進階搜尋


   電子論文尚未授權公開,紙本請查館藏目錄
(※如查詢不到或館藏狀況顯示「閉架不公開」,表示該本論文不在書庫,無法取用。)
系統識別號 U0026-3007201501295100
論文名稱(中文) 應用資料探勘改善偏光板翹曲問題-以T公司為例
論文名稱(英文) Application of data mining to improve the polarizing curl - Take T's case
校院名稱 成功大學
系所名稱(中) 工業與資訊管理學系碩士在職專班
系所名稱(英) Department of Industrial and Information Management (on the job class)
學年度 103
學期 2
出版年 104
研究生(中文) 陳田協
研究生(英文) Tien-Hsieh Chen
學號 R37021244
學位類別 碩士
語文別 中文
論文頁數 70頁
口試委員 指導教授-利德江
口試委員-戴文禮
口試委員-葉俊吾
口試委員-張峯銘
中文關鍵字 資料探勘  偏光板  翹曲  決策樹  迴歸分析 
英文關鍵字 Data Mining  Polarizer  Curl  Decision Tree  Linear Regression 
學科別分類
中文摘要 由於面板產業的競爭激烈及持續擴產,不斷的以降低價格來刺激需求,連帶著其上游原物料也被逼著要每年降價來配合,偏光板便是平面液晶顯示器的其中一個上遊原物料;而大部份產業最快節省成本的方法即是提升良率,同樣的製造成本只要提高良率,則不良品數量減少,一來可以售出的成品變多了,二來也可以降低不良品的處理費用。偏光板的不良原因通常為外觀缺點,但當該缺點下降到一定水準後,要再改善則需花費更多的成本才辦得到,這時便需要著手其他問題了。
偏光板的不良項目中還有翹曲這個狀況;偏光板的翹曲會造成面板在加工時發生偏貼泡及貼合不良等問題,在貼合不良的處理上需要將不良的偏光板撕下再重工,而撕偏光板時又可能造成面板破裂等狀況。因為翹曲會衍生這些問題,因而檢驗有翹曲這個項目,但偏光板在沒有外觀缺點的情況下,因為翹曲問題而被判定為不良品實為可惜;故為了增加面板廠偏貼的良率,及減少偏光板被客訴及賠償,偏光板的翹曲狀況變成是一個非得要解決不可的問題。
本研究針對偏光板的製程中,把平時的生產條件記錄及品管的量測數據,透過資料探勘的分類方法,以決策樹及線性迴歸的分析,把主要影響偏光板翹曲的製程條件找出並加以控制,藉以改善及控制偏光板的翹曲問題,使翹曲值能符合面板廠的要求,以提升面板廠及偏光板廠的品質及減少時間成本。
英文摘要 This study first collects the production condition records and the quality control data on the production process of polarizers. Then, through the classification method of data mining, and analysis with the decision tree, as well as linear regression, the main factors that lead to polarizer curling are discovered and further controlled, to alleviate and control the curling problem of polarizers. Hence, the curling value will be in line with screen manufacturers’ requirements and the polarizer quality, along with the time cost of panel and polarizer manufacturers can be enhanced and saved.
論文目次 摘要 I
Extended Abstract II
誌謝 VI
目錄 VII
表目錄 XI
圖目錄 XIII
第一章 緒論 1
1.1 研究背景與動機 1
1.2 研究目的 2
1.3 研究流程 3
第二章 文獻探討 4
2.1 偏光板介紹 4
2.1.1 偏光板的構造 5
2.1.2 偏光板的製程 6
2.1.3 翹曲問題 7
2.2 資料探勘 7
2.2.1 資料探勘之類型 9
2.3 決策樹與迴歸分析 11
2.3.1 決策樹分析 11
2.3.2 迴歸分析 12
2.4 資料探勘之流程與步驟 16
第三章 研究方法 17
3.1 研究流程 17
3.2 數據蒐集 17
3.2.1 翹向的定義 17
3.2.2 翹曲值的量測 18
3.2.3 蒐集數據之位置(站別) 19
3.2.4 研究限制 21
3.3 數據整理 22
3.4 資料探勘分析 23
3.4.1 NB Tree 23
3.4.2 J48(C 4.5) 23
3.4.3 LinearRegression 24
3.4.4 M5P 24
3.4.5 10-Folds Cross-Validation 24
第四章 實例驗證 25
4.1 NB Tree決策樹分析 27
4.1.1 MD方向翹曲(未撕保護膜)之分析(10-Folds Cross-Validation) 28
4.1.2 TD方向翹曲(未撕保護膜)之分析(10-Folds Cross-Validation) 29
4.1.3 MD方向翹曲(已撕保護膜)之分析(10-Folds Cross-Validation) 30
4.1.4 TD方向翹曲(已撕保護膜)之分析(10-Folds Cross-Validation) 32
4.1.5 小結 33
4.2 J48(C 4.5)分析結果 34
4.2.1 MD方向翹曲(未撕保護膜)之分析(10-Folds Cross-Validation) 34
4.2.2 TD方向翹曲(未撕保護膜)之分析(10-Folds Cross-Validation) 36
4.2.3 MD方向翹曲(未撕保護膜)之分析(10-Folds Cross-Validation) 37
4.2.4 TD方向翹曲(已撕保護膜)之分析(10-Folds Cross-Validation) 39
4.2.5 小結 41
4.3 Linear Regression(線性迴歸)分析結果 42
4.3.1 MD方向翹曲(未撕保護膜)之分析(10-Folds Cross-Validation) 42
4.3.2 TD方向翹曲(未撕保護膜)之分析(10-Folds Cross-Validation) 45
4.3.3 MD方向翹曲(已撕保護膜)之分析(10-Folds Cross-Validation) 48
4.3.4 TD方向翹曲(已撕保護膜)之分析(10-Folds Cross-Validation) 51
4.3.5 小結 54
4.4 M5P分析結果 55
4.4.1 MD方向翹曲(未撕保護膜)之分析(10-Folds Cross-Validation) 55
4.4.2 TD方向翹曲(未撕保護膜)之分析(10-Folds Cross-Validation) 57
4.4.3 MD方向翹曲(已撕保護膜)之分析(10-Folds Cross-Validation) 59
4.4.4 TD方向翹曲(撕保護膜)之分析(10-Folds Cross-Validation) 62
4.4.5 小結 65
第五章 結論與建議 66
5.1 結論 66
5.2 建議 67
參考文獻 68
參考文獻 丁一賢、陳牧言,資料探勘 Data Mining,滄海書局,民國94年4月
李雅惠,縮短偏光板製造業新產品開發送樣時程之研究-以X公司為例,國立中央大學工業管理研究所碩士論文,民國98年6月
吳岸樺,超薄型偏光板之研究與發展,工業材料雜誌-光電特刊 330期,106-114,民國103年6月
范志新,偏光片知識講座 第四講 偏光片的結構與製造,現代顯示 Advanced Display 136期,5-12,民國101年3月
孫惠民,資料採掘 理論與實務規劃手冊,松崗電腦圖書有限公司,民國96年3月
張瑋倫,應用資料挖掘學習方法探討顧客關係管理問題,輔仁大學資訊管理學系研究所碩士論文,民國89年
張語恬、朱基銘、簡戊鑑、周雨青、楊燦、盧瑜芬、白健佑、白璐、Thomas Wetter、孫建安、羅慶徽,比較三種資料探勘演算法預測子宮頸癌五年存活的外部通用性效能,臺灣家庭醫學雜誌 17卷4期 , 222-238 , 民國96年12月
游雅雯、鄭博文、林宏茂、梁玉芬,以資料探勘技術預測健康檢查大腸息肉之風險因子,醫務管理期刊 13卷3期 , 162-178 , 民國101年9月
劉怡君,偏光膜的原理及應用,工業材料雜誌 188期,153-159,民國91年8月
Amir Hossein Rasekh , Zeinab Liaghat , Ala Mahdavi, Predict Edges in Fliker Social Network Using , Scientific Research Intelligent Information Management, 4, 60-65, 2012
Cabena, P., Hadjinian, P., Stadler, J. V., & Zanasi, A.,Discovering Data Cabena Mining from Concept to Implementation, Pretice Hall PTR, Upper Saddle River. ,1998
David R. Anderson , Dennis J. Sweeney , Thomas A. Williams , Jeffrey D. Camm , James J. Cochran , Statistics for Business and Economics 12E , Cengage Learning , 2013
Fayyad, U. G., G. Piatetsky - Shapiro and P. Smyth, “The KDD process for extracting useful knowledge from volumes of data,” Cummunication of the ACM, 39(11),27-34 ,1996
Hall, C., The Devil’s in The Details:Techniques, Tools, and Application for Database Mining and Knowledge Discovery Part 1, Intelligent Software ,1995
Hui, S. C., & Jha, G., Data mining for customer service support. Information and Management, 38(1), 1-13 ,2000
Ian H. Witten, Eibe Frank, Mark A. Hall, Data Mining Practical Machine Learning Tools and Techniques Third Edition, Morgan Kaufmann, Burlington, 152-154, 2011
Petra Perner ,“A Method for Supporting the Domain Expert by the Interpretation of Different Decision Trees Learnt from the Same Domain “, Quality and Reliability Engineering International , 30 ,985-992, 2014
Radhika Goel, Anjali Sardana, and Ramesh C. Joshi, Parallel Misuse and Anomaly Detection Model , International Journal of Network Security, Vol.14, No.4, PP.211-222, 2012 
Sudip Mandal, Goutam Saha and Rajat K. Pal , An Approach towards Automated Disease Diagnosis & Drug Design Using Hybrid Rough- Decision Tree from Microarray Dataset , Computer Science Systems Biology , Volume 6 , 337-343, 2013
Wikil Kwak , Yong Shi , John J. Cheh , Firm Bankruptcy Prediction Using Multiple Criteria Linear Programming DataMining Approach , Advances in Investment Analysis and Portfolio Management , 2 , 27-49, 2006
論文全文使用權限
  • 同意授權校內瀏覽/列印電子全文服務,於2020-08-14起公開。


  • 如您有疑問,請聯絡圖書館
    聯絡電話:(06)2757575#65773
    聯絡E-mail:etds@email.ncku.edu.tw