PCB產業產品的製造過程中有一段是DES之製程，有關顯影(Develop)、蝕刻(Etch)、去墨烘乾(Dry Film Strip)部分，其產出後印刷電路板上面之品質為數項參數所影響；本研究以倒傳遞類神經網路為主，迴歸分析為輔，案例式推導為比較，以建立印刷電路板DES製程即時品質監控為目標，分析其製程參數對於品質的影響，經由線上即時(online real time)製程參數的取得，利用迴歸分析找出與品質有顯著關係的製程參數，透過類神經網路模組便可得知在此製程狀態下，其品質的是否合格，同時本研究也探討那些製程參數對於PCB品質有主要之影響。比較案例式推導與類神經網路對於本研究案例的適用性，結果發現倒傳遞類神經網路對於品質預測之結果較為準確。

In this research, we developed an on-line real-time monitoring and diagnostic system for the Develop, Etch and dry film Strip (i.e., DES process) operations in the Printed Circuit Board (PCB) factory. From the empirical data of PCB factory, quality is affected by several key factors. Consequently, key factors that influenced the process should be identified first and through statistical regression analysis. The neural network expert control system is used to implement the real-time diagnostics and decisions will be made according to the input on-line captured from the system. Moreover, the criterion, root mean square error is used to evaluate the performances of case-base reasoning and backpropagation neural network. The comparisons result in that backpropagation neural network approach is superior to the case-base reasoning in this research.

第一章 緒論…………………………………………………………… 1
1.1 研究背景與動機………………………………………………… 1
1.2 研究目的與範圍………………………………………………… 2
1.3 研究方法與流程………………………………………………… 2
1.4 論文架構………………………………………………………… 4
第二章 文獻探討……………………………………………………… 5
2.1 類神經網路之發展過程………………………………………… 5
2.1.1 類神經網路應用於設備診斷……………………………… 7
2.1.2 類神經網路與傳統管制法的比較………………………… 8
2.1.3 類神經網路與統計製程管制的整合應用…………………10
2.1.4 類神經網路之學習參數……………………………………11
2.2 案例式推導(Case-Based Reasoning) ………………………13
2.3 DES製程…………………………………………………………14
第三章 問題描述………………………………………………………20
第四章 類神經網路……………………………………………………25
4.1 一般線型迴歸分析………………………………………………25
4.2 案例式推導原理…………………………………………………26
4.3 類神經網路原理…………………………………………………28
4.4 類神經網路的基本架構…………………………………………29
4.4.1 運算元………………………………………………………29
4.4.2 層……………………………………………………………30
4.4.3 網路…………………………………………………………32
4.5 倒傳遞類神經網路………………………………………………33
4.5.1 倒傳遞網路之架構…………………………………………33
4.5.2 倒傳遞網路學習過程………………………………………36
4.5.3 倒傳遞學習過程之終止條件………………………………38
4.5.3 倒傳遞網路之參數設定……………………………………39
4.6 類神經網路之建立步驟…………………………………………42
第五章 模式建立與實驗分析…………………………………………47
5.1 資料型態之選擇…………………………………………………47
5.2 迴歸分析─向後刪除法(Backward Elimination)……………49
5.3 建立類神經網路模型……………………………………………50
5.3.1 O模型類神經網路參數設定 ………………………………50
5.3.2 P模型類神經網路參數設定 ………………………………59
5.3.3 尋找較佳類神經網路參數組合的結果……………………66
5.3.4 O模型與P模型的比較………………………………………66
5.4 案例式推導與類神經網路的比較………………………………68
5.4.1 O模型案例式推導與P模型案例式推導之比較……………68
5.4.2 模型案例式推導與類神經網路之比較結果………………71
5.5 小結………………………………………………………………71
第六章 結論與展望……………………………………………………73
6.1 結論………………………………………………………………73
6.2 未來展望…………………………………………………………74
參考文獻…………………………………………………………………75
圖目錄
圖1.1 研究流程圖……………………………………………………… 3
圖2.1 正膜與負膜之應用圖解…………………………………………15
圖2.2 影響銅箔化學移除之因素………………………………………16
圖2.3 蝕刻因子定義……………………………………………………17
圖3.1 多層版製作流程…………………………………………………21
圖3.2 DES 製造流程……………………………………………………22
圖3.3 監控系統架構……………………………………………………23
圖4.1 類神經網路之基本架構…………………………………………29
圖4.2 運算元之基本運作方式…………………………………………30
圖4.3 正規化輸出………………………………………………………31
圖4.4 競爭化輸出………………………………………………………31
圖4.5 競爭化學習………………………………………………………32
圖4.6 動態學習及動態預測流程圖……………………………………37
圖4.7 倒傳遞網路運作流程圖…………………………………………38
圖4.8 類神經網路DES 製程品質判斷輸出入訊號關係圖……………43
圖5.1 O模型隱藏層運算元數目與均方根誤差 ………………………52
圖5.2 O模型學習速率與均方根誤差 …………………………………53
圖5.3 O模型學習次數與均方根誤差 …………………………………54
圖5.4 O模型衰退批量與均方根誤差 …………………………………56
圖5.5 O模型衰退率與均方根誤差 ……………………………………57
圖5.6 O模型慣性動量與均方根誤差 …………………………………58
圖5.7 O模型不同參數組合之均方根誤差比較圖 ……………………58
圖5.8 P模型隱藏層運算元數目與均方根誤差 ………………………60
圖5.9 P模型學習速率與均方根誤差 …………………………………61
圖5.10 P模型學習次數與均方根誤差…………………………………62
圖5.11 P模型衰退批量與均方根誤差…………………………………63
圖5.12 P模型衰退率與均方根誤差……………………………………64
圖5.13 P模型慣性動量與均方根誤差…………………………………65
圖5.14 P模型不同參數組合之均方根誤差比較圖……………………65
圖5.15 O模型與P 模型之訓練誤差比較圖……………………………67
圖5.16 O模型與P 模型測試誤差比較圖………………………………67
圖5.17 O模型與P 模型之案例式推導誤差比較圖……………………68
圖5.18 案例式推導與類神經網路之比較 ……………………………71
圖5.19 輸入製程參數之重要影響程度 ………………………………72
表目錄
表2.1 類神經網路模式………………………………………………… 6
表2.2 各種因素對網路學習精確性的影響……………………………11
表2.3 DES 製程問題與原因……………………………………………18
表3.1 各階段設置感應器狀況…………………………………………22
表3.2 類神經網路輸入參數……………………………………………24
表4.1 製程品質判斷之輸入參數及其值域表…………………………46
表4.2 製程品質判斷之輸出參數及其值域表…………………………46
表5.1 類神經網路參數…………………………………………………48
表5.2 資料型態比較表…………………………………………………48
表5.3 製程參數與線寬關係之迴歸分析………………………………49
表5.4 製程參數與蝕刻因子關係之迴歸分析…………………………50
表5.5 O模型隱藏層運算元數目與均方根誤差 ………………………51
表5.6 O模型學習速率與均方根誤差 …………………………………53
表5.7 O模型學習次數與均方根誤差 …………………………………54
表5.8 O模型衰退批量與均方根誤差 …………………………………55
表5.9 O模型衰退率與均方根誤差 ……………………………………56
表5.10 O模型慣性動量與均方根誤差…………………………………57
表5.11 P模型隱藏層運算元數目與均方根誤差………………………59
表5.12 P模型學習速率與均方根誤差…………………………………60
表5.13 P模型學習次數與均方根誤差…………………………………61
表5.14 P模型衰退批量與均方根誤差…………………………………62
表5.15 P模型衰退率與均方根誤差……………………………………63
表5.16 P模型慣性動量與均方根誤差…………………………………64
表5.17 O模型與P 模型比較……………………………………………66
表5.18 O模型之資料擷取數與均方根誤差……………………………69
表5.19 P模型之資料擷取數與均方根誤差……………………………70

[1] Butler, Karen L. and A. James Momoh, "Robust features selection scheme for fault diagnosis in an electric power distribution system," Canadian Conference Electrical and Computer Engineering (Cat. No. 93TH0590-0), Vol.1, pp. 209-213, 1993.
[2] Carolyn M. et al., "An Investigation of Machine Learning Based Prediction Systems," The Journal of Systems and Software pp. 23-29, 2000.
[3] Dominguez, S. et al., "A Neural network Based Quality Control System for Steel Strip Manufacturing," IFAC Artificial Intelligence in Real Time Control, Valencia, Spain, pp. 185-190, 1994.
[4] He, Zhenyz et al., "Neural network and its application on machinery fault diagnosis," IEEE International Conference on Systems Engineering (Cat. No. 92CH3179-9), pp. 576-579, 1992.
[5] Hebb, D. O., Organization of behavior, Wiley, New York, 1949.
[6] Hongkyu J. and H. Ingoo, "Integration of Case-Based Forecasting, Neural Network, and Discriminant Analysis for Bankruptcy Prediction," Expert Systems with Applications, Vol. 11, No.4, pp.415-422, 1996.
[7] Hopfield, J. K., "Neural networks and physical systems with emergent collective computational abilities," Proceedings of the Neural Academy of Science USA 79, pp. 2554-2558, 1982.
[8] http://www.ofipcb.com.tw/c_index.htm
[9] Huang, S. C. and Y. F. Huang, "A neural network structure for vector quantizers," IEEE International Sympoisum on, pp. 2506-2509 vol.5, 1991.
[10] Hush, D. R. and B. G. Horne, "Progress in supervised neural networks," IEEE Signal Processing Magazine, January, 8-39, 1993.
[11] Hush, D. R. et al., "Error Surfaces for Multi-layer Perceptrons," IEEE Transactions on System, Man and Cybernetics, 22, 2, 1992.
[12] Igor J. et al., "Case-based Reasoning in IVF: Prediction and Knowledge Mining,"Artificial Intelligence in Medicine pp. 1-24, 1998.
[13] James, W., Psychology (Briefer course), New York, Holt, 1890.
[14] Kohonen, T., "Self-organized formation of topologically correct feature maps," Biological Cybernetics, 43, pp. 59-69, 1982.
[15] Krzysztof, J. et al., "Diagnosis of Tool Wear Based on Cutting Forces and Acoustic Emission Measures as Inputs to a Neural Network," Journal of Intelligent Manufacturing, pp. 447-455, 1998.
[16] Marko, K. A. et al., "Automatic diagnostics using trainable classifiers statistical testing and paradigm selection," IJCNN, I, pp. 33-38, 1990.
[17] Matthews, M. and N. Whitlow, "SPC Implementation and Real Time Results," IEEE/CHMT International, Page(s): 99-103, 1989.
[18] McCulloch, W. S. and W. H. Pitts, "A logical calculus of the ideas immanent in nervous activity," Bulletin of Mathematical Biophysics, pp. 115-133, 1943.
[19] Minsky, M. and S. A. Papert, Perceptrons, Expanded Edition, MIT Press, 1988, Original edition, 1969.
[20] Mirsepassi, A., "Application of Artificial Neural Networks to the Real Time Operation of Water Treatment Plants," IEEE International Conference on Volume:1, pp. 516-521 vol.1, 1995.
[21] Rodriguez, C. et al., "A modular approach t the design of neural networks for fault diagnosis in power systems," IJCNN, III, pp. 16-23, 1992.
[22] Rosenblatt, F., Principles of neuro-dynamics, Spartan Books, New York, 1959.
[23] Shun-Pen C. et al., "A Framework of An Intelligent Real-Time Decision Support System for Process Control in Electronics Assembly," Symposium on, Page(s): 544-548, 1997.
[24] Sung Ho Ha and Sang Chan Park, "Application of data mining tools to hotel data mart on the Inteanet for database markrting," Expert Systems with Applications, 15,pp. 1-31. 1998.
[25] Vapnik, V. N. and A. Y. Chervonnenkis, "On the uniform convergence of relative frequencies of events to their probabilities," Theory of Probability and its applications, 16(2), pp. 264-280, 1971.
[26] Widrow, B. and M. E. Hoff, "Adaptive switchings circuits," 1960 IRE WESON Conventional Record, part4, pp. 96-10, 1960.
[27] 白蓉生，電路板解困及規範手冊，初版，台北，電路板資訊雜誌社，民國八十九年。
[28] 吳宗正，迴歸分析，初版，台北，三民書局，民國八十二年。
[29] 吳俊彥，「以類神經網路模式評估砂質土壤液化」，國立台灣大學，民國八十五年。
[30] 吳聰宏，「類神經望路應用在品質管制中相關性製程數據之管制」，私立元智大學，民國八十三年。
[31] 李銘鈞，「以類神經網路偵測多變量製程變異性變化之管制程序」，私立元智大學，民國八十七年。
[32] 卓高平，「類神經網路最佳學習參數值找尋之研究：以空調溫濕度異常診斷與處理為例」，私立元智大學，碩士論文，民國八十五年。
[33] 林俊榮，「自動心電圖特徵值擷取與病症分類之研究」，私立中原大學，民國八十三年。
[34] 邱展鵬，「類神經網路應用於穩定態時間序列模型之辨識」，私立元智大學，民國八十五年。
[35] 侯呈龍，「發酵系統之類神經網路動態辨識與控制」，國立成功大學，民國八十四年。
[36] 張元泓，「預測技術-回歸與類神經網路」，國立中興大學，民國八十六年。
[37] 張奇昌，印刷電路製作，初版，台北，三民書局股份有限公司，民國七十一年。
[38] 張淑玲，「應用類神經網路建立隧道安全預警之經驗評估模式（以三義隧道南口工作面為例）」，國立台灣大學，民國八十七年。
[39] 張森，「以模糊性r-model及SOM為架構的手寫數字辨識之研究」，私立朝陽大學，民國八十七年。
[40] 陳一傑，「應用模糊理論於多專家案例式推理之研究」，私立元智大學，民國八十八年。
[41] 陳志遠，「非監督是學習之機器人視覺導向控制」，國立成功大學，民國八十四年。
[42] 陳雯楓，「以類神經網路為基礎的品管診斷專家系統」，私立元智大學，民國八十四年。
[43] 曾慶安，「類神經網路在品質管制上之應用：以倒傳遞網路偵測製程個別數據之平均值及變異數的變化」，私立元智大學，民國八十二年。
[44] 黃柏堯，「智慧型模糊辨識系統之特徵分割與規則萃取」，私立逢甲大學，民國八十四年。
[45] 葉怡成，類神經網路模式應用與實作，六版，台北，儒林圖書有限公司，民國八十九年。
[46] 劉柏青，「專家系統在設備遠程維修與監控之應用」，私立元智大學，民國八十八年。
[47] 劉晨貴，「製程參數之偵測－類神經網路之應用」，私立東海大學，民國八十三年。
[48] 劉讚芳，「自走型機器人視覺導引抓取任務之研究」，國立成功大學，民國八十七年。
[49] 蔡孟豪，「自組織映射網路在機械故障診斷系統建構初期之應用」，國立成功大學，民國八十七年。
[50] 蕭博仁，「應用類神經網路監視語意品質特性平均值之變化--以印刷電路板製程為例」，私立元智大學，民國八十九年。
[51] 簡鐘富，PCB製程導覽（光碟書），PCB Net Inc.，民國八十九年。