精準預測印制電路板樣板物料投入將減少超投浪費和補投成本,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)絡的預測機制�；赟OM對樣本進行聚類分組;采用特征選擇機制優(yōu)選各分組樣板報廢率關鍵影響屬性;對各分組構(gòu)建基于BPN的報廢率預測模型;將其轉(zhuǎn)換為預測投入生產(chǎn)面板數(shù),并開展模型訓練與性能評估。與多種模型進行對比分析,結(jié)果表明該模型在降低均方誤差、絕對平均誤差、平均絕對百分比誤差、車間余數(shù)入庫率和補投率等方面具有較明顯優(yōu)勢。 

【文章來源】：計算機應用與軟件. 2020年08期 北大核心

【文章頁數(shù)】：7 頁

【部分圖文】：

SOM-BPN預測模型框架

SOM-BPN模型采用Python 3.6開發(fā)實現(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標識,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)分和識別每個分組內(nèi)樣本差異的主要屬性,與工廠實踐一致,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中樣本相應值,但層數(shù)均值更高,說明層數(shù)越高相應線路越密,這與實際一致。

【參考文獻】：
期刊論文
[1]大數(shù)據(jù)驅(qū)動的智能制造[J]. 張潔,汪俊亮,呂佑龍,鮑勁松.  中國機械工程. 2019(02)
[2]工業(yè)大數(shù)據(jù)環(huán)境下的智能服務模塊化設計[J]. 張衛(wèi),丁金福,紀楊建,夏文俊,蘭虎,章建輝.  中國機械工程. 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,樂強生,劉濤.  系統(tǒng)仿真學報. 2018(07)
[4]基于大數(shù)據(jù)的智慧工廠技術框架[J]. 呂佑龍,張潔.  計算機集成制造系統(tǒng). 2016(11)
[5]主動制造——大數(shù)據(jù)驅(qū)動的新興制造范式[J]. 姚錫凡,周佳軍,張存吉,劉敏.  計算機集成制造系統(tǒng). 2017(01)
[6]大數(shù)據(jù)驅(qū)動的智能車間運行分析與決策方法體系[J]. 張潔,高亮,秦威,呂佑龍,李新宇.  計算機集成制造系統(tǒng). 2016(05)



本文編號：2925875