PCB 机器学习(ML.NET)初体验实现PCB加投率预测

   使用ML.NET建立PCB加投率模型对单一蚀刻工序进行加投率预测, 此实例为最简单预测，要想实现全流程加投率预测挑战难度还是挺大的，可以查看另一种关于大数据在PCB行业应用---加投率计算基本原理:PCB 加投率计算实现基本原理--K最近邻算法（KNN）

  一.PCB加投数据结构

        建立数据结构,蚀刻工序影响报废的的关键参数，铜厚、线宽公差、最小线宽、最小线距(实际影响参数会更多）

    /// <summary>
    /// PCB加投模型样本数据结构(此为演示结构并非真实加投模型结构）--蚀刻工序
    /// 大数据量样本数越多预测结果数据越准确（选用的大数据数据分类算法）
    /// </summary>
    public class PCB_Scrap_Data
    {
        /// <summary>
        /// PCB铜厚
        /// </summary>
        [Column("0")]
        public float CuThickness;
        /// <summary>
        /// 蚀刻线宽公差
        /// </summary>
        [Column("1")]
        public float Tolerance;
        /// <summary>
        /// 最小线宽
        /// </summary>
        [Column("2")]
        public float Width;
        /// <summary>
        /// 最小线距
        /// </summary>
        [Column("3")]
        public float Space;
        /// <summary>
        /// 加投率数值
        /// </summary>
        [Column("4")]
        [ColumnName("Label")]
        public float Label;
    }
    /// <summary>
    /// 此为预测PCB加投率结果类
    /// </summary>
    public class ScrapPrediction
    {
        /// <summary>
        /// 预测加投率值
        /// </summary>
        [ColumnName("PredictedLabel")]
        public float PredictedLabels;
    }

 

  二.准备数据---蚀刻工序数据

       准备PCB蚀刻工序历史实际报废率数据与对应的影响蚀刻报废的参数因子（测试数据只用了12条,数据量是远远不够的,仅仅用于测试用,要实际要预测的话于少准备1年以前的生产数据,数据量的多少决定预测的准确率高低），此数据是参数对此蚀刻工序的影响报废权重值，并非真实的值, 为了简化：报废多少量就是因该要加投多少量。

       如下数据：每行数据带表信息: 【表面铜厚】，【铜厚】，【最小线宽】，【最小线距】，【报废率】 

69,3,14,14,0.03
44,35,10,10,0.03
64,11,13,13,0.03
39,0,31,31,0.03
4,2,47,47,0.02
2,1,48,48,0.02
2,3,48,48,0.02
12,8,40,40,0.02
11,75,7,7,0.01
14,61,13,13,0.01
18,75,4,4,0.01
11,45,22,22,0.01

 

  三.训练PCB加投率模型(加载数据,转换数据,学习算法,训练模型)

            //创建管道并加载数据
            var pipeline = new LearningPipeline();
            string dataPath = ".\\Data\\pcb.data";
            pipeline.Add(new TextLoader<PCB_Scrap_Data>(dataPath, separator: ","));
            //转换数据
            pipeline.Add(new Dictionarizer("Label"));
            //将所有功能放入矢量
            pipeline.Add(new ColumnConcatenator("Features", "CuThickness", "Tolerance", "Width", "Space"));
            //添加学习算法(SDCA算法--即:随机双坐标上升)
            pipeline.Add(new StochasticDualCoordinateAscentClassifier());
            //将标签转Label换回原始文本
            pipeline.Add(new PredictedLabelColumnOriginalValueConverter() { PredictedLabelColumn = "PredictedLabel" });
            //根据数据集--训练模型
            var model = pipeline.Train<PCB_Scrap_Data, ScrapPrediction>();
            //训练模型好的PCB加投率模型保存起来
            model.WriteAsync("PCB_Scrap_Model.zip");

            // 用PCB加投率(参数因子)套入训练好模型来预测PCB加投率-----测试调用
            var prediction = model.Predict(new PCB_Scrap_Data()
            {
                CuThickness = 18,
                Tolerance = 75,
                Width = 4,
                Space = 4,
            });
            Console.WriteLine($"PCB加投率预测值为: {prediction.PredictedLabels}");

 

  四.读取PCB加投率模型并调用

         将PCB加投率模型封装WebAPI接口,供外部调用

        // POST api/ScrapPrediction
        /// <summary>
        /// PCB加投率预测---通过训练好模型来预测PCB加投率 
        /// </summary>
        /// <param name="value"></param>
        /// <returns></returns>
        [HttpPost]
        public async Task<double> Post([FromBody] PCB_Scrap_Data value)
        {
            var model = await PredictionModel.ReadAsync<PCB_Scrap_Data, ScrapPrediction>("PCB_Scrap_Model.zip");
            var prediction = model.Predict(value);
            return prediction.PredictedLabels;
        }

 

  五.PCB加投率预测调用实例