You are on page 1of 42

UN ENFOQUE DE REDES NEURONALES ARTIFICIALES PARA LA OPTIMIZACIÓN DE MÚLTIPLES RESPUESTAS Los ingenieros requieren optimizar un numero de respuestas simultaneas

.

Un enfoque común para la optimización de múltiples respuestas comienza usando el modelo de regresión lineal, este modelo estima la relación entre las respuestas y los factores de control
Son demasiadas complejas para ser estimados por un modelo de regresión final. Además, en algunos casos de manufactura, los ingenieros se encuentran con respuestas cualitativas, los cuales no pueden ser convertidos en una forma de número. Una alternativa propuesta en este artículo es el uso de una red neuronal artificial (ANN), esto estima las funciones de respuesta cualitativa y cuantitativa.

INTRODUCCION las empresas están impulsadas a mejorar constantemente la calidad de sus productos. El diseño de experimentos (DOE) es un eficaz método de mejora de la calidad recomendado por la mayoría de los profesionales para optimizar el rendimiento de los procesos de fabricación. Los métodos experimentales de diseño nos ayudarán a investigar los efectos de control y los factores de ruido en una o más respuestas de interés. El objetivo del DOE es determinar el óptimo ajuste para los factores de control de modo que características de calidad del producto o respuesta de interés alcanzan sus objetivos con una variación mínima.

El objetivo final de este problema de optimización es para determinar los ajustes para los factores de control que conducen a la mejor combinación de las respuestas

EL ENFOQUE PROPUESTO

Dependiendo de qué tipo de ANN se utiliza, existen diferentes parámetros que ajustar, pero el concepto que todos compartimos común es que todos ellos necesitan ser entrenados. Por lo general, ejemplos se utilizan para entrenar la red neuronal. Cada ejemplo se compone de un par de entrada-salida: una señal de entrada y su correspondiente deseado de respuesta para la red neuronal

REVISIÓN DE LA LITERATURA { .

. El rendimiento de cada método depende del tamaño y la complejidad del problema. Diferentes métodos han sido propuestos en la literatura para la optimización de múltiple respuesta problemas.

. Myers y. El problema principal con este enfoque es que no puede identificar la solución más dominante.Montgomery afirma que este enfoque es eficaz cuando se sólo unos pocos factores de control están implicados. La primera categoría consiste en de la superposición de los trazados de contorno de cada respuesta y encontrar la región de interés en el que diferentes respuestas está satisfecho.

. como el establecimiento de prioridades basadas en los enfoques. El segundo categoría discutida por Ortiz consiste en enfoques que se pueden utilizar para formular el problema en la forma de un problema de optimización restringida. Se refieren a esta categoría.

. Finalmente. En primer lugar. construir modelos para la las respuestas de interés. utilizar un enfoque para combinar los modelos en un solo valor escalar. se optimizar un modelo de un solo valor por medio de una optimización método. En segundo lugar. La tercera y la categoría más general consiste en enfoques que utilizan los siguientes tres pasos para encontrar el la solución más dominante.

. Shah utilizó al parecer regresiones no relacionadas (SUR) para estimar los parámetros del modelo. Sin embargo. modelo de construcción. es decir. Mínimos cuadrados ordinarios (MCO) es la más común enfoque propuesto para llevar a cabo la primera etapa.

incluyendo conveniencia funciones. diferentes técnicas. las funciones a distancia. Este método es muy útil cuando las variables de respuesta en de respuesta múltiple los problemas están correlacionados. En cuanto al segundo paso. La pérdida de error cuadrático funciones. tiene han propuesto en la literatura para combinar múltiples modelos de respuesta en un escalar. y la proporción de la conformidad. .

. En muchos de los casos.  Las respuestas cualitativas son aquellas características de calidad que no pueden ser convenientemente representados numéricamente. ya sea como "Conforme" o "no conforme" a las especificaciones de esa característica de calidad. solemos clasificar a cada elemento de inspección. Otro problema que a menudo se produce en el mundo real aplicaciones es que los usuarios encuentran respuestas cualitativas.

El diseño experimental nos ayuda a recoger los datos necesarios para la formación de las redes neuronales. .Diseño del experimento  Como se muestra en la fig. se consideran generalmente como los diseños eficaces para la recogida de los datos requeridos. RSM diseños como el compuesto central (CCD) o-Box Diseños Behnken. cubriendo el espacio más experimental a fondo. El enfoque propuesto se inicia con diseñar un experimento. debido a su capacidad para proporcionar la requerida la información.

Diseño de experimento Hay alguna respuesta cualitativa?? SI La definicion de los conjuntos difusos para la respuestas cualitativas NO La identificacion de los factores de control significativos de cada respuesta a traves de las redes RBF Respuesta estimacion utilizando ANN La combinacion de salidas de la red a traves de las funciones de conveniencia El diseño de la Asamblea General (el ajuste de los parametros) Optimizacion y encontrar la solucion mas conveniente .

en forma de expresiones multilingües tales como "Muy Bueno".Las respuestas Cualitativas Para las respuestas cualitativas. "bueno". "medio". Este es uno de los más pasos importantes en fuzzifying una variable cualitativa. En la definición de conjuntos difusos. las implicaciones de los expertos son comúnmente consideradas. etc. los conjuntos borrosos se definen asi. .

una red neuronal se entrenó para cada la respuesta a la aproximación de su relación con factores de control. Las entradas a estas redes son factores de control y las salidas son respuestas. Por lo tanto. .Aplicación de una red neuronal para la estimación de la respuesta En esta fase. el número de capacitados redes neuronales es igual al número de las respuestas.

Control de Factores Entrada Capa De capas ocultad o capas. Salida de capas Respuesta .

Combinando diferentes respuestas a través de conveniencia funciones Uno de los métodos más poderosos de objetivos múltiples es la toma de decisiones (MoDM) y es la función de deseabilidad. . Este enfoque consiste de transformar cada una de las respuestas m en su conveniencia de acuerdo con un objetivo específico. que transforma un problema de objetivos múltiples en un solo objetivo problema.4.

Factores y niveles para el diseño experimental de Box-Behnken Factor Nombre A B C Caudal Fluir temporal Bloque temporal Unidades SCFM °C °C Bajo Nivel 40 200 150 Alto nivel 120 450 350 . las conveniencias individuales se combinan mediante el uso de aditivo o modelos multiplicativos o mixta que produce un solo valor total en nuestra conveniencia D (x).Por último.

4.3. se recomienda definir la conveniencia individual como: .1 Definiendo funciones de deseabilidad individuales para las respuestas cuantitativas Para respuestas cuantitativas. el uso de conveniencia individuo funciones inicialmente propuesto por Derringer y Suich y posteriormente modificado por Ortiz.

Corridas experimentales flujo de velocidad 40 120 40 120 40 120 flujo de temperatura 200 200 450 450 325 325 bloqueo de temperatura 250 139 250 140 250 184 250 210 150 182 150 170 130 151 152 108 143 141 180 135 149 141 122 153 154 103 138 157 184 133 145 139 134 143 152 111 176 131 192 155 161 158 118 146 150 101 141 139 175 138 141 140 115 164 171 101 135 160 190 145 149 148 130 122 134 118 115 176 169 199 169 171 151 133 147 140 147 125 126 117 114 131 103 110 110 113 126 Y1 Y2 Y3 Y4 Y5 Y6 40 120 80 80 80 80 80 80 80 325 325 200 450 200 450 325 325 325 350 175 350 180 150 132 150 206 350 183 350 181 250 175 250 190 250 180 .

4 21.B.5 1379.C 5.3 419 143.4 206.1 67.9 3501.6 15.6 151.5 1141 284.Error cuadrático medio (MSE) para los datos de prueba FACTORES Y1 Y2 Y3 Y4 Y5 Y6 A.7 B.8 215.3 .B 260.1 776.7 3117.8 139.2 A.C 4049.5 A.1 1169.4 1551 415.C 446 460.7 1135.

1. Esta fórmula calcula la distancia de la salida de vector Yj de su objetivo vector Tj . en donde la ubicación de el 1 en el vector debe ser definido por el experto de acuerdo con el conjunto borroso más deseable. en donde la ubicación del 0 elemento es la misma que la ubicación del elemento 1 en el objetivo vectorial. donde Yj es el vector de salida de la red Tj y es el vector de destino. que determina su individuo conveniencia.2. El término pena se fija igual a C para todos respuestas cualitativas. .Definiendo funciones de deseabilidad individuales para las respuestas cualitativas Las salidas de las redes neuronales para las respuestas cualitativas están en la forma de un vector de elemento n +1. próximo. W j es el complemento del vector de destino. restando desde 1.4. El objetivo vector T j es un vector con un elemento igual a 1 y n elementos iguales a 0. Wj es el complementar del vector de destino con n elementos iguales a 1 y un elemento igual a 0.

la conveniencia total definida por D * (x) puede se calcula como sigue .Después de determinar las conveniencias individuales para calidad las respuestas de tipo cualitativo y cuantitativo y teniendo en cuenta los términos de penalización.

no se puede utilizar debido a que requieren respuesta superficies para calcular el gradiente y la dirección de mejorar. Un GA tiene distintos parámetros cuyos valores deben ser determinado antes de la fase de optimización se inicia . Sin embargo. GA que se conoce como un método de búsqueda heurística potente para la optimización de funciones no lineales y complejos. el gradiente basado en métodos de optimización tales como GRG. hay habría ninguna superficie de respuesta por esta razón En segundo lugar.ambiente.3. cuando las redes neuronales se utilizan.5 Optimización a través de GA Un GA es elegido para llevar a cabo la optimización para dos grandes razones: En primer lugar.

Tabla 1 Niveles de control y variables de ruido utilizado en la robustamente experimento diseñado .El control del GA y el ruido variables y sus niveles se muestran en la Tabla 1.

que incluye sólo respuestas cuantitativas. El primer ejemplo es de la literatura. Ya que no pude encontrar ninguna de respuesta múltiple problemas con respuestas cualitativas en la literatura.EJEMPLOS El enfoque propuesto se ilustra con dos ejemplos. el segundo ejemplo es un proceso de hilatura en fusión de nylon 6 hilo proceso de fabricación .

Y5: comienzo de enlace en la temperatura a la posicion B. Y6: temperatura de enlace de meta en la posicion B.4. the control factors that influence the temperature at the wire bond are the N2 flow rate x1. 3 ). Y1: temperatura maxima en la posicion A Y2: temperatura a partir de enlace en la posicion A. y el bloque calentador x3 temperatura. 3 ) y los chips de silicio (posición B. the N2 temperature x2. Y3: enlace de acabado en la posicion A. and the heater block temperature x3. Durante este proceso. el fabricante cante debe montar un módulo híbrido en un pre-moldeado paquete por medio de cables de unión entre los conductores (posición A. la temperatura N2 x2. Y4:temperatura maxima en la posicion B. fig.1 Optimización de un múltiple respuesta de proceso de fabricación semiconductores Proceso de alambre de unión en el la industria de semiconductores. Fig. . los factores de control que influyen en la temperatura en la unión de alambre son el flujo de N2 x1 tasa.

se muestran en la Tabla 3 Unidade Bajo Alto s Nivel nivel Factor Nombre A Caudal SCFM 40 120 B Fluir temporal °C 200 450 C Bloque temporal °C 150 350 resultados experimentales se muestran en la Tabla 4 . Puesto que no hay respuesta cualitativa. junto con su niveles utilizados en el diseño.Los factores de control. el preprocesamiento fase se salta flujo de velocidad 40 120 40 120 40 120 40 120 80 80 80 80 80 80 80 flujo de temperatura 200 200 450 450 325 325 325 325 200 450 200 450 325 325 325 bloqueo de temperatura 250 250 250 250 150 150 350 350 150 150 350 350 250 250 250 Y1 139 140 184 Y2 103 125 151 Y3 110 126 133 Y4 110 117 147 Y5 113 114 140 Y6 126 131 147 210 182 170 175 180 132 206 183 181 175 190 180 176 130 130 151 152 108 143 141 180 135 149 141 169 122 122 153 154 103 138 157 184 133 145 139 199 134 134 143 152 111 176 131 192 155 161 158 169 118 118 146 150 101 141 139 175 138 141 140 171 115 115 164 171 101 135 160 190 145 149 148 .

4 206.6 1379.7 415.C A. excepto para Y 2 e Y 3 .7 1141 Y4 143.2 776. [ 4 ].1 Y6 21.que todos los modelos comparten el mismo factores. .3 Los factores significativos de control para cada una de las seis respuestas se muestran en la Tabla 6 Al comparar los factores de control significativos logrados por nuestro enfoque y los que fueron utilizados en el modelos de regresión de Del Castillo et al. Se puede ver que.8 Y5 67.El MSE para la prueba datos correspondientes al modelo completo y modelos incluyendo dos factores de control se muestran en la Tabla 5 FACTORES A.5 Y3 419 139.3 15.B Y1 446 5.1 1135.C B.5 284.9 Y2 460.5 1169.4 260.1 215.8 1551 3501.7 151.4 3117.B.C A.6 4049.

El más apropiado de las redes con el menor MSE se como se presenta en la Tabla 7 Como puede verse. Todas las redes MLP tienen dos capas ocultas con funciones de activación tangente hiperbólica. El MSE de los modelos de regresión de seis (presentado en [ 4 ]) También se calcula y se presentan en la Tabla 8 . Las neuronas de salida tienen las funciones lineales de activación. La proporción de datos de prueba para el total de datos para las tres primeras redes es de 11.39%. MLP se selecciona como la mejor red para todas las respuestas.11% y para los próximos tres años redes es 15.A continuación. . teniendo en cuenta los factores de control mencionados en el Tabla 6 para cada respuesta.Marquardt. La algoritmo de entrenamiento en todas las seis redes es Levenberg. diferente MLP y RBF redes con diferentes parámetros están capacitadas.

Como puede verse en la Tabla 10 .0001 c. Tabla 10 compara la solución que se encontró con la versión revisada del conveniencia planteamiento de Del Castillo El enfoque sin restricciones de conveniencia de Ortiz et al. [ 17 ]. el total de conveniencia alcanzado por el método propuesto muestra su capacidad de optimización de respuesta múltiple problemas en comparación con dos enfoques principales. Conveniencias individuales se supone que son lineales. como se muestra en la Tabla 9 . el ingeniero de procesos selecciona los valores más bajos.Para utilizar el enfoque de conveniencia. y el objetivo para el individuo conveniencias. . con s = t = 1 e igual a 0. y nuestro enfoque propuesto. la parte superior.

's y Del Castillo et al. .otros Las soluciones finales previstos por Ortiz et al.' s son los enfoques cerca uno del otro. Esto es debido al hecho de que comparten los mismos modelos de regresión para las seis respuestas.

Y los hilados de condición del aspecto (Y 3 ). velocidad de giro. Maximizar Y 2 . el antiestático. que muestra el número de gruñidos en una unidad de longitud y es definida por un experto observando el hilo bajo un micro. es cualitativa  El propósito de este experimento es alcanzar un valor objetivo igual a 140 para Y 1 . Y lograr la mejor condición de hilo con el mínimo posible de grumos (Y 3 )  Se identifica seis factores que afectan a estas tres respuestas: temperatura. velocidad del extrusor.ámbito de aplicación. que se define como el peso por unidad longitud y se mide en dtex (Y 1 ).Optimización de Múltiple Respuesta para el proceso de Fabricación de Nylon 6 hilos  Las respuestas del experimento que debe ser optimizado son el número de hilo. diámetro de los hilos. Las dos primeras respuestas son cuantitativos y el tercero. La tensión específica de hilo en cN / tex (Y 2 ). . caudal de salida.

 Las ecuaciones para simular el proceso son las sgtes: .

que contiene los resultados de la tercera ecuación. se divide en tres secciones y las expresiónes correspondientes se utilizan como sigue: . El intervalo de 80 a 136. Para generar los valores cualitativos en la forma de expresiones multilingües para Y 3 . En el siguiente paso. un diseño compuesto central con un centro punto fue elegido y las respuestas se calcularon utilizando ecuaciones de simulación.

el intervalo [70. con el fin de alimentar a estos miembros funciones a las redes neuronales. 3. Posteriormente. 140] se divide al 28 de secciones iguales (n = 28). que debe ser expresado como un vector. Para ello.2 . De acuerdo con la Secc. el 29 vectores de elementos de los tres conjuntos borrosos son como se muestra .

A continuación. Para identificar los factores importantes de control. E y F para la respuesta Y 1 . . A y D para la respuesta Y 2 . Según la Tabla 13 . Los resultados se muestran en la Tabla 14 . el MSE de la datos de prueba para el modelo completo y modelos que incluyen cinco factores de control (k -1) figuran en el cuadro 13 . Los factores D. C y D para Y la respuesta 3 Se identifican como factores significativos. Y A. B. el Redes RBF se formaron con factores importantes como el entradas de cada red.

los modelos completos son elegidos para la optimización. . Dado que el MSE de los modelos con factores significativos son no significativamente menores que el MSE del modelo completo. La funciones de activación de las neuronas de la capa oculta en todos las redes son tangente hiperbólica. Posteriormente. Las mejores redes de las tres respuestas son MLP con el algoritmo de entrenamiento LevenbergMarquardt. las redes más adecuadas con el menor CME fueron entrenado.

y los valores reales de respuesta (definida por ecuaciones de simulación) se muestran en la Tabla 17 . La solución más deseable encontrado por el algoritmo. los valores pronosticados de respuesta (definida por los nervios redes).000 veces. la se ha ejecutado 1. Con los ajustes de los parámetros obtenidos.

la salida de la tercera red para la solución final está cerca del vector de destino. Además. . el predicho valores del respuesta primera y segunda alcanzado por la primera y segunda redes están cerca de sus valores reales obtenidos por ecuaciones de simulación. Esto muestra la formación adecuada de las tres redes y aprueba el enfoque propuesto para hacer frente a problemas que incluyen las respuestas cualitativas. Como puede verse en la Tabla 17 . .

se identifica los factores de control significativos de cada uno de los las respuestas a través del uso de la función de sesgo radial (FBR).  En segundo lugar.  El enfoque propuesto es novedoso debido a tres aspectos principales:  En primer lugar. se utiliza redes neuronales para estimar las respuestas de interés. se puede hacer frente a los problemas que contienen respuestas cualitativas. .Conclusiones  En este trabajo se propone un enfoque para la optimización de los problemas con respuesta múltiple con o sin respuestas cualitativas.  Por último.