(3.230.154.160) 您好!臺灣時間:2021/05/08 01:18
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果

詳目顯示:::

我願授權國圖
: 
twitterline
研究生:林胤堯
研究生(外文):Lin Yinn Yao
論文名稱:應用統計製程管制與類神經網路技術監控多注頭製程之研究
論文名稱(外文):Using Statistical Process Control and Neural Networks to Monitor the Multiple Stream Process
指導教授:邵曰仁邵曰仁引用關係李天行李天行引用關係
指導教授(外文):Yuehjen E. ShaoTian-Shyug Lee
學位類別:碩士
校院名稱:輔仁大學
系所名稱:應用統計學研究所
學門:數學及統計學門
學類:統計學類
論文種類:學術論文
論文出版年:2001
畢業學年度:89
語文別:中文
論文頁數:77
中文關鍵詞:多注頭製程串檢驗法Shewhart 管制圖類神經網路平均運行長度
外文關鍵詞:Multiple Stream ProcessRun TestShewhart Control ChartNeural NetworksAverage Run Length
相關次數:
  • 被引用被引用:0
  • 點閱點閱:97
  • 評分評分:系統版面圖檔系統版面圖檔系統版面圖檔系統版面圖檔系統版面圖檔
  • 下載下載:0
  • 收藏至我的研究室書目清單書目收藏:1
今日產業界面對的環境是一個競爭激烈、趨向全球化及顧客導向的市場,大量、快速、廉價的生產是許多產業生存的必備條件;因此,各行各業無不尋求更好的生產方式以縮減生產成本,這不但關係企業是否能在激烈的競爭中脫穎而出,也關係著是否能達成顧客對產品品質的要求,由於多注頭製程的效率快速、產量較多,眾多業者採用此類製程,所以如何有效的監督多注頭製程是一項非常重要的課題。
本文使用了統計製程管制技術中的串檢驗方法(Run Test)以及Shewhart管制圖方法監控多注頭製程,Run Test方法對單一注頭位移的偵測較敏銳,而Shewhart管制圖則對整體製程失控的監控效能較佳,但兩種管制方法各有其限制與不足之處。
本文進而利用類神經網路中的倒傳遞網路模式,形成新的管制方法,並彌補統計製程管制技術中的Run Test方法以及Shewhart管制圖方法的不足之處。而為了評估所提方法之偵測能力,本實証除選擇三個注頭、五個注頭及七個注頭等三種多注頭之製程,並針對數種注頭位移不同的型態,利用電腦模擬評估建購模式偵測個別注頭失控的正確比率,且同時將其結果與使用傳統統計製程中之Run Test方法及Shewhart管制圖方法之正確比率進行比較,了解何者於偵測失控時所需之平均運行長度(Average Run Length;ARL)較大。本文的研究發現:類神經網路方法可以明確地判斷出多注頭製程中,哪一個或哪幾個注頭失控,無論是哪一種多注頭製程,類神經網路方法的偵測能力均比Run Test方法以及Shewhart管制圖方法好,偵測製程失控所需的ARL十分地短,顯示應用類神經網路的新的方案擁有較佳的偵測能力。

Nowadays, the capability to rapidly produce products in large quantities and low costs are essential requirements for industries to complete in such a highly competitive and customer-oriented environment. And all industries are trying their best to seek better production methods in order to reduce their production costs. Among them, the multiple stream process is getting more and more attention since it can satisfy the above-mentioned requirements. Therefore the monitoring and detecting of assignable causes in a multiple stream process is an important issue for both the researcher and industry processes. This study applies the methods of Run Test and Shewhart control chart to monitor the multiple stream process. This study uses a set of simulations to compare the performance of these two methods when the multiple steam process is out of control. The research findings indicate that while the Run Test method is more sensitive when one individual filling head has gone wrong, the performance of a modified Shewhart control chart is more effective when all of the filling heads are out of control. But both of them are restricted and lack enough detecting capability in some situations. In order to solve the issue of the above-mentioned drawbacks, this research proposes an alternative approach in monitoring the multiple stream process. By the ability of modeling complicated system and its generalization capability, the artificial neural networks (NNs) is used to make up the inadequacy of the traditional Run Test and Shewhart control charts, A set of simulations are used to compare the performance of NNs, Run Test and Shewhart control chart when the Multiple stream process is out of control. The case considered in the simulations are 3 filling,5 filling and 7 fillings heads of a multiple stream process. The research findings indicate that the proposed NNs are more sensitive in detecting the out-of-control signal in terms of average run length (ARL) than the alternative approaches.

目錄
第一章 緒論1
第一節 研究背景1
第二節 研究目的3
第二章 文獻探討5
第一節 統計製程管制5
第二節 類神經網路8
第三章 現行方法論述及模擬論證13
第一節 兩種管制方法13
一、Run Test方法13
二、Shewhart管制圖方法14
第二節 兩種方法之模擬論證14
一、3個注頭的製程15
二、5個注頭的製程19
三、7個注頭的製程25
第三節 分析模擬結果30
第四章 研究方法及結果31
第一節 倒傳遞類神經網路31
第二節 應用倒傳遞類神經網路之模擬論證32
一、3個注頭的製程32
二、5個注頭的製程40
三、7個注頭的製程47
第三節 分析類神經網路模擬結果55
第五章 結論及建議56
第一節 結論56
第二節 研究限制57
第三節 後續研究58
參考文獻59
附錄61
一、簡介61
二、程式62
三、變數註解61
圖目錄
圖 1.多注頭製程示意圖4
圖 2. 類神經網路之結構9
圖 3. 單一神經元的運作過程10
圖 4. 多注頭製程產出資料型態圖33
圖 5. {10-19-4}模式訓練樣本之RMSE趨勢圖35
圖 6. {6-11-6}模式訓練樣本之RMSE趨勢圖42
圖 7. {8-15-8}模式訓練樣本之RMSE趨勢圖49
表目錄
表 1. 當注頭二位移,注頭出錯次數與ARL16
表 2. 調整管制上下限使Shewhart管制圖方法之ARL接近 Run Test16
表 3. 當注頭二位移, 兩種方法的ARL比較17
表 4. 當注頭一與二位移,注頭出錯次數與ARL17
表 5. 當注頭一、二位移,兩種方法的ARL比較17
表 6. 當注頭一、三產生小位移,注頭二產生較大的位移,出錯的次數與ARL18
表 7. 兩種方法的ARL比較18
表 8. 所有注頭位移時(位移量不同),之注頭出錯次數與ARL19
表 9. 所有注頭位移時(位移量不同),兩種方法的ARL比較19
表 10. 當注頭二位移,注頭出錯次數與ARL19
表 11. 調整管制上下限使Shewhart管制圖方法之ARL接近Run Test20
表 12. 當注頭二位移,兩種方法的ARL比較20
表 13. 當注頭一、二產生位移,出錯次數與ARL20
表 14. 當注頭一、二產生位移,兩種方法的ARL比較21
表 15. 當3個注頭產生位移,出錯的次數與ARL21
表 16. 當3個注頭產生位移,兩種方法的ARL比較22
表 17. 當4個注頭產生位移,出錯的次數與ARL22
表 18. 當4個注頭產生位移,兩種方法的ARL比較22
表 19. 所有注頭位移時(位移量相同),注頭出錯次數與ARL23
表 20. 當所有注頭位移時(位移量相同), 兩種方法的ARL比較23
表 21. 所有注頭位移時(位移量不同),注頭出錯次數與ARL23
表 22. 所有注頭位移時(位移量不同),兩種方法的ARL比較24
表 23. 所有注頭位移時(位移量不同),注頭出錯次數與ARL24
表 24. 所有注頭位移(位移量不同)時,兩種方法的ARL比較24
表 25. 當注頭二產生位移,出錯的次數與ARL25
表 26. 調整管制上下限使Shewhart管制圖方法之ARL接近Run Test25
表 27. 當注頭二產生位移,兩種方法的ARL比較26
表 28. 當注頭一至三產生位移,出錯次數與ARL26
表 29. 當注頭一至三產生位移,兩種方法的ARL比較27
表 30. 當5個注頭產生位移,出錯的次數與ARL27
表 31. 當5個注頭產生位移,兩種方法的ARL比較27
表 32. 當7個注頭產生位移(位移量相同),出錯的次數與ARL28
表 33. 當7個注頭產生位移,兩種方法的ARL比較28
表 34. 當所有注頭位移時(位移量不同),出錯的次數與ARL29
表 35. 當所有注頭位移時(位移量不同),兩種方法的ARL比較29
表 36.當所有注頭位移時(位移量不同),出錯的次數與ARL29
表 37. 當所有注頭位移時(位移量不同),兩種方法的ARL比較29
表 38. 關於3個注頭製程的輸入變數資訊34
表 39. 倒傳遞網路模式不同參數測試結果35
表 40. 不同標準下各注頭的判別失控比率與製程的ARL36
表 41. 當注頭二產生位移,各注頭的失控辨識率與製程的ARL37
表 42. 當注頭二產生位移,三種方法之ARL比較37
表 43. 當注頭一、二產生位移,各注頭的失控辨識率與製程的ARL38
表 44. 當注頭一、二產生位移,三種方法之ARL比較38
表 45. 當3個注頭產生位移,各注頭的判別失控比率與製程的 ARL38
表 46. 當3個注頭產生位移,三種方法的ARL之比較39
表 47. 各注頭的判別失控比率與製程的ARL39
表 48. 三種方法ARL的比較39
表 49. 關於5個注頭製程的輸入層資訊40
表 50. 倒傳遞網路模式不同參數測試結果41
表 51. 不同標準下各注頭的判別失控比率與製程的ARL42
表 52. 單一注頭位移時,各注頭的失控辨識率與製程的ARL43
表 53. 單一注頭位移時,三種方法之ARL比較43
表 54. 當2個注頭位移時,各注頭的失控辨識率與製程的ARL44
表 55. 當2個注頭位移時,三種方法之ARL比較44
表 56. 當3個注頭位移時,各注頭的失控辨識率與製程的ARL44
表 57. 當2個注頭位移時,三種方法之ARL比較45
表 58. 當4個注頭位移時,各注頭的失控辨識率與製程的ARL45
表 59. 當4個注頭位移時,三種方法之ARL比較45
表 60. 所有的注頭均位移(位移量不同),各注頭的失控辨識率與 製程的ARL46
表 61. 所有的注頭均位移(位移量不同),三種方法之ARL比較46
表 62. 所有的注頭均位移(位移量不同),各注頭的判別失控比率 與製程的ARL47
表 63. 所有的注頭均位移(位移量不同),三種方法的ARL比較47
表 64. 關於7個注頭製程的輸入層資訊48
表 65. 倒傳遞網路模式不同參數測試結果49
表 66.不同標準下各注頭的判別失控比率與製程的ARL50
表 67. 單一注頭位移時,各注頭的失控辨識率與製程的ARL50
表 68. 單一注頭位移時,三種方法之ARL比較50
表 69. 當3個注頭位移時(位移量相同),各注頭的失控辨識率與 製程的ARL51
表 70. 當3個注頭位移時(位移量相同),三種方法的ARL比較51
表 71. 當5個注頭位移時(位移量相同),各注頭的判別失控比率 與製程的ARL52
表 72. 當5個注頭位移時(位移量相同),三種方法的ARL比較52
表 73. 當所有注頭位移時(位移量相同),各注頭的失控辨識率與 製程的ARL52
表 74. 當所有注頭位移時(位移量相同),三種方法的ARL比較53
表 75. 當所有注頭位移時(位移量不同),各注頭的失控辨識率與 製程的ARL53
表 76. 當所有注頭位移時(位移量不同),三種方法的ARL比較53
表 77. 當所有注頭位移時(位移量不同),各注頭的判別失控比率 與製程的ARL54
表 78. 當所有注頭位移時(位移量不同),三種方法的ARL比較54
表 79. 程式變數與代表內容61
表 80. 程式變數與代表內容62

中文部分
張恭賀(1997),「監督多注頭製程抽樣之效能模擬研究」,輔仁大學應用統計研究所碩士論文。
葉怡成(1995),「類神經網路模式應用與實作」,儒林圖書公司,民國八十四年十二月。
葉佳宏(1997),「多注頭製程管制的方法」,政治大學統計研究所碩士論文。
英文部分
Boyd, D.F.(1950), "Applying the Group Chart for and R", Industrial Quality Control, Vol. 7, pp. 22-25.
Cybenko, G. (1989), "Approximation by Superpositions of a Sigmoidal Function, Mathematics of Control, Signals, and Systems, Vol. 2, pp.303-314.
Freeman J.A., Skapura D.M. (1992), Neural Networks, Addison Wesley.
Funahashi K. (1989), "On the Approximate Realization of Continuous Mapping by Neural Network", Neural Network,Vol.2, pp.183-192.
Horink, K., Stinchcombe, M. and White, H., (1989), "Multilayer Feedforward Networks are Universal Approximations", Neural Networks, Vol. 2, pp. 336-359.
Mortell, R.R. and Runger, G.C.(1995), "Statistical Process Control of Multiple Stream Processes", Journal of Quality Technology, Vol. 27, pp. 1-12.
Montgomery, D.C.(1996), Introduction to Statistical Quality Control, John Wiley&Sons, Inc., New York.
Montgomery, D. C. and Mastrangelo, C. M. (1991), "Some Statistical Process Control Methods for Autocorrelated Data ", Journal of Quality Technology, Vol. 23, pp. 179-193.
Nelson, L.S.(1986), "Control Chart for Multiple Stream Processes", Journal of Quality Technology, Vol. 28, No. 3, pp. 319.
Ott, E.R. and Snee, R.D.,(1973), "Identifying Useful Differences in a Multiple-Head Machine", Journal of Quality Technology, Vol. 5, pp. 47-57.
Pignatiello, J. J. Jr. and Runger, G. C. (1990), "Comparisons of Multivariate CUSUM Charts ", Journal of Quality Technology, Vol. 22, pp. 173-186.
Rosenblatt .F (1957), "The perceptron:A perceiving and recognizing automation, Cornell Aeronautical laboratory report", pp.460-1.
Rumelhart, D.E. Hinton, G.E. and Williams, R.J., (1986), "Learning Internal Representations by Error Propagation in Parallel Distributed Processing", Vol. 1, MIT Press, Cambridge, MA, pp318-362.
Shewhart, W.A., (1939),"Statistical Methods from the Viewpoint of Quality Control", Dover Publications, New York, NY.
Werbos P. (1974), "Beyond Regression: New Tools for Prediction and Analysis in the Behavioral Sciences " PHD thesis, Harvard, Cambridge, MA.

QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top
系統版面圖檔 系統版面圖檔