การพยากรณ์ค่า Scale ของแผ่น PCB ชนิด Multilayer โดยใช้การเรียนรู้ของเครื่อง
Article Sidebar
Main Article Content
บทคัดย่อ
งานวิจัยเรื่องการพยากรณ์ค่า Scale ของแผ่น PCB ชนิด Multilayer โดยใช้การเรียนรู้ของเครื่อง มีวัตถุประสงค์เพื่อพยากรณ์ค่า Scale ของแผ่น PCB ชนิด Multilayer เพื่อเพิ่มความแม่นยำในการกำหนดค่า Scale ของงานเมื่อผ่านกระบวนการ Lamination Press แล้วทำให้แผ่นงานมีขนาดที่ได้ตรงตามความต้องการของลูกค้า และลดระยะเวลากระบวนการผลิตอันเนื่องมาจากความผิดพลาดในการกำหนดค่า Scale คณะผู้ทำการวิจัยทำการเก็บรวบรวมข้อมูลการกำหนดค่า Scale ของงานประเภท Multilayer จากบริษัท เคซีอี อีเลคโทรนิคส์ จำกัด (มหาชน) ย้อนหลัง ตั้งแต่เดือนมกราคม พ.ศ. 2561 ถึงเดือนมิถุนายน พ.ศ. 2562 โดยข้อมูลที่ศึกษาประกอบไปด้วยตัวแปรตาม คือค่า %Scale ของงานชนิด Multilayer ตัวแปรอิสระ คือปัจจัยที่ส่งผลต่อการกำหนดค่า %Scale ของแผ่น PCB ชนิด Multilayer ได้แก่ Layer Count (จำนวนชั้นของงาน), Distance (ระยะของแนวงาน), Core Thickness (ความหนาของ Core), Thickness Cu Side (ความหนาของ Copper บนแผ่น Laminate Core นั้น ๆ), Cu Foil (ความหนาของ Copper Foil), Tg (Glass Transition Temperature ของ Material), Cutdirection (แนวของงาน), Axis (แกนของงาน), Streak (แนวงาน Warp x Fill) และ Material Brand (ชนิดของแบรนด์ Material) จากนั้นทำการเตรียมข้อมูลให้อยู่ในรูปแบบที่เหมาะสมเพื่อเก็บในฐานข้อมูล โดยจะทำการหาตัวแบบพยากรณ์ที่เหมาะสมและดีที่สุดสำหรับแผ่น PCB ชนิด Multilayer
คณะผู้วิจัยได้ศึกษาและเลือกใช้ตัวแบบในการพยากรณ์ 3 ตัวแบบ คือ ตัวแบบการวิเคราะห์การถดถอยเชิงเส้นพหุคูณ (Multiple Linear Regression), ตัวแบบซัพพอร์ตเวกเตอร์รีเกรสชัน (Support Vector Regression) และตัวแบบต้นไม้ตัดสินใจแบบรีเกรสชัน (Decision Tree Regression) ซึ่งเป็นตัวแบบของการเรียนรู้แบบมีผู้สอน (Supervised Learning) ในการเรียนรู้ของเครื่อง (Machine Learning) โดยใช้โปรแกรม RStudio ช่วยในการวิเคราะห์และหาตัวแบบพยากรณ์ พิจารณาค่าความคลาดเคลื่อนกำลังสองเฉลี่ย (Mean Square Error : MSE) และค่าสัมบูรณ์ของเปอร์เซ็นต์ของความคลาดเคลื่อน (Mean Absolute Percent Error : MAPE) ในการเปรียบเทียบประสิทธิภาพของตัวแบบพยากรณ์ ผลสรุปพบว่า ตัวแบบซัพพอร์ตเวกเตอร์รีเกรสชันเป็นตัวแบบที่ดีที่สุดและที่เหมาะสมกับข้อมูลการพยากรณ์ค่า Scale ของแผ่น PCB ชนิด Multilayer
Article Details
References
machine-learning-b390451983d0
10 สิงหาคม 2562.
2. G-Able. Data Science ก้าวที่ล้ำหน้ากว่า Bid Data (จบ). ได้จาก: https://www.g-able.com/digital-review/digital-transformation/big-data-analytics/data-science-%E0%B8%81%E0%B9%89%E0%B8%B2%E0%B8%A7%E0%B8%97%E0%B8%B5%E0%B9%88%E0%B8%A5%E0%B9%89%E0%B8%B3%E0%B8%AB%E0%B8%99%E0%B9%89%E0%B8%B2%E0%B8%81%E0%B8%A7%E0%B9%88%E0%B8%B2-big-data-2/ 16 สิงหาคม 2562.
3. Jirayut Kean. สอนคอมพูดแบบไทยๆ ด้วย Machine Learning Model [Part 2]. ได้จาก: https://medium.com/@newnoi/%E0%B8%AA%E0%B8%AD%E0%B8%99%E0%B8%84%E0%B8%AD%E0%B8%A1%E0%B8%9E%E0%B8%B9%E0%B8%94%E0%B9%81%E0%B8%9A%E0%B8%9A%E0%B9%84%E0%B8%97%E0%B8%A2%E0%B9%86-%E0%B8%94%E0%B9%89%E0%B8%A7%E0%B8%A2-machine-learning-model-part2-2a1609af1bd7 10 กรกฎาคม 2562
4. Sirawich Voungchuy. Machine Learning : 01-Data Preprocessing (python coding[basic]). ได้จากเว็บไซต์: https://medium.com/@sirawit0676/machine-learning-01-data-preprocessing-python-coding-basic-687aee03c478 12 กันยายน 2562
5. จารุมน หนูคง. การศึกษาเปรียบเทียบเทคนิคการพยากรณ์ข้อมูลอนุกรมเวลาราคายางพาราด้วยวิธีโครงข่ายประสาทเทียม สมการถดถอยแบบโพลิโนเมียล และซัพพอร์ตเวกเตอร์รีเกรสชัน. กรุงเทพฯ: มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ; 2552
6. ธีร์ธวัช แก้ววิจิตร. การเพิ่มประสิทธิภาพซัพพอร์ตเวกเตอร์รีเกรสชันในการพยากรณ์อนุกรมเวลา. นครราชสีมา: มหาวิทยาลัยเทคโนโลยีสุรนารี; 2559 ได้จาก: http://sutir.sut.ac.th:8080/jspui/bitstream/123456789/6835/2/Fulltext.pdf
7. บริษัท เคซีอี อีเลคโทรนิคส์ จำกัด (มหาชน) , “ธุรกิจของบริษัท” . ได้จาก: http://investor.kcethai.in.th/th/corporate-information/companys-business 16 กรกฎาคม 2562
8. ประวัติโปรแกรม R. ได้จาก: http://pws.npru.ac.th/kairung/data/files/บทที่%201.pdf 26 สิงหาคม 2562
9. ธิดาเดียว มยุรีสวรรค์. การวิเคราะห์การถดถอย Regression Analysis. พิมพ์ครั้งที่ 1. ขอนแก่น : บริษัทเพ็ญพรินติ้ง จำกัด, 2559.
10. พัชราวรรณ ชินไธสง. การออกแบบและพัฒนาเทคนิคไฮบริดสำหรับการเติมค่าข้อมูลที่สูญหาย. นครราชสีมา: มหาวิทยาลัยเทคโนโลยีสุรนารี; 2555 ได้จาก http://sutir.sut.ac.th:8080/sutir/bitstream/123456789/4177/2/Fulltext.pdf 24 กรกฎาคม 2562
11. รณชัย ชื่นธวัช. การพยากรณ์ความต้องการใช้งานหน่วยจำหน่ายไฟฟ้าด้วยซัพพอร์ตเวกเตอร์รีเกรสชันแบบตรวจสอบสลับ 3 ส่วน. วิทยาศาสตร์และเทคโนโลยี. 2560;19(1) : 217-218
12. วิชญ์พงษ์ ดรุณธรรม. (). รู้จัก Decision Tree, Random Forest, และ XGBoost – PART 1. 2561 ได้จาก: https://medium.com/@witchapongdaroontham/%E0%B8%A3%E0%B8%B9%E0%B9%89%E0%B8%88%E0%B8%B1%E0%B8%81-decision-tree-random-forrest-%E0%B9%81%E0%B8%A5%E0%B8%B0-xgboost-part-1-cb49c4ac1315 5 กันยายน 2562
13. อโณทัย ศิลเทพาเวทย์. แบบจำลองเพื่อพัฒนาคุณภาพของผลิตภัณฑ์เอชจีเอในโรงงานอุตสาหกรรมฮาร์ดดิสก์ด้วยเทคนิคต้นไม้ตัดสินใจ. กรุงเทพฯ: จุฬาลงกรณ์มหาวิทยาลัย; 2554
14. ฤทธิไกร ทวีเจริญ. ตัวแบบการพยากรณ์การลาออกของพนักงานฝ่ายผลิตในธุรกิจเครื่องฉีดพลาสติกของบริษัทแห่งหนึ่ง. กรุงเทพฯ: มหาวิทยาลัยธรรมศาสตร์; 2559 ได้จาก: http://ethesisarchive.library.tu.ac.th/thesis/2016/TU_2016_5823036065_5595_6295.pdf 30 กรกฎาคม 2562