考虑特征学习的IPSO-LSTM晶圆加工周期预测
Industrial Engineering Journal(2023)
摘要
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.
更多关键词
particle swam optimization algorithm,production cycle time,auto-encoder,long short-term memory network,feature learning
AI 理解论文
溯源树
样例
![](https://originalfileserver.aminer.cn/sys/aminer/pubs/mrt_preview.jpeg)
生成溯源树,研究论文发展脉络
Chat Paper
正在生成论文摘要