Review about Application of Computational Intelligence for Quality Control in Industry Section

Abstract

 Tujuan pengendalian kualitas dalam aplikasi industri adalah untuk menganalisis dan memantau kualitas kegiatan manufaktur industri. Sistem pemrosesan sinyal dan sistem inspeksi visual otomatis, yang merupakan sistem otomatis untuk inspeksi visual dengan penglihatan mesin, dapat memainkan peran mendasar dalam evaluasi kualitas karena dapat menjamin kualitas tinggi dan inspeksi kualitas non-invasif yang konstan. Analisis komprehensif dari kontrol kualitas untuk aplikasi industri tidak tersedia dalam literatur, tetapi beberapa solusi ad hoc dapat ditemukan. Memecahkan masalah kontrol kualitas memerlukan kemampuan untuk mengatasi masalah dalam berbagai disiplin ilmu (akuisisi sinyal, prapemrosesan sinyal, pemilihan dan ekstraksi fitur, fusi dan klasifikasi data). Sebagai hasil dari upaya penelitian, metodologi telah dikembangkan yang berusaha untuk mengintegrasikan semua kegiatan di atas untuk mengembangkan sinyal cerdas dan sistem inspeksi visual untuk kontrol kualitas. Teknologi kecerdasan komputasional diakui dalam literatur sebagai alat yang sangat baik yang dapat digunakan desainer untuk mencapai tujuan ini.

Introduction

 Quality control di aplikasi industri tertuju pada monitor dan menggaransikan kualitas dari proses produk industri. Hasil dari inspeksi produk dalam kecepatan tinggi itu membosankan, berulang dan melelahkan untuk operasi manusia. Tidak seperti manusia, komputer tidak kelelahan atau bosan dalam melihat atau mengukur hal yang sama terus menerus. Sistem automatic quality control bisa menjadi kunci terhadap penyelesaian problem dari aplikasi, agar lebih akurat.

Problem Background

 Faktanya, masalah kontrol kualitas masih belum diketahui dan analisis komprehensif tentang subjek tidak tersedia dalam literatur. Masalah kontrol kualitas selalu diselesaikan dengan menyelesaikan atau menyelesaikan masalah. Kesulitan utama dalam memecahkan masalah pengendalian kualitas adalah kebutuhan untuk dapat memecahkan masalah dalam disiplin ilmu yang berbeda. Akuisisi data (sinyal atau gambar) membutuhkan pengetahuan tentang sistem pengukuran dan pengukuran, sedangkan pra-pemrosesan data membutuhkan pengetahuan tentang pemrosesan gambar dan sinyal. Aktivitas kontrol kualitas yang tepat memerlukan pengetahuan tentang ekstraksi fitur, fusi sensor, pemodelan dan pemantauan sistem, analisis data, dan teknik klasifikasi. Sebagai hasil dari upaya penelitian, metodologi telah dikembangkan yang mencoba untuk mengintegrasikan semua kegiatan di atas untuk merancang sistem inspeksi visual untuk evaluasi kualitas.

Approaches in the Industry

 ●     Computational Intelligence in Industrial Quality Control

 Penelitian (Piuri et al., 2005), Quality Control bertujuan untuk menganalisis dan menilai suatu kualitas yang berdasarkan dalam aktivitas industrial manufacturing, akan tetapi aktivitas tersebut dapat melibatkan tugas yang berat dan berulang untuk adanya process control. Automatic Quality Control System merupakan salah satu cara untuk menyelesaikan suatu masalah dalam aplikasi dan membuat Quality Control dapat bekerja secara baik dan detail, dan seringkali non-invasive dan Standardized Quality Control. Quality Control dalam memperoleh sebuah data (sinyal atau gambar) digunakan dalam monitoring proses industri yang merupakan salah satu kunci dari design sistem Quality Control.

●     Application of Computational Intelligence for Quality Control in Steel Production

 Berdasarkan penelitian dari (Peters, 2000), merupakan suatu studi kasus tentang Quality Control dalam produksi baja. Bahwa dalam kualitas produk dengan berbagai aspek dianggap sangat penting, baik untuk produsen maupun konsumen dalam produksi baja yang berkualitas. Suatu strategi kontrol yang memiliki sebuah target nilai individu seperti ketebalan material yang dapat dikontrol secara langsung. Namun, fitur produk tertentu dipengaruhi oleh beberapa tahapan proses, dan indikator kualitas tertentu tidak dapat diukur secara langsung, karena tidak dapat dikontrol secara langsung.

Berikut adalah gambar yang menjelaskan tentang Quality Control yang berkaitan dengan konteks ini. Sebuah proses tunggal atau rantai beberapa subproses menghasilkan produk dengan kualitas tertentu, meskipun ini adalah dipengaruhi oleh variabel gangguan yang biasanya tidak terukur. Kualitas produk yang dihasilkan direkam sedapat mungkin menggunakan sensor. Di mana ini tidak mungkin, cara lain telah dapat ditemukan untuk menggambarkan kualitas secara keseluruhan.

●     Computational intelligence, machine learning techniques, and IOT

 Menurut (Vijayakumar, 2021), Sistem komputerisasi sangat penting di banyak bidang untuk mencapai pemantauan dan kontrol yang sempurna tanpa mengurangi akurasi. Selain itu, ketersediaan peralatan komputasi yang canggih membantu mencapai hasil yang sangat baik di berbagai bidang seperti industri, manufaktur, pertanian, kedokteran, dan disiplin teknis dan ilmiah lainnya. Integrasi pendekatan tradisional dengan teknik kecerdasan komputasional baru juga dapat membantu mencapai hasil yang lebih baik dalam praktik pemecahan masalah.

Pendekatan baru dan integrasi IoT membantu meningkatkan sistem secara keseluruhan menggunakan teknologi Internet saat ini. Ini otomatis dan juga mendukung pemantauan dan kontrol jarak jauh. Jika industri memiliki semua fitur tersebut, maka disebut juga sebagai industri yang dapat mengakomodasi ekspansi signifikan di masa depan yang diperlukan untuk mengimplementasikan Industri 4.0. Kata kunci penting untuk menunjukkan tren terkini dalam otomatisasi dan berbagi data di industri, termasuk: Komputasi kognitif dengan sistem siber-fisik, IoT, komputasi awan, dan perangkat cerdas esensial.

• Deep Learning for Industrial Computer Vision Quality Control in the Printing Industry 4.0

Conclusion

 Solusi masalah kontrol kualitas membutuhkan kemampuan untuk mengatasi masalah bidang ilmiah yang berbeda (akuisisi sinyal, pra-pemrosesan sinyal, pemilihan dan ekstraksi fitur, fusi dan klasifikasi data). Upaya penelitian mengarah pada pengembangan metodologi yang mencoba mengintegrasikan semua aktivitas di atas untuk merancang sinyal cerdas dan sistem inspeksi visual untuk kontrol kualitas. Teknik kecerdasan komputasional menawarkan solusi yang sesuai bagi perancang untuk meningkatkan modul dasar sistem kendali mutu dan menyusun informasi yang tersedia secara cerdas untuk mendapatkan sistem yang lebih akurat, adaptif, dan berkinerja.

Reference

 King,    R.   E.    (1999). Computational intelligence in control engineering. CRC Press. https://books.google.co.id/books?hl=en&lr=&id=qTtm6Sgube4C&oi=fnd&pg=PR5&dq=+comp utational+intelligence+in+industry&ots=_CyKJQw8Tn&sig=CHLDkq320GkMKsgRZTO3ZO MSaJg&redir_esc=y#v=onepage&q=computational%20intelligence%20in%20industry&f=false

Donida Labati, R., Genovese, A., Muñoz, E., Piuri, V., & Scotti, F. (2018). Applications of computational intelligence in industrial and environmental scenarios. In Learning Systems: From Theory  to      Practice                          (pp.           29-46).                 Springer,      Cham. https://sci-hub.ee/10.1007/978-3-319-75181-8_2

Piuri, V., Scotti, F., & Roveri, M. (2005, September). Computational intelligence in industrial quality control. In IEEE International Workshop on Intelligent Signal Processing, 2005. (pp. 4-9). IEEE. https://sci-hub.ee/https://ieeexplore.ieee.org/abstract/document/1531623

Peters, H. (2000). Application of Computational Intelligence for Quality Control in Steel Production.                                   Proceedings                 of                 Toolmet,                2000,                 1-14.

https://www.researchgate.net/profile/Harald_Peters/publication/293772072_Application_of_Co mputational_Intelligence_for_Quality_Control_in_Steel_Production/links/56bb355708ae6d700a 6a0de5/Application-of-Computational-Intelligence-for-Quality-Control-in-Steel-Production.pdf

Vijayakumar, K. (2021). Computational intelligence, machine learning techniques, and IOT.

Concurrent                                  Engineering,                                  29(1),                                  3-5. https://sci-hub.ee/https://doi.org/10.1177/1063293X211001573

Villalba-Diez, J., Schmidt, D., Gevers, R., Ordieres-Meré, J., Buchwitz, M., & Wellbrock, W. (2019). Deep learning for industrial computer vision quality control in the printing industry 4.0. Sensors, 19(18), 3987. https://sci-hub.ee/10.3390/s19183987

Ditulis :

Christopher Alexander – 2201789025

Joshua La’la – 2201771236

William Setta Suryawidjaja – 2201820151