model development to predict quality of hard disk drive

บทความวจย (Research Article)

*ผรบผดชอบบทความ : [email protected]

การพฒนาตวแบบเพอพยากรณคณภาพผลตภณฑฮารดดสก

ดวยการถดถอยโลจสตกสและโครงขายประสาทเทยม

โดยใชการวเคราะหเหมองขอมล

Model Development to Predict Quality of

Hard Disk Drive with Regression Logistics and

Neural Network Using Data Mining

จามร ชบวทอง* และสมศร บณฑตวไล ภาควชาสถต คณะวทยาศาสตร สถาบนเทคโนโลยพระจอมเกลาเจาคณทหารลาดกระบง

ถนนฉลองกรง เขตลาดกระบง กรงเทพมหานคร 10520

Chammaree Chubuathong* and Somsri Banditvilai Department of Statistics, Faculty of Science, King Mongkut’s Institute of Technology Ladkrabang,

Chalongkrung Road, Ladkrabang, Bangkok 10520

บทคดยอ ฮารดดสกเปนอปกรณจดเกบขอมลอเลกทรอนกสทมความส าคญมากในปจจบน โดยมหนาทในการจดเกบ

ขอมลตาง ๆ ซงมขนาดพนทในการจดเกบเตบโตแบบทวคณและยงไดมการขยายตลาดจากตลาดคอมพวเตอรไปสตลาดอน ๆ ไดแก โทรทศน กลองวงจรปด เปนตน ในยคทมการแขงขนทางดานเทคโนโลยสง บรษทผลตฮารดดสกจงตองมการคดคนวธการหรอกระบวนการผลตฮารดดสก เพอใหไดฮารดดสกมคณภาพดขน อกวธหนงซงใชกนอยางแพรหลายคอการลดจ านวนของเสย งานวจยนเปนการพฒนาตวแบบเพอพยากรณคณภาพของผลตภณฑฮารดดสกในกระบวนการทดสอบความเชอมนกอนการสงมอบแกผบรโภค ซงชวยลดการสญเสยทรพยากร เชน ลดตนทนและเวลาในการทดสอบ เนองจากจ านวนขอมลในการท างานวจยนมขนาดใหญจงใชการวเคราะหเหมองขอมลเขามาชวย และแบบจ าลองทใชในการพยากรณคณภาพของผลตภณฑฮารดดสกทพจารณามดวยกน 2 แบบ คอ การวเคราะหการถดถอยโลจสตกสและโครงขายประสาทเทยม โดยมจ านวนตวแปรอสระทงหมดคอ 197 ตวแปร ซงเปนตวแปรเชงปรมาณทงหมด เพอลดจ านวนตวแปรอสระลงจงทดสอบความสมพนธระหวางตวแปรอสระกบคณภาพฮารดดสก พบวามตวแปรอสระเพยง 25 ตว ทมความสมพนธกบคณภาพของฮารดดสก จงน าตวแปรอสระทง 25 ตว ไปสรางแบบจ าลองโครงขายประสาทเทยม สวนแบบจ าลองโลจสตกสจะตองก าจดปญหาตวแปรอสระทมความสมพนธกนเองออกกอน คงเหลอตวแปรทใชในการสรางแบบจ าลอง 19 ตวแปร จากงานวจยพบวาแบบจ าลองทไดจาก

DOI 10.14456/tstj.2017.1

วารสารวทยาศาสตรและเทคโนโลย ปท 25 ฉบบท 1 มกราคม - กมภาพนธ 2560

2

โครงขายประสาทเทยมใหความถกตองในการพยากรณคณภาพของผลตภณฑฮารดดสกไดดกวาแบบจ าลองจากการวเคราะหการถดถอยโลจสตกส

ค าส าคญ : เหมองขอมล; โครงขายประสาทเทยม; การถดถอยโลจสตกส

Abstract Currently, hard disk drive is an electronic storage device that is very important. It is

responsible for storing information which its size is growing exponentially. It has expanded from computers market to other markets, such as television cameras and so on. In a highly competitive technology era, the company that produces hard disk drive must be considered about inventing a new method or process for producing hard disk drive with higher quality. Another method, which is widely used, is to reduce waste. This thesis is developed model to predict the quality of hard disk drive in an outgoing reliability test process. This reduces the loss of resources, such as cost reduction and testing time. The amount of data in this research is huge, therefore 2 data mining techniques which are logistic regression analysis and neural network are employed in this study. There are 197 quantitative independent variables. In order to reduce the independent variables, the relationship between each independent variable and the quality of hard disk drive was tested and found that only 25 variables are related to the quality of hard disk drive. Therefore, 25 independent variables were used to build the neural network. Since logistic regression analysis need to eliminate independent variables that has multicollinearity problem first. Then it was left 19 variables to build logistic regression analysis. The result shows that neural network model performs better prediction than logistic regression analysis model.

Keywords: data mining; neural network; logistic regression 1. บทน า

ฮารดดสกเปนอปกรณจดเกบขอมลอเลกทรอ-นกสทมความส าคญมากในปจจบน โดยมหนาทในการจดเกบขอมลตาง ๆ บนปรมาณพนททเพมขนจาก 500 จกะไบต (GB) ไปจนถง 6 เทระไบต (TB) และมแนวโนมในการเพมจ านวนความจอยางตอเนอง ท าใหอตสาหกรรมฮารดดสก (hard disk) ไมไดหยดอยกบทบนตลาดคอมพวเตอรเพยงอยางเดยว มการขยายตลาดฮารดดสกไปใชในอปกรณอน ๆ อยางแพรหลาย

ไดแก โทรศพทมอถอ เครองเลนดวด (DVD) โทรทศน และกลองวงจรปด เปนตน ส าหรบฮารดดสกถกจดเปนองคประกอบทส าคญไมนอยไปกวาระบบคอมพวเตอร และเปนอปกรณทงายตอการอพเกรดสเปค เชน ความจ ความเรวรอบ ขนาดของหนวยความจ าแคช ในยค ทมการแขงขนทางดานเทคโนโลยสง บรษทผลตฮารดดสกจงตองมการคดคนวธการ กระบวนการผลตฮารดดสก เพอใหไดฮารดดสกทมคณภาพทดทสดในราคาถก อกวธหนงซงใชกนอยางแพรหลายคอการลด

ปท 25 ฉบบท 1 มกราคม - กมภาพนธ 2560 วารสารวทยาศาสตรและเทคโนโลย

3

จ านวนของเสย ซงสามารถลดตนทนการผลตไดเปนอยางด

งานวจยน ผวจยมงเนนการปองกนการเกดของเสยในกระบวนการทดสอบความเชอมนกอนการสงมอบผลตภณฑใหแกผบรโภค (outgoing reliability test, ORT) โดยเกบรวบรวมขอมลอาการผดปกตของฮารดดสกทกระบวนการทดสอบความเชอมนกอนการสงมอบ พบวาลกษณะอาการผดปกตทชดหวอาน/เขยนมเปนจ านวนมาก จงศกษาและสรางแบบจ าลองเพอพยากรณฮารดดสกวาชดหวอาน/เขยนจะมอาการผดปกตหรอไม ดงนนผวจยจงศกษางานวจย ขนตอน และวธการวเคราะหขอมล เพอทจะไดมาซงรปแบบการพยากรณของเสยในกระบวนการทดสอบความเชอมนกอนการสงมอบผลตภณฑ โดยศกษาถงปจจยทสงผลกระทบกบคณภาพฮารดดสก พรอมทงศกษาระดบความสมพนธของปจจย ในกระบวนการทดสอบผลตภณฑฮารดดสกกอนทจะเปนผลตภณฑทเสรจสมบรณ พจารณาความสามารถในการพยากรณคณภาพความเชอมนของผลตภณฑฮารดดสก และน าแบบจ าลองทเหมาะสมทสรางขนมาใชในการพยา-การณคณภาพของผลตภณฑฮารดดสกกอนขนตอนการทดสอบคณภาพความเชอมนกอนการสงมอบแกผบรโภค

เนองจากขอมลทจะใชในงานวจยนนมตวแปรอสระจ านวน 197 ตว และมปรมาณขอมลขนาดใหญ จงเลอกใชเทคนคการท าเหมองขอมล (data mining) หรออาจเรยกวาการคนหาความร ในฐานขอมล ( knowledge discovery in databases, KDD) ค อ กระบวนการทกระท ากบขอมลทมจ านวนมาก เพอคนหารปแบบ แนวทาง และความสมพนธทซอนอยในชดขอมลนน โดยใชการวเคราะหการถดถอยโลจสตกส (logistic regression analysis) ซงสามารถใชกบตวแปรตามทเปนตวแปรเชงกลมหรอเชงคณภาพ ซงม

วตถประสงคและแนวคดเหมอนกบการวเคราะหการถดถอยเชงเสน คอ เพอศกษาความสมพนธระหวางตวแปรตามกบตวแปรอสระ และน าสมการท ได ไปประมาณคาหรอพยากรณตวแปรตาม วธทสองโครงขายประสาทเทยม โครงขายประสาทเทยม (neural network) เปนศาสตรแขนงหนงทางดานปญญาประดษฐ ทสามารถน าไปประยกตใชกบงานหลายดานไดอยางมประสทธภาพ ไดแก การจ าแนกรปแบบ การพยากรณ การควบคม การหาความเหมาะสม และการจดกลม เปนตน [1]

1.1 การว เคราะหการถดถอยโลจสตกส ( logistic regression analysis) ถ กน า ม า ใ ช เ พ อท านายวาจะเกดเหตการณหนงขนหรอไม โดยมการก าหนดคาตวแปรตวหนงหรอหลายตวทคาดวาจะสงผลตอการเกดเหตการณนน [2]

ข อตกลง เบ อ งต นการว เ ค ร าะห ก ารถดถอยโลจสตกส

1.1.1 ตวแปรอสระ เปนตวแปรทระดบขอมลอยในระดบชวง (interval scale) เปนอยางต า กรณท เปนขอมลเชงกลมใหแปลงเปนตวแปรหน (dummy variable) สวนต วแปรตามหรอต วแปรเกณฑ กรณท เปนการวเคราะหโลจสตกสแบบทว (binary logistic regression) จะก าหนด 2 คา คอ 0 กบ 1 สวนกรณการว เคราะห โลจสตกสพหกลม (multinomial logistic regression) จะก าหนดตามจ านวนกลมของตวแปรตาม

1.1.2 คาเฉลยความคลาดเคลอนเปนศนยและไมมความสมพนธกน นนคอ E(e) = 0

1.1.3 ตวแปรอสระไมมความสมพนธกนเองหรอไมเกดปญหา multicollinearity ซงกคอตวแปรอสระทมอยอาจมความสมพนธกนเองได โดยจะสงผลในการเลอกตวแปรอสระทมความส าคญตอตวแปรตาม หากนกวจยเกบตวแปรอสระเหลานนไว


4

ทงหมดในตวแบบจะท าใหเกดการซ าซอนและตวแบบจะใหญเกนความจ าเปน

1.1.4 การวเคราะหการถดถอยโลจสตกสจะตองใชขนาดตวอยาง n มากกวาการวเคราะหการถดถอยแบบปกต โดยจะใชขนาดตวอยางเทากบ n≥ 30p โดยท p คอ จ านวนตวแปรท านาย [3]

เหตผลทใชการวเคราะหการถดถอยโลจส-ตกสแทนการวเคราะหการถดถอยเชงเสน คอ เมอตวแปรตามมคาไดเพยง 2 คา ท าใหคาประมาณของตวแปรตามเปนโอกาสทเหตการณทสนใจ มคาระหวาง 0 ถง 1 ถาใชสมการถดถอยเชงเสนตรง คา Y ทไดอาจจะไมไดอยในชวง 0 ถง 1 หรออาจมคานอยกวา 0 หรอมากกวา 1 ในการวเคราะหการถดถอยเชงเสน มเงอนไขวาคาความคลาดเคลอนตองมการแจกแจงแบบปกต แตเมอตวแปรตามมคาเพยง 2 คา คอ 0 กบ 1 จะท าใหคาความคลาดเคลอน e มคาไดเพยง 2 คา ดวย ซงเปนไปไมไดท e จะมการแจกแจงแบบปกต และคาความแปรปรวนไมคงท (non-constant error variance) เนองจากเงอนไขของการวเคราะหการถดถอย คอ คาความแปรปรวนของคาความคลาด เคลอนหรอ V(e) ตองคงททกคาของ X แตในโลจส-ตกสนน เมอตวแปรตามมคาไดเพยง 2 คา และตวแปรตามมการแจกแจงแบบเบอรนล ซงท าใหคาความแปรปรวนและคาเฉลยมความสมพนธกน จงท าใหเงอนไขทวา V(e) คงทไมเปนจรง ซงท าใหไมสามารถใชการวเคราะหการถดถอยเชงเสนตรงตามปกตได [3]

1.2 โครงข ายประสาทเทยม ( artificial neural network) โครงขายประสาทเทยมไดรบแรงบนดาลใจจากการพยายามทจะจ าลองระบบประสาททางชวภาพของมนษย สมองมนษยโดยสวนใหญจะประกอบดวยเซลลประสาทหลกท เรยกวานวรอน (neuron) การเชอมโยงของเซลลประสาทผานทางเสนใยทเรยกวาแอคซอน (axon) ถกใชส าหรบสงกระแส

ประสาทจากเซลลประสาทหนงไปยงอกเซลลประสาทหนง เมอใดกตามทเซลลประสาทถกกระตน เซลลประสาทจะเชอมตอกบแอคซอนของเซลลประสาทอนๆผานทางเดนไดรท (dendrite) จดเชอมตอระหวางเดนไดรทและแอคซอนเรยกวาไซแนปส (synapse) นกประสาทวทยาไดคนพบวาสมองมนษยเรยนรโดยการเปลยนแปลงความแขงแรงของไซแนปสทใชส าหรบการเชอมตอระหวางเซลลประสาท เมอกระตนซ าโดยการใชแรงกระตนเดยวกน [4]

1.2.1 เปอรเซฟตรอน (perceptron) เปนรปแบบท งายทสดประกอบดวยโหนดสองชนดคออนพทโหนด (input node) ซงจะใชเปนตวแทนของการปอนขอมลน าเขา และเอาทพทโหนด (output node) ซ งจะใชเปนตวแทนแสดงรปแบบผลลพธ (model output) โหนดในสถาปตยกรรมโครงขายประสาทเทยมเปรยบไดวาเปนเซลลประสาทหรอหนวยงานในเปอรเซฟตรอน แตละอนพตโหนดจะเชอมตอกนดวยสายเชอมโยงโดยมคาน าหนกกบเอาทพตโหนด การเชอมโยงโดยมคาน าหนกเปนการจ าลองความแขงแรงของไซแนปส ซงเปนจดเชอมตอระหวางเซลลประสาท ดงระบบประสาททางชวภาพ การเรยนรของเปอรเซฟตรอนจะท าการปรบคาน าหนกการเชอมโยง จนกวาจะไดคาน าหนกทพอดกบความ สมพนธของขอมลน าเขาและผลลพธ เปอรเซฟตรอนจะค านวณคาเอาทพต โดยการแสดงผลรวมการถวงน าหนกของปจจยหรอตวแปรอสระลบดวยปจจยเอนเอยง (bias factor) T ดงแสดงในรปท 1 [4]

การเรยนรของเปอรเซฟตรอน พารา-มเตอรถวงน าหนก W จะถกปรบคาจนกวาผลลพธทไดจะมความสอดคลองกบผลลพธทแทจรง หลกส าคญในการค านวณหาคาถวงน าหนกเปนดงสมการ 𝑤𝑗(𝑘+1) =𝑤𝑗

(𝑘)+ 𝜆(𝑦𝑖 − ��𝑖

(𝑘))𝑥𝑖𝑗 เมอ 𝑤𝑗(𝑘) คอ พาราม เตอรน าหนกท เกยวของกบ 𝑥𝑖 เ ชอมตอขอมลน า เข า


5

หลงจากการท าซ า k ครง λ คอพารามเตอรททราบคานนกคออตราการเรยนร (learning rate) และ 𝑥𝑖𝑗 คอคาครงท j ของตวแปรท i ในการปรบปรงคาน าหนกดงสมการ ซงแสดงคาน าหนกใหมคอ 𝑤𝑗(𝑘+1) เปนการรวมกนของคาน าหนกเกา และเทอมของสดสวนในการพยากรณผดพลาด ถาคาพยากรณถกตองแลวคาถวงน าหนกจะมคาเทาเดม [4]

รปท 1 สถาปตยกรรมโครงขายประสาทเทยมแบบเปอรเซฟตรอน

รปท 2 โครงขายประสาทเทยมหลายชนแบบ

feed-forward

1.2.2 โครงขายประสาทเทยมแบบหลายชน (multilayer artificial neural network) โครงขายมหลายชน ซงชนทอยตรงกลางระหวางชนขอมลน าเขาและชนผลลพธ เรยกวาชนซอน (hidden layer) และโหนดทฝงอย ในชนน เรยกวาโหนดซอน (hidden node) ในโครงขายประสาทเทยมแบบ feed-forward

โหนดในชนหนงจะเชอมตอกบโหนดในชนถดไปเทานน ในโครงขายประสาทเทยมหลายชน การเชอมโยงระหวางโหนดในแตละชนจะมเสนเชอมทวถงกนทกโหนด (fully connection) ดงแสดงในรปท 2 [5]

โครงขายประสาทเทยมอาจใชฟงกชนกระต นอน ๆ นอกเหนอจากไซนฟ งก ชน ( sign function) ตวอยางของฟงก ชนกระตนอน ๆ เชน ฟงก ชนเชงเสน ซกมอยดฟงก ชน ( sigmoid) และไฮเปอรโบลคเทนเจนทฟงกชน (hyperbolic tangent) ดงแสดงในรปท 3 ฟงกชนกระตนเหลานชวยใหโหนดซอนและโหนดผลลพธด าเนนการผลตคาผลลพธของพารามเตอรน าเขาทไมเปนเชงเสนได

ส าหรบคาน าหนกของโหนดซอนนนค านวณไดยากเทคนคแบคพรอพพาเกชน (back propagation) จงถกสรางขนมาเพอแกปญหาน โดยทเทคนคแบคพรอพพาเกชน (back propagation) จะมสองชวงในแตละการท าซ าคอ forward phase และ backward phase ใน forward phase คาน าหนกซงไดมาจากการท าซ าในครงกอนหนาจะถกใชค านวณคาผลลพธ การค านวณจะด าเนนไปดานหนาเพยงอยางเดยว ผลลพธของโครงขายในการท าซ าครงท k จะถกค านวณกอนผลลพธ การท าซ าคร งท k+1 ส วน backward phase การปรบคาน าหนกจะถกน ามาใชในทศทางยอนกลบ กลาวคอ คาน าหนกในครงท k+1 จะถกปรบปรงกอนทคาน าหนกในคร งท k จะถกปรบปรง วธการ back-propagation ใชขอผดพลาดของโครงขายในครงท k+1 คาดการณขอผดพลาดของโครงขายในครงท k [6]

1.3 การทดสอบไคสแควร (Chi-square test) เปนวธการทดสอบเพอเปรยบเทยบขอมลทอยในรปของความถหรอในรปของสดสวน ตวอยาง เชน การศกษาเจตคตความคดเหน ความสนใจ หรอการยอมรบเปนตน ซงไมสามารถวดคาออกมาเปนตวเลขท


6

แนนอนได แตสามารถจ าแนกออกเปนหมวดหมได เชน มากทสด มาก ปานกลาง นอย นอยทสด หรอด ไมด ถาหากตองการเปรยบเทยบตวแปร 2 กลม หรอมากกวา 2 กลม วามความสมพนธกนหรอไม การทดสอบไคสแควรจะเหมาะสมกวาการทดสอบแบบ Z เนองจากการทดสอบแบบ Z เหมาะส าหรบการทดสอบ

สดสวนของประชากรเพยงกลมเดยวหรอการทดสอบความแตกตางระหวางสดสวนของสงทสนใจจากประชากร 2 กลม เทานน การทดสอบไคสแควรจงนยมใชมากในการเปรยบเทยบหรอทดสอบขอมลทเปนความถหรอขอมลทอยในรปของสดสวน

รปท 3 ชนดของฟงกชนกระตนในโครงขายประสาทเทยม

1.3.1 วตถประสงคของการทดสอบไคส-แควร มวตถประสงคส าคญ 3 ประการ คอ (1) การทดสอบความกลมกลน (the goodness of fit test) เปนการทดสอบไคสแควรเพอศกษาวาการแจกแจงความถของตวแปรเปนไปตามรปแบบทก าหนดไวหรอไม โดยศกษาจากตวแปรเพยงตวเดยวดวยการเปรยบเทยบระหวางขอมลจากตวแปรกบขอมลทได

จากความคาดหมายหรอจากทฤษฎใด ๆ วามความสอดคลองกนหรอไม (2) การทดสอบความสมพนธระหวางตวแปร (test of association) หรอเรยกอกอยางหนงวาการทดสอบความเปนอสระ ( test of independence) เปนการทดสอบไคสแควรเพอศกษาวาตวแปรตาง ๆ สมพนธกนหรอไมโดยการศกษาความสมพนธระหวางตวแปรทละค ซงตวแปรแตละตว


7

อาจจ าแนกออกเปนหลายกลมหรอหลายพวกทแจกแจงอยในตารางมตตาง ๆ เชน 2x2, 3x2 หรอ 2x3 เมอตองการทดสอบความสมพนธระหวางตวแปรทละคจะตองน าขอมลมาใสในตารางเพอหาความสมพนธระหวางตวแปรทงสอง ส าหรบการทดสอบสมมตฐานวาตวแปรแตละคจะมความสมพนธกนหรอไม มหลกการทดสอบความสมพนธระหวางตวแปรเพอใหสามารถหาคาทคาดหมายไดโดยการก าหนดสมมตฐาณเปนกลางวาจะไมมความสมพนธระหวางตวแปรทงสอง (3) การทดสอบความเปนเอกภาพ (test of homo-geneity)การทดสอบความเปนเอกภาพ หรอเรยกวา การทดสอบความเปนเอกพนธหรอการทดสอบความคลายคลงกนของตวแปร ( test of homogeneity) เปนการทดสอบความเหมอนกน (หรอไมแตกตางกน) ของตวแปร โดยพจารณาจากความนาจะเปนหรออตราสวนของตวแปรทงสอง ถามคาใกลเคยงกนแสดงวาตวแปรมความเหมอนกน [11]

1.3.2 วธของเพยรสน การวดความสมพนธระหวางตวแปรดวยวธของเพยรสน มสตรในการ

ค านวณ คอ C = √χ2

χ2+n เมอ C = ค า ส ม ป ร ะ ส ท ธ

ความสมพนธ (มคาไมเกน 1) และ N = จ านวนสมาชก (ซงจะตองมคามากกวา 0)

จากสตร ถา C = 0 แสดงวาไมมความ สมพนธระหวางตวแปรทงสอง และถา C ยงมคามากแสดงวาระดบความสมพนธยงมคามากโดยทคา C

สงสดสามารถหาไดจากสตร C𝑚𝑎𝑥 = √(𝑘−1

𝑘) เมอ

เมอ C𝑚𝑎𝑥 คาสงสดของสมประสทธของความสมพนธ และ k = จ านวนของแถวหรอคอลมทมคานอยทสด

2 การทบทวนวรรณกรรมทเกยวของ วราชย [7] ไดศกษาถงการวเคราะหอาการเสย

ของฮารดดสก โดยการใชเทคนคของการท าเหมองขอมลมาใชคดแยกรปแบบของเสย เพอชวยหาสาเหต

ของอาการเสยทเกดขนในกระบวนการผลต ในการพจารณาลกษณะของต าแหนงทเกดจดเสยนน จะพจารณาโดยอาศยเทคนคการท าเหมองขอมลเพอชวยเพมความสามารถทจะใชชวยวเคราะหหารปแบบของเสยทมาจากลกษณะการกระจายตวของเสยแบบตางๆ ซงสามารถบอกถงแนวโนมของสาเหตของอาการเสยในลกษณะตางๆ จากการทดสอบปรากฏวาเครองมอทพฒนาขนสามารถท าการคดแยกขอมลและมความรวดเรวในการวเคราะหสง โดยการเปรยบเทยบกบการคดแยกโดยผเชยวชาญ ประสทธชย [8] เสนอการสรางแบบจ าลองการท านายเปอรเซนตผลผลตฮารดดสก โดยใชทฤษฎโครงขายประสาทเทยมซงสามารถใชกบขอมลทมความซบซอนสงและมความสมพนธไมเปนเชงเสน โดยใชขนตอนวธ ในการเร ยนร แบบ back-propagation ผลการท านายทไดมความคลาดเคลอนนอยมาก ซงสามารถสรปไดวาตวแบบการท านายทสรางโดยวธโครงขายประสาทเทยมเหมาะสมทจะใชเปนระบบจ าลองการท านายในอตสาหกรรมฮารดดสก สรยาภรณ [9] ไดศกษาการท านายคณภาพของผลตภณฑกาแฟควและบดดวยการสรางแบบจ าลองเพอท านายคณภาพเบองตนกอนการทดสอบโดยผเชยวชาญในหองปฏบตการ ซงจะชวยลดการสญเสยทรพยากร ไดแก เวลาและแรงงานทใชในระหวางการทดสอบในหองปฏบตการโดยผเชยวชาญ โดยการตดการทดลองใชปจจยในการผลตทแบบจ าลองท านายคณภาพเบองตนของผลตภณฑท านายวา นาจะใหผลตภณฑสดทายทดอยคณภาพออกจากการทดลองผลต แบบจ าลองทน ามาใชท านายคณภาพของผลตภณฑกาแฟควบดทพจารณาม 4 แบบ ไดแก แบบจ าลองการถดถอยแบบพห แบบจ าลองการถดถอยแบบโพลโนเมยล แบบจ าลองโครงขายประสาทเทยม และแบบจ าลองโครงขายประสาทเทยมทมการน าเทคนคพนผวตอบสนองมาชวยหาโครงสร างท


8

เหมาะสม พบวาแบบจ าลองโครงขายประสาทเทยมมความสามารถในการท านายคาคะแนนคณลกษณะทางประสาทสมผสของกาแฟควและบดไดถกตอง และใกลเคยงกบคาจรงมากกวาแบบจ าลองการถดถอยแบบพหและแบบจ าลองการถดถอยแบบโพลโนเมยล และการสรางแบบจ าลองโครงขายประสาทเทยมดวยเทคนคพนผวตอบสนอง สามารถชวยลดระยะเวลาในการหาโครงสรางทเหมาะสมของแบบจ าลองโครงขายประสาทเทยมลงได

3 วธการด าเนนงานวจย 3.1 ศกษาขอมลเบองตน ตรวจสอบอาการผดปกตของฮารดดสกท

เกดขนในกระบวนการทดสอบความเชอมนกอนการสงมอบแกผบรโภค โดยตรวจสอบขอมลทงหมดจ านวน 8 เดอน พบวา ลกษณะอาการผดปกตของฮารดดสกในหมวดหมชดหวอาน/เขยน (HSA) มจ านวนมากทสด ดงนนงานวจยนจงมงเนนการสรางแบบจ าลองการท านายผลการทดสอบฮารดดสกของลกษณะอาการผดปกตทชดหวอาน/เขยน โดยแบงชดขอมลออกเปนชดการเรยนรจ านวน 60 เปอรเซนต ชดการทวนสอบ

จ านวน 20 เปอรเซนต และชดการทดสอบจ านวน 20 เปอร เ ซ นต ซ งข อม ล ใน ชดการ เร ยนร ใ ช ส ร า งแบบจ าลอง ชดขอมลการทวนสอบใชเพอประเมณความถกตอง ปรบปรง หรอเลอกแบบจ าลองทดทสด และชดการทดสอบใชในการวดความถกตองของแบบจ าลองในตอนสดทายเพอใหแนใจวาแบบจ าลองทสรางขนมประสทธภาพในการจ าแนกหรอไม โดยแตละชดขอมลจะมสดสวนระหวางฮารดดสกปกตและฮารดดสกผดปกตเทากนดงแสดงในตารางท 1 แสดงจ านวนสดสวนจ านวนขอมลของแตละชดขอมล

3.2 การเตรยมขอมล คดเลอกขอมลทเกยวของ ตรวจสอบความ

สมบรณของขอมล รวมขอมลจากหลายแหลงขอมลและเปลยนรปแบบขอมลใหอยในรปแบบทเหมาะสมกบเทคนคการสรางแบบจ าลองทเลอกใช

3.3 ส ร า ง ต ว แบบ ด วย โป รแก รม SAS Enterprise Miner Workstation 13.2

โดยใชเทคนคการวเคราะหการถดถอยโลจสตกสและโครงขายประสาทเทยม โดยใชขอมลตงแตเดอนเมษายนถงเดอนพฤศจกายนป ค.ศ.2015 (จ านวน 8 เดอน)

ตารางท 1 สดสวนจ านวนขอมลของชดขอมลการเรยนร ทวนสอบ และทดสอบ

3.3.1 ศ กษาป จจ ยท ส งผลกระทบกบคณภาพฮารดดสก ในกระบวนการทดสอบชดหวอาน/เขยนและการทดสอบฮารดดสกหลงการประกอบ คดเลอกตวแปรอสระทสงผลกระทบหรอม ความ

สมพนธกบฮารดดสกทมอาการผดปกตทหวอาน/เขยนขนตนกอนการสรางโมเดล โดยใชวธการวเคราะห Chi-square ก าจดปจจยหรอตวแปรอสระทมจ านวนมากและอาจจะสงผลทท าใหเกดปญหา multicollinearity

ชดขอมล (Data Set) ฮารดดสกผดปกต ฮารดดสกปกต รวม อตราสวนของฮารดดสกผดปกตเรยนร (Train) 445 100314 100759 0.44%ทวนสอบ (Validate) 148 33438 33586 0.44%ทดสอบ (Test) 149 33440 33589 0.44%รวม Total 742 167192 167934 0.44%


9

คอ ปญหาทตวแปรอสระมความสมพนธกนเองเกนกวาระดบทยอมรบได ในงานวจยน ถาคา Pearson corre-lation มคามากกวา 0.8 ถอวาตวแปรอสระคนนมความสมพนธกนมาก เนองจากตวแปรอสระของงานวจยนมจ านวนมาก จงแกไขโดยการตดตวแปรอสระตวแปรใดตวแปรหนงออก โดยจะพจารณาจากความรทางเทคนคของผลตภณฑวาตวแปรใดมความ ส าคญมากกวากเลอกตวแปรนนไว และตดตวแปรอสระอกตวทงไป เพราะถาตวแปรอสระมความสมพนธกนเองมากเกนไปจะละเมดสมมตฐานขอทวาตวแปรอสระตองไมมความสมพนธเชงเสนตอกน การทเกด ปญหานท าใหคาพารามเตอรของตวแปรอสระเกดการผดพลาดและไมมนยส าคญทางสถต ท าใหขอสรปของตวแปรตามทเกดจากตวแปรอสระตวนน ๆ เกดความผดพลาดได ตวแปรตามในทนคอฮารดดสกทมอาการผดปกตก าหนดใหเทากบ 1 และฮารดดสกทไมมอาการผดปกตก าหนดใหเทากบ 0

3.3.2 สรางแบบจ าลองการวเคราะหการถดถอยโลจสตกสและโครงขายประสาทเทยมดวยโปรแกรม SAS Enterprise Miner Workstation 13.2

3.4 ประเมนความถกตองของแบบจ าลองทไดจากการวเคราะหการถดถอยแบบโลจสตกสและโครงขายประสาทเทยม

โดยน ามาเปรยบเทยบกนทงผลการทดลองของชดขอมลการเรยนร ชดการทดสอบ และชดการทวนสอบ เพอคดเลอกตวแบบทใหผลการพยากรณทดทสด ซงสามารถพจารณาไดจากคา confusion matrix เปนการเกบขอมลทเกยวกบการแบงแยกขอมลจรง กบขอมลทเกดจากการพยากรณ

4. ผลการวจยและสรป งานวจยนใชเทคนคการวเคราะหเหมองขอมล

ซงสามารถใชกบขอมลทมขนาดใหญ (big data) โดย

การสรางตวแบบในการพยากรณ คอ การวเคราะหการถดถอยโลจสตกสและโครงขายประสาทเทยม ทดสอบความสมพนธระหวางตวแปรอสระกบคณภาพของฮารดดสก พบวามตวแปรอสระจ านวน 25 ตวแปร ทมความสมพนธกบคณภาพของฮารดดสก และจากเงอนไขของการวเคราะหการถดถอยโลจสตกสจะตองก าจดตวแปรอสระทมความสมพนธกนเองกอน ดงนน จงคงเหลอตวแปรอสระทน าไปสรางแบบจ าลองการวเคราะหการถดถอยโลจสตกสจ านวน 19 ตวแปร ดงตารางท 2 แสดงจ านวนตวแปรทน าไปสรางตวแบบในการพยากรณคณภาพของฮารดดสกแตละวธ โดย เครองหมายถกหมายถงตวแปรทน าไปสรางแบบตวแบบ เครองหมายผดหมายถงตวแปรทไมไดน าไปสรางตวแบบ

การวเคราะหการถดถอยโลจสตกสพบวา มตวแปรอสระทสงผลกระทบกบคณภาพของผลตภณฑฮ า ร ด ด สก ค อ X_12, X_91, X_94, X_97, X_110, X_119, X_124, X_133 และ X_168 รวมทงสน 9 ตวแปร จากตวแปรอสระทใชสรางตวแบบทงหมด 19 ตวแปร โดยไดท าการตรวจสอบปจจยดงกลาวกบผเชยวชาญดานเทคนคของผลตภณฑเปนทเรยบรอยแลววา ปจจยเหลานมความส าคญกบคณภาพของฮารดดสกจรง และเมอพจารณาจากคาการทดสอบทางสถต P-value ของการวเคราะหการถดถอยโลจสตกสแบบเปนขนตอน (stepwise) จะเหนไดวาตวแปรทง 9 ตวแปรมคา P-value นอยกวา 0.05 แสดงวาตวแปรเหลานมผลกระทบหรอมความสมพนธกบคณภาพของฮารดดสกอยางมนยส าคญดงตารางท 3

คาสมประสทธทไดสามารถเขยนสมการการวเคราะหการถดถอยโลจสตกสเพอพยากรณฮารดดสกผดปกตไดดงน

P(ฮารดดสกผดปกต) = 1

1+e−f(x)


10

โดย f(x) = -0.05570X_12 - 0.00958X_91 + 0.00908X_94 - 0.57620X_97 + 0.13360X_110 - 0.16050X_119 + 0.07250X_124 - 0.20050X_133 - 0.14310X_168 เมอ f(x) คอ ฟงกชนเชงเสนของตว

แปรอสระ P (ฮารดดสกผดปกต) คอ ความนาจะเปนของการเกดเหตการณหรอความนาจะเปนของฮารดดสกผดปกต e คอ exponential function = 2.71828 และ X คอ ตวแปรอสระ

ตารางท 2 ตวแปรอสระทน าไปสรางตวแบบในการพยากรณคณภาพของฮารดดสกแตละวธ

การวเคราะหการถดถอยโลจสตกส

โครงขายประสาทเทยม

อตราความถกตองเทยบกบขอผดพลาดหลงการเขยนสญญาณ เดซเบล (dB)

การเขยนขอมลซา ครงท1 เดซเบล (dB)

การเขยนขอมลซา ครงท2 เดซเบล (dB)

คาตาสดของการเขยนขอมลซา ครงท 1 พนท A เดซเบล (dB)

คาตาสดของการเขยนขอมลซา ครงท 2 พนท A เดซเบล (dB)

คาการเคลนอนยายหวอาน ทดสอบครงท 1 พโคมเตอรตอโวลต (Picometers per volt)



การสนของหวอาน แบบท2 การทดสอบครงท 1 พนท A เดซเบล (dB)

การสนของหวอาน แบบท2 การทดสอบครงท 1 พนท C เดซเบล (dB)




แรงตานการบนหวอานระหวางคาเดม (Original) และคาททาใหปกต (Normalize) พนทดานใน ทดสอบครงท 1 พนท A

เมกะวตต (MW)

แรงตานการบนหวอานระหวางคาเดม (Original) และคาททาใหปกต (Normalize) พนทดานใน ทดสอบครงท 2 พนท B


แรงตานการบนหวอานระหวางคาเดม (Original) และคาททาใหปกต (Normalize) พนทดานใน ทดสอบครงท 3 พนท A


แรงตานการบนหวอานระหวางคาเดม (Original) และคาททาใหปกต (Normalize) พนทดานนอก ทดสอบครงท 1 พนท A


แรงตานการบนหวอานระหวางคาเดม (Original) และคาททาใหปกต (Normalize) พนทดานนอก ทดสอบครงท 1 พนท B


แรงตานการบนหวอานระหวางคาเดม (Original) และคาททาใหปกต (Normalize) พนทดานนอก ทดสอบครงท 1 พนท C


แรงตานการบนหวอานระหวางคาเดม (Original) และคาททาใหปกต (Normalize) พนทดานนอก ทดสอบครงท 1 พนท D






แรงตานการบนหวอานระหวางคาเดม (Original) และคาททาใหปกต (Normalize) พนทดานนอก ทดสอบครงท 3 พนท E


คาความตานทานของเซนเซอรหวอาน เมกะวตต (MW)

ขนาดความผดพลาดหลงจากการเขยนสญญาณครงท 2 พนท A เดซเบล (dB)

ตวแปรอสระทใชสรางแบบจ าลองตวแปรอสระ ความหมายของตวแปรอสระ หนวย

1

1

1

1

1

1

11

11

11

1

1 1

1

1

1

1

1

1


11

ตารางท 3 คาพารามเตอรทประมาณไดจากการวเคราะหการถดถอยโลจสตกส

การวเคราะหโครงขายประสาทเทยมแบบหลาย ชน (multilayer artificial neural network) โดยก าหนดใหมชนอนพตจ านวน 25 โหนด หรอเทากบจ านวนตวแปรอสระ ก าหนดชนซอน 1 ชน จ านวน 5 หนวยซอน และชนเอาพตจ านวน 1 โหนด ทอตราการเรยนรเทากบ 0.1 ใชเทคนค back-propagation

งานวจยนใชคาความถกตองของการพยากรณ (accuracy) ในการเปรยบเทยบประสทธภาพของทง 2 วธ โดยใชสตร 𝐴𝑐𝑐𝑢𝑟𝑎𝑟𝑦 =

𝑇𝑁+𝑇𝑃

𝐹𝑁 + 𝑇𝑁+𝐹𝑃+𝑇𝑃 โดยท

true positive (TP) คอ ผลการพยากรณวาจะเกดเหตการณและผลลพธบอกวาเกดเหตการณ true

negative (TN) คอ ผลการพยากรณว าจะไม เกดเหตการณและผลลพธบอกวาไมเกดเหตการณ false positive (FP) คอ ผลการพยากรณวาจะเกดเหตการณและผลลพธบอกวาไมเกดเหตการณ false negative (FN) คอ ผลการพยากรณวาจะไมเกดเหตการณและผลลพธบอกวา เกดเหตการณ true positive rate (TPR) คอ รอยละของการพยากรณการเกดเหตการณทถกตอง (TP/TP+FN) และ true negative rate (TNR) คอ รอยละของการพยากรณการไมเกดเหตการณทถกตอง (TN/TN+FP) [10]

ตารางท 4ก ผลการวเคราะหการถดถอยโลจสตกส

Parameter DF EstimateStandard

ErrorWald

Chi-SquarePr > ChiSq

Standardized Estimate

Exp(Est)

1 -0.05570 0.02270 6.02 0.0141 -0.0608 0.9461 -0.00958 0.00243 15.60 <.0001 -0.1320 0.9901 0.00908 0.00339 7.18 0.0074 0.0968 1.0091 -0.57620 0.03630 252.17 <.0001 -0.4365 0.5621 0.13360 0.02930 20.77 <.0001 0.1087 1.1431 -0.16050 0.04570 12.34 0.0004 -0.0920 0.8521 0.07250 0.02010 12.94 0.0003 0.0797 1.0751 -0.20050 0.03720 29.10 <.0001 -0.1161 0.8181 -0.14310 0.02590 30.55 <.0001 -0.0945 0.867

Analysis of Maximum Likelihood Estimates

1

1

11

11

1

1

1

False Negative True Negative False Positive True Positive TPR TNR Accuracyเรยนร (Train) 113 73549 26765 332 74.61% 73.32% 73.32%ทวนสอบ (Validation) 43 24528 8910 105 70.95% 73.35% 73.34%ทดสอบ (Test) 43 24516 8924 106 71.14% 73.31% 73.30%รวม Total 199 122593 44599 543 73.18% 73.32% 73.32%

การวเคราะหการถดถอยโลจสตกสชดขอมลData Set

ผลการพยากรณ(Prediction Result) เกณฑการวด (Measurements)


12

ตารางท 4ก พบวาการวเคราะหการถดถอย โลจสตกสใหคาความถกตองของการพยากรณเทากบ 73 % สวนการวเคราะหโครงขายประสาทเทยมใหคาความถกตองของการพยากรณเทากบ 92 % ซงถาแยกเปนแตละชดการทดสอบทงสามชดขอมล คาความถก

ตองของการวเคราะหโครงขายประสาทเทยมใหคาสงกวาการวเคราะหการถดถอยโลจสตกสทงสามชดขอมล จงสรปไดวาวธการวเคราะหโครงขายประสาทเทยมใหผลการพยากรณทดกวาการวเคราะหการถดถอย โลจสตกส ดงแสดงในตารางท 4ก และ 4ข

ตารางท 4ข ผลการวเคราะหโครงขายประสาทเทยม

รปท 4 จ านวนฮารดดสกทผดปกตเทยบกบจ านวนฮารดดสกทพยากรณวาผดปกต

เนองจากวธโครงขายประสาทเทยมใหคาความถกตองสงกวาการวเคราะหการถดถอยโลจสตกส จงน าไปใชในการพยากรณคณภาพของฮารดดสกกอน

กระบวนการทดสอบความเชอมน พบวาจ านวนฮารดดสกผดปกตมคาใกลเคยงกบจ านวนฮารดดสกทพยากรณวาผดปกต จะเหนไดวาแบบจ าลองสามารถ

False Negative True Negative False Positive True Positive TPR TNR Accuracyเรยนร (Train) 4 92789 7525 441 99.10% 92.50% 92.53%ทดสอบ (Validation) 6 30962 2476 142 95.95% 92.60% 92.61%ทวนสอบ (Test) 6 30944 2496 143 95.97% 92.54% 92.55%รวม Total 16 154695 12497 726 97.84% 92.53% 92.55%

โครงขายประสาทเทยมชดขอมลData Set

ผลการพยากรณ(Prediction Result) เกณฑการวด (Measurements)

0

2

4

6

8

10

12 11

1

6 6

4

1 12

11

1

6 6

3

10

1


13

พยากรณฮารดดสกผดปกตไดถกตอง และสามารถปองกนไมใหเกดฮารดดสกผดปกตกอนกระบวนการทดสอบฮารดดสกจะเสรจสนลงถง 92 เปอรเซนต ดงนนจงสามารถสรปไดวาแบบจ าลองทไดจากการวเคราะหโครงขายประสาทเทยมมความสามารถในการพยากรณคณภาพของฮารดดสกท เหมาะสมและสามารถน ามาใชงานไดจรง (รปท 4)

5. ขอเสนอแนะ แบบจ าลองทงสองชนดทไดศกษานนสามารถ

ปรบเปลยนและแกไขได เนองจากในแตละชวงเวลาอาจมการปรบปรงกระบวนการผลตหรอเปลยนแปลงเทคโนโลยในการผลตท าใหขอมลตาง ๆ มการเปลยน แปลง ดงนนจงตองมการเรยนรแบบจ าลองหรอทเรยกวา retraining model แตถาหากมการเปลยน แปลงของขอมลมากเกนไปจะตองสรางแบบจ าลองใหม ห ร อท เ ร ย ก ว า rebuilding model โ ด ยย ง ค ง ใ ชกระบวนการสรางแบบจ าลองเชนเดมได [1]

6. กตตกรรมประกาศ ขอขอบคณ โรงงานกรณศกษา ทใหขอมลในการวจยครงน

7. รายการอางอง [1] Tan, P.N., Steinbach, M. and Kumar, V.,

2005, Introduction to Data Mining, Pearson International Edition, Inc., Addison Wesley.

[2] น าชย ศภฤกษชยสกล , 2553, การวเคราะห Logistic Regression, สถาบนวจยพฤตกรรมศาสตร มหาวทยาลยศรนครนทรวโรฒ, กรงเทพฯ.

[3] กลยา วานชยบญชา, 2546, การวเคราะหสถตขนสงดวย SPSS for Windows, พมพครงท 3, ภาควชาสถต คณะพาณชยศาสตรและการบญช

จฬาลงกรณมหาวทยาลย, กรงเทพฯ. [4] Fausett, L. 1994, Fundamentals of Neural

Networks: Architectures, Algorithms and Application, Prentice Hall, Inc., New Jersey.

[5] Krose, B. and van der Smagt, P., 1996, An Introduction to Neural Networks, 8th Ed., Amsterdam, Oberpfaffenhofen.

[6] Kumar, S., 2012, Neural Networks: A Classroom Approach, 2nd Ed., McGraw Hill Education, New Delhi.

[7] วราชย สงหจงหรด, 2550, การวเคราะหอาการเสยของฮารดดสกโดยวธการเหมองขอมล , ว ทยานพนธ ปรญญา โท , บณฑ ตว ทยาล ย มหาวทยาลยเทคโนโลยพระจอมเกลาพระนครเหนอ, 73 น.

[8] ประสทธชย บญเสรม , 2552, การสรางโมเดลเพอท านายจากเครอขายใยประสาทแบส มส าหรบการผลตเฮชจเอ, วทยานพนธปรญญาโท, บณฑตวทยาลย มหาวทยาลยเทคโนโลยพระจอมเกลาธนบร, 68 น.

[9] สรยาภรณ ไกรมาก , 2552, แบบจ าลองการท านายเพอการประเมนคณภาพของผลตภณฑกาแฟควและบด, วทยานพนธปรญญาโท, บณฑตวทยาลย มหาวทยาลยเกษตรศาสตร, 154 น.

[10] Chen, C., Liaw, A. and Breiman, L., 2004, Using Random Forest to Learn Imbalanced Data, University of California, Report ID: 666.

[11] Campbell, I., 2007, Chi-squared and Fisher-Irwin tests of two-by-two tables with small sample recommendations, Stat. Med. 26: 3661-3675.

model development to predict quality of hard disk drive

Documents