Destek vektör makinesi ile elde edilen olasılık çıktılarına dayalı yeni bir istatistiksel süreç izleme yöntemi

Yıl 2024, , 1099 - 1112, 30.11.2023

Zümre Özdemir Güler , M. Akif Bakır , Filiz Kardiyen

https://doi.org/10.17341/gazimmfd.1192354

Cited By: 1

Öz

Çok değişkenli süreç kontrolü durumunda dağılım parametre vektöründeki anlamlı farklılaşmayı yakalamak kadar, bu kaymaya temelde neden olan marjinal dağılımın hangi değişken/değişkenlere ait olduğunun bilinmesi de önemlidir. Literatürde bu konuda geliştirilmiş birçok yöntem bulunmaktadır. Ancak bu yöntemlerin, normallik, bağımsızlık gibi varsayımlar gerektirmesi ve değişken sayısının artması halinde hesaplama güçlükleri ile karşılaşılması gibi birtakım dezavantajları vardır. Bu noktadan hareketle çalışmada çok değişkenli normal dağılıma uyan ve uymayan süreçlerde, değişkenler arasındaki korelasyon yapıları dikkate alınarak, süreç ortalama vektöründe gerçekleşen kaymanın ve bu kaymaya sebep olan değişken/değişkenlerin tespit edilmesi amacıyla, destek vektör makineleri temelinde özgün bir yaklaşım önerilmiştir. Yapılan simülasyon çalışmaları sonucunda önerilen yöntemin geleneksel yöntemlere karşın önemli üstünlüklere sahip iyi bir alternatif olduğu gösterilmiştir.

Anahtar Kelimeler

Çok değişkenli süreç kontrolü, kaymanın tespiti, kaymanın tanımlanması, destek vektör makineleri, Çok değişkenli süreç kontrolü, kaymanın tespiti, kaymanın tanımlanması, destek vektör makineleri

Kaynakça

• [1] Woodall, W.H. ve Montgomery, D.C., Research Issues and Ideas in Statistical Process Control, J Qual Technol, 31(4), 376–386, 1999.
• [2] Wang, Y., Si, Y., Huang, B. ve Lou, Z., Survey on the theoretical research and engineering applications of multivariate statistics process monitoring algorithms: 2008-2017, Tha Canadian Journal of Chemical Engineering, 96(10):2073-2085, 2018.
• [3] Alt, F. B., Multivariate Quality Control. Encyclopedia of Statistical Sciences, 6, N. L. Johnson ve S. Kotz, (eds.) Wiley, New York, 1985.
• [4] Hayter, A. J. ve Tsui, K.-L. Identification and Quantification in Multivariate Quality Control Problems. J Qual Technol, 26(3), 197–208, 1994.
• [5] Chua, M. ve Montgomery, D. C., Investigation and Characterization of a Control Scheme for Multivariate Quality Control. Qual Reliab Eng Int, 8(1), 37–44, 1992.
• [6] Mason, R. L., Tracy, N. D. ve Young, J. C., Decomposition of T2 for Multivariate Control Chart Interpretation, J Qual Technol, 27(2), 109–119, 1995.
• [7] Runger, G. C., Alt, F. B. ve Montgomery, D. C., Contributors to a Multivariate Statistical Process Control Signal. Communications in Statistics—Theory and Methods, 25(10), 2203–2213, 1996b.
• [8] Mason, R. L., Tracy, N. D. ve Yong, J. C. A practical approach for interpreting multivariate T2 control chart signals. J Qual Technol, 29(4), 396–406, 1997.
• [9] Jackson, J. E. , Quality Control Methods for Several Related Variables. Technometrics, 1, 359, 1959.
• [10] Jackson, J. E. ve Mudholkar, G. S., Control Procedures for Residuals Associated with Principal Component Analysis, Technometrics, 21, 341–349, 1979.
• [11] Jackson, J. E., Principal Components and Factor Analysis: Part I—Principal Components. Journal of Quality Technology, 12(4), 201–213, 1980.
• [12] Sun, R. ve Tsung, F., A Kernel-distance-based multivariate control chart using support vector methods. International Journal Production Research, 41(13), 2975–2989, 2003.
• [13] Apsemidis, A., Psarakis, S. ve Moguerza, J. M. , A review of machine learning kernel methods in statistical process monitoring, Comput Ind Eng, 142:1063076, 2020.
• [14] Cervantes, J., Garcia-Lamont,F., Rodríguez-Mazahua,L. ve Lopez,A., A comprehensive survey on support vector machine classification: Applications, challenges and trends, Neurocomputing, 408, 189-215, 2020.
• [15] Chongfuangprinya, P., Kim, S. B., Park, S.-K. ve Sukchotrat, T., Integration of support vector machines and control charts for multivariate process monitoring. J Stat Comput Simul, 81(9), 1157-1173, 2011.
• [16] He, S., Jiang, W. ve Deng, H., A distance-based control chart for monitoring multivariate processes using support vector machines, Ann Oper Res 263:191-207, 2018.
• [17] Hastie, T. ve Tibshirani, R., Classification by Pairwise Coupling. The Annals of Statistics, 26(2), 451–471, 1998.
• [18] Onel, M., Kieslich, C.A., Guzman, Y. A., Floudas, C. A. ve Pistikopoulos E. N., Big data approach to batch process monitoring: Simultaneous fault detection and diagnosis using nonlinear support vector machine-based feature selection, Computers & Chemical Engineering, 115:46-63, 2018.
• [19] Lee, P.-H., Torng, C.-C., Lin, C.-H. Ve Chou, C.-Y., Control chart pattern recognition using spectral clustering technique and support vector machine under gamma distribution, Comp Ind Eng, 171, 108437, 2022.
• [20] Burges, C.J.C., A Tutorial on Support Vector Machines for Pattern Recognition, Data Min Knowl Discovery, 2,121–167, 1998.
• [21]Shawe-Taylor, J. ve Cristianini, N., An Introduction to Support Vector Machines and Other Kernel-Based Learning Methods, Cambridge University Press, New York, 2000.
• [22] Platt, J., Probabilistic outputs for support vector machines and comparison to regularized likelihood methods. Advances in Large Margin Classifiers, Editörler: Smola, A. , Bartlett, P., Scholkopf, B. ve Schuurmans, D., Cambridge, MA, 61–74, 2000.
• [23] Efron, B. ve Tibshirani, R., An Introduction to the Bootstrap, Chapman & Hall/CRC, Boca Raton, FL, 1994.