南台科技学科管所.pptVIP

天下事有难易乎,为之,则难者亦易矣;不为,则易者亦难 討 論 報告大綱 一、前言 實驗設計(DOE) 一直是用來分析系 統、改善製程、研發新產品與求得最佳配 方的一項有效工具，其應用領域非常廣 泛，在學術界與實務界都扮演著極重要的 角色。 一、前言 DOE 主要是利用變異數分析找出顯著 之因子後，再利用反應曲面法(RSM)來找 出最佳配方。 一、前言 當反應變數不只一個時，就以重疊等 高線圖的方式來進行分析，如果反應變數 的數目越多，就會建構出越多的反應曲面 模型，此時以重疊等高線圖的方式就越不 容易用來求解最佳配方。 一、前言 Tong et al. (2005) 以田口方法的 信號雜音比為基礎，利用主成份分析與理 想解類似度偏好順序評估法的技巧，分別 分析具有多反應的靜態及動態田口實驗。 一、前言 上述所提文獻在最佳化多反應時，皆 是針對各反應分別建模後再進行整合以得 出最佳配方，而本研究以相對效率的概念 能同時考慮所有的反應，對多個反應同時 進行資料分析，利用能夠有效分析多投入 多產出的資料包絡分析法為基礎，建構一 套最佳化之流程，找出具有多反應的 DOE 實驗之最佳配方。 一、前言 本研究先以DEA 分析由DOE 所得之實 驗數據，將具有多個反應之實驗數據轉換 成一個相對效率指標，根據此效率指標再 利用自組性演算法(GMDH)適配出一個效率 估計模型，接著僅需利用此一個效率估計 模型即可找出最佳配方。 一、前言 最後，引用文獻上的四個案例進行最 佳化方法之比較，此外，亦將本研究方法 應用到新竹某積體電路公司的一個蝕刻製 程實驗，以說明本研究方法之可行性。 二、資料包絡分析法 Charnes et al. (1978) 所提出之 DEA 模型，又稱CCR 模型，是利用虛擬乘 數將多投入與多產出加權整合成單一投入 與單一產出，然後以此作為效率衡量的指 標，在固定規模報酬的前提下，可求得使 每個DMU 自身有最大效率的投入與產出權 重。 二、資料包絡分析法 假設共有L 個DMU 要進行分析，則某 個DMU 投入導向之相對效率可由下式式 (1) 求得： 二、資料包絡分析法 二、資料包絡分析法 由於式 (1) 為一個分數規劃模型， 且在固定規模報酬的假設下，會有無限多 解之情形，故通常將式 (1) 轉換成式 (2) 之線性規劃模型以方便求解。 二、資料包絡分析法 三、自組性演算法 GMDH演算法是根據系統的投入與產 出，以迴歸方程式所估計的產出來建構一 個由投入變數所組成的自組織模型。 三、自組性演算法 假設現有的資料為一個產出變數 (y)，N 個投入變數(x1、x2…xn)，GMDH 演算法的第一步驟是將投入變數兩兩一組 構成一個多項式，即有N(N ?1)/2個多項 式，利用以下之二次迴歸多項式模型得出 y之估計值式 (3) 。 三、自組性演算法 其中A、B、C、D、E 與F 為模型的參 數， s與t 為由投入變數(x1、x2…xn)所 組成的任一對投入變數， 則為適配之 y 的估計值。 三、自組性演算法 接下來第二步驟是篩選進入下一個世 代的變數，選取之準則是依據均方絕對誤 差或相對誤差等指標，透過這些指標可衡 量y 之估計值與實際值的差異程度。 三、自組性演算法 最後根據此世代與上一世代的指標值 來確認模型是否應繼續改善，若此世代之 模型結果優於上一世代，則重複進行上述 流程，直到模型無法再改善為止，此時可 得到以下之多項式式 (4) ： 三、自組性演算法 四、應用DEA與GMDH流程 本研究針對篩選實驗之後決定最佳配 方的階段，提出一套可分析具有多反應之 實驗的最佳化流程。 四、應用DEA與GMDH流程 步驟一：規劃實驗及進行實驗 首先選定可控因子(X1、X2…Xn)與反 應變數，然後選擇適當之DOE 實驗配置來 規劃實驗，再根據此實驗配置進行實驗， 紀錄實驗之反應值與各反應之特性要求 (屬於望大、望目或望小性質)。 令第i 個實驗點所紀錄的第j 個反應變數值為 ，i=1,…,m，j=1,…,n。 四、應用DEA與GMDH流程 步驟二：以DEA分析實驗數據 本研究在使用DEA 模型時，為了能夠 在相同的投入項下評比所有產出項之績效 表現，對於實驗所紀錄之反應值 ，利 用下式進行轉換，轉換後之資料以 表示，i=1,…,m，j=1,…,n： 如以下式（５） 四、應用DEA與GMDH流程 四、應用DEA與GMDH流程 本研究令ε (非阿基米德常數，代表 一個極小之正數) 代表每個DMU