隨機(jī)森林的半導(dǎo)體排產(chǎn)思考范文
本站小編為你精心準(zhǔn)備了隨機(jī)森林的半導(dǎo)體排產(chǎn)思考參考范文，愿這些范文能點(diǎn)燃您思維的火花，激發(fā)您的寫(xiě)作靈感。歡迎深入閱讀并收藏。
《電子器件雜志》2014年第三期
決策樹(shù)是隨機(jī)森林算法的基本單元，決策樹(shù)的構(gòu)造是由一個(gè)隨機(jī)向量所決定。隨機(jī)森林算法的本質(zhì)是組合多個(gè)弱分類器(決策樹(shù))，使其誤差減小的一種分類算法，一般采用二叉決策樹(shù)作為基本模型，其模型如圖1所示。由于二叉決策樹(shù)只能對(duì)數(shù)據(jù)進(jìn)行2分類，針對(duì)多類數(shù)據(jù)需對(duì)二叉決策樹(shù)進(jìn)行節(jié)點(diǎn)多分叉，形成每個(gè)節(jié)點(diǎn)多次分叉的過(guò)程，從而構(gòu)造了多叉決策樹(shù)模型。隨機(jī)森林的生成過(guò)程分以下4步:Step1(Bagging過(guò)程):假設(shè)每類訓(xùn)練集中有N個(gè)樣本，有放回地隨機(jī)抽取n個(gè)樣本，作為一棵決策樹(shù)的訓(xùn)練樣本。Step2(分裂屬性選擇過(guò)程):假設(shè)特征向量是m維，選取m1維作為子集指定給每個(gè)節(jié)點(diǎn)，從m1中選擇分類效果最佳的一維特征作為接點(diǎn)的分類屬性，且保證在隨機(jī)森林的生長(zhǎng)過(guò)程中m1保持不變。采用信息熵作為判斷節(jié)點(diǎn)分裂屬性選擇的依據(jù)，設(shè)數(shù)據(jù)集種類為m，任意一個(gè)數(shù)據(jù)集的分類概率為Pi，則信息熵表達(dá)式H(X)為從以上步驟可以看出，隨機(jī)森林算法的誤差更為穩(wěn)定，克服了單一決策樹(shù)的不足，體現(xiàn)了多個(gè)弱分類器合成強(qiáng)分類器的優(yōu)勢(shì)。
2算法的實(shí)現(xiàn)
粗日排產(chǎn)控制的主要任務(wù)是根據(jù)周計(jì)劃投產(chǎn)品種和數(shù)量信息，進(jìn)行日投產(chǎn)品種和數(shù)量的確定。企業(yè)中常用的粗日投料策略主要有兩種:基于投產(chǎn)品種平均分配的投料策略和基于品種投產(chǎn)量平均分配的投料策略。基于投產(chǎn)品種平均分配的投料策略，對(duì)周計(jì)劃以品種為單位進(jìn)行拆分，確定日投產(chǎn)品種;基于投料量平均分配的投料策略，將周計(jì)劃中的各個(gè)品種的投產(chǎn)數(shù)量平均分配到每日。該兩種方法都未考慮品種更換對(duì)生產(chǎn)的影響，導(dǎo)致實(shí)際生產(chǎn)“改機(jī)代價(jià)”較大。本文提出采用基于隨機(jī)森林的排產(chǎn)控制策略，以降低改機(jī)代價(jià)為目標(biāo)，首先對(duì)周計(jì)劃投產(chǎn)品種進(jìn)行聚類分析，然后在此基礎(chǔ)上，采用基于品種平均和投產(chǎn)量平均的綜合策略，確定每日投產(chǎn)品種和各個(gè)品種的投產(chǎn)數(shù)量。
2．1分類因素提取與確定(1)分類屬性及權(quán)重確定。分析半導(dǎo)體生產(chǎn)中，“改機(jī)”影響因素有:圓片尺寸、裝片膠、框架型號(hào)、模具、塑封料、等。不同屬性影響品種更換的代價(jià)不同，如模具更換需要約4h的時(shí)間，而塑封料更換僅需要15min左右的時(shí)間，利用賦權(quán)的方式對(duì)各個(gè)屬性的“改機(jī)”代價(jià)影響程度進(jìn)行給定，假設(shè)單位改機(jī)時(shí)間代價(jià)為t，各個(gè)因素的權(quán)重因子為ω1，則各因素的“改機(jī)”代價(jià)如式(2)所示:(2)分類類別個(gè)數(shù)m的確定。我們將周計(jì)劃中投產(chǎn)的不同半導(dǎo)體作為分類依據(jù)，根據(jù)不同的半導(dǎo)體種類進(jìn)行類間分類，設(shè)半導(dǎo)體的類別個(gè)數(shù)為m。(3)投產(chǎn)量對(duì)分類結(jié)果的影響。一般來(lái)說(shuō)，車(chē)間中各個(gè)類型的產(chǎn)能基本均衡。本文假設(shè)半導(dǎo)體生產(chǎn)工序的各個(gè)類型的產(chǎn)能均衡，考慮品種投產(chǎn)量對(duì)品種劃分的影響，對(duì)每一類別內(nèi)品種投產(chǎn)量總和進(jìn)行限定，保證聚類后，各個(gè)類別的投產(chǎn)量也基本均衡，則每個(gè)類別中的總產(chǎn)量約為。
2．2基于隨機(jī)森林的排產(chǎn)模型我們以品種名稱、投產(chǎn)量、交貨期和所屬類別作為半導(dǎo)體排產(chǎn)的特征信息，設(shè)Xi是每類半導(dǎo)體的特我們將半導(dǎo)體的生產(chǎn)類別個(gè)數(shù)m作為分類數(shù)量，將不同種類的半導(dǎo)體特征向量作為訓(xùn)練隨機(jī)森林的訓(xùn)練集，具體步驟如下:Step1:根據(jù)半導(dǎo)體生產(chǎn)種類確定分類數(shù)，進(jìn)而確定隨機(jī)森林的分叉數(shù)m，對(duì)每類半導(dǎo)體選取nx作為訓(xùn)練集，總共mnx個(gè)訓(xùn)練樣本。Step2:將不同的半導(dǎo)體訓(xùn)練樣本分別標(biāo)記模式類別(1～m)。Step3:從訓(xùn)練樣本中隨機(jī)抽取0．7mnx個(gè)訓(xùn)練樣本，按照第2節(jié)所述構(gòu)建半導(dǎo)體分類決策樹(shù)。Step4:重復(fù)step3，構(gòu)建多顆決策樹(shù)，生成隨機(jī)森林。Step5:將待分類的半導(dǎo)體排產(chǎn)數(shù)據(jù)通過(guò)訓(xùn)練完成的隨機(jī)森林進(jìn)行完全分類，確定每個(gè)半導(dǎo)體排產(chǎn)數(shù)據(jù)的模式類別。Step6:對(duì)分類后各個(gè)類別的投產(chǎn)品種分別進(jìn)行排序，交貨期越早，排序越靠前，需進(jìn)行優(yōu)先生產(chǎn)。Step7:針對(duì)交貨期不緊張的生產(chǎn)訂單，則根據(jù)半導(dǎo)體數(shù)據(jù)分類結(jié)果進(jìn)行合理的投產(chǎn)。
3實(shí)驗(yàn)評(píng)估
3．1分類準(zhǔn)確性實(shí)驗(yàn)實(shí)驗(yàn)選取7種不同型號(hào)的半導(dǎo)體進(jìn)行研究，投產(chǎn)信息如表1所示。按照2．2節(jié)所述，將實(shí)驗(yàn)的每種型號(hào)的半導(dǎo)體信息轉(zhuǎn)變?yōu)樘卣飨蛄浚瑢?種型號(hào)的半導(dǎo)體特征向量作為分類依據(jù)，從而完成隨機(jī)森林的構(gòu)建。設(shè)每類半導(dǎo)體的投產(chǎn)量為niz，算法準(zhǔn)確分類數(shù)為nii，平均分類準(zhǔn)確率為pt，則將其定義。表2表明:本文算法對(duì)不同品種的半導(dǎo)體的分類較為準(zhǔn)確，其平均分類準(zhǔn)確率高達(dá)98．4%，從而驗(yàn)證了算法在半導(dǎo)體排產(chǎn)中的數(shù)據(jù)分類可行性。
3．2“改機(jī)”時(shí)間比較實(shí)驗(yàn)按照2．2節(jié)所述的算法流程，對(duì)待排產(chǎn)的半導(dǎo)體進(jìn)行合理安排，為了方便比較不同類型的半導(dǎo)體粗日投料對(duì)生產(chǎn)的影響，假設(shè)生產(chǎn)車(chē)間只有一道工序，每種類型的產(chǎn)能各有一臺(tái)機(jī)器，改機(jī)單位時(shí)間為10min，分布對(duì)基于品種平均分配的投料策略、基于投產(chǎn)量平均分配的投料策略和本文提出的基于品種分類的綜合投料策略控制下的生產(chǎn)過(guò)程進(jìn)行比較，其實(shí)驗(yàn)結(jié)果如表3所示。由實(shí)驗(yàn)結(jié)果可得:本文所提出的基于隨機(jī)森林對(duì)半導(dǎo)體品種進(jìn)行分類算法能夠很好的減少改機(jī)時(shí)間代價(jià)，從而縮短生產(chǎn)周期，提高生產(chǎn)速率。為了方便計(jì)算，實(shí)驗(yàn)給出的規(guī)模較小，一般在半導(dǎo)體實(shí)際生產(chǎn)中，周投產(chǎn)品種達(dá)上千種，本文算法在規(guī)模龐大的實(shí)際應(yīng)用中更能發(fā)揮其優(yōu)越性，假設(shè)背景企業(yè)中，采用該算法后，生產(chǎn)周期縮短了約27h，即改機(jī)時(shí)間代價(jià)降低了約27h，大大提高了生成效率。
4結(jié)束語(yǔ)
本文針對(duì)半導(dǎo)體排產(chǎn)問(wèn)題進(jìn)行深入研究分析，提出一種基于多叉樹(shù)隨機(jī)森林的半導(dǎo)體排產(chǎn)算法，該算法首先將半導(dǎo)體的品種名稱、投產(chǎn)量、交貨期和所屬類別轉(zhuǎn)化為特征信息，將其輸入到構(gòu)建完成的隨機(jī)森林，從而進(jìn)行數(shù)據(jù)的完全分類，利用得到的數(shù)據(jù)分類法則進(jìn)行排產(chǎn)的評(píng)估，確定日投產(chǎn)的半導(dǎo)體種類和數(shù)量。實(shí)驗(yàn)結(jié)果表明:該算法能夠有效地降低半導(dǎo)體排產(chǎn)過(guò)程中的改機(jī)時(shí)間代價(jià)，從而提高設(shè)備的利用率，大大縮短生產(chǎn)周期，提高生產(chǎn)效益。今后的工作是對(duì)現(xiàn)有的隨機(jī)森林純度分類依據(jù)進(jìn)行深入研究，優(yōu)化屬性選擇原則，從而提高算法對(duì)各類數(shù)據(jù)的適應(yīng)能力。本文創(chuàng)新點(diǎn)在于首次將隨機(jī)森林算法應(yīng)用到工業(yè)排產(chǎn)研究中，開(kāi)拓了機(jī)器學(xué)習(xí)的應(yīng)用領(lǐng)域。
作者：王玉單位：中國(guó)科學(xué)院沈陽(yáng)自動(dòng)化研究所中國(guó)科學(xué)院大學(xué)