การประยุกต์ใช้ข่ายงานระบบประสาทสำหรับแผนภูมิควบคุมคุณภาพแบบหลายตัวแปร
Application of Neural Networks to Multivariate Quality Control Charts
Keywords:
นิวรัลเน็ตเวิร์ค, แผนภูมิควบคุมคุณภาพAbstract
งานวิจัยนี้มีวัตถุประสงค์เพื่อประเมินการประยุกต์ใช้ข่ายงานระบบประสาทสำหรับการวิเคราะห์การควบคุมคุณภาพแบบหลายตัวแปร Multi-Layer Perceptron (MLP) เป็นโครงสร้างหรือสถาปัตยกรรมข่ายงานระบบประสาทอย่างง่ายที่นิยมใช้กัน เนื่องจากให้ผลการตรวจสอบการเปลี่ยนแปลงเมื่อกระบวนการผลิตออกนอกการควบคุมได้ดีกว่าวิธีการแบบดั้งเดิม ต่อมาโครงสร้างข่ายงานระบบประสาทขั้นสูงแบบ Radial Basis Function ได้ถูกเลือกมาเพื่อใช้สำหรับปรับปรุงสมรรถนะ (performance) และเพื่อใช้ในการตรวจสอบกระบวนการผลิตให้ดีขึ้น จากผลการวิจัยพบว่าเทคนิคของข่ายงานระบบประสาทขั้นสูงให้ผลลัพธ์ที่ดีที่สุด โดยเฉพาะอย่างยิ่งในกรณีที่ข่ายงานระบบประสาทอย่างง่ายไม่สามารถเอาชนะแผนภูมิควบคุมคุณภาพแบบดั้งเดิมได้ This paper aims to evaluate on application of neural networks to the analysis of multivariate quality control. The Multi-Layer Perceptron (MLP) is the simple neural network architecture to be commonly employed. It provides better results in detecting shift for monitoring process mean that than traditional methods in many cases. The advanced neural network architecture, Radial Basis Function (RBF) which is the advanced neural network technique, is then later chosen to improve the performances of neural network monitoring schemes. RBF shows the best output in which the specific case the simple neural network cannot outperform the original quality control chart.References
กิดาการ สายธนู และ ปรียารัตน์ นาคสุวรรณ์. (2551). การหาค่าประมาณของขีดจำกัดควบคุมของวิธีข่ายงานระบบประสาทสำหรับการควบคุมคุณภาพแบบหลายตัวแปร. วารสารวิทยาศาสตร์บูรพา ปีที่ 13 ฉบับที่ 2 กรกฎาคม 2551 – ธันวาคม 2551. (หน้า 57-65).
Chang, S. I, and 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., and Dooley, K. J. (1992). Identification of Change Structure in Statistical Process Control. International Journal of Production Research, 30, 1655-1669.
Harrell, F. E., and Davis, C. E. (1982). A New Distribution-Free Quantile Estimator. Biometrika, 69, 635-640.
Hotelling, H. (1947). Multivariate Quality Control. Illustrated by the Air Testing of Sample Bombsights from the book Techniques of Statistical Analysis, edited by Eisenhart, Churchill, Hastay, Millard W., and Wallis, W. Allen, 1st Edition. (pp111-184). New York and London:McGraw Hill Book Company.
Lowry, C. A. and Montgomery, D. C. (1995). A Review of Multivariate Control Charts. IIE Transactions, 27, 800-810.
Lowry, C. A., Woodall, W. H., Champ, C. W., and Rigdon, S. E. (1992). A Multivariate Exponentially Weighted Moving Average Control Chart. Technometrics. 34, 46-53.
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.
