The prediction of electricity values in the process of electrolytic copper plating in PCB production through machine learning
Keywords:
Electrolytic copper plating, Support vector regression, Multiple linear regression, Decision tree regressionAbstract
The purpose of this study was to predict electricity values using in the process of electrolytic copper plating to increase the thickness of copper in holes and on the surface of the PCB board according to customer’s needs. The configuration data of electricity, collected from an electronics components manufacturing company, were the data that went back from January 2018 to September 2019. The studied data were divided into two data sets (according to types of machines using copper plating): line gate type and line VCP. We prepared the proper data to save it into the database by employing the best prediction model for each type of machine and using the R programming language for analyzing and predicting. The results showed that the lowest MSE and MAPE values which derived from the line gate of the support vector regression model are 1.6259 and 5.1991, respectively, followed by the multiple linear regression and the decision tree regression model. The MSE and MAPE values of the line VCP of the support vector regression model are also minimal values equal to 5.5466 and 7.8465, respectively, followed by the multiple linear regression and the decision tree regression model. Therefore, we use the support vector regression model to predict electricity values in the process of electrolytic copper plating for two types of machines to increase the accuracy in assigning electricity values and reduce working time due to an error in controlling electric current.
References
Synchrotron Thailand Central Lab. การชุบโลหะด้วยไฟฟ้า (Electroplating). [อินเทอร์เน็ต]. 2563 [เข้าถึงเมื่อ 19 มิ.ย. 2563]. เข้าถึงได้จาก: https://www.slri.or.th/bl6a/process/film-deposition/12-process/45-electroplating.html
Garich H, Gebhart L, Taylor EJ, Inman M, McCrabb H. Development and characterization of plating cell geometry for printed circuit board and packaging applications. ECS Trans 2007;3(16):1-10.
Chen TC, Tsai YL, Hsu CF, Dow WP, Hashimoto Y. Effects of brighteners in a copper plating bath on throwing power and thermal reliability of plated through holes. Electrochim Acta 2016;212:572-82.
Ji LX, Wang C, Wang SX, He W, Xiao DJ. An electrochemical model for prediction of microvia filling process. Trans IMF 2016;94(1):49-56.
สมาคมโปรแกรมเมอร์ไทย. การเรียนรู้ของเครื่อง (machine learning). [อินเทอร์เน็ต]. 2561 [เข้าถึงเมื่อ 1 ส.ค. 2562]. เข้าถึงได้จาก: https://www.thaiprogrammer.org/2018/12/อะไรคือ-การเรียนรู้ของเครื่อง/
ธิดาเดียว มยุรีสวรรค์. การวิเคราะห์การถดถอย regression analysis. พิมพ์ครั้งที่ 1. ขอนแก่น : บริษัท เพ็ญพรินติ้ง จำกัด; 2559.
วิชญ์พงษ์ ดรุณธรรม. รู้จัก decision tree, random forest และ XGBoost!!! – PART 1. [อินเทอร์เน็ต]. 2561 [เข้าถึงเมื่อ 17 ก.ย. 2562]. เข้าถึงได้จาก: https://medium.com/@witchapongdaroontham/รู้จัก-decision-tree-random-forrest-และ-xgboostpart-1-cb49c4ac1315
Cortes C, Vapnik V. Support-vector networks. Mach Learn 1995;20:273-97.
รณชัย ชื่นธวัช, กิตติศักดิ์ เกิดประสพ, นิตยา เกิดประสพ. การพยากรณ์ความต้องการใช้งานหน่วยจำหน่ายไฟฟ้าด้วยซัพพอร์ตเวกเตอรร์รีเกรสชันแบบตรวจสอบสลับ 3 ส่วน. วารสารวิทยาศาสตร์และเทคโนโลยี มหาวิทยาลัยอุบลราชธานี 2560;19(1):215-32.
Smola AJ, Schölkopf B. A tutorial on support vector regression. Stat Comput 2004;14:199-222.
Kaewwijit T. The improvement of support vector regression to forecast time series. Master’s Engineering Thesis, Suranaree University of Technology. Thailand; 2016.
Downloads
Published
How to Cite
Issue
Section
License
บทความทุกบทความที่ได้รับการตีพิมพ์ถือเป็นลิขสิทธิ์ของ คณะวิทยาศาสตร์แฟละเทคโนโลยี มหาวิทยาลัยหัวเฉียวเฉลิมพระเกียรติ
