射出成型已為現今塑膠產業中重要的生產方式，有大量製造、生產快速、低價成本等優點。而影響塑膠產品的品質問題主要在於機器性能、材料特性、模具設計等所造成不良的缺陷。早期常利用田口(Taguchi)實驗設計方法來探討影響品質的因素，但利用實驗設計需要透過已知或欲設定的製程因素來調整水準，找出較佳參數組合進行生產。在實驗設計水準的設定下，所獲之結果雖然可視為在設定因素及水準下的最佳組合，但每個因素的最佳水準有可能會沒有被考慮到實驗設計中。因此，本研究利用資料挖礦(Data Mining)方法中的決策樹(Decision Tree)分析，迅速且有效率地找出影響塑膠射出成型不良之可能因素及提高其產能的重要因子，並以射出成型製程的真實資料，建立決策樹模型，萃取出分類法則，以診斷影響不良率及產能高低之因素，提供給公司管理人員作為製程改善與生產管理之參考，提早預防產品不良的發生。本研究延伸模型的可能性，提出了透過屬性組合的方法，探討影響生產效率及不良率的因素，以簡化生產製程之管理。

Injection molding has become an important production method in the plastics industry, with advantages such as mass production, high productivity, and low cost. The quality problem of plastic products mainly lies in the defects caused by machine performance, material characteristics, and mold design. In the early days, the Taguchi experimental design method was often adopted to find the factors affecting quality. However, experiments are design and based on known factors and adjust the level through pre setting levels to find the best combination of parameters for production. The best combination of the factors and levels are obtained based on pre setting of the experimental design levels, however, the real optimal levels of factors may not be considered in the experimental design. Therefore, this study aims to use Decision Tree Analysis, one of method in Data Mining, to quickly and efficiently identify possible factors that affect plastic injection molding defects on its productivity. Based on the real data from the injection molding process, the decision tree model is established and the classification rules are extracted to diagnose the factors affecting the defect rates and productivity. The rules can provid to the managers as a reference for process improvement and production management, and to prevent the occurrence of product defects in advance. Extending the possibility of the model, this study proposes the bi-attribute splitting criteria in decision tree analyse to explore the factors affecting productivity and defect rate. The results obtained can be used as the basis for the managers to set up the production parameter to enhance the quality and competitiveness of the company's products.

目錄
摘要 i
Abstract iii
目錄 ii
圖目錄 v
表目錄 vi
第一章 緒論 1
1-1研究背景與動機 1
1-2研究目的 3
1-3研究流程 4
第二章 文獻探討 6
2-1塑膠射出成型 6
2-1-1塑膠射出成型製程簡介 7
2-1-2塑膠射出成型品品質不良成因 7
2-1-3塑射出成型產品品質及製程改善文獻 9
2-2資料挖礦 11
2-2-1資料挖礦定義 12
2-2-2資料挖礦類型 13
2-2-3決策樹分析方法 15
2-2-4資料挖礦與塑膠射出成型相關文獻 23
第三章 研究方法 26
3-1定義目標屬性 27
3-2資料準備 30
3-3建立決策樹模型 34
3-3-1 分枝準則及演算法 36
3-3-2規則萃取 38
3-4建立雙屬性分枝模型 43
3-4-1階層雙屬性決策樹模型 44
3-4-2組合雙屬性決策樹模型 48
3-5模型評估與解釋 51
第四章 案例分析 53
4-1型號別P1之模型建構 53
4-1-1調機重量之模型探討 54
4-1-2產能效率之模型探討 60
4-1-3固定製程不良率之模型探討 66
4-1-4不固定製程不良率之模型探討 67
4-1-5型號別P1之綜合整理 74
4-2型號別P2之綜合整理 76
4-3型號別P3之綜合整理 78
4-4型號別P4之綜合整理 83
4-5型號別P5之綜合整理 85
4-6型號別P6之綜合整理 88
4-7綜合比較 93
第五章 結論與建議 95
參考文獻 98

 
圖目錄
圖1-1研究流程圖 5
圖2-1知識發現(KDD)的過程 13
圖2-2決策樹生長方式 16
圖3-1研究架構圖 27
圖3-2各型號別建構決策樹之架構圖 35
圖3-3型號P3調機重量之決策樹 38
圖3-4型號P3調機重量之階層雙屬性決策樹 45
圖3-5型號P3調機重量之組合雙屬性決策樹 49
圖4-1型號P1調機重量之決策樹 54
圖4-2型號P1調機重量之階層雙屬性決策樹 56
圖4-3型號P1調機重量之組合雙屬性決策樹 58
圖4-4型號P1產能效率之決策樹 61
圖4-5型號P1產能效率之組合雙屬性決策樹 63
圖4-6型號P1不固定製程不良率之決策樹 67
圖4-7型號P1不固定製程不良率之階層雙屬性決策樹 69
圖4-8型號P1不固定製程不良率之組合雙屬性決策樹 71
表目錄
表2-1混淆矩陣(confusion matrix) 18
表2-2決策樹之演算法比較 23
表3-1目標屬性及其分類方法 32
表3-2特徵屬性資料內容 33
表3-3各目標屬性及應投入之特徵屬性 34
表3-4型號P3之投入屬性資料內容(調機重量) 37
表3-5型號P3在調機重量下的各項Gini值 37
表3-6型號P3調機重量之規則整理 39
表3-7型號P3調機重量決策樹訓練模型分類結果 40
表3-8型號P3調機重量決策樹測試模型預測結果 41
表3-9型號P3調機重量決策樹模型績效彙整表 42
表3-10型號P3調機重量之各階層預測結果 43
表3-11型號P3在調機重量下的階層雙屬性及各項屬性Gini值 45
表3-12型號P3調機重量之階層雙屬性決策樹分類及預測結果 46
表3-13型號P3調機重量之階層雙屬性決策樹首層分枝預測結果 47
表3-14型號P3調機重量階層雙屬性決策樹模型績效彙整表 47
表3-15型號P3在調機重量下的各別屬性與組合屬性之Gini值 48
表3-16型號P3調機重量之組合雙屬性決策樹分類及預測結果 50
表3-17型號P3調機重量組合雙屬性決策樹模型績效彙整表 50
表3-18型號P3調機重量之模型比較 51
表4-1型號P1之資料內容 53
表4-2型號P1調機重量決策樹分類及預測結果 55
表4-3型號P1調機重量之階層雙屬性決策樹分類及預測情形 57
表4-4型號P1調機重量之組合雙屬性決策樹分類及預測情形 59
表4-5型號P1調機重量之模型比較 61
表4-6型號P1產能效率決策樹分類及預測情形 62
表4-7型號P1產能效率之組合雙屬性決策樹分類及預測情形 64
表4-8型號P1產能效率之模型比較 65
表4-9型號P1在固定製程不良率下的各別與合併Gini值 66
表4-10型號P1不固定製程不良率決策樹分類及預測情形 68
表4-11型號P1不固定製程不良率之階層雙屬性決策樹分類及預測情形 70
表4-12型號P1不固定製程不良率之組合雙屬性決策樹分類及預測情形 72
表4-13型號P1不固定製程不良率之模型比較 73
表4-14型號P1之模型比較 75
表4-15型號P2之首層分枝結果統整表 76
表4-16型號P2之模型比較 79
表4-17型號P3之首層分枝屬性統整表 80
表4-18型號P3之模型比較 82
表4-19型號P4之首層分枝屬性統整表 83
表4-20型號P4之模型比較 86
表4-21型號P5之首層分枝屬性統整表 87
表4-22型號P5之模型比較 89
表4-23型號P6之首層分枝屬性統整表 90
表4-24型號P6之模型比較 92

Behalek L., Seidl M., and Habr J., “Possibility to Detect Degraded Recycled Material in the Moulded Parts from PP,” MM Science Journal, Liberec, Czech Republic, Vol. 2016, Issue September, pp. 989-993 (2016).
Breiman L., Friedman J., Stone C. J., and Olshen R.A., Classification and Regression Trees, Taylor & Francis, pp.1-13 (1984).
Fayyad U., Piatetsky-Shapiro G., and Smyth P., “From Data Mining to Knowledge Discovery in Databases,” AI Magazine, AAAI, Vol. 17, No. 3, pp. 37-54 (1996).
Kozjek, D., Vrabič, R., Kralj, D., Butala, P., and Lavrač, N., “Data mining for fault diagnostics: A case for plastic injection molding,” Procedia CIRP, Vol. 81, pp. 809-814 (2019).
Lorena S. G., Victor S., Elina A. O., Joos V., and Dirk C., “Literature Review of Data Mining Applications in Academic Libraries,” The Journal of Academic Librarianship, ACALIB, Vol. 41, No. 4, pp. 499-510 (2015).
Moayyedian M., Mamedov A., “Multi-Objective Optimization of Injection Molding Process for Determination of Feasible Moldability Index,” Procedia CIRP, Vol. 84, pp. 769-773 (2019).
Nakajima S., Introduction to TPM: Total Productive Maintenance, Productivity Press Inc.: Cambridge, MA (1988).
Pyle, D., Data Preparation for Data Mining, Morgan Kaufmann, pp. 15-30 (1999).
Park, H. S., and Nguyen, T. T., “Optimization of injection molding process for car fender in consideration of energy efficiency and product quality,” Journal of Computational Design and Engineering, Vol. 1, No. 4, pp. 256~265 (2014).
Ramana, E. V., Sapthagiri, S., and Srinivas, P., “Data Mining Approach for Quality Prediction of Injection Molding Process Through Statistica SVM, KNN and GC & RT Techniques,” International Journal of Mechanical Engineering and Technology, Vol. 7, pp. 22-30 (2016).
Ramana, E. V., “Data Mining Approach for Quality Prediction and Improvement of Injection Molding Proces,” International Journal of Mechanical Engineering and Technology, Vol. 9, No. 3, pp. 2119-2129 (2016).
Shannon, C. E., “A Mathematical Theory of Communication,” The Bell System Technical Journal, Vol. 27, pp. 379–423, 623–656 (1948).
Sortino M., Totis G., Kuljanic E., “Comparison of Injection Molding Technologies for the Production of Micro-Optical Devices,” Procedia Engineering, Vol. 69, pp. 1296-1305 ( 2014 ).
林啟湶，「一般常用最佳化方法在塑膠射出成型之應用」，碩士論文，國立台灣科技大學機械工程系，台北(2005)。
林承佑，「鎖模力設定值對射出成型品質影響之研究」，碩士論文，國立高雄第一科技大學機械與自動化工程系，高雄(2016)。
黃良政，「以田口方法導入一模多穴塑膠射出成型品質優化之實驗與數值模擬分析」，碩士在職專班論文，國立成功大學工程科學研究所，台南(2016)。
楊烜，「射出成型件之殘留應力探討以及製程優化」，碩士論文，國立臺北科技大學機械系機電整合所，台北(2016)。
蔡景晴，「整合決策樹與關聯規則之資料挖礦架構及其實證研究」，碩士論文，國立清華大學，新竹(2004)。
鄭明忠，「模具設計參數對手機薄殼元件射出成型的影響」，碩士論文，國立臺灣科技大學機械工程系，台北(2014)。
簡禎富、許嘉裕，資料挖礦與大數據分析，前程文化，新北，第144-165頁(2014)。
魏綸群，「塑膠射出成型製程時間最佳化設計」，碩士論文，元智大學機械工程研究所，桃園(2007)。
羅壬成，「模流分析與射出成型控制參數的優化」，碩士論文，國立交通大學工學院精密與自動化工程學程，新竹(2006)。