پایان نامه تشخیص نرخ عدم تشخیص خطای تغییر ناگهانی متغیر ها در فرآیند تنسی ایستمن به روش شبکه های عصبی

word
124
2 MB
32204
1393
کارشناسی ارشد
قیمت: ۱۶,۱۲۰ تومان
دانلود فایل
  • خلاصه
  • فهرست و منابع
  • خلاصه پایان نامه تشخیص نرخ عدم تشخیص خطای تغییر ناگهانی متغیر ها در فرآیند تنسی ایستمن به روش شبکه های عصبی

    چکیده

    تغییر پارامترهای موجود در یک فرآیند صنعتی باعث آن می­گردد که فرآیند از نقطه کار مطلوب خود خارج گردد. این تغییر به­نوبه­ی خود کاهش کارایی کنترل­کننده­های حلقه بسته­ای را که برای نقطه کار مطلوب سیستم طراحی شده­اند را به­دنبال خواهد داشت. لذا نیاز است که ابتدا این تغییرات به­صورت یک عیب تشخیص و شناسایی شود و سپس با تغییر پارامترهای فرآیند یا ساختار کنترل­کننده برحسب نیاز نسبت به تصحیح رفتار سیستم اقدام نمود. به چنین سیستمی که ویژگی مذکور را داشته باشد کنترل­کننده­ی تحمل­پذیر عیب گفته می­شود.

    لازمه­ی طراحی چنین سیستمی به­صورت کارآ، در مرحله­ی نخست طراحی مناسب سیستم تشخیص عیب می­باشد که مکان، زمان و بزرگی عیب را به­درستی شناسایی کند. ارزیابی سیستم تشخیص عیب با ویژگی­های نرخ تشخیص/ عدم تشخیص و نرخ هشدارهای اشتباه صورت می­گیرد. بهره­گیری از قدرت مناسب شبکه­های عصبی جهت طبقه­­بندی برای کاربری در این مهم هم در سال­های اخیر مورد توجه قرار گرفته است.

    در این پژوهش نوع خاصی از شبکه­های عصبی که دارای الگوریتم قوی آموزش پس­انتشار خطای تعمیم یافته می­باشد به­منظور درک تغییر پارامترهای فرآیند طراحی و پیاده­سازی شده است. این نوع از شبکه­ها در یک ساختار موازی اطلاعات جمع­آوری شده از فرآیند را تحلیل می­کنند و خروجی تجمیع شده­ی شبکه­ها را به­صورت یک نشانگر اطلاعات زمانی و مکانی وقوع عیب خواهیم داشت. پس از تشخیص عیب نسبت به تنظیم ضرائب کنترل کننده اقدام خواهد شد. 

      کلید واژه: تشخیص و شناسایی عیب، شبکه ­های عصبی دینامیک، فرآیند تنسی ایستمن، نرخ عدم تشخیص.

    1-1- مقدمه

    در طول دهه­های گذشته با ظهور کنترل رایانه­ای، نظارت بر روی فرآیندهای پیچیده پیشرفت­های شگرفی داشته است. با وجود تمامی این پیشرفت­ها هنوز هم یک وظیفه­ی کنترلی بسیار مهم در مدیریت فرآیندها به­صورت دستی باقی می­ماند و به­وسیله­ی عوامل انسانی اجرا می­شود. این وظیفه، عملیات واکنش به پیشامدهای ناهنجار در یک فرآیند است، که شامل ردیابی بهنگام پیشامد ناهنجار، تشخیص عوامل وقوع آنها و سپس گرفتن تصمیم­های کنترلی و نظارتی مناسب و بازگرداندن فرآیند به حالت طبیعی، ایمن و عملیاتی می­شود. به این عملیات، مدیریت پیشامدهای ناهنجار گفته می­شود که یک عنصر کلیدی در کنترل نظارتی به شمار می­رود.

    1-2- ضرورت عیب­یابی

    اعتماد کامل تنها به عوامل انسانی برای کنترل پیشامدهای ناهنجار و امور اضطراری، به دلایل متعددی دشوار است. عملیات تشخیص به­علت دربرگیری گستره­ بزرگی از سوء عملکردها، از جمله خرابی­های واحد کنترل، کاهش کارآیی ناگهانی واحد فرآیند، تغییرات در پارامترها و ... دارای پیچیدگی است. برای مثال، در یک فرآیند صنعتی بزرگ ممکن است 1500 متغیر فرآیند در چند ثانیه مشاهده شوند که دربردارنده­ی زیادی از اطلاعات می­شود. از این گذشته عملیات تشخیص خطا براساس داده­های ناکافی یا داده­های اتکاناپذیر به عواقب غیرقابل پیش­بینی منجر می­گردد. در چنین شرایط دشواری، که سرعت عمل نیز لازمه­ی کار است هر اقدام عجولانه­ی کاربر ممکن است به حوادث ناگوار منجر گردد. آمارهای صنعتی نشان می­دهد که حدود 70% از حوادث صنعتی به­دلیل خطاهای انسانی بوده است. این رویدادهای ناهنجار اثر اقتصادی، ایمنی و زیست محیطی قابل توجهی دارند. یکی از حوادث مهم اخیر انفجار در پالایشگاه نفتی الاحمدی کویت در ژوئن سال 2000 است که منجربه حدود 100 میلیون دلار خسارت شد [1]. از این گذشته، آمارهای صنعتی نشان داده­اند که گرچه ممکن است فجایع و خرابی­های بزرگ در فرآیندهای شیمیایی نادر باشند، اما حوادث کوچک بسیار معمول هستند و هر روز اتفاق می­افتند. حوادث کوچک منجربه بسیاری از آسیب­های کاری می­شوند و هر سال میلیاردها دلار هزینه برای صنعت ایجاد می­کنند. از این­رو آشکارسازی و شناسایی صحیح و سریع عیب­های یک فرآیند از نظر اقتصادی، ایمنی عملکرد و نگاه­های انسانی و زیستی از اهمیت بسیار زیادی برخوردار است. همچنین آشکارسازی موفق یک عیب در مراحل اولیه می­تواند موجب افزایش نرخ بهبود عملکرد سیستم گردد و از رویدادهای خطرناک بعدی و هشدارهای غیرضروری جلوگیری کند.     

    در سیستم­هایی که ایمنی و قابلیت­ اعتماد به­عنوان شاخص­های اصلی کیفیت سیستم مطرح می­شوند، تشخیص و شناسایی خطا به­عنوان روشی در بهبود شاخص­های مزبور مطرح­ است. چه­بسا سانحه­ای هر چند کوچک در اثر خطا و خرابی ادوات و تجهیزات، تلفات جانی و هزینه­های مالی هنگفتی را در پی خواهد داشت.

    1-3- هدف از انجام تحقیق

    با استفاده از روش­های تشخیص و شناسایی خطا، امکان مدیریت خطا و همچنین نگهداری و تعمیر بهنگام فراهم می­شود. شناسایی محل خطا، با تعمیرپذیری بهنگام، کاهش هزینه­های مستقیم و غیر­مستقیم بهره­برداری و افزایش ایمنی و قابلیت­ اعتماد سیستم را به­دنبال خواهد داشت. با انتشار خطا در سیستم، علاوه­بر گسترش سطح خسارات، شناسایی علت اولیه­ی آن بسیار دشوارتر می­شود. بنابراین، یک روش تشخیص و شناسایی دقیق خطا، می­تواند از انتشار خطاهای بعدی در سیستم و پیامدهای ناشی از آن­ها جلوگیری کند. شبکه­های عصبی به­عنوان یک روش هوشمند جهت مدلسازی پیچیدگی­های غیرخطی فرآیند می­تواند کمک شایانی به بهبود عملکرد سیستم عیب­یابی کند.

    هدف از بکارگیری روش­های تشخیص و شناسایی خطا، اعمال نظارت پیشرفته، مدیریت خطا، بهبود و  قابلیت اطمینان و دسترس­پذیری، کاهش سوانح و میزان پیامدهای آن­ها، همچنین اعمال تعمیر و نگهداری بهینه است. این قابلیت­ها از طریق پایش مستمر بر فرآیند و اندازه­گیری کمیت­ها و در نهایت استفاده از الگوریتم­های مناسب جهت تحلیل به­دست می­آیند.

    1-4- مروری بر کارهای انجام شده

    روش­های شناسایی عیب به دو دسته­ی عمده­ی روش­های مبتنی بر مدل و روش­های مبتنی بر داده تقسیم می­گردند. روش­های نظیر تخمین پارامتر و فیلتر کالمن از جمله روش­های مبتنی بر مدل می­باشد. شبکه­های عصبی مصنوعی یکی از پرکاربردترین روش­های مبتنی بر داده می­باشد که مبنای آن استفاده از داده­های واقعی اندازه­گیری شده از فرآیند می­باشد و مستقل از روابط ریاضی بوده، لذا کاربرد وسیعی در سیستم­های پیچیده و غیرخطی دارد. ساختارهای متفاوتی جهت استفاده از شبکه عصبی در عیب­یابی وجود دارد:

    شبکه­های عصبی پس­انتشار[2]

    شبکه­های عصبی چندگانه[3]

    شبکه­های عصبی متوالی[4]

    شبکه­های عصبی هایبرید[5]

    شبکه­های عصبی ماژولار[6]

    در سال­های اخیر شبکه­های عصبی پویا [7] به­دلیل توانایی در مدلسازی دینامیک­های غیرخطی فرآیندها مورد توجه زیادی قرار گرفته است. به­همین دلیل مقالات و کارهای متفاوتی با استفاده از این شبکه انجام شده است. نظیر:

    فیلتراسیون داده­ها [7,8]

    تشخیص و جداسازی عیب عملگری در سیستم­های غیرخطی [9]

    تشخیص عیب موتور ماهواره [10]

    تشخیص عیب فرآیند تبخیر شکر [11]

    تشخیص عیب موتور جت [12]

    در مرجع [13] از یک روش مبتنی بر آنالیز مولفه­ی اصلی[1] (PCA) به­نام آنالیز الگوی آماری[2] (SPA) برای عیب­یابی فرآیند تنسی ایستمن استفاده شده است که در آن به جای آماره­ی T2 از دو آماره­ی Dp و Dr که به­ترتیب نرم و امید مانده می­باشند، برای عیب­یابی استفاده شده است که در حضور دینامیک­های غیرخطی جواب مناسبی دارد. در مرجع [14] از ترکیب PCA چند متغیره و یک شبکه­ی عصبی-فازی تطبیقی[3] (Anfis) به­منظور عیب­یابی استفاده شده است. در این ترکیب ابتدا PCA کاهش بعد خطی داده و سپس شبکه­ی Anfis جهت کلاس­های متفاوت آموزش داده می­شود.

    در این پایان­نامه یک شبکه­ی عصبی پویا برای تشخیص رفتار معیوب فرآیند تنسی ایستمن[4] طراحی و پیاده­سازی گردیده است.

    1-5- ساختار پایان­نامه

    در ادامه­ی پایان­نامه در فصل دوم به معرفی روش­های تشخیص عیب و مزایا و معایب هر روش خواهیم پرداخت. در فصل سوم دو راهکار اصلی تشخیص عیب، PCA و  شبکه­های عصبی مصنوعی[5] به­منظور یافتن ساختار مناسب بررسی گردیده است. این راه­کارها منجربه پیاده­سازی ساختار پیشنهادی گردیده است. در فصل چهارم نحوه­ی اجرای الگوریتم PCA بر روی فرآیند مورد آزمایش تشریح و شبیه­سازی گردیده است. در فصل پنجم ساختار شبکه عصبی پیشنهادی به همراه چگونگی اجرای آن بر روی فرآیند تنسی ایستمن و نتایج به­دست آمده از شبیه­سازی آورده شده است. در انتها به جمع­بندی و ارائه پیشنهادات پرداخته شده است.

     

    Abstract

    Parameter variation in industrial process makes the normal operation point changes in different control closed loops. These changes decrease the control system performance. So it is necessary to detect the parameter changes first and then redesign the controller system. In fact the control system behaves like a fault tolerant control which detect fault of parameter changes and try to suppress its effect.

    To design such a system, it should first diagnose fault location, time and type. High accuracy in diagnosis is scaled by missed detection and false alarm rate. Because of good ability to imitate nonlinear behavior, Artificial Neural Networks have been used widely in fault detection systems in recent years. 

    In this thesis, dynamic neural network with back propagation training algorithm has been used to detect parameter changes as a sudden fault. This artificial neural network uses a parallel structure to collect and analysis sensory data. It then simulates different faults in different blocks which each blocks shows a flag to verify the fault detection. This structure improves their coefficient recursively.

    Keywords: Fault Detection and Diagnosis, Dynamic Artificial Neural Network, Tennessee Eastman Process, Missed Detection Rate.

  • فهرست و منابع پایان نامه تشخیص نرخ عدم تشخیص خطای تغییر ناگهانی متغیر ها در فرآیند تنسی ایستمن به روش شبکه های عصبی

    فهرست:

    فهرست جدول­ها  ح

    فهرست شکل­ها  ط

    چکیده                  1

    فصل 1-  مقدمه    . 2

    1-1-         مقدمه    . 3

    1-2-    ضرورت عیب­یابی. 3

    1-3-    هدف از انجام تحقیق. 4

    1-4-    مروری بر کارهای انجام شده. 4

    1-5-    ساختار پایان­نامه. 5

    فصل 2-  بررسی انواع روشهای تشخیص و شناسایی خطا. 6

    2-1-    مقدمه    . 7

    2-2-    دسته­بندی روش­های شناسایی خطا. 7

    2-2-1-     روش­های مبتنی بر مدل کمی. 8

    2-2-2-     روش­های مبتنی بر مدل کیفی. 9

    2-2-3-     روش­های مبتنی بر داده. 10

    فصل 3-  معرفی روش آنالیز مولفه­ی اصلی و شبکه­های عصبی مصنوعی  12

    3-1-    مقدمه    . 13

    3-2-    روش آنالیز مولفه­ی اصلی . 14

    3-3-    شبکه­های عصبی. 18

    3-3-1-     تک­نرون به­عنوان دسته­بندی کننده. 19

    3-3-2-     آموزش پرسپترون. 21

    3-3-3-     پرسپترون تک­لایه. 24

    3-3-4-     پرسپترون چندلایه. 26

    3-3-5-     آموزش شبکه­های عصبی MLP. 27

    3-3-6-     الگوریتم پس­انتشار خطا برای یک شبکه با تعداد دلخواه لایه و نرون  29

    3-4-    نقش شبکه عصبی در عیب­یابی. 30

    فصل 4-  کارآیی روش PCA در تشخیص پارامترهای معیوب فرآیند تنسی ایستمن  32

    4-1-    مقدمه    . 33

    4-2- معرفی شرکت تنسی ایستمن. 33

    4-3-    شناخت فرآیند صنعتی تنسی ایستمن    . 35

    4-3-1-     متغیرهای فرآیند. 37

    4-3-2-     عیوب فرآیند  . 40

    4-4-    پیاده سازی سیستم عیب یابی فرآیند TEP بر مبنای PCA. 41

    4-4-1-     بررسی موردی عیب 1. 41

    4-4-2-     نرخ عدم تشخیص. 44

    4-4-3-     میزان اهمیت متغیرهای فرآینددر تشخیص عیب 1. 44

    4-4-4-     نتایج شبیه­سازی      51

    فصل 5-  طراحی یک شبکه عصبی پویا به­منظور تشخیص پارامترهای معیوب فرآیند  52

    5-1-    مقدمه    . 53

    5-2-    معماری شبکه عصبی پویا. 53

    5-3-    تشخیص و جداسازی عیب با استفاده از شبکه عصبی دینامیک  54

    5-3-1-     مرحله­ی اول: شناسایی سیستم. 54

    5-3-2-     مرحله­ی دوم: شناسایی و جداسازی عیب. 55

    5-4-    تشخیص پارامترهای معیوب TEP با تکیه بر ساختار پیشنهادی  56

    5-5-    بررسی موردی عیب 1. 67

    5-5-1-     نرخ عدم تشخیص. 71

    5-6-    پیشنهاد راهکاری برای افزایش سرعت الگوریتم. 71

    5-7-    نتایج حاصل از شبیه­سازی. 74

    فصل 6-  نتیجه­گیری و پیشنهادات. 76

    فهرست مراجع . 78

    واژه­نامه فارسی به انگلیسی . 80

    واژه­نامه انگلیسی به فارسی. 82

    چکیده لاتین   . 84

     

    منبع:

     

    [1] J. M. Lee, C. Yoo, S. W. Choi. P. A. Vanrolleghem and I. –B. Lee, “Nonlinear process monitoring using      kernel principal component analysis,” Chem. Eng. Sci, vol. 59, pp. 223-234, 2004.

     

    [2] G. Torella, G. Lombardo, Utilization of neural-networks for gas-turbine engines, XII ISABE 95-703, 1995.

     

    [3] Kanelopoulos, A. Stamatis, K. Mathioudakis, Incorporating neural-networks into gas-turbine      performance diagnostics, in: ASME 97-GT-35, International Gas-turbine & Aero-engine Congress &         Exhibition, Orlando, Florida, 1997

     

    [4] S. Ogaji, Advanced Gas-Path Fault Diagnostics for Stationary Gas-Turbines, Ph.D. Thesis, School of         Engineering, Cranfield University, 2003.

     

    [5] A. Volponi, H. DePold, R. Ganguli, C. Daguang, The use of Kalman-filter and neural-network         methodologies in gas-turbine performance diagnostics: a comparative study, ASME 2000-GT-547, 2000.

     

    [6] M. Zedda, R. Singh, Fault diagnosis of a turbofan engine using neural- networks: a quantitative approach,

            in: 34th AIAA, ASME, SAE, ASEE Joint Propulsion Conference & Exhibit, AIAA 98-3602, Cleveland,     

            OH, 1998.

     

    [7] M. Ayoubi, Fault diagnosis with dynamic neural structure and application to a turbocharger, in:         Proceedings of the International Symposium on Fault Detection, Supervision and Safety for technical         Process SAFEPROCESS’94, vol. 2, Espoo, Finland, pp. 618–623, 1994.

     

    [8] A. Yazdizadeh, K. Khorasani, Adaptive time delay neural network structures for nonlinear system         identification, Neurocomputing 47,  207–240, 2002.

     

    [9] Iz Al-Dein, Al-Zyoud, K. Khorasani, Detection of actuator faults using a dynamic neural network for the         attitude control subsystem of a satellite, in: Proceedings of International Joint Conference on Neural         Networks, Montreal, Canada, July 31–August 4, 2005.

     

    [10] A.Valdes,K.Khorasani,L.MaDynamicneuralnetwork-basedfaultdetection and isolation for thrusters in         formation flying of satellites, in: Advancesin Neural Networks—ISNN 2009: 6th International         Symposiumon Neural Networks, pp.780–793, 2009.

     

    [11] K. Patan, T. Parisini, Identification of neural dynamic models for fault detection and isolation: the case of a

            real sugar evaporation process, IFAC J. Process Control 15 (1) 67–79, 2005.

     

    [12] R. Mohammadi, E. Naderi, K. Khorasani, S. Hashtrudi-Zad, Fault diagnosis of gas turbine engines by using

            dynamic neural networks, in: Proceedings of the ASME Turbo Expo 2010, Glasgow, UK, June 2010.

     

    [13] Hector J. Galicia. Q.Peter He. Jin Wang, “A comprehensive Evaluation of Statistics of pattern analysis based process monitoring” Preprints of the 8th IFAC Symposium on Advanced Control of Chemical Processes, The Iternational Federation of Automatic Control, Furama Riverfront, Singapore, July 10-13, 2012.

    [14] C.K. Lau, Kaushik Ghosh, M.A. Hussain, C.R. Che Hassan,”Fault diagnosis of Tennessee Eastman process with multi-scale PCA and ANFIS” Chemometrics and Intelligent Laboratory 120, 1-14,2013.

     

    [15] M. Blanke, Diagnosis and fault-tolerant control. Springer, 2003.

     

    [16] M. El Hachemi Benbouzid, “A review of induction motors signature analysis as a medium for faults       detection,” Ind. Electron. IEEE Trans., vol. 47, no. 5, pp. 984–993,2000.

     

    [17] Zhao Qing, “Fault Tolerant Control Systems Design,” Master’s thesis,1999.

     

    [18] L. H. Chiang, E. L. Russell and R. D. Braatz, Fault Detection and Diagnosis in Industrial Systems, Springer

         Verlag, Berlin, 2001.

     

    [19] R. Isermann, Fault-Diagnosis Systems, An Introduction from Fault Detection to Fault Tolerance, 1st ed.      Heidelberg: Springer, p. 469, 2006.

     

    [20] K. A. Loparo, M. L. Adams, and M. Buchner, “Model-based and data driven fault diagnosis methods with

          applications to process monitoring,” CASE WESTERN RESERVE UNIVERSITY, 2004.

     

    [21 Isermann, R., Model-based fault detection and diagnosis , status and applications. IFAC 2004.

     

    [22] Sun, X.W.Z., Fault diagnosis approach based on fuzzy neural networks and its application. IEEE International Conference on Control and Automation, p. 217 – 218, 2002.

    [23] D. Dong and T. J. MacAvoy, “Nonlinear principal component analysis based on principal curves and         neural networks,” J. Process Control, vol. 6, no. 6, pp. 329-348, 1996.

     

    [24] Bao Ho T., Introduction to Knowledge Discovery and Data Mining, Tutorial  available here:        http://www.netnam.vn/unescocourse/knowlegde/know_frm.htm

     

    [25] Theodoridis S. and Koutroumbas K., Pattern Recognition, Academic Press, 1999.

     

    [26] Bishop M., Neural Networks for Pattern Recognition, MIT Press, 1996.

     

    [27] Eldar Y.C. and Oppenheim A.V., MMSE Whitening and Subspace Whitening, IEEE Trans. Inform. Theory

            49, pp. 1846-1851, Jul., 2003.

     

    [28] L. H. Chiang, E. L. Russell and R. D. Braatz, “Fault detection and diagnosis in industrial systems,” 2001.

     

    [29] J. J. DOWNS and E. F. VOGEL, “A plant wide industrial process control  problem”,  Computers chem.         Engng.,Pergamon Press,Britain, Vol.17, No. 3, pp.245-255,1993.

     

    [30] John Wiley & Sons .Douglas Hubbard «How to Measure Anything: Finding the Value of Intangibles in Business» pg46, 2007.

     

    [31] Mercedes Fernandez Redondo, Carlos Hernandez Espinosa,”A comparisonamong feature selection methods based on trained networks”Compus RiuSec. Edificio TI. Castellon. Spain. 0-7803-5673-X/99/$10.00 IEEE 1999.

     

    [32] J. Utans, J. Moody and S. Rehfuss,”Input variable selection for neural networks: Application to predicting the U.S. business cycle”,Proceedings of IEEE/IAFE 1995 Computational Intelligence for Financial Engineering.,pp. 118-122, 1995.



تحقیق در مورد پایان نامه تشخیص نرخ عدم تشخیص خطای تغییر ناگهانی متغیر ها در فرآیند تنسی ایستمن به روش شبکه های عصبی, مقاله در مورد پایان نامه تشخیص نرخ عدم تشخیص خطای تغییر ناگهانی متغیر ها در فرآیند تنسی ایستمن به روش شبکه های عصبی, پروژه دانشجویی در مورد پایان نامه تشخیص نرخ عدم تشخیص خطای تغییر ناگهانی متغیر ها در فرآیند تنسی ایستمن به روش شبکه های عصبی, پروپوزال در مورد پایان نامه تشخیص نرخ عدم تشخیص خطای تغییر ناگهانی متغیر ها در فرآیند تنسی ایستمن به روش شبکه های عصبی, تز دکترا در مورد پایان نامه تشخیص نرخ عدم تشخیص خطای تغییر ناگهانی متغیر ها در فرآیند تنسی ایستمن به روش شبکه های عصبی, تحقیقات دانشجویی درباره پایان نامه تشخیص نرخ عدم تشخیص خطای تغییر ناگهانی متغیر ها در فرآیند تنسی ایستمن به روش شبکه های عصبی, مقالات دانشجویی درباره پایان نامه تشخیص نرخ عدم تشخیص خطای تغییر ناگهانی متغیر ها در فرآیند تنسی ایستمن به روش شبکه های عصبی, پروژه درباره پایان نامه تشخیص نرخ عدم تشخیص خطای تغییر ناگهانی متغیر ها در فرآیند تنسی ایستمن به روش شبکه های عصبی, گزارش سمینار در مورد پایان نامه تشخیص نرخ عدم تشخیص خطای تغییر ناگهانی متغیر ها در فرآیند تنسی ایستمن به روش شبکه های عصبی, پروژه دانشجویی در مورد پایان نامه تشخیص نرخ عدم تشخیص خطای تغییر ناگهانی متغیر ها در فرآیند تنسی ایستمن به روش شبکه های عصبی, تحقیق دانش آموزی در مورد پایان نامه تشخیص نرخ عدم تشخیص خطای تغییر ناگهانی متغیر ها در فرآیند تنسی ایستمن به روش شبکه های عصبی, مقاله دانش آموزی در مورد پایان نامه تشخیص نرخ عدم تشخیص خطای تغییر ناگهانی متغیر ها در فرآیند تنسی ایستمن به روش شبکه های عصبی, رساله دکترا در مورد پایان نامه تشخیص نرخ عدم تشخیص خطای تغییر ناگهانی متغیر ها در فرآیند تنسی ایستمن به روش شبکه های عصبی

ثبت سفارش
تعداد
عنوان محصول
بانک دانلود پایان نامه رسا تسیس