在2010年代工業4.0引領另一波工業新浪潮的同時，面對先進國家如德國工業4.0、美國AMP 的再工業化製造策略中，在工業基礎、資本結構、技術層面及產業規模等架構下，台灣製造業應找出核心的競爭能力與適宜的國際定位。因此，如何讓台灣製造業在國際產業價值鏈符合工業4.0定位甚為重要。本研究應用工業4.0八項技術領域中大數據分析、無人搬運車、物聯網、工業自動化四項技術領域作為研究基礎。
本研究以大尺寸面板產業的彩色濾光片廠於2015年間，真空濺鍍製程的破片異常作為實證研究樣本，應用管理科學的資料挖礦工具，選擇決策樹與關聯規則兩項技術，挖掘無人搬運車與玻璃基板破片的關聯性，並以決策樹與關聯規則的結果進行研究樣型比對，作為資訊準確性與可信度的重要依據。
根據資料挖礦所萃取的資訊成果，以工程科學的實驗方法，瞭解零組件對於無人搬運車在運行過程中，影響玻璃基板破片的潛在風險。因此，本研究旨在台灣製造業在尋求工業4.0 的產業價值鏈定位過程中，應用管理科學的技術萃取有價值的資訊，結合工程科學的實證研究，導入產品生命週期的製程改善，以獲得「彈簧安全係數值」之界定，與預測產品未來的品質風險。
本研究針對工業3.5的彩色濾光片產業，在製程改善上提供包含可預測性的「產品生命週期」、可視性的「工業大數據」及適用性的「工業自動化」等三項前瞻性技術應用及貢獻，並作為邁向工業4.0的發展基礎。

In the early days of 2010, Industry 4.0 led another wave of industrial revolution while facing the advanced countries of the re-industrial manufacturing strategy, such as the German's industry 4.0 and the US Advanced Manufacturing Partnership Program. Under the framework of industrial base, capital structure, technical level and industrial scale, Taiwan's manufacturing industry should develop its core competitiveness and appropriate international orientation. Therefore,this study uses some of the eight technical fields of industry 4.0, including four major technologies：big data analysis, automated guided vehicle system, internet of things and industrial automation on the basis of the study.
The research data used in 2015 were the color filter factory processed as a case study. We applied data mining tools in the field of management science. We also chose the decision tree and the association rule as the research methods. The relationship between the cause of the automatic guided vehicle and the damage of the glass substrate were observed.
We finally applied the scientific method of engineering science to understand the product life cycle of parts as well as to reduce the potential risk of glass breakage. And ultimately we achieve the purpose of improving the manufacturing process and forecast the quality risk for products in the future.
This study provid three prospective technologies and contributions, including predictable "product life cycle," graphic "industrial big data," and applicable "Industrial automation" to manufacturing improvement. They may establish the foundation of the development of industry 4.0.

1.余承叡，盧冠宇，吳維文與丁士翔(2016)，「邁向工業 4.0-製造業的大數據分析應用實例」，電工通訊季刊, 第二季，頁68-77，台北，台灣。
2.宋堯正(2007)，「資料採礦分析法於解析客訴不良品之應用-以 TFT-LCD 製造廠某 C 公司為例」，中央大學工業管理研究所碩士論文，桃園，台灣。
3.林子翔(2013)，「彩色濾光片與微透鏡製程之自動化缺陷分類系統」，清華大學工業工程與工程管理學系學位論文，新竹，台灣。
4.林德全(2015)，「運用關聯規則探勘輔助生產管理決策-以案例公司為例」，交通大學管理學院資訊管理學程碩士學位論文，新竹，台灣。
5.林逸章(2009)，「彩色濾光片廠濺鍍機台清潔保養作業時的微粒逸散研究 」，交通大學工學院永續環境科技學程碩士學位論文，新竹，台灣。
6.林顯易與謝名豐(2015)，「工業 4.0中的智慧機器人」，科儀新知，第205期，頁12-20，新竹，台灣。
7.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學系學位碩士論文，桃園，台灣。
8.周子敬(2004)，「以統計檢定力檢測結構方程模式運用在商管研究的正確性」，中原學報，第32期，4卷，頁619-633，桃園，台灣。
9.洪瑜君(2007)，「以資料探勘技術識別造成彩色濾光片製程缺陷之群聚現象」， 成功大學工業與資訊管理學系碩士在職專班學位論文，台南，台灣。
10.胡家琁(2015)，「美國領軍先進製造迎戰歐洲工業4.0」，工業技術與資訊月刊， 第290期，頁1-5，新竹，台灣。
11.唐健喬(2010)，「TFT-LCD CELL 製程 P 檢點燈不良解析流程改善之關聯法則應用」，中央大學工業管理研究所在聯專班碩士論文，桃園，台灣。
12.黃馨滿(2013)，「建構彩色濾光膜及微透鏡缺陷樣型分析之資料挖礦架構」， 清華大學工業工程與工程管理學系學位論文，新竹，台灣。
13.陳田協(2015)「應用資料探勘改善偏光板翹曲問題-以T公司為例」，成功大學工業與資訊管理學系碩士在職專班學位論文，台南，台灣。
14.陳彥任(2009)，「薄膜電晶體液晶顯示器產線中破片檢測及欠陷分析」，中原大學機械工程研究所學位論文，桃園，台灣。
15.郭信宏(2008)，「應用資料探勘技術於面板檢測實證研究」，中央大學工業管理研究所碩士在職專班學位論文，桃園，台灣。
16.劉志洪(2012)，「應用資料探勘技術建構面板異常問題之處理模式」，元智大學工業工程與管理學系學位論文，桃園，台灣。
17.儲江偉、郭克友、王榮本、李斌與馮炎(2002)，「自動導向車導向技術分析與評價」，起重運輸機械， 第11期，頁1-5，吉林，中國。
18.簡禎富、林鼎浩、徐紹鐘與彭誠湧(2001)，「建構半導體晶圓允收測試資料挖礦架構及其實證研究」，工業工程學刊，第18卷，第4期，頁37-48，新北，台灣。
19.簡禎富與許嘉裕(2014)，資料挖礦與大數據分析，前程文化出版社，頁159-160，新北，台灣。
20.簡禎富、林國義、許鉅秉與吳政鴻(2016)，「回顧與前瞻: 從工業 3.0 到工業 3.5」， 管理學報，第33卷，第1期, 頁87-103，台北，台灣。
21.Agrawal, R., Imieliński, T., and Swami, A.(1993).Mining Association Rules Between Sets of Items In Large Databases. Sigmod Record of the ACM, 22(2), pp207-216.
22.Berry, M. J. and Linoff, G. (1997). Data Mining Techniques: for Marketing, Sales, and Customer Support. John Wiley and Sons, New York.
23.Berry, M. J. and Linoff, G. (2004). Data Mining Techniques: for Marketing, Sales, and Customer Relationship Management(2nd ed.), Wiley, Indianapolis.
24.Brachman, R. J., Khabaza, T., Kloesgen, W., Piatetsky-Shapiro, G., and Simoudis, E. (1996). Mining Business Databases. Communications of the ACM, 39(11), pp42-48.
25.Breiman, L., Friedman, J., Stone, C. J., and Olshen, R. A. (1984).
Classification and Regression trees. CRC press, US.
26.Buhl, H. U., Röglinger, M., Moser, D. K. F., and Heidemann, J. (2013). Big Data- A Fshionable Topic with(out) Sustainable Relevance for Research and Pactice? Business and Information Systems Engineering, 5(2), pp65-69.
27.Cabena, P., Hadjinian, P., Stadler, R., Verhees, J. and Zanasi, A. (1998). Discovering Data Mining: from Concept to Implementation. Prentice-Hall, Inc..
28.Crisan, D., and Doucet, A. (2002). A Survey of Convergence Results on Particle Filtering Methods for Practitioners. Transactions on Signal Processing of the IEEE, 50(3), pp736-746.
29.Fayyad, U., Piatetsky-Shapiro, G., and Smyth, P. (1996). The KDD Process for Extracting Useful Knowledge From Volumes of Data. Communications of the ACM, 39(11), pp27-34.
30.Gaskins, R. J., and Tanchoco, J. A. (1987). Flow Path Design for Automated Guided Vehicle Systems. International Journal of Production Research, 25(5), pp667-676.
31.Han, J.and Kamber, M. (2006). Data Mining: Concepts and Techniques.
32.Han, J., Pei, J., and Kamber, M. (2011). Data mining: Concepts and
Techniques. Elsevier.
33.Kass, G. V. (1980). An Exploratory Technique for Investigating Large Quantities of Categorical Data. Applied Statistics, pp119-127.
34.Kleissner, C.(1998).Data Mining for The Enterprise. In System Sciences, Proceedings of the Thirty-First Hawaii International Conference on IEEE,7,
pp 295-304.
35.Linoff, G. S., and Berry, M. J. (2011). Data Mining Techniques: for Marketing, Sales, and Customer Relationship Management. John Wiley and Sons.
36.Menzies, T., and Hu, Y.(2003).Data Mining for Very Busy People.
Computer, 36(11), pp 22-29.
37.Posada, J., Toro, C., Barandiaran, I., Oyarzun, D., Stricker, D., de Amicis, R., ...and Vallarino, I.(2015).Visual Computing As a Key Enabling Technology for Industrie 4.0 and Industrial Internet. Computer Graphics and Applications of the IEEE,35(2), pp26-40.
38.Pyle, D. (1999). Data Preparation For Data Mining (Vol.1). Morgan Kaufmann.
39.Quinlan, J. R. (1986). Induction of Decision Trees. Machine Learning, 1(1), pp81-106.
40.Quinlan, J. R., and Jones, R. M.(1993). FOIL: A Midterm Report. In European Conference on Machine Learning，pp1-20，Berlin Heidelberg.
41.Shaw, M. J., Subramaniam, C., Tan, G. W. and Welge, M. E. (2001). Knowledge Management and Data Dining for Marketing. Decision Support Systems, 31(1), pp127-137.
42.Thuraisingham, B. (2000). A Primer for Understanding and Applying Data Mining.IT Professional, 2(1), pp28-31.
43.Xindong Wu, Xingquan Zhu, Gong-Qing Wu and Wei Ding (2014)Data Mining with Big Data. Transactions on Knowledge and Data Engineering of the IEEE, 26(1), pp97-107.
44.白宮製造業政策辦公室網頁(2012)，「Report to The President on Capturing Domestic Competitive Advantage in Advanced Manufacturing」，https://www.whitehouse.gov/sites/default/files/microsites/ostp/pcast_amp_steering_committee_report_final_july_17_2012.pdf，最後瀏覽日：2016/11/25。
45.電機電子環境發展協會網站(2013)，「從國際智慧製造趨勢看台灣產業的機會與挑戰」， http://www.ced.org.tw/images/Knowledge/從國際智慧製造趨勢看台灣產業的機會與挑戰.pdf，最後瀏覽日：2016/12/13。
46.程瑞曦網站(2014)，「由工業30邁向40之路」，自動化與智慧工廠論壇，http://www.digitimes.com.tw/tw/b2b/Seminar/shwnws_new.asp?CnlID=18&cat=99&product_id=051A31023&id=0000400510_X9O42A1922IZQWL91XMMP，最後瀏覽日：2016/12/23。
47.維基百科網站(2014)，「大數據」，https://zh.wikipedia.org/wiki/%E5%A4%A7%E6%95%B8%E6%93%9A，最後瀏覽日：2016/12/16。
48.蘇孟宗網站(2015)，「全球工業4.0趨勢引言： 台灣產業機會與挑戰」，http://www.economic.ntpc.gov.tw/main/..%5Cfiles%5C全球工業4.0趨勢引言：台灣產業機會與挑戰│解密科技寶藏：工業4.0趨勢論壇.pdf
，最後瀏覽日：2016/12/14。
49.楊錦洲網頁(2013)，「工業4.0-台灣經驗」，http://www.hksq.org/Industry-4-0-Taiwan-Experience-slides.pdf
最後瀏覽日：2016/12/26。