10.3969/j.issn.1007-7375.2023.03.016
考虑特征学习的IPSO-LSTM晶圆加工周期预测
为了推动大数据技术在制造车间的应用,针对复杂产品晶圆制造过程中海量制造数据时序性、强噪音影响加工周期预测精度的问题,提出考虑特征学习的改进粒子群优化长短期记忆网络(improved particle swarm optimization-long short term memory,IPSO-LSTM)的加工周期预测方法.采用降噪自编码器和稀疏自编码器联合构建深度自编码器,增强特征学习能力和抗噪能力;运用IPSO优化LSTM参数,克服时间依赖性,提升预测模型性能.实例验证了所提方法的预测精度优于传统机器学习方法,其平均绝对误差低于3%;并分析特征学习方法的有效性,将支持向量回归和多层感知器等传统方法加入特征学习方法,R2分别提高了1.46%、1.05%,为晶圆加工周期的有效预测提供新的解决方法.
粒子群优化算法、生产周期、自动编码器、长短时记忆网络、特征学习
26
TP278;P18(自动化技术及设备)
四川省教育厅科研资助项目18ZA0497
2023-07-19(万方平台首次上网日期,不代表论文的发表时间)
共8页
143-150