5、適應性製程監控技術
主成分分析(principal component analysis, PCA)技術已被廣泛的應用於製程監控上，但傳統監控的方法均使用一個固定的PCA 模式，而本研究演導出兩種在計算上極有效率的PCA 演算法來進行適應性(adaptive)製程監控，其一為遞迴式(recursive)PCA 演算法，此方法可持續擴增製程的正常操作資料來更新PCA 模式，使監控指標更具有一致性；其二為移動視窗moving window)PCA 演算法，此方法以加入新的製程正常操作資料並捨棄舊的操作資料之方式來更新PCA 模式，對於製程參數會隨著製程操作緩慢變化的系統，能夠提供較適合製程現況的監控指標。由於大部分的工業程序都具有緩慢變化的特性，而所提出之適應性製程監控技術能夠有效降低線上計算的成本，同時提高錯誤偵測之準確性以及效率，在工業上應具有廣泛的應用性。
6、多變數動態系統之量測器失誤診斷
現今的大型工場皆含有為數龐大的量測器(sensor)，因此量測器的失誤診斷技術對於製程安全與最適操作是不可或缺的。有鑑於傳統以統計為基礎的失誤診斷方法對於動態製程系統無法提供準確的量測器失誤診斷，本研究提出一個新穎的系統化方法來針對多變數動態系統進行多重量測器失誤之偵測、隔離以及識別。本研究結合程序動態模式的建立，首先定義一個基本量測器失誤矩陣，然後將目前的操作資料投影於該矩陣所形成之空間上，得到相對應的權重向量即可用於多重量測器之失誤診斷，此權重向量可進一步整合為單一指標，以便於量測器失誤之偵測，同時對於量測器失誤的可偵測性與可識別性，亦加以深入分析探討。結果顯示本方法對於多重量測器失誤診斷之成功率與準確率明顯優於傳統方法。
