Doğrusal vektör kuantizasyon modeli kullanılarak yapay sinir ağlarıyla kontrol şemalarında örüntü tanıma: Hazır beton üreten bir işletmede uygulama
| dc.authorid | TR45850 | en_US |
| dc.contributor.author | Koltan Yılmaz, Şebnem | |
| dc.date.accessioned | 2016-12-22T12:36:16Z | |
| dc.date.available | 2016-12-22T12:36:16Z | |
| dc.date.issued | 2014 | |
| dc.department | Enstitüler, | en_US |
| dc.description | 12.12.2017 tarihine kadar kullanımı yazar tarafından kısıtlanmıştır. | en_US |
| dc.description.abstract | Bu çalışmada amaç, işletmenin kalite amaçlarının yerine getirilmesi olarak tanımlanan süreçte ortaya çıkan ya da gelecekte meydana gelebilecek hataları tespit etmek ve bunları iyileştirmek için Yapay Zeka (YZ) tekniklerinden biri olan Yapay Sinir Ağları'nın (YSA) uygulanabilirliğini göstermektir. Böylece kalite düzeyini yükseltmek, işletme maliyetlerini azaltmak, zaman tasarrufu, çalışanları motive etmek, müşteri şikayetlerini azaltmak gibi kalite kontrolünün gerekleri olan temel amaçlara katkı sağlanabilecektir. İlk bölümde genel olarak kalite, kalite kontrol ve istatistiki kalite kontrol teknikleri açıklanmaktadır. Bu çalışmanın anahtar kavramı olan YZ teknikleri tanıtılmakta, YSA tanımı, yapısı, modelleri ve uygulamaları açıklanarak kalite kontrol konusundaki çalışmalarda kullanılan YSA modelleri ve sonuçlarına yer verilmektedir. Ayrıca, araştırmada kullanılan YSA modeli de bu bölümde ayrıntılı olarak ele alınmaktadır. Uygulamayı içeren ikinci bölümde, YZ tekniklerinden biri olan YSA kullanılarak Kontrol Şemaları Örüntü Tanıma (KŞÖT) uygulaması gerçekleştirilmiş ve elde edilen sonuçlar kullanılarak bu uygulama görsel bir programa dönüştürülmüştür. Bu amaçla, hazır beton üreten bir işletmenin en önemli kalite göstergelerinden biri olan basınç dayanım ortalamaları kullanılmıştır. YSA modeli olan DVK (Doğrusal Vektör Kuantizasyon) modeli kullanılarak kontrol şemalarına ilişkin kalite karakteristiği gözlem değerleri ve kontrol şemalarına ilişkin parametrelerle iki model kurulmuş, modeller karşılaştırıldığında kalite karakteristiği gözlem değerleriyle oluşturulan modelin kontrol şemalarına ilişkin parametrelerle oluşturulan modele göre daha başarılı sonuçlar verdiği ortaya konmuştur. En iyi performansa sahip olan ham veri modeline ilişkin ağırlık değerleriyle DVK algoritmasına uygun hazırlanan görsel program test edilerek KŞÖT uygulamasının beton basınç dayanım ortalamasının kontrolünde etkin bir şekilde kullanılabildiği sonucuna varılmıştır. | en_US |
| dc.description.abstract | The objective in this study is to detect the errors that occur or may occur in the future during the process in which the company's quality objectives are fulfilled and to show the applicability of the Artificial Neural Networks (ANN) which is one of the Artificial Intelligence (AI) techniques. Thus, it will be able to contribute to the main purposes which make quality control necessary such as to raise the level of quality, reduce operating costs, time savings, raising employees' motivation and reducing customer complaints. In the first part, in general, quality, quality control and statistical quality control techniques are described. AI techniques, which are the key concepts of this study, are introduced; the definition, structure, model and application of ANN are explained; the ANN models and their results used in the quality control studies are presented. Additionally, ANN model used in the present study is also discussed in detail in this section. In the second part comprising the application, a control charts pattern recognition (CCPR) application has been carried out using ANN which is one of the techniques of AI and this application has been transformed to a visual program using the obtained results. For this purpose, average compressive strength, one of the most important quality indicators, of a company that produces ready-mixed concrete has been used. A LVQ (Linear Vector Quantisation) type ANN model has been established by using the quality characteristics observation values related to control charts and the parameters related to control charts, and when these two models are compared, it has been found out that the model whose quality characteristics have been constructed using the observation values result in more successful results than that constructed with the model's control charts. The visual program which is suitable for LVQ algorithm using weight values about the raw data model having the best performance has been tested and it has been concluded that the CCPR application can also be used to control the average of concrete compressive strength efficiently | en_US |
| dc.identifier.citation | Koltan Yılmaz, Ş. (2014). Doğrusal vektör kuantizasyon modeli kullanılarak yapay sinir ağlarıyla kontrol şemalarında örüntü tanıma: Hazır beton üreten bir işletmede uygulama. İnönü Üniversitesi Sosyal Bilimler Enstitüsü. 1-190 ss. | en_US |
| dc.identifier.endpage | 190 | en_US |
| dc.identifier.startpage | 1 | en_US |
| dc.identifier.uri | https://hdl.handle.net/11616/5692 | |
| dc.language.iso | tr | en_US |
| dc.publisher | İnönü Üniversitesi | en_US |
| dc.relation.publicationcategory | Tez | en_US |
| dc.rights | info:eu-repo/semantics/embargoedAccess | en_US |
| dc.subject | Kalite Kontrol | en_US |
| dc.subject | Kontrol Şemalarında Örüntü Tanıma | en_US |
| dc.subject | Yapay Sinir Ağları | en_US |
| dc.subject | DVK | en_US |
| dc.subject | Beton Kalite | en_US |
| dc.subject | Quality Control | en_US |
| dc.subject | Pattern Recognition in Control Charts | en_US |
| dc.subject | Neural Networks | en_US |
| dc.subject | LVQ | en_US |
| dc.subject | Concrete Quality | en_US |
| dc.title | Doğrusal vektör kuantizasyon modeli kullanılarak yapay sinir ağlarıyla kontrol şemalarında örüntü tanıma: Hazır beton üreten bir işletmede uygulama | en_US |
| dc.title.alternative | Control charts pattern recognition based on linear vector quantization neural networks: Application on the business produced ready mixed concrete | en_US |
| dc.type | Doctoral Thesis | en_US |
