博碩士論文 110456015 詳細資訊




以作者查詢圖書館館藏 以作者查詢臺灣博碩士 以作者查詢全國書目 勘誤回報 、線上人數:14 、訪客IP:100.28.132.102
姓名 蔡念純(Nien-Chun Tsai)  查詢紙本館藏   畢業系所 工業管理研究所在職專班
論文名稱 運用LSTM與RNN模型預測多點位溫度–以藥品自動化恆溫倉(AS/RS)為例
(Temperature forecasting with key spots by LSTM and RNN - A case study of Pharmaceutical air-conditional AS/RS)
相關論文
★ 二階段作業研究模式於立體化設施規劃應用之探討–以半導體製造廠X及Y公司為例★ 推行TPM活動以改善設備總合效率並提昇 企業競爭力...以U公司桃園工廠為例
★ 資訊系統整合業者行銷通路策略之研究★ 以決策樹法歸納關鍵製程暨以群集法識別關鍵路徑
★ 關鍵績效指標(KPI)之建立與推行 - 在造紙業★ 應用實驗計劃法- 提昇IC載板錫球斷面品質最佳化之研究
★ 如何從歷史鑽孔Cp值導出新設計規則進而達到兼顧品質與降低生產成本目標★ 產品資料管理系統建立及導入-以半導體IC封裝廠C公司為例
★ 企業由設計代工轉型為自有品牌之營運管理★ 運用六標準差步驟與FMEA於塑膠射出成型之冷料改善研究(以S公司為例)
★ 台灣地區輪胎產業經營績效之研究★ 以方法時間衡量法訂定OLED面板蒸鍍有機材料更換作業之時間標準
★ 利用六標準差管理提升生產效率-以A公司塗料充填流程改善為例★ 依流程相似度對目標群組做群集分析- 以航空發動機維修廠之自修工件為例
★ 設計鏈績效衡量指標建立 —以電動巴士產業A公司為例★ 應用資料探勘尋找影響太陽能模組製程良率之因子研究
檔案 [Endnote RIS 格式]    [Bibtex 格式]    [相關文章]   [文章引用]   [完整記錄]   [館藏目錄]   至系統瀏覽論文 (2043-5-20以後開放)
摘要(中) 本研究以D公司位於桃園市楊梅區之大型自動化恆溫倉儲(AS/RS)為例,以連續7日之溫度測繪(Temperature mapping)紀錄,建立長短期記憶網路(Long Short Term Memory Network, LSTM)及循環神經網路(Recurrent Neural Network,RNN)模型。研究利用前150小時AS/RS中代表點位EDLM(Electronic data logging monitor,電子式溫度記錄器)的溫度數據,以LSTM模型預測未來18小時代表點位之溫度;而後再利用RNN模型將LSTM的預測結果,估計同空間其他多數點位未來18小時溫度趨勢。為了驗證其預測結果,將建築物管理系統(Building Management System,簡稱BMS)中擷取Real-time Sensor所紀錄之溫度資料來做驗證,並比較LSTM與RNN的最大絕對誤差(Max AE)。
結果顯示,無論模型在Max AE 還是RMSE上,上述模型與方法皆能符合RMSE小於0.20,且Max AE小於儀器MPE(Maximum Permissible Error,最大允許誤差)0.50℃。結果間接地證實,未來可以少數的Real-time Sensor監測,取代原先醫療藥品倉中需使用EDLM大量佈點來執行定期溫度測繪評估。最後依據本次個案分析提出觀察及未來模型可考量的變因,做為後續研究方向參考。
摘要(英) In this paper, we use D company’s large-scale Automated storage system (Automated Storage / Retrieval System, AS/RS) warehouse in Taoyuan City Yangmei District as example, propose a deep learning method for temperature estimation. The method is based on Long Short-Term Memory (LSTM) model and Recurrent Neural Network (RNN) by using 7-days temperature mapping records. Using LSTM model with prior 150 hours key spots’ EDLM(Electronic data logging monitor)temperature data to predict future 18 hours temperature, then using RNN model with LSTM key spots’ predict data to estimate future 18 hours temperature of multiple spots in AS/RS. To validate the estimation result, we use the Real-time sensor temperature record collected in Building Management System (BMS) as validation data. Comparing the Max AE (Max Absolute Error) of LSTM and RNN model.
According to the result, no matter checking Models’ Max AE or RMSE, the methods all comply RMSE less than 0.20 and Max AE less than MPE (Maximum Permissible Error) which is 0.50℃. That also proves the feasibility of using real-time sensors as temperature mapping method, to replace large quantity of EDLM in Pharmaceutical warehouse. At the end of this paper, we describe some observations and potential variation, as the reference information for future studies.
關鍵字(中) ★ 自動化倉儲系統
★ 長短期記憶
★ 循環神經網路
★ 溫度預測
關鍵字(英) ★ AS/RS
★ LSTM
★ RNN
★ Temperature estimation
論文目次 摘要 i
Abstract ii
誌謝 iii
目錄 iv
圖目錄 v
表目錄 vi
一、緒論 1
1-1 研究背景 1
1-2 研究動機與目的 5
1-3 研究架構 7
二、背景知識與相關文獻 8
2-1 無塵室之氣流場特性 8
2-2 RNN與LSTM 9
2-3 相關文獻探討 15
三、研究方法 17
3-1 研究範圍及流程 17
3-2 資料收集與處理 22
3-3 LSTM模型建構 26
3-4 RNN模型建構 27
四、個案分析 28
4-1 ASRS倉內溫度分布特性分析 28
4-2 LSTM預測結果(未來) 31
4-3 RNN預測結果(空間) 32
4-4 驗證結果分析 35
五、結論與未來研究建議 38
5-1 結論 38
5-2 未來研究建議 39
參考文獻 41
附錄一 電子式溫度記錄器 43
附錄二 相關資料 45
參考文獻 [1] 衛生福利部,《西藥藥品優良製造規範(第三部:運銷)》,2015年7月。
[2] “Supplement 7- Qualification of temperature-controlled storage areas“, Technical supplement to WHO Technical Report Series, No. 961, 2011, Annex 9: Model guidance for the storage and transport of time- and temperature-sensitive pharmaceutical products, May 2015
[3] “Supplement 8- Temperature mapping of storage areas“, Technical supplement to WHO Technical Report Series, No. 961, 2011, Annex 9: Model guidance for the storage and transport of time- and temperature-sensitive pharmaceutical products, May 2015
[4] WHO Technical Report Series 953, Annex 2, Appendix 1: Stability testing of active pharmaceutical ingredients and finished pharmaceutical products: Stability conditions for WHO Member States by Region, 2018 (Update March 2021)
[5] 簡鈺璇,〈一個倉儲部門,竟能長成「年營收8億」子公司!聯強通達怎麼做到?〉,商業週刊,2022年2月,
取自https://www.businessweekly.com.tw/management/blog/3009178
[6] 富邦媒體科技,〈 自動化物流中心簡介〉,富邦媒體科技企業官網,2020年,
取自https://corp.momo.com.tw/market/logistics/
[7] 蕭閔云, 〈全聯重砸9.8億元拚物流!高雄岡山廠升級自動倉儲,背後運作大公開〉,數位時代Business Next,2020年7月,
取自https://www.bnext.com.tw/article/58653/pxmart-automatic-delivery
[8] 經濟部能源局委託工業技術研究院綠能與環境研究所,《無塵室節約能源技術手冊》,2009年11月29日。
[9] Whyte W., C “Cleanroom Technology Fundamentals of Design, Testing and Operation”, Edition, 1st., 2001
[10] Archtoolbox, ”Heating, Ventilation, and Air Conditioning-Laminar vs Turbulent Flow”, May 29, 2021,
From : https://www.archtoolbox.com/laminar-vs-turbulent-flow/
[11] 黃士嘉、林邑撰著,《輕鬆學會Google TensorFlow人工智慧深度學習實作開發》,第三版,新北市:博碩文化股份有限公司,2021年1月。
[12] Andrew Tch, ”The mostly complete chart of Neural Networks, explained ” , Towards Data Science, Aug 4, 2017,
From : https://towardsdatascience.com/the-mostly-complete-chart-of-neural-networks-explained-3fb6f2367464
[13] iT邦幫忙,〈模型中的激勵函數〉 ,電週文化事業,2019年9月,
取自https://ithelp.ithome.com.tw/articles/10217168
[14] 斎藤康毅著,吳嘉芳譯,《Deep Learning:用Python進行深度學習的基礎理論實作》,歐萊禮出版社,2017年8月。
[15] 雞雞與兔兔的工程世界,〈[機器學習ML NOTE]SGD, Momentum, AdaGrad, Adam Optimizer〉,2018年8月,取自https://medium.com/%E9%9B%9E%E9%9B%9E%E8%88%87%E5%85%94%E5%85%94%E7%9A%84%E5%B7%A5%E7%A8%8B%E4%B8%96%E7%95%8C/%E6%A9%9F%E5%99%A8%E5%AD%B8%E7%BF%92ml-note-sgd-momentum-adagrad-adam-optimizer-f20568c968db
[16] 維基百科,〈Recurrent neural network〉,
取自https://en.wikipedia.org/wiki/Recurrent_neural_network
[17] iT邦幫忙,〈Day 14:循環神經網路(Recurrent Neural Network, RNN) 〉,電週文化事業,2017年12月,
取自https://ithelp.ithome.com.tw/articles/10193469
[18] Andrej Karpathy, “The Unreasonable Effectiveness of Recurrent Neural Networks”, May 21, 2015.
From : https://karpathy.github.io/2015/05/21/rnn-effectiveness/
[19] Sepp Hochreiter,and Jurgen Schmidhuber, “LONG SHORT-TERM MEMORY”,
Neural Computation 9(8):1735-80 : 1735-1780, Dec 1997.
[29] Klaus Greff, Rupesh Kumar Srivastava, Jan Koutník, Bas R. Steunebrink, Jürgen Schmidhuber, “LSTM: A Search Space Odyssey”, IEEE Transactions on Neural Networks and Learning Systems, Volume: 28 Issue: 10, October 2017, Page 2222-2232, July 2016.
[21] Zhen Fang, Nicolas Crimier, Lisa Scanu, Alphanie Midelet, Amr Alyafi, Benoit Delinchant, “Multi-zone indoor temperature prediction with LSTM-based sequence to sequence model”, Energy and Buildings, Elsevier, 245, pp.111053-HAL open science ID hal-03625852, 2021
[22] Malini M. Patil, P.M. Rekha, Arun Solanki, Anand Nayyar, Basit Qureshi, “Big Data Analytics Using Swarm-Based Long Short-Term Memory for Temperature Forecasting” , 27 Sep 2021.
[23] 賴彥鈞、賴思璇、徐松圻:〈運用RNN及LSTM預測台灣山區降雨雨場分布〉,朝陽科技大學營建工程系,第 18 屆大地工程學術研究討論會論文集,2020年9月。
[24] 黃隆明、古緯中:〈應用倒傳遞類神經網路於 PM10 預測之研究〉,國立中興大學水土保持學系,水土保持學報, 第44卷 第04期 Page(s) 341-360,2012年。
[25] 董雲春:〈On The Assessment of Turbulent Type Clean Room Performance with the Aid of Numerical Simulation〉,國立台北科技大學冷凍空調工程系碩士學位論文,2012年6月。
[26] Amazon Web Services (AWS),〈什麼是Python?>,
取自https://aws.amazon.com/tw/what-is/python/
[27] Keras Documentation,
取自https://keras.io/
指導教授 曾富祥(Fu-Shiang Tseng) 審核日期 2023-5-24
推文 facebook   plurk   twitter   funp   google   live   udn   HD   myshare   reddit   netvibes   friend   youpush   delicious   baidu   
網路書籤 Google bookmarks   del.icio.us   hemidemi   myshare   

若有論文相關問題,請聯絡國立中央大學圖書館推廣服務組 TEL:(03)422-7151轉57407,或E-mail聯絡  - 隱私權政策聲明