CN105843189B - 一种用于半导体生产线基于简化仿真模型的高效调度规则选择方法 - Google Patents
一种用于半导体生产线基于简化仿真模型的高效调度规则选择方法 Download PDFInfo
- Publication number
- CN105843189B CN105843189B CN201610219323.9A CN201610219323A CN105843189B CN 105843189 B CN105843189 B CN 105843189B CN 201610219323 A CN201610219323 A CN 201610219323A CN 105843189 B CN105843189 B CN 105843189B
- Authority
- CN
- China
- Prior art keywords
- equipment
- model
- scheduling rule
- scheduling
- simulation model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000004088 simulation Methods 0.000 title claims abstract description 55
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 35
- 239000004065 semiconductor Substances 0.000 title claims abstract description 23
- 238000010187 selection method Methods 0.000 title claims abstract description 8
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 14
- 238000011156 evaluation Methods 0.000 claims abstract description 6
- 230000008569 process Effects 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 10
- 238000012512 characterization method Methods 0.000 claims description 9
- 235000003642 hunger Nutrition 0.000 claims description 7
- 230000037351 starvation Effects 0.000 claims description 7
- 238000003064 k means clustering Methods 0.000 claims description 6
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 5
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 230000002123 temporal effect Effects 0.000 claims description 3
- 238000012217 deletion Methods 0.000 claims description 2
- 230000037430 deletion Effects 0.000 claims description 2
- 238000013179 statistical model Methods 0.000 claims description 2
- 239000012141 concentrate Substances 0.000 claims 1
- 238000009434 installation Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000005303 weighing Methods 0.000 description 2
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32339—Object oriented modeling, design, analysis, implementation, simulation language
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Factory Administration (AREA)
Abstract
本发明公开一种用于半导体生产线基于简化仿真模型的高效调度规则选择方法,属于半导体生产调度与控制技术领域;本方法选取能够表征仿真模型中设备重要程度的关键特征及相关数据并进行数据预处理;采用选择性聚类集成算法将模型中的设备按照设备重要程度分为重要设备、普通设备和非重要设备;根据聚类结果从仿真模型中删除非重要设备,建立简化的仿真模型并采用一种闭环修正结构保证简化模型的精确度;在某一调度时刻,分别以准时交货率和产出量为调度目标,利用简化的仿真模型对调度规则集中的调度规则进行快速评价,获得最优调度规则。利用本发明能够快速为复杂的半导体生产过程选择最优的调度规则,改善半导体生产线的性能。
Description
技术领域
本发明属于半导体生产调度与控制技术领域,涉及一种用于半导体生产线基于简化仿真模型的高效调度规则选择方法。
技术背景
半导体制造业作为信息时代的关键性基础产业,是当前最复杂的制造系统之一,具有不确定性、可重入性等特征,是一典型的离散事件动态系统。生产过程中大量的不确定事件比如设备故障、紧急订单、工件返工等都会影响生产系统的正常运行,引起系统性能指标的恶化,给调度带来了极大的挑战。实际生产中经常采用仿真模型为半导体生产线选择合适的调度规则,但仿真模型通常包含几十个加工区上百台机器,同时加工若干种产品,每种产品拥有上百个工序,模型复杂度很高。在进行仿真时往往需要消耗比较长的时间,不能快速做出调度决策。为尽快遏制生产线性能恶化的趋势、提高生产效益,我们需要快速做出调度决策。如何提高调度决策的响应速度是目前半导体优化调度领域研究的一大难题。
为解决这一问题,国内外做了一些研究,Kim等在《IEEE Transactions onSemiconductor Manufacturing》(2003年16卷2期,290-298页)发表的“SimplificationMethods for Accelerating Simulation-Based Real-Time Scheduling in aSemiconductor Wafer Fabrication Facility”提出了几种加速基于仿真的实时调度的方法,包括减少调度规则数、减少仿真时间、建立简化的仿真模型。根据约束理论,瓶颈设备是制约系统产出的关键设备,将瓶颈度较低的设备从模型中删除并不会对模型的性能产生太大的影响。文章中将工作负载作为衡量设备瓶颈度的指标,将工作负载较低的设备从仿真模型中删除,建立简化的仿真模型。该方法存在的问题是:(1)影响瓶颈设备的参数有很多,选取哪些参数作为计算瓶颈及影响瓶颈的关键因素直接影响简化模型的性能;(2)删除设备的数目是难以确定的,若数目过多虽然会大大减少仿真时间,但仿真模型的性能也会随之降低;相反,若数目过少虽然可以保证模型性能,但却不能节省时间。
发明内容
本发明的目的在于公开一种用于半导体生产线的基于简化仿真模型的高效调度规则选择方法。采用聚类集成算法将仿真模型中的设备分为重要设备、普通设备和非重要设备三类,其中非重要设备具有低生产负荷、低利用率和饥饿时间长的特点。根据约束理论,删除这些非重要设备不会对系统的性能有较大影响,从而建立简化模型。在某一调度时刻,针对不同的调度目标,采用简化的仿真模型快速评价调度规则集中的调度规则,并选择最优调度规则。该方法提高了最优调度规则选择的效率,尽早遏制了生产线性能指标恶化的趋势。
为达到上述目的,本发明采用了以下技术方案。
一种用于半导体生产线的高效调度规则选择方法,包括以下具体步骤:
步骤1,确定表征设备重要程度的关键特征。确定设备累积生产负荷Lm、设备利用率Um、设备饥饿时间Tsm为表征仿真模型中设备重要程度的关键特征。
式中,NT为产品类型数量,qi为产品i的总数,Ni为产品i的工序数,θijm为加工系数,若工件i的第j道工序可以在设备m上加工则θijm=1,否则θijm=0,tijm为工件i的第j道工序在设备m的加工时间,wtijm为工件i的第j道工序在设备m的等待时间,M为设备总数量,μijm为设备m的加工能力,Twm、Tbm、Tfm、Tsm分别为设备正常运行、阻塞、故障、饥饿时间。
步骤2,数据采集及标准化处理。使用Plant Simulation仿真平台建立半导体生产调度仿真模型,采集步骤1所述的相关数据,并使用式(3)对采集到的数据进行标准化处理。式中Z为标准化以后的数据,X为采集到的原始数据,和s(X)分别为矩阵X的均值和方差。
步骤3,对步骤2所建立的仿真模型中的设备进行聚类。将步骤1确定的表征设备重要程度的关键特征作为聚类特征,采用选择性聚类集成算法将仿真模型中的设备分为重要设备、普通设备和非重要设备三类。
步骤3.1,获取基聚类结果。采用k-means聚类算法,随机选择三个设备作为聚类中心,运行t次k-means聚类算法,得到t个基聚类结果。
步骤3.2,基聚类结果匹配。根据对于任意两个基聚类结果,有对应关系的聚类标记所覆盖的相同对象的个数是最大的这一特征,随机选择某个基聚类结果作为匹配基准,将其它聚类结果和基准聚类结果进行匹配,选择覆盖相同对象个数最大的聚类标记建立对应关系。
步骤3.3,基聚类集成。聚类集成采用基于权值的选择性投票策略。假设λ(a)和λ(b)是任意的两个基聚类结果,则这两个基聚类结果的相关系数ρab可按式(4)计算,式(4)中cov(λ(a),λ(b))为λ(a)和λ(b)的协方差,D(λ(a))和D(λ(b))分别为λ(a)和λ(b)的方差。
对t个基聚类结果中的任意两个基聚类结果求相关系数,得到如下相关系数矩阵:
对于每一个基聚类结果m,其平均相关系数为:
当越大时,基聚类结果λ(m)与其他的基聚类结果越相似,因此,基聚类的权值定义如下:
当基聚类结果的权值wm低于阀值1/t时,该基聚类结果将不参加最后的聚类集成。最后,将挑选出的基聚类结果再基于权值进行投票,最终的聚类标记可以由式(8)确定。式(8)中,L(xi)为数据xi的最终聚类标签,wm是由式(7)计算得到的权值,F(·)是指示函数,如果括号中的等式满足则F(·)=1,否则F(·)=0。
步骤3.4,设备重要性判别。根据式(9)确定设备的重要程度(MID)。MID值最大一类为重要设备,MID值最小的一类为非重要设备,剩下的一类为普通设备。式(9)中,为最终聚类结果的聚类中心。
步骤4,建立简化仿真模型。根据步骤3.4,非重要设备具有低生产负荷、低利用率和饥饿时间长的特点。根据约束理论,删除这些非重要设备不会对系统的性能有较大影响,从而建立简化模型。
步骤4.1,模型简化。统计模型中的非重要设备及在非重要设备上进行加工的工序,若某一加工区中的设备都为非重要设备,则将加工区中的设备及相关工序删除。
步骤4.2,根据删除简化后的模型信息使用Plant Simulation建立简化的仿真模型。
步骤5,调度规则评价。在某一调度时刻,根据调度目标,利用简化仿真模型对调度规则集中的启发式调度规则进行快速评价,选择最优调度规则。
步骤5.1,确定调度目标和调度规则集。分别选择准时交货率和产出量为调度目标。调度规则包括实际半导体生产线中最常用的五种调度规则:临界值(CR)、最小限额时间(ALL)、先入先出(FIFO)、最短剩余加工时间(SRPT)、最短等待时间(LS)。
步骤5.2,评价调度规则。使用简化的仿真模型,依次以准时交货率和产出量作为调度目标,对调度规则集中的调度规则进行评价,选择最优调度规则。
步骤6,基于闭环控制思想的简化模型修正。根据式(10)计算简化模型的误差E(M),如果E(M)大于预设的阀值或者简化模型不能帮助管理者选择最优调度规则,表明简化模型不符合要求,则更新步骤1所需数据,根据步骤3及步骤4重新建立简化模型。式(10)中,NF为调度目标的个数,NR为调度规则集中调度规则个数,e(r1,r2)表示简化模型中调度规则r1、r2的相对排序是否和完整模型相同,若相同则否则
本发明所提出一种用于半导体生产线的高效调度规则选择方法,与现有技术相比,本发明具有如下明显的优势和有益效果:
本方法通过使用简化的仿真模型实现了快速调度规则选择,克服了现有方法仿真时间长、响应速度慢的缺点。首先提取仿真模型中加工设备的表征设备重要程度的关键特征,采用聚类集成算法将模型中的设备分为重要设备、普通设备与非重要设备三类,克服了采用单一指标不能全面衡量设备重要性的缺点。然后基于聚类结果和约束理论建立了简化的仿真模型,删除了模型中的非重要设备,减少了工件的加工工序,降低了模型的复杂度。实验表明,该方法能够减少仿真模型运行时间,提高调度规则选择的效率,能够尽快遏制半导体生产线性能指标恶化的趋势,是一种有效的高效调度规则选择方法。
附图说明
图1为本发明所涉及的方法流程图;
图2为本发明所涉及的聚类集成算法流程图;
图3为发明所涉及的仿真模型中72台设备的聚类结果;
图4为以准时交货率为调度目标时,各调度规则在不同仿真周期内的排序结果;
图5为以产出量为调度目标时,各调度规则在不同仿真周期内的排序结果;
具体实施方式
以下结合附图和具体实例对本发明内容作详细说明,方法框图如附图1所示。
以一个半导体生产线标准模型HP24为例对本发明采用的技术方案进行详细分析,其中HP24为硅片生产技术中心开发的模型。该模型拥有24个加工区,72台设备,同时加工三种不同类型的产品,加工工序数分别为172、139、110,设备详细参数如表1所示。在PlantSimulation仿真平台上采用HP24标准模型进行仿真,其中派工规则采用FIFO(First InFirst Out),投料策略采用固定在制品投料策略,仿真时间为200天。
表1标准HP24模型设备参数
步骤1,确定表征设备重要程度的关键特征。确定设备累积生产负荷Lm、设备利用率Um、设备饥饿时间Tsm为表征仿真模型中设备重要程度的关键特征。
步骤2,数据采集及标准化处理。使用Plant Simulation仿真平台建立半导体生产调度仿真模型,运行Plant Simulation仿真软件,采集相关数据并计算模型中每台设备的Lm、Um、Tsm值,并进行标准化处理。仿真模型中共有72台加工设备,所得到的样本含有72组数据,每组数据包含3个特征量,因此样本是一个72*3的矩阵。
步骤3,采用选择性聚类集成算法对模型中的设备按照设备重要程度进行聚类。选择性聚类集成算法流程图如附图2所示。附图2中虚框中的基聚类代表未被选择的基聚类。
步骤3.1,获取基聚类结果。采用k-means聚类算法,随机选择3个数据项作为聚类中心,运行10次k-means聚类算法,得到10个基聚类结果。
步骤3.2,聚类集成。聚类集成采用基于权值的选择性投票策略。根据式(7)计算每个基聚类结果的权值,当基聚类结果的权值低于阀值0.1时,该基聚类结果将不参加最后的聚类集成。最后,将挑选出的基聚类结果再基于权值进行投票,票数最多的标记将为该样本最终的聚类标记。
步骤3.3,确定设备重要性。根据式(9)确定设备的重要程度(MID),其中w1、w2、w3分别为0.4、0.3、0.3。最终的聚类结果如附图3所示,其中重要设备有9台,普通设备有24台,非重要设备有39台。
步骤4,根据步骤3的聚类结果,若某一加工区中的设备都为非重要设备则将此加工区中的设备从HP24模型中删除,建立简化的HP24模型。HP24模型和简化的HP24模型的模型信息如表2所示。对比HP24模型和简化的HP24模型可以发现加工区个数、设备个数及工件的工序数都有大幅度减少,这样就减少了离散事件仿真模型中的事件个数以及调度规则的调用次数从而减少了仿真时间,提高了调度规则选择的效率。
表2 HP24模型和简化的HP24模型的模型信息
步骤5,选择最优调度规则。在某一调度时刻,根据调度目标,利用简化仿真模型对调度规则集中的启发式调度规则进行快速评价,选择最优调度规则。
步骤5.1,在某一调度时刻,分别以准时交货率和产出量为调度目标对调度规则集中的启发式调度规则(CR、ALL、FIFO、SRPT、LS)进行评价,记录调度目标值,按照调度目标对调度规则进行排序,选择最优的调度规则,结果如附图4-5所示。图4-5中柱形图上所标的数字表示该调度规则的相对排序。
步骤5.2,为全面衡量简化模型的性能,根据式(10)计算排队误差并记录HP24模型和简化HP24模型进行调度规则评价所用的时间,如表3所示。
表3不同仿真周期下仿真运行时间和模型偏差
由图4、图5和表3可以看出使用简化后的HP24模型在相同的调度目标下可以像HP24模型那样为管理者选择最优的调度规则且相对偏差E(M)在允许的范围内。但仿真运行时间却大大减少,提高了调度规则选择的效率。
Claims (1)
1.一种用于半导体生产线基于简化仿真模型的高效调度规则选择方法,其特征在于:该方法包含以下步骤,
步骤1,确定表征设备重要程度的关键特征;确定设备累积生产负荷Lm、设备利用率Um、设备饥饿时间Tsm为表征仿真模型中设备重要程度的关键特征;
式中,NT为产品类型数量,qi为产品i的总数,Ni为产品i的工序数,θijm为加工系数,若产品i的第j道工序可以在设备m上加工则θijm=1,否则θijm=0,tijm为产品i的第j道工序在设备m的加工时间,M为设备总数量,μijm为设备m的加工能力,Twm、Tbm、Tfm、Tsm分别为设备正常运行、阻塞、故障、饥饿时间;
步骤2,数据采集及标准化处理;使用Plant Simulation仿真平台建立半导体生产调度仿真模型,采集步骤1所述的相关数据,并使用式(3)对采集到的数据进行标准化处理;式中Z为标准化以后的数据,X为采集到的原始数据,和s(X)分别为矩阵X的均值和方差;
步骤3,对步骤2所建立的仿真模型中的设备进行聚类;将步骤1确定的表征设备重要程度的关键特征作为聚类特征,采用选择性聚类集成算法将仿真模型中的设备分为重要设备、普通设备和非重要设备三类;
步骤3.1,获取基聚类结果;采用k-means聚类算法,随机选择三个设备作为聚类中心,运行t次k-means聚类算法,得到t个基聚类结果;
步骤3.2,基聚类结果匹配;根据对于任意两个基聚类结果,有对应关系的聚类标记所覆盖的相同对象的个数是最大的这一特征,随机选择某个基聚类结果作为匹配基准,将其它聚类结果和基聚类结果进行匹配,选择覆盖相同对象个数最大的聚类标记建立对应关系;
步骤3.3,基聚类集成;聚类集成采用基于权值的选择性投票策略;假设λ(a)和λ(b)是任意的两个基聚类结果,则这两个基聚类结果的相关系数ρab可按式(4)计算,式(4)中cov(λ(a),λ(b))为λ(a)和λ(b)的协方差,D(λ(a))和D(λ(b))分别为λ(a)和λ(b)的方差;
对t个基聚类结果中的任意两个基聚类结果求相关系数,可以得到如下相关系数矩阵:
对于每一个基聚类结果m,其平均相关系数为:
当越大时,基聚类结果λ(m)与其他的基聚类结果越相似,因此,基聚类的权值可定义如下:
当基聚类结果的权值wm低于阈 值1/t时,该基聚类结果将不参加最后的聚类集成;最后,将挑选出的基聚类结果再基于权值进行投票,最终的聚类标记可以由式(8)确定;式(8)中,L(xi)为数据xi的最终聚类标签,wm是由式(7)计算得到的权值,F(·)是指示函数,如果括号中的等式满足则F(·)=1,否则F(·)=0;
步骤3.4,设备重要性判别;根据式(9)确定设备的重要程度(MID);MID值最大一类为重要设备,MID值最小的一类为非重要设备,剩下的一类为普通设备;式(9)中,为最终聚类结果的聚类中心,w1、w2、w3为权值;
步骤4,建立简化仿真模型;根据步骤3.4,非重要设备具有低生产负荷、低利用率和饥饿时间长的特点;根据约束理论,删除这些非重要设备不会对系统的性能有较大影响,从而建立简化模型;
步骤4.1,模型简化;统计模型中的非重要设备及在非重要设备上进行加工的工序,若某一加工区中的设备都为非重要设备,则将加工区中的设备及相关工序删除;
步骤4.2,根据简化后的模型信息使用建立简化的仿真模型;
步骤5,调度规则评价;在某一调度时刻,根据调度目标,利用简化仿真模型对调度规则集中的启发式调度规则进行快速评价,按照仿真结果对调度规则进行排序并选择最优调度规则;
步骤5.1,确定调度目标和调度规则集;分别选择准时交货和产出量为调度目标;调度规则包括实际半导体生产线中最常用的五种调度规则:临界值CR、最小限额时间ALL、先入先出FIFO、最短剩余加工时间SRPT、最短等待时间LS;
步骤5.2,评价调度规则;使用简化的仿真模型,依次以准时交货率和产出量作为调度目标,对调度规则集中的调度规则进行评价,选择最优调度规则;
步骤6,基于闭环控制思想的简化模型修正;根据式(10)计算简化模型的误差E(M),如果E(M)大于预设阈 值或简化模型不能帮助管理者选择最优调度规则,表明简化模型不符合要求,则更新步骤1所需数据,根据步骤3及步骤4重新建立简化模型;式(10)中,E(M)表示简化模型和完整模型在评价调度时存在的偏差;NF为调度目标的个数,NR为调度规则集中调度规则个数,e(r1,r2)表示简化模型中调度规则r1、r2的相对排序是否和完整模型相同,若相同则e(r1,r2)=0,否则e(r1,r2)=1;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610219323.9A CN105843189B (zh) | 2016-04-09 | 2016-04-09 | 一种用于半导体生产线基于简化仿真模型的高效调度规则选择方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610219323.9A CN105843189B (zh) | 2016-04-09 | 2016-04-09 | 一种用于半导体生产线基于简化仿真模型的高效调度规则选择方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105843189A CN105843189A (zh) | 2016-08-10 |
CN105843189B true CN105843189B (zh) | 2019-03-29 |
Family
ID=56598006
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610219323.9A Active CN105843189B (zh) | 2016-04-09 | 2016-04-09 | 一种用于半导体生产线基于简化仿真模型的高效调度规则选择方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105843189B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI633504B (zh) * | 2017-11-16 | 2018-08-21 | 財團法人工業技術研究院 | 基於樹狀搜尋的排程方法與使用此方法的電子裝置 |
CN108829052A (zh) * | 2018-05-31 | 2018-11-16 | 同济大学 | 一种半导体生产线cps环境下的调度优化方法及装置 |
CN108985380B (zh) * | 2018-07-25 | 2021-08-03 | 西南交通大学 | 一种基于聚类集成的转辙机故障识别方法 |
CN111199079B (zh) * | 2018-10-30 | 2023-12-19 | 阿波罗智能技术(北京)有限公司 | 仿真任务调度方法和装置 |
CN113031543B (zh) * | 2021-02-24 | 2022-10-14 | 同济大学 | 一种半导体生产线的控制调度方法及装置 |
CN113780883A (zh) * | 2021-09-26 | 2021-12-10 | 无锡唯因特数据技术有限公司 | 生产车间调度方法、装置和存储介质 |
CN115577576B (zh) * | 2022-12-08 | 2023-05-16 | 中国电子工程设计院有限公司 | 一种半导体工厂的动态虚拟组线仿真系统及方法 |
CN116579273B (zh) * | 2023-04-12 | 2023-10-31 | 中国电子工程设计院有限公司 | 一种半导体设备用电动态仿真方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1132792A2 (en) * | 2000-03-10 | 2001-09-12 | Applied Materials, Inc. | Method and apparatus for managing scheduling a multiple cluster tool |
CN101493857A (zh) * | 2009-02-13 | 2009-07-29 | 同济大学 | 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 |
CN103217960A (zh) * | 2013-04-08 | 2013-07-24 | 同济大学 | 一种半导体生产线动态调度策略自动选择方法 |
CN104576441A (zh) * | 2013-10-29 | 2015-04-29 | 中国科学院沈阳自动化研究所 | 基于作业区域的半导体封装线lot多规则调度方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009158736A (ja) * | 2007-12-27 | 2009-07-16 | Nikon Corp | クラスタツールのスケジューリング管理方法 |
-
2016
- 2016-04-09 CN CN201610219323.9A patent/CN105843189B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1132792A2 (en) * | 2000-03-10 | 2001-09-12 | Applied Materials, Inc. | Method and apparatus for managing scheduling a multiple cluster tool |
CN101493857A (zh) * | 2009-02-13 | 2009-07-29 | 同济大学 | 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 |
CN103217960A (zh) * | 2013-04-08 | 2013-07-24 | 同济大学 | 一种半导体生产线动态调度策略自动选择方法 |
CN104576441A (zh) * | 2013-10-29 | 2015-04-29 | 中国科学院沈阳自动化研究所 | 基于作业区域的半导体封装线lot多规则调度方法 |
Non-Patent Citations (1)
Title |
---|
"基于Petri网与遗传算法的半导体生产线建模与优化调度";曹政才 等;《电子学报》;20100228;第38卷(第2期);第340-344页 |
Also Published As
Publication number | Publication date |
---|---|
CN105843189A (zh) | 2016-08-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105843189B (zh) | 一种用于半导体生产线基于简化仿真模型的高效调度规则选择方法 | |
CN103217960B (zh) | 一种半导体生产线动态调度策略自动选择方法 | |
CN109902954B (zh) | 一种基于工业大数据的柔性作业车间动态调度方法 | |
CN102819772B (zh) | 电力配网建设物资需求预测方法及装置 | |
CN106527381B (zh) | 一种面向并行批处理机动态调度的快速评估方法 | |
CN102831489B (zh) | 电力配网建设物资需求预测方法及装置 | |
CN104536412A (zh) | 基于指标预报和解相似度分析的光刻工序动态调度方法 | |
CN103745273A (zh) | 一种半导体制造过程的多性能预测方法 | |
CN104992244A (zh) | 一种基于sarima和rbf神经网络集成组合模型的机场货运量预测分析方法 | |
CN109507961B (zh) | 一种半导体生产线动态负荷均衡投料控制方法 | |
CN106067034B (zh) | 一种基于高维矩阵特征根的配电网负荷曲线聚类方法 | |
CN105205052B (zh) | 一种数据挖掘方法及装置 | |
CN107086929A (zh) | 一种基于排队建模的批量流式计算系统性能保障方法 | |
Zhengcai et al. | Bottleneck prediction method based on improved adaptive network-based fuzzy inference system (ANFIS) in semiconductor manufacturing system | |
CN108241864A (zh) | 基于多变量分组的服务器性能预测方法 | |
CN115759552A (zh) | 一种基于多智能体架构的面向智慧工厂的实时调度方法 | |
CN104698838B (zh) | 基于论域动态划分和学习的模糊调度规则挖掘方法 | |
CN114611903A (zh) | 一种基于信息熵赋权的数据传输动态配置方法和系统 | |
Chang et al. | Prediction of frequency response after generator outage using regression tree | |
CN108364030B (zh) | 一种基于三层动态粒子群算法的多分类器模型构建方法 | |
CN111984514A (zh) | 基于Prophet-bLSTM-DTW的日志异常检测方法 | |
CN106779245A (zh) | 基于事件的民航需求预测方法和装置 | |
Wenjing et al. | Data mining based dynamic scheduling approach for semiconductor manufacturing system | |
Li et al. | Scheduling strategy of semiconductor production lines with remaining cycle time prediction | |
CN105260948B (zh) | 一种城市供水系统日计划调度决策方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |