Sensors are designed into the RF ge

Sensors are designed into the RF generator to provide accurate power delivery and facilitate health monitoring during critical semiconductor/thin film processing steps. The data used in the study was created by intentionally seeding various faults and collecting generator sensor data during an automated RF power sweep designed in LabView TM . The seventh dataset is the discrete Fault Mode data obtained by applying histogram to the continuous data. The number of variables in each dataset is given in Table 1. The datasets are divided into 50% training and 50% testing sets and the performance measure was the prediction accuracy of the test set. For all the results, the test set was not shown to the feature selection algorithm. LIBSVM [75] library was used to implement the SVM classifier. For the RBF classifier, clustering must be performed to determine the optimum number of kernels, variance and their respective centres for (16). As suggested in [78] we perform an exhaustive search using k-means [6] technique to determine the RBF kernel centres. Since the input
to the classifier varies according to the subset selected by the feature selection algorithm, using the parameters obtained from the whole dataset will bring down the efficiency of the classifier and results will not be accurate. Due to this, clustering must be done for each subset which would increase the number of computations significantly. To reduce the number of computations we first find the number of kernels using the exhaustive search in range D to 2⁄D. The variance in (16) is found each time by searching in the range [0.1, 0.2, 0.3, . . .10]. By doing this we obtain better classification. To avoid indirectly learning the test data, the RBF exhaustive search is done on the training data itself. For the CHCGA algorithm, the GA parameters are: population size = 40, mutation rate = 0.4, maximum number of generations = 800. The data from the RF generator was also used to perform fault prediction analysis using the above mentioned algorithms which can be found in [83].

Kết quả (Việt) 2:

Cảm biến được thiết kế thành các máy phát RF để cung cấp giao quyền lực chính xác và tạo điều kiện theo dõi sức khỏe trong thời gian bán dẫn quan trọng / các bước xử lý màng mỏng. Các dữ liệu được sử dụng trong nghiên cứu này đã được tạo ra bằng cách cố tình gieo lỗi khác nhau và thu thập dữ liệu cảm biến máy phát điện trong quá trình rà điện RF tự động được thiết kế trong LabVIEW TM. Các số liệu thứ bảy là dữ liệu Chế độ Fault rời rạc thu được bằng cách áp dụng biểu đồ để các dữ liệu liên tục. Số lượng các biến trong mỗi số liệu được đưa ra trong Bảng 1. Các bộ dữ liệu được chia thành 50% đào tạo và 50% công việc kiểm thử và các biện pháp thực hiện là chính xác dự đoán của các tập kiểm tra. Đối với tất cả các kết quả, các bộ thí nghiệm đã không được hiển thị cho các thuật toán lựa chọn tính năng. LIBSVM [75] thư viện được sử dụng để thực hiện việc phân loại SVM. Đối với việc phân loại theo RBF, clustering phải được thực hiện để xác định số lượng tối ưu của hạt nhân, phương sai và các trung tâm của đơn vị mình (16). Theo đề nghị trong [78], chúng tôi thực hiện một cuộc tìm kiếm đầy đủ sử dụng k-means [6] kỹ thuật để xác định các trung tâm RBF kernel. Kể từ khi đầu vào
đối với phân loại khác nhau theo các nhóm được lựa chọn bởi các thuật toán lựa chọn tính năng, sử dụng các thông số thu được từ toàn bộ dữ liệu sẽ mang lại hiệu quả của việc phân loại và kết quả sẽ không chính xác. Do điều này, clustering phải được thực hiện cho mỗi tập con này sẽ làm tăng số lượng tính toán đáng kể. Để giảm số lượng các tính toán trước tiên chúng ta tìm thấy số lượng hạt nhân bằng cách sử dụng tìm kiếm toàn diện trong phạm vi D để 2/D. Phương sai trong (16) được tìm thấy mỗi lần bằng cách tìm kiếm trong khoảng [0,1, 0,2, 0,3,. . .10]. Bằng cách này chúng tôi có được phân loại tốt hơn. Để tránh gián tiếp học tập các dữ liệu thử nghiệm, các RBF tìm kiếm toàn diện được thực hiện trên dữ liệu huấn luyện bản thân. Đối với các thuật toán CHCGA, các thông số GA là: quy mô dân số = 40, tỷ lệ đột biến = 0,4, số lượng tối đa của các thế hệ = 800. Các dữ liệu từ các máy phát RF cũng được sử dụng để thực hiện việc phân tích lỗi tiên đoán bằng cách sử dụng các thuật toán được đề cập ở trên có thể được tìm thấy trong [83].