Detecting change point in Individual Control Chart using Neural Networks

摘要

企業為了使製程穩定以增進產品之品質，通常使用管制圖來監控製程，當製程失去控制時管制圖會發出警訊，品管人員可以即時介入以避免造成損失，因此發展了?多管制圖因應不同之需求。但是有些產業之製程特性和抽樣檢測方法限制其能使用之管制圖種類，當製程每次只能抽樣一個樣本時，大多數的管制圖都無法適用，個別管制圖便是在這種限制之下發展而成的管制圖。個別管制圖針對每次只有一個樣本的情況，其放鬆管制界線以減少誤判之機率，但同時導致當偏移發生時，其發出警訊之時間會延遲，導致品管人員無法即時的分析製程偏移之原因。而針對個別管制圖之研究很少，最根本之原因便是其樣本數過少，導致統計假設無法符合，因此無法得知其製程偏移之改變點，因此利用類神經網路自我學習之特性，得知製程之偏移資訊，為一可行之改善方法。鑑此本研究建立兩個類神經網路，第一個模型為偵測模型，利用卷積神經網路偵測製程偏移資訊，在製程的平均數偏移時能夠偵測其偏移之時間點和偏移幅度，當可以獲知更精確之偏移資訊，品管人員便可以快速的找出偏移之原因；第二個模型為監控模型，建立長短期記憶網路以取代個別管制圖監控製程之穩定性，以期快速且準確的監控製程之平均數是否偏移。本研究建立的兩個類神經網路模型可以有效的彌補個別管制圖的缺點，模型一中偵測製程偏移時間誤差在兩個抽樣點的機率可以達到90%，而判斷其偏移幅度之準確度達到95%，而在模型二中，其平均延遲時間可以縮小到兩個觀測點內，兩個模型均有效的解決個別管制圖之缺點。

獎項日期	2019
原文	English
監督員	Tai-Yue Wang (Supervisor)