ridm@nrct.go.th   ระบบคลังข้อมูลงานวิจัยไทย   รายการโปรดที่คุณเลือกไว้

การพัฒนาฟังชั่นการประมาณค่าผลการดำเนินงานและคุณสมบัติของระบบสโตคาสติกส์ด้วยระบบโครงข่ายประสาทเทียม

หน่วยงาน สำนักงานกองทุนสนับสนุนการวิจัย

รายละเอียด

ชื่อเรื่อง : การพัฒนาฟังชั่นการประมาณค่าผลการดำเนินงานและคุณสมบัติของระบบสโตคาสติกส์ด้วยระบบโครงข่ายประสาทเทียม
นักวิจัย : พรเทพ อนุสสรนิติสาร
คำค้น : approximation , Neural network , Simulation , การจำลองสถานการณ์ , การประมาณค่า , โครงข่ายประสาทเทียม
หน่วยงาน : สำนักงานกองทุนสนับสนุนการวิจัย
ผู้ร่วมงาน : -
ปีพิมพ์ : 2554
อ้างอิง : http://elibrary.trf.or.th/project_content.asp?PJID=MRG5080286 , http://research.trf.or.th/node/6335
ที่มา : -
ความเชี่ยวชาญ : -
ความสัมพันธ์ : -
ขอบเขตของเนื้อหา : -
บทคัดย่อ/คำอธิบาย :

งานวิจัยนี้ได้พัฒนาโครงข่ายประสาทเทียทที่สามารถปรับขนาดได้มาประมาณระบบการผลิตแบบดึง ซึ่งเป็นระบบที่มีการเชื่อมต่อกันของแต่ละสถานีงานและควบคุมปริมาณบัฟเฟอร์ด้วยระบบคัมบัง การประมาณผลการดำเนินงานของระบบการผลิตด้วยโครงข่ายประสาทเทียมที่สามารถปรับขนาดได้ ทำได้โดยแบ่งประเภทสถานีงานเป็น 3 ประเภท ได้แก่ สถานีเริ่มต้น สถานีกลาง และสถานีสุดท้าย แล้วประมาณผลการดำเนินงานเฉลี่ยและความแปรปรวนของระบบ โดยประมาณค่ารอบระยะเวลาการผลิตเฉลี่ยระหว่างกระบวนการผลิต (cycle time), จำนวนชิ้นงานที่ค้างในระบบ (work in process), จำนวนครั้งที่สามารถตอบสนองความต้องการผลิตได้ (sale) และจำนวนครั้งที่ไม่สามารถตอบสนองความต้องการผลิต (lost sale) แล้วศึกษาปัจจัยที่มีผลต่อประสิทธิภาพการประมาณค่าของโครงข่ายประสาทเทียม ผลการศึกษาแสดงให้เห็นว่าโครงข่ายประสาทเทียมสามารถประมาณค่า cycle time, work in process, sale และ lost sale ของระบบการผลิตแบบดึงได้ทั้งค่าเฉลี่ยและค่าความแปรปรวน การฝึกสอนควรใช้จำนวนข้อมูลฝึกสอน 50% ของสถานการณ์ที่เป็นไปได้ทั้งหมด ฝึกสอนโครงข่ายที่จะพัฒนาเป็นโครงข่ายประสาทเทียมที่สามารถปรับขนาดได้ และจากผลการศึกษา โครงข่ายประสาทเทียมไม่สามารถประมาณค่าความแปรปรวนโดยตรงได้แต่สามารถประมาณค่าความแปรปรวนของระบบได้โดยการแบ่งช่วงของความแปรปรวน ซึ่งสามารถประมาณความแปรปรวนของ cycle time และ sales ถูกต้องประมาณ 99% ค่าความแปรรวนของ work in process ได้ประมาณ 80% ซึ่งประสิทธิภาพที่ลดลงเนื่องมาจากจำนวนสถานีงานที่เพิ่มสูงขึ้น และสามารถประมาณค่า lost sale มีความถูกต้องประมาณ 90% ประสิทธิภาพที่ลดลงมาจากค่าความแปรปรวนมีค่าน้อยมากและมีค่าไม่ต่อเนื่อง โดยสรุป โครงข่ายประสาทเทียมสามารถประมาณระบบที่เป็นสโตแคลติกส์ที่มีขนาดใหญ่ได้ A goal of this research is to investigate the performance of neural network based approximation function in variation prediction. This research develops a scalable artificial neural network (SANN) approximation for pull-control production system as a case study. The pull-control production system in this case study consists of serial workstations and its buffer in which controlled by Kanban method. Three types of SANN, which are 1) Initial workstation 2) Intermediate workstation and 3) Final workstation, were developed to approximate the performance of the production system. This SANN is designed to predict the mean and variance of the four major production performance measures which are: 1) production cycle time 2) the amount of work-in-process 3) the number of sales and 4) the number of lost sales. Several experiments are conducted to investigate the impact of the number of workstations and the process variation on the performance of SANN. The results of this research show that SANN effectively predicts (approximates) the mean and variation of the four performance measures of the pull-control production system. The recommended train data size is fifty percent of the set of solutions for individual workstation in developing SANN for the Initial workstation, the intermediate and the final workstation. From the results, direct approximation of the confident interval of performance measures is not possible. However, when using SANN to predict the range of variation in all performance measures, the results indicate the effective prediction. The predictability of variation in cycle time and the number of sales are about 99%. The predictability of variation in work-in-process is about 80% due to the impact from the increase of the number of workstations. The predictability of variation in the number of lost sales is about 90% due to the impact from the small and non continuous value of measures. In conclusion, SANN has shown a great promised in accessing the stochastic measures in large production system.

บรรณานุกรม :
พรเทพ อนุสสรนิติสาร . (2554). การพัฒนาฟังชั่นการประมาณค่าผลการดำเนินงานและคุณสมบัติของระบบสโตคาสติกส์ด้วยระบบโครงข่ายประสาทเทียม.
    กรุงเทพมหานคร : สำนักงานกองทุนสนับสนุนการวิจัย.
พรเทพ อนุสสรนิติสาร . 2554. "การพัฒนาฟังชั่นการประมาณค่าผลการดำเนินงานและคุณสมบัติของระบบสโตคาสติกส์ด้วยระบบโครงข่ายประสาทเทียม".
    กรุงเทพมหานคร : สำนักงานกองทุนสนับสนุนการวิจัย.
พรเทพ อนุสสรนิติสาร . "การพัฒนาฟังชั่นการประมาณค่าผลการดำเนินงานและคุณสมบัติของระบบสโตคาสติกส์ด้วยระบบโครงข่ายประสาทเทียม."
    กรุงเทพมหานคร : สำนักงานกองทุนสนับสนุนการวิจัย, 2554. Print.
พรเทพ อนุสสรนิติสาร . การพัฒนาฟังชั่นการประมาณค่าผลการดำเนินงานและคุณสมบัติของระบบสโตคาสติกส์ด้วยระบบโครงข่ายประสาทเทียม. กรุงเทพมหานคร : สำนักงานกองทุนสนับสนุนการวิจัย; 2554.