Liczba wyświetleń:23 Autor:Edytuj tę stronę Wysłany: 2018-10-23 Źródło:Ta strona
W produkcji półprzewodników produkty ostateczne są wytwarzane za pomocą kilkuset procesów, które są wysoce zautomatyzowane i dramatycznie współzależne. Większość używanych procesów produkcyjnych jest złożona i stać się nieskończonym, stosując technologię w skali nanometru.
Dla tych producentów lub inżynierów wydajność jest uważana za bardzo ważny czynnik, który należy monitorować i kontrolować. Wydajność definiuje się jako stosunek normalnych produktów do wykończonych produktów. Zarządzanie wydajnością w półprzewodnikach Przemysł jest rozumiany jako kompleksowy system analityczny, który ma charakterystykę złożonego systemu. Złożony system ma wiele niezależnych zmiennych składowych, które oddziałują ze sobą na wiele skomplikowanych sposobów. W związku z tym, Uważa się, że trudno jest przewidzieć i kontrolować.
Na wydajność w produkcji półprzewodników silnie wpływa kilka czynników, w tym cząstki lub zanieczyszczenia na waflu, substancje w instrumentach produkcyjnych, parametry procesu produkcyjnego, postawy inżynierów procesowych, oraz projekt półprzewodników.
Firmy półprzewodnikowe mogą osiągnąć pewien stopień wydajności, stosując kontrolę procesową statystyczną i 6-Sigma do półprzewodnika. Zwiększenie wydajności Zastosowanie pomiarów statystycznych ma trudności z zapobieganiem niskim stopniu wydajności Dużo skutecznie z wyprzedzeniem. Wynika to z faktu, że zmienne procesowe, które wpływają na zmiany wydajności, mają nieliniowy złożony związek z wydajnością. Z powodu tego interaktywnego efektu między kilkoma zmiennymi producenci Znajduje się, że trudno jest wskazać problemy w czasie, gdy niewielkie zmiany w związku między parametrami procesu mogą powodować zmiany wydajności.
Zatem potrzebne są inne inteligentne techniki w celu wykrycia głównych zmiennych procesowych, które poważnie wpływają na zmiany wydajności. W badaniu opracowano hybrydowy system prognozowania wydajności w branży półprzewodnikowej, zwany Hypssi, jako uzupełnienie istniejącego podejścia statystycznego. System ten opiera się na hybrydowym zastosowaniu technik uczenia maszynowego do przedstawiania wielu zmiennych procesowych dotyczących skutecznego przewidywania wydajności produkcji w Produkcja półprzewodników. Hypssi przyjmuje sieci neuronowe (NNS) i rozumowanie oparte na przypadkach (CBR), które można bezpośrednio zastosować do celów prognozowania. Jednak CBR cierpi na ważenie cech; Gdy mierzy odległość między Przypadki, niektóre cechy powinny być ważone inaczej. Wiele wariantów ważonych cechami sąsiada K-Nearest (K NN) zaproponowano do przypisania wyższych wag do bardziej odpowiednich cech do celów pobierania przypadków [237]. Chociaż te Zgłoszono warianty jako poprawę ich dokładności wyszukiwania w odniesieniu do niektórych zadań, niewiele zastosowano w połączeniu z sieciami neuronowymi do przewidywaniaWydajność wydajności w produkcji półprzewodników.
Aby ważyć funkcje i prowadzić CBR, Hypssi przyjmuje cztery metody ważności cech: czułość, aktywność, istotność i znaczenie. Każda metoda oblicza stopień znaczenia każdej funkcji za pomocą wag połączenia i Wzorce aktywacji węzłów w wyszkolonej sieci neuronowej.
Aby potwierdzić to podejście hybrydowe w branży półprzewodników, Hypssi został zastosowany do Międzynarodowej Kompanii półprzewodników, która została zającą jednego z najlepszych producentów na świecie. Po porównaniu tej hybrydy Metoda z innymi zastosowanymi metodami, niniejszy artykuł pokazuje metodę hybrydową zapewnia dokładniejszą prognozę wydajności.
Niniejszy dokument jest zorganizowany w następujący sposób: Sekcja 2 przegląda różne podejścia stosowane w zapewnianiu zarządzania plonami zastosowanymi do produkcji półprzewodnikowej. W tej sekcji koncentruje się na aplikacjach hybrydowych łączących techniki uczenia maszynowego.
W sekcji 3 opisuje metodologię systemu prognozowania hybrydowego w branży półprzewodników o nazwie Hypssi. Wyniki eksperymentalne przedstawiono w rozdziale 4 w celu potwierdzenia systemu. Wreszcie, niniejszy artykuł kończy Brie Podsumowanie badania i kierunku przyszłych badań.
Metody badawcze zastosowane do produkcji półprzewodników
W branży zaawansowanej technologii, takiej jak produkcja półprzewodników, poprawa plonów jest coraz ważniejsza, ponieważ zaawansowane technologie wytwarzania są skomplikowane, a wiele powiązanych czynników wpływa na wydajność wyprodukowanych płytek. Trochę Badania miały na celu poprawę wydajności rentowności oraz obniżenie kosztów inwestycji operacyjnych i kapitałowych w branży półprzewodnikowej. Istnieje kilka podejść statystycznych zastosowanych do produkcji półprzewodników. Wang [36] użył dolnego Testowanie związane i zdolności do wydajności procesu, które mogą ustalić, czy procesy produkcyjne spełniają wymóg możliwości. Kaempf [18] zastosował test dwumianowy z graficznymi wykresami wydajności rzeczywistych waflów produkcyjnych Zidentyfikuj źródła defektów w procesie produkcyjnym. Cho i in. [9] opisał wariant analizy głównych składników, który rozkłada się Zmienność procesu za pomocą statystyk pomiarów z produkcji.
Sobrino i Bravo [32] ucieleśniali algorytm indukcyjny, aby poznać wstępne przyczyny niskiej jakości płytki z danych dotyczących czynnościowych. Last i Kandel [22] przedstawili sieć zautomatyzowanej percepcji do dokładnego planowania wydajności przez Zautomatyzowana budowa modeli z hałaśliwych zestawów danych.
Jedną technikę można połączyć z innymi technikami w celu poprawy jakości badań, gdy jest stosowana w procesie przewidywania wydajności. Kang i in. [19] zintegrowane drzewa decyzyjne indukcyjne i NN z propagacją wsteczną i Algorytmy SOM do zarządzania wydajnościami w stosunku do głównych procesów produkcyjnych półprzewodników. Shin and Park [31] zintegrowały sieci neuronowe i rozumowanie oparte na pamięci, aby opracować system prognozowania plonów wffer dla produkcji półprzewodnikowej. Yang i in. [40] Mieszane wyszukiwanie tabu i symulowane wyżarzanie w celu zintegrowania układu konfiguracji układu i automatycznych systemów obsługi materiałów w produkcji opłat.
Chien i in. [8] obejmował klaster K-średnich i drzewo decyzyjne, aby wnioskować o możliwych przyczynach błędów i zmian procesu produkcyjnego z danych produkcyjnych półprzewodnikowych. HSU i Chien [13] zintegrowane statystyki przestrzenne i Adaptacyjna teoria teorii neuronowej w celu wyodrębnienia wzorców z map bin waflowych i kojarzenia z wadami produkcyjnymi. Li i Huang [23] zintegrowali samoorganizujące się mapę (SOM) i maszynę wektorową wsparcia (SVM): klastry SOM Mapy kosza na wafle; SVM klasyfikuje mapy waflowe w celu zidentyfikowania wad produkcyjnych. Wang [35] przedstawił system diagnozy wady przestrzennej dla produkcji półprzewodników, który łączy rozmyte klastrowanie oparte na błędach kwadratowych i Klastrowanie spektralne oparte na jądrze i drzewo decyzyjne. Romaniuk i Hall [29] opracowali system SC-NET, który zapewnia możliwości systemów ekspertów w nauce w hybrydowym podłączeniu/symbolicznym podejściu w celu wykrycia półprzewodnika wadą opłat. Chaudhry i in. [6] zaproponował metodologię relacji encji rozmytej w celu zbudowania prototypu rozmytej relacyjnej bazy danych dla dyskretnego systemu sterowania odpowiedniego dla procesu produkcji półprzewodników.
Liao [25] zbadał literaturę rozwojową systemów ekspertów w latach 1995–2004. Na podstawie jego ustaleń główne zastosowania wdrażające hybrydowe CBR zostały opracowane w następujących obszarach: projektowanie produkcji i diagnostyka uszkodzeń, Modelowanie wiedzy i zarządzanie, planowanie i zastosowanie medyczne oraz obszary prognozowania finansowego.
Hybrydowe podejście CBR zostało szeroko przyjęte w zakresie projektowania produkcji i diagnozy uszkodzeń. Hui i JHA [16] zintegrowały NN, CBR i reguły uzasadnienia wspierania działań w zakresie obsługi klienta, takich jak wsparcie decyzyjne i maszyna Diagnoza błędów w środowisku produkcyjnym. Liao [26] zintegrował metodę CBR z wielowarstwowym percepronem do automatycznej identyfikacji mechanizmów awarii w całym procesie analizy awarii. Yang i in. [39] Zintegrowany CBR z Art-Kohonen NN w celu zwiększenia diagnozy uszkodzenia silników elektrycznych. Tan i in. [34] Zintegrowały CBR i Fuzzy Artmap NN, aby wspierać menedżerów w podejmowaniu terminowych i optymalnych decyzji inwestycyjnych technologii produkcyjnych. Saridakis i Dentsoras [30] wprowadził projekt oparty na przypadku z miękkim systemem obliczeniowym w celu oceny parametrycznej konstrukcji przenośnika oscylacyjnego.
Opracowano następujące prace badawcze w obszarach modelowania i zarządzania wiedzy. Hui i in. [15] połączył podejście CBR i NN, aby wydobyć wiedzę z poprzedniej obsługi klienta i przypomnieć sobie odpowiednie usługa. Choy i in. [10] opracował inteligentny system zarządzania relacjami dostawcy z wykorzystaniem hybrydowych technik CBR i NN do wyboru i porównywania potencjalnych dostawców produktów konsumenckich Honeywell Limited w Hongkongu. Yu i Liu [41] zaproponował hybrydyzację zarówno technik rozumowania symbolicznego, jak i liczbowego w celu osiągnięcia większej dokładności i przezwyciężenia problemu niedoboru danych w bazie danych projektu budowlanego. Chen i Hsu [7] rozwiązali potencjalne problemy pozwu spowodowane zmianą zamówień w projektach budowlanych. Wykorzystali NN do przewidywania prawdopodobieństwa postępowania sądowego i wykorzystali CBR do ostrzegania. IM i Park [17] opracowali hybrydowy system ekspertów CBR i NN dla spersonalizowanego systemu poradnictwa dla przemysłu kosmetycznego. Liu i in. [27] opracował opartą na powiązaniu technikę redukcji przypadków w celu zmniejszenia wielkości bazy przypadków w celu zwiększenia wydajności przy jednoczesnym poprawie dokładności CBR. Sun i in. [33] Zbudowany baza przypadków oparta zarówno na relacjach podobieństwa, jak i relacjach podobieństwa rozmytych, które są zdefiniowane w możliwym świecie problemów i rozwiązań.
Hybrydowy CBR był również stosowany w obszarach planowania medycznego i zastosowania. Guiu i in. [12] wprowadził oparty na przypadkach system klasyfikujący w celu rozwiązania automatycznej diagnozy obrazów biopsji sutka. Hsu i Ho [14] połączyli CBR, NN, Fuzzy teoria i teoria indukcyjna razem w celu ułatwienia diagnozy wielokrotnego niedopuszczania i uczenia się nowej wiedzy adaptacyjnej. Wyns i in. [38] zastosował zmodyfikowane mapowanie Kohonen w połączeniu z kryterium oceny CBR, aby przewidzieć wcześniej Zapalenie stawów, w tym reumatoidalne zapalenie stawów i spondyloartropatia. Ahn i Kim [1] połączyli CBR z algorytmami genetycznymi w celu oceny cech cytologicznych pochodzących z cyfrowego skanowania szkiełek aspiracyjnych igłowych (FNA).
Hybrydowe CBR były również stosowane w finansowych obszarach prognozowania. Kim i Han [20] przedstawili metodę indeksowania przypadków CBR, która wykorzystuje SOM do przewidywania oceny obligacji korporacyjnych. Li i in. [24] wprowadził oparty na funkcjach Miara podobieństwa do radzenia sobie z prognozą stresu finansowego (np. Prognozowanie upadłości) w Chinach. Chang i Lai [4] zintegrowali SOM i CBR prognozy sprzedaży nowo wydanych książek. Chang i in. [5] ewoluował system CBR z Algorytm genetyczny dla prognozowania książek powracających hurtowników. Chun i Park [11] opracowali regresję CBR dla prognozowania finansowego, które stosuje różne wagi do zmiennych niezależnych przed ustaleniem podobnych przypadków. Kumar i Ravi [21] Przedstawił kompleksowy przegląd prac wykorzystujących NN i CBR w celu rozwiązania problemów z prognozą upadłościową, przed którymi stoją banki.
W celu dokładnego prognozowania wydajności prognozowania hybrydowego systemu przewidywania wydajności opracowano w przemyśle półprodukcyjnym (HYPSSI). Jest to następująca metoda hybrydowa, łącząca techniki uczenia maszynowego, takie jak Sieć audycji wstecznej (BPN), CBR i K NN (patrz ryc. 1).
Hypssi składa się z czterech faz: poznawanie związku między zmiennymi przypadków a wydajnością, ważeniem cech, wydobywaniem podobnych przypadków i ważonym uśrednianiem wyodrębnionych wydajności. Pierwsza faza zawiera względne znaczenie Zmienne niezależne od związku między zmiennymi niezależnymi (tj. Zmiennymi procesowymi produkcyjnymi) i zmienną zależną (tj. Wydajność). Gdy szkolenie BPN jest zakończone w przypadku podstawy spraw plastycznych, Waga połączeń wyszkolonej sieci neuronowej ujawnia znaczenie związku między zmiennymi procesowymi a wydajnością.
Aby uzyskać zestaw wag cech z przeszkolonej sieci, wykorzystuje się cztery metody ważności cech: czułość, aktywność, istotność i znaczenie [28,37,42]. Każda z tych metod oblicza stopień każdej funkcji Znaczenie przy użyciu wag połączeń i wzorców aktywacji węzłów w wyszkolonej sieci neuronowej. Algorytmy ważności funkcji są opisane w następujący sposób:
Metoda ważenia „czułość”: Czułość węzła wejściowego (SENI) jest obliczana przez usunięcie węzła wejściowego z wyszkolonej sieci neuronowej. Czułość węzła wejściowego jest różnicą błędu między usunięciem funkcja i kiedy jest na miejscu. SENI jest obliczane na podstawie następującego równania
gdzie E (0) wskazuje ilość błędu po usunięciu węzła wejściowego I i E (WF) oznacza wartość błędu, gdy węzeł pozostaje nietknięty. Wartość błędu opiera się na następującym równaniu
gdzie CB jest podstawą przypadku, która zawiera zmienne przypadków (cechy), a odpowiadająca wydajność i y wskazuje rzeczywistą wartość wydajności, a OY wskazuje wartość wydajności obserwowaną przez BPN.
W produkcji półprzewodników produkty ostateczne są wytwarzane za pomocą kilkuset procesów, które są wysoce zautomatyzowane i dramatycznie współzależne. Większość używanych procesów produkcyjnych jest złożona i stać się nieskończonym, stosując technologię w skali nanometru.
Dla tych producentów lub inżynierów wydajność jest uważana za bardzo ważny czynnik, który należy monitorować i kontrolować. Wydajność definiuje się jako stosunek normalnych produktów do wykończonych produktów. Zarządzanie wydajnością w półprzewodnikach Przemysł jest rozumiany jako kompleksowy system analityczny, który ma charakterystykę złożonego systemu. Złożony system ma wiele niezależnych zmiennych składowych, które oddziałują ze sobą na wiele skomplikowanych sposobów. W związku z tym, Uważa się, że trudno jest przewidzieć i kontrolować.
Na wydajność w produkcji półprzewodników silnie wpływa kilka czynników, w tym cząstki lub zanieczyszczenia na waflu, substancje w instrumentach produkcyjnych, parametry procesu produkcyjnego, postawy inżynierów procesowych, oraz projekt półprzewodników.
Firmy półprzewodnikowe mogą osiągnąć pewien stopień wydajności, stosując kontrolę procesową statystyczną i 6-Sigma do półprzewodnika. Zwiększenie wydajności Zastosowanie pomiarów statystycznych ma trudności z zapobieganiem niskim stopniu wydajności Dużo skutecznie z wyprzedzeniem. Wynika to z faktu, że zmienne procesowe, które wpływają na zmiany wydajności, mają nieliniowy złożony związek z wydajnością. Z powodu tego interaktywnego efektu między kilkoma zmiennymi producenci Znajduje się, że trudno jest wskazać problemy w czasie, gdy niewielkie zmiany w związku między parametrami procesu mogą powodować zmiany wydajności.
Zatem potrzebne są inne inteligentne techniki w celu wykrycia głównych zmiennych procesowych, które poważnie wpływają na zmiany wydajności. W badaniu opracowano hybrydowy system prognozowania wydajności w branży półprzewodnikowej, zwany Hypssi, jako uzupełnienie istniejącego podejścia statystycznego. System ten opiera się na hybrydowym zastosowaniu technik uczenia maszynowego do przedstawiania wielu zmiennych procesowych dotyczących skutecznego przewidywania wydajności produkcji w Produkcja półprzewodników. Hypssi przyjmuje sieci neuronowe (NNS) i rozumowanie oparte na przypadkach (CBR), które można bezpośrednio zastosować do celów prognozowania. Jednak CBR cierpi na ważenie cech; Gdy mierzy odległość między Przypadki, niektóre cechy powinny być ważone inaczej. Wiele wariantów ważonych cechami sąsiada K-Nearest (K NN) zaproponowano do przypisania wyższych wag do bardziej odpowiednich cech do celów pobierania przypadków [237]. Chociaż te Zgłoszono warianty jako poprawę ich dokładności wyszukiwania w odniesieniu do niektórych zadań, niewiele zastosowano w połączeniu z sieciami neuronowymi do przewidywania Wydajność wydajności w produkcji półprzewodników.
Aby ważyć funkcje i prowadzić CBR, Hypssi przyjmuje cztery metody ważności cech: czułość, aktywność, istotność i znaczenie. Każda metoda oblicza stopień znaczenia każdej funkcji za pomocą wag połączenia i Wzorce aktywacji węzłów w wyszkolonej sieci neuronowej.
Aby potwierdzić to podejście hybrydowe w branży półprzewodników, Hypssi został zastosowany do Międzynarodowej Kompanii półprzewodników, która została zającą jednego z najlepszych producentów na świecie. Po porównaniu tej hybrydy Metoda z innymi zastosowanymi metodami, niniejszy artykuł pokazuje metodę hybrydową zapewnia dokładniejszą prognozę wydajności.
Niniejszy dokument jest zorganizowany w następujący sposób: Sekcja 2 przegląda różne podejścia stosowane w zapewnianiu zarządzania plonami zastosowanymi do produkcji półprzewodnikowej. W tej sekcji koncentruje się na aplikacjach hybrydowych łączących techniki uczenia maszynowego.
W sekcji 3 opisuje metodologię systemu prognozowania hybrydowego w branży półprzewodników o nazwie Hypssi. Wyniki eksperymentalne przedstawiono w rozdziale 4 w celu potwierdzenia systemu. Wreszcie, niniejszy artykuł kończy Brie Podsumowanie badania i kierunku przyszłych badań.
Metody badawcze zastosowane do produkcji półprzewodników
W branży zaawansowanej technologii, takiej jak produkcja półprzewodników, poprawa plonów jest coraz ważniejsza, ponieważ zaawansowane technologie wytwarzania są skomplikowane, a wiele powiązanych czynników wpływa na wydajność wyprodukowanych płytek. Trochę Badania miały na celu poprawę wydajności rentowności oraz obniżenie kosztów inwestycji operacyjnych i kapitałowych w branży półprzewodnikowej. Istnieje kilka podejść statystycznych zastosowanych do produkcji półprzewodników. Wang [36] użył dolnego Testowanie związane i zdolności do wydajności procesu, które mogą ustalić, czy procesy produkcyjne spełniają wymóg możliwości. Kaempf [18] zastosował test dwumianowy z graficznymi wykresami wydajności rzeczywistych waflów produkcyjnych Zidentyfikuj źródła defektów w procesie produkcyjnym. Cho i in. [9] opisał wariant analizy głównych składników, który rozkłada się Zmienność procesu za pomocą statystyk pomiarów z produkcji.
Sobrino i Bravo [32] ucieleśniali algorytm indukcyjny, aby poznać wstępne przyczyny niskiej jakości płytki z danych dotyczących czynnościowych. Last i Kandel [22] przedstawili sieć zautomatyzowanej percepcji do dokładnego planowania wydajności przez Zautomatyzowana budowa modeli z hałaśliwych zestawów danych.
Jedną technikę można połączyć z innymi technikami w celu poprawy jakości badań, gdy jest stosowana w procesie przewidywania wydajności. Kang i in. [19] zintegrowane drzewa decyzyjne indukcyjne i NN z propagacją wsteczną i Algorytmy SOM do zarządzania wydajnościami w stosunku do głównych procesów produkcyjnych półprzewodników. Shin and Park [31] zintegrowały sieci neuronowe i rozumowanie oparte na pamięci, aby opracować system prognozowania plonów wffer dla produkcji półprzewodnikowej. Yang i in. [40] Mieszane wyszukiwanie tabu i symulowane wyżarzanie w celu zintegrowania układu konfiguracji układu i automatycznych systemów obsługi materiałów w produkcji opłat.
Chien i in. [8] obejmował klaster K-średnich i drzewo decyzyjne, aby wnioskować o możliwych przyczynach błędów i zmian procesu produkcyjnego z danych produkcyjnych półprzewodnikowych. HSU i Chien [13] zintegrowane statystyki przestrzenne i Adaptacyjna teoria teorii neuronowej w celu wyodrębnienia wzorców z map bin waflowych i kojarzenia z wadami produkcyjnymi. Li i Huang [23] zintegrowali samoorganizujące się mapę (SOM) i maszynę wektorową wsparcia (SVM): klastry SOM Mapy kosza na wafle; SVM klasyfikuje mapy waflowe w celu zidentyfikowania wad produkcyjnych. Wang [35] przedstawił system diagnozy wady przestrzennej dla produkcji półprzewodników, który łączy rozmyte klastrowanie oparte na błędach kwadratowych i Klastrowanie spektralne oparte na jądrze i drzewo decyzyjne. Romaniuk i Hall [29] opracowali system SC-NET, który zapewnia możliwości systemów ekspertów w nauce w hybrydowym podłączeniu/symbolicznym podejściu w celu wykrycia półprzewodnika wadą opłat. Chaudhry i in. [6] zaproponował metodologię relacji encji rozmytej w celu zbudowania prototypu rozmytej relacyjnej bazy danych dla dyskretnego systemu sterowania odpowiedniego dla procesu produkcji półprzewodników.
Liao [25] zbadał literaturę rozwojową systemów ekspertów w latach 1995–2004. Na podstawie jego ustaleń główne zastosowania wdrażające hybrydowe CBR zostały opracowane w następujących obszarach: projektowanie produkcji i diagnostyka uszkodzeń, Modelowanie wiedzy i zarządzanie, planowanie i zastosowanie medyczne oraz obszary prognozowania finansowego.
Hybrydowe podejście CBR zostało szeroko przyjęte w zakresie projektowania produkcji i diagnozy uszkodzeń. Hui i JHA [16] zintegrowały NN, CBR i reguły uzasadnienia wspierania działań w zakresie obsługi klienta, takich jak wsparcie decyzyjne i maszyna Diagnoza błędów w środowisku produkcyjnym. Liao [26] zintegrował metodę CBR z wielowarstwowym percepronem do automatycznej identyfikacji mechanizmów awarii w całym procesie analizy awarii. Yang i in. [39] Zintegrowany CBR z Art-Kohonen NN w celu zwiększenia diagnozy uszkodzenia silników elektrycznych. Tan i in. [34] Zintegrowały CBR i Fuzzy Artmap NN, aby wspierać menedżerów w podejmowaniu terminowych i optymalnych decyzji inwestycyjnych technologii produkcyjnych. Saridakis i Dentsoras [30] wprowadził projekt oparty na przypadku z miękkim systemem obliczeniowym w celu oceny parametrycznej konstrukcji przenośnika oscylacyjnego.
Opracowano następujące prace badawcze w obszarach modelowania i zarządzania wiedzy. Hui i in. [15] połączył podejście CBR i NN, aby wydobyć wiedzę z poprzedniej obsługi klienta i przypomnieć sobie odpowiednie usługa. Choy i in. [10] opracował inteligentny system zarządzania relacjami dostawcy z wykorzystaniem hybrydowych technik CBR i NN do wyboru i porównywania potencjalnych dostawców produktów konsumenckich Honeywell Limited w Hongkongu. Yu i Liu [41] zaproponował hybrydyzację zarówno technik rozumowania symbolicznego, jak i liczbowego w celu osiągnięcia większej dokładności i przezwyciężenia problemu niedoboru danych w bazie danych projektu budowlanego. Chen i Hsu [7] rozwiązali potencjalne problemy pozwu spowodowane zmianą zamówień w projektach budowlanych. Wykorzystali NN do przewidywania prawdopodobieństwa postępowania sądowego i wykorzystali CBR do ostrzegania. IM i Park [17] opracowali hybrydowy system ekspertów CBR i NN dla spersonalizowanego systemu poradnictwa dla przemysłu kosmetycznego. Liu i in. [27] opracował opartą na powiązaniu technikę redukcji przypadków w celu zmniejszenia wielkości bazy przypadków w celu zwiększenia wydajności przy jednoczesnym poprawie dokładności CBR. Sun i in. [33] Zbudowany baza przypadków oparta zarówno na relacjach podobieństwa, jak i relacjach podobieństwa rozmytych, które są zdefiniowane w możliwym świecie problemów i rozwiązań.
Hybrydowy CBR był również stosowany w obszarach planowania medycznego i zastosowania. Guiu i in. [12] wprowadził oparty na przypadkach system klasyfikujący w celu rozwiązania automatycznej diagnozy obrazów biopsji sutka. Hsu i Ho [14] połączyli CBR, NN, Fuzzy teoria i teoria indukcyjna razem w celu ułatwienia diagnozy wielokrotnego niedopuszczania i uczenia się nowej wiedzy adaptacyjnej. Wyns i in. [38] zastosował zmodyfikowane mapowanie Kohonen w połączeniu z kryterium oceny CBR, aby przewidzieć wcześniej Zapalenie stawów, w tym reumatoidalne zapalenie stawów i spondyloartropatia. Ahn i Kim [1] połączyli CBR z algorytmami genetycznymi w celu oceny cech cytologicznych pochodzących z cyfrowego skanowania szkiełek aspiracyjnych igłowych (FNA).
Hybrydowe CBR były również stosowane w finansowych obszarach prognozowania. Kim i Han [20] przedstawili metodę indeksowania przypadków CBR, która wykorzystuje SOM do przewidywania oceny obligacji korporacyjnych. Li i in. [24] wprowadził oparty na funkcjach Miara podobieństwa do radzenia sobie z prognozą stresu finansowego (np. Prognozowanie upadłości) w Chinach. Chang i Lai [4] zintegrowali SOM i CBR prognozy sprzedaży nowo wydanych książek. Chang i in. [5] ewoluował system CBR z Algorytm genetyczny dla prognozowania książek powracających hurtowników. Chun i Park [11] opracowali regresję CBR dla prognozowania finansowego, które stosuje różne wagi do zmiennych niezależnych przed ustaleniem podobnych przypadków. Kumar i Ravi [21] Przedstawił kompleksowy przegląd prac wykorzystujących NN i CBR w celu rozwiązania problemów z prognozą upadłościową, przed którymi stoją banki.
W celu dokładnego prognozowania wydajności prognozowania hybrydowego systemu przewidywania wydajności opracowano w przemyśle półprodukcyjnym (HYPSSI). Jest to następująca metoda hybrydowa, łącząca techniki uczenia maszynowego, takie jak Sieć audycji wstecznej (BPN), CBR i K NN (patrz ryc. 1).
Hypssi składa się z czterech faz: poznawanie związku między zmiennymi przypadków a wydajnością, ważeniem cech, wydobywaniem podobnych przypadków i ważonym uśrednianiem wyodrębnionych wydajności. Pierwsza faza zawiera względne znaczenie Zmienne niezależne od związku między zmiennymi niezależnymi (tj. Zmiennymi procesowymi produkcyjnymi) i zmienną zależną (tj. Wydajność). Gdy szkolenie BPN jest zakończone w przypadku podstawy spraw plastycznych, Waga połączeń wyszkolonej sieci neuronowej ujawnia znaczenie związku między zmiennymi procesowymi a wydajnością.
Aby uzyskać zestaw wag cech z przeszkolonej sieci, wykorzystuje się cztery metody ważności cech: czułość, aktywność, istotność i znaczenie [28,37,42]. Każda z tych metod oblicza stopień każdej funkcji Znaczenie przy użyciu wag połączeń i wzorców aktywacji węzłów w wyszkolonej sieci neuronowej. Algorytmy ważności funkcji są opisane w następujący sposób:
Metoda ważenia „czułość”: Czułość węzła wejściowego (SENI) jest obliczana przez usunięcie węzła wejściowego z wyszkolonej sieci neuronowej. Czułość węzła wejściowego jest różnicą błędu między usunięciem funkcja i kiedy jest na miejscu. SENI jest obliczane na podstawie następującego równania
gdzie E (0) wskazuje ilość błędu po usunięciu węzła wejściowego I i E (WF) oznacza wartość błędu, gdy węzeł pozostaje nietknięty. Wartość błędu opiera się na następującym równaniu
gdzie CB jest podstawą przypadku, która zawiera zmienne przypadków (cechy), a odpowiadająca wydajność i y wskazuje rzeczywistą wartość wydajności, a OY wskazuje wartość wydajności obserwowaną przez BPN.
Zgodnie z tabelą BPN + CBR_SEN pokazuje najniższy poziom błędu, gdy k jest ustawiony na pięć; BPN + CBR_ACT ma najniższy poziom błędu, gdy k jest ustawiony na 11; BPN + CBR_SAL pokazuje najniższy poziom błędu, gdy k jest ustawiony na pięć; i BPN + CBR_REL pokazuje najniższy poziom błędu, gdy k jest ustawiony na dziewięć. Oprócz tych punktów K w każdej metodzie ważenia wskaźniki błędów nieznacznie wzrosły.
Tabela 1 Błędy dotyczące rozumowania opartego na przypadkach z czterema schematami ważenia.
Ryc. 2. Średnia dokładność przewidywania każdego schematu ważenia.
Ryc. 2 ilustruje średnią dokładność prognozowania wszystkich metod ważności cech, zgodnie z różnym k.
Wszystkie cztery metody ważenia przewyższały metodę samą CBR w każdym eksperymencie. Ponadto w większości eksperymentów BPN + CBR_ACT wykazał najwyższą dokładność prognozowania, a następnie BPN + CBR_SAL, BPN + CBR_REL i BPN + CBR_SEN.
Wraz ze wzrostem K do 11 różnica w dokładności prognozowania staje się coraz większa między metodami ważenia CBR i BPN + CBR_ACT. Istnieją jednak niewielkie różnice w dokładności przewidywania wśród czterech ważnych cech metody.
Ogólnie rzecz biorąc, trudno jest zdecydować, która metoda ważenia jest najlepsza. Autorzy sugerują, że należy przetestować cztery metody na początkowej fazie rozwoju, a następnie wdrożyć ten z najniższym błędem prognozowania w Faza produkcyjna. W takim przypadku przyjęcie metody ważenia BPN + CBR_ACT jest akceptowalnym rozwiązaniem przewidującym szybkość wydajności w produkcji pół przewodników.
Zarządzanie wydajnością w branży półprzewodnikowej jest bardzo ważną praktyką zarządzania, którą należy monitorować i całkowicie kontrolować. Ponieważ zmienne procesu produkcyjnego mają nieliniowy złożony związek z wydajnością, Producenci potrzebują inteligentnego podejścia, aby wskazać związek między parametrami procesu w czasie.
W tym artykule autorzy opracowali i zastosowali Hypssi, metodę hybrydową łączącą BPN i CBR, aby przewidzieć wydajność docelowej firmy produkcyjnej półprzewodników. W Hypssi BPN zastosowano do przypisania względnych wag do Cechy procesu produkcyjnego każdego przypadku w bazie plonów.
Jak ujawnił przegląd literatury w sekcji 2, nie było wcześniej podobnych badań dotyczących przewidywania wskaźnika wydajności spółki półprzewodnikowej wykorzystującej CBR ważącej cechy neuronowe. Hypssi wykazał, że CBR z Metoda ważenia „aktywności” miała lepszy wskaźnik prognozowania, przewyższając samą CBR i wszystkie inne metody ważenia. Hybrydowy CBR wykazał również lepszą wydajność niż istniejące podejście statystyczne (nadchodzi dokładność prognozy Z analizy regresji wielokrotnej osiągnęła około 80%).
Jednak w celu osiągnięcia dokładniejszego wskaźnika prognoz, Hypssi potrzebuje więcej zmiennych procesowych i danych od firmy docelowej. Mimo że istniejące 16 zmiennych zastosowanych w tym artykule zostało określone przez inżynierów produkcyjnych, Trudno jest osiągnąć dokładniejszą szybkość prognozowania tylko przy użyciu tych zmiennych i danych. Będzie to następny obszar, w którym należy przeprowadzić badania.
Polski
Pусский
