基于数学规划与BPN相融合的半导体生产线产出率预测方法

发布时间：2021-12-31 03:46

　　为了提高半导体生产线产出率预测的效率与准确性,研究一种基于数学规划模型融合BP神经网络的方法,该方法考虑了已有预测方法所忽略的范围预测问题,以降低预测过程的复杂性。采用主元分析法选取影响产出率的关键性能指标,并借鉴特征加权思想,利用选定的性能指标构建产出率多元线性回归模型;将该回归模型代入线性规划算法中,通过与模糊算法的结合确定产出率的最小预测范围;利用预测范围参数构建非线性规划模型调节BP神经网络参数,从而改进神经网络模型,得到最终的产出率预测值。仿真实验表明,该方法的预测范围精确且过程简便,具有可行性。 

【文章来源】：计算机集成制造系统. 2017,23(06)北大核心EICSCD

【文章页数】：7 页

【部分图文】：

产出率范围结果图

第６期赵婷婷等：基于数学规划与ＢＰＮ相融合的半导体生产线产出率预测方法２．２产出率性能预测分析根据经验构建输入节点数为６、隐含节点数为１０、输出节点数为１的初始ＢＰ神经网络，经过多次运行后，选定初始神经网络模型的部分权值参数如表４所示，通过非线性规划模型Ｃ调整后的ＢＰ网络部分权值参数如表５所示。其中，模型Ｃ中的敏感度参数ｂ与范围缩减参数ｃ１和ｃ２由经验选取最佳值。表４原ＢＰ网络部分权值数据ωｔ１２３４５６１０．６６０１．５８６－０．２５０－１．６５３０．７７５０．２１９２０．０７２０．１８７－０．００１－０．１８８０．０５５０．１０１３－０．０２７－０．１２１０．１４６０．２３６－０．０３４０．１０５???????８０．２５００．６８８－０．２０１－０．８２８０．２３９０．１１３９０．３９６１．００２－０．２６２－１．１４００．３９５０．１５６１００．１１３０．３３２－０．０６８－０．３８９０．１０８０．１００表５改进后的ＢＰ网络部分权值数据ωｔ１２３４５６１０．６３８１．４１２－０．３１０－１．２５３０．６５７０．２１１２０．０６２０．１３３－０．０１１－０．２５８０．０３５０．０９８３－０．０３５－０．１５２０．１６９０．３６７－０．０６４０．１１２???????８０．２７００．７１０－０．２３１－０．７４２０．２１３０．１２４９０．３２００．９７６－０．３１２－１．２２００．３４００．１６３１００．１４６０．４３２－０．０４８－０．４２１０．０９８０．８９０利用调整后的权值阈值参数更新ＢＰ网络模型，利用新的网络模型

产出率范围结果图

【参考文献】：
期刊论文
[1]基于DBSCAN与FSVM的半导体生产线成品率预测方法[J]. 邱明辉,曹政才,刘民,刘雪莲.  计算机集成制造系统. 2016(11)
[2]半导体生产线动态在制品水平控制方法[J]. 胡鸿韬,江志斌,张怀.  计算机集成制造系统. 2008(09)
[3]半导体晶圆制造中产量与生产周期的优化方法[J]. 潘峰,钱省三.  半导体技术. 2004(02)

博士论文
[1]多重入复杂制造系统的多尺度建模与优化控制研究[D]. 何凤兰.上海交通大学 2014

硕士论文
[1]晶圆制造产能规划方法与应用研究[D]. 刘春华（Maxwell Liu）.上海交通大学 2014
[2]S半导体公司在制品库存控制研究[D]. 吴小林.西南交通大学 2014



本文编号：3559560