Identifying the Time of Step Change and the Source of Mean Shift in Multivariate Process Using Convolutional Neural Networks

摘要

在生產產品的製造過程中，如何快速的偵測到製程偏移，是監控製程中一項重要的研究議題。有效偵測製程偏移，能幫助製程監控人員迅速找到原因並且作改善製程。而現今同時監控數個品質特性已成趨勢，且當多項品質特性存在相關性，便會使用多變量管制圖做為主要的監控工具。MEWMA管制圖考慮了製程的歷史資料，在製程平均偏移量小幅度偏移的情形下，表現優於Hotelling’s T2管制圖，故選擇其統計量作為參考與比較。而在過去統計管制上，管制圖僅能偵測失控，無法給予監控人員更多偏移資訊，本研究利用神經網路的優異學習能力來建立監控模型，除了偵測製程偏移，亦能得到偏移的相關資訊。 在過去中的類神經網路僅能將二維資料以一維的方式輸入，本研究使用卷積神經網路，其能在二維資料做特徵擷取，故本研究將原始資料以及其多變量的統計距離結合作為二維輸入向量，透過深度學習網路方法建立偵測模型。監控過程分為兩階段，首先，先偵測製程是否偏移，再判斷其偏移資訊，偏移資訊包含何項品質特性偏移以及其分別的偏移量。並針對不同歷史權重的MEWMA資料不同分析視窗大小以及不同相關係數，利用平均連串長度(ARL)針對模型一以及準確率針對模型二進行績效評估。實驗結果顯示，同時將原始資料結合多變量的統計距離作成二維輸入向量，並且使用卷積神經網路去做特徵擷取，能比起過去統計製程管制以及機器學習方法能更有效偵測偏移，以及辨識偏移情境。

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