CN112862331A - 一种基于属性选择的半导体制造系统投料控制方法及系统 - Google Patents
一种基于属性选择的半导体制造系统投料控制方法及系统 Download PDFInfo
- Publication number
- CN112862331A CN112862331A CN202110192362.5A CN202110192362A CN112862331A CN 112862331 A CN112862331 A CN 112862331A CN 202110192362 A CN202110192362 A CN 202110192362A CN 112862331 A CN112862331 A CN 112862331A
- Authority
- CN
- China
- Prior art keywords
- feeding
- workpiece
- model
- attribute
- rpelm
- 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
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 74
- 238000000034 method Methods 0.000 title claims abstract description 66
- 239000004065 semiconductor Substances 0.000 title claims abstract description 29
- 238000012545 processing Methods 0.000 claims abstract description 92
- 238000004088 simulation Methods 0.000 claims abstract description 74
- 238000012795 verification Methods 0.000 claims abstract description 28
- 238000012417 linear regression Methods 0.000 claims abstract description 22
- 238000011156 evaluation Methods 0.000 claims description 25
- 238000003754 machining Methods 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 13
- 238000010276 construction Methods 0.000 claims description 10
- 238000010183 spectrum analysis Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000011217 control strategy Methods 0.000 abstract description 14
- 230000006872 improvement Effects 0.000 description 12
- 230000007246 mechanism Effects 0.000 description 12
- 238000004422 calculation algorithm Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 6
- 239000009289 huang-lien-chieh-tu-tang Substances 0.000 description 6
- 239000000463 material Substances 0.000 description 6
- 230000003203 everyday effect Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000002354 daily effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 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 description 1
- 241000218220 Ulmaceae Species 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000035553 feeding performance Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06316—Sequencing of tasks or work
-
- 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)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于属性选择的半导体制造系统投料控制方法及系统,属于制造加工控制技术领域,方法包括如下步骤:基于训练好的极限学习机模型和利用订单信息与工件投料优先级确定的多元线性回归方程,构建RPELM投料顺序模型;对生长线的属性集进行属性选择,选取代表性属性和剔除无影响的属性;对经属性选择的属性集进行模型仿真验证,将经过仿真验证的属性集带入构建好的所述RPELM投料顺序模型中确定半导体制造系统投料顺序。本发明提供的方法及系统对工件投料优先级相关的属性集进行属性选择,能够提升了投料控制策略效率。
Description
技术领域
本发明涉及制造加工控制技术领域,尤其涉及一种基于属性选择的半导体制造系统投料控制方法及系统。
背景技术
投料控制是半导体制造系统调度的重要组成部分,处于半导体制造系统调度体系的前端,在整个半导体制造过程调度中占据重要地位,投料控制影响着其他类型的调度,对提高半导体制造系统的整体性能具有重要意义。
在常用投料控制策略中,静态投料控制策略往往没有考虑生产线上的实时状态信息,而动态投料控制策略虽然考虑了实时状态信息,但是往往只考虑到实时状态信息中的一个方面,如CONWIP(Constant WIP,CONWIP)只考虑了生产线在制品数量,WR只考虑了瓶颈设备上的工作负荷。此外,动态投料控制策略中的阈值往往是根据试凑法确定,没有根据实时状态信息做出动态调整,所以常用投料控制策略中的静态投料方法和动态投料方法均没有完全考虑到生产线上的实时状态,具有一定的片面性。
改进投料控制策略是在常用投料控制策略上,综合了各种投料控制策略优点,但是效果与实用性相互矛盾,即投料策略的效果与实用性往往成负相关性,这种投料方式的效果可能显著,但是其复杂的决策机制往往需要大量的计算时间,影响投料决策的效率。
发明内容
本发明的目的在于克服现有技术中的不足,提供一种基于属性选择的半导体制造系统投料控制方法及系统,能够对工件投料优先级相关的属性集进行属性选择,能够提升了投料控制策略效率。
为达到上述目的,本发明是采用下述技术方案实现的:
一方面,本发明提供了一种基于属性选择的半导体制造系统投料控制方法,包括如下步骤:
基于训练好的极限学习机模型和利用订单信息与工件投料优先级确定的多元线性回归方程,构建RPELM投料顺序模型;
对生长线的属性集进行属性选择,选取代表性属性和剔除无影响的属性;
对经属性选择的属性集进行模型仿真验证,将经过仿真验证的属性集带入构建好的所述RPELM投料顺序模型中确定半导体制造系统投料顺序。
进一步的,构建RPELM投料顺序模型的方法包括如下步骤:
构建工件的订单信息与投料优先级之间关系的多元线性回归方程,所述订单信息包括净加工时间、订单平均加工时间、加工步数和是否为紧急工件,所述投料优先级包括普通工件和紧急工件;
基于训练好的极限学习机模型和所述多元线性回归方程训练获得所述RPELM投料顺序模型。
进一步的,对于普通工件,工件的投料优先级和订单信息之间关系采用如下公式表示:
Y=α1x1+α2x2+…+αmxm
式中,α1,α2,...,αm表示偏回归系数,x1,...,xm表示订单信息。
对于紧急工件,工件的投料优先级和订单信息之间关系采用如下公式表示:
式中,Pi、CTi、Ti和Stepsi分别表示工件优先级,订单给定的平均加工周期,订单给定的净加工时间和工件Loti的加工步数;lsHotLot(i)的值根据则工件Loti是否为紧急工件来确定,若工件为紧急工件,则值为1,否则值为0;a,b和c分别代表的是工件Loti的CTi,Ti和Stepsi对确定优先级的权重。
进一步的,所述属性集包括不同工件在生产线前、中、后阶段的数量,每天生产线在制品数量,每天加工步数,每天加工时间,每天在瓶颈设备上的加工步骤、每天在瓶颈设备上等待加工的工件数量。
进一步的,所述属性选择的方法包括均方误差评价法,频谱分析法,相关系数评价和拟合优度评价方法。
进一步的,所述模型仿真验证包括基于MIMAC模型的仿真验证和基于BL模型的仿真验证。
进一步的,在基于BL模型的仿真验证中结合不同派工规则进行了仿真验证。
进一步的,方误差评价法中均方差计算公式为:
其中,x0i为第i个标准数据,n为有效数据个数,xki表示第i个属性信息;
频谱分析法中各个非标准数据与标准数据的幅度值之差的平方的均值公式表示为:
其中,x0i为第i个标准数据,n为有效数据个数,xki表示第i个属性信息;
在相关系数评价中相关系数计算公式表示如下:
其中,
Cov(X,Y)=E((X-E(X))(Y-E(Y)))
D(X)=E((X-E(X))2)=E(X2)-(E(X))2
式中,Cov(X,Y)、D(X)分别为输入矩阵为X、输出矩阵为Y的协方差和方差;
在拟合优度评价方法中,拟合优度R2的计算公式为:
R2=1-SSE/SST
其中,
另一方面,本发明提供了一种半导体制造系统投料控制系统,包括如下模块:
模型构建模块,用于基于训练好的极限学习机模型和利用订单信息与工件投料优先级确定的多元线性回归方程,构建RPELM投料顺序模型;
属性选择模块,用于对生长线的属性集进行属性选择,选取代表性属性和剔除无影响的属性;
仿真验证模块,用于对经属性选择的属性集进行模型仿真验证,将经过仿真验证的属性集带入构建好的所述RPELM投料顺序模型中确定半导体制造系统投料顺序。
进一步的,所述模型构建模块包括如下单元:
第一构建单元,用于构建工件的订单信息与投料优先级之间关系的多元线性回归方程,所述订单信息包括净加工时间、订单平均加工时间、加工步数和是否为紧急工件,所述投料优先级包括普通工件和紧急工件;
第二构建单元,用于基于训练好的极限学习机模型和所述多元线性回归方程训练获得所述RPELM投料顺序模型
与现有技术相比,本发明所达到的有益效果:
本发明提供的方法及系统对生产线的属性集进行属性选择,对经属性选择的属性集进行模型仿真验证,将经过仿真验证的属性集带入构建好的RPELM投料顺序模型中确定半导体制造系统投料顺序,能够提升了投料控制策略效率。
附图说明
图1是本发明实施例提供的一种极限学习机模型的结构示意图;
图2是本发明实施例提供的一种获得WRELM投料策略模型的流程图;
图3是本发明实施例提供的一种获得RPELM投料策略模型的流程图;
图4是本发明实施例提供的一种基于属性选择的半导体制造系统投料控制方法的流程图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
如图4所示,本发明实施例提供了一种基于属性选择的半导体制造系统投料控制方法,其特征在于,包括如下步骤:
基于训练好的极限学习机模型和利用订单信息与工件投料优先级确定的多元线性回归方程,构建RPELM投料顺序模型;
对生长线的属性集进行属性选择,选取代表性属性和剔除无影响的属性;
对经属性选择的属性集进行模型仿真验证,将经过仿真验证的属性集带入构建好的所述RPELM投料顺序模型中确定半导体制造系统投料顺序。
在本实施例中,如图1所示,极限学习机模型包括多个输入层节点,多个隐含层节点和多个输出层节点;
每一个所述输入层节点分别连接所有所述隐含层节点,每一个所述隐含层节点分别连接所有输出层节点。
具体地,在本实施例中,极限学习机模型由n个输入层节点,l个隐含层节点和m个输出层节点组成。
极限学习机模型(Extreme Learning Machine,ELM)的训练方法如下所述,其中,输入层权值ωij表示输入节点i和隐含层节点j之间的增益,如下公式(1)所示:
在如下公式(2)中,输出层权值βjk表示第j个隐含层神经元与第k个输出之间的增益。
bl×1表示隐含层的阈值,如公式(3)所示:
bl×1=[b1 b2 … bl]′ (3)
在本实施例中,ELM算法无需迭代训练和学习数据,随机初始化输入层权值矩阵ωn×l和隐含层阈值矩阵bl×1。设训练集有Q个样本,输入矩阵为X,输出矩阵为Y,分别可以如下公式(4)和公式(5)表示:
在本实施例中,设隐含层的激活函数为g(x),一般取Sigmoid函数,则可知该网络的输出如公式(6)和公式(7)所示。
Tm×Q=[t1,t2,...,tQ] (6)
为了得到βjk,公式(6)和公式(7)可以简化为公式(8),其中,H为极限学习机的隐含层输出矩阵,具体形式如公式(9)。这样,βjk就可以通过公式(10)得到,其中,H+是隐含层输出矩阵的Moore-Penrose广义逆。
Hβ=T (8)
βl×m=H+T (10)
最后,通过建立起来的ELM模型,输入测试集就可以得到相应的输出。
在本实施例中,建立输入多个实时状态并输出动态阈值的WRELM投料策略模型的方法包括如下步骤:
选取不同固定阈值的WR方法来进行仿真模拟获取样本;
将获取的样本输入训练好的极限学习机模型进行训练学习获得所述WRELM投料策略模型。
具体地,训练学习获得所述WRELM投料策略模型的方法包括如下步骤:
根据仿真模拟的短期性能指标选取样本;
选取所述样本中所述短期性能指标对应的实时状态作为极限学习机模型的输入,选取所述短期性能指标对应的WR阈值作为极限学习机模型的输出;
根据所述样本、所述输入和所述输出模拟计算获得所述极限学习机模型的参数,所述参数包括输入层权值矩阵、隐含层阈值矩阵和输出层权值矩阵;
利用测试集对获得参数的极限学习机模型进行精度验证,获得所述WRELM投料策略模型。
在本实施例中,如图2所示,获得所述WRELM投料策略模型的方法具体包括如下步骤:
步骤1:样本采集。
首先,选取不同固定阈值的WR方法来进行仿真。其目的是为了尽可能覆盖不同实时状态下的最优WR阈值。即最后生成的模型WRELM中的阈值会根据不同的实时状态动态改变,可以促使生产线性能达到最优。
其次,对于每一个阈值选取含有不同产品比例的不同订单。不同产品比例的不同订单投入到生产线中会使实时状态尽可能多样化,最终的模型中的学习机制便可以适用于不断变化的实时状态以达到最后性能指标最优化。
最后,记录实时状态信息和短期性能指标。实时状态信息包括不同种类在制品的数量和不同加工阶段在制品的数量。短期性能指标包括每天的加工步数(日MOV)和瓶颈设备的利用率。短期性能会影响最终的性能指标TH和CT,这些数据记录将作为训练集。
步骤2:学习过程
选择建立ELM的输入和输出数据。这里,我们选取实时状态作为输入,WR的阈值作为输出,但并不是选取所有的实时状态和WR阈值作为输入和输出。首先会根据短期性能指标的优劣选取优异的样本,然后选取了与优良短期性能指标对应的实时状态和WR阈值作为ELM的输入和输出。
然后在MATLAB软件中实现ELM代码,并将优良样本数据添加到MATLAB代码中,通过MATLAB仿真记录ELM的ωn×l,βl×m和bl×1。其中,ωn×l和bl×1是随机产生的,而βl×m可以根据公式10得出。
通过上面步骤,ELM学习机制中的参数都已经确定,最后只要通过测试样本来判断ELM学习机的精度是否达到了要求。
步骤3:模型应用
确定ELM参数后,便可以在调度仿真系统中实现学习机制,包括ELM参数的记录和算术表达式代码的实现。实现了考虑ELM的优化仿真系统后,在实际仿真中,极限学习机的输出,也就是WR的阈值将会根据多个实时状态和学习机制动态改变,克服了普通动态投料控制策略中的不足之处。
在本实施例中,基于训练好的极限学习机模型和利用订单信息与工件投料优先级确定的多元线性回归方程,构建RPELM投料顺序模型。
具体地,投料策略主要用来确定何时投入多少数量的何种工件到生产线上。上述WRELM投料策略模型主要控制的是投料时刻,而RPELM投料顺序模型是一种考虑极限学习机控制投料顺序的投料策略(Release Plan With ELM,RPELM)。
当某种工件在生产线上加工阻塞时,我们需要延迟投入这种工件到生产线中,并且先投入那些加工流畅的工件,否则继续投入会使生产线变得更加阻塞,从而使出片量、准时交货量等性能指标变差。考虑投料顺序的普通投料策略主要有FIFO和EDD,但是仅考虑到了订单信息,忽略了生产线上的实时状态信息。RPELM则同时考虑到了订单信息和生产线上的实时状态信息来决定投料顺序。
在本实施例中,对影响投料的订单信息进行分析。
具体地,对不同工件来说,工件的固有属性主要包括加工步数、净加工时间、订单给定的平均加工周期以及是否为紧急工件。
工件的加工步数表明工件流程的长短,加工步数越多说明其被派工次数越多,会更大概率增加工件在加工区上的等待时间,影响工件的平均加工周期。净加工时间表示工件在无阻塞的情况下完成加工所需的时间,净加工时间越小说明在生产线流畅情况下工件在生产线上的滞留时间越少,平均加工周期越少。平均加工周期表示在一类工件从投入生产线开始加工到完成加工的时间间隔平均值,平均加工周期越小说明其流动性越快,设备的利用率更高,生产线产能越高。一个工件如果是紧急工件则应当优先投入到生产线上进行加工以优化紧急工件的准时交货率(HLODR)和平均加工周期(CT)。
综上,我们选取影响投料的订单信息有4个因素:净加工时间、订单平均加工周期、加工步数和是否为紧急工件。
在本实施例中,考虑紧急工件的派工规则。
由于考虑了紧急工件,所以首先需要在仿真模型中区分紧急工件和普通工件。一般来说,紧急工件是由于交货期紧张而需要优先投入到生产线中的工件,所以设定紧急工件的交货期小于普通工件。这里定义普通工件交货期为投入时间加上工件的平均加工周期,紧急工件交货期为投入时间加上工件平均加工周期与一个系数的乘积,该系数为0.8到1之间的一个随机数。普通工件和紧急工件交货期如公式11和12所示。
DueDate(i)=ReleaseTime(i)+CT(i) (11)
HotLotDueDate(i)=ReleaseTime(i)+CT(i)*random(0.8,1) (12)
式中,DueDate(i)为工件i的交货期,HotLotDueDate(i)为紧急工件i的交货期,ReleaseTime(i)为工件i的投料时刻,CT(i)为工件i的给定加工时间,random(0.8,1)为大小范围在0.8到1之间的一个随机数。
一般情况下,我们在做投料控制策略时不考虑复杂的派工规则,只是简单采用FIFO,也就说先进入加工区的工件优先进行加工,而不考虑工件的紧急程度。但现在生产线上加入了紧急工件,所以派工规则必须考虑到紧急工件并有所改动。这里我们改进FIFO派工规则,使派工规则首先观察加工区上是否有紧急工件,如果有紧急工件,按照FIFO规则从这些紧急工件中选出最早到加工区的工件进行加工;如果没有紧急工件则按照FIFO规则选出工件进行加工。
同样情况的还有批加工规则,一般情况在批加工设备所处的加工区中,会首先按照FIFO挑选出一类工件进行组批加工。但在有紧急工件的情况下,批加工规则首先会按照FIFO将一类紧急工件纳入组批范围,如果紧急工件数量少于组批工件数量,则按照FIFO选取同类普通工件与紧急工件一起组批;若没有紧急工件,则简单地按照FIFO挑选一类工件进行组批。
在本实施例中,利用多元线性回归方程确定投料优先级。
影响投料的订单因素有净加工时间、订单平均加工时间、加工步数和是否为紧急工件。为了确定这四个因素与投料顺序的关系,可以采用多元线性回归方程来确定工件的投料优先级。
线性回归是一种经过深入研究并在实际应用中广泛使用的表达式,这是因为线性依赖于其未知参数的模型比非线性依赖于其位置参数的模型更容易拟合,而且产生的统计特性也更容易确定。
线性回归的一般数学表达式为:
Y=α1x1+α2x2+…+αmxm (13)
式13中,α1,α2,...,αm表示偏回归系数,x1,...,xm表示订单信息。
对于普通工件,可以利用式13来表述工件的投料优先级和订单信息表之间的关系。
对于紧急工件则需要额外增加一个参数来进一步提高紧急工件的投料优先级,如式14所示。
其中,Pi、CTi、Ti和Stepsi分别表示工件优先级,订单给定的平均加工周期,订单给定的净加工时间和工件Loti的加工步数。在公式14中,lsHotLot(i)的值根据则工件Loti是否为紧急工件来确定,若工件为紧急工件,则值为1,否则值为0。a,b和c分别代表的是工件Loti的CTi,Ti和Stepsi对确定优先级的权重,这些权重是以实时状态信息作为输入,通过ELM学习机制推导出来的,所以RPELM同时考虑到了订单信息和实时状态信息。
在本实施例中,最终基于极限学习机确定投料顺序。
上述已经得出了订单信息与工件投料优先级的多元线性回归方程,同时提出为了从实时状态中推出工件信息权重,需要建立极限学习机。为了建立ELM学习机,首先需要获得足够多的样本,并从中选取优异样本作为训练集。训练集是未建立ELM的输入和输出数据。
基于ELM和多元线性回归方程确定投料顺序的仿真模型构建流程如图3所示,主要步骤如下。
步骤1:样本采集
首先,随机选取a,b和c。将随机生成的a,b和c应用到多元线性回归方程中,得到工件投料优先级,然后便根据工件投料优先级进行仿真产生样本。
然后,需要记录样本。样本数据是指实时状态信息和短期性能指标。实时状态信息包括不同种类工件在生产加工阶段的前段,中段和后段的数量。短期性能指标包括瓶颈设备的利用率,每天的加工步数(MovPerDay),每天的出片量(THPerDay)和每月的准时交货率(ODRPerDay)。这些短期性能指标能够反映长期性能指标,也就是最终的性能指标,包括TH,CT和ODR,HLODR等。
步骤2:学习过程
首先,选择ELM的训练集。选取对应于优良短期性能指标的实时状态和订单信息比重值的统计结果分别作为ELM的输入和输出。然后在MATLAB上编程,仿真运行建立极限学习机制。
其次,采用测试样本集对建立起来的学习机制进行测试检查ELM学习机制的精度是否达到要求。
步骤3:模型应用
在调度仿真系统中实现学习机制。包括ELM参数的记录和算术表达式代码的实现。完成以上步骤后,订单中工件在优化的仿真系统中,其优先级便会根据订单信息,实时状态信息和ELM机制实时改变。
最后根据对优化的仿真系统运行仿真得到仿真性能指标,并与其他的投料策略进行比较。
整体上讲,RPELM比FIFO和EDD两种投料策略能取得更好的最终性能指标。尤其是当生产线为轻载时,RPELM能够有效改善工件的准时交货率和紧急工件的准时交货率。很明显,这是由于RPELM考虑到了生产线的实时状态做出实时调整所取得的成果。
在本实施例中,考虑到很多的生产线属性会影响到投料顺序。由于很多属性相关性很强,同时也有一些属性对于性能指标没有影响,所以我们需要从相关性很强的一类属性集中选取代表,并且从属性集中剔除那些对性能指标没有很大影响的属性。
半导体制造系统由于其自身的复杂特性,生产线上的实时状态往往非常多。影响投料策略的生产线属性众多,需要挖掘对投料控制策略有较大影响的实时状态属性。
首先,需要选出生产线上的属性集,除了选取不同工件在生产线前、中、后阶段的数量之外,还选取了每天的生产线在制品数量、每天的加工步数、每天的加工时间、每天在瓶颈设备上的加工步骤、每天在瓶颈设备上的等待加工的工件数量作为实时状态信息。
具体表现在MIMAC仿真模型上的属性集如表1至表2所示。
表1生产线属性集
序号 | 属性名称 | 属性含义 |
1 | WIPPerDay | 生产线WIP |
2 | MovPerDay | 生产线Mov |
3 | ThPerDay | 生产线出片量 |
4 | ProTimrPerDay | 生产线加工时间 |
5 | PreWIP1 | 前1/3第1种产品在制品数量 |
6 | PreWIP2 | 前1/3第2种产品在制品数量 |
7 | PreWIP3 | 前1/3第3种产品在制品数量 |
8 | PreWIP4 | 前1/3第4种产品在制品数量 |
9 | PreWIP5 | 前1/3第5种产品在制品数量 |
10 | PreWIP6 | 前1/3第6种产品在制品数量 |
11 | PreWIP7 | 前1/3第7种产品在制品数量 |
12 | PreWIP8 | 前1/3第8种产品在制品数量 |
13 | PreWIP9 | 前1/3第9种产品在制品数量 |
14 | MidWIP1 | 中1/3第1种产品在制品数量 |
15 | MidWIP2 | 中1/3第2种产品在制品数量 |
16 | MidWIP3 | 中1/3第3种产品在制品数量 |
17 | MidWIP4 | 中1/3第4种产品在制品数量 |
18 | MidWIP5 | 中1/3第5种产品在制品数量 |
19 | MidWIP6 | 中1/3第6种产品在制品数量 |
20 | MidWIP7 | 中1/3第7种产品在制品数量 |
21 | MidWIP8 | 中1/3第8种产品在制品数量 |
22 | MidWIP9 | 中1/3第9种产品在制品数量 |
23 | BehWIP1 | 后1/3第1种产品在制品数量 |
24 | BehWIP2 | 后1/3第2种产品在制品数量 |
25 | BehWIP3 | 后1/3第3种产品在制品数量 |
26 | BehWIP4 | 后1/3第4种产品在制品数量 |
27 | BehWIP5 | 后1/3第5种产品在制品数量 |
28 | BehWIP6 | 后1/3第6种产品在制品数量 |
29 | BehWIP7 | 后1/3第7种产品在制品数量 |
30 | BehWIP8 | 后1/3第8种产品在制品数量 |
31 | BehWIP9 | 后1/3第9种产品在制品数量 |
表2 Buffer11021_ASM_A1_A3_G1加工区属性集
序号 | 属性名称 | 属性含义 |
32 | Mov | Buffer11021_ASM_A1_A3_G1加工区Mov |
33 | Queue | Buffer11021_ASM_A1_A3_G1加工区排队队长 |
34 | Utilization | Buffer11021_ASM_A1_A3_G1加工区利用率 |
表3 Buffer1024_ASM_A4_G3_G4加工区属性集
序号 | 属性名称 | 属性含义 |
35 | Mov | Buffer1024_ASM_A4_G3_G4加工区Mov |
36 | Queue | Buffer1024_ASM_A4_G3_G4加工区排队队长 |
37 | Utilization | Buffer1024_ASM_A4_G3_G4加工区利用率 |
表4 Buffer11026_ASM_B2加工区属性集
序号 | 属性名称 | 属性含义 |
38 | Mov | Buffer11026_ASM_B2加工区Mov |
39 | Queue | Buffer11026_ASM_B2加工区排队队长 |
40 | Utilization | Buffer11026_ASM_B2加工区利用率 |
表5 Buffer11027_ASM_B3_B4_D4加工区属性集
序号 | 属性名称 | 属性含义 |
41 | Mov | Buffer11027_ASM_B3_B4_D4加工区Mov |
42 | Queue | Buffer11027_ASM_B3_B4_D4加工区排队队长 |
43 | Utilization | Buffer11027_ASM_B3_B4_D4加工区利用率 |
表6 Buffer11029_ASM_C1_D1加工区属性集
序号 | 属性名称 | 属性含义 |
44 | Mov | Buffer11029_ASM_C1_D1加工区Mov |
45 | Queue | Buffer11029_ASM_C1_D1加工区排队队长 |
46 | Utilization | Buffer11029_ASM_C1_D1加工区利用率 |
表7 Buffer11030_ASM_C2_H1加工区属性集
序号 | 属性名称 | 属性含义 |
47 | Mov | Buffer11030_ASM_C2_H1加工区Mov |
48 | Queue | Buffer11030_ASM_C2_H1加工区排队队长 |
49 | Utilization | Buffer11030_ASM_C2_H1加工区利用率 |
表8 Buffer17221_K_SMU236加工区属性集
序号 | 属性名称 | 属性含义 |
50 | Mov | Buffer17221_K_SMU236加工区Mov |
51 | Queue | Buffer17221_K_SMU236工区排队队长 |
52 | Utilization | Buffer17221_K_SMU236加工区利用率 |
表9 Buffer17421_HOTIN加工区属性集
序号 | 属性名称 | 属性含义 |
53 | Mov | Buffer17421_HOTIN加工区Mov |
54 | Queue | Buffer17421_HOTIN加工区排队队长 |
55 | Utilization | Buffer17421_HOTIN加工区利用率 |
在本实施例中,属性选择是从全部特征中挑选出一些最有效的特征以降低特征空间维数的过程,主要包括4个基本步骤:候选特征子集的生成(搜索策略)、评价准则、停止准则、验证方法。其中,属性选择的基本方法有以下几种:
⑴均方误差评价法
求出各个比较列(非标准列)与标准列的各次测量值之差值,再求各次差值的平方和,再求平均。均方差计算公式(15)为:
其中,,x0i为第i个标准数据,n为有效数据个数,xki表示第i个属性信息。Rk值越小说明该非标准数据与标准数据的差异越小。
⑵频谱分析法
首先将标准数据与非标准数据都进行傅立叶变换,然后计算各个非标准数据与标准数据的幅度值之差的平方的均值采用公式(16)表示如下:
其中,,x0i为第i个标准数据,n为有效数据个数,xki表示第i个属性信息。Rk值越小说明该非标准数据与标准数据的差异越小。
⑶相关系数评价
相关系数采用计算公式(17)表示如下:
其中,
Cov(X,Y)=E((X-E(X))(Y-E(Y))) (18)
D(X)=E((X-E(X))2)=E(X2)-(E(X))2 (19)
其中,Cov(X,Y)、D(X)分别为输入矩阵为X、输出矩阵为Y的协方差和方差。相关系数法可表示两列数据的相关性,其值越接近1,说明数据越相近。
(4)拟合优度评价方法
根据最小二乘数据拟合的评价标准,本文尝试了采用它的拟合优度评价参数R2来进行评价。
拟合优度R2采用计算公式(20)表示为:
R2=1-SSE/SST (20)
其中,
其中,R2越大,说明拟合效果越好。
用非标准列数据去拟合标准数据,根据拟合优度评价标准进行评价,其值越接近于1说明该列与标准值越接近。
属性选择算法还有一些改进的属性选择算法,如基于支持向量机预分类的属性选择算法、基于极大连通子图的相关度属性选择算法、基于分形维数和蚁群算法的属性选择算法和基于核函数参数优化的属性选择算法等。
为了保证性能指标的优异,需要选取与性能指标密切相关的生产线属性作为实时状态。
在本实施例中,为了保证RPELM方法在各个性能指标上的优势,首先选取与投料性能指标TH相关性最大的属性集作为实时状态集。例如,在MIMAC上选择25个最终的实时状态,分别用相关系数法,均方误差评价法,频谱分析法和拟合优度评价法选择的结果如表10所示。
表10属性选择后的属性集
表10中的序号分别对于表1至表9中序号所对应的属性。可以发现均方误差评价法和拟合优度评价法所选出的属性集完全一样,频谱分析法选出的属性集和均方误差选出的属性集中的属性绝大部分是重合的。相关系数法选出的属性集虽然和另外三种属性选择算法选出的属性集有所差异,但基本上也是一致的。
在本实施例中,分别将这四种属性选择方法选出的属性应用到RPELM投料策略上并进行仿真记录性能结果,同时我们也以FIFO,EDD作为投料策略仿真运行后的性能指标作为比较对象。
由于均方误差评价法和拟合优度评价法在这里选出的属性集相同,故只对均方误差法属性选择后的RPELM进行仿真。仿真运行320天,其中前30天作为预热期,仿真结果见表11,仿真结果比较见表12所示。其中,RPELM_FS表示考虑属性选择的RPELM投料策略。
表11 FIFO,EDD和属性选择后RPELM的仿真结果
表12属性选择后的RPELM策略与FIFO,EDD比较
由表11和表12可以得出如下几点结论:
⑴从表11中可以看出,经过属性选择后的RPELM_FS方法相对于FIFO和EDD在性能指标上均有所改进,其中考虑相关系数法的RPELM_FS对ODR和HLODR改进效果明显,相对于FIFO提高幅度分别为3.02%和2.01%,相对于EDD提高幅度分别为2.26%和1.00%,TH和CT也有所改善,但效果并不明显。
⑵分别考虑均方误差法和频谱分析法的RPELM_FS相对于FIFO和EDD也能在ODR和HLODR进行改进,并且对HLODR的改进幅度要大于相关系数法,尤其是经过频谱分析法属性选择后的RPELM相对于FIFO和EDD在HLODR上能够改善4.53%和3.52%,改善效果明显。但是它们对ODR的改善不如相关系数法明显。
⑶RPELM_FS相对于RPELM在性能指标上也能有所改善,但不明显。其中考虑相关系数法的RPELM_FS相对于RPELM主要在ODR改善较大,提高幅度为1.69%;考虑频谱分析法的RPELM_FS相对于RPELM在HLODR上改善较大,提高幅度为2.78%。
为了验证经过属性选择后的RPELM的有效性,在本实施例中,同样在BL模型上进行仿真验证。
每次仿真都进行300天,其中有30天的预热期。同时,仿真也采用了不同的派工规则,分别有FIFO、EDD、SPT、LPT、SPRT和LS。
在本实施例中,选取了不同工件在不同加工阶段的数量,每天的WIP,每天的加工步骤,每天的生产时间,在瓶颈设备上的加工步数,瓶颈设备上的排队队长作为属性样本集,总共有38种属性。每次RPELM_FS仿真我们都利用了相关系数法选出了9种属性作为实时状态。同时,选取TH(出片量)、CT(平均加工时间)、VAR(the variance of CT,CT的方差)、HLCT(the CT of hot-lots,紧急工件的平均加工周期)、HLVAR(the variance of thehot-lots’CT,紧急工件加工时间的方差)、CLCT(the CT of common-lots,普通工件的加工时间)、CLVAR(the variance of the common-lots’CT,普通工件加工时间的方差)、ODR(交货期)、HLODR(紧急工件交货期)作为性能指标,其中我们重点关注TH、CT、ODR和HLODR四个性能指标。仿真结果如表13至18所示。其中C_FIFO和C_EDD分别表示考虑不同属性选择算法后的RPELM_FS的仿真结果与FIFO和EDD的比较。
表13派工规则为FIFO仿真结果比较
FIFO | EDD | RPELM_FS | C_FIFO | C_EDD | |
TH(lot) | 2065 | 2070 | 2070 | 0.24% | 0.00% |
CT(hour) | 1150 | 1148 | 1148 | 0.17% | 0.00% |
VAR | 435.62 | 434.08 | 433.42 | 0.51% | 0.15% |
HLCT(hour) | 1135 | 1131 | 1131 | 0.35% | 0.00% |
HLVAR | 363.80 | 361.93 | 361.82 | 0.54% | 0.03% |
CLCT(hour) | 1150 | 1149 | 1149 | 0.09% | 0.00% |
CLVAR | 443.22 | 441.64 | 440.92 | 0.52% | 0.16% |
ODR | 46.79% | 48.63% | 48.82% | 1.03% | 0.19% |
HLODR | 20.95% | 24.76% | 27.62% | 6.67% | 2.86% |
表14派工规则为EDD仿真结果比较
FIFO | EDD | RPELM_FS | C_FIFO | C_EDD | |
TH(lot) | 2007 | 2001 | 1996 | -0.55% | -0.25% |
CT(hour) | 865 | 859 | 860 | 0.58% | -0.12% |
VAR | 661.22 | 641.77 | 649.56 | 1.76% | -1.21% |
HLCT(hour) | 802 | 804 | 802 | 0.00% | 0.25% |
HLVAR | 537.49 | 535.09 | 531.39 | 1.10% | 0.69% |
CLCT(hour) | 870 | 864 | 865 | 0.57% | -0.12% |
CLVAR | 672.35 | 651.52 | 659.89 | 1.85% | -1.13% |
ODR | 57.54% | 58.91% | 59.31% | 1.77% | 0.40% |
HLODR | 69.39% | 68.70% | 67.34% | -2.05% | -1.36% |
表15派工规则为SPT仿真结果比较
表16派工规则为LPT仿真结果比较
FIFO | EDD | RPELM_FS | C_FIFO | C_EDD | |
TH(lot) | 2048 | 2047 | 2044 | -0.20% | -0.15% |
CT(hour) | 973 | 974 | 975 | -0.21% | -0.10% |
VAR | 383.26 | 382.84 | 382.88 | 0.10% | -0.01% |
HLCT(hour) | 964 | 973 | 974 | -1.04% | -0.10% |
HLVAR | 367.04 | 364.02 | 367.59 | -0.15% | -0.98% |
CLCT(hour) | 975 | 974 | 975 | 0.00% | -0.10% |
CLVAR | 384.91 | 384.2 | 384.79 | 0.03% | -0.15% |
ODR | 48.73% | 49.26% | 48.80% | 0.07% | -0.46% |
HLODR | 30.90% | 31.43% | 33.71% | 2.81% | 2.28% |
表17派工规则为SPRT仿真结果比较
FIFO | EDD | RPELM_FS | C_FIFO | C_EDD | |
TH(lot) | 2387 | 2381 | 2387 | 0.00% | 0.25% |
CT(hour) | 701 | 709 | 705 | -0.57% | 0.56% |
VAR | 285.50 | 307.45 | 288.25 | -0.88% | 6.24% |
HLCT(hour) | 583 | 613 | 611 | -4.80% | 0.33% |
HLVAR | 227.46 | 273.01 | 230.80 | -1.47% | 15.46% |
CLCT(hour) | 717 | 721 | 717 | 0.00% | 0.55% |
CLVAR | 291.6 | 301.64 | 294.44 | -0.97% | 2.39% |
ODR | 45.32% | 48.78% | 43.26% | -2.06% | -5.52% |
HLODR | 52.42% | 54.20% | 48.22% | -4.20% | -5.98% |
表18派工规则为LS仿真结果比较
从表13—表18中可以得到以下结论:
(1)不论采取什么派工规则,在不同投料规则下的TH几乎不变,这是由于生产线上的固定在制品数量限制所决定的。除了派工规则SPRT和FIFO外,在其他派工规则下使用RPELM_FS的性能指标CT,HLCT,CLCT,VAR,HLVAR和CLVAR相对于FIFO和EDD投料规则在某些指标上略有改善,某些指标上性能反而下降。
(2)在派工规则为SPRT下,RPELM_FS的CT,ODR和HLODR这些重要性能指标相对于FIFO和EDD是明显下降的,这说明RPELM不适用于派工规则为SPRT的半导体生产线。
(3)在派工规则为FIFO的情况下,RPELM_FS相对于FIFO和EDD的各项指标均有不同幅度的提升,特别RPELM相对于FIFO的ODR和HLODR两项性能指标,分别能够提升1.03%和6.67%;相对于EDD的HLODR能够提升2.86%。
(4)在派工规则为SPT时,RPELM_FS相对于FIFO在ODR性能上能够提高1.15%,在HLODR性能上能够提高3.08%,能够取得不错的改善。但相对于EDD投料策略没有明显优势。当派工规则为LPT时,RPELM_FS相对于FIFO和EDD在HLODR性能指标上能够分别改善2.81%和2.28%,但对于其他性能指标几乎没有提升。
(5)当规则为SPRT和LS时,RPELM_FS相对于FIFO和EDD在性能指标上几乎没有优势,在某些性能指标上反而有较为明显的下降。
综上所述,当RPELM_FS和派工规则FIFO一起使用时,能够全面改善半导体生产系统的性能指标。
当生产线比较关注ODR或者HLODR时,RPELM_FS还可以与派工规则SPT和LPT同时采用。
当派工规则为LPTH或者EDD时,若投料规则采用RPELM_FS对生产线不会有所改善。
需要注意的是派工规则SPRT和投料规则RPELM_FS不应当同时采取,因为同时采用这两种规则取得的总体效果很差。造成以上结果是由极限学习机对数据的敏感性导致,极限学习机对派工规则为FIFO时仿真产生的数据比较有效,而对采用其他派工规则时运行仿真才生的数据有效性较弱,尤其是对采用SPRT派工规则仿真产生的数据。
在本实施例中,考虑到订单中紧急工件比例的不同会影响生产线的性能指标,所以生产线上的调度策略包括投料控制策略和派工规则应当考虑订单中紧急工件比例这一影响因素。
为了研究RPELM_FS在具有不同紧急工件比例订单下是否仍能适用于半导体仿真模型,我们选取了4组具有不同紧急工件比例的订单,并在BL模型上进行了仿真研究。仿真300天,其中前30天作为预热期,仿真结果如表19和表20所示。
表19不同紧急工件比例下的投料策略仿真结果
表20不同紧急工件比例下的投料策略仿真结果比较
由表19和表20,可以得到以下几点结论:
(1)采用FIFO和EDD投料规则的TH和CT性能指标是相同的。可见在投料规则为FIFO和EDD的情况下,订单中紧急工件比例不同不会对出片量和平均加工时间有影响,因为紧急工件比例不会影响这两种投料规则下的半导体调度。但是RPELM_FS投料规则是和紧急工件比例有联系的,所以在4组不同紧急工件比例生产线仿真下的TH是不同的。
(2)在第一组仿真中,RPELM_FS的ODR和HLODR相对于FIFO有所提高,分别提高1.39%和4.27%,但相对于EDD却没有提高。第2组和第4组仿真的结果和第1组是一致的,只不过RPELM相对于FIFO的提高幅度不一样,其中RPELM_FS相对于FIFO在ODR上提高幅度最大为1.39%,在HLODR性能指标上提高幅度最大为4.29%。
(3)在第3组紧急工件比例下,不同于其他三组RPELM_FS的ODR和HLODR相较于FIFO和EDD投料规则都有提高,相较于FIFO提高幅度分别是2.74%和6.66%,相较于EDD投料策略分别提高1.21%和2.22%。
从上面的结论中,我们可以推断出RPELM_FS在不同订单中的紧急工件比例不同的情况下,依然是适用的。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (10)
1.一种基于属性选择的半导体制造系统投料控制方法,其特征在于,包括如下步骤:
基于训练好的极限学习机模型和利用订单信息与工件投料优先级确定的多元线性回归方程,构建RPELM投料顺序模型;
对生产线的属性集进行属性选择,选取代表性属性和剔除无影响的属性;
对经属性选择的属性集进行模型仿真验证,将经过仿真验证的属性集带入构建好的所述RPELM投料顺序模型中确定半导体制造系统投料顺序。
2.根据权利要求1所述的基于属性选择的半导体制造系统投料控制方法,其特征在于,构建RPELM投料顺序模型的方法包括如下步骤:
构建工件的订单信息与投料优先级之间关系的多元线性回归方程,所述订单信息包括净加工时间、订单平均加工时间、加工步数和是否为紧急工件,所述投料优先级包括普通工件和紧急工件;
基于训练好的极限学习机模型和所述多元线性回归方程训练获得所述RPELM投料顺序模型。
3.根据权利要求2所述的基于属性选择的半导体制造系统投料控制方法,其特征在于,对于普通工件,工件的投料优先级和订单信息之间关系采用如下公式表示:
Y=a1x1+α2x2+…+amxm
式中,α1,α2,...,αm表示偏回归系数,x1,...,xm表示订单信息。
对于紧急工件,工件的投料优先级和订单信息之间关系采用如下公式表示:
式中,Pi、CTi、Ti和Stepsi分别表示工件优先级,订单给定的平均加工周期,订单给定的净加工时间和工件Loti的加工步数;lsHotLot(i)的值根据则工件Loti是否为紧急工件来确定,若工件为紧急工件,则值为1,否则值为0;a,b和c分别代表的是工件Loti的CTi,Ti和Stepsi对确定优先级的权重。
4.根据权利要求1所述的基于属性选择的半导体制造系统投料控制方法,其特征在于,所述属性集包括不同工件在生产线前、中、后阶段的数量,每天生产线在制品数量,每天加工步数,每天加工时间,每天在瓶颈设备上的加工步骤、每天在瓶颈设备上等待加工的工件数量。
5.根据权利要求1所述的基于属性选择的半导体制造系统投料控制方法,其特征在于,所述属性选择的方法包括均方误差评价法,频谱分析法,相关系数评价和拟合优度评价方法。
6.根据权利要求1所述的基于属性选择的半导体制造系统投料控制方法,其特征在于,所述模型仿真验证包括基于MIMAC模型的仿真验证和基于BL模型的仿真验证。
7.根据权利要求6所述的基于属性选择的半导体制造系统投料控制方法,其特征在于,在基于BL模型的仿真验证中结合不同派工规则进行了仿真验证。
8.根据权利要求5所述的基于属性选择的半导体制造系统投料控制方法,其特征在于,方误差评价法中均方差计算公式为:
其中,x0i为第i个标准数据,n为有效数据个数,xki表示第i个属性信息;
频谱分析法中各个非标准数据与标准数据的幅度值之差的平方的均值公式表示为:
其中,x0i为第i个标准数据,n为有效数据个数,xki表示第i个属性信息;
在相关系数评价中相关系数计算公式表示如下:
其中,
Cov(X,Y)=E((X-E(X))(Y-E(Y)))
D(X)=E((X-E(X))2)=E(X2)-(E(X))2
式中,Cov(X,Y)、D(X)分别为输入矩阵为X、输出矩阵为Y的协方差和方差;
在拟合优度评价方法中,拟合优度R2的计算公式为:
R2=1-SSE/SST
其中,
9.一种半导体制造系统投料控制系统,其特征在于,包括如下模块:
模型构建模块,用于基于训练好的极限学习机模型和利用订单信息与工件投料优先级确定的多元线性回归方程,构建RPELM投料顺序模型;
属性选择模块,用于对生长线的属性集进行属性选择,选取代表性属性和剔除无影响的属性;
仿真验证模块,用于对经属性选择的属性集进行模型仿真验证,将经过仿真验证的属性集带入构建好的所述RPELM投料顺序模型中确定半导体制造系统投料顺序。
10.根据权利要求9所述的半导体制造系统投料控制系统,其特征在于,所述模型构建模块包括如下单元:
第一构建单元,用于构建工件的订单信息与投料优先级之间关系的多元线性回归方程,所述订单信息包括净加工时间、订单平均加工时间、加工步数和是否为紧急工件,所述投料优先级包括普通工件和紧急工件;
第二构建单元,用于基于训练好的极限学习机模型和所述多元线性回归方程训练获得所述RPELM投料顺序模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110192362.5A CN112862331A (zh) | 2021-02-20 | 2021-02-20 | 一种基于属性选择的半导体制造系统投料控制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110192362.5A CN112862331A (zh) | 2021-02-20 | 2021-02-20 | 一种基于属性选择的半导体制造系统投料控制方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112862331A true CN112862331A (zh) | 2021-05-28 |
Family
ID=75989795
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110192362.5A Pending CN112862331A (zh) | 2021-02-20 | 2021-02-20 | 一种基于属性选择的半导体制造系统投料控制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112862331A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105045243A (zh) * | 2015-08-05 | 2015-11-11 | 同济大学 | 一种半导体生产线动态调度装置 |
CN108256260A (zh) * | 2018-02-05 | 2018-07-06 | 北京科技大学 | 一种基于极限学习机的连铸坯质量预测方法 |
CN109507961A (zh) * | 2018-11-07 | 2019-03-22 | 同济大学 | 一种半导体生产线动态负荷均衡投料控制方法 |
-
2021
- 2021-02-20 CN CN202110192362.5A patent/CN112862331A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105045243A (zh) * | 2015-08-05 | 2015-11-11 | 同济大学 | 一种半导体生产线动态调度装置 |
CN108256260A (zh) * | 2018-02-05 | 2018-07-06 | 北京科技大学 | 一种基于极限学习机的连铸坯质量预测方法 |
CN109507961A (zh) * | 2018-11-07 | 2019-03-22 | 同济大学 | 一种半导体生产线动态负荷均衡投料控制方法 |
Non-Patent Citations (1)
Title |
---|
LILI等: "Learning-based release control of semiconductor wafer fabrication facilities", 《IEEE》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104536412B (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 | |
CN102819772B (zh) | 电力配网建设物资需求预测方法及装置 | |
CN109949152A (zh) | 一种个人信贷违约预测方法 | |
CN107766929B (zh) | 模型分析方法及装置 | |
CN106326984A (zh) | 用户意图识别方法和装置、自动应答系统 | |
CN102831489B (zh) | 电力配网建设物资需求预测方法及装置 | |
CN109726230B (zh) | 一种大数据分析模型预测发动机性能的方法 | |
CN111028100A (zh) | 考虑气象因素的精细化短期负荷预测方法、装置及介质 | |
CN115099519B (zh) | 一种基于多机器学习模型融合的油井产量预测方法 | |
CN115907611B (zh) | 一种基于配件市场价值的配件库存管控方法 | |
CN112258223B (zh) | 一种基于决策树的营销广告点击的预测方法 | |
CN110322335A (zh) | 一种基于woe转换通过机器学习的信贷客户资质分类方法 | |
CN108364191A (zh) | 基于随机森林和逻辑回归的优质客户优化识别方法及装置 | |
CN109214444B (zh) | 基于孪生神经网络和gmm的游戏防沉迷判定系统及方法 | |
CN111143685A (zh) | 一种推荐系统的构建方法及装置 | |
CN111861552A (zh) | 一种基于shd-elm的农产品价格预测方法 | |
CN112884513A (zh) | 基于深度因子分解机的营销活动预测模型结构和预测方法 | |
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 | |
Nagahara et al. | Toward data-driven production simulation modeling: dispatching rule identification by machine learning techniques | |
Tang | Telecom customer churn prediction model combining k-means and xgboost algorithm | |
Arzi et al. | Operating an FMC by a decision-tree-based adaptive production control system | |
CN107093005A (zh) | 基于大数据挖掘算法实现办税服务厅自动分级的方法 | |
Chen | Estimating job cycle time in a wafer fabrication factory: A novel and effective approach based on post-classification | |
CN110750572A (zh) | 一种科技成果启发式评价的自适应方法和装置 | |
CN112862331A (zh) | 一种基于属性选择的半导体制造系统投料控制方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210528 |