全球航空產業蓬勃發展，飛機維修需求量不斷增加，飛機零組件故障造成航班延誤比例甚高。若能對零組件建置故障預測系統，並於故障前即執行檢修，將有助於降低因非預期性故障所導致的航班延誤，此舉可作為航空公司在飛機零組件維修管理上的一項參考。
本研究是以空中巴士A330-300發動機(GE-CF6-80E1)上的高壓閥為例，首先採用德菲法(Delphi Method)製作第一次專家調查問卷，蒐集影響高壓閥壽命的關鍵因素，再製作發出李克特五點量表專家問卷進行評分，再根據專家一致性指標評選出四項重要關鍵因素，分別為裝機飛時，總飛時，操作次數及翻修飛時，再選定2010年至2012年高壓閥的維修資料數據為樣本，載入倒傳遞類神經網路軟體Neuro Intelligence來測試輸入與輸出之間的關係以建置預測模式，測試所得到的設定參數為隱藏層神經元數目:2、學習速:0.1、學習循環次數:30,000，做為BPN預測的條件，藉以預測高壓閥的下一次裝機的使用壽命。
研究結果顯示，經由倒傳遞類神經網路軟體學習訓練後，關聯性（Correlation）與模式配適度（R-squared）分別達到0.969 及0.932，預測準確度高達93%，可見倒傳遞類神經網路確實能有效作為飛機組件壽命預測的方法。
本研究利用倒傳遞類神經網路之預測能力，可幫助航空業者能提前擬訂飛機零組件故障因應策略，建立維修管理知識經驗的傳承；未來更可推廣於不同產業，期能以最少資源成本之投入，獲取最大效益，以強化企業永續經營之競爭力。

Global aviation property is currently flourishing, the aircraft maintenance is increasing in demand.The defects of aircraft components lead to flights delayed easily.If there is a prediction system, the aircraft components may perform inspection or repair before it get failure.It may lower flights delay issues caused by the components that encountered the unexpected failured, the prediction system can be a reference action for airline for further component maintenance management.
This study uses HPV installed on GE-CF6-80E1 engine of A330-300 as an example. Firstly, selecting the Delphi Method to collect experts’ key factors of HPV’s life span. Secondly, using Likert 5-Piont Scale to request experts to evaluate importance and give a score on the key factors. According to experts’ agreed indicators, four key factors have chosed, TSC、TSO、TSN &; F/C.According to the historical maintenance reports from 2010 to 2012, put the data of the four key factors into the BPN (Back-Propagation Network) to train the relationship between input and output to build the prediction mode via Neuro Intelligence software.For best prediction mode, it resulted to 1 hidden layer with 2 neurons, learning rate at 0.1 and iteration at 30,000.
The research result indicates that correlation and R-squared model could reach 0.969 and 0.932 respectively after BPN training. Certainly, BPN serves as an effective method of predicting the aircraft component life span.
This study uses the BPN prediction capability, thereby enabling the aircraft component to develop a failure reaction strategy. Hopefully, maintenance knowledge management experiences builded could be passed to next generation and such model could be applied to different industries, so as to ensure maximum output and minimum input, and to strengthen the sustainable competitiveness of businesses.

誌謝 i
摘要 ii
ABSTRACT iii
目次 iv
表次 vi
圖次 vii
第壹章 緒論 1
第一節 研究背景與動機 1
第二節 研究目的與範圍 2
第三節 研究流程 3
第四節 論文架構 4
第貳章 文獻探討 5
第一節 A330-300 飛機氣動系統(A330-300 Aircraft Pneumatic System) 5
第二節 德菲法（Delphi Method）11
第三節 類神經網路（Artificial Neural Network）12
第四節 倒傳遞類神經網路 (Back Propagation Neural Network ) 18
第參章 研究方法 27
第一節 德菲法開放式問卷 27
第二節 李克特五點量表評分問卷 28
第三節 專家一致性指標 29
第四節 使用ANN 軟體Neuro Intelligence 建立預測模型 30
第肆章 結果討論 31
第一節 問卷調查結果 31
第二節 五點量表評分結果 32

[1] 中時電子報，(2013, JUN 12)，http://money.chinatimes.com/news/news-content.aspx?id=20130612002766
[2] 中文百科在線，(2013, JUN 30)，http://www.zwbk.org/zh-tw/Lemma_Show/259829.aspx
[3] 黃鴻順，(2013, JUN 30)，http://ken.hd.org.tw/modules/tad_book3/page.php?tbdsn=71。
[4] MBA智庫百科，(2013, JUL 03)，http://wiki.mbalib.com/zh-tw/%E5%BE%B7%E5%B0%94%E8%8F%B2%E6%B3%95
[5] 謝邦昌，(2000)，類神經網路概述及實例，曉園，台北市。
[6] 許世偉，(2012)，「類神經網路應用於發光二極體瑕疵檢測」，聖約翰科技大學自動化及機電整合研究所碩士學位論文。
[7] 林逸塵，(2002)，「類神經網路應用於空氣品質預測之研究」，國立中山大學環境工程研究所碩士論文。
[8] 楊宗儒，(2003)，「倒傳遞類神經網路於暴潮預測之研究」，私立立德管理學院資源環境研究所碩士論文。
[9] 黃豐裕，(2011)，「倒傳遞類神經網路於電量需求預測之應用」，國立屏東科技大學工業管理系所碩士論文。
[10] 王魯湘，(2005)，「以類神經網路建立消耗性零件之壽命預測模式-以晶圓測試探針卡為例」，私立中原大學工業工程學所碩士論文。
[11] 莊凱棋，(2012)，「應用系統動力學於需求預測下之人資策略研究」，私立育達商業科技大學資訊管理研究所碩士論文。
[12] 巫沛倉，(2013, JUL 03)，140.133.35.1/faculty/pwu/expert/ann.ppt‎
[13] 戴佳恩，(2013, JUL 03)，http://www.csie.nctu.edu.tw/~kensl/AIrpt.htm
[14] 石傑方，(2013, JUL 03)，http://neuron.csie.ntust.edu.tw/homework/93/nn/homework2/m9304302/welcome.htm
[15] 張豔華，(2002)，「建構中學教師專業評鑑指標之研究」，國立高雄師範大學工業科技教育研究所碩士論文。
[16] 科學教育學刊，(2009)，「高雄市立國民小學學校評鑑指標再建構之研究」，第十七卷第四期，第275-292頁。
[17] 中華技術季刊，(2004)，「以車輛偵測器推估旅行時間之研究 — 以北二高為例」，第63期。
[18] Airbus (1993), “A330 Technical training manual”, Toulouse, France.
[19] Liebherr-Aerospace (2002),“Component Maintenance Manual with Illustrated Parts List”, Toulouse, France.
[20] Pei-Chann Chang, Chen-Hao Liu, Jun-Lin Lin, Chin-Yuan Fan, Celeste S.P. Ng, (2009),“A neural network with a case based dynamic window for stock trading prediction.”Original Research ArticleExpert Systems with Applications, Volume 36, pp. 6889-6898.
[21] Toly Chen, (2003), “A fuzzy back propagation network for output time prediction in a wafer fab.”Applied Soft Computing Volume 2, pp.211-222.
[22] Fei-Long Chen, Yun-Chin Chen, Jun-Yuan Kuo, (2010),“Applying Moving back-propagation neural network and Moving fuzzy-neuron network to predict the requirement of critical spare parts.” Expert Systems with Applications Volume 37, pp. 6695-6704.
[23] Stephen Ogaji, Riti Singh, (2003), “Advanced engine diagnostics using artificial neural networks.”Applied Soft Computing Volume 3, pp. 259-271.
[24] Kamran Dehghani, Atiyeh Nekahi, (2010),“Artificial neural network to predict the effect of thermomechanical treatments on bake hardenability of low carbon steels.” Materials and Design Volume 31, pp. 2224-2229.
[25] Venugopal, Baets, (1994),“Neural Networks and Statistical Techniques in Marketing Research: A Concept Comparison.” Marketing Intelligence &; Planning, Volume 12, pp.30-38.
[26] Acuna, Jorquera, Perez, (1996),”Neural network model for maximum Ozone concentration prediction.” Lecture Notes in Computer Science, Volume 1112, pp.263-268.
[27] Boznar, Marija, Martin Lesjak Primoz Mlakar, (1993),”A Neural Network-Based Method for Short-Term Prediction of Ambient SO2 Concentrations in highly Polluted Industrial Areas of Complex Terrain” Atmospheric Environment, Volume 27B, pp.221-230.
[28] Gardner, Dorling, (1999),”Neural network modeling and prediction of hourly NO X and NO2 concentrations in urban air in London.” Atmospheric Environment, Volume 33, pp.709-719.
[29] Research Methods Knowledge Base, (2013, JUL 15), http://www.socialresearchmethods.net/kb/scallik.php
[30] Wekipedia, (2013, JUL 08),
https://en.wikipedia.org/wiki/Likert_scale
[31] Alyuda website, (2013, JUL 01),
http://www.alyuda.com/products/neurointelligence/ni_tour.htm