(3.238.235.155) 您好!臺灣時間:2021/05/16 18:02
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果

詳目顯示:::

我願授權國圖
: 
twitterline
研究生:張鴻志
研究生(外文):Hung-Zhi Chang
論文名稱:整合人工免疫系統與類神經網路於製程參數最佳化之研究-以IC半導體封裝之銲線製程為例
論文名稱(外文):Using Neural Networks and Immune Algorithms to Find the Optimal Parameters for IC Wire Bonding Processes
指導教授:侯東旭侯東旭引用關係
指導教授(外文):Tung-Hsu (Tony) Hou
學位類別:碩士
校院名稱:國立雲林科技大學
系所名稱:工業工程與管理研究所碩士班
學門:工程學門
學類:工業工程學類
論文種類:學術論文
論文出版年:2005
畢業學年度:93
語文別:中文
論文頁數:121
中文關鍵詞:倒傳遞類神經網路銲線製程多目標演算法免疫演算法人工免疫系統
外文關鍵詞:artifitial immume systemimmune algothmwire bondingback-propagation artificial neural networksmultiple-objective evolutionary algorithm
相關次數:
  • 被引用被引用:23
  • 點閱點閱:191
  • 評分評分:
  • 下載下載:0
  • 收藏至我的研究室書目清單書目收藏:0
半導體封裝之銲線製程已朝著微細銲墊間距(50μm)的高精密度銲線技術發展,並著重銲線製程能力的提升;因此製程的參數設計,在製程技術發展上扮演極重要的一環,而透過最佳化參數設計,不但可以縮短製程開發及上線的時程,還可以降低成本。
然而對於具有多品質特性的產品或製程最佳化的問題,目前工程師多半只能依賴其工程經驗做出判斷,依據不同的品質特性,分別找出各品質特性的最佳因子水準組合,再從不同的因子水準組合中,擇一或取捨各因子水準,以決定產品設計或製程的最終因子水準組合。因此,如何藉由最佳化方法,找出製程最佳操作參數,是業界目前關切的重要議題。
本研究將整合人工免疫系統與類神經網路解決多目標最佳化的問題,因類神經網路不需複雜的數學關係式來描述系統,並具有處理非線性的能力,而人工免疫系統因具有辨識及記憶等功能,使得系統能夠快速地收斂並且找到近似全域最佳解,此兩項工具近來已各自廣泛地被應用於求解最佳化問題上。
首先,本研究針對多目標最佳化提出多目標免疫演算法(MOIA),來搜尋多目標解空間的Pareto-optimal-front set,使工程師能在同時考量多個目標下,決定最適參數。藉由倒傳遞類神經網路建構製程參數與銲接品質特性的關係後,針對MOIA系統參數最佳設定值,所找到的non-dominated solutions以Error Ratio(Veldhuizen,1999)及Spread(Deb et,2000)兩個指標來檢定MOIA搜尋Pareto-optimal-front的優異性。
再者,針對單一目標方面,提出單目標人工免役演算法(AIS),以找出銲接製程最佳參數值。針對AIS設計之人工免疫系統各項參數,進行直交表實驗以找出最佳系統設定值,並找出銲接製程的最佳參數值,而後與基因演算法、禁忌搜尋法之結果比較。
結果顯示本研所提出的MOIA能確實找到多目標下的Pareto-optimal-front,而AIS也能找到單一目標下的最佳參數值。
The wire bonding process is the key process in an IC chip-package. It is an urgent problem for IC chip-package industry to improve the wire bonding process capability. In this study, an application of artificial neural networks (ANN) and artificial immune systems (AIS) is proposed to optimize parameters in the wire bonding process in order to achieve highly level performance and quality. In this research, the algorithm of AIS with memory cell and suppressor cell mechanisms is developed, and two new algorithms are proposed:Multiple-Objectives Immume Algorithms(MOIA) and Artifitial Immume System Algotithms(AIS). A back propagation ANN is used to establish the nonlinear multivariate relationships between wire boning parameters and responses.
Based on the non-dominated solution found by MOIA with the best parameter setting, the two indices, Error Ratio and Spread, can be used as metrics to measure the performance of MOIA searching the Pareto-optimal-front. Then a Taguchi orthogonal method is applied to identify the critical parameters of AIS. Finally, the MOIA and AIS are applied to find the most desired parameter settings by using the output of ANN as the affinity measure.
A comparison between the proposed AIS and a genetic algorithm is conducted in this study. The comparison shows that the searching quality of the proposed AIS is more effective than the GA in finding the optimal wire bonding process parameters. The results shows the MOIA can precisely find the Pareto-optimal-front satisfying multiple objectives, and AIS can find the best manufacturing parameters which can satisfy the single objective limit
摘 要 I
誌 謝 V
目 錄 VI
表 目 錄 VIII
圖 目 錄 X
第一章 緒論 1
1.1 研究背景與動機 1
1.3 研究方法 4
1.4 研究流程 6
第二章 文獻探討 9
2.1 半導體封裝之銲線製程 9
2.1.1 銲接技術概述 10
2.1.2 銲接成形技術 12
2.1.3 銲線品質與關鍵因素探討 14
2.2類神經網路 17
2.2.1類神經網路架構 18
2.2.2 類神經網路之特性 20
2.2.3 倒傳遞神經網路 22
2.3 生物免疫系統 25
2.3.1 抗體細胞種類 27
2.3.2生物免疫反應 29
2.3.3 人工生物免疫 30
2.4多目標最佳化(多重品質特性最佳化) 33
2.4.1 多目標與單一目標的差異 34
2.4.2 多目標最佳化概念 36
2.4.3 一般常見之多目標最佳化方法 42
第三章 研究方法 51
3.1實驗數據 51
3.2倒傳遞類神經網路 53
3.2.1 倒傳遞類神經網路之參數 54
3.2.2 倒傳遞神經網路演算步驟 55
3.2.3 倒傳遞網路收斂測試 59
3.3免疫演算法 60
3.3.1 單一目標最佳化之人工免疫系統演算流程 60
3.3.2單一目標最佳化之人工免疫系統演算法範例: 67
3.3.3 多目標最佳化之人工免疫系統演算流程 77
3.3.4多目標最佳化之人工免疫系統演算法範例: 81
第四章 實驗與分析 94
4.1 倒傳遞類神經網路之建構與結果分析 94
4.2銲線製程最佳參數組合 98
4.2.1 第一銲點之Pareto最佳組合 98
4.2.2 第二銲點之最佳參數組合 104
4.2.3 第二銲點製程參數比較 107
第五章 結論與建議 110
5.1 結論 110
5.2 建議 111
參考文獻 112
附錄一:類神經因子訓練結果表 116

表 目 錄
表2-1:非特定(NON-SPECIFIC)抵抗疾病機制種類表 27
表3-1:訓練樣本之第一銲點因子水準表 51
表3-2:訓練樣本之第二銲點因子水準表 51
表3-3:測試樣本之第一銲點因子水準表 51
表3-4:測試樣本之第二銲點因子水準表 51
表3-5:倒傳遞類神經網路的學習樣本 52
表3-6:起始抗體群 67
表3-7:抗體1與抗體2 67
表3-8:抗體1與抗體3 68
表3-9:抗體1與抗體4 68
表3-10:抗體1與抗體5 69
表3-11:抗體間親合度表 70
表3-12:抗體集中度 72
表3-13:抗體與抗原親合度 72
表3-14:抑制細胞狀態1 73
表3-15:記憶細胞狀態1 73
表3-16:抑制細胞狀態2 73
表3-17:記憶細胞狀態2 73
表3-18:抑制細胞狀態3 73
表3-19:記憶細胞狀態3 73
表3-20:抑制細胞狀態4 74
表3-21:記憶細胞狀態4 74
表3-22:抑制細胞狀態5 74
表3-23:記憶細胞狀態5 74
表3-24:抑制細胞1與候選抗體之親合度 75
表3-25:抗體1、2、3、5因與抑制細胞作用被刪除 75
表3-26:複製記憶細胞至候選抗體的位置 76
表3-27:交配及突變產生的新抗體群 76
表3-28:起始抗體群 82
表3-29:起始抗體群解空間數值 82
表3-30:候選抗體群GPSIFF得分值 83
表3-31:抑制細胞與記憶細胞狀態狀態1 85
表3-32:抑制細胞與記憶細胞狀態狀態2 85
表3-33:抑制細胞與記憶細胞狀態狀態3 86
表3-34:抑制細胞與記憶細胞狀態狀態4 86
表3-35:抑制細胞與記憶細胞狀態狀態5 87
表3-36:抑制細胞與記憶細胞狀態狀態6 87
表3-37:抑制細胞與記憶細胞狀態狀態7 88
表3-38:抑制細胞與記憶細胞狀態狀態8 88
表3-39:抑制細胞內之GPSIFF得分值 89
表3-40:抑制抗體間親合度表 90
表3-41:抑制細胞與記憶細胞狀態狀態9 90
表3-42:抑制細胞與記憶細胞狀態狀態10 90
表3-43:抑制細胞與記憶細胞狀態狀態11 91
表3-44:迭代後抑制細胞與記憶細胞最終狀態 91
表3-45:抑制細胞與候選抗體之親合度 92
表3-46:候選抗體與抑制細胞作用後 92
表3-47:複製記憶細胞至候選抗體的位置 93
表4-1:類神經網路因子水準表 94
表4-2:類神經網路訓練結果比較表 96
表4-2:第一銲點測試結果 97
表4-3:第一銲點之MOIA系統參數 102
表4-4:第一銲點之MOIA系統參數 102
表4-5:第二銲點AIS參數水準表 104
表4-6:AIS參數設計之直交表實驗結果(第二銲點) 105
表4-7:第二銲點之AIS系統參數ANOVA表 107
表4-8:第二銲點直交表實驗參數組合與回應圖建議參數組合比較表 107


圖 目 錄
圖1-1 研究流程圖 8
圖2-1:銲線間距標示圖 10
圖2-2:銲線說明圖 10
圖2-3:熱音波銲線接合技術 11
圖2-4 銲接成型流程圖 12
圖2-5 金球推力測試與金球大小示意圖 15
圖2-6:WIRE PULL TEST:金線拉力測試 16
圖2-7:人工神經元網路模型 19
圖2-8:三層網路模型架構 20
圖2-9:倒傳遞類神經網路架構 24
圖2-10:雙彎曲函數圖 24
圖2-11:B淋巴球或B細胞 29
圖2-12:T淋巴球或T細胞 29
圖2-13:免疫反應適應過程 30
圖2-14 :人體免疫系統(適應性免疫系統) 31
圖2-15:具記憶裝置設計之免疫網路演算流程圖 32
圖2-16:一個理想的多目標最佳化求解程序圖 37
圖2-17:一個考量優先序順的多目標最佳化求解程序圖 37
圖2-18:兩個目標的多目標最佳化問題,其中有五個解 39
圖2-19:兩個目標(MIN & MAX)之多目標問題,其四種可能的PARETO-OPTIMIZATION組合 40
圖2-20:LOCAL與GLOCAL PARETO-OPTIMAL SET 41
圖2-21:VEGA的概念圖 48
圖2-22:NSGA概念示意圖(以一個有10 個點的解集合為例) 48
圖3-1:倒傳遞類神經學習流程圖 58
圖3-2: 抗體之染色體編碼結構 61
圖3-3:交配過程 65
圖3-4:突變過程 65
圖3-5:人工免疫系統之演算流程 66
圖3.5:人工免疫系統之演算流程 80
圖3-6:目標式PARETO解空間 81
圖3-7:侯選抗體群解空間散佈圖 83
圖3-8:起始抗體群GPSIFF得分值 84
圖4-1:第一銲點之類神經網路架構圖 95
圖4-2:第二銲點之類神經網路架構圖 95
圖4-3:第一銲點類神經網路5000代收斂圖 95
圖4-4:第二銲點類神經網路2500代收斂圖 95
圖4-5:第一銲點類神經網路3600代收斂圖 96
圖4-6:第二銲點類神經網路1600代收斂圖 96
圖4-7:第一銲點品質特性解空間圖 99
圖4-8:多目標最佳化的双目標 100
圖4-9:MOIA系統參數實驗一NON-DOMINATED SOLUTIONS散佈圖 102
圖4-10:MOIA系統參數實驗二NON-DOMINATED SOLUTIONS散佈圖 103
圖4-11:MOIA系統參數實驗三NON-DOMINATED SOLUTIONS散佈圖 103
圖4-12:MOIA系統參數實驗四NON-DOMINATED SOLUTIONS散佈圖 103
圖4-13:MOIA系統參數實驗五NON-DOMINATED SOLUTIONS散佈圖 104
圖4-14:第二銲點金線拉力之AIS參數因子回應圖 106
圖4-15:第二銲點金線拉力之AIS參數因子回應圖 106
圖4-16:第二銲點AIS搜尋過程與收斂情形 108
圖4-17:第二銲點GA搜尋過程與收斂情形 108
圖4-18:TABU第二銲點搜尋過程 109
[1]王志平,1999,應用遺傳演算法與模糊神經網路於物流中心出貨量預測模式之研究,義守大學管科所,碩士論文
[2]王宗富,2001,「多重品質特性製程參數最佳化研究-以高分子有機電激發光顯示器為例」,國立台灣科技大學工業管理系碩士論文。
[3]林資育,2003,運用柔性運算於半導體封裝銲線製程最佳參數之研究,雲林科技大學工業工程與管理研究所,碩士論文。
[4]吳家駿,2001,應用免疫演算法於配電系統運轉策略之研究,中山大學電機工程研究所,碩士論文。
[5]葉怡成,1999,類神經網路模式應用與實作, 儒林圖書有限公司,第六版。
[6]黃熴銘,2002,應用田口方法探討半導體封裝之銲線製程50μm銲墊微細間距最佳參數之研究,雲林科技大學工業工程與管理研究所,碩士論文。
[7]曾駿恭,1996,電子構裝設備-高速自動銲線機之研發(I),國立中正大學,碩士論文,.
[8]陳大殿,1998,電子構裝熱音波銲線製程分分研究,中正大學,碩士論文
[9]陳志堅,1994,「應用模糊理論於田口線外品管多重品質特性最佳化之問題研究」,國立交通大學工業工程研究所碩士論文。
[10]陳相弦,2001,使用柔性演算法於穩健最佳化設計,台灣科技大學機械所,碩士論文。
[11]馬誠韋,2001,解答多目標規劃的新方法:免疫系統法,元智大學工業工程與管理研究所,碩士論文。
[12]趙大衛,民國87 年,內在自衛系統的秘密,臺灣書店
[13]Chen, Jian-Hung, Ho, Shinn-Ying, 2002, "Intelligent multi-objective evolutionary algorithm for editing minimum reference set," Communications of Taiwanese Institute of Information and Computing Machinery, Vol.5, No.2, pp. 1-6.
[14]Castillo, E., et al, 1996, “Modified desirability functions for multiple response optimization”, Journal of Quality Technology, Vol. 28, No. 3, pp.337-345 .
[15]Diao,Y., Passino, K. M., 2002, “Immunity-based hybrid learning methods for approximator structure and parameter adjustment”, Engineering Applications of Artificial Intelligence,Vol 15, pp.587-600
[16]Dasgupta, D. , Attoh-Okine, N., 1997, “Immunity-Based Systems: A Survey”, Proceeding of the IEEE Transactions on Systems, Man and Cybernetics, Vol.1, pp. 369 -374.
[17]David, A.V.V., Lamont, G.B., 1998, Multi-objective Evolutionary Algorithm Research: A History and Analysis, Department of Electrical and Computer Engineering, Air Force Institute of Technology.
[18]De Castro, L.N., Timmis, J. , 2002, Artificial Immune System: a new computational intelligence approach, Springer , Great Britain.
[19]De Castro, L.N., Timmis, J., 2002, “An artificial immune network for multimodal function optimization” In: Proceedings of the 2002 Congress on Evolutionary Computation, Honululu, HI, .pp.699–704
[20]Deb, K., 1999c, “Multi-objective genetic algorithm: Problem difficulties and construction of test problems”, Evolutionary computation Journal, Vol.7, No.3, pp.205-230.
[21]Derringer, G., Suich, R., 1980, “Simultaneous Optimization of Several Response Variables,” Journal of Quality Technology, Vol. 12, No. 4, pp. 214-219.
[22]Fonseca, C. M., Fleming, P. J., 1993, “Genetic algorithms for multiobjective optimization: Formulation, discussion, and generalization”, In proceedings of the Fifth International Conference on Genetic Algorithms, pp.416-423.
[23]Goldberg, D. E., 1989, Genetic Algorithm in search, Optimization and Machine Learning, Addision-Wesley, Reading, Massachusetts.
[24]Harman, G.G., 1997, Wire Bonding in Microelectronics Materials Processes and Yield, second edition.
[25]Haiming, Lu, Yen, G.G., 2001, “Multiobjective Optimization Design via Genetic Algorithm”, Proceedings of the 2001 IEEE International Conference on Control Applications, pp.1190-1195.
[26]Hajela, P., et al, 1997, “GA based simulation of immune networks applications in structural optimization”, Engineering Optimization, Vol.22, pp.131-149.
[27]Horn, J., et al, 1994, “A niched pareto genetic algorithm for multiobjective optimization”, In Proceedings of the First IEEE Conference on Evolutionary Conputation, pp.82-87.
[28]Huang, S. J., 2002, “Application of immune-based optimization method for fault-section estimation in a distribution system”, IEEE Transactions on Power Delivery, Vol.17, No.3, pp.779–784.
[29]Hunt, J., et al, 1999, “Jisy:The development of an artificial immune system for real world applications.”, Artificial Immune Systems and Their Applications, Springer, Berlin, Germany, pp.157–186.
[30]Jeffery, K.C., et al, 2003, “A multi-population genetic algorithm to solve multi-objective scheduling problems for parallel machines”, Computers & Operations Research, Vol.30, p1087–1102.
[31]Mao, J., et al, 2001, “Genetic Symbiosis Algorithm for Multi-objective Optimization Problems”, Transactions of the Society of Instrument and Control Engineering, Vol.37, No.9, pp.894-901.
[32]Miettinen, K., 1999, Nonlinear Multiobjective Optimization, Boston,: Kluwer.
[33]Montgomery, D.C., 2001, Introduction to Statistical Quality Control 4th Edition, John Wiley & Sons, England.
[34]Mao, J., et al., 2001, “Genetic Symbiosis Algorithm for Multi-objective Optimization Problems”, Transactions of the Society of Instrument and Control Engineering, Vol.37, No.9, pp.894-901.
[35]Pramanik, S., et al, 2002,“Dynamical neuro-representation of an immune model and its application for data classification”, In: Proceedings of the International Joint Conference on Neural Networks, Honululu, HI, pp.130-135
[36]Satoshi ENDOH, Naruaki TOMA, Koli YAMADA, 1998, “Immune Algorithm for n-TSP”, IEEE SMC''98 Conference Proceedings, SanDiego, California, pp.3844-3849.
[37]Schaffer, J.D., 1985, “Multiple objective optimization with vector evaluated genetic algorithms. In. J.J. Grefenstette(Ed.)”, Proceedings of an international Conference on Genetic Algorithms and Their Applications, Pittsburgh, PA, pp.93-100.
[38]Su, Chao-Ton, Chiang, Tai-Lin, 2002, “Optimal design for a ball grid array wire bonding process using a neuro-genetic approach”, IEEE transactions on electronics packaging manufacturing, Vol.25, No.1, pp.13-18.
[39]Srinivas, N., Deb, K., 1994, “Multi-objective function optimization using non-dominated sorting genetic algorithms”, Evolutionary Computation Journal, Vol.2, No.3, pp.221-248.
[40]Tazawa, I., et al, 1996, “An immunity based genetic algorithm and its application to the VLSI floorplan design problem”, Proceeding of IEEE International Conference on Evolutionary Computation, Nagoya Japan, pp.417-421.
[41]Tong, L.I., Su, C.T., 1997a, “Optimizing Multi-Response Problems in the Taguchi Method By Fuzzy Multiple Attribute Decision Making,“ Quality and Reliability Engineering International, Vol.13, No 2, pp.25-34.
[42]Wang, L., Jiao, L. , 2001,“An immune neural network used for classification” In: Proceedings of the 2001 IEEE International Conference on Data Mining, San Jose, CA, pp.657–662
[43]Woodall, W.H., Montgomery, D.C., 1999, “Research Issues and Ideas in Statistical Process Control”, Journal of Quality Technology, Vol. 31, No. 4, pp.376-386.
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top