CN102023573B

CN102023573B - 半导体生产线投料控制方法

Info

Publication number: CN102023573B
Application number: CN2010105926361A
Authority: CN
Inventors: 曹政才; 王民; 吴启迪; 赵会丹; 彭亚珍; 靳保
Original assignee: Beijing University of Chemical Technology
Current assignee: Beijing University of Chemical Technology
Priority date: 2010-12-10
Filing date: 2010-12-10
Publication date: 2012-07-25
Anticipated expiration: 2030-12-10
Also published as: CN102023573A

Abstract

一种半导体生产线投料控制方法，采用模糊Petri网技术进行生产线在线投料控制，包括构建投料模糊Petri网推理模型；构建半导体生产线在线投料机制；模糊Petri网模型参数设置；通过对实际半导体生产系统不确定性事件，明确投料Petri网模型的模糊推理条件库所集；通过明确推理条件下得到的结论，确定投料Petri网推理结论库所集；同时通过提炼积累投料决策规则，汇总推理规则集；建立投料模糊Petri网推理模型；利用投料模糊Petri网推理模型进行周期性决策判定；一旦意外事件发生，则立即启动该模型，根据各结论库所的可信度，判定是否修改并自行修改投料计划；本发明设计过程简单，容易实现，鲁棒性好。使半导体生产线效率提高，预知能力增强，整体性能得到相应改善。

Description

半导体生产线投料控制方法

技术领域

本发明涉及一种自动控制与信息技术领域的方法，具体地，涉及一种半导体生产线投料控制方法，属于先进制造技术领域。

技术背景

半导体生产线是目前世界上公认的最复杂的生产线之一。与其它制造系统相比，半导体生产线具有工艺流程复杂、多重入加工流、混合加工模式和高度不确定性等明显特征，由此造成其调度问题复杂，属于NP难题。半导体生产线上主要存在三种类型的调度：投料控制、路径调度和工件调度。投料控制处于整个调度系统的“龙头”地位，用于决定何时投入多少种类的原料到生产系统，以便在尽可能发挥系统生产能力的同时满足客户需要，与其它生产过程相比，投料控制在半导体生产线中尤其重要。

多年来，半导体生产线投料控制一直是工业工程领域的研究热点。C.R.Glassey等人1988在IEEE Transactions on Semiconductor Manufacturing期刊上给出一种避免饥饿(Starvation Avoidance，SA)投料策略，该策略的目标是确保足够的工件及时到达瓶颈设备以避免瓶颈设备出现饥饿，当瓶颈设备WIP降到事先既定的水平之下时，就需要投入新工件到生产线，该策略能够降低瓶颈设备的空闲率、提高产量；J W Fowler等人在2002 Production Planning and Control期刊上提出工作负荷调整(Workload Regulation，WR)投料策略，其核心思想是通过投料使半导体生产线各个加工区的工作负荷得到调整，从而达到最优性能；Q.Chao等人在2006Proceedings of the Electronic Packaging Technology Conference上将固定在制品策略与工作负荷调整策略相结合，提出一种新的WIPLOAD投料策略，实验结果证明该策略可以减小平均加工周期及其标准差，是可靠有效的。

以上投料策略虽各有优点，但是要么不考虑实时信息反馈，要么只对于瓶颈设备状态变化产生反应，对于其它意外事件的承受和处理能力不够，很少关注隐含反映实际调度环境特点及调度知识的大量相关有效数据，导致所研究成果不能直接应用于实际半导体企业。

模糊Petri网是Petri网与知识表达的结合，符合人类的思维和认知方式，在描述和分析许多物理系统乃至社会系统的并行和并发行为时具有广泛的意义。本发明鉴于模糊Petri网在知识表达和逻辑推理方面的优势，解决半导体生产线投料控制问题。

发明内容

本发明的目的在于，通过提供一种半导体生产线投料控制方法，以解决目前使用的方法在投料控制时不能很好应对各种突发状况问题，从而提供一种更加有效地智能半导体生产线控制方法。

本发明是采用以下技术手段实现的。

一种半导体生产线投料控制方法，采用模糊Petri网技术进行生产线在线投料控制，其特征包含以下步骤：

步骤1：构建投料模糊Petri网推理模型；

步骤2：构建半导体生产线在线投料机制；

步骤3：模糊Petri网模型参数设置；

所述的步骤1包括：

1.1.通过对实际半导体生产系统不确定性事件，明确投料Petri网模型的模糊推理条件库所集；

1.2.通过明确推理条件下得到的结论通过明确投料Petri网模型的模糊推理条件库所集，确定投料Petri网推理结论库所集；

1.3.同时通过提炼积累投料决策规则，汇总推理规则集；

1.3.1.如果生产线WIP高于瓶颈设备满负荷时设定值的10％，则降低当前的投料速率；

1.3.2.如果生产线WIP低于平瓶颈设备满负荷时设定值的10％，则增加当前的投料速率；

1.3.3.如果生产线瓶颈设备利用率高于设定值(如：95％)，则降低当前的投料速率；

1.3.4.如果生产线瓶颈设备利用率低于设定值(如：90％)，则增加当前的投料速率；

1.3.5.如果有紧急订单，则降低当前的投料速率；

1.3.6.如果生产线返工量超过当前设定值的5％，则降低当前的投料速率；

1.3.7.如果瓶颈设备发生故障，则降低当前的投料速率。

1.4.建立投料模糊Petri网推理模型；

所述的步骤2利用投料模糊Petri网推理模型进行周期性决策判定；一旦意外事件发生，则立即启动该模型，根据各结论库所的可信度，判定是否修改并自行修改投料计划；

所述的步骤3包含：I/O参数、库所/变迁的阈值γ/τ、初始标识S₀；S₀参数设置的过程为：通过合适的隶属函数将瓶颈设备故障的特征、生产线WIP的数值的高低、缓冲区工件队列的长短以及紧急订单的变化状态，通过推理条件模糊化后对应于模糊Petri网模型库所元素的初始标识；

通过隶属函数将模糊化后的推理条件对应于模糊Petri网模型库所元素的初始标识；

模糊Petri网模型的库所包含条件库所和结论库所，结论库所的初始标识均为0。

本发明一种半导体生产线投料控制方法，与现有技术相比，具有以下明显的优势和有益效果：

本发明设计过程简单，容易实现，鲁棒性好。因此，本发明解决传统方法在投料控制时不能很好应对各种突发状况问题，使半导体生产线效率提高，预知能力增强，整体性能得到相应改善。

附图说明

图1是本发明中的半导体生产线投料模糊Petri网建模过程示意图；

图2是本发明中的半导体生产线在线投料机制结构示意图；

图3是本发明中的半导体生产线投料模糊Petri网推理模型图；

图4是本发明中的模糊Petri网模型参数I设置矩阵示意图；

图5是本发明中的模糊Petri网模型参数O设置矩阵示意图；

图6是本发明中的采用模糊Petri网推理机制进行投料控制性能指标比较图(一)；

图7是本发明中的采用模糊Petri网推理机制进行投料控制性能指标比较图(二)；

图8是本发明中的采用模糊Petri网推理机制进行投料控制性能指标比较图(三)；

图9是本发明中采用模糊Petri网推理机制进行投料控制性能指标比较图(四)。

具体实施方式

为了更好地理解本发明的技术方案，以下结合说明书附图对本发明的实施方式做进一步的介绍。

以某半导体生产线模型作为对象进行投料控制研究。在eM-Plant仿真平台上，每天24小时不间断仿真计算，仿真时间为1年。

请参阅图1所示，为本发明中的半导体生产线投料模糊Petri网建模过程示意图。图2为本发明中的半导体生产线在线投料机制结构示意图。

通过实验分析可提炼如下决策规则：

1.如果平均WIP远高于瓶颈设备满负荷时的设定值(经验平均WIP)，则系统平均WIP高；

2.如果平均WIP远低于瓶颈设备满负荷时的设定值(经验平均WIP)，则系统平均WIP低；

3.如果平均WIP在经验值附近波动，则系统平均WIP正常；

4.如果平均WIP高，则考虑修改当前投料计划，降低投料速率；

5.如果平均WIP低，则考虑修改当前投料计划，提高投料速率；

6.如果系统含单台瓶颈设备且瓶颈设备利用率偏低于设定值(如90％)，则系统瓶颈设备利用率低；

7.如果系统含单台瓶颈设备且瓶颈设备利用率偏高于设定值(如95％)，则系统瓶颈设备利用率高；

8.如果系统含多台瓶颈设备且其中(如1/2)设备利用率偏低于设定值(如90％)，则系统瓶颈设备利用率低；

9.如果系统含多台瓶颈设备且其中(如2/3)设备利用率偏高于设定值(如95％)，则系统瓶颈设备利用率高；

10.如果瓶颈设备利用率低，则考虑修改当前投料计划，提高投料速率；

11.如果瓶颈设备利用率高且对应缓冲区工件队列长，则考虑修改当前投料计划，降低投料速率；

12.如果瓶颈设备故障，考虑修改当前投料计划，降低投料速率；

13.如果瓶颈设备故障且距下一次修改投料计划点远，则考虑修改当前投料计划，降低投料速率；

14.如果可能是瓶颈设备故障且故障修复时间长，则考虑修改当前投料计划，降低投料速率；

15.如果单台非瓶颈设备故障且故障修复时间长，则考虑不修改当前投料计划；

16.如果单台非瓶颈设备故障且生产线平均WIP正常，则考虑不修改投料计划；

17.如果多台非瓶颈设备故障(如1/5以上)，则考虑修改投料策略，降低投料速率；

18.如果客户追加订货，则考虑修改当前投料计划，提高投料速率；

19.如果客户追加订货且瓶颈设备利用率高，则考虑不修改当前投料计划；

20.如果客户减少订货，则考虑修改当前投料计划，提高投料速率；

21.如果客户订货品种更换，则改投订单；

22.如果出现紧急订单，则改投订单；

23.如果生产线返工工件多，则考虑修改当前投料计划，降低投料速率；

24.如果考虑修改投料策略，降低投料速率，且当前投料正常，则启动降低投料速率；

25.如果考虑修改投料策略，提高投料速率，且当前投料正常，则启动提高投料速率；

26.如果启动降低投料速率且当前为固定时间投料，则减小单位时间内投料量；

27.如果启动提高投料速率且当前为固定时间投料，则增大单位时间内投料量；

28.如果启动降低投料速率且当前为固定WIP投料，则减小固定WIP值；

29.如果启动提高投料速率且当前为固定WIP投料，则增大固定WIP值；

30.如果可以考虑不修改当前投料计划，则启动不修改当前投料计划；

31.若减小单位时间内投料量，则投料速率为原速率的(如9/10)；

32.若增大单位时间内投料量，则投料速率为原速率的(如11/10)；

33.若减小固定WIP值，则更改至原WIP的(如9/10)；

34.若增大固定WIP值，则更改至原WIP的(如11/10)。

图3为投料FPN推理模型。图中：T＝{t₁～t₃₄}分别代表以上所述34条规则；P＝P_U∪P_D＝{P₁～P₃₄}∪{P₃₅～P₄₀}，表示如下：

P₁：平均WIP远高于经验值；

P₂：平均WIP远低于经验值；

P₃：平均WIP在经验值附近波动；

P₄：系统WIP高；

P₅：系统WIP低；

P₆：系统WIP正常；

单台瓶颈/单台非瓶颈设备；

P₈：对应瓶颈设备利用率偏低于经验值；

P₉：对应瓶颈设备利用率偏高于经验值；

P₁₀：系统瓶颈设备利用率低；

多台瓶颈/多台非瓶颈设备；

P₁₂：系统瓶颈设备利用率高；

P₁₃：对应缓冲区等待队列长；

P₁₄：瓶颈设备故障；

P₁₅：距下一次修改投料计划点远；

P₁₆：故障修复时间长；

P₁₇：非瓶颈设备故障；

P₁₈：客户追加订货；

P₁₉：客户减少订货；

P₂₀：客户订货品种更换；

P₂₁：紧急订单；

P₂₂：生产线返工工件多；

P₂₃：考虑不修改当前投料计划；

P₂₄：考虑修改当前投料计划(降低投料速率)；

P₂₅：考虑修改当前投料计划(提高投料速率)；

P₂₆：当前正常投料；

P₂₇：启动降低投料速率；

P₂₈：启动提高投料速率；

P₂₉：当前为固定时间投料；

P₃₀：当前为固定WIP投料；

P₃₁：减小单位时间内投料量；

P₃₂：增大单位时间内投料量；

P₃₃：减小固定WIP值；

P₃₄：增大固定WIP值；

P₃₅：启动减小单位时间内投料量至9/10；

P₃₆：启动增大单位时间内投料量至11/10；

P₃₇：减小固定WIP值至9/10；

P₃₈：增大固定WIP值至11/10；

P₃₉：启动不修改当前投料计划；

P₄₀：改投订单；

如下给出半导体生产线投料FPN推理模型参数设置。γ/τ参数设置如下：

γ＝{0.4，0.4，0.4，0.3，0.3，0.3，0.4，0.3，0.3，0.2，0.2，0.2，0.3，0.5，0.4，0.4，0.3，0.4，0.4，0.4，0.4，0.4，0.2，0.2，0.4，0.2，0.2，0.2，0.4，0.4，0.3，0.3，0.3，0.3，0.0，0.0，0.0，0.0，0.0，0.3，0.3，0.0}

τ＝{0.3，0.3，0.3，0.2，0.2，0.2，0.2，0.3，0.3，0.3，0.3，0.5，0.4，0.4，0.3，0.3，0.3，0.3，0.3，0.4，0.4，0.4，0.4，0.3，0.3，0.3，0.3，0.3，0.2，0.2，0.2，0.2，0.2，0.2}

图4、图5(分别表示I、O参数设置矩阵示意图)。对于FPN推理机制的实现，关键是解决各个库所的模糊度问题，根据对生产线状态的分析和历史经验总结，初始标识S₀参考设置如下：

P₁：S₀(P₁)采用当前WIP结合分段式偏大型隶属函数确定

P₂：S₀(P₂)采用当前WIP结合分段式偏小型隶属函数确定

P₃：S₀(P₃)由当前WIP按照平均分布映射到[0，1]区间；

N为设备总数；

P₈：S₀(P₈)由对应瓶颈设备利用率Ui结合偏大型函数确定；

P₉：S₀(P₉)由对应瓶颈设备利用率Ui结合偏小型函数确定；

P₁₁：S₀(P₁₁)＝n/N，n为瓶颈/非瓶颈设备数，N为设备总数；

P₁₃：S₀(P₁₃)由等待加工工件数按照平均分布映射到[0，1]区间；

P₁₄：S₀(P₁₄)由对应设备故障率F_i结合三角形分布确定；

P₁₅：S₀(P₁₅)由|T_M-T_C|/T确定，T为计划修改周期，T_M为当前修改时间点，T_C为周期性修改时间点；

P₁₆：S₀(P₁₆)由设备故障修复时间结合正态分布(均值为0.5，方差为0.1)来生成；

P₁₇：S₀(P₁₇)由对应设备故障率F_i结合三角形分布确定；

P₁₈：事件发生，则S₀(P₁₈)由Cp/C_N确定，C_P追加量，C_N总订货量；P₁₉：事件发生，则S₀(P₁₉)由C_P/C_N确定，C_P减少量，

原订货量；P₂₀：事件发生则S₀(P₂₀)＝0.8；P₂₁：事件发生则S₀(P₂₁)＝0.8；P₂₂：S₀(P₂₂)由M/WIP确定，M为返工工件数，WIP为当前在制品数；P₂₆：S₀(P₂₆)由S₀(P₃)决定；P₂₉：若为固定时间投料，则S₀(P₂₉)＝0.8；P₃₀：若为固定WIP投料，则S₀(P₃₀)＝0.8。

仿真过程中设定紧急订单、设备故障和订单增减等突发状况，与固定时间投料对比生产系统性能指标。固定时间投料速率设定为0.6667卡/时，此为正常状态下(除正常设备维护外无其它意外事件发生)经过大量仿真得到的最优固定投料间隔。工件调度规则分别采用以下4种：FIFO、EDD、SRPT和CR。

主要比较半导体生产线4种性能指标：平均加工周期、WIP、准时交货率和瓶颈设备利用率。图6、图7、图8、图9(如图5，FIFO：固定WIP投料方式，设备均采用FIFO工件调度规则；FIFO FPN：FPN投料方式，设备均采用FIFO工件调度规则)，与固定WIP投料相比提投料策略能在降低产品平均加工周期、减少WIP数量的基础上，提高设备利用率并减小脱期率，从而增大系统的生产能力，使得生产线整体性能得到优化。

Claims

1.一种半导体生产线投料控制方法，采用模糊Petri网技术进行生产线在线投料控制，其特征包含以下步骤：

步骤1：构建投料模糊Petri网推理模型；

步骤2：构建半导体生产线在线投料机制；

步骤3：模糊Petri网模型参数设置；

所述的步骤1包括：

1.2.通过明确投料Petri网模型的模糊推理条件库所集，确定投料Petri网推理结论库所集；

1.3.通过提炼积累投料决策规则，汇总推理规则集；

1.3.1.如果生产线WIP高于瓶颈设备满负荷时设定值，则降低当前的投料速率；

1.3.2.如果生产线WIP低于平瓶颈设备满负荷时设定值，则增加当前的投料速率；

1.3.3.如果生产线瓶颈设备利用率高于设定值，则降低当前的投料速率；

1.3.4.如果生产线瓶颈设备利用率低于设定值，则增加当前的投料速率；

1.3.5.如果有紧急订单，则降低当前的投料速率；

1.3.6.如果生产线返工量高于当前设定值，则降低当前的投料速率；

1.3.7.如果瓶颈设备发生故障，则降低当前的投料速率；

1.4.建立投料模糊Petri网推理模型；

2.根据权利要求1所述的一种半导体生产线投料控制方法，其特征在于：步骤1.3.1所述的生产线WIP高于设定值的10％。

3.根据权利要求1所述的一种半导体生产线投料控制方法，其特征在于：步骤1.3.2所述的生产线WIP低于设定值的10％。

4.根据权利要求1所述的一种半导体生产线投料控制方法，其特征在于：步骤1.3.3所述的生产线瓶颈设备利用率高于设定值的95％。

5.根据权利要求1所述的一种半导体生产线投料控制方法，其特征在于：步骤1.3.4所述的生产线瓶颈设备利用率低于设定值的90％。

6.根据权利要求1所述的一种半导体生产线投料控制方法，其特征在于：步骤1.3.6所述的生产线返工量高于设定值的5％。