Домашнее задание (Готовое ДЗ (толщина плёнки) вариант 11)

Рубцовы, МТ11-38 (М), Вариант 11

Объект – простая магнетронная установка. На него подаётся мощность от 1000 до 1400 Вт. Рабочее давление считаем постоянным – 0,5 Па. Также используется различное время напыление от 60 до 155 секунд.

Реально использовались величины, которые были заданы как идеальный процесс ±10% от толщины плёнки. Всего таким образом было создано 100 измерений с разной мощностью и разным временем процесса.

Анализ факторов:

• Время (от 60 до 155 секунд, погрешность ±2 с, так как процесс считается по заслонке, которая открывается и закрывается примерно за 2 секунды)

• Мощность (от 1000 до 1400 Ватт, погрешность ±5% по паспорту)

• Рабочее давление (реально оно от 0,2 до 0,8 Па, но мы его считаем постоянным равным 0,5 Па, так как мы задаём его именно таким)

• Пластина (каждая пластина выполнена с некоторыми отклонениями по толщине, шероховатостью и т.п.)

• Чистота вакуума (количество примесей в аргоне и количество остаточных газов после откачки)

• Погрешность измерения (условно ±1%, имеет собственное множество факторов)

Выходной параметр:

• Толщина плёнки (в идеале должно быть от 1000 до 3600 нм)

Таблица 1. Анализ факторов

Выполним разбитие данных на подмножества. 70 измерений для обучающего множества, 15 для контрольного и 15 для тестового.

Будет тестироваться нейросеть типа RBF с 13-ю нейронами в скрытом слое (по условию задания). Далее для выполнения домашнего задания используется программа Statistica 10.

Необходимо получить результат, который будет предсказывать процессы с точностью ±2%.

Рисунок 1 – Таблица параметров

Запускаем анализ, выбираем регрессию.

Рисунок 2 – Новый анализ

Выбираем данные для анализа:

Рисунок 3 – Выбор данных для анализа

Задаём процент подвыборок для обучающего, контрольного и тестового множеств:

Рисунок 4 – Установка процента подвыборок

Выбираем радиально базисную функцию и устанавливаем 13 скрытых нейронов (по условию домашнего задания).

Рисунок 5 – установка параметров для нейросети

Предсказанные результаты:

Рисунок 6 – Предсказанные результаты

Рисунок 7 – Статистика предсказанных значений

По неизвестной причине в скачанной программе не строятся графики.

По заданию создаём ещё сети в полуавтоматическом режиме для сравнения:

Рисунок 8 – Задание для новых сетей

Поскольку графики не строятся в скачанной программе, в качестве анализа были использованы значения приблизительно из середины диапазонов входных величин.

Рисунок 9 – Результаты двух новых значений, которые предсказаны полученными нейросетями.

Реальные идеальные значения должны быть следующими: в первом случае 2229, а во втором 2437. Как можно заметить, третья сеть стала наиболее подходящей для работы, так как её значения получились максимально близкими к ожидаемым. Первая сеть оказалась слишком осторожной, а вторая наоборот дала чересчур завышенный результат.

Третья сеть оказалась лучшей, для данной задачи. Она была РБФ с 13-ю нейронами. Что касается остальных сетей, то это были многослойные персептроны, созданные в полуавтоматическом режиме.

В качестве эксперимента было проведено переобучение по другим параметрам. В качестве обучающего подмножества было выбрано 90%, и по 5% для контрольного и тестового множеств. Число нейронов было увеличено до 14-ти, что соответствует 12-му варианту.

Рисунок 10 – Новые параметры для сети

Аналогично с предыдущим вариантом нейросети, был произведён тест по пользовательским значениям не из изначальной выборки.

Рисунок 11 – Таблица значений пользователя для новой нейросети

При попытке такого обучения, нейросеть стала показывать недостаточно достоверные данные. Её отклонение составило примерно 8%, что не подходит для решения данной задачи.

Выводы:

Рекомендуется использовать РБФ с 13-ю нейронами для предсказания результатов исходя из проанализированных нейронных сетей для решения поставленной задачи в рамках данного домашнего задания. У данной нейросети отклонение получилось менее 2% (1,2%).

Нейросетевое моделирование позволяет с большой точность предсказывать результаты экспериментов при разнородных входных данных. Недостаток такого моделирования заключается в сложности выводимых данных, ведь даже обученная сеть с маленькой ошибкой может неадекватно реагировать на реальные процессы. Более того, в ходе обучения часто используются данные с неизвестными ошибками.

Рассмотренный метод являлся теоретическим с целью получения навыков. Исходя из этого затруднительно отвечать на пригодность данного метода к реальному эксперименту напыления.