↑ Return to 研究計畫

科技部計畫

整合主成份分析與整數規劃法於完整限制資料分群之研究 (2011.10~2012,7)

獲國科會專題研究計畫補助(NSC 100-2218-E-011-026),計畫主持人

本 研究的目標在發展一個整合型的資料分群方法來解決一種常見的限制分群問題(constrained clustering problem)。限制分群法屬於半監督學習方法(semi-supervised learning),它著重於當資料之間的群組關係為已知時,如何根據其形成的限制來增進分群分析的效率及正確性。有時基於對背景知識的了解,資料之間完 整的次群集關係是可以取得的。比如,當進行大量品管資料分群分析時,關於受測產品的製造批號或量測群組均可事先得知並構成完整必連(Complete Must-Link, CML)限制。由於同一批號或次群組有時意味著相同的製造或量測特性,此一CML限制會強制資料分群時,需將相同的製造批號或量測群組的資料歸於同群。這 個研究主要針對在CML限制下的分群問題作一探討。當使用傳統的限制分群法如constrained hierarchical法來處理CML限制問題時,因次群資料會被其質量中心點所取代而導致資訊遺失的問題。本研究提出一個兩階段分群方法來改善限制分 群方法。首先,考慮在相似矩陣中加入能代表各個資料群集特性的主成份向量。並以此相似矩陣,運用傳統的分群方法找出候選群組。第二階段,針對如何從候選群 組中找出最終群組問題,以整數規劃法來求解以保證獲得最小的組內距離,並決定最佳的群集數量。這個研究計劃除發展新的限制分群法外,將以電腦模擬及實際收 集的數據將被用來分析新分群法的效能。


結合資料分群及類法於多元件產品原型測試析之研究 (2012.8~2013,7)

獲國科會專題研究計畫補助(NSC 101-2221-E-011-057),計畫主持人

本 研究的目標在發展一個整合資料分群(clustering)及資料分類(classification)技術的方法來有效地分析在產品開發過程所產生的原 型測試資料。由於傳統的統計方法其線性或常態模式的假設使得該方法在原型資料的分析上有所局限。本研究結合資料分群及資料分類的特性,並將之施行於不同的 資料集:量化量測資料 (資料集) 及類別型資料 (資料集)來進行資料分析,以解決原型測試樣本少、屬性種類複雜、及頻繁的設計變更等特質所造成的資料分析困難。資料分群方法首先施行於資料集,將量化資 料進行分群,其分群的結果(即資料的分群標示)再結合資料集以作為資料分類方法的施行對象。為了能同時檢視資料分群及分類方法的效能以選擇適合的群組數以 平衡兩方法的效能,我們提出Clustering Classification Evaluation plot (CCE) 圖來決定群組數。將所提出的方法運用於數個公開資料集,其結果發現利用CCE圖可提供資料分析決策者作為群組數選擇的依據。同時應用資料分群及資料分類亦 可使原型資料分析不需要受到特定資料的分佈或線性假設所限制。


植物工廠之資料分析及創新營運模式之研究(I) (II) (2013.8~2015,7)

獲國科會專題研究計畫補助(NSC 102-2221-E-011-052,NSC 103-2221-E-011-116),計畫主持人

植 物工廠是一種新式的農作物生產方式,透過對生產環境因素如溫度、溼度、光線、水分及營養物的完全控制,加速植物生長的效能及提升作物品質。本計劃分別針對 植物工廠之資料分析、適性化農作物生產排程及創新型之租賃經營模式三項議題進行研究。計劃的第一階段將收集植物工廠相關資料,發展出協助植物工廠營運之資 料分析方法,以有效掌握市場商情與氣候之連動關係(外部資訊)。此外,透過分析工廠之環控條件與作物生產良率之因果關係(內部資訊)來提供植物工廠正確地 營運決策分析。本階段將應用資料探勘技術、結合函數型主成份分析方法(FPCA)研究適用於植物工廠決策分析之資料分析方法。

計劃的第二階 段將以植物工廠之適性生產排程作為研究的主軸。適性生產排程指的是其農作物的生產規劃可依據作物之市場價格變化及工廠內良率變化作調整。為達收益之最大 化,植物工廠可選擇種植較高價之產品以獲取較高的利潤空間,或參考植物工廠內之良率分析以適切地調整作物的生長環境。此一階段之研究重點仍是利用第一階段 之資料分析研究成果,應用混合型整數規劃法來發展一個適用於「自產自銷」的生產排程系統。

計劃之第三階段整合前兩階段的研究成果,以創新之 植物工廠租賃概念發展出有別於自產自銷或接單生產的營運模式。植物工廠「私有田園」服務旨在將植物工廠設備及空間租賃給消費者並提供種植技術服務,來滿足 個人或家庭對食物生產供給及食品安全的充分自主權。本計劃將以動態訂價模型研究「私有田園」租賃之訂價問題,並針對植物工廠資源分配及客製化服務進行模式 的分析。本計劃期能透過結合「自產自銷」及「私有田園」的整合模式,增加植物工廠之獲利,進而為此一產業提供創新之營運藍圖。


 結合銷售預測及調貨機制於加盟零售業短期時效性商品銷售之研究  (2016.8~2017,7)

獲國科會專題研究計畫補助(105-2221-E-011-108),計畫主持人

本計畫以短期時效性商品的加盟連鎖銷售預測作為研究的主要標的,探討如何透過分析銷售時點系統之完整銷售紀錄對加盟連鎖銷售進行預測分析,並結合調貨機制彌補預測的不足,進而提高時效性商品的銷售。本研究將著重以加盟總部的角度來訂定及預測各加盟店的最適訂購量及可能的調貨策略,以作為總公司貨品供應的規劃。其中,在商品銷售預測上,期望能結合各種公開資訊及和店家提供的資料,研究具代表性之銷售特徵,以提高預測的精準度並為企業帶來更高的獲利。本計畫將以資料分群法找出各加盟店各式商品的庫存特徵曲線,並依此預測作為加盟店該商品可能的售罄時間,以開展整個連銷體系之商品銷售預測。藉由售罄時間的預測,我們可以監控當日各店家是否即將面臨剩餘庫存或是缺貨的情形發生,透過多家零售商的資訊整合並加入調貨決策因子、調貨距離及單位距離成本等影響因素,評估如何在符合整體經濟效益的情況下,進行加盟零售店之間的調貨。本研究以銷售預測結果探討調貨價格與整體調貨經濟效益的關係,並進而研究最適的調貨價格以驅動整個零售加盟體系對銷售的整體利益。


支援智慧城市應用基礎設施核心技術發展及合作計畫-結合大數據分析於供應鍊動態車輛路徑優化問題 (2017.6~2019.5)

獲國科會專題研究計畫補助(106-2218-E-011-008-MY2),計畫共同主持人

良好的交通狀態是世界上各個大都會所追求的目標.本計畫預計透過國際合作,針對印尼雅加達這個在交通硬體建設尚在起步階段的印尼首都,進行交通資料收集及分析,並提出以改善供應鍊運輸為目的的決策模型。本計畫將與印尼學者共同收集及研究雅加達之交通資訊並進行分析及評估,利用巨量資料分析技術及車輛運輸問題,建立一個交通狀況預測模型。此模型將以印尼雅加達的供應鏈系統之交通面向進行決策分析並做出改善。本研究計畫將分為三年期:第一年將建構資料蒐集機制,透過與印尼合作夥伴共同蒐集影響雅加達交通的相關資料,並將所蒐集之資料放置於數據平台並與合作夥伴共同使用;第二年將建構一個資料分析及預測模型來探討影響雅加達交通的重要因子,並使用該預測模型將資料分析結果運用在供應鏈運輸之決策上。相關資料模型將帶入車輛運輸問題,並且結合啟發式演算法及雲端即時分析以提供供應鏈上各個角色進行決策。


既有舊系統之異質製造平台架構技術開發與網實系統升級應用驗證   (2016.10~2019.9)

獲國科會專題研究計畫補助(105-2218-E-011-015),計畫共同主持人(子計畫三)

網宇實體系統是工業4.0 技術核心,其精神在於導入大量製造現場資訊收集與回授,進行實體設備之即時控制,使實體程序能達成預期操作目標。然而國內大多數中小企業無法導入此系統,原因在於既有舊系統連機台互連能力都沒有,也不可能為了工業4.0 而更換既有設備。因此,從既有舊系統進行網宇實體系統升級是必要的。本計畫從製造業的既有舊系統網宇實體系統升級,進行異質製造平台架構技術開發,建構相關介面與知識庫,目的為使這些既有舊系統與先進網宇實體系統相容。結案時將以所提出之異質製造平台架構達成『整線』自動化生產目標,提供廠商做為工業4.0 升級之智慧工廠部署參考。
本計畫在異質網宇實體系統製造平台架構下,提出三個子計畫,包括:(子計畫一)開發機臺連機臺之物聯網架構、相關介面與協定及將資料分析結果應用於機臺精密加工;(子計畫二)開發實體示範線之建模、設計、模擬、分析,進行智慧監控和線上感測及診斷,並導入擴增實境應用;以及(子計畫三)導入巨量資料雲計算,並以運籌、物流、數據分析、營運、精實管理等。最後,本計畫以網宇實體系統技術落實為出發點,相信本計畫之成果可幫助許多國內中小規模製造業在工業升級,並培育我國網宇實體系統人才。


應用於智慧製造系統之串流資料分析模組 (2017.8~2020,7)

獲國科會專題研究計畫補助(MOST 106-2221-E-011-106-MY3),計畫主持人

掌握生產線上各種工具機台之製造及加工成品資訊,並加以監控及分析,是現今智慧製造系統中最基本的核心能力。由於機聯網或物聯網技術的普及,在現代化工廠環境中,串流型的大量感測資料(data stream)伴隨著生產製造所需之各式製程資訊也讓分析工作越顯複雜,如何即時有效地監控無所不在之串流資料並整合各式資料以進行後端批次性的分析,己成為工業大數據分析的重要課題。本研究擬提出三年期計畫,針對工具機台之資訊即時監控及批次因子分析提出一個完整的數據分析架構。首先,第一期將利用工具機最底層指令 G-code作為資料分割之最小單位,將所有與工具機台加工相關資訊,劃分成以G-code為基礎之資料維度(instruction-based domain)。透過整合符號轉換近似法(Symbolic Aggregate Approximation, SAX)及品質管制之控制圖技術,開發一個能有效地縮減資料處理量並能達到即時監控串流資料及資料比對的分析工具。第二期則利用第一期所發展之方法為基礎,發展一個能在串流資料中同步搜尋與製造成品良率有關因子的整合演算法。透過同步搜尋與工具機台指令相關之串流資料,並同時尋求資料分群(data clustering)及資料分類(data classification)的最佳化目標來進行特徵值選取(feature selection)及建立異常資料分群。第三期為能提供更準確地預測工具機台之損壞機率,本計畫擬以隱藏馬可夫模型(Hidden Markov Model, HMM)為基礎,建構工具機台各特徵因子與生產狀態之機率模型,作為提供預測性維護分析之基礎。本計畫預計以開源Spark Stream平台作為各發展工具之開發平台,以達研究成果共享之目的。


一個基於影音資訊之智慧金融服務平台-一個基於影音資訊之智慧金融服務平台 (2017.6~2020,5)

獲國科會專題研究計畫補助(MOST 106-3114-E-011-004, 107-2218-E-011-014, 108-2218-E-011-026),計畫共同主持人

本計畫預計利用三年逐步開發人工智慧之影音文字情緒分析技術,以提升金融業客戶服務品質為目的,整合推薦系統技術建構具前瞻性之智慧金融服務平台。相關技術的開發除整合學術研究成果外,並透過與產業合作,期望能加速技術商品化。本計畫整合四個子計畫:「子計畫一:人臉辨識暨微表情分析」運用深度學習技術分析客戶的臉部表情,得知服務流程中客戶的情緒,藉此判斷客戶對投資理財組合的反應以及偏好程度;「子計畫二:語音身分辨識技術
暨語音客服系統」運用深度學習技術分析客戶語音,得知服務流程中客戶的情緒,並結合子計畫一形成新型金融客戶情緒影音即時分析模組,重整客戶描述資料庫和客服系統;「子計畫三:社群資料情緒分析」運用文字探勘技術分析客戶在社群網路上的行為資料,依此判斷客戶對於投資理財組合的風險溢酬及偏好;「子計畫四:推薦系統及智能合約」結合銀行端既有客戶資料以及子計畫一至三所產生之新版客戶描述資料,依此作為客戶投資理財與服務的推薦依據,並運用區塊鍊技術建立智能合約,實現在家(行動)金融服務。透過產學合作,本計畫期望於金融領域引進情緒分析技術,增進金融產業對客戶描述的精準化,並藉所開發技術建立新版信用評分與風險評估。


運用傳統網版印花之半色調分色智慧系統  (2018.11~2020,10)

獲國科會專題研究計畫補助(MOST 107-2622-E-011-035-CC2, 108-2622-E-011-024-CC2) ,計畫主持人

本計畫預計研發半色調分色智慧系統以融合傳統網版的特點和部分數位印花的優勢進行傳統網版印花廠的技術提升。拜電腦科技及工業發展之賜,傳統網版在分色製版的程序上,已經可以達到極精細的控制,因此以印刷四原色─黑色(K)、青色(C)、洋紅色(M)和黃色(Y)為基礎,運用半色調分色技術(halftoning),搭配高精度網版的製作,將印刷疊色的原理運用在傳統網版印花將是可行的方式。也就是說,原本只能使用數位印花機印製的圖檔,若能採用新開發的半色調分色智慧系統後,也能使用於傳統的網版印花機進行印製。本計畫預計投入兩年的時間,第一年以傳統網版印花製程為基礎,以不需要改變工廠現行的生產製程,也無需增加設備為前提,開發能將半色調分色智慧系統導入傳統網版印花製程的技術,使傳統網版印花機即可升級為數位印花機來使用。同時,也將在第一年投入測試實驗建立半色調分色於各式布料特性的實驗數據庫,以作為產業發展此半色調分色網版印花技術的基礎。第二年將結合工業4.0下之虛實整合系統的概念,於合作廠商的網版印花廠設備安裝定位及溫度感測器,並協助建立一個全新式的
標準化作業流程,將現場資訊進行回饋控制。結合人工智慧系統的開發讓半色調分色能進一步考量布料的特性外,亦希望透過現場感測器數據的收集,更細緻地掌握品質控管,並作為分色系統控制的考量。所欲開發的半色調分色模擬系統,除了可以將半色調分色技術用以提升傳統網版印花廠的產值及印花布料的競爭力外,亦可藉此一計畫的投入協助合作的網版印花廠進行產業升級,將被視為夕陽工業的傳統網版印花業改造為具國際競爭力的產業。