精準(zhǔn)預(yù)測(cè)印制電路板樣板物料投入將減少超投浪費(fèi)和補(bǔ)投成本,為此提出結(jié)合自組織映射（Self-organizing maps, SOM）-反向傳播（Back propagation network, BPN）網(wǎng)絡(luò)的預(yù)測(cè)機(jī)制�；赟OM對(duì)樣本進(jìn)行聚類分組;采用特征選擇機(jī)制優(yōu)選各分組樣板報(bào)廢率關(guān)鍵影響屬性;對(duì)各分組構(gòu)建基于BPN的報(bào)廢率預(yù)測(cè)模型;將其轉(zhuǎn)換為預(yù)測(cè)投入生產(chǎn)面板數(shù),并開展模型訓(xùn)練與性能評(píng)估。與多種模型進(jìn)行對(duì)比分析,結(jié)果表明該模型在降低均方誤差、絕對(duì)平均誤差、平均絕對(duì)百分比誤差、車間余數(shù)入庫(kù)率和補(bǔ)投率等方面具有較明顯優(yōu)勢(shì)。 

【文章來源】：計(jì)算機(jī)應(yīng)用與軟件. 2020年08期 北大核心

【文章頁(yè)數(shù)】：7 頁(yè)

【部分圖文】：

SOM-BPN預(yù)測(cè)模型框架

SOM-BPN模型采用Python 3.6開發(fā)實(shí)現(xiàn)。基于SOM聚類后的29 157條樣本被劃分為3組,分別以C1、C2和C3標(biāo)識(shí),各聚類分組中樣本規(guī)模分別為12 992、6 674和9 491。因各分組內(nèi)向上圓整Panel數(shù)、要求生產(chǎn)數(shù)量和外層最小線寬取值差異較大,繪制樣本在上述三維空間的分布如圖2所示。圖3給出了不同聚類分組輸入屬性均值。圖3 各聚類分組中相應(yīng)屬性均值比較

圖2 聚類結(jié)果分布三組樣本的訂單規(guī)模(要求生產(chǎn)數(shù)量、向上圓整Panel數(shù)和要求生產(chǎn)面積)均值差異較大,是區(qū)分和識(shí)別每個(gè)分組內(nèi)樣本差異的主要屬性,與工廠實(shí)踐一致,車間也是將訂單規(guī)模視為重要變量。C2中外層最小值線寬/間距均低于C1和C3中樣本相應(yīng)值,但層數(shù)均值更高,說明層數(shù)越高相應(yīng)線路越密,這與實(shí)際一致。

【參考文獻(xiàn)】：
期刊論文
[1]大數(shù)據(jù)驅(qū)動(dòng)的智能制造[J]. 張潔,汪俊亮,呂佑龍,鮑勁松.  中國(guó)機(jī)械工程. 2019(02)
[2]工業(yè)大數(shù)據(jù)環(huán)境下的智能服務(wù)模塊化設(shè)計(jì)[J]. 張衛(wèi),丁金福,紀(jì)楊建,夏文俊,蘭虎,章建輝.  中國(guó)機(jī)械工程. 2019(02)
[3]基于數(shù)據(jù)挖掘的印制電路樣板投料優(yōu)化[J]. 呂盛坪,樂強(qiáng)生,劉濤.  系統(tǒng)仿真學(xué)報(bào). 2018(07)
[4]基于大數(shù)據(jù)的智慧工廠技術(shù)框架[J]. 呂佑龍,張潔.  計(jì)算機(jī)集成制造系統(tǒng). 2016(11)
[5]主動(dòng)制造——大數(shù)據(jù)驅(qū)動(dòng)的新興制造范式[J]. 姚錫凡,周佳軍,張存吉,劉敏.  計(jì)算機(jī)集成制造系統(tǒng). 2017(01)
[6]大數(shù)據(jù)驅(qū)動(dòng)的智能車間運(yùn)行分析與決策方法體系[J]. 張潔,高亮,秦威,呂佑龍,李新宇.  計(jì)算機(jī)集成制造系統(tǒng). 2016(05)



本文編號(hào)：2925875