خلاصه
پیشرفت و فناوری ، فرصت های زیادی برای محققان ایجاد کرده است تا بتوانند از هوش مصنوعی در زمینه های مختلف استفاده کنند. تالش های زیادی برای استفاده از ابزار های یادگیری ماشین در بخش ساخت و تولید صورت گرفته است. اگرچه تنوع در عملکرد تکنیک ها مثل یک باتالقی است برای محققان( عدم توانایی محققان در انتخاب بهترین متد در بعضی مواقع بخاطر تعداد زیاد آنها) در بسیاری از موارد برخی متد ها نتایج مشابهی را نشان میدهند در حالی که برخی از موارد دیگر کارایی بهتری داشتند. انتخاب بهترین متد برای فرایند مدل سازی هنوز یک کار چالش برانگیز برای محققان میباشد از این رو برای ارائه یک چشم انداز برای محققان در این مقاله، عملکرد تکنیک های مختلف یادگیری ماشین در بخش تولید با ارزیابی مقاله های دو دهه گذشته بررسی میشود. در این مقاله در میان چندین تکنیک یادگیری ماشین، استفاده از شبکه های عصبی مصنوعی (ANN )در مدل سازی فرایند و بهینه سازی فرایند بخاطر توانایی پیشبینی و خروجی دقیق بصورت قابل توجهی مورد بررسی قرار گرفته است. اثر بخشی و عملی بودن مدلهای ANN در برنامه های تولیدی برای نشان دادن نقش اصلی آن در مدل سازی فرایند بررسی میشود.
1.مقدمه
هوش مصنوعی بخش عظیمی از تکنولوژی است که باعث تحریک محققان برای جایگزینی مغز انسان در حل مشکالت بصورت غیر مستقیم میباشد. یادگیری ماشین که زیر مجموعه ای از هوش مصنوعی میباشد میتواند ماشینها را به سمت یادگیری خودکار با استفاده از اطالعات گذشته هدایت کند. توانایی تکثیر هوش انسان و درک هر جنبه از معمای داده شده از طریق تجربه، یادگیری ماشین را به یک فرایند حتمی در هوش مصنوعی تبدیل میکند. با این که شاخه های یادگیری ماشین در مراحل اولیه پدیدار نشد ئلی االن به یک قطب مهم تبدیل شده است. وارن مک کالیک(McColloch Warren )متخصص مغز و اعصاب و والتر پیتس(Pits Walter ) ریاضی دان بزرگ اولین کسانی بودند که در مورد نورون ها و چگونگی کار آن ها نوشتند. در سال 3491 نتیجه تالش آنها منجر به ساخت یک مدار الکتریکی LED مجهز به شبکه های عصبی شد. در سال 3491 آلن تیورینگ ( Turing Alan ) آزمایش تیورینگ را ابداع کرد که در این آزمایش یک کامپیوتر باید فرق بین انسان و کامپیوتر را تشخیص دهد و این آزمایش موفقیت آمیز بود. بسیاری از نوآوری های بزرگ دیگر در یادگیری ماشین در طول چندین سال منجر به ساخت یک ماشین محاسباتی شده است که میتوانند مانند انسان از طریقه تجربه فکر کند و یاد بگیرد. محدودیتی که بخاطر الگوریتم ها وجود داشته از بین رفته. بهترین مزیت نوآوری یادگیری ماشین محققان را به سمت چند زمینه جلب کرده است، یادگیری ماشین در تولید، ساخت و ساز مصالخ ساختمانی، مواد، طراحی، مدل سازی اکولوژیکی، هواپیمایی، کامپیوترها و امنیت، مهندسی هسته ای، مهندسی حرارتی، برق و الکترونیک، اتومبیل، مهندسی شیمی، ارگونومی، زیست پزشکی، داروخانه، تجارت،... استفاده میشود.
در زمینه تولید ، Rolf. Bو همکاران. [1 ، ]یک برنامه زمانبندی جریان ترکیبی را با استفاده از یک الگوریتم ژنتیک (GA )حل کرد و دریافت که اختصاص قوانین اعزام با استفاده از GA نتایج بهتری نسبت به روشهای ساده اعزام اعمال شده در عمل صنعتی دارد. در زمینه ساخت و ساز و مصالح ساختمانی ، S.M احمد و همکاران [2 ، ]با استفاده از رگرسیون بردار پشتیبانی(الگوریتم SVR ، ) مقاومت اتصال نمونه پرتوی غیرقابل پیش بینی را پیش بینی کرد. Addin.O و همکاران [3 ، ]از طبقه بندی Bayes Naive برای شناسایی آسیب در مواد مهندسی استفاده می کند که اهمیت یادگیری ماشین در مواد و طراحی را نشان می دهد. در مدل سازی اکولوژیکی ، Peters. J و همکاران. [4 ، ]توزیع اکوهیدرولوژیکی رابه کمک روش Forest Random ساخت. Logistic- از[ ، 5] K. L. McFadden ، ارگونومی زمینه در regression( رگرسیون لجستیک یک مدل آماری رگرسیون برای متغیر های وابسته ی دوسویی است مثل سکه) در پیش بینی خطاهای خلبان خلبانان هواپیمایی ایاالت متحده استفاده کرد. Zhou. L و همکاران [6 ، ]از تکنیک یادگیری ماشین KNN( الگوریتم نزدیک ترین همسایه K )در زمینه رایانه و امنیت استفاده کرد. P.B .DUBAI و همکاران [7 ، ]ANN ها را در تقریب سریع و سازگار توزیع توان در راکتورهای آب سنگین تحت فشار (PHWR )به کار برد که نشان می دهد دامنه وسیعی برای استفاده از تکنیک های یادگیری ماشین در مهندسی هسته ای وجود دارد.
به همین ترتیب ، تکنیک های مختلف یادگیری ماشین در بسیاری از زمینه ها [8–39 ]برای غلبه بر شرایط پیچیده به کار گرفته شد. کیفیت و کمیت محصوالت دو جنبه عمده بخش تولید است. تولید محصوالت با کیفیت باالتر و مقادیر بیشتر باعث می شود صنعت تولید با رقابت در بازار دست و پنجه نرم کند. بنابراین ، استفاده از هوش مصنوعی در بخش تولید از چند سال گذشته به تدریج پیشرفت کرده است. هوش مصنوعی با ظهور خود در دهه 1551 بسیاری از تکنیک های یادگیری ماشین را با کاربردهایی در بخش تولید ارائه داده است [15.] Manav. O و همکاران [16 ، ]از روش GA در بهینه سازی چند هدفه چرخش سخت استفاده کرد. Weiwei. X و همکاران [17 ، ]از الگوریتم رگرسیون بردار پشتیبانی(SVR )در تشخیص شکستهای حفاری سوراخ کوچک با سرعت بالا Electrical Discharge Machining)EDM) (ماشین کاری تخلیه الکتریکی)استفاده کرد. Sukumar. M و همکاران [18 ، ]پارامترهای بهینه شده و پیش بینی شده در تراش صورت 6061-AI با استفاده از روش ANN. YI LI] 19 ، ]از روش Forest Random در ارزیابی عملکرد انرژی در فرآیند مدل سازی رسوب ذوب شده استفاده کرد. imran.M و همکاران [20 ، ]برای تشکیل سلول در سیستم های تولید سلولی تالش می کند که با استفاده از GA ترکیبی یکپارچه ، کار با ارزش افزوده را کاهش می دهد. به همین ترتیب ، کاربردهای زیادی از ابزارهای یادگیری ماشین در زمینه تولید وجود داشت[21_25].
ا این حال ، تحقیقات زیادی برای تعیین بهترین تکنیک ها در تولید طی دو دهه گذشته انجام شده است. Singh. K.S و همکاران [26 ، ]از رگرسیون بردار پشتیبان (SVR )در برآورد فشار های ضخامت در فرآیند رسم عمیق هیدرو مکانیکی استفاده شده و کارایی آن را با ANN و روش اجزای محدود مقایسه کرد. Xiaoxia و همکاران [27 ، ]دقت ANN و ماشین های بردار پشتیبانی (SVM )را در پیش بینی عملکرد و میزان انتشار یک موتور دیزل دریای با کمک ( Common Rail Direct Injection)یا( CRDI )مقایسه کرد. بسیاری از این نوع تحقیقات برای مقایسه کارایی تکنیک های مختلف در بخش تولید انجام شده است [28_32 .]اما همچنین نیاز به جمع بندی تمام روشهای یادگیری ماشین برای به تصویر کشیدن اهمیت آنها در تولید بیشتر است. از این رو ، هدف این ارائه یک بررسی جامع از تکنیک های یادگیری ماشین است که در زمینه تولید استفاده می شود و نمایش عملکرد آنها است. ANN ، روش یادگیری ماشین که چندین مقاله بر روی آن گزارش شده است تا اهمیت آن را در زمینه های تولید نشان دهد. توافق قابل توجهی بین مقادیر پیش بینی شده و نتایج تجربی توسط محققان با استفاده از ANN مشاهده شده است [33–37.] ANN تکنیکی است که شبیه سیستم عصبی بیولوژیکی است که میتواند دانش به دست آمده را ذخیره کرده و آن را برای پیش بینی مقادیر خروجی در دسترس قرار دهد.
انطباق با مقادیر ورودی داده شده از طریق فرایند یادگیری ، ANN را به یک روش یادگیری ماشین بسیار دقیق تبدیل می کند. بنابراین ، ANN به برجسته ترین روش یادگیری ماشین در سالهای اخیر تبدیل شده است. کاربرد ANN در بخش تولید به تدریج سال به سال افزایش می یابد. نقشی که ANN در منطقه تولیدی از دو دهه گذشته بازی کرده است ، در این مطالعه ارائه می شود تا درک کاملی از کارایی آن برای محققان +- آینده داشته باشد. حتی اگر مقاالت زیادی در مورد مقایسه تکنیک های مختلف یادگیری ماشین گزارش شده است ، بازبینی خاصی وجود ندارد که بر نمایش عملکرد همه تکنیک های مورد استفاده در بخش تولید متمرکز باشد. از این رو ، بررسی حاضر بر نمایش عملکرد تکنیک های یادگیری ماشین مورد استفاده در بخش تولید طی دو دهه گذشته تأکید دارد. نتیجه این بررسی نتیجه گیری معقولی در مورد عملکرد تکنیک های یادگیری ماشین برای محققان آینده فراهم می کند و باعث می شود آنها در جهت خاصی برای دستیابی به نتایج بهتر سرعت بگیرند. با کمک بررسی حاضر ، محققان می توانند به سرعت زمینه مورد عالقه خود در یادگیری ماشین فراهم کنند. شبکه ANN ، که از چند سال گذشته سرعت خود را در بخش تولید افزایش داده است ، بسیاری از محققان را به خود جلب می کند تا از کمک آنها به عنوان یک روش بهینه سازی در مدل سازی استفاده کنند. شبکه ANN با کارایی باال ، نقشی اساسی در بخش تولید دارد. از این رو ، در این مطالعه اهمیت ویژه ای برای ترسیم قابلیت تولید راندمان باال در نتایج به شبکه ANN داده شده است.
2.مرور کوتاه بر تکنیک یادگیری ماشین
به طور کلی یادگیری ماشین به دو دسته تقسیم میشود و انجام عملیات های مختلف بستگی به داده ها دارد:
- یادگری ماشین با نظارت
- یاد گری ماشین بدون نظارت
هنگامی که متغیر هدف تعریف می شود ، فرایند به عنوان یادگیری ماشین تحت نظارت شناخته می شود و اگر همراه با داده های ورودی داده نشود ، فرایند یادگیری بدون نظارت است. رگرسیون و طبقه بندی فرایندهایی هستند که تحت یادگیری با نظارت قرار می گیرند در حالی که الگوریتم های خوشه بندی و تداعی تحت فرآیند یادگیری بدون نظارت قرار می گیرند. اگر داده های ورودی مداوم باشد ، رگرسیون انتخاب می شود و اگر داده های ورودی دارای ارزش طبقه بندی باشند ، فرآیند طبقه بندی اعمال می شود. تقسیم ساده یادگیری ماشین در شکل زیر آورده شده است.
برای ارائه نقش و عملکرد برنامه یادگیری ماشین در زمینه تولید ، تکنیک های مختلفی که از دو دهه گذشته استفاده می شود استفاده شده است. تکنیک های در نظر گرفته شده در این مطالعه SVM ، Naïve ،ANN ، Logistic regression ، Random forest Bayesو الگوریتم ژنتیک است. عملکرد کلیه تکنیک ها با نشان دادن اثربخشی یادگیری ماشین در مدل های تولید شده نشان داده می شود در این بررسی ، به شبکه ANN اهمیت بیشتری داده شده است تا افزایش کاربرد ان و عملکرد باالیش در مدل سازی و بهینه سازی فرآیند به تصویرکشیده شود.
2.1.ماشین های برداری پشتیبانی(SVM)
وپکین (vapkin) یک تکنیک طبقه بندی را پیشنهاد می کنند[38] که مبتنی بر یک روش یادگیری آماری است که به عنوان ماشین بردار پشتیبانی شناخته می شود. SVM با اغراق در جداسازی الیه مرزی بین داده های آموزش و ابرصفحه ، خطای آموزش را به حداقل می رساند. در SVM ، یافتن راه حل برای یک مسئله فقط به مجموعه ای از داده های آموزشی به نام بردار پشتیبانی بستگی دارد [39.] در SVM می توان از مشکل نصب بیش از حد جلوگیری کرد زیرا همیشه یک راه حل منحصر به فرد بهینه شده پیدا می کند. بنابراین ، SVM توانایی محاسبه حجم بزرگی از داده ها را دارد [40].
Random forest (RF) .2.2
تین کام هو Tin kam ho ا[ 41 ، ]اولین دانشمند کامپیوتر آمریکایی بود که الگوریتمی را برای RF توسعه داد. RF روشهای یادگیری گروهی هستند که برای انجام کارهایی مانند طبقه بندی ، رگرسیون و غیره طراحی شده اند. این روش با توسعه تعداد زیادی درخت های تصمیم در زمان آموزش و دادن خروجی از حالت کالسها )طبقه بندی( و یا میانگین پیش بینی )رگرسیون( درختان منفرد کار می کند. این روش حتی اگر در برابر نصب بیش از حد آسیب پذیر باشد ، جمع آوری اطالعات درختان چند تصمیم گیری باعث بهبود عملکرد می شود.
Logistic regression (LR) .2.3
رگرسیون لجستیک همان مطالعه رگرسیون است که برای پیش بینی استفاده می شود. رگرسیون لجستیک به تعیین ارتباط بین یک متغیر دودویی وابسته و سایر متغیرهای مستقل کمک می کند. این روش بر اساس تئوری احتمال نوشته شده است که خروجی خود را با استفاده از یک تابع Sigmoid تبدیل می کند تا مقدار احتمال را به دست بیاورد. این روش حتی در تجزیه و تحلیل طبقه بندی مانند تقلب و یا عدم تقلب در معامالت آنالین ، هرز بودن و یا نبودن ایمیل و غیره استفاده می شود. به طور کلی رگرسیون لجستیک به عنوان رگرسیون تجزیه و تحلیل نامگذاری نمی شود زیرا از یک تابع هزینه پیچیده به نام تابع sigmoid که به عنوان تابع لجستیک نیز شناخته می شود ، استفاده می کند. تابع sigmoid مورد استفاده در رگرسیون لجستیک با معادله زیر بیان می شود. این مطالعه دقیق در مورد رگرسیون لجستیک توسط Cramer S.J ]42 ]ارائه شده است.
Artificial neural networks (ANNs) 2.4.
شبکه های هوش عصبی یا ANN روش های محاسباتی است که مشابه سیستم عصبی بیولوژیکی است. این روش ها از طریق اتصال نورونها به نام گره(Node )عمل می کنند. این اتصاالت، اتصاالت ساده نیستند ، بلکه از برخی توابع پیچیده مانند توابع غیر خطی هستند. قدرت اتصال از طریق ضریب وزنی که به هر ورودی داده می شود تعیین می شود. بنابراین ، ANN می تواند یک تابع خاص را با تنظیم شاخصه های وزن و یا با استفاده از شرایط تعیین شده اجرا کند و یا اینکه شبکه براساس داده های ورودی مقدار را مشخص می کند. ANN تمایل به ذخیره داده های گذشته و در دسترس قرار دادن آنها برای پیش بینی مقادیر خروجی دارد. دو جنبه که ANN را مانند مغز می کند ، کسب دانش از طریق فرایند یادگیری و ذخیره دانش به دست آمده از طریق نقاط قوت اتصال که به آنها وزن می گویند است [43.]
Naïve Bayes (NB) .2.5
نیو بیز یا Naïve Bayes یکی از ساده ترین مدل های شبکه بیزی است. این روش مجموعه ای است از طبقه بندی های ساده احتمالی مبتنی بر فرضیه بیز که در آن فرض می شود استقالل زیادی بین ویژگی ها وجود دارد. این روش از دهه 1960 به طور گسترده ای مورد مطالعه قرار گرفته است. این متد یک روش طبقه بندی است که برای طبقه بندی متون بسیار محبوب شده است. در صورت پیش پردازش صحیح ، این روش می تواند به رقیبی برای پیشرفته ترین روش ها مانند SVM و ANN تبدیل شود. اگر روش NB با عملکرد تراکم هسته همراه شود ، می توان سطح دقت باالتری را بدست آورد.[ Rish. I[ 44 ، مطالعه ای در مورد تأثیر مشخصات داده ها بر عملکرد Bayes Naïve در سال 2001 انجام داد که نشان می داد NB برای برخی از وابستگی های ویژگی تقریبا . ً عملکرد خوبی دارد
Genetic algorithm (GA) 2.6.
جی إی یا GA الگوریتم ژنتیک برای اولین بار توسط جان هالند بر اساس مفهوم نظریه تکامل داروین معرفی شد یک روش فوق ابتکاری است که در کالس الگوریتم های تکاملی (EA )قرار دارد. GA عمدتا به چهار نوع الگوریتم تقسیم می شود:
-الگوریتم های ژنتیک
- برنامه نویسی تکاملی
- استراتژی های تکامل
- برنامه نویسی ژنتیکی[46]
الگوریتم ژنتیک راه حل های بسیار دقیقی برای بهینه سازی بر اساس فرایندهای زیستی مانند جهش متقاطع و انتخاب، تولید می کند. GA بر اساس روند انتخاب طبیعی کار می کند. این روش به طور عمده نیاز به یک نمونه ژنتیکی از دامنه راه حل و عملکرد متناسب برای ارزیابی دامنه راه حل دارد. این روش زمانی خاتمه می یابد که حداکثر تعداد نسل ها تولید شده باشد و یا عملکرد متناسب برای جمعیت داده شده حاصل شود.
عالوه بر تکنیک های گفته شده ، روش های دیگری مانند بهینه سازی ازدحام ذرات (PSO ،(kNN ، درختان تصمیم(DT ) , رگرسیون غیرخطی (NL) , مدل مخلوط گاوسی(GMM) , سیستم های رگرسیون تطبیقی چند متغیره (MARS) , رگرسیون السو ، رگرسیون ریج ، رگرسیون چند جمله ای ، بهبود استدالل مبتنی بر مورد (ICBR) , رگرسیون روند گوسی (GPR) , تجزیه و تحلیل داده ها (DA), درختان طبقه بندی و رگرسیون(CART) , رگرسیون خطی(LM) , طبقه بندی ZeroR نیز در مطالعه حاضر نشان داده شده است.
3.کاربرد یادگیری ماشین در بخش تولید
مرور مجالت مختلف برای ارائه عملکرد روشهای مختلف یادگیری ماشین مورد استفاده در بخش تولید در نظر گرفته و ارزیابی می شود. عملکرد SVM ، RF ،رگرسیون لجستیک ، شبکه های عصبی ، Bayes Naïveو GA خالصه شده و در این کار ارائه شده است. مطالعات انجام شده برای مقایسه دو یا سه روش در ساخت نیز ارزیابی می شود تا سلطه یک تکنیک بر دیگری را نشان دهد. از سال 1995 تا 2020 ، حداقل یک یا دو مقاله از هر سال گرفته می شود تا نقش یادگیری ماشین در تولید را نشان دهد. بسیاری از کاربردهای شبکه ANN در بررسی حاضر نشان داده شده است تا اهمیت آن را در تولید نشان دهد. عملکرد فرآیند با حداکثر خطا ، کارایی ، حداکثر احتمال تصمیم گیری صحیح(MPCD، ) سطح زیر منحنی (AUC، ) ضریب همبستگی ، خطای مجموع مربع ، خطای متوسط و تابع هزینه نشان داده می شود. در جدول 1 ، عملکرد SVM ها در تقریباً تولید از دو دهه گذشته نشان داده شده است. در تمام مقاالت این تکنیک نتایج بهتری را نشان می دهد که نشان دهنده قابلیت پیش بینی آن است. بهترین عملکرد SVM که تاکنون از جدول 1 مشاهده شده است ، سبتا حداقل بازده نشان داده ً بازده 99.38 % است که ن بسیار باال است. شده توسط SVM 58% است که نشان می دهد گاهی بسته به شرایط ممکن است این تکنیک کم عملکرد باشد.
در جدول 2 ، به وضوح قابل درک است که RF می تواند نتایجی با کارایی باال را ایجاد کند. نویسنده مقاالتی را از مجالت مختلف در مورد RF بررسی کرده و مشاهده کرده است که نتایج برجسته ای در ساخت برنامه های کاربردی دارد. همانطور که از جدول 2 مشاهده می کنیم RF تقریباً در تمام مطالعات کارایی بیش از 95 ٪ را نشان می دهد. ضریب همبستگی 0.992 با کمک RF بدست می آید که نشانگر توافق معنی داری بین مقادیر آزمایشی و مقادیر پیش بینی شده است. بنابراین ، RF می تواند بسیاری از محققان را به خود جلب کند تا از آن به عنوان ابزار خود در انجام تحقیقات در تولید استفاده کنند.
عملکرد رگرسیون لجستیک در ساخت در جدول 3 نشان داده شده است. تقریبا در همه مقالات ، رگرسیون لجستیک کارایی بیشتر از 70% و کمتر از 95% را نشان داد.
مقایسه با تكنیك هایي كه كارایي بیش از 95% رگرسیون لجستیك را نشان مي دهند ، نمي تواند اولین گزینه محققان براي استفاده از آن در تحقیقات خود در زمینه تولید باشد. شاید با انجام تحقیقات بیشتر در مورد عوامل موثر بر عملکرد آن ، رگرسیون لجستیک بهبود یابد.
عملکرد ANN از دو دهه گذشته در ساخت در جدول 4 ارائه شده است. با نگاهی به عملکرد ANN ، به روشنی درک می شود که چرا به غالب ترین تکنیک در تولید تبدیل شده است. در هر مقاله ، محقق می تواند با کارایی بیشتر از 97 ٪به نتیجه برسد. این نشان می دهد که ANN نیز به مطمئن ترین تکنیک تبدیل شده است که می تواند در زمینه های مختلف تولید مورد استفاده قرار در چند مقاله نیز مشاهده شده است که بازده100 ٪نیز میتوان بدست آورد. در بسیاری از مقاالت ضریب همبستگی بیشتر از 0.99 نشان داده شده است که نشان دهنده یک توافق قوی بین مقادیر آزمایشی و مقادیر پیش بینی شده است.
شبکه ANN به دلیل قابلیت پیش بینی باال در مدل سازی بسیار ترجیح داده می شود. شبکه ANN ، که همیشه بازدهی بیش از 95 ٪را نشان می دهد ، مورد توجه بسیاری از محققان قرار گرفته است تا از آن به عنوان گزینه ای برای انجام آزمایش های متعدد که منجر به اتالف وقت و هزینه می شود ، استفاده کنند. بنابراین ، شبکه ANN نقش مهم و غالب در مدل سازی فرآیند و بهینه سازی فرایندهای تولید دارد
از جدول 5 ، عملکرد Bayes Naïve در مدل سازی فرآیندهای تولید از 5 سال گذشته قابل درک است. مشاهده می شود که Bayes Naïve به دلیل دقت بسیار کمتری که در مقایسه با سایر تکنیک ها دارد ، در بخش تولید بسیار موثر نیست. همانطور که از جدول 5 مشاهده می کنیم که کارایی فناوری از 90% فراتر نرفته است که نشان می دهد عملکرد خوبی در ساخت ندارد. با این حال ، از جدول 5 می توان مشاهده کرد که Bayes Naïve ترکیبی به راندمان 99.76 % دست یافته است که نشان می دهد در صورت ترکیبی بودن ، زمینه استفاده موفقیت آمیز Bayes Naïve در ساخت وجود دارد. نویسنده همچنین مشاهده کرده است که مطالعات کمی در مورد تولید بیزهای ساده از دو دهه گذشته در مورد Bayes Naïve گزارش شده است.
اربردهای مختلف GA در زمینه های تولیدی درجدول 6 نشان داده شده است. در بسیاری از مطالعات ، نویسنده مشاهده کرد که نتیجه گیری در مورد عملکرد GA به درستی نمایش داده نمی شود. این ممکن است سردرگمی بیشتری را برای خوانندگان در مورد توانایی این روش ایجاد کند. با این حال ، در برخی از مطالعات ذکر شده در جدول 6 نشان می دهد که هنوز GA عملکرد منطقی در زمینه های تولید دارد. در زمان های اخیر ، بسیاری از محققان ترجیح می دهند GA همراه با تکنیک های دیگر به جای استفاده از آن به صورت جداگانه برای بهبود نتایج مشاهده شود [111،117 .]بنابراین ، نشان می دهد که GA در صورت ترکیبی بودن در مدل سازی فرآیندهای تولید بسیار موثر است.
از جدول 7 ، مقایسه عملکرد تکنیک های مختلف یادگیری ماشین در مناطق تولیدی مشاهده می شود. در هر مقاله ، یک تکنیک از تکنیک های دیگر بهتر بود. در چند مطالعه ANN عملکرد بهتری نسبت به SVM داشته است در حالی که در تعداد دیگر SVM عملکرد بهتری نسبت به ANN داشته که نشان می دهد هر دو با یکدیگر رقابت دارند. در چند مورد RF و DT از ANN و SVM بهتر عمل کرده اند. حتی سلطه KNN و PSO از جدول 7 مشاهده شده است. این نشان می دهد که حتی اگر بهترین روش برای تحقیق انتخاب شده است ، باید به درستی پردازش شود تا نتایج بهتری حاصل شود. ،Ridge ،Lasso ،MLP ،GPR ،ICBR مانند هایی تکنیک MARS ،ZeroR ،CART ،LM و GMM نیز نقش مهمی در ساخت برنامه ها دارند.
تعداد مقاالت گرفته شده برای نشان دادن عملکرد هر یک از تکنیک ها در شکل پایین قسمت )a )آورده شده است.
از این رو ، مشخص می شود که درصد مقالات گرفته شده در این مطالعه برای ارزیابی عملکرد 34 درصد ANN در میان همه روش ها زیاد است. مشارکت مقاالت برای ارزیابی SVM ،GA و RF به ترتیب 13 ، ٪ 14 ٪و 10 ٪است که نشان می دهد در ترسیم عملکرد آنها به هر سه روش اهمیت یکسانی داده شده است. درصد مقاالت ارزیابی شده برای LR و NB به ترتیب 7 و 5 است. در شکل پایین قسمت(a ، )سایر تکنیک ها به مقاالتی که در مورد مقایسه تکنیک های مختلف یادگیری ماشین مورد استفاده در تولید گزارش شده است ، اشاره دارند. ،MARS ،GMM ،NL ،DT ،KNN ،PSO مانند هایی تکنیک DA ،GPR ،ICBR ، ای جمله چند رگرسیون ، Ridge ،Lasso ، CART ،LM و ZeroR نیز با کمک مطالعات انجام شده در مورد مقایسه روش های مختلف یادگیری ماشین نشان داده شده است.
تعداد بیشتری مقاله برای نمایش عملکرد ANN ارزیابی شده است که به دلیل افزایش چشمگیر کاربرد ANN در مناطق مختلف تولید از دو دهه گذشته است.
در شکل باال قسمت (b ، )تعداد مقاالت گرفته شده از هر سال برای نشان دادن عملکرد یادگیری ماشین در ساخت، نشان داده شده است. از این رو می توان مشاهده کرد که حداقل یک یا دو مقاله از هر سال طی دو دهه گذشته گرفته می شود تا نقش یادگیری ماشین در ساخت را نشان دهد. تعداد بیشتری مقاله از پنج سال گذشته گرفته شده است تا نشان دهد که استفاده از تکنیک های اجرای یادگیری ماشین در سالهای اخیر به تدریج افزایش یافته است. یادگیری ماشین کاربردهای زیادی در زمینه های مختلف تولید پیدا کرده است. مناطق تولیدی که در این مطالعه پوشش داده شده اند تا نقش یادگیری ماشین را به تصویر بکشند ، در شکل پایین مشاهده می شود. بیش از 20 زمینه مختلف وجود دارد که اهمیت کاربرد یادگیری ماشین در بخش تولید را ارائه می دهد.
4.نتیجه گیری
بررسی حاضر عمدتا با هدف درک صحیح از عملکرد تکنیک های یادگیری ماشین در برنامه های تولیدی انجام شده است. تمام تکنیک های مهم در بررسی حاضر پوشش داده شد تا نشان تقریباً دهد چگونه یادگیری ماشین از دو دهه گذشته نقشی اساسی در تولید دارد. در بررسی حاضر ، تعداد بیشتری مقاله در شبکه ANN در نظر گرفته شده است تا اهمیت آن را در بخش تولید نشان دهد. تقریبا در تمام مطالعات بررسی شده ، ANN کارایی بیش از 55 ٪را ً نشان داده است. بنابراین ، این روش به غالب ترین تکنیک در مدل سازی فرآیند و بهینه سازی فرایندهای تولید تبدیل شده است. برخی از نکات کلیدی مشاهده شده در این بررسی به شرح زیر است: استفاده از فناوری در تولید از دو دهه گذشته به سرعت افزایش یافته است و می توان با کمک تکنیک های یادگیری ماشین در فرایندهای تولید از انجام بسیاری از آزمایش ها جلوگیری کرد. مقاالت زیادی در مورد نقش ANN در بخش تولید منتشر شده است در حالی که مقاالت در مورد سایر تکنیک های مورد استفاده در زمینه تولید نسبتاً کمتر است. این موضوع وابستگی بیشتر به برنامه ANN در تولید را نشان می دهد. افزایش تحقیقات در مورد عوامل موثر بر عملکرد تکنیک ها در زمینه تولید می تواند منجر به بهبود نتایج فرآیند شود. این بررسی عمدتا بر روی تکنیک هایی انجام شده است که به جای تکنیک های ترکیبی ، به صورت جداگانه استفاده می شوند. بنابرین زمینه برای انجام تحقیقات در مورد تکنیک های ترکیبی استفاده شده در فرآیندهای تولید در آینده نزدیک وجود دارد. بررسی حاضر به یک منبع اصلی اطالعات برای محققان آینده تبدیل خواهد شد تا در مورد کاربرد تکنیک های یادگیری ماشین و عملکرد آن ها در فرایندهای تولید و سایر زمینه ها ایده بگیرند.
5.منابع
[1] B. Rolf, T. Reggelin, A. Nahhas, S. Lang, M. Müller, Assigning dispatching rules using a genetic algorithm to solve a hybrid flow shop scheduling problem, Procedia Manuf. 42 (2020) 442–449.
[2] M.S. Ahmad, S.M. Adnan, S. Zaidi, P. Bhargava, A novel support vector regression (SVR) model for the prediction of splice strength of the unconfined beam specimens, Constr. Build. Mater. 248 (2020) 118475, https://doi.org/ 10.1016/j.conbuildmat.2020.118475.
[3] O. Addin, S.M. Sapuan, E. Mahdi, M. Othman, A Naïve-Bayes classifier for damage detection in engineering materials, Mater. Des. 28 (8) (2007) 2379– 2386.
[4] J. Peters, B.D. Baets, N.E.C. Verhoest, R. Samson, S. Degroeve, P.D. Becker, W. Huybrechts, Random forests as a tool for ecohydrological distribution modelling, Ecol. Model. 207 (2-4) (2007) 304–318.
[5] K.L. McFadden, Predicting pilot-error incidents of US airline pilots using logistic regression, Appl. Ergon. 28 (3) (1997) 209–212.
[6] L.u. Zhou, Y. Zhu, A. Castiglione, Efficient k -NN query over encrypted data in cloud with limited key-disclosure and offline data owner, Comput. Security 69 (2017) 84– 96.
[7] B.P. Dubey, V. Jagannathan, S.K. Kataria, Quick and reliable estimation of power distribution in a PHWR by ANN, Ann. Nucl. Energy 25 (8) (1998) 567– 579.
[8] S. Ramachandran, M.L. Jayalal, A. Riyas, R. Jehadeesan, K. Devan, Application of genetic algorithm for optimization of control rods positioning in a fast breeder reactor core, Nucl. Eng. Des. 361 (2020) 110541, https://doi.org/ 10.1016/j.nucengdes.2020.110541.
[9] I.O. Alade, M.A.A. Rahman, T.A. Saleh, An approach to predict the isobaric specific heat capacity of nitrides/ethylene glycol-based nanofluids using support vector regression, J. Storage Mater. 29 (2020) 101313, https://doi.org/ 10.1016/j.est.2020.101313.
[10] W. Ali, S.M. Shamsuddin, A.S. Ismail, Intelligent Naïve Bayes-based approaches for Web proxy caching, Knowl.-Based Syst. 31 (2012) 162–175.
[11] A. Hapfelmeier, K. Ulm, Variable selection by Random Forests using data with missing values, Comput. Stat. Data Anal. 80 (2014) 129–139.
[12] A. Le Calvé, J. Savoy, Database merging strategy based on logistic regression, Inf. Process. Manage. 36 (3) (2000) 341–359.
[13] P. Piro, R. Nock, F. Nielsen, M. Barlaud, Leveraging k-NN for generic classification boosting, Neurocomputing 80 (2012) 3–9.
[14] A. Seibi, S.M. Al-Alawi, Prediction of fracture toughness using artificial neural networks (ANNs), Eng. Fract. Mech. 56 (3) (1997) 311–319.
[15] H.-C. ZHANG, S.H. HUANG, Applications of neural networks in manufacturing: a state-of-the-art survey, Int. J. Prod. Res. 33 (3) (1995) 705–728.
[16] O. Manav, S. Chinchanikar, Multi-objective optimization of hard turning: A genetic algorithm approach, Mater. Today Proc. 5 (5) (2018) 12240–12248.
[17] X. Weiwen, W.Junqi,Z.Wansheng, Break-outdetectionfor high-speedsmallhole drilling EDM based on machine learning, Procedia CIRP 68 (2018) 569–574.
[18] M.S. Sukumar, P.V. Ramaiah, A. Nagarjuna, Optimization and prediction of parameters in face milling of Al-6061 using Taguchi and ANN approach, Procedia Eng. 97 (2014) 365–371.
[19] L.i. Yi, C. Gläßner, N. Krenkel, J.C. Aurich, Energy simulation of the fused deposition modeling process using machine learning approach, Procedia CIRP 86 (2019) 216– 221.
[20] M. Imran, C. Kang, Y.H. Lee, M. Jahanzaib, H. Aziz, Cell formation in a cellular manufacturing system using simulation integrated hybrid genetic algorithm, Comput. Ind. Eng. 105 (2017) 123–135.
[21] M. Kreutz, A. Ait-Alla, K. Varasteh, S. Oelker, A. Greulich, M. Freitag, K.-D. Thoben, Machine learning-based icing prediction on wind turbines, Procedia CIRP 81 (2019) 423–428.
[22] M. Schreiber, J. Klöber-Koch, J. Bömelburg-Zacharias, S. Braunreuther, G. Reinhart, Automated quality assurance as an intelligent cloud service using machine learning, Procedia CIRP 86 (2019) 185–191.
[23] X. Wu, C. Sun, T. Zou, L. Li, L. Wang, H. Liu, SVM-based image partitioning for vision recognition of AGV guide paths under complex illumination conditions, Rob. Comput. Integr. Manuf. 61 (2020) 101856, https://doi.org/ 10.1016/j.rcim.2019.101856.
[24] D.M. D’Addona, D. Antonelli, Application of numerical simulation for the estimation of die life after repeated hot forging work cycles, Procedia CIRP 79 (2019) 632–637.
[25] D. Knoll, D. Neumeier, M. Prüglmeier, G. Reinhart, An automated packaging planning approach using machine learning, Procedia CIRP 81 (2019) 576–581.
[26] S.K. Singh, A.K. Gupta, Application of support vector regression in predicting thickness strains in hydro-mechanical deep drawing and comparison with ANN and FEM, CIRP J. Manuf. Sci. Technol. 3 (2010) 66–72, https://doi.org/ 10.1016/j.cirpj.2010.07.005.
[27] X. Niu, C. Yang, H. Wang, Y. Wang, Investigation of ANN and SVM based on limited samples for performance and emissions prediction of a CRDI-assisted marine diesel engine, Appl. Therm. Eng. 111 (2017) 1353–1364.
[28] G.M.A. Acayaba, P.M.d. Escalona, Prediction of surface roughness in low speed turning of AISI316 austenitic stainless steel, CIRP J. Manuf. Sci. Technol. 11 (2015) 62– 67.
[29] L. Tian, Y.u. Luo, A study on the prediction of inherent deformation in filletwelded joint using support vector machine and genetic optimization algorithm, J. Intell. Manuf. 31 (3) (2020.) 575–596.
[30] Z. Jurkovic, G. Cukor, M. Brezocnik, T. Brajkovic, A comparison of machine learning methods for cutting parameters prediction in high speed turning process, J. Intell. Manuf. 29 (8) (2018) 1683–1693.
[31] J. Gokulachandran, K. Mohandas, Comparative study of two soft computing techniques for the prediction of remaining useful life of cutting tools, J. Intell. Manuf. 26 (2) (2015) 255–268.
[32] U. Çaydas, S. Ekici, Support vector machines models for surface roughness prediction in CNC turning of AISI 304 austenitic stainless steel, J. Intell. Manuf. 23 (3) (2012) 639–650.
[33] K. Venkatesh, M. Zhou, R.J. Caudill, Design of artificial neural networks for tool wear monitoring, J. Intell. Manuf. 8 (1997) 215–226, https://doi.org/ 10.1023/A:1018573224739.
[34] K. Maity, H. Mishra, ANN modelling and Elitist teaching learning approach for multi-objective optimization of l -EDM, J. Intell. Manuf. 29 (2018) 1599– 1616, https://doi.org/10.1007/s10845-016-1193-2.
[35] K. Venkata Rao, P.B.G.S.N. Murthy, Modeling and optimization of tool vibration and surface roughness in boring of steel using RSM, ANN and SVM, J. Intell. Manuf. 29 (7) (2018) 1533–1543.
[36] U. Maheshwera Reddy Paturi, H. Devarasetti, S. Kumar Reddy Narala, Application of regression and artificial neural network analysis in modelling of surface roughness in hard turning of AISI 52100 steel, Mater. Today Proc. 5 (2) (2018) 4766–4777.
[37] U.M. Reddy Paturi, H. Devarasetti, D.A. Fadare, S.K. Reddy Narala, Application of artificial neural network and response surface methodology in modeling of surface roughness in WS 2 solid lubricant assisted MQL turning of inconel 718, IOP Conf. Ser. Mater. Sci. Eng. 346 (2018) 012085, https://doi.org/ 10.1088/1757- 899X/346/1/012085.
[38] Bernhard E. Boser, Isabelle M. Guyon, Vladimir N. Vapnik, A training algorithm for optimal margin classifiers, 1992.
[39] Y.-D. Cai, X.-J. Liu, X.-B. Xu, K.-C. Chou, Support vector machines for prediction of protein subcellular location, Mol. Cell Biol. Res. Commun. 4 (4) (2000) 230– 233.
[40] M. Shao, X. Wang, Z. Bu, X. Chen, Y. Wang, Prediction of energy consumption in hotel buildings via support vector machines, Sustain. Cities Society 57 (2020) 102128, https://doi.org/10.1016/j.scs.2020.102128.
[41] Tin Kam Ho, Random Decision Forests Tin Kam Ho Perceptron training, Proc. 3rd Int. Conf. Doc. Anal. Recognit. (1995) 278–282. https://doi.org/10.1109/ ICDAR.1995.598994.
[42] J.S. Cramer, The origins of logistic regression, Tinbergen institute discussion paper, TI 2002 - 119/4.
[43] Z. Zhang, K. Friedrich, Artificial neural networks applied to polymer composites: a review, Compos. Sci. Technol. 63 (14) (2003) 2029– 2044.
[44] I. Rish, An empirical study of the naive Bayes classifier, in: IJCAI 2001 workshop on empirical methods in artificial intelligence, Vol. 3, IBM New York, 2001, 41-46.
[45] John H. Holland, O.G. Selfridge et al. (eds.), Adaptive Control of Ill-Defined Systems, Plenum Press, New York 1984.
[46] M.T. Bhoskar, M.O.K. Kulkarni, M.N.K. Kulkarni, M.S.L. Patekar, G.M. Kakandikar, V.M. Nandedkar, Genetic algorithm and its applications to mechanical engineering: A review, Mater. Today Proc. 2 (4-5) (2015) 2624– 2630. [
47] J. Sun, M. Rahman, Y.S. Wong, G.S. Hong, Multiclassification of tool wear with support vector machine by manufacturing loss consideration, Int. J. Mach. Tools Manuf. 44 (11) (2004) 1179–1187.
[48] S. Cho, S. Asfour, A. Onar, N. Kaundinya, Tool breakage detection using support vector machine learning in a milling process, Int. J. Mach. Tools Manuf. 45 (3) (2005) 241– 249.
[49] X. Zhang, C. Krewet, B. Kuhlenkötter, Automatic classification of defects on the product surface in grinding and polishing, Int. J. Mach. Tools Manuf. 46 (1) (2006) 59–69.
[50] Y. Kwon, M.K. Jeong, O.A. Omitaomu, Adaptive support vector regression analysis of closed-loop inspection accuracy, Int. J. Mach. Tools Manuf. 46 (6) (2006) 603–610.
[51] D.R. Salgado, F.J. Alonso, An approach based on current and sound signals for in-process tool wear monitoring, Int. J. Mach. Tools Manuf. 47 (14) (2007) 2140–2152.
[52] R.J. Malak, C.J.J. Paredis, Using support vector machines to formalize the valid input domain of predictive models in systems design problems, J. Mech. Des. Trans. ASME 132 (2010) 1–14, https://doi.org/10.1115/1.4002151.
[53] W.-C. Lu, X.-B. Ji, M.-J. Li, L. Liu, B.-H. Yue, L.-M. Zhang, Using support vector machine for materials design, Adv. Manuf. 1 (2) (2013) 151–159.
[54] C.-F. Jeffrey Kuo, W.-C. Lo, Y.-R. Huang, H.-Y. Tsai, C.-L. Lee, H.-C. Wu, Automated defect inspection system for CMOS image sensor with micro multi-layer nonspherical lens module, J. Manuf. Syst. 45 (2017) 248–259.
[55] C. Gobert, E.W. Reutzel, J. Petrich, A.R. Nassar, S. Phoha, Application of supervised machine learning for defect detection during metallic powder bed fusion additive manufacturing using high resolution imaging., Addit. Manuf. 21 (2018) 517–528.
[56] R. Liang, R. Yu, Y.u. Luo, YuMing Zhang, Machine learning of weld joint penetration from weld pool surface using support vector regression, J. Manuf. Processes 41 (2019) 23–28.
[57] K. Aoyagi, H. Wang, H. Sudo, A. Chiba, Simple method to construct process maps for additive manufacturing using a support vector machine, Addit. Manuf. 27 (2019) 353–362.
[58] A. Gejji, S. Shukla, S. Pimparkar, T. Pattharwala, A. Bewoor, Using a support vector machine for building a quality prediction model for center-less honing process, Procedia Manuf. 46 (2020) 600–607.
[59] X. Zhang, B. Kuhlenkötter, K. Kneupner, An efficient method for solving the Signorini problem in the simulation of free-form surfaces produced by belt grinding, Int. J. Mach. Tools Manuf. 45 (6) (2005) 641–648.
[60] X.D.T. Han, B.S. Yang, S.J. Lee, Application of random forest algorithm in machine fault diagnosis, Proc. 1st World Congr. Eng. Asset Manag. WCEAM 2006. (2006) 779– 784. https://doi.org/10.1007/978-1-84628-814-2_82.
[61] R.-S. Guh, Y.-R. Shiue, An effective application of decision tree learning for online detection of mean shifts in multivariate control charts, Comput. Ind. Eng. 55 (2) (2008) 475–493.
[62] L. Puggini, J. Doyle, S. McLoone, Fault detection using random forest similarity distance, IFAC-PapersOnLine. 28 (2015) 583–588. https://doi.org/10.1016/j. ifacol.2015.09.589.
[63] D. Wu, C. Jennings, J. Terpenny, R.X. Gao, S. Kumara, A comparative study on machine learning algorithms for smart manufacturing: Tool wear prediction using random forests, J. Manuf. Sci. Eng. Trans. ASME. 139 (2017). https://doi. org/10.1115/1.4036350.
[64] S. V. Patel, V.N. Jokhakar, A random forest based machine learning approach for mild steel defect diagnosis, 2016 IEEE Int. Conf. Comput. Intell. Comput. Res. ICCIC 2016. (2017). https://doi.org/10.1109/ICCIC.2016.7919549.
[65] A. Tohry, S. Chehreh Chelgani, S.S. Matin, M. Noormohammadi, Power-draw prediction by random forest based on operating parameters for an industrial ball mill, Adv. Powder Technol. 31 (3) (2020) 967–972.
[66] Z. Zhang, Z. Yang, W. Ren, G. Wen, Random forest-based real-time defect detection of Al alloy in robotic arc welding using optical spectrum, J. Manuf. Processes 42 (2019) 51–59.
[67] C. Chen, N.a. Lv, S. Chen, Welding penetration monitoring for pulsed GTAW using visual sensor based on AAM and random forests, J. Manuf. Process. (2020), https://doi.org/10.1016/j.jmapro.2020.04.005.
[68] H. Tao, R. Chen, J. Xuan, Q.i. Xia, Z. Yang, X. Zhang, S. He, T. Shi, Prioritization analysis and compensation of geometric errors for ultra-precision lathe based on the random forest methodology, Precis. Eng. 61 (2020) 23–40.
[69] S. Schorr, M. Möller, J. Heib, S. Fang, D. Bähre, Quality Prediction of Reamed Bores Based on Process Data and Machine Learning Algorithm: A Contribution to a More Sustainable Manufacturing, Procedia Manuf. 43 (2020) 519–526, https://doi.org/10.1016/j.promfg.2020.02.180.
[70] J. Yan, J. Lee, Degradation assessment and fault modes classification using logistic regression, J. Manuf. Sci. Eng. Trans. ASME. 127 (2005) 912–914. https://doi.org/10.1115/1.1962019.
[71] M. Strano, B.M. Colosimo, Logistic regression analysis for experimental determination of forming limit diagrams, Int. J. Mach. Tools Manuf. 46 (6) (2006) 673–682.
[72] B. Chen, X. Chen, B. Li, Z. He, H. Cao, G. Cai, Reliability estimation for cutting tools based on logistic regression model using vibration signals, Mech. Syst. Sig. Process. 25 (7) (2011) 2526–2537.
[73] S. Mehrjoo, M. Bashiri, An application of principal component analysis and logistic regression to facilitate production scheduling decision support system: an automotive industry case, J. Ind. Eng. Int. 9 (1) (2013), https:// doi.org/10.1186/2251-712X-9-14.
[74] J. Yu, Tool condition prognostics using logistic regression with penalization and manifold regularization, Appl. Soft Comput. 64 (2018) 454–467.
[75] C.A. Escobar, R. Morales-Menendez, Process-monitoring-for-quality - A model selection criterion for l1-regularized logistic regression, Procedia Manuf. 34 (2019) 832–839, https://doi.org/10.1016/j.promfg.2019.06.166.
[76] A. Borucka, M. Grzelak, Application of logistic regression for production machinery effciency evaluation, Appl. Sci. 9 (2019), https://doi.org/10.3390/ app9224770.
[77] S. Jagannathan, Automatic inspection of wave soldered joints using neural networks, J. Manuf. Syst. 16 (6) (1997) 389–398.
[78] D.-C. Lim, D.-G. Gweon, In-process joint strength estimation in pulsed laser spot welding using artificial neural networks, J. Manuf. Process. 1 (1) (1999) 31–42.
[79] K. Hans Raj, R.S. Sharma, S. Srivastava, C. Patvardhan, Modeling of manufacturing processes with ANNs for intelligent manufacturing, Int. J. Mach. Tools Manuf. 40 (6) (2000) 851–868.
[80] K.-Y. Jang, K. Yang, Improving principal component analysis (PCA) in automotive body assembly using artificial neural networks, J. Manuf. Syst. 20 (3) (2001) 188–197.
[81] J.F. Briceno, H. El-Mounayri, S. Mukhopadhyay, Selecting an artificial neural network for efficient modeling and accurate simulation of the milling process, Int. J. Mach. Tools Manuf. 42 (6) (2002) 663–674.
[82] I. Abu-Mahfouz, Drilling wear detection and classification using vibration signals and artificial neural network, Int. J. Mach. Tools Manuf. 43 (7) (2003) 707–720.
[83] M.B. Yildirim, T. Cakar, U. Doguc, J.C. Meza, Machine number, priority rule, and due date determination in flexible manufacturing systems using artificial neural networks, Comput. Ind. Eng. 50 (1-2) (2006) 185–194.
[84] H.S. Kim, M. Koç, J. Ni, A hybrid multi-fidelity approach to the optimal design of warm forming processes using a knowledge-based artificial neural network, Int. J. Mach. Tools Manuf. 47 (2) (2007) 211–222.
[85] S. Ozan, M. Taskin, S. Kolukisa, M.S. Ozerdem, Application of ANN in the prediction of the pore concentration of aluminum metal foams manufactured by powder metallurgy methods, Int. J. Adv. Manuf. Technol. 39 (3-4) (2008) 251–256.
[86] A.-F. Kanta, G. Montavon, M.-P. Planche, C. Coddet, Artificial neural networks implementation in plasma spray process: Prediction of power parameters and in-flight particle characteristics vs. desired coating structural attributes, Surf. Coat. Technol. 203 (22) (2009) 3361–3369.
[87] K.R. Balasubramanian, G. Buvanashekaran, K. Sankaranarayanasamy, Modeling of laser beam welding of stainless steel sheet butt joint using neural networks, CIRP J. Manuf. Sci. Technol. 3 (1) (2010) 80–84.
[88] M.H. Zgoul, Use of artificial neural networks for modelling rate dependent behaviour of adhesive materials, Int. J. Adhes. Adhes. 36 (2012) 1–7.
[89] X.-W. YANG, J.-C. ZHU, Z.-S. NONG, D. HE, Z.-H. LAI, Y. LIU, F.-W. LIU, Prediction of mechanical properties of A357 alloy using artificial neural network, Trans. Nonferrous Met. Soc. China 23 (3) (2013) 788–795.
[90] S. Tiryaki, A. Malkoçog˘lu, S. Özsahin, Using artificial neural networks for modeling surface roughness of wood in machining process, Constr. Build. Mater. 66 (2014) 329–335, https://doi.org/10.1016/ j.conbuildmat.2014.05.098.
[91] AmirMahyar Khorasani, M.R.S. Yazdi, Development of a dynamic surface roughness monitoring system based on artificial neural networks (ANN) in milling operation, Int. J. Adv. Manuf. Technol. 93 (1-4) (2017) 141–151.
[92] L. Sudha, R. Dillibabu, S. Srivatsa Srinivas, A. Annamalai, Optimization of process parameters in feed manufacturing using artificial neural network, Comput. Electron. Agric. 120 (2016) 1–6.
[93] A. Asadi, Application of artificial neural networks in prediction of uniaxial compressive strength of rocks using well logs and drilling data, Procedia Eng. 191 (2017) 279– 286.
[94] I. Kucukoglu, H. Atici-Ulusu, T. Gunduz, O. Tokcalar, Application of the artificial neural network method to detect defective assembling processes by using a wearable technology, J. Manuf. Syst. 49 (2018) 163–171.
[95] M.E. Mehtedi, A. Forcellese, L. Greco, M. Pieralisi, M. Simoncini, Flow curve prediction of ZAM100 magnesium alloy sheets using artificial neural network-based models, Procedia CIRP 79 (2019) 661–666.
[96] J. Pradeep Kumar, A. Divyenth, Modelling and prediction of strength of ultrasonically welded electrical contact joints using Artificial Neural Network, Mater. Today Proc. 22 (2020) 1893–1901.
[97] H. Almakaeel, A. Albalawi, S. Desai, Artificial neural network based framework for cyber nano manufacturing, Manuf. Lett. 15 (2018) 151–154.
[98] H. Funahashi, J. Horiuchi, Characteristics of the churning process in continuous butter manufacture and modelling using an artificial neural network, Int. Dairy J. 18 (3) (2008) 323–328.
[99] F.F. Chen, M. Breedon, P. White, C. Chu, D. Mallick, S. Thomas, E. Sapper, I. Cole, Correlation between molecular features and electrochemical properties using an artificial neural network, Mater. Des. 112 (2016) 410–418.
[100] D. Aleksendric, Cˇ. Duboka, Prediction of automotive friction material characteristics using artificial neural networks-cold performance, Wear 261 (3-4) (2006) 269–282.
[101] J.A.D. Wilcox, D.T. Wright, Towards pultrusion process optimisation using artificial neural networks, J. Mater. Process. Technol. 83 (1-3) (1998) 131– 141.
[102] R.J. Kuo, P.H. Cohen, Intelligent tool wear estimation system through artificial neural networks and fuzzy modeling, Artif. Intell. Eng. 12 (3) (1998) 229–242.
[103] Y. Shi, Y. Zhang, R. Harik, Manufacturing feature recognition with a 2D convolutional neural network, CIRP J. Manuf. Sci. Technol. (2020) 1–22, https://doi.org/10.1016/j.cirpj.2020.04.001.
[104] A. Panda, A.K. Sahoo, I. Panigrahi, A.K. Rout, Investigating machinability in hard turning of AISI 52100 bearing steel through performance measurement: QR, ANN and GRA study, Int. J. Automot. Mech. Eng. 15 (1) (2018) 4935–4961, https://doi.org/10.15282/ijame.15.1.2018.5.0384.
[105] I. Mezgár, C.s. Egresits, L. Monostori, Design and real-time reconfiguration of robust manufacturing systems by using design of experiments and artificial neural networks, Comput. Ind. 33 (1) (1997) 61–70.
[106] V. Mundada, S. Kumar Reddy Narala, Optimization of milling operations using artificial neural networks (ANN) and simulated annealing algorithm (SAA), Mater. Today Proc. 5 (2) (2018) 4971–4985.
[107] T. Canz, S. Jagdale, neural-networks, 52 (1995).
[108] M.R. Sankar, S. Saxena, S.R. Banik, I.M. Iqbal, R. Nath, L.J. Bora, K.K. Gajrani, Experimental study and artificial neural network modeling of machining with minimum quantity cutting fluid, Mater. Today Proc. 18 (2019) 4921– 4931.
[109] G. Quintana, M.L. Garcia-Romeu, J. Ciurana, Surface roughness monitoring application based on artificial neural networks for ball-end milling operations, J. Intell. Manuf. 22 (4) (2011) 607–617.
[110] I. Kutschenreiter-Praszkiewicz, Application of artificial neural network for determination of standard time in machining, J. Intell. Manuf. 19 (2) (2008) 233–240.
[111] P.H. Wang, G.H. Lin, Y.C. Wang, Application of neural networks to explore manufacturing sales prediction, Appl. Sci. 9 (2019). https://doi.org/10.3390/ app9235107.
[112] M.G. Kumar, K. Hemanth, N. Gangadhar, H. Kumar, P. Krishna, Fault diagnosis of welded joints through vibration signals using naïve bayes algorithm, Procedia Mater. Sci. 5 (2014) 1922–1928.
[113] J. Karandikar, T. McLeay, S. Turner, T. Schmitz, Tool wear monitoring using naïve Bayes classifiers, Int. J. Adv. Manuf. Technol. 77 (9-12) (2015) 1613– 1626.
[114] Peyman Yazdizadeh, Farhad Ameri, A Text Mining Technique for Manufacturing Supplier Classification, Proceedings of the ASME 2015 International Design Engineering Technical Conferences & Computers and Information in Engineering Conference, IDETC/CIE 2015.
[115] R. Ireland, A. Liu, Application of data analytics for product design: Sentiment analysis of online product reviews, CIRP J. Manuf. Sci. Technol. 23 (2018) 128–144.
[116] Y. Qiu, R. Sawhney, C. Zhang, S. Chen, T. Zhang, V.G. Lisar, K. Jiang, W. Ji, Data mining–based disturbances prediction for job shop scheduling, Adv. Mech. Eng. 11 (2019) 1–14. https://doi.org/10.1177/1687814019838178.
[117] N.S. Reddy, J. Krishnaiah, H.B. Young, J.S. Lee, Design of medium carbon steels by computational intelligence techniques, Comput. Mater. Sci. 101 (2015) 120–126.
[118] D. Venkatesan, K. Kannan, R. Saravanan, A genetic algorithm-based artificial neural network model for the optimization of machining processes, Neural Comput. Appl. 18 (2) (2009) 135–140.
[119] M.K. Lee, H.S. Luong, K. Abhary, A genetic algorithm based cell design considering alternative routing, Comput. Integr. Manuf. Syst. 10 (2) (1997) 93–108.
[120] L.-Y. Kuo, J.-Y. Yen, Servo parameter tuning for a 5-axis machine center based upon GA rules, Int. J. Machine Tools Manuf. 41 (11) (2001) 1535–1550.
[121] R. Saravanan, P. Asokan, M. Sachidanandam, A multi-objective genetic algorithm (GA) approach for optimization of surface grinding operations, Int. J. Mach. Tools Manuf. 42 (12) (2002) 1327–1334.
[122] L. Chirici, K.-S. Wang, Tackling the storage problem through genetic algorithms, Adv. Manuf. 2 (3) (2014) 203–211.
[123] A.A. Krimpenis, N.A. Fountas, Balancing multiple criteria in formulation of weighted, single-objective genetic algorithm optimization for CNC machining problems, Adv. Manuf. 4 (2) (2016) 178–188. [124] A. Ahmadi Dastjerdi, M.R. Movahhedy, J. Akbari, Optimization of process parameters for reducing warpage in selected laser sintering of polymer parts, Addit. Manuf. 18 (2017) 285–294.
[125] P.G. Ahire, U.S. Patil, M.S. Kadam, Genetic algorithm based optimization of the process parameters for manual metal arc welding of dissimilar metal joint, Procedia Manuf. 20 (2018) 106–112.
[126] S.K. Rana, S. Lata, GA based optimization of process parameters for drilling on Al-MgO metal matrix composite, Mater. Today Proc. 5 (2) (2018) 5837–5844.
[127] S. Kusolpuchong, K. Chusap, O. Alhawari, G. Suer, A genetic algorithm approach for multi objective cross dock scheduling in supply chains, Procedia Manuf. 39 (2019) 1139–1148.
[128] A. Deka, S. Behdad, Part separation technique for assembly-based design in additive manufacturing using genetic algorithm, Procedia Manuf. 34 (2019) 764–771.
[129] A.H. Whitworth, K.D. Tsavdaridis, Embodied energy optimization of steelconcrete composite beams using a genetic algorithm, Procedia Manuf. 44 (2020) 417–424.
[130] T. Yamada, E. Abe, C. Osawa, N. Yukawa, Prediction on microstructure and mechanical properties of hot forged Ni-based super alloy by optimization using genetic algorithms, Procedia Manuf. 15 (2018) 356–363.
[131] A.O. Adeodu, O.C. Anyaeche, O.O. Oluwole, Optimum cure cycles of autoclave process for polymer matrix composites using genetic algorithm, Procedia Manuf. 35 (2019) 16–26.
[132] J.C. Chen, Y.-Y. Chen, Y.u. Liang, Application of a genetic algorithm in solving the capacity allocation problem with machine dedication in the photolithography area, J. Manuf. Syst. 41 (2016) 165–177.
[133] M. Perzyk, R. Biernacki, J. Kozlowski, Data mining in manufacturing: Significance analysis of process parameters, Proc. Inst. Mech. Eng. Part B: J. Eng. Manuf. 222 (11) (2008) 1503–1516.
[134] J.E.R. Dhas, S. Kumanan, Optimization of parameters of submerged arc weld using non conventional techniques, Appl. Soft Comput. 11 (8) (2011) 5198– 5204.
[135] Z. Li, R. Liu, D. Wu, Data-driven smart manufacturing: Tool wear monitoring with audio signals and machine learning, J. Manuf. Processes 48 (2019) 66– 76.
[136] P. Malaca, L.F. Rocha, D. Gomes, J. Silva, G. Veiga, Online inspection system based on machine learning techniques: real case study of fabric textures classification for the automotive industry, J. Intell. Manuf. 30 (1) (2019) 351– 361.
[137] B. Das, S. Pal, S. Bag, Torque based defect detection and weld quality modelling in friction stir welding process, J. Manuf. Processes 27 (2017) 8–17.
[138] V. Pandiyan, W. Caesarendra, T. Tjahjowidodo, H.H. Tan, In-process tool condition monitoring in compliant abrasive belt grinding process using support vector machine and genetic algorithm, J. Manuf. Process. 31 (2018) 199–213.
[139] C.A. Escobar, J.A. Abell, M. Hernández-de-Menéndez, R. Morales-Menendez, Process-monitoring-for-quality — Big models, Procedia Manuf. 26 (2018) 1167–1179.
[140] R. Rosalina, A Comparison of Machine Learning Algorithms in Manufacturing Production Process, CommIT (Communication Inf. Technol. J. 13 (2019) 17. https://doi.org/10.21512/commit.v13i1.5177.
[141] T. Nkonyana, Y. Sun, B. Twala, E. Dogo, Performance evaluation of data mining techniques in steel manufacturing industry, Procedia Manuf. 35 (2019) 623– 628.
[142] C. Hegde, H. Millwater, K. Gray, Classification of drilling stick slip severity using machine learning, J. Petrol. Sci. Eng. 179 (2019) 1023–1036.
[143] C. Yang, H. Hu, H. Zhang, Modeling AOD-driven laser microvia drilling with machine learning approaches, J. Manuf. Processes 34 (2018) 555–565.
[144] A. Bustillo, G. Urbikain, J.M. Perez, O.M. Pereira, L.N. Lopez de Lacalle, Smart optimization of a friction-drilling process based on boosting ensembles, J. Manuf. Syst. 48 (2018) 108–121.
[145] L. Lingitz, V. Gallina, F. Ansari, D. Gyulai, A. Pfeiffer, W. Sihn, L. Monostori, Lead time prediction using machine learning algorithms: A case study by a semiconductor manufacturer, Procedia CIRP 72 (2018) 1051–1056.
[146] L. Xu, C. Huang, C. Li, J. Wang, H. Liu, X. Wang, An improved case based reasoning method and its application in estimation of surface quality toward intelligent machining, J. Intell. Manuf. (2020), https://doi.org/10.1007/ s10845-020-01573-2.
[147] I. Parviziomran, S. Cao, H. Yang, S. Park, D. Won, Data-driven prediction model of components shift during reflow process in surface mount technology, Procedia Manuf. 38 (2019) 100–107.
[148] M. Perzyk, R. Biernacki, A. Kochan´ ski, Modeling of manufacturing processes by learning systems: The naïve Bayesian classifier versus artificial neural networks, J. Mater. Process. Technol. 164-165 (2005) 1430–1435.
[149] D.P. Penumuru, S. Muthuswamy, P. Karumbu, Identification and classification of materials using machine vision and machine learning in the context of industry 4.0, J. Intell. Manuf. 31 (5) (2020) 1229–1241.
