应用整体式分类模型於多变量制程变异性异常来源之辨识-崇越论文大赏.PDFVIP

2011 TOPCO 崇越論文大賞 論文題目： 應用整體式分類模型於多變量製程 變異性異常來源之辨識 報名編號： F0019 應用整體式分類模型於多變量製程變異性 異常來源之辨識 摘要 在一般多變量管制圖中，管制外之訊號來源是由一個或多個變量產生；然而， 管制圖之缺點為當偵測到異常時，使用者很難判定哪一個變量發生變化。因此， 本研究提出一個整體式辨識系統包含偵測和辨識，當偵測到異常訊號時，以支援 向量機為基之整體式分類模型，進行異常 來源之辨識。本研究提出一個創新的方 法，依據管制圖之不同統計特性所產生之樣本，建構整體式分類模型。以特徵值 作為輸入向量來提升辨識系統之績效。本研究以單一分類模型作為比較基準，並 利用分類之正確率作為評估不同方法之指標，結果顯示此辨識系統有助於提升異 常來源之辨識績效。 關鍵字 ：多變量管制圖、變異性變化、整體式學習、支援向量機 壹、緒論 管制圖為統計製程管制中，最廣泛使用的工具。在傳 統單變量蕭華特管制圖 中，通常是以不同管制圖來監控製程平均值與變異數，例如 x 管制圖是應用在偵 測製程平均值偏移，而 R 管制圖、 S 管制圖以及 S 2 管制圖則是針對製程變異 數之變化進行監控。在現今複雜的產品製 造程序中，製程之品質往往受到一個、 兩個或者多個品質特性所影響，而這些品質特性彼此之間存在著相關性。因此， 多變量管制圖可用來同時監控多個具有相關性之品質特性，在偵測多變量製程平 均值偏移時，最常使用的管制方法為 Hotelling T 2 管制圖，另外還有 MCUSUM 管制圖以及 MEWMA 管制圖。而對於多變量製程變異性變化之監控方面，則以 樣本廣義性變異數 | S | 管制圖最為常見。 多變量管制圖可以有效地監控製程異常發生；然而，當偵測到製程異常發生 時，管制圖卻無法進一步地判斷是由製程中哪一個品 質特性所造成的變異。因此， 為了能夠有效地判斷出發生異常之品質特性為何，有學者提出以人工智慧方法進 行異常變量之辨識。在過去研究中，僅使用一個分類模型來辨識異常來源，其受 限於相同的訓練樣本以及固定的參數，導 致辨識能力有限。近年來，有學者提出 整體式分類法 (ensemble classifiers) 來辨識多變量製程之異常來源。整體式辨識系 統之主要概念為利用多個分類模型，並且讓各個模型分別進行訓練以提升學習之 準確性。最後，整合數個分類模型所提供之資訊並歸納出最終之辨識結果。研究 1 指出，運用整體式分類模型能有效地提升辨識之績效 ，且優於傳統單一分類模型。 本研究主要應用整體式支援向量機辨識系統，針對變異性變化之多變量製程 進行監控，並找出導致製程發生異常情形之品質特性，探討其異常類型之正確分 類率。當製程發生異常時，藉由此辨識系 統之分類方法將造成變異之來源指出， 以便讓相關領域之工作人員可以更有效率地進行品質改善之工作。 貳、文獻探討 一、多變量統計製程管制法 在多變量製程變異性變化之偵測方面， Alt (1985) 提出以樣本廣義變異數 (sample generalized variance) | S | 統計量管制圖之應用最為廣泛。變異性通常被概 括成 p p 之共變異數矩陣 Σ ，其中 p 代表製程變量之個數。而矩陣中之主對 角線元素為各個製程變量之變異數，其餘 元素則為各變量間之共變異數。假設樣 本 大 小 為 n ( 且 n p ) ， 製 程 樣 本 向 量 表 示 為x , x ,, x ， 其 中