深度學習模型於工業4.0之機台虛擬量測應用

以作者查詢圖書館館藏

、以作者查詢臺灣博碩士

、以作者查詢全國書目

、勘誤回報

、線上人數：30

、訪客IP：3.138.141.202

姓名

翁逸驊(Yi-Hua Weng) 查詢紙本館藏

畢業系所

資訊管理學系

論文名稱

深度學習模型於工業4.0之機台虛擬量測應用

相關論文

★ 台灣50走勢分析：以多重長短期記憶模型架構為基礎之預測	★ 以多重遞迴歸神經網路模型為基礎之黃金價格預測分析
★ 增量學習用於工業4.0瑕疵檢測	★ 遞回歸神經網路於電腦零組件銷售價格預測之研究
★ 長短期記憶神經網路於釣魚網站預測之研究	★ 基於深度學習辨識跳頻信號之研究
★ Opinion Leader Discovery in Dynamic Social Networks	★ A Novel NMF-Based Movie Recommendation with Time Decay
★ 以類別為基礎sequence-to-sequence模型之POI旅遊行程推薦	★ A DQN-Based Reinforcement Learning Model for Neural Network Architecture Search
★ Neural Network Architecture Optimization Based on Virtual Reward Reinforcement Learning	★ 生成式對抗網路架構搜尋
★ 以漸進式基因演算法實現神經網路架構搜尋最佳化	★ Enhanced Model Agnostic Meta Learning with Meta Gradient Memory
★ 遞迴類神經網路結合先期工業廢水指標之股價預測研究	★ A Novel Reinforcement Learning Model for Intelligent Investigation on Supply Chain Market

檔案

[Endnote RIS 格式]

[Bibtex 格式]

[相關文章]

[文章引用]

[完整記錄]

[館藏目錄]

[檢視]

[下載]

本電子論文使用權限為同意立即開放。
已達開放權限電子全文僅授權使用者為學術研究之目的，進行個人非營利性質之檢索、閱讀、列印。
請遵守中華民國著作權法之相關規定，切勿任意重製、散佈、改作、轉貼、播送，以免觸法。

摘要(中)

在2011年德國政府提出工業4.0高科技計畫後，世界各國為了保持其優勢皆開始以智慧工廠為目標輔導企業轉型；其中虛擬量測的技術在半導體領域中扮演著重要的角色，虛擬量測可幫助提升產品良率、降低量測成本、提高產出率並且將產品量測從抽樣測量提升為全面測量；而虛擬量測在業界已有一定程度的發展，各公司皆已發展出各自的架構，但現行使用的模型為人工設定的數學模型居多，人工設定需花費大量時間，在相關參數的選擇上亦需倚賴製程人員的專業知識選擇，相對而言容易造成人為誤差，並且無法針對複雜的量測參數進行預測。
故本研究提出以現有架構為基準，並以深度學習模型取代現有人工設定模型的改良做法，以減少人力花費，並降低模型對製程人員專業知識的倚賴程度，且能支援複雜的量測參數預測，本研究以Pure NN結合Rule Based Improved NN加上Weight NN的深度學習模型架構進行訓練，深度學習數學模型平均誤差值為0.044相較於人工設定數學模型的平均誤差值0.05，有更準確的預測結果，證明以深度學習模型取代目前人工設定數學模型的可行性。

摘要(英)

After the German government proposed the Industry 4.0 high-tech project in 2011, all countries in the world began to guide the transformation of enterprises with the goal of smart factories in order to maintain their advantages. The technology of Virtual metrology plays an important role in the semiconductor field, and Virtual metrology can help improve product yield, reduce measurement cost, increase output rate and upgrade product measurement from sampling measurement to comprehensive measurement; Virtual metrology has developed to a certain extent in the industry, and each company has developed its own architecture, but the currently used models are mostly mathematical models that are manually set. It takes a lot of time to manually set the parameters. The selection of relevant parameters also depends on the selection of the expertise of the process personnel. It is relatively easy to cause personal error and cannot be complicated. And the mathematical models can’t predict complicated parameters.
Therefore, this study proposes an improved approach based on the existing architecture and replaces the existing manual setting models with deep learning models to reduce labor costs reduce and the model′s reliance on process expertise, and support complex measurement parameter prediction. In this study, Pure NN is combined with Rule Based Improved NN plus Weight NN′s deep learning model architectures. The average error value of deep learning mathematical model is 0.044 compared with the average error value of manually set mathematical model of 0.05, which has higher accurate prediction. As a result, it proves that the feasibility of the manual setting mathematical models is replaced by deep learning models.

關鍵字(中)

★ 虛擬量測
★ 深度學習
★ 人工智慧

關鍵字(英)

★ Virtual metrology
★ Deep Learning
★ Architecture Intelligence

論文目次

中文摘要 I
Abstract II
誌謝 III
目錄 IV
表目錄 VI
圖目錄 VII
第一章緒論 1
1.1 研究背景與動機 1
1.2 研究目的 2
1.3 研究貢獻 3
1.4 研究流程 4
第二章相關文獻 5
2.1 虛擬量測 5
2.2 全自動虛擬量測系統 6
2.3 類神經網路 8
2.4 文獻探討 9
第三章研究方法 14
3.1 資料前處理 14
3.2 Pure Neural Network Model 16
3.3 類神經網路加入Rule Based模型 17
3.4 權重自動化 17
3.5 小結 18
第四章實驗結果 19
4.1 實驗設計 19
4.2 實驗一：Pure Neural Network Model 23
4.3 實驗二：Rule Based Improved Neural Network Model 29
4.4 實驗三：Pure NN Model & Rule Based NN Model手動權重 35
4.5 實驗四：Weight Neural Network Model 39
4.6 實驗總結與討論 45
第五章結論 47
5.1 研究限制 47
5.2 研究總結 47
5.3 未來研究方向 49
參考文獻 50

參考文獻

[1] 王國維 (2016)。《適用於工具機產業之全自動虛擬量測系統自動建模機制》。國立成功大學製造資訊與系統研究所碩士論文，未出版，台南市。
[2] 吳偉民 (2012)。《虛擬量測精度之提升機制》。國立成功大學製造資訊與系統研究所博士論文，未出版，台中市。
[3] 杜佳駿 (2014)。《基於私有雲技術精進全自動虛擬量測系統》。國立成功大學製造資訊與系統研究所碩士論文，未出版，台南市。
[4] 吳竺潔 (2013)。《適用於全自動虛擬量測系統之智慧型取樣決策機制》。國立成功大學製造資訊與系統研究所博士論文，未出版，台南市。
[5] 林彥璋 (2004)。《一個適用於半導體業網路式診斷應用之介面的通用型嵌入式裝置》。國立成功大學製造資訊與系統研究所博士論文，未出版，台中市。
[6] 林嶸銓 (2005)。《通用型虛擬量測機制與系統》。國立成功大學製造資訊與系統研究所博士論文，未出版，台中市。
[7] 林献祥 (2010)。《應用先進製程控制虛擬量測技術於LED磊晶製程波長預測》。國立交通大學管理學院碩士在職專班資訊管理組研究所碩士論文，未出版，新竹市。
[8] 柯璟銘 (2006)。《化學機械研磨之虛擬量測與製程控制》。國立交通大學機械工程系研究所碩士論文，未出版，新竹市。
[9] 高易中 (2010)。《植基於主記憶體型資料庫技術之新式全自動化虛擬量測架構》。國立成功大學製造資訊與系統研究所碩士論文，未出版，台南市。
[10] 陳詩絢 (2012)。《二階段變數選取方法應用於半導體製程的虛擬量測之研究》。國立中興大學資訊科學與工程學系研究所碩士論文，未出版，台中市。
[11] 梁志翔 (2006)。《虛擬量測自變數之篩選法則》。國立成功大學製造資訊與系統研究所碩士論文，未出版，台南市。
[12] 許智誠 (2014)。《適用於全自動虛擬量測系統的新穎量測資料品質評估架構》。國立成功大學製造資訊與系統研究所碩士論文，未出版，台南市。
[13] 曾煒傑 (2014)。《具容錯轉移與負載平衡能力之全自動虛擬量測佈署系統》。國立成功大學製造資訊與系統研究所碩士論文，未出版，台南市。
[14] 黃暄恆 (2013)。《適用於全自動虛擬量測系統之智慧型參數篩選機制》。國立成功大學製造資訊與系統研究所博士論文，未出版，台南市。
[15] 楊志偉 (2007)。《類神經網路於虛擬量測系統之應用》。國立中興大學資訊科學與工程學系研究所碩士論文，未出版，台中市。
[16] 葉耀智 (2007)。《類神經虛擬量測之參數篩選與精度精進》。國立成功大學製造資訊與系統研究所碩士論文，未出版，台南市。
[17] 楊逸群 (2014)。《具備全自動虛擬量測功能的鋁輪圈加工自動化系統》。國立成功大學製造資訊與系統研究所碩士論文，未出版，台南市。
[18] 葉雅綸 (2016)。《以偏最小平方法建構光阻膜厚之虛擬量測模式及其實證研究》。國立清華大學工業工程與工程管理學系研究所碩士論文，未出版，新竹市。
[19] 鄭芳田（2013）。 “全自動虛擬量測。” 科學發展。490。
[20] 劉鈞霆 (2010)。《ART2參數自動尋優機制》。國立成功大學製造資訊與系統研究所博士論文，未出版，台南市。
[21] 顏羅桑 (2007)。《虛擬量測資料品質評估指標》。國立成功大學製造資訊與系統研究所碩士論文，未出版，台南市。
[22] I. Baytas, C. Xiao, X. Zhang, F. Wang, A. Jain, and J. Zhou, “Patient Subtyping via Time-Aware LSTM Networks,” Proceedings of the 23rd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (KDD 2017), pp. 65-74, 2017.
[23] H. Cheng, M. Ispir, R. Anil, Z. Haque, L. Hong, V. Jain, X. Liu, H. Shah, L. Koc, J. Harmsen, T. Shaked, T. Chandra, H. Aradhye, G. Anderson, G. Corrado, and W. Chai, “Wide & Deep Learning for Recommender Systems,” Proceedings of the 1st Workshop on Deep Learning for Recommender Systems (DLRS 2016), pp. 7-10, 2016.
[24] F.-T. Cheng, H.-C. Huang, and C.-A. Kao, “Dual-Phase Virtual Metrology Scheme, IEEE Transactions on Semiconductor Manufacturing, vol. 20, no. 4, pp. 566-571, November 2007.
[25] F.-T. Cheng, Y.-T. Chen, Y.-C. Su, and D.-L. Zeng, “Evaluating Reliance Level of a Virtual Metrology System, IEEE Transactions on Semiconductor Manufacturing, vol. 21, no. 1, pp. 92-103, February 2008
[26] F.-T. Cheng, H.-C. Huang, and C.-A. Kao, “Developing an Automatic Virtual Metrology System, IEEE Trans. on Automation Science and Engineering, vol. 9, no. 1, pp. 181-188, Jan. 2012.
[27] F.-T. Cheng, H. Tieng, H.-C. Yang, M.-H. Hung, Y.-C. Lin, C.-F. Wei, and Z.-Y. Shieh, “Industry 4.1 for Wheel Machining Automation, in the 2016 IEEE International Conference on Robotics and Automation (ICRA 2016), Stockholm, Sweden, May 16-21, 2016.
[28] Y.-C. Chang and F.-T. Cheng, “Application Development of Virtual Metrology in Semiconductor Industry,” in Pro. of the 31st Annual Conference of the IEEE Industrial Electronics (IECON 2005), Raleigh, North Carolina, USA, pp. 124-129, November 2005.
[29] P.-H. Chen, S. Wu, J.-S. Lin, F. Ko, H. Lo, J. Wang, C.-H. Yu, and M.-S. Liang, “Virtual Metrology: a Solution for Wafer to Wafer Advanced Process Control,” in Proc. 2005 IEEE International Symposium on Semiconductor Manufacturing, San Jose, CA ,USA, pp.155-157, Sept. 2005.
[30] N. Du, H. Dai, R. Trivedi, U. Upadhyay, M. Gomez-Rodriguez, and L. Song, “Recurrent Marked Temporal Point Processes,” Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (KDD 2016), pp. 1555-1564, 2016.
[31] Xavier Glorot, and Yoshua Bengio, “Understanding the Difficulty of Training Deep Feedforward Neural Networks”, International Conference on Artificial Intelligence and Statistics (AISTATS), 2010.
[32] Y.-T. Huang and F.-T. Cheng, “Automatic data quality evaluation for the AVM system, IEEE Transactions on Semiconductor Manufacturing, vol. 24, no. 3, pp.445-454, August 2011.
[33] Himmel, C.D., Kim, B.W., and May, G.S., “A COMPARISON OF STATISTICALLY -BASED AND NEURAL NETWORK MODELS OF PLASMA ETCH BEHAVIOR,” IEEE/SEMI Int′′l Semiconductor Manufacturing Science Symposium 1992.
[34] Y.-T. Huang, F.-T. Cheng, and Y.-T. Chen, “Importance of data quality in virtual metrology,” in Proc. of the 32nd Annual Conference of the IEEE Industrial Electronics Society (IECON 2006), Paris, France, pp.3727-3732, Nov. 2006
[35] Q. Liu, S. Wu, L. Wang, and T. Tan, “Predicting the next location: a recurrent model with spatial and temporal contexts,” Proceedings of the 13th AAAI Conference on Artificial Intelligence (AAAI 2016), pp.194-200, 2016.
[36] T.-H. Lin, M.-H. Hung, R.-C. Lin, and F.-T. Cheng, “A Virtual Metrology Scheme for Predicting CVD Thickness in Semiconductor Manufacturing, in Proc. 2006 IEEE International Conference on Robotics and Automation, Orlando, Florida, U.S.A., pp.1054-1059, May 2006.
[37] J. Manotumruksa, C. Macdonald, and I. Ounis, “A Deep Recurrent Collaborative Filtering Framework for Venue Recommendation,” Proceedings of the 2017 ACM on Conference on Information and Knowledge Management (CIKM 2017), pp. 1429-1438, 2017.
[38] Sebastian Ruder, “An overview of gradient descent optimization algorithms.”: http://sebastianruder.com/optimizing-gradient-descent/
[39] W.-M. Wu, F.-T. Cheng, T.H. Lin, D.-L. Zeng, and J.-F. Chen, “Selection Schemes of Dual Virtual-Metrology Outputs for Enhancing Prediction Accuracy, IEEE Transactions on Automation Science and Engineering, vol. 8, no. 2, pp. 311-318, April 2011.
[40] Y. Zhu, H. Li, Y. Liao, B. Wang, Z. Guan, H. Liu, and D. Cai, “What to Do Next: Modeling User Behaviors by Time-LSTM,” Proceedings of the 26th International Joint Conference on Artificial Intelligence (IJCAI 2017), pp. 3602-3608, 2017.

指導教授

陳以錚(Yi-Cheng Chen)

審核日期

2019-6-28

推文