فهرست نشریات علمی دسترسی آزاد ایران

مقدمه و اهداف. فرآیند ﺧﻄﻮط تولید و توالی آن ﯾﮑﯽ از روﯾﮑﺮد ﻫﺎی اساسی در برنامه ریزی ﻣﺤﺼﻮﻻت ﺻﻨﻌﺘﯽ به صورت انبوه است. ﻋﺪم برنامه‌ریزی در ﺧﻄﻮط و راه کار مناسب برای بهینه­سازی سیستم­های موثر در فرآیند تولید و مونتاژ، ﺑﺎﻋﺚ اﻓﺰاﯾﺶ زمان تخصیصی به امر تولید و افزایش زمان­های توقف ماشین‌آلات و در ﻧﺘﯿﺠﻪ ﮐﺎﻫﺶ تعداد محصولات تولید از لحاظ تعدادی و نرخ تولید عدم ﮐﺎراﯾﯽ منابع تخصیصی و در اختیار و در نتیجه اﻓﺰاﯾﺶ ﻫﺰﯾﻨﻪ­ﻫﺎی ﺳﯿﺴﺘﻢ می­شود ﮐﻪ همه این ﻋﻮاﻣﻞ در ﻧﻬﺎﯾﺖ ﺑﺎﻋﺚ ﺑﻬﺮه‌ وری ﭘﺎﯾﯿﻦ و از دست دادن منابع موجود است. از این رو در این پژوهش هدف اصلی شناسایی ناهنجاری­‌ها در فرآیند تولید ویفر­های نیمه ‌هادی با استفاده از روش­‌های یادگیری ماشین است. داده‌­های مورد استفاده شامل ویژگی­‌های مختلفی از ویفر­های تولیدی است که از یک تولید کننده بزرگ در صنعت نیمه ‌هادی جمع‌‌آوری شده و حاوی اطلاعاتی از وضعیت ویفرها در فرآیند تولید است. به منظور بهبود عملکرد مدل و کاهش اثرات منفی داده‌­های پرت، از روش وینزوریزه کردن برای تعدیل مقادیر بسیار دور از میانگین در برخی از ویژگی­‌ها استفاده شد. همچنین، برای آماده‌‌سازی بهتر داده­‌ها، ویژگی­‌ها استاندارد‌سازی شدند تا مدل نسبت به تفاوت مقیاس بین ویژگی­‌ها حساس نباشد. روش‌ها. در این پژوهش، با استفاده از روش­‌های پیش ‌پردازش داده و همچنین شبیه‌سازی در نرم‌افزار پایتون، سعی شد تا دقت مدل در شناسایی ناهنجاری­‌ها افزایش یابد. اولین گام، آماده‌سازی داده‌­ها و حذف یا تعدیل داده‌­های پرت بود. به دلیل اینکه برخی از ویژگی­‌ها شامل مقادیر بسیار و تعداد زیاد دور از میانگین بودند که می­‌توانستند مدل را دچار انحراف کنند، از روش "وینزوریزه کردن" استفاده شد. وینزوریزه کردن به این معناست که مقادیر بسیار بزرگ و بسیار کوچک هر ویژگی به آستانه­‌های معینی محدود می­‌شوند تا تأثیر آن‌ها بر عملکرد مدل کاهش یابد. یکی دیگر از گام­‌های کلیدی در این پروژه، کاهش ابعاد داده­‌ها بود. با توجه به اینکه این مجموعه داده شامل ۱۵۵۸ ویژگی است، پردازش و تحلیل تمامی این ویژگی­‌ها نیازمند منابع محاسباتی قابل توجهی است و ممکن است مدل را پیچیده‌تر از حد لازم کند. از این رو، با بهره‌‌گیری از روش "تحلیل تفکیک خطی (LDA) ، ابعاد داده‌­ها به فضای بُعد پایین‌­تری کاهش یافت تا جدایی بهتری بین کلاس­‌های نرمال و ناهنجار ایجاد شود. این کاهش ابعاد به مدل کمک می­‌کند تا طبقه ‌بندی داده­‌ها را با دقت بیشتری انجام دهد و همچنین پردازش محاسباتی ساده‌‌تر شود. یافته‌ها. پس از آماده‌­سازی داده­‌ها، برای استانداردسازی داده­ها ازجدول استاندارد آرایه­‌های متعامد در روش تاگوچی استفاده می­شود آرایه‌­های متعامد L9(34) به ‌عنوان مناسب‌ترین طرح برای مدل­های سه تا شش انتخاب می­شوند. سپس‌ داده‌ها مربوط به پژوهش با استفاده از مدل XGBoost و الگوریتم ژنتیک برای شناسایی ناهنجاری­‌ها و مقایسه دو مدل استفاده شده است . عملکرد مدل با استفاده از ماتریس در هم‌ ریختگی و منحنی ROC  و کارائی الگوریتم ژنتیک مورد ارزیابی قرار گرفت. نتایج نشان داد که مدل توانایی بالایی در شناسایی ناهنجاری‌‌ها دارد و مقدار زیر منحنی AUC برابر با ۰.۹۷ به دست آمد. در ادامه، به‌منظور بهینه‌سازی بیشتر و مدیریت چالش عدم توازن داده‌-ها، از الگوریتم ژنتیک (GA) به‌عنوان یک رویکرد تکاملی برای تنظیم وزن ویژگی­‌ها و آستانه طبقه‌بندی استفاده شد این نتایج‌نشان‌دهنده توانایی مدل در تفکیک نمونه‌­های سالم و معیوب با دقت بالا است. این پژوهش نشان می­‌دهد که با استفاده از تکنیک­‌های مناسب پیش ‌پردازش داده و مدل­‌های یادگیری ماشین، می­‌توان در شناسایی ناهنجاری‌­های تولید و شناسایی قطعات معیوب به نتایج موفقیت ‌آمیزی دست یافت و از ورود محصولات معیوب به بازار جلوگیری کرد. نتیجه‌گیری. نتایج به ‌دست ‌آمده از این تحقیق نشان داد که روش XGBoost توانایی بالایی در تشخیص ناهنجاری­‌ها دارد.و همچنین الگوریتم ژنتیک توانسته است معیارهای عملکردی مانند دقت (92.4%)، ، فراخوانی (0.924) و امتیاز (0.913) را بهبود دهد و همگرایی پایداری در طول نسل­‌های مختلف ارائه کند. ترکیب XGBoost و الگوریتم ژنتیک (GA) امکان شناسایی دقیق‌تر ناهنجاری­‌ها را فراهم کرده و نشان می­‌دهد که این رویکرد می‌­تواند به‌عنوان یک چارچوب عملی در بهبود کنترل کیفیت، کاهش ضایعات و افزایش بهره‌وری خطوط تولید مورد استفاده قرار گیرد.