CN111784035A - 一种基于交货日期的流水作业生产线作业量预测方法 - Google Patents

一种基于交货日期的流水作业生产线作业量预测方法 Download PDF

Info

Publication number
CN111784035A
CN111784035A CN202010584743.3A CN202010584743A CN111784035A CN 111784035 A CN111784035 A CN 111784035A CN 202010584743 A CN202010584743 A CN 202010584743A CN 111784035 A CN111784035 A CN 111784035A
Authority
CN
China
Prior art keywords
time
workpiece
station
simulated
virtual
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.)
Pending
Application number
CN202010584743.3A
Other languages
English (en)
Inventor
钱春霞
周菁
陈广
徐秋晨
刘帆
陆晓琴
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Huali Integrated Circuit Manufacturing Co Ltd
Original Assignee
Shanghai Huali Integrated Circuit Manufacturing Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Huali Integrated Circuit Manufacturing Co Ltd filed Critical Shanghai Huali Integrated Circuit Manufacturing Co Ltd
Priority to CN202010584743.3A priority Critical patent/CN111784035A/zh
Publication of CN111784035A publication Critical patent/CN111784035A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management
    • G06Q10/109—Time management, e.g. calendars, reminders, meetings or time accounting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • 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
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Theoretical Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Primary Health Care (AREA)
  • Health & Medical Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • General Factory Administration (AREA)

Abstract

本发明提供一种基于交货日期的流水作业生产线作业量预测方法，形成在制品列表信息集合；形成虚拟工件列表信息集合；根据历史工件信息计算生产周期表；将在制品列表信息、虚拟工件列表信息为元素的集合整合，获得模拟工件列表信息集合；获取每个模拟工件的完整工艺流程；根据到达当前站点时间及作业时间、等待时间、停滞时间计算预计出货时间，根据预计出货时间计算系数。根据系数计算各步骤的预计到达时间、预计开始时间及预计结束时间；获得每个模拟工件预测信息的预测集合。本发明利用系数值对生产周期进行修正，快速实现整个生产线未来的作业量预测，并对数据分析，结合实际生产线的状况，达到生产调控、产能预警、作业调度等调控目的。

Description

一种基于交货日期的流水作业生产线作业量预测方法
技术领域
本发明涉及半导体技术领域，特别是涉及一种基于交货日期的流水作业生产线作业量预测方法。
背景技术
流水作业(flow-shop)生产线通常是根据产品预先设定作业流程(productflow)，作业流程由多个按顺序排列的工序(step)组成，工件进入生产线后，按照定好的产品作业流程逐个步骤进行加工，直至完成所有工序的加工。
作业量(move)的预测是生产控制的重要手段之一。常规技术是以历史周转率(TR，turn ratio)或DPML(day per mask layer)为参考的预测方法。TR和DPML均是表现产品移动速率的指标，TR通常是指工件(lot)1天内完成的move数，DPML是指完成一道光刻工艺层需要的天数，其中每道光刻工艺层包含若干个step。
以TR为例，现有两个产品prod1和prod2，分别有20个step，TR分别为4和3，如表一：
产品名称 step数 工件名称 TR
prod1 20 lot1 4
prod2 20 lot2 3
假设工件从第一天开始投入加工，按照日期进行统计，将得到以下作业量预测结果如表二：
Figure BDA0002554242770000011
Figure BDA0002554242770000021
如图1所示，图1显示为现有技术中作业量与作业量预测的关系图，其中横轴表示作业量预测，纵轴表示作业量；由此可见，该方法存在很大的弊端：一、作业量完全呈线性分布，未考虑实际不同工艺步骤(step)的作业时间的巨大差异；二、粒度不够细致，没有对工件运行矩阵运算的详细信息，无法对不同维度进行分类统计；三、适合粗略估算的场景，达不到生产调控和产能预警的使用要求。
发明内容
鉴于以上所述现有技术的缺点，本发明的目的在于提供一种基于交货日期的流水作业生产线作业量预测方法，用于解决现有技术中无法考虑实际不同工艺步骤的作业时间的差异以及无法对不同维度进行分类统计、达不到生产调控和产能预警的使用要求问题。
为实现上述目的及其他相关目的，本发明提供一种基于交货日期的流水作业生产线作业量预测方法，至少包括：
步骤一、获取至少包含工艺流程名称和交货日期的多个当前在制品的列表信息，形成以在制品列表信息为元素的集合Aactual{a1,…ai}，其中i为所述当前在制品的数量；
步骤二、根据投入计划获取至少包含工艺流程名称和交货日期的多个虚拟工件的列表信息，形成以虚拟工件列表信息为元素的集合Avirtual{a1,…aj}，其中j为所述虚拟工件的数量；
步骤三、根据有效生产的历史工件的信息计算生产周期表；所述生产周期表中包含每个历史工件对应的工艺流程的各个步骤；
步骤四、将所述集合Aactual{a1,a…ai}和所述集合Avirtual{a1,…aj}进行整合，获得模拟工件列表信息的集合A{a1,a,…ai+j}；
步骤五、根据所述生产周期表获取每个所述模拟工件列表信息对应的完整工艺流程；所述生产周期表中的信息至少包括产品名称、工艺站点、作业时间、等待时间、停滞时间以及到达当前站点的时间；其中所述作业时间为每个模拟工件对应的完整工艺流程中各个步骤的作业时间；所述等待时间为每个模拟工件对应的完整工艺流程中各个步骤的等待时间；所述停滞时间为每个模拟工件对应的完整工艺流程中各个步骤的停滞时间；之后根据所述到达当前站点的时间以及所述作业时间、等待时间、停滞时间计算所述模拟工件的预计出货时间，接着根据预计出货时间计算系数，所述系数体现为标准生产周期与实际时间之间的偏差空间；
步骤六、根据所述系数计算每个模拟工件对应的完整的工艺流程中各个步骤对应的预计到达时间、预计开始时间以及预计结束时间；
步骤七、获得每个模拟工件预测信息的预测集合mk{(bk,stepm),(bk,stepm+1…(bk,stepn)}，其中1<k≤i+j，并且stepm为所述第k个模拟工件所处的当前站点，其中bk为第k个模拟工件的信息列表，该信息列表中包含所述第k个模拟工件各个步骤对应的预计到达时间、预计开始时间以及预计结束时间；其中n为第k个模拟工件对应的完整工艺流程中总的步骤数；
步骤八、形成集合M{m1,m2…mk}，其中1<k≤i+j；
步骤九、对集合M进行数据分析，形成统计报表。
优选地，步骤一中的所述当前在制品的列表信息中还包括工艺平台、产品名称、当前所在工艺站名称、到达当前站点的时间以及所述在制品的数量。
优选地，步骤二中所述多个虚拟工件的列表信息中还包括工艺平台、产品名称、投入时间、数量。
优选地，步骤三中所述生产周期表中的信息还包括工艺平台、工艺阶段、工艺顺序、工艺条件、工艺设备群。
优选地，步骤五中根据每个模拟工件的列表信息中的工艺流程名称，从所述生产周期表中获取与该工艺流程名称相对应的完整的工艺流程。
优选地，步骤五中所述作业时间表示为rt；所述等待时间表示为qt；所述停滞时间表示为ht，所述模拟工件到达当前站点的时间表示为arrivetime；步骤五中所述模拟工件为当前所在站点为第m站的在制品时，该模拟工件的所述预计出货时间表示为f_finishtimei，并且
Figure BDA0002554242770000041
n为总站点数；所述模拟工件的交货日期表示为due datei，该模拟工件的所述系数表示为Ri，并且
Figure BDA0002554242770000042
优选地，步骤五中所述模拟工件为虚拟工件时，所述虚拟工件的当前站点为起始站点，起始站点的到达时间为waferstarttime，该模拟工件的所述预计出货时间表示为f_finishtimei，并且
Figure BDA0002554242770000043
n为总站点数；所述模拟工件的交货日期表示为due datei，该模拟工件的所述系数表示为Ri，并且
Figure BDA0002554242770000044
优选地，步骤六中所述模拟工件为当前所在站点为第m站的在制品时，其对应的到达第n站点的预计达到时间
Figure BDA0002554242770000045
到达第n站点的预计开始时间
Figure BDA0002554242770000046
其中
Figure BDA0002554242770000047
表示为第m站至n站的等待时间，htn表示为第m站至n站的停滞时间；到达第n站点的预计结束时间
Figure BDA0002554242770000048
优选地，步骤六中所述模拟工件为当前所在站点为虚拟工件时，所述虚拟工件的当前站点为起始站点，起始站点的到达时间为waferstarttime，该虚拟工件对应的到达第n站点的预计达到时间
Figure BDA0002554242770000049
到达第n站点的预计开始时间
Figure BDA00025542427700000410
其中qtn表示为起始站点站至n站的等待时间，htn表示为起始站点至n站的停滞时间；到达第n站点的预计结束时间
Figure BDA00025542427700000411
优选地，步骤八中对所述集合M进行数据分析的方法包括例如按照日期、产品、产能、工艺阶段的作业量进行统计，并与实际作业量进行比对。
如上所述，本发明的基于交货日期的流水作业生产线作业量预测方法，具有以下有益效果：本发明根据流水生产线的特点进行设计，以已经在作业的产品和投入计划为起点，根据已知的历史数据获得标准生产周期，根据生产周期计算出每个产品的预计出货日期，并与实际要求的交货日期进行比值，计算出系数R，利用R值对生产周期进行修正，作为标尺进行拓展计算，获得每一个工件后续的运行情况，精准到每一个步骤的起始时间和各种作业参数。快速实现整个生产线未来一段时间内的作业量预测，并保留详细的预测数据，对数据展开各维度的分析，结合实际生产线的状况，达到生产调控、产能预警、作业调度等调控目的。
附图说明
图1显示为现有技术中作业量与作业量预测的关系图；
图2显示为现有技术和本发明中的作业量与作业量预测的关系对比图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。
请参阅图2。需要说明的是，本实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
本发明提供一种基于交货日期的流水作业生产线作业量预测方法，本实施例中该方法具体包括以下步骤：
步骤一、获取至少包含工艺流程名称和交货日期的多个当前在制品的列表信息，形成以在制品列表信息为元素的集合Aactual{a1,…ai}，其中i为所述当前在制品的数量；本发明进一步地，步骤一中的所述当前在制品的列表信息中还包括工艺平台、产品名称、当前所在工艺站名称、到达当前站点的时间以及所述在制品的数量。步骤一根据生产线获取当前在制品(WIP，work in process)列表信息，列表中各工件(lot)主要包括工艺平台(tech)、产品名称(product)、工艺流程(flow)、当前所在工艺站点(current step)、到达当前站点的时间(arrive time)、数量(quantity)等，表示为集合Aactual{a1,a2…ai}。
步骤二、根据投入计划获取至少包含工艺流程名称和交货日期的多个虚拟工件的列表信息，形成以虚拟工件列表信息为元素的集合Avirtual{a1,…aj}，其中j为所述虚拟工件的数量；本发明进一步地，步骤二中所述多个虚拟工件的列表信息中还包括工艺平台、产品名称、投入时间、数量。步骤二根据投入计划(wafer start plan)获取虚拟WIP列表，虚拟lot主要包括工艺平台(tech)，产品名称(product)，工艺流程(flow)、投入时间(waferstart time)、数量(quantity)等，表示为集合Avirtual{a1,a2…aj}。
步骤三、根据有效生产的历史工件的信息计算生产周期表；所述生产周期表中包含每个历史工件对应的工艺流程的各个步骤；本发明进一步地，步骤三中所述生产周期表中的信息还包括工艺平台、产品名称、工艺阶段、工艺站点、工艺顺序、工艺条件、工艺设备群、作业时间、等待时间、停滞时间。步骤三根据一段时期内的有效生产历史记录计算生产周期表，生产周期表主要包括工艺平台(tech)、产品名称(product)、工艺流程(flow)、工艺阶段(stage)、工艺站点(step)、工艺顺序(step sequence)、工艺条件(recipe)、工艺设备群(capability)、作业时间(rt,run time)、等待时间(qt,queue time)、停滞时间(ht,holdtime)等。
步骤四、将所述集合Aactual{a1,a…ai}和所述集合Avirtual{a1,…aj}进行整合，获得模拟工件列表信息的集合A{a1,a,…ai+j}；
步骤五、根据所述生产周期表获取每个所述模拟工件列表信息对应的完整工艺流程；所述生产周期表中的信息至少包括产品名称、工艺站点、作业时间、等待时间、停滞时间以及到达当前站点的时间；其中所述作业时间为每个模拟工件对应的完整工艺流程中各个步骤的作业时间；所述等待时间为每个模拟工件对应的完整工艺流程中各个步骤的等待时间；所述停滞时间为每个模拟工件对应的完整工艺流程中各个步骤的停滞时间；之后根据所述到达当前站点的时间以及所述作业时间、等待时间、停滞时间计算所述模拟工件的预计出货时间，接着根据预计出货时间计算系数，所述系数体现为标准生产周期与实际时间之间的偏差空间；本发明进一步地，步骤五中根据每个模拟工件的列表信息中的工艺流程名称，从所述生产周期表中获取与该工艺流程名称相对应的完整的工艺流程。
本发明进一步地，步骤五中所述作业时间表示为rt；所述等待时间表示为qt；所述停滞时间表示为ht，所述模拟工件到达当前站点的时间表示为arrivetime；步骤五中所述模拟工件为当前所在站点为第m站的在制品时，该模拟工件的所述预计出货时间表示为f_finishtimei，并且
Figure BDA0002554242770000071
n为总站点数；所述模拟工件的交货日期表示为due datei，该模拟工件的所述系数表示为Ri，并且
Figure BDA0002554242770000072
步骤五中所述模拟工件为虚拟工件时，所述虚拟工件的当前站点为起始站点，起始站点的到达时间为waferstarttime，该模拟工件的所述预计出货时间表示为f_finishtimei，并且
Figure BDA0002554242770000073
n为总站点数；所述模拟工件的交货日期表示为due datei，该模拟工件的所述系数表示为Ri，并且
Figure BDA0002554242770000074
该系数体现了标准生产周期与实际时间之间的偏差空间，R值＜1的模拟工件(lot)，表示实际时间比标准作业时间短，调控紧急度高，要求产品的跑货速度快，每个step的跑货时间等比例缩短，才能满足出货日期要求。R值＝1的模拟工件(lot)，表示实际时间比标准作业时间一致，产品按照标准作业时间跑货即可满足出货日期要求。R值＞1的模拟工件(lot)，表示实际时间比标准作业时间长，可按照标准作业时间跑货，或根据设备状况，适当放缓速度，均可满足出货日期要求。本发明进一步地，步骤六中所述模拟工件为当前所在站点为第m站的在制品时，其对应的到达第n站点的预计达到时间
Figure BDA0002554242770000081
到达第n站点的预计开始时间
Figure BDA0002554242770000082
其中qtn表示为第m站至n站的等待时间，htn表示为第m站至n站的停滞时间；到达第n站点的预计结束时间
Figure BDA0002554242770000083
本发明中其中一个站点至下一个站点的过程为进行了一个所述的步骤。
本发明再进一步地，步骤六中所述模拟工件为当前所在站点为虚拟工件时，所述虚拟工件的当前站点为起始站点，起始站点的到达时间为waferstarttime，该虚拟工件对应的到达第n站点的预计达到时间
Figure BDA0002554242770000084
到达第n站点的预计开始时间
Figure BDA0002554242770000085
其中qtn表示为起始站点站至n站的等待时间，htn表示为起始站点至n站的停滞时间；到达第n站点的预计结束时间
Figure BDA0002554242770000086
步骤七、获得每个模拟工件预测信息的预测集合mk{(bk，stepm)，(bk，stepm+1...(bk，stepn)}，其中1＜k≤i+j，并且stepm为所述第k个模拟工件所处的当前站点，其中bk为第k个模拟工件的信息列表，该信息列表中包含所述第k个模拟工件各个步骤对应的预计到达时间、预计开始时间以及预计结束时间；其中n为第k个模拟工件对应的完整工艺流程中总的步骤数；
步骤八、形成集合M{m1，m2...mk}，其中1＜k≤i+j；即为所有工件未来需要完成的虚拟作业记录。
步骤九、对集合M进行数据分析，形成统计报表。本发明进一步地，步骤八中对所述集合M进行数据分析的方法包括例如按照日期、产品、产能、工艺阶段的作业量进行统计，并与实际作业量进行比对。该步骤八中对集合M进行不同维度的的数据统计和分析，可与实际作业量进行比对，结合生产应用生成各类分析报表，用于监控和指导生产调控。
以产品prod为例，其列表信息如表三：
产品名称 step数 工件名称 TR
prod1 20 lot1 4
获得生产周期表如表四：并根据生产周期计算每日的作业量move，
Figure BDA0002554242770000091
Figure BDA0002554242770000101
计算所述系数R＝4/5＝0.8，并根据经过系数R修正的生产周期计算出move，得到表五：
Figure BDA0002554242770000102
Figure BDA0002554242770000111
假设工件从第一天开始投入加工，按照日期进行统计，将得到以下作业量预测结果，并与现有方法进行比较，得到表六：
Figure BDA0002554242770000112
如图2所示，图2显示为现有技术和本发明中的作业量与作业量预测的关系对比图；其中非线性变化的折线为本发明的现有技术和本发明中的作业量与作业量预测的关系，预测结果显示：一、以历史生产周期为参考，以交货日期为目标，可获得更加接近实际运行情况的预测结果，在各个维度下都更加精准有效，同时满足交货日期；二、计算过程中的数据保留，便于后续各维度的精准分析，例如时间上可精准到秒级，可进行按月、按天甚至按小时分析。静态计算方法，不考虑生产线动态情况(例如设备状况等)，与模拟结果相比，更具操作性和可信性，适合工程应用和推广。
综上所述，本发明根据流水生产线的特点进行设计，以已经在作业的产品和投入计划为起点，根据已知的历史数据获得标准生产周期，根据生产周期计算出每个产品的预计出货日期，并与实际要求的交货日期进行比值，计算出系数R，利用R值对生产周期进行修正，作为标尺进行拓展计算，获得每一个工件后续的运行情况，精准到每一个步骤的起始时间和各种作业参数。快速实现整个生产线未来一段时间内的作业量预测，并保留详细的预测数据，对数据展开各维度的分析，结合实际生产线的状况，达到生产调控、产能预警、作业调度等调控目的。所以，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (10)

1.一种基于交货日期的流水作业生产线作业量预测方法，其特征在于，至少包括：
步骤一、获取至少包含工艺流程名称和交货日期的多个当前在制品的列表信息，形成以在制品列表信息为元素的集合Aactual{a1,…ai}，其中i为所述当前在制品的数量；
步骤二、根据投入计划获取至少包含工艺流程名称和交货日期的多个虚拟工件的列表信息，形成以虚拟工件列表信息为元素的集合Avirtual{a1,…aj}，其中j为所述虚拟工件的数量；
步骤三、根据有效生产的历史工件的信息计算生产周期表；所述生产周期表中包含每个历史工件对应的工艺流程的各个步骤；
步骤四、将所述集合Aactual{a1,a…ai}和所述集合Avirtual{a1,…aj}进行整合，获得模拟工件列表信息的集合A{a1,a,…ai+j}；
步骤五、根据所述生产周期表获取每个所述模拟工件列表信息对应的完整工艺流程；所述生产周期表中的信息至少包括产品名称、工艺站点、作业时间、等待时间、停滞时间以及到达当前站点的时间；其中所述作业时间为每个模拟工件对应的完整工艺流程中各个步骤的作业时间；所述等待时间为每个模拟工件对应的完整工艺流程中各个步骤的等待时间；所述停滞时间为每个模拟工件对应的完整工艺流程中各个步骤的停滞时间；之后根据所述到达当前站点的时间以及所述作业时间、等待时间、停滞时间计算所述模拟工件的预计出货时间，接着根据预计出货时间计算系数，所述系数体现为标准生产周期与实际时间之间的偏差空间；
步骤六、根据所述系数计算每个模拟工件对应的完整的工艺流程中各个步骤对应的预计到达时间、预计开始时间以及预计结束时间；
步骤七、获得每个模拟工件预测信息的预测集合mk{(bk,stepm),(bk,stepm+1…(bk,stepn)}，其中1<k≤i+j，并且stepm为所述第k个模拟工件所处的当前站点，其中bk为第k个模拟工件的信息列表，该信息列表中包含所述第k个模拟工件各个步骤对应的预计到达时间、预计开始时间以及预计结束时间；其中n为第k个模拟工件对应的完整工艺流程中总的步骤数；
步骤八、形成集合M{m1,m2…mk}，其中1<k≤i+j；
步骤九、对集合M进行数据分析，形成统计报表。
2.根据权利要求1所述的基于交货日期的流水作业生产线作业量预测方法，其特征在于：步骤一中的所述当前在制品的列表信息中还包括工艺平台、产品名称、当前所在工艺站名称、到达当前站点的时间以及所述在制品的数量。
3.根据权利要求1所述的基于交货日期的流水作业生产线作业量预测方法，其特征在于：步骤二中所述多个虚拟工件的列表信息中还包括工艺平台、产品名称、投入时间、数量。
4.根据权利要求1所述的基于交货日期的流水作业生产线作业量预测方法，其特征在于：步骤三中所述生产周期表中的信息还包括工艺平台、工艺阶段、工艺顺序、工艺条件、工艺设备群。
5.根据权利要求4所述的基于交货日期的流水作业生产线作业量预测方法，其特征在于：步骤五中根据每个模拟工件的列表信息中的工艺流程名称，从所述生产周期表中获取与该工艺流程名称相对应的完整的工艺流程。
6.根据权利要求5所述的基于交货日期的流水作业生产线作业量预测方法，其特征在于：步骤五中所述作业时间表示为rt；所述等待时间表示为qt；所述停滞时间表示为ht，所述模拟工件到达当前站点的时间表示为arrivetime；步骤五中所述模拟工件为当前所在站点为第m站的在制品时，该模拟工件的所述预计出货时间表示为f_finishtimei，并且
Figure FDA0002554242760000021
n为总站点数；所述模拟工件的交货日期表示为due datei,该模拟工件的所述系数表示为Ri，并且
Figure FDA0002554242760000022
7.根据权利要求6所述的基于交货日期的流水作业生产线作业量预测方法，其特征在于：步骤五中所述模拟工件为虚拟工件时，所述虚拟工件的当前站点为起始站点，起始站点的到达时间为waferstarttime，该模拟工件的所述预计出货时间表示为f_finishtimei，并且
Figure FDA0002554242760000023
n为总站点数；所述模拟工件的交货日期表示为due datei,该模拟工件的所述系数表示为Ri，并且
Figure FDA0002554242760000031
8.根据权利要求7所述的基于交货日期的流水作业生产线作业量预测方法，其特征在于：步骤六中所述模拟工件为当前所在站点为第m站的在制品时，其对应的到达第n站点的预计达到时间
Figure FDA0002554242760000032
到达第n站点的预计开始时间
Figure FDA0002554242760000033
其中qtn表示为第m站至n站的等待时间，htn表示为第m站至n站的停滞时间；到达第n站点的预计结束时间
Figure FDA0002554242760000034
9.根据权利要求8所述的基于交货日期的流水作业生产线作业量预测方法，其特征在于：步骤六中所述模拟工件为当前所在站点为虚拟工件时，所述虚拟工件的当前站点为起始站点，起始站点的到达时间为waferstarttime，该虚拟工件对应的到达第n站点的预计达到时间
Figure FDA0002554242760000035
到达第n站点的预计开始时间
Figure FDA0002554242760000036
其中qtn表示为起始站点站至n站的等待时间，htn表示为起始站点至n站的停滞时间；到达第n站点的预计结束时间
Figure FDA0002554242760000037
10.根据权利要求1所述的基于交货日期的流水作业生产线作业量预测方法，其特征在于：步骤八中对所述集合M进行数据分析的方法包括例如按照日期、产品、产能、工艺阶段的作业量进行统计，并与实际作业量进行比对。
CN202010584743.3A 2020-06-24 2020-06-24 一种基于交货日期的流水作业生产线作业量预测方法 Pending CN111784035A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010584743.3A CN111784035A (zh) 2020-06-24 2020-06-24 一种基于交货日期的流水作业生产线作业量预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010584743.3A CN111784035A (zh) 2020-06-24 2020-06-24 一种基于交货日期的流水作业生产线作业量预测方法

Publications (1)

Publication Number Publication Date
CN111784035A true CN111784035A (zh) 2020-10-16

Family

ID=72757716

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010584743.3A Pending CN111784035A (zh) 2020-06-24 2020-06-24 一种基于交货日期的流水作业生产线作业量预测方法

Country Status (1)

Country Link
CN (1) CN111784035A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113035755A (zh) * 2021-03-15 2021-06-25 上海华力微电子有限公司 半导体生产制造中lot实时追踪及分析方法及系统
CN114493059A (zh) * 2022-04-19 2022-05-13 西安石油大学 一种基于机器学习的人员管控方法及系统

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10111963A (ja) * 1996-10-03 1998-04-28 Dainippon Printing Co Ltd 受注品の納期予測システム
CN101907883A (zh) * 2009-06-03 2010-12-08 株式会社日立制作所 动态维修计划装置
JP2011003097A (ja) * 2009-06-19 2011-01-06 Ihi Corp 作業完了日予測システム
CN102945030A (zh) * 2012-11-02 2013-02-27 上海华力微电子有限公司 一种有效控制晶圆生产过程中生产周期失控的方法
CN103646031A (zh) * 2013-11-08 2014-03-19 上海华力微电子有限公司 Drc文件的坐标数据对比方法
CN104423331A (zh) * 2013-08-20 2015-03-18 中芯国际集成电路制造(上海)有限公司 半导体集成电路生产中晶圆制造调度方法及调度系统
CN104915721A (zh) * 2014-03-11 2015-09-16 中芯国际集成电路制造(上海)有限公司 订单生产周期和产量的测量方法
CN105045236A (zh) * 2015-07-21 2015-11-11 江苏云道信息技术有限公司 一种流水线生产调度方法及系统
CN107146039A (zh) * 2017-06-13 2017-09-08 河南科技大学 一种多目标协同控制的定制式混流装配生产方法及装置
CN109740813A (zh) * 2018-12-29 2019-05-10 上海华力微电子有限公司 晶圆制造中在线产品批次跑货状态的分析预测方法
CN111144923A (zh) * 2019-11-11 2020-05-12 中国科学院计算机网络信息中心 一种基于深层循环神经网络的产品周期需求量预测方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10111963A (ja) * 1996-10-03 1998-04-28 Dainippon Printing Co Ltd 受注品の納期予測システム
CN101907883A (zh) * 2009-06-03 2010-12-08 株式会社日立制作所 动态维修计划装置
JP2011003097A (ja) * 2009-06-19 2011-01-06 Ihi Corp 作業完了日予測システム
CN102945030A (zh) * 2012-11-02 2013-02-27 上海华力微电子有限公司 一种有效控制晶圆生产过程中生产周期失控的方法
CN104423331A (zh) * 2013-08-20 2015-03-18 中芯国际集成电路制造(上海)有限公司 半导体集成电路生产中晶圆制造调度方法及调度系统
CN103646031A (zh) * 2013-11-08 2014-03-19 上海华力微电子有限公司 Drc文件的坐标数据对比方法
CN104915721A (zh) * 2014-03-11 2015-09-16 中芯国际集成电路制造(上海)有限公司 订单生产周期和产量的测量方法
CN105045236A (zh) * 2015-07-21 2015-11-11 江苏云道信息技术有限公司 一种流水线生产调度方法及系统
CN107146039A (zh) * 2017-06-13 2017-09-08 河南科技大学 一种多目标协同控制的定制式混流装配生产方法及装置
CN109740813A (zh) * 2018-12-29 2019-05-10 上海华力微电子有限公司 晶圆制造中在线产品批次跑货状态的分析预测方法
CN111144923A (zh) * 2019-11-11 2020-05-12 中国科学院计算机网络信息中心 一种基于深层循环神经网络的产品周期需求量预测方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113035755A (zh) * 2021-03-15 2021-06-25 上海华力微电子有限公司 半导体生产制造中lot实时追踪及分析方法及系统
CN113035755B (zh) * 2021-03-15 2023-08-18 上海华力微电子有限公司 半导体生产制造中lot实时追踪及分析方法及系统
CN114493059A (zh) * 2022-04-19 2022-05-13 西安石油大学 一种基于机器学习的人员管控方法及系统
CN114493059B (zh) * 2022-04-19 2022-07-05 西安石油大学 一种基于机器学习的人员管控方法及系统

Similar Documents

Publication Publication Date Title
US4796194A (en) Real world modeling and control process
Kopp et al. SMT2020—A semiconductor manufacturing testbed
CA2263386C (en) Scheduling system and scheduling method for reentrant line processes
CN111784035A (zh) 一种基于交货日期的流水作业生产线作业量预测方法
US20140222376A1 (en) Method for searching, analyzing, and optimizing process parameters and computer program product thereof
DE102006004413A1 (de) Verfahren und System zum Disponieren eines Produktstromes in einer Fertigungsumgebung durch Anwendung eines Simulationsprozesses
Das et al. Investigations into the impact of flexibility on manufacturing performance
Fowler et al. Control of multiproduct bulk service diffusion/oxidation processes
US7292903B2 (en) Methods for determining tool assignment preference and manufacturing systems using the same
Yan et al. Testing the robustness of two-boundary control policies in semiconductor manufacturing
CN110501978A (zh) 一种机器人产品生产车间排产调度方法
Dayhoff et al. Signature analysis of dispatch schemes in wafer fabrication
CN111784036A (zh) 一种基于生产周期的流水作业生产线作业量预测方法
CN104915721B (zh) 订单生产周期和产量的测量方法
Yang et al. Solving a multi-objective simulation model using a hybrid response surface method and lexicographical goal programming approach—a case study on integrated circuit ink-marking machines
Monch et al. Simulation-based assessment of batching heuristics in semiconductor manufacturing
Mourtzis et al. A framework for adaptive scheduling in cellular manufacturing systems
Roderick et al. A simulation study of CONWIP versus MRP at Westinghouse
Berkley A decomposition approximation for periodic kanban‐controlled flow shops
Pearn et al. Due-date assignment for wafer fabrication under demand variate environment
Qi et al. Impact of production control and system factors in semiconductor wafer fabrication
Piplani et al. Simplification strategies for simulation models of semiconductor facilities
CN1855359A (zh) 决定机器派工顺序的方法以及使用该方法的制造系统
Hesen et al. Application of a layout/material handling design method to a furnace area in a 300 mm wafer fab
Martinez et al. Methodology for optimizing cost of ownership

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20201016