريكه بيش از هشتاد درصد الياف مصرفي در دنيا الياف مصنوعي مي‌باشد. همچنين مخلوط شده اين الياف با الياف طبيعي در مواردي نقص‌هاي الياف طبيعي را پوشانده و خواص عالي به پارچه توليدي مي‌بخشد. در بين الياف مصنوعي پلي استر به دليل سهولت فرايند توليدي و همچنين مقرون به صرفه بودن مواد اوليه بيش از ساير الياف مصنوعي مورد توجه قرار گرفته است و شركت‌هاي توليدي اين الياف رو به افزايش مي‌باشد. اما اين صنعت نيز همچون ساير صنايع چالش‌هاي فراواني در افزايش كارايي و اثر بخشي دارد و همين امر باعث شده است كه تحليل داده‌هاي اين صنعت و دست‌يابي به پارامترهاي بهينه فرايندي به صورت پويا از اهميت ويژه اي برخوردار باشد. شركت تابان نخ سپاهان يكي از شركت‌هايي است كه در زمينه توليد نخ‌هاي پلي استر با ظرفيت توليد 500 تن نخ فعاليت مي‌نمايد. در خط توليد نخ تكسچره، پارامترهاي كيفي محصول خروجي از جمله عوامل تعيين كننده‌ي كيفيت نهايي محسوب مي‌شوند. عدم تطابق مقادير پارامترهاي كيفي با مقادير مطلوبي كه توسط متخصصين بيان مي‌شود، يكي از چالش‌هاي موجود در خط توليد اين محصول مي‌باشد. به همين دليل در اين پژوهش با استفاده از تكنيك‌هاي داده‌كاوي سعي بر پردازش پايگاه داده و همچنين پيش‌بيني پارامترهاي خروجي فرآيند توليد نخ تكسچره شده است. بدين منظور از تكنيك‌هاي هوشمند كشف دانش مانند درخت تصميم، ماشين بردار پشتيبان، K-نزديكترين همسايه، يادگيري عميق و رويكردهاي مبتني بر تئوري بيز استفاده شده است. پس از پردازش تكنيك‌ها بر روي داده‌ها و نتايج حاصل از آنها، سازگارترين مدل با داده هاي اين پژوهش، K -نزديك¬ترين همسايه با دقت تقريبي 80% مي‌باشد. پس از انتخاب مدل سازگار در هر كدام از سناريوها و استفاده از روش انتخاب روبه جلو، اصلي¬ترين ويژگي‌هاي فرآيندي (Draw Ratio، D/Y وTemp Primary) كه داراي بيشترين اثر بر روي پارامترهاي كيفي نخ تكسچره بوده اند، شناسايي شدند. در نهايت با استفاده از ويژگي¬هاي موثر شناسايي شده و برخي از ويژگي هاي مرتبط با مواد اوليه در مقام تحديد‌كننده (ازجمله متوسط استحكام، حداقل ازديادطول و حداقل RKM) و با استفاده از درخت تصميم، چارت‌هاي راهنماي دو بعدي براي رسيدن به محصول باكيفيت در اختيار شركت قرار داده شده است.
چكيده انگليسي :
In industry, large volumes of data and information on various parameters of the production process are collected and recorded daily. However, using this data is often not an easy task and this volume of data can not be used seamlessly. Data mining provides tools for analyzing large databases, discovering trends, patterns, and knowledge from these sources. Due to increasing population growth and declining natural resources for fiber production, natural fibers are no longer able to meet human needs. It has also humanly forced new needs and advances to use synthetic materials to produce fibers. For this reason, the use of synthetic fibers has become popular today, so more than eighty percent of the fibers used in the world are synthetic fibers. Also, when mixed with natural fibers, these fibers in some cases cover the defects of natural fibers and give excellent properties to the fabric produced. Among synthetic polyester fibers, due to the ease of production process and also the cost-effectiveness of raw materials, more attention has been paid to other synthetic fibers, and companies producing these fibers are increasing. But this industry, like other industries, has many challenges in increasing efficiency and effectiveness, and this has made the analysis of industry data and achieving optimal process parameters dynamically is of particular importance. Therefore, the application of data mining in this industry has received much attention today. Taban Nakh Sepahan Company is one of the companies that produces polyester yarns with a production capacity of 500 tons of yarn. In the textured yarn production line, the quality parameters of the output product are among the factors that determine the final quality. The mismatch of the values of quality parameters with the desired values expressed by experts is one of the challenges in the product line of this product. For this reason, in this dissertation, using data mining techniques, an attempt has been made to process the database and also to predict the output parameters of the yarn production process. For this purpose, intelligent knowledge discovery techniques such as Decision Tree, Support Vector Machin, K-Nearest Neighbour, Deep Learning, and Naïve Bayes approaches have been used. After processing the techniques on the data and their results, the most consistent model with the data of this study is K-Nearest Neighbour with an approximate accuracy of 80%. After selecting the compatible model in each of the scenarios and using the forward selection method, the main process characteristics (Draw Ratio, D/Y and Temp Primary) that had the greatest effect on the quality parameters of the textured yarn were identified. Finally, using effective properties identified and some properties related to raw materials in the limiting position (including average strength, minimum elongation and minimum RKM) and using the Decision Tree, two-dimensional guide charts to achieve quality product Provided to the company.
