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 FE 項目之平均值為 19，標準差為 2.5。若假設產品之 TE、FE 兩指標符合常態分配，則 估計TE 指標發生不良之機率約為 3%，FE 指標發生不良之機率約為 35%，整體之良率 估計為六成。若此估計無誤，則實際生產後，因良率的提升，將可降低每片DVD 光碟 片之製造成本，以目前個案公司之銷售資料預估，光碟片之成本將從 18.1(元/片)變為 8.87(元/片)，這將導致銷售利潤會由 361.3(千元)提高為 4708(千元)。

第六章 結論

利基柏拉圖基因演算法是一項針對多目標優化問題而提出之方法，它的優點在於可 提供多樣化的不同目標間的折衷解。在前人[4]的研究中，也說明了利基柏拉圖基因演算 法是相當適合使用於特徵選取上的。不過在本研究中發現利基柏拉圖基因演算法使用於 特徵選取時，會發生其搜尋方向較易偏向於減少特徵使用率，而非提升分類準確率，導 致若世代交替數設定太高，就會發生特徵數刪減過多，但分類準確率卻沒有提升很多的 狀況。為了修正此一問題，本研究提出了限制型利基柏拉圖基因演算法，希望透過在染 色體選取過程中，增加分類準確率限制條件的方法，調整染色體族群之組成分子，達到 修正基因演算法之搜尋方向的目的。

本研究使用三筆現有的歷史資料，檢查限制型利基柏拉圖基因演算法之成效。由實 驗一的結果顯示，增加分類準確率閥值，似乎有達到修正基因演算法之搜尋方向的目 的，不過因實驗一只以染色體族群之重心來觀察搜尋方向之變化，故亦有可能只是因增 加準確率閥值後，分類準確率較差之染色體被淘汰掉之結果。故在實驗二中，本研究於 每筆資料，擷取了三種不同的世代交替數，觀察限制型與原始之利基柏拉圖基因演算法 所搜尋到的柏拉圖邊際之間的差別，實驗結果顯示限制型所搜尋到之柏拉圖邊際，的確 在分類準確率上，擁有較佳的表現，不過若分類準確率限制設定太高的話，反而會使得 其表現降低。在實驗三中，本研究亦討論了增加使用的染色體數以提高柏拉圖邊際的長 度，與增加準確率限制，調整柏拉圖邊際的位置兩種方法之差別。實驗結果顯示，在使 用特徵數較高的部分，兩者的表現相差不大，但在使用特徵數較少的部分，使用較多的 染色體進行實驗，會有較好的表現。不過當世代交替數不斷增加時，即使使用較多的染 色體進行實驗，一樣會發生特徵使用率不斷下降，導致分類準確率無法提升的問題。

本研究亦應用了限制型利基柏拉圖基因演算法於一個實際的DVD 製程參數特徵選 取問題上，藉由此方法選出與產品品質關聯較大的製程參數。而利用此方法所選出之製

程參數建構的產品品質與製程參數之類神經網路模型，其RMSE 與分類準確率均有不錯 的表現，說明了此方法的確可以有效的找出多個特徵中，與分類結果關係較為密切的重 要特徵。而針對此模型找到的最佳製程參數設定值，使用於實際製程上，同樣擁有不錯 的效果，則說明了此模型之有效性。因此，結合限制型利基柏拉圖基因演算法、類神經 網路、利基柏拉圖基因演算法之製程參數最佳化方法，相信也可以使用到更多種不同實 際的製造問題上。

雖然本研究利用了設定準確率閥值的方法，修正了利基柏拉圖基因演算法於特徵選 取上之問題，但其效果與準確率閥值的高低密切相關，如何恰當的設定此一限制，將會 是一個使用上的問題。

參考文獻

[1] Bandyopadhyay, S., Murthy, C. A. and Pal, S. K., 1995, “Pattern classification with genetic algorithms,” Pattern Recognition Letters, 16, 801-808.

[2] Bhanu, B. and Lin, Y., 2003, “Genetic algorithm based feature selection for target detection in SAR images,” Image and Vision Computing, 21, 591-608.

[3] Chen, Z., He, Y., Chu, F. and Huang, J., 2003, “Evolutionary strategy for classification problems and its application in fault diagnostics,” Engineering Applications of Artificial Intelligence, 16, 31-38.

[4] Emmanouilidis, C., Hunter, A., Maclntyre, J. and Cox, C., 1999, “Multiple-criteria genetic algorithms for feature selection in neurofuzzy modeling,” Proceedings of the International Joint Conference on Neural Networks, Piscataway, NJ, USA, 4387-4392.

[5] Horn, J., Nafpliotis, N. and Goldberg, D. E., 1994, “A niched pareto genetic algorithm for multiobjective optimization,” Proceeding of the First IEEE Conference on

Evolutionary Computation, Piscataway, NJ, USA, 82-87.

[6] Huang, Z., Pei, M., Goodman, E., Huang, Y. and Li, G., 2003, “Genetic algorithm

optimized feature transformation – A comparison with different classifiers,” Proceedings of the Genetic And Evolutionary Computation Conference Chicago, IL. USA ,

2121-2133.

[7] Jain, A. and Zongker, D., 1997, “Feature Selection: Evaluation, Application, and Samll Sample Performance,” IEEE Transctions Pattern Analysis and Machine Intelligence, 19(2), 153-158.

[8] Kuncheva, L. I. and Jain, L. C., 1999, “Nearest neighbor classifier:Simultaneous editing and feature selection,” Pattern Recognition Letters, 20, 1149-1156.

[9] Nakashima, T., Morisawa, T. and Ishibuchi, H., 1997, “Input selection in fuzzy rule-based classification systems,” Proceeding of the 1997 IEEE International Conference on Fuzzy Systems, Barcelona, Spain, 1457-1462.

[10] Pei, M., Goodman, E. D. and Punch, W. F., 1998, “Feature extraction using genetic algorithms,” Proceedings of the International Symposium on Intelligent Data Engineering and Learning, Hong Kong, 371-384.

[11] Siedlecki, W. and Sklansky, J.,1989, “A note on genetic algorithms for large-scale feature selection,” Pattern Recognition Letters, 10, 335-347.