中文摘要
隨著車用電子、智慧化、電氣化以及5G通信等領域的持續發展，對於積層陶瓷電容的需求將不斷增加。在這種情況下，國際和國內知名企業將產品品質和價格視為選擇供應商的重要指標。因此，作為積層陶瓷電容的製造商，品質和成本的控制成為相當重要的挑戰議題。
本論文的研究目的在於探討積層陶瓷電容外觀機選型因素的決策研究，並建立相關研究模型。首先與專家討論出評選四個構面及十六項評估因素，使用重要程度-表現程度分析法(Importance-Performance Analysis)、層級分析法(Analytic Hierarchy Process)，找出關鍵的評估因素，同時，我們將評估因素的重要度排序結果與實際工廠生產數據進行比較。本研究中所提出的四個構面中，以「生產品質因素」佔的權重最高，在十六項評估因素中，以「最終檢驗產品外觀批退率」與「疑難缺陷識別能力」此兩項評估因素是專家認為最重要的考量因素，結合工廠實際生產數據結果顯示，每年重工成本可節省四百六十二萬元至一千七百三十二萬八千元，節省整體生產成本的5%至10%，這些數據表明，該評估模型在積層陶瓷電容外觀機選型因素的決策中成功應用。該模型能夠為本研究公司在評估積層陶瓷電容外觀機設備時提供全方位的考量，並期望將來能應用於本研究公司或相關產業的其他製程設備的選型評估模式中。
關鍵詞：積層陶瓷電容(MLCC)、重要程度-表現程度分析法(Importance-Performance Analysis)、層級分析法(Analytic Hierarchy Process)、AOI、深度學習

Abstract
With the continuous development in the fields of automotive electronics, digitalization, electrification, and 5G communication, the demand for multilayer ceramic capacitors (MLCC) is expected to increase. In this context, renowned international and domestic companies consider product quality and price as crucial criteria when selecting suppliers. Therefore, as a manufacturer of MLCCs, controlling quality and cost becomes a significant and challenging issue.
The research objective of this thesis is to explore the decision-making factors for MLCC appearance machine selection and establish relevant research models. Firstly, discussions with experts identified four dimensions and sixteen evaluation factors for selection. The Importance-Performance Analysis (IPA) and Analytic Hierarchy Process (AHP) were employed to identify key evaluation factors. Additionally, we compared the importance ranking of these factors with actual production data from the factory.
Among the four dimensions proposed in this study, "production quality factors" held the highest weight. Among the sixteen evaluation factors, "final inspection appearance reject rate" and "difficult defect identification capability" were identified by experts as the most crucial considerations. Combining these results with actual production data, potential cost savings of NTD 4.62 million to NTD 17.328 million per year were demonstrated, equating to a 5% to 10% reduction in overall production costs. These data indicate the successful application of the evaluation model in the decision-making process of MLCC appearance machine selection. The model provides comprehensive considerations for the evaluation of MLCC appearance machines in the research company and is expected to be applied in the selection and evaluation of other process equipment in the research company or related industries.

Keywords: Multilayer Ceramic Capacitors (MLCC), Importance-Performance Analysis (IPA), Analytic Hierarchy Process (AHP), AOI, Deep Learning.

目錄
中文摘要 i
Abstract ii
誌謝 iv
目錄 v
表目錄 vi
圖目錄 vii
第一章 緒論 1
1.1 研究背景 1
1.2 研究目的 2
1.3 研究範圍 3
第二章 文獻探討 5
2.1 積層陶瓷電容概述 5
2.2 電腦視覺影像技術的應用 8
2.3 重要程度-表現程度分析 IPA 12
2.4 層級分析法 AHP 13
第三章 研究方法 17
3.1 研究架構 17
3.2 研究步驟 19
第四章 研究成果與實證結論 29
4.1 重要程度-表現程度問卷分析結果 29
4.2 AHP專家問卷分析結果 33
4.3 AHP分析結果與工廠實證數據探討 40
第五章 結論與未來研究建議 43
5.1 結論 43
5.2 未來研究建議 44
參考文獻 46
附錄一 積層陶瓷電容外觀機選擇因素 IPA問卷 49
附錄二 積層陶瓷電容外觀機層級分析法(AHP)問卷 51




表目錄
表2- 1 積層陶瓷電容不同溫度特性分類表 6
表2- 2 材料代號表C0G、X7R、X5R 6
表2- 3 積層陶瓷電容不同尺寸規格表 6
表2- 4 層級分析法AHP評估尺度量表 15
表2- 5 隨機指標表(Random Index, R.I.) 16
表3- 1 討論小組成員組成資料表 21
表4- 1積層陶瓷電容外觀檢測設備選型因素之層級結構表 29
表4- 2 專家資訊一覽表 30
表4- 3 評估因素之重要程度與表現程度表 31
表4- 4 重要程度-表現程度結果分析表 32
表4- 5 擷取出AHP評估因素表 33
表4- 6 積層陶瓷電容外觀檢測設備選型構面權重及重要性順序 35
表4- 7 設備商因素構面之評估因素優先權重、相對權重及重要性順序 36
表4- 8 設備可靠性因素構面之評估因素優先權重、相對權重及重要性順序 36
表4- 9 生產品質因素構面之評估因素優先權重、相對權重及重要性順序 37
表4- 10 生產效率因素構面之評估因素優先權重、相對權重及重要性順序 38
表4- 11 積層陶瓷電容外觀檢測設備選型整體層級相對權重表 39
表4- 12 積層陶瓷電容外觀檢測設備能力比較表 41
表4- 13 整體層級相對權重數據與實作數據對照表 41





圖目錄
圖1- 1 全球汽車銷量及車用MLCC需求量趨勢圖 2
圖1- 2 客戶組裝缺陷圖 3
圖2- 1 積層陶瓷電容結構說明圖 6
圖2- 2 積層陶瓷電容製程流程圖 7
圖2- 3 自動光學檢測系統圖 9
圖2- 4 重要程度-表現程度二維矩陣圖 13
圖3- 1 研究架構流程圖 18
圖3- 2 積層陶瓷電容不良品缺點模式圖 20
圖3- 3 外觀機檢測設備作業流程圖 20
圖3- 4 積層陶瓷電容外觀檢測設備選型因素之層級架構圖 22
圖3- 5 專家所屬工作部門 27
圖3- 6 專家所屬工作職位 27
圖3- 7 專家相關產業工作年資 28
圖3- 8 修正後積層陶瓷電容外觀檢測設備選型之層級架構 28
圖4- 1 重要程度-表現程度分析矩陣圖 32
圖4- 2 積層陶瓷電容外觀檢測設備選型因素之層級架構圖 34
圖4- 3 積層陶瓷電容外觀檢測設備選型整體層級相對權重排序長條圖 39

參考文獻
中文文獻:
[1]尹寶才, 王文通, & 王立春,“深度學習研究綜述,”北京工業大學學報, vol. 41, no. 1, pp. 48-59, 2015.
[2]浦青青, “博物館服務品質之研究: 以國立科學工藝博物館為例,” 科技博物, vol. 18, no. 2, pp. 39-65, 2014.
[3]晨曦統計顧問公司, “重要 表現程度分析法 Importance Performance Analysis IPA(上)」,” [線上]。Available: http://dasanlin888.pixnet.net/blog/post/136370293 [訪問時間：2023年3月15日].
[4]邵亭芬, “台灣地區半導體後段設備供應商評選決策之研究,” 碩士論文, 國立交通大學管理學院碩士在職專班管理科學組, 2009. Available: https://hdl.handle.net/11296/pr5y4p
[5]邱朝東, “太陽能業多晶矽廠關鍵設備選擇決策之研究,” 碩士論文, 國立勤益科技大學工業工程與管理系, 2016, Available: https://hdl.handle.net/11296/gfnuse
[6]吳淑滿, “以企業特區觀點探討都市再發展策略,” 碩士論文, 國立政治大學地政研究所, 2006, Available: https://hdl.handle.net/11296/d27f76
[7]鄧振源, & 曾國雄, “層級分析法 (AHP) 的內涵特性與應用 (上),” 中國統計學報, 1989.
[8]梁力平, 賴永雄, & 李基森, “片式疊層陶瓷電容器的製造與材料,” 暨南大學出版社, 2008.

英文文獻:
[9]Lu. Rong Sheng and Shi. Yan Qiong and Li. Qi and Yu. Qing Ping, “AOI techniques for surface defect inspection,” In Applied mechanics and Materials, vol. 36, pp. 297-302, 2010.
[10]C. Janiesch and P. Zschech and K. Heinrich, “Machine learning and deep learning,” Electronic Markets, vol. 31, no. 3, pp. 685-695, 2021.
[11]Y. Guo and Y. Liu and A. Oerlemans and S. Lao and S. Wu and M. S. Lew, “Deep learning for visual understanding: A review,” Neurocomputing, vol. 187, pp. 27-48, 2016.
[12]H. Oh, “Revisiting importance–performance analysis.” Tourism management, vol. 22, no. 6, pp. 617-627, 2001.
[13]J. A. Martilla and J. C. James, “Importance-performance analysis,” Journal of marketing, vol. 41, no. 1, pp. 77-79, 1977.
[14]Z. Ayağ and R. G. Özdemir, “A fuzzy AHP approach to evaluating machine tool alternatives.” Journal of intelligent manufacturing, vol. 17, pp. 179-190, 2006.
[15]T. L. Saaty, “Decision making with the analytic hierarchy process,” International journal of services sciences, vol. 1, no. 1, pp. 83-98, 2008
[16]E. Albayrak and Y. C. Erensal, “Using analytic hierarchy process (AHP) to improve human performance: An application of multiple criteria decision making problem,” Journal of intelligent manufacturing, vol. 15, pp. 491-503, 2004.
[17]T. L Saaty, “How to make a decision: the analytic hierarchy process,” European journal of operational research, vol. 48, no. 1, pp. 9-26, 1990.
[18]P. Alavian and Y. Eun and K. Liu and S. M. Meerkov and L. Zhang, “The (α, β)-precise estimates of MTBF and MTTR: Definitions, calculations, and induced effect on machine efficiency evaluation,” IFAC-PapersOnLine, vol. 52, no. 13, pp. 1004-1009, 2019.
[19]T. J. Bouchard and J. Barsaloux and G. Drauden, “Brainstorming procedure, group size, and sex as determinants of the problem-solving effectiveness of groups and individuals,” Journal of Applied Psychology, vol. 59, no. 2, pp. 135, 1974.
[20]D. García and J. M. Sebastián and F. M. Sánchez and L. M. Jiménez and J.M. González, “3D inspection system for manufactured machine parts,” Machine Vision Applications in Industrial Inspection VII, vol. 3652, pp. 250-260, 1999.