应用中央合成设计於粉体涂装制程参数最佳化之研究

1、0應用中央合成設計於粉體塗裝製程參數最佳化之研究 指導教授：方正中 學 生：胡又元 南台科技大學 工業管理研究所1報告大綱研究動機與目的文獻回顧多品質特性最佳化研究方法案例驗證結論與後續研究2研究動機 塗裝業者普遍所面臨到的主要問題如塗裝品質不佳不良率高缺乏正確且完整的塗裝知識缺乏缺乏解決問題之管道導致無法有效解決所面臨的問題 3研究目的本研究之目的提高產品塗裝表面之品質 縮短總生產時間 降低生產成本 4文獻回顧粉體塗裝中央合成設計層級分析法反應曲面法基因類神經網路灰關聯分析 5文獻回顧 粉體塗裝製程簡介(1/2)素材表面油漬處理 素材表面平整性及附著性處理 第一次塗裝處理 （電著）第二次塗裝

2、處理 （烘烤）6 文獻回顧 粉體塗裝常見問題 （2/2）成塊 膜厚不均 附著不良 針孔 凸粒 凸面 冒泡 剝落 7中央合成設計（CCD）為一個2水準的完整2k因子設計或2k-p 部分因子設計，使用中心點與軸點進行估計可估計二次模式中的純二次項可有效配置一階及二階模式文獻回顧 中央合成設計(1/2)8王修茂 (2005) :中央合成設計應用在FGD廢水添加飛灰之研究 Santhiagu Arockiasamy(2008) :結蘭膠生產最佳製程參數組合 Charnnarong Saikaew(2010) :應用中央合成設計針對碳元素參混鉬氧化物薄膜塗裝製程改善 Allen Bai(2010) :中

3、央合成設計結合反應曲面法，針對AZ91D鋁合金噴塗氧化物塗膜製程對於氧化變量如何影響其抗腐蝕能力 CCD相關文獻 (2/2)9文獻回顧 反應曲面法 (1/8) 反應曲面法是探討多個因子對反應值的關係式，並且設定各影響因子的水準參數值，透過實驗矩陣的實際測試，觀察在何種因子與水準組合下會有較佳的輸出反應值。 10文獻回顧 反應曲面法 (2/8)一階模式二階模式11文獻回顧 反應曲面法 (3/8) 運用反應曲面法面對多品質特性問題時，可利用Derringer and Such（1980）提出的望想函數，此聯立最佳化技術可處理多種品質特性的最佳化問題。整體的最大化總望想函數D D=(d1d2dm)1

4、/m 12文獻回顧 反應曲面法 (4/8)品質特性為望目特性13文獻回顧 反應曲面法 (5/8)品質特性為望大特性 14文獻回顧 反應曲面法 (6/8)品質特性為望小特性 15文獻回顧 反應曲面法 (7/8)林英傑 (2002) :多品質目標考量下之光造型製程最佳化研究 葉秋鈴 (2004) :六標準差應用於導光板印刷製程之最佳化研究王伯元 (2005) :運用實驗設計法與最小變異控制器於射出成形之製程控制魏子夏 (2005) :實驗設計應用在製程最佳參數之研究 以不銹鋼超細線為例黃乾怡 (2006) :無鉛環保焊料鋼板印刷製程參數優化“ 16文獻回顧 反應曲面法 (8/8)葉志偉 (2008

5、) :應用資料包絡分析法與自組性演算法最佳化來自實驗設計之多反應變數 林宗佑 (2009) :應用實驗設計法於難溶藥物處方之研究17文獻回顧 類神經網路 (1/4)類神經網路（Artificial Neural Network,ANN）是一種計算系統，它使用大量簡單的相連人工神經元來模仿生物神經網路的能力。 18文獻回顧 類神經網路 (2/4) 。 19文獻回顧 類神經網路 (3/4)周乃昉 (2001) : 應用類神經網路於颱風降雨量推估林錫寬 (2002) : 應用電腦視覺與類神經網於BGA缺陷檢測系統林瑞山 (2003) : 類神經網路於預測晶圓測試良率之應用黃凡維 (2006) : 應

6、用EWMA於類神經網路以監控製程平均20文獻回顧 類神經網路 (5/5)Stavroula Gr. Mougiakakou（2007）:冠狀動脈硬化症預測之研究 葉怡成 (2009) : 基於類神經網路與交叉驗證法之田口方法21文獻回顧 基因演算法(1/4) 基因演算法是由Holland(1975)所提出，乃是利用生物對自然環境的適應度而產生的演化機制，建立一 個具有自然界演化機制的人工系統。 初始化族群 適合度函數 複製 交配 突變 22文獻回顧 基因演算法(2/4)初始族群計算適應函數終止條件達成複 製交配突變否最佳解是23文獻回顧 基因演算法(3/4)Srinivasan (1998)

7、: 以類神經網路結合基因演算法的方法以預測短期 的電力需求 Kim與Han (2000) : 結合基因演算法與類神經網路於股價的預測A. Salman與M. Atallah Al-Shammiri (2007) :預測不同環境下鹽水蒸發率 Shujuan Li與Yan Li (2007) :基因演算法結合類神經網路模式預測最早完工時間之研究 24Mahesh B. Parappagoudar (2008) : 濕沙模鑄造法的最佳化製程參數研究 王春和 (2009) : 於基因演算法及重要性指標求解多元件系統維修策略最佳化 。文獻回顧 基因演算法(4/4)25文獻回顧 層級分析法 (1/3)圖3

8、.1：具模糊權數的網路圖 層級分析法是由Satty(1980)所提出，可用於較模糊、不確定性的且較多評估準則的決策問題上。透過問卷設計與專家的討論與意見，評估其各因子的重要程度並計算權重，即可得到一個符合實務要求的優先順序指標。26文獻回顧 層級分析法 (2/3)進行層級分析法需注意以下最高層級為評估之最終目標。各評估因素具有獨立性。每個層級中，評估因素不可超過七個。評估時，可將絕對數值尺度轉換成比例尺度。使用成對比較後，將行成正倒數矩陣。需驗證一致性。 需滿足遞移性。要素優劣程度，可由加權法則求得。27文獻回顧 層級分析法 (3/3)薛義誠 (2003) : 運用層級分析法探討台灣中藥製造業

9、的關鍵成功因素 凌于右 (2006)與王和源 (2004) : 利用層級分析法進行觀光港埠建設BOT之決策評估 林士彥 (2009) : 利用平衡計分卡與層級分析法，結合模糊理論，進行台灣各地之休閒度假旅館，整體績效的模糊層級分析 徐村和與林凌仲 (2006) :透過分析網路流程與模糊集合理論，放寬傳統層級分析法對於各要素之間需獨立的限制 28文獻回顧 灰關聯分析 (1/3)灰關聯分析能夠量化各因素之間的關聯程度大小，測量分析離散序列之間的相關程度，計算出一個可進行整體評估的綜合指標。灰關聯分析已被廣泛的應用在各領域之中，如企業評價、品質管理、服務績效評估等，是一個備受肯定的多屬性決策分析工具

10、。29文獻回顧 層級分析法 (2/3)林士彥 (2004) : 透過灰關聯分析來進行資訊服務業的企業聲望評估 湯玲郎 (2001) :應用灰關聯分析、類神經網路、案例推理法進行財物危機預警模式之預測 彭克仲 (2001) :應用模糊理論結合灰關聯分析來評估台灣鮮食鳳梨織品質 王月雲 (2003) :應用灰關聯分析，針對遠東科技大學管理學群之會計課程進行課程內容評估 徐志宏 (2005) :透過品質機能展開與灰關聯分析進行腳踏車設計之相關策略 30文獻回顧 層級分析法 (3/3)許哲強 (2008) :透過灰關聯分析來探討台灣發行消費券之政策的可行性評估 劉鎮源 (2009) :透過灰關聯分析求

11、得最佳設計策略，其能有效率地提升設計品質與縮短產品開發的前置時間 鄭駿豪 (2009) :以灰關聯分析探討科技公司之專業技術轉移關鍵因素 31研究方法 關鍵因子分析 (1/3)本研究將把上述之四個製程分別於鄰近，且噴塗流程類似的廠商B進行交叉比對每次實驗分別投入五十件素材進行噴塗，並觀察各實驗組別的不良品件數32研究方法 關鍵因子分析 (2/3)B1B2B3B4B2B3B4A1B1B3B4A233研究方法 關鍵因子分析 (3/3)測試結果: B製程共有不良品9件，製程A1不良品共37件，遠大於其他三個製程A2、A3、A4，不良品分別為13、12、9件。優先選擇製程A1作為影響品質的關鍵製程。其

12、影響表面油漬處理不完全的可能因素有：1.熱水溫度: 7095 。2.脫脂化學溶劑濃度: 2540 pt/100ml。3.浸泡時間: 515分鐘。34研究方法 CCD實驗設計 (1/3) 中央合成設計 (Central Composite Design, CCD) 因子水準範圍。 CodedItem-1.68(-) -1011.68() A7075.06 82.5 89.94 95B2528.04 32.5 36.97 40C57.024 10 12.98 1535研究方法 CCD實驗設計 (2/3)36研究方法 CCD實驗設計 (3/3)本研究之實驗將依產品表面品質特性而有二個輸出值Y1Y2分

13、別為表面粗糙程度與色彩均勻程度。 37本研究將運用層級分析法來求得品質特性之權重，其步驟如下：1.設計多品質特性一對一層級分析問卷2.建立成對比較矩陣3.計算特徵值與特徵向量4.一致性檢定5.各品質特性權重研究方法 層級分析法計算品質特性權重(1/2)38研究方法 層級分析法計算品質特性權重(2/2)39結合反應曲面法1.建立模式2.確認模式3.確認實驗4.加入AHP品質特性權重5.最佳化參數預測研究方法 最佳參數預測 (1/4)40研究方法 最佳參數預測 (2/4)結合基因類神經網路1.建構類神經網路2.確定隱藏層數目3.求得最小MSE之類神經網路連結權重4.連結權重輸入基因演算法5.加入A

14、HP品質特性權重6.最佳化參數預測41研究方法 最佳參數預測 (3/4) Xi輸入訊號。42研究方法 最佳參數預測 (4/4)結合灰關聯分析1.計算多品質特性灰關聯度2.加入反應曲面法3.加入基因類神經網路案例驗證 AHP品質權重計算(1/2)多品質特性權重資料43表面粗糙程度上色均勻程度相關人員10.75000.2500相關人員20.75000.2500相關人員30.83330.1667相關人員40.83330.1667相關人員50.50000.5000相關人員60.83330.1667平均0.750.25案例驗證 AHP品質權重計算(2/2)轉換後權重數據44AHP權重值望想函數權重值0.

15、757.750.253.2545案例驗證 反應曲面法實驗結果(1/7)表面粗糙程度數據資料輸出案例驗證 反應曲面法實驗結果(2/7)46案例驗證 反應曲面法實驗結果(3/7)上色均勻程度數據資料輸出47案例驗證 反應曲面法實驗結果(4/7)48案例驗證 反應曲面法實驗結果(5/7)反應曲面預測模式表面粗糙程度 = 9.7345 - 0.1021 X1+ 0.2246 X2 0.2131 X3 0.1261 X12-0.41483 X22-0.42738 X32-0.21701 X1X2-0.05758 X1X3+0.10186 X2X3上色均勻程度 = 9.35076 0.17537 X1+

16、0.22458 X2 0.2131 X3 0.4411 X12-0.79257 X22-0.80512 X32-0.21701 X1X2-0.05758 X1X3+0.10186 X2X349案例驗證 反應曲面法實驗結果(6/7)最佳化預測輸出值50案例驗證 反應曲面法實驗結果(7/7)因子熱水溫度 脫脂溶劑濃度 浸泡時間 最佳參數80.3533.339.7551品質特性表面粗糙程度上色均勻程度最佳預測值9.83019.36.1基因類神經網路實驗結果(1/5)確認網路模型52組別輸入層個數隱藏層個數第一層神經元個數第二層神經元個數輸出層個數訓練次數MSE131202100000.0593123

17、1302100000.05456332222100000.04773432332100000.04530532232100000.04117632322100000.03939732332100000.04213基因類神經網路實驗結果(2/5)建立網路模型53基因類神經網路實驗結果(3/5)起始連結權重基因演算法修正連結權重54處理神經元N1N2N3N4N5權重-2.57271.3924420.691059-0.44467-0.842361-0.9043521.4225884.587545-0.656767-0.9737372.851732-2.782058-2.465311.0297051.

18、123411處理神經元N1N2N3N4N5權重-14.78371.15832.58940.64610.392412.0421-7.1275-3.1770-1.3451-1.8783-8.44175.76822.90291.28141.1234基因類神經網路實驗結果(4/5)最佳預測值最佳參數組合55因子熱水溫度 脫脂溶劑濃度 浸泡時間 模式編碼值0.154050.954940.20204實際值73.139.327.024品質特性表面粗糙程度上色均勻程度模式預測值9.8119.75基因類神經網路實驗結果(5/5)確認實驗56X1X2X3Y1Y2Q1Q2SQDVMSE0.0003810.15400

19、.95490.20209.89.89.819.750.0003520.15400.95490.20209.99.79.819.750.0004630.15400.95490.20209.89.79.819.750.0003440.15400.95490.20209.89.79.819.750.0003450.15400.95490.20209.99.79.819.750.0004560.15400.95490.20209.89.89.819.750.00035模式MSE = 0.301537灰關聯分析之最佳化參數(1/7)多品質特性灰關聯係數57設計點表面粗糙程度上色均勻程度望大特性望大特性1

20、0.529411760.4545454520.348837210.3679653730.84905660.8947368440.616438350.48571428.180.999999991190.918367340.93406593200.43689320.41463414灰關聯分析之最佳化參數(2/7)多品質特性灰關聯度58灰關聯度10.51069518420.35361924730.86047665840.583757335.170.358542789180.999999993190.922291988200.431328437灰關聯分析之最佳化參數(3/7)灰關聯結合反應曲面法實驗結

21、果最佳灰關聯度最佳預測值最佳參數組合59品質特性灰關聯度最佳預測值0.9397因子熱水溫度 脫脂溶劑濃度 浸泡時間 最佳參數81.4232.919.82品質特性表面粗糙程度上色均勻程度最佳預測值9.77719.4灰關聯分析之最佳化參數(4/7)灰關聯結合基因類神經網路確認網路模型60組別輸入層個數隱藏層個數第一層神經元個數第二層神經元個數輸出層個數訓練次數MSE130001100000.0549231201100000.0511332211100000.0432432221100000.0469灰關聯分析之最佳化參數(5/7)建立網路模型61灰關聯分析之最佳化參數(6/7)起始連結權重基因演算

22、法修正後權重62處理神經元N1N2N3權重2.58221.332471.1179 3.951931.7008-1.0908 -4.28322 -2.93092處理神經元N1N2N3權重2.811.376951.28343.978251.71667-1.1502 -4.29043 -2.388灰關聯分析之最佳化參數(7/7)灰關聯結合基因類神經網路實驗結果最佳灰關聯度最佳預測值最佳參數組合63品質特性灰關聯度最佳預測值0.862059品質特性表面粗糙程度上色均勻程度最佳預測值9.59.76因子熱水溫度 脫脂溶劑濃度 浸泡時間 模式編碼值70.438.838.16最佳化參數綜合整理 (1/4)製程穩定64排序最佳化方法熱水溫度脫脂溶劑濃度浸泡時間表面均勻程度上色均勻程度MSE1灰關聯基因演算法70.438.88.29.59.70.000282灰關聯反應曲面法81.4339.89.89.80.000323反應曲面法80.433.39.89.89.40.000334基因演算法73.139.37.19.89.70.00038最佳化參數綜合整理 (2/4)品質優劣65排序最佳化方法熱水溫度脫脂溶劑濃度浸泡時間表面均勻程度上色均勻程度MSE1灰關聯反應曲面法81.4339.89