零件保養頻率與更換週期之探討

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：59

、訪客IP：3.23.102.42

姓名

林逢達(Feng-Ta Lin) 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

零件保養頻率與更換週期之探討

相關論文

★ 以類神經網路探討晶圓測試良率預測與重測指標值之建立	★ 六標準突破性策略—企業管理議題
★ 限制驅導式在製罐產業生產管理之應用研究	★ 應用倒傳遞類神經網路於TFT-LCD G4.5代Cell廠不良問題與解決方法之研究
★ 限制驅導式生產排程在PCBA製程的運用	★ 平衡計分卡規劃與設計之研究-以海軍後勤支援指揮部修護工廠為例
★ 木製框式車身銷售數量之組合預測研究	★ 導入符合綠色產品RoHS之供應商管理-以光通訊產業L公司為例
★ 不同產品及供應商屬性對採購要求之相關性探討－以平面式觸控面板產業為例	★ 中長期產銷規劃之個案探討 -以抽絲產業為例
★ 消耗性部品存貨管理改善研究-以某邏輯測試公司之Socket Pin為例	★ 封裝廠之機台當機修復順序即時判別機制探討
★ 客戶危害限用物質規範研究-以TFT-LCD產業個案公司為例	★ PCB壓合代工業導入ISO/TS16949品質管理系統之研究-以K公司為例
★ 報價流程與價格議價之研究–以機殼產業為例	★ 產品量產前工程變更的分類機制與其可控制性探討-以某一手機產品家族為例

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)

本研究針對車用半導體A公司生產48V Si MOSFET模組時，鋼嘴(Wedge)的保養頻率與更換週期之探討，利用機聯網的技術將機台生產日期、時間、生產參數、3D AOI量測數值傳至雲端資料庫處理中心備查，藉由資料預處理的方式進行初步的整理與歸納，透過迴歸分析判別自變數與因變數之間的相關性，再由主成份分析根據數據中共變異數的特徵性質找出數據中的主成份和特徵值，保留數據集中主要變異數，減少數據的維度，提高數據處理和分析的效率，最後透過類神經網路將數據代入透過類神經網路的輸入層，隱藏層通過非線性激活函數對數據進行處理和變換，輸出層則生成最終的預測結果或決策，藉此預測Wedge保養頻率預更換週期延長的可能性。

摘要(英)

This study focuses on the discussion of the maintenance frequency and replacement cycle of steel nozzles (Wedge) used in the production of 48V Si MOSFET modules by automotive semiconductor company A. By utilizing Industrial Internet of Things (IIoT) technology, the production date, time, parameters, and 3D AOI measurement values of the equipment are transmitted to a cloud database processing center for record-keeping. Data preprocessing is performed for preliminary sorting and summarization. Regression analysis is used to determine the correlation between independent and dependent variables. Principal component analysis (PCA) identifies the main components and eigenvalues from the data based on the characteristics of the covariance, retaining the main variances in the dataset, reducing dimensionality, and improving data processing and analysis efficiency. Finally, neural networks are employed where data is input into the input layer, processed and transformed through nonlinear activation functions in the hidden layers, and the output layer generates the final prediction results or decisions. This approach predicts the potential for extending the maintenance frequency and replacement cycle of the Wedge.

關鍵字(中)

★ 製造成本
★ 保養頻率
★ 迴歸分析
★ 主成份分析
★ 類神經網路預測

關鍵字(英)

★ manufacturing cost
★ maintenance frequency
★ regression analysis
★ principal component analysis
★ neural network prediction

論文目次

摘要 i
ABSTRACT ii
圖目錄 ii
表目錄 iii
一、緒論 1
1-1 研究背景與動機 1
1-2 研究目的 3
1-3 研究方法 3
1-4 研究架構 3
二、文獻探討 5
2-1 製造成本 5
2-2 保養頻率與更換週期 5
2-3 預測分析 6
2-4 迴歸分析 6
2-5 主成分分析 7
2-6 類神經網路 7
三、研究方法 9
3-1 研究流程 9
3-2 資料收集預處理 10
3-3 迴歸模型(Regression) 10
3-4 主成分分析(Principal Component Analysis, PCA) 12
3-5 類神經網路(Neural Network) 12
四、個案研究 14
4-1 公司簡介公司概況產品介紹 14
4-2 問題選定 16
4-3 資料收集 21
4-4 模型建立 22
4-5 迴歸分析結果 24
4-6 主成分分析結果 27
4-7 類神經網路結果 33
4-8 結果分析 34
五、結論與建議 35
5-1 研究結論 35
5-2 未來研究方向 35
5-3 研究限制 36
六、參考文獻 37

參考文獻

［1］楊學祥，〈地球上化石碳的主要來源仍有很大的未知有多少碳被困在海洋中?〉，2018年11月12日，取自https://blog.sciencenet.cn/blog-2277-1145778.html。
［2］張玉圓：〈車電產業戰國時代華麗揭幕〉，2021年5月7日，取自https://college.itri.org.tw/Home/InfoData/f6e19f2d-f81c-421c-bc36-ea6409ba0a5d/74789668-1d04-4c50-b488-09731fa957fa。
［3］鄭雯隆：〈電動車進入高速成長軌道未來市場發展面臨三大挑戰〉，2022-年4月27日，取自https://www.pwc.tw/zh/topics/trends/industry-trends-20220427.html。
［4］ SanjiNoir 黑侍樂讀：〈48V是什麼？可以吃嗎？解析何謂正在進行式的輕油電複合動力！〉，2020年6月21日，取自https://tw.stock.yahoo.com/news/2020-48v-mhev-151144636.html。
［5］葉瑞其：〈產品與服務之策略性產能規劃〉，2021年6月23日，取自https://yunjoy.tw/index.php/study/operations-management/98-capacity-planning。
［6］童敬宇：〈確認流程改變的績效－淺談專案實驗之設計(Design and Analysis of Experiment)〉，2010年10月1日，取自https://www.syscom.com.tw/ePaper_Content_EPArticledetail.aspx?id=67&EPID。
［7］ Lee Levine、Michael Sheaffer：〈Wire bonding strategies to meet thin packaging requirements〉，1993年3月，取自https://go.gale.com/ps/i.do?id=GALE%7CA13885980&sid=googleScholar&v=2.1&it=r&linkaccess=abs&issn=0038111X&p=AONE&sw=w&userGroupName=anon~7cf8b9f6&aty=open-web-entry&inPS=true。
［8］鄭勇志：〈生產排程規劃－不可或缺的管理決策工具〉，2012年1月17日，取自https://mymkc.com/article/content/21287。
［9］黃怡誠：〈《品質管理5堂課》標準強化篇：維持較高管理水平的良方〉，2020年12月25日，取自https://mymkc.com/article/content/23513。
［10］王柏鈞：〈AI科普池化以及維度縮減〉，2020年4月4日，取自https://bc165870081.medium.com/ai%E7%A7%91%E6%99%AE-%E6%B1%A0%E5%8C%96%E4%BB%A5%E5%8F%8A%E7%B6%AD%E5%BA%A6%E7%B8%AE%E6%B8%9B-25fa0ab2d6c2。
［11］周秉誼：〈淺談Deep Learning原理及應用〉，2016年9月20日，取自https://www.cc.ntu.edu.tw/chinese/epaper/0038/20160920_3805.html。
［12］〈什麼是無形成本？無形成本能夠計算嗎？〉，2023年03月10日，取自https://a1.digiwin.com/essay/essay-content.php?detail=274。
［13］吳欣珊：〈生產成本該如何計算？製造業的5大計算成本管理優勢〉，取自https://www.digiwin.com/tw/blog/9/index/3360.html。
［14］吳秉澄：〈工程間接成本問題探討〉。碩士論文，國立成功大學，民國91年6月。
［15］楊于嫺：〈精實管理TPS，讓智慧製造協助企業數位轉型〉，2022年08月09日，取自https://www.digiknow.com.tw/knowledge/62f22c6858727。
［16］李智明、林漢鵬：〈探討存貨風險重要的關鍵評估因素-以 ANP 衡量〉，2010 第 13 屆科際整合管理研討會，東吳大學，台北市，2010年6月，203-216頁。
［17］〈5 種庫存管理方法，讓你的庫存不再亂七八糟！〉，2019 年 11 月 12 日，取自https://blog.shopline.tw/manage-your-inventory/。
［18］楊沛昇：〈失效模式效應分析的展開正確使用此風險管理工具的要訣與技巧〉，《IECQ報導年刊》，103年7月，53~57頁。
［19］ Peter Standring：〈模工具壽命的極限－預防性保修〉，《技術論壇》，no.184，2020，54-55頁。
［20］〈資料前處理如何運作？4步驟運用資料前處理，洞察精準產業分析〉，2023年8月25日，取自https://www.nextlink.cloud/news/what-is-data-preprocessing-202308/。
［21］〈什麼是預測分析？大數據時代，想瞭解企業未來趨勢、掌握商機的您不可錯過！〉，2023年4月25日，取自https://www.nextlink.cloud/news/predictive-analysis/。
［22］辜靖雯：〈迴歸分析不難，手把手帶你理解與操作，破解知識的詛咒！〉，取自https://www.projectclub.com.tw/hard-power/bigdata/1904-regression-analysis.html。
［23］李明聰：〈簡單線性迴歸分析〉，2024年6月5日，取自https://www2.nkust.edu.tw/~tsungo/Publish/14%20Simple%20linear%20regression%20analysis.pdf。
［24］〈簡單線性回歸〉，取自https://aws.amazon.com/tw/what-is/linear-regression/。
［25］宋品岳，〈多元線性迴歸〉，2022年9月11日，取自https://hackmd.io/@yueswater/MultilinearRegression。
［26］黃志勝：〈機器/統計學習: 羅吉斯回歸(Logistic regression)〉，2018年9月26日，取自https://chih-sheng-huang821.medium.com/%E6%A9%9F%E5%99%A8-%E7%B5%B1%E8%A8%88%E5%AD%B8%E7%BF%92-%E7%BE%85%E5%90%89%E6%96%AF%E5%9B%9E%E6%AD%B8-logistic-regression-aff7a830fb5d。
［27］ Kenton Williston：〈機器學習與預測性維護的 5 個步驟〉，2017年10月31日，取自https://zh-hant.insight.tech/%E5%85%A7%E5%AE%B9/%E6%A9%9F%E5%99%A8%E5%AD%B8%E7%BF%92%E8%88%87%E9%A0%90%E6%B8%AC%E6%80%A7%E7%B6%AD%E8%AD%B7%E7%9A%84-5-%E5%80%8B%E6%AD%A5%E9%A9%9F。
［28］周志成：〈主成分分析〉，2013年4月15日，取自https://ccjou.wordpress.com/2013/04/15/%E4%B8%BB%E6%88%90%E5%88%86%E5%88%86%E6%9E%90。
［29］黃志勝：〈機器/統計學習:主成分分析(Principal Component Analysis, PCA〉，2018年04月20日，取自https://chih-sheng-huang821.medium.com/%E6%A9%9F%E5%99%A8-%E7%B5%B1%E8%A8%88%E5%AD%B8%E7%BF%92-%E4%B8%BB%E6%88%90%E5%88%86%E5%88%86%E6%9E%90-principle-component-analysis-pca-58229cd26e71。
［30］楊錦洲、陳百盛：〈應用類神經網路於顧客群之分類分析〉，《管理與系統》，第十二卷第三期，94年7月，43~65頁。
［31］趙致傑：〈研磨製程中之砂輪剩餘壽命預測技術〉，2022年6月16日，取自https://www.maonline.com.tw/article_inside.php?i=637。
［32］林建謀：〈結合主成份分析法與倒傳遞類神經網路預測飛機零組件故障時間－飛機發動機電子控制單元為例〉。碩士論文，中華大學，民國107年8月
［33］王景弘：〈PDCAB 標竿學習推動步驟〉，2024年4月26日，取自https://udn.com/news/story/6868/7924397。
［34］林鶴沖：〈數據轉換：標準化與歸一化的區別〉，2020年5月20日，取自https://kknews.cc/zh-tw/code/pbe4x2j.html
［35］黃志勝：〈線性回歸(Linear Regression)〉，2018年4月9日，取自https://chih-sheng-huang821.medium.com/%E7%B7%9A%E6%80%A7%E5%9B%9E%E6%AD%B8-linear-regression-3a271a7453e。
［36］葉怡成：《類神經網路》，台北市，儒林圖書有限公司，民國100年
［37］劉蕙菁，〈估計專案間接成本對直接成本比例之類神經網路模式〉。碩士論文，國立高雄第一科技大學，民國 95年7月

指導教授

沈國基(Gwo-Ji Sheen)

審核日期

2024-7-22

推文