跳到主要內容

臺灣博碩士論文加值系統

(3.235.56.11) 您好!臺灣時間:2021/08/04 07:32
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果 :::

詳目顯示

: 
twitterline
研究生:張原豪
研究生(外文):Yuan-Hao Chang
論文名稱:應用貝氏網路於製程績效評估與預測-以奈米碳管背光模組陰極板為例
論文名稱(外文):Application of Bayesian Networks to Evaluation and Prognosis of Process Performance - Taking the Cathode of CNT-BLU for Example
指導教授:彭泉彭泉引用關係林水順林水順引用關係
指導教授(外文):Chyuan PerngShui-Shun Lin
學位類別:碩士
校院名稱:東海大學
系所名稱:工業工程與經營資訊學系
學門:工程學門
學類:工業工程學類
論文種類:學術論文
論文出版年:2007
畢業學年度:95
語文別:中文
論文頁數:80
中文關鍵詞:奈米碳管背光模組貝氏網路分析製程績效的評估與預測
外文關鍵詞:CNT-BLUBayesian NetworkEvaluation and Prognosis of Process Performance
相關次數:
  • 被引用被引用:8
  • 點閱點閱:481
  • 評分評分:
  • 下載下載:68
  • 收藏至我的研究室書目清單書目收藏:0
在政府兩兆雙星的政策推動下,影像顯示產業蓬勃發展,其中背光模組產業更是最重要的上游產業。而奈米碳管背光模組更為取代現行背光模組與成為大尺寸液晶顯示器最具潛力的背光源選擇。而奈米碳管背光模組仍處於研發改善階段,工程師在面對製程問題時,仍採用傳統的實驗試誤法,因而浪費許多寶貴的研發時間與成本。所以,本研究欲建構一個利用品質特性指標來評估與預測製程績效優劣的分析模式,使研發單位在做實驗設計時,即能掌握預期績效,以減少不必要的資源浪費,甚至協助工程師找出製程品質發生異常的原因。
本研究的目標產品製程為一實驗室內所施行的研究製程,相關參數設定充滿不確定性,且相關的實驗數據稀少。藉由相關文獻的探討,貝氏網路分析模式允許在極小的資料量下建構系統,適用於不完整資料的分析研究,且具有評估與預測製程績效的功能。因此,本研究選擇貝氏網路為研究方法。
透過實地的專家訪談與數據資料的收集,先行整理出奈米碳管背光模組的製程品質特性指標與製程問題影響原因。藉由專家知識與統計分析篩選出關鍵的製程品質特性指標,根據關鍵製程品質特性指標之數據來建構貝氏網路的初始結構,並使用EM algorithm做參數學習,以及透過專家知識進行網路結構的修正。
最後,本研究導入奈米碳管背光模組廠商提供之實驗數據,以進行製程績效評估與預測模式之實際推演驗證,結果發現本模式確實能達成製程績效優劣的預測,並符合問題領域的描述。因此可說明本研究提出此模式的合理性,也代表該模式可提供研發單位在規劃奈米碳管背光模組相關實驗時之參考。
The design and use of Carbon Nanotube Back Light Unit (CNT-BLU) has received considerable attention in recent years. The quality control of process is defined in terms of cost and time saving to be synthesized for overall improvement purposes based on trial and error. There exists a great variety of exception in the early stage which engineers tries to eliminate the errors in the design sensitivities through out the process. The influence of the size of the data sequence on the estimates is continuous because huge production cost is generated. For constructing a more economical production way, it is necessary to find out an effective analysis approach to evaluate and prognosis in the process improvement of CNT-BLU Cathode Industry.
Bayesian networks, tends to be a suitable topic for problem solving during process when data is exiguous. Experimental implementation aspects of proposed model applied to the identification of change points in data sequences are discussed. There is little empirical evidence of the process performance in evaluation and prognosis. It is here that valid and reliable empirical evidence is needed. In particular, we analyze the use of a sampling scheme to compute the estimates and show that there is significant impact of such use on the quality of the results. The results revealed that use Bayesian networks with data mining for modeling are a good option for CNT-BLU industry.
摘要I
ABSTRACTII
目 錄III
圖目錄VI
表目錄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 研究方法2
1.4 研究流程與架構3
1.5 研究限制與假設5
第二章 文獻探討7
2.1 奈米碳管背光模組7
2.1.1 奈米碳管背光模組結構7
2.1.2 奈米碳管背光模組製程8
2.1.3 厚膜網印、曝光顯影製程說明10
2.2 製程績效評估相關文獻10
2.2.1 製程能力指標13
2.2.2 類神經網路14
2.2.3 其他研究方法與小結14
2.3 資料探勘與專家系統技術15
2.4 貝氏網路簡介18
2.4.1 貝氏網路的理論基礎與運作機制19
2.4.2 貝氏網路之優點21
2.5 建構貝氏網路架構22
2.6 貝氏網路學習法則23
2.7 本章小結25
第三章 建構CNT-BLU製程績效評估與預測模式26
3.1 奈米碳管背光模組陰極板製程及其品質特性26
3.1.1 陰極板製程26
3.1.2 製程品質特性指標29
3.2 製程效益評估預測模式實做與說明33
3.2.1 問題敘述33
3.2.2 模式運作架構34
3.2.3 問題分析與資料來源35
3.2.4 資料處理38
3.2.5 建構貝氏網路40
3.2.6 結合專家知識41
3.2.7 參數學習與推論42
3.3 本章小結43
第四章 實例驗證45
4.1 實證對象背景45
4.2 實證目的45
4.3 製程績效評估與預測模式運作效益的衡量46
4.4 驗證過程說明46
4.4.1 以資料探勘方式建構貝氏網路47
4.4.2 使用更多訓練資料來修正貝氏網路49
4.4.3 結合資料探勘與專家知識建構貝氏網路51
4.5 驗證貝氏網路的解釋能力54
4.6 使用新的實驗數據驗證57
4.7 本章小結58
第五章 結論與建議60
5.1 結論60
5.2 建議與未來研究方向60
參考文獻62
中文部份62
英文部分63
附錄66
圖目錄
圖 1.1 論文架構流程圖5
圖 2.1 奈米碳管背光模組結構圖8
圖 2.2 奈米碳管背光模組製程圖9
圖 2.3 厚膜網印製程圖10
圖 2.4 影響圖20
圖 3.1 陰極板製造流程圖27
圖 3.2 應用貝氏網路於製程品質特性指標評估模式之架構圖35
圖 3.3 奈米碳管背光模組之實驗數據截圖36
圖 3.4 膜厚測量儀37
圖 3.5 3D光學顯微鏡38
圖 3.6 以資料面(90%顯著水準)建構的貝氏網路40
圖 3.7 以資料面(80%顯著水準)建構的貝氏網路41
圖 3.8 使用EM ALGORITHM進行參數學習43
圖 3.9 各變數經學習後的聯合機率推論43
圖 4.1 以前20筆資料自動建構的貝氏網路雛型系統47
圖 4.2 以前20筆資料進行參數學習後的機率分配48
圖 4.3 以前31筆資料建立貝氏網路架構並進行參數學習50
圖 4.4 結合專家知識修正後的貝氏網路結構52
圖 4.5 產品良率狀態為100%「HIGH」時之聯合機率推論54
圖 4.6 產品良率狀態為100%「MIDDLE」時之聯合機率推論55
表目錄
表 2.1 製程績效評估文獻整理表11
表 3.1可能會影響良率的品質特性指標與製程參數30
表 3.2 關鍵品質特性指標與製程參數31
表 3.3 製程績效指標32
表 3.4 品質特性指標狀態設定39
表 3.5 製程績效指標狀態設定39
表 3.6 實驗數據轉換成區間狀態設定表39
表 4.1 資料探勘(前20筆資料)建構之貝氏網路模型推論結果48
表 4.2 各節點對產品良率進行迴歸分析之數據預測能力49
表 4.3 資料探勘(前31筆資料)建構之貝氏網路模型推論結果50
表 4.4 專家經驗關連(EXPERT EXPERIENCE RELATION)52
表 4.5 結合專家知識建構之貝氏網路模型推論結果(前31筆)53
表 4.6 產品良率狀態為100%「HIGH」時之各品質特性推論狀態55
表 4.7產品良率狀態為100%「MIDDLE」時之各品質特性推論狀態55
表 4.8 各實驗(產品良率大於65%)之品質特性狀態統計56
表 4.9 各實驗(產品良率介於50%~65%)之品質特性狀態統計57
表 4.10 新的實驗數據之推論結果58
中文部份
[1] 方勇盛(2006),以失效模式與效應分析為基的製程問題分析模式-以奈米碳管背光模組為例,東海大學工業工程與經營資訊所碩士論文
[2] 李家祺(1989),人工智慧與專家系統,松崗,台北
[3] 林志憲(2004),應用貝氏網路於工業製程之診斷與預測,交通大學電機與控制工程研究所碩士論文
[4] 唐文彥(1996),類神經網路應用在多變量品質管制的研究,大葉大學工業工程研究所
[5] 馬遠榮(2002),奈米科技,商周出版
[6] 陳細鈿(2002),電子產品壽命與製作時程績效之評估,國立交通大學工業工程與管理所
[7] 張建平(2004),統計製程管制圖應用於高頻石英晶體振盪器之品質管理-以125MHz石英晶體振盪器為例,中原大學工業工程研究所
[8] 黃意策(2002),應用資料採礦技術於貝氏網路架構之研究-線性代數與圖論之結合,東海大學工業工程與經營資訊所碩士論文
[9] 黃慶成(2004),多項品質特性產品之製程能力分析-以STN-LCD前段製程為例,逢甲大學工業工程與系統管理研究所
[10] 楊玉如(1996),應用主成份分析方法於多重品質製程最佳化之研究,國立交通大學工業工程研究所碩士論文
[11] 葉珮甄(1998),多變量統計製程管制應用在具有多種變異來源的製程上-以半導體製程為例,國立台灣大學工業工程研究所
[12] 葉馨雅(1997),動態系統多重品質特性最佳化之研究,國立交通大學工業工程研究所碩士論文
[13] 廖嘉雄(2000),以貝氏網路為基礎的知識處理機制,東海大學工業工程研究所碩士論文
[14] 潘俊帆(2001),以貝氏網路為基礎的個人差異化知識處理機制,東海大學工業工程研究所碩士論文
[15] 蔡秋文(2004),表面黏著迴焊溫度曲線決策支援模式,樹德科技大學經營管理研究所
[16] 劉冠鷨(2006),應用灰色關聯分析與模糊推論於多重品質特性製程之研究,東海大學工業工程與經營資訊所碩士論文
[17] 鄭純因(2005),應用田口能力指標Cpm評估金電鍍的製程績效,國立高雄應用科技大學工業工程與管理研究所
[18] 劉康勇(2002),應用類神經網路於製程最佳化之研究-以半導體氧化製程為例,中華大學科技管理研究所
[19] 蕭名君、張悠揚、林偉義、李正中(2004),CNT-BLU for LCD TV-奈米碳管背光源創造液晶電視降價的機會,電子與材料雜誌,第二十五期,96-102.
[20] 羅修來(2005),SPC與EPC整合系統在多變量自我相關製程之應用,國立交通大學工業工程與管理所
[21] 羅智仁(2006),應用貝氏網路於叢集式架構無線感測網路下節點錯誤偵測與錯誤地圖建立,台北大學資訊管理所碩士論文
[22] 簡禎富(2004),決策分析,清華大學工業工程與工業管理系決策分析上課講義
[23] 蘇俊和(2002),貝氏網路的建構與學習機制之研究-以航太產業績效管理為例,東海大學工業工程與經營資訊研究所碩士論文
[24] 蘇祐萱(2000),貝氏網路於輔助盈餘預估分析之研究,元智大學資訊研究所碩士論文
[25] 蘇德利(2006),液晶顯示器導光板於精密射出成型加工參數最佳化與多重品質預測系統之建構及驗證,國立台灣科技大學高分子所
[26] ITIS產業資訊服務網(2007),http://www.itis.org.tw
[27] 化工商情網(2006),http://www.chemnet.com.tw/
[28] 經濟部資訊工業發展推動小組(2006),http://www.ociid.org.tw

英文部分
[29] Antony, J. (2000), Multi-response optimization in industrial experiments using Taguchi’s quality loss function and principal component analysis, Quality and Reliability Engineering International, Vol. 16, pp. 3-8.
[30] Chong, H.G., and W.J. Walley (1996), Rule-based versus Probabilistic Approaches to The Diagnosis of Faults in Wastewater Treatment processes, Artificial Intelligence, Vol. 1, pp. 265-273.
[31] Enrique, C., M.G. Jose, and S.H. Ali (1997), Expert Systems and Probabilistic Network Models, Springer-Verlag, New York, Inc.
[32] Friendman, N., K. Murphy, and S. Russell (1998), Learning the structure of dynamic probabilistic networks, In UAI.
[33] Jensen F.V. (1996), An Introduction to Bayesian Networks, Springer- Verlag, New York, Inc.
[34] Greiner, R. (2002), Deployed Bayesian-Nets Systems in Routine Use, University of Toronto. Available: http://www.cs.toronto.edu/~griner/BN-Routine.html.
[35] Heckerman, D. (1995), A Tutorial on Learning With Bayesian Networks, Technical Report MSR-TR-95-06, Microsoft Research, Microsoft Corporation.
[36] Heckerman, D., J. Breese, and K. Rommelse (1995), Decision-theoretic Troubleshooting, Communications of the ACM, Vol. 38, pp. 49-56.
[37] Pearl J. (1998), Probabilistic Reasoning in Intelligent Systems: Networks of Plausible Inference, Morgan Kaufmann Publishers, Inc., USA.
[38] Lavo, D.B. (2002), Comprehensive Fault Diagnosis of Combinational Circuits Doctoral thesis, University of California. Available: http://sctest.cse.ucsc.edu/lavo/lavo_dissertation.pdf
[39] Lee, B.Y., and Y.S. Tarng (2001), Surface roughness inspection by computer vision in turning operations, International Journal of Machine Tools and Manufacture, Vol. 41, pp. 1251-1263.
[40] Lin, H.C. (2005), Using normal approximation for calculating the p-value in assessing process capability index Cpk, International Journal of Advanced Manufacturing Technology, Vol. 25, pp. 160-166.
[41] Ogunyemi, O.I.(1999). TranmaSCAN: Assessing Penetrating Injury Penetrating Injury with Abductive and Geometric Reasoning. Ph.D. Thesis, University of Pennsylvania, Philadelphia.
[42] Pearl, J. (1986), Fusion, propagation, and structuring in belief networks, Artificial Intelligence, Vol. 29, pp. 241-288.
[43] Pearl, J. (1986), Causality: Models, Reasoning and Inference, Cambridge University Press.
[44] Shachter, R. (1988), Probabilistic inference and inference diagrams, Operations Research, Vol. 36, pp. 589-604.
[45] Shiau, G. H. (1990), A study of the sintering properties of iron ores using the Taguchi's parameter design, Journal of the Chinese Statistical Association, Vol. 28, pp. 253-275.
[46] Singh, M. and M. Valtorta (1995), Construction of Bayesian Network Structures From Data: A Brief Survey and an Efficient Algorithm, International Journal of Approximate Reasoning, Vol. 12, pp. 111-131.
[47] Spirtes, P., C. Glymour, and R. Scheines (1993), Causation, Prediction and Search. Springer-Verlag, New York, Inc.
連結至畢業學校之論文網頁點我開啟連結
註: 此連結為研究生畢業學校所提供,不一定有電子全文可供下載,若連結有誤,請點選上方之〝勘誤回報〞功能,我們會盡快修正,謝謝!
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top