臺灣博碩士論文加值系統

製造業生產商品的過程，必定伴隨著良與不良，公司要如何提升產品的良率便是一門重要的課題。造成不良原因的狀況有很多，例如:生產數量、製造來源、生產單位及製程。何種因素是最具影響力?專家本身提供的意見之外，更希望透過科學的數據分析，探討品保部門的檢測不良資料。
本論文資料來源由公司品保部門提供，資料時間從2018年10月至2019年5月，匯出量測判定資料庫的數據，並經由EXCEL內建的VBA撰寫模組，產生線上分析處理報表及關聯法則模型，資料挖掘中的關聯法則模型，是使用最基礎的Apriori演算法，目的在找出精密零件在不同的狀況下所判定成不良之關係。
透過線上分析處理的統計報表，可以迅速得知該生產單位及製程的不良筆數。關聯法則模型之中的主從分析結果，找出當負責單位之內容是Z027 - PA-02與責任歸屬為外包時，有96.4%的機率，不良判定是外觀不良- 上銅造成絞傷且重要性為1.865，透過相依性網路圖，不良判定=當站做壞-做壞與負責單位之負責項目=WG1-PLM-05Q、Z013-PM-02Q、WI4-PE-01最具關聯。將上述分析結果交由具有品保相關知識的人員以及管理階層做為決策。並藉由科學的數據，依此控管生產單位及製程，達到降低不良率的目的。

關鍵字：不良原因、資料挖掘、關聯法則探勘、Apriori

Abstract
The process of manufacturing goods in the manufacturing industry, must be accompanied by good or bad.How to improve the defective of percentage. That is a important issue. There are many situations that cause defective. Example:production quantity、manufacturing source、manufacturer、production process。Which reason is the most influential? In addition to Expert knowledge, hope to through Scientific data analysis, explore the poor detection data of the quality assurance department.
The source of this paper is provided by the companys quality assurance department. The data is from October 2018 to May 2019. Database of inspection and measurement determination to export from the database. Write module with Excel VBA to Generat online analytical processing and association rules with Apriori. The purpose is to find out the parts under different conditions the reason.
Through the online analytical processing.We Can quickly know How many pieces are the manufacturer of defective and process. Through the master-slave analysis inassociation rules. We can know that Z027 - PA-02 and cooperation manufacturer occur simultaneously. The probability of Exterior defective is 96.4%.Importance is 1.865.Combine the above results to make quality assurance staff and Manager decisions.Through Scientific data analysis to control manufacturer and process to reduce defective of percentage.

Keywords: Defective of Reason Data Mining, Association Rule Mining model, Apriori

目錄
摘要 ...................................................... i
Abstract ................................................. ii
目錄 .................................................... iii
圖目錄 .................................................... v
表目錄 ................................................. viii
第一章 緒論 .............................................. 1
第一節 研究背景 ........................................ 1
第二節 研究動機與研究目的 .............................. 2
第三節 論文架構 ........................................ 3
第四節 論文流程 ....................................... 4
第二章 文獻探討 .......................................... 5
第一節 資料倉儲 ........................................ 5
第二節 線上分析處理 .................................... 6
第三節 資料挖掘 ....................................... 10
第四節 品質管理 ....................................... 15
第五節 精密零件 ....................................... 16
第三章 研究方法 ......................................... 17
第一節 研究架構 ..................................... 17
第二節 研究流程 ..................................... 19
第三節 資料收集 ..................................... 20
第四節 資料前置處理 ................................. 21
第五節 不良數據前置處理自動化模組 ................... 28
第四章 不良原因管控分析模型 ............................. 40
第一節 線上分析處理 ................................... 40
第二節 關聯法則模型 ................................... 46
第五章 結論與未來研究方向 ............................... 64
第一節 結論 ........................................... 64
第二節 未來研究方向 ................................... 65

圖目錄
圖 2-1 多維度分析的概念............................. 7
圖 3-1 研究架構圖.................................. 18
圖 3-2 研究流程圖.................................. 19
圖 3-3 檢測不良判定資料............................ 20
圖 3-4 資料前置處理................................ 21
圖 3-5 資料精簡之檢測不良紀錄...................... 27
圖 3-6 兩種執行按鈕................................ 28
圖 3-7 第一階段-資料收集........................... 29
圖 3-8第二階段-資料整合1.......................... 30
圖 3-9第二階段-資料整合2.......................... 31
圖 3-10第二階段-資料整合3......................... 32
圖 3-11第二階段-資料整合4......................... 33
圖 3-12第二階段-資料整合5......................... 34
圖 3-13 第三階段-資料清理.......................... 34
圖 3-14 資料轉換-1................................. 36
圖 3-15 資料轉換-2................................. 37
圖 3-16 資料轉換-3................................. 38
圖 4-1 不良大類之統計.............................. 40
圖 4-2 不良大類百分比.............................. 41
圖 4-3 製程不良-負責單位統計(前五大)............... 41
圖 4-4 製程不良-負責單位百分比..................... 42
圖 4-5 製程不良-負責單位-產品大類統計.............. 42
圖 4-6 製程不良-負責單位-尺寸區間統計.............. 43
圖 4-7 製程不良-負責單位-負責內容.................. 44
圖 4-8 製程不良-負責單位-不良主因.................. 45
圖 4-9 關聯法則目標欄位設定值...................... 46
圖 4-10 不良判定-項目集-1.......................... 47
圖 4-11 不良判定-項目集-2.......................... 48
圖 4-12不良判定-項目集-3 .......................... 49
圖 4-13 不良判定-主從分析-1........................ 50
圖 4-14 不良判定-主從分析-2........................ 50
圖 4-15 不良判定-相依性網路-1...................... 51
圖 4-16 不良判定-相依性網路-2...................... 51
圖 4-17 負責單位-負責項目-項目集-1................. 52
圖 4-18 負責單位-負責項目-項目集-2................. 53
圖 4-19 負責單位-負責項目-項目集-3................. 54
圖 4-20 負責單位-負責項目-主從分析-1............... 55
圖 4-21 負責單位-負責項目-主從分析-2............... 56
圖 4-22 負責單位-負責項目-相依性網路-1............. 57
圖 4-23 負責單位-負責項目-相依性網路-2............. 57
圖 4-24 產品大類-項目集-1.......................... 58
圖 4-25 產品大類-項目集-2.......................... 59
圖 4-26 產品大類-項目集-3.......................... 60
圖 4-27 產品大類-主從分析.......................... 61
圖 4-28 產品大類-相依性網路-1...................... 62
圖 4-29 產品大類-相依性網路-2...................... 62
圖 4-30 產品大類-相依性網路-3...................... 63
圖 4-31 產品大類-相依性網路-4...................... 63

表目錄
表 3-1 常見的資料正確性問題........................ 23
表 3-2 常見的資料完整性問題........................ 23
表 3-3 遺缺填補法-常見原因......................... 24
表 3-4 前置資料-雜訊去除........................... 24
表 3-5 新屬性欄位定義.............................. 25
表 3-6 產品大類定義................................ 35

中文文獻
1.曾憲雄, 蔡秀滿, 蘇東興, 曾秋蓉, 王慶堯. (2005). 資料探勘 (Data Mining). 台北:旗標出版股份有限公司.

英文文獻
1.Berry, M. J., & Linoff, G. (1997). Data mining techniques: for marketing, sales, and customer support. John Wiley & Sons, Inc.
2.Cendrowska, J. (1987). PRISM: An algorithm for inducing modular rules. International Journal of Man-Machine Studies, 27(4), pp 349-370.
3.Hand, D. J., Mannila, H., & Smyth, P. (2001). Principles of data mining (adaptive computation and machine learning) pp. 361-452. Cambridge, MA: MIT press.
4.Fayyad, U., Piatetsky-Shapiro, G., & Smyth, P. (1996). The KDD process for extracting useful knowledge from volumes of data. Communications of the ACM, 39(11), pp 27-34.
5.Quinlan, J. R. (1979). Discovering rules by induction from large collections of examples. Expert systems in the micro electronics age.
6.Shannon, C. E. (1949). Communication theory of secrecy systems. Bell Labs Technical Journal, 28(4), pp 656-715.
7.Frawley, W. J., Piatetsky-Shapiro, G., & Matheus, C. J. (1992). Knowledge discovery in databases: An overview. AI magazine, 13(3), pp 57.


網路文獻
1.科技網. "資料倉儲"：https://www.digitimes.com.tw/tw/資料倉儲 (2019/4/13)
2.維基百科. "線上分析模型"：https://zh.wikipedia.org/wiki/線上分析處理 (2019/4/13)
3.Microsoft. "線上分析模型"https://support.office.com/zh-tw/olap (2019/4/13)
4.MBA智庫. "品質管理"：https://zh.wikipedia.org/wiki/品質管理(2019/4/13)
5.MBA智庫. "不良率管制圖"：https://wiki.mbalib.com/zh-tw/不良率管制圖 (2019/4/13)
6.每日頭條. "精密零件"：https://kknews.cc/zh-tw/tech/eo5p9aq.html (2019/4/13)