跳到主要內容

臺灣博碩士論文加值系統

(35.173.42.124) 您好!臺灣時間:2021/07/24 10:39
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:黃威榮
研究生(外文):Wei-Jung Huang
論文名稱:應用類神經網路於高產出製程監控之研究
論文名稱(外文):An Artificial Neural Network Approach for Monitoring High-Yield Processes
指導教授:鄭春生鄭春生引用關係
指導教授(外文):Chuen-Sheng Cheng
學位類別:碩士
校院名稱:元智大學
系所名稱:工業工程與管理學系
學門:工程學門
學類:工業工程學類
論文種類:學術論文
論文出版年:2009
畢業學年度:97
語文別:中文
論文頁數:48
中文關鍵詞:高產出CCC 管制圖CCC-r 管制圖類神經網路平均連串長度
外文關鍵詞:high-yield processCCC chartCCC-r chartANNARL
相關次數:
  • 被引用被引用:0
  • 點閱點閱:230
  • 評分評分:
  • 下載下載:0
  • 收藏至我的研究室書目清單書目收藏:0
在監控高產出製程時,p 管制圖乃假設二項分配滿足逼近常態之前提下所建立,因此當製程不合格率很低時,會因二項分配無法滿足常態性假設之條件,而造成 p 管制圖錯誤警告增加。且因不合格率小,管制圖上容易出現許多為零的點,而管制下限亦容易產生等於零之情形,因此無法作為判斷製程是否有顯著改善之依據。故 p 管制圖並不適合用於監控高產出之製程。近年來發展出使用 CCC 管制圖與 CCC-r 管制圖進行高產出製程監控,其目的是為了要改善傳統管制計數值管制圖不適合用於監控不合格率很低之高產出製程。CCC-r 管制圖比 CCC 管制圖多考慮 r 組樣本統計量,以藉此提升 CCC 管制圖偵測製程不合格率偏移之效率。

本研究之主要貢獻為應用類神經網路來發展一套監控高產出製程的累積合格品個數之管制程序,即是利用類神經網路特別適合用於監控微量偏移之數據與非對稱數據之特性,應用模擬之方式產生高產出製程之數據進行監控,並探討當高產出製程在不同微量偏移與延伸管制變數或是加入不同統計特徵值之績效。研究結果顯示透過類神經網路監控系統使其監控績效優於傳統統計方法。
Shewhart p chart is usually used to monitor the fraction nonconforming of a high-yield process. It has been shown to possess some practical difficulties, such as too many false alarms, meaningless control limits and failure in detecting process improvement when fraction nonconforming or defect rate is quite low. When dealing with high-yield processes, the cumulative count of conforming (CCC) chart has been shown to be more suitable than traditional p chart. In order to improve the sensitivity of the CCC chart, the CCC-r charts are the extension of the CCC chart used to monitor the cumulative count of items inspected until observing r nonconforming ones.

In this paper, we proposed a control technique based on the Artificial Neural Networks (ANN) for monitoring the cumulative count of conforming data. Two statistics follow geometric distribution (i.e. charting statistic of the CCC chart) and negative binominal distribution (i.e. charting statistic of the CCC-r chart) are studied in this research. Some statistical features are also considered as an input of the ANN system to increase the sensitivity in detecting the parameter shifts. Some performance comparisons between the ANN and the statistical control schemes, such as CCC, CCC-r and Geometric CUSUM charts, are evaluated by the average run length (ARL). The results show the ANN outperforms than the CCC and CCC-r charts, and slightly outperforms than the Geometric CUSUM chart in monitoring a process when the fraction nonconforming is extremely low.
目錄

摘要 i
英文摘要 ii
誌謝 iv
目錄 v
表目錄 vii
圖目錄 viii

第一章 緒論 1

第二章 監控高產出製程之管制圖 8

2.1 CCC 管制圖與 CCC-r 管制圖 8
2.2 Geometric CUSUM 管制圖 13

第三章 類神經網路理論與應用 15

3.1 類神經網路 15
3.2 多層前饋類神經網路 16
3.2.1多層前饋類神經網路之基本架構 17
3.2.2 Levenberg-Marquardt 演算法 20
3.3 高產出製程之類神經網路監控系統 21
3.3.1 監控高產出製程之類神經網路架構 21
3.3.2 模擬類神經網路訓練樣本 22
3.3.3 類神經網路之訓練與測試 25
3.3.4 監控多個累積合格品數之類神經網路 26
3.3.5 加入統計特徵值之類神經網路 26

第四章 類神經網路監控之效益評估 28

4.1 評估方法與指標 28
4.2 結果評估及分析 28
4.2.1類神經網路與 CCC-r 管制圖之績效評比 29
4.2.2類神經網路與 Geometric CUSUM 管制圖之績效評比 35
4.2.3分析視窗對於類神經網路績效之影響 36
4.2.4加入統計特徵值前後之類神經網路監控績效 38

第五章 結論與未來研究 43

5.1 結論 43
5.2 未來研究 44

參考文獻 45

表目錄

表 1. 訓練樣本組成範例 23
表 2. 訓練樣本之組成 (視窗大小 16) 24
表 3. 訓練樣本之組成 (視窗大小 32) 25
表 4. 類神經網路與 CCC-1 管制圖之績效 (監控 增加) 29
表 5. 類神經網路與 CCC-1 管制圖之績效 (監控 減少) 30
表 6. 類神經網路與 CCC-1 管制圖之績效 (同時監控 增加與減少) 31
表 7. 類神經網路與 CCC-2 管制圖之績效 (同時監控 增加與減少) 32
表 8. 類神經網路與 CCC-3 管制圖之績效 (同時監控 增加與減少) 33
表 9. 類神經網路與 Geometric CUSUM 管制圖之績效 35
表 10. 分析視窗 16 與 32 之類神經網路績效 (監控 增加) 36
表 11. 分析視窗 16 與 32 之類神經網路績效 (監控 減少) 37
表 12. 分析視窗 16 與 32 之類神經網路績效 (同時監控 增加與減少) 37
表 13. 比較加入平均數特徵值前後類神經網路之績效 39
表 14. 比較加入中位數特徵值前後類神經網路之績效 40
表 15. 加入加權平均數特徵值前後類神經網路之績效 ( ) 41
表 16. 加入加權平均數特徵值前後類神經網路之績效 ( ) 41
表 17. 加入加權平均數特徵值前後類神經網路之績效 ( ) 42

圖目錄

圖 1. CCC 管制圖之管制變數 8
圖 2. CCC- 管制圖之管制變數示意圖 9
圖 3. CCC 管制圖之 ARL 曲線圖 ( ) 12
圖 4. CCC- 管制圖之 ARL 曲線圖 ( ) 13
圖 5. 轉移函數曲線 18
圖 6. 移動分析視窗之概念 20
圖 7. 多層前饋網路結構圖 22
圖 8. 類神經網路監控系統流程圖 22
圖 9. 訓練樣本產生示意圖 23
圖 10. 新增統計特徵值示意圖 27
圖 11. 類神經網路與 CCC-1 管制圖之 ARL 曲線圖 31
圖 12. 類神經網路與 CCC-2 管制圖之 ARL 曲線圖 33
圖 13. 類神經網路與 CCC-3 管制圖之 ARL 曲線圖 34
圖 14. 類神經網路與 Geometric CUSUM 管制圖 ARL 曲線圖 36
1.歐筱華,「類神經網路應用於多變量統計製程管制之研究」,中壢,元智大學工業工程與管理研究所碩士論文,(1995)。
2.陳俊錫,「應用類神經網路偵測多變量製程變異性變化之研究」,中壢,元智大學工業工程與管理研究所碩士論文,(1997)。
3.陳佩雯,「應用計數管制圖於高產出製程之研究」,中壢,元智大學工業工程與管理研究所碩士論文 (2004)。
4.黃郁蓉,「應用類神經網路監控多變量製程之變化與參數估計」,中壢,元智大學工業工程與管理研究所碩士論文 (2005)。
5.羅宗元,「應用小波分析與類神經網路於管制圖非隨機樣式之偵測」,中壢,元智大學工業工程與管理研究所碩士論文 (2005)。
6.黃啟原,「應用小波分析法與類神經網路建構管制圖非隨機樣式之辨識系統」,中壢,元智大學工業工程與管理研究所碩士論文 (2006)。
7.吳重澤,「利用類神經網路與支援向量機技術偵測多變量製程平均值異常來源之研究」,中壢,元智大學工業工程與管理研究所碩士論文 (2007)。
8.吳思瑤,「應用統計特徵值以支援向量機與類神經網路建構紗線張力非隨機樣式之辨識系統」,中壢,元智大學工業工程與管理研究所碩士論文 (2008)。
9.鄭春生,品質管理,育友圖書有限公司,台北,1997。
10.羅華強,類神經網路-MATLAB 的應用,高立圖書有限公司,新竹,2005。
11.Al-Ghanim, A. M., and Ludeman, L. C., “Automated unnatural pattern recognition on control charts using correlation analysis techniques,” Computers and Industrial Engineering, 32, 679-690 (1997).
12.Abbasi, B., Akhavan Niaki, S. T., “Monitoring high-yields processes with defects count in nonconforming items by artificial neural network,” Department of Industrial Engineering, 188, 262-270 (2007).
13.Acosta-Mejia, C. A., “Improved p charts to monitor process quality,” IIE Transactions, 31, 6, 509-516 (1999).
14.Chan, L. Y., Lin, D. K. J., Xie, M., and Goh, T. N., “Cumulative probability control charts for geometric and exponential process characteristics,” International Journal of Production Research, 40, 1, 133-150 (2002).
15.Chang, S. I. and Aw, C. A., “A neural fuzzy control chart for detecting and classifying process means shifts,” International Journal of Production Research, 34, 8, 2265-2278 (1996).
16.Chang, T. C., and Gan, F. F., “Cumulative sum chart for high yield processes,” Statistica Sinica, 11, 3, 791-805 (2001).
17.Cheng, C. S., “A multi-layer neural network model for detecting changes in the process mean,” Computers and Industrial Engineering, 28, 51-61 (1995).
18.Cheng, C. S., “A neural network approach for the analysis of control chart pattern,” International Journal of Production Research, 35, 3, 667-697 (1997).
19.Cheng, C. S., and Cheng, S. S., “A neural network-based procedure for the monitoring of exponential mean,” Computers and Industrial Engineering, 40, 4, 309-321 (2001).
20.Cheng, C. S., and Chen, P. W., “The design of cumulative count of conforming chart with supplementary runs rules,” Asia Pacific Industrial Engineering and Management, Bali, Indonesia (2008).
21.Cheng, C. S., and Tzeng, C. A., “A neural network approach for detecting shifts in the process mean and variability,” Journal of the Chinese Institute of Industrial Engineers, 11, 67-75 (1994).
22.Fun, M. H., Hagan, M. Y., “Levenberg-Marquardt training for modular networks,” IEEE International Conference on Neural Networks, 1, 468-473 (1996).
23.Gan, F. F., Choi, K. P., “Computing average run lengths for exponential CUSUM schemes,” Journal of Quality Technology, 26, 2, 134-143 (1994).
24.Goh, T. N., “A control chart for very high yield processes,” Quality Assurance, 13, 1, 18-22 (1987).
25.Guo, Y., and Dooley, K. J., “Identification of change structure in statistical process control,” International Journal of Production Research, 30, 7, 1655-1669 (1992).
26.He, B., Xie, M., Goh, T. N., and Tsui, K. L., “On control charts based on the generalized poisson model,” Quality Technology & Quantitative Management, 3, 4, 383-400 (2006).
27.Ho, E. S. and Chang, S. I., “An integrated neural network approach for simultaneous monitoring of process mean and variance shifts-a comparative study,” International Journal of Production Research, 37, 8, 1881-1901 (1999).
28.Hush, D. R., and Horne, B. G., “Progress in supervised neural network,” IEEE Signal Processing Magazine, 10, 8-39 (1993).
29.Hwarng, H. B. and Hubele, N. F., “Back-propagation pattern recognizers for X-bar control chart: Methodology and Performance,” Computers and Industrial Engineering, 24, 2, 219-235 (1993).
30.Liu, J. Y., Xie, M., Goh, T. N., Liu, Q. H., and Yang, Z. H., “Cumulative count of conforming chart with variable sampling intervals,” International Journal of Production Economics, 101, 2, 286-297 (2006).
31.Low, C. Y., Hsu, C. M., and Yu, F. J., “Analysis of variations in a multi-variate process using neural networks,” The International Journal of Advanced Manufacturing Technology, 22, 911-921 (2003).
32.McCool, J. I., and Motley, T. J., “Control charts applicable when the fraction nonconforming is small,” Journal of Quality Technology, 30, 3, 240-247 (1998).
33.Montgomery, D. C., Introduction to Statistical Quality Control, 5th ed, Wiley, New York (2005).
34.Ohta, H., Kusukawa, and Rahim, A., “A CCC- chart for high-yield processes”, Quality and reliability engineering international, 17, 439-446 (2001).
35.Pugh, G. A., “A comparison of neural networks to SPC charts,” Computers and Industrial Engineering, 21, 253-255 (1991).
36.Smith, K. A., Gupta, J. N. D., “Neural networks in business: Techniques and applications for the operations researcher,” Computers and Operations Research, 27, 11-12, 1023-1044 (2000).
37.Xie, M. and Goh, T. N., “The use of probability limits for process control based on geometric distribution,” International Journal of Quality & Reliability Management, 14, 1, 64-73 (1995).
38.Xie, M. and Goh, T. N., “Statistical control of a six sigma process,” Quality Engineering, 15, 4, 587-592 (2003).
39.Xie, M., Goh, T. N., and Kuralmani, V., “On optimal setting of control limits for geometric chart,” International Journal of Reliability, Quality and Safety Engineering, 7, 1, 17-25 (2000).
40.Xie, M., Goh, T. N., and Lu, X. S., “A Comparative study of CCC and CUSUM charts,” Quality And Reliability Engineering International, 14, 5, 339-345 (1998).
41.Xie, M., Lu, X. S., Goh, T. N., and Chan, L. Y., “A quality monitoring and decision-making scheme for automated production processes,” International Journal of Quality & Reliability Management, 16, 2, 148-157 (1999).
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top
無相關期刊