文献回顾基因演算法.ppt

灰關聯分析之最佳化參數(6/7) 起始連結權重 基因演算法修正後權重 * 處理神經元 N1 N2 N3 權重 2.5822 1.33247 1.1179 3.95193 1.7008 -1.0908 -4.28322 -2.93092 處理神經元 N1 N2 N3 權重 2.81 1.37695 1.2834 3.97825 1.71667 -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 * 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 9.5 9.76 因子 熱水溫度 脫脂溶劑濃度 浸泡時間 模式編碼值 70.4 38.83 8.16 最佳化參數綜合整理 (1/4) 製程穩定 * 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 MSE 1 灰關聯基因演算法 70.4 38.8 8.2 9.5 9.7 0.00028 2 灰關聯反應曲面法 81.4 33 9.8 9.8 9.8 0.00032 3 反應曲面法 80.4 33.3 9.8 9.8 9.4 0.00033 4 基因演算法 73.1 39.3 7.1 9.8 9.7 0.00038 最佳化參數綜合整理 (2/4) 品質優劣 * 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 MSE 1 灰關聯反應曲面法 81.4 33 9.8 9.8 9.8 0.00032 2 基因演算法 73.1 39.3 7.1 9.8 9.7 0.00038 3 反應曲面法 80.4 33.3 9.8 9.8 9.4 0.00033 4 灰關聯基因演算法 70.4 38.8 8.2 9.5 9.7 0.00028 最佳化參數綜合整理 (3/4) 最少時間 * 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 MSE 1 基因演算法 73.1 39.3 7.1 9.8 9.7 0.00038 2 灰關聯基因演算法 70.4 38.8 8.2 9.5 9.7 0.00028 3 反應曲面法 80.4 33.3 9.8 9.8 9.4 0.00033 4 灰關聯反應曲面法 81.4 33 9.8 9.8 9.8 0.00032 最佳化參數綜合整理 (4/4) 最小成本 * 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 MSE 1 灰關聯基因演算法 70.4 38.8 8.2 9.5 9.7 0.00028 2 基因演算法 73.1 39.3 7.1 9.8 9.7 0.00038 3 反應曲面法 80.4 33.3 9.8 9.8 9.4 0.00033 4 灰關聯反應曲面法 81.4 33 9.8 9.8 9.8 0.00032 結論與後續研究 (1/2) 結論 受塗裝金屬的表面前處理若未做確實，則將明顯提高粉體塗裝製程的不良率。 透過中央合成設計可以最少實驗設計點取得實驗所需的數據，可減少實驗所需的成本與時間。 最佳化方法所求得的最佳化製程參數不盡相同，往後研究人員可依據實際生產所需，選擇最具經濟效益的最佳製程參數，提高生產限制的彈性。 * 結論與後續研究 (2/2) 後續研究 本研究只針對粉體塗裝製程中的金屬前處理環節進行製程改善，未來可針對後續製程進行深入探討 本研究僅探討產品經粉體塗裝後的表面品質特性，未來可繼續觀察最佳化實驗樣本的物理特性，如抗腐蝕能力、耐磨性、防潮能力與塗漆剝落等問題。 * * 感 謝 聆 聽 * 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 * 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 * 研究方法 關鍵因子分析 (2/3) B1 B2 B3 B4 B2 B3 B4 A1 B1 B3 B4 A2 * 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。其影響表面