(3.230.154.160) 您好!臺灣時間:2021/05/07 17:55
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:王垣鈞
研究生(外文):Yuan-jyun Wang,
論文名稱:運用基因演算法於太陽能製程參數最佳化之研究
論文名稱(外文):Optimization of manufacturing parameters for a Solar Process using Genetic Algorithms
指導教授:侯東旭侯東旭引用關係
指導教授(外文):Tung-Hsu 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:2009
畢業學年度:97
語文別:中文
論文頁數:88
中文關鍵詞:擴散倒傳遞類神經太陽能多目標基因演算法
外文關鍵詞:back-propagation artificial neural networksSolar processDiffusionGenetic Algorithms
相關次數:
  • 被引用被引用:2
  • 點閱點閱:196
  • 評分評分:系統版面圖檔系統版面圖檔系統版面圖檔系統版面圖檔系統版面圖檔
  • 下載下載:0
  • 收藏至我的研究室書目清單書目收藏:0
因為能源的短缺使得有許多替代能源的開發,也因此造成了太陽能電池的需求量急速的擴大,帶動了相關產業快速的成長。而太陽能電池製程中,擴散(Diffusion)製程能使P型晶圓上產生一層N型半導體,以形成P-N二極體,因此擴散(Diffusion)為太陽能電池製造的核心製程。擴散(Diffusion)製程屬於複雜及非線性之化學與物理反應,加上製程常有漂動和變異,並在多品質特性的要求下,單以現場工程師的經驗去修正製程,無法達到穩定的生產品質。
因此為了有效的控制擴散(Diffusion)製程中的多品質特性的參數,本研究採用人工智慧中的類神經網路(Neural Network)與演化演算法(Evolutionary Algorithms, EA),建立一套最佳化方法於多品質特性擴散(Diffusion)製程的參數應用模式。首先以倒傳遞類神經網路模擬出輸入製程參數與多品質特性反應值之間的關係,再應用渴望函數將多目標問題合併成單一目標問題,在以基因演算法求單一目標值。另外再以多目標演算法(Multi-objective Genetic Algorithms ,MOGA)、多目標基因局部搜尋演算法(Multi-objective Genetic Local Search, MOGLS)與本研究所提出之改良式多目標基因局部搜尋演算法比較其效益去針對多品質特性的問題,找出非凌駕解集合(non-dominated set),有別於傳統最佳化方式以多目標結合為單一目標的最佳化方法,可提供決策者更多有關解集合的資訊
The solar cell is a photoelectric based energy transfer device. It transfers light energy into electric energy when it is shined by light source. There are many kinds of solar cells. Based on material classification, it can be categorical into single crystal silicon solar cells, polycrystal silicon solar cells, and amorphous silicon solar cells, polycrystal silicon solar cells, and amorphous silicon solar cells which are usually abbreviated on a-Si. One of a critical problems for the solar cell production engineer is to find the optimal process parameter . Nowadays, the solar cell production engineer usually relies on his experience and using a try-and-error process to set the process parameter when the process is out-of-control. This results in low machine utilization and high wastes in solar cells. Therefore, the objective of this research is to develop a systematic approach to find the optimal process parameter.
A steady-state optimization system is developed to find the optimal process parameters to simultaneously achieve the desired product qualities for the diffusion process of a solar cell process. The L9 orthogonal array experiment is applied to establish the multivariate relationships between the process parameters and quality characteristic. Then the Multiple-Objectives Genetic Local Search Algorithm (MOGLS) and revised MOGLS are proposed to find the Pareto-optimal process parameters for the decision maker to trade-off. Finally, the optimal process parameter will be verified in the case company by using a test experiment.
中文摘要 i
ABSTRACT ii
誌謝 iii
目錄 iv
表目錄 vii
圖目錄 ix
一、 緒論 1
1.1 研究背景與動機 1
1.2 研究目的 2
1.3 研究流程圖 3
二、 文獻探討 4
2.1 太陽能電池製程簡介 4
2.1.1 太陽能電池擴散(Diffusion)製程與發電原理 6
2.2 多品質特性最佳化問題 7
2.3 類神經網路 10
2.4演化演算法(Evolutionary Algorithms, EAs) 12
2.4.1基因演算法(Genetic Algorithms, GA) 13
2.4.2 多目標最佳化(Multi-Objective Optimization) 17
2.4.3 渴望函數(Desirability Functions) 17
2.4.4 柏拉圖最佳化(Pareto Optimization) 19
2.4.5 多目標演化演算法(Multi-Objective Evolutionary Algorithms, MOEA) 21
三、研究方法 23
3.1實驗數據 24
3.2 倒傳遞類神經網路 26
3.2.1 倒傳遞類神經網路之建立與參數設定 26
3.2.2 倒傳遞類神經網路之建立步驟與評估 28
3.3演算法之編碼與運算 29
3.4基因演算法-渴望函數 31
3.5 多目標基因演算法 33
3.5.1 多目標基因演算法詳細步驟 35
3.6多目標基因局部搜尋演算法(Multi-objective Genetic Locsl Search, MOGLS) 36
3.6.1局部搜尋詳細步驟 39
3.7 改良式多目標基因局部搜尋演算法 39
3.7.1 群聚距離(crowding distance) 39
3.7.2 均勻分割空間搜尋法 40
3.8 多目標演算法評估與分析 42
四、實驗與分析 45
4.1 倒傳遞類神經網路 45
4.1.1 Diffusion 倒傳遞類神經網路實驗與分析 48
4.1.2 Diffusion 倒傳遞類神經網路測試 50
4.2 基因演算法-總渴望函數 50
4.2.1 基因演算法參數實驗設計 51
4.2.2 Diffusion製程參數最佳化 53
4.3 多目標基因演算法 55
4.4 多目標基因局部搜尋演算法 61
4.5 改良式多目標基因局部搜尋演算法 65
4.6 多目標演算法分析比較 70
4.7 結果 71
五、結論與建議 73
5.1 結論 73
5.2 後續建議 73
參考文獻 74
[1]李允中,王小璠,蘇木春,2003,模糊理論及其應用,全華科技圖書股份有限公司。
[2]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,碩士論文,雲林科技大學工業工程與管理研究所。
[3]唐麗英,謝昆霖,2000,應用模糊理論於等級類別變數之參數最佳化,中國工業工程學刊,17卷,4期,頁425-435。
[4]莊習武,2006,全球能源短缺下看台灣太陽能產業的契機,碩士論文,國立清華大學工業工程與管理研究所。
[5]陳暐涵,2007,奈米研磨機多品質特性最佳化之研究,碩士論文,國立雲林科技大學工業工程與管理研究所。
[6]楊政煌,2006,運用啟發是演算法於多目標最佳化之研究-以半導體封裝之焊線製程為例,碩士論文,國立雲林科技大學。
[7]蔡聰男,2004,多品質特性之錫膏印刷製程參數最佳化,工研院創新與科技管理研討會論文集.。
[8]葉育典,2005,運用柔性運算技術於多重品質特性製程參數最佳化研究-以半導體封裝之銲線製程為例,雲林科技大學,碩士論文。
[9]葉怡成,2003,類神經網路模式應用與實作,八版,儒林圖書有限公司。
[10]張品全,2002,太陽能電值,科學發展,349期,頁23-29。
[11]謝日章,2002,柔性計算於生產管理之應用,元智大學,博士論文。
[12]Ameset, A.E., Mattuicci N., Macdonald S., Szonyi G.,and Hawkins D.M.,1997, “Quality loss function for optimization across multiple responses surface ”, Journal of Quality Technology, Vol.29, No.3, pp.339-346.
[13]Cheng, C-B, Cheng C-J, and Lee E-S,2002, “Neuro-Fuzzy and Genetic Algorithm in Multiple Response Optimization.”, Computers and Mathematics with Applications, Vol.44, pp.1503-1514
[14]Chapman, R.E., 1996 , “Photochemistry multiple response co-optimization”, Quality Engineering, Vol.8, No.1, pp.31-45
[15]Deb K., 2001, Multi-Objective Optimization using Evolutionary Algorithms. John Wiley & Sons., New York.
[16]Derringer, G.. and Suich R., 1980, “Simultaneous Optimization of Multiple Response Variables”., Journal of Quality Technology, Vol.12, No.4, pp.214-219.
[17]Goldberg, D. E., 1989, Genetic Algorithm in Search ,Optimization, and Machine learning, Addison–Wesley, Mitchell.
[18]Hwang, C-L, and Yoon K.,1981 , Multiple Attribute Decision Making:Methods and Application ,Springer-Verlag,NY.
[19]Khuri.,A.I., Conlon M., 1981, “Simultaneous optimization of multiple response represented by polynomial regression functions. ”, Technometrics, Vol.23 , No.4 ,pp.365-375.
[20]Kim, K. and Lin D., “Simultaneous Optimization of Mechanical Properties of Steel by Maximining Exponential Desirability Functions,” Applied Statistics, pt. 3, Vol. 49, 311-325, 2000.
[21]Layne, K.L., 1995 ,“Method to determine optimum factor levels for multiple responses in the designed experiments”, Quality Engineering,Vol.7, No.4, pp.649-656.
[22]Li T-S, Su C-T, and Chiang T-L, 2003, “Applying robust multi-response quality engineering for parameter selection using a novel neural-genetic algorithm.”, Computer in Industry, Vol.50,113-122.
[23]Lai, Y-J, and Chang S-I, 1994, “A fuzzy approach for multiresponse optimization: An off-line quality engineering problem ”, Fuzzy Sets and Systems,Vol.63,pp.117-129.
[24]Pignatiello, J.J., 1993, “Strategy for robust multi-response quality engineering”, IIE Transaction,Vol.25, No.3,pp.5-15.
[25]Ishibuchi, H., Murata, T., 1998, “Multi-objective genetic local search algorithm and its applications to flowshop scheduling”, IEEE Transactions on SMC, Vol. 28, pp.392-403.
[26]Zitzler, E., 1999, Evolutionary Algorithms for Multiobjective Optimization: Methods and Applications. Ph.D. Thesis, Zurich, Switzerland: Swiss Federal Institute of Technology.
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top
無相關期刊
 
系統版面圖檔 系統版面圖檔