本研究利用大數據分析原理由 SMT 貼片機與爐後光學檢查機所提取的生產/檢查數據，經由數據比對、分析提出改善行動方案來確立 SMT 生產良率預測分析可行性。目的在於使生產線作業員/工程師藉由預測分析結果所提供的作業指導將生產線的拋料率與不良率在少量發生時便進行處置以預防大量的拋料率與不良率的產生，在影響停機工時最小的情況下降低零件的不正常耗損與不良品的產出。
本研究提取貼片機所有產出的個別 Cycle Time，Error Code，Error 數量分別和個別供料器，吸嘴之間找出對應關係，以製程要因分析圖為基礎結合製程經驗建立更精細的預測分析來預測即將大量發生的零件損耗並提出防範作為指示生產線作業員進行預防性處理以降低不必要的零件損耗，減少生產端的浪費。
同樣的，經由光學檢查機提取設備檢出的不良影像以及經人工覆判後不良影像，藉由不良現象與 Reference 可以有系統地進行分類，結合貼片機的數據以同樣的分析方法與建立篩選出不良現象與貼片機或印刷機的個別關聯比例進而展開預防性處理的步驟與順序達到對生產工時影響最小的情況下降低不良率。
本研究提取單一生產工單共計生產 519 Pcs 的貼片機與光學檢查機的相關數據資料，提出偏移，空焊與拋料率的預測分析，SMT 常見的異常現象如立碑，側立，缺件，短路等在此批量工單中屬單一事件，但藉由偏移，空焊與拋料率的研究方法可採相同方式全面性實現SMT生產良率預測分析。
藉由本研究，後續擬將此研究結果導入實務。由於學生服務的公司為 SMT 生產設備的代理銷售與售後服務，深根 SMT 產業近 30 年，加上公司有自動化系統整合部門具備軟體撰寫能力，如何將已高度自動化的 SMT 產業朝向工業 4.0 邁進敝司責無旁貸。期盼能為台商 SMT 在面對紅色供應鏈的壓力下增強產業競爭力，也為公司的產品提升附加價值以強化銷售競爭力。

This research which use production and inspection data from SMT chip mounter and AOI to established predictive analysis feasibility of SMT production line by way of big data analysis concept, data comparison and model set up. This purpose is to prevent the big reject rate and big defect rate rises up, which means operators / engineers can follow the work instructions base on predictive analytics to do process before high reject rate or defect rate occurred. To reduce components unusual loss and defect product output but the minimum downtime impact.
In this research, we find out the correspondence between individual output such as Cycle Time, Error Code, Error quantity, feeder and nozzle. Combining process experience to create more elaborate individual model based on the process fishbone diagram to predict a large number of component losses to occur and precaution which operators have preventive treatment for reducing unnecessary component loss and waste.
Likewise, by way of bad image by AOI inspected and manual re-checked. Defect condition can be systematically clarified by Reference . Combining the chip mounter data use as the same model establishment and analysis to filter the defect condition. The individual association ratio between chip mounter and printer, and then proceed with the steps and sequence of preventive treatment to reduce the defect but minimum impact on production hours.
This research abstract the relative data of chip mounter and AOI, which total amount are 519pcs of single production order. Submitted the predictive analysis of component shift, poor solder and reject rate. SMT common anomalies are such as tombstone, chip side up and component missing..etc. It belongs to the single event in this batch order. But it can realize the predictive analysis with the same way via the research methods of component shift, poor solder and reject rate.
The following up results will be imported practices by way through this research. Owing to I work for this company Ascentex which is an agent of SMT production equipment and also have after service. It has been almost 30 years in SMT field . In addition to we have automation system integration department with software programmer section. It is our responsibility which bring highly automated SMT field to Industry 4.0. I am looking forward to enhancing industrial competitiveness for SMT Taiwan merchants to force the pressure of The Red Supply Chain. And it also increases the additional value for the future sales of Ascentex.

1.賴旺聲 (2010)，「台灣代工產業全球競爭力之探討:以電子產業為例」，國立中正大學管理學院高階主管管理研究所研究論文。
2.李俊奕 (2016)，「運用大數據探討CNC控制器主軸負載率影響產品之研究」，國立勤益科技大學工業工程與管理研究所研究論文。
3.林宗輝 (2017)，「電子製造業SMT生產線推行工業4.0之研究–以A公司為例」，國立台灣大學工業工程學研究所研究論文。
4.葉俊吾 (2002)，「運用類神經網路建構SMT錫膏印刷品質管制系統」，國立成功大學製造工程研究所研究論文。
5.楊敬士 (2017)，「SMT 製程品質改善之研究」，國立開南大學資訊學院碩士在職專班研究所研究論文。
6.曾冠倫 (2017)，「以工業4.0為基礎之智慧工廠大數據平台建置」，中原大學資訊管理研究所研究論文。
7.張怡瑄 (2017)，「生產效率改善模式之研究：大數據分析方法」，東海大學會計研究所研究論文。
8.戴孟浩 (2009)，「結合無線射頻與自動化光學檢測技術之SMT電路板組裝製程之品質監控程序」，國立台灣科技大學工業管理研究所研究論文。
9.天下雜誌 (2015)，「德國的章魚戰略 : 工業4.0」
10.中國工程院 (2015) 「製造強國 戰略研究 綜合卷」，電子工業出版社
11.中國工程院 (2015) 「製造強國 戰略研究 智能製造專題卷」，電子工業出版社
12.行政院 (2015) 「行政院生產力4.0發展方案 民國105年至民國113年」
13.盧希鵬 (2017)，《C2B逆商業時代》。商業週刊，台北市。
14.Rashmi Rani 藍尼 (2016)，「基於大數據分析之有效疾病風險預測系統」，國立交通大學電機資訊國際學位學程碩士論文。
15.吳大廉 (2016)，「以大數據分析法建置船舶能效分析系統」，國立台灣海洋大學輪機工程研究所研究論文。
16.翟本喬 (2015)，「大數據的理念與應用」，逢甲大學 通識教育中心
17.李傑 Jay Lee、倪軍、王安正 (2017)，劉宗長 整理，《從大數據到智慧生產與服務創新》。前程文化事業有限公司，新北市。
18.王偲帆 (2016)，「基於天氣之車速預測系統─使用大數據分析」，國立台灣科技大學資訊管理研究所研究論文。
19.黃華山 邱一薰，「類神經網路預測台灣50股價指數之研究」，國立彰化師範大學資訊管理研究所研究論文。
20.林逸塵 (2002)，「類神經網路應用於空氣品質預測之研究」，國立中山大學環境工程研究所研究論文。
21.黎榮富 (2017)，「以DOE手法降低AOI誤判率」，國立台北科技大學工業工程與管理研究所研究論文。
22.Liukkonen, M., , Hiltunen, T., Havia, E., Leinonen, H., and Hitunen, Y. (2009), “Modeling of soldering Quality by Using Artificial Neural Networks,” IEEE Transactions on Electronics Packaging Vol. 32, No. 2, pp. 89-96.
23.Kenton Williston., “5 Steps for Machine Learning and Predictive Maintenance” October 2017.
24.Huang, S, and Zhang, H., “Neural Networks in Manufacturing : A Survey,” IEEE/CPMT International Electronics Manufacturing Technology Symposium, pp. 177-190, 1993.
25.Hou, T. H., Lin, L., and Scott, P. D., “A Neural Automated Inspection System with an Applicaion to Surface Mount Devices,” International Journal of Research, Vol. 31, No. 5, pp. 1171-1187, 1993.
26.Danielsson, H., “Surface Mount Technology with Fine Pitch Components,” Chapman & Hall, New Yorks, 1995.
27.Yang, T. Tsai, T.N. and Yeh, J. (2005), “A Neural Network-Based Prediction Model For Fine Pitch Stencil-Printing Quality in Surface Mount Assembly, “Engineering Applications of Artificial Intrlligence, Vol. 18 , pp. 335-341.