一種結合循序向後選擇法與回歸樹分析的瑕疵肇因關鍵因子擷取方法與系統－以紡織製程為例

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：60

、訪客IP：18.189.193.172

姓名

陳奕廷(Alvin Chen) 查詢紙本館藏

畢業系所

資訊工程學系

論文名稱

一種結合循序向後選擇法與回歸樹分析的瑕疵肇因關鍵因子擷取方法與系統－以紡織製程為例
(A Method and System for Extracting Key Factors Causing Defects Using Combining Sequential Backward Selection Method and Regression Tree Analysis: Taking Textile Manufacturing Process As an Example)

相關論文

★ 基於OpenPose特徵的行人分心偵測	★ 建構深度學習CNN模型以正確分類傳統AOI模型之偵測結果
★ 融合生成對抗網路及領域知識的分層式影像擴增	★ 針織布異常偵測方法研究
★ 應用增量式學習於多種農作物判釋之研究	★ 農業影像二元分類：坵塊分離的檢測
★ 應用遷移學習於胚布瑕疵檢測	★ 基於網頁 MCES 分析系統的分析過程加速
★ 使用一台智能手錶在有限的數據下檢測方向盤位置	★ 在基於操作行為之智慧型手機身分驗證系統上的使用者偽造攻擊研究
★ 移除弱特徵以抵禦基於行為身份驗證系統上的偽造攻擊

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 ( 永不開放)

摘要(中)

近幾年在紡織業中掀起短鏈革命的熱潮，在成品的交期越來越短的情況下，為了維持競爭優勢，減少紡織製程中產生的瑕疵，是一個勢在必行的問題。然而在紡織製程中會造成多種不同的瑕疵，每種瑕疵造成的原因也不盡相同，所以如何找出關鍵因子，並提出有效的最佳化參數設定，使其降低瑕疵發生的方法必須深入的探討。本研究根據紡織製程的資料集對個別的瑕疵種類使用循序向後選擇法找出影響瑕疵的關鍵因子，接著建立回歸樹模型找出具有較多低瑕疵數的葉節點，分析該節點具備的胚布性質與機台參數建立規則，最後使用統計檢定驗證規則是否有效降低瑕疵數。最後透過實驗發現理論上最多能夠為企業帶來39%的效益。

摘要(英)

In recent years, there has been a short-chain revolution in the textile industry. With the delivery time of finished products getting shorter and shorter, in order to maintain a competitive advantage and reduce defects in the textile process, it is an imperative problem. However, a variety of different defects will be caused in the textile manufacturing process, and the cause of each type of defect is not the same. Therefore, how to find out the key features and propose effective optimization parameter settings to reduce the number of defects must be discussed in depth.This research uses the sequential backward selection method to find out the key features affecting the defects based on the data set of the textile process, and then establishes the regression tree model to find the leaf nodes with more low defects, and analyzes the fabric of the node. Establish rules for properties and machine parameters, and finally use statistical verification to verify whether the rules are effective in reducing the number of defects. Finally, through experiments, it is found that theoretically, it can bring 39% benefits to the enterprise at most.

關鍵字(中)

★ 紡織製程
★ 循序向後選擇法
★ 回歸樹分析
★ 最佳化參數
★ 統計檢定

關鍵字(英)

★ Textile process
★ Sequential backward selection
★ Regression tree analysis
★ Optimization parameters
★ Statistical verification

論文目次

中文摘要 i
Abstract ii
目錄 iii
圖目錄 v
表目錄 vii
一、緒論 1
1.1. 研究背景 1
1.2. 研究目的 2
1.3. 問題定義 2
1.4. 論文架構 3
二、相關研究 4
2.1. 紡織生產背景 4
2.2. 紡織領域問題相關研究文獻探討 5
2.3. 循序向後選擇法 6
2.4. 回歸樹分析 7
三、研究方法 9
3.1. 資料收集 9
3.2. 資料前處理 10
資料簡述 10
資料合併 11
資料轉化 13
資料清理 14
3.3. 特徵選取 16
3.4. 建立模型 16
3.5. 解釋模型 17
四、實驗方法與設計 20
4.1. 實驗設計 20
系統架構 20
實驗數據 20
4.2. 實驗一：製造流程的影響 22
4.3. 實驗二：是否找出關鍵特徵集 24
2017年01月切割訓練集與測試集的結果 25
2017年07月切割訓練集與測試集的結果 26
2018年01月切割訓練集與測試集的結果 27
4.4. 實驗三：是否能夠帶來效益 29
以2017年07月找出有效規則 30
以2017年07月驗證效益 34
五、結論與未來發展 40
5.1. 結論 40
5.2. 未來發展 40
參考文獻 41
附錄 43
附錄一完整實際工單彙整特徵之表格 43
附錄二實驗三 2017年01月切割訓練集與測試集的結果 44
以2017年01月找出有效規則 44
以2017年01月驗證效益 47
附錄三實驗三 2018年01月切割訓練集與測試集的結果 51
以2018年01月找出有效規則 51
以2018年01月驗證效益 55
附錄四降低各種瑕疵之規則的關鍵特徵集 58
附錄五 GCP開發流程 59

參考文獻

[1] 紡拓會, "2019年臺灣紡織工業概況," 6 2020. [Online]. Available: https://www.textiles.org.tw/TTF/main/content/wHandMenuFile.ashx?file_id=1.
[2] 台灣區絲織工業同業公會, "【台灣】紡織智造掀短鏈革命," [Online]. Available: http://www.filaweaving.org.tw/news-detail/show-752381.htm.
[3] 紡紗會訊, "紗支常見瑕疵及預防解決方法," 2017. [Online]. Available: http://www.tsa.org.tw/file/17380_20171020095637.pdf.
[4] K. Au, "Quality control in the knitting process and common knitting faults," in Advances in Knitting Technology, Elsevier, 2011, pp. 213-232.
[5] R. Gong and Y. Chen, "Predicting the performance of fabrics in garment manufacturing with artificial neural networks," Textile Research Journal, vol. 7, no. 69, pp. 477-482, 1999.
[6] S.-C. Hung, “Root Cause Analysis On Weaving Processes with Many-to-many Data Structure,” 2018.
[7] I. Guyon and A. Elisseeff, "An Introduction to Variable and Feature Selection," Journal of Machine Learning Research 3 (2003) 1157-1182, 2003.
[8] R. Gutierrez-Osuna, "Pattern Analysis," [Online]. Available: http://research.cs.tamu.edu/prism/lectures/pr/pr_l11.pdf.
[9] B. Leo, F. Jerome, S. Charles J and O. Richard A, Classification and regression trees, 1984.
[10] R. Irizarry, Statistical learning: Algorithmic and nonparametric approaches, 2006.
[11] R. J. Lewis, "An introduction to classification and regression tree (CART) analysis," in Annual meeting of the society for academic emergency medicine in San Francisco, California, 2000.
[12] M. Wolfgang and W. Eckhard, "Applying decision tree methodology for rules extraction under cognitive constraints," European Journal of Operational Research, vol. 2, no. 136, pp. 282-289, 2002.
[13] B. B. İ. G. F. İ. İ. K. G. Ö. N. Bakır, "Defect cause modeling with decision tree and regression analysis," World Acad Sci Eng Technoly, no. 24, pp. 1-4, 2006.
[14] F. Gregg C, A. Kirkwood F, A. William T, Y. Clyde W, B. W John and A. S. A. C. , "Risk stratification for in-hospital mortality in acutely decompensated heart failure: classification and regression tree analysis," Jama, vol. 5, no. 293, pp. 572-580, 2005.
[15] W. Hong, L. Dong, Q. Huang, W. Wu, J. Wu and Y. Wang, "Prediction of severe acute pancreatitis using classification and regression tree analysis," Digestive diseases and sciences, vol. 12, no. 56, pp. 3664-3671, 2011.
[16] B. Berna, B. İ, G. FA, İ. İA, K. G and Ö. NE, "Defect cause modeling with decision tree and regression analysis," World Acad Sci Eng Technoly, no. 24, pp. 1-4, 2006.
[17] S. Ozdemir and D. Susarla, Feature engineering made easy, 2020.
[18] 常國珍, 趙仁乾 and 張秋劍, 一書貫通:從資料科學橫入人工智慧領域, 2020.

指導教授

梁德容張欽圳(Deron Liang Chin-Chun Chang)

審核日期

2020-8-13

推文