練與測試誤差 RMSE 為 0.001 與 0.04，此為製程參數預測產生之誤差，在可接受範圍 之內，以此應用在粗糙度預測上將會有良好的效果。透過粗糙度預測器之使用，在往 後導光板模仁的製造上，可依照後段射出成型廠對於粗糙度之要求，利用本研究所提 出之兩階段最佳化系統求得最佳製程參數組合，其適應函數如下：
三、
( )
2 1
3 1
50 40
. .
(X) F
Min Ra 2
≤
≤
≤
≤
≤
≤
−
=
D C A t s
y yRa T
其中
y
Ra為反正規化後 BPNNRa所預測之粗糙度；y 為品質特性粗糙度目標值； T A 為溫度；C 為噴壓；D 為速度。表 27
粗糙度實驗數據與分析表
NO. Ra NO. Ra
1 1.789 17 1.366
2 1.858 18 1.223
3 1.721 19 2.534
4 1.54 20 2.73
5 2.46 21 3.142
6 1.178 22 2.076
7 1.405 23 1.826
8 1.213 24 1.53
9 1.306 25 2.885
10 1.522 26 3.382
11 2.12 27 2.864
12 1.49 *28 2.644
13 2.968 *29 2.407
14 2.755 *30 2.56
15 2.826 *31 3.741
16 1.237 *32 1.867
在本研究中品質特性之選定上並未將粗糙度列為目標，原因為增加品質特性個數 將會提高系統分析的複雜度，因此在本研究所提出的兩階段最佳化系統中，只針對深 度以及均勻性做研究分析與討論，並且在找出製程最佳參數後針對粗糙度做一分析討 論，而粗糙度的目標選定上，需配合後段射出成型廠之品檢目標，由於較粗糙之表面 可提升光學品質，但同時也增加了射出成型的困難度，因此建議未來的研究可在光學 設計端就將粗糙度加入作為目標品質特性之一，經由模擬實驗，並透過本研究所提出 的兩階段最佳化系統搜尋最佳參數，進而提升導光板整體之光學品質，並縮短導光板 光學設計開發與製造之時間及成本。
參考文獻
李輝煌(2008)。田口方法：品質設計原理與實務。台北市：高立圖書有限公司。
吳復強(2005)。產品穩健設計：田口方法之原理與應用。台北市：全威圖書有限公司。
洪嘉良(2009)。氧化鋅鋁薄膜之製備與蝕刻研究。未出版之碩士論文，國立高雄應用 科技大學機械與精密工程研究所，高雄市。
陳興華、林國偉（2004）。LCD 背光模組導光板成型模具精密蝕刻加工技術。工業材 料，207，96-104。
張裴章、張麗秋(2005)。類神經網路：理論與實務。台北市：高立圖書有限公司。
黎木林、黃恒堅、趙隆國、葉誠、王綉惠、黃洹漳、陳文信(1990，5 月)。金屬蝕刻 技術研討會。工業技術研究院機械工業研究所，新竹：工業技術研究院。
廖建翔(2005)。濕式蝕刻製程對 ZnO:Al 透明導電膜光電性質影響之分析。未出版之 碩士論文，國立彰化師範大學機電工程學系碩士班，彰化市。
錢佑欣(2010)。緩衝液及二氧化矽對(100)單晶矽 KOH 濕蝕刻型成之微結構及反射性 研究。未出版之碩士論文，私立大同大學機械工程研究所，台北市。
蔡明翰(2007)。印刷電路板銅蝕刻製程之均勻化改進研究-水坑效應排除與非等向性提 昇。未出版之碩士論文，國立清華大學工程與系統科學系碩士班，新竹市。
Bhatikar, S. R. & Mahajan, R. L. (2002). Artificial neural-network-based diagnosis of CVD barrel reactor. IEEE Transactions on Semiconductor, 15(1), 71-78.
Chen, W. C., Chen, T. C., Tsai, C. H., & Ho, T. H. (2006). The neural network implementation in pattern recognition of semiconductor etching process. Journal of the Chinese Institute of Industrial Engineerings, 23(4), 269-279.
Chen, W. C., Lee, H. I., Deng, W. J., & Liu, K. Y. (2006). The implementation of neural network for semiconductor PECVD process. Expert Systems with Applications, 32(4), 1148-1153.
Chen, W. C. & Hsu, S. W. (2007). A neural-network approach for an automatic LED inspection system. Expert Systems with Applications, 33(2), 531-537.
Chen, W. C., Fu, G. L., Tai, P. H., & Deng, W. J. (2009). Process parameter optimization for MIMO plastic injection molding via soft computing. Expert Systems with Applications, 36(2), 1114-1122.
Chen, W. C., Chen C. T., & Chou, S. C. (2010, March). A two-stage optimization system for the plastic injection molding. International Conference on Engineering and Business Management(EBM) 2010, Chengdu, Sichuan, China, 737-740.
Choi, G. H., Lee, K.D., Chang, N., & Kim, S. G. (1994). Optimization of Process Parameters of Injection Molding with Neural Network Application in a Process Simulation Environment. Annals of the CIRP, 43, 449-452.
Cook, D. F., Ragsdale, C. T., & Major, R. L. (2000). Combining a neural network with a genetic algorithm for process parameter optimization. Engineering Applications of Artificial Intelligence 13(4), 391-396.
Fara, D. A., Rawabdeh, I., & Dia, A.A.N. (2001). Neural network control for cavity pressure during filling and packing stages of the thermoplastics injection molding process. Journal of Injection Molding Technology, 5(2), 105-114.
Goldberg, D. E. (1989). Genetic Algorithms in Search, Optimization and Machine Learning. MA: Addison-WESLEY.
Han, D., Moon. S. B., Park, K., Kim, B., Lee, K. K., & Kim, N. J. (2005). Modelling of plasma etching process using radial basis function network and genetic algorithm.
Surface engineering, Surface instrumentation & Vacuum technology, 79, 140-147.
Kim, M. J., Kim D. K., Lee S. G., & Kown O. D. (2004). Wet etching fabrication of photonic quantum ring laser. Journal of applied physics, 96(9), 4742-4745.