สมรรถนะของข่ายงานระบบประสาทแบบ Multi-Layer Perceptron และ Radial Basis Function สำหรับแผนภูมิควบคุมคุณภาพหลายตัวแปร
Performance of Neural Networks, Multi-Layer Perceptron and Radial Basis Function, for Multivariate Quality Control Charts
Keywords:
แผนภูมิควบคุม , คุณภาพหลายตัวแปร , ควบคุมคุณภาพ , Multi-Layer Perceptron (MLP) , ระบบประสาท, Radial Basis Function (RBF)Abstract
บทความวิชาการนี้ต้องการแสดงให้เห็นถึงการประยุกต์ใช้ข่ายงานระบบประสาทที่มีสถาปัตยกรรมหรือโครงสร้างของข่ายงานระบบประสาทอย่างง่ายแบบ Multi-Layer Perceptron (MLP) และโครงสร้างของข่ายงานระบบประสาทขั้นสูงแบบ Radial Basis Function (RBF) สำหรับการควบคุมกระบวนการเชิงสถิติของการควบคุมคุณภาพหลายตัวแปร โดยโครงสร้างของข่ายงานระบบประสาททั้งสองแบบมีความแกร่งต่อข้อสมมุติที่ว่าคุณลักษณะเชิงคุณภาพต้องมีการแจกแจงปรกติหลายตัวแปรและยังให้การตรวจค้นพบการเปลี่ยนแปลงของค่าเฉลี่ยสำหรับคุณลักษณะเชิงคุณภาพได้ดีไม่ว่าการเปลี่ยนแปลงของค่าเฉลี่ยสำหรับคุณลักษณะเชิงคุณภาพจะมีขนาดเล็กหรือมีขนาดใหญ่ อีกทั้งยังแสดงให้เห็นว่าการใช้ข่ายงานระบบประสาทที่มีโครงสร้างขั้นสูงแบบ RBF นั้นมีสมรรถนะในการตรวจค้นพบกระบวนการผลิตได้ดีในส่วนที่โครงสร้างอย่างง่ายแบบ MLP มีสมรรถนะด้อยกว่าแผนภูมิควบคุมไคกำลังสองและแผนภูมิควบคุม MEWMA ซึ่งเป็นแผนภูมิควบคุมแบบดั้งเดิม This article is purposed to show how to apply Neural Networks, Multi-Layer Perceptron (MLP) which is a simple architecture and Radial Basis Funciton (RBF) which is an advanced neural network architecture, for Statistical Process Control (SPC) of Multivariate Quality Control. Both types of Neural Network Architecture provides the robustness to normality assumption for quality characteristics and good performance in detecting both small shift and large shift. Furthermore, RBF provides the better performance in detecting in case of MLP cannot outperform the traditional Control Charts, Chi-square Control Chart and Multivariate Exponentially Weighted Moving Average Control Chart.References
กิดาการ สายธนู และ ปรียารัตน์ นาคสุวรรณ์. (2551). การหาค่าประมาณของขีดจำกัดควบคุมของวิธีข่ายงาน ระบบประสาทสำหรับการควบคุมคุณภาพแบบหลายตัวแปร. วารสารวิทยาศาสตร์บูรพา ฉบับที่ 2 ปีที่ 13 กรกฎาคม 2551 - ธันวาคม 2551, 57-65.
จตุภัทร เมฆพายัพ (2552). แผนภูมิควบคุมคุณภาพหลายตัวแปรด้วยข่ายงานระบบประสาทสำหรับการควบคุมกระบวนการเชิงสถิติ. วารสารวิทยาศาสตร์ มข. ฉบับที่ 4 ปีที่ 37 กรกฎาคม 2552 - ธันวาคม 2552, 386-397.
จตุภัทร เมฆพายัพ และ กิดาการ สายธนู (2552). การประยุกต์ใช้ข่ายงานระบบประสาทสำหรับแผนภูมิควบคุมคุณภาพแบบหลายตัวแปร. วารสารวิทยาศาสตร์บูรพา ฉบับที่ 2 ปีที่ 14 กรกฎาคม 2552 - ธันวาคม 2552. 99-110.
Chang, S. I, & Aw, C. A. (1996). A Neural Fuzzy Control Chart for Detecting and Classifying Process Mean Shifts. International Journal of Production Research, 34, 2265-2278.
Cheng, C. S. (1997). A Neural Network Approach for the Analysis of Control Chart Patterns. International Journal of Production Research, 35, 667-697.
Guo, Y., & Dooley, K. J. (1992). Identification of Change Structure in Statistical Process Control. International Journal of Production Research, 30, 1655-1669.
Hwarng, H. B. & Hubele, N. F. (1993). Back-propagation Pattern Recongnizers for average Control Charts: Methodology and Performance. Computers Industrial Engineering, 24, pp. 219-235.
Hwarng, H. B. & Hubele, N. F. (1993). Bar X control chart pattern identification through efficient off-line neural network training. IIE Transactions, 25, 27-38.
Limppmann, P. R. (1987). An Introduction to Computing with Neural Nets. IEEE ASSP Magazine, 4, pp. 4-22. Montgomery, Douglas C. (2005). Introduction to Statistical Quality Control, 5th Edition. New York: John Wiley & Sons.
Pugh, G. A. (1989). Synthetic Neural Networks for Process Control. Computers and Industrial Engineering. 17, 24-26.
