การพยากรณ์ค่ากระแสไฟฟ้าในกระบวนการชุบทองแดงด้วยกระแสไฟฟ้าในการผลิตแผ่น PCB โดยใช้การเรียนรู้ของเครื่อง
คำสำคัญ:
กระบวนการชุบทองแดงด้วยกระแสไฟฟ้า, ซัพพอร์ตเวกเตอร์รีเกรสชัน, การถดถอยเชิงเส้นพหุคูณ, ต้นไม้การตัดสินใจแบบรีเกรสชันบทคัดย่อ
งานวิจัยนี้มีวัตถุประสงค์เพื่อพยากรณ์ค่ากระแสไฟฟ้าที่ใช้ในกระบวนการชุบทองแดงด้วยกระแสไฟฟ้า (electrolytic copper plating) เพื่อเพิ่มความหนาของทองแดงในรูและบนผิวของแผ่น PCB ตามความต้องการของลูกค้า โดยเก็บรวบรวมข้อมูลการกำหนดกระไฟฟ้าจากบริษัทผลิตชิ้นส่วนอีเลคโทรนิคส์แห่งหนึ่ง ย้อนหลังตั้งแต่เดือนมกราคม 2561 ถึงเดือนกันยายน 2562 แบ่งข้อมูลออกเป็น 2 ชุด ตามประเภทเครื่องจักรที่ใช้ชุบทองแดง ได้แก่ line gate type และ line VCP และเตรียมข้อมูลให้อยู่ในรูปแบบที่เหมาะสมเพื่อนำเข้าไปเก็บในฐานข้อมูล ผู้วิจัยหาตัวแบบพยากรณ์ที่ดี ที่สุดสำหรับแต่ละประเภทเครื่องจักร โดยใช้โปรแกรมภาษา R ในการวิเคราะห์และพยากรณ์ ผลการวิจัยพบว่าใน line gate type ตัวแบบซัพพอร์ตเวกเตอร์รีเกรสชันให้ค่า MSE และ MAPE ต่ำสุด เท่ากับ 1.6259 และ 5.1991 รองลงมา คือ ตัวแบบการถดถอยเชิงเส้นพหุคูณและตัวแบบต้นไม้การตัดสินใจแบบรีเกรสชัน ตามลำดับ ส่วน line VCP ตัวแบบ ซัพพอร์ตเวกเตอร์รีเกรสชันให้ค่า MSE และ MAPE ต่ำสุด เท่ากับ 5.5466 และ 7.8465 รองลงมาคือ ตัวแบบการถดถอย เชิงเส้นพหุคูณและตัวแบบต้นไม้การตัดสินใจแบบรีเกรสชัน ตามลำดับ ผู้วิจัยจึงเลือกใช้ตัวแบบซัพพอร์ตเวกเตอร์รีเกรสชัน พยากรณ์ค่ากระแสไฟฟ้าในกระบวนการชุบทองแดงด้วยกระแสไฟฟ้าสำหรับเครื่องจักรทั้งสองประเภท ทำให้เพิ่มความแม่นยำ และลดระยะเวลาในการทำงานอันเนื่องมาจากความผิดพลาดในการกำหนดกระแสไฟฟ้า
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
เผยแพร่แล้ว
How to Cite
ฉบับ
บท
License
บทความทุกบทความที่ได้รับการตีพิมพ์ถือเป็นลิขสิทธิ์ของ คณะวิทยาศาสตร์และเทคโนโลยี มหาวิทยาลัยหัวเฉียวเฉลิมพระเกียรติ
