應用支援向量迴歸建構最小化EQL之累積和管制圖

摘要

CUSUM管制圖為統計製程管制中重要的工具之一，當製程偏移量為已知時，將能夠進行CUSUM管制圖的最佳化設計，對於製程平均數發生中、小幅度偏移具有良好的表現。然而在現實中並無法事先取得製程的偏移量，因而使得CUSUM管制圖的偵測能力降低。?多學者提出多重管制圖、適應性管制圖、配飾偏移量機率分配等技術來處理此問題，然而多重管制圖若結合管制圖的數量太多將會造成設計困難，而適應性管制圖可能會因變換管制參數頻率過高而導致管理成本增加，而隨後提出的配適偏移量機率分配解決了上述兩種技術的問題，但並未善用過去製程偏移量資訊，可能會與實際情況產生誤差，進而影響累積和管制圖的表現。類神經網路具有高容量的學習能力，適用於分類及預測的問題上，且應用於管制圖也有良好的表現，除此之外，因二次損失函數不僅將所有製程資訊納入考量，也包含成本損失的評估，故本研究將利用類神經網路配適製程偏移量機率分配及參數，並以二次損失函數為基礎建構CUSUM管制圖參數設計模式以最佳化管制參數進而建立最小化EQL之累積和管制圖，不僅克服之前研究中人為配適所造成的風險，更能體現使用管制圖所帶來的效益。經由本研究所設計的模擬情境對管制圖進行分析，發現當偏移量之機率分配不相符以及偏移量之機率分配參數與實際參數具有正負向的落差，最小化EQL之累積和管制圖能夠改善偵測中小幅度偏移效率不佳的問題，並加速大偏移的偵測效率，然而當實際偏移量服從均勻分配時，改善偵測能力的幅度較不明顯。最後，本研究利用前人研究所記錄的品質特性資料來進一步來評估最小化EQL之累積和管制圖相對於其他採用不同方式設計的累積和管制圖的表現，發現最小化EQL之累積和管制圖的偵測效率至少能夠達到相同水平，甚至較其他管制圖來的好。

獎項日期	2016 6月 24
原文	???core.languages.zh_ZH???
監督員	Tai-Yue Wang (Supervisor)