跳到主要內容

簡易檢索 / 詳目顯示

回結果列表
研究生： 李宜寧
Yij-Ning Li
論文名稱： 選取多變量特性值最理想條件的方法之比較
指導教授： 王丕承
P.C. Wang
口試委員:
學位類別： 碩士
Master
系所名稱： 管理學院 - 工業管理研究所
Graduate Institute of Industrial Management
畢業學年度： 93
語文別： 中文
論文頁數： 39
相關次數： 點閱：3  下載：0 
分享至:
查詢本校圖書館目錄 查詢臺灣博碩士論文知識加值系統 勘誤回報


    • 本文套用兩種方式來比較Khuri 和 Conlon(1981)、Plante(2001)和Romano，Varetto 和 Vicario(2004)的三個最佳化準則。此三項最佳化準則各自有不同著重的觀點，Khuri 和 Conlon(1981)的準則強調每一特性值和各自最佳特性值之間的差距越小越好；Plante(2001)的準則強調以最大化總製程能力指標的觀點來作為最佳化手法的概念；Romano，Varetto 和 Vicario(2004)的準則是利用最小化損失函數的方式，來當作最佳化手法的概念。而比較的第一個方式是將此三個準則應用於單一實際範例，我們將此三個最佳化準則的應用流程作詳細的說明和介紹；方式二為採用模擬的手法來比較此三個最佳化準則的好與壞。我們假設在實際製程中，最常見的條件限制情況為特性值之間有修復成本的考量及特性值彼此之間存在有相關性，而在這些情況下，希望能找到最適合此情況的最佳化準則。根據這兩個方式，觀察何種準則能夠使得所找到的每一特性值，會與該特性的最佳值最為接近，並藉由比較後呈現的結果，判斷此三種手法的好與壞。

    第一章　緒論 ……………………………………………………………………… 1 第二章　 模型與研究方法 …………………………………………………………3 2.1　 符號介紹 ……………………………………………………………………3 2.2　 KC(C)最佳化準則……………………………………………………………4 2.3　 P(C)最佳化準則 ……………………………………………………………6 2.4　 RVV(C)最佳化準則…………………………………………………………10 第三章　 不同最佳化準則的應用與比較 ……………………………………… 13 3.1　 範例描述……………………………………………………………………13 3.2　 範例應用……………………………………………………………………15 3.3　 實驗模擬與分析 ………………………………………………………… 27 第四章 結論與貢獻 …………………………………………………………… 37 參考文獻 ……………………………………………………………………………38 圖 目 錄 圖3.1 力傳導器……………………………………………………………………13 圖3.2 力的非線性狀態與力的滯後現象狀態……………………………………14 圖3.3 無相關特性值下三種準則的比較…………………………………………33 圖3.4 低相關特性值下三種準則的比較…………………………………………33 圖3.5 高相關特性值下三種準則的比較…………………………………………34 圖3.6 KC(0)準則在無相關、低相關和高相關特性值下之比較…………………34 表 目 錄 表3.1 設計與數據…………………………………………………………………16 表3.2 可控因子和干擾因子的水準值……………………………………………16 表3.3 所有準則求得的最理想製程條件及產生的個別特性值…………………27 表3.4 模擬條件假設………………………………………………………………28 表3.5 無相關特性值的結果………………………………………………………30 表3.6 低相關特性值的結果………………………………………………………31 表3.7 高相關特性值的結果………………………………………………………32 表3.8 KC(C)、P(C)和RVV(C)三項準則的績效評估………………………………35

    參 考 文 獻
    [1] Ames, A. E. , Mattucci, N. , MacDonald, S. , Szonyi, G. and Hawkins, D. M. (1997), “Quality Loss Functions for Optimization Across Multiple Response Surfaces,” Journal of Quality Technology, 29, 339~346.
    [2] Box, G. E. P. and Wilson, K. B. (1951), “On the Experimental Attainment of Optimum Conditions,” Journal of the Royal Statistical Society, 13, 1~45.
    [3] DelCastillo, E. , Montgomery, D. C. and McCarville, D. R. (1996), “Modified Desirability Functions for Multiple Response Optimization,” Journal of Quality Technology, 28, 337~345.
    [4] Draper, N. R. and Smith, H. (1998), “Applied Regression Analysis,” John Wiley and Sons, New York.
    [5] Harrington, E. C. (1965), “The Desirability Function,” Industrial Quality Control, 21, 494~498.
    [6] Hill, W. J. and Hunter, W. G. (1966), “A Review of Response Surface Methodology：A Literature Review,” Technometrics, 8, 571~590.
    [7] Khuri, A. I. and Conlon,M. (1981), “Simultaneous Optimization of Multiple Responses Represented by Polynomial Regression Functions,” Technometrics, 23, 363~375.
    [8] Khuri, A. I. and Cornell, J. A. (1996), “Response Surfaces： Designs and Analyses,” Marcel Dekker, New York.
    [9] Montgomery, D. C. (2001), “Design and Analysis of Experiments,” John Wiley and Sons, New York.
    [10] Montgomery, D. C. (2001), “Introduction to Statistical Quality Control,” John Wiley and Sons, New York.
    [11] Myers, R. H. , Khuri, A. I. and Vining, G. G. (1992), “Response surface Alternatives to the Taguchi Robust Parameter Design Approach,” The American Statistician, 46, 131~139.
    [12] Plante, R. D. (2001), “Process Capability：A Criterion for Optimizing Multiple Response Product and Process Design,”
    IIE Transactions, 33, 497~509.
    [13] Romano, D. , Varetto, M. and Vicario G. (2004), “Multiresponse Robust Design：A General Framework Based on Combined Array,” Journal of Quality Technology, 36, 27~37.
    [14] Ving, G. G. (1998), “A Compromise Approach to Multiresponse
    Optimization,” Journal of Quality Technology, 22, 15~22.

    QR CODE
    :::