Neural Network-Based Pattern Recognition for Statistical Process Monitoring. Masters thesis, King Fahd University of Petroleum and Minerals.

PDF Zakariye_Ali_Thesis book full.pdf Restricted to Repository staff only until 26 May 2026. Download (2MB)

Arabic Abstract

وتُستخدم في التحكم الإحصائي في العمليات طرق ضبط الجودة الاحصائية تم تطبيقها على نطاق واسع في معظم المجالات الصناعية. لمراقبة الجودة و الحفاظ عليها. الطرق التقليدية لمختطات ضبط الجودة الاحصائية تعتمد على عدة افتراضات ، مثل تبعية البيانات للتوزيع الطبيعي، قد لا تتحقق هذه الافتراضات عمليًا. تُضعف هذه القيود من كفاءة مخططات ضبط الجودة الاحصائية في تحديد الأنماط، لا سيما في سياقات البيانات المعقدة أو غير الطبيعية. تُركز هذه الدراسة على تخفيف هذه التحديات من خلال دراسة نماذج قائمة على الشبكات العصبية بهدف تحسين دقة التعرف على الأنماط واكتشاف التحولات في العمليات غير الطبيعية في ظل ظروف عملية متفاوتة. يبدأ البحث بتحليل شامل و ببليومتري للدراسات، وتحديد الاتجاهات المتعلقة بتطبيقات الشبكات العصبية، والتعرف على هياكل النماذج السائدة، وكشف أوجه القصور البحثية الهامة، على سبيل المثال، عدم توازن البيانات، والقيود الحسابية، وغياب المعايير القياسية. وبعد هذه الملاحظات، تم تطوير العديد من نماذج الشبكات العصبية (الشبكة العصبية ذات التغذية الأمامية، والشبكة العصبية التلافيفية، والشبكة العصبية المتكررة، والهجينة) وتقييمها على ستة أنماط شائعة لمخططات التحكم باستخدام مجموعات بيانات محاكاة وحقيقية. تم تقييم جميع هذه النماذج من خلال التوزيع الطبيعية وغير الطبيعية مثل توزيع جاما، توزيع تي، التوزيع الطبيعي اللوغاريثمي حيث أظهرت النتائج أن مخططات ضبط الجودة الاحصائية التي تعتمد على الشبكة العصبية الأمامية كانت الأكثر دقة ومتانة، بينما كان النموذج الهجين هو الأفضل في تحديد الأنماط المتسلسلة. لتحسين أداء المراقبة متعددة المتغيرات، في البحث قمنا باقتراح دمج جديد لمخطط التحكم متعدد المتغيرات للمجموع التراكمي والشبكات العصبية. تدمج هذه التقنية الهجينة حساسية مخططات التحكم متعدد المتغيرات للتحولات الصغيرة مع قدرة الشبكات العصبية على التعلم، مما يُحسّن من اكتشاف سلوكيات العمليات غير الطبيعية في ظل ظروف غير متماثلة وغير طبيعية. بشكل عام، يُقدم البحث إطارًا متينًا وذكيًا للطرق الكلاسيكية للتعرف على أنماط مخططات التحكم، مستمدًا حلولًا عملية لأنظمة مراقبة الجودة الصناعية الحديثة.

English Abstract

Statistical Process Control (SPC) is extensively employed for quality monitoring and controlling industrial processes. Classical methods for Control Chart Pattern Recognition (CCPR), methods, rely on assumptions such as normality that may not hold in practical world. These limitations reduce their competence in identifying patterns, especially in complex or non-Gaussian data contexts. This study focuses on handling these challenges through the use of neural network-based models. The proposed strategy aims at enhancing the pattern recognition accuracy and detect shifts for abnormal processes under varying process conditions. The investigation starts with an extensive and bibliometric analysis of CCPR studies, identifying trends regarding neural network applications, recognizing prevalent model architectures, and revealing significant research deficiencies, e.g., data imbalance, computational limitations, and the absence of standard benchmarks. Following these observations, several neural network models including Feedforward Neural Network (FNN), Convolutional Neural Network (CNN), Recurrent Neural Network (RNN), and hybrid CNN-RNN are developed and evaluated on six common control chart patterns using simulated as well as real datasets. All these models are tested under normal and non-normal distributions (covering gamma, t, and log-normal). The analysis revealed that FNN is the most accurate and robust network model for non-normal distributional setups, whereas the hybrid model is best in identifying sequential patterns. In order to deal with multivariate monitoring, a novel integration of the Multivariate Cumulative Sum (MCUSUM) control chart and neural networks is also proposed. The hybrid technique assimilates MCUSUM`s sensitivity to small shifts with the learning capability of neural networks, resulting in improved detection of abnormal process behavior under asymmetric and non-normal conditions. Overall, the research presents an efficient and robust framework for CCPR, deriving real-world solutions for modern industrial quality control systems.

Item Type:	Thesis (Masters)
Subjects:	Math
Department:	College of Computing and Mathematics > Mathematics
Committee Advisor:	Riaz, Muhammad
Committee Members:	Omar, Mohammad Hafidz and Sawlan, Zaid
Depositing User:	ZAKARIYE ALI (g202216160)
Date Deposited:	27 May 2025 05:09
Last Modified:	27 May 2025 05:09
URI:	http://eprints.kfupm.edu.sa/id/eprint/143463