CN105045243A - 一种半导体生产线动态调度装置 - Google Patents

Abstract

本发明涉及一种半导体生产线动态调度装置，包括：用于生成数据样本的样本生成模块；用于根据所述数据样本建立调度模型的调度模型离线学习模块；用于根据用户调度目标和所述调度模型生成实时调度策略进行半导体生产线在线调度的生产线在线调度模块，根据用户的调度要求从调度模型库中选择相适应的调度模型，并输入半导体生产线的系统状态信息，应用调度模型从候选的调度策略中选择最优或近似最优的调度策略应用于生产线运行。与现有技术相比，本发明具有满足调度实时性和优化，同时也能满足调度的有效性，有利于提高生产线整体性能的优势。

Description

一种半导体生产线动态调度装置

技术领域

本发明涉及生产自动化调度领域，尤其是涉及一种半导体生产线动态调度装置。

背景技术

随着信息科技的迅速发展，半导体制造业已经成为国民经济的支柱产业和全球高科技产业的主流。半导体生产线调度问题是半导体企业生产线管理的核心内容，也是提高企业核心竞争力的关键。由于半导体生产线是一个动态系统，存在着各种随机性和不确定性因素，如机器故障、紧急生产任务插入等，因此，半导体生产线的现场管理需要有动态调度的要求，即根据半导体生产线的实时生产状态快速寻求到一个调度策略组合，使得半导体生产线在下个调度周期中达到的整体性能最优或近似最优。

经对国内外的期刊和中国专利进行检索后，在半导体生产调度中，已有一些成果。在中国专利“应用于多重入复杂制造系统的调度方法”(公开号：CN101604409)中，曹政才等发明了一种应用于多重入复杂制造系统的调度方法，针对其典型代表——半导体生产线为研究对象，根据半导体生产线调度的特点，以规则调度为主线，对工件投料策略、工件选设备规则、批加工调度规则和单件加工设备调度规则按照一定方式进行编码，在考虑工件的准时交货率、产量和平均加工周期多目标优化性基础上，构造适应度函数，运用免疫遗传思想，抽取对遗传进化贡献较大的基因片段作为疫苗，在遗传过程中通过对个体注射疫苗来加大进化压力，从而依托免疫方法进行全局搜索来获得调度最优解，以此指导实际半导体生产制造。所提出的方法免疫方法简单、易于实现，是一种有效的可重入复杂生产系统调度方法，但是该方法的适应度值的评价依赖于仿真模型，求解速度过慢。

在中国专利“基于多蚁群优化的半导体生产线排程方法”(公开号：CN102253662)中，李莉等提供了一种多蚁群优化的半导体生产线排程方法。该排程方法的实施步骤为：确定半导体生产线的瓶颈加工区域；设蚁群的个数为瓶颈加工区域的数目，初始化多蚁群系统；各个蚁群系统并行搜索各瓶颈加工区域的排程方案；将每个加工区域的排程方案按工序加工顺序约束整合为一个针对所有瓶颈加工区域的排程方案，并以该方案和工序加工顺序为约束，推导出其他非瓶颈区域的排程方案，从而获得整条半导体生产线的排程方案；判断是否满足程序终止条件，如果满足，则输出性能最优的排程方案；否则，使用目前性能最优的排程方案更新蚁群的信息素，开始新一轮的搜索过程。该方法的优点是直接使用智能优化方法获得半导体生产线的排程方案，缺点是运算时间长，难以满足生产实时性的要求。

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”(公开号：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的选择变量进行比较，并选择其中的一个进行加工。该调度方法可以同时改善生产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，同时其计算量小、效率高、实时性好、易实现。

而在系统和装置设计方面，中国专利“半导体制造系统的重调度决策系统”(公开号：CN101424919)中，张洁等设计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“一种半导体生产线自适应动态调度装置”(公开号：CN103439886)中，李莉等针对瓶颈设备提出了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。该调度装置包括调度管理器、学习器和显示设备，调度管理器与制造执行系统连接，调度管理器、学习器和显示设备依次连接；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，供调度人员作决策。该调度方法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，但该方法主要针对瓶颈加工区。

半导体生产线的动态调度问题采用传统优化调度方法(运筹学方法、启发式方法、人工智能方法等)往往在生产性能和实时性无法满足要求。同时，单个加工区的优化并不代表着整条生产线的优化。由于半导体生产线生产运行的复杂性，必需为其配备制造执行系统(ManufacturingExecutionSystem，MES)系统辅助运行控制。MES系统已经积累了大量与生产线有关的历史数据，并可实时采集到生产数据。这些生产数据中隐含了与实际车间调度相关的大量有效信息，在半导体生产线中，应考虑应用与生产调度相关的数据来有效地解决动态调度的问题，同时形成装置，可实际应用。

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半导体生产线动态调度装置，既能改善生产线性能指标，又能满足半导体生产线调度的实时性的要求。

本发明的目的可以通过以下技术方案来实现：

一种半导体生产线动态调度装置，包括：

用于生成数据样本的样本生成模块；

用于根据所述数据样本建立调度模型的调度模型离线学习模块；

用于根据用户调度目标和所述调度模型生成实时调度策略进行半导体生产线在线调度的生产线在线调度模块。

所述样本生成模块包括半导体生产线模型单元和样本数据库，所述半导体生产线模型单元根据实际的半导体生产线生产状态和候选调度策略生成数据样本，存储于样本数据库。

所述半导体生产线模型单元生成数据样本的具体过程为：

1a)确定与实际调度环境相关的生产属性集、调度策略集和生产线性能指标集；

1b)根据半导体生产线物理特征和控制特征构建仿真模型；

1c)向仿真模型输入一条生产线状态数据，初始化仿真模型生产状态，获取一个生产线状态所对应的生产属性数据，应用调度策略，运行模型一个调度周期，获取该调度策略下的生产线性能指标值，形成一条数据样本，若有m个调度策略，则运行m次仿真模型，形成m条数据样本，即每个生产线状态对应着m条数据样本；

1d)对所有的生产线状态数据逐条进行步骤1c)，形成数据样本，所述数据样本包括生产线状态、调度策略和相应的生产线性能指标。

所述生产属性集包括产品属性、设备属性和加工区属性；

所述调度策略集包括基于交货期的调度策略、基于加工周期的调度策略、基于工件等待时间的调度策略、基于负载均衡的调度策略和混合调度策略；

所述生产线性能指标集包括硅片总移动量、移动速率、生产率、在制品水平和设备利用率。

所述调度模型离线学习模块根据所述数据样本建立调度模型的具体过程为：

2a)在生成的数据样本中，每个生产线状态都对应着m条样本数据，根据生产线性能指标集中的一个性能指标值或生产线综合性能指标值大小，选出该性能最佳下的所采用的调度策略，即以生产线性能指标集中的一个或多个性能指标为调度目标，选出每个生产状态下的最优调度策略，生产线状态、最优调度策略及对应的调度目标组成该调度目标下的最优样本，保存于最优样本数据库；

2b)在某一调度目标下，将最优样本数据库中的样本数据进行归一化处理，分为训练样本集TE₁和测试样本集TE₂；

2c)采用基于GA-ELM的特征选择与分类算法对训练样本集TE₁进行学习，获得经过特征选择后的最优生产属性子集，即特征子集，并形成基于ELM的中间调度模型A*；

2d)将测试样本集TE₂输入到所述中间调度模型A*中，将获得的调度策略与测试样本中的调度策略对比，判断基于特征子集所获得的调度策略正确率是否优于基于未经特征选择的生产属性全集所获得的调度策略正确率，若是，则记录该特征子集，作为当前最优特征子集SF，转至步骤2e)，若否，则更新模型学习参数，返回步骤2c)；

2e)将当前最优特征子集SF作为ELM算法的输入，再次对训练样本集TE₁进行学习，获得最终用于指导半导体生产线运行的ELM调度模型A。

所述基于GA-ELM的特征选择与分类算法具体为：

3a)对生产属性集进行0-1编码，编码后形成染色体F＝(f₁,f₂,f₃…f_nf)，其中f_i等于“1”或“0”，i＝1,2,3…,nf，“1”代表第i个生产属性被选中，“0”代表第i个生产属性未被选中，nf为生产属性个数；

3b)初始化种群，包括种群规模、交叉概率和变异概率；

3c)对染色体进行解码，得到特征选择后的生产属性子集，即特征子集；

3d)初始化ELM算法，包括隐含层节点数和隐含层节点的激活函数，并随机设置输入层与隐含层间的连接权值和隐含层节点的偏置；

3e)将经特征选择后的生产属性子集作为输入层变量，调度策略作为输出层变量，计算输出层权值，形成基于ELM的调度模型，应用测试样本集TE₂评价所生成的ELM调度模型的预测精度，进而计算染色体的适应度，适应度函数定义如下：

$Fitness=\frac{n_c}{n_u}*100\%$

其中，n_c代表测试样本集TE₂中预测结果与实际结果相同的样本个数，n_u是测试样本的总个数；

3f)判断是否满足算法终止条件，若是，则输出优化的生产属性子集，若否，则经过选择、交叉、变异后，返回步骤3c)，直到满足终止条件为止。

所述步骤3e)中，形成基于ELM的调度模型具体为：

3e1)随机设置初始连接权值W_i和偏置θ_i，i＝1,2,…,l，l为隐含层节点数，W_i＝[w_i1,w_i2,…,w_in]^T是第i个隐含层节点与输入节点的连接权值，w_ij是第i个隐含层节点与第j个输入节点的连接权值，n为输入节点数，θ_i是第i个隐含层节点的偏置量；

3e2)计算隐含层输出矩阵S：

$S(W_1,...,W_l,{\mathrm{\θ}}_1,...,{\mathrm{\θ}}_l,X_1,...,X_N)={\left[\begin{array}{ccc}g(W_1\·X_1+{\mathrm{\θ}}_1)& ...& g(W_l\·X_1+{\mathrm{\θ}}_l)\\ \begin{array}{c}.\\ .\\ .\end{array}& \begin{array}{c}\\ ...\\ \end{array}& \begin{array}{c}.\\ .\\ .\end{array}\\ g(W_1\·X_N+{\mathrm{\θ}}_1)& ...& g(W_l\·X_N+{\mathrm{\θ}}_l)\end{array}\right]}_{N\×l}$

其中，X_k为输入向量，k＝1,2,…,N，N为样本个数，g(·)为无限可微的激活函数；

3e3)计算输出层权值V：

V＝S⁺O

其中，S⁺是矩阵S的Moore-Penrose广义逆矩阵，O＝(O₁,O₂,...,O_N)^T，O_k为输出向量；

3e4)建立基于ELM的调度模型，其输入输出的关系表示为：

$O_k=f\left(X_k\right)={\left[\begin{array}{ccc}g(W_1\·X_1+{\mathrm{\θ}}_1)& ...& g(W_l\·X_1+{\mathrm{\θ}}_l)\\ \begin{array}{c}.\\ .\\ .\end{array}& \begin{array}{c}\\ ...\\ \end{array}& \begin{array}{c}.\\ .\\ .\end{array}\\ g(W_1\·X_N+{\mathrm{\θ}}_1)& ...& g(W_l\·X_N+{\mathrm{\θ}}_l)\end{array}\right]}_{N\×l}V$

。

所述步骤2d)中，模型学习参数包括交叉概率、变异概率和隐含层节点数。

所述生产线在线调度模块生成实时调度策略具体为：

对于t时刻的生产线状态X_t，根据当前调度目标确定特征选择后的生产属性子集X_t'，对生产线状态X_t进行归一化处理得X_Nt'，将X_Nt'输入至ELM调度模型A中，可得到对应的调度策略。

与现有技术相比，本发明具有以下有益效果：

1)本发明提供的动态调度装置根据半导体生产线的实时生产状态，快速提供下一调度周期可应用的半导体生产线的最优调度策略，辅助生产决策；

2)本发明提供的动态调度装置利用从企业生产线获得的生产数据，通过特征选择去除了大量冗余或无关的生产属性，保证了分类的精度，即也确保了动态调度装置所输出的调度策略具有较高的准确度；

3)本发明提供的动态调度装置可以根据需要优化指定的生产线某个或综合性能指标，为加工区特别是瓶颈加工区选择最优的调度策略，以提高生产线的性能，包括，设备利用率、生产率、平均加工周期、硅片总移动量和移动速率等；

4)本发明提供了切实可行的半导体生产线动态调度装置，对解决半导体生产线动态调度难题具有重要的使用价值，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。

5)本发明提供的动态调度装置不仅适用于半导体制造系统，而且适用于其他复杂制造系统。

附图说明

图1为本发明的结构示意图；

图2为本发明中基于GA-ELM的特征选择与分类算法的流程框图；

图3为基于GA-ELM的特征选择与分类算法的详细设计流程图；

图4为本发明采用的交叉算子原理图；

图5为本发明采用的变异算子原理图。

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1所示，本实施例提供一种半导体生产线动态调度装置，其特征在于，包括用于生成数据样本的样本生成模块、用于根据数据样本建立调度模型的调度模型离线学习模块和用于根据用户调度目标和调度模型生成实时调度策略进行半导体生产线在线调度的生产线在线调度模块。

1)数据样本的生成

样本生成模块包括半导体生产线模型单元和样本数据库，半导体生产线模型单元根据实际的半导体生产线生产状态和候选调度策略生成数据样本，存储于样本数据库。半导体生产线模型单元生成数据样本的具体过程为：

1a)确定与实际调度环境相关的生产属性集、调度策略集和生产线性能指标集，生产属性集包括产品属性、设备属性和加工区属性；调度策略集包括基于交货期的调度策略、基于加工周期的调度策略、基于工件等待时间的调度策略、基于负载均衡的调度策略和混合调度策略等；生产线性能指标集包括硅片总移动量、移动速率、生产率、在制品水平和设备利用率等；

1b)根据半导体生产线物理特征和控制特征构建仿真模型；

1c)向仿真模型输入一条生产线状态数据，初始化仿真模型生产状态，获取一个生产线状态所对应的生产属性数据，应用调度策略，运行模型一个调度周期，获取该调度策略下的生产线性能指标值，形成一条数据样本，若有m个调度策略，则运行m次仿真模型，形成m条数据样本，即每个生产线状态对应着m条数据样本；

1d)对所有的生产线状态数据逐条进行步骤1c)，形成数据样本，所述数据样本包括生产线状态、调度策略和相应的生产线性能指标。

2)调度模型的建立

调度模型离线学习模块包括最优样本筛选、最优样本数据库和离线学习三个子模块，其应用极限学习机(ExtremeLearningMachine，ELM)机器学习方法根据数据样本建立调度模型的具体过程为：

2a)在生成的数据样本中，每个生产线状态都对应着m条样本数据，根据生产线性能指标集中的一个性能指标值或生产线综合性能指标(多个性能指标)值大小，选出该性能最佳下的所采用的调度策略，即以生产线性能指标集中的一个或多个性能指标为调度目标，选出每个生产状态下的最优调度策略，生产线状态、最优调度策略及对应的调度目标组成选择最优调度策略，得到该调度目标下的最优样本，保存于最优样本数据库；

2b)在某一调度目标下，将最优样本数据库中的样本数据进行归一化处理，分为训练样本集TE₁和测试样本集TE₂；

归一化处理采用线性函数转换法，具体转化如下：

$y=\frac{x-x_{Min}}{x_{Max}-x_{Min}}$

其中，x,y分别为样本转换前、后的值，x_Max,x_Min分别为样本的最大值和最小值；

2c)采用基于GA-ELM(GeneticAlgorithm-ExtremeLearningMachine，遗传算法-极限学习机相结合)的特征选择与分类算法对训练样本集TE₁进行学习，获得最优的生产属性子集，即特征子集，并形成基于ELM的中间调度模型A*；

2d)将测试样本集TE₂输入到中间调度模型A*中，将获得的调度策略与测试样本中的调度策略对比，判断基于特征子集(经过特征选择后的生产属性子集)所获得的调度策略正确率是否优于基于全集所获得的调度策略正确率，若是，则记录该特征子集，作为当前最优特征子集SF，转至步骤2e)，若否，则更新模型学习参数，包括交叉概率、变异概率和隐含层节点数，返回步骤2c)；

2e)将当前最优特征子集SF作为ELM算法的输入，再次对训练样本集TE₁进行学习，获得最终用于指导半导体生产线运行的ELM调度模型A。

如图2-图3所示，基于GA-ELM的特征选择与分类算法是应用GA迭代寻找最优的生产属性子集，并形成基于ELM的中间调度模型A*，具体为：

3a)对生产属性集进行0-1编码，编码后形成染色体F＝(f₁,f₂,f₃…f_nf)，其中f_i等于“1”或“0”，i＝1,2,3…,nf，“1”代表第i个生产属性被选中，“0”代表第i个生产属性未被选中，nf为生产属性个数；

3b)初始化种群，包括种群规模、交叉概率和变异概率；

3c)对染色体进行解码，得到特征选择后的生产属性子集，即特征子集；

3d)初始化ELM算法，包括隐含层节点数和隐含层节点的激活函数，并随机设置输入层与隐含层间的连接权值和隐含层节点的偏置；

3e)将经特征选择后的生产属性子集作为输入层变量，调度策略作为输出层变量，计算输出层权值，形成基于ELM的调度模型，应用测试样本集评价所生成的ELM调度模型的预测精度，进而计算染色体的适应度，适应度函数定义如下：

$Fitness=\frac{n_c}{n_u}*100\%$

其中，n_c代表测试样本集TE₂中预测结果与实际结果相同的样本个数，n_u是测试样本的总个数；

3f)判断是否满足算法终止条件，若是，则输出优化的生产属性子集，若否，则经过选择、交叉、变异后，返回步骤3c)，直到满足终止条件为止。

上述基于GA-ELM的特征选择与分类算法中，GA算法中的选择、交叉、变异操作算子如下：

所述的选择操作是选择进入下一代种群的染色体。本发明选择轮盘赌选择作为选择算子，定义如下：

$P_j=\frac{{\mathrm{Fitness}}_j}{{\mathrm{\Σ}}_{i=1}^J{\mathrm{Fitness}}_i}$

其中，P_j代表第j个染色体被选中的几率，Fitness_j代表第j个染色体的适应度值，J代表种群中染色体个数。每条染色体被选中的几率与它的适应度值呈线性关系。

所述的交叉操作是交换两个染色体的一些基因，从而产生两个新的染色体，这样可扩大搜索范围，加快寻找最优解的速度。本发明选择单点交叉法作为交叉算子，如图4所示。

所述的变异操作是指定每个染色体编码串中的基因作为变异点，每个变异点都以设定的变异概率在0-1之间进行切换。变异操作增加了染色体的多样性，减少陷入局部解的可能。本发明选择均匀变异作为变异算子，如图5所示。

ELM机器学习算法的输入层有n个节点，以提供n维的输入向量X_k使用，隐含层有l个隐含节点，输出层有一个节点，对应一维的输出向量O_k。对于给定的N个训练样本TE＝{(X_k,Y_k)|X_k∈Rⁿ,Y_k∈I,k＝1,…,N}(Rⁿ表示n维实数集，I表示整数集)，其中样本输入向量X_k＝(x_k1,x_k2,…,x_kn)^T，表示经过特征选择的生产属性集(即，特征选择后保留的n个属性)；其对应的样本输出向量Y_k＝(y_k)，表示样本实际的最优调度策(假设候选调度策略集中共有m种组合，则最优调度策略是其中的一种组合，因此，用取值1～m的整数y_k表示样本中的调度策略)。模型的激活函数为g(x)，隐含层节点数为l，则步骤3e)中，形成基于ELM的调度模型具体为：

3e1)随机设置初始连接权值W_i和偏置θ_i，i＝1,2,…,l，l为隐含层节点数，W_i＝[w_i1,w_i2,…,w_in]^T是第i个隐含层节点与输入节点的连接权值，其中w_ij是第i个隐含层节点与第j个输入节点的连接权值，θ_i是第i个隐含层节点的偏置量；

3e2)计算隐含层输出矩阵S：

$S(W_1,...,W_l,{\mathrm{\θ}}_1,...,{\mathrm{\θ}}_l,X_1,...,X_N)={\left[\begin{array}{ccc}g(W_1\·X_1+{\mathrm{\θ}}_1)& ...& g(W_l\·X_1+{\mathrm{\θ}}_l)\\ \begin{array}{c}.\\ .\\ .\end{array}& \begin{array}{c}\\ ...\\ \end{array}& \begin{array}{c}.\\ .\\ .\end{array}\\ g(W_1\·X_N+{\mathrm{\θ}}_1)& ...& g(W_l\·X_N+{\mathrm{\θ}}_l)\end{array}\right]}_{N\×l}$

其中，X_k为输入向量，k＝1,2,…,N，N为样本个数，g(·)为无限可微的激活函数；

3e3)计算输出层权值V：

V＝S⁺O

其中，S⁺是矩阵S的Moore-Penrose广义逆矩阵，O＝(O₁,O₂,...,O_N)^T，O_k为输出向量；

3e4)建立基于ELM的调度模型，其输入输出的关系表示为：

$O_k=f\left(X_k\right)={\left[\begin{array}{ccc}g(W_1\·X_1+{\mathrm{\θ}}_1)& ...& g(W_l\·X_1+{\mathrm{\θ}}_l)\\ \begin{array}{c}.\\ .\\ .\end{array}& \begin{array}{c}\\ ...\\ \end{array}& \begin{array}{c}.\\ .\\ .\end{array}\\ g(W_1\·X_N+{\mathrm{\θ}}_1)& ...& g(W_l\·X_N+{\mathrm{\θ}}_l)\end{array}\right]}_{N\×l}V$

3)在线调度

生产线在线调度模块生成实时调度策略具体为：对于t时刻的生产线状态X_t，根据当前调度目标确定特征选择后的生产属性子集X_t'，对生产线状态X_t进行归一化处理得X_Nt'，将X_Nt'输入至ELM调度模型A中，由模型输出Y_t＝f(X_Nt')，可得到对应的调度策略。

以上海市某半导体芯片制造公司为例，说明上述方法的有效性。上海市某芯片制造公司是一家国内先进的模拟芯片代工厂，从事集成电路设计、制造、销售和技术服务等的高新技术企业。该企业拥有一条5、6吋芯片混合生产线，共有800多台物理设备、上百种产品、上千种加工流程工艺、数万片左右的加工规模。生产线包括氧化扩散区、溅射区、光刻区、干法刻蚀区、淀积区、外延区、注入区、湿法清洗区、虚拟设备区以及测试区在内的10个加工区，生产线上的设备具有多样性，包括单片加工、批加工、多片加工、ClusterTools以及槽类设备。在生产调度中，存在掩模版等资源约束和Q-Time、Lag-Time等工艺约束，调度更为复杂。本实施例以上述5、6吋半导体芯片生产线为实施对象进行详细说明。

具体实施过程如下：

步骤1，确定半导体生产线生产属性集、调度策略集和性能指标集，本例中三个数据集的具体设置如下：

1)生产属性集

结合对半导体生产线状态属性的分析与实际生产线情况，本例从产品属性、设备属性和缓冲区属性角度选出67个生产属性进行分析研究，如表1所示。

表1生产属性集

2)调度策略集

本例主要考虑在氧化扩散区和光刻区两个瓶颈区采取不同的调度策略，以企业的经验调度规则(GeneralRule，GR)和常用启发式调度规则作为每个调度区域规则选择的依据，这里，氧化扩散区候选调度策略包括通用规则(GR)、均衡生产(LB)两种，光刻区候选调度策略包括通用规则(GR)、最短加工时间优先(SPT)、最短等待时间优先(LS)，其余加工区为先入先出优先(FIFO)三种，调度策略组合编码为：氧化扩散区调度策略_光刻区调度策略，即调度策略集包括GR_GR、GR_SPT、GR_LS、LB_GR、LB_SPT、LB_LS六种。

3)性能指标集

综合考虑6个性能指标：平均加工周期(Mean_Cycle_Time)、硅片总移动量(MOV_All)、移动速率(Turn)、生产率(Throughput_rate)、在制品水平(WIP)、设备利用率(Utilization)。

步骤2，借助自主研发的半导体生产线调度仿真软件(FabSimSys)(软件著作版权登记号：2011SR066503)，利用企业历史生产数据，模拟生产线的运行状况，通过仿真得到的生产线历史决策信息集，在此基础上建立调度模型所需的样本集，概括为以下3步：

1)在仿真开始前加载生产线的初始状态信息(生产线历史数据)；

2)利用仿真模型遍历调度规则集中的所有候选调度策略，并记录模型运行结束时每种调度策略对应的性能指标值；

3)以优化某个或综合性能指标为目标，从采集的数据中筛选出每个生产状态下最优的调度策略，组成样本集并进行归一化处理。

本例共采集440条样本，其中训练样本350条，用于生成调度模型；预测样本90条，用于检验所生成调度模型的性能。

步骤3，调度模型利用基于GA-ELM的特征选择与分类算法对训练样本集进行训练，应用GA迭代寻找最优的生产属性子集，建立基于ELM算法的调度模型。概括为以下6步：

1)对生产属性子集进行二进制编码，初始化GA，种群规模sizepop＝50，交叉概率P_c＝0.8，变异概率P_m＝0.05，最大迭代次数MaxGen＝50；

2)对初始化后的二进制染色体进行解码，获得最优生产属性子集的候选解，将约简后的样本分为训练样本和测试样本；

3)初始化ELM算法，包括隐含层神经元个数l＝20，激活函数g(x)为Sigmoidal函数；

4)将训练样本中的最优生产属性子集作为输入层变量，调度策略作为输出层变量。计算输出层权值，形成ELM调度模型。测试样本评估每条染色体形成调度模型的分类精度，计算染色体的适应度值；

5)若迭代次数MaxGen达到50，则输出最优生产属性子集SF，否则经过选择、交叉、变异，继续迭代寻优，直到满足终止条件为止；

6)采用最优生产属性子集对训练样本集进行训练，得到最终的调度模型A。

步骤4，将测试样本代入步骤3得到的调度模型A中进行测试，获得调度策略预测精度。

表2是在训练样本350条，测试样本为90条的条件下，在综合考虑6个性能指标，应用本发明所提供的动态调度装置中的调度模型(基于ELM的调度模型)所获得的性能统计表(取10组测试结果的平均值)，其中调度模型算法包括在生产属性全集上直接应用ELM算法和在生产属性子集上应用ELM算法(GA-ELM)。

表2ELM、GA-ELM性能统计表

由表2看出，调度模型算法采用GA-ELM算法(即经特征选择)比直接采用ELM算法(没有经特征选择)，所得的平均预测精度提高3.39％，并且平均预测时间降低了28.6％。调度模型算法采用GA-ELM算法，其生产属性子集规模为28个，减少了大量的冗余或无关的生产属性，并且两种算法的平均预测时间都很短(秒级)，都满足实时性调度要求。

表3是20条测试样本应用基于ELM的调度模型和应用启发式调度策略组合在生产性能指标上的均值比较。

表3基于ELM的动态调度策略与启发式调度规则在性能指标上的均值比较

由表3看出，相比于启发式调度策略组合，基于ELM的调度模型对5种短期性能指标(MOV_All、Turn、Throughput_rate、WIP、Utilization)效果较好，但在长期性能指标(Mean_Cycle_Time)方面并没有优势，从实际生产上看，动态调度确实很难关注长期性能指标。因此，从整体上来说，所提出的基于ELM的调度模型能较好地指导生产线调度。

本发明提供的动态调度装置能快速有效地实现半导体生产线的动态调度。具体地，如果调度装置是一个全新的装置，调度模型不存在或需要更新时，调度模型离线学习模块利用生产线历史数据生成调度模型，并提供给调度模型库，供在线调度模块使用；如果存在有效的调度模型，则在线调度模块依据用户的调度期望，输入半导体生产线的实时状态，便可输出满足用户期望的调度策略，供生产线调度使用。

以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本发明的实质内容。

Claims (9)

1.一种半导体生产线动态调度装置，其特征在于，包括：

用于生成数据样本的样本生成模块；

用于根据所述数据样本建立调度模型的调度模型离线学习模块；

用于根据用户调度目标和所述调度模型生成实时调度策略进行半导体生产线在线调度的生产线在线调度模块。

2.根据权利要求1所述的半导体生产线动态调度装置，其特征在于，所述样本生成模块包括半导体生产线模型单元和样本数据库，所述半导体生产线模型单元根据实际的半导体生产线生产状态和候选调度策略生成数据样本，存储于样本数据库。

3.根据权利要求2所述的半导体生产线动态调度装置，其特征在于，所述半导体生产线模型单元生成数据样本的具体过程为：

1a)确定与实际调度环境相关的生产属性集、调度策略集和生产线性能指标集；

1b)根据半导体生产线物理特征和控制特征构建仿真模型；

1c)向仿真模型输入一条生产线状态数据，初始化仿真模型生产状态，获取一个生产线状态所对应的生产属性数据，应用调度策略，运行模型一个调度周期，获取该调度策略下的生产线性能指标值，形成一条数据样本，若有m个调度策略，则运行m次仿真模型，形成m条数据样本，即每个生产线状态对应着m条数据样本；

1d)对所有的生产线状态数据逐条进行步骤1c)，形成数据样本，所述数据样本包括生产线状态、调度策略和相应的生产线性能指标。

4.根据权利要求3所述的半导体生产线动态调度装置，其特征在于，所述生产属性集包括产品属性、设备属性和加工区属性；

所述调度策略集包括基于交货期的调度策略、基于加工周期的调度策略、基于工件等待时间的调度策略、基于负载均衡的调度策略和混合调度策略；

所述生产线性能指标集包括硅片总移动量、移动速率、生产率、在制品水平和设备利用率。

5.根据权利要求3所述的半导体生产线动态调度装置，其特征在于，所述调度模型离线学习模块根据所述数据样本建立调度模型的具体过程为：

2a)在生成的数据样本中，每个生产线状态都对应着m条样本数据，根据生产线性能指标集中的一个性能指标值或生产线综合性能指标值大小，选出该性能最佳下的所采用的调度策略，即以生产线性能指标集中的一个或多个性能指标为调度目标，选出每个生产状态下的最优调度策略，生产线状态、最优调度策略及对应的调度目标组成该调度目标下的最优样本，保存于最优样本数据库；

2b)在某一调度目标下，将最优样本数据库中的样本数据进行归一化处理，分为训练样本集TE₁和测试样本集TE₂；

2c)采用基于GA-ELM的特征选择与分类算法对训练样本集TE₁进行学习，获得经过特征选择后的最优生产属性子集，即特征子集，并形成基于ELM的中间调度模型A*；

2d)将测试样本集TE₂输入到所述中间调度模型A*中，将获得的调度策略与测试样本中的调度策略对比，判断基于特征子集所获得的调度策略正确率是否优于基于未经特征选择的生产属性全集所获得的调度策略正确率，若是，则记录该特征子集，作为当前最优特征子集SF，转至步骤2e)，若否，则更新模型学习参数，返回步骤2c)；

2e)将当前最优特征子集SF作为ELM算法的输入，再次对训练样本集TE₁进行学习，获得最终用于指导半导体生产线运行的ELM调度模型A。

6.根据权利要求5所述的半导体生产线动态调度装置，其特征在于，所述基于GA-ELM的特征选择与分类算法具体为：

3a)对生产属性集进行0-1编码，编码后形成染色体F＝(f₁,f₂,f₃...f_nf)，其中f_i等于“1”或“0”，i＝1,2,3...,nf，“1”代表第i个生产属性被选中，“0”代表第i个生产属性未被选中，nf为生产属性个数；

3b)初始化种群，包括种群规模、交叉概率和变异概率；

3c)对染色体进行解码，得到特征选择后的生产属性子集，即特征子集；

3d)初始化ELM算法，包括隐含层节点数和隐含层节点的激活函数，并随机设置输入层与隐含层间的连接权值和隐含层节点的偏置；

3e)将经特征选择后的生产属性子集作为输入层变量，调度策略作为输出层变量，计算输出层权值，形成基于ELM的调度模型，应用测试样本集TE₂评价所生成的ELM调度模型的预测精度，进而计算染色体的适应度，适应度函数定义如下：

$Fitness=\frac{n_c}{n_u}*100\%$

其中，n_c代表测试样本集TE₂中预测结果与实际结果相同的样本个数，n_u是测试样本的总个数；

3f)判断是否满足算法终止条件，若是，则输出优化的生产属性子集，若否，则经过选择、交叉、变异后，返回步骤3c)，直到满足终止条件为止。

7.根据权利要求6所述的半导体生产线动态调度装置，其特征在于，所述步骤3e)中，形成基于ELM的调度模型具体为：

3e1)随机设置初始连接权值W_i和偏置θ_i，i＝1,2,…,l，l为隐含层节点数，W_i＝[w_i1,w_i2,…,w_in]^T是第i个隐含层节点与输入节点的连接权值，w_ij是第i个隐含层节点与第j个输入节点的连接权值，n为输入节点数，θ_i是第i个隐含层节点的偏置量；

3e2)计算隐含层输出矩阵S：

$S(W_1,...,W_l,{\mathrm{\θ}}_1,...,{\mathrm{\θ}}_l,X_1,...,X_N)={\left[\begin{array}{ccc}g(W_1\·X_1+{\mathrm{\θ}}_1)& ...& g(W_l\·X_1+{\mathrm{\θ}}_l)\\ \begin{array}{c}.\\ .\\ .\end{array}& \begin{array}{c}\\ ...\\ \end{array}& \begin{array}{c}.\\ .\\ .\end{array}\\ g(W_1\·X_N+{\mathrm{\θ}}_1)& ...& g(W_l\·X_N+{\mathrm{\θ}}_l)\end{array}\right]}_{N\×l}$

其中，X_k为输入向量，k＝1,2,…,N，N为样本个数，g(·)为无限可微的激活函数；

3e3)计算输出层权值V：

V＝S⁺O

其中，S⁺是矩阵S的Moore-Penrose广义逆矩阵，O＝(O₁,O₂,...,O_N)^T，O_k为输出向量；

3e4)建立基于ELM的调度模型，其输入输出的关系表示为：

$O_k=f\left(X_k\right)={\left[\begin{array}{ccc}g(W_1\·X_1+{\mathrm{\θ}}_1)& ...& g(W_l\·X_1+{\mathrm{\θ}}_l)\\ \begin{array}{c}.\\ .\\ .\end{array}& \begin{array}{c}\\ ...\\ \end{array}& \begin{array}{c}.\\ .\\ .\end{array}\\ g(W_1\·X_N+{\mathrm{\θ}}_1)& ...& g(W_l\·X_N+{\mathrm{\θ}}_l)\end{array}\right]}_{N\×l}V.$

8.根据权利要求5所述的半导体生产线动态调度装置，其特征在于，所述步骤2d)中，模型学习参数包括交叉概率、变异概率和隐含层节点数。

9.根据权利要求5所述的半导体生产线动态调度装置，其特征在于，所述生产线在线调度模块生成实时调度策略具体为：

对于t时刻的生产线状态X_t，根据当前调度目标确定特征选择后的生产属性子集X_t'，对生产线状态X_t进行归一化处理得X_Nt'，将X_Nt'输入至ELM调度模型A中，可得到对应的调度策略。