0

Áp dụng kaizen cải tiến hiệu quả hoạt động quy trình sản xuất cọc ống ly tâm

88 1 0
  • Áp dụng kaizen cải tiến hiệu quả hoạt động quy trình sản xuất cọc ống ly tâm

Tài liệu hạn chế xem trước, để xem đầy đủ mời bạn chọn Tải xuống

Tài liệu liên quan

Thông tin tài liệu

Ngày đăng: 12/05/2022, 10:59

I H C QU C GIA TP HCM I H C BÁCH KHOA - PHAN HOÀNG ÂN ÁP D NG KAIZEN-TEIAN C I TI N HI U QU HO S N XU T C C NG QUY TRÌNH NG LY TÂM Chun ngành: K thu t cơng nghi p Mã s : 8520117 LU TP H CHÍ MINH, tháng 01 C HOÀN THÀNH T I I H C BÁCH KHOA Cán b ng d n khoa h c 1: NG C HI N Cán b ng d n khoa h c 2: PGS TS LÊ NG C QU NH LAM Cán b ch m nh n xét 1: TS LÊ SONG THANH QU NH Cán b ch m nh n xét 2: TS NGUY N H U TH Lu cb ov t i h c Bách Khoa c n) Thành ph n H m: TS NGUY N V NG PHÚC NGUYÊN: Ch t ch h TS LÊ SONG THANH QU NH: Cán b ph n bi n TS NGUY N H U TH : Cán b ph n bi n TS NGUY P ng : NG C HI N: Xác nh n c a Ch t ch H ngành sau lu CH T CH H ng y viên h ng ng khoa qu n lý chuyên c s a ch a (n u có) NG TS NGUY N V NG PHÚC NGUYÊN i I H C QU C GIA TP.HCM C NG HÒA XÃ H I CH I H C BÁCH KHOA c l p - T - H nh phúc NHI M V LU PHAN HOÀNG ÂN MSHV:1970611 05/12/1996 TP.HCM Chuyên ngành: I T NAM : 8520117 TÀI: ÁP D NG KAIZEN-TEIAN C I TI N HI U QU HO T D NG QUY TRINH S N XU T C C NG LY TAM TÊN D TAI TI NG ANH: APPLY KAIZEN-TEIAN TO THE PRODUCTION PROCESS IN THE SPUN PILE PLANT II NHI M V VÀ N I DUNG: - u lu nh th c hi n c i ti n Kaizen nhà máy s n xu t c ng c a d sang xây d ng mơ hình ng th c hi n lu ng nén bê tông Lý chi ti t ph l c A - Tìm hi u v quy trình s n xu t th c tr Thu th p s li u c n thi t - ng Tìm hi u v lý thuy t nh nguyên nhân g c r xu t gi i pháp xây d ng trình xây d ng mơ hình b n - ng ch ng nén bê tơng Mơ t q p trình Kaizen ng th t lu n ki n ngh III NGÀY GIAO NHI M V : 06/09/2021 IV NGÀY HOÀN THÀNH NHI M V : 12/12/2021 V CÁN B NG D N: PGS.TS Ng c Hi n PGS TS Lê Ng c Qu nh Lam Tp HCM, ngày 12 tháng 12 CÁN B PGS.TS NG D N CH NHI M B Ng c Hi n PGS TS Lê Ng c Qu nh Lam NG KHOA 21 O ii L IC Trong su t trình th c hi n lu t nghi c h tr ng d n tích c c t quý Th y/Cô B môn K thu t H Th ng Công Nghi p ng i H c Bách Khoa i h c Qu c ng nhà máy c c ng ly tâm Công Ty C Ph ng Tâm Tôi xin chân thành c c anh ch ng nhà máy c c t i công ty c ph hi u tình hình ho om u ki n t t nh t cho tơi tìm ng s n xu t cung c p thông tin, s li u liên quan tơi có th hồn thành lu Xin chân thành c y/Cô B môn K Thu t H Th ng Công Nghi p truy i H c Bách Khoa Tp.HCM t cho tui nh ng ki n th c, kinh nghi m quý báu su t th i gian h c t p th c hi n lu th hi n lu ng d n Ng c Hi t nghi c ti c bi t, chân thành c ng d n su t trình th c t nghi p Và sau cùng, xin c n bè ng viên h tr nhi t tình cho tơi th i gian h c t p v a qua H c Viên th c hi n Phan Hoàng Ân iii TÓM T T LU tài này, th c tr ng s n xu t v v v ch ng bê tông m t nguyên li c c ch n ng nhà máy c nghiên c u tìm hi u T gi i quy t v y xu c i ti n nén cao D a gi i thu t di truy n p trình Kaizen, m nén c a bê tơng c xây d ng t ch ng c a bê tông (kh kh ng ph gia siêu d o, kh tông), bên c nh ng y u t n ng x , tro, kh c, n, tu i bê ng y u t khơng có giá tr c lo i b T o ti cho công vi c c i thi n v ng c v chi phí ch t s t v sau Các công vi c th c hi n lu Tìm hi u th c tr ng v ch ng c ng: Thu th p d li u th ng kê v thông tin s n ph m l i t phòng s n xu t, phòng ch ng phòng có liên quan Tìm hi u lý thuy t có liên quan nghiên c nh nguyên nhân g c r có th gây c n ch ng c a xu t gi i pháp xây d ng mơ hình có ch a thơng s ng bê tông n ch Ki ng c a bê tông nh thơng s c a mơ hình cơng vi c ti n ch Ti n hành th c hi n lu qu , bàn lu c k v ng s góp ph n gi i quy bê tông công ty t ng bê tông n tháng 12/2021 ghi nh n k t t qu tài này, mơ hình cm ts v gây h n ch v ch n t o giá tr thi t th c cho công ty iv ABSTRACT In this thesis, the current production situation and problems which affect the quality of concrete (a main raw material in the centrifugal spun pile factory) are studied and researched Then ideas are proposed to improve and solve the problem of high compressive strength concrete quality Based on Genetic algorithm and Kaizen programming method, a model to predict compressive strength of concrete was built As a rusult, model will help the Kaizen team better understand the factors affecting the quality of concrete (mass of cement, mass of slag, mass of ash, mass of water, mass of superplasticizer, mass of coarse aggregate, mass of fine aggregate, age), besides those that have no value contributing in the model will also be removed Set the advantages for next works in factory to improve cost problem and concrete quality such as compressive strength and slump in the future The main works carried out in the thesis are as follows: Study the current quality problems of concrete in the workshop: Collect statistical data on product information and defects from production department, quality department and related departments Research relevant theories and previous studies Identify the root causes that may affect the quality of the concrete Proposed solution is to build a model containing parameters affecting the quality of concrete compressive streght Check the parameters in the model and evaluate and record the model s contribution in the work of improving the quality of concrete The implementation plan is from July to December 2021, record the results, discuss in groups and evaluate the achieved results Through this thesis, the model is expected to contribute to solving some problems which have the bad impact to the quality of concrete Finally, this topic could contribute to creating precious values for the company v L li u k t qu nghiên c u lu th c hi n hoàn toàn trung th c, khác M i s cs d b o v m t h c v cho vi c th c hi n cho lu thơng tin trích d n lu cc c ch rõ ngu n g cho phép s d ng Tp H H c viên th c hi n Phan Hoàng Ân c công b vi M CL C NHI M V LU L IC i ii TÓM T T LU iii ABSTRACT iv L v M C L C vi DANH M C HÌNH V ix DANH M C B NG xi DANH M C CÁC T VI T NG xii I THI TÀI 1.1 tài 1.2 M c tiêu 1.3 tài 1.4 Ph tài 1.5 N i dung 1.6 B c LÝ THUY T 2.1 T ng quát v Kaizen 2.1.1 Khái ni m Kaizen 2.1.2 m c a Kaizen 2.1.3 Lý l a ch n s d ng Kaizen 2.1.4 Nguyên t c th c hi n Kaizen 2.2 Mơ hình hóa v 2.2.1 xu d a tri t lý Kaizen (Kaizen Programming) ng (Plan) 12 2.2.2 Th c hi n xây d ng mô hình (Do) 13 2.2.3 Ki nh mơ hình (Check) 13 2.2.4 C p nh t áp d ng mơ hình (Act) 15 vii 2.3 L p trình gi i thu t di truy n (Genetic Programming) 16 2.3.1 Mơ hình v n hành (OT) 16 2.3.2 Gi i thu t di truy n (GA) 17 2.3.3 Quá trình sinh s n 17 2.3.4 Tái t h t bi n) 18 2.4 H i quy ký hi u (Symbolic Regression) 20 2.5 Bi Pareto bi 2.6 Các nghiên c 21 c vi c tri n khai xây d c nén c a bê tơng l p trình Kaizen 22 2.7 th c hi tài 24 C TR NG S N XU T C C 27 3.1 Gi i thi u v công ty 27 3.2 Gi i thi u v s n ph m bê tông c a công ty 28 3.3 Quy trình s n xu t c c 3.4 Phân tích th c tr ng khâu s n xu t ph i tr n bê tông 30 3.5 xu t gi i pháp 34 m 29 3.5.1 Thành l p nhóm c i ti n 35 3.5.2 S d ng công c nh nguyên nhân c t lõi 35 NG D A THEO KAIZEN.38 4.1 D li u vào c a mơ hình 38 4.2 Quy trình tri n khai xây d ng mơ hình 38 4.2.1 Phân tích yêu c u toán 38 4.2.2 Các công c ngôn ng n n t ch y thu t tốn xây d ng mơ hình 39 4.2.3 4.3 thu t toán s d gi i toán 41 Xây d ng mơ hình 42 4.3.1 Khai báo d li u vào t o qu n th 4.3.2 S d ng gi i thu t di truy tìm b u 42 ng m i (Plan) 44 viii 4.3.3 Xây d ng mơ hình m i ma tr n F g m b ng tiêu chu n b ý ng th nghi m (Do) 47 4.3.4 Ki m ch ng m at ng f xây d ng mô hình hồn ch nh (Check) 49 4.3.5 So sánh k t qu áp d ng mơ hình t t nh t (Act) 50 4.3.6 K t qu mơ hình cu i sau 100 vịng l p PDCA theo l p trình Kaizen 52 T LU N VÀ KI N NGH 55 5.1 K t qu 55 5.2 Ki n ngh 56 Tài li u Tham Kh o 57 Ph L c A 59 Ph L c B 60 Ph L c C 61 60 ng d ng s y c c ng b ng b t h m s y Hình c sau s d ng b bao ph c c h m s y c c i ti n: Kho ng tr ng h m nhi u ph b t: t n d ng t m không gian tr ng K t qu : Ti t ki m t 20-30% tiêu hao d u FO so v u không gian tr ng gây h m xong Ch trí gi xu ng s n ph c c i thi n nhi xơng ti p xúc c m iv c l i l t da b m t i bu lông ch T sang bu lơng tai vịng Tr xi t khn c c c c i ti n: s d ng bu lông ch T Sau c i ti n: S d ng bu lơng tai vịng K t qu : c xi t ch n ch l i xì mép khn quay c c Gi m khuy t t t s n ph ng c c Th i gian tháo khuôn v Tu i th c a bu lông tai T (bu lông tán m t v u chi phí cơng ty) Ph L c B B ng 1030 b thông s y u t ng giá tr li u s c upload theo link sau: nén bê tông 61 https://docs.google.com/spreadsheets/d/1uUKYjMTN5aDXEn9pYNgfDCp1jf_e4jAH/ed it?usp=sharing&ouid=113013306908855603999&rtpof=true&sd=true Ph L c C M ts N n code quan tr ng q trình xây d ng mơ hình b ng l p trình Kaizen c d li u: from google.colab import drive drive.mount('/content/drive') import pandas as pd import numpy as np # Make numpy values easier to read np.set_printoptions(precision=3, suppress=True) dataset = pd.read_csv("/content/drive/MyDrive/Lu n v n /Concrete_Data.csv") dataset dataset_features = dataset.copy() dataset_features = np.array(dataset_features) dataset_features dataset.describe()# dataset.info() # Check for null or missing values dataset.isnull().sum() skewdf = pd.DataFrame(dataset.skew(axis = 0, skipna = True), columns = ['Skew']) skewdf.sort_values(by=['Skew']) # Histograms that show distribution of each variable import seaborn as sns import matplotlib.pyplot as plt for i in dataset.columns: sns.distplot(dataset[i]) plt.show() plt.figure(figsize=(10,8)) sns.heatmap(dataset.corr(), annot=True, linewidths=.5, center=0, cbar=False, cmap="YlGnBu") plt.show() from sklearn.model_selection import train_test_split, GridSearchCV, RandomizedSearch CV, cross_val_score, KFold 62 # concrete compressive strength X = dataset.drop('Concrete compressive strength(MPa, megapascals) ', axis=1) # y = dataset[['Concrete compressive strength(MPa, megapascals) ']] # pressive strength giá Concrete com # Chia thành 70% 30% X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=1) # Shape in dòng X.shape # Create simple linear regression model from sklearn.linear_model import LinearRegression, LogisticRegression, Ridge, Lasso linear = LinearRegression() results = cross_val_score(linear, X_train, y_train, cv=kfold) print(results) print("%.3f%% (%.3f%%)" % (results.mean()*100, results.std()*100)) # Create DataFrame to store k-fold cross-validation accuracy scores base_resultsDf = pd.DataFrame({'Method':['Linear Regression'], 'Baseline CV Accuracy': "%.3f%% (%.3f%%)" % (results.mean()*100, results.std()*100)}) base_resultsDf = base_resultsDf[['Method', 'Baseline CV Accuracy']] # Create simple decision tree model from sklearn.tree import DecisionTreeRegressor dtree = DecisionTreeRegressor(random_state = 1) results = cross_val_score(dtree, X_train, y_train, cv=kfold) # Add k-fold cross validation accuracy scores to results DataFrame tempResultsDf = pd.DataFrame({'Method':['Decision Tree'], 'Baseline CV Accuracy': "% 3f%% (%.3f%%)" % (results.mean()*100, results.std()*100)}) base_resultsDf = pd.concat([base_resultsDf, tempResultsDf]) base_resultsDf = base_resultsDf[['Method', 'Baseline CV Accuracy']] print(results) print("%.3f%% (%.3f%%)" % (results.mean()*100, results.std()*100)) Programming DEAP !pip install git+https://github.com/DEAP/deap@master # import lib from deap import random import operator import itertools 63 import math import sys import os from deap import base, creator, tools, algorithms, gp # Plan def Plan(population,toolbox, cxpb, mutpb): from deap.algorithms import varAnd set = toolbox.select(population, len(population)) offspring = varAnd(set, toolbox, cxpb, mutpb) return offspring # Do def Do(population, offspring): pop=population.copy() pop.extend(offspring) return pop # Check def Check(population,toolbox, y, ps, alfa, theta, y_max): # Xây mơ hình ExandedPop, tính quan # # B: cá # AdjR2: R2 cho # population: (Danh sách cá # RMSE: Root Mean Squared Error # RMSE_Norm: RMSE/y_max # F: giá cho individual # I: p-values n= y.shape[0] # len(y) number of points m= y.shape[1] # number of outlets r= len(population) # kích # # giá cá datapoint cá 0,null, values= np.empty((0,n)) i=0 while i0: individuals quan vào ReducedPop aux_pop = toolbox.population(0) F_aux=np.empty((n,0)) B_aux= np.empty((0,m)) p_value_aux= np.empty((0,m)) I= np.empty((0,m), dtype=int) for pos in range(r): pV=p_value[pos,:]theta if np.all(np.isfinite(p_value[pos,:])) and np.any( pV * B_ ): aux_pop.append(population[pos]) F_aux= np.append(F_aux, F[:,pos].reshape(-1,1), axis=1) B_aux= np.append(B_aux, B[pos,:].reshape(1,-1), axis=0) p_value_aux= np.append(p_value_aux, p_value[pos,:].reshape(1,-1), axis=0) I=np.append(I, (pV*B_).reshape(1,-1) ,axis=0) population=aux_pop F=F_aux B=B_aux p_value= p_value_aux r= len(population) # kích kích phù ps, kích individual quan thành ps 65 # p-values invidual cho outlet model if r>ps: Indices=np.empty((r,0), dtype=int) for col in range(m): aux=np.arange(r).reshape(-1,1) pop_sorted= sorted(zip(p_value[:,col], aux)) p_value[:,col], ind_ord = zip(*pop_sorted) Indices= np.append(Indices, ind_ord, axis=1) Ordenado= np.empty(0, dtype = int) for filas in range(p_value.shape[0]): for val in Indices[filas,:]: if val not in Ordenado: Ordenado= np.append(Ordenado,val) pop_aux= population.copy() for pos, val in enumerate(Ordenado): population[pos]= pop_aux[val] B_aux = B for pos, val in enumerate(Ordenado): B[pos,:] = B_aux[val,:] B=B[0:ps,:] F_aux=np.zeros((F.shape[0],ps)) I_aux=np.zeros((ps, I.shape[1])) for k in range(ps): F_aux[:,k]= F[:,Ordenado[k]] I_aux[k,:]= I[Ordenado[k],:] F=F_aux I=I_aux for k in range(ps,len(population)): population.remove(population[ps]) r= len(population) # if r>ps: print( ValueError kích cùng: ', r) else: # TKhơng có individual r=0 I=None 66 return B, AdjR2, population, RMSE, RMSE_Norm, F, I # Check def Act(CurrentPop, CurrentQual, CurrentBeta, CurrentF, CurrentI, max_rest, n_rest , po pulation, AdjR2, beta_est,F,I, restart,Fit): # Update Current Best # Update restart state if Fit == 'min': AdjR2_aux=np.min(AdjR2) CurrentQual_aux= np.min(CurrentQual) elif Fit == 'mean': AdjR2_aux=np.mean(AdjR2) CurrentQual_aux= np.mean(CurrentQual) if AdjR2_aux> CurrentQual_aux: CurrentPop= population.copy() CurrentQual= AdjR2 CurrentBeta= beta_est CurrentF=F CurrentI=I else: n_rest=n_rest+1 if n_rest > max_rest or AdjR2 and np.isfinite(right): res=left / right if np.isreal(res): return res else: return np.inf else: return np.inf except ZeroDivisionError: return np.inf def protectedLog(x): try: log= np.log(x) if np.isfinite(log) : # log(1e-16)= -36.84 return log else: return np.inf except: return np.inf def protectedExp(x): try: if x =0 and np.isreal(x): res= np.sqrt(x) 68 if np.isfinite(res): return res else: return np.inf else: return np.inf except: return np.inf pset = gp.PrimitiveSet("MAIN", int(x.shape[1])) if 'add' in ops: pset.addPrimitive(np.add, 2,name="add") if 'sub' in ops: pset.addPrimitive(np.subtract, 2,name="sub") if 'mul' in ops: pset.addPrimitive(np.multiply, 2,name="mul") if 'div'in ops: pset.addPrimitive(protectedDiv, 2) if 'neg' in ops: pset.addPrimitive(np.negative, 1, name='neg') if 'cos' in ops: pset.addPrimitive(np.cos, 1) if 'sin' in ops: pset.addPrimitive(np.sin, 1) if 'log' in ops: pset.addPrimitive(protectedLog, 1) if 'exp' in ops: pset.addPrimitive(protectedExp, 1) if 'abs' in ops: pset.addPrimitive(np.abs, 1, name='abs') if 'sqrt' in ops: pset.addPrimitive(protectedSqrt, 1) if 'square' in ops: pset.addPrimitive(np.square, 1) pset.addEphemeralConstant("ephem", lambda: random.uniform(0,1)) # Has to update a t each test!! for n_var in range(x.shape[1]): if n_var==0: pset.renameArguments( ARG0 ='X'+str(n_var)) elif n_var==1: pset.renameArguments( ARG1 ='X'+str(n_var)) 69 elif n_var==2: pset.renameArguments( ARG2 ='X'+str(n_var)) elif n_var==3: pset.renameArguments( ARG3 ='X'+str(n_var)) elif n_var==4: pset.renameArguments( ARG4 ='X'+str(n_var)) elif n_var==5: pset.renameArguments( ARG5 ='X'+str(n_var)) elif n_var==6: pset.renameArguments( ARG6 ='X'+str(n_var)) elif n_var==7: pset.renameArguments( ARG7 ='X'+str(n_var)) elif n_var==8: pset.renameArguments( ARG8 ='X'+str(n_var)) elif n_var==9: pset.renameArguments( ARG9 ='X'+str(n_var)) else: print('There are variables without definition') def evalSymbReg(individual): return 1, creator.create("FitnessMin", base.Fitness, weights=(-1.0,)) creator.create("Individual", gp.PrimitiveTree, fitness=creator.FitnessMin) Deph_Min=Deph[0] Deph_Max=Deph[1] toolbox = base.Toolbox() toolbox.register("expr", gp.genHalfAndHalf, pset=pset, min_=Deph_Min, max_=Deph _Max) # creación de población toolbox.register("individual", tools.initIterate, creator.Individual, toolbox.expr) toolbox.register("population", tools.initRepeat, list, toolbox.individual) toolbox.register("compile", gp.compile, pset=pset) def evalInd(individual, points): func = toolbox.compile(expr=individual) if points.shape[1]==1: fx= [ (func(points[pos][0]) ) for pos in range(points.shape[0]) ] elif points.shape[1]==2: fx= [ (func(points[pos][0], points[pos][1] ) ) for pos in range(points.shape[0]) ] elif points.shape[1]==3: fx= [ (func(points[pos][0], points[pos][1], points[pos][2] ) ) for pos in range(poin ts.shape[0]) ] 70 elif points.shape[1]==4: fx= [ (func(points[pos][0], points[pos][1], points[pos][2], points[pos][3] ) ) for po s in range(points.shape[0]) ] elif points.shape[1]==5: fx= [ (func(points[pos][0], points[pos][1], points[pos][2], points[pos][3], points[p os][4] ) ) for pos in range(points.shape[0]) ] elif points.shape[1]==6: fx= [ (func(points[pos][0], points[pos][1], points[pos][2], points[pos][3], points[p os][4], points[pos][5] ) ) for pos in range(points.shape[0]) ] elif points.shape[1]==7: fx= [ (func(points[pos][0], points[pos][1], points[pos][2], points[pos][3], points[p os][4], points[pos][5], points[pos][6] ) ) for pos in range(points.shape[0]) ] elif points.shape[1]==8: fx= [ (func(points[pos][0], points[pos][1], points[pos][2], points[pos][3], points[p os][4], points[pos][5], points[pos][6], points[pos][7] ) ) for pos in range(points.shape[0]) ] return fx def twoMut(individual, probMut, expr, pset): if random.random() < probMut: return gp.mutEphemeral(individual, mode="all") else: return gp.mutUniform(individual, expr=expr, pset=pset) toolbox.register("evaluate", evalSymbReg) toolbox.register("select", tools.selRandom) toolbox.register("mate", gp.cxOnePoint) toolbox.register("expr_mut", gp.genHalfAndHalf, min_=Deph_Min, max_=Deph_Max ) toolbox.register("mutate", twoMut, expr=toolbox.expr_mut, pset=pset, probMut=.1) toolbox.register("calculate", evalInd, points=x) #This is done to avoid bloat toolbox.decorate("mate", gp.staticLimit(key=operator.attrgetter("height"), max_value= Deph_max)) toolbox.decorate("mutate", gp.staticLimit(key=operator.attrgetter("height"), max_valu e=Deph_max)) pop = toolbox.population(n=size) cxpb=1 mutpb=1 alfa=.05 theta= 1e-4 71 generations= int(ngen) max_rest=int(.25*generations) n_rest=0 restart=False CurrentPop= pop.copy() BestPop= CurrentPop CurrentBeta=[] BestBeta=[np.inf]*size CurrentQual= -np.inf BestQual=CurrentQual it_best=np.inf RMSE= np.empty((0, y.shape[1])) RMSE_N= np.empty((0, y.shape[1])) logbook = tools.Logbook() logbook.header = ['gen', 'AdjR2', 'RMSE'] for i in range(generations): if restart == True: del CurrentPop CurrentPop=toolbox.population(n=size) restart= False elif len(CurrentPop)max_rest: if len(BestPop)>ext: extension= BestPop[0:ext] else: extension1=BestPop[0:len(BestPop)] extension2=toolbox.population(n=ext-len(BestPop)) extension=Do(extension1,extension2) # print(extension) else: extension=toolbox.population(n=ext) CurrentPop=Do(CurrentPop,extension) offspring= Plan(CurrentPop,toolbox,cxpb,mutpb) del pop pop = Do(CurrentPop,offspring) beta_est, AdjR2, pop, RMSE_it, RMSE_Norm,F_it,I_it= Check(pop,toolbox, y, size , alfa,theta, y_max) try: RMSE= np.append(RMSE, RMSE_it.reshape(1,-1), axis=0 ) 72 RMSE_N=np.append(RMSE_N, np.asarray(RMSE_Norm).reshape(1,1), axis=0 ) except: pass if i==0: CurrentF=F_it CurrentI=I_it if Fit == 'min': CurrentPop, CurrentQual, CurrentBeta, CurrentF, CurrentI, n_rest, restart= Act(C urrentPop, CurrentQual, CurrentBeta, CurrentF, CurrentI, max_rest, n_rest , pop, np.min( AdjR2), beta_est, F_it, I_it, restart,Fit) elif Fit == 'mean': CurrentPop, CurrentQual, CurrentBeta, CurrentF, CurrentI, n_rest, restart= Act(C urrentPop, CurrentQual, CurrentBeta, CurrentF, CurrentI, max_rest, n_rest , pop, np.mea n(AdjR2), beta_est, F_it, I_it, restart,Fit) logbook.record(gen=i+1, AdjR2= np.asarray(AdjR2), RMSE=RMSE_it) if Fit == 'min': BestQual_aux=np.min(BestQual) CurrentQual_aux= np.min(CurrentQual) elif Fit == 'mean': BestQual_aux=np.mean(BestQual) CurrentQual_aux= np.mean(CurrentQual) if CurrentQual_aux>BestQual_aux: BestQual= CurrentQual BestPop= CurrentPop.copy() BestBeta= CurrentBeta it_best=i F=CurrentF I=CurrentI if tol is not None: if (1-BestQual) < tol: break if verbose: print(logbook.stream) BestBeta, p_vals,_, AdjR2, RMSE_Best, RMSE_Best_Norm = PLSR(F,y,len(y),len(B estPop), y_max, I=I) mod_sim= np.arange(0) for i in range(len(BestPop)): final=tree2symb(BestPop[i]. str ()) 73 mod_sim= np.append(mod_sim, final) logbook.record(gen=it_best+1, AdjR2= AdjR2, RMSE=RMSE_Best) if verbose: print(logbook.stream) EcEst=[] try: for pos in range(BestBeta.shape[1]): Ec_aux= np.dot(BestBeta[:,pos].flat, mod_sim) EcEst.append(Ec_aux) except: try: EcEst=np.dot(BestBeta.flat, mod_sim) except: pass return BestPop, BestQual, BestBeta, EcEst, RMSE_Best, RMSE_Best_Norm, logbook, mod_sim 74 LÝ L CH TRÍCH NGANG I TĨM T T H tên: PHAN HOÀNG ÂN Phái: Nam Ngày sinh: 05/12/1996 H Chí Minh A CH LIÊN L C a ch c Thi n, xã Tân Quý Tây, Huy n Bình Chánh, TP H Chí Minh, Vi t Nam n tho i: 0933934704 Email: an.vocam96@gmail.com O i H c Qu c Gia Thành Ph H Chí Minh iH c Bách Khoa Th o: T h i h c Chuyên ngành: K tht Hóa h c, o: Chính quy T nay, h c viên cao h c Chuyên ngành: K Thu t Công Nghi p Mã s h c viên: 1970611 IV Q TRÌNH CƠNG TÁC T tháng 8/2018-4/2019 nhân viên R&D t i công ty m c in Dy Khang T tháng 7/2019-6/2020 nhân viên Technical Sale t i Asis Industrial Chemical T tháng 3/2021-11/2021 nhân viên k ho ch, th ng kê s n xu t t i Nhà máy C c ng Công ty c ph ng Tâm ... 52.5 60 70 29 3.3 Quy trình s n xu t c c ng ly tâm Quy trình s n xu ch m c áp d ng t i nhà máy s n xu t c c ng theo H th ng qu n lý ch c qu n lý ng ISO 9001:2015 xá Quay ly tâm Hàn nóng Bóc tách... khai xây d ng mơ hình d l p trình Kaizen Hình th c ph ng v n tr c ti p Tham kh o ý ki n c a nhóm kaizen v xây d ng quy trình tri n khai Xây d ng quy trình tri n khai Kaizen Và tham kh u vào quan... lý thuy t i thi u v khái ni m v Kaizen, l p trình Kaizen, v gi i thu t di truy n, h i quy ký hi công c h tr nén Và m t s nghiên c trình Kaizen vi c gi i toán h i quy ký hi u c tr ng v ch ng c a
- Xem thêm -

Xem thêm: Áp dụng kaizen cải tiến hiệu quả hoạt động quy trình sản xuất cọc ống ly tâm ,