Aantal Bladeren:22 Auteur:Site Editor Publicatie tijd: 2018-10-23 Oorsprong:aangedreven
Bij de productie van halfgeleiders worden definitieve producten gefabriceerd door enkele honderden processen die zeer geautomatiseerd en dramatisch onderling afhankelijk zijn. De meeste productieprocessen die tegenwoordig worden gebruikt, zijn complex met elkaar verweven en Wordt in beslag genomen bij het gebruik van technologie op nanometerschaal.
Voor die fabrikanten of ingenieurs wordt de opbrengst beschouwd als een zeer belangrijke factor die moet worden gecontroleerd en gecontroleerd. Opbrengst wordt gedefinieerd als de verhouding van normale producten tot voltooide producten. Beheer van het opleveren in de halfgeleider De industrie wordt opgevat als een uitgebreid analytisch systeem dat de kenmerken van een complex systeem heeft. Een complex systeem heeft veel onafhankelijke componentvariabelen die op veel gecompliceerde manieren met elkaar interageren. Daarom, Het wordt als moeilijk beschouwd om te voorspellen en te beheersen.
Opbrengst in de fabricage van halfgeleiders wordt sterk beïnvloed door verschillende factoren, waaronder deeltjes of verontreinigingen op de wafer, stoffen in de productie -instrumenten, parameters van het productieproces, de houding van procesingenieurs, en het ontwerp van halfgeleiders.
Halfgeleiderbedrijven kunnen een zekere mate van opbrengst bereiken door statistische procescontroles en 6-sigma toe te passen op een halfgeleider. Opbrengstverbetering met statistische metingen heeft echter moeilijk bij het voorkomen van een lage opbrengst veel effectief van tevoren. Dit komt omdat het productieprocesvariabelen die veranderingen in de opbrengst beïnvloeden een niet-lineaire complexe relatie met de opbrengst hebben. Vanwege dit interactieve effect tussen verschillende variabelen, fabrikanten Vind het is moeilijk om problemen in de tijd te bepalen, wanneer kleine veranderingen in een relatie tussen procesparameters veranderingen in de opbrengst kunnen veroorzaken.
Er zijn dus andere intelligente technieken nodig om de belangrijkste procesvariabelen te detecteren die de veranderingen in de opbrengst ernstig beïnvloeden. Deze studie heeft een hybride opbrengstvoorspellingssysteem ontwikkeld in de halfgeleiderindustrie, genaamd Hypssi, als een aanvulling op de bestaande statistische benadering. Dit systeem is gebaseerd op een hybride toepassing van machine learning -technieken om meerdere procesvariabelen weer te geven die betrokken zijn bij het effectief voorspellen van de productieopbrengst in halfgeleiderproductie. Hypssi hanteert neurale netwerken (NNS) en case-based redenering (CBR) die direct op voorspellingsdoeleinden kunnen worden toegepast. CBR lijdt echter aan functie -weging; Wanneer het de afstand meet tussen Gevallen moeten sommige functies anders worden gewogen. Veel functiesgewogen varianten van de K-NEARSTE buur (K NN) zijn voorgesteld om hogere gewichten toe te wijzen aan meer relevante functies voor het ophalen van casus [2,37]. Hoewel die Varianten zijn gemeld als het verbeteren van hun ophaalnauwkeurigheid met betrekking tot sommige taken, weinigen zijn gebruikt in combinatie met neurale netwerken om te voorspellenOpbrengstprestaties in de productie van halfgeleiders.
Om functies te wegen en CBR te begeleiden, neemt Hypssi vier kenmerkende methoden aan: gevoeligheid, activiteit, saliëntie en relevantie. Elke methode berekent de mate van het belang van elke functie door de verbindingsgewichten te gebruiken en Activeringspatronen van de knooppunten in het getrainde neurale netwerk.
Om deze hybride aanpak binnen de halfgeleiderindustrie te valideren, werd Hypsi toegepast op het internationale halfgeleiderbedrijf, dat een van de beste fabrikanten ter wereld is gerangschikt. Na het vergelijken van deze hybride Methode met andere gebruikte methoden, toont dit artikel de hybride methode voor een nauwkeurigere opbrengstvoorspelling.
Dit artikel is als volgt georganiseerd: Sectie 2 beoordeelt verschillende benaderingen die worden gebruikt bij het leveren van opbrengstbeheer die toegepast is op de productie van halfgeleiders. Deze sectie richt zich op hybride toepassingen die technieken voor machine learning combineren.
Sectie 3 beschrijft de methodologie van het hybride opbrengstvoorspellingssysteem in de halfgeleiderindustrie, Hypssi genoemd. Experimentele resultaten worden gepresenteerd in sectie 4 om het systeem te valideren. Ten slotte wordt dit artikel gesloten door brie fl y samenvatten van de studie en de richting van toekomstig onderzoek.
Onderzoeksmethoden toegepast op de productie van halfgeleiders
In een hightech-industrie zoals de productie van halfgeleiders, wordt opbrengstverbetering steeds belangrijker omdat geavanceerde fabricagetechnologieën ingewikkeld zijn en veel onderling verbonden factoren de opbrengst van gefabriceerde wafels beïnvloeden. Een paar Studies zijn gericht op het verbeteren van de opbrengstprestaties en om de bedrijfs- en kapitaalinvesteringskosten in de halfgeleiderindustrie te verlagen. Er zijn verschillende statistische benaderingen toegepast op de productie van halfgeleiders. Wang [36] gebruikte de lagere Betrouwbaarheid gebonden en capaciteitstests voor procesopbrengst die kunnen bepalen of productieprocessen voldoen aan de capaciteitsvereiste. KaEMPF [18] gebruikte de binomiale test met grafische opbrengstplots van werkelijke productiewafels tot Identificeer defectbronnen in het productieproces. Cho et al. [9] beschreef een variant van de belangrijkste componentanalyse die ontleedt Procesvariabiliteit met behulp van statistieken van de metingen van de productie.
Sobrino en Bravo [32] hebben een inductief algoritme belichaamd om de voorlopige oorzaken van lage kwaliteit wafels van mannelijke gegevens te leren. Last en Kandel [22] presenteerden het geautomatiseerde perceptie -netwerk voor een nauwkeurige planning van opbrengst door Geautomatiseerde constructie van modellen uit lawaaierige gegevenssets.
Eén techniek kan worden gecombineerd met andere technieken om de kwaliteit van het onderzoek te verbeteren, wanneer ze worden gebruikt in het opbrengstvoorspellingsproces. Kang et al. [19] Geïntegreerde inductieve beslissingsbomen en NN's met terugpropagatie en SOM -algoritmen om de opbrengsten te beheren over grote productieprocessen voor halfgeleiders. Shin en Park [31] geïntegreerd neurale netwerken en gereden op geheugen om een waferopbrengstvoorspellingssysteem te ontwikkelen voor de productie van halfgeleiders. Kweek et al. [40] Gemengde tabu -zoekopdracht en gesimuleerde gloeien om lay -outconfiguratie en geautomatiseerde materiaalbehandelingssystemen in waferfabricage te integreren.
Chien et al. [8] omvatte K-middelen clustering en een beslissingsboom om mogelijke oorzaken van fouten en productieprocesvariaties uit de fabrikanten van de halfgeleiders af te leiden. HSU en Chien [13] geïntegreerde ruimtelijke statistieken en Adaptieve resonantietheorie neurale netwerken om patronen te extraheren uit wafer bin -kaarten en om te associëren met productiedefecten. Li en Huang [23] integreerden de zelforganiserende kaart (SOM) en Support Vector Machine (SVM): de SOM-clusters de wafer bin kaarten; De SVM classificeert de wafer bin -kaarten om de productiedefecten te identificeren. Wang [35] presenteerde een ruimtelijk defect diagnosesysteem voor de productie van halfgeleiders, die fuzzy clustering op vier vierde-error combineert en combineert Op kernel gebaseerde spectrale clustering en een beslissingsboom. Romaniuk en Hall [29] bedachten het SC-Net-systeem dat deskundige systeemcapaciteit biedt met leren in een hybride connectionistische/symbolische benadering om halfgeleider te detecteren Wafelfout. Chaudhry et al. [6] stelde een fuzzy entiteit-relatiemethode voor om een prototype van een fuzzy relationele database te bouwen voor een discreet controlesysteem dat geschikt is voor een fabricageproces voor halfgeleiders.
Liao [25] onderzocht de ontwikkelingsliteratuur van expertsystemen van 1995 tot 2004. Op basis van zijn bevindingen zijn de belangrijkste toepassingen die hybride CBR implementeren ontwikkeld op de volgende gebieden: productieontwerp en foutdiagnose, Kennismodellering en -beheer, medische planning en toepassing en financiële voorspellingsgebieden.
De hybride CBR -aanpak is uitgebreid overgenomen bij de productieontwerp en foutdiagnose. HUI en JHA [16] Integrated NN, CBR en op regels gebaseerde redenering ter ondersteuning van klantenservice-activiteiten, zoals beslissingsondersteuning en machine Foutdiagnose in een productieomgeving. Liao [26] integreerde een CBR-methode met een meerlagige perceptron voor de automatische identificatie van faalmechanismen in het gehele faalanalyseproces. Yang et al. [39] Geïntegreerde CBR met een kunst-Kohonen NN om de foutdiagnose van elektrische motoren te verbeteren. Tan et al. [34] Integrated CBR en de Fuzzy Artmap NN om managers te ondersteunen bij het nemen van tijdige en optimale investeringsbeslissingen voor productietechnologie. Saridakis en Dentsoras [30] introduceerde een case-gebaseerd ontwerp met een soft computing-systeem om het parametrische ontwerp van een OSCILLATING-transportband te evalueren.
Het volgende onderzoek werkt in de kennismodellering en managementgebieden zijn ontwikkeld. Hui et al. [15] combineerde de CBR- en NN -aanpak om kennis van de vorige klantenservice te extraheren en de juiste terug te roepen onderhoud. Choy et al. [10] ontwikkelde een intelligent leveranciersrelatiebeheersysteem met behulp van hybride CBR- en NN-technieken om potentiële leveranciers van Honeywell Consumer Products Limited in Hong Kong te selecteren en benchmark. Yu en Liu [41] stelde een hybridisatie van zowel symbolische als numerieke redeneertechnieken voor om een hogere nauwkeurigheid te bereiken en het probleem van de database van de gegevensschaarste in de database van het bouwproject te overwinnen. Chen en Hsu [7] hebben potentiële rechtszaken opgelost veroorzaakt door het veranderen van bestellingen in bouwprojecten. Ze gebruikten NNS om de waarschijnlijkheid van een rechtszaak te voorspellen en gebruikten CBR om opbrengsten te waarschuwen. IM en Park [17] ontwikkelden een hybride expertsysteem van CBR en NN voor een gepersonaliseerd counselingsysteem voor de cosmetische industrie. Liu et al. [27] ontwikkelde een associatie-gebaseerde case-reductietechniek om de grootte van de casusbasis te verminderen om de efficiëntie te verbeteren en tegelijkertijd de nauwkeurigheid van de CBR te verbeteren. Sun et al. [33] gebouwd een Casusbasis op basis van zowel overeenkomstrelaties als fuzzy simility relations, die beide worden gedefinieerd op de mogelijke wereld van problemen en oplossingen.
Hybride CBR is ook gebruikt in de medische planning- en applicatiegebieden. Guiu et al. [12] introduceerde een case-based classi fi er-systeem om de automatische diagnose van borstbeelden van borstbiopsiebeelden op te lossen. Hsu en Ho [14] combineerden de CBR, NN, Fuzzy Theorie en inductietheorie samen om diagnose van meerdere ziekten en het leren van nieuwe aanpassingskennis te vergemakkelijken. Wyns et al. [38] Pas een gemodificeerde Kohonen -mapping toe in combinatie met een CBR -evaluatiecriterium om vroeg te voorspellen Artritis, waaronder reumatoïde artritis en spondyloarthropathie. AHN en KIM [1] combineerden de CBR met genetische algoritmen om cytologische kenmerken te evalueren die zijn afgeleid van een digitale scan van borstvoedingsaspiratie (FNA) -glaasjes.
Hybride CBR's zijn ook gebruikt in financiële voorspellingsgebieden. Kim en Han [20] presenteerden een case-indexeringsmethode van CBR die SOM gebruikt voor de voorspelling van bedrijfsobligaties. Li et al. [24] introduceerde een op speelfilm gebaseerd De gelijkenismaatregel om te gaan met financiële noodvoorspelling (bijvoorbeeld faillissementsvoorspelling) in China. Chang en Lai [4] integreerden de SOM en CBR voor verkoopprognoses van nieuw uitgebrachte boeken. Chang et al. [5] ontwikkelde een CBR -systeem met Genetisch algoritme voor het voorspelling van de groothandel terugkerende boekvoorspelling. Chun en Park [11] bedachten een regressie -CBR voor financiële voorspelling, die verschillende gewichten toepast op onafhankelijke variabelen voordat vergelijkbare gevallen zijn gevestigd. Kumar en Ravi [21] presenteerde een uitgebreid overzicht van de werken met behulp van NN en CBR om de faillissementsvoorspellingsproblemen op te lossen waarmee banken worden geconfronteerd.
Om het vermogen te verbeteren om de opbrengst nauwkeurig te voorspellen, werd een hybride opbrengstvoorspellingssysteem ontwikkeld in de semi-geleiderindustrie (HYPSSI). Het is de volgende hybride methode, die technieken voor machine learning combineren, zoals Back-prop-agation netwerk (BPN), CBR en K NN (zie Fig. 1).
Hypssi bestaat uit vier fasen: leren over de relatie tussen casusvariabelen en opbrengst, kenmerkgewicht, het extraheren van k -vergelijkbare gevallen en gewogen gemiddelde van geëxtraheerde opbrengsten. De eerste fase bevindt het relatieve belang van Onafhankelijke variabelen van de relatie tussen onafhankelijke variabelen (d.w.z. productieprocesvariabelen) en een afhankelijke variabele (d.w.z. opbrengst). Wanneer de training van een BPN wordt voltooid in het geval van de opbrengst van de opbrengst, de Verbindingsgewichten van een getraind neuraal netwerk onthullen het belang van de relatie tussen de procesvariabelen en opbrengst.
Om een set functiegewichten uit het getrainde netwerk te verkrijgen, worden vier functie-gewichtsmethoden gebruikt: gevoeligheid, activiteit, saliëntie en relevantie [28,37,42]. Elk van deze methoden berekent de mate van die van elke functie Belang door de verbindingsgewichten en activeringspatronen van de knooppunten in het getrainde neurale netwerk te gebruiken. De functie-gewichtsalgoritmen worden als volgt beschreven:
De wegingsmethode ‘Gevoeligheid’: de gevoeligheid van een inputknooppunt (SENI) wordt berekend door het invoerknooppunt uit het getrainde neurale netwerk te verwijderen. De gevoeligheid van een invoerknooppunt is het verschil in fout tussen de verwijdering van de functie en wanneer het op zijn plaats wordt achtergelaten. Seni wordt berekend door de volgende vergelijking
waarbij E (0) de hoeveelheid fout aangeeft na het verwijderen van een invoerknooppunt I en E (WF) betekent de foutwaarde wanneer het knooppunt onaangeroerd blijft. De foutwaarde is gebaseerd op de volgende vergelijking
waarbij CB een casusbasis is die casusvariabelen (kenmerken) en overeenkomstige opbrengst en y bevat, geeft de werkelijke opbrengstwaarde aan en geeft OY de opbrengstwaarde aan die wordt waargenomen door de BPN.
Bij de productie van halfgeleiders worden definitieve producten gefabriceerd door enkele honderden processen die zeer geautomatiseerd en dramatisch onderling afhankelijk zijn. De meeste productieprocessen die tegenwoordig worden gebruikt, zijn complex met elkaar verweven en Wordt in beslag genomen bij het gebruik van technologie op nanometerschaal.
Voor die fabrikanten of ingenieurs wordt de opbrengst beschouwd als een zeer belangrijke factor die moet worden gecontroleerd en gecontroleerd. Opbrengst wordt gedefinieerd als de verhouding van normale producten tot voltooide producten. Beheer van het opleveren in de halfgeleider De industrie wordt opgevat als een uitgebreid analytisch systeem dat de kenmerken van een complex systeem heeft. Een complex systeem heeft veel onafhankelijke componentvariabelen die op veel gecompliceerde manieren met elkaar interageren. Daarom, Het wordt als moeilijk beschouwd om te voorspellen en te beheersen.
Opbrengst in de fabricage van halfgeleiders wordt sterk beïnvloed door verschillende factoren, waaronder deeltjes of verontreinigingen op de wafer, stoffen in de productie -instrumenten, parameters van het productieproces, de houding van procesingenieurs, en het ontwerp van halfgeleiders.
Halfgeleiderbedrijven kunnen een zekere mate van opbrengst bereiken door statistische procescontroles en 6-sigma toe te passen op een halfgeleider. Opbrengstverbetering met statistische metingen heeft echter moeilijk bij het voorkomen van een lage opbrengst veel effectief van tevoren. Dit komt omdat het productieprocesvariabelen die veranderingen in de opbrengst beïnvloeden een niet-lineaire complexe relatie met de opbrengst hebben. Vanwege dit interactieve effect tussen verschillende variabelen, fabrikanten Vind het is moeilijk om problemen in de tijd te bepalen, wanneer kleine veranderingen in een relatie tussen procesparameters veranderingen in de opbrengst kunnen veroorzaken.
Er zijn dus andere intelligente technieken nodig om de belangrijkste procesvariabelen te detecteren die de veranderingen in de opbrengst ernstig beïnvloeden. Deze studie heeft een hybride opbrengstvoorspellingssysteem ontwikkeld in de halfgeleiderindustrie, genaamd Hypssi, als een aanvulling op de bestaande statistische benadering. Dit systeem is gebaseerd op een hybride toepassing van machine learning -technieken om meerdere procesvariabelen weer te geven die betrokken zijn bij het effectief voorspellen van de productieopbrengst in halfgeleiderproductie. Hypssi hanteert neurale netwerken (NNS) en case-based redenering (CBR) die direct op voorspellingsdoeleinden kunnen worden toegepast. CBR lijdt echter aan functie -weging; Wanneer het de afstand meet tussen Gevallen moeten sommige functies anders worden gewogen. Veel functiesgewogen varianten van de K-NEARSTE buur (K NN) zijn voorgesteld om hogere gewichten toe te wijzen aan meer relevante functies voor het ophalen van casus [2,37]. Hoewel die Varianten zijn gemeld als het verbeteren van hun ophaalnauwkeurigheid met betrekking tot sommige taken, weinigen zijn gebruikt in combinatie met neurale netwerken om te voorspellen Opbrengstprestaties in de productie van halfgeleiders.
Om functies te wegen en CBR te begeleiden, neemt Hypssi vier kenmerkende methoden aan: gevoeligheid, activiteit, saliëntie en relevantie. Elke methode berekent de mate van het belang van elke functie door de verbindingsgewichten te gebruiken en Activeringspatronen van de knooppunten in het getrainde neurale netwerk.
Om deze hybride aanpak binnen de halfgeleiderindustrie te valideren, werd Hypsi toegepast op het internationale halfgeleiderbedrijf, dat een van de beste fabrikanten ter wereld is gerangschikt. Na het vergelijken van deze hybride Methode met andere gebruikte methoden, toont dit artikel de hybride methode voor een nauwkeurigere opbrengstvoorspelling.
Dit artikel is als volgt georganiseerd: Sectie 2 beoordeelt verschillende benaderingen die worden gebruikt bij het leveren van opbrengstbeheer die toegepast is op de productie van halfgeleiders. Deze sectie richt zich op hybride toepassingen die technieken voor machine learning combineren.
Sectie 3 beschrijft de methodologie van het hybride opbrengstvoorspellingssysteem in de halfgeleiderindustrie, Hypssi genoemd. Experimentele resultaten worden gepresenteerd in sectie 4 om het systeem te valideren. Ten slotte wordt dit artikel gesloten door brie fl y samenvatten van de studie en de richting van toekomstig onderzoek.
Onderzoeksmethoden toegepast op de productie van halfgeleiders
In een hightech-industrie zoals de productie van halfgeleiders, wordt opbrengstverbetering steeds belangrijker omdat geavanceerde fabricagetechnologieën ingewikkeld zijn en veel onderling verbonden factoren de opbrengst van gefabriceerde wafels beïnvloeden. Een paar Studies zijn gericht op het verbeteren van de opbrengstprestaties en om de bedrijfs- en kapitaalinvesteringskosten in de halfgeleiderindustrie te verlagen. Er zijn verschillende statistische benaderingen toegepast op de productie van halfgeleiders. Wang [36] gebruikte de lagere Betrouwbaarheid gebonden en capaciteitstests voor procesopbrengst die kunnen bepalen of productieprocessen voldoen aan de capaciteitsvereiste. KaEMPF [18] gebruikte de binomiale test met grafische opbrengstplots van werkelijke productiewafels tot Identificeer defectbronnen in het productieproces. Cho et al. [9] beschreef een variant van de belangrijkste componentanalyse die ontleedt Procesvariabiliteit met behulp van statistieken van de metingen van de productie.
Sobrino en Bravo [32] hebben een inductief algoritme belichaamd om de voorlopige oorzaken van lage kwaliteit wafels van mannelijke gegevens te leren. Last en Kandel [22] presenteerden het geautomatiseerde perceptie -netwerk voor een nauwkeurige planning van opbrengst door Geautomatiseerde constructie van modellen uit lawaaierige gegevenssets.
Eén techniek kan worden gecombineerd met andere technieken om de kwaliteit van het onderzoek te verbeteren, wanneer ze worden gebruikt in het opbrengstvoorspellingsproces. Kang et al. [19] Geïntegreerde inductieve beslissingsbomen en NN's met terugpropagatie en SOM -algoritmen om de opbrengsten te beheren over grote productieprocessen voor halfgeleiders. Shin en Park [31] geïntegreerd neurale netwerken en gereden op geheugen om een waferopbrengstvoorspellingssysteem te ontwikkelen voor de productie van halfgeleiders. Kweek et al. [40] Gemengde tabu -zoekopdracht en gesimuleerde gloeien om lay -outconfiguratie en geautomatiseerde materiaalbehandelingssystemen in waferfabricage te integreren.
Chien et al. [8] omvatte K-middelen clustering en een beslissingsboom om mogelijke oorzaken van fouten en productieprocesvariaties uit de fabrikanten van de halfgeleiders af te leiden. HSU en Chien [13] geïntegreerde ruimtelijke statistieken en Adaptieve resonantietheorie neurale netwerken om patronen te extraheren uit wafer bin -kaarten en om te associëren met productiedefecten. Li en Huang [23] integreerden de zelforganiserende kaart (SOM) en Support Vector Machine (SVM): de SOM-clusters de wafer bin kaarten; De SVM classificeert de wafer bin -kaarten om de productiedefecten te identificeren. Wang [35] presenteerde een ruimtelijk defect diagnosesysteem voor de productie van halfgeleiders, die fuzzy clustering op vier vierde-error combineert en combineert Op kernel gebaseerde spectrale clustering en een beslissingsboom. Romaniuk en Hall [29] bedachten het SC-Net-systeem dat deskundige systeemcapaciteit biedt met leren in een hybride connectionistische/symbolische benadering om halfgeleider te detecteren Wafelfout. Chaudhry et al. [6] stelde een fuzzy entiteit-relatiemethode voor om een prototype van een fuzzy relationele database te bouwen voor een discreet controlesysteem dat geschikt is voor een fabricageproces voor halfgeleiders.
Liao [25] onderzocht de ontwikkelingsliteratuur van expertsystemen van 1995 tot 2004. Op basis van zijn bevindingen zijn de belangrijkste toepassingen die hybride CBR implementeren ontwikkeld op de volgende gebieden: productieontwerp en foutdiagnose, Kennismodellering en -beheer, medische planning en toepassing en financiële voorspellingsgebieden.
De hybride CBR -aanpak is uitgebreid overgenomen bij de productieontwerp en foutdiagnose. HUI en JHA [16] Integrated NN, CBR en op regels gebaseerde redenering ter ondersteuning van klantenservice-activiteiten, zoals beslissingsondersteuning en machine Foutdiagnose in een productieomgeving. Liao [26] integreerde een CBR-methode met een meerlagige perceptron voor de automatische identificatie van faalmechanismen in het gehele faalanalyseproces. Yang et al. [39] Geïntegreerde CBR met een kunst-Kohonen NN om de foutdiagnose van elektrische motoren te verbeteren. Tan et al. [34] Integrated CBR en de Fuzzy Artmap NN om managers te ondersteunen bij het nemen van tijdige en optimale investeringsbeslissingen voor productietechnologie. Saridakis en Dentsoras [30] introduceerde een case-gebaseerd ontwerp met een soft computing-systeem om het parametrische ontwerp van een OSCILLATING-transportband te evalueren.
Het volgende onderzoek werkt in de kennismodellering en managementgebieden zijn ontwikkeld. Hui et al. [15] combineerde de CBR- en NN -aanpak om kennis van de vorige klantenservice te extraheren en de juiste terug te roepen onderhoud. Choy et al. [10] ontwikkelde een intelligent leveranciersrelatiebeheersysteem met behulp van hybride CBR- en NN-technieken om potentiële leveranciers van Honeywell Consumer Products Limited in Hong Kong te selecteren en benchmark. Yu en Liu [41] stelde een hybridisatie van zowel symbolische als numerieke redeneertechnieken voor om een hogere nauwkeurigheid te bereiken en het probleem van de database van de gegevensschaarste in de database van het bouwproject te overwinnen. Chen en Hsu [7] hebben potentiële rechtszaken opgelost veroorzaakt door het veranderen van bestellingen in bouwprojecten. Ze gebruikten NNS om de waarschijnlijkheid van een rechtszaak te voorspellen en gebruikten CBR om opbrengsten te waarschuwen. IM en Park [17] ontwikkelden een hybride expertsysteem van CBR en NN voor een gepersonaliseerd counselingsysteem voor de cosmetische industrie. Liu et al. [27] ontwikkelde een associatie-gebaseerde case-reductietechniek om de grootte van de casusbasis te verminderen om de efficiëntie te verbeteren en tegelijkertijd de nauwkeurigheid van de CBR te verbeteren. Sun et al. [33] gebouwd een Casusbasis op basis van zowel overeenkomstrelaties als fuzzy simility relations, die beide worden gedefinieerd op de mogelijke wereld van problemen en oplossingen.
Hybride CBR is ook gebruikt in de medische planning- en applicatiegebieden. Guiu et al. [12] introduceerde een case-based classi fi er-systeem om de automatische diagnose van borstbeelden van borstbiopsiebeelden op te lossen. Hsu en Ho [14] combineerden de CBR, NN, Fuzzy Theorie en inductietheorie samen om diagnose van meerdere ziekten en het leren van nieuwe aanpassingskennis te vergemakkelijken. Wyns et al. [38] Pas een gemodificeerde Kohonen -mapping toe in combinatie met een CBR -evaluatiecriterium om vroeg te voorspellen Artritis, waaronder reumatoïde artritis en spondyloarthropathie. AHN en KIM [1] combineerden de CBR met genetische algoritmen om cytologische kenmerken te evalueren die zijn afgeleid van een digitale scan van borstvoedingsaspiratie (FNA) -glaasjes.
Hybride CBR's zijn ook gebruikt in financiële voorspellingsgebieden. Kim en Han [20] presenteerden een case-indexeringsmethode van CBR die SOM gebruikt voor de voorspelling van bedrijfsobligaties. Li et al. [24] introduceerde een op speelfilm gebaseerd De gelijkenismaatregel om te gaan met financiële noodvoorspelling (bijvoorbeeld faillissementsvoorspelling) in China. Chang en Lai [4] integreerden de SOM en CBR voor verkoopprognoses van nieuw uitgebrachte boeken. Chang et al. [5] ontwikkelde een CBR -systeem met Genetisch algoritme voor het voorspelling van de groothandel terugkerende boekvoorspelling. Chun en Park [11] bedachten een regressie -CBR voor financiële voorspelling, die verschillende gewichten toepast op onafhankelijke variabelen voordat vergelijkbare gevallen zijn gevestigd. Kumar en Ravi [21] presenteerde een uitgebreid overzicht van de werken met behulp van NN en CBR om de faillissementsvoorspellingsproblemen op te lossen waarmee banken worden geconfronteerd.
Om het vermogen te verbeteren om de opbrengst nauwkeurig te voorspellen, werd een hybride opbrengstvoorspellingssysteem ontwikkeld in de semi-geleiderindustrie (HYPSSI). Het is de volgende hybride methode, die technieken voor machine learning combineren, zoals Back-prop-agation netwerk (BPN), CBR en K NN (zie Fig. 1).
Hypssi bestaat uit vier fasen: leren over de relatie tussen casusvariabelen en opbrengst, kenmerkgewicht, het extraheren van k -vergelijkbare gevallen en gewogen gemiddelde van geëxtraheerde opbrengsten. De eerste fase bevindt het relatieve belang van Onafhankelijke variabelen van de relatie tussen onafhankelijke variabelen (d.w.z. productieprocesvariabelen) en een afhankelijke variabele (d.w.z. opbrengst). Wanneer de training van een BPN wordt voltooid in het geval van de opbrengst van de opbrengst, de Verbindingsgewichten van een getraind neuraal netwerk onthullen het belang van de relatie tussen de procesvariabelen en opbrengst.
Om een set functiegewichten uit het getrainde netwerk te verkrijgen, worden vier functie-gewichtsmethoden gebruikt: gevoeligheid, activiteit, saliëntie en relevantie [28,37,42]. Elk van deze methoden berekent de mate van die van elke functie Belang door de verbindingsgewichten en activeringspatronen van de knooppunten in het getrainde neurale netwerk te gebruiken. De functie-gewichtsalgoritmen worden als volgt beschreven:
De wegingsmethode ‘Gevoeligheid’: de gevoeligheid van een inputknooppunt (SENI) wordt berekend door het invoerknooppunt uit het getrainde neurale netwerk te verwijderen. De gevoeligheid van een invoerknooppunt is het verschil in fout tussen de verwijdering van de functie en wanneer het op zijn plaats wordt achtergelaten. Seni wordt berekend door de volgende vergelijking
waarbij E (0) de hoeveelheid fout aangeeft na het verwijderen van een invoerknooppunt I en E (WF) betekent de foutwaarde wanneer het knooppunt onaangeroerd blijft. De foutwaarde is gebaseerd op de volgende vergelijking
waarbij CB een casusbasis is die casusvariabelen (kenmerken) en overeenkomstige opbrengst en y bevat, geeft de werkelijke opbrengstwaarde aan en geeft OY de opbrengstwaarde aan die wordt waargenomen door de BPN.
Volgens de tabel toont de BPN + CBR_SEN het laagste foutenpercentage wanneer k is ingesteld op vijf; De BPN + CBR_ACT heeft het laagste foutenpercentage wanneer K is ingesteld op 11; De BPN + CBR_SAL toont het laagste foutenpercentage wanneer k is ingesteld op vijf; en de BPN + CBR_REL toont het laagste foutenpercentage wanneer k is ingesteld op negen. Naast die punten van K in elke wegingsmethode, zijn de foutenpercentages licht gestegen.
Tabel 1predictiefouten van case-based redenering met vier wegingsschema's.
Fig. 2. Gemiddelde voorspellingsnauwkeurigheid van elk wegingsschema.
Fig. 2 illustreert volgens Varying K.
Alle vier weegmethoden overtroffen de methode CBR alleen in elk experiment. Bovendien vertoonde de BPN + CBR_ACT in de meeste experimenten de hoogste voorspellingsnauwkeurigheid, gevolgd door BPN + CBR_SAL, BPN + CBR_REL en BPN + CBR_SEN.
Naarmate K toeneemt tot 11, wordt het verschil in de voorspellingsnauwkeurigheid groter tussen de CBR alleen en BPN + CBR_ACT -wegingsmethoden. Er zijn echter kleine verschillen in de voorspellingsnauwkeurigheid tussen de vier functie-gewichtsbeweging Methoden.
Over het algemeen is het moeilijk om te beslissen welke wegingsmethode de beste is. De auteurs suggereren dat men de vier methoden in de initiële ontwikkelingsfase moet testen en vervolgens degene moet implementeren met de laagste voorspellingsfout in de Productiefase. In dit geval is het gebruik van de BPN + CBR_ACT-wegingsmethode een acceptabele oplossing om de opbrengstsnelheid in de productie van semi-geleiders te voorspellen.
Opbrengstbeheer in de Semiconductor -industrie is een zeer belangrijke managementpraktijk die moet worden gecontroleerd en volledig gecontroleerd. Omdat variabelen van het productieproces een niet-lineaire complexe relatie hebben met de opbrengst, Fabrikanten hebben een intelligente benadering nodig om de relatie tussen procesparameters op tijd te bepalen.
In dit artikel hebben de auteurs Hypssi, een hybride methode die BPN en CBR combineerden, bedacht en toegepast om de opbrengst van de fabricagebedrijf van het doels halfgeleider te voorspellen. In de hypssi werd de BPN gebruikt om relatieve gewichten toe te wijzen Productieprocesfuncties van elk geval in de opbrengst van de opbrengst.
Zoals het literatuuronderzoek in sectie 2 onthulde, was er geen eerder soortgelijk onderzoek naar het voorspellen van de opbrengstsnelheid van het halfgeleiderbedrijf met behulp van de neurale kenmerkgewicht CBR. De hypssi toonde aan dat de CBR met de De wegingsmethode ‘Activiteit’ had een betere voorspellingssnelheid, die de CBR alleen en alle andere wegingsmethoden beter presteerde. De hybride CBR vertoonde ook betere prestaties dan de bestaande statistische benadering (voorspellingsnauwkeurigheid komt eraan Uit een meervoudige regressieanalyse bereikte ongeveer 80%).
Om een meer accurate voorspellingssnelheid te bereiken, heeft HypSSI echter meer procesvariabelen en gegevens van het doelbedrijf nodig. Hoewel de bestaande 16 variabelen die in dit artikel werden gebruikt, werden bepaald door de productie -ingenieurs, Het is moeilijk om een meer accurate voorspellingssnelheid te bereiken door alleen deze variabelen en gegevens te gebruiken. Dit zal het volgende gebied zijn waarin onderzoek moet worden uitgevoerd.
Nederlands
Pусский
