臺灣博碩士論文加值系統

光纖通訊的發展主要是用光纖來取代銅纜，增加通訊的容量與距離，因此光纖的使用必需跟銅纜一樣，能夠適應各種不同的惡劣環境。未經保護的光纖，不但脆弱容易受損，且不適用於一般的線路施工方法，因此有必要將光纖集合並加上各種保護被覆層製成「光纜」。而外皮收縮率為光纜製造時，常用來界定產品品質好壞之關鍵。
產品生命週期的急遽下降與製造技術的快速變動，產品品質與製程改善已成為產業競爭的首要課題，而憑藉試誤法與過去經驗或技術手冊，選擇的加工參數，不僅不易掌控加工品質，無形中也花費了許多時間與成本。因此，在要求製造效率與加工品質前提下，研究能事先掌握加工結果的預測模型，以及解決加工參數的最佳化問題，確有其必要性。
本研究運用六標準差手法改善步驟DMAIC五階段，以跨國光連接大廠光纜加工製程進行實證研究，建構光纜外皮收縮率改善之製程能力與預測製程最佳化模式，研究方法結合反應曲面法、基因演算法及統計製程管制；利用六標準差手法找出光纜外皮收縮率製程關鍵因子（Key Factors）與水準範圍，藉由反應曲面法之配置實驗，然後應用反應曲面法（Respond Surface Method），簡稱RSM來評估其主因子、水準範圍內所呈現的品質特性，找出製程參數組合，在RSM分析模組中最佳參數水準組合以聯立最佳化技術分析得，但當所分析所得結果總期望D值不理想時，本研究嘗試再藉由基因演算法作為最佳化搜尋模組，經基因演算的過程，可搜尋到最大適應度的最佳光纖纜線加工參數，以供實務上提升品質之參考與決策規劃時參考之依據。

The development of optical fiber communication is mainly used to replace copper to increase communication capacity and distance, so the use of fiber with copper as necessary, to adapt to a variety of harsh environments. Without the protection of the fiber, not only fragile easily damaged and does not apply to the general lines of construction methods, it is necessary to protect the optical collection and add a variety of coating layer made of "fiber". The skin contraction rate of fiber optic cable manufacturing, normally used to define the key quality is good or bad.
Product life cycle has progressed rapidly and manufacturing technology, the rapid changes in product quality and process improvement have become the industry competition the primary issue, and with trial and error and past experience or technical manuals, selected processing parameters, not only difficult to control the processing quality, also spent a lot of time and cost invisibly. Therefore, the requirements of manufacturing efficiency and processing quality, to examine in advance the results of predictive models to master processing, and processing parameters to solve the optimization problem are indeed necessary.
In this study, the use of Six Sigma approach to improving the step DMAIC five stages to cross-border optical connection giant fiber processing process of empirical research, build cable jacket shrinkage improvement in process capability and predictable process optimization models, research methods combined with response surface methodology, genetic algorithms and statistical process control; using Six Sigma techniques to identify cable jacket shrinkage process critical factor (Key Factors) with standard range, by response surface methodology of the experimental configuration, and then apply response surface methodology (Respond Surface Method), referred to as the main factor to assess their future RSM, presented within the standard of quality characteristics, to identify process parameters combinations in the RSM analysis module in the standard of the best parameter combination to the simultaneous analysis was the best technology, but when the results of the analysis the total expected value of D is not ideal, this study attempts to further optimize by genetic algorithms as a search module, the genetic algorithm process, to the maximum fitness can search for the best processing parameters of fiber-optic cable, for practical enhance the quality of planning and decision-making reference to a reference basis.

目 錄
摘要 i
Abstract ii
誌 謝 iv
圖目錄 vii
表目錄 ix
1 第一章 緒論 1
1.1 研究背景 1
1.2 研究動機與目的 2
1.3 研究範圍 3
1.4 研究架構 4
2 第二章 文獻回顧 5
2.1 光纖纜線產品簡介 5
2.1.1 光纖纜線產品定義與特性 5
2.1.2 光纖纜線製造流程 6
2.2 六標準差 8
2.2.1 六標準差發展 8
2.2.2 六標準差之統計概念 8
2.2.3 六標準差改善手法 10
2.2.4 六標準差工具 11
2.2.5 六標準差改善手法相關文獻 12
2.3 基因演算法 13
2.3.1 基因演算法演算原理 13
2.3.2 基因演算法運算說明 15
2.3.3 基因演算法相關應用與研究 18
2.4 反應曲面法 19
2.4.1 反應曲面法介紹 19
2.4.2 反應曲面法數學模式 20
2.4.3 反應曲面法設計 21
2.4.4 最佳化反應值 22
2.4.5 反應曲面法相關文獻 25
2.5 統計製程管制 26
2.5.1 管制圖起源與介紹 26
2.5.2 管制圖之選擇 27
2.5.3 個別值和移動全距管制圖 28
3 第三章 研究方法與步驟 30
3.1 研究步驟 30
3.2 界定問題(Define) 32
3.2.1 光纖纜線目的特性 32
3.3 現況衡量(Measurement) 33
3.3.1 驗證量測系統 33
3.3.2 製程能力分析 35
3.4 資料分析(Analyze) 36
3.4.1 反應曲面法的應用 36
3.4.2 反應曲面法模式之建構 37
3.4.3 反應曲面法最佳化數學模式 37
3.5 實驗改善(Improve) 38
3.5.1 基因演算法 39
3.5.2 基本基因演算法則 39
3.5.3 最佳化數學模式 40
3.5.4 基因演算法演算流程 41
3.6 控制(Control) 43
3.6.1 驗證量測系統 43
3.6.2 決定製程能力 43
3.6.3 實施製程管制系統 43
4 第四章 個案分析與探討 44
4.1 界定問題（Define） 44
4.1.1 光纖纜線製程流程圖 44
4.1.2 定義光纖纜線 44
4.1.3 目的特性 45
4.2 現況衡量（Measurement） 46
4.2.1 驗證量測系統 46
4.2.2 製程能力分析 49
4.2.3 發展確認實驗因子 49
4.3 資料分析（Analyze） 51
4.3.1 反應曲面法 51
4.3.2 聯立最佳化技術 55
4.4 改善（Improve） 57
4.4.1 基因演算流程與步驟 57
4.4.2 實驗結果分析 59
4.5 控制（Control） 62
4.5.1 常態性檢定 62
4.5.2 製程能力驗證 62
4.5.3 實施製程管制系統 63
4.6 個案探討小結 64
第五章 結論與建議 65
5.1 結論 65
5.2 建議 66
參考文獻 67
附錄一、反應曲面法操作步驟 71
附錄二、基因演算法操作步驟 80
個人簡歷 84

中文文獻
1.王丞承，2003，實踐六標準差的技術，中國生產力中心，280頁。
2.方俊雄，1998，反應曲面在公差分配的應用分析，逢甲大學碩士論文。
3.方登進，2006，應用六標準差於膠框製程最佳化骰善手法之研究，國立成功大學在職專班碩士論文。
4.林松茂，2008，以6 Sigma手法達到良率提升並且消除浪費與提升顧客滿意度，品質月刊，p36，3月。
5.吳政諭，2007，應用精實六標準差改善流程週期效率，國立清華大學工業工程與工程管理學系碩士論文。
6.余思慧，2010，應用六標準差手法建構3C產品光纖跳線製程預測模式之研究，國立勤益科技大學碩士論文。
7.郭權興，2006，品質監控系統應用於偏光板裁斷製程之改善研究，元智大學碩士論文。
8.黃子軒，2009，利用反應曲面法配合基因演算法分析陣列式高功率LED構裝散熱之最佳設計，國立成功大學碩士論文。
9.黃韋誠，2003，以反應曲面法探討鱈魚魚漿製品最適化之研究，國立屏東科技大學碩士論文。
10.陳瀅中，運用六標準DMAIC方法於提昇印刷電路板底片品質之研究，大葉大學工業工程與科技管理研究所碩士論文。
11.陳台昆，2001，在熱效應之影響下，以統計方法作參數與公差設計，逢甲大學工業工程研究所碩士論文。
12.俞彥安，2007，運用人工智慧建立多品質生產與評估最佳化決策系統，育達商業技術學院資訊管理所碩士論文。
13.張家勤，2009，結合反應曲面法、類神經網路與基因演算法於觸控面板雷射切割製程參數最佳化，國立清華大學碩士論文。
14.程秀真，2011，運用六標準差改善機台備用零件存貨管理，國立中央大學工業管理在職專班碩士論文。
15.賴柏志，2010，應用六標準差於表面黏著製程最佳化之研究以Z公司為例，國立中山大學碩士論文。
16.楊宗儒，2002，SPC與EPC整合架構下管制圖之評估與選用，大葉大學工業工程研究所碩士論文。
17.麥可．喬治(Michael L. George)等原著，丁惠民譯，2006，精實六標準工具手冊，麥格羅、希爾公司，台北。
18.葉順興，2002，SPC 於具有多種變異來源之製程的應用，國立中央大學管理學院碩士論文。
19.劉彥麟，2009，應用六標準差於中小型尺寸TFT LCD面板強度之改善，國立清華大學在職專班碩士論文。
20.錢紹偉，2006，應用田口方法於導光板射出成形製程最佳化之研究，聖約翰科技大學，自動化及機電整合研究所碩士論文。
21.戴素琴，2009，應用六標準差手法建構3C產品模具製程預測模式最佳化之研究，國立勤益科技大學碩士論文。
22.蘇朝墩，2008，品質工程，中華民國品質學會，台北。
23.蘇朝墩，2009，六標準差，前程文化出版社，台北。
24.魏子夏，2005，實驗設計應用在製程最佳參數之研究—以不銹鋼超細線為例，南臺科技大學高階主管企業碩士班碩士論文。
25.魏志銘，2010，六標準差之手法應用於製程品質改善之研究以某LCD背光模組廠為例，國立台北科技大學碩士論文。

英文文獻
1.Aktas , N.,2005,Optimization of biopolymerization rate by response surface methodology (RSM),Enzymc and Microbial Technology ,37, pp.441-447.
2.Blakeslee, Jr., and Jerome A., 1999, Achieving Quantum Leaps in Quality and Competitiveness: Implementing the Six Sigma Solution in Your Company, ASQ’s 53rd Annual Quality Congress Proceedings, pp.486-496.
3.Beatrice Albertini CC, Nadia Passerini,2003,Evaluation of b-lactose, PVP K12 and PVP K90 as excipients to prepare piroxicam granules using two wet granulation techniques.,European Journal of Pharmaceutics and Biopharmaceutics,56, pp.479-487.
4.Burge Ⅲ, L., Garuba, M. and Brent, C.,2004,Improving Retention of Minority Freshmen in Engineering by Applying the Six Sigma Methodology, Proceedings of theInternational Conference on Information Technology: IEEE.
5.Chao P. Y. and Hwang Y. D., 1995, The Investigation of Metal Cutting Experiments by Using a Taguchi Based Methodology, Proceedings of the National Science Council (PartA), pp.295-308.
6.Chen, S.H., Yang, C.-C., Lin, W.T., & Yeh, T.M. ,2008, Performance evaluation for introducing statistical process control to the liquid crystal display industry, International Journal of Production Economics,111(1), pp.80-92.
7.Coronado, R.B. and J. Antony, 2002, Critical success factors for the successful implementation of six sigma projects in organizations, The TQM Magazine, 14(2), pp.92-99.
8.Chen , P . H. , Yan , C. , Wu , K ,Y . , Lin, S. and Shih,H,C.2005 ,Application of the Taguchi _sdesign of esperiments to optimize a bromine chemistry-based etching recipe for deep silicon trenches Microelectronic Engineering ,77 , pp.110-115.
9.D.F. Specht, 1990, Probabilistic neural networks, Neural Networks, 3, pp.109-118.
10.General Electric, 2001, GEAE Six Training-Green Belt.
11.Global Industry Analysts,2008,Nutraceuticals. USA: Global Industry Analysts, inc.
12.Guh, R.-S., & Shiue, Y.-R. ,2008,An effective application of decision tree learning for on-line detection of mean shifts in multivariate control charts.Computers & Industrial Engineering,55, pp.475-493.
13.Giovanni, M.,1983, Response surface methodology and product optimization,Food
Technology, 37(11), pp.41-45.
14.Hecht-Nielsen, R., 1987, Counter-propagation Networks, Apllied Optics,26(23), pp.4979-4984.
15.Han , C.,Lee,Y .H. ,2002,Intelligent integrated plant operation system for six sigma” Annual Reviews in Control ,26 , pp.27-43.
16.Jang, A.,1999,Robust Tolerance Design by Response Surface Methodology,International Journal of Advanced Manufacturing Technology,15(6), pp.399-403.
17.Kwak, Y.H. and F.T. Anbari, 2006, Benefits obstacles and future of six sigma approach, Technovation, 26(5-6), pp.708-715.
18.Koch.P.N.Yang.R .J.and Gu .L,2004, Design for six sigma through robust optimization Industrial Applications and Design Case Study ,26 , pp.235-248 .
19.Kane, V.E.,1986, Process Capability Indices, Journal of Quality Technology,18(1), pp.41-52.
20.Kwon ,K . S. , Lin .R .M. ,2005, Robust finite element model updating using Tsguchi method” Journal of Sound and Vibration ,280, pp.77-99.
21.Khuri, A. J., and Cornell, J. A.,1996, Response Surface: Design and Analysis, Marcel Dekker, New York.
22.Lee , W .C. Yusof ,S., Hamid, N.S.A and Baharin ,B. S ,2005,OPtimiaing conditions for enzymatic clarification of banana juice using response surface methodology(RSM),Journal of Food Engineering.
23.Martens, S. L., 2001, Operationally deploying six sigma ,ASQ's 55th Annual Quality Congress Proceedings, pp. 751-755.
24.MacCarthy, B.L., & Wasusri, T.,2002,A review of non-standard applications of statistical process control (SPC) charts. The International Journal of Quality & Reliability Management,19(3). pp.295-320.
25.Montgomery, D.C. and R.H. Myers, 2002, Response Surface methodology-Process and Product Optimization Using Designed Experiments,and ed., Wiley-Interscience.
26.Pfeifer, T., W. Reissiger and C. Canales, 2004, Integrating Six Sigma with quality management systems, The TQM Magazine, 16(4), pp.241-249.
27.Rungasamy, S., Antony, J., & Ghosh, S.,2002,Critical success factors for SPC implementation in UK small and medium enterprises: Some key findings from a survey. The TOM Magazine,14(4) ,pp.217-224.
28.Tong J.P C., Tsung, F. and Yen, B. P. C. ,2004, A DMAIC approach to printed circuit board quality improvement ,International Journal of Advanced Manufacturing Technology, 23, pp.523-531.
29.Yu, J., Xi, L., & Zhou, X.,2009,Identifying source(s) of out-of-control signals in multivariate manufacturing processes using selective neural network ensemble. Engineering Applications of Artificial Intelligence, 22,pp.141-152.