應用類神經網路於改善MCUSUM管制圖之績效

Abstract

管制圖是企業常用來監控製程的一項工具，當製程要同時考慮多個品質特性且這些特性間具有相關性時，為了避免誤判的情形發生，便會使用多變量管制圖做為主要的監控工具。MCUSUM管制圖因考慮了製程的歷史資料，在製程平均向量為中小幅度偏移的情形下，偵測績效比最常被使用的Hotelling’s T2管制圖來得好，但當製程平均向量呈大偏移的情形下，偵測能力並不如Hotelling’s T2管制圖。此外，當MCUSUM管制圖偵測出製程發生異常時無法直接獲得偏移的相關資訊，必須透過計算繁複的分解法或是主成分分析法來解決，但這些方式都只能求出造成製程異常的品質特性，無法從中得知關於偏移的其他細節，因此?多學者利用類神經網路優異的學習能力來得到管制圖偏移的相關資訊。本研究主要針對MCUSUM管制圖進行績效改善，分別透過倒傳遞網路、支援向量機及深度學習網路建立兩個偵測模型。首先，將資料轉為MCUSUM統計量後，利用模型1來找出超出管制界限之資料點，若偵測到異常再將異常點放入模型2中以取得偏移資訊。當MCUSUM管制圖考慮愈多品質特性時，在相同偏移程度上，ARL1有明顯上升的情形，表示受品質特性增加的影響使偵測績效變差，而本研究所提出的類神經網路方法能有效改善MCUSUM管制圖之績效。本研究使用的類神經網路方法中，倒傳遞網路只於小分析視窗時能顯著改善MCUSUM管制圖績效，隨著分析視窗增加，改善程度逐漸降低。當製程為小幅度偏移時，支援向量機及深度學習的偵測績效都受到分析視窗增加影響，但改善程度都較倒傳遞網路大，其中深度學習受情境改變影響最小，因此在模型1及模型2都有較佳的表現。最後本研究利用模擬的製程數據來進行實例驗證，把資料放入模型當中並與傳統MCUSUM管制圖做比較，可發現加入類神經網路能更快地偵測到製程偏移，且透過模型2可進一步知道造成偏移的品質特性及其偏移量大小。

Date of Award	2018 Jul 6
Original language	Chinese
Supervisor	Tai-Yue Wang (Supervisor)