fa به‌کارگیری رویکرد‌های یادگیری ماشین جهت پیش‌بینی انحراف ابعاد کاشی‌های سرامیکی کنترل Control پژوهشي Research <span dir="RTL">امروزه، رویکردهای یادگیری ماشین نقش مهمی را در شناسایی عوامل مؤثر بر کیفیت محصولات تولیدی ازجمله تولید کاشی و سرامیک ایفا می‌کنند. یکی از چالش‌های موجود در تولید کاشی و سرامیک، معیوب شدن کاشی‌ها به دلیل ایجاد انحراف در ابعاد کاشی تولیدی است. در صورتی‌که بتوان با توجه به پارامترهای فرآیند تولید، امکان ایجاد انحراف در ابعاد کاشی را قبل از تولید پیش‌بینی نمود، می‌توان از تولید کاشی معیوب جلوگیری و نسبت به تنظیم مجدد پارامترهای تولید اقدام نمود. در این پژوهش، یک سیستم خودکار جهت پیش‌بینی دسته‌ی انحراف کاشی و شناسایی عوامل تأثیرگذار بر آن، پیشنهاد شده است. بدین منظور سه طبقه‌بندکننده‌ی مختلف شامل رگرسیون منطقی، جنگل تصادفی و ماشین بردار پشتیبان جهت مدل‌سازی پارامترهای مربوطه مورد بررسی قرارگرفته و برترین ساختار معرفی شده است. علاوه بر این با بررسی چند دسته ویژگی و بهره‌گیری از روش انتخاب ویژگی پیش‌رو، متغیرهای مؤثر در تصمیم‌گیری انحراف کاشی نیز شناسایی شده‌اند. نتایج آزمایش‌های انجام شده بر روی نمونه‌های واقعی، نشان می‌دهد که </span><span dir="RTL">رویکرد جنگل تصادفی </span><span dir="RTL">کارایی بهتری نسبت به رویکردهای دیگر داشته و&nbsp; تأثیرگذارترین پارامترها در ایجاد انحراف کاشی، مقدار نامناسب دماهای کوره بوده است.</span> In recent years, machine learning approaches play an important role in quality identification of&nbsp; manufactured products including tiles and ceramics. Deviation of tile dimensions is one the main challenge in ceramic and tile industry. Prediction of this deformation will be beneficial if it can be predicted before producing the tile. In this paper, an automatic system has been proposed to predict the deviation of the ceramic tiles. Besides, a machine learning approach is utilized to identify the most effective parameters that leads to tiles&rsquo; defect. In this way, three different classification approaches including logistic regression, random forest, and support vector machine have been studied and the best solution is determined for this purpose. Moreover, several feature sets and forward feature selection method have been employed to select more effective variables on our decision making. The experimental results conducted on real-world dataset show that, random forest approach achieves better performance than others, and the results illustrate that improper temperature parameters has more effect on tile deviation. دسته‌بندی خودکار, انحراف ابعاد کاشی‌‌‌, یادگیری ماشین, جنگل تصادفی, ماشین بردار پشتیبان, رگرسیون منطقی, انتخاب ویژگی پیش‌رو. Automatic classification, Dimensional deviation of tile, Machine learning, Random forest, Support vector machine, Logistic regression, Forward feature selection. 201 208 http://jiaeee.com/browse.php?a_code=A-10-1849-1&slc_lang=fa&sid=1 Marzieh Sadat Tabatabaei مرضیه السادات طباطبائی ms.tabatabaei@stu.yazd.ac.ir 100319475328460010453 100319475328460010453 No Department of Computer Engineering, Faculty of Computer Engineering, Yazd University دانشکده مهندسی کامپیوتر- دانشگاه یزد Mahdi Yazdian-Dehkordi مهدی یزدیان دهکردی yazdian@yazd.ac.ir 100319475328460010454 100319475328460010454 Yes Department of Computer Engineering, Faculty of Computer Engineering, Yazd University دانشکده مهندسی کامپیوتر- دانشگاه یزد Amir Jahangard Rafsanjani امیر جهانگرد رفسنجانی jahangard@yazd.ac.ir 100319475328460010455 100319475328460010455 No Department of Computer Engineering, Faculty of Computer Engineering, Yazd University دانشکده مهندسی کامپیوتر- دانشگاه یزد