自动和半自动探针台的载片台水平位移测量方法研究

为解决自动和半自动探针台的载片台水平方向位移发生偏差时,导致探针压点位置不准,从而使测试结果不可靠,甚至伤及芯片和探针的问题。根据实际工艺和溯源机构的标准器具特性,设计了标准尺的图形,在苏打玻璃上电镀5μm宽的金线条,制作成152.4mm×20mm的长方形标准尺,其测量范围为(0~150)mm。对标准尺进行了定标,定标不确定度为1.0μm。在测量范围内,进行了试验分析,评定了测量不确定度。结果表明:标准尺测量的水平位移偏差小于4μm,满足测试需求。     

基于深度学习的电力数据分析研究

针对传统电力数据分析方法存在适用范围有限、模型复杂等导致电器分类准确率较差的问题,提出了一种基于多层堆叠长短期记忆(Long short-term memory,LSTM)网络的电力数据分析模型。首先,根据电力数据的频谱图、Mel频率倒谱系数(Mel-Frequency Cepstral Coefficient,MFCC)和Mel频谱图提取电力数据的特征,然后将其应用于深度学习模型并提高分类任务的性能,从而改善过拟合问题。其次,建立了一个多层堆叠LSTM模型,从而有效提高模型的分类和回归能力。最后,提出了一种改进的软独热编码和多尺度训练方法,从而防止峰值概率分布,提高模型的泛化能力。实验阶段,以家庭电力数据集为例,对所提模型进行验证。仿真结果表明,所提模型软独热编码及多尺度训练对加快训练效果具有一定效果,最终分类准确率到达89.85%。