現今的半導體晶圓代工產業，已明顯走向大者恆大的趨勢，市佔率低且面臨邊緣化的企業該思考如何利用既有的生產配置，將其產能提升以及利潤發揮到最大。工業4.0是近幾年在製造科技業竄起的新風潮，透過大數據的分析，將原本的自動化生產線再更進化到智慧工廠。
本研究以個案公司第二大產能瓶頸乾式蝕刻機台作為產能提升之研究目標，利用工業4.0虛實融合系統概念，針對產能相關之關鍵績效指標做深入的解析，透過分析結果找出其中表現較為優異的機台作為golden，再利用機台參數比對以及生產過程的machine log找出其中的差異點並加以改善優化。
最後，將損失時間以及浪費時間減量，達到每日晶圓產出量提升之目的，其中又以派工模式優化在損失時間上的改善效益最大且其花費成本相當低，透過此研究之結果可證明，購買生產機台並非提高產能之唯一路徑，在有限的條件下只要用對工具與方法也能夠有很顯著的改善成果。

Nowadays, semiconductor foundry industry has a current trend with the big one will be made and changed bigger. When a company is facing the crisis of having lower marketing share and being marginalized in economics, it needs to leverage its existing productive assets to maximize their productivity and profit. However, Industry 4.0 is a new conception for manufacturing technology industry in recent years. Through the analysis of big data, the original automated production line will be further evolved into a smart factory.
In this study, we tried to evaluate the case company's second largest bottleneck dry etching machine as the research goal of productivity improvement. We used the concept of industry 4.0 Cyber-Physical System to explore the key performance indicators in-depth analysis for the related productivity. Through the analysis results, we find out the machine with better performance as the Golden-machine. Comparing its parameters to the machine log of the production process, we will obtain some key difference values. Then, we can decide how to improve and optimize them.
Finally, the daily wafer output increase is achieved through loss time and wasted time reduction. Among them, dispatching optimization model to improve efficiency in the loss time it takes the largest and relatively low cost. The results of this study prove that buying a production machine is not the only way to increase production capacity. Under limited conditions, significant improvements can be achieved with tools and methods.

參考文獻
中文部份
1. 王子源(2018)，基於工業4.0概念利用即時資料蒐集建置智慧工廠之即時監控模式，中原大學資訊管理研究所碩士論文，桃園，台灣。
2. 方柏翔(2016)，工業4.0對半導體製造業之影響分析，臺灣科技大學管理學院MBA碩士論文，台北，台灣。
3. 邱士城(2018)，晶圓級封裝凸塊製程300mm物料搬運系統導入評估相關性研究，高雄大學電機工程學系-電子構裝整合技術產業碩士專班碩士論文，高雄，台灣。
4. 邱仁宏(2018)，建置智能化工廠關鍵因素之探討，逢甲大學科技管理碩士學位學程碩士論文，台中，台灣。
5. 呂金隆(2001)，晶圓製造廠瓶頸管理模式之研究，華梵大學工業管理學系碩士班碩士論文，新北，台灣。
6. 呂紹雄(2017)，藉由線性及動態規劃避開晶圓廠自動物料搬運系統塞車位置之派車路徑法則，高雄應用科技大學工業工程與管理系碩士論文，高雄，台灣。
7. 林東清(2018)，資訊管理第七版，智勝文化事業有限公司，台北，台灣。
8. 林思逸(2015)，可用生產時間波動性對產能影響性分析 -以半導體晶圓製造為例，東海大學工業工程與經營資訊學系碩士論文，台中，台灣。
9. 吳銘山(2017)，12吋晶圓廠自動化搬運系統生產績效研究及成本分析-以機台晶圓暫存器(Near Tool Material Buffer)為例，成功大學經營管理碩士學位學程(AMBA)碩士論文，台南，台灣。
10. 吳修賢(2017)，物聯網架構下導入自動化搬運系統之成本效益分析:半導體封裝廠為例， 中興大學資訊管理學系所碩士論文，台中，台灣。
11. 范揚智(1999)，半導體製造產能規劃研究，中原大學工業工程學系碩士論文，新竹，台灣。
12. 柯嘉琪(2017)，半導體製造廠無紙化之研究-以A公司為例，高雄應用科技大學工業工程與管理系碩士在職專班碩士論文，高雄，台灣。
13. 徐子寒(2018)，機台維修保養時程規劃 -以半導體晶圓廠為例，東海大學工業工程與經營資訊學系碩士論文，台中，台灣。
14. 郭金城(2012)，KPI考核制度、獎勵制度與工作滿意度之相關研究，中國文化大學國際企業管理學系碩士論文，台北，台灣。
15. 許耀庭(2018)，RFID 與 AGV 技術在半導體廠之應用研究，高雄大學電機工程學系-電子構裝整合技術產業碩士專班碩士論文，高雄，台灣。
16. 陳美玉(2018)，台灣護具廠商製程自動化個案研究，朝陽科技大學企業管理系碩士論文，新竹，台灣。
17. 陳昕楷(2005)，建構半導體機台績效管理架構及其生產力提昇方法，清華大學工業工程與工程管理學系碩士論文，新竹，台灣。
18. 曾燈玉(2018)，人纖加工絲智能工廠4.0對其勞工影響之研究：以L公司為例，中正大學勞工關係學系碩士在職專班碩士論文，嘉義，台灣。
19. 劉育吉(2017)，製造執行系統應用於半導體機台停機通知分析處理，中央大學資訊工程學系在職專班碩士論文，桃園，台灣。
20. 劉賢治(2018)，半導體智能工廠烤箱系統整合之研究-A公司為例，高雄應用科技大學工業工程與管理系碩士在職專班碩士論文，高雄，台灣。

英文部份
1. Calderoni, L., Magnani, A. and Maio, D.(2019), IoT Manager: an open-source IoT framework for smart cities, Journal of Systems Architecture, Vol. 95, pp.60-74, Amsterdam, Netherlands.
2. Denkena, B., Dittrich, M. A. and Wilmsmeier, S.(2019), Automated production data feedback for adaptive work planning and production control, 7th International conference on Changeable, Agile, Reconfigurable and Virtual Production (CARV2018), Vol. 28, pp.18-23, Milan , Italy.
3. Monostori, L., Kádár, B., Bauernhansl, T., Kondoh, S., Kumara, S., Reinhart, G. et al.(2016), Cyber-physical systems in manufacturing, CIRP Annals-Manufacturing Technology, Vol. 65, Issue 2, pp.621-641, Birmingham, United Kingdom.
4. Rojko, A.(2017), Industry 4.0 Concept: Background and Overview, International Journal of Interactive Mobile Technologies (iJIM), Vol. 11, No. 5, pp.77-90.
5. Samir, K., Khabbazi, M. R., Maffei, A. and Onori, M. A,(2018), Key Performance Indicators in Cyber-Physical Production Systems, 51st CIRP Conference on Manufacturing Systems, Vol. 72, pp.498-502, Birmingham, United Kingdom.
6. Tao, F., Qi, Q., Liu, A. and Kusiak, A.(2018), Data-driven smart manufacturing, Journal of Manufacturing Systems, Vol. 48, Part C, pp. 157-169, Amsterdam, Netherlands.
7. Wiktorsson, M., Sang, D. N., Bellgran, M. and Hanson, L.(2018), Smart Factories: South Korean and Swedish examples on manufacturing settings, Proceedings of the 8th Swedish Production Symposium, Vol. 25, pp.471-478, Stockholm, Swedish.
網站部份
1. Tokyo Electron Ltd.網站企業首頁(2017)
https://www.tel.com/product/
最後瀏覽日:2018年11月26日
2. V-TEX株式會社.網站企業首頁(2019)
http://www.vtex.co.jp/en/product/valve/
最後瀏覽日:2019年04月08日
3. 偉拓科技股份有限公司.網站企業首頁(2019)
http://www.vatvalve.com/business/valves/product-safety
最後瀏覽日:2019年02月28日
4. 敏盛科技股份有限公司.網站企業首頁(2019)
http://www.tteam.com.tw/page/product5-4.html
最後瀏覽日:2019年03月25日
5. 梅特勒-托利多國際股份有限公司(2015)，「提高生產率和整體設備效率(OEE)」
https://www.mt.com/tw/zt/home/supportive_content/news/po/pi/food-innovations-2015-2.html
最後瀏覽日:2019年04月15日