DSpace collection: 研究計畫

應用預測分析的機器學習法於智慧運營：異常檢測、維護作業及需求預測;Developing Machine Learning Approaches for Predictive Analysis in Smart Operations with Applications in Anomaly Detection, Maintenance Operations, and Demand Forcasting

title: 應用預測分析的機器學習法於智慧運營：異常檢測、維護作業及需求預測;Developing Machine Learning Approaches for Predictive Analysis in Smart Operations with Applications in Anomaly Detection, Maintenance Operations, and Demand Forcasting abstract: 請概述執行本計畫之目的及可能產生對社會、經濟、學術發展等面向的預期影響性(三百字以內)。本計劃書之目的在發展以機器學習、深度學習為主的數據驅動AI演算法，並運用於運營與供應鏈管理等企業功能面的預測分析 (Predictive analysis)，期協助企業達成智慧運營與供應鏈管理，本計畫的應用案例將包含生產系統的異常偵測、設備維護及營收與需求預測等業務機能，達到運營與供應鏈智能化，以降低成本、減少停機時間、增加設備稼動率、彌合供需落差、提升產出等智慧運營，最後達到環境可持續性與強化企業競爭力之目標。在學術貢獻方面，本研究同時採用公開數據庫與實際本土企業的產線問題與感測資料，運用創新的分析方法與工具，進行系統化的研究；不同於傳統的研究方式：僅採用公開數據庫或模擬資料來驗證模式或研究方法的可行性。因此本研究主要創新在於從實際問題出發，探索學術方法妥適性與精確度，方法論上屬於歸納法(Inductive)，有別於傳統研究，從學術方法論出發再以公開數據庫資料驗證模式可行性。在社會、經濟及實務應用方面，本計畫研究成果對在地產業智能化之推展、降低保固維修成本等構面有直接貢獻，長期影響則在大數據分析與智慧製造人才培育、建立產學連結、提升機械產業之整廠輸出能力、軟硬體附加價值等。本研究對於合作企業的技術協助與輸出，正在啟動這些本土企業內部數位化轉型，並引導工業生產邁向智慧運營的典範轉移，中長期目標是建構E2E數位供應鏈燈塔工廠，最終願景則是商業模式的轉變及數位精實。在現階段，類似合作企業的工業公司必須重新制定策略，例如採用融合策略 (Fusion strategy)，這些工業公司經由產學合作的引導與協助，學習將他們最擅長的領域 (創造實體產品) 與數位公司最擅長的領域融合在一起：使用數據和 AI 來解析大量且相互關聯的數據集，並開發創新見解，未來顛覆工業公司的將是數字機器和類比機器的結合。

以分支定界法極小化具層級與雙目標之零工式排程問題;A Branch-And-Bound Algorithm for Solving a Job Shop Scheduling Problem with Layers and Dual Criteria

title: 以分支定界法極小化具層級與雙目標之零工式排程問題;A Branch-And-Bound Algorithm for Solving a Job Shop Scheduling Problem with Layers and Dual Criteria abstract: 本計畫的問題定義來自於台灣某一半導體製造公司所面對的每天排程問題，其短期（例如：每天）的排程目標須完成某些wafer層級的製造，並以此來監督其短期的進度，長期目標則以極大化其製造資源的使用；學術上，零工式排程問題之分支定界法傳統上大多以分離弧線圖來呈現Search tree上之節點，本研究須將其延伸至能表達特定wafer層級之問題；對於Branching scheme，為了能同時因應本研究兩目標，本研究將提出能同時照顧到本研究雙目標的有效分枝方法；在本問題的特性與新的分離弧線圖下，對Total tardiness目標與Makespan目標，本研界將延伸已有研究之成果，提出新的lower bound/upper bound，以為本研究分支定界法的使用。本研究之成果會對半導體製造實務與排程學術的推展有相當的貢獻。

發展數據驅動AI賦能之預測性分析於異常診斷、設備維護及運營預測;Developing Data-Driven Ai-Enabled Predictive Analyses for Anomaly Diagnostic， Equipment Maintenance， and Operational Prediction

title: 發展數據驅動AI賦能之預測性分析於異常診斷、設備維護及運營預測;Developing Data-Driven Ai-Enabled Predictive Analyses for Anomaly Diagnostic， Equipment Maintenance， and Operational Prediction abstract: 近年由於物聯網及人工智慧的興起，政府5+2產業創新計畫，驅動台灣下世代產業成長核心，數據驅動、AI賦能的預測性分析逐漸成為學術研究的重點領域。本研究對於建構預測性分析之智慧運營有重要貢獻，對於產業經濟預期效益顯著，例如降低機台故障機率與整備時間、提升稼動率及生產效率、降低生產成本、平衡供需、規避風險、創造運營韌性等效益。在學術貢獻方面，本研究從實際的智能化問題、產線感測與需求資料，運用創新的研究方法與AI工具，進行系統化的研究；不同於傳統的研究方式：採用模擬資料來驗證研究方法的可行性，因此本研究主要創新在於從實際問題出發探索學術方法，有別於傳統研究，從學術方法論出發再以虛擬資料驗證模式可行性。

延伸NSGA-II方法以求解具平行批次處理與物料分派之極小化Makespan與加權物料浪費雙目標之彈性零工式排程問題;An Extension of Nsga-Ii Approach for Flexible Job Shop with Parallel Batching and Material Assignment When Minimizing Makespan and Total Weighted Material-Wasted

title: 延伸NSGA-II方法以求解具平行批次處理與物料分派之極小化Makespan與加權物料浪費雙目標之彈性零工式排程問題;An Extension of Nsga-Ii Approach for Flexible Job Shop with Parallel Batching and Material Assignment When Minimizing Makespan and Total Weighted Material-Wasted abstract: 本計畫的問題定義來自於台灣某一半導體製造公司所面對的排程問題，排程目標除了須達到極大化其製造資源的使用外，亦須達到化學材料之成本浪費；此雙目標的彈性零工式排程問題包含了批次處理與週期性物料分派之實務之特性，具動態機器合適度特點，在學術上為一全新的問題。解法上須延伸已有連接圖的結構，以納入物料消耗的資訊，相關的鄰域結構的問題與解的可行性(Feasibility)等亦須重新檢討，因此具有相當之學術價值，所研究之成果亦會對半導體製造有相當的貢獻。