夏蓓鑫， 陳 鑫， 魏 鑫

?

基于數(shù)據(jù)驅(qū)動(dòng)仿真的兩設(shè)備系統(tǒng)元模型

夏蓓鑫， 陳 鑫， 魏 鑫

(上海大學(xué) 機(jī)電工程與自動(dòng)化學(xué)院，上海 200072)

半導(dǎo)體封裝測(cè)試系統(tǒng)等復(fù)雜制造系統(tǒng)的性能分析是項(xiàng)非常困難的任務(wù)。利用仿真模型構(gòu)建兩設(shè)備系統(tǒng)元模型，并以元模型為基石構(gòu)建面向大規(guī)模復(fù)雜系統(tǒng)的近似解析方法是分析復(fù)雜制造系統(tǒng)的有效手段。為了快速準(zhǔn)確地構(gòu)建兩設(shè)備系統(tǒng)元模型，提出了一種基于數(shù)據(jù)驅(qū)動(dòng)仿真技術(shù)及人工神經(jīng)網(wǎng)絡(luò)的元模型構(gòu)建方法。該方法以考慮緩存輸送時(shí)間的兩設(shè)備制造系統(tǒng)為研究對(duì)象，采用AREAN的二次開發(fā)技術(shù)實(shí)現(xiàn)仿真模型的自動(dòng)配置、運(yùn)行、統(tǒng)計(jì)，以生成人工神經(jīng)網(wǎng)絡(luò)所需案例，并通過比較分析BP、RBF和Chebyshev這3類典型的函數(shù)逼近神經(jīng)網(wǎng)絡(luò)確定最優(yōu)的人工神經(jīng)網(wǎng)絡(luò)模型。實(shí)驗(yàn)結(jié)果表明徑向基函數(shù)密度為120的RBF神經(jīng)網(wǎng)絡(luò)模型表現(xiàn)最優(yōu)，其結(jié)果誤差最小，能夠成為大規(guī)模復(fù)雜制造系統(tǒng)近似解析方法的基石。

數(shù)據(jù)驅(qū)動(dòng)仿真； 元模型； 人工神經(jīng)網(wǎng)絡(luò)

XIABeixin,CHENXin,WEIXin

(SchoolofMechatronicsEngineeringandAutomation,ShanghaiUniversity,Shanghai200072,China)

Keywords：datadrivensimulation；metamodel；artificialneuralnetwork

大規(guī)模復(fù)雜制造系統(tǒng)的性能分析一直是項(xiàng)非常困難的任務(wù)。以半導(dǎo)體封裝測(cè)試系統(tǒng)為例，它相對(duì)于傳統(tǒng)制造系統(tǒng)而言更為復(fù)雜：多資源搬運(yùn)系統(tǒng)形成了復(fù)雜多環(huán)結(jié)構(gòu)；生產(chǎn)流程繁復(fù)、具有可重入特性、生產(chǎn)過程中存在不確定性等等。這些復(fù)雜特性都加劇了這類系統(tǒng)性能分析的復(fù)雜度[1]。目前，這類以半導(dǎo)體封裝測(cè)試系統(tǒng)為代表的復(fù)雜多環(huán)結(jié)構(gòu)制造系統(tǒng)尚缺乏有效的性能分析方法[2]。

國(guó)內(nèi)外關(guān)于制造系統(tǒng)性能分析的研究成果主要分為3大類，分別是精確解析方法、近似解析方法和仿真方法[3]。精確解析方法是對(duì)制造系統(tǒng)進(jìn)行數(shù)學(xué)建模，并利用數(shù)學(xué)解析手段對(duì)模型進(jìn)行求解，可以得到精確的系統(tǒng)性能結(jié)果。目前大部分精確解析方法都基于馬爾科夫模型[4-6]。其缺點(diǎn)在于應(yīng)用范圍受限于簡(jiǎn)單的兩設(shè)備制造系統(tǒng)[7]。近似解析方法則是以精確解析方法為基石，通過構(gòu)建、求解近似解析方程分析系統(tǒng)性能[8]。該方法能夠快速、近似地評(píng)估大規(guī)模制造系統(tǒng)的性能，但受限于精確解析方法的應(yīng)用范圍，現(xiàn)有的近似解析方法無法評(píng)估特性較為復(fù)雜的制造系統(tǒng)[9]。仿真方法可以為任意復(fù)雜程度的制造系統(tǒng)構(gòu)建仿真模型并分析性能，但對(duì)系統(tǒng)使用者提出了很高的仿真建模能力要求，且仿真模型運(yùn)行時(shí)間與系統(tǒng)復(fù)雜程度成正比，不適用于有大量案例需要分析的情況[10-11]。針對(duì)仿真方法的缺點(diǎn)，學(xué)者們提出了基于仿真的元模型(metamodel)方法[12]。元模型是仿真模型所體現(xiàn)的系統(tǒng)輸入/輸出關(guān)系的一種近似表達(dá)，使用最為廣泛的元模型構(gòu)建方法為人工神經(jīng)網(wǎng)絡(luò)(artificialneuralnetwork)模型[13-14]。從方法性能而言，元模型提供的是近似結(jié)果，其效率要高于仿真方法。但它的缺點(diǎn)在于：普適性差、準(zhǔn)確性與效率不能兼顧[15]。

通過對(duì)國(guó)內(nèi)外研究現(xiàn)狀和發(fā)展動(dòng)態(tài)進(jìn)行綜述分析后發(fā)現(xiàn)，將解析方法與元模型結(jié)合是解決復(fù)雜制造系統(tǒng)的有效途徑。使用基于仿真的兩設(shè)備制造系統(tǒng)元模型取代精確解析方法作為近似解析方法的基石可以解決精確解析方法無法分析復(fù)雜制造系統(tǒng)以及元模型方法普適性差的問題。在這個(gè)過程中，如何準(zhǔn)確快速地構(gòu)建兩設(shè)備制造系統(tǒng)元模型是關(guān)鍵問題。為了解決這個(gè)關(guān)鍵問題，從兩個(gè)方面開展了相關(guān)研究：一方面，選取在函數(shù)逼近方面表現(xiàn)優(yōu)異的BP神經(jīng)網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)以及Chebyshev神經(jīng)網(wǎng)絡(luò)分別進(jìn)行建模優(yōu)化，通過比較分析確定最優(yōu)配置神經(jīng)網(wǎng)絡(luò)模型，確保方法準(zhǔn)確性；另一方面，開發(fā)數(shù)據(jù)驅(qū)動(dòng)的仿真技術(shù)，通過仿真軟件的VBA接口實(shí)現(xiàn)人工神經(jīng)網(wǎng)絡(luò)所需案例的自動(dòng)獲取，大幅提升方法效率。該研究方法的提出可以解決兩設(shè)備制造系統(tǒng)的元模型構(gòu)建問題，從而為半導(dǎo)體封裝測(cè)試等復(fù)雜制造系統(tǒng)的性能分析方法提供有效支持。

1 系統(tǒng)描述

如圖1所示，本文所研究的系統(tǒng)由兩臺(tái)設(shè)備M1和M2組成，兩臺(tái)設(shè)備之間設(shè)一緩存B1。零件從系統(tǒng)外依次流經(jīng)第1臺(tái)設(shè)備和第2臺(tái)設(shè)備后離開系統(tǒng)。兩臺(tái)設(shè)備的生產(chǎn)周期相同，設(shè)為1個(gè)單位時(shí)間。從設(shè)備M1搬運(yùn)到設(shè)備M2的時(shí)間為tt，tt≤1。緩存B1的容量為N。

圖1 兩設(shè)備系統(tǒng)

當(dāng)設(shè)備M1發(fā)生故障且與設(shè)備相鄰的緩存位置沒有零件時(shí)，設(shè)備M2處于饑餓停機(jī)狀態(tài)，無法進(jìn)行操作。當(dāng)設(shè)備M2發(fā)生故障且緩存內(nèi)零件數(shù)量達(dá)到緩存容量時(shí)，設(shè)備M1處于阻塞停機(jī)狀態(tài)，無法進(jìn)行操作。在該系統(tǒng)中，假設(shè)設(shè)備M1前有無數(shù)零件，永遠(yuǎn)不會(huì)處于饑餓停機(jī)狀態(tài)，設(shè)備M2后有無限容量緩存，永遠(yuǎn)不會(huì)處于阻塞停機(jī)狀態(tài)。

2 元模型分析

元模型是仿真模型的進(jìn)一步概括，它采用仿真模型的部分輸入/輸出結(jié)果(仿真案例)來構(gòu)建輸入/輸出關(guān)系。因此，元模型提供的是近似的結(jié)果。本文要構(gòu)建的元模型是一個(gè)多元輸入/輸出的模型(圖2)，其本質(zhì)是一個(gè)多元函數(shù)。一般而言，構(gòu)建元模型方法有很多，包括田口模型、Kernel模型、一般線性模型、Kriging模型等等，但人工神經(jīng)網(wǎng)絡(luò)是其中應(yīng)用最為廣泛的元模型構(gòu)建方法。尤其是在函數(shù)逼近方面，神經(jīng)網(wǎng)絡(luò)將前饋網(wǎng)絡(luò)與函數(shù)逼近有機(jī)地結(jié)合起來，不僅提供了一個(gè)標(biāo)準(zhǔn)的逼近結(jié)構(gòu)以及隨著隱層個(gè)數(shù)改變而能達(dá)到任意精度的逼近工具，而且有標(biāo)準(zhǔn)的學(xué)習(xí)算法用以確定逼近函數(shù)的參數(shù)，同時(shí)處理的數(shù)據(jù)對(duì)象十分廣泛：適用于大規(guī)模的、高度非線性的、不完備的數(shù)據(jù)處理[16]。因此，這里選取了3種典型的函數(shù)逼近神經(jīng)網(wǎng)絡(luò)模型：BP神經(jīng)網(wǎng)絡(luò)，RBF神經(jīng)網(wǎng)絡(luò)，Chebyshev神經(jīng)網(wǎng)絡(luò)來建立元模型。

圖2 元模型建模

BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程主要是正向和反向傳播兩個(gè)方面。這兩個(gè)特點(diǎn)是模式前向傳輸和誤差反向傳輸。函數(shù)逼近是它的最強(qiáng)大應(yīng)用之一，即根據(jù)所訓(xùn)練的樣本，對(duì)未知的函數(shù)類型進(jìn)行逼近。

RBF神經(jīng)網(wǎng)絡(luò)具有的全局最優(yōu)特性和最佳逼近性能，并且結(jié)構(gòu)比較簡(jiǎn)單，訓(xùn)練速度較快，也是一種可以廣泛運(yùn)用于模式識(shí)別、函數(shù)逼近等領(lǐng)域的神經(jīng)網(wǎng)絡(luò)模型。RBF神經(jīng)網(wǎng)絡(luò)的核心是隱含層的設(shè)計(jì)，中心點(diǎn)和寬度的選取直接影響到神經(jīng)網(wǎng)絡(luò)的最終性能。

Chebyshev神經(jīng)網(wǎng)絡(luò)在使用時(shí)要注意將多輸入-多輸出系統(tǒng)分解成多輸入-單輸出系統(tǒng)。Chebyshev神經(jīng)網(wǎng)絡(luò)模型采用了較復(fù)雜的非線性激勵(lì)函數(shù)，當(dāng)用于逼近復(fù)雜非線性目標(biāo)特性時(shí)，比BP神經(jīng)網(wǎng)絡(luò)的隱神經(jīng)元個(gè)數(shù)少得多。相比于傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)，Chebyshev神經(jīng)網(wǎng)絡(luò)只要調(diào)整隱層至輸出層的權(quán)值，所以工作量減少了很多，加快了算法的收斂。

通過三者的比對(duì)優(yōu)化可以選取獲得最終的元模型。

譚志勇等[10]通過乳液聚合方法合成了SAN樹脂作為ABS基體樹脂，利用分子量調(diào)節(jié)劑TDDM控制SAN樹脂分子量。研究了在相同橡膠含量情況下，ABS樹脂的沖擊強(qiáng)度與基體SAN分子量之間的關(guān)系，如圖5所示。為便于分析，譚志勇等采用SAN樹脂的熔融指數(shù)(MFR)代替SAN分子量。因?yàn)镾AN樹脂分子量與熔融指數(shù)之間有對(duì)應(yīng)關(guān)系，樹脂分子量大則熔融指數(shù)低。在橡膠質(zhì)量分?jǐn)?shù)21%的條件下，共混物在基體SAN樹脂分子量增加到一定值后沖擊強(qiáng)度急劇增加，根據(jù)吳守恒增韌理論，當(dāng)基體SAN樹脂分子量增加時(shí)，材料的脆韌轉(zhuǎn)變粒子間距離臨界值增加，當(dāng)臨界值達(dá)到或超過橡膠粒子間距后，材料發(fā)生脆韌轉(zhuǎn)變。

3 數(shù)據(jù)驅(qū)動(dòng)的仿真建模

3.1 兩設(shè)備系統(tǒng)仿真建模

人工神經(jīng)網(wǎng)絡(luò)所需的大量案例來自于仿真模型，因此本小節(jié)先根據(jù)系統(tǒng)描述來建立兩設(shè)備系統(tǒng)的仿真模型。所采用的仿真軟件為Arena。圖3展示了整個(gè)模型的運(yùn)行機(jī)制。

圖3 Arena仿真模型流程圖

3.2 數(shù)據(jù)驅(qū)動(dòng)的仿真平臺(tái)構(gòu)建

在為系統(tǒng)構(gòu)建仿真模型后，需要獲取大量元模型構(gòu)建所需的案例。案例獲取包括系統(tǒng)配置、仿真模型運(yùn)行、仿真結(jié)果記錄等步驟。如手動(dòng)執(zhí)行這一過程將耗費(fèi)大量的人力和時(shí)間，從而大大降低方法的效率和可行性。因此，本文基于VB軟件設(shè)計(jì)開發(fā)了數(shù)據(jù)驅(qū)動(dòng)的仿真平臺(tái)，以實(shí)現(xiàn)案例獲取的全自動(dòng)化。

數(shù)據(jù)驅(qū)動(dòng)仿真平臺(tái)由輸入數(shù)據(jù)、系統(tǒng)構(gòu)建規(guī)則、基于VBA端口的二次開發(fā)、仿真模型、數(shù)據(jù)庫(kù)、輸出數(shù)據(jù)這六大模塊構(gòu)成(圖4)。其運(yùn)行過程如下：根據(jù)元模型輸入?yún)?shù)設(shè)計(jì)所要獲取案例的輸入數(shù)據(jù)，并將其儲(chǔ)存至數(shù)據(jù)庫(kù)；以系統(tǒng)構(gòu)建規(guī)則為指導(dǎo)，對(duì)Arena軟件進(jìn)行基于VBA端口的二次開發(fā)，實(shí)現(xiàn)將每一案例的輸入數(shù)據(jù)配置到預(yù)先構(gòu)建的仿真模型中并運(yùn)行仿真模型的功能；將每一案例對(duì)應(yīng)的仿真模型運(yùn)行結(jié)果，即輸出數(shù)據(jù)，儲(chǔ)存至數(shù)據(jù)庫(kù)對(duì)應(yīng)的位置，完成案例的獲取工作。表1給出了所有的輸入數(shù)據(jù)。

圖4 數(shù)據(jù)驅(qū)動(dòng)仿真平臺(tái)框架結(jié)構(gòu)圖

指標(biāo)開始值終止值步長(zhǎng)MTBF15001000100MTTR14020040MTBF25001000100MTTR24020040tt0.210.2N2202

4 元模型算法比較

4.1 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)工具箱函數(shù)包括創(chuàng)建函數(shù)，傳遞函數(shù)，學(xué)習(xí)函數(shù)，訓(xùn)練函數(shù)，性能函數(shù)及現(xiàn)實(shí)函數(shù)。同樣，根據(jù)不同的目的和學(xué)習(xí)要求，可以采用很多不同的BP算法。BP網(wǎng)絡(luò)學(xué)習(xí)算法主要如下。

1)最速下降BP算法(steepestdescentbackpropagation，SDBP)；2)動(dòng)量BP算法(momentumbackpropagation，MPBP)；3)學(xué)習(xí)速率可變的BP算法(variablelearningratebackpropagation，VLBP)；4)彈性算法(resilientback-PROPagation，RPROP)；5)變梯度算法(conjugategradientbackpropagation，CGBP)；6)擬牛頓算法(Quasi-Newtonalgorithms)；7)LM(Levenberg-Marquardt)算法。

元模型構(gòu)建需要兼顧收斂速度和精確性，因此對(duì)上述模型進(jìn)行比較，選取最合適的算法。用之前得到的案例數(shù)據(jù)庫(kù)進(jìn)行函數(shù)逼近，使用Matlab編寫程序并得出結(jié)果。神經(jīng)元數(shù)量暫取50，從數(shù)據(jù)庫(kù)中選取3 000樣本案例進(jìn)行分析，最后的誤差分析見表2。從表2可以看出，在各種算法中，雖然LM算法用時(shí)最長(zhǎng)，但其誤差要遠(yuǎn)小于其他算法，可選定為BP神經(jīng)網(wǎng)絡(luò)的使用算法。

表2 BP神經(jīng)網(wǎng)絡(luò)算法與仿真結(jié)果誤差

4.2 RBF神經(jīng)網(wǎng)絡(luò)

MATLAB神經(jīng)網(wǎng)絡(luò)工具箱提供了若干函數(shù)用于實(shí)現(xiàn)RBF神經(jīng)網(wǎng)絡(luò)，其中用于函數(shù)逼近的函數(shù)主要有newrb、newbe、newgrnn3種。這里選擇SPREAD為100對(duì)3種函數(shù)進(jìn)行比較，結(jié)果見表3。從表3可以看出，3種函數(shù)中newrbe函數(shù)誤差最小，可選定為RBF神經(jīng)網(wǎng)絡(luò)的算法。

4.3 Chebyshev神經(jīng)網(wǎng)絡(luò)

根據(jù)Chebyshev多項(xiàng)式定理，可以建立多輸入Chebyshev神經(jīng)網(wǎng)絡(luò)。經(jīng)過實(shí)驗(yàn)發(fā)現(xiàn)，由于輸入的區(qū)間跨度很大，MTBF從500變化到700，而tt僅從0.2

變化到1，一組輸入的變化很大，所以權(quán)值變化很大，導(dǎo)致Chebyshev神經(jīng)網(wǎng)絡(luò)的精度不高。因此在這里不考慮基于正交基函數(shù)的神經(jīng)網(wǎng)絡(luò)模型。

表3 RBF神經(jīng)網(wǎng)絡(luò)函數(shù)與仿真結(jié)果誤差

5 元模型優(yōu)化

上節(jié)構(gòu)建了BP神經(jīng)網(wǎng)絡(luò)元模型和RBF神經(jīng)網(wǎng)絡(luò)元模型，并確定了元模型的算法，本節(jié)將對(duì)以上2個(gè)元模型進(jìn)行進(jìn)一步的優(yōu)化，主要分析BP神經(jīng)網(wǎng)絡(luò)的神經(jīng)元數(shù)目和RBF神經(jīng)網(wǎng)絡(luò)的徑向基函數(shù)密度對(duì)元模型精確性的影響。

5.1 神經(jīng)元數(shù)量對(duì)BP神經(jīng)網(wǎng)絡(luò)輸出精度的影響

在神經(jīng)元的選取上，考慮到原始樣本數(shù)量有 45 000，如果每次都使用45 000個(gè)樣本，會(huì)帶來一個(gè)問題：神經(jīng)元過多將造成系統(tǒng)內(nèi)存不足。因此，本文選取3 000個(gè)樣本來考量神經(jīng)元對(duì)BP神經(jīng)網(wǎng)絡(luò)精度的影響。這里選擇LM算法，神經(jīng)元的數(shù)目分別為20，40，60，80，100，120，140，將元模型結(jié)果與仿真結(jié)果的誤差對(duì)比，得到如圖5所示的4個(gè)結(jié)果對(duì)比圖。

圖5 BP神經(jīng)網(wǎng)絡(luò)元模型與仿真模型輸出結(jié)果誤差圖

由圖5可知，當(dāng)神經(jīng)元數(shù)量在80～100附近時(shí)，模型精度最好。進(jìn)一步設(shè)定神經(jīng)元數(shù)量為90進(jìn)行比較，發(fā)現(xiàn)當(dāng)神經(jīng)元數(shù)量為90時(shí)，誤差最小(參見表4)。因此在本案例里神經(jīng)元數(shù)量取90。

表4 BP神經(jīng)網(wǎng)絡(luò)元模型輸出誤差與神經(jīng)元數(shù)目關(guān)系表

5.2 徑向基函數(shù)密度對(duì)RBF神經(jīng)網(wǎng)絡(luò)輸出精度的影響

徑向基函數(shù)因?yàn)槠渥陨硖匦?，收斂較快。為了將其與BP神經(jīng)網(wǎng)絡(luò)作比對(duì)，同樣選取3 000個(gè)樣本進(jìn)行測(cè)試。徑向基函數(shù)有兩個(gè)參數(shù),徑向基函數(shù)密度(spread)，即擴(kuò)展速度，和最大神經(jīng)元數(shù)目需要確定。在徑向基函數(shù)中，網(wǎng)絡(luò)會(huì)從0個(gè)神經(jīng)元開始訓(xùn)練，通過檢查輸出誤差使網(wǎng)絡(luò)自動(dòng)增加神經(jīng)元。每次循環(huán)使用，重復(fù)過程直到誤差達(dá)到要求?？紤]到RBF網(wǎng)絡(luò)這種結(jié)構(gòu)自適應(yīng)確定的特點(diǎn)，本文只控制最大神經(jīng)元數(shù)目，僅就徑向基函數(shù)密度進(jìn)行敏感性分析。這里徑向基函數(shù)密度取0.1，0.5，1，10，100，120，150，170，200，同時(shí)選擇newrbe函數(shù)。將RBF神經(jīng)網(wǎng)絡(luò)模型結(jié)果與仿真結(jié)果進(jìn)行誤差對(duì)比，得到如圖6所示的4個(gè)結(jié)果對(duì)比圖。

由圖6可以看出，在徑向基函數(shù)密度為100～150時(shí)，誤差最小。經(jīng)過進(jìn)一步細(xì)化區(qū)間，得到表5。

圖6 RBF神經(jīng)網(wǎng)絡(luò)元模型與仿真模型輸出結(jié)果誤差圖

徑向基函數(shù)密度生產(chǎn)率誤差在制品水平誤差饑餓狀態(tài)概率誤差堵塞狀態(tài)概率誤差1000.03260.06350.20270.19191100.03030.06280.18530.19891200.02620.06550.17550.18631300.03510.07000.19410.22041400.02980.06740.16890.20481500.02930.07190.18700.2175

由表5可得，當(dāng)徑向基函數(shù)密度在120時(shí)，誤差值最小，因此本案例中SPREAD取120。

5.3 數(shù)據(jù)分析

根據(jù)上文的優(yōu)化分析，最終BP神經(jīng)網(wǎng)絡(luò)選擇神經(jīng)元個(gè)數(shù)為90，RBF神經(jīng)網(wǎng)絡(luò)徑向基函數(shù)密度取120。為進(jìn)一步比對(duì)分析這2個(gè)模型，本節(jié)在數(shù)據(jù)庫(kù)的中隨機(jī)選取145個(gè)輸入，將兩個(gè)模型的輸出與仿真結(jié)果進(jìn)行比較，最終得到如表6所示的誤差分析，并繪制成圖7以便更直觀地觀測(cè)結(jié)果。

表6 BP神經(jīng)網(wǎng)絡(luò)與RBF神經(jīng)網(wǎng)絡(luò)結(jié)果誤差對(duì)比表

圖7 BP神經(jīng)網(wǎng)絡(luò)與RBF神經(jīng)網(wǎng)絡(luò)結(jié)果誤差對(duì)比圖

由圖7可知RBF網(wǎng)絡(luò)的各項(xiàng)性能都高于BP神經(jīng)網(wǎng)絡(luò)，對(duì)制造系統(tǒng)的性能分析精確度更高。通常來說，BP神將網(wǎng)絡(luò)用于函數(shù)逼近時(shí)權(quán)值采用的負(fù)梯度下降法有一定的局限性。而RBF神經(jīng)網(wǎng)絡(luò)在逼近能力、學(xué)習(xí)速度上都占優(yōu)勢(shì)，且先前研究表明RBF神經(jīng)網(wǎng)絡(luò)可以以任意精度逼近任意連續(xù)函數(shù)，并能克服局部最小值問題。在本例中，由于輸入輸出之間的關(guān)系并不是連續(xù)函數(shù)，因此需要進(jìn)一步比較兩種神經(jīng)網(wǎng)絡(luò)的優(yōu)劣。通過以上案例分析證明，在本例中，RBF神經(jīng)網(wǎng)絡(luò)表現(xiàn)要優(yōu)于BP神經(jīng)網(wǎng)絡(luò)。

6 結(jié)論

對(duì)半導(dǎo)體封裝測(cè)試系統(tǒng)的性能分析，兩設(shè)備系統(tǒng)元模型是基礎(chǔ)環(huán)節(jié)。基于數(shù)據(jù)驅(qū)動(dòng)仿真技術(shù)的元模型研究構(gòu)建了考慮緩存輸送時(shí)間的兩設(shè)備系統(tǒng)元模型，并比較了3種神經(jīng)網(wǎng)絡(luò)模型對(duì)兩設(shè)備系統(tǒng)的函數(shù)逼近能力。研究結(jié)果表明：RBF神經(jīng)網(wǎng)絡(luò)的函數(shù)逼近效果最好，其構(gòu)建的元模型精度最高。下一步的工作是在該元模型基礎(chǔ)上通過近似解析方法提出面向大規(guī)模半導(dǎo)體封裝測(cè)試系統(tǒng)的性能分析方法，從而實(shí)現(xiàn)近似解析方法與仿真方法的有效結(jié)合，為大規(guī)模復(fù)雜制造系統(tǒng)的性能分析研究提供了一條新的研究思路。本文的工作不僅具有學(xué)術(shù)意義，還可以應(yīng)用于封裝測(cè)試系統(tǒng)的設(shè)計(jì)、優(yōu)化，具有很高的實(shí)踐價(jià)值。

[1] 李娜. 具有多環(huán)特性的半導(dǎo)體封裝測(cè)試系統(tǒng)性能分析[D].北京: 清華大學(xué), 2008.

LIN.Performanceanalysisofmulti-loopclosedsemiconductormanufacturing[D].Beijing:TsinghuaUniversity, 2008.

[2]LIN,JIANGZ,LIUG,etal.Analysisofquality-causedre-entranceelectricaltestsysteminsemiconductormanufacturingbyMarkovmethod[J].InternationalJournalofProductionResearch, 2011, 50(12): 3486-3497.

[3]DALLERYY,GERSHWINSB.Manufacturingflowlinesystems:areviewofmodelsandanalyticalresults[J].QueueingSystems, 1992, 12(1): 3-94.

[4]LIUJ,YANGS,WUA,etal.Multi-statethroughputanalysisofatwo-stagemanufacturingsystemwithparallelunreliablemachinesandafinitebuffer.EuropeanJournalofOperationalResearch. 2012,219(2):296-304.

[5]GEBENNINIE,GERSHWINSB.Modelingwasteproductionintotwo-machine-one-buffertransferlines.IIETransactions. 2013,45(6):591-604.

[6]XIAB,CHENJ,ZHANGZ.Anexactmethodfortheanalysisofatwo-machinemanufacturingsystemwithafinitebuffersubjecttotime-dependentfailure. [J].MathematicalProblemsinEngineering, 2015(4):1-11.

[7]LIJ,BLUMENFELDDE,HUANGN,etal.Throughputanalysisofproductionsystems:recentadvancesandfuturetopics[J].InternationalJournalofProductionResearch, 2009, 47 (14): 3823-3851.

[8]GERSHWINSB.Anefficientdecompositionmethodfortheapproximateevaluationoftandemqueueswithfinitestoragespaceandblocking[J].OperationsResearch, 1987, 35(2): 291-305.

[9]PAPADOPOULOSHT,HEAVEYC.Queueingtheoryinmanufacturingsystemsanalysisanddesign:aclassificationofmodelsforproductionandtransferlines[J].EuropeanJournalofOperationalResearch, 1996, 92(1): 1-27.

[10] 齊繼陽(yáng), 竺長(zhǎng)安. 基于DELMIA_QUEST制造系統(tǒng)仿真模型的研究[J]. 機(jī)械設(shè)計(jì)與制造,2010(4):113-115.

QIJY,ZHUCA.ResearchonsimulationmodelofthemanufacturingsystembasedonDELMIA_QUEST[J].MachinerydesignandManufacture, 2010(4):113-115.

[11]張志清,凡艷,程慶章. 醫(yī)藥物流中心人工揀選作業(yè)流程優(yōu)化及仿真[J]. 工業(yè)工程,2015,18(6):26-31.

ZHANGZQ,FANY,CHENGQZ.Optimizationofmanualpickingatmedicinelogisticscenter[J].IndustrialEngineeringJournal, 2015, 18(6): 26-31.

[12]KLEIJNENJPC.Krigingmetamodelinginsimulation:areview[J].EuropeanJournalofOperationalResearch, 2009, 192 (3): 707-716.

[13]夏蓓鑫.基于廣義指數(shù)分布的制造系統(tǒng)性能解析評(píng)估方法研究[D].上海: 上海交通大學(xué),2013.

XIABX.Studyonanalyticalmethodsforperformanceevaluationofmanufacturingsystemsbasedongeneralizedexponentialdistribution[D].Shanghai:ShanghaiJiaoTongUniversity, 2013.

[14]PALIWALM,KUMARUA.Neuralnetworksandstatisticaltechniques:Areviewofapplications.ExpertSystemswithApplications. 2009, 36 (1):2-17.

[15]KHOSRAVIA,NAHAVANDIS,CREIGHTOND.Apredictioninterval-basedapproachtodetermineoptimalstructuresofneuralnetworkmetamodels[J].ExpertSystemswithApplications, 2010, 37(3): 2377-2387.

[16]董瑞. 基于神經(jīng)網(wǎng)絡(luò)的函數(shù)逼近方法研究 [D].吉林: 東北師范大學(xué),2011.

DONGR.Studyonthefunctionapproximationbasedonneuralnetwork[D].Jilin:NortheastNormalUniversity, 2011.

A Study of Metamodeling of Two-machine Systems Based on Data-driven Simulation Technique

Itisadifficulttasktoanalyzetheperformanceofcomplexmanufacturingsystemslikesemiconductorassemblyandtestingsystems.Tofulfillthetask,anefficientapproachtodevelopatwo-machinemetalmodelbasedonsimulationmodelaswellasanapproximateanalyticalmethodforlargesystemsbasedonthedevelopedmetalmodelisproposed.Astudyofmetamodelingoftwo-machinesystemsiscarriedoutbyusingdata-drivensimulationtechniqueinordertofindoutafastandaccuratemethodtobuildthemetalmodel.Two-machinesystemstakingintoaccounttransferdelaysinbuffersaretakenasaresearchobject.Toobtaincasesforartificialneuralnetwork,secondarydevelopmentbasedonARENAismadetoautomaticallyconfigureandrunsimulationmodelsandgatherstatistics.Threetypicalartificialneuralnetworksforfunctionapproximation(BP,RBFandChebyshev)arecomparedandoptimized.TheexperimentresultsshowthatRBFmodelwith120spreadisthebest.Thelowrateoferrorofthatmodelindicatesthatitisaccurateenoughtobethebuildingblockofapproximateanalyticalmethodsfortheanalysisoflargesystems.

2016- 03- 30

國(guó)家自然科學(xué)基金資助項(xiàng)目(71401098)；上海市科學(xué)技術(shù)委員會(huì)科研計(jì)劃資助項(xiàng)目(14511108303)；上海市高校青年教師培養(yǎng)資助計(jì)劃資助項(xiàng)目(ZZSD15047)

夏蓓鑫(1984-)，男，浙江省人，講師，博士，主要研究方向?yàn)橹圃煜到y(tǒng)建模與仿真.

10.3969/j.issn.1007- 7375.2016.05.008

TH181；TB

A