CN113064387A - 一种基于动态派工的半导体制造方法及系统 - Google Patents
一种基于动态派工的半导体制造方法及系统 Download PDFInfo
- Publication number
- CN113064387A CN113064387A CN202110196877.2A CN202110196877A CN113064387A CN 113064387 A CN113064387 A CN 113064387A CN 202110196877 A CN202110196877 A CN 202110196877A CN 113064387 A CN113064387 A CN 113064387A
- Authority
- CN
- China
- Prior art keywords
- value
- network
- alpha
- move
- sigma
- 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 80
- 239000004065 semiconductor Substances 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 claims abstract description 82
- 239000002245 particle Substances 0.000 claims abstract description 52
- 238000005457 optimization Methods 0.000 claims abstract description 25
- 230000014509 gene expression Effects 0.000 claims abstract description 23
- 238000001459 lithography Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 36
- 230000008569 process Effects 0.000 claims description 16
- 238000004088 simulation Methods 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 12
- 230000015654 memory Effects 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims 1
- 239000002994 raw material Substances 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 3
- 238000012545 processing Methods 0.000 description 31
- 239000000243 solution Substances 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 238000012795 verification Methods 0.000 description 4
- 238000003754 machining Methods 0.000 description 3
- 238000000206 photolithography Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 239000003016 pheromone Substances 0.000 description 2
- 230000001681 protective effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 235000012431 wafers Nutrition 0.000 description 2
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000001312 dry etching Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000001259 photo etching Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 239000010909 process residue Substances 0.000 description 1
- 239000011541 reaction mixture Substances 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 238000004544 sputter deposition Methods 0.000 description 1
- 239000000126 substance Substances 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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于动态派工的半导体制造方法及系统。方法包括：获取第一样本数据，包括(α1，β1，α2，β2，γ，σ)值、(rh，rp)值、Move和Utility值，其中α1，β1，α2，β2，γ，σ分别与动态派工方法相关的六个加权参数，rh为生产线紧急工件比例，rp为后1/3光刻工件比例；基于所述第一样本数据，利用BP网络获得优化的(α1，β1，α2，β2，γ，σ)值和(rh，rp)值；通过线性规划方法将优化的(α1，β1，α2，β2，γ，σ)值和(rh，rp)值之间建立逻辑关系，得到逻辑关系表达式；利用基于粒子群算法的BP网络对逻辑关系表达式的系数进行优化，获得优化的系数。本发明实现了对动态派工方法的优化，在短期性能指标上优化效果明显提高。
Description
技术领域
本发明涉及一种基于动态派工的半导体制造方法及系统，属于半导体制造系统动态调度领域。
背景技术
现有的半导体生产制造企业的生产线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。这种方式因为主要依靠人工经验，不仅需要花费大量的劳动力，而且派工效率不高。
为此，本申请人在名称为“一种模拟信息素机制的动态派工方法”的专利申请中提供了一种新的派工方法，该方法主要包括以下步骤：
当设备i在时刻t变为可用状态时，判断设备i是否为批加工设备；
如果是，则根据公式(1)计算设备i前排队工件的紧急程度，并根据所述排队工件的紧急程度，确定设备i前排队工件是否有紧急工件：
其中，
为设备i在时刻t要处理工件n的紧急程度，
为工件n在设备i上的剩余加工时间，Fn为工件n的平均加工周期与加工时间的比值，Dn为工件n的交货期，
工件n在设备i上的占用时间；MAX为最高加工优先级；
如果有紧急工件，则按照公式(4)组批工件：
其中，im为设备i的工艺菜单索引号；Mi为设备i上的工艺菜单数目；
为二进制变量，如果工件n在设备i上采用工艺菜单im，则
否则
Bi为设备i的加工能力；Nim为在设备i前排队使用工艺菜单im的工件数目；
为设备i上的排队工件n的停留时间；
根据下式(9)确定各组批工件的选择概率：
其中，Γk为工件组批k的选择概率，
是组批k中紧急工件数目；Bk是组批k的组批大小；Pi k是组批k在设备i上的占用时间；
是组批k的下游设备id的最大负载；(α2,β2,γ,σ)是衡量这四项相对重要程度的指标；
选择具有最高选择概率的组批工件在设备i上开始加工。
如果判断设备i不是批加工设备，则根据公式(1)计算设备i前排队工件的紧急程度；
根据公式(2)计算生产线上在时刻t能够完成工件n下一步工序的下游设备id的负载程度：
式(2)中，
为在时刻t能够完成工件n下一步工序的下游设备id的负载程度；
为工件n在下游设备id上的占用时间；Tid为下游设备id每天的可用时间；
根据公式(3)计算设备i前各排队工件的选择概率：
式(3)中，Sn为工件n的选择概率，α1为衡量
相对重要程度的指标，β1为衡量
相对重要程度的指标；
选择具有最高选择概率的工件优先在设备上开始加工。
该方法无论在短期性能指标(平均日移动步数(Move)和平均日设备利用率(Utility))还是长期性能指标(出片量(Throughput)、平均加工周期(Cycle Time,CT)、理想加工时间/实际加工时间(Ideal Processing Time/Real Processing Time,IPT/RPT))均要优于PRIOR规则，在长期性能指标上尤为明显，均在PRIOR规则(人工的优先级调度方法)的基础上提高了100％，但在短期性能指标上优化幅度不大，且该方法未考虑生产线实际工况。
发明内容
本发明的目的在于提供一种基于动态派工的半导体制造方法及系统，以将动态派工规则(DDR)的参数与生产线实际工况联系起来，改进为可随生产线环境实时变化的ADR(自适应调度规则)，从而进一步优化动态派工方法的问题。
为实现上述目的，本发明采用如下技术方案：
一方面，本发明提供了一种基于动态派工的半导体制造方法，包括：
获取第一样本数据，所述第一样本数据包括(α1,β1,α2,β2,γ,σ)值、
值、Move和Utility值，其中α1,β1,α2,β2,γ,σ分别为与动态派工方法相关的六个加权参数，
为生产线紧急工件比例，rp为后1/3光刻工件比例；
基于所述第一样本数据，利用BP网络获得优化的(α1,β1,α2,β2,γ,σ)值和
值；
通过线性规划方法将优化的(α1,β1,α2,β2,γ,σ)值和
值之间建立逻辑关系，得到逻辑关系表达式；
利用基于粒子群算法的BP网络对所述逻辑关系表达式的系数进行优化，获得新的系数，从而得到优化的动态派工方法；
采用所述优化的动态派工方法制造半导体。
进一步地，所述利用BP网络获得优化的(α1,β1,α2,β2,γ,σ)值和
值，包括：
将第一样本数据分为训练集和测试集，将训练集中的(α1,β1,α2,β2,γ,σ)值和
值作为BP网络的输入，Move、Utility值作为输出，进行训练，得到第一BP网络；
从测试集中随机抽取一组样本，将所述样本的(α1,β1,α2,β2,γ,σ)值和
值输入训练好的第一BP网络，输出对应的第一目标Move、Utility值；
将训练集中的Move、Utility值作为BP网络的输入，(α1,β1,α2,β2,γ,σ)值和
值作为输出，进行训练，得到第二BP网络；
将第一目标Move、Utility值输入训练好的第二BP网络，输出新的(α1,β1,α2,β2,γ,σ)值和
值。
进一步地，所述逻辑关系表达式为：
其中，ai,bi,ci,i∈{1,…,6}为逻辑关系表达式的系数。
进一步地，所述利用基于粒子群算法的BP网络对逻辑关系表达式的系数进行优化，包括：
获取第二样本数据，所述第二样本数据包括所述逻辑关系表达式的系数、对应的Move和Utility值；
将第二样本数据分为训练集和测试集，将训练集中的系数作为BP网络的输入，对应的Move,Utility值作为输出，得到BP网络的初始权值和阈值，利用粒子群算法对BP网络的权值和阈值进行优化训练，得到第三BP网络；
从测试集中随机抽取一组样本，将该样本中的系数输入训练好的第三BP网络，输出第三目标Move、Utility值；
将训练集中的Move,Utility值作为BP网络的输入，对应的系数作为BP网络的输出，得到BP网络的初始权值和阈值，利用粒子群算法对BP网络的权值和阈值进行优化训练，构建得到第四BP网络；
将第三目标Move、Utility值输入训练好的第四BP网络，输出新的系数。
进一步地，利用粒子群算法对BP网络的权值和阈值进行优化训练，包括：
将BP网络的初始权值和阈值作为粒子群算法中每个粒子的初始位置；
计算粒子群中每个粒子在BP网络训练样本下的适应度值；
将粒子群当前的个体适应度值与迭代前的个体适应度值进行比较，若当前值更优，则令当前值替代迭代前的值，并保存当前位置为其个体极值，否则其个体极值为上一代的极值；对于全局极值，若粒子群中某个粒子的当前适应度值比全局历史最优适应度值更优，则令该粒子的当前适应度值为群体全局最优适应度值，并保存该粒子的当前位置为群体全局极值；
根据迭代生成的个体极值和群体全局极值进行速度的更新；
根据迭代生成的速度，调整BP网络的权值与阈值。
进一步地，第一样本数据的获取方法为：
根据生产线历史数据动态建立仿真模型；
在仿真模型中建立调度规则库、生产线系统所需的过程状态
和性能指标Move和Utility；
确定设备利用率60％以上的瓶颈设备；
对瓶颈设备采用所述动态派工方法，分别随机产生对应的(α1,β1,α2,β2,γ,σ)值，同时自动记录生产线的过程状态信息
Move和Utility。
进一步地，第二样本数据的获取方法为：
将第一样本数据分成n组，n为正整数，从每组样本数据中随机抽取3-4组样本，将该样本中的(α1,β1,α2,β2,γ,σ)值输入训练好的第一BP网络，输出对应的第一目标Move、Utility值；将第一目标Move、Utility值输入训练好的第二BP网络，输出新的(α1,β1,α2,β2,γ,σ)和
值；
从所述每组样本数据中选择2-3组较好的Move,Utility值所对应的(α1,β1,α2,β2,γ,σ)和
值，与所述新的(α1,β1,α2,β2,γ,σ)和
值组合，得到5-7组样本；
从所述5-7组样本中随机选择3组(α1,β1,α2,β2,γ,σ)和
值，用线性规划方法将(α1,β1,α2,β2,γ,σ)和
值之间建立逻辑关系，，获得3组逻辑关系表达式的系数，代入仿真模型，仿真得到其对应的Move,Utility值。
另一方面，本发明提供了一种基于动态派工的半导体制造系统，包括：
第一样本数据获取模块，配置为获取第一样本数据，所述第一样本数据包括(α1,β1,α2,β2,γ,σ)值、
值、Move和Utility值，其中α1,β1,α2,β2,γ,σ分别为与动态派工方法相关的六个加权参数，
为生产线紧急工件比例，rp为后1/3光刻工件比例；
第一优化模块，配置为基于所述第一样本数据，利用BP网络获得优化的(α1,β1,α2,β2,γ,σ)值和
值；
关联模块，配置为通过线性规划方法将优化的(α1,β1,α2,β2,γ,σ)值和
值之间建立逻辑关系，得到逻辑关系表达式；
第二优化模块，配置为利用基于粒子群算法的BP网络对所述逻辑关系表达式的系数进行优化，获得新的系数，从而得到优化的动态派工方法；
制造模块，配置为采用所述优化的动态派工方法制造半导体。
另一方面，本发明提供了一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行根据前述的一种基于动态派工的半导体制造方法。
另一方面，本发明提供了一种计算设备，包括：一个或多个处理器、一个或多个存储器以及一个或多个程序，其中一个或多个程序存储在所述一个或多个存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行前述的一种基于动态派工的半导体制造方法的指令。
与现有技术相比，本发明的有益技术效果：本发明的一种基于动态派工的半导体制造方法及系统，通过将DDR的参数与生产线实际工况联系起来，改进为可随生产线环境实时变化的ADR，进一步优化了动态派工方法；本发明无论在欠载状况还是过载状况下，均能够完全保证其Move,Utility值大于PRIOR规则下的Move,Utility值，且相较于DDR，其Move,Utility值均具有显著提升。
附图说明
图1本发明实施例的一种基于动态派工的半导体制造方法流程示意图；
图2本发明方法在欠/过载状态下的优化结果比较图。
具体实施方式
下面结合具体实施例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。
如前所述，本申请人在名称为“一种模拟信息素机制的动态派工方法”的专利申请中提供了一种动态派工方法，该方法存在在短期性能指标上优化幅度不大、未考虑生产线实际工况的问题。
为了解决该问题，本发明从以下方面对DDR进行优化：
(1)负载状态
在不同的负载状态下，调整算法参数(α1,β1,α2,β2,γ,σ)可获得更优的Move和Utility值。这里，率先定义2个与负载状态相关的概念：需求产能(Required Capacity,RC)和可用产能(Available Capacity,AC)。
需求产能是指加工设备的缓冲区内等待加工工件所需的加工时间。对非批加工设备而言，需求产能是指设备前所有等待加工的工件所需加工时间的总和；但对于批加工设备而言，需求产能并不是简单的相加，而是先要按照设备加工菜单并批，而后将每次加工的时间相加。由于在实际的半导体生产过程中，同一个加工区的设备菜单具有互替性，所以，需求产能也可以引申到加工区可互替设备群中。
可用产能是指加工设备可用的加工时间。从设备整体效能(Overall EquipmentEfficiency,OEE)角度来看，除了宕机、预防保养时间对产能有一定影响外，对于像工程卡的处理时间、档控片的处理时间等这非正常的加工，均要从产能中扣除。此外，为了维持排程的稳定性，必须保留一部分保护性产能。因此，某台设备一天可用产能可以由以下公式表示，单位为分钟。
AC＝(1-DT-PM-EG-MD-PC)×1440
其中DT为当机时间(Down Time)比例；PM为预防保养时间比例；EG为处理工程卡的时间比例；MD为处理档控片的时间比例；PC为保护性产能的时间比例。
负载(Load)则可用RC/AC×100％表示。对生产线中当前每台可用设备或加工区可互替设备群进行加权平均，就能得到生产线的负载状态。
当生产线负载＞100％时，认为当前生产线处于过载状态；当生产线负载＝100％时，认为当前生产线处于满载状态；当90％＜生产线负载＜100％，认为当前生产线处于重载状态；当75％＜生产线负载＜90％，认为当前生产线处于欠载状态；当生产线负载＜75％，认为当前生产线处于轻载状态。
(2)与生产线性能相关的实时状态
对于半导体生产线，本发明最关注的短期性能指标是Move和Utility，与之关系最为密切的两个实时状态是紧急工件比例和后1/3光刻工件比例。
紧急工件是生产线系统中一种特殊的存在，因为任一设备处于空闲，从缓冲区选择加工工件时，倘若有紧急工件存在于缓冲区内，则必须优先加工，这就意味着紧急工件会对工件的正常加工顺序产生一定的干扰和影响。所以，生产线紧急工件比例
是控制生产线系统稳定运行的一个重要的指标，其比例越小，则对生产线系统的干扰越少，从而在一定程度上使得生产线系统变得更为可控。
这里所说的半导体通常是指电子芯片，由一层一层电气连线构成的集成电路。且每一层都需要进行光刻工艺，因此，光刻工艺是衡量半导体产品完成阶段的关键指标。这里采用后1/3光刻工件比例(rp，即光刻工艺剩余1/3)这一实时状态作为衡量出片数目的一个重要指标，其比例越高，则说明即将出片的WIP数量越大，从而在一定程度上缓解设备压力。
将(α1,β1,α2,β2,γ,σ)值和
建立逻辑关系，表示为：
因此，只要选定较为合适的(ai,bi,ci,i∈{1,…,6})就能够获取最佳的(α1,β1,α2,β2,γ,σ)值，从而实现优化Move和Utility的目的。
具体的，本发明提供了一种基于动态派工的半导体制造方法，包括：
获取第一样本数据，所述第一样本数据包括(α1,β1,α2,β2,γ,σ)值、
值、Move和Utility值，其中α1,β1,α2,β2,γ,σ分别为与动态派工方法相关的六个加权参数，
为生产线紧急工件比例，rp为后1/3光刻工件比例；
基于所述第一样本数据，利用BP网络获得优化的(α1,β1,α2,β2,γ，σ)值和
值；
通过线性规划方法将优化的(α1,β1,α2,β2，γ,σ)值和
值之间建立逻辑关系，得到逻辑关系表达式；
利用基于粒子群算法的BP网络对所述逻辑关系表达式的系数进行优化，获得新的系数，从而得到优化的动态派工方法；
采用所述优化的动态派工方法制造半导体。
其中，第一样本数据的获取方法为：
根据生产线历史数据动态建立仿真模型；
在仿真模型中建立调度规则库、生产线系统所需的过程状态
和性能指标Move和Utility；
确定设备利用率60％以上的瓶颈设备；
对瓶颈设备采用所述动态派工方法，分别随机产生对应的(α1,β1,α2,β2,γ，σ)值，同时自动记录生产线的过程状态信息
Move和Utility。
具体的，对DDR中(α1,β1，α2，β2，γ，σ)六个参数值进行协同遍历，取值范围从0.01至0.99，步长为0.1，仿真5天。其中，每隔12小时记录当前生产线状态信息
仿真1100组不同的(α1,β1,α2,β2,γ,σ)值，共得到1100组数据。
其中，300组数据用于样本验证，800组数据用于样本训练，采用交叉验证的方式来提高训练精度。
同时，考虑生产线负载状态对(α1,β1,α2,β2,γ，σ)值有一定的影响，所以，分别从欠载和过载两种负载状态进行优化。
在具体实施例中，如图1所示，该方法包括如下步骤：
步骤1：将样本中的(α1，β1,α2,β2，γ，σ)值和
值作为BP网络的输入，短期性能指标Move、Utility值作为输出，进行训练，构建得到BP网络，称为BP_NET_1。
随机抽取一组测试样本，代入BP_NET_1模型中，得到目标输出O，称为O1，即Move值和Utility值，若O1≤T，则再次运行BP_NET_1，直到O1≥T，即通过BP_NET_1拟合得到的Move、Utility值均大于测试样本中的Move、Utility值。
步骤2：将样本中的Move、Utility值作为BP网络的输入，(α1,β1,α2,β2,γ,σ)值和
值作为输出，进行训练，构建得到BP网络，称为BP_NET_2。
此时，将Step 1中得到目标输出值O1，代入BP_NET_2模型中，得到目标输出O，称为O2，即新的(α1,β1,α2，β2,γ,σ)值和
值。
步骤3：使用线性规划(Linear Programming,LP)的方法，将(α1,β1,α2,β2,γ,σ)值和
值用公式(1’)联系起来：
由于对大规模数据处理问题，BP网络具有较好的自适应性、自组织性和容错性等，是以，为了更好的优化Move,Utility值，本发明在每个12小时时间段内，先从110组数据中随机抽取3-4组样本，用前两个步骤的方法进行优化，获得相应的(α1，β1，α2，β2，γ，σ)和
值，而后再从110组原始样本中选择2-3组较好的Move,Utility值所对应的(α1，β1，α2，β2，γ，σ)和
值。这样，每次从这5-7组样本中随机选择3组(α1，β1，α2，β2，γ，σ)和
值，用LP方法将之联系起来，获得3组(ai，bi,ci,i∈{1,…，6})，代入模型，仿真得到其对应的Move,Utility值。
步骤4：将步骤3得到的30组样本数据中的(αi，bi，ci，i∈{1,…,6})作为BP网络的输入，样本数据中的Move,Utility值作为输出，得到初始权值和阈值，代入PSO算法中，利用PSO算法对BP网络的权值和阈值进行优化后再训练，构建得到BP网络，称为BP_NET_3。
同步骤1，得到目标输出O，称为O3。
步骤5：将步骤3得到的30组样本数据中的Move,Utility值作为BP网络的输入，样本数据中的(ai,bi,ci,i∈{1,…,6})作为输出，得到初始权值和阈值，利用PSO算法对BP权值和阈值进行优化训练，构建得到BP网络，称为BP_NET_4。
此时，将Step 4中得到目标输出值O3，代入BP_NET_4模型中，得到目标输出O，称为O4，即新的(ai,bi,ci,i∈{1,…,6})。
其中，基于粒子群的BP网络优化算法可以归纳为如下步骤：
Step 1：确定粒子群规模，即粒子的个数m和维度n。
对于粒子个数，通常设为10-40间的一个值，取m＝10。设模型结构为M-N-1，M为输入节点数，N为隐含层节点数，1为输出节点数。则搜索空间的维度n＝(M+1)*N+(N+1)*1。
在本实施例中，由于输入层的节点为与(α1，β1，α2，β2，γ，σ)值相关联的18个系数(ai，bi，ci，i∈{1，…，6})，故搜索空间的维度为n＝(18+1)*8+(8+1)*1＝161。
Step 2：惯性因子w的设置。
惯性权重w用来控制粒子以前速度对当前速度的影响，它将影响粒子的全局搜索能力和局部搜索能力，为使粒子保持运动惯性，使其有扩展搜索空间的趋势，有能力探索新的区域。本申请采用线性递减权值策略，如式(2’)所示，它能使w由win随迭代次数先行递减到wend。
其中Tmax为最大进化代数，t为当前进化代数。win为初始惯性权值，wend为迭代至最大代数时的惯性权值。参数设置为win＝0.9，wend＝0.3，Tmax＝200。
Step 3：学习因子c1与c2的设置。
c1和c2代表将每个粒子推向Pij和Pgj位置的统计加速项的权重，它们是用于调整粒子自身经验和社会群体经验在整个巡游过程中所起作用的参数。c1和c2是固定常数，一般都限定c1和c2相等并且取值范围为[0，4]。在本实施例中，取c1＝2，c2＝1.8。
Step 4：确定适应度函数。
以训练均方误差函数E作为粒子的适应度评价函数，用于推进对种群的搜索。粒子的适应度函数按公式(3’)计算。
式中：N为训练的样本数，yi(real)为第i个样本的实际值，yi为第i个样本的模型输出值。因此，算法的迭代停止时适应度最低的粒子对应的位置，即为问题所求的最优解。
Step 5：速度与位置初始化。
随机生成m个个体，每个个体由两部分组成，第一部分为粒子的速度矩阵，第二部分代表粒子的位置矩阵。
本文将BP网络初始化获得的权值和阈值作为PSO算法中每个粒子的初始位置。
Step 6：评价。
根据式(6.18)计算种群中的粒子在BP神经网络训练样本下的适应度。
Step 7：极值更新。
比较种群当前的个体适应度值与迭代前的个体适应度值，若当前值更优，则令当前值替代迭代前的值，并保存当前位置为其个体极值，否则其个体极值为上一代的极值。对于全局极值来说，若现有群体中某个粒子的当前适应度值比全局历史最优适应度值更优，则令该粒子的当前适应度值为群体全局最优适应度值，并保存该粒子的当前位置为群体全局极值。
Step 8：速度更新。
根据Step 7迭代生成的Pij和Pgj进行速度的更新，在本文中采用带有附加项的速度更新公式进行速度更新，其公式如(4,)所示，其中r3(t)是[0，1]之间的随机数。
vij(t+1)＝w·vij(t)+c1r1(t)(Pij(t)-xij(t))+c2r2(t)(Pgj(t)-xij(t))+r3(t)(Pgj(t)-Pij(t)) (4’)
Step 9：解的更新。
由Step 8迭代生成的速度进行解的更新，即调整BP神经网络的权值与阈值。
Step 10：迭代停止控制。
对迭代产生的种群进行评价，判断算法训练误差是否达到期单误差(取为0.001)或迭代进行到最大次数(200代)，如果条件满足则转Step 11；否则，返回Step 7继续迭代。
Step 11：最优解生成。
算法停止迭代时，Pgj对应的值即为训练问题的最优解，即BP网络的权值与阈值。将上述最优解代入BP网络模型中进行二次训练学习，最终形成DDR中(α1，β1，α2，β2，γ，σ)值预测优化模型。
接下来，将步骤5得到的(ai,bi,ci,i∈{1,…,6})代入仿真模型进行验证。
以上海市某半导体生产制造企业6英寸硅片的大量生产线历史数据为研究对象，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PRIOR。
仿真结果如图2所示。从图2中可以发现，在基于启发式调度规则中，最短剩余加工时间规则(Smallest Remaining Processing Time,SRPT)无论是在欠载状态还是过载状态，都要比最早交货期优先规则(Earliest Due Date,EDD)和临界值规则(CriticalRatio,CR)性能更佳。但是，在过载状态下，经过优化后的自适应调度规则(ADR)显然要比SRPT规则表现得更加出色，并且远远优于该企业所采用的PRIOR规则。
在欠载状况下，DDR的改进效果并不理想，其平均值只比PRIOR规则提高了0.64％的Move值和1.03％的Utility值，最差的DDR结果在Move,Utility值方面均比PRIOR规则低，而最好的DDR结果却要比PRIOR规则高出4.97％的Move值和7.56％的Utility值。但是，ADR则能够完全保证其Move,Utility值均大于PRIOR规则下的Move,Utility值。其中，采用BP网络优化得到的ADR系数(ai,bi,ci,i∈{1,…,6})，其平均Move值和平均Utility值比PRIOR规则下的Move值和Utility值分别提升了1.97％和3.26％。运用PSO算法优化BP网络得到的ADR系数(ai,bi,ci,i∈{1,…,6})，其平均Move值和平均Utility值比PRIOR规则下的Move值和Utility值进一步提升了2.35％和5.93％。
在过载状态下，DDR下的Move,Utility值均优于PRIOR规则下的Move,Utility值，平均Move值和平均Utility值分别提高了2.87％和2.11％。采用BP网络优化得到的ADR系数(ai,bi,ci,i∈{1,…,6})，其平均Move值和平均Utility值比PRIOR规则下的Move值和Utility值分别提升了5.91％和2.30％。运用PSO算法优化BP网络得到的ADR系数(ai,bi,ci,i∈{1,…,6})，其平均Move值和平均Utility值比PRIOR规则下的Move值和Utility值进一步提升了7.24％和4.10％。
在另一实施例中，本发明还提供了一种基于动态派工的半导体制造系统，包括：
第一样本数据获取模块，配置为获取第一样本数据，所述第一样本数据包括(α1,β1,α2,β2,γ,σ)值、
值、Move和Utility值，其中α1,β1,α2,β2,γ,σ分别为与动态派工方法相关的六个加权参数，
为生产线紧急工件比例，rp为后1/3光刻工件比例；
第一优化模块，配置为基于所述第一样本数据，利用BP网络获得优化的(α1,β1,α2,β2,γ,σ)值和
值；
关联模块，配置为通过线性规划方法将优化的(α1,β1,α2,β2,γ，σ)值和
值之间建立逻辑关系，得到逻辑关系表达式；
第二优化模块，配置为利用基于粒子群算法的BP网络对所述逻辑关系表达式的系数进行优化，获得新的系数，从而得到优化的动态派工方法；
制造模块，配置为采用所述优化的动态派工方法制造半导体。
另一方面，本发明提供了一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行根据前述的一种基于动态派工的半导体制造方法。
另一方面，本发明提供了一种计算设备，包括：一个或多个处理器、一个或多个存储器以及一个或多个程序，其中一个或多个程序存储在所述一个或多个存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行前述的一种基于动态派工的半导体制造方法的指令。
以上已以较佳实施例公布了本发明，然其并非用以限制本发明，凡采取等同替换或等效变换的方案所获得的技术方案，均落在本发明的保护范围内。
Claims (10)
1.一种基于动态派工的半导体制造方法，其特征在于，包括：
获取第一样本数据，所述第一样本数据包括(α1，β1，α2，β2，γ，σ)值、(rh，rp)值、Move和Utility值，其中α1，β1，α2，β2，γ，σ分别为与动态派工方法相关的六个加权参数，rh为生产线紧急工件比例，rp为后1/3光刻工件比例；
基于所述第一样本数据，利用BP网络获得优化的(α1，β1，α2，β2，γ，σ)值和(rh，rp)值；
通过线性规划方法将优化的(α1，β1，α2，β2，γ，σ)值和(rh，rp)值之间建立逻辑关系，得到逻辑关系表达式；
利用基于粒子群算法的BP网络对所述逻辑关系表达式的系数进行优化，获得新的系数，从而得到优化的动态派工方法；
采用所述优化的动态派工方法制造半导体。
2.根据权利要求1所述的方法，其特征在于，所述利用BP网络获得优化的(α1，β1，α2，β2，γ，σ)值和(rh，rp)值，包括：
将第一样本数据分为训练集和测试集，将训练集中的(α1，β1，α2，β2，γ，σ)值和(rh，rp)值作为BP网络的输入，Move、Utility值作为输出，进行训练，得到第一BP网络；
从测试集中随机抽取一组样本，将所述样本的(α1，β1，α2，β2，γ，σ)值和(rh，rp)值输入训练好的第一BP网络，输出对应的第一目标Move、Utility值；
将训练集中的Move、Utility值作为BP网络的输入，(α1，β1，α2，β2，γ，σ)值和(rh，rp)值作为输出，进行训练，得到第二BP网络；
将第一目标Move、Utility值输入训练好的第二BP网络，输出新的(α1，β1，α2，β2，γ，σ)值和(rh，rp)值。
3.根据权利要求1所述的方法，其特征在于，所述逻辑关系表达式为：
α1＝a1·rh+b1·rp+c1
β1＝a2·rh+b2·rp+c2
α2＝a3·rh+b3·rp+c3
β2＝a4·rh+b4·rp+c4
γ＝a5·rh+b5·rp+c5
σ＝a6·rh+b6·rp+c6
其中，ai，bi，ci，i∈{1，...，6}为逻辑关系表达式的系数。
4.根据权利要求1所述的方法，其特征在于，所述利用基于粒子群算法的BP网络对逻辑关系表达式的系数进行优化，包括：
获取第二样本数据，所述第二样本数据包括所述逻辑关系表达式的系数、对应的Move和Utility值；
将第二样本数据分为训练集和测试集，将训练集中的系数作为BP网络的输入，对应的Move，Utility值作为输出，得到BP网络的初始权值和阈值，利用粒子群算法对BP网络的权值和阈值进行优化训练，得到第三BP网络；
从测试集中随机抽取一组样本，将该样本中的系数输入训练好的第三BP网络，输出第三目标Move、Utility值；
将训练集中的Move，Utility值作为BP网络的输入，对应的系数作为BP网络的输出，得到BP网络的初始权值和阈值，利用粒子群算法对BP网络的权值和阈值进行优化训练，构建得到第四BP网络；
将第三目标Move、Utility值输入训练好的第四BP网络，输出新的系数。
5.根据权利要求4所述的方法，其特征在于，利用粒子群算法对BP网络的权值和阈值进行优化训练，包括：
将BP网络的初始权值和阈值作为粒子群算法中每个粒子的初始位置；
计算粒子群中每个粒子在BP网络训练样本下的适应度值；
将粒子群当前的个体适应度值与迭代前的个体适应度值进行比较，若当前值更优，则令当前值替代迭代前的值，并保存当前位置为其个体极值，否则其个体极值为上一代的极值；对于全局极值，若粒子群中某个粒子的当前适应度值比全局历史最优适应度值更优，则令该粒子的当前适应度值为群体全局最优适应度值，并保存该粒子的当前位置为群体全局极值；
根据迭代生成的个体极值和群体全局极值进行速度的更新；
根据迭代生成的速度，调整BP网络的权值与阈值。
6.根据权利要求4所述的方法，其特征在于，第一样本数据的获取方法为：
根据生产线历史数据动态建立仿真模型；
在仿真模型中建立调度规则库、生产线系统所需的过程状态(rh，rp)和性能指标Move和Utility；
确定设备利用率60％以上的瓶颈设备；
对瓶颈设备采用所述动态派工方法，分别随机产生对应的(α1，β1，α2，β2，γ，σ)值，同时自动记录生产线的过程状态信息(rh，rp)、Move和Utility。
7.根据权利要求6所述的方法，其特征在于，第二样本数据的获取方法为：
将第一样本数据分成n组，n为正整数，从每组样本数据中随机抽取3-4组样本，将该样本中的(α1，β1，α2，β2，γ，σ)值输入训练好的第一BP网络，输出对应的第一目标Move、Utility值；将第一目标Move、Utility值输入训练好的第二BP网络，输出新的(α1，β1，α2，β2，γ，σ)和(rh，rp)值；
从所述每组样本数据中选择2-3组较好的Move，Utility值所对应的(α1，β1，α2，β2，γ，σ)和(rh，rp)值，与所述新的(α1，β1，α2，β2，γ，σ)和(rh，rp)值组合，得到5-7组样本；
从所述5-7组样本中随机选择3组(α1，β1，α2，β2，γ，σ)和(rh，rp)值，用线性规划方法将(α1，β1，α2，β2，γ，σ)和(rh，rp)值之间建立逻辑关系，，获得3组逻辑关系表达式的系数，代入仿真模型，仿真得到其对应的Move，Utility值。
8.一种基于动态派工的半导体制造系统，其特征在于，包括：
第一样本数据获取模块，配置为获取第一样本数据，所述第一样本数据包括(α1，β1，α2，β2，γ，σ)值、(rh，rp)值、Move和Utility值，其中α1，β1，α2，β2，γ，σ分别为与动态派工方法相关的六个加权参数，rh为生产线紧急工件比例，rp为后1/3光刻工件比例；
第一优化模块，配置为基于所述第一样本数据，利用BP网络获得优化的(α1，β1，α2，β2，γ，σ)值和(rh，rp)值；
关联模块，配置为通过线性规划方法将优化的(α1，β1，α2，β2，γ，σ)值和(rh，rp)值之间建立逻辑关系，得到逻辑关系表达式；
第二优化模块，配置为利用基于粒子群算法的BP网络对所述逻辑关系表达式的系数进行优化，获得新的系数，从而得到优化的动态派工方法；
制造模块，配置为采用所述优化的动态派工方法制造半导体。
9.一种存储一个或多个程序的计算机可读存储介质，其特征在于：所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行根据权利要求1至7所述的方法中的任一方法。
10.一种计算设备，其特征在于：包括，
一个或多个处理器、一个或多个存储器以及一个或多个程序，其中一个或多个程序存储在所述一个或多个存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行根据权利要求1至7所述的方法中的任一方法的指令。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110196877.2A CN113064387A (zh) | 2021-02-22 | 2021-02-22 | 一种基于动态派工的半导体制造方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110196877.2A CN113064387A (zh) | 2021-02-22 | 2021-02-22 | 一种基于动态派工的半导体制造方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113064387A true CN113064387A (zh) | 2021-07-02 |
Family
ID=76558820
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110196877.2A Pending CN113064387A (zh) | 2021-02-22 | 2021-02-22 | 一种基于动态派工的半导体制造方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113064387A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103439885A (zh) * | 2013-07-26 | 2013-12-11 | 同济大学 | 半导体生产线优化调度装置 |
| CN103439886A (zh) * | 2013-07-26 | 2013-12-11 | 同济大学 | 一种半导体生产线自适应动态调度装置 |
| CN109711410A (zh) * | 2018-11-20 | 2019-05-03 | 北方工业大学 | 一种三维物体快速分割和识别方法、装置及系统 |
| CN109901020A (zh) * | 2019-04-08 | 2019-06-18 | 珠海妙微科技有限公司 | 稀疏自动编码器优化神经网路的输电线路故障识别方法 |
| CN111310914A (zh) * | 2020-01-20 | 2020-06-19 | 北京津发科技股份有限公司 | 利用神经网络算法的驾驶状态分析方法及计算机设备 |
-
2021
- 2021-02-22 CN CN202110196877.2A patent/CN113064387A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103439885A (zh) * | 2013-07-26 | 2013-12-11 | 同济大学 | 半导体生产线优化调度装置 |
| CN103439886A (zh) * | 2013-07-26 | 2013-12-11 | 同济大学 | 一种半导体生产线自适应动态调度装置 |
| CN109711410A (zh) * | 2018-11-20 | 2019-05-03 | 北方工业大学 | 一种三维物体快速分割和识别方法、装置及系统 |
| CN109901020A (zh) * | 2019-04-08 | 2019-06-18 | 珠海妙微科技有限公司 | 稀疏自动编码器优化神经网路的输电线路故障识别方法 |
| CN111310914A (zh) * | 2020-01-20 | 2020-06-19 | 北京津发科技股份有限公司 | 利用神经网络算法的驾驶状态分析方法及计算机设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yuan et al. | Research on intelligent workshop resource scheduling method based on improved NSGA-II algorithm | |
| Tang et al. | Diversity-adaptive parallel memetic algorithm for solving large scale combinatorial optimization problems | |
| Zheng et al. | Addressing the conditional and correlated wind power forecast errors in unit commitment by distributionally robust optimization | |
| CN108694502B (zh) | 一种基于XGBoost算法的机器人制造单元自适应调度方法 | |
| CN109615146B (zh) | 一种基于深度学习的超短时风功率预测方法 | |
| KR20050025953A (ko) | 생산 계획 작성 시스템, 방법, 및 프로그램을 기록한 기록매체 | |
| CN108053077A (zh) | 一种基于区间二型t-s模糊模型的短期风速预测方法与系统 | |
| CN111861013A (zh) | 一种电力负荷预测方法及装置 | |
| CN111857081B (zh) | 基于Q-learning强化学习的芯片封装测试生产线性能控制方法 | |
| CN116340006B (zh) | 一种基于深度学习的算力资源空闲预测方法和存储介质 | |
| CN112947300A (zh) | 一种加工质量虚拟量测方法、系统、介质及设备 | |
| Liu et al. | Genetic algorithm using sequence rule chain for multi-objective optimization in re-entrant micro-electronic production line | |
| CN110738363B (zh) | 一种光伏发电功率预测方法 | |
| Eğilmez et al. | Stochastic capacitated cellular manufacturing system design with hybrid similarity coefficient | |
| Liu et al. | Integrated optimization of mixed-model assembly line balancing and buffer allocation based on operation time complexity | |
| CN113031542A (zh) | 一种基于负载均衡的半导体生产线动态调度方法 | |
| CN113762591A (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
| CN111027760B (zh) | 一种基于最小二乘向量机的电力负荷预测方法 | |
| CN113064387A (zh) | 一种基于动态派工的半导体制造方法及系统 | |
| Wei et al. | A combination forecasting method of grey neural network based on genetic algorithm | |
| Hu et al. | Scenario reduction based on correlation sensitivity and its application in microgrid optimization | |
| CN116307139A (zh) | 一种优化与改进极限学习机的风电功率超短期预测方法 | |
| Huang | Research on Load Prediction Method Based on Deep Learning in Smart Grid | |
| Huang et al. | A new approach to on-line rescheduling for a semiconductor foundry fab | |
| Li et al. | Data-Driving Dynamic Scheduling of Semiconductor Manufacturing System |
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: 20210702 |