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("")]
public float CuThickness;
/// <summary>
/// 蚀刻线宽公差
/// </summary>
[Column("")]
public float Tolerance;
/// <summary>
/// 最小线宽
/// </summary>
[Column("")]
public float Width;
/// <summary>
/// 最小线距
/// </summary>
[Column("")]
public float Space;
/// <summary>
/// 加投率数值
/// </summary>
[Column("")]
[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】
,,,,0.03
,,,,0.03
,,,,0.03
,,,,0.03
,,,,0.02
,,,,0.02
,,,,0.02
,,,,0.02
,,,,0.01
,,,,0.01
,,,,0.01
,,,,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 = ,
Tolerance = ,
Width = ,
Space = ,
});
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