การเปรียบเทียบประสิทธิภาพการจำแนกผลิตภัณฑ์สำหรับการควบคุมคุณภาพหลายตัวแปร ระหว่างวิธีการวิเคราะห์ดิสคริมิแนนต์และวิธีข่ายงานระบบประสาท

Abstract

บทคัดย่อ        ในการตรวจสอบคุณลักษณะเชิงคุณภาพหลายตัวแปรของกระบวนการผลิตว่าจะอยู่ในการควบคุมหรือออกนอกการควบคุมกระบวนการเชิงสถิติทั้งทางด้านอุตสาหกรรมการผลิตและการบริการนั้นนําเสนอและพิจารณาได้โดยตรวจสอบการเปลี่ยนแปลงของค่าเฉลี่ยของกระบวนการ ในงานวิจัยนี้มีสถานะของการเปลี่ยนแปลงที่สามารถจําแนกได้สามสถานะ ซึ่งแบ่งเป็นสามสถานการณ์คือ(1) กระบวนการอยู่ในการควบคุมเชิงสถิติ (2) กระบวนการมีการเปลี่ยนแปลงของค่าเฉลี่ยของกระบวนการ โดยที่ค่าเฉลี่ยของกระบวนการ มีการเปลี่ยนแปลงด้วยขนาดเล็ก และ (3) กระบวนการมีการเปลี่ยนแปลงของค่าเฉลี่ยของกระบวนการ โดยที่ค่าเฉลี่ยของกระบวนการ มีการเปลี่ยนแปลงด้วยขนาดใหญ่ การเปรียบเทียบเปอร์เซ็นต์ความถูกต้องของการจําแนกถูกใช้เพื่อวัดประสิทธิภาพของปัญหาการจําแนกระหว่างวิธีการดั้งเดิมคือการวิเคราะห์ดิสคริมิแนนต์ และทางเลือกที่แนะนําคือข่ายงานระบบประสาทสองแบบทั้งโครงสร้างหรือสถาปัตยกรรมของข่ายงานระบบประสาทอย่างง่ายและข่ายงานระบบประสาทขั้นสูง ผลการจําลองแสดงว่าข่ายงานระบบประสาท ให้ผลดีกว่าการวิเคราะห์ดิสคริมิแนนต์ในการจําแนกผลิตภัณฑ์ได้อย่างถูกต้องทั้งในกลุ่มที่กระบวนการอยู่ในการควบคุมและกลุ่มที่ กระบวนการออกนอกการควบคุม เนื่องจากค่าเฉลี่ยของกระบวนการมีการเปลี่ยนแปลงด้วยขนาดเล็ก ABSTRACT            For monitoring whether the multivariate quality characteristics of a production process is in or out ofstatistical control both manufacturing and service industries have been proposed and considered to detect processmean shifts. There are three possible classified shift statuses in this research which can be divided into three situations: (1) a process is in statistical control; (2) a change of the process mean occurred with small shift; and (3) a change of the process mean occurred with large shift. A comparison of correction percentage is used to measure efficiency of classification problem between a traditional method, Discriminant Analysis, and a suggestive alternative, two Neural Networks: both simple and advanced neural network architectures. Simulation results show that Neural Networks outperform Discriminant Analysis as classifying products correctly both the process is in control group and the process is out of control group with small mean shift.