基于自组织映射-反向传播网络的PCB样板投料预测

发布时间：2020-12-19 12:06

　　精准预测印制电路板样板物料投入将减少超投浪费和补投成本,为此提出结合自组织映射（Self-organizing maps, SOM）-反向传播（Back propagation network, BPN）网络的预测机制。基于SOM对样本进行聚类分组;采用特征选择机制优选各分组样板报废率关键影响属性;对各分组构建基于BPN的报废率预测模型;将其转换为预测投入生产面板数,并开展模型训练与性能评估。与多种模型进行对比分析,结果表明该模型在降低均方误差、绝对平均误差、平均绝对百分比误差、车间余数入库率和补投率等方面具有较明显优势。 

【文章来源】：计算机应用与软件. 2020年08期 北大核心

【文章页数】：7 页

【部分图文】：

SOM-BPN预测模型框架

SOM-BPN模型采用Python 3.6开发实现。基于SOM聚类后的29 157条样本被划分为3组,分别以C1、C2和C3标识,各聚类分组中样本规模分别为12 992、6 674和9 491。因各分组内向上圆整Panel数、要求生产数量和外层最小线宽取值差异较大,绘制样本在上述三维空间的分布如图2所示。图3给出了不同聚类分组输入属性均值。图3 各聚类分组中相应属性均值比较

图2 聚类结果分布三组样本的订单规模(要求生产数量、向上圆整Panel数和要求生产面积)均值差异较大,是区分和识别每个分组内样本差异的主要属性,与工厂实践一致,车间也是将订单规模视为重要变量。C2中外层最小值线宽/间距均低于C1和C3中样本相应值,但层数均值更高,说明层数越高相应线路越密,这与实际一致。

【参考文献】：
期刊论文
[1]大数据驱动的智能制造[J]. 张洁,汪俊亮,吕佑龙,鲍劲松.  中国机械工程. 2019(02)
[2]工业大数据环境下的智能服务模块化设计[J]. 张卫,丁金福,纪杨建,夏文俊,兰虎,章建辉.  中国机械工程. 2019(02)
[3]基于数据挖掘的印制电路样板投料优化[J]. 吕盛坪,乐强生,刘涛.  系统仿真学报. 2018(07)
[4]基于大数据的智慧工厂技术框架[J]. 吕佑龙,张洁.  计算机集成制造系统. 2016(11)
[5]主动制造——大数据驱动的新兴制造范式[J]. 姚锡凡,周佳军,张存吉,刘敏.  计算机集成制造系统. 2017(01)
[6]大数据驱动的智能车间运行分析与决策方法体系[J]. 张洁,高亮,秦威,吕佑龙,李新宇.  计算机集成制造系统. 2016(05)



本文编号：2925875