A web-based decision support system for cost identification using deep learning in plastic injection industry

ระบบการตัดสินใจบนฐานเว็บสำหรับการระบุต้นทุนโดยใช้การเรียนรู้เชิงลึกในอุตสาหกรรมพลาสติก

Name: Pornthip Tabkosai.

keyword: Artificial neural network.

LCSH: Decision support systems.

; Convolutional neural networks.

LCSH: Deep learning (Machine learning)

; Web-based decision.

LCSH: Artificial intelligence.

LCSH: Break-even analysis.

LCSH: Cost effectiveness.

Abstract: The plastic injection moulding industry has been growing and expanding rapidly. Cost identification is important to business operations. The complexity of the plastic parts and manufacturing data resulted in a long data waiting time and inaccurate cost identification. The objective of this research is to develop a Web-Based Decision Support System (WB-DSS) for the prediction cost identification that compares a hybrid deep learning model between a Convolutional Neural Network (CNN) and Artificial Neural Network (ANN) with Tunicate Swarm Algorithm (TSA) and Artificial Neural Network (ANN) for bulk price analysis of multi-price for multi-volume to enhance the efficiency in cost identification of complex geometry parts in the plastic injection industry. CNN-ANN can improve the accuracy from a dense voxel of CNN that can disentangle the difficulty of cost identification. The methodology consists of 3D-voxelization adopted to CNN and the feature-based of complex geometry parts to feature parameters using the learning ability of ANN to achieve better accuracy. TSA-ANN can achieve a faster convergence rate for optimal solutions and higher accuracy. The methodology entails ANN, which applies feature-based extraction of complex geometry parts to develop a cost identification approach. TSA is used to construct the initial weight into the learning model of ANN, which can generate faster- to-convergent optimal solutions. Then, the best model has been developed for bulk price analysis of multi-price for multi-volumes. The result shows that the new hybrid deep learning CNN-ANN has better accuracy than TSA-ANN and is applied in bulk price analysis. These results can predict cost evaluation at about 98.65% accuracy for parts costs, 95.17% accuracy for mould costs, and 96.83% accuracy for a bulk price. The contribution of this research is based upon a new hybrid deep learning using CNNN with ANN on WB-DSS that is practical and accurate in performing cost identification bulk price for decision-making in the plastic injection industry which is unavailable in the literature.

Abstract: การจัยนี้มีวัตถุประสงค์เพื่อพัฒนาระบบบสนับสนุนการตัดสินใจบนเว็บสำหรับการทำนายการ ประมาณราคา โดยใช้การเรียนรู้เชิงลึก (Deep learning) แบบผสมผสานระหว่างโครงข่ายประสาทเทียมแบบคอนโวลูชั่น (Convolutional Neural Network: CNN) และโครงข่ายประสาทเทียม (Artificial Neural Network: ANN) กับเทอร์นิเคทสวอร์มอัลกอริทีม (Tunicate Swarm Algorithm:TSA) และโครงข่ายประสาทเทียม (ANN) สำหรับการวิเคราะห์การประมาณราคาจากปริมาณการสั่งซื้อที่แตกต่างกัน วิธีการประกอบด้วยการนำ 3D-Voxel มาใช้กับ CNN และใช้การแยกคุณลักษณะเพื่อแสดงพารามิเตอร์ในการเรียนรู้ของ ANN ถัดไปเป็น TSA-ANN โดยใช้ TSA สร้างน้ำหนักเริ่มต้นเพื่อใช้ในการเรียนรู้ของ ANN จากนั้นพัฒนาแบบจำลองสำหรับการประมาณราคาจากปริมาณการสั่งซื้อที่แตกต่างกัน ผลลัพธ์แสดงให้เห็นว่าการเรียนรู้เชิงลึก CNN-ANN มีความแม่นยำที่ดีกว่า TSA-ANN และนำไปใช้ในการวิเคราะห์ราคาจากปริมาณการสั่งซื้อที่แตกต่างกัน ผลลัพธ์การประมาณราคามีค่าความแม่นยำ 98.65% สำหรับราคาผลิตภัณฑ์ ความแม่นยำ 95.17% สำหรับราคาแม่พิมพ์และความแม่นยำ 96.83% สำหรับราคาจากปริมาณการสั่งซื้อที่แตกต่างกัน ผลการวิจัยนี้คือวิธีการเรียนรู้เชิงลึกโดยใช้ CNN-ANN บนระบบสนับสนุนการตัดสินใจบนเว็บ (WB-DSS) ที่สามารถใช้งานได้จริงและแม่นยำในการดำเนินการระบุต้นทุนราคาจากปริมาณการสั่งซื้อที่แตกต่างกันเพื่อสนับสนุนการตัดสินใจในอุตสาหกรรมการฉีดพลาสติกซึ่งไม่มีในการศึกษาวรรณกรรมที่ผ่านมา

King Mongkut's University of Technology North Bangkok. Central Library

Address: BANGKOK

Email: library@kmutnb.ac.th

Name: Athakorn Kengpol

Role: dissert advisor.

Email : athakorn.k@eng.kmutnb.ac.th

Created: 2023

Modified: 2568-03-17

Issued: 2025-03-17

วิทยานิพนธ์/Thesis

application/pdf

eng

DegreeName: Doctor of Philosophy

Level: Doctoral Degree

Descipline: Industrial Engineering

Grantor: King Mongkut's University of Technology North Bangkok

©copyrights King Mongkut's University of Technology North Bangkok

ลำดับที่.	ชื่อแฟ้มข้อมูล	ขนาดแฟ้มข้อมูล	จำนวนเข้าถึง	วัน-เวลาเข้าถึงล่าสุด
1	B17690158.pdf	78.87 MB	1	2025-05-16 12:38:13

ใช้เวลา

0.01912 วินาที