臺灣博碩士論文加值系統

LED封裝產業競爭激烈，眾家廠商除了在新技術方法的研究之外，也積極優化原有製程技術，期望擴大產品終端的新應用視野，並且在穩定成本控管上取得競爭優勢。在LED封裝製程中，銲線技術為其中一項關鍵製程，其製程之品質不良會直接影響產品的功能性，導致前段製程投入之成本判入報廢。為提高生產品質穩定性及生產良率，銲線製程的監控管理始終是眾家廠商重點管理項目。
LED封裝銲線製程中，影響其銲線品質的參數眾多，過往工程人員依靠經驗及試誤法來調整設定值，容易造成製程不穩定及報廢成本上升。本研究針對LED封裝銲線製程參數之優化問題提出一系統性的解決方法，首先以因果矩陣分析與相關方析篩選出對品質特性相關性高的重要製程參數，接著以倒傳遞類神經網路建構重要製程參數與不良率之間的關係模型，再以田口方法找出銲線製程參數最適水準組合，最後透過實際個案研究發現此一系統性方法較原始製程參數設定有較佳的改善成效，不良率之降幅約可達81.1%，可有效節省個案公司之生產成本與時間。

In the LED packaging process, the wire bonding technology is one of the key processes, and the poor quality of the process will directly affect the functionality of the product, resulting in the cost of the previous process input being scrapped. In order to improve product quality stability and production yield, the monitoring and management of the wire bonding process have always been a key management project for many manufacturers.
In this study, a systematic solution to the optimization of the process parameters of the LED package wire is proposed. Firstly, the causal matrix analysis and related analysis are used to screen out the important process parameters with a high correlation of quality characteristics, and then the inverse transfer neural network. Constructing a relationship model between important process parameters and non-performing rate, and then using the Taguchi method to find the optimum level combination of welding line process parameters. Finally, through actual case studies, it is found that this systematic method has better improvement effect than the original process parameter setting. The reduction in the non-performing rate is about 81.1%, which can effectively save the production cost and time of the case company.

摘要 I
Abstract II
致謝 III
目錄 IV
表目錄 VI
圖目錄 VII
第一章 緒論 1
1.1 研究背景與動機 1
1.2 研究目的 2
1.3 研究範圍與限制 2
1.4 研究流程 3
1.5 研究架構 4
第二章 文獻探討 5
2.1 類神經網路 5
2.1.1 類神經網路基本結構 5
2.1.2 類神經網路類型 8
2.1.3 倒傳遞類神經網路 9
2.2 田口方法 11
2.2.1 品質損失函數(Quality Loss Function) 12
2.2.2 訊號雜音比 (Signal-to-Noise Ratios, S/N比) 13
2.2.3 直交表(Orthogonal Array) 14
2.2.4 田口方法的步驟 15
2.3 相關分析方法 16
2.4 因果矩陣分析方法 17
2.5 Python程式語言 19
第三章 模式建構 21
3.1 LED封裝銲線製程參數優化系統 21
3.2 重要製程參數篩選模式之建構 22
3.2.1 因果矩陣分析 23
3.2.2 相關分析 24
3.3 類神經網路模式 24
3.3.1 類神經網路模式之建構 24
3.3.2 類神經網路模式之步驟 27
3.4 最適製程參數組合求解模式之建構 28
第四章 個案探討 31
4.1 個案探討方法與目的 31
4.2 LED封裝製造流程 32
4.2.1 LED銲線製程 33
4.3 重要製程參數篩選 35
4.4 類神經網路模式之訓練 46
4.5 求解最適製程參數組合 52
4.6 結果比較與驗證 58
第五章 結論與建議 60
5.1 研究結論與貢獻 60
5.2 未來研究與建議 60
文獻參考 61
附錄A、倒傳遞類神經網路模型主要程式碼 63

表2-1 L9 (34)直交表 14
表2-2 Cause & Effect Matrix 18
表2-3 Python參考實作各大版本發佈日期 20
表3-1 LED銲線製程因果矩陣分析表 23
表3-2 田口方法最適製程參數因子水準 29
表3-3 田口方法最適製程參數實驗水準配置 29
表4-1 機台原始檔案轉換後資料表 35
表4-2 品質特性檢驗目的說明 37
表4-3 品質特性重要度評分 38
表4-4 製程分類對應品質特性相關表 38
表4-5 銲線製程分類參數表 39
表4-6 銲線製程因果矩陣分析表 40
表4-7 重要製程參數得分排序 42
表4-8 製程參數相關分析表 44
表4-9 製程參數相關程度排序 45
表4-10 類神經網路模型參數設定 47
表4-11 輸入及輸出訓練製程參數標準化 48
表4-12 田口方法網路參數與水準數 49
表4-13 直交表L9 (34)與網路參數水準配置 49
表4-14 田口方法網路參數實驗數據 50
表4-15 田口方法網路參數S/N比回應表 50
表4-16 最適網路參數組合 51
表4-17 最適網路參數組合之模型摘要 52
表4-18 銲線製程關鍵參數因子與水準 53
表4-19 直交表L16 (212)與因子實驗參數水準配置 54
表4-20 田口方法LED銲線參數實驗數據 55
表4-21 銲線製程參數S/N比回應表 56
表4-22 銲線製程參數變異數分析表 57
表4-23 銲線製程關鍵參數最適組合水準 57
表4-24 銲線製程關鍵參數最適組合水準確認實驗數據 58
表4-25 優化方法實驗驗證結果 59

圖1-1全球照明市場規模分析(臺灣綠色產業深度報告，2018) 1
圖1-2 研究流程圖 3
圖2-1 人工神經元模型示意圖 6
圖2-2 前饋神經網路 7
圖2-3 遞迴神經網路 8
圖2-4 倒傳遞學習過程示意圖 9
圖2-5 Sigmoid函數圖形 10
圖2-6 品質損失函數圖形 12
圖2-7 田口方法步驟 (李輝煌, 2011) 15
圖3-1 LED封裝銲線製程參數優化流程圖 21
圖3-2 重要製程參數篩選模式 22
圖3-3 倒傳遞類神經網路架構示意圖 25
圖3-4 Relationship between the network, layers, loss function, and optimizer (Chollet, 2018) 27
圖3-5 類神經網路模式建構流程圖 28
圖4-1 白光LED發光方法示意圖 32
圖4-2 LED封裝製造流程圖 33
圖4-3 銲線製程示意圖 34
圖4-4 因果矩陣分析參數篩選比例 43
圖4-5 相關分析參數篩選比例 45
圖4-6 倒傳遞類神經網路模型架構 46
圖4-7 田口方法網路參數S/N比回應圖 51
圖4-8 最適網路參數組合之網路架構圖 52
圖4-9 銲線製程參數S/N比回應圖 56
圖4-10 LED銲線製程不良率推移圖 59

Chollet, F. (2018). Deep Learning with Python, Francois Chollet, 2018: Python: Manning Publications Company.
Hebb, D. O., & Penfield, W. (1940). Human behavior after extensive bilateral removal from the frontal lobes. Archives of Neurology & Psychiatry, 44(2), 421-438.
Hush, D. R., & Horne, B. G. (1993). Progress in supervised neural networks. IEEE signal processing magazine, 10(1), 8-39.
Kecman, V., & Technology, M. I. o. (2001). Learning and Soft Computing: Support Vector Machines, Neural Networks, and Fuzzy Logic Models: Bradford Book.
McCulloch, W. S., & Pitts, W. (1943). A logical calculus of the ideas immanent in nervous activity. (5), (4)
McLaughlin, G., & Caraballo, V. (2013). ENOVALE: How to Unlock Sustained Innovation Project Success: Taylor & Francis.
Ozgur, C., Colliau, T., Rogers, G., Hughes, Z., & Myer-Tyson, E. B. (2017). MatLab vs. Python vs. R. Journal of Data Science, 15(3), 355-371.
Rosenblatt, F. (1958). The perceptron: a probabilistic model for information storage and organization in the brain. Psychological Review, 65(6), 386.
Wilson, R., Hill, A. V., & Glazer, H. (2013). Tools and Tactics for Operations Managers (Collection): Pearson Education.
齐二石. (2006). 生产与运作管理教程: 清华大学出版社.
何旺璉. (2014). 以預防控制策略改善連鎖性大停電事故. 清華大學, Available from Airiti AiritiLibrary database. (2014年)
余桂霖. (2012). 多元迴歸分析: 五南圖書.
吳庭瑋. (2015). 整合虛擬量測系統與大數據之預測模式建置－以半導體業為例. 中原大學, Available from Airiti AiritiLibrary database. (2015年)
李輝煌. (2011). 田口方法: 品質設計的原理與實務: 高立.
林宗岳. (2012). 應用田口實驗法之微細加工參數規劃. 中興大學, Available from Airiti AiritiLibrary database. (2012年)
孫任東. (2003). 利用類神經網路於多重輸入多重輸出之製程管制系統. 中原大學, Available from Airiti AiritiLibrary database. (2003年)
桑慧敏. (2018). 一生受用的統計學大數據分析之鑰. In 一生受用的統計學大數據分析之鑰: 桑慧敏.
張文山. (2007). 利用類神經網路進行電漿化學氣相沉積製程特性預測之研究. 成功大學, Available from Airiti AiritiLibrary database. (2007年)
陳宏佳. (2009). 應用主成份田口法與灰關聯分析進行多重品質特性之最佳參數設計—以壓鑄品製程為例, 國立高雄大學亞太工商管理所未出版之碩士論文. In: 國立高雄大學亞太工商管理學系碩士班.
陳狄成, 尤麒熊, & 丁榮助. (2018). 整合層級分析、後設分析與田口方法應用於刀具磨耗. [Integration of meta-analysis, analytic hierarchy process, and Taguchi method to examine tool wear]. 技術學刊, 33(3), 155-164.
陳偉星, 余豐榮, & 吳勝煌. (2011). A Robust Design for Plastic Injection Molding Applying Taguchi Method and PCA. [田口方法與主成分分析法在塑膠射出成型穩健生產之應用]. 科學與工程技術期刊, 7(2), 1-8. doi:10.7117/jset.201106.0001
陳寬裕. (2017). 應用統計分析：SPSS的運用: 五南圖書出版股份有限公司.
曾光宏, & 林柏諭. (2015). 田口實驗法應用於不銹鋼交流點銲參數優化. [Application of Taguchi Experiment Method in Parameter Optimization of Alternating Current Spot Welding of Stainless Steel]. 技術學刊, 30(1), 15-24.
程育維. (2005). 矽整流二極體銲線參數最佳化與良率改善之研究. 碩士 (Master),
黃孟嬌. (2018). Changes in the Global Lighting Industry-A Look Into Market Trends and Challenges. Retrieved from 台灣綠色產業報告:
楊順兆. (2018). 土石方搬運最佳化 - 以重劃區整地工程為例. 中興大學, Available from Airiti AiritiLibrary database. (2018年)
葉難. (2015). Python程式設計入門: 博碩.