| dc.contributor.advisor | 楊素芬 | zh_TW |
| dc.contributor.author (Authors) | 郭昭貝 | zh_TW |
| dc.creator (作者) | 郭昭貝 | zh_TW |
| dc.date (日期) | 2003 | en_US |
| dc.date.accessioned | 2009-09-14 | - |
| dc.date.available | 2009-09-14 | - |
| dc.date.issued (上傳時間) | 2009-09-14 | - |
| dc.identifier (Other Identifiers) | G0091354014 | en_US |
| dc.identifier.uri (URI) | https://nccur.lib.nccu.edu.tw/handle/140.119/30884 | - |
| dc.description (描述) | 碩士 | zh_TW |
| dc.description (描述) | 國立政治大學 | zh_TW |
| dc.description (描述) | 統計研究所 | zh_TW |
| dc.description (描述) | 91354014 | zh_TW |
| dc.description (描述) | 92 | zh_TW |
| dc.description.abstract (摘要) | 為了提升競爭優勢與生產能力，並進而達到永續經營的目的，突破現況、持續改善產品品質、降低產品成本與服務成本則成為提昇競爭力的重要因素之一，因此產品在設計開發階段就必需要考量品質與成本的問題。 本研究以電源轉換器為對象。該電源轉換器目前已設計完成且已通過美國UL安規認證，並已在國內量產銷售，但因為該電源轉換器的溫升及其變異很大，仍然會導致該產品的壽命過短，因此降低電源轉換器的溫升及其變異是一急需解決的問題。 透過了田口與實驗設計的方法規劃及進行實驗並收集數據。並利用十二種分析方法(包括：田口方法、主成份分析、主成份＋倒傳遞類神經網路＋基因演算法、主成份灰關聯＋倒傳遞類神經網路＋基因演算法、指數型理想函數＋倒傳遞類神經網路＋基因演算法、MSE方法、MSE方法＋倒傳遞類神經網路＋基因演算法、SUM方法、SUM方法＋倒傳遞類神經網路＋基因演算法、重要零件加總法、重要零件加總法＋倒傳遞類神經網路＋基因演算法)對實驗數據進行分析，以決定最適因子水準組合。 由改善後的確認實驗得到：雖然平均溫升下降的程度不大，然而大部份量測點的溫升標準差都顯著變小了。因此本研究在降低該電源轉換器溫升變異的效果十分顯著。對於電源轉換器的生產者而言，品質提升就是提升銷售量的保證，因此本研究所得到的最適因子水準組合，雖然產品在成本上有些微的增加，但品質改善後之產品將可為生產者帶來更多有形與無形之利益。 | zh_TW |
| dc.description.tableofcontents | 1 緒論 1 1.1 前言 1 1.2 研究動機與目的 2 1.3 研究流程 2 1.4 論文架構 4 2 文獻探討 5 2.1 單一品質特性之參數設計 5 2.1.1 田口方法 5 2.1.2 實驗設計 6 2.1.3 雙反應值的解決方法 6 2.2 多重品質特性之參數設計 7 2.2.1 主成份分析 7 2.2.2 主成份灰關聯 7 2.2.3 理想函數 8 2.3 結合倒傳遞類神經網路與基因演算法於參數設計 8 2.3.1 倒傳遞類神經網路 10 2.3.2 基因演算法 12 2.4 小結 14 3 問題敘述與實驗規劃 16 3.1 電源轉換器之現況與問題敘述 16 3.1.1 現況分析 18 3.2 改善方式 24 3.2.1 外殼部份之篩選 25 3.2.2 矽膠片放置與材質之篩選 30 4 實驗規劃與矩陣實驗 52 4.1 矩陣實驗 52 4.1.1 不可控因子 52 4.1.2 可控因子 53 4.2 決定外部零件之最適水準組合 55 4.2.1 以田口方法決定最適因子水準組合 56 4.2.2 以主成份方法決定最適因子水準組合 60 4.2.3 以主成份方法結合倒傳遞類神經網路並以基因演算法搜尋出最適因子水準組合 64 4.2.4 主成份灰關聯結合倒傳遞類神經網路並以基因演算法搜尋出最適因子水準組合 68 4.2.5 以指數型理想函數方法決定最適因子水準組合 75 4.2.6 指數型理想函數結合倒傳遞類神經網路並以基因演算法搜尋最適因子水準組合 77 4.2.7 以MSE方法決定最適水準組合 79 4.2.8 以MSE方法結合倒傳遞類神經網路並以基因演算法搜尋出最適因子水準組合 80 4.2.9 以加總(SUM)方法決定最適因子水準組合 82 4.2.10 以SUM方法結合倒傳遞類神經網路並以基因演算法搜尋出最適因子水準組合 83 4.2.11 以加總重要零件之平均數及標準差決定最適因子水準組合85 4.2.12 以加總重要零件之平均數及標準差方法結合倒傳遞類神經網路並以基因演算法搜尋出最適因子水準組合 86 4.3 分析結果之比較 88 5 確認實驗與效益評估 91 5.1 確認實驗 91 5.2 效益評估 92 6 結論 95 參考文獻 97 附錄A 99 附錄B 107 附錄C 113 附錄D 118 附錄E 128 圖1-3-1 研究流程 3 圖2-3-1 倒傳遞類神經網路基本架構圖 11 圖2-3-2 基因演算法之流程圖 13 圖3-1-1 特性要因圖 17 圖3-1-2 零件量測點圖 20 圖3-1-3 外殼測點圖 20 圖3-1-4 編號19之量測點－恆溫恆濕箱 20 圖3-1-5 現況之主成份因素分析陡坡圖 22 圖3-1-6 共同因素一與共同因素二之零件分布圖 24 圖3-2-1 前六個消費者較為喜愛的鑽孔圖 26 圖3-2-2 通過六次墜落測試之外殼圖 28 圖3-2-3 最終選擇的四個外殼鑽孔圖 29 圖3-2-4 篩選放置矽膠片位置下之三變量多元常態圖 31 圖3-2-5 篩選放置矽膠片位置下殘差的多元常態圖 33 圖3-2-6 主成份分析之陡坡圖 35 圖3-2-7 放置位置之回應圖 38 圖3-2-8 主成份因素分析陡坡圖 40 圖3-2-9 共同因素一多變量分析之殘差檢驗圖 43 圖3-2-10 決定放置矽膠片零件下之三個量測點之多元常態圖 49 圖3-2-11 決定放置矽膠片零件下多變量分析殘差之多元常態圖50 圖4-1-1 鑽孔圖形 53 圖4-1-2 一半孔數之鑽孔圖形 54 圖4-2-1 IC之回應圖 57 圖4-2-2 IC下之交互作用圖 57 圖4-2-3 SN比回應圖(主成分) 66 圖4-2-4 基因演算法視窗示意圖 67 圖4-2-5 SN比回應圖(主成分灰關聯) 74 圖4-2-6 SN比回應圖(指數型理想函數) 78 圖4-2-7 SN比回應圖(MSE) 81 圖4-2-8 SN比回應圖(SUM) 84 圖4-2-9 SN比回應圖(重要) 87 表2-1-1 損失函數與SN比公式表 5 表3-1-1 WX08-050型號規格表 16 表3-1-2 影響電源轉換器溫度高且變異大之因子分類表 17 表3-1-3 不可控因子水準及模擬環境表 18 表3-1-4 19個量測點表 19 表3-1-5 現況之主成份因素分析之特徵值與變異百分比 22 表3-1-6 現況下旋轉後之因素分析表 23 表3-2-1 通過前五次撞擊之外殼編號表 27 表3-2-2 通過前六次撞擊之外殼編號表 27 表3-2-3 篩選放置矽膠片位置的水準表 31 表3-2-4 篩選放置矽膠片位置之多變量變異數分析表 32 表3-2-5 不同矽膠片放置位置的零件溫升比較表 34 表3-2-6 選取之主成份特徵值與變異百分比表 35 表3-2-7 選取之主成份特徵向量表 36 表3-2-8 8筆實驗數據下的主成份分數 37 表3-2-9 篩選矽膠片放置方式之三種分析方法整理表 38 表3-2-10 篩選材質之實驗配置表 39 表3-2-11 主成份因素分析結果表 40 表3-2-12 旋轉後的因素分析表 41 表3-2-13 共同因素分數表 42 表3-2-14 共同因素一之變異數分析表 43 表3-2-15 同因素二之變異數分析表 44 表3-2-16 共同因素三之變異數分析表 45 表3-2-17 篩選材質之三種分析方法整理表 45 表3-2-18 決定需放置矽膠片之實驗因子水準表 46 表3-2-19 指數型理想函數判定值表 47 表3-2-20 決定需放置矽膠片之三種分析方法整理表 48 表3-2-21 決定需放置矽膠片之確認實驗配置表 48 表3-2-22 決定放置矽膠片零件之多變量變異數分析表 50 表3-2-23 各放置矽膠片組合之比較表 51 表4-1-1 不可控因子水準表 53 表4-1-2 可控因子之因子水準表 54 表4-1-3 矩陣實驗表 55 表4-2-1 每個處理下各量測點之SN比表 56 表4-2-2 IC之回應表 57 表4-2-3 各量測點下之最適水準組合 58 表4-2-4 現況與最適因子水準組合比較表 59 表4-2-5 田口方法分析下所得之最適零件水準組合 60 表4-2-6 主成份分析之特徵值與解釋的變異百分比表 61 表4-2-7 七個主成份之特徵向量表 61 表4-2-8 主成份分數表 63 表4-2-9 綜合分數表 63 表4-2-10 以主成分分析所得之最適零件水準組合 64 表4-2-11 8個處理轉換後之綜合分數 65 表4-2-12 基因演算法之參數設定組合 67 表4-2-13 基因演算法搜尋出之最適因子水準組合表(主成份) 68 表4-2-14 比較序列表 69 表4-2-15 轉換後之數據 69 表4-2-16 五個主成份之特徵值與解釋變異百分比 70 表4-2-17 五個主成份之特徵向量 70 表4-2-18 5個主成份之主成份分數表 71 表4-2-19 主成份灰關聯係數表 72 表4-2-20 平均溫升之主成份灰關聯度表 72 表4-2-21 溫升標準差之主成份灰關聯度表 73 表4-2-22 基因演算法搜尋出之最適因子水準組合表(主成分灰關聯)74 表4-2-23 各處理下平均溫升之判定值 75 表4-2-24 各處理下溫升標準差之判定值 76 表4-2-25 加權後之判定值表 76 表4-2-26 以指數型理想函數所得之最適零件水準組合表 77 表4-2-27 溫升平均數與溫升標準差之判定值表 77 表4-2-28 基因演算法搜尋出之最適因子水準組合表(指數型理想函數)78 表4-2-29 8個處理下之MSE數值表 79 表4-2-30 以MSE方法得之最適零件水準組合表 80 表4-2-31 轉換後之MSE數值表 80 表4-2-32 基因演算法搜尋出之最適因子水準組合表(MSE) 82 表4-2-33 SUM(加總)數值表 82 表4-2-34 以加總方法所得之最適零件水準組合表 83 表4-2-35 轉換後之SUM(加總)數值表 83 表4-2-36 基因演算法搜尋出之最適因子水準組合表(SUM) 85 表4-2-37 各處理下重要零件之平均溫升和溫升標準差 85 表4-2-38 以加總重要零件之平均數及標準差得之最適零件水準組合表86 表4-2-39 重要零件轉換後之平均數與標準差數值表 86 表4-2-40 基因演算法搜尋出之最適因子水準組合表(重要) 88 表4-3-1 各種分析方法之最適因子水準組合表 88 表4-3-2 交叉預測結果整理表 89 表5-1-1 三組較佳之因子水準組合與現況比較表 91 表5-1-2 現況與三種最適因子水準組合分析結果之比較表 94 | zh_TW |
| dc.language.iso | en_US | - |
| dc.source.uri (資料來源) | http://thesis.lib.nccu.edu.tw/record/#G0091354014 | en_US |
| dc.subject (關鍵詞) | 參數設計 | zh_TW |
| dc.subject (關鍵詞) | 田口方法 | zh_TW |
| dc.subject (關鍵詞) | 倒傳遞類神經網路 | zh_TW |
| dc.subject (關鍵詞) | 基因演算法 | zh_TW |
| dc.subject (關鍵詞) | 指數型理想函數 | zh_TW |
| dc.subject (關鍵詞) | 主成分分析 | zh_TW |
| dc.title (題名) | 電源轉換器外部零件參數最佳化設計之研究 | zh_TW |
| dc.type (資料類型) | thesis | en |
| dc.relation.reference (參考文獻) | 1. Copeland, K. A. F. and Nelson P. R. (1996), “Dual Response Optimization via Direct Function Minimization”, Journal of Quality Technology, Vol. 28, No. 3, pp. 331-336. | zh_TW |
| dc.relation.reference (參考文獻) | 2. Derringer, G and Suich , R. (1980), “Simultaneous Optimization of Several Response Variables”, Journal of Quality Technology, pp. 214-219. | zh_TW |
| dc.relation.reference (參考文獻) | 3. Evolver (1998),Palisade Corporation, N. Y. . | zh_TW |
| dc.relation.reference (參考文獻) | 4. Holland, J. H. (1975), Adaption in Neural and Artificial Systems, University of Michigan Press. (Second edition: MIT Press, 1992). | zh_TW |
| dc.relation.reference (參考文獻) | 5. Hsieh, K. L. and Tong, L. I. (2001), “Optimization of Multiple Quality Responses Involing Qualitative and Quantitive Characteristics in IC Manufacturing Using Neural Networks”, Computers in Industry, Vol. 46, pp. 1-12. | zh_TW |
| dc.relation.reference (參考文獻) | 6. Khaw, J. F. C., Lim, B. S. and Lim, L. E. N. (1995), “Optimal design of neural networks using the Taguchi Method”, Neurocomputing, Vol. 7, No. 3, pp. 223-245. | zh_TW |
| dc.relation.reference (參考文獻) | 7. Kim, K. J. and Lin, D. K. J. (2000), “Simultaneous Optimization of Mechanical Properties of Steel by Maximizing Exponential Desirability Functions”, Applied Statistics, volume 49, part 3, pp. 311-325. | zh_TW |
| dc.relation.reference (參考文獻) | 8. MATLAB (2002), Mathworks, Inc. , U. S. A. . | zh_TW |
| dc.relation.reference (參考文獻) | 9. Montgomery, D. C. (2001), Design and Analysis of Experiments, fifth edition,Wiley. | zh_TW |
| dc.relation.reference (參考文獻) | 10. Rencher, A, C. (2002), Method of Multivariate Analysis, second edition, Wiley Interscience. | zh_TW |
| dc.relation.reference (參考文獻) | 11. Su, C. T. and Tong L. I. (1997), “Multi-response Robust Design by Principal Component Analysis”, Total Quality Management, Vol. 8, No. 6, pp. 409-416. | zh_TW |
| dc.relation.reference (參考文獻) | 12. Werbos, P. J. (1974), “Beyond Regression: New Tools for Prediction and Analysis in The Behavioral Sciences”, Doctoral dissation, Harvard University. | zh_TW |
| dc.relation.reference (參考文獻) | 13. 王宗富(2001)，「多重品質特性製程參數最適化研究，以高分子有機電機發光顯示器為例」，國立台灣科技大學工業管理研究所未出版碩士論文。 | zh_TW |
| dc.relation.reference (參考文獻) | 14. 林佳瑩(2003)，「以參數設計降低電源轉換器溫度之研究」，國立政治大學統計學系未出版碩士論文。 | zh_TW |
| dc.relation.reference (參考文獻) | 15. 姜台林(2001)，「整合式智慧型最適化參數設計之研究」，國立交通大學工業工程與管理研究所未出版博士論文。 | zh_TW |
| dc.relation.reference (參考文獻) | 16. 鄧聚龍(2000)，「灰色系統理論與應用」，高立圖書有限公司。 | zh_TW |
| dc.relation.reference (參考文獻) | 17. 廖德銘(2003)，「光纖耦合器量產製程參數最適化設計」，國立交通大學工業工程與管理研究所未出版博士論文。 | zh_TW |
| dc.relation.reference (參考文獻) | 18. 蘇朝墩，(2000)，「產品穩健設計」，中華民國品質學會。 | zh_TW |
| dc.relation.reference (參考文獻) | 19. 蘇木春、張孝德(2003)，「機器學習：類神經網路、模糊系統以及基因演算法則」，全華科技圖書股份有限公司。 | zh_TW |
