数据驱动的晶圆图缺陷模式识别方法

针对晶圆生产过程中晶圆图数据角度与维度多样性和数量不平衡的特点,提出了基于对抗生成网络的晶圆图缺陷模式识别方法。设计了Radon变换,实现了数据多角度的统一;采用重采样机制实现数据多维度的缩放,得到了标准晶圆缺陷数据。提出了基于对抗生成网络的晶圆缺陷分类方法,利用生成机制平衡各缺陷模式的样本数量,以提升缺陷模式识别精度。试验结果表明,该方法可大幅提升少类样本的识别精度,且在整体识别率上远优于支持向量机和Adaboost算法。     

样本不均衡时轴承故障的非平衡卷积网络诊断

为了提高样本不均衡条件下轴承故障诊断精度,提出了基于VAE-SNN的样本增广方法和基于非平衡损失网络的故障诊断方法。首先,使用变分自编码器用于数据生成,并依据孪生神经网络对生成数据的类别进行判定,实现了基于变分自编码器和孪生神经网络的样本增广;其次,分析了卷积神经网络无差别对待样本的缺点,针对不均衡样本的特殊性,提出了非平衡损失函数卷积网络,该网络能够自动关注数量少、难分的样本训练。经实验验证,生成对抗网络增广的样本相似度为0.847,孪生神经网络增广的样本相似度比对抗网络提高了6.61%,说明孪生神经网络的样本增广效果更好;在相同诊断方法前提下,样本增广后比增广前的准确率提高了9.42%,说明样本增广有利于提高轴承的故障诊断准确率;非均衡损失网络比卷积神经网络的诊断精度提高了7.17%,比自适应深度学习提高了4.12%,验证了非均衡损失网络的高准确率和优越性。     

基于改进ACGAN的钢表面缺陷视觉检测方法

为提高小样本环境下钢表面缺陷检测精度,提出一种基于改进辅助分类生成对抗网络（Auxiliary classifier generative adversarial network,ACGAN）的钢表面缺陷检测方法。利用残差块优化ACGAN的网络结构,提高模型的特征提取能力;其次,为提高模型训练的稳定性,在网络的卷积层中添加谱范数归一化,防止模型异常的梯度变化;基于正-未标记分类的思想优化判别器的损失函数,提高生成样本的质量;同时,为缓解生成对抗网络的模式崩塌问题,在损失函数中添加梯度惩罚来约束判别器的梯度;通过生成器和判别器的对抗优化训练实现样本扩充。通过对钢表面缺陷数据集的试验,验证了提出的方法能准确有效地实现小样本环境下钢表面缺陷检测。与经典的SVM、ResNet50以及一些小样本分类模型相比,所提方法具有更高的检测精度。     

联合训练生成对抗网络的半监督分类方法

深度神经网络需要大量数据进行监督训练学习,而实际应用中往往难以获取大量标签数据。半监督学习可以减小深度网络对标签数据的依赖,基于半监督学习的生成对抗网络可以提升分类效果,但仍存在训练不稳定的问题。为进一步提高网络的分类精度并解决网络训练不稳定的问题,本文提出一种基于联合训练生成对抗网络的半监督分类方法,通过两个判别器的联合训练来消除单个判别器的分布误差,同时选取无标签数据中置信度高的样本来扩充标签数据集,提高半监督分类精度并提升网络模型的泛化能力。在CIFAR-10和SVHN数据集上的实验结果表明,本文方法在不同数量的标签数据下都获得更好的分类精度。当标签数量为2 000时,在CIFAR-10数据集上分类精度可达80.36%;当标签数量为10时,相比于现有的半监督方法,分类精度提升了约5%。在一定程度上解决了GAN网络在小样本条件下的过拟合问题。     

基于进化算法优化GAN的轴承故障诊断

针对滚动轴承故障诊断故障样本类别不平衡的问题,提出一种基于进化算法优化的条件生成对抗网络（evolutionary conditional generative adversarial nets, 简称ECGAN）故障诊断方法。首先,利用进化算法优化条件生成对抗网络中的生成器,使其在不同的损失函数下生成与原始样本分布相似的新样本,扩充数据集;其次,将生成的样本和原始样本输入判别器,提取出样本中有效的数据特征,判断输入样本的真假和类别;最后,通过对抗学习机制优化生成器和判别器,提高网络的故障识别能力。实验结果表明,在轴承故障样本数据类别不平衡的情况下,ECGAN模型具有较好的故障诊断性能。     

IDCGAN及其在滚动轴承故障诊断中的应用

目前以人工神经网络为代表的模式识别方法已被广泛应用到故障诊断领域，但这些方法通常需要大样本数据进行模型训练，而工程实际中通常存在数据不足的情况。因此需要合适的方法进行小样本情况下的故障诊断。深度卷积生成对抗网络能够实现样本生成。它不仅提高了对数据的学习能力，还对网络设定了一连串的限制，增加了网络的稳定性和收敛性。但其存在着训练不稳定和生成样本质量不高的问题。对深度卷积生成对抗网络进行了改进，提出了一种改进的深度卷积生成对抗网络（Improved-deep Convolutional Generative Adversarial Networks，简称IDCGAN）然后运用到滚动轴承故障诊断中。实验信号分析结果表明了该方法的有效性。     

基于1D-DCGAN和1D-CAE的小样本轴承故障跨域诊断方法

充足的故障样本是基于深度学习的故障诊断方法取得良好效果的保证。然而,数据不平衡是工业大数据的典型特征。为了减小智能诊断方法对样本数量的依赖,同时为了解决小样本下同种设备以及不同设备间的故障诊断问题,提出了一种基于一维卷积生成对抗网络(1D-DCGAN)与一维卷积自编码器(1D-CAE)的轴承故障诊断方法。首先,利用一维卷积层构建了1D-DCGAN网络,凭借其强大的数据生成能力扩充了故障数据集;然后,利用一维卷积层构建了1D-CAE网络,通过无监督学习的方式,有效地提取出了故障样本中的潜在特征,实现了对设备的故障诊断功能;基于迁移学习思想,通过对1D-CAE模型参数进行迁移,进一步地对小样本下的轴承故障进行了跨域诊断;最后,为验证基于1D-DCGAN和1D-CAE的轴承故障诊断方法的效果,采用了美国凯斯西储大学(CWRU)以及西安交通大学(XJTU)轴承数据集进行了实验。实验结果表明：基于1D-DCGAN和1D-CAE的方法明显优于其他对比模型,同种设备的故障识别精度达到了99.21%,不同设备之间的跨域故障识别精度达到了98.87%。研究结果表明：即使在样本数量较少的场景下,基于1D-...     

基于IADSA深度迁移网络的金属表面缺陷检测

针对领域偏移环境下金属表面缺陷检测精度不高的问题,提出一种基于改进对抗性域分离与自适应(Improved adversarial domain separation and adaptation,IADSA)深度迁移网络的金属表面缺陷检测方法。首先,建立基于分类损失的IADSA模型性能评价机制,感知模型训练状态,利用空间线性插值方法自适应挖掘迁移空间隐藏的样本信息,以提升网络的特征提取能力;然后,将挖掘的新样本的分类结果作为衡量其对网络贡献性能的主要度量指标,并将贡献性能作为权重应用在分类损失上,旨在消除噪声样本对模型造成的影响;在对抗训练过程中,通过添加动态权重优化对抗损失、平滑网络参数,提高模型的判别性能;最后,融合原始样本与新样本的任务分类器、域分离鉴别器以及域适应鉴别器的损失,利用动态训练实现金属表面缺陷检测。试验结果表明,与其他无监督域自适应方法相比,所提方法实现了更高的金属表面缺陷检测精度。     

基于混合模型与流形调节的晶圆表面缺陷识别

为了探测和识别半导体晶圆生产线上的晶圆表面缺陷,及时诊断出半导体晶圆制造过程的故障源,提出一套晶圆表面缺陷检测与识别系统。该系统首先采用层次聚类法将晶圆表面的局部缺陷划分为缺陷簇,并提出一种基于轮廓系数标准的最优缺陷簇数目判定方法,提升了缺陷簇识别性能。针对晶圆表面常见的线形、曲线形和椭球形缺陷模式,该系统充分考虑数据在空间子流形上的分布,采用基于流形调节的局部连续高斯模型(LCGMM),同时加入主曲线模型,实现了对晶圆表面局部缺陷模式分布的统计描述建模。在完成初始建模识别的基础上,进一步提出集成LCGMM和主曲线模型的混合模型,对晶圆表面所有的缺陷模式进行建模识别,以提高缺陷模式识别的准确性。通过仿真案例和工业案例的实验结果,证明了该系统的有效性与实用性。     

大数据样本与半监督环境下基于生成对抗网络的故障诊断

在大故障样本条件下,提出一种基于生成对抗网络模型的故障诊断方法研究.构建生成对抗网络模型,保证模型判别器输出数据的总体分布与原始故障集趋同,并基于空间测量工具对梯度函数进行优化,降低损失;采用故障集图像转换方式实现对原始信号的降维处理,利用判别器的神经网络结构训练输入数据,并提取出机械故障数据集中的故障特征点.实验结果表明,提出方法具有良好的分类诊断性能,故障诊断精度能够达到９９．４５％.     

考虑二元Copula统计量的晶圆制造叠加误差监测

目前,大多数晶圆制造研究集中在基于离散数据的缺陷模式识别上,而芯片的光刻制造是连续叠加过程,因此基于连续数据的晶片重叠误差监测具有挑战性和必要性。在数据监测过程中充分考虑数据的可解释性,同时结合晶圆数据特性及其物理意义加入新的惩罚项,改进LTS-SPCA降维模型,提出了灵活度较高的稳健稀疏主成分分析技术;然后基于Copula的置换对称、反射对称两种性质,考虑晶圆的几何特征,建立了最佳多元耦合统计量,用于监测晶圆制造的叠加过程异常。所提方法监测异常数据的准确率可达91.75%,具有较高的工程应用价值。     

A rub fault recognition method based on generative adversarial nets

Faced with the problem of valid data shortage data in practical. There's not enough data to train classifiers which can be satisfied to detect impact-rubbing faults in rotary machine. Bedsides, the large number of noises in working enviroment make the useful signal contaminated. Based on this problem, this paper proposes a rubbing fault recognition method based on a generative adversarial nets named deep convolution generative adversarial nets (DCGAN), which is based on a deep convolutional network frame with generation and discrimination models. The acquired signal is processed by time frequency analysis further to get spectrogram. The DCGAN can perform feature conversion and map it to the potential feature subspace to obtain more robust features. The results illustrate that the proposed method can achieve a much more excellent recognition effect. Thus, the proposed DCGAN model is an effective way to recognize impact-rubbing fault in the practical.

     

Bayesian spatial defect pattern recognition in semiconductor fabrication using support vector clustering

Defects generated during integrated circuit (IC) fabrication processes are classified into global defects and local defects according to their generation causes. Spatial patterns of locally clustered defects are likely to contain the information related to their defect generation mechanisms. In this paper, we propose a model-based clustering for spatial patterns of local defects to reflect real situations. A flexible two-step approach is proposed to classify the spatial defects patterns via support vector clustering and Bayesian method. Support vector clustering is employed to separate global defects from the local ones to improve both clustering accuracy and computational efficiency in further analysis. A new mixture model is proposed for modeling the distribution of local defects on the wafers. Local defect clusters with amorphous/linear, curvilinear, and ring patterns are modeled by multivariate normal distribution, principal curve, and spherical shell, respectively. A Bayesian inference procedure is then applied for parametric pattern recognition of the local defects. Results from both simulated data and real wafer map data demonstrate potential in applying our approach to analyze general defect patterns in IC manufacturing.     

基于三级级联架构的接触网定位管开口销缺陷检测

针对高铁接触网定位管开口销在列车长期运行振动中容易松脱并且松脱样本数量匮乏的问题,本文提出一种基于深度卷积生成对抗网络(DCGAN),扩充缺陷样本集后,再训练卷积神经网络(CNN)检测开口销缺陷的三级级联架构。该架构首先采用中心点法提取训练需要的相同规格开口销图像。然后通过改进的DCGAN生成模拟缺陷样本,并搭建轻量级CNN网络对生成的模拟缺陷样本进行筛选。最后将添加了模拟缺陷样本的扩充缺陷样本集与正样本集输入优化后的VGG16卷积神经网络中,以训练分类模型,检测开口销缺陷。实验结果表明,本文所提方法检测接触网定位管开口销缺陷的准确率高达99%。     

基于改进卷积生成对抗网络的少样本轴承智能诊断方法

轴承样本较少会使模型学习不充分,导致诊断准确性不高。为解决这一问题,构建了一种改进的卷积生成对抗网络,借助生成对抗网络的数据生成能力和改进深层卷积网络的特征提取能力,提高复杂工况下少样本轴承故障诊断准确性。首先,构建了一种深度卷积对抗生成网络,通过生成器和判别器的对抗学习挖掘真实数据的深层特征,用以生成相似的模拟数据,以弥补少样本的不足;其次,将密集块与扩容卷积引入卷积神经网络中,从深度和广度两个方面提升网络的学习能力,挖掘多类别数据中细微差距,增强复杂数据的故障特征提取性能;最后,采用定工况和变转速两种少样本轴承数据进行方法验证与对比分析,结果表明新构建的对抗网络在少样本、含噪声等复杂情形下仍然具有较高的诊断准确率。     

无线传感器网络中以模式识别为基础的事件检测

实时事件检测是无线传感器网络中的一个重要服务:从连续数据流中识别事件片断并有效的分配系统资源和管理事件数据。作者提出了一个分布式的,实时模式识别机制用以检测无线传感器网络中的敏感事件。该检测方法允许用户进行事件模式查询,网络自动监测用户关注的事件模式。     

面向 甲状腺结节良恶分类的cRes-GAN算法

针对甲状腺结节良恶性分类问题，设计建立了条件限制残差生成对抗网络（ｃＲｅｓ- ＧＡＮ）算法。利用 ＤＩＣＯＭ 格式的１５０１份甲状腺结节数据建立了数据集，并且在该数据集上进行测试得到算法分类正确率为９２．２％。将ｃＲｅｓ- ＧＡＮ 与 Ｈｏｇ＋随机森林、ＲｅｓＮｅｔ１８，Ｒｅｓ１８ＧＡＮ，ＡＣＧＡＮ 等其他４种算法相比，其分类正确率分别提升了２４．８％，１０．０％，１２．６％和２５．３％，分类效果得到了显著提升。所设计的算法可为医生的甲状腺结节良恶性诊断提供有效的辅助建议。     

低分辨率红外感知系统的人体行为数据增强

针对目前公开的人体行为红外数据集较少的问题，本文设计了基于生成对抗网络和基于3D人体红外模型的两种数据增强方法，以快速扩充现有的红外人体行为数据集。搭建了改进的生成网络模型AC-WGAN并添加了网络优化策略，以生成高质量的红外热图；利用Unity 3D引擎搭建表征红外特征及运动信息的人体模型，模拟红外阵列传感器成像原理，实现了给定人体模型及传感器方位信息便能自动生成大量且多样化数据的功能。基于数据增强后的数据集训练和测试卷积神经网络，实验结果表明，网络对不同行为的感知准确度达到80%以上，且显著提高了网络对陌生数据的识别能力，所设计的数据增强方法对于扩充人体行为红外数据集有效。     

Identification of boiling flow pattern in narrow rectangular channel based on TFA-CNN combined method

In this paper, an indirect flow pattern recognition method based on time-frequency analysis and neural networks is proposed to investigate the flow patterns in the narrow rectangular channel under heating and non-inertial conditions. Firstly, the adaptive optimal kernel algorithm is utilized to analyze on the typical pressure signal and convert it into time-frequency spectrograms. Then based on the concept of transfer learning strategy, convolutional neural networks are applied as feature extractors to classify flow patterns by the spectrogram images. The proposed method is verified by the visualized flow boiling experiment data. The results show that the adaptive time-frequency algorithm can effectively reflect the characteristics of different flow pattern signals, and several chosen neural network models show high recognition accuracy after training. Among them, VGG-16 network with small convolution kernels and strong transferability has the highest recognition rate. In addition, the network based on data of static conditions remains identifying more than 75% spectrograms of rolling conditions, exhibiting the generalization ability of the method under different flow conditions.