دانلود رایگان مقاله ارزیابی دانشجو مبتنی بر تئوری مجموعه فازی

1. مقدمه

       روش ارزیابی سنتی دانشجویان فرآیندی طراحی شده برای ارزیابی جنبه های کیفی است، اما در حقیقت نتیجه نهایی آن یک نمره است که مقادیر برای جنبه کیفی ارزش گذاری می نماید. چالش مورد نظر در این کار در نظر گرفتن اصلاح، روش دینامیک و سازگار از ارزیابی در ناحیه اتوماسیون صنعتی است.

       به خصوص در حوزه آکادمیک، آزمایشگاه های آنلاین به طور رایج از مدل یادگیری از راه دور استفاده می کنند که در آن دانشجو، دانش تئوری را با استفاده از شبیه ساز فیلدباس تمرین می کند. این جلسات عملی می تواند در هر موقعیت انجام شود تا زمانی که یک دسترسی امن تایید شده فراهم شود.

       در مدرسه مهندسی Sao Carlos، دانشگاه Sao Paulo (EESC/USP)، یک شبیه ساز FOUNDATION Fieldbus به نام FBSIMU (شبیه ساز بلوک تابع) به عنوان آزمایشگاه انلاین استفاده می شود. (Mossin 2007). دانشجویان مهندسی می توانند در فناوری های سیستم اتوماسیون و تئوری کنترل با پیاده سازی یک برنامه سرو کار داشته باشند و بنابراین قادر به بررسی و عمل با دانش خود شوند.

       با در نظر گرفتن محیط تعلیم و یادگیری، پیاده سازی سیستم ارزیابی محکم برای کمک نمودن به معملان در حوزه اتوماسیون صنعتی و شناسایی نقاط قوت و ضعف دانشجویان مهم است. روش ارزیابی سنتی، یک فرآیند طراحی شده برای ارزیابی جنبه های کیفی است اما در حقیقت نتیجه نهایی آن یک نمره است که مقادیر برای جنبه کیفی ارزش گذاری می نماید. (Rosa 1999). چالش پیش روی ما در نظر گرفتن اصلاح، روش دینامیک و سازگار از ارزیابی در ناحیه اتوماسیون صنعتی است.

       یک دانشجوی فارغ التحصیل شده در اتوماسیون باید فناوری مرتبط با کنترلر های قابل برنامه ریزی، شبکه هیا کامپیوتوری و اتوماسیون ساخت را بداند. در کنار این فناوری ها، دانشجو باید همچنین بداند که چگونه سیستم های ارتباطی صنعتی، را پیکربندی نماید و مشخص نماید، ابزارها را نظارت کند و پروژه ها را کنترل نماید، راهبردهای کنترل را در فرآیندهای صنعتی شناسایی نماید، حلقه های کنترل را در فرآیندهای صنعیت تنظیم و بهینه سازی نماید و غیره.

        علاوه بر این، میزان زیادی از پروتکل های صنعتی (FOUNDATION Pieldbusf+' HSE, FOUNDATION Fieldbus™ H1. HART, PROFlBUS, DeviceNet, در میان دیگران) به صورت دردسترس در بازار وجود دارد و هر یک از آنها نیاز به ویژگی های متفاوت از دانشجو دارد.

        اگر ما به روش تعلیم سنتی نگاه کنیم، حتی دانشجویان عالی در حوزه معین می توانند در دوره آموزشی ناموفق شوند و فرصت های بزرگ را به خاطر نداشتن آموزش رسمی معلم که به طور ایده آل از آن انتظار داشتند از دست بدهند.

       با در نظرگرفتن نامناسب بودن روش سنتی، این مقاله استفاده از تکنیک مجموعه فازی را پیشنهاد می دهد که در فرآیند ارزیابی حوزه یادگیری سیستم های اتوماسیون صنعتی اعمال می شو که هدف آن کم نمودن پیچیدگی ارزیابی و ابهام در این حوزه است. همچنین تاکید بر این مورد مهم است که این روش یادگیری فازی می تواند روشی باشد که می تواند زمان تعلیم اپراتورهای کارخانه صنعتی و مهندسان استفاده شود که قبلاً روی این حوزه کار می کرده اند اما باید در فناوری های جدید الظهور تعلیم داده شود.

        مجموعه های فاری مجموعه هایی هستند که عناصر آنها دارای درجاتی از عضویت هستند، مجموعه های فاری به عنوان یک گسترش از توجه کلاسیک به مجموعه معرفی شده اند. در تئوری مجموعه کلاسیک، عضویت عناصر در یک مجموعه بر حسب اصطلاحات دودویی مطابق با وضعیت دوظرفیتی ارزیابی شد- یک عنصر یا متعلق است یا به مجموعه تعلق ندارد. در مقابل، تئوری مجموعه فازی، ارزیابی تدریجی عضویت عناصر در یک مجموعه را مجاز می سازد؛ این با هدف تابع عضویت مقدار دهی شده در بازه واحد واقعی [0,1] توصیف شد. مجموعه های فازی مجموعه های کلاسیک را عمومی می کنند، از اینرو توابع نشاننگر مجموعه های کلاسیک موارد خاشی از توابع عضویت مجموعه های فازی هستند، اگر مورد دوم تنها مقادیر 0 یا 1 را بگیرد.

       دو بخش بعدی ارائه کننده مفصل توصیف و راه حلی برای مسئله است. بخش 4 جزئیات روش ارزیابی پیشنهاد شده در این تحقیق را بیان می کند و بخش 5 نتایج آن را ترسیم می کند. بخش 6  به توصیف نتایج مرتبط با کاربردهای این مطالعه می پردازد.

 1. Introduction

       The traditional students’ evaluation method is a process designed to evaluate the qualitative aspects but, in fact, its final result is a grade that values the quantitative aspect. The challenge of this work is to consider a modifying, dynamic and coherent method of evaluation in the industrial automation area.

        Especially in the academic area, online laboratories are a commonly used distance learning model where the student practices the theoretical knowledge using a fieldbus simulator. These practical sessions can be performed in any location, as long as an authenticated, secure access is provided.

        At the Sao Carlos Engineering School, University of Sao Paulo (EESC/USP), a FOUNDATION FieldbusTM simulator named FBSIMU (Function Block Simulator) is being used as on online laboratory (Mossin, 2007). Engineering students can get involved with automation system technologies, as well as control theory, by implementing an application, therefore being able to explore and practice their knowledge.

        Considering the training and learning environment, it is important to implement a robust evaluation system to help teachers in the industrial automation area identifying students’ strong and weak points. The traditional evaluation method is a process designed to evaluate the qualitative aspects but, in fact, its final result is a grade that values the quantitative aspect (Rosa, 1999). Our challenge is to consider a modifying, dynamic and coherent method of evaluation.

       A graduated student in Automation must know the technologies related to programmable controllers, computer networks and manufacture automation. Besides these technologies, the student must also know how to configure and specify industrial communication systems, supervise instrumentation and control projects, identify control strategies in industrial processes, tune and optimize control loops in industrial processes, etc.

       Furthermore, there is a large amount of industrial protocols (FOUNDATION FieldbusTM HSE, FOUNDATION FieldbusTM H1, HART, PROFIBUS, DeviceNet, among others) available in the market and each one of those requires different particularities from the student.

      If we look at the traditional teaching method, even an excellent student in a certain area could fail the course and miss great opportunities for not having the formal education the teacher was ideally expecting.

        Regarding the inadequacy of the traditional method, this paper proposes the use of the fuzzy set technique that will be applied in the evaluation process of the industrial automation systems learning area, aiming to lessen the evaluation complexity and ambiguity in this area. It is also important to emphasize that this fuzzy learning evaluation methodology may be methodology may be used when training industrial plant operators and engineers who have already been working in the area but must be trained in new, emerging technologies.

       Fuzzy sets are sets whose elements have degrees of membership. Fuzzy sets have been introduced as an extension of the classical notion of set. In classical set theory, the membership of elements in a set is assessed in binary terms according to a bivalent condition - an element either belongs or does not belong to the set. By contrast, fuzzy set theory permits the gradual assessment of the membership of elements in a set; this is described with the aid of a membership function valued in the real unit interval [0, 1]. Fuzzy sets generalize classical sets, since the indicator functions of classical sets are special cases of the membership functions of fuzzy sets, if the latter only take values 0 or 1.

       The next two sections will present in details the description and the solution for the problem, respectively. Section 4 details the evaluation methodology proposed in this research and section 5 outlines its results. Finally, section 6 delineates the conclusions related to the applications of this study.

1. مقدمه

2. توصیف مسئله

3. راه حل مسئله

4. روش اعمال شده برای ارزیابی

4.1 محاسبه نمره

4.2 طبقه بندی دانشجو

4.3 انتصاب طبقه بندی نهایی به دانشجو

5. نتایج

5.1 مورد اول (سوالات 1،3،5،6 و 8)

5.2 مورد دوم (سوالات 2،3،4،7 و 8)

5.3 مورد سوم (سوالات 3،7،9 و 10)

1.Introduction

2.Problem description

3.Problem solution

4.Methodology applied for the evaluation

4.1. Calculating the grade

4.2. Classifying the student

4.3. Assigning the final classification to the student

5.Results

5.1. First case (questions 1, 3, 5, 6 and 8)

5.2. Second case (questions 2, 3, 4, 7, and 8)

5.3. Third case (questions 3, 7, 9 and 10)

6.Conclusion

References