CN103439886A - 一种半导体生产线自适应动态调度装置 - Google Patents

Abstract

本发明涉及一种半导体生产线自适应动态调度装置，与制造执行系统连接。所述的调度装置包括调度管理器、学习器和显示设备，所述的调度管理器与制造执行系统连接，所述的调度管理器、学习器和显示设备依次连接；所述的调度管理器由制造执行系统获取当前待调度工件列表传输给学习器，学习器利用其保存的派工规则计算当前待调度工件加工优先级并传输给显示设备，显示设备对当前待调度工件加工优先级进行显示。与现有技术相比，本发明具有提高工件加工效率和瓶颈设备利用率、动态调节性好等优点。

Description

一种半导体生产线自适应动态调度装置

技术领域

本发明涉及微电子制造及其他离散制造生产系统的生产管理领域，尤其是涉及一种半导体生产线自适应动态调度装置，用于实时决策多个工件在设备上加工的优先级，对提高半导体生产线运作性能具有重要意义。

背景技术

在采用流水线车间加工的生产系统中，一个传送系统沿着工作台运送在制品工件(Work-in-Process，WIP)，在每个工作台处，完成WIP的一道不同工序。从理论上，WIP在从头到尾加工行进期间中访问各个工作台一次。半导体生产线与使用流水线车间加工的大多数生产系统不同。在半导体生产线中，WIP在加工行进过程中有可能数次访问同一个工作台，WIP要经历数次清洗、氧化、沉积、喷涂金属、蚀刻、离子注入及脱膜等工序，直到完成半导体产品。

图1给出一种简化的多产品半导体生产线SL1。在该模型中，利用三个工作台W1、W2、W3制造两种产品A、B。工作台W1有两台设备E11、E12，工作台W2有两台设备E21、E22，工作台W3有一台设备E33。按照设备的加工程序，每个设备前最多具有加工程序数目个缓冲区，在此半导体生产线模型中，每个设备的缓冲区最多有2个，分别为S111、S112、S121、S122、S211、S212、S221、S222、S331、S332。不同完成状态下的WIP被放在缓冲区中以供相应的设备加工。在该模型中，产品在加工过程中数次访问同一个工作台，例如，产品类型A在完成加工退出半导体生产线SL1之前，访问工作站W1、W2、W3各两次。典型地，一般的半导体生产线可利用上百台工作台或设备制造十余种甚至数百种产品，每种产品需要数百道加工工序。

从图1中可以看出，在半导体生产线运行期间的任何特定时刻，设备E11、E12、E21、E22、E33处的缓冲区可含有两种产品不同完成阶段下的各式各样的WIP。然而，各设备的资源是有限的，因此，各WIP必须竞争各设备的有限资源。

半导体工业界已做出多种尝试，以提高制造运作性能，快速收回成本并提高客户满意度。

在美国专利“半导体生产线推式调度方法(Push-type scheduling forsemiconductor fabrication)”(申请号：6714830)中，Browning与Raymond提出了一种为在瓶颈加工设备前排队等待加工的WIP确定加工优先级的方法。首先，为每个WIP确定下一次回到该设备之前或完成所有加工的所需完成的加工工序在该瓶颈设备的下游加工设备上是否存在确定的加工轨迹。如果存在确定的加工轨迹，就让这些加工设备为该WIP预留加工时间，然后再将此WIP投入加工。这样可以避免瓶颈设备的下游设备中出现瓶颈。如果存在多个WIP具有确定的加工轨迹，按照排队或优先级的方法确定WIP投入生产线的次序。这种方法实现起来比较麻烦，并且在生产线上存在着大量的WIP，为每个WIP都确定其加工轨迹很费时，并且生产线是高度不确定的，设备故障非常频繁，所有这些都会打乱已有的计划。

在美国专利“用于集成电路工件动态分派的制造方法与系统(Manufacturingmethod and system for dynamic dispatching of integrated circuit wafer lots)”(编号：5889673)中，Pan Yirn-Sheng和Tseng Horng-Huei提出了将设备前等待加工的WIP中下一步即将使用的加工设备负载较低的WIP的优先级提高优先加工的方法。该方法只是尽量保证设备具有合适的负载，但是并没有考虑WIP的交货期限制以及设备占用情况。

在美国专利“用于半导体制造工厂动态分派的方法与系统(Method and systemfor dynamic dispatching in semiconductor manufacturing plants)”(编号：5612886)中，Weng Yi-Cherng提出了基于看板思想的，同时考虑WIP优先级与排队时间的调度方法。该方法在思想上接近常用的FIFO(即先入先出策略)，该方法在WIP较少的情况下，是具有比较好的性能的。但当WIP水平较高的情况下，该策略的性能明显不如其他的调度方法。而在实际的半导体生产线上，常常具有较高的WIP水平。

在美国专利“基于优先级的半导体集群设备调度方法与装置(Method andapparatus for priority based scheduling of wafer processing within a multiple chambersemiconductor wafer processing tool)”(编号：5928389)中，Jevtic提出了一种基于优先级的调度方法，该方法根据设备的可用能力动态改变工件的加工优先级，根据优先级确定工件的加工顺利。该方法只考虑了特定设备WIP的移动方式，未考虑生产线调度。

在美国专利“带有多臂机器人的半导体集群设备调度方法与装置(Method andapparatus for scheduling wafer processing within a multiple chamber semiconductorwafer processing tool having a multiple blade robot)”(编号：6074443)中，Venkatesh与Jevtic调度器为集群设备中的每个工具指定优先级，然后根据此优先级实现工件在工具间的流动，优先级是按照最小加工时间原则确定的。该方法只考虑了特定设备中WIP的移动方式，未考虑生产线调度。

在美国专利“半导体集群设备排程方法与装置(Method and apparatus forsequencing wafers in a multiple chamber，semiconductor wafer processing system)”(编号：6122566)中，Nguyen与Levi提出了一种实时多任务控制机制来预测下一步将要加工的工件，如果工具空闲，则工件被移送给工具；如果工具占用，工件被缓存。该方法只考虑了特定设备中WIP的移动方式，未考虑生产线调度。

在美国专利“半导体工具工件调度系统与方法置(System and method forscheduling manufacturing jobs for a semiconductor manufacturing tool)”(编号：7269469)中，Shi等提出了一种监控工件在缓冲区的位置以保证在正确时间加工的方法，该方法只考虑了特定设备中WIP的移动方式，未考虑生产线调度。

在中国专利“基于最小闲滞时间思想的可再入生产线加工的调度方法”(编号：CN1230267A)中，P.R.库玛尔与瑞.M.理查德森提出了一种为设备前缓冲区中每个WIP生成闲滞变量，选择闲滞变量最小的WIP优先加工的方法。该方法存在以下几个不足。首先，只考虑了降低WIP的加工周期，但却没有考虑交货期的限制，因为即使是同种产品，其交货期可能也是不同的，从而可能造成准时交货率的下降；其次，没有考虑半导体生产设备的加工特性，许多半导体加工设备的加工程序发生变化时，要引起较长的准备时间，从而造成加工周期的延长与设备利用率的下降。

在中国专利“用于调度半导体批次的系统”(编号：CN101361075)中，迪克斯坦等提供了一种用于在多个工具之间调度多个半导体批次的系统。该系统包括调度服务器管理器以及调度综合器和显示设备。调度综合器和显示设备向管理器传递调度请求并且从管理器接收调度列表。该管理器查询多个半导体批次的处理状态并且显示调度列表以响应处理状态。调度列表包括与处理状态有关的相关原因和/或代码。该方法通过查询批次的状态与既定的调度列表完成批次调度，不具备优化功能。

在中国专利“基于Petri网与免疫算法的半导体生产线建模与优化调度方法”(编号：CN101493857)中，吴启迪等提供了一种基于Petri网与免疫算法的半导体生产线优化调度方法。该方法利用Petri网对半导体生产线进行建模：路径调度模型；设备组调度模型和设备调度模型；免疫算法作为调度策略嵌入到Petri网模型中。通过Petri网模型，可以描述半导体制造系统所有可能的行为，如工件加工、设备故障、批处理和有缺陷的晶圆返工等。免疫算法的染色体可以直接从Petri网模型的搜索节点中构造出来，每条染色体的每个基因记录了每个设备组的调度策略。通过对Petri网模型的仿真，得到一个较好的染色体，从而生成一个次优的调度策略。优点是降低了模型的复杂性、提高了模型和调度算法的可重用性，缺点是对调度策略集合的选择具有一定的依赖性。

在中国专利“半导体制造系统的重调度决策系统”(编号：CN101424919)中，张洁等提供了一种半导体制造领域的半导体制造系统的重调度决策系统。系统中，GUI模块负责与用户和其他模块进行交互；模糊神经网络决策模块获得半导体制造系统的生产状态和干扰信息数据，进行半导体制造系统的重调度决策处理，并将重调度决策处理的信息结果输出到模糊神经网络参数训练模块和GUI模块。模糊神经网络参数训练模块对模糊神经网络决策模块的模糊化层的中心值、宽度值参数和输出层的连接权值参数进行训练处理，提高了半导体制造系统的重调度决策的准确性。

在中国专利“基于信息素的用于半导体生产线的动态调度方法”(编号：CN1734382)中，吴启迪等提供了一种基于信息素的用于半导体生产线的动态调度方法。该调度方法的实施步骤为：首先，为每个WIP存储信息素变量，该变量与该WIP的交货期、待加工工序对设备的占用时间、WIP各工序的净加工时间以及WIP的生产周期倍增因子相关；其次，为每个设备存储信息素变量，该变量与设备负载相关，然后，把多个WIP的信息素变量以及相关的设备的信息素变量进行综合，为每个WIP生成一个选择变量；最后，根据该方法，对多个WIP比较选择变量以选择多个WIP中的一个用于在该设备上加工。该调度方法可以同时改善生产或制造系统的多个性能指标，包括短期性能指标以及长期性能指标。

纵观目前已有的半导体生产线调度方面的专利，主要针对半导体生产线的特定加工区域；在针对半导体生产线调度的专利中，主要采取基于规则的方法，或者采取智能方法选取规则的组合的方法，尚未发现使用具有自适应能力的动态调度方法获得半导体生产线动态派工方案的专利。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种提高工件加工效率和瓶颈设备利用率、动态调节性好的半导体生产线自适应动态调度装置。

本发明的目的可以通过以下技术方案来实现：

一种半导体生产线自适应动态调度装置，与制造执行系统连接，所述的调度装置包括调度管理器、学习器和显示设备，所述的调度管理器与制造执行系统连接，所述的调度管理器、学习器和显示设备依次连接；

所述的调度管理器由制造执行系统获取当前待调度工件列表传输给学习器，学习器利用其保存的派工规则计算当前待调度工件加工优先级并传输给显示设备，显示设备对当前待调度工件加工优先级进行显示。

所述的学习器包括动态派工计算模块、学习机和仿真模块，所述的学习机、仿真模块、动态派工计算模块两两连接；

所述的动态派工计算模块中存储有动态派工规则，并利用动态派工规则计算由调度管理器提供的待调度工件的加工优先级；

所述的学习机学习动态派工规则的参数与实际工况的关系模型，并传输给动态派工计算模块；

所述的仿真模块用于模拟实际生产线的运行情况，并调用动态调度规则，生成调度方案，作为上述动态派工规则的参数与实际工况的关系模型学习所需的样本。

所述的动态派工规则具体为：

Step1：当设备i在时刻t变为可用状态时，确定设备是否为批加工设备，若是，则转Step2，若否，则转Step6；

Step2：计算设备i前待调度工件的信息变量

${\mathrm{\&tau;}}_i^n\left(t\right)=\left\{\begin{array}{cc}\mathrm{MAX}& R_i^n\&times;F_n\&GreaterEqual;D_n-t\\ \frac{R_i^n\&times;F_n}{(D_n-t+1)}-\frac{P_i^n}{{\mathrm{\&Sigma;}}_n{P}_i^n}& R_i^n\&times;F_n<D_n-t\end{array}\right.---\left(1\right)$

信息变量

表示待调度工件的加工优先级，

为工件n在设备i上的剩余加工时间，F_n为工件n的平均加工周期与加工时间的比值，

为工件n在设备i上的占用时间，MAX表示信息变量最大；

Step3：计算生产线上其他设备的信息变量

${\mathrm{\&tau;}}_{\mathrm{id}}^n\left(t\right)=\frac{\mathrm{\&Sigma;}{P}_{\mathrm{id}}^n}{T_{\mathrm{id}}}---\left(2\right)$

id为设备i的下游设备索引号，

为工件n在下游设备id上的占用时间，T_id为下游设备id每天的可用时间；

Step4：计算待调度工件的选择概率

$S_n=\left\{\begin{array}{cc}{Q}_i^n& {\mathrm{\&tau;}}_i^n\left(t\right)=\mathrm{MAX}\\ {\mathrm{\&alpha;}}_1{\mathrm{\&tau;}}_i^n\left(t\right)-{\mathrm{\&beta;}}_1{\mathrm{\&tau;}}_{\mathrm{id}}^n\left(t\right)& {\mathrm{\&tau;}}_i^n\left(t\right)\&NotEqual;\mathrm{MAX}\end{array}\right.---\left(3\right)$

为设备i上的工件n的停留时间，α₁、β₁为相对重要程度指标；

Step5：选择具有最高选择概率的工件在设备i上开始加工，返回Step1；

Step6：使用公式(1)计算设备i前待调度工件的信息变量；

Step7：确定设备i前待调度工件是否有紧急工件，即存在

若是，则转Step8，若否，则转Step9；

Step8：进行组批工件操作：

对设备i的各工艺菜单im，若紧急工件数小于B_i，B_i为批加工设备i的加工能力，检测设备i前的普通工件是否与紧急工件采用相同工艺菜单，如果满足条件的普通工件数小于设定值，则按照工件等待时间越长越优先的原则选择设备i前

工件组批，

为二进制变量，否则，选择所有满足要求的普通工件组批；若紧急工件数大于等于B_i，直接选出最紧急的且满足最大加工批量的紧急工件组批；转Step17；

Step9：按照公式(1)判断下一步要使用批加工设备i加工的工件是否为紧急工件，若是，则转Step10；若否，则转Step11；

Step10：等待紧急工件的到达，然后转Step8组批工件；

Step11：判断批加工设备i的缓冲区内的待调度工件是否超过其日最高加工能力，若是，则该设备i为瓶颈设备，转Step12，若否，则转Step13；

Step12：按照待调度工件使用的设备i的工艺菜单im进行组批，若使用同一工艺菜单的工件超过了最大加工批量，按照工件等待时间越长越优先的原则分别组批，转Step17；

Step13：判断下游设备id的缓冲区内的待调度工件是否低于其日最低加工能力，若是，则下游设备id为空闲设备，转Step14，若否，则转Step16；

Step14：判断设备i的待调度工件中是否存在其下一步工序要到空闲下游设备id等待加工的工件，若是，则转Step15，若否，则转Step16；

Step15：进行组批工件操作：

对设备i的各工艺菜单im，获取下一步工序要在空闲下游设备上加工的并使用该工艺菜单的工件数目，如果小于设备的最大加工批量B_i，则检测是否存在其他工件与这些工件使用相同的工艺菜单，若满足条件的工件数目大于设定值，则按照工件等待时间越长越优先的原则选出若干个非紧急工件以满足最大加工批量；如果大于等于最大加工批量B_i，则直接选出排队时间最长的满足最大加工批量的工件组批；转Step17；

Step16：等待新工件的到来，转Step6；

Step17：确定各组批工件的优先级：

${\mathrm{\&Gamma;}}_k={\mathrm{\&alpha;}}_2\frac{N_{\mathrm{ik}}^h}{B_i}+{\mathrm{\&beta;}}_2\frac{B_k}{\max \left(B_k\right)}-\mathrm{\&gamma;}\frac{P_i^k}{\max \left(P_i^k\right)}-\mathrm{\&sigma;}(N_{\mathrm{id}}^h/({\mathrm{\&Sigma;}}_k{N}_{\mathrm{id}}^h+1))---\left(4\right)$

其中，

是组批k中紧急工件数目；B_k是组批k的组批大小；

是组批k在设备i上的占用时间；

是组批的下游设备的最大负载；α₂、β₂、γ、σ是相对重要程度指标；

Step18：选择具有最高选择概率的组批工件在设备i上开始加工，返回Step1。

所述的动态派工规则的参数包括α₁、β₁、α₂、β₂、γ和σ。

所述的学习机学习动态派工规则的参数与实际工况的关系模型具体为：

α₁＝a₁·r_h+b₁·r_p+c₁

β₁＝a₂·r_h+b₂·r_p+c₂

α₂＝a₃·r_h+b₃·r_p+c₃

β₂＝a₄·r_h+b₄·r_p+c₄

γ＝a₅·r_h+b₅·r_p+c₅

σ＝a₆·r_h+b₆·r_p+c₆

式中，r_h为生产线紧急工件比例，r_p为后1/3光刻工件比例(即剩余光刻次数小于总光刻次数的1/3)，a_i、b_i、c_i为系数，i∈{1，2，...，6}。

所述的学习机学习动态派工规则的参数与实际工况的关系模型的具体步骤为：

1)仿真模块根据生产线历史数据动态建立仿真模型；

2)在仿真模型中建立调度规则库、生产线系统/光刻区所需的过程状态(r_h，r_p，r_{h_photo}，r_{p_photo})和性能指标，所述的性能指标包括工件移动步数Move和关键设备利用率Utility；

3)获取设备利用率在60％以上的瓶颈设备；

4)对瓶颈设备采用动态派工规则，分别随机产生对应的α₁、β₁、α₂、β₂、γ、σ值，同时自动记录生产线/加工区的过程状态信息(r_h，r_p，r_{h_photo}，r_{p_photo})、Move和Utility，r_{h_photo}，r_{p_photo}分别表示光刻加工区的紧急工件比例与后1/3光刻工件比例；

5)应用两次BP神经网络算法获得较优的α₁、β₁、α₂、β₂、γ、σ值和(r_h，r_p，r_{h_photo}，r_{p_photo})值；

6)通过线性规划方法获取α₁、β₁、α₂、β₂、γ、σ值和(r_h，r_p，r_{h_photo}，r_{p_photo})值之间的逻辑关系；

7)利用粒子群优化神经网络算法优化α₁、β₁、α₂、β₂、γ、σ值和(r_h，r_p，r_{h_photo}，r_{p_photo})值之间二元一次关系表达式的系数a_i、b_i、c_i。

与现有技术相比，本发明具有以下有益效果：

1、本发明自适应动态调度装置构建在企业的制造执行系统之外，通过制造执行系统获取相关信息，本装置就可以实时获得各设备加工多个工件的优化级设置方案，显示在管理人员面前辅助决策。

2、本发明提供的自适应动态调度装置可在任何时刻以任何一组该系统的初始条件状态应用于多种产品类型的生产或制造系统中。

3、本发明提供的自适应动态调度装置可根据需要优化指定的生产或制造系统的多个性能指标，特别是通过提高系统的流片率与瓶颈设备利用率，以获得准时交货率、生产率、平均生产周期时间以及生产周期时间的标准方差等性能的改进。

4、本发明提供的自适应调度装置可以根据要优化的性能指标，来相应地改变学习机的目标值设定，对其求解流程不发生影响，可以方便地实现重用。

5、利用对半导体制造厂提供的各工业数据组进行仿真测试，显示出本发明装置提供的派工方案与标准FIFO策略相比，每日平均工件移动步数轻载工况下平均改进2.35％，重载工况下平均改进7.24％；瓶颈加工区域设备利用率轻载工况下平均改进5.93％，重载工况下平均改进4.1％。

6、本发明装置对解决半导体生产线优化调度难题具有重要的实用价值，对提高我国半导体企业的生产管理水平具有重要的指导意义。

附图说明

图1是半导体生产线系统的方块图；

图2是本发明的自适应动态调度装置的结构示意图；

图3是本发明的动态派工规则的流程示意图；

图4是本发明的动态派工规则参数学习流程示意图；

图5是本发明的动态调度方法的实施框图；

图6表示一种产品类型的WIP沿着半导体生产线加工的流程示意图；

图7是从不同产品类型的多个不同WIP中对单个WIP的选择流程图；

图8是计算竞争设备的有限资源的各WIP所伴随的选择变量流程图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

如图2所示，一种半导体生产线自适应动态调度装置，与制造执行系统1连接，所述的调度装置包括调度管理器2、学习器3和显示设备4，所述的调度管理器2与制造执行系统1连接，所述的调度管理器2、学习器3和显示设备4依次连接；所述的调度管理器2由制造执行系统1获取当前待调度工件列表传输给学习器3，学习器3利用其保存的派工规则计算当前待调度工件加工优先级并传输给显示设备4，显示设备4对当前待调度工件加工优先级进行显示。

所述的学习器3包括动态派工计算模块5、学习机6和仿真模块7，所述的学习机6、仿真模块7、动态派工计算模块5相互两两连接；所述的动态派工计算模块5中存储有动态派工规则，并利用动态派工规则计算由调度管理器提供的待调度工件的加工优先级；所述的学习机6学习动态派工规则的参数与实际工况的关系模型，并传输给动态派工计算模块；所述的仿真模块7使用动态建模方法构建，即将生产线的设备、缓冲区、流程等相关信息存储为标准数据文件，然后由数据生成仿真模型。该仿真模型通过运行生成大量学习机所需的学习样本。

动态派工规则涉及的参数与变量如下：

i：可用设备索引号；

id：设备i的下游设备索引号；

im：设备i的工艺菜单索引号；

iu：设备i的上游设备索引号；

k：批加工设备i上排队工件组批索引号；

n：时刻t在设备i前排队的工件的索引号；

t：派工决策点，即派工时刻；

v：下游设备id的工艺菜单的索引号；

B_i：批加工设备i的加工能力；

B_id：下游设备id的加工能力；

D_n：工件n的交货期；

F_n：工件n的平均加工周期(加工时间与排队时间总和)与加工时间的比值；

M_i：设备i上的工艺菜单数目；

N_id：在下游设备id前排队的工件数目；

N_im：在设备i前排队使用工艺菜单im的工件数目；

工件n在设备i上的占用时间；

P_im：工艺菜单im在设备i上的加工时间；

工件n在下游设备id上的占用时间；

下游设备id上工艺菜单v的加工时间；

设备i上的排队工件n的停留时间；

工件n设备i上的剩余加工时间；

S_n：工件n的选择概率；

T_id：下游设备id每天的可用时间；

Γ_k：工件组批k的选择概率；

设备i在时刻t要处理工件n的紧急程度；

在时刻t能够完成工件n下一步工序的下游设备id的负载程度；

二进制变量。如果设备i在时刻t是瓶颈设备，

否则，

二进制变量。如果下游设备id在时刻t处于空闲状态，

否则，

二进制变量。如果工件n在时刻t是紧急工件，

否则

为二进制变量，如果工件n在设备i上采用工艺菜单m，否则

为二进制变量，如果处理工件n下一步工序的下游设备id在时刻t处于空闲状态，且该工件在设备i采用菜单im，

否则

如图3所示，所述的动态派工规则(DDR)具体为：

Step1：当设备i在时刻t变为可用状态时，确定设备是否为批加工设备，若是，则转Step2，若否，则转Step6。

Step2：计算设备i前待调度工件(即排队工件)的信息变量

${\mathrm{\&tau;}}_i^n\left(t\right)=\left\{\begin{array}{cc}\mathrm{MAX}& R_i^n\&times;F_n\&GreaterEqual;D_n-t\\ \frac{R_i^n\&times;F_n}{(D_n-t+1)}-\frac{P_i^n}{{\mathrm{\&Sigma;}}_n{P}_i^n}& R_i^n\&times;F_n<D_n-t\end{array}\right.---\left(1\right)$

MAX表示信息变量最大。

公式(1)是为了满足客户准时交货的要求而设计的。在t时刻，各WIP的理论剩余加工时间与实际剩余加工时间的比值越大，其交货期便越紧，相应的，该WIP的信息变量值越高，越容易被设备选中优先加工。但是如果该WIP的理论剩余加工时间已大于实际剩余加工时间，说明该WIP极有可能拖期，则将其变为紧急工件，即在任何设备上都具有最高的加工优先级(MAX)。另外，各WIP对设备的占用时间也会影响其信息变量值，占用时间越短，信息变量值越高，这样可以加快WIP在设备上的移动，提高设备利用率。

Step3：计算生产线上其他设备的信息变量

${\mathrm{\&tau;}}_{\mathrm{id}}^n\left(t\right)=\frac{\mathrm{\&Sigma;}{P}_{\mathrm{id}}^n}{T_{\mathrm{id}}}---\left(2\right)$

公式(2)意味着t时刻，设备负载越重，其信息变量越高。显然，当

时，表示设备的负载已超过其一天可用时间，即认为该设备处于瓶颈状态。值得注意的是，在半导体生产线上可能存在多台设备能够完成WIP的特定工序，在这种情况下，T_id的意义就是可完成WIP待加工工序的一类设备在一天内的可用加工时间。

Step4：计算待调度工件的选择概率

$S_n=\left\{\begin{array}{cc}{Q}_i^n& {\mathrm{\&tau;}}_i^n\left(t\right)=\mathrm{MAX}\\ {\mathrm{\&alpha;}}_1{\mathrm{\&tau;}}_i^n\left(t\right)-{\mathrm{\&beta;}}_1{\mathrm{\&tau;}}_{\mathrm{id}}^n\left(t\right)& {\mathrm{\&tau;}}_i^n\left(t\right)\&NotEqual;\mathrm{MAX}\end{array}\right.---\left(3\right)$

α₁、β₁为相对重要程度指标。公式(3)意味着t时刻，在解决WIP竞争设备资源问题时，会同时考虑WIP的交货期与占用设备程度以及设备的下游设备的负载状况，保证WIP的快速流动与准时交货率。

Step5：选择具有最高选择概率的工件在设备i上开始加工，返回Step1。

Step6：使用公式(1)计算设备i前待调度工件的信息变量。

Step7：确定设备i前待调度工件是否有紧急工件，即存在若是，则转Step8，若否，则转Step9。

Step8：进行组批工件操作：

forim＝1toM_i

$\mathrm{if}0\&le;\mathrm{\&Sigma;}{x}_n^{\mathrm{im}}<B_i$

$\mathrm{elseif\&Sigma;}{x}_n^{\mathrm{im}}\&GreaterEqual;B_i$

$\mathrm{thenSelect}\left\{B_i\right\}{|}_{\max ((R_i^n\&times;F_n)-(D_n-t))}$

公式(4)意味着：对设备i的各工艺菜单im，若紧急工件数小于B_i，B_i为批加工设备i的加工能力，检测设备i前的普通工件是否与紧急工件采用相同工艺菜单，如果满足条件的普通工件数小于设定值，则按照工件等待时间越长越优先的原则选择设备i前

工件组批，否则，选择所有满足要求的普通工件组批；若紧急工件数大于等于B_i，直接选出最紧急的且满足最大加工批量的紧急工件组批；转Step17。

Step9：按照公式(1)判断下一步要使用批加工设备i加工的工件是否为紧急工件，若是，则转Step10；若否，则转Step11。

Step10：等待紧急工件的到达，然后转Step8组批工件。

Step11：按照公式(5)判断批加工设备i的缓冲区内的待调度工件是否超过其日最高加工能力，若是，则该设备i为瓶颈设备，转Step12，若否，则转Step13。

$\mathrm{If}{\mathrm{\&Sigma;}}_{\mathrm{im}}{N}_{\mathrm{im}}\&GreaterEqual;(24B_i/\min \left(P_{\mathrm{im}}\right)),\mathrm{then}{x}_i^B=1---\left(5\right)$

Step12：按照公式(6)进行组批：

$\mathrm{Select}\left\{B_i\right\}{|}_{\max ((R_i^n\&times;F_n)-(D_n-t))---\left(6\right)}$

待调度工件使用的设备i的工艺菜单im进行组批，若使用同一工艺菜单的工件超过了最大加工批量，按照工件等待时间越长越优先的原则分别组批，转Step17。

Step13：按公式(7)判断下游设备id的缓冲区内的待调度工件是否低于其日最低加工能力(即24小时内能够加工的最少工件)，若是，则下游设备id为空闲设备，转Step14，若否，则转Step16。

$\mathrm{If}{\mathrm{\&Sigma;}}_{\mathrm{im}}{N}_{\mathrm{id}}\&GreaterEqual;(24B_i/\min \left(P_{\mathrm{id}}^v\right)),\mathrm{then}{x}_{\mathrm{id}}^l=1---\left(7\right)$

Step14：判断设备i的待调度工件中是否存在其下一步工序要到空闲下游设备id等待加工的工件，若是，则转Step15，若否，则转Step16。

Step15：进行组批工件操作：

forim＝1toM_i

$\mathrm{if}0\&le;\mathrm{\&Sigma;}{x}_{n,\mathrm{im}}^{\mathrm{id}}<B_i$

$\mathrm{elseif\&Sigma;}{x}_{n,\mathrm{im}}^{\mathrm{id}}\&GreaterEqual;B_i$

对设备i的各工艺菜单im，获取下一步工序要在空闲下游设备上加工的并使用该工艺菜单的工件数目，如果小于设备的最大加工批量B_i，则检测是否存在其他工件与这些工件使用相同的工艺菜单，若满足条件的工件数目大于设定值，则按照工件等待时间越长越优先的原则选出若干个非紧急工件以满足最大加工批量；如果大于等于最大加工批量B_i，则直接选出排队时间最长的满足最大加工批量的工件组批；转Step17。

Step16：等待新工件的到来，转Step6。

Step17：确定各组批工件的优先级：

${\mathrm{\&Gamma;}}_k={\mathrm{\&alpha;}}_2\frac{N_{\mathrm{ik}}^h}{B_i}+{\mathrm{\&beta;}}_2\frac{B_k}{\max \left(B_k\right)}-\mathrm{\&gamma;}\frac{P_i^k}{\max \left(P_i^k\right)}-\mathrm{\&sigma;}(N_{\mathrm{id}}^h/({\mathrm{\&Sigma;}}_k{N}_{\mathrm{id}}^h+1))---\left(9\right)$

其中，

是组批k中紧急工件数目；B_k是组批k的组批大小；

是组批k在设备i上的占用时间；

是组批的下游设备的最大负载；α₂、β₂、γ、σ是相对重要程度指标。

公式(9)的第一项是紧急工件在组批k的加工批量中所占比例，对应的是准时交货率指标；第二项是组批n的加工批量与所有组批中最大加工批量的比值，对应的是加工周期、移动步数和设备利用率指标；第三项是组批n的加工时间与所有组批中最大加工时间的比值，对应的是工件对设备的占用时间，与加工周期指标相关，也可以体现移动步数指标；第四项是下游设备的负载程度，与设备利用率指标相关，也可以体现移动步数指标。因此，随着关注指标的不同或者制造环境的变化，通过相应的α₂、β₂、γ、σ参数值调整，可以获得期望性能指标。

Step18：选择具有最高选择概率的组批工件在设备i上开始加工，返回Step1。

所述的动态派工规则的参数包括α₁、β₁、α₂、β₂、γ和σ。所述的学习机学习动态派工规则的参数与实际工况的关系模型具体为：

α₁＝a₁·r_h+b₁·r_p+c₁

β₁＝a₂·r_h+b₂·r_p+c₂

α₂＝a₃·r_h+b₃·r_p+c₃

β₂＝a₄·r_h+b₄·r_p+c₄

γ＝a₅·r_h+b₅·r_p+c₅

σ＝a₆·r_h+b₆·r_p+c₆

式中，r_h为生产线紧急工件比例，r_p为后1/3光刻工件比例(即剩余光刻次数小于总光刻次数的1/3)，a_i、b_i、c_i为系数，i∈{1，2，...，6}。

如图4所示，所述的学习机学习动态派工规则的参数与实际工况的关系模型的具体步骤为：

1)仿真模块根据生产线历史数据动态建立仿真模型；

2)在仿真模型中建立调度规则库、生产线系统/光刻区所需的过程状态(r_h，r_p，r_{h_photo}，r_{p_photo})和性能指标，所述的性能指标包括工件移动步数Move和关键设备利用率Utility；

3)获取设备利用率在60％以上的瓶颈设备；

4)对瓶颈设备采用动态派工规则，分别随机产生对应的α₁、β₁、α₂、β₂、γ、σ值，同时自动记录生产线/加工区的过程状态信息(r_h，r_p，r_{h_photo}，r_{p_photo})、Move和Utility，r_{h_photo}，r_{p_photo}分别表示光刻加工区的紧急工件比例与后1/3光刻工件比例；

5)应用两次BP神经网络算法获得较优的α₁、β₁、α₂、β₂、γ、σ值和(r_h，r_p，r_{h_photo}，r_{p_photo})值；

6)通过线性规划方法获取α₁、β₁、α₂、β₂、γ、σ值和(r_h，r_p，r_{h_photo}，r_{p_photo})值之间的逻辑关系；

7)利用粒子群优化神经网络算法优化α₁、β₁、α₂、β₂、γ、σ值和(r_h，r_p，r_{h_photo}，r_{p_photo})值之间二元一次关系表达式的系数a_i、b_i、c_i。

本发明提供的自适应动态调度装置提供一种用于调度半导体生产线中各设备WIP加工的方法。每个WIP代表采用半导体生产线制造的多种产品类型中的一种产品，此外，本发明也可用于单种产品类型中的所有WIP。该装置为在各设备处等待加工的WIP生成加工优先级(即选择变量)，选取具有最大选择变量的WIP供在各设备处加工。具体地，一旦启动该装置，首先由制造执行系统获得线上工况与待调度工件列表；然后运用学习机训练的模型设置动态派工规则(DDR)参数；再使用DDR计算待调度工件优先级(选择变量)；最后把计算结果显示在显示设备上，辅助管理人员决策。

以图5为例。系统20是包括3个工作台(共5台设备)的半导体生产线模型，各工作台编号分别为W1、W2和W3。其中，W1包括两台设备，即E11与E12，W2包括一台设备，即E21与E22，W3包括一台设备，即E33。每个设备的缓冲区14最多有2个，分别为S111、S112、S121、S122、S211、S212、S221、S222、S331、S332。不同完成状态下的WIP12被放在缓冲区中以供相应的设备加工。在系统20中包括一台计算机10(即自适应动态调度装置中的调度管理器与学习机)，负责接收有关WIP12和设备E的数据，并向各个设备发送加工命令，显示在各个设备处的显示设备上。

每个WIP12具有一个唯一标识码22，可向计算机10输入该标识码以使计算机10辨别WIP12。标识码使得计算机10能够在任何时候清楚WIP12在系统20内的各缓冲区的位置。标识码还能够把计算机10的WIP存储器内的一系列存储单元和WIP12关联起来。

标识码22可以为机器可读的形式，例如条形码，替代地，也可以为人可读的形式，例如一串附着在WIP12上的卡、标牌或标签上的数字和/或字母。再一种替代是位于卡、标牌或标签上的机器可读和人可读的码形式的组合。

若标识码22为机器可读的形式，每个缓冲区14最好带有一个相关的输入装置24，它可用于把标识码22输入到计算机10的WIP存储器中。若标识码22为人可读的形式，可在每个设备安装一个输入装置，如键盘，用于把每个WIP12的标识码22输入到WIP存储器中。

如前面所述，计算机10包括在其中存储各WIP12的唯一标识码22以及相关变量的WIP存储器，和存储各设备E的相关变量的设备存储器。另外，还包括生产状态存储器，这里存储紧急工件比例与后三分之一光刻工件比例，用于实现本发明调度装置对实际生产环境的自适应。

中央处理器(CPU20)和WIP存储器、设备存储器、生产状态存储器连接。CPU20响应从输入装置24接收数据并把数据存储到相应的存储器。CPU20还响应来自实现本发明的设备管理器的调用读出各存储器中存储的数据。此外，CPU20根据本发明的学习机获得的优先级计算结果，向各设备发出关于要在某可使用的设备处加工哪个缓冲区中的WIP12的加工命令，并显示在本发明的显示设备上。

通过参照图6中所示的系统流程图，可以进一步解释根据本发明的自适应动态调度装置对WIP的移动控制过程。图6的系统流程图表示WIP从它在图5左侧的设备E11进入系统20的时刻，到它或者通过图5右侧处的设备E33作为已完成的产品或者作为废品退出系统20的时刻之间的移动。

一旦进入系统20，在步骤32通过使用输入装置24把WIP12的唯一标识码22读入到计算机10中。步骤32运行为在WIP存储器中赋值和WIP相关的变量，包括WIP的交货期、WIP12的生产周期倍增因子、WIP12的剩余净加工时间以及WIP12当前待加工工序的加工时间，以及为在设备存储器中赋值和设备相关的变量，主要是设备的缓冲区中待加工WIP及相应的占用设备时间以及设备的可用时间，记录当前生产状态信息，主要是紧急工件比例与后三分之一光刻工件比例。

在步骤34把WIP12发送到为把WIP12加工成某特定产品所需的第一台设备E11的缓冲区S111处。

接着步骤36运行，对设备E11的信息变量赋值(假定E11是非批加工设备，按照公式(2))。

如果在步骤38处判定设备E11未准备好开始加工或者已经加工其他的WIP，通过返回到步骤38，在能得到设备E11之前暂停对WIP12的进一步加工。如果判定步骤38处确定设备E11是空闲的并且准备好开始加工，则在步骤40处计算WIP12的信息变量(按照公式(1))。

然后按照学习机训练的参数模型设置DDR参数，按公式(3)在步骤42处计算WIP12的选择变量(即优先级)。如果WIP12的选择变量不是在步骤44处可在设备E11上加工的WIP中最大的选择变量，则通过返回到步骤38，在将来能得到设备E11之前暂停对WIP12的加工。若在步骤44处确定WIP12是可在设备E11上加工的WIP中最大的选择变量，则把WIP12送到E11供在步骤46加工。

在完成对WIP12的加工后，在步骤48判定WIP12是否满足作为某特定产品类型对其提出的质量标准，或者是否应该废弃WIP12，若在步骤48确定WIP12不满足该特定产品类型的质量标准，即应该废弃WIP12，结束WIP12的制造过程；若在步骤48中的判定是WIP12满足其产品种类的质量标准并且不应废弃它，则在步骤50进一步判定WIP12是否已经完成全部的加工。若步骤50指示WIP12尚未完成所有的加工工序，则在步骤52将WIP12移动到下一个设备E21的对应的缓冲区S211。

然后在步骤54更新设备E21的信息变量(按照公式(2))，接着按照步骤38判定E21是否空闲，重复上述过程。

现参照图7说明WIP的选择处理。图7中的流程图表示用于计算与每个WIP12相关的选择变量(图6中的步骤42)和用于进行下一步要在设备上加工(图6中的步骤46)的WIP12的选择(图6中的步骤44)的控制程序的操作。步骤56运行确定设备是否可使用，即设备是否空闲以便为需要加工的WIP服务。若步骤56确定设备不能使用，在设备可使用之前该程序一直等待。若步骤56确定设备是可使用的，则在步骤58上为每个等待加工的WIP12计算各WIP12的选择变量。在步骤60比较步骤58处生成的各WIP12的选择变量，并确定哪个选择变量具有最大的数值。接着该程序在步骤62向设备发出加工命令，告诉操作员与步骤60处选取的选择变量对应的WIP12的标识码，例如在与所涉及的设备对应的视频显示器32上显示标识码或者其等同物。通过返回到判定块56结束该例行程序。

利用按照图8的流程图所示的各步骤的一个例行程序为每个WIP12进行图7中步骤58处的选择变量的计算。计算开始于步骤64，以从WIP存储器、设备存储器中读出计算中所需的变量，如WIP12的交货期、生产周期倍增因子、剩余净加工时间、当前待加工工序的加工时间以及设备可用时间。利用这些变量，按公式(1)在步骤66计算WIP信息变量，按公式(2)在步骤68计算设备信息变量，按公式(3)在步骤70计算WIP选择变量。一旦在步骤70对在设备的缓冲区等待的WIP12计算出选择变量后，该程序在步骤72判定是否在设备处还有等待着的可加工WIP12。若在步骤72程序确定在设备的缓冲区处不能找到其他可加工的WIP12，该例行程序终止，并把产生的选择变量传送到步骤60(图7)并且内部返回到步骤64。

上述实施假定设备为非批加工设备，若为批加工设备，则先组批再按相应的公式计算即可，不再赘述。

虽然参照生产多种类型产品的半导体制造系统说明了本发明调度装置的实施方式，本方法亦能用于生产单种类型产品的制造系统的应用。

Claims (6)

1.一种半导体生产线自适应动态调度装置，与制造执行系统连接，其特征在于，所述的调度装置包括调度管理器、学习器和显示设备，所述的调度管理器与制造执行系统连接，所述的调度管理器、学习器和显示设备依次连接；

所述的调度管理器由制造执行系统获取当前待调度工件列表传输给学习器，学习器利用其保存的派工规则计算当前待调度工件加工优先级并传输给显示设备，显示设备对当前待调度工件加工优先级进行显示。

2.根据权利要求1所述的一种半导体生产线自适应动态调度装置，其特征在于，所述的学习器包括动态派工计算模块、学习机和仿真模块，所述的学习机、仿真模块、动态派工计算模块两两连接；

所述的动态派工计算模块中存储有动态派工规则，并利用动态派工规则计算由调度管理器提供的待调度工件的加工优先级；

所述的学习机学习动态派工规则的参数与实际工况的关系模型，并传输给动态派工计算模块；

所述的仿真模块用于模拟实际生产线的运行情况，并调用动态调度规则，生成调度方案，作为上述动态派工规则的参数与实际工况的关系模型学习所需的样本。

3.根据权利要求2所述的一种半导体生产线自适应动态调度装置，其特征在于，所述的动态派工规则具体为：

Step1：当设备i在时刻t变为可用状态时，确定设备是否为批加工设备，若是，则转Step2，若否，则转Step6；

Step2：计算设备i前待调度工件的信息变量

${\mathrm{\&tau;}}_i^n\left(t\right)=\left\{\begin{array}{cc}\mathrm{MAX}& R_i^n\&times;F_n\&GreaterEqual;D_n-t\\ \frac{R_i^n\&times;F_n}{(D_n-t+1)}-\frac{P_i^n}{{\mathrm{\&Sigma;}}_n{P}_i^n}& R_i^n\&times;F_n<D_n-t\end{array}\right.---\left(1\right)$

信息变量

表示待调度工件的加工优先级，

为工件n在设备i上的剩余加工时间，F_n为工件n的平均加工周期与加工时间的比值，

为工件n在设备i上的占用时间，MAX表示信息变量最大；

Step3：计算生产线上其他设备的信息变量

${\mathrm{\&tau;}}_{\mathrm{id}}^n\left(t\right)=\frac{\mathrm{\&Sigma;}{P}_{\mathrm{id}}^n}{T_{\mathrm{id}}}---\left(2\right)$

id为设备i的下游设备索引号，

为工件n在下游设备id上的占用时间，T_id为下游设备id每天的可用时间；

Step4：计算待调度工件的选择概率

$S_n=\left\{\begin{array}{cc}{Q}_i^n& {\mathrm{\&tau;}}_i^n\left(t\right)=\mathrm{MAX}\\ {\mathrm{\&alpha;}}_1{\mathrm{\&tau;}}_i^n\left(t\right)-{\mathrm{\&beta;}}_1{\mathrm{\&tau;}}_{\mathrm{id}}^n\left(t\right)& {\mathrm{\&tau;}}_i^n\left(t\right)\&NotEqual;\mathrm{MAX}\end{array}\right.---\left(3\right)$

为设备i上的工件n的停留时间，α₁、β₁为相对重要程度指标；

Step5：选择具有最高选择概率的工件在设备i上开始加工，返回Step1；

Step6：使用公式(1)计算设备i前待调度工件的信息变量；

Step7：确定设备i前待调度工件是否有紧急工件，即存在

若是，则转Step8，若否，则转Step9；

Step8：进行组批工件操作：

对设备i的各工艺菜单im，若紧急工件数小于B_i，B_i为批加工设备i的加工能力，检测设备i前的普通工件是否与紧急工件采用相同工艺菜单，如果满足条件的普通工件数小于设定值，则按照工件等待时间越长越优先的原则选择设备i前工件组批，为二进制变量，否则，选择所有满足要求的普通工件组批；若紧急工件数大于等于B_i，直接选出最紧急的且满足最大加工批量的紧急工件组批；转Step17；

Step9：按照公式(1)判断下一步要使用批加工设备i加工的工件是否为紧急工件，若是，则转Step10；若否，则转Step11；

Step10：等待紧急工件的到达，然后转Step8组批工件；

Step11：判断批加工设备i的缓冲区内的待调度工件是否超过其日最高加工能力，若是，则该设备i为瓶颈设备，转Step12，若否，则转Step13；

Step12：按照待调度工件使用的设备i的工艺菜单im进行组批，若使用同一工艺菜单的工件超过了最大加工批量，按照工件等待时间越长越优先的原则分别组批，转Step17；

Step13：判断下游设备id的缓冲区内的待调度工件是否低于其日最低加工能力，若是，则下游设备id为空闲设备，转Step14，若否，则转Step16；

Step14：判断设备i的待调度工件中是否存在其下一步工序要到空闲下游设备id等待加工的工件，若是，则转Step15，若否，则转Step16；

Step15：进行组批工件操作：

对设备i的各工艺菜单im，获取下一步工序要在空闲下游设备上加工的并使用该工艺菜单的工件数目，如果小于设备的最大加工批量B_i，则检测是否存在其他工件与这些工件使用相同的工艺菜单，若满足条件的工件数目大于设定值，则按照工件等待时间越长越优先的原则选出若干个非紧急工件以满足最大加工批量；如果大于等于最大加工批量B_i，则直接选出排队时间最长的满足最大加工批量的工件组批；转Step17；

Step16：等待新工件的到来，转Step6；

Step17：确定各组批工件的优先级：

${\mathrm{\&Gamma;}}_k={\mathrm{\&alpha;}}_2\frac{N_{\mathrm{ik}}^h}{B_i}+{\mathrm{\&beta;}}_2\frac{B_k}{\max \left(B_k\right)}-\mathrm{\&gamma;}\frac{P_i^k}{\max \left(P_i^k\right)}-\mathrm{\&sigma;}(N_{\mathrm{id}}^h/({\mathrm{\&Sigma;}}_k{N}_{\mathrm{id}}^h+1))---\left(4\right)$

其中，

是组批k中紧急工件数目；B_k是组批k的组批大小；

是组批k在设备i上的占用时间；

是组批的下游设备的最大负载；α₂、β₂、γ、σ是相对重要程度指标；

Step18：选择具有最高选择概率的组批工件在设备i上开始加工，返回Step1。

4.根据权利要求2所述的一种半导体生产线自适应动态调度装置，其特征在于，所述的动态派工规则的参数包括α₁、β₁、α₂、β₂、γ和σ。

5.根据权利要求4所述的一种半导体生产线自适应动态调度装置，其特征在于，所述的学习机学习动态派工规则的参数与实际工况的关系模型具体为：

α₁＝a₁·r_h+b₁·r_p+c₁

β₁＝a₂·r_h+b₂·r_p+c₂

α₂＝a₃·r_h+b₃·r_p+c₃

β₂＝a₄·r_h+b₄·r_p+c₄

γ＝a₅·r_h+b₅·r_p+c₅

σ＝a₆·r_h+b₆·r_p+c₆

式中，r_h为生产线紧急工件比例，r_p为后1/3光刻工件比例，a_i、b_i、c_i为系数，i∈{1，2，...，6}。

6.根据权利要求5所述的一种半导体生产线自适应动态调度装置，其特征在于，所述的学习机学习动态派工规则的参数与实际工况的关系模型的具体步骤为：

1)仿真模块根据生产线历史数据动态建立仿真模型；

2)在仿真模型中建立调度规则库、生产线系统/光刻区所需的过程状态(r_h，r_p，r_{h_photo}，r_{p_photo})和性能指标，所述的性能指标包括工件移动步数Move和关键设备利用率Utility；

3)获取设备利用率在60％以上的瓶颈设备；

4)对瓶颈设备采用动态派工规则，分别随机产生对应的α₁、β₁、α₂、β₂、γ、σ值，同时自动记录生产线/加工区的过程状态信息(r_h，r_p，r_{h_photo}，r_{p_photo})、Move和Utility，r_{h_photo}，r_{p_photo}分别表示光刻加工区的紧急工件比例与后1/3光刻工件比例；

5)应用两次BP神经网络算法获得较优的α₁、β₁、α₂、β₂、γ、σ值和(r_h，r_p，r_{h_photo}，r_{p_photo})值；

6)通过线性规划方法获取α₁、β₁、α₂、β₂、γ、σ值和(r_h，r_p，r_{h_photo}，r_{p_photo})值之间的逻辑关系；

7)利用粒子群优化神经网络算法优化α₁、β₁、α₂、β₂、γ、σ值和(r_h，r_p，r_{h_photo}，r_{p_photo})值之间二元一次关系表达式的系数a_i、b_i、c_i。

Images