CN112947339A - 一种基于性能指标的半导体生产线动态调度方法 - Google Patents
一种基于性能指标的半导体生产线动态调度方法 Download PDFInfo
- Publication number
- CN112947339A CN112947339A CN202110195754.7A CN202110195754A CN112947339A CN 112947339 A CN112947339 A CN 112947339A CN 202110195754 A CN202110195754 A CN 202110195754A CN 112947339 A CN112947339 A CN 112947339A
- Authority
- CN
- China
- Prior art keywords
- production line
- parameters
- scheduling
- model
- semiconductor
- 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 205
- 239000004065 semiconductor Substances 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000012545 processing Methods 0.000 claims description 31
- 238000004088 simulation Methods 0.000 claims description 28
- 238000012549 training Methods 0.000 claims description 27
- 238000012360 testing method Methods 0.000 claims description 21
- 239000011159 matrix material Substances 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 6
- 238000003754 machining Methods 0.000 claims description 6
- 238000012821 model calculation Methods 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 8
- 239000000047 product Substances 0.000 description 6
- 238000012216 screening Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000001259 photo etching Methods 0.000 description 2
- 239000011265 semifinished product Substances 0.000 description 2
- 241001494479 Pecora Species 0.000 description 1
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000013506 data mapping Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000001312 dry etching Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 238000004544 sputter deposition Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000001039 wet etching Methods 0.000 description 1
Images
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]
- G05B19/41865—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 job scheduling, process planning, material flow
-
- 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
- G05B2219/32252—Scheduling production, machining, job shop
-
- 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)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- General Factory Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于性能指标的半导体生产线动态调度方法,所述方法包括:获取半导体生产线的状态参数;将获取到的状态参数,输入预先训练的生产线性能预测模型,预测得到生产线达到最优性能指标时的预测参数;基于获取到的状态参数和预测到的预测参数,采用预先训练的参数学习模型,预测得到动态调度中所需的调度参数;将预测得到的调度参数用于预设的生产线调度策略中指导生产线正确派工进行半导体生产线动态调度。本发明能够提升生产线的整体性能。
Description
技术领域
本发明涉及一种基于性能指标的半导体生产线动态调度方法,属于生产自动化调度技术领域。
背景技术
随着大数据时代的到来,传统制造行业在获取、处理、分析大数据的过程中,如何有效挖掘其隐含的模式和规则,用来指导和预测未来,从而实现数据的价值转换,被视为未来获得竞争优势的主要途径。半导体制造业更应充分利用其高度自动化、信息化、数字化的优势,以领头羊的姿势实现大数据环境下的智能制造探索。如何有效获取、存储、分析、解释工业大数据,挖掘其隐含的模式和规则,用来指导和预测未来是大数据环境下的半导体调度的关键挑战。
现有技术中,对于不确定生产环境下半导体生产线的调度问题,将半导体制造系统的数据映射转化为面向对象的Petri模型的方法,模型的基本要素包括设备的生产过程、工艺流程信息、设备和工具信息。该方法考虑了批处理过程,刀具和设备的停机时间,以及返工作业,容易造成生产线过于简化的不足,不能提高生产线的整体性能。
发明内容
本发明的目的在于克服现有技术中的不足,提供一种基于性能指标的半导体生产线动态调度方法,能够提升生产线的整体性能。为达到上述目的,本发明是采用下述技术方案实现的:
第一方面,本发明提供了一种基于性能指标的半导体生产线动态调度方法,所述方法包括如下步骤:
获取半导体生产线的状态参数;
将获取到的状态参数,输入预先训练的生产线性能预测模型,预测得到生产线达到最优性能指标时的预测参数;
基于获取到的状态参数和预测到的预测参数,采用预先训练的参数学习模型,预测得到动态调度中所需的调度参数;
将预测得到的调度参数用于预设的生产线调度策略中指导生产线正确派工进行半导体生产线动态调度。
结合第一方面,进一步地,所述半导体生产线的状态参数通过仿真系统对半导体生产线生产过程模拟计算得到的,包括加工区I的Mov值mI、加工区I的设备利用率uI、生产线上紧急工件数hot、生产线上不同类型工件在加工区内在制品数总数wipk、加工区I的缓冲区内排队工件长度lI、生产线计划区间内的Mov值Mov_per_6、DDR调度算法中设备i前排队工件信息变量前参数α和下游设备负载程度前的参数β。
结合第一方面,进一步地,所述生产线计划区间在实际调度中以6小时为时间单元。
结合第一方面,进一步地,所述预先训练的生产线性能预测模型,通过以下步骤得到:
生产线通过通过仿真系统对半导体生产线生产过程模拟计算,获取需要的半导体生产线的状态参数;所述需要的半导体生产线的状态参数包括:mI、uI、hot、wipk和Mov_per_6;
预处理状态参数,将半导体生产线的当前属性值mI、uI、hot和wipk作为样本集的输入参数,将生产线计划区间内的Mov值Mov_per_6作为样本集的输出参数;
初始化ELM模型的隐含神经元数l和Sigmoid激活函数,将样本集划分为训练集和测试集,将训练集的输入参数和输出参数输入ELM模型;
训练ELM模型,通过以下公式训练:
β=H+T (1)
其中,β表示状态参数的权值矩阵,H+表示由输入参数写成的矩阵,T表示生产线的生产时间,当输出状态参数的权值矩阵β时,训练结束;
使用测试集测试训练完成的ELM模型,得到预先训练的生产线性能预测模型。
结合第一方面,进一步地,所述预先训练的参数学习模型,通过以下步骤得到:
生产线通过仿真系统对半导体生产线生产过程模拟计算,获取需要的半导体生产线的状态参数;所述需要的半导体生产线的状态参数包括:mI、uI、hot、wipk和Mov_per_6;
预处理状态参数,将半导体生产线的当前属性值mI、uI、hot、wipk以及生产线计划区间内的Mov值Mov_per_6作为样本集的输入参数;
初始化ELM模型的隐含神经元数l和Sigmoid激活函数;
训练ELM模型,通过以下公式训练:
β=H+T (2)
其中,β表示状态参数的权值矩阵,H+表示由输入参数写成的矩阵,T表示生产线的生产时间,当输出状态参数的权值矩阵β时,训练结束;
使用测试集测试训练完成的ELM模型,得到预先训练的参数学习模型。
结合第一方面,优选地,生产线通过通过仿真系统对半导体生产线生产过程模拟计算为在WIP=6000、WIP=7000、WIP=8000这三种工况下各自进行200天仿真。
结合第一方面,优选地,所述预处理状态参数包括去掉前30天的仿真样本,筛选6小时内筛选Mov值大于8000的状态参数。
结合第一方面,进一步地,所述预设的生产线调度策略,包括以下决策流程:
计算当前设备i前排队工件的信息变量,通过以下公式计算:
计算工件n下游设备的负载程度,通过以下公式计算:
计算各排队工件的选择概率,通过以下公式计算:
其中,Sn表示各排队工件的选择概率,α表示工件的紧急交货的相对重要性,β表示设备的占用程度的相对重要性;
根据各排队工件的选择概率,挑选队列中选择概率最高的工件在当前设备上进行加工。
结合第一方面,优选地,公式(3)是指准时交货率的基础上提出的。
结合第一方面,优选地,公式(3)中,当前设备i前排队工件的信息变量表示t时刻时,生产线在制品的理论剩余加工时间与实际剩余加工时间的比值越大,则表明其拖期率越高,在调度过程中需要优先对其进行加工。
结合第一方面,优选地,半成品对于所用设备的占用时间也影响信息变量值,加工所需时间越短则该工件的信息变量值越高,需要优先加工该工件,能够保证在制品快速在生产线上流动,提高设备利用率和生产线工件移动步数。
结合第一方面,优选地,当τi n(t)≥1时,设备的负载总量大于其一天内所有可用加工时间,此时该设备为瓶颈设备。
结合第一方面,优选地,公式(5)表示在t时刻,对该设备上排队工件的调度过程中,会同时考虑排队工件的交货期、对设备的占用程度,以及该工件的下游设备的负载情况,最终使工件能够在生产线上快速流动,提高生产线整体性能。
第二方面,本发明提供了一种基于性能指标的半导体生产线动态调度系统,包括:
获取模块:用于获取半导体生产线的状态参数;
第一预测模块:用于将获取到的状态参数,输入预先训练的生产线性能预测模型,预测得到生产线达到最优性能指标时的预测参数;
第二预测模块:用于基于获取到的状态参数和预测到的预测参数,采用预先训练的参数学习模型,预测得到动态调度中所需的调度参数;
调度模块:用于将预测得到的调度参数用于预设的生产线调度策略中指导生产线正确派工进行半导体生产线动态调度。
第三方面,本发明提供了一种基于性能指标的半导体生产线动态调度装置,包括处理器及存储介质;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行第一方面所述方法的步骤。
第四方面,本发明提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现第一方面所述方法的步骤。
与现有技术相比,本发明实施例所提供的一种基于性能指标的半导体生产线动态调度方法所达到的有益效果包括:
本发明将获取到的状态参数,输入预先训练的生产线性能预测模型,预测得到生产线达到最优性能指标时的预测参数;基于获取到的状态参数和预测到的预测参数,采用预先训练的参数学习模型,预测得到动态调度中所需的调度参数;将预测得到的调度参数用于预设的生产线调度策略中指导生产线正确派工进行半导体生产线动态调度;能够结合生产线的实时状态信息与产生调度过程中所需的最佳参数,驱动生产线派工决策,使生产线性能指标趋向于预测值,提高生产线整体性能,提高生产线的运作性能。
附图说明
图1是本发明实施例一提供的一种基于性能指标的半导体生产线动态调度方法的流程图。
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。
实施例一:
如图1所示,本发明实施例提供了一种基于性能指标的半导体生产线动态调度方法,包括:
获取半导体生产线的状态参数;
将获取到的状态参数,输入预先训练的生产线性能预测模型,预测得到生产线达到最优性能指标时的预测参数;
基于获取到的状态参数和预测到的预测参数,采用预先训练的参数学习模型,预测得到动态调度中所需的调度参数;
具体步骤如下:
步骤1:获取半导体生产线的状态参数;
具体地,通过生产线加工区相关性分析,选取生产线最主要的四大加工区作为研究对象,分别为6吋注入区、6吋光刻区、干法区、湿法区。在仿真过程中,以6小时作为计划区间,通过仿真系统对半导体生产线生产过程模拟计算得到的半导体生产线的状态参数。具体包括加工区I的Mov值mI、加工区I的设备利用率uI、生产线上紧急工件数hot、生产线上不同类型工件在加工区内在制品数总数wipk、加工区I的缓冲区内排队工件长度lI、生产线计划区间内的Mov值Mov_per_6、DDR调度算法中设备i前排队工件信息变量前参数α和下游设备负载程度前的参数β。
步骤2:搭建基于ELM的生产线性能预测模型。
步骤2-1:样本生成。生产线通过通过仿真系统对半导体生产线生产过程模拟计算,具体在WIP=6000、WIP=7000、WIP=8000这三种工况下各自进行200天仿真,获取需要的半导体生产线的状态参数包括:mI、uI、hot、wipk和Mov_per_6。
步骤2-2:样本筛选,确定基于ELM的生产线性能预测模型的输入和输出。为了预测当前生产线状态下所能达到的最优性能指标,对所得样本按照所选性能指标进行筛选,本实施例主要关注生产线Mov,所以选择6小时内Mov大于8000的样本作为样本集,用于模型搭建,为了保证得到的是生产线稳定后的数据,去掉前30天的仿真样本。确定基于ELM的生产线性能预测模型的输入,即在不同工况下所选生产线属性(mI、uI、hot、wipk);确定极限学习机的输出,即下一计划区间的生产线Mov_per_6。
步骤2-3:基于ELM的生产线性能预测模型的参数确定。确定基于ELM的生产线性能预测模型的隐含层神经元数,选择合适的激活函数g(x),本实施例中选择Sigmoid函数。将样本集划分为训练集和测试集,将训练集的输入参数和输出参数输入ELM模型。
步骤2-4:基于ELM的生产线性能预测模型的训练。根据以下公式计算输出权值矩阵β:
β=H+T (1)
其中,β表示状态参数的权值矩阵,H表示由输入参数写成的矩阵,T表示生产线的生产时间,当输出状态参数的权值矩阵β时,训练结束;由于整个训练过程中只有输出权值矩阵β未知,所以训练得出β则表明极限学习机模型已经训练完成。
步骤2-5:选择需要学习的测试集,即使用极限学习机训练测试数据并与测试数据结果比对。
步骤3:搭建基于ELM的参数学习模型。
步骤3-1:样本生成。生产线通过通过仿真系统对半导体生产线生产过程模拟计算,具体在WIP=6000、WIP=7000、WIP=8000这三种工况下各自进行200天仿真,获取需要的半导体生产线的状态参数包括:mI、uI、hot、wipk和Mov_per_6。
步骤3-2:样本筛选,确定基于ELM的参数学习模型的输入和输出。为了预测当前生产线状态下所能达到的最优性能指标,对所得样本按照所选性能指标进行筛选,本实施例主要关注生产线Mov,所以选择6小时内Mov大于8000的样本作为样本集,用于模型搭建,为了保证得到的是生产线稳定后的数据,去掉前30天的仿真样本。确定基于ELM的参数学习模型的输入,即在不同工况下所选生产线属性mI、uI、hot、wipk以及当前生产线的属性值Mov_per_6;确定极限学习机的输出。
步骤3-3:基于ELM的参数学习模型的参数确定。确定基于ELM的参数学习模型的隐含层神经元数,选择合适的激活函数g(x),本实施例中选择Sigmoid函数。将样本集划分为训练集和测试集,将训练集的输入参数和输出参数输入基于ELM的参数学习模型。
步骤3-4:基于ELM的参数学习模型的训练。根据以下公式计算输出权值矩阵β:
β=H+T (2)
步骤3-5:选择需要学习的测试集,即使用极限学习机训练测试数据并与测试数据结果比对。
步骤4:设立生产线调度策略,具体包括以下决策流程。
步骤4-1:计算当前设备i前排队工件的信息变量,通过以下公式计算:
公式(3)是指准时交货率的基础上提出的。公式(3)中,当前设备i前排队工件的信息变量表示t时刻时,生产线在制品的理论剩余加工时间与实际剩余加工时间的比值越大,则表明其拖期率越高,在调度过程中需要优先对其进行加工。半成品对于所用设备的占用时间也影响信息变量值,加工所需时间越短则该工件的信息变量值越高,需要优先加工该工件,能够保证在制品快速在生产线上流动,提高设备利用率和生产线工件移动步数。
步骤4-2:计算工件n下游设备的负载程度,通过以下公式计算:
步骤4-3:计算各排队工件的选择概率,通过以下公式计算:
其中,Sn表示各排队工件的选择概率,α表示工件的紧急交货的相对重要性,β表示设备的占用程度的相对重要性。公式(5)表示在t时刻,对该设备上排队工件的调度过程中,会同时考虑排队工件的交货期、对设备的占用程度,以及该工件的下游设备的负载情况,最终使工件能够在生产线上快速流动,提高生产线整体性能。
步骤4-4:根据各排队工件的选择概率,挑选队列中选择概率最高的工件在当前设备上进行加工。
步骤5:将步骤1获取的半导体生产线的状态参数,输入步骤2获得的生产线性能预测模型,预测得到生产线达到最优性能指标时的预测参数。
步骤6:将步骤1获取的状态参数和步骤5预测到的预测参数,输入步骤3获得的参数学习模型,预测得到动态调度中所需的调度参数。
步骤7:将步骤6预测得到的调度参数用于步骤4获得的生产线调度策略中指导生产线正确派工进行半导体生产线动态调度。
实施例二:
本实施例将本发明提供的一种基于性能指标的半导体生产线动态调度方法通过仿真平台进行验证。
以上海市某半导体生产制造企业6英吋硅片生产线为研究对象,根据企业实际需求,结合动态建模方法,通过西门子公司的Tecnomatix Plant Simulation软件搭建始终与实际生产线保持一致的生产线仿真模型为研究平台进行仿真验证。
该企业生产线目前有九大加工区,分别为:注入区、光刻区、溅射区、扩散区、干法刻蚀区、湿法刻蚀区、背面减薄区、PVM测试区和BMMSTOK镜检区,所使用的派工规则是基于人工的优先级调度方法,简称PRIOR。其主旨思想是按照人工经验来设定优先级,在最大程度上保证产品能够按时交货,即满足交货期指标。
在本实施例中,采用的闭环动态调度模型,通过为生产线调度策略根据生产线实时状态动态产生参数,来达到对生产线实施动态调度的目的,同时将当前时间单元(6小时)内生产线的实际Mov与预测Mov进行比较,根据比较结果为生产线选择不同的调度算法,最终实现生产线Mov的提高。统计结果分以下三种情况进行验证:Case1:WIP=6000,此时生产线为轻载;Case2:WIP=7000,此时生产线为满载;Case3:WIP=8000,此时生产线为超载。在整个派工过程中,轻载、满载、超载情况下,其生产线在各个时间单元内实际Mov与预测Mov之间偏差值小于10%的比例分别达到81.2%、83.2%、82.8%。
本实施例中,将Mov结果做了归一化方法处理,将统计结果中所有数据与分别与最大值作商,这样能更直观的显示各组数据的关系。在轻载、满载、重载三种不同的工况下,由性能指标驱动的DDR算法较之其它启发式规则对于生产线Mov均有所提高,较之其它启发式规则日平均Mov的平均值,该方法分别提高了3.1%、4.0%、2.7%。
综上所述,本发明提供的一种基于性能指标的半导体生产线动态调度方法能够有效的提升生产线的整体性能。
实施例三:
本发明实施例提供一种基于性能指标的半导体生产线动态调度系统,包括:
获取模块:用于获取半导体生产线的状态参数;
第一预测模块:用于将获取到的状态参数,输入预先训练的生产线性能预测模型,预测得到生产线达到最优性能指标时的预测参数;
第二预测模块:用于基于获取到的状态参数和预测到的预测参数,采用预先训练的参数学习模型,预测得到动态调度中所需的调度参数;
调度模块:用于将预测得到的调度参数用于预设的生产线调度策略中指导生产线正确派工进行半导体生产线动态调度。
实施例四:
本发明实施例提供一种基于性能指标的半导体生产线动态调度装置,包括处理器及存储介质;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行实施例一所述方法的步骤。
实施例五:
本发明实施例还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现实施例一所述方法的步骤。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
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 (9)
1.一种基于性能指标的半导体生产线动态调度方法,其特征在于,所述方法包括如下步骤:
获取半导体生产线的状态参数;
将获取到的状态参数,输入预先训练的生产线性能预测模型,预测得到生产线达到最优性能指标时的预测参数;
基于获取到的状态参数和预测到的预测参数,采用预先训练的参数学习模型,预测得到动态调度中所需的调度参数;
将预测得到的调度参数用于预设的生产线调度策略中指导生产线正确派工进行半导体生产线动态调度。
2.根据权利要求1所述的基于性能指标的半导体生产线动态调度方法,其特征在于,所述半导体生产线的状态参数通过仿真系统对半导体生产线生产过程模拟计算得到的,包括加工区I的Mov值mI、加工区I的设备利用率uI、生产线上紧急工件数hot、生产线上不同类型工件在加工区内在制品数总数wipk、加工区I的缓冲区内排队工件长度lI、生产线计划区间内的Mov值Mov_per_6、生产线调度策略中设备i前排队工件信息变量前参数α和下游设备负载程度前的参数β。
3.根据权利要求2所述的基于性能指标的半导体生产线动态调度方法,其特征在于,所述生产线计划区间在实际调度中以6小时为时间单元。
4.根据权利要求2所述的基于性能指标的半导体生产线动态调度方法,其特征在于,所述预先训练的生产线性能预测模型,通过以下步骤得到:
生产线通过通过仿真系统对半导体生产线生产过程模拟计算,获取需要的半导体生产线的状态参数;所述需要的半导体生产线的状态参数包括:mI、uI、hot、wipk和Mov_per_6;
预处理状态参数,将半导体生产线的当前属性值mI、uI、hot和wipk作为样本集的输入参数,将生产线计划区间内的Mov值Mov_per_6作为样本集的输出参数;
初始化ELM模型的隐含神经元数l和Sigmoid激活函数,将样本集划分为训练集和测试集,将训练集的输入参数和输出参数输入ELM模型;
训练ELM模型,通过以下公式训练:
β=H+T (1)
其中,β表示状态参数的权值矩阵,H+表示由输入参数写成的矩阵,T表示生产线的生产时间,当输出状态参数的权值矩阵β时,训练结束;
使用测试集测试训练完成的ELM模型,得到预先训练的生产线性能预测模型。
5.根据权利要求2所述的基于性能指标的半导体生产线动态调度方法,其特征在于,所述预先训练的参数学习模型,通过以下步骤得到:
生产线通过仿真系统对半导体生产线生产过程模拟计算,获取需要的半导体生产线的状态参数;所述需要的半导体生产线的状态参数包括:mI、uI、hot、wipk和Mov_per_6;
预处理状态参数,将半导体生产线的当前属性值mI、uI、hot、wipk以及生产线计划区间内的Mov值Mov_per_6作为样本集的输入参数;
初始化ELM模型的隐含神经元数l和Sigmoid激活函数;
训练ELM模型,通过以下公式训练:
β=H+T (2)
其中,β表示状态参数的权值矩阵,H表示由输入参数写成的矩阵,T表示生产线的生产时间,当输出状态参数的权值矩阵β时,训练结束;
使用测试集测试训练完成的ELM模型,得到预先训练的参数学习模型。
6.根据权利要求2所述的基于性能指标的半导体生产线动态调度方法,其特征在于,所述预设的生产线调度策略,包括以下决策流程:
计算当前设备i前排队工件的信息变量,通过以下公式计算:
计算工件n下游设备的负载程度,通过以下公式计算:
计算各排队工件的选择概率,通过以下公式计算:
其中,Sn表示各排队工件的选择概率,α表示工件的紧急交货的相对重要性,β表示设备的占用程度的相对重要性;
根据各排队工件的选择概率,挑选队列中选择概率最高的工件在当前设备上进行加工。
7.一种基于性能指标的半导体生产线动态调度系统,其特征在于,包括:
获取模块:用于获取半导体生产线的状态参数;
第一预测模块:用于将获取到的状态参数,输入预先训练的生产线性能预测模型,预测得到生产线达到最优性能指标时的预测参数;
第二预测模块:用于基于获取到的状态参数和预测到的预测参数,采用预先训练的参数学习模型,预测得到动态调度中所需的调度参数;
调度模块:用于将预测得到的调度参数用于预设的生产线调度策略中指导生产线正确派工进行半导体生产线动态调度。
8.一种基于性能指标的半导体生产线动态调度装置,其特征在于,包括处理器及存储介质;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行权利要求1~6任一项所述方法的步骤。
9.计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1~6任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110195754.7A CN112947339A (zh) | 2021-02-22 | 2021-02-22 | 一种基于性能指标的半导体生产线动态调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110195754.7A CN112947339A (zh) | 2021-02-22 | 2021-02-22 | 一种基于性能指标的半导体生产线动态调度方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112947339A true CN112947339A (zh) | 2021-06-11 |
Family
ID=76245075
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110195754.7A Pending CN112947339A (zh) | 2021-02-22 | 2021-02-22 | 一种基于性能指标的半导体生产线动态调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112947339A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115809794A (zh) * | 2023-02-02 | 2023-03-17 | 浪潮通用软件有限公司 | 基于瓶颈设备能力评估的生产计划管理方法、设备及介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN103310285A (zh) * | 2013-06-17 | 2013-09-18 | 同济大学 | 可用于半导体生产线动态调度的性能预测方法 |
CN103676881A (zh) * | 2013-12-16 | 2014-03-26 | 北京化工大学 | 一种半导体生产线动态瓶颈分析方法 |
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 |
CN111680749A (zh) * | 2020-06-08 | 2020-09-18 | 北京百度网讯科技有限公司 | 用于获取点胶机输出结果的方法及装置 |
-
2021
- 2021-02-22 CN CN202110195754.7A patent/CN112947339A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN103310285A (zh) * | 2013-06-17 | 2013-09-18 | 同济大学 | 可用于半导体生产线动态调度的性能预测方法 |
CN103676881A (zh) * | 2013-12-16 | 2014-03-26 | 北京化工大学 | 一种半导体生产线动态瓶颈分析方法 |
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 |
CN111680749A (zh) * | 2020-06-08 | 2020-09-18 | 北京百度网讯科技有限公司 | 用于获取点胶机输出结果的方法及装置 |
Non-Patent Citations (3)
Title |
---|
曹政才, 余红霞, 乔非: "《基于Petri网与遗传算法的半导体生产线建模与优化调度》", 《电子学报》 * |
曹政才,吴启迪,乔非,王遵彤: "《基于遗传算法的半导体生产线调度研究进展》", 《同济大学学报(自然科学版)》 * |
贾鹏德: "《性能指标驱动的半导体生产线动态派工方法》", 《计算机集成制造系统》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115809794A (zh) * | 2023-02-02 | 2023-03-17 | 浪潮通用软件有限公司 | 基于瓶颈设备能力评估的生产计划管理方法、设备及介质 |
CN115809794B (zh) * | 2023-02-02 | 2023-05-16 | 浪潮通用软件有限公司 | 基于瓶颈设备能力评估的生产计划管理方法、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105045243B (zh) | 一种半导体生产线动态调度装置 | |
CN108694502B (zh) | 一种基于XGBoost算法的机器人制造单元自适应调度方法 | |
Cheung et al. | Using genetic algorithms and heuristics for job shop scheduling with sequence-dependent setup times | |
CN103745273B (zh) | 一种半导体制造过程的多性能预测方法 | |
US20240185130A1 (en) | Normalizing text attributes for machine learning models | |
Joseph et al. | Evaluation of routing flexibility of a flexible manufacturing system using simulation modelling and analysis | |
US8983881B2 (en) | Benchmarking progressive systems for solving combinatorial problems | |
CN111639783A (zh) | 一种基于lstm神经网络的线损预测方法及系统 | |
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 | |
CN112907057B (zh) | 基于改进mopso算法的生产调度优化方法及系统 | |
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 | |
CN111950810B (zh) | 一种基于自演化预训练的多变量时间序列预测方法和设备 | |
CN113867295A (zh) | 一种基于数字孪生的制造车间agv动态调度方法、系统、设备及存储介质 | |
CN114493376B (zh) | 一种基于工单数据的任务调度管理方法及系统 | |
CN114297912B (zh) | 基于深度学习的刀具磨损预测方法 | |
CN113031542A (zh) | 一种基于负载均衡的半导体生产线动态调度方法 | |
CN115640898A (zh) | 一种基于ddqn算法的大规模柔性作业车间调度方法 | |
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 | |
Nagahara et al. | Toward data-driven production simulation modeling: dispatching rule identification by machine learning techniques | |
CN112947339A (zh) | 一种基于性能指标的半导体生产线动态调度方法 | |
Chen | Estimating job cycle time in a wafer fabrication factory: A novel and effective approach based on post-classification | |
CN106897199A (zh) | 一种基于大数据处理框架共有特征的批作业执行时间预测方法 | |
CN114881301A (zh) | 生产线的仿真排产方法、系统、终端设备及存储介质 | |
Halim et al. | Single-machine integrated production preventive maintenance scheduling: A simheuristic approach | |
CN110084498A (zh) | 一种服务端的派工方法、装置、计算机设备及存储介质 |
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: 20210611 |
|
RJ01 | Rejection of invention patent application after publication |