成果一(timeseries.py, lstm.py)
一、目的
利用機器學習方法預測機台出現異常之時間點，以便提早準備與維護機台減少成本消耗。
二、方法
- 資料數約2000筆，前處理將重複的數值、有問題的資料刪除，並做EDA查驗資料分布狀態。
- 選擇產品面積作為特徵項，將資料隨時間序列排序，將前80%的資料作為訓練集，後20%的資料作為測試集。
- 利用滾動預測之方法做資料的轉換。
- 選擇全部點位或特定點位以及窗口大小作為模型輸入。
- timeseries.py選擇XGBoost模型並隨機挑選最佳超參數，lstm.py選擇lstm模型進行預測。
三、結果
- 模型MAE=34.29, MAPE=2.26, R^2=63.13%。
- 以全部點位以及窗口6的結果為最佳。
- 預測值與實際值的誤差如下，可預測出趨勢且數值差距不大。
成果二(passfail.py)
一、目的
利用機器學習方法判斷點膠成功與否，以輔助人工判斷。
二、方法
- 資料數37000筆，隨機將80%的資料作為訓練集，20%的資料作為測試集。
- 由於產品製作異常(Fail)遠少於製作成功(Pass)的資料，造成資料不平衡的問題，因此將訓練集資料做Oversampling與undersampling。
- 利用產品位置與面積作為input，利用SVM與Logistic迴歸預測產品製作成功與否。
三、結果
利用oversampling的方法與SVM的結果最佳，F1score=98%，Accuracy=99%。未來可加入更多資料與增加fail資料量將模型部署在現場中。
詳細結果可參閱"暑期實習成果"檔
*本成果不提供資料