CN113064388A - 一种半导体生产线的调度优化方法及装置 - Google Patents
一种半导体生产线的调度优化方法及装置 Download PDFInfo
- Publication number
- CN113064388A CN113064388A CN202110206594.1A CN202110206594A CN113064388A CN 113064388 A CN113064388 A CN 113064388A CN 202110206594 A CN202110206594 A CN 202110206594A CN 113064388 A CN113064388 A CN 113064388A
- Authority
- CN
- China
- Prior art keywords
- performance parameters
- term performance
- short
- long
- production line
- 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.)
- Granted
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 178
- 239000004065 semiconductor Substances 0.000 title claims abstract description 78
- 238000000034 method Methods 0.000 title claims abstract description 74
- 238000005457 optimization Methods 0.000 title claims abstract description 28
- 230000007774 longterm Effects 0.000 claims abstract description 93
- 238000012545 processing Methods 0.000 claims description 78
- 230000008569 process Effects 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000003754 machining Methods 0.000 claims description 9
- 238000004088 simulation Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 6
- 229920006395 saturated elastomer Polymers 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 claims description 2
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 claims description 2
- 239000000047 product Substances 0.000 description 17
- 238000010586 diagram Methods 0.000 description 12
- 230000008859 change Effects 0.000 description 8
- 235000012431 wafers Nutrition 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 5
- 238000010219 correlation analysis Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 4
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 3
- 229910052710 silicon Inorganic materials 0.000 description 3
- 239000010703 silicon Substances 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000002860 competitive effect Effects 0.000 description 2
- 238000001312 dry etching Methods 0.000 description 2
- 230000000694 effects Effects 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
- 238000001039 wet etching Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007619 statistical method 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)
- General Factory Administration (AREA)
Abstract
本发明公开了一种半导体生产线的调度优化方法及装置，旨在能够找到影响长期性能参数的瓶颈短期性能参数，并根据瓶颈短期性能参数制定调度策略。本发明的一种半导体生产线的调度优化方法包括：采集半导体生产线的性能参数，所述性能参数包括短期性能参数和作为调度优化目标的长期性能参数；根据采集的短期性能参数和长期性能参数，获得相应的影响半导体生产线的长期性能参数的瓶颈短期性能参数；根据所述瓶颈短期性能参数制定优化该半导体生产线的调度方案。
Description
技术领域
本发明涉及一种半导体生产线的调度优化方法及装置，属于半导体生产线 调度技术领域。
背景技术
半导体生产线是一种加工设备繁多、工艺流程极为复杂的典型复杂制造系 统。同一生产线上同时在加工的产品类型通常多达十几种，这使得在制品对在 线设备的使用权竞争愈加激烈；半导体生产线的调度方案和派工策略将极大影 响当前生产线工况，调度策略的优劣将直接影响每种设备的排队队长，每卡工 件的等待时间，进而从全局影响整个生产线的运行效率；根据订单的不同，生 产线中会产生由不同种类、数量、紧急程度的产品需求组合，使得具体的生产 实施中产生的瓶颈各不相同，生产过程具有高度不确定性。
以上因素使得线上生产数据信息冗余度高，内联关系十分复杂。这也使得 基于日常生产数据统计计算而得的性能参数之间关系变得错综复杂。根据一些 不确定因素，比如设备情况变化、客户需求变化，加工瓶颈的变化等不确定因 素，会大大影响生产线的状态，恶化性能参数，此时需根据不确定因素调整生 产线的控制策略，来保证调度方案的进行，达到实时控制的要求。因此对于一 个给定资源结构和调度策略的生产系统,计算其性能是有必要的。通过导体生产 线的调度优化指导生产具有重要意义和实用价值，保证服务的高性能运行，从 而提高服务质量，以便更科学而经济地开展生产活动。
联邦学习(federated learning)是指，通过联合不同的参与者(participant，或者party，也称为数据拥有者(data owner)、或者客户(client))进行机器学习建模的方法。在联邦学习中，参与者不需要向其它参与者和协调者(coordinator，也称为 服务器(server)，参数服务器(parameter server)，或者聚合服务器(aggregation server))暴露自己所拥有的数据，因而联邦学习可以很好的保护用户隐私和保障 数据安全，并可以解决数据孤岛问题。
发明内容
本发明的目的在于克服现有技术中的不足，提供一种半导体生产线的调度 优化方法及装置，能够找到影响长期性能参数的瓶颈短期性能参数，并根据瓶 颈短期性能参数制定调度策略。
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，本发明提供了一种半导体生产线的调度优化方法，所述方法包 括以下步骤：
采集半导体生产线的性能参数，所述性能参数包括短期性能参数和作为调 度优化目标的长期性能参数；
根据采集的短期性能参数和长期性能参数，获得相应的影响半导体生产线 的长期性能参数的瓶颈短期性能参数；
根据所述瓶颈短期性能参数制定优化该半导体生产线的调度方案。
进一步的，所述短期性能参数包括：
生产线相关的性能参数，包括日在制品数量、日移动步数和日出片量；
设备相关的性能参数，包括日平均设备利用率和日排队队长；
工件相关的性能参数，包括工件的等待时间和、当前剩余加工步数、交货 期和是否为紧急工件；
所述作为调度优化目标的长期性能参数包括产品的加工周期、等待时间和 准时交货率的一种或多种。
进一步的，所述短期性能参数的采集方法包括：
所述日在制品数量的计算公式如下：
Wf＝∑tWt (2)
Wt,j指在设备j上正在加工的在制品数量，nt表示加工区t内的设备总数， Wt,wait表示加工区t内缓冲区等待加工的在制品数，Wt指目前在加工区t内的在 制品数量，Wf表示生产线总在制品数；
所述日移动步数的计算公式如下：
Move＝∑i∑jσj*Pi,j (3)
Move表示24小时内生产线的日移动步数，σj表示第i台设备第j次加工是否 完成，完成为1，未完成为0，Pi,j表示第i台设备第j次加工的工件数量；
所述日出片量TH24hr的计算公式如下：
TH24hr＝∑iWx＝0 (4)
TH24hr表示日出片量，Wx＝0表示生产线最后一个加工区，即测试区内所有 剩余加工步数为零的工件数；
所述日平均移动速率的计算公式如下：
v24hr＝Move/Wf (5)
其中，v24hr表示日平均移动速率，Move表示生产线的日移动步数，Wf表示 当日在制品数量；
所述日平均设备利用率的计算公式如下：
其中，Pu指设备u的利用率，Tih指设备第i次操作的使用时间，m为该设备 当天的总操作次数，Top指当天的开机时间；
所述日排队队长的计算方法如下：以24小时为统计周期，计算当前生产线 上所有未在设备上加工，在相应加工缓冲区内的等待加工的工件数量；
所述工件等待时间和的计算公式如下：
其中，WT指工件等待时间和，n表示加工区总个数，ti表示在第i个加工区 的缓冲区排队等待加工的时间；
所述加工周期的计算公式为：
CTi＝ti,out-ti,in (8)
其中，CTi表示工件i的加工周期，ti,out表示工件i完成所有加工工序的时刻， ti,in表示工件i进入生产线开始准备加工的时刻；
准时交货率的计算公式为：
其中，
指Td周期内的z类产品的准时交货率,n1表示z类产品内所有准 时交货的工件数，n2表示z类产品内所有未准时交货的工件数。
进一步的，所述根据采集的短期性能参数和长期性能参数，获得相应的影 响半导体生产线的长期性能参数的瓶颈短期性能参数的方法包括：
对采集的性能参数进行数据预处理；
分析采集的短期性能参数和长期性能参数之间的相关性，获得不同短期性 能参数和长期性能参数之间的相关性系数；
根据比较采集的短期性能参数和长期性能参数之间的相关性系数，获得相 应的影响半导体生产线的长期性能参数的瓶颈短期性能参数。
进一步的，所述数据预处理的方法包括如下步骤：
步骤1：剔除半导体生产线预仿真时间段内及设备生产能力未达到饱和状态 时产生的数据；
步骤2：剔除超出三倍数据样本标准差的数据。
进一步的，所述分析采集的短期性能参数和长期性能参数之间的相关性， 获得不同短期性能参数和长期性能参数之间的相关性系数的方法包括：
将不同的短期性能参数表现为矩阵A，将作为调度优化目标的长期性能参 数表现为矩阵B；
对于矩阵A和矩阵B，计算两者之间的相关性系数为：
其中C＝cov(A,B)是指矩阵A和B的协方差，R的值在[-1,1]之间，其中1 代表矩阵A和B呈最大正相关，-1代表两者呈最大负相关；
以及考虑工况的短期性能参数相关性分析，具体包括：将设备相关的性能 参数标记为多个分区，所述分区包括光刻区、干刻区和湿刻区；
针对不同分区设备相关的性能参数，利用相关系数法计算不同工况下的设 备利用率之间的相关系数；所述工况包括轻载、满载和超载。
进一步的，所述分析采集的短期性能参数和长期性能参数之间的相关性， 获得短期性能参数和长期性能参数之间的相关性系数的方法包括：
基于皮尔逊系数对采集的短期性能参数和长期性能参数之间的相关性进行 分析。
进一步的，所述根据比较采集的短期性能参数和长期性能参数之间的相关 性系数，获得相应的影响半导体生产线的长期性能参数的瓶颈短期性能参数的 方法具体包括：将采集的短期性能参数和长期性能参数之间的相关性系数比较 出其绝对值最大的短期性能参数，确定其为影响半导体生产线的长期性能参数 的瓶颈短期性能参数。
进一步的，所述根据采集的短期性能参数和长期性能参数，获得相应的影 响半导体生产线的长期性能参数的瓶颈短期性能参数的方法包括：将预处理后 的性能参数输入瓶颈参数预测模型中，获得影响半导体生产线的长期性能参数 的瓶颈短期性能参数。
第二方面，本发明提供了一种半导体生产线的调度优化装置，所述装置包 括：
参数采集模块：用于采集半导体生产线的性能参数，所述性能参数包括短 期性能参数和作为调度优化目标的长期性能参数；
瓶颈参数确定模块：用于根据采集的短期性能参数和长期性能参数，获得 相应的影响半导体生产线的长期性能参数的瓶颈短期性能参数；
调度方案生成模块：用于根据所述瓶颈短期性能参数制定优化该半导体生 产线的调度方案。
与现有技术相比，本发明所达到的有益效果：
1、本发明通过相关性找到影响长期性能参数的瓶颈短期性能参数，并根据 瓶颈短期性能参数指标制定调度策略，可以有效提高生产线的生产效率，同时 减少了由于信息延迟而导致的生产性能下降风险，同时也大大提升了新调度方 案的时效性；
2、本发明提供的动态调度装置根据半导体生产线的实时生产状态，快速提 供下一调度周期可应用的半导体生产线的最优调度策略，辅助生产决策；
3、本发明提供的调度方法可以根据需要优化指定的生产线某个或综合性能 参数，为加工区特别是瓶颈加工区选择最优的调度策略，以提高生产线的性能；
4、本发明提供的分析和调度方法不仅适用于半导体制造系统，而且适用于 其他复杂制造系统。
附图说明
图1是半导体生产线性能参数评价体系；
图2是相关性系数法处理数据的框图；
图3是关键短期性能指标与准时交货率的皮尔逊系数示意图。
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：
本实施例提供一种半导体生产线的调度优化方法，所述方法包括：
采集半导体生产线的性能参数，所述性能参数包括短期性能参数和作为调 度优化目标的长期性能参数；
根据采集的短期性能参数和长期性能参数，获得相应的影响半导体生产线 的长期性能参数的瓶颈短期性能参数；
根据所述瓶颈短期性能参数制定优化该半导体生产线的调度方案。
性能参数是基于实际生产数据统计而得，反映当前制造系统运行效率的评 价指标。优化性能参数是研究半导体生产调度的最终目的，即提高效率、增加 产能，使得整个制造系统高效良好运作。将性能参数评价体系归纳为如下分类， 如图1所示。
针对半导体生产制造系统，按照统计周期的不同可将性能参数分为短期性 能参数和长期性能参数。其中，短期性能参数通过对较短周期内的生产数据进 行分析统计而得到，能够直接而清晰地反映出当前生产线的客观生产状况，体 现生产线运作效率，从而反映日生产计划调度方案的优劣。长期性能参数是指 需要通过较长的制造周期才能统计获得的，能综合体现当前生产线的每日投料 计划、调度策略的实施效果，是企业和客户最为关心的指标。按照实际使用用 途不同可进一步将评价指标细分为四类。其中，短期性能参数主要包括与生产 线、设备和工件相关的指标。长期性能参数主要是指与产品直接相关的指标。
(1)生产线相关的性能参数。调度方案是否能对当前生产线进行高效的调 控可以通过通过这些指标快速反映出来。主要包括日在制品数量(Work in Process， WIP)，日移动步数(MOVE)，日出片量(Throughput)，日平均移动速率(Turn) 等。
日在制品数量(WIP)：指以24小时为统计周期，计算当前已投入半导体生 产线，尚未完成全部加工步骤的工件数量总和，即生产线上的硅片总卡数或总 片数。其值为各加工缓冲区内等待加工的工件数量，与各加工区内的所有设备 上正在进行加工的工件数量之和。
Wf＝∑tWt (2)
Wt,j指在设备j上正在加工的在制品数量，nt表示加工区t内的设备总数， Wt,wait表示加工区t内缓冲区等待加工的在制品数。Wt指目前在加工区t内的在 制品数量，Wf表示生产线总在制品数。
日移动步数(MOVE)：以24小时为统计周期，计算生产线上所有工件的移 动步数。某工件在某设备上完成一个加工步骤称作一个移动。日移动量越高， 表明生产线完成的加工任务越多。MOVE是衡量半导体生产线性能的重要指标， 其值越高，代表工件等待时间越短，生产线的加工能力越高，设备的利用率也 越高。
Move＝∑i∑jσj*Pi,j (3)
Move表示24小时内生产线的日移动步数。σj表示第i台设备第j次加工是否 完成。完成为1，未完成为0。Pi,j表示第i台设备第j次加工的工件数量。
日出片量(TH)：指当天生产线上完成所有加工步骤的工件数量。
TH24hr＝∑iWx＝0 (4)
Wx＝0表示生产线最后一个加工区，即测试区内所有剩余加工步数为零的工 件数。
日平均移动速率：指24小时内平均每个工件的移动步数。
v24hr＝Move/Wf (5)
其中Move表示生产线的日移动步数，Wf表示当日在制品数量。
(2)设备相关的性能参数。它们反映了设备的运作情况。半导体制造业属 于资本密集型产业，故生产者追求设备的高效利用，包括设备利用率(Equipment Utility)，设备排队队长等。其中设备利用率反映了系统的实际运作效率，是与 设备相关的最重要的性能参数。
日平均设备利用率(EQU_UTI)：指以24小时为统计周期，某设备实际用于 加工工件的时间占当天总开机时间的比值。
其中，Pu指设备u的利用率，Tih指设备第i次操作的使用时间，m为该设备 当天的总操作次数，Top指当天的开机时间。
日排队队长(QL)：指以24小时为统计周期，计算当前生产线上所有未在设 备上加工，在相应加工缓冲区内的等待加工的工件数量。
(3)工件相关的性能参数。它们反映了每卡晶圆片在生产线全生命周期中 的工艺流程和加工情况，主要包括每卡工件的等待时间和(Waiting Time)，当前 剩余加工步数，交货期，是否为紧急工件等信息。
工件等待时间和(WT)：指某工件在投入生产线后，在所有加工缓冲区排队 等待加工时间之和。
n表示加工区总个数，ti表示在第i个加工区的缓冲区排队等待加工的时间。
工件在缓冲区的等待时间总和是半导体制造中可变成本的客观体现，它直 观反映了工件在整条生产线上被浪费的时间。实际生产中，可以观察到硅片完 工的事件是离散的、非均匀的，这是因为硅片在加工的全生命周期中的等待时 间是离散的。加工时间的长短取决于当前生产线各瓶颈设备区的拥塞程度，即 每卡工件的排队时长。瓶颈设备区的产生和拥塞程度取决于当前的调度策略， 所有种类产品对瓶颈设备访问的频繁程度和工艺要求的使用时长。而拥塞程度 又决定了工件的在某设备区的等待时间。因此等待时间是当前生产方案的综合 结果，是工件相关的重要性能参数，受其他短期性能参数直接或间接影响。
(4)产品相关的性能参数。这是和最终成品直接相关的半导体生产线性能 参数，主要包括加工周期(Cycle Time)和准时交货率(On Time Delivery Rate)等。
加工周期(CT)：指硅片从投入生产线至完成所有加工步骤所需的时间。
CTi＝ti,out-ti,in (8)
其中，CTi表示工件i的加工周期，ti,out表示工件i完成所有加工工序的时刻， ti,in表示工件i进入生产线开始准备加工的时刻。
晶圆的平均加工周期较长，通常为1-3个月不等。对加工周期的精确把握是 企业保持竞争力的关键。半导体制造系统具有规模庞大，加工工艺复杂，流程 多入性的特点，使其加工周期不仅取决于自身的工艺需求，同时还取决于当前 调度方案的优劣。即加工周期将随当前生产线实时工况的改变而变化。
准时交货率(ODR):反映的是该晶圆加工工厂对生产任务的完成程度。通常 需要更长的制造周期才能统计得到，是调度方案优劣的长期表现。
其中，
指Td周期内的z类产品的准时交货率,n1表示z类产品内所有准 时交货的工件数，n2表示z类产品内所有未准时交货的工件数。
性能参数是半导体制造系统里调度方案与派工规则优劣的评价指标。通常 这些指标的波动能快速反映出调度规则的改变。从工厂角度出发，它们是易于 收集且能直观体现生产线状况的有价值数据。由于生产线数据繁多精细，数字 化程度越高的工厂数据点的采集频率更高，颗粒度更精细，在带来更全更细的 数据的同时，也使得短期性能参数的内联关系更加交错复杂，数据之间的耦合 程度更高，给量化各性能参数间的数学关系带来了难度。
具体的，所述根据采集的短期性能参数和长期性能参数，获得相应的影响 半导体生产线的长期性能参数的瓶颈短期性能参数的方法包括：
对采集的性能参数进行数据预处理；
分析采集的短期性能参数和长期性能参数之间的相关性，获得不同短期性 能参数和长期性能参数之间的相关性系数；
根据比较采集的短期性能参数和长期性能参数之间的相关性系数，获得相 应的影响半导体生产线的长期性能参数的瓶颈短期性能参数。
具体的，所述数据预处理的方法包括如下步骤：
步骤1：剔除半导体生产线预仿真时间段内及设备生产能力未达到饱和状态 时产生的数据；
步骤2：剔除超出三倍数据样本标准差的数据。
进一步的，所述分析采集的短期性能参数和长期性能参数之间的相关性， 获得不同短期性能参数和长期性能参数之间的相关性系数的方法包括：
将不同的短期性能参数表现为矩阵A，将作为调度优化目标的长期性能参 数表现为矩阵B；
进一步的，所述分析采集的短期性能参数和长期性能参数之间的相关性， 获得短期性能参数和长期性能参数之间的相关性系数的方法包括：
基于皮尔逊系数对采集的短期性能参数和长期性能参数之间的相关性进行 分析。
具体的，所述根据比较采集的短期性能参数和长期性能参数之间的相关性 系数，获得相应的影响半导体生产线的长期性能参数的瓶颈短期性能参数的方 法具体包括：将采集的短期性能参数和长期性能参数之间的相关性系数比较出 其绝对值最大的短期性能参数，确定其为影响半导体生产线的长期性能参数的 瓶颈短期性能参数。
具体的，所述根据采集的短期性能参数和长期性能参数，获得相应的影响 半导体生产线的长期性能参数的瓶颈短期性能参数的方法包括：将预处理后的 性能参数输入瓶颈参数预测模型中，获得影响半导体生产线的长期性能参数的 瓶颈短期性能参数。
下面以以某半导体生产企业的历史数据为对象，进行性能参数的统计与相 关性分析。数据样本为2013年1月到12月生产线数据，每隔4小时采集一次 线上31种类型的生产数据，以csv文件分别导出，每天含6个数据集。该生产 数据集几乎涵盖了当前生产线的所有信息，其中反映生产线实际状况的主要包 括在制品信息表、设备信息表、移动历史信息表和数据采集时间表。本文所关 注的性能参数的统计主要基于这四张表，其中，在制品信息表提供了当前时刻 生产线在制品的基本信息，以流水信息的形式呈现；设备信息表涵盖了与加工 相关的设备工艺信息；移动历史信息表中则记录了工件在生产线上的移动历史；数据采集时间表记录了本次数据集的采集时间。
本实施例首先对某一类型的生产数据，如在制品信息表，把所有采集到的 生产数据信息按照时间顺序合并成一张表，涵盖该生产线指标的全年信息。然 后根据性能参数统计方式，获取所需的长短期性能参数数据。
一个生产线中有很多个性能参数，研究它们之间的相关性是非常有必要的。 本实施例利用相关系数分析方法来分析它们之间的相关性。
相关系数分析方法的原理描述如下：
对于矩阵A和B，两者之间的相关性系数为：
其中C＝cov(A,B)是指矩阵A和B的协方差。
R的值在[-1,1]之间，其中1代表矩阵A和B呈最大正相关，-1代表两者呈 最大负相关。
本章将对两个实际生产线进行仿真获取相应的性能参数数据，在此基础上 分析性能参数的相关性。
(1)某半导体生产线(BL6)：生产线包含119台设备，划分为19个工作 区(按照设备功能划分)，且生产线上有10种工件，在FIFO、EDD、SPT、LS 和CR五种派工规则以及WIP分别为6000(轻载)、7000(满载)和8000(超 载)三种工况共15种情况下，进行相当于实际情况下90天的仿真，得到仿真 数据，去掉生产线前30天的预热期数据，取生产线稳定后(后60天)的数据。
(2)标准半导体生产线MIMAC：生产线包含229台设备，划分为104个 设备组(按照可替换设备进行划分，一个设备组中的设备均为可替换设备)，且 生产线上有9种工件。在FIFO、EDD、SPT、LS和CR五种派工规则以及WIP 分别为4000片、5000片、6000片、7000片和8000片五种工况，一共25种情 况下，进行相当于实际情况下90天的仿真，得到大量数据，去掉生产线前30 天的预热期数据，取生产线稳定后(后60天)的数据。
生产线中的所有短期性能参数均为按天得到，即一天统计一次。长期性能 参数十天统计一次。
如图2所示，我们设计了一个用相关性系数分析法处理仿真数据的框图。 对半导体生产线(BL6)和标准半导体生产线MIMAC所得数据，分别用此框图 流程进行处理。
框图主要流程如下：处理过程被分为三个部分，前两个部分分别是针对不 同工况和派工规则的处理，着重于短期性能参数，第三部分是考虑长期性能参 数和短期性能参数之间的关系；用相关性系数法分别得到各块的相关性；进行 整个生产线包括工况和派工规则结合下的相关性分析；得到长期和短期性能参 数之间的相关性；建立性能参数体系。
在本研究中我们选取日平均设备利用率大于55％的设备进行相关性分析， 选择出的设备分布在三个区，分别为光刻区、干刻区和湿刻区。
针对所选择的11台设备，统计其在不同工况(轻载、满载、超载)下的设 备利用率，利用相关系数法计算其与目标调控的长期性能参数的相关系数。结 果以矩阵的形式表示。特别指出以下两点：事实上，性能参数得出的两两之间 的相关系数组成的矩阵是对称矩阵。这里，为了更加直观，将对称矩阵的上半 部分赋值为0。设备和生产线相关性能分析中的矩阵是以矩阵组的形式表示。本 实施例进行短期性能参数以及长期性能参数CT、TP和ODR之间的相关性分析。
如选取准时交货率作为目标调控优化的对象，研究其与各分区的短期性能 参数的关系，则根据相关系数法分别计算准时交货率与设备相关的短期性能参 数的相关系数，并综合比较，选取其中绝对值最大的短期性能参数，根据它作 出调整方案。
另外，在本实施例中，我们也可以采用皮尔逊相关系数分析性能指标。在 统计学中，皮尔逊积矩相关系数ρXY用于度量两个变量X和Y之间的相关关系。 其中，-1≤ρXY≤+1。+1表示绝对正相关，-1表示绝对负相关。两个变量之 间的皮尔逊相关系数定义为两个变量之间的协方差和标准差之比。
利用皮尔逊相关系数公式，计算短期性能指标之间的相关系数，可剔除大 量无关变量或相关性很小的变量。
本实施例对上文所提取出的其生产线上的短期性能指标分别和准时交货率 求皮尔逊相关系数,如图3。因为准时交货率是衡量半导体生产线运作性能的重 要指标，其值越高，说明半导体生产线的加工能力越高，设备的利用率也越高， 同时也表明生产线完成的加工任务数越高。分别求和准时交货率的相关系数， 可以知道某一短期性能指标对准时交货率的影响大小，并绘出随时间变化相关 系数变化的图表。
实施例二：
本实施例提供一种半导体生产线的调度优化装置，所述装置包括：
参数采集模块：用于采集半导体生产线的性能参数，所述性能参数包括短 期性能参数和作为调度优化目标的长期性能参数；
瓶颈参数确定模块：用于根据采集的短期性能参数和长期性能参数，获得 相应的影响半导体生产线的长期性能参数的瓶颈短期性能参数；
调度方案生成模块：用于根据所述瓶颈短期性能参数制定优化该半导体生 产线的调度方案。
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 (10)
1.一种半导体生产线的调度优化方法，其特征在于，所述方法包括以下步骤：
采集半导体生产线的性能参数，所述性能参数包括短期性能参数和作为调度优化目标的长期性能参数；
根据采集的短期性能参数和长期性能参数，获得相应的影响半导体生产线的长期性能参数的瓶颈短期性能参数；
根据所述瓶颈短期性能参数制定优化该半导体生产线的调度方案。
2.根据权利要求1所述的半导体生产线的调度优化方法，其特征在于，所述短期性能参数包括：
生产线相关的性能参数，包括日在制品数量、日移动步数和日出片量；
设备相关的性能参数，包括日平均设备利用率和日排队队长；
工件相关的性能参数，包括工件的等待时间和、当前剩余加工步数、交货期和是否为紧急工件；
所述作为调度优化目标的长期性能参数包括产品的加工周期、等待时间和准时交货率的一种或多种。
3.根据权利要求2所述的半导体生产线的调度优化方法，其特征在于，所述短期性能参数的采集方法包括：
所述日在制品数量的计算公式如下：
Wf＝∑tWt (2)
Wt,j指在设备j上正在加工的在制品数量，nt表示加工区t内的设备总数，Wt,wait表示加工区t内缓冲区等待加工的在制品数，Wt指目前在加工区t内的在制品数量，Wf表示生产线总在制品数；
所述日移动步数的计算公式如下：
Move＝∑i∑jσj*Pi,j (3)
Move表示24小时内生产线的日移动步数，σj表示第i台设备第j次加工是否完成，完成为1，未完成为0，Pi,j表示第i台设备第j次加工的工件数量；
所述日出片量TH24hr的计算公式如下：
TH24hr＝∑iWx＝0 (4)
TH24hr表示日出片量，Wx＝0表示生产线最后一个加工区，即测试区内所有剩余加工步数为零的工件数；
所述日平均移动速率的计算公式如下：
v24hr＝Move/Wf (5)
其中，v24hr表示日平均移动速率，Move表示生产线的日移动步数，Wf表示当日在制品数量；
所述日平均设备利用率的计算公式如下：
其中，Pu指设备u的利用率，Tih指设备第i次操作的使用时间，m为该设备当天的总操作次数，Top指当天的开机时间；
所述日排队队长的计算方法如下：以24小时为统计周期，计算当前生产线上所有未在设备上加工，在相应加工缓冲区内的等待加工的工件数量；
所述工件等待时间和的计算公式如下：
其中，WT指工件等待时间和，n表示加工区总个数，ti表示在第i个加工区的缓冲区排队等待加工的时间；
所述加工周期的计算公式为：
CTi＝ti,out-ti,in (8)
其中，CTi表示工件i的加工周期，ti,out表示工件i完成所有加工工序的时刻，ti,in表示工件i进入生产线开始准备加工的时刻；
准时交货率的计算公式为：
其中，
指Td周期内的z类产品的准时交货率,n1表示z类产品内所有准时交货的工件数，n2表示z类产品内所有未准时交货的工件数。
4.根据权利要求1所述的半导体生产线的调度优化方法，其特征在于，所述根据采集的短期性能参数和长期性能参数，获得相应的影响半导体生产线的长期性能参数的瓶颈短期性能参数的方法包括：
对采集的性能参数进行数据预处理；
分析采集的短期性能参数和长期性能参数之间的相关性，获得不同短期性能参数和长期性能参数之间的相关性系数；
根据比较采集的短期性能参数和长期性能参数之间的相关性系数，获得相应的影响半导体生产线的长期性能参数的瓶颈短期性能参数。
5.根据权利要求4所述的半导体生产线的调度优化方法，其特征在于，所述数据预处理的方法包括如下步骤：
步骤1：剔除半导体生产线预仿真时间段内及设备生产能力未达到饱和状态时产生的数据；
步骤2：剔除超出三倍数据样本标准差的数据。
6.根据权利要求4所述的半导体生产线的调度优化方法，其特征在于，所述分析采集的短期性能参数和长期性能参数之间的相关性，获得不同短期性能参数和长期性能参数之间的相关性系数的方法包括：
将不同的短期性能参数表现为矩阵A，将作为调度优化目标的长期性能参数表现为矩阵B；
对于矩阵A和矩阵B，计算两者之间的相关性系数为：
其中C＝cov(A,B)是指矩阵A和B的协方差，R的值在[-1,1]之间，其中1代表矩阵A和B呈最大正相关，-1代表两者呈最大负相关。
7.根据权利要求4所述的半导体生产线的调度优化方法，其特征在于，所述分析采集的短期性能参数和长期性能参数之间的相关性，获得短期性能参数和长期性能参数之间的相关性系数的方法包括：
基于皮尔逊系数对采集的短期性能参数和长期性能参数之间的相关性进行分析。
8.根据权利要求4所述的半导体生产线的调度优化方法，其特征在于，所述根据比较采集的短期性能参数和长期性能参数之间的相关性系数，获得相应的影响半导体生产线的长期性能参数的瓶颈短期性能参数的方法具体包括：将采集的短期性能参数和长期性能参数之间的相关性系数比较出其绝对值最大的短期性能参数，确定其为影响半导体生产线的长期性能参数的瓶颈短期性能参数。
9.根据权利要求4所述的半导体生产线的调度优化方法，其特征在于，所述根据采集的短期性能参数和长期性能参数，获得相应的影响半导体生产线的长期性能参数的瓶颈短期性能参数的方法包括：将预处理后的性能参数输入瓶颈参数预测模型中，获得影响半导体生产线的长期性能参数的瓶颈短期性能参数。
10.一种半导体生产线的调度优化装置，其特征在于，所述装置包括：
参数采集模块：用于采集半导体生产线的性能参数，所述性能参数包括短期性能参数和作为调度优化目标的长期性能参数；
瓶颈参数确定模块：用于根据采集的短期性能参数和长期性能参数，获得相应的影响半导体生产线的长期性能参数的瓶颈短期性能参数；
调度方案生成模块：用于根据所述瓶颈短期性能参数制定优化该半导体生产线的调度方案。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110206594.1A CN113064388B (zh) | 2021-02-24 | 2021-02-24 | 一种半导体生产线的调度优化方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110206594.1A CN113064388B (zh) | 2021-02-24 | 2021-02-24 | 一种半导体生产线的调度优化方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113064388A true CN113064388A (zh) | 2021-07-02 |
| CN113064388B CN113064388B (zh) | 2022-05-03 |
Family
ID=76558925
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110206594.1A Active CN113064388B (zh) | 2021-02-24 | 2021-02-24 | 一种半导体生产线的调度优化方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113064388B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1734382A (zh) * | 2005-06-10 | 2006-02-15 | 同济大学 | 基于信息素的用于半导体生产线的动态调度方法 |
| CN102253662A (zh) * | 2011-04-11 | 2011-11-23 | 同济大学 | 基于多蚁群优化的半导体生产线排程方法 |
| 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 |
| CN103439885A (zh) * | 2013-07-26 | 2013-12-11 | 同济大学 | 半导体生产线优化调度装置 |
| 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 |
| US20180114283A1 (en) * | 2016-10-21 | 2018-04-26 | Open Access Technology International, Inc. | Systems and Methods for the Optimization of User Rate Charges |
| CN108829052A (zh) * | 2018-05-31 | 2018-11-16 | 同济大学 | 一种半导体生产线cps环境下的调度优化方法及装置 |
| 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 |
| CN110163436A (zh) * | 2019-05-23 | 2019-08-23 | 西北工业大学 | 基于动态瓶颈预测的智能车间生产优化方法 |
-
2021
- 2021-02-24 CN CN202110206594.1A patent/CN113064388B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1734382A (zh) * | 2005-06-10 | 2006-02-15 | 同济大学 | 基于信息素的用于半导体生产线的动态调度方法 |
| CN102253662A (zh) * | 2011-04-11 | 2011-11-23 | 同济大学 | 基于多蚁群优化的半导体生产线排程方法 |
| 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 |
| CN103439885A (zh) * | 2013-07-26 | 2013-12-11 | 同济大学 | 半导体生产线优化调度装置 |
| 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 |
| US20180114283A1 (en) * | 2016-10-21 | 2018-04-26 | Open Access Technology International, Inc. | Systems and Methods for the Optimization of User Rate Charges |
| CN108829052A (zh) * | 2018-05-31 | 2018-11-16 | 同济大学 | 一种半导体生产线cps环境下的调度优化方法及装置 |
| 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 |
| CN110163436A (zh) * | 2019-05-23 | 2019-08-23 | 西北工业大学 | 基于动态瓶颈预测的智能车间生产优化方法 |
Non-Patent Citations (3)
| Title |
|---|
| 乔非,吴启迪: "《半导体生产线建模方法与调度策略研究进展》", 《电子学报》 * |
| 乔非: "《基于分层瓶颈分析的多重入制造系统调度方法》", 《计算机集成制造系统》 * |
| 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》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113064388B (zh) | 2022-05-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang et al. | Simulation-based optimization of dispatching rules for semiconductor wafer fabrication system scheduling by the response surface methodology | |
| Pfeiffer et al. | Manufacturing lead time estimation with the combination of simulation and statistical learning methods | |
| CN100428142C (zh) | 使用实时分区处理能力分析优化制造过程的系统和方法 | |
| KR20050025953A (ko) | 생산 계획 작성 시스템, 방법, 및 프로그램을 기록한 기록매체 | |
| Kim et al. | Scheduling jobs with uncertain setup times and sequence dependency | |
| US20090185493A1 (en) | Hierarchical and Incremental Multivariate Analysis for Process Control | |
| JP2011257803A (ja) | 生産管理システムおよび生産管理方法 | |
| CN115882456B (zh) | 一种基于大规模电网潮流的电力控制方法及系统 | |
| Wang et al. | Capacity expansion and allocation for a semiconductor testing facility under constrained budget | |
| CN113050553A (zh) | 半导体生产线基于联邦学习机制的调度建模方法 | |
| US7257502B1 (en) | Determining metrology sampling decisions based on fabrication simulation | |
| CN113377696A (zh) | 一种基于计算机设备的总线数据处理方法 | |
| CN112527778B (zh) | 基于异常信息数据库增量的异常消缺管理系统及方法 | |
| CN113064388B (zh) | 一种半导体生产线的调度优化方法及装置 | |
| CN113673842A (zh) | 基于大数据的生产效率诊断方法、装置、设备及存储介质 | |
| CN112884321A (zh) | 一种基于调度环境和任务的半导体生产线调度方法 | |
| CN116228175B (zh) | 一种基于企业级工程施工成本的实时管理系统 | |
| CN113031542A (zh) | 一种基于负载均衡的半导体生产线动态调度方法 | |
| Halim et al. | Single-machine integrated production preventive maintenance scheduling: A simheuristic approach | |
| Chen | A tailored non-linear fluctuation smoothing rule for semiconductor manufacturing factory scheduling | |
| CN112183827A (zh) | 快递月揽件量的预测方法、装置、设备和存储介质 | |
| Bai et al. | An OEE improvement method based on TOC | |
| Koruca et al. | A priority rule based production scheduling module on faborg-sim simulation tool | |
| CN112947339A (zh) | 一种基于性能指标的半导体生产线动态调度方法 | |
| CN113031543B (zh) | 一种半导体生产线的控制调度方法及装置 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |