聲納金屬探測

圖4.23 至圖 4.26 為染色體族群重心在實驗開始後 50 代、100 代、200 代及 300 代 內之移動趨勢。圖4.27 及圖 4.28 為特徵使用率標準差及分類準確率標準差之紀錄圖。

訓練資料 50代

0.7 0.8 0.9 1

0 0.1 0.2 0.3 0.4 0.5 0.6

特徵使用率

分類準確率

0%

5%

10%

20%

圖4.23 前 50 代趨勢圖(聲納)

訓練資料 100代

0 0.1 0.2

0 50 100 150 200 250 300

世代交替數

特徵使用率標準差

0%

5%

10%

20%

圖4.27 特徵使用率變異趨勢圖(聲納)

0 0.1 0.2

0 50 100 150 200 250 300

世代交替數

分類準確率標準差

0%

5%

10%

20%

圖4.28 分類準確率變異趨勢圖(聲納)

觀察圖4.23 至圖 4.26，準確率限制為 10%及 20%之重心皆是朝左上方移動，且移 動路徑差異不大。在不設定準確率限制(0%)的狀況下，族群的重心朝向左方前進，不過 在約150 代左右，重心開始明顯的下降。而準確率限制為 5%之重心移動路徑，與不設 定準確率限制之狀況差不多，不過重心下降較為和緩。而在分類準確率標準差及特徵使 用率標準差的部分，情況與前兩筆資料類似，因設立準確率限制所造成的染色體變異縮 減，在分類準確率較為明顯，而在特徵使用率部分則不明顯。

實驗二

訓練資料 300代

60.0%

70.0%

80.0%

90.0%

100.0%

0 5 10 15 20 25 30 35 40 45 50 55 60

使用特徵數

分類準確率 0%

5%

10%

測試資料 300代

60.0%

70.0%

80.0%

90.0%

100.0%

0 5 10 15 20 25 30 35 40 45 50 55 60 使用特徵數

分類準確率 0%

5%

10%

圖4.31 300 代之最佳解(聲納-實驗二)

在訓練資料的部份，隨著世代交替數的增加，三種不同的分類準確率限制條件，使 得基因演算法所求得之最佳解漸漸的形成三個部分。在減少特徵數上，不設定準確率限 制，擁有最好的表現。而準確率限制為5%之狀況，可找到使用特徵數在 5 至 15 之間的 最高分類準確率特徵組合。但準確率限制為10%之狀況，其所找到特徵數大於 15 之最 佳特徵組合，擁有比其他兩種條件所能找到之特徵組合更高之分類準確率。

實驗三

實驗三比較增加染色體數量與設定不同的準確率閥值之差異，其實驗結果如圖4.32 至圖4.34。

訓練資料 100代

將染色體數增加一倍的方法，的確大幅的增進利基柏拉圖基因演算法所求得解的表 現，尤其在使用特徵數為10 個以下的特徵組合，其分類準確率大幅的領先限制型利基 柏拉圖基因演算法所求得的解。不過在使用特徵數較多的部分，其表現與限制型利基柏 拉圖基因演算法就相差不大。而隨著世代交替數的增加，即使使用多一倍的染色體數搜 尋，依然會發生所搜尋到的特徵組合，較容易偏向減少使用特徵數的方向。

第五章 DVD 製程參數之最佳化

5.1 背景簡介

DVD(Digital Versatile Disk)是數位多功能光碟的簡稱，因其早期僅被使用於視聽方 面，故又稱為數位影音光碟(Digital Video Disk)。DVD 是繼 CD-R (Compact

Disk-Recordable)後，另一數位儲存裝置的重大突破，與傳統的數位儲存媒體相比，其在 容量及讀取速度上皆有大幅的提升。

觀察CD-R 的發展歷史，當記錄倍速一直被提高，讀取光碟片上之資料時，雜訊將 會隨之放大，所以也導致高倍速光碟片的良率一直無法有效的提高。在DVD 導入 8 倍 速產品時，逐漸有此問題的浮現，隨著目前DVD 在市場上逐漸將 16 倍速的成品導入量 產，此問題的嚴重性亦日漸提升。根據光碟機廠商的要求，循軌(Tracking)的雜訊必須被 控制在一定的數值以下，其記錄過程會較順暢，當超出規格時，就容易導致降速、中斷 或寫後訊號超出管控規格的現象。

本研究中的個案公司是一座落於新竹工業區的高科技公司，當該公司將16 倍速 DVD 逐步導入量產時，發現循軌誤差(Tracking Error，TE)及聚焦誤差(Focus Error，FE) 為光碟片不良的最大問題，佔產品不良原因之27%，其中又以循軌誤差較為嚴重。TE 代表光學拾訊器(Optical Pickup Units)雷射的聚焦點與數據所在軌道之偏離程度，FE 代 表光學拾訊器雷射的聚焦點與光碟片所在平面之偏離程度。當DVD 光碟片於此兩個指 標表現越高時，代表燒錄碟片的動作越容易失敗。在本研究中，選用Plextor 8x 的 DVD 燒錄機進行非破壞性檢測，並將TE 的品檢規格設定為「低於 37」，FE 的品檢規格設定 為「低於20」，預估該公司改善前的 TE 平均值約為 40，FE 平均值約為 23，整體良率 約為30%。

DVD 光碟片的製造流程主要包括刻板、基板成型、塗佈與膠合等四大項，簡扼敘

述如下：

1. 刻版：透過雷射刻印、電鑄、研磨清洗等步驟製造模板(stamper)。

2. 基板成型：使用刻板流程所製造之模板為模型，以射出成型的方式製造 DVD 光碟片 的資料儲存用基板，及空白(dummy)基板。

3. 塗佈：在資料儲存用基板上塗佈染料及濺鍍金屬。

4. 膠合：將塗佈完成之資料儲存用基板及空白基板以膠黏合。

本研究希望利用限制型利基柏拉圖基因演算法，從上述四個製程中，找出對DVD 光碟片成品之TE 及 FE 兩指標具有重大影響的製程因子。接著，透過類神經網路建構 重要製程因子與光碟片成品TE、FE 之間的關係模型，最後利用利基柏拉圖基因演算法 針對此關係模型進行製程參數最佳化之工作，期找出能使TE 及 FE 最小化之製程參數 設定，以改善產品品質。

5.2 製程重要製程參數之選擇

本研究從DVD 製造的四個製程中，總共選出 27 個製程參數作為重要製程參數的候 選人，並將類別型製程參數中的每一類別獨立為一項特徵，使得資料的總輸入特徵擴展 為49 個。實驗之總收集樣本數為 46 筆，其中於 TE 超過品檢標準者有 28 筆，於 FE 超 過品檢標準者有9 筆。進行特徵選取時，此 46 筆樣本將被拆為訓練組 32 筆與測試組 14 筆。

5.2.1 循軌誤差之特徵選取

有關影響TE 之特徵選取，本研究以 TE 高於 37 者為不良品，低於或等於 37 者為 良品。訓練組之不良品樣本共有19 筆，測試組之不良品樣本共有 9 筆。使用 1-NN 分類 器進行分類時，訓練組之分類準確率為65.6%，測試組之分類準確率為 85.7%。

使用限制型利基基因演算法進行實驗時，其參數設定如表5.1。在準確率限制的設

定上，本研究同樣使用三種不同的限制以作為對照，每種限制皆重複進行三次實驗，實

最小值、塗佈線、染料一平均濃度、染料二平均濃度。

分別為電鑄機槽別、輸入厚度、空白基板模具、成型線、資料儲存用基板模具、塗佈線、

染料一平均濃度。

5.3 類神經網路模型之構建

於建構類神經網路模型時，本研究將原始的46 筆樣本分為訓練組 36 筆與測試組 10 筆，採用倒傳遞式(back propagation)的學習方法，使用的軟體為 Qnet，並使用其內建之 學習率控制方法。類神經網路之隱藏層神經元數使用試誤法，學習率(learning rate)與動 量(momentum)的設定則如表 5.4 所示。

表格 5.4 學習率與動量之設定

學習率初始值 學習率最小值 學習率最大值 動量

0.1 0.001 0.1 0.8

9-9-1 模式

此模式為TE 指標之類神經網路模型，輸入層使用的神經元數目為 9 個，代表 5.2.1 節中所選出之影響TE 的九項製程參數，隱藏層使用的神經元數目為 9 個，輸出層使用 的神經元數目為1 個，以 TE 為學習目標。經過 12000 次的訓練後，此網路之 RMSE(root mean square error)於訓練組為 0.067，於測試組為 0.120。使用 TE 之品檢標準，依類神經 網路輸出值將樣本分為兩類後，訓練組之分類準確率為86.1%，測試組之分類準確率為 90%。

6-7-1 模式

此模式為FE 指標之類神經網路模型，輸入層使用的神經元數目為 6 個，代表 5.5.2 節中所選出之影響FE 的六項製程參數，隱藏層使用的神經元數目為 7 個，輸出層使用 的神經元數目為1 個，以 FE 為學習目標。經過 17000 次的訓練後，此網路之 RMSE 於 訓練組為0.074，於測試組為 0.138。使用 FE 之品檢標準，依類神經網路輸出值將樣本

分為兩類後，訓練組之分類準確率為83.3%，測試組之分類準確率為 90%。

11-12-2 模式

此模式為TE 及 FE 指標之類神經網路模型，輸入層使用的神經元數目為 11 個，代 表綜合影響TE 及 FE 兩部分之製程參數，隱藏層使用的神經元數目為 12 個，輸出層使 用的神經元數目為2 個，分別以 TE 及 FE 為學習目標。經過 24000 次的訓練後，此網 路之RMSE 於訓練組為 0.073，於測試組為 0.129，使用 TE 及 FE 之品檢標準，依類神 經網路輸出值將樣本分為四類後，訓練組之分類準確率為77.8%，測試組之分類準確率 為70.0%。

5.4 重要製程參數之最佳化及評估

在製程參數最佳化的部分，目標是找到能使TE 及 FE 最小化之製程參數設定。本 研究使用利基柏拉圖基因演算法針對5.3 節訓練完成之類神經網路(模式 11-12-2)進行最 佳化的動作，預期基因演算法最後所提供之參數設定，在真實製程環境中，同樣能有不 錯的表現。

實驗時，利基柏拉圖基因演算法之相關參數設定如表5.5，實驗重複次數為三次。

最後染色體族群所代表之參數設定，於類神經網路中所求得之TE、FE 預測值，如圖 5.1 所示。

表 5.5 利基柏拉圖基因演算法之參數設定

突變率 交配率 染色體數 世代交替數 競爭集合染色體數 族群半徑 0.05 0.8 100 500 4 0.1

0 20 40

0 37

TE

FE

74

圖 5.1 利基柏拉圖基因演算法之結果

在圖5.1 所提供的參數設定值中，位於柏拉圖最佳邊際上，且合乎 TE 及 FE 之 品檢標準的最佳參數設定共有7 種，如圖 5.2 所示。依工程人員的意見，因 TE 之 降低較FE 之降低為重要，故選擇此七個最佳解中 TE 最低者進行實機測試。此參 數之最佳設定值如表5.6 所示，其 TE 預測值為 26.4，而 FE 之預測值為 17.9。

0.00 20.00 40.00

0.00 37.00 74.00

TE

FE

圖 5.2 最佳製程參數設定預測值

表 5.6 進行實機測試之最佳設定

顯 影 時 間

電 鑄 機 槽 別

輸入

厚度 空白基板模具

夾具 壓力

成型線

資料儲存 用基板模 具

模具溫度

最小值 塗佈線

染 料 一 平 均 濃 度

染 料 二 平 均 濃 度

39 2 293 RC119-R4808160 300 SC-604 RC076 120.134 DC-602 0.509 0.344

個案公司將上述所求出的最佳參數設定值進行實機測試，除十一個重要製程參數依 循最佳解進行設定之外，其餘之製程參數依工程人員目前最常用的數值設定。本研究從 此設定所生產之產品中，挑選出40 個樣本，於 TE 項目之平均值為 31，標準差為 3；於

個案公司將上述所求出的最佳參數設定值進行實機測試，除十一個重要製程參數依 循最佳解進行設定之外，其餘之製程參數依工程人員目前最常用的數值設定。本研究從 此設定所生產之產品中，挑選出40 個樣本，於 TE 項目之平均值為 31，標準差為 3；於