跳到主要內容

臺灣博碩士論文加值系統

(100.24.118.144) 您好!臺灣時間:2022/12/06 04:22
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

我願授權國圖
: 
twitterline
研究生:賴家勳
研究生(外文):Chia-Hsun Lai
論文名稱:應用六標準差改善電著塗裝製程並建構製程預測模式之研究
論文名稱(外文):Applying Six Sigma for improving ED coating processand to construction of predictive models on research
指導教授:鍾雲恭鍾雲恭引用關係
指導教授(外文):Yun-kung Chung
口試委員:陳雲岫楊維寧
口試委員(外文):Yun-Shiow ChenWei-Ning Yang
口試日期:2014-07-04
學位類別:碩士
校院名稱:元智大學
系所名稱:工業工程與管理學系
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:2014
畢業學年度:102
語文別:中文
論文頁數:69
中文關鍵詞:電著塗裝六標準差手法田口方法倒傳遞類神經網路
外文關鍵詞:ED(Electro deposited coating)Six Sigma methodTaguchi methodBack-propagation neural network
相關次數:
  • 被引用被引用:2
  • 點閱點閱:317
  • 評分評分:
  • 下載下載:0
  • 收藏至我的研究室書目清單書目收藏:0
20世紀以來,隨著全球暖化的議題持續發燒,因此各大企業紛紛推行了ISO 14001環境管理系統的驗證,在運作過程中,它不僅集中控制企業的環境因素,或者控制與環境相互作用的產品/服務活動的途徑,如對空氣、土地或者水源的污染排放。因而汽車表面塗裝業積極尋找可替代的原物料,來降低污染的產生,但受限於被塗物材質與形狀以及塗裝後對塗膜的要求,限縮可使用的低污染性塗料種類及系統並提高塗料性能的基本門檻。

因此企業組織必須改變做法來實現目標,可透過調整或優化ED(Electro-Deposit)現有製程條件以及開發新的產品別來改進或降低對環境破壞的影響,不僅可減少藥劑用量的比率,製程中排出的高濃度(Concentration)廢液的在經過污水處理過程中亦能減少透過水資源稀釋的用量,更能低減工廠的碳排放量,從而獲取長遠的經濟效益。

本文運用六標準差(Six Sigma)之DMAIC(Define、Measure、Analyze、Improve、Control)五階段,以個案公司進行實證研究,建構ED產品製程能力之改善與預測製程最適化膜厚條件。研究方法主要利用田口方法(Taguchi Method),分析直交表實驗所得的資料,得出關鍵因子與水準,找出最佳化製程參數組合,之後將具影響的製程參數視為倒傳遞神經網路(Back-Propagation Neural Network, BPNN)的輸入;並以其輸出作為膜厚值的預測結果。於數據分析後,得到哪些參數為關鍵因子與水準。而BPNN之預測值與真實值之訓練樣本正確率為99.15%及測試樣本正確率為99.56%。本文結果可在不浪費太多的時間與成本考量之下,提供相關業者做為簡易而方便的表面塗裝產品加工條件選用之參考。
Since the 20th century, with the issue of global warming continue to be popularization, so many companies have implemented ISO. In the 14001 environmental management system, it’s not only centralized control of environmental factors of enterprises, but also the interaction of controlling and environment produced the pathways of product/service activities, such as pollution of air, land or water.
Thus automobile surface coating industry actively looking for alternative raw materials to reduce the pollution generated. But restriction on the material to be coated, shape and coating requirements, the limited of using less pollution of coating can be used, and improving the basic threshold of coating.
Therefore, enterprises must change their approach to achieve organizational goals by adjusting or optimizing ED ( Electro Deposit) existing process conditions and the impact of environmental damage to the development of new products don’t improve or reduce. Not only can it reduce the amount of reagent ratio, high concentration ( Concentration) process effluent discharged through the sewage treatment process in can also reduce the amount of water through dilution, more low carbon emissions reduction.
In this paper, the use of Six Sigma (Six Sigma) as DMAIC (Define, Measure, Analyze, Improve, Control) five stages to conduct empirical case study to construct ED product improvement and process capability of predicting optimal thickness of the process conditions. Process parameters studied primarily use the Taguchi method (Taguchi Method), data analysis orthogonal array experiment proceeds, obtained a key factor and standards, find the optimal process parameters combination, after the influential regarded as back-propagation neural network (Back-Propagation Neural Network, BPNN) input; and its output as the predicted value of the film thickness. After analyzing the data, the key factor to get what parameters and standards. The training samples BPNN forecast value and the true value of the correct rate of 99.15% and 99.56% accuracy rate test samples. In this paper, the results can’ot waste too much time under the cost considerations, to provide relevant industry as a simple and convenient surface coating processing conditions selected reference.
摘要 i
Abstract ii
誌謝 iv
表目錄 viii
圖目錄 ix
第一章 緒論 1
1.1研究背景 1
1.2研究動機與目的 1
1.3 研究範圍 2
1.4研究架構 3
第二章 文獻探討 4
2.1 金屬表面處理產品介紹 4
2.1.1 塗裝類產品定義與特性 4
2.2 六標準差 7
2.2.1 六標準差發展歷程與沿革 7
2.2.2 六標準差之統計意涵 7
2.2.3 六標準差改善手法 9
2.2.4 六標準差工具 9
2.2.5六標準差改善手法相關文獻 10
2.3 田口方法 12
2.3.1田口方法原理 12
2.3.2 最佳參數組合程序 16
2.3.3 選擇直交表 17
2.3.4 田口方法相關文獻 17
2.4類神經網路 18
2.4.1類神經網路起源與介紹 18
2.4.2類神經網路結構 19
2.4.3 倒傳遞類神經網路 21
2.4.4 倒傳遞類神經網路相關文獻 24
第三章 研究方法與步驟 26
3.1 問題描述 26
3.2 理論背景 28
3.3 現況衡量(Measurement) 28
3.3.1 驗證量測系統 29
3.3.2 田口方法的應用 30
3.3.3 試驗架構 31
3.3.4 預測模式 31
3.4資料分析(Analyze) 31
3.5 實驗改善(Improve) 31
3.5.1 ED膜厚品質BPN預測模型之建構 32
3.5.2 倒傳遞類神經網路模型與實驗設置 34
3.5.3 網路訓練與測試 35
第四章 個案分析與探討 36
4.1 界定問題(Define) 36
4.1.1塗裝業製程介紹 36
4.1.2塗裝業汙染特性 38
4.1.3塗裝業污染預防技術 38
4.1.4目的特性 41
4.1.5實驗設備與材料 42
4.2 現況衡量(Measurement) 43
4.2.2 Gage R&R之變異數分析 44
4.2.3 製程能力分析 45
4.3 資料分析(Analyze) 47
4.3.1 發展確認實驗因子 47
4.3.2 實驗因子與水準選取 48
4.3.3 決定實驗方法與因子配置 48
4.3.4 實驗數據分析 48
4.3.5 變異數分析(ANOVA) 51
4.3.6 確認實驗 52
4.3.7 製程能力驗證 52
4.4 改善(Improve) 53
4.4.1 構建類神經網路 53
4.4.2 輸入∕輸出變數 54
4.3.3 隱藏層處理單元數目 54
4.4.4 膜厚收斂測試 54
4.4.5 倒傳遞類神經網路小結 63
4.5 控制(Control) 63
4.5.1 常態性檢定 63
4.5.2 製程能力驗證 64
4.5.3 實施製程管制系統 64
4.5.4 綠能概念之節省成本計算 65
第五章 結論與建議 67
5.1 結論 67
5.2 建議 67
參考文獻 68
中文文獻
1.行政院環保署,溶劑清洗暨塗料製造使用及貯存空氣汙染管制規範研訂計畫。
2.臺灣電力公司,環境資訊-火力電廠環境保護之溫室氣體排放揭露資訊。
3.信昌機械廠股份有限公司,公司內、外部汽車產品簡介相關資料。
4.王丞承,2003,實踐六標準差的技術,初版,中國生產力中心。
5.田口玄一著,陳耀茂譯,2003,田口統計解析法,五南圖書出版社。
6.葉怡成,2003,類神經網路模式應用與實作,儒林圖書有限公司,臺北。
7.城培舜,2004,以六標準差方法探討生產線產值提升之研究,成功大學工業與資訊管理學系碩士論文。
8.陳瀅中,2007,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。
9.蔡志中,2007,利用類神經網路預測模具鋼銑削之行為,雲林科技大學機械工程系碩士論文。
10.楊政霖,2007,應用田口方法最適化之倒傳遞類神經網路於TFT-LCD Cell製程缺陷分類之研究,國立中央大學工業管理研究所碩士論文。
11.汪惠健,2007,類神經網路設計(Hagan,Dumuth & Beale:Neural Network Design),高立圖書有限公司,臺北。
12.林宗佑,2009,應用實驗設計法於難溶藥物處方之研究,嘉南藥理科技大學藥物科技研究所碩士論文。
13.蔣義心,2008,應用六標準差手法提升粉末冶金模具線切割製程品質之研究,國立勤益科技大學工業工程與管理系碩士論文。
14.羅華強,2008,類神經網路-MATLAB的應用,高立圖書有限公司,臺北。
15.蘇朝墩,2008,品質工程,中華民國品質學會,臺北。
16.黃彧霈,2009,應用六標準差改善擴散載具品質之研究,明新科技大學工程管理研究所碩士論文。
17.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,國立勤益科技大學工業工程與管理系碩士論文。
18.梁智富,2009,智慧型參數設計於導光板微結構射出成型轉寫性最佳化的研究,國立高雄第一科技大學機械與自動化工程所碩士論文。
19.賴柏辰,2010,運用主成份田口類神經模組建立端銑表面粗糙度可調式控制系統,中原大學工業與系統工程研究所學位論文。
20.莊傑向,2011,應用類神經網路系統於引擎參數最佳化設計,國立成功大學工業與資訊管理在職專班碩士論文。

英文文獻
1.Rosenblatt, F., (1958), The perceptron: a probabilistic model for information storage and organization in the brain, Psychological Review, vol. 65, no. 5, pp. 386-408.
2.Karayiannis, N. B. and Venetsanopoulos, A. N.,(1993), Artificial nerral networks-learning algorithms, Performance Evaluation, and Applications, Kluwer Academic Publishers.
3.Haykin, S., (1999). Neural networks: a comprehensive foundation, 2nd Edition, Prentice-Hall.
4.B. Ozcelik, T. Erzurumlu ,(2006), Comparison of the warpage optimization in the plastic injection molding using ANOVA, neural network model and genetic algorithm , Journal of Materials Processing Technology, Vol.171 , pp. 437–445.
5.Hasan Oktem, Tuncay Erzurumlu, Ibrahim Uzman,(2007), Application of Taguchi optimization technique in determining plastic injection molding process parameters for a thin-shell part, Materials and Design Vol.28, pp.1271–1278.
6.M.L. Huang, Y.H. Hung ,(2008), Combining radial basis function neural network and genetic algorithm to improve HDD driver IC chip scale package assembly yield, National Chin-Yi Institute of Technology.
7.Wen-Chin Chen, Gong-Loung Fu, Pei-Hao Tai, Wei-Jaw Deng,(2009), Process parameter optimization for MIMO plastic injection molding via soft computing, Expert Systems with Applications Vol.36, pp. 1114–1122.
8.Mirigul Altan,(2010), Reducing shrinkage in injection moldings via the Taguchi, ANOVA and neural network methods, Materials and Design Vol. 31, pp. 599–604.
9.Bulent Kaya , Cuneyt Oysu , Huseyin M. Ertunc,(2011),Force-torque based on-line tool wear estimation system for CNC milling of Inconel 718 using neural networks, Advances in Engineering Software Vol.42, pp.75-84.
10.T.B. Asafa,(2013), Taguchi method–ANN integration for predictive model of intrinsic stress in hydrogenated amorphous silicon film deposited by plasma enhanced chemical vapour deposition,Vol.106, 15 April 2013, Pages 86–94.
電子全文 電子全文(本篇電子全文限研究生所屬學校校內系統及IP範圍內開放)
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
無相關期刊