近年國際原物料價格及人工成本不斷攀升，市場供需快速變化、產品生命週期縮短，再加上紅色供應鏈的興起，面對大環境的巨變，如何降低成本已是企業經營的重點。為了提高競爭力，人力密集的傳統製造廠開始導入自動化及新興科技，如網路科技、雲端智慧及智能工廠等。隨著自動設備的精進，客戶對原料品質規格的要求更加嚴格，對品質穩定性欠佳的廠商來說，必須承受因品質不符客戶規格，所造成存貨呆滯及無法如期出貨的商譽損失，若可事先預測產品品質，製造出符合客戶規格的產品，已成為營運管理的重要議題。

一般生產管理大都是產出不良品後再來面對問題尋求改善，面對激烈的競爭環境是緩不濟急的，若能在生產前就能預測產品的品質，不但可以降低營運成本及效率損失，還可以滿足顧客需求及提升公司品牌商譽。本研究以TF公司為例，應用類神經網路及複迴歸模型二種預測方法，個別分析軟性銅箔基板品質預測的精準度，再透過精確的品質預測，安排最佳的生產排程，以產出符合客戶品質規格的產品為目的。

經由本研究結果顯示，對電子材料產業TF公司來說，應用類神經網路於軟性銅箔基板的品質預測相較於複迴歸模型可得到更精準的結果。除此之外，透過產品品質的預測結果，將機台及原料品質做適當的群組歸納，可規劃出最佳的生產排程組合，以提供TF公司於生產計劃時參考，有效解決因生產品質不穩定造成營運損失的問題。

In recent years, international raw material prices and labor costs boost continuously, rapid supply and demand changes, shorten of the product life cycle, and coupled with the rise of the red supply chain. Facing changes in the environment, how to reduce costs is the focus of business. In order to improve competitiveness, human-intensive traditional manufacturers began to import automation and emerging technologies, such as Internet technology, cloud computing and intelligent factories. With the sophistication of automatic equipment, customers quality requirements of raw materials will be more stringent, thus poor quality stability of the manufacturers, must bear sluggish inventory and delivery credit loss due to quality fails to match the customer specifications; therefore, how to predict product quality in advance so that create product meets customer specifications, has become an important issue of operational management.
General production most seeks problem improvement after poor products had been manufactured, but this is too slow when facing fierce competition environment. If product quality can be predicted before manufactured, not only can reduce operation costs and efficiency losses but also to meet customer needs and enhance the company's brand reputation. In this study, TF is used as an example to analyze the accuracy of Flexible Copper Clad Laminates quality prediction by using the neural network and the multiple regression model. The optimal production schedule is arranged by accurate quality prediction. Output to meet customer quality specifications for the purpose of the product.
According to the results of this study, it is shown that the quality prediction of the FCCL is more accurate than the multiple regression model for the electronic material industry TF company. In addition, through the product quality prediction results to do the appropriate group induction in the machine and the quality of raw materials, so as to plan the best production scheduling portfolio to provide TF company in the production plan reference, which can effectively solve the production unstable quality caused by operational losses.

論文審定書
誌謝…………………………………………………………………………………i
摘要…………………………………………………………………………………ii
Abstract ..…………………………………………………………………………iii
目錄…………………………………………………………………………………iv
圖次…………………………………………………………………………………v
表次…………………………………………………………………………………vii
第一章 緒論 ………………………………………………………………………01
第一節 研究背景與動機 ………………………………………………………01
第二節 研究目的 ………………………………………………………………03
第三節 研究流程 ………………………………………………………………04
第四節 研究範圍與限制 ………………………………………………………04
第二章 產業現況 …………………………………………………………………06
第一節 電子材料產業現況 ……………………………………………………06
第二節 印刷電路板產業現況 …………………………………………………08
第三節 銅箔基板產業現況 ……………………………………………………10
第三章 文獻探討 …………………………………………………………………13
第一節 類神經網路介紹 ………………………………………………………13
第二節 倒傳遞類神經網路 ……………………………………………………16
第三節 類神經網路相關研究 …………………………………………………22
第四章 研究設計 …………………………………………………………………24
第一節 研究結構 ………………………………………………………………24
第二節 研究模式 ………………………………………………………………24
第三節 研究方法 ………………………………………………………………26
第五章 實證分析 …………………………………………………………………31
第一節 個案公司簡介 …………………………………………………………31
第二節 運算環境及參數設定 …………………………………………………36
第三節 複迴歸模型品質預測 …………………………………………………40
第四節 類神經網路品質預測 …………………………………………………50
第五節 品質預測之最佳生產排程 ……………………………………………59
第六章 結論與建議 ………………………………………………………………61
第一節 結論 ……………………………………………………………………61
第二節 建議 ……………………………………………………………………62
第三節 管理意涵 ………………………………………………………………63
參考文獻 …………………………………………………………………………64
附錄一 品質預測資料(不分機台) ………………………………………………66
附錄二 品質預測資料(區分機台) ………………………………………………73

一、中文
方上鵬，2000，自有品牌商品需求預測模式，東海大學工業工程研究所碩士論文。
白滌清，2010，生產與作業管理─程序與供應鏈，第10版，台北：歐亞書局。
余益旭，2004，應用類神經網路於圖書零售業新品採購預測之研究，輔仁大學資訊管理學系碩士論文。
李錫強，2006，通路組裝市場主機板銷售預測模式之分析研究─以A公司為例，世新大學資訊管理研究所碩士論文。
周湘蘭，2001，類神經網路在多重產品需求預測上之應用，元智大學工業工程與管理研究所碩士論文。
枋立忠，2005，設計便利商店冷藏飲品銷售預測系統，僑光技術學院管理研究所碩士論文。
林芳毅，2015，Hadoop 結合R 之資料探勘─以TH公司產品銷售預測為例，國立高雄應用科技大學工業工程與管理系碩士論文。
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碩士論文。
張峯銘、林家慶，2009，以時間序列與人工智慧方法預測訂單需求─以台中呈欣公司為例，2009年資訊科技國際研討會論文集。
葉怡成，2004，應用類神經網路，第3版，台北：儒林圖書有限公司。
蔡慶賢，2002，類神經網路在風浪推測上的研究，國立中興大學土木工程學系碩士論文。
蕭文龍，2009，多變量分析最佳入門實用書，第2版，台北：碁峰資訊。
謝朋昇，2008，應用類神經網路於國產汽車銷售預測研究，大葉大學工業工程與科技管理學系碩士在職專班碩士論文。
蘇昭安，2003，應用倒傳遞類神經網路在颱風波浪預報之研究，國立臺灣大學工程科學與海洋工程學系碩士論文。
蘭雪梅、朱健、黃承明、董德存，2003，「BP網路的MATLAB實現」，微型電腦應用，19(1)：6-8。

二、英文
Chopra, S., & Meindl, P. 2003. Supply chain management: Strategy, planning, and operation (2nd ed.). Place: Pearson Education International.
Kahn, K.B. 1998. Benchmarking sales forecasting performance measures. The Journal of Business Forecasting Methods and Systems, 17(4): 19-23.
Law, R. 2000. Back-propagation learning in improving the accuracy of neural network-based tourism demand forecasting. Tourism Management. 21(4): 331-340.
Lewis, C.D. 1982. Industrial and business forecasting methods: A radical guide to exponential smoothing and curve fitting. Boston: Butterworth Scientific.
Makridakis, S. 1993. Accuracy measures: Theoretical and practical concerns. International J. Forecasting. 9: 527-529.
Piroska, Z. 1999. Coordinate Transformation with Neural networks and with Polynominals in Hungary. Geodezia es Kartografia. Budapest, LI(10):12-18.
Villiers J., & Barnard, E. 1992. Back-Propagation Neural Netswith One and Two Hidden Layers. IEEE Transaction On Neural Network. 4(1): 136-141.

三、網路
ITIS智網，2017，「電子材料產業年鑑」，http://www.itis.org.tw/Default.aspx。
工研院IEK產業情報網，2015，「銅箔基板產業發展現況與趨勢」，http://ieknet.iek.org.tw/。
台虹科技股份有限公司，2017，「企業簡介」，http://www.taiflex.com.tw/c/index.php。