臺灣博碩士論文加值系統

可靠度是產品品質的要素，可靠度的良窳直接影響產品的品質與產業競爭力；在管理機制中致力於建立整體性的可靠度管理作業制度，依環境變遷能夠適時調整因應外在的需求，應是企業經營的發展趨勢。本論文將類神經網路之技術，建構出產品「研發階段」可靠度管理模式並驗證模式的適宜性；應用類神經網路歸納與預測的動態學習特性，進行可靠度成長預測、可靠度成長環境影響因素敏感性分析、可用度預測與可靠度機率適合性曲線模式分析等，期能更充分的提供管理決策所需資訊。
以前期可靠度與各期間可靠度誤差做為神經網路輸入變數，獲致良好的可靠度成長預測績效；另使用前一期可靠度、時間與環境溫／濕度為輸入變數，以神經網路進行敏感性分析，再以成對t檢定確認環境影響因素(溫／濕度)對可靠度成長是否具有影響性；類神經網路具有良好曲線函數逼近的適用性，針對次系統失效時間間隔的發生機率，類神經網路所建立的可靠度機率適合性曲線模式所估算的機率，相較於機率分佈模式估計的機率，具有較低的誤差值。

Reliability is the essential of product quality. It directly impacts the competition of industry. A Reliability management system should be available to the rapid changes of business. This article uses artificial neural networks to establish the reliability management models for “R&D”, and verifies the validity of these models. That’s because the neural network with the characteristics of generalization and prediction forecast the reliability growth and availability. If can also analyze the sensitivity of the environmental factors of the reliability growth and the curve fitting model. Finally, we provides the information for decision making.
Use the differences of the reliabilities between the adjacent time intervals and the previous reliabilities as the input of the neural network to obtain better performance of the forecasting in reliability growth. To following, use the reliability of the right previous one, along with its time, and the humidity/temperature to have the sensitivity analysis, and then use the paired t-test to confirm the environmental factors for the reliability growth. Artificial neural network is excellent in curve fitting. It’s better in evaluating probability by curve fitting than conventional statistical models.

目 錄
中文摘要i
英文摘要ii
誌謝iii
目錄iv
表目錄………………………………………………………………………………………..vii
圖目錄……………………………………………………………………………………….viii
一、緒論1
1.1研究動機1
1.2研究目的1
1.3研究架構1
二、文獻探討3
2.1可靠度相關文獻探討3
2.1.1可靠度定義3
2.1.2可靠度成長預測4
2.1.3「研發階段」可靠度管理8
2.2 類神經網路(GRNN與BPNN)應用10
三、類神經網路演算法介紹13
3.1類神經網路簡介13
3.2倒傳遞類神經網路(BPNN)14
3.2.1 倒傳遞類神經網路之演算過程14
3.2.2 倒傳遞類神經網路之演算法15
3.2.3 倒傳遞類神經網路應用之要點21
3.2.4 初始權數21
3.2.5 網路大小21
3.2.6 學習速率22
3.2.7 網路學習終止條件22
3.2.8 訓練樣本數22
3.3 通用迴歸神經網路(GRNN)23
3.3.1 GRNN的理論背景23
3.3.2 GRNN的實行步驟25
3.3.3 決定GRNN的平滑參數26
3.3.4改進的GRNN28
3.3.5 GRNN與其他類神經網路之不同28
3.4 網路輸入變數正規化29
3.4.1 BPNN變數正規化29
3.4.2 GRNN變數正規化30
四、研究步驟與方法31
4.1 模式內容32
4.2類神經網路之應用32
4.3確定研究範例33
4.3.1範例一33
4.3.2範例二34
4.4 範例系統簡介35
4.5失效資料蒐集與處理35
4.5.1資料型態35
4.5.2失效時隔蒐集的方式36
4.5.3限制因素36
五、「研發階段」可靠度管理模式之建構與分析37
5.1「可靠度成長預測模式」38
5.1.1以類神經網路建立可靠度成長預測模式39
5.1.2傳統可靠度成長模式---Duane模式與Donovan & Murphy新模式45
5.1.3可靠度成長迴歸模式47
5.1.4可靠度成長預測模式比較分析49
5.2「可靠度環境影響因素敏感性分析模式」52
5.2.1決定環境影響因素52
5.2.2「溫度應力」對可靠度成長的敏感性分析52
5.2.3可用度(妥善率)預測59
5.3「可靠度機率適合性曲線(curve fitting)之建構」63
六、結論與未來展望75
6.1 結論75
6.2 未來展望76
參考文獻77
附錄80∼114

1.唐麗英、蘇朝墩(1995)，可靠度成長模式之研究計畫。國家科學委員會，台北。
2.潘浙楠(1995-11)。提升系統可靠度之概念與作法。品質管制月刊，76-79。
3.林溪東(1995-10)。產品研發與使用階段之可靠度成長比較。品質管制月刊，46-50。
4.陳耀茂(1996)。可靠性分析與管理。五南圖書出版公司，台北。
5.蘇朝墩、唐麗英、柳進明(1997)，結合時間序列與類神經網路構建可靠度成長之預測模式研究，Journal of the Chinese Institute of Industrial Engineers，Vol.14 No.4 419-430.
6.關季明(1997)。維護度工程與系統可用度─整體後勤支援(ILS)與全面性維護保養(TPM)工程原理。中華民國品質學會，台北。
7.鄭合志、張毓青、吳文方(1998)。以可靠度為核心之維護方針探討。國立台灣大學工程學刊，第七十二期，17-32。
8.涂宏泰、高小茜、鄧維苓(1999)，應用Duane成長模式於武器操作資料可靠度評估，中華民國第三屆可靠度與維護度技術研討會論文集，397-401。
9.柯輝耀(1999)。可靠度保證─工程與管理計數之應用。中華民國品質學會，台北。
10.李順德(1999)。整體後勤支援原理及應用。華泰書局，台北。
11.王宗華(1999)。可靠度工程技術手冊。中華民國品質學會，台北。
12.葉怡成(2000)。應用類神經網路。儒林圖書有限公司，台北。
13.劉冠群(2000)。以可靠度方法配合裝備壽期失效曲線估算備份件之研究。國防大學中正理工學院兵器工程研究所碩士論文。
14.劉亭宜(2000)。GRNN在晶圓製造良率學習模式之建構與分析。元智大學工業工程與管理研究所碩士論文。
15.Bode, J.(1998). Decision support with neural networks in the management of research and development: Concepts and application to cost estimation. Information & Management, 34, 33-40.
16.Donovan, J. and E. Murphy (2000). A new reliability growth model: its mathematical comparison to the Duane model. Microelectronics Reliability, 40, 533-539.
17.Frost, F. and V. Karri (1999). Performance comparison of BP and GRNN models of the neural network paradigm using a practical industrial application. IEEE, 1069-1074.
18.Ho, S.L. and M. Xie(1998).The use of ARIMA models for reliability forecasting and analysis. Computer ind. Engng, 35, 213-216.
19.Ireson, W.G., C.F. Coombs and R.Y. Moss(1996). Handbook of reliability engineering and management. McGraw-Hill. New York .
20.Karunanithi, N., D. Whitley and Y.K. Malaiya(1997). Using neural networks in reliability prediction. IEEE software, 53-59.
21.Leung, M. T., A. S Chen. and Daouk H.(2000).Forecasting exchange rates using general regression neural networks. Computers & Operations Research, 27, 1093-1110.
22.Luoli, Luoqiang, H. He and F.Deng (2000). The BP neural network algorithm and the model of the reliability growth predication. Preceedings of the 3rd World Congress on Inteligent Control and Automation, 1122-1126.
23.Luxhoj
24.MIL-HDBK-189(1981). Reliability growth management. Department of Defense, Washington.
25.Patton, J.B. and J. Ilic(1993). Identification of static distribution load parameters using general regression neural networks. IEEE, 1023-1026.
26.Patrick, D.T. O''connor, Practical reiability engineering, John Wiley & Sons, Inc. New York 1991
27.Specht, D.F.(1991). A general regression neural network. IEEE transactions on Neural Network, 26, 568-576
28.Schafft, H.A., D.L. Erhart and W.K. Gladden(1997). Toward a building reliability approach. Microelectronics Reliability, 37, 3-18.
29.Walls, L. and J. Quigly(1999).Learning to improve reliability during system development. European journal of operational research, 119, 495-509.
30.Wang, S.(1999). An adaptive Approach to market development forecasting. Neural Computing & Applications, 8, 3-8.
31.Wronka, J.C.(1988). Tracking of reliability in early development. Proceedings annual reliability and maintainability symposium, 238-242.
32.Zhang, G., B.E Patuwo. and Y.H. Michael(1998). Forecasting with artificial neural networks: The state of the art. International Journal of Forecasting, 14, 35-62.