Вы находитесь на странице: 1из 38

UN ENFOQUE DE REDES NEURONALES

ARTIFICIALES PARA LA OPTIMIZACION


DE MLTIPLES RESPUESTAS
R. Noorossana Y Sam Davanloo Tajbakhsh
Y
A. Saghaei

RESUMEN

En muchos casos de manufactura, los


ingenieros son requeridos para optimizar un
nmero de respuestas simultneamente.
Un
planteamiento
comn
para
la
optimizacin de problemas de respuestas
mltiples comienza con el uso de modelos de
regresin polinomial para estimar la relacin
entre respuestas y los factores de control.
Entonces, una tcnica para combinar
diferentes funciones de respuesta escalar
individual, como una funcin de deseabilidad,
es empleada y, finalmente, un mtodo de
optimizacin es usado para encontrar los
mejores ajustes para los factores de control.

Sin embargo, en ciertos casos, las


relaciones entre respuestas y factores
de control son demasiadas complejas
para ser estimados eficientemente por
modelos de regresin polinomial.
Adems, en muchos casos de
manufactura los ingenieros encuentran
respuestas cualitativas que no pueden
ser fcilmente escritas en forma de
nmeros.
Se propone un enfoque alternativo en
este documento: usar una red neuronal
artificial (RNA) para estimar las
funciones de respuesta cuantitativa y

En la fase de optimizacin, usar un


algoritmo gentico (GA), es considerado en
conjuncin con una funcin de deseabilidad
sin restricciones para determinar los ajustes
ptimos para los factores de control. Se
incluyen dos ejemplos de manufactura en la
que a los ingenieros se le pidi optimizar
respuestas mltiples de los semiconductores
e industrial textiles. Los resultados indican la
fuerza del enfoque propuesto en la
optimizacin de problemas de respuesta
mltiple.

Fig. 1
Diagrama de
flujo del
enfoque
propuesto

APLICACIN DE UNA RED


NEURONAL PARA EL
CLCULO DE LA RESPUESTA

Factores
de control

Capa de
Entrada

Capas
Oculta
s

Capa
de
Salida

Figura 2. Topologa de las redes neurales.

Respuesta
s

3.3.1 Identificacin de factores de control significativos


para cada respuesta

Antes del entrenamiento de las redes, se tienen que identificar


los factores significativos para cada respuesta en forma de
subconjunto de todos de los factores de control que producen
el mnimo MSE. Se consideran las redes de funcin de base
radial (RFB) para este propsito, la razn es la consistencia de
las redes RFB en el entrenamiento. En otras palabras, si una
red RFB est entrenada con el mismo conjunto de datos varias
veces, producir el mismo error cuadrtico medio (MSE) mismo
para la prueba y los datos de entrenamiento. Sin embargo, la
multicapa de perceptrones (MLP) de las redes es altamente
dependiente de sus pesos iniciales sinpticos, por lo que la
evaluacin de los resultados sera difcil. Los parmetros
ajustables en Redes RFB son: (1) el mximo nmero de
neuronas ocultas, (2) valor de de propagacin constante (SC),
que est comnmente en el rango de 0,01 a 5, y (3) un mnimo
valor para el MSE, que tambin se conoce como la meta.

Variables

Bajo nivel

Alto nivel

Tipo

Padres de la poblacin

20

50

control

Padres / hijos relacin

01:01

01:07

control

Tipo de seleccin

posicin

torneo

control

Nmero de las selecciones

control

Tasa de Cruce

0.5

0.85

control

Tipo de mutacin

uniforme

gaussiano

control

Nmero de factores

ruido

Nmero de respuestas

16

ruido

Restriccin de ancho (% del objetivo)

15

ruido

la 1 Niveles de control y variables de ruido utilizado en el diseo del experimento robusto


Parmetro

Valor

Padres de la poblacin

20

Padres / hijos relacin

01:07

Tipo de seleccin

torneo

Nmero de las elites


Cruce de tasa
La mutacin de tipo

2
0.85
gauss

Tabla 2 Ajustes de los parmetros finales para el algoritmo gentico (GA)

El diseo ms adecuado de los ANN para estimar cada


respuesta

Despus de identificar los factores importantes


para cada respuesta, ser diseada la mejor
red con el menor MSE. En este paso, se puede
considerar cualquiera de las redes MLP y RBF
para modelar la relacin entre cada respuesta
y sus correspondientes factores significativos.
Para aprobar el adecuado entrenamiento para
cada red, la salida de la red para la prueba y
datos de entrenamiento deben ser graficados
y comparados con el dato deseado obtenido
del experimento inicial

COMBINANDO DIFERENTES
RESPUESTAS A TRAVS DE
FUNCIONES DE DESEABILIDAD

Tabla 3 Factores y niveles para el diseo experimental de Box-Behnken

Factor

Nombre

Unidades

Bajo
Nivel

Alto
nivel

Razon de Flujo

SCFM

40

120

Temp. de flujo

200

450

Temp. de
bloqueo

150

350

Definiendo funciones de deseabilidad individuales


para las respuestas cuantitativas

Para respuestas cuantitativas, se recomienda el uso de


conveniencia de funciones inicialmente propuesto por
Derringer y Suich [5] y posteriormente modificado por Ortiz
et al. [17] Derringer y Suich [5] definen la conveniencia
individual como:

Para el caso unilateral, y:

Para el caso bilateral,


donde , J = 1,..., m es la salida de la j-sima red y el , , y

Flujo de
Flujo de
Bloqueo de
velocidad temperatur temperatur
a
a
40
200
250
120
200
250
40
450
250
120
450
250
40
325
150
120
325
150
40
325
350
120
325
350
80
200
150
80
450
150
80
200
350
80
450
350
80
325
250
80
325
250
80
325
250

Y1

Y2

Y3

Y4

Y5

Y6

139
140
184
210
182
170
175
180
132
206
183
181
175
190
180

103
125
151
176
130
130
151
152
108
143
141
180
135
149
141

110
126
133
169
122
122
153
154
103
138
157
184
133
145
139

110
117
147
199
134
134
143
152
111
176
131
192
155
161
158

113
114
140
169
118
118
146
150
101
141
139
175
138
141
140

126
131
147
171
115
115
164
171
101
135
160
190
145
149
148

Tabla 4 Corridas experimentales

Factores
A, B, C

Y1

446

Y2

Y3

Y4

Y5

Y6

460.3 419 143.1 67.4 21.7


139. 1135.
B, C
5.6
15.8
206.6 151.2
7
4
4049.
415. 3117. 1379.
A, C
1551
776.5
4
7
5
1
3501. 114
1169.
A, B
260.9
284.8 215.1
5
1
3
Tabla 5 Error cuadrtico medio (MSE) para los datos de prueba

En la ecuacin anterior, r, s, y t indican los pesos que


permiten una lineal (s = t = 1) o el comportamiento no
lineal entre los limites ( o ) y el objetivo (). Ortiz et al.
[17] aadi un trmino de penalizacin al modelo
propuesto por Derringer y Suich [5] que ayuda a los GA
para mantener una solucin inviable mientras no
permita que tenga una deseabilidad total superior a
una solucin factible. El trmino de penalizacin
recomendado por Ortiz et. al, [17] es el siguiente:

donde c es una pequea constante relativamente, tal


como 0.0001, lo que obliga a ser mayor que 0.

Definicin de funciones de deseabilidad individuales para las


respuestas cualitativas
Las salidas de las redes neuronales para las respuestas cualitativas son de la
forma de un vector elemental n +1. Por lo tanto, en este punto, definiendo la
conveniencia de un vector es necesaria. La conveniencia individual para un
vector puede ser calculada como sigue:

Despus de determinar las conveniencias individuales para las respuestas de tipo


cualitativo y cuantitativo y teniendo en cuenta los trminos de castigo, la
conveniencia total definida por D * (x) puede se calcula como sigue:

Donde DDS (X), la conveniencia total definida por Derringer y Suich , es la media
geomtrica de la conveniencia individual d j (Y j)). Adems, P (x), que es la
funcin combinada de las respuestas individuales adecuadas, es la funcin de
castigo en general. La funcin P (x) muestra la total severidad de la inviabilidad.
Las sanciones individuales p j (j) aseguran una penalizacin P distinto de cero
general (x). Por otro lado, P (x) ser cero para cualquier solucin factible. El
total conveniencia D * (x) es el criterio para comparar las diferentes soluciones
y es la funcin que queremos maximizar.

OPTIMIZACIN A TRAVS DE ALGORITMOS


GENTICOS (GA)
En primer lugar, el gradiente basado en mtodos de optimizacin, tales
como el gradiente reducido generalizado (GRG), no se puede utilizar debido
a que requieren respuesta a primera vista para calcular el gradiente y la
direccin de mejora. Sin embargo, cuando las redes neuronales se utilizan,
no habra una aparente respuesta por esta razn.
En segundo lugar, Los GA son conocidos como un mtodo de bsqueda
heurstica potente para la optimizacin de funciones no lineales y
complejos.

Diferentes autores han propuesto el uso de un experimento de diseo


robusto para determinar la mejor la configuracin de los parmetros de un
GA. Por lo tanto, tenemos incorporado un experimento de diseo robusto
para encontrar los mejores valores de los parmetros.
El control del GA y las variables ruidosas y sus niveles se muestran en la
Tabla 1.

Tabla 1 Niveles de control y variables de ruido utilizado en el diseo del


experimento robusto
Variables
Bajo nivel Alto nivel
Tipo
Padres de la poblacin

20

50

control

Padres / hijos relacin

01:01

01:07

control

Tipo de seleccin

posicin

torneo

control

Nmero de las selecciones

control

Tasa de Cruce

0.5

0.85

control

Tipo de mutacin

uniforme

gaussiano

control

Nmero de factores

ruido

Nmero de respuestas

16

ruido

Restriccin de ancho (% del objetivo)

15

ruido

Los ajustes de los parmetros finales para los AG robustos se muestran en la


Tabla 2.
Por ltimo, el ajuste de GA se ejecuta por 1.000 repeticiones y la solucin ms
deseable con la mayor conveniencia total sera la solucin final.

Tabla 2 Ajustes de los parmetros finales para el algoritmo


gentico (GA)
Parmetro

Valor

Padres de la poblacin

20

Padres / hijos relacin

01:07

Tipo de seleccin

torneo

Nmero de las elites


Cruce de tasa
La mutacin de tipo

2
0.85
gauss

Aplicativos:
El primer ejemplo es del prospecto, el cual incluye slo respuestas
cuantitativas.
OPTIMIZACIN DE UNA MLTIPLE RESPUESTA DE PROCESO DE FABRICACIN SEMICONDUCTORES

Se basa en el proceso de cables de interconexin en la industria de


semiconductores. Durante este proceso, el fabricante debe montar un mdulo
hbrido en un paquete pre-moldeado por medio de cables de unin entre los
conductores (posicin A, Fig. 3) y los chips de silicio (posicin B, fig. 3).

N2 Flujo

Posicin
A

Posicin
B

Calentador del
bloque

Figura 3. Cables de interconexin del sistema de


calefaccin

Los factores de control que influyen la temperatura en los cables de


conexin son la velocidad de flujo N2 (x 1), La temperatura N2 (x 2), y la
temperatura del bloque calentador (x 3).
Las respuestas para el experimento Y1 = Temperatura mxima en la posicin
A, Y2 = inicio de temperatura de adherencia en posicin A, Y3 = Acabado de
temperatura de adherencia en la posicin A, Y4 = Temperatura mxima en la
posicin B, Y5= inicio de temperatura de adherencia en posicin B, Y6 =
Acabado de temperatura de adherencia en la posicin B.
Los factores de control, junto con sus niveles utilizados en el diseo, se
muestran en la Tabla 3
Tabla 3 Factores y niveles para el diseo experimental de BoxBehnken
Factor

Nombre

Unidades

Bajo Nivel

Alto nivel

velocidad de
Flujo(caudal)

SCFM(pie
cubico por
minuto

40

120

Temp. de flujo

200

450

Temp. de bloque

150

350

Tabla 4 Corridas experimentales


Velocida
del flujo

Temperatura
del flujo

Temperatura
del bloque

Y1

Y2

Y3

Y4

Y5

Y6

40
120
40
120
40
120
40
120
80
80
80
80
80
80
80

200
200
450
450
325
325
325
325
200
450
200
450
325
325
325

250
250
250
250
150
150
350
350
150
150
350
350
250
250
250

139
140
184
210
182
170
175
180
132
206
183
181
175
190
180

103
125
151
176
130
130
151
152
108
143
141
180
135
149
141

110
126
133
169
122
122
153
154
103
138
157
184
133
145
139

110
117
147
199
134
134
143
152
111
176
131
192
155
161
158

113
114
140
169
118
118
146
150
101
141
139
175
138
141
140

126
131
147
171
115
115
164
171
101
135
160
190
145
149
148

El MSE para la prueba de datos correspondientes al modelo completo y modelos


incluyendo dos factores de control se muestran en la Tabla 5.
Tabla 5 Error cuadrtico medio (MSE) para los datos
de prueba
Factores

Y1

Y2

Y3

Y4

Y5

Y6

A, B, C

446

460.3

419

143.1

67.4

21.7

B, C

5.6

15.8

139.7 1135.4 206.6

A, C

4049.4

1551

415.7 3117.5 1379.1 776.5

A, B

260.9 3501.5 1141

284.8

151.2

215.1 1169.3

Los factores significativos de control para cada una de las seis respuestas se
muestran en la Tabla 6
Tabla 6 Factores significativos de control para cada respuesta
Y1

Y2
B, C

Y3
B, C

B, C

Y4
A, B, C

Y5
A, B, C

Y6
A, B, C

Teniendo en cuenta los factores de control mencionados en el Tabla 6 para cada


respuesta, diferente MLP(Multicapa de Perceptrones) y redes RBF(redes de base
radial con diferentes parmetros estn capacitadas. El ms apropiado de las
redes con el menor MSE se nos presenta en la Tabla 7.
Tabla 7 Propiedades de las ltimas seis redes neuronales

Red
1
2
3
4
5
6

Salida
Y1
Y2
Y3
Y4
Y5
Y6

Tipo
MLP
MLP
MLP
MLP
MLP
MLP

No. de
neuroas
en las capas
ocultas
3,6
5,6
5,2
4,6
7,6
7,4

MSE
Prueba
0,55
0,55
1,98
1,60
14,00
1,14

Entrenamient
o
0,08
0,11
0,00
0,20
0,03
0,28

Como puede verse, MLP se selecciona como la mejor red para todas las
respuestas.

Las seis redes neuronales producen MSE absolutamente


inferior, por lo tanto, pueden funcionar para aproximar el
proceso con ms precisin
Tabla 8 Clculo del MSE a partir de los mtodos de regresin

Respons
e
MSE

Y1

Y2

78.3120

Y3

38.6450

Y4

63.3360

Y5

33.2550

Y6

8.3890

7.5822

Para utilizar el enfoque de conveniencia, el ingeniero de procesos


selecciona los valores ms bajos. Como se muestra en la tabla 9.

Tabla 9 Mnimo, mximo, y valores objetivo de las seis respuestas, junto con sus valores de deseabilidad asociados
Respuesta
185

190

195

0.0

1.0

0.0

170

185

195

0.0

1.0

0.0

170

185

195

0.0

1.0

0.0

185

190

195

0.0

1.0

0.0

170

185

195

0.0

1.0

0.0

170

185

195

0.0

1.0

0.0

En la tabla 10 se compara la solucin que se encontr con la versin


revisada de conveniencia planteada por Del Castillo , Ortiz y por
nuestro enfoque propuesto

Como puede verse el total de conveniencia alcanzado por el mtodo


propuesto muestra su capacidad de optimizacin de respuesta
mltiple problemas en comparacin con los otros dos enfoques
principales.

4.2 OPTIMIZACIN DE UNA RESPUESTA MLTIPLE DEL


PROCESO DE HILADO DE NYLON 6

El proceso empieza alimentando los grnulos


de polmero de nylon 6 a la tolva de
alimentacin. El polmero de nylon 6 es
fundido luego mediante un calentador (A) y
posteriormente es mezclado meticulosamente
por la rotacin de un extrusor de tornillo (C).
Luego la solucin anti-esttica (B) se aade a
la mezcla. La rotacin del extrusor de tornillo
empuja la mezcla delante en el colector. La
bomba ayuda al flujo de polmero fundido (D).
El polmero fundido es luego girado a travs
de la hilera (E) y toma la forma del filamento.
Los siguientes filamentos se solidifican al
pasar a la torre de enfriamiento. Finalmente
estn lubricados y se toman a travs del
rodillo de recojo

Las respuestas a optimizar son:


El nmero de hilos (Y1)
La tensin especfica del hilo (Y2 )
la condicin del aspecto de los hilos
(Y3)

cuantitativo
cuantitativo
cualitativo

Propsito:
Valor objetivo de 140 para Y1
Maximizar Y2
Lograr la mejor condicin del hilo para Y3
Tabla 11 Factores de control y sus niveles en el diseo experimental
Factor

Name

Units

Low Level

High level

Heater temp.

250

290

Anti-static

Extruder speed

rev/min

400

500

Metering pump's rate

cm/min

700

900

Dimension pf spinneret holes

1000

1200

Take-up roll speed

rev/min

100

120

Las ecuaciones consideradas para


simular el proceso y generar los
datos son las siguientes:

En el siguiente paso, un diseo


compuesto central con un punto
centro fue elegido y las respuestas
se calcularon utilizando ecuaciones
de simulacin

Las respuestas cualitativas de Y3


es un campo difuso
La figura 5 ilustra las funciones de
pertenencia de la respuesta Y3

Con
el
fin
de
alimentar
estas
funciones
de
pertenencia a las
redes
neuronales,
ellas
deben
ser
expresadas como un
vector. Para ello, el
intervalo [70, 140] es
dividido
en
28
secciones iguales (n
= 28).

Tabla 12 Informacin de los vectores para los tres conjuntos


difusos
Bad
Medium
Good
0.92414
0.01422
0
0.84113
0.02554
0
0.69706
0.04394
0
0.5
0.07238
0
0.30294
0.11416
0
0.15887
0.17242
0
0.0786
0.24935
0
0.03445
0.34529
0
0.01527
0.45783
0
0.00669
0.58127
0
0.00292
0.70665
0
0.00127
0.82258
0.00001
0.00055
0.91686
0.00002
0.00024
0.97853
0.00005
0.0001
1
0.0001
0.00005
0.97853
0.00024
0.00002
0.91686
0.00055
0.00001
0.82258
0.00127
0
0.70665
0.00292
0
0.58127
0.00669
0
0.45783
0.01527
0
0.34529
0.03445
0
0.24935
0.0786
0
0.17242
0.15887
0
0.11416
0.30294
0
0.07238
0.5
0
0.04394
0.69706
0
0.02554
0.84113
0
0.01422
0.92414

Para identificar los factores


importantes de control, el
MSE de los datos de prueba
para el modelo completo y
modelos incluyendo cinco
factores
de
control
se
muestran en la tabla

Tabla 13 MSE
Model including
factors
A, B ,C ,D ,E ,F
B, C, D, E, F
A, C, D, E, F
A, B, D, E, F
A, B, C, E, F
A, B, C, D, F
A, B, C, D, E

para los datos de prueba


Y

3.26
3.75
3.5
4.35
1815.9
540.45
41.37

4.12
40.35
2.53
1.16
15.66
1.33
3.01

0.02
0.21
0.06
0.09
0.23
0.03
0.03

Segn la Tabla 13
Los factores D, E y F para la respuesta Y1
A y D para la respuesta Y2
A, B, C y D para la respuesta Y3
Son identificados como factores significativos.

Las Redes RBF fueron formadas con factores importantes como las
entradas de cada red

Tabla 14 MSE de los datos de prueba para las tres redes con factores importantes identificados
Respuesta

Factores importantes

MSE

D, E, F

2.78

A, D

4.01

A, B, C, D

0.02

Dado que el MSE de los modelos con factores significativos es no


significativamente menor que el MSE del modelo completo, los
modelos completos son elegidos para la optimizacin.
Posteriormente, las redes ms adecuadas con el menor MSE
fueron capacitados.
La preparacin adecuada de las redes para evitar el fenmeno de
la memorizacin ha sido controlada por el trazado de cada red de
salida para la prueba, datos de entrada preparados y la
cartografa a lo largo de sus valores deseados.

Las grficas de confirmacin para la formacin apropiada de la segunda red se


muestran en la figura. 6

Las dems grficas de las redes de este ejemplo y tambin todas las seis
redes del primer ejemplo no se han incluido en el artculo, debido al tamao.

El ingeniero de procesos selecciona el inferior, superior, y los valores


objetivo para las deseabilidades individuales, como se muestra en la
Tabla 16
Tabla 16 Minimo, mximo, y valores objetivo para las tres respuestas con sus valores deseablemente asociados
Respuesta

Objetivo

Yminj

Tj

Ymaxj

dj(Yminj)

Dj(Tj)

dj(Ymaxj)

Objetivo

130

140

150

0.0

1.0

0.0

Max

40

90

0.0

1.0

1.0

Para la respuesta cualitativa, el vector objetivo T3 y su


complemento W3 son como sigue. Las deseabilidades individuales
son tomadas como lineal con s = t = 1

Con los ajustes de los parmetros obtenidos, el GA se ha ejecutado


1.000 veces.
La solucin ms deseable encontrada por el algoritmo, los valores
pronosticados de respuesta y los valores reales de respuesta se
muestran en la Tabla 17. La salida de la tercera red de la solucin final
se muestra en la fig. 7.
Tabla 17 Solucin
final encontrada por
el algoritmo
gentico

x*

(368.13, 9.94,
398.21,
803.63, 1297.50,
83.43)

Acercados
(Y, Y, Y)
(140.08, 61.27,
vector)

Simulacion
(Y, Y, Y)
(140.90, 56.68,
vector)

Dacercada(x)

0.8423

Esto muestra la formacin


adecuada de las tres redes y
aprueba el enfoque propuesto
para hacer frente a problemas
que incluyen las respuestas
cualitativas.

Conclusiones

Вам также может понравиться