การปรับปรุงผลผลิตของกระบวนการผ่านการคาดการณ์คุณภาพโดยใช้การเรียนรู้ของเครื่องจักร

อุตสาหกรรมการผลิตและทดสอบโมดูลออปติคอลเป็นกระบวนการที่ต้องการความแม่นยำสูงและใช้เวลานาน โดยเฉพาะในขั้นตอน OPA (Optical Precision Alignment), LOPT (Live Optical Performance Tracker), OTSM (Optical Thermal Stability Monitor) และ OSET (Optical Stress Endurance Test) ซึ่งมักพบปัญหาอัตราผลผลิตต่ำจากงานที่ไม่ผ่านการทดสอบและต้องนำกลับมาทดสอบซ้ำทำให้เสียเวลาและทรัพยากร การวิเคราะห์เพื่อคาดการณ์ผลลัพธ์ล่วงหน้าในแต่ละขั้นตอนจะช่วยลดการทดสอบซ้ำและเพิ่มประสิทธิภาพกระบวนการโดยรวม งานวิจัยนี้จึงมีวัตถุประสงค์เพื่อระบุพารามิเตอร์ที่สำคัญในแต่ละกระบวนการ และพัฒนาโมเดลการเรียนรู้ของเครื่องสำหรับพยากรณ์ผลลัพธ์ล่วงหน้าใน 2 รูปแบบ ได้แก่ ทำนายแบบลำดับจากกระบวนการหนึ่งไปอีกกระบวนการ (Step-by-Step) และ ทำนายผลลัพธ์ขั้นท้ายจากข้อมูลต้นทางโดยตรง (Cross-Step) โดยใช้เทคนิคการเลือกคุณลักษณะทางสถิติ (Mean Test และ Variance Test) และเปรียบเทียบโมเดลหลายรูปแบบ เช่น Random Forest, XGBoost, Gradient Boosting, Neural Networks, Logistic Regression, Decision Tree, Naïve Bayes และ KNN ผลการวิจัยพบว่า โมเดล Random Forest ให้ผลการพยากรณ์ดีที่สุดในทั้งสองรูปแบบ โดยในการทำนายผลผลิตทีละขั้นตอน สามารถเพิ่มอัตราผลผลิตจากเดิมที่ 48.42% เป็น 90.50% ขณะที่การทำนายผลลัพธ์ขั้นท้ายจากข้อมูลต้นทางโดยตรงให้ผลผลิตสูงสุดที่ 97.78% ซึ่งสูงกว่าแนวทางการทดสอบแบบเดิมอย่างชัดเจน แสดงให้เห็นว่าการประยุกต์ใช้การเรียนรู้ของเครื่องในกระบวนการผลิตสามารถเพิ่มผลผลิตจากการคัดแยกของเสียตั้งแต่ต้นทางและลดความสูญเสียได้อย่างมีนัยสำคัญ