對於傳統製造產業而言，首件的生產是傳統工廠為了後續穩定量產必須的階段，然而作業員調機的準則往往仰賴經驗法則或是廣義的標準作業流程，當調整程序複雜時，生產合乎品質要求的首件將耗費大量的材料、時間與檢驗成本。2005年初虛擬量測的出現，使得生產之產品在尚未或無法進行實際量測的情況下，利用生產機台參數推估其產品品質，達到全檢的目標，加上近年來人工智慧愈來愈受到各界的重視，如：類神經網路、機器學習、深度學習等相關方法被廣泛應用到各個領域之中。極限梯度提升樹為2016 年學者提出之梯度集成樹方法，不僅支持分類模型，也支持迴歸模型，屬於一種加法樹，透過多棵樹的迭代來逐漸減少殘差。然而在虛擬量測的領域尚未有學者研究極限梯度提升樹算法，因此本篇研究將使用極限梯度提升樹作為主要的學習演算法進行研究，提出一套完整的虛擬量測系統，包含離線訓練以及線上測試，離線訓練包含模型一「預測首件生產品質特性」、模型二「預測首件調整內容」與透過模擬的方式利用貝氏最佳化尋找最佳的線性補正參數，線上偵測則依照首件生產的流程進行實測，發現模型一中以極限梯度提升樹預測表現最佳，模型二中隨機森林預測表現最穩定，然而以平均均方誤差為調參之目標函數時以極限梯度提升樹最佳。最後本研究於2019 年12 月至2020 年2 月期間實際測試10 次首件生產過程，以補正-虛擬量測系統表現最佳，相較過往的人工調整，可提升69 7%的調整效率，且可以縮短82 4%的首件生產時間。
The Study of Reducing First Article Production Time Based on Virtual Metrology
冠哲, 黃. (Author). 2020
學生論文: Doctoral Thesis