投影片1 - 全球運籌管理研究所.pptxVIP

多變量管制圖應用決策樹建構非隨機樣式辨識系統之研究學　　生：柯景文　指導教授：古東源　教授大綱緒論文獻探討研究方法預期成果緒論研究背景與動機研究目的研究限制研究流程研究背景與動機（1/2）業界使用的管制手法主要精神在運用管制圖來監控製程，判斷製程是否發生可歸屬原因，當製程受到可歸屬原因影響時統計量會超出管制界限統計量會呈現非隨機之樣式（nonrandom pattern）判定管制圖非隨機樣式並不容易，不僅需要知道管制圖所依據的統計原理，更需要對製程有相當的瞭解。研究背景與動機（2/2）過去的學者大多針對單變量管制圖中之非隨機樣式進行探討，現在的製程不像傳統一樣單單只重視一個品質特性，而是同時考慮多個品質特性。倘若是將這些品質特性分別以單變量管制圖來進行監控時，會因為忽略各品質特性之間的相關性，而存在相當大的誤差。必須使用多變量管制圖來監控多個具有相關性之品質特性的製程。因此多變量管制圖如何偵測非隨機樣式是多變量製程中一個值得探討的研究議題。研究目的建構多變量管制圖中非隨機樣式圖形的辨識系統本研究將利用決策樹，建構出能偵測多變量管制圖中非隨機樣式圖形的辨識系統。非隨機樣式大致可分為：趨勢向上樣式、趨勢向下樣式、向上偏移樣式、向下偏移樣式、混合型樣式以及週期型樣式等期望能夠快速且有效的偵測出製程中的異常，且快速學習可以線上即時更新製程的情況，在動態的環境中更具實用性。研究限制本研究範圍限制如下：非隨機樣式是根據西電手冊（Western Electric Company , 1958）所提出的趨勢向上樣式、趨勢向下樣式、向上偏移樣式、向下偏移樣式、混合型樣式以及週期型樣式。訓練跟測試的數據樣本是利用Visual Basic程式語言和蒙地卡羅模擬法模擬出來的。本研究樣本大小為n=1，且品質特性的個數為p=2。研究流程說明研究背景與動機，並確立研究目的、研究範圍與限制。收集過去學者對管制圖非隨機樣式之辨識、資料探勘、和多變量管制圖之相關文獻並且加以彙整。第一章　緒論第二章　文獻探討第三章　研究方法第四章　預期成果文獻探討傳統製程管制方法單變量管制圖之非隨機樣式多變量管制圖之非隨機樣式決策樹管製圖特徵值之擷取蒙地卡羅模擬方法傳統製程管制方法UCL樣本品質特性CLLCL樣本數或時間Shewhart 博士在1924年所發明的管制圖是廣泛應用在線上製程監控的工具，稱作Shewhart管制圖。當製程發生變異製程數據落在管制界限之外製程數據呈現非隨機樣式單變量管制圖之非隨機樣式（1/2）輔助辨識管制圖非隨機樣式的方法美國西方電氣公司（Western Electric Company, 1958）所制定的區域法則（zone rules）Nelson（1984）所提出的敏感度法則（sensitizing rules）Grant and Leavenworth（1996）所提出連串測試（run test）美國西方電氣公司（Western Electric Company, 1958）定義出現在管制圖中的非隨機樣式趨勢樣式偏移樣式混合型樣式週期型樣式單變量管制圖之非隨機樣式（2/2）作者/年代類神經網路支援向量機演算法特徵值Ebrahimzadeh Ranaee/2010多層架構類神經網路粒子群最佳化演算法小波理論Ebrahimzadeh Ranaee/2010多面向分類支援向量機基因演算法小波理論Ranaee et al. /2010支援向量機統計特徵值Gauri Chakraborty/2006類神經網路Guh Hsieh/1999倒傳遞類神經網路江世豪 /2008倒傳遞類神經網路基因演算法統計特徵值羅光佑/2008類神經網路支援向量機統計特徵值施炳光/2007倒傳遞類神經網路統計特徵值郭琇靜/2007支援向量機統計特徵值11UCLA和的聯合管制區LCLUCLLCLUCLALCLUCLLCL多變量管制圖之非隨機樣式（1/2）各自的管制界限所成的管制區域兩個相依變數的管制橢圓生產過程中同時監控數個品質特性成為了必然的趨勢品質特性之間是獨立的，可以利用單變量管制圖對各品質特性作管控品質特性彼此間具有相關性時，使用單變管制圖進行監控，會產生極大的誤差，所以必須使用多變量管制圖來進行管制多變量管制圖之非隨機樣式（2/2）數據的狀態出現在 管制圖的非隨機樣式趨勢樣式 統計量呈現向上或向下趨勢偏移樣式 統計量呈現分離的群集現象混合型樣式 統計量會在管制下限0以上呈現群集週期型樣式呈現重複之U型Mason et al. （2003）的研究指出，具有相關性之個別單變量管制圖中出現的非隨機樣式，在多變量Hotelling 管制圖中仍然存在。決策樹（1/2）張云濤和龔玲（2007）指出決策樹在分類上擁有優異的成績，經由龐大資料量所建構的決策樹，結果是相當受信賴的。