عنوان اصلی لاتین :
Mining association rules for the quality improvement of the production process
عنوان اصلی فارسی مقاله: استخراج قوانین وابستگی برای بهبود کیفیت فرایند تولید.
مرتبط با رشته های : مدیریت - اقتصاد
نوع فایل ترجمه : ورد آفیس(که دارای امکان ویرایش می باشد)
تعداد صفحات فایل ترجمه شده: 25 صفحه
کلمات کلیدی مربوطه با این مقاله: ندارد
برای دریافت رایگان نسخه انگلیسی این مقاله اینجا کلیک نمایید
_______________________________________
جهت دانلود محصول اینجا کلیک نمایید
بخشی از ترجمه:
افراد
تحصیل کرده و شاغل معمولاً علاقه دارند توسعهی روشها و برنامههای
کامپیوتری را که با کارهای مهندسی و دانش سر و کار دارند دنبال کنند.
مدیریت اشتباه عملیات و زمانهای تولید از دست رفته، مشکلات و مسائل بزرگی
هستند که بهرهوری و کیفیت سیستمهای صنعتی و هزینهی تولید را تحت تأثیر
قرار میدهد. استخراج قوانین وابستگی، یک تکنیک دادهکاوی است که برای پیدا
کردن اطلاعات مفید و ارزشمند از پایگاههای داده بزرگ استفاده میشود. این
مقاله، پایهی مفهومی بهتری را برای توسعهی برنامههای استخراج قوانین
وابستگی ارائه میدهد تا دانش را از عملیات و مدیریت اطلاعات به راحتی
استخراج کند. تأکید این مقاله روی بهبود فرایندهای عملیاتی است. یک مثال
کاربردی، تجربهی صنعتی که استخراج قوانین وابستگی در آن برای تحلیل فرایند
تولید استفاده میشود را شرح میدهد. این مقاله برخی نتایج جدید و جالب در
رابطه با تکنیکهای داده کاوی و کشف دانش که روی فرایند تولید نقش دارد را
گزارش میدهد. نتایج تجربی روی دادههایی که در زندگی واقعی نقش دارند
نشان میدهد که روش پیشنهادی برای یافتن دانش مرتبط با عملیات نادرست مفید
واقع میشود.
مقدمه:
کاربردهای مهندسی هوش مصنوعی
نظرات محققین و شاغلین حوزهی صنعت را به دلیل توانایی آن در یادگیری و درک
اصول و حقایق به منظور کسب دانش و به کارگیری آن در عمل به خود جلب کرده
است. پیشرفتهای مداوم، اشاره به پیشرفتهای رو به جلو و غیر منتظره در
زمینهی عملکرد سازمانی دارد (Linderman, Schroeder, Zaheer, Liedtke,
& Choo, 2004). پیشرفت در مسائلی مانند افزایش ارزش مشتری، کاهش خطاها و
عیوب، بهرهوری بهبود یافته، امنیت عملکرد چرخهی زمانی و انگیزش Evans
& Lindsay, 2001)).
جهت دانلود محصول اینجا کلیک نمایید
قسمتی از مقاله انگلیسی
Since we are interested in knowledge discovery techniques thatcan help overcome the challenge of defining procedural knowl-edge, the association rule learning is chosen as knowledge discov-ery technique in our framework. This technique is domainindependent, and can be potentially applied for modeling proce-dural knowledge in any domain characterized by the fact that fora given task there might be many alternative solution-strategieswith an extensive range of practical solutions (Nkambou,Fournier-Viger, & Mephu Nguifo, 2011). Therefore, our approachaims to use this knowledge discovery technique in authoring solu-tions for the industrial monitoring process