បញ្ហា (The Problem)៖ ការប្រមូលទិន្នន័យប្រេកង់ខ្ពស់ក្នុងការផលិតនៃឧស្សាហកម្ម 4.0 បង្កើតឱ្យមានទិន្នន័យទំនាក់ទំនងគ្នា (Autocorrelated data) ដែលបំពានលើលក្ខខណ្ឌឯករាជ្យភាពនៃស្ថិតិសម្រាប់ការគ្រប់គ្រងដំណើរការស្ថិតិជាប្រពៃណី (SPC)។
វិធីសាស្ត្រ (The Methodology)៖ អ្នកនិពន្ធបានបង្កើតគំរូក្លែងធ្វើក្នុងពេលវេលាជាក់ស្តែងដោយប្រើ LabVIEW ដើម្បីអនុវត្តតម្រងឌីជីថល និងម៉ូដែល State-Space សម្រាប់ការលុបបំបាត់ទំនាក់ទំនងទិន្នន័យមុនពេលប្រើប្រាស់គំនូសតាងត្រួតពិនិត្យ។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| EWMA Control Chart of Individual Observations គំនូសតាងត្រួតពិនិត្យ EWMA នៃទិន្នន័យសង្កេតនីមួយៗ |
ពូកែក្នុងការរកឃើញការផ្លាស់ប្តូរមធ្យមតូចៗ (កម្រិត 0.25 គម្លាតស្តង់ដារ) បានលឿន និងបង្ហាញចំណុចខុសប្រក្រតីបានច្រើននិងជាប់លាប់ជាងបន្ទាប់ពីមានបម្រែបម្រួល។ | ប្រហែលជាមានប្រតិកម្មយឺតបន្តិចចំពោះការផ្លាស់ប្តូរទិន្នន័យប្រភេទ ARMA(1,1) បើប្រៀបធៀបជាមួយ AR(1) និងទាមទារការគណនាកម្រិត SSE ដើម្បីរកតម្លៃ λ ល្អបំផុត។ | អាចរកឃើញបម្រែបម្រួលកម្រិត 0.25 SD នៅវិនាទីទី 3.38 (ម៉ូដែល AR(1)) និង 4.01 (ម៉ូដែល ARMA(1,1))។ |
| Shewhart Control Chart of Residuals គំនូសតាងត្រួតពិនិត្យ Shewhart នៃតម្លៃសំណល់ (Residuals) |
ដំណើរការល្អនិងមានល្បឿនក្នុងការរកឃើញចំណុចខុសប្រក្រតីដំបូងប្រហាក់ប្រហែលនឹង EWMA ដែរសម្រាប់បម្រែបម្រួលធំៗ (ចាប់ពីកម្រិត 0.75 SD ឡើងទៅ)។ | មិនអាចរកឃើញបម្រែបម្រួលតូចៗទាល់តែសោះ ហើយបង្ហាញចំណុចដែលចេញក្រៅដែនកំណត់ (Out-of-control points) បានតិចតួចណាស់។ | មិនអាចរកឃើញ (ND) បម្រែបម្រួលកម្រិត 0.25 SD ទាល់តែសោះ តែចាប់បានបម្រែបម្រួលកម្រិត 0.75 SD នៅវិនាទីទី 2.18 ដូចគ្នានឹង EWMA ដែរ។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការអនុវត្តប្រព័ន្ធនេះទាមទារចំណេះដឹងផ្នែកវិស្វកម្មប្រព័ន្ធនិងការប្រើប្រាស់កម្មវិធីកុំព្យូទ័រ ក៏ដូចជាធនធានកុំព្យូទ័រសម្រាប់ដំណើរការនិងត្រងទិន្នន័យក្នុងពេលវេលាជាក់ស្តែង។
ការសិក្សានេះប្រើប្រាស់ទិន្នន័យក្លែងធ្វើ (Simulated data) សុទ្ធសាធតាមរយៈកម្មវិធី LabVIEW ដោយបង្កើតទិន្នន័យតាមម៉ូដែល AR(1) និង ARMA(1,1)។ ដោយសារវាជាទិន្នន័យក្លែងធ្វើតាមទ្រឹស្តី វាអាចនឹងមិនឆ្លុះបញ្ចាំងទាំងស្រុងពីភាពស្មុគស្មាញ និងទម្រង់រំខាននៃទិន្នន័យ (Noise) នៅក្នុងរោងចក្រផលិតជាក់ស្តែងឡើយ។ សម្រាប់ប្រទេសកម្ពុជា ការសាកល្បងដោយប្រើទិន្នន័យផលិតកម្មពិតប្រាកដគឺជារឿងចាំបាច់ដើម្បីវាយតម្លៃប្រសិទ្ធភាពឡើងវិញ។
វិធីសាស្ត្រនៃការត្រងទិន្នន័យឌីជីថលនេះមានសក្តានុពលខ្ពស់សម្រាប់រោងចក្រឧស្សាហកម្មនៅកម្ពុជាដែលកំពុងឈានទៅរកការធ្វើស្វ័យប្រវត្តិកម្ម និងការត្រួតពិនិត្យទិន្នន័យកម្រិតខ្ពស់។
ការប្រើប្រាស់តម្រងឌីជីថលនិងគំនូសតាង EWMA នឹងជួយរោងចក្រនៅកម្ពុជាកាត់បន្ថយផលិតផលខូច និងពង្រឹងការប្រកួតប្រជែងតាមរយៈការគ្រប់គ្រងគុណភាពបានរហ័សនិងសុក្រឹតជាងមុនក្នុងយុគសម័យ Industry 4.0។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Statistical Process Control | ការប្រើប្រាស់វិធីសាស្ត្រស្ថិតិដើម្បីតាមដាន និងគ្រប់គ្រងដំណើរការផលិតកម្ម ដើម្បីធានាថាវាដំណើរការប្រកបដោយប្រសិទ្ធភាព និងផលិតបានទំនិញស្របតាមស្តង់ដារគុណភាពជានិច្ច។ | ដូចជាការប្រើប្រាស់ប្រដាប់វាស់កម្តៅដើម្បីតាមដានសីតុណ្ហភាពរបស់អ្នកជំងឺជាប្រចាំម៉ោង ដើម្បីដឹងថាតើគាត់មានអាការៈខុសប្រក្រតីដែលត្រូវចាក់ថ្នាំឬទេ ជៀសវាងការឈឺធ្ងន់ធ្ងរ។ |
| Autocorrelated serial data | ទិន្នន័យដែលប្រមូលបានជាបន្តបន្ទាប់តាមពេលវេលា ដែលតម្លៃនៃទិន្នន័យនីមួយៗមានទំនាក់ទំនងឬរងឥទ្ធិពលពីតម្លៃដែលកើតឡើងមុនវា ធ្វើឱ្យវាមិនឯករាជ្យពីគ្នា ដែលតែងតែបង្កបញ្ហាដល់ការវិភាគស្ថិតិធម្មតា។ | ដូចជាសីតុណ្ហភាពអាកាសធាតុថ្ងៃនេះ ដែលតែងតែមានភាពប្រហាក់ប្រហែលឬរងឥទ្ធិពលពីសីតុណ្ហភាពកាលពីម្សិលមិញ វាមិនអាចផ្លាស់ប្តូរត្រជាក់ឬក្តៅដាច់ស្រឡះភ្លាមៗនោះទេ។ |
| ARIMA models | ម៉ូដែលគណិតវិទ្យាសម្រាប់វិភាគទិន្នន័យស៊េរីពេលវេលា ដើម្បីស្វែងយល់ពីទំនាក់ទំនងក្នុងទិន្នន័យកន្លងមក និងប្រើប្រាស់លំនាំនោះសម្រាប់ព្យាករណ៍ទិន្នន័យនៅពេលអនាគត។ | ដូចជាការសង្កេតមើលទម្លាប់ចំណាយប្រាក់ប្រចាំថ្ងៃរបស់អ្នកយ៉ាងលម្អិត ដើម្បីទស្សន៍ទាយឲ្យបានច្បាស់ថាតើថ្ងៃស្អែកអ្នកនឹងចំណាយប្រាក់អស់ប៉ុន្មាន។ |
| Recursive digital filters | ក្បួនដោះស្រាយ (Algorithm) កុំព្យូទ័រដែលយកទិន្នន័យបច្ចុប្បន្ន និងទិន្នន័យពីមុនមកគណនាបន្តបន្ទាប់គ្នា ដើម្បីច្រោះយកសញ្ញារំខាន ឬលុបបំបាត់ទំនាក់ទំនងនៃទិន្នន័យ (Autocorrelation) ក្នុងពេលវេលាជាក់ស្តែង។ | ដូចជាម៉ាស៊ីនចម្រោះទឹកស្អាត ដែលបន្តច្រោះកាកសំណល់ចេញពីទឹកម្តងបន្តិចៗជារៀងរាល់វិនាទី ដើម្បីឱ្យទទួលបានទឹកស្អាតបរិសុទ្ធបន្តបន្ទាប់គ្នាឥតឈប់។ |
| EWMA Control Chart | គំនូសតាងត្រួតពិនិត្យដំណើរការដែលផ្តល់ទម្ងន់ភាគរយ (Weight) ច្រើនទៅលើទិន្នន័យថ្មីៗបំផុត ដែលធ្វើឱ្យវាមានភាពរសើប និងអាចចាប់យកបម្រែបម្រួលតូចៗនៅក្នុងដំណើរការបានយ៉ាងលឿន។ | ដូចជាគ្រូបង្រៀនដែលវាយតម្លៃសមត្ថភាពសិស្សដោយផ្តោតសំខាន់លើពិន្ទុប្រឡងថ្មីៗបំផុតជាងពិន្ទុកាលពីដើមឆ្នាំ ដើម្បីដឹងថាសិស្សម្នាក់នោះកំពុងចុះខ្សោយឬអត់។ |
| Shewhart of Residuals | គំនូសតាងត្រួតពិនិត្យប្រភេទប្រពៃណីដែលប្រើសម្រាប់តាមដានតម្លៃសំណល់ (Residuals - លទ្ធផលក្រោយដកតម្លៃទស្សន៍ទាយចេញពីតម្លៃជាក់ស្តែង) ដើម្បីរកមើលភាពមិនប្រក្រតី។ វាពូកែរកកំហុសធំៗ តែមើលរំលងកំហុសតូចៗ។ | ដូចជាការប្រើម៉ាស៊ីនស្កេនដើម្បីពិនិត្យមើលតែវត្ថុដែលខុសប្រក្រតីធំៗច្បាស់ក្រឡែត (ដូចជាអាវុធ) នៅក្នុងកាបូបអ្នកដំណើរ តែអាចមើលរំលងរបស់តូចៗដែលលាក់ទុក។ |
| State-Space Models | វិធីសាស្ត្រគណិតវិទ្យាដែលតំណាងឱ្យប្រព័ន្ធថាមវន្ត (Dynamic systems) តាមរយៈការបំបែកវាជាសមីការស្ថានភាពខាងក្នុង (Internal state) និងសមីការសង្កេត ដែលធ្វើឱ្យកុំព្យូទ័រងាយស្រួលធ្វើបច្ចុប្បន្នភាពទិន្នន័យរាល់ពេលមានព័ត៌មានថ្មីចូលមក។ | ដូចជាការតាមដានទីតាំងរថយន្តដោយផ្អែកលើល្បឿន និងទិសដៅដែលវាកំពុងបើកបរ (ស្ថានភាពខាងក្នុង) បូករួមជាមួយទីតាំង GPS ដែលវាបង្ហាញ (ការសង្កេត)។ |
| Z transform | រូបមន្តគណិតវិទ្យាដែលបម្លែងសញ្ញាប្រែប្រួលតាមពេលវេលាដាច់ៗពីគ្នា (Discrete-time signals) ទៅជាទម្រង់ចំនួនកុំផ្លិច ដើម្បីងាយស្រួលក្នុងការវិភាគ និងរចនាតម្រងឌីជីថល។ | ដូចជាការបកប្រែឯកសារពីភាសាដែលពិបាកយល់ទៅជាភាសាមួយទៀតដែលអ្នកជំនាញងាយស្រួលកែសម្រួល រួចទើបបកប្រែត្រលប់មកវិញ។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
