因果学习最佳返工策略
本文应用高级分析技术在采购数据上进行优化,以提高等同于新机(EQN)零件的回收再利用率,从而减少新零件采购成本,并减少回收处理的能源和材料浪费。在此过程中,机器学习算法被用于构建自动化的基础架构,以支持采购零件规划过程和降低供应商的责任。
Dec, 2021
本研究通过数据驱动的AI方法,应用机器学习模型,探索采用再生和回收材料的敏捷制造决策支持的材料科学中的环境可持续性,通过对热处理参数对材料性质的影响、颗粒尺寸检测和短语分数检测进行预测分析,得出了很多有希望的结果,但是之后的工作仍需面对各种挑战。
Mar, 2023
本研究提出了一种基于迁移学习的方法,通过使用大量来源于基于物理的流程模型的计算廉价的数据进行ML模型训练,然后在少量代价昂贵的实验数据上进行微调,从而降低了新工艺过程物理模型开发的高成本,并且该方法在Fused Filament Fabrication的印刷线宽建模中表现良好,减少了模型开发时间、实验成本、计算成本和预测误差。
Apr, 2023
综述了利用机器学习技术识别半导体制造中晶圆缺陷的方法学,提供了各种机器学习算法在晶圆缺陷检测中的优势、局限性和潜在应用的深入分析,通过创新的分类方法将算法细分为更具体的类别和技术,结合实证评估和实验评估提供了对机器学习技术和算法全面的理解,指导研究人员在工作中做出更明智的决策,并阐明了晶圆缺陷识别中机器学习技术的未来前景和进一步研究的机会。
Oct, 2023
在制浆造纸行业的预测性维护中,一项重要挑战是在生产过程中出现纸张断裂的频率相对较低。本文通过分析一台纸张制造机的运营数据,解决了纸张断裂事件稀缺但对经济影响较大的问题。利用包含18,398个样本的质量保证协议数据集,我们采用条件生成对抗网络(CTGAN)和合成少数类过采样技术(SMOTE)实现了一种新颖的数据增强框架。这种方法确保了合成数据与真实操作数据的分布一致性,同时也致力于提高预测建模的性能指标。通过评估三种不同的机器学习算法-决策树(DT)、随机森林(RF)和逻辑回归(LR),我们在CTGAN增强的数据集上取得了显著的预测维护性能改进。在数据稀缺性方面,CTGAN的效果明显,对于决策树模型,机器断裂(类1)的检测率提高了30%以上,对于随机森林模型提高了20%,对于逻辑回归模型提高了近90%。通过这种方法的进步,本研究对于工业质量控制和维护调度在制造过程中的罕见事件预测具有贡献。
Nov, 2023
通过使用因果机器学习方法,本文提出了一种基于数据驱动的模型,用于估算制造系统中的最佳返工策略,通过实际生产数据验证,取得了 2-3% 的产量改善。
Jun, 2024
COKE使用领域专家知识和传感器之间的编年顺序来构建制造数据集中的因果图,而无需填充缺失数据。在各种传感器数量和缺失比例的不同设置中进行的实验评估表明,与基准方法相比,我们的方法在F1得分上的平均提升为39.9%。当考虑类似于真实世界数据集的配置时,F1得分的提升可达到62.6%,在真实半导体数据集中可达到85.0%。
Jul, 2024
该研究介绍了一种面向任务的元学习方法,旨在解决半导体缺陷检测中的常见问题,通过增量添加新的缺陷类别和规模,创建出更强大和更通用的模型,这种方法在实际数据集上表现出优于传统的监督训练方法的性能。
Jul, 2024
本文研究了表演性变化下的随机优化问题,指出简单分布变化时, naive再训练的效果可能是明显次优的。通过在再训练中添加正则化,本文提出了一种新的方法,显著改善了因样本有限带来的问题,确保在分布变化中的最优模型。因此,本文对机器学习模型在表演性效应下的再训练提出了新的思考。
Aug, 2024