In industrial practice, quality control traditionally occurred downstream to the output. In order to decrease costs linked to industrial wastes and to ensure end products of better quality, the control step is being anticipated through the analysis of the behavior of signals characterizing the process signature. In science, this paradigm shift in the monitoring approach is made possible by the availability of increasingly cheaper sensors for industrial use. Hence, the object of analysis is no longer the end product, but the process needed to realize it, that is described by the signals acquired during the processing. However, this shift of approach involves several challenges related with the complexity of the signals and the violation of traditional assumptions for quality control. Nonparametric and machine learning techniques (i.e., neural networks) are suitable to deal with distributional assumption violations and to cope with complex data patterns. Recent studies showed that those methods can be used in quality control problem, by exploiting only in-control data for training. Nevertheless, two critical issues include: the need for large amounts of training samples and the absence of out-of-control data in training set. The former issue is not a problem when working with signal data, due to the very high sampling. Literature lacks approaches that allow neural networks to recognize anomalous observations in the training phase so that they can be autonomously removed from the dataset, in order to increase reliability and effectiveness in the estimation of the technological signature. This thesis aims to search an innovative method for the identification of anomalies in the training phase of a specific type of neural network: the Self-Organizing Map. As far as Statistical Process Control is concerned, this work belongs to the research field of Profile Monitoring, that is the analysis of stability over time of a functional relationship between the process signal and the product quality. The method presented will be tested on a dataset proposed in the literature, and compared with the current state of the art.

In ambito industriale tradizionalmente il controllo di qualità è sempre avvenuto a valle della realizzazione dell'output. Al fine di ridurre i costi legati agli scarti e garantire una migliore qualità dei prodotti finiti, oggi si sta cercando di anticipare questa fase di controllo analizzando il comportamento dei segnali che caratterizzano la firma di processo. In ambito scientifico, questo cambio di approccio è meglio noto come paradigm shift del monitoraggio ed è reso possibile grazie alla disponibilità di sensoristica a costi sempre più ridotti. L'oggetto dell'analisi quindi non è più il prodotto finale ma il processo produttivo che lo realizza descritto dai segnali acquisiti durante la lavorazione. Questo cambio di approccio coinvolge numerose sfide connesse con la complessità dei segnali e con la violazione delle ipotesi tradizionali per il controllo qualità. Le tecniche non parametriche derivanti dal campo del machine learning (i.e., neural network) ben si adattano a trattare la violazione delle ipotesi distribuzionali e far fronte a complessi pattern dei dati. Studi recenti hanno mostrato come questi metodi possono essere usati nei problemi di controllo qualità, sfruttando solo dati in controllo per l'addestramento. Tuttavia, due criticità sono: la necessità di avere una grande quantità di campioni di training e l'assenza di dati fuori controllo tra questi. Il primo non sarà un problema quando si lavora con i dati provenienti da segnali, a causa dell'elevato campionamento, il secondo sarà invece un aspetto critico. In letteratura mancano degli approcci che consentano alle reti neurali di riconoscere osservazioni anomale in fase di training ed eliminarle in maniera autonoma dal proprio dataset al fine di incrementare affidabilità ed efficacia nella stima della firma tecnologica. L'obiettivo di questo lavoro di tesi consiste quindi nella ricerca di un metodo innovativo per l'identificazione di anomalie in fase di addestramento di una specifica tipologia di rete neurale: la Self-Organizing Map. In ambito di Statistical Process Control questo lavoro rientra nel filone di ricerca del Profile Monitoring, ovvero l'analisi della stabilità nel tempo di una relazione che lega il segnale di processo con la qualità di prodotto. Il metodo presentato verrà testato su un dataset già presente in letteratura e confrontato con l'attuale stato dell'arte.

Quality control via sensor data : design of nonparametric control charts based on self-organizing map

Di MAURO, MASSIMILIANO
2013/2014

Abstract

In industrial practice, quality control traditionally occurred downstream to the output. In order to decrease costs linked to industrial wastes and to ensure end products of better quality, the control step is being anticipated through the analysis of the behavior of signals characterizing the process signature. In science, this paradigm shift in the monitoring approach is made possible by the availability of increasingly cheaper sensors for industrial use. Hence, the object of analysis is no longer the end product, but the process needed to realize it, that is described by the signals acquired during the processing. However, this shift of approach involves several challenges related with the complexity of the signals and the violation of traditional assumptions for quality control. Nonparametric and machine learning techniques (i.e., neural networks) are suitable to deal with distributional assumption violations and to cope with complex data patterns. Recent studies showed that those methods can be used in quality control problem, by exploiting only in-control data for training. Nevertheless, two critical issues include: the need for large amounts of training samples and the absence of out-of-control data in training set. The former issue is not a problem when working with signal data, due to the very high sampling. Literature lacks approaches that allow neural networks to recognize anomalous observations in the training phase so that they can be autonomously removed from the dataset, in order to increase reliability and effectiveness in the estimation of the technological signature. This thesis aims to search an innovative method for the identification of anomalies in the training phase of a specific type of neural network: the Self-Organizing Map. As far as Statistical Process Control is concerned, this work belongs to the research field of Profile Monitoring, that is the analysis of stability over time of a functional relationship between the process signal and the product quality. The method presented will be tested on a dataset proposed in the literature, and compared with the current state of the art.
GRASSO, MARCO
MAGGIONI, MATTEO FRANCESCO
ING - Scuola di Ingegneria Industriale e dell'Informazione
18-dic-2014
2013/2014
In ambito industriale tradizionalmente il controllo di qualità è sempre avvenuto a valle della realizzazione dell'output. Al fine di ridurre i costi legati agli scarti e garantire una migliore qualità dei prodotti finiti, oggi si sta cercando di anticipare questa fase di controllo analizzando il comportamento dei segnali che caratterizzano la firma di processo. In ambito scientifico, questo cambio di approccio è meglio noto come paradigm shift del monitoraggio ed è reso possibile grazie alla disponibilità di sensoristica a costi sempre più ridotti. L'oggetto dell'analisi quindi non è più il prodotto finale ma il processo produttivo che lo realizza descritto dai segnali acquisiti durante la lavorazione. Questo cambio di approccio coinvolge numerose sfide connesse con la complessità dei segnali e con la violazione delle ipotesi tradizionali per il controllo qualità. Le tecniche non parametriche derivanti dal campo del machine learning (i.e., neural network) ben si adattano a trattare la violazione delle ipotesi distribuzionali e far fronte a complessi pattern dei dati. Studi recenti hanno mostrato come questi metodi possono essere usati nei problemi di controllo qualità, sfruttando solo dati in controllo per l'addestramento. Tuttavia, due criticità sono: la necessità di avere una grande quantità di campioni di training e l'assenza di dati fuori controllo tra questi. Il primo non sarà un problema quando si lavora con i dati provenienti da segnali, a causa dell'elevato campionamento, il secondo sarà invece un aspetto critico. In letteratura mancano degli approcci che consentano alle reti neurali di riconoscere osservazioni anomale in fase di training ed eliminarle in maniera autonoma dal proprio dataset al fine di incrementare affidabilità ed efficacia nella stima della firma tecnologica. L'obiettivo di questo lavoro di tesi consiste quindi nella ricerca di un metodo innovativo per l'identificazione di anomalie in fase di addestramento di una specifica tipologia di rete neurale: la Self-Organizing Map. In ambito di Statistical Process Control questo lavoro rientra nel filone di ricerca del Profile Monitoring, ovvero l'analisi della stabilità nel tempo di una relazione che lega il segnale di processo con la qualità di prodotto. Il metodo presentato verrà testato su un dataset già presente in letteratura e confrontato con l'attuale stato dell'arte.
Tesi di laurea Magistrale
File allegati
File Dimensione Formato  
2014_12_DiMauro.pdf

Open Access dal 11/12/2017

Descrizione: Testo della tesi
Dimensione 2.07 MB
Formato Adobe PDF
2.07 MB Adobe PDF Visualizza/Apri

I documenti in POLITesi sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/10589/99101