應用決策樹即時辨識異常管制圖模型之研究

Real-time Pattern Recognition of Control Charts Patterns by a Decision Tree

何怡錚(Yi-Cheng Ho)

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) 是廣泛被工業界採用在製程監控的重要方法，其主要是監控製程是否存在可歸屬原因 (assignable causes) 所導致之變異，以提早採取製程改善之行動，避免增加產品額外的生產成本。管制圖上所出現的異常模型 (pattern) 通常和某些造成製程失控 (out-of-control) 的可歸屬原因有關，因此管制圖模型 (control chart patterns, CCPs) 的辨識與分析是統計製程管制的一個重要課題，用來決定系統狀態並偵測製程中可能隨時發生的異常情況，而這是屬於一種分類問題。近幾年，決策樹已經廣泛的應用在管制圖辨識上，許多文獻也顯示出其有良好的績效。本研究主要的目的在於檢驗將決策樹 (decision tree, DT) 學習技術用在辨識管制圖的可行性。模擬比較的結果顯示，以決策樹為基礎的辨識系統具有較佳的辨識精度及速度，決策樹的快速學習特性可讓使用者藉以建立一個不但可以線上監控製程，也可以在線上即時的情況下，學習新的知識，這可使一個管制圖辨識系統在面對一個動態的製造環境時，更具有彈性。

關鍵字

決策樹學習理論 ； 管制圖 ； 資料探勘 ； 統計製程管制

並列摘要

Statistical process control (SPC) is an important method for control process in industry. It can detect assignable cause during the process control which may occur and provide help to improve process and reduce unnecessary product cost. Hence, control chart is an important tool at statistical process control. Control charts can detect abnormal status during the process control which may occur at any time. Essentially, the judgement of the process states can be seen as a classification problem in artificial intelligence. Effectively recognizing control chart patterns (CCPs) is a critical issue in statistical process control, since unnatural CCPs indicate potential quality problems at an early stage, to avoid defects before they are produced；Recently, decision tree (DT) is generally used in classification pattern, and a lot of researches point out that DT have excellent performance .This study examines the feasibility of utilizing a data mining technique DT learning in on-line CCP recognition. An empirical comparison using simulation indicates that the fast learning of the DT model gives the SPC user the potential for building an automated CCP recognition system that can not only be applied on-line but also be trained in real time. This feature could make the CCP recognition system more adaptable to a dynamic manufacturing scenario.

並列關鍵字

Decision Tree Learning ； Control Chart ； Data Mining ； Statistical Process Control

參考文獻

1.王仁達 (1988)，應用類神經網路偵測製程平均值變化：設計策略之研究，元智大學，碩士論文。

2.吳國禎 (2000)，資料探索在醫學資料庫之應用，中原大學醫學工程學系研究所，碩士論文。

3.吳宗燦 (1997)，決策樹漸進學習法中熵數變化之估測研究，中原大學資訊工程研究所，碩士論文。

4.吳育儒 (1998)，決策樹中移除不相關值問題的研究，淡江大學資訊工程研究所，碩士論文。

5.吳盈宜 (1999)，歸納學習法中決策樹連續屬性分割點之選擇，成功大學資訊管理研究所，碩士論文。