CN112884284A - 化合物半导体的生产控制方法、生产系统及存储介质 - Google Patents
化合物半导体的生产控制方法、生产系统及存储介质 Download PDFInfo
- Publication number
- CN112884284A CN112884284A CN202110072618.9A CN202110072618A CN112884284A CN 112884284 A CN112884284 A CN 112884284A CN 202110072618 A CN202110072618 A CN 202110072618A CN 112884284 A CN112884284 A CN 112884284A
- Authority
- CN
- China
- Prior art keywords
- target
- processing equipment
- production
- compound semiconductor
- target process
- 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 100
- 239000004065 semiconductor Substances 0.000 title claims abstract description 59
- 150000001875 compounds Chemical class 0.000 title claims abstract description 57
- 238000000195 production control method Methods 0.000 title claims abstract description 17
- 238000003860 storage Methods 0.000 title claims abstract description 10
- 238000000034 method Methods 0.000 claims abstract description 247
- 238000012545 processing Methods 0.000 claims abstract description 115
- 230000002068 genetic effect Effects 0.000 claims abstract description 49
- 230000013011 mating Effects 0.000 claims description 35
- 230000035772 mutation Effects 0.000 claims description 7
- 230000010076 replication Effects 0.000 claims description 4
- 239000000463 material Substances 0.000 description 13
- 238000012546 transfer Methods 0.000 description 10
- 229910010271 silicon carbide Inorganic materials 0.000 description 9
- HBMJWWWQQXIZIP-UHFFFAOYSA-N silicon carbide Chemical compound [Si+]#[C-] HBMJWWWQQXIZIP-UHFFFAOYSA-N 0.000 description 8
- 235000012431 wafers Nutrition 0.000 description 8
- 239000000758 substrate Substances 0.000 description 6
- 229910002601 GaN Inorganic materials 0.000 description 5
- JMASRVWKEDWRBT-UHFFFAOYSA-N Gallium nitride Chemical compound [Ga]#N JMASRVWKEDWRBT-UHFFFAOYSA-N 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 238000005229 chemical vapour deposition Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 229910052594 sapphire Inorganic materials 0.000 description 1
- 239000010980 sapphire Substances 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 238000011144 upstream manufacturing 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
- G06Q10/063—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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Biology (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Physiology (AREA)
- Mathematical Physics (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Primary Health Care (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Manufacturing & Machinery (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- General Factory Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种化合物半导体的生产控制方法、生产系统及存储介质,化合物半导体的生产控制方法包括控制装置获取生产计划,控制装置根据所述生产计划,确定排产的目标工序,然后根据所述目标工序,确定每一所述工序对应的制程设备的工作数量,控制装置根据多个所述工序对应的多个所述制程设备的工作数量,获得完成所述目标工序所需制程设备的多个初始组合,然后根据多个所述初始组合以及预设的遗传算法,获得完成所述目标工序所需制程设备的最优组合,所述最优组合对应的排程设备解决面对工厂变动频繁的设备状况与生产条件时,实现在满足客户需求以及产能负荷下,使工厂产能或利润达到最大。
Description
技术领域
本发明涉及半导体生产技术领域,具体涉及一种化合物半导体的生产控制方法、生产系统及存储介质。
背景技术
市面上派工系统大多采用规则模式(Rule-based)的逻辑,举例来说,受工程限制的货批优先处理,再处理高优先等级货批(Hotlot),最后才选择同程序的货批(Samerecipe)。然而,面对工厂变动频繁的设备状况与生产条件,要从接近无数排列组合当中,找出一个最佳的生产排程,已经远远超出派工系统这种规则模式系统的能力,往往耗费大量的人力进行判断与维护,却无法使生产力最大化。
发明内容
本发明的主要目的的是提出一种化合物半导体的生产控制方法、生产系统及存储介质,旨在解决面对工厂变动频繁的设备状况与生产条件,使生产力最大化。
为实现上述目的,本发明提出的化合物半导体的生产控制方法,包括以下步骤:
获取生产计划;
根据所述生产计划,确定排产的目标工序,所述目标工序包括按照预设顺序依次排列的多个工序;
根据所述目标工序,确定每一所述工序对应的制程设备的工作数量;
根据多个所述工序对应的多个所述制程设备的工作数量,获得完成所述目标工序所需制程设备的多个初始组合;
根据多个所述初始组合以及预设的遗传算法,获得完成所述目标工序所需制程设备的最优组合。
可选地,根据多个所述初始组合以及预设的遗传算法,获得完成所述目标工序所需制程设备的最优组合的步骤包括:
根据所述遗传算法,多次对多个所述初始组合进行交配、突变及复制处理,获得完成所述目标工序所需制程设备的最优组合。
可选地,根据所述遗传算法,多次对多个所述初始组合进行交配、突变及复制处理,获得完成所述目标工序所需制程设备的最优组合的步骤包括:
根据所述遗传算法,对多个所述初始组合进行交配、突变及复制处理,获得完成所述目标工序所需制程设备的多个第一可行组合;
获取每一所述第一可行组合的第一目标值;
根据多个所述第一可行组合的第一目标值,确定较优目标值;
根据所述遗传算法,至少一次对较优目标值对应的所述第一可行组合进行交配、突变及复制处理,获得完成所述目标工序所需制程设备的最优组合。
可选地,所述根据所述遗传算法,至少一次对较优目标值对应的所述第一可行组合进行交配、突变及复制处理,获得完成所述目标工序所需制程设备的最优组合的步骤包括:
根据所述遗传算法,至少一次对较优目标值对应的所述第一可行组合进行交配、突变及复制处理,获得完成所述目标工序所需制程设备的多个第二可行组合;
获取每一所述第二可行组合的第二目标值;
根据每一所述第二可行组合对应的所述第一目标值与所述第二目标值,获得所述第一目标值与所述第二目标值的目标差值;
当所述目标差值满足预设目标差值范围时,获得的所述第二可行组合为最优组合。
可选地,所述根据所述目标工序,确定每一所述工序对应的制程设备的工作数量的步骤之前包括:
获取多个制程设备;
根据所述目标工序,将多个所述制程设备分类为不同的制程模块。
可选地,所述根据所述目标工序,将多个制程设备定义为不同的制程模块的步骤之后还包括:
当需要新增制程设备时,获取新增制程设备的制程模块类别;
根据新增制程设备的制程模块类别,将新增的制程设备导入至对应的制程模块。
可选地,所述根据多个所述初始组合以及预设的遗传算法,获得完成所述目标工序所需制程设备的最优组合的步骤包括:
根据所述遗传算法,每间隔时间T对多个所述初始组合进行交配、突变及复制处理,重新获得完成所述目标工序所需制程设备的最优组合,其中,T的范围为15min≤T≤25min。
可选地,所述根据所述目标工序,确定每一所述工序对应的制程设备的工作数量的步骤,包括:
将每一所述工序对应的多个制成设备区分为瓶颈机群和非瓶颈机群;
根据所述目标工序,分别确定每一工序对应的所述瓶颈机群和所述非瓶颈机群中制程设备的工作数量。
此外,为实现上述目的,本发明还提出一种化合物半导体的生产系统,所述化合物半导体的生产系统包括系统主体和控制装置,所述系统主体包括对应目标工序的多个制程设备,所述控制装置分别与多个所述制程设备电性连接,所述控制装置包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的化合物半导体的生产的控制程序,所述化合物半导体的生产的控制程序配置为实现如上述所述的化合物半导体的生产控制方法的步骤。
此外,为实现上述目的,本发明还提出一种存储介质,所述存储介质上存储有化合物半导体的生产控制程序,所述化合物半导体的生产控制程序被处理器执行时实现如上所述的化合物半导体的生产控制方法的步骤。
本发明提供的技术方案中,控制装置获取生产计划,控制装置根据所述生产计划,确定排产的目标工序,然后根据所述目标工序,确定每一所述工序对应的制程设备的工作数量,控制装置根据多个所述工序对应的多个所述制程设备的工作数量,获得完成所述目标工序所需制程设备的多个初始组合,然后根据多个所述初始组合以及预设的遗传算法,获得完成所述目标工序所需制程设备的最优组合,所述最优组合对应的排程设备解决面对工厂变动频繁的设备状况与生产条件时,实现在满足客户需求以及产能负荷下,使工厂产能或利润达到最大。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图示出的结构获得其他的附图。
图1为第三代半导体化合物全产业链的示意图;
图2为本发明实施例涉及的硬件运行环境的控制装置的结构示意图;
图3为本发明提供的化合物半导体的生产控制方法的第一实施例的流程示意图;
图4为本发明提供的化合物半导体的生产控制方法的第二实施例的流程示意图;
图5为本发明提供的化合物半导体的生产控制方法的第三实施例的流程示意图;
图6为本发明提供的化合物半导体的生产控制方法的第四实施例的流程示意图;
图7为本发明提供的化合物半导体的生产控制方法的第五实施例的流程示意图;
图8为本发明提供的化合物半导体的生产控制方法的第六实施例的流程示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明,若本发明实施例中有涉及方向性指示(诸如上、下、左、右、前、后……),则该方向性指示仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等,如果该特定姿态发生改变时,则该方向性指示也相应地随之改变。
另外,若本发明实施例中有涉及“第一”、“第二”等的描述,则该“第一”、“第二”等的描述仅用于描述目的的,而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外,各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
市面上派工系统大多采用规则模式(Rule-based)的逻辑,举例来说,受工程限制的货批优先处理,再处理高优先等级货批(Hotlot),最后才选择同程序的货批(Samerecipe)。然而,面对工厂变动频繁的设备状况与生产条件,要从接近无数排列组合当中,找出一个最佳的生产排程,已经远远超出派工系统这种规则模式系统的能力,往往耗费大量的人力进行判断与维护,却无法使生产力最大化。
所述化合物半导体的生产系统包括系统主体(附图未标示)以及控制装置(附图未标示),其中,所述系统主体包括对应目标工序的多个制程设备(附图未标示),所述控制装置分别与多个所述制程设备电性连接。
需要说明的是,多个制程设备为在生产化合物半导体各个工序对应的制程设备,图1为第三代半导体化合物全产业链的示意图,参照图1,本申请以第三代半导体化合物生产为例,第三代半导体材料中,受技术与工艺水平限制,氮化镓材料作为衬底实现规模化应用面临挑战,其应用主要是以蓝宝石、硅晶片或碳化硅晶片为衬底,通过外延生长氮化镓以制造氮化镓器件。近年来,碳化硅晶片作为衬底材料的应用逐步成熟并进入产业化阶段。以碳化硅晶片为衬底,通常使用化学气相沉积方法在晶片上淀积一层单晶形成外延片。1)在导电型碳化硅衬底上生长碳化硅外延层制得碳化硅外延片,可进一步制成功率器件;2)在半绝缘型碳化硅衬底上生长氮化镓外延层制得碳化硅基氮化镓GaN-on-SiC外延片,可进一步制成微波射频器件。
请参阅图2,在本实施例中,所述控制装置可以包括:处理器1001,例如CPU,通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
如图2所示,作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及物料转移的控制程序。
在图2所示的控制装置中,网络接口1004主要用于连接终端设备,与终端设备进行数据通信;用户接口1003主要用于接收管理员的输入指令;所述服务器通过处理器1001调用存储器1005中存储的物料转移的控制程序,并执行以下操作:
获取生产计划;
根据所述生产计划,确定排产的目标工序,所述目标工序包括按照预设顺序依次排列的多个工序;
根据所述目标工序,确定每一所述工序对应的制程设备的工作数量;
根据多个所述工序对应的多个所述制程设备的工作数量,获得完成所述目标工序所需制程设备的多个初始组合;
根据多个所述初始组合以及预设的遗传算法,获得完成所述目标工序所需制程设备的最优组合。
进一步地,处理器1001可以调用存储器1005中存储的物料转移的控制程序,还执行以下操作:
根据多个所述初始组合以及预设的遗传算法,获得完成所述目标工序所需制程设备的最优组合的步骤包括:
根据所述遗传算法,多次对多个所述初始组合进行交配、突变及复制处理,获得完成所述目标工序所需制程设备的最优组合。
进一步地,处理器1001可以调用存储器1005中存储的物料转移的控制程序,还执行以下操作:
根据所述遗传算法,多次对多个所述初始组合进行交配、突变及复制处理,获得完成所述目标工序所需制程设备的最优组合的步骤包括:
根据所述遗传算法,对多个所述初始组合进行交配、突变及复制处理,获得完成所述目标工序所需制程设备的多个第一可行组合;
获取每一所述第一可行组合的第一目标值;
根据多个所述第一可行组合的第一目标值,确定较优目标值;
根据所述遗传算法,至少一次对较优目标值对应的所述第一可行组合进行交配、突变及复制处理,获得完成所述目标工序所需制程设备的最优组合。
进一步地,处理器1001可以调用存储器1005中存储的物料转移的控制程序,还执行以下操作:
所述根据所述遗传算法,至少一次对较优目标值对应的所述第一可行组合进行交配、突变及复制处理,获得完成所述目标工序所需制程设备的最优组合的步骤包括:
根据所述遗传算法,至少一次对较优目标值对应的所述第一可行组合进行交配、突变及复制处理,获得完成所述目标工序所需制程设备的多个第二可行组合;
获取每一所述第二可行组合的第二目标值;
根据每一所述第二可行组合对应的所述第一目标值与所述第二目标值,获得所述第一目标值与所述第二目标值的目标差值;
当所述目标差值满足预设目标差值范围时,获得的所述第二可行组合为最优组合。
进一步地,处理器1001可以调用存储器1005中存储的物料转移的控制程序,还执行以下操作:
所述根据所述目标工序,确定每一所述工序对应的制程设备的工作数量的步骤之前包括:
获取多个制程设备;
根据所述目标工序,将多个所述制程设备分类为不同的制程模块。
进一步地,处理器1001可以调用存储器1005中存储的物料转移的控制程序,还执行以下操作:
所述根据所述目标工序,将多个制程设备定义为不同的制程模块的步骤之后还包括:
当需要新增制程设备时,获取新增制程设备的制程模块类别;
根据新增制程设备的制程模块类别,将新增的制程设备导入至对应的制程模块。
进一步地,处理器1001可以调用存储器1005中存储的物料转移的控制程序,还执行以下操作:
所述根据多个所述初始组合以及预设的遗传算法,获得完成所述目标工序所需制程设备的最优组合的步骤包括:
根据所述遗传算法,每间隔时间T对多个所述初始组合进行交配、突变及复制处理,重新获得完成所述目标工序所需制程设备的最优组合,其中,T的范围为15min≤T≤25min。
进一步地,处理器1001可以调用存储器1005中存储的物料转移的控制程序,还执行以下操作:
所述根据所述目标工序,确定每一所述工序对应的制程设备的工作数量的步骤,包括:
将每一所述工序对应的多个制成设备区分为瓶颈机群和非瓶颈机群;
根据所述目标工序,分别确定每一工序对应的所述瓶颈机群和所述非瓶颈机群中制程设备的工作数量。
基于上述硬件结构,本发明提出了一种化合物半导体的生产控制方法,图3至图8为本发明提出的所述物料转移的控制方法的具体实施例。
请参阅图3,在本发明提供的所述化合物半导体的生产控制方法的第一实施例中,包括以下步骤:
步骤S10:获取生产计划;
工厂进行生产加工时,通常需要先制定生产计划,使得生产设备根据生产计划加工出产品,在本实施例中,为了实现第三代化合物半导体的生产,先制定生产第三代化合物半导体的生产计划,控制装置获取生产计划,根据生产计划控制多个制程设备工作,最终加工出第三代化合物半导体。
步骤S20:根据所述生产计划,确定排产的目标工序,所述目标工序包括按照预设顺序依次排列的多个工序;
在本实施例中,当控制装置获取生产计划后,所述控制装置确定排产的目标工序,所述控制装置控制多个制程设备工作,最终加工出第三代化合物半导体,其中,所述目标工序包括按照预设顺序依次排列的多个工序。
步骤S70:根据所述目标工序,确定每一所述工序对应的制程设备的工作数量;
在本实施例中,因为生产计划中,生产所述第三代化合物半导体的数量、周期、效率等要求不同,且因为多个所述制程设备中存在需要维修、调试等情况,因此在进行第三代化合物半导体生产时,要根据所述目标工序,确定每一所述工序对应的制程设备的工作数量,如此可以排除需要维护作业的制程设备,且避免了不必要的制程设备闲置,使得在进行第三代化合物半导体生产时达成产出最大化及满足客户交期的目标。
步骤S80:根据多个所述工序对应的多个所述制程设备的工作数量,获得完成所述目标工序所需制程设备的多个初始组合;
在本实施例中,根据进行第三代化合物半导体生产需要的工序确定了参与多个所述工序对应的多个所述制程设备的工作数量时,因为参与每个所述工序生产的制程设备有多个,例如:进行A工序的有100台第一制程设备,进行B工序的有100台第二制程设备,进行C工序的有100台第三制程设备,为了生产第三代化合物半导体,需要进行A、B及C三道工序,在本例中,A、B及C三道工序构成了所述目标工序,根据生产计划,参加A工序的有3台第一制程设备,参加B工序的有3台第二制程设备,参加C工序的有3台第三制程设备,3台第一制程设备、3台第二制程设备及3台第三制程设备进行组合,从而获得完成所述目标工序所需制程设备的多个初始组合,例如多个所述初始组合可以为:(a1,b1,c1)、(a2,b3,c2)、(a3,b2,c3)。
步骤S90:根据多个所述初始组合以及预设的遗传算法,获得完成所述目标工序所需制程设备的最优组合。
在本实施例中,根据多个所述初始组合以及预设的遗传算法,获得完成所述目标工序所需制程设备的最优组合,所述最优组合为在满足客户需求以及产能负荷下,使工厂产能或利润达到最大的各个工序对应的排程设备的组合。
本发明提供的技术方案中,控制装置获取生产计划,控制装置根据所述生产计划,确定排产的目标工序,然后根据所述目标工序,确定每一所述工序对应的制程设备的工作数量,控制装置根据多个所述工序对应的多个所述制程设备的工作数量,获得完成所述目标工序所需制程设备的多个初始组合,然后根据多个所述初始组合以及预设的遗传算法,获得完成所述目标工序所需制程设备的最优组合,所述最优组合对应的排程设备解决面对工厂变动频繁的设备状况与生产条件时,实现在满足客户需求以及产能负荷下,使工厂产能或利润达到最大。
需要说明的是,所述遗传算法的技术已然成熟,此处不作赘述,第三代化合物半导体的生产系统运用数据探勘技术,建立生产第三代化合物半导体的生产系统的制程设备的产能与循环时间的稳态模型,以及产品循环时间的动态模型。由于模型是运用客户工厂实际的生产历史资料来建模,因此能准确掌握产能、Cycle time以及产品组合间的连动影响。第三代化合物半导体的生产系统结合遗传算法,此一优化AI技术,可以找到MPS的最佳产品组合,在满足客户需求以及产能负荷下,使工厂产能或利润达到最大。
接着,基于上述可知,所述步骤S90:根据多个所述初始组合以及预设的遗传算法,获得完成所述目标工序所需制程设备的最优组合的步骤包括:
步骤S91:根据所述遗传算法,多次对多个所述初始组合进行交配、突变及复制处理,获得完成所述目标工序所需制程设备的最优组合。
本实施例中,通过多次对多个所述初始组合进行交配、突变及复制处理,使得多个初始组合中对应各个工序的制程设备之间重新进行排列组合以最终获得完成所述目标工序所需制程设备的最优组合。例如,最初获得的多个初始组合为:(a1,b1,c1)、(a2,b3,c2)、(a3,b2,c3),通过多次对多个所述初始组合进行交配、突变及复制处理,使得多个初始组合中对应各个工序的制程设备之间重新进行排列组合,以获得完成所述目标工序所需制程设备的最优组合,例如所述最优组合为(a2,b3,c3)。
进一步地,请参阅图4,在本发明提供的所述第三代化合物半导体的生产控制方法的第二实施例中,基于上述可知,所述步骤S91:根据所述遗传算法,多次对多个所述初始组合进行交配、突变及复制处理,获得完成所述目标工序所需制程设备的最优组合的步骤包括:
步骤S911:根据所述遗传算法,对多个所述初始组合进行交配、突变及复制处理,获得完成所述目标工序所需制程设备的多个第一可行组合;
本实施例中,例如,最初获得的多个初始组合为:(a1,b1,c1)、(a2,b3,c2)、(a3,b2,c3),通过对多个所述初始组合进行交配、突变及复制处理,使得多个初始组合中对应各个工序的制程设备之间重新进行排列组合,以获得完成所述目标工序所需制程设备的多个第一可行组合,多个所述第一可行组合可以为:(a1,b1,c1)、(a1,b1,c2)、(a1,b1,c3)、(a2,b1,c1)、(a2,b1,c2)、(a2,b1,c3)等,使得进行第三代化合物半导体的排产灵活。
步骤S912:获取每一所述第一可行组合的第一目标值;
本实施例中,所述第一目标值为满足客户目标期望的参数,该参数可以是生产出来的产品良率、生产周期、生产成本、利润或产能等,本申请对此不做限定,所述第一目标值可以根据需要进行设定。
步骤S913:根据多个所述第一可行组合的第一目标值,确定较优目标值;
本实施例中,多个所述第一可行组合中对应工序中的制程设备因为需要调节、维修及排程设备自身损耗等情况,使得各个所述第一可行组合中的第一目标值可能存在不同,通过比较多个所述第一可行组合的第一目标值,从中获取较优目标值。需要说明的是,这里的较优目标值是指多个所述第一目标值中更符合客户需求的参数。
步骤S914:根据所述遗传算法,至少一次对较优目标值对应的所述第一可行组合进行交配、突变及复制处理,获得完成所述目标工序所需制程设备的最优组合。
本实施例中,设定满足客户需求的参数为在进行第三代化合物半导体的生产时使得设备闲置、架设及运行时间总和最少,根据所述遗传算法,至少一次对较优目标值对应的所述第一可行组合进行交配、突变及复制处理,从而获得完成所述目标工序所需制程设备的最优组合。
进一步地,请参阅图5,在本发明提供的所述第三代化合物半导体的生产控制方法的第三实施例中,基于上述可知,所述步骤S914:根据所述遗传算法,至少一次对较优目标值对应的所述第一可行组合进行交配、突变及复制处理,获得完成所述目标工序所需制程设备的最优组合的步骤包括:
步骤S9141:根据所述遗传算法,至少一次对较优目标值对应的所述第一可行组合进行交配、突变及复制处理,获得完成所述目标工序所需制程设备的多个第二可行组合;
步骤S9142:获取每一所述第二可行组合的第二目标值;
步骤S9143:根据每一所述第二可行组合对应的所述第一目标值与所述第二目标值,获得所述第一目标值与所述第二目标值的目标差值;
步骤S9144:当所述目标差值满足预设目标差值范围时,获得的所述第二可行组合为最优组合。
上述步骤中,至少一次对较优目标值对应的所述第一可行组合进行交配、突变及复制处理,获得完成所述目标工序所需制程设备的多个第二可行组合,获取每一所述第二可行组合的第二目标值,根据每一所述第二可行组合对应的所述第一目标值与所述第二目标值,获得所述第一目标值与所述第二目标值的目标差值,当所述目标差值满足预设目标差值范围时,获得的所述第二可行组合为最优组合,如此可以及时获取最优组合。
需要说明的是,这里的目标差值为D,当D满足-0.05≤D≤0.05,所述所述第一目标值和所述第二目标值很接近,此时可以确定获得的所述第二可行组合为最优组合,当然,在其他实施例中,所述D的范围可以根据需要调整,本申请对此不做限定。
进一步地,请参阅图6,在本发明提供的所述第三代化合物半导体的生产控制方法的第四实施例中,基于上述可知,所述步骤S70:根据所述目标工序,确定每一所述工序对应的制程设备的工作数量的步骤之前包括:
步骤S30:获取多个制程设备;
步骤S40:根据所述目标工序,将多个所述制程设备分类为不同的制程模块。
上述步骤中,控制装置先获取多个制程设备的信息,然后根据所述目标工序,将多个所述制程设备分类为不同的制程模块,例如,获取的多个制程设备有完成A工序的第一制程设备a1、a2、a3等,完成B工序的第二制程设备b1、b2、b3等,完成C工序的第二制程设备c1、c2、c3等,根据A、B、C三个工序将多个第一制程设备,多个第二制程设备及多个第三制程设备分类为A制程模块、B制程模块及C制程模块。
进一步地,请参阅图7,在本发明提供的所述第三代化合物半导体的生产控制方法的第五实施例中,基于上述可知,所述步骤S40:根据所述目标工序,将多个所述制程设备分类为不同的制程模块的步骤之后还包括:
步骤S50:当需要新增制程设备时,获取新增制程设备的制程模块类别;
步骤S60:根据新增制程设备的制程模块类别,将新增的制程设备导入至对应的制程模块。
上述步骤中,当需要新增制程设备时,获取新增制程设备的制程模块类别,比如新增的制程设备为a5,获取a5对应的支撑模块类别为A制程模块,根据新增制程设备a5的制程模块类别为A,将新增的制程设备a5导入至对应的制程模块A。
进一步地,基于上述可知,所述步骤S92:所述根据多个所述初始组合以及预设的遗传算法,获得完成所述目标工序所需制程设备的最优组合的步骤包括:
步骤S921:根据所述遗传算法,每间隔时间T对多个所述初始组合进行交配、突变及复制处理,重新获得完成所述目标工序所需制程设备的最优组合,其中,T的范围为15min≤T≤25min。
本实施例中,第三代化合物半导体的生产系统依据每间隔时间T对生产现场的实际状况进行分析,然后对多个所述初始组合进行交配、突变及复制处理,重新获得完成所述目标工序所需制程设备的最优组合,保证了所述最优组合对应的排程设备始终都能够实现在满足客户需求以及产能负荷下,使工厂产能或利润达到最大。其中,所述时间间隔T的范围为15min≤T≤25min,具体地,时间间隔T在本申请的实施例中,所述时间间隔T选择为20min,当然,在其他实施例中,时间间隔T可以根据需要进行设置,本申请对此不做限定。
需要说明的是,第三代化合物半导体的生产系统依据每间隔时间T对生产现场的实际状况进行分析以更新所述最优组合,这里的实际状况可以为制程设备停机,小幅修正排程结果,除了生产力最大化还可以自行加入其他目标,例如上下游设备负载平衡,或是减少超过限制时间的比例,甚至可以设定个别目标权重等。
进一步地,请参阅图8,在本发明提供的所述第三代化合物半导体的生产控制方法的第六实施例中,基于上述可知,所述步骤S:70:根据所述目标工序,确定每一所述工序对应的制程设备的工作数量的步骤,包括:
步骤S71:将每一所述工序对应的多个制成设备区分为瓶颈机群和非瓶颈机群;
步骤S72:根据所述目标工序,分别确定每一工序对应的所述瓶颈机群和所述非瓶颈机群中制程设备的工作数量。
上述步骤中,在整个工厂的生产排程的思维上,依不同的需求的差异,将每一所述工序对应的多个制成设备区分为瓶颈机群和非瓶颈机群,根据所述目标工序,分别确定每一工序对应的所述瓶颈机群和所述非瓶颈机群中制程设备的工作数量,当要解决的是由于瓶颈机群设备的负载状况导致对于在产线循环中站点产品滞留限制的问题,考虑前后流程,为了避免产品滞留,从非瓶颈机群进行排程,即根据多个所述工序对应的所述非瓶颈机群中制程设备的工作数量,获得完成所述目标工序所需非瓶颈机群中制程设备的多个初始组合,根据多个所述初始组合以及预设的遗传算法,获得完成所述目标工序所需非瓶颈机群中制程设备的最优组合,优化了排程,提高了产能。对于瓶颈机群,即根据多个所述工序对应的所述瓶颈机群中制程设备的工作数量,获得完成所述目标工序所需瓶颈机群中制程设备的多个初始组合,根据多个所述初始组合以及预设的遗传算法,获得完成所述目标工序所需瓶颈机群中制程设备的最优组合,优化排程,进而提高整厂产能。最后,基于上述二者的排程结果,在实时的派工方面根据实际需要调整。
需要说明的是,所述瓶颈设备是指其加工时间制约整个生产流程正常进行的设备,而由多个所述瓶颈设备共同构成所述瓶颈机群。
以上所述仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是在本发明的构思下,利用本发明说明书及附图内容所作的等效结构变换,或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。
Claims (10)
1.一种化合物半导体的生产控制方法,其特征在于,包括以下步骤:
获取生产计划;
根据所述生产计划,确定排产的目标工序,所述目标工序包括按照预设顺序依次排列的多个工序;
根据所述目标工序,确定每一所述工序对应的制程设备的工作数量;
根据多个所述工序对应的多个所述制程设备的工作数量,获得完成所述目标工序所需制程设备的多个初始组合;
根据多个所述初始组合以及预设的遗传算法,获得完成所述目标工序所需制程设备的最优组合。
2.如权利要求1所述的化合物半导体的生产控制方法,其特征在于,根据多个所述初始组合以及预设的遗传算法,获得完成所述目标工序所需制程设备的最优组合的步骤包括:
根据所述遗传算法,多次对多个所述初始组合进行交配、突变及复制处理,获得完成所述目标工序所需制程设备的最优组合。
3.如权利要求2所述的化合物半导体的生产控制方法,其特征在于,根据所述遗传算法,多次对多个所述初始组合进行交配、突变及复制处理,获得完成所述目标工序所需制程设备的最优组合的步骤包括:
根据所述遗传算法,对多个所述初始组合进行交配、突变及复制处理,获得完成所述目标工序所需制程设备的多个第一可行组合;
获取每一所述第一可行组合的第一目标值;
根据多个所述第一可行组合的第一目标值,确定较优目标值;
根据所述遗传算法,至少一次对较优目标值对应的所述第一可行组合进行交配、突变及复制处理,获得完成所述目标工序所需制程设备的最优组合。
4.如权利要求3所述的化合物半导体的生产控制方法,其特征在于,所述根据所述遗传算法,至少一次对较优目标值对应的所述第一可行组合进行交配、突变及复制处理,获得完成所述目标工序所需制程设备的最优组合的步骤包括:
根据所述遗传算法,至少一次对较优目标值对应的所述第一可行组合进行交配、突变及复制处理,获得完成所述目标工序所需制程设备的多个第二可行组合;
获取每一所述第二可行组合的第二目标值;
根据每一所述第二可行组合对应的所述第一目标值与所述第二目标值,获得所述第一目标值与所述第二目标值的目标差值;
当所述目标差值满足预设目标差值范围时,获得的所述第二可行组合为最优组合。
5.如权利要求1所述的化合物半导体的生产控制方法,其特征在于,所述根据所述目标工序,确定每一所述工序对应的制程设备的工作数量的步骤之前包括:
获取多个制程设备;
根据所述目标工序,将多个所述制程设备分类为不同的制程模块。
6.如权利要求5所述的化合物半导体的生产控制方法,其特征在于,所述根据所述目标工序,将多个制程设备定义为不同的制程模块的步骤之后还包括:
当需要新增制程设备时,获取新增制程设备的制程模块类别;
根据新增制程设备的制程模块类别,将新增的制程设备导入至对应的制程模块。
7.如权利要求1所述的化合物半导体的生产控制方法,其特征在于,所述根据多个所述初始组合以及预设的遗传算法,获得完成所述目标工序所需制程设备的最优组合的步骤包括:
根据所述遗传算法,每间隔时间T对多个所述初始组合进行交配、突变及复制处理,重新获得完成所述目标工序所需制程设备的最优组合,其中,T的范围为15min≤T≤25min。
8.如权利要求1所述的化合物半导体的生产控制方法,其特征在于,所述根据所述目标工序,确定每一所述工序对应的制程设备的工作数量的步骤,包括:
将每一所述工序对应的多个制成设备区分为瓶颈机群和非瓶颈机群;
根据所述目标工序,分别确定每一工序对应的所述瓶颈机群和所述非瓶颈机群中制程设备的工作数量。
9.一种化合物半导体的生产系统,其特征在于,包括:
系统主体,包括对应目标工序的多个制程设备;以及,
控制装置,分别与多个所述制程设备电性连接,所述控制装置包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的化合物半导体的生产的控制程序,所述化合物半导体的生产的控制程序配置为实现如权利要求1至8中任一项所述的化合物半导体的生产控制方法的步骤。
10.一种存储介质,其特征在于,所述存储介质上存储有化合物半导体的生产控制程序,所述化合物半导体的生产控制程序被处理器执行时实现如权利要求1至8中任一项所述的化合物半导体的生产控制方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110072618.9A CN112884284A (zh) | 2021-01-19 | 2021-01-19 | 化合物半导体的生产控制方法、生产系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110072618.9A CN112884284A (zh) | 2021-01-19 | 2021-01-19 | 化合物半导体的生产控制方法、生产系统及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112884284A true CN112884284A (zh) | 2021-06-01 |
Family
ID=76050236
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110072618.9A Pending CN112884284A (zh) | 2021-01-19 | 2021-01-19 | 化合物半导体的生产控制方法、生产系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112884284A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115879782A (zh) * | 2023-01-05 | 2023-03-31 | 深圳市鼎山科技有限公司 | 一种基于物联网的生产供应链监测管理系统及方法 |
CN116227896A (zh) * | 2023-05-08 | 2023-06-06 | 日照鲁光电子科技有限公司 | 一种碳化硅生产工单管理方法及系统 |
CN117236822A (zh) * | 2023-11-10 | 2023-12-15 | 合肥晶合集成电路股份有限公司 | 智能派货方法、装置、设备及介质 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000330966A (ja) * | 1999-05-18 | 2000-11-30 | Japan Tobacco Inc | スケジューリング装置及びその方法とこのスケジューリングプログラムを格納する記録媒体 |
CN101271543A (zh) * | 2008-04-23 | 2008-09-24 | 永凯软件技术(上海)有限公司 | 一种应用了基于精英解池的遗传算法的生产排程系统和方法 |
KR20120138549A (ko) * | 2011-06-15 | 2012-12-26 | 전북대학교산학협력단 | 주문생산형 공장의 생산일정계획 수립을 위한 알고리즘 및 이를 이용한 생산일정계획 수립시스템 |
CN103530702A (zh) * | 2013-10-14 | 2014-01-22 | 西安建筑科技大学 | 一种基于瓶颈设备分解的大规模作业车间调度方法 |
KR20140102940A (ko) * | 2013-02-15 | 2014-08-25 | 동서대학교산학협력단 | 생산일정 자동 스케쥴링 방법 |
JP2016018434A (ja) * | 2014-07-09 | 2016-02-01 | 三菱電機株式会社 | 生産計画装置 |
CN107392515A (zh) * | 2017-06-01 | 2017-11-24 | 经纬软信科技无锡有限公司 | 基于遗传算法的粗细联输送系统库存管理与线路优化方法 |
CN111062535A (zh) * | 2019-12-16 | 2020-04-24 | 中国工程物理研究院化工材料研究所 | 一种实现含能材料生产过程动态排产的方法及系统 |
CN111210062A (zh) * | 2019-12-31 | 2020-05-29 | 深圳金赋科技有限公司 | 基于遗传算法的工件智能调度排产方法、设备及介质 |
CN111260181A (zh) * | 2019-12-31 | 2020-06-09 | 同济大学 | 一种基于分布式智能制造单元的车间自适应生产调度装置 |
JP2020095392A (ja) * | 2018-12-11 | 2020-06-18 | 株式会社神戸製鋼所 | 生産計画作成装置及び方法 |
CN112070326A (zh) * | 2019-06-10 | 2020-12-11 | 株式会社日立制作所 | 多目标生产订单分配装置及多目标生产订单分配方法 |
CN112150076A (zh) * | 2020-09-29 | 2020-12-29 | 陕西科技大学 | 基于工位排序的车间物料动态配送模型设计及实现方法 |
-
2021
- 2021-01-19 CN CN202110072618.9A patent/CN112884284A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000330966A (ja) * | 1999-05-18 | 2000-11-30 | Japan Tobacco Inc | スケジューリング装置及びその方法とこのスケジューリングプログラムを格納する記録媒体 |
CN101271543A (zh) * | 2008-04-23 | 2008-09-24 | 永凯软件技术(上海)有限公司 | 一种应用了基于精英解池的遗传算法的生产排程系统和方法 |
KR20120138549A (ko) * | 2011-06-15 | 2012-12-26 | 전북대학교산학협력단 | 주문생산형 공장의 생산일정계획 수립을 위한 알고리즘 및 이를 이용한 생산일정계획 수립시스템 |
KR20140102940A (ko) * | 2013-02-15 | 2014-08-25 | 동서대학교산학협력단 | 생산일정 자동 스케쥴링 방법 |
CN103530702A (zh) * | 2013-10-14 | 2014-01-22 | 西安建筑科技大学 | 一种基于瓶颈设备分解的大规模作业车间调度方法 |
JP2016018434A (ja) * | 2014-07-09 | 2016-02-01 | 三菱電機株式会社 | 生産計画装置 |
CN107392515A (zh) * | 2017-06-01 | 2017-11-24 | 经纬软信科技无锡有限公司 | 基于遗传算法的粗细联输送系统库存管理与线路优化方法 |
JP2020095392A (ja) * | 2018-12-11 | 2020-06-18 | 株式会社神戸製鋼所 | 生産計画作成装置及び方法 |
CN112070326A (zh) * | 2019-06-10 | 2020-12-11 | 株式会社日立制作所 | 多目标生产订单分配装置及多目标生产订单分配方法 |
CN111062535A (zh) * | 2019-12-16 | 2020-04-24 | 中国工程物理研究院化工材料研究所 | 一种实现含能材料生产过程动态排产的方法及系统 |
CN111210062A (zh) * | 2019-12-31 | 2020-05-29 | 深圳金赋科技有限公司 | 基于遗传算法的工件智能调度排产方法、设备及介质 |
CN111260181A (zh) * | 2019-12-31 | 2020-06-09 | 同济大学 | 一种基于分布式智能制造单元的车间自适应生产调度装置 |
CN112150076A (zh) * | 2020-09-29 | 2020-12-29 | 陕西科技大学 | 基于工位排序的车间物料动态配送模型设计及实现方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115879782A (zh) * | 2023-01-05 | 2023-03-31 | 深圳市鼎山科技有限公司 | 一种基于物联网的生产供应链监测管理系统及方法 |
CN115879782B (zh) * | 2023-01-05 | 2023-05-09 | 深圳市鼎山科技有限公司 | 一种基于物联网的生产供应链监测管理系统及方法 |
CN116227896A (zh) * | 2023-05-08 | 2023-06-06 | 日照鲁光电子科技有限公司 | 一种碳化硅生产工单管理方法及系统 |
CN117236822A (zh) * | 2023-11-10 | 2023-12-15 | 合肥晶合集成电路股份有限公司 | 智能派货方法、装置、设备及介质 |
CN117236822B (zh) * | 2023-11-10 | 2024-01-30 | 合肥晶合集成电路股份有限公司 | 智能派货方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112884284A (zh) | 化合物半导体的生产控制方法、生产系统及存储介质 | |
US6622055B2 (en) | Method of control management of production line | |
WO2007046945A2 (en) | Product-related feedback for process control | |
CN1625722A (zh) | 用于自动化制造环境的代理人反应式调度 | |
CN111062535A (zh) | 一种实现含能材料生产过程动态排产的方法及系统 | |
EP1406751A2 (en) | Robotic system control | |
US7120511B1 (en) | Method and system for scheduling maintenance procedures based upon workload distribution | |
CN101587573A (zh) | 一种纸厂纸卷分切与库存综合优化的方法 | |
KR20090097623A (ko) | 시뮬레이션을 이용한 선제적 일정계획 방법 및 이를 이용한시스템 | |
CN107168253A (zh) | 计算机集成制造系统及其制造方法 | |
Lin et al. | Optimal policy for controlling two-server queueing systems with jockeying | |
Mirzapour Al-e-hashem et al. | A new approach to solve a mixed-model assembly line with a bypass subline sequencing problem | |
CN111291995B (zh) | 一种基于moea的生产线设备资源优化配置方法及装置 | |
CN103439893B (zh) | 设备装载端口的预约使用控制方法 | |
CN112686467A (zh) | 含自备电厂的大用户生产运行优化方法、装置和终端设备 | |
Chung et al. | Dedication load based dispatching rule for photolithograph machines with dedication constraint | |
Kao et al. | Near optimal furnace tool allocation with batching and waiting time constraints | |
Zhou et al. | Simulation based capacity optimization of a general assembly line with extremely unbalanced station process time | |
CN105182916A (zh) | 半导体生产约束管控方法 | |
US20230136141A1 (en) | Method and apparatus for controlling distribution sequence for semiconductor device, and storage medium | |
Reinhardt et al. | Simulation-based optimiziation to design equipment health-aware dispatching rules | |
US7263408B1 (en) | Method and system for converting tool process ability based upon work in progress characteristics | |
CN112506149B (zh) | 一种机台程式控制方法及装置 | |
Rodríguez León et al. | Performance comparison between a classic particle swarm optimization and a genetic algorithm in manufacturing cell design | |
Hayashi et al. | A new manufacturing control system using Mahalanobis distance for maximizing productivity |
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 |