利用資料探勘方式優化PCB良率改善流程 -以C公司為例

以作者查詢圖書館館藏

、以作者查詢臺灣博碩士

、以作者查詢全國書目

、勘誤回報

、線上人數：38

、訪客IP：3.14.15.94

姓名

江逸婷(I-Ting Chiang) 查詢紙本館藏

畢業系所

工業管理研究所在職專班

論文名稱

利用資料探勘方式優化PCB良率改善流程 -以C公司為例
(Using data mining methods to optimize the PCB yield improvement process - An empirical study for C. corporation)

相關論文

★ 二階段作業研究模式於立體化設施規劃應用之探討–以半導體製造廠X及Y公司為例	★ 推行TPM活動以改善設備總合效率並提昇企業競爭力...以U公司桃園工廠為例
★ 資訊系統整合業者行銷通路策略之研究	★ 以決策樹法歸納關鍵製程暨以群集法識別關鍵路徑
★ 關鍵績效指標(KPI)之建立與推行 - 在造紙業	★ 應用實驗計劃法- 提昇IC載板錫球斷面品質最佳化之研究
★ 如何從歷史鑽孔Cp值導出新設計規則進而達到兼顧品質與降低生產成本目標	★ 產品資料管理系統建立及導入-以半導體IC封裝廠C公司為例
★ 企業由設計代工轉型為自有品牌之營運管理	★ 運用六標準差步驟與FMEA於塑膠射出成型之冷料改善研究(以S公司為例)
★ 台灣地區輪胎產業經營績效之研究	★ 以方法時間衡量法訂定OLED面板蒸鍍有機材料更換作業之時間標準
★ 利用六標準差管理提升生產效率－以Ａ公司塗料充填流程改善為例	★ 依流程相似度對目標群組做群集分析- 以航空發動機維修廠之自修工件為例
★ 設計鏈績效衡量指標建立 —以電動巴士產業A公司為例	★ 應用資料探勘尋找影響太陽能模組製程良率之因子研究

檔案

[Endnote RIS 格式]

[Bibtex 格式]

[相關文章]

[文章引用]

[完整記錄]

[館藏目錄]

至系統瀏覽論文 ( 永不開放)

摘要(中)

2019年新冠疫情爆發，供應鏈中製造、組裝、運輸、倉儲和銷售等成本節節高升，對於低毛利的PCB 產業無疑是極大的挑戰，如何更即時監控產品品質、設備穩定性以及快速地分析產品缺陷進而導入相應的改善對策，是提升公司獲利的重要課題。
PCB檢驗站中光學AOI檢驗的缺點率誤差最大，原因在於光學檢驗有其設備能力的極限，對於細小的缺點難以有效檢出，因此當光學AOI檢驗時缺點數量越多，在相同機率下漏失的點數就越多，漏失的缺點到電性測試時就會成為短路、斷路缺點導致報廢，從AOI檢驗到電性測試缺點板分析完成至少需耗費20-30天，對於關鍵製程的改善顯然缺乏即時性，改善前的這段期間持續產生更多的缺點板，造成製造成本的浪費。因此，若能有效運用AOI檢驗的第一手資訊監控品質建立模型、展開關鍵製程改善行動並以模型預測電性測試良率進行改善確效，可以縮短缺點分析以及改善計畫展開的時程，並漸少不良品的產生數量和WIP (Work In Process)的製造成本。
本研究之目的在於建立一準確、即時並可廣泛運用在各式產品的模型，透過資料庫中AOI檢驗基板短路、斷路的缺點數據，對應最終的電性測試短路、斷路資料，找出影響電性測試結果的因子，建立良率預估模型，用以加速品質改善流程。
本文將以CRIPS-DM 資料探勘流程為基礎，分析PCB製造流程中AOI檢驗的缺點分類數據與電性測試的結果建立模型，確認兩者之間的相關性高低，並利用預估結果找出影響良率的關鍵因子，與實際結果是否相符合，使用SAS Enterprise Guide進行判別分析作資料前處理，以及SAS Enterprise miner比較羅吉斯迴歸分析、決策樹分析以及類神經網路分析各模型的準確率，挑選出合適的預測模型。

摘要(英)

With the outbreak of Covid-19 in 2019, the cost of manufacturing, assembly, transportation, warehousing and sales in the supply chain has been rising, which is undoubtedly a great challenge for the low-margin PCB industry. How to monitor product quality, equipment stability, and Quickly analyzing product defects and then introducing corresponding improvement countermeasures is an important issue to improve the profits of the company.
The optical AOI inspection error is the largest in all the PCB inspection station. The reason is the limit of its equipment capabilities, and it is difficult to effectively detect small defects. Therefore, once the amount of defeats increase, more small defects will be missed under the same probability. The missed defeats will become short and open defeats in electrical test, which will lead to scraps.
It will take at least 20-30 days from AOI inspection to electrical defect board analysis, and the improvement of key processes is obviously lack of immediacy. More defects are continually generated before corrective action being taken, resulting in waste of manufacturing costs. Therefore, if we can effectively use the first-hand information of AOI inspection to monitor the quality and establish a model to predict the electrical test yield for improvement and validation, we can shorten the time of all improvements, and reduce the number of defective products and the manufacturing cost of WIP (Work In Process).
The purpose of this research is to establish an accurate and immediate model that can be widely used in various products. According to the AOI inspection results, corresponding to the final electrical test short-circuit and open-circuit data, find out the factors that affect the electrical test results.
Based on the CRIPS-DM process, this paper will use the defect data of the AOI inspection in the PCB manufacturing process and the results of the electrical test to establish a model, corroborate with the actual results, and confirm the correlation between the two inspections.
In this research, SAS Enterprise Guide will be used in discriminant analysis for data preprocessing, and SAS Enterprise miner will be used to compare the accuracy of each model of Logistic regression analysis, decision tree analysis, and neural network-like analysis results, and to select a suitable model for prediction.

關鍵字(中)

★ 印刷電路板
★ 良率
★ 羅吉斯迴歸
★ 類神經網路
★ 決策樹

關鍵字(英)

★ PCB
★ Logistic regression
★ Decision Tree
★ Neural network
★ Yield

論文目次

摘要 ii
Abstract iii
致謝 iv
第一章前言 1
1-1 研究背景與動機 1
1-2 研究目的與範圍 2
第二章文獻探討 3
2-1 資料探勘流程 4
2-2 羅吉斯迴歸 6
2-3 決策樹 9
2-4 類神經網路 12
2-5 交叉驗證 14
2-6 PCB生產流程與品質監控 16

第三章研究方法 20
3-1 研究流程與架構 20
3-2 商業分析 21
第四章數據分析 23
4-1 數據前處理 23
4-2 羅吉斯迴歸 25
4-3 決策樹 27
4-4 類神經網路 28
第五章結果分析 30
5-1 模型比較 30
5-2 模型驗證 30
第六章結論與研究建議 33
6-1 結論 33
6-2 研究建議 33
參考文獻 35

參考文獻

[1] Pete Chapman (NCR), Julian Clinton (SPSS), Randy Kerber (NCR),Thomas Khabaza (SPSS), Thomas Reinartz (DaimlerChrysler),Colin Shearer (SPSS) and Rüdiger Wirth (DaimlerChrysler) 2000，CRISP-DM 1.0
[2] 林展平. (2004). 資料探勘分類技術於游泳會員流失區別模型之研究.
[3] 詹大偉. (2008). 基於電子郵件通聯之社交網路探勘.
[4] 宅學習peter_tsao.(2021) 共同筆記 2.0 » 深網(Deep Web)智慧 » 7. 分類(Classification) 上網日期 2022年5月(https://sls.weco.net/node/10936)
[5] ntroduction to SEMMA, SAS® Help Center. 上網日期 2022年3月 (https://documentation.sas.com/doc/en/emref/14.3/n061bzurmej4j3n1jnj8bbjjm1a2.htm)
[6] 陳鴻烈, 蔡大偉. (2007). 不同優養水質共線性分析及模式選擇之研究. 水土保持學報, 39 (3)229–246.
[7] 江奕. (2016). 邏輯斯迴歸分析. 臺北醫學大學生物統計研究中心 ENews, (11).
[8] 詹勳全, 陳柏安, & 溫祐霆. (2015). 以地理資訊系統搭配羅吉斯迴歸、不安定指數及支撐向量機建立山崩潛感之比較分析. 中華水土保持學報, 46(4), 213–222.
[9] 丁振原. (2003). 以資料探勘技術為基建構PCB客訴問題處理模式.
[10] 鍾秋英. (2003). 資料挖掘應用於產品失效模式與效應分析---以印刷電路板業為例.
[11] 楊新全. (2018). 運用羅吉斯迴歸模型於需量反應潛在目標用戶分析.
[12] 謝昆霖, 唐麗英. (2003). 積體電路良率管理之良率模式構建-類神經網路之應用.
[13] 大光的飄浮天空/2018 筆記：RNN及眾多應，上網日期2022年6月(http://kayjean.blogspot.com/2018/10/rnn.html)
[14] 隆征帆. (2017). 折交叉验证折数确定方法初探.
[15] 蔡易霖.交叉驗證 Cross-Validation簡介(2021) 上網日期 2022年5月(https://ithelp.ithome.com.tw/m/articles/10278851)
[16] 陳冠吟. (2017). 類神經網路預測員工績效之比較研究.
[17] 劉焮芳. (2011). 應用資料探勘技術並以DMAIC為架構建構在製品水準設定流程之研究.
[18] 楊錦洲, & 陳百盛. (2005). 應用類神經網路於顧客群之分類分析. 管理與系統, 十二(三), 43–65.
[19] 賴威豪, & 曾紹崟. (2017). 基於深度卷積神經網路之印刷電路板影像瑕疵分類. AOI論壇與展覽.

指導教授

曾富祥(Fu-Shiang Tseng)

審核日期

2022-7-30

推文