個案公司為一貫作業煉鋼廠生產鋼鐵所需的主要原料包括煤炭、鐵礦砂及石灰石及廢鋼，大部分原料需仰賴船運進口，再透過輸送設備送至原料堆置場及高爐料倉，故原料輸送系統的送料效率性及供料穩定性也是直接影響生產環節的重要部分。輸送系統的設備數量中約九成以上是輸送機設備，基本上是由馬達、減速機、輸送帶、皮帶輪、滾輪等組件所組成，其中皮帶輪使用的穩定性與可靠度對於輸送機運轉順暢與否，扮演相當重要的角色。 輸送機設備的故障，施工不當、環境惡劣、疏於保養、超載使用、輸送過程中落料情形等常因，而設備故障前的重要徵兆之一便是設備的異常溫升，透過皮帶輪軸承偵測便可測得異常溫升。
個案公司皮帶輪軸承目前已裝設溫度感測器熱電偶的數量共147條輸送帶。本研究旨在如何做輸送機皮帶輪軸承溫升異常測點之預測，故以個案公司既有輸送系統及皮帶軸承偵溫系統資料，應用類神經網路與決策樹於軸承溫升異常測點之預測研究，研究方法運用R Studio程式設計，以產線類別、設備狀態資訊、保護開關感測訊號、磅秤資訊、流程操作資訊五項變數做為類經網路分析，每項變數皆以0至10分作為評分標準，再乘以各項變數權重，最後變數分數相加為總分，做為變數，得知最高分之軸承測點代號，以做為日後參考之模型。其中以軸承測點之各五項評選標準因子共20筆做為類神經網路之輸入層X1, X2,…,X20，資料集共為456筆資料，其中訓練資料80%與測試資料20%樣本，模型預測之正確率平均約為83%~85%，顯示模型已具有適度的預測能力。
因此本研究發現，個案公司輸送機皮帶輪軸承溫升異常測點之預測時，決策樹依照三個主要評選因素影響預測。第一個是P16軸承測點的保護開關感測器資訊分數，第二個是P01軸承測點的流程操作資訊分數，第三個是P02軸承測點的設備狀態資訊分數。本案例研究結果發現決策樹有助於個案公司的輸送機皮帶輪軸承溫升異常測點之預測。
本研究應用類神經網路及決策樹，有助於個案公司預測輸送機皮帶輪軸承溫升異常之測點位置，輔助人員及早診斷故障位置，縮短維修時間，以降低輸送設備損壞及火災等工安事件發生，避免公司人員傷亡及財務重大損失。

C- company has always operated the steelmaking plant to produce the main raw materials required for steel production including coal, iron ore, limestone, and scrap steel. Most of the raw materials need to be imported by shipping and then sent to the raw material storage yard and blast furnace silo through conveying equipment. The feeding efficiency and stability of the conveyor system are the important parts that directly affect the production process. Normally, a conveyor transport system is equipped with 90% of its relative equipment devices, such as motors, reducers, conveyor belts, pulleys, rollers and other components with highly connected operation. Especially, the stability and reliability of the use of the conveyor pulleys for keeping a smooth operation would play an important role. Since the machine malfunction of the conveyor equipment failures are often due to improper construction, harsh environment, negligent maintenance, overloaded use, or material dropping during the conveyance operation. It may cause abnormal temperature rising of conveyor pulley. Therefore, many temperature thermocouple sensors are designed to monitor the temperature change state to assist the working site operator signs before equipment failure. One is the abnormal temperature rising of the equipment.
C-company's pulley bearings currently have a total of 147 conveyor belts with temperature sensor thermocouples. In this study predicts the abnormal temperature rising measurement point of the conveyor pulley, so the C-company's existing conveyor system and belt bearing temperature measurement system data are used to apply neural network and decision tree to the abnormal temperature rising of bearing predictive research of measuring points, research method using R Studio programming, with five variables of production line type, equipment status information, protection switch sensing signal, scale information, process operation information as network analysis, each variable is judged by 0 to 10 points, as well as multiplied by various variable weight.
And finally the variable score as the total score as the dependent variable, and get the code of the bearing test point with the highest score, which will be used as a model for future reference. Among them, a total of 20 pieces of the five selection criteria factors of bearing measuring points are used as the input layer X1, X2, ..., X20 of the neural network-like, the data set is a total of 456 pieces of data, of which 80% of training data and 20% of test data sample, the prediction accuracy of the model is about 83%~85%, which shows that the model has a fairly good prediction ability.
In this study we found that when predicting the abnormal temperature rising point of the conveyor pulley bearing of the case company, the decision tree influences the prediction according to three main selection factors. The first is the information score of the protection switch sensor of the P16 bearing measuring point, the second is the process operation information score of the P01 bearing measuring point, and the third is the equipment status information score of the P02 bearing measuring point. The results of this case study found that the decision tree helped the case company to predict the abnormal temperature rising of the conveyor pulley.
In this study, we use artificial neural networks and decision trees to help C-companies for predicting the location of measurement points for abnormal temperature rising of conveyor pulley, assist personnel to diagnose fault locations early, shorten maintenance time, and reduce work safety such as damage to conveyor equipment and fire incident occurred to avoid company casualties and major financial losses.

參考文獻
中文部份
1. 日本工業標準JIS B8814（1982）。帶式輸送機用皮帶輪，日本。
2. 王振明(2011)。燃煤輸送機皮帶輪耗損原因探討與改善對策。國立高雄應用科技大學機械與精密工程研究所碩士論文，高雄市，台灣。
3. 王進德與蕭大全（2002）。類神經網路與模糊控制理論入門 (修訂版)。台北市，台灣:全華書局。
4. 尹相志（2009）。SQL Server 2008 Data Mining資料採礦。台北市，台灣:悅知文化出版社。
5. 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研究所碩士論文，台北市，台灣。
6. 李權龍(2008)。機場偷渡犯罪分析之資料探勘應用。國立交通大學管理學院資訊管理學程碩士論文，新竹市，台灣。
7. 汪惠健(2004)。類神經網路設計。台北市，台灣:新加玻湯姆生亞洲私人有限公司台灣分公司。
8. 林晏辰(2017)。應用大數據探討醫療器材智能自動化生產技術與製程之研究。國立勤益科技大學工業工程與管理系碩士論文，台中市，台灣。
9. 林宥安(2018)。應用大數據探討智慧機械管理系統之分析。國立勤益科技大學工業工程與管理系碩士論文，台中市，台灣。
10. 周主照(2011)。以資料探勘技術探討護理人員工作績效與教育訓練之相關性-以某醫學中心為例。中國醫藥大學醫務管理學系在職專班碩士論文，台中市，台灣。
11. 周雅君(2007)。以資料探勘為基建構偏光板品質異常診斷系統。元智大學工業工程與管理研究系碩士論文，中壢市，台灣。
12. 林敬凱(2012)。類神經網路於財務危機預測模式之應用:時間預測變數的比較。淡江大學統計學系研究所碩士論文，新北市，台灣。
13. 張建興(2013)。遠端監控系統建置與生產管理績效之研究- 以橡膠成型機為例。逢甲大學經營管理碩士在職專班碩士論文，台中市，台灣。
14. 張斐章、張麗秋與黃浩倫(2003)。類神經網路理論與實務。台北市，台灣: 東華書局。
15. 張斐章與張麗秋(2010)。類神經網路導論-原理與應用。台北市，台灣:滄海書局。
16. 張耀仁(2013)。倒傳遞類神經應用於二足機械運動學習。私立龍華大學工程技術研究所碩士論文，桃園市，台灣。
17. 許普騰(2012)。類神經網路於資料探勘之應用研究。義守大學電機工程系碩士班碩士論文，高雄市，台灣。
18. 陳嘉琪(2016)。新穎權重調整方式之類神經應用於股市預測問題。國立暨南國際大學資訊工程學系碩士論文，南投縣，台灣。
19. 陳永江(2014)。類神經網路於負載訊號應用之分析探討。義守大學電機工程學系碩士班碩士論文，高雄市，台灣。
20. 陳宇邦(2011)。順序型變數轉換在決策樹之應用。淡江大學統計學系應用統計學碩士班碩士論文，新北市，台灣。
21. 陳怡婷(2011)。應用資料探勘技術於血液透析動靜脈廔管阻塞因子之研究。國立雲林科技大學工業工程與管理研究所碩士班論文，雲林縣，台灣。
22. 陳學弘(2006)。倒傳遞與模糊推論系統神經網路應用於土壤溫度之推估。立德管理學院資源環境學系碩士班碩士論文，台南市，台灣。
23. 曾憲雄、蔡秀滿、蘇東興、曾秋蓉與王慶堯(2005)。資料探勘 Data mining。台北市，台灣:旗標出版股份有限公司。
24. 游崇智(1995)。應用類神經網路模擬多變量計量模式於台灣股市之分析與預測。私立中原大學企業管理研究所碩士論文，桃園市，台灣。
25. 黃邦烜(2012)。遞迴式類神經網路語言模型使用額外資訊於語音辨識之研究。國立台灣師範大學資訊工程研究所碩士論文，新北市，台灣。
26. 黃峰蕙、施勵行與林秉山(1997)。生產與作業管理。台北市，台灣:三民書局。
27. 楊國珍(2004)。類神經模糊系統應用於蒸發量推估之研究。國立成功大學水利及海洋工程研究所碩士論文，台南市，台灣。
28. 葉怡成(2002)。類神經網路模式應用與實作。新北市，台灣:儒林圖書有限公司。
29. 廖述賢與溫智浩(2012)。資料探勘理論應用。博碩文化，台北市，台灣。
30. 謝亞霖(2013)。應用決策樹探討台灣訓練品質系統關鍵指標之研究。國立勤益科技大學研發科技與資訊管理研究所碩士論文，台中市，台灣。
31. 簡睿辰(2013)。神經網路於資料探勘之實務研究。義守大學電機工程學系碩士班碩士論文，高雄市，台灣。
32. 簡禎富、林昀萱與鄭仁傑(2008)。建構模糊決策樹及其在有交互作用之半導體資料之資料挖礦以提升良率之研究。品質學報，15(3)頁193-210，台北市，台灣。
33. 簡禎富與許嘉裕(2014)。資料挖礦與大數據分析。前程文化，台北市，台灣。
34. 蘇木春與張孝德(2004)。機械學習:類神經網路、模糊系統以及基因演算法則(修訂二版)。台北市，台灣:全華圖書股份有限公司。

英文部份
1. Berry, M. J., & Linoff, G. (1997). Data Mining Techniques,John Wiley & Sons, NY, USA.
2. Berry, M. J., & Linoff, G. (2004). Data Mining Techniques: for Marketing, Sales, and Customer Relationship Management, John Wiley & Sons, Inc., Indianapolis, Indiana.
3. Breiman, L., Friedman, J., Stone, C. J., & Olshen, R. A. (1984). Classification and Regression Trees, Chapman & Hall/CRC press, BocaRaton London New York Washington, USA.
4. Dubois, O. (1994). Adaptive neural network control of the temperature in an oven. Proceedings of IEE Colloquium on Advances in Neural Networks for Control and Systems, pp.8/1 - 8/3, Berlin, Germany.
5. Han R, Yang G, Wang M, & Zhao Z. (2000). Nickel Cation Biosorping Studies by Yeast with Dimethylglyoxime Spectrophotometry, 20(5):739-40, Guang Pu Xue Yu Guang Pu Fen Xi, Beijing da xue chu ban she, Beijing, China.
6. Loh, W.-Y. & Shih, Y.-S. (1997). Split selection methods for classification trees, Statistica Sinica 7, 815-840, Taiwan.
7. Manjhi, S. K., & Kumar, R. (2019). Performance assessment of K-type, E-type and J-type coaxial thermocouples on the solar light beam for short duration transient measurements. Measurement, 146, pp. 343-355, India.
8. Morgan, J. N. & Sonquist, J. A. (1963). Problems in the Analysis of survey data and a proposal, Journal of the American Statistical Association (JASA), Volume 58, Issue 302, Page 415-434, USA.
9. Routh, T.K. (2012). Artificial neural network based temperature prediction and its impact on solar cell. Proceedings of 2012 International Conference onInformatics, Electronics & Vision (ICIEV), pp. 897 -902, Dhaka.
10. Touret, T., Changenet, C., Ville, F., Lalmi, M., & Becquerelle, S. (2017). On the use of temperature for online condition monitoring of geared systems – A review. Mechanical Systems and Signal Processing, 101, pp. 197-210, France.

網站部份
1. 李威德網站(2019)。利用SCADA系統有效達成遠端監控。取自https://www.digitimes.com.tw/iot/article.asp?cat=130&id=0000269152_1zy0jiqf68a0ud10uuam0。
最後瀏覽日：2019/7/8。
2. 李宏毅(2016)，SlideShare網站。DSC 2016系列活動:李宏毅/一天搞懂深度學習。取自https://www. slideshare.net/tw_dsconf/ss-62245351。
最後瀏覽日：2020/03/01。
3. 吳漢銘網站(2019)，R程式設計-吳漢銘網站。A04-hmwu_R-Programming.pdf，R程式設計(& R Style Guide)。取自http://www.hmwu.idv.tw/web/R/A04-hmwu_R-Programming.pdf。
最後瀏覽日：2020/03/10。
4. 林淑芬(2014)，臺灣大學計算機及資訊網路中心電子報網站。R統計分析與資料探勘入門：以鳶尾花資料集為例，第0031期。取自：
http://www.cc.ntu.edu.tw/chinese/epaper/0031/20141220_3105.html。
5. 維基百科網站(2019)。人工神經網路。取自：
https://zh.wikipedia.org/wiki/%E4%BA%BA%E5%B7%A5%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C。
最後瀏覽日：2019/09/23。
6. 維基百科網站(2020)。熱電效應。取自：
https://zh.wikipedia.org/wiki/%E7%86%B1%E9%9B%BB%E6%95%88%E6%87%89。
最後瀏覽日：2020/01/20。
7. 蔓草寒烟等人(2013)。智庫百科網站，決策樹。取自：
https://wiki.mbalib.com/zh-tw/%E5%86%B3%E7%AD%96%E6%A0%91
最後瀏覽日：2020/03/20。
8. 謝維馨(2018)。有勁生物科技網站，分類工具(3)-決策樹。取自：
https://yourgene.pixnet.net/blog/post/118211190-%E5%88%86%E9%A1%9E%E5%B7%A5%E5%85%B7(3)%E2%94%80%E6%B1%BA%E7%AD%96%E6%A8%B9%EF%BC%88decision-tree%EF%BC%89
最後瀏覽日：2020/03/28。
9. ITREAD01網站(2018)。決策樹-剪枝演算法（二）。取自：
https://www.itread01.com/content/1542782226.html
最後瀏覽日：2020/03/21。
10. MBA智庫百科網站(2019)。模糊理論。取自：https://wiki.mbalib.com/zh-tw/%E6%A8%A1%E7%B3%8A%E7%90%86%E8%AE%BA。
最後瀏覽日：2019/10/21。
最後瀏覽日：2020/02/10。
11. Skydome20 RPubs網站(2016)。R筆記-(8)類神經網路(neuralnet)。取自：https://rpubs.com/skydome20/R-Note8-ANN。
最後瀏覽日：2020/03/01。