ส่วนประกอบมาตรฐานคุณภาพสูงเป็นพื้นฐานที่ทำให้เกิดความน่าเชื่อถือสำหรับการขึ้นรูปสมัยใหม่ เนื่องจากการใช้งานได้อย่างสม่ำเสมอและต่อเนื่องทำให้เกิดกระบวนการผลิตที่มีประสิทธิภาพและให้ผลผลิตสูงสุด
ในโลกที่มีการเปลี่ยนแปลงเร็วขึ้นเรื่อย ๆ และการทวีขึ้นของกระบวนการ Digitalization, Standardization (การกำหนด / สร้างมาตรฐาน) ถือเป็นสิ่งจำเป็นขั้นพื้นฐานสำหรับการทำแม่พิมพ์ หรือ mouldmaking หากบริษัทหนึ่งยังคงสามารถแข่งขันได้ในระยะยาว สิ่งที่จะทำให้เกิดข้อได้เปรียบอย่างยิ่งก็คือ การใช้ส่วนประกอบที่ได้มาตรฐาน ซึ่งไม่เพียงแต่ช่วยเพิ่มประสิทธิภาพในด้านใดด้านหนึ่งเพียงด้านเดียว แต่ยังให้มูลค่าเพิ่มอย่างมากในห่วงโซ่มูลค่าเพิ่มทั้งหมด ซึ่งจะช่วยรับประกันความสำเร็จได้อย่างยั่งยืนให้กับโรงงานของคุณ
การได้รับผลผลิตสูงสุดเท่าที่จะเป็นไปได้ถือเป็นปัจจัยแห่งความสำเร็จที่สำคัญ เมื่อต้องเผชิญกับแรงกดดันจากการแข่งขันที่เพิ่มขึ้นโดยเฉพาะในช่วงเวลาที่เกิดความยากลำบากทางเศรษฐกิจ ส่วนประกอบที่ได้มาตรฐานสำหรับการขึ้นรูปจะรับประกันความสำเร็จอย่างยั่งยืนเนื่องจากการใช้งานได้อย่างสม่ำเสมอจะทำให้ห่วงโซ่กระบวนการทั้งหมดมีประสิทธิภาพสูงสุด สิ่งนี้เริ่มต้นในขั้นตอนการพัฒนา ซึ่ง CAD data ดั้งเดิมสำหรับองค์ประกอบมาตรฐานและพื้นที่การติดตั้งสามารถรวมเข้ากับการออกแบบได้อย่างง่ายดายด้วยการลากแล้ววาง (drag-and-drop) เมื่อสร้างแม่พิมพ์ฉีดพลาสติก (injection mould) เวลาในการประกอบสามารถลดลงได้มากด้วยการใช้ส่วนประกอบมาตรฐานที่พร้อมติดตั้ง (ready-to-mount standard components)
- COMPONENTS ใหม่ๆ เพื่อประสิทธิภาพที่ดีกว่าเดิม
- KNOW THE RISKS ความเสี่ยงจากการใช้ตลับลูกปืนปลอม!
- การเคลือบผิวช่วยยืดอายุการใช้งานเครื่องจักร
- SINTERED IRON ในการผลิตแม่พิมพ์โลหะ – ตัวเลือกที่ใช่
Standardised components guarantee an optimum value-added chain
เมื่อใช้ส่วนประกอบที่ได้มาตรฐานการทำงานร่วมกันจะส่งผลให้เกิดการขึ้นรูปและการประกอบเป็นไปในลักษณะเดียวกัน เนื่องจากเครื่องมือที่ต้องใช้จะเหลือน้อยที่สุด นอกเหนือจากข้อได้เปรียบด้านเวลาและต้นทุนเหล่านี้แล้วการใช้ส่วนประกอบที่ได้มาตรฐานยังช่วยทำให้เวลาการออกสู่ตลาดของผลิตภัณฑ์ไวขึ้น ซึ่งนับเป็นความสำคัญขั้นพื้นฐานสำหรับการพัฒนาใหม่ ๆ จำนวนมากในโลกที่รวดเร็วขึ้น ในกระบวนการแปรรูปพลาสติก ส่วนประกอบมาตรฐานที่ผ่านการพิสูจน์ตัวเองมาแล้วหลายร้อยหลายพันครั้งจะรับประกันความน่าเชื่อถือในการผลิตได้ในระดับสูงสุด ในกรณีที่มีการบำรุงรักษาตามแผน หรือมีการสึกหรอ หรือมีข้อบกพร่อง ส่วนประกอบของแม่พิมพ์ที่ได้มาตรฐานจะช่วยให้การซ่อมแซมเป็นไปอย่างรวดเร็วและเกิดการหยุดทำงานน้อยที่สุด
อ้างอิง: //www.etmm-online.com/standardisation-a-guarantee-of-sustainable-success-a-981439/
Sivadee
“The most technologically efficient machine that man has ever invented is the book” – Northrop Frye
See author's posts
Tags: component, mouldmaking, standardisation, การกำหนดมาตรฐาน, การขึ้นรูปสมัยใหม่, การสร้างมาตรฐาน, ส่วนประกอบคุณภาพ, อุตสาหกรรมการผลิต, อุตสาหกรรมแม่พิมพ์, แม่พิมพ์ฉีดพลาสติก
การทำ Feature Scaling คือ วิธีการปรับช่วงขอบเขตของข้อมูลชนิดตัวเลข Cardinal แต่ละ Feature (Field) ให้อยู่ในช่วงเดียวกัน ที่เหมาะกับการนำไปประมวลผลต่อ เข้าสูตรคำนวณได้ง่าย เช่น ช่วง [0, 1] หรือ [-1, 1] ได้ผลลัพธ์อยู่ในช่วงที่กำหนด เรียกว่า Data Normalization นิยมทำในขั้นตอน Preprocessing จัดเตรียมข้อมูล ก่อนป้อนให้โมเดลใช้เทรน
ทำไมต้องทำ Normalization ข้อมูล
ข้อมูลดิบที่เราได้รับมานั้นมีความหลากหลาย ทั้งชนิดข้อมูล รูปแบบข้อมูล และ Scale ช่วงของข้อมูล (ข้อมูลตัวเลข Cardinal) เช่น ข้อมูลเด็กมัธยม มี 3 Feature คือ อายุ [10, 20], น้ำหนัก [30, 200] ส่วนสูง [120, 180]
สำหรับอัลกอริทึม Machine Learning หลาย ๆ ตัว ไม่สามารถรับข้อมูลหลากหลาย Scale แบบนี้ได้โดยตรง จำเป็นที่เราต้องทำ Normalization ก่อนที่เราจะป้อนข้อมูลให้กับโมเดล อัลกอริทึมถึงจะสามารถทำงานได้
ยกตัวอย่างเช่น L2 Loss หรือ Mean Squared Error ถ้าค่ายิ่งแตกต่างกันมาก Loss ก็จะยิ่งมากเป็นทวีคูณ เนื่องจากยกกำลังสอง ทำให้ Feature น้ำหนัก ที่จำนวนใหญ่กว่า ช่วงใหญ่กว้างกว่า จะบดบัง Feature อื่น ๆ ไปหมด แต่ถ้าเรา Normalize ทุก Feature ให้เป็น [0, 1] เท่ากันหมด ก็จะแก้ปัญหานี้ได้
การ Normalization ข้อมูล ทำให้อัลกอริทึม Gradient Descent สามารถ Converge ได้เร็วขึ้น อย่างไรจะอธิบายต่อไป
Rescaling (Min-Max Normalization)
Rescaling หรือ Min-Max Normalization เป็นวิธีที่ง่ายที่สุด ที่จะปรับช่วงข้อมูล ให้เป็นอยู่ในช่วง [0, 1] ด้วยการนำ Feature / Column นั้น ๆ ลบด้วยค่าที่น้อยที่สุด (Min) ของมัน แล้วหารด้วยช่วงของข้อมูลนั้น (Max – Min)
\( x’ = \frac{x – \text{min}(x)}{\text{max}(x)-\text{min}(x)}\)Mean Normalization
Mean Normalization คล้ายกับ Rescaling ด้านบน แตกต่างกันที่ใช้ Mean แทน Min ทำให้ช่วงของ Output [-0.5, 0.5] มีทั้งบวกและลบ Balance กัน ตรงเลข 0 (ขยับ Mean มาตรง 0)
\( x’ = \frac{x – \text{average}(x)}{\text{max}(x)-\text{min}(x)} \)เรามักจะเห็น Mean Normalization อีกแบบ ที่หารด้วย Standard Deviation ของมัน ทำให้ Output ที่ออกมามี Standard Deviation เป็น 1 เรียกว่า Standardization
Standardization (Z-Score Normalization)
Standardization หรือ Z-Score Normalization คือ การนำข้อมูล Feature / Column มาปรับให้ Mean = 0 และ Standard Deviation = 1 (Unit Variance)
\( x’ = \frac{x – \bar{x}}{\sigma} \)อัลกอริทึม Machine Learning หลาย ๆ ตัว ต้องการให้เราปรับข้อมูลให้เป็นแบบนี้ก่อน ที่จะป้อนให้โมเดลใช้เทรน
ซึ่งเราต้องเก็บค่า Mean และ Std ไว้ด้วย เวลาที่เราเทสก็ต้องใช้ค่าเดียวกันกับตอนเทรนในการปรับข้อมูล Validation Set / Test Set