應用資料挖礦於瓶頸站排程的研究–以U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：10

、訪客IP：18.225.98.111

姓名

廖立偉(Li-wei Liao) 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

應用資料挖礦於瓶頸站排程的研究–以U公司為例
(The study of data mining in bottleneck scheduling-a case study of U company)

相關論文

★ 佈置變更專案工程的執行研究－以H公司研發單位為例	★ MIL-STD-1916、MIL-STD-105E與結合製程能力指標之抽樣檢驗計畫
★ 建構客戶導向的製造品質資訊系統--以某筆記型電腦專業代工廠商為例	★ GMP藥廠設施佈置規劃的探討--以E公司為研究對象
★ 應用Fuzzy c-Means演算法之物流中心位址決策模式研究	★ 品質資訊系統之規劃與建構 -- 以某光碟製造公司為研究對象
★ 從製程特性的觀點探討生產過程中SPC管制圖監控運用的適切性 -- 以Wafer Level 封裝公司為例	★ 六標準差之應用個案研究-以光學薄膜包裝流程改善為例
★ 利用六標準差管理提昇中小企業之製程品質-以錦絲線添加防銹蠟改善為例	★ 專業半導體測試廠MES 系統導入狀況、成果及問題之探討-以A 公司為例
★ 以RFID技術為基礎進行安全管理導入－以A公司為例	★ 如何提昇產品品質及降低成本—以光碟壓片廠A公司為例
★ ERP導入專案個案分析—以半導體封裝廠A公司為例	★ 石英元件製造業之延遲策略應用— 以T公司為研究對象
★ 十二吋晶圓廠自動化搬運系統規劃與導入—以A公司為例	★ 半導體封裝產業之生產革新改善活動-A半導體股份有限公司導入經驗探討-

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)

中國最近這些年快速崛起與低成本優勢，已對印刷電路板產業帶來巨大的影響，低成本競爭對於大多數台灣業者來說都不是強項，2008年開始的金融海嘯，接著2009年全世界電子消費市場的緊縮，都是對台灣之印電路板業廠商生產管理能力的考驗。
現在的企業環境不像以往單純，過去的企業有穩定的訂單來源，穩定的交期以及擁有充足的物料，然而，在此刻取而代之的是更複雜的生產環境以及競爭更激烈的市場。因此，如何在競爭日趨激烈的時代，讓企業更有效率的運作，是企業主管應該優先考量的。
本文運用資料挖礦中的倒傳遞類神經網路模型，分析印刷電路板製程中的瓶頸站與各工作站的在製品數量兩者的關聯性。除了利用分析所得之關聯性預測各工作站短期的在製品數量，藉以此執行及時監控整體生產是否有異常，另外可加入每月出貨需求的考量，訂定瓶頸站各產品的配置與產出供排程參考。

摘要(英)

In recent years China rapid-rise and low-cost advantages, has made the greatest influence on the printed circuit board industry, low-cost competition for the most of Taiwanese companies are weakness, the financial tsunami began in 2008, followed by 2009, the consumer electronics market tightening, are tested for the production and management of printed circuit board industry in Taiwan .
Recently, the business environment becomes more complex with the past business environment. There were stable source of orders, delivery period, and sufficient materials. However, the situation becomes more complex and the consumer market is more competitive. Therefore, it is important that a company how to be more efficient and stronger in this competitive environment.
The study applied back propagation neural network model of data mining to analyze the relationship between bottleneck station and the WIP（work in process）quantity of else stations in printed circuit board industry. Besides predicting the WIP quantity by this model in short term for monitoring whether any problems in production process in time, we also consider shipping requirement to allocate the WIP and production in bottleneck station for scheduling reference.

關鍵字(中)

★ 類神經網路
★ 瓶頸站排程
★ 資料挖礦
★ 印刷電路板

關鍵字(英)

★ Neural Network
★ Printed Circuit Board
★ Data Mining

論文目次

目錄 I
圖目錄 II
表目錄 III
第一章緒論 1
1.1 前言 1
1.2 研究動機 2
1.3 研究目的 3
1.4 研究範圍 4
1.5 論文架構 5
第二章文獻探討 8
2.1 印刷電路板製程簡介 8
2.2 印刷電路板產業的沿革與供應鏈發展 14
2.3 印刷電路板製程的瓶頸站分析 21
2.4 資料挖礦的簡介 22
2.4.1 資料挖礦的發展背景與定義 22
2.4.2 資料挖礦的功能說明 25
2.4.3 資料挖礦的流程介紹 26
2.4.4 資料挖礦常用的分析技術 29
2.5 資料挖礦之類神經網路分析 31
第三章個案公司介紹 36
3.1個案公司簡介 36
3.2成長歷程 38
3.3營業收入 40
3.4經營理念與核心價值觀 43
3.5競爭策略 46
3.6未來挑戰及應對計畫 47
第四章個案分析與討論 50
4.1 分析背景介紹 50
4.2 現行作業流程與問題彙整 51
4.3 倒傳遞類神經網路模型分析 53
4.4 應用類神經網路分析與成效評估 55
4.4.1 定義相關分析數據 55
4.4.2 分析流程 55
4.4.3 分析結果確認 57
4.5 個案分析結果 62
第五章結論與建議 65
5.1 研究結論與貢獻 65
5.2 後續研究的建議 66

參考文獻

中文參考文獻
1. 工研院（2000），《PCB製程2000》，亞洲智識科技有限公司
2. 台灣電路板協會（2009a），”2008年PCB產業發展總結與2009年展望”，
3. 台灣電路板協會（2009b），”競爭態勢的消漲-中國大陸PCB市場概況分析”，
4. 台灣電路板協會（2009c），”全球電子產業及我國PCB產業第二季回顧與第三季展望”，
5. 台灣電路板協會（2009d），”硬板市場發展與走向”，
6. 台灣電路板協會（2010a），”揮別2009年陰霾，展望2010年PCB產業”，
7. 台灣電路板協會（2010b），”全球電路板生產與市場現況狀況報告”，
8. 台灣電路板協會（2005），《印刷電路板概論（養成篇）》，全華科技
9. 呂明澤（2007），《運用資料挖礦技術進行影響良率學習之因素分析 - 以某半導體廠製程為例》，碩士論文，清華大學工業工程研究所
10. 欣興電子網站（2011），”關於欣興”，
11. 科技產業資訊室（2004），”印刷電路板及其原物料產業發展現況及趨勢”，工研院產經資訊中心
12. 陳銀貴（2003），”台灣PCB產業分析”，拓璞產業研究所
13. 張永明（2005），《資料挖掘在證券業顧客關係管理上之應用》，碩士論文，逢甲大學工業工程研究所
14. 葉怡成（2003），《類神經網路模式應用與實作》，儒林書局
15. 葉怡成（2001），《應用類神經網路》，儒林書局
16. 蘇朝墩（2006），《品質工程》，中華民國品質工程學會
英文參考文獻
1. Berry, M.J.A. and Linoff, G. (1997), “Data Mining Technique for Marketing, Sale, and Customer Support,” Wiley Computer.
2. Carven, M.W. and Shavlik, J.W. (1997), “Using Neural Networks for Data Mining,” in Future Generation Computer Systems, 13(10), 221-229.
3. Cabena, P., Hadjinian, P., Stadler, R., Verhees, J. and Zanasi A. (1997), “Data Mining from Concept to Implementation,” Prentice-Hall: Englewood Cliffs, NJ.
4. Carnahan, B. and Alice, E. (1997), “User’s Guide to Pittnet Neural Network Educational Software,” University of Pittsburgh.
5. Cavalieria, S., Maccarroneb, P. and Pinto, R. (2004), “Parametric vs. neural network models for the estimation of production costs: A case study in the automotive industry,” in International journal of Production Economics, 91(6), 165-177.
6. Fayyad, U. M., Shapiro, G. P. and Smyth, P. (1996), “From data mining to knowledge discovery in databases,” AI Magazine, 37-54.
7. Fayyad, U. M., Shapiro, G. P. and Uthurusamy, R. (1996), “Advances in Knowledge Discovery and Data Mining,” Menlo Park, CA: AAAI/MIT Press.
8. Fayyad, U. M. and Irani, K. B. (1990), “ Multi interval discretization of continous attributes for classification learning,” in Proceedings of 13th International Joint Conference on Artificial Intelligence, 8(40), 1022-1027.
9. Frawley, W.J., Shapiro, G. P. and Matheus, C.J. (1992), “Knowledge discovery in databases,” AI Magazine, 57-70.
10. Frank Rosenblatt. (1958), “The perceptron: A probabilistic model for information storage and organization in the barin,” Psychological Review, 65(15), 386-408.
11. Grupe, G. H. and Owrang, M. M. (1995), “Database Mining Discovering New Knowledge and Cooperative Advantage,” 26-31.
12. Hand, D., Manila, H. and Smyth, P. (2001), “Principles of Data Mining, “ MIT Press.
13. Hand, D., Blunt, G., Kelly, M.G., and Adams, N.M. (2000), “Data mining for fun and profit,” in Statistical Science, 5(6), 111-131.
14. Han, J., and Kamber, M. (2000), “Data Mining: Concepts and Techniques,” Morgan Kaufmann.
15. John J. Hopfield. (1982), “Neural Networks and physical system with emergent collective computational abilities,” Proc. Natl. Acad. Sci. USA, 79(80), 2554-2558.
16. James McClelland and David Rumelhart (1986), “Parallel Distributed Processing,” MIT Press, Cambridge, MA.
17. Kim, S. K. and Lee, W. I. (2003), “A maximum entropy solution for a two-dimensional inverse heat conduction problem,” in Journal of Heat Transfer, 125(66), 1197-1205.
18. McCulloch, W.S. and Pitts, W.H. (1943), “A logical calculus of ideas immanent in nervous activity”, Bulletin of Math. Biophsics, 5(5), 115-123.
19. Marvin Minsky and Seymour Paper. (1969), “Perceptrons,” MIT Press, Cambridge, MA.
20. Minia, A.A. and Williams, R.D. (1989), “Acceleration of Back-Propagation through Learning Rate and Momentum Adaptation”, IJCNN-90, 676-679.
21. Rumelhart, D.E., Hinton, G.E. and Williams, R.J. (1986), “Learning representations by backpropagation errors,” in Nature, 8(25), 533-536.
22. Vellido, A., Lisboa, P.J.G. and Vaughan, J. (1999), “Neural Networks in Business: A Survey of Applications,” in Expert Systems With Applications, 17(2), 51-70.

指導教授

何應欽(Ying-chin Ho)

審核日期

2011-6-17

推文