應用時間稽延類神經網路即時監控製程數據之研究

IDENTIFYING PROCESS NON-RANDOMNESS THROUGH A DYNAMICALLY TRAINED NEURAL NETWORK

張雅翔(Ya-Xiang Zhang)

指導教授 ： 顧瑞祥

國立虎尾科技大學/管理學院/工業工程與管理研究所/碩士(2009年)

摘要

統計製程管制(statistical process control, SPC)常被用來有效地維持產品的品質特徵(quality characteristic)在一個穩定而可接受的水準上。管制圖上所出現的異常形狀(pattern)通常和某些造成製程失控(out-of-control)的特定原因(assignable cause)有關，因此及早而準確地偵測到管制圖上出現的異常形狀，除了可以當成製程失控的早期訊號外，也可以縮小製程失控原因的可能範圍，從而可幫助品管人員更有效率地找到使製程失控的真正原因，因此管制圖形狀(control chart pattern, CCP)的辨識與分析是SPC的一個重要課題。近年來，有很多學者嘗試以類神經網路(artificial neural network, NN)作為辨識CCP之有效工具，結果證明NN在辨識CCP的速度與精度上優於其他的技術，但大部份的學者皆採用倒傳遞網路(back propagation network, BPN)，BPN本身是靜態網路，所以並不適合應用在與時間相關的問題上，這個問題使得BPN為基的CCP辨識器在辨識相似的CCP時，產生極大的辨識誤差。本研究使用時間稽延類神經網路(time delay neural network, TDNN)來解決這個問題。本研究採用模擬的方式，並以辨識率及平均串連長度(average run length, ARL)作為績效評估指標。模擬結果顯示，相似CCP之間的誤辨識問題可被此以TDNN為基的模式有效解決。與傳統的辨識工具相比，TDNN有較佳的ARL表現，並可分辨出CCP的種類。

關鍵字

時間稽延類神經網路 ； 統計製程管制

並列摘要

Most of the research in applying neural networks on SPC has used traditional back propagation networks (BPNs) that cannot deal with patterns that vary over time in an on-line CCP recognition scheme. This paper utilizes a time delay neural network (TDNN) based model to address this problem. The TDNN, with its special architecture, can represent relationships between patterns in a time sequence, and is therefore suitable to be trained with dynamic patterns that change over time. When compared with traditional BPNs, the TDNN model has better performance in both recognition accuracy and speed.

並列關鍵字

Time Deley Neural Network ； Statistical Process Control

參考文獻

1.呂振 (1994)，「類神經網路應用於適應性控制之研究與設計」，中州學報，182-208。

2.吳國彰 (2005)，應用時間延遲類神經網路建構統計製程管制與工程製程管制整合系統，義守大學工業工程與管理學研究所，碩士論文。

3.林裕章 (1992)，類神經網路應用於統計製程管制分隨機性模型之研判，元智大學工業工程研究所，碩士論文。

4.林金賢、許碧芬、鄭妃君 (2002)，「利用類神經網路-模糊理論評定契合程度:以管理人員甄選為例」，管理學報，19卷，1期，頁77-108。

5.林盟凱 (2004)，信用評等時間序列資料分析結合效能提升技術之類神經網模型，世新大學資訊管理學研究所，碩士論文。