CN116542504A - 参数自适应的半导体工件生产调度方法、设备及存储介质 - Google Patents
参数自适应的半导体工件生产调度方法、设备及存储介质 Download PDFInfo
- Publication number
- CN116542504A CN116542504A CN202310831069.8A CN202310831069A CN116542504A CN 116542504 A CN116542504 A CN 116542504A CN 202310831069 A CN202310831069 A CN 202310831069A CN 116542504 A CN116542504 A CN 116542504A
- Authority
- CN
- China
- Prior art keywords
- workpiece
- time
- production
- weight parameter
- weight
- 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 95
- 238000000034 method Methods 0.000 title claims abstract description 81
- 239000004065 semiconductor Substances 0.000 title claims abstract description 24
- 238000004364 calculation method Methods 0.000 claims abstract description 17
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 238000003066 decision tree Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims description 20
- 238000009825 accumulation Methods 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 8
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 230000002068 genetic effect Effects 0.000 claims description 6
- 238000010845 search algorithm Methods 0.000 claims description 6
- 238000007726 management method Methods 0.000 claims description 5
- 238000004088 simulation Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 2
- 230000003111 delayed effect Effects 0.000 claims description 2
- 230000009191 jumping Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 6
- 230000003068 static effect Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Educational Administration (AREA)
- Computational Linguistics (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Factory Administration (AREA)
Abstract
本发明的一种参数自适应的半导体工件生产调度方法、设备及存储介质,通过在调度规则中综合考虑时间管控区间重叠问题和下游机台在制品堆积水平,即先进行工件调度优先级计算,然后通过基于决策树和聚类的权重参数搜索算法,直接搜索较优的权重参数设置并建立生产属性子集到权重参数的回归模型,最后根据生产环境自适应调整权重参数。本方法充分考虑了工件的时间约束对调度优先级计算的影响,降低了由于违反时间约束导致的返工和报废;同时减少了权重参数的搜索空间,提高了在特定生产环境下的关键性能指标;选择合适的生产属性子集建立到权重参数的回归模型,提升了调度规则在各种生产环境下的适用性。
Description
技术领域
本发明涉及半导体制造的生产管理系统的技术领域,具体涉及一种参数自适应的半导体工件生产调度方法、设备及存储介质。
背景技术
晶圆制造作为半导体制造过程中最复杂的阶段,需要大量昂贵的高技术设备支撑,先进的生产管理技术可以在不增加设备投入的情况下,充分利用现有产能,缩短制程周期,提高准时交付率,给晶圆厂带来巨大经济效益。生产设备的调度主要为,当设备处理完当前工件时,需要决策下一批次处理工件。目前主要采用的调度方式为基于规则的调度,即根据工件的相关属性计算出每批待处理工件的优先级指标,选择优先级指标最高或最低的批次进行处理。
目前调度规则可分为静态调度规则和动态调度规则。静态调度规则中考虑各种可能影响关键性能指标的因素,权重参数为定值,无法根据生产环境而动态变化,生产环境变化具体表现在工厂总在制品水平、各生产阶段在制品水平、瓶颈设备数量等生产属性指标的变化。剩余处理时间最短优先(SRPT)调度规则每次从待处理工件中选择剩余处理时间最短的工件进行处理;第三代增强关键比例(ECR3)派工规则不仅考虑当前选择工件的关键比例,还考虑选择当前工件处理会给其他工件的关键比例带来的影响。静态调度规则在某些生产环境下能够取得较优的性能表现,但当生产环境发生较大变化时,性能可能显著下降。动态调度规则能根据生产环境的变化,动态调整权重参数,以改进关键性能指标。自适应调度规则(ADR)采用神经网络和粒子群算法识别权重参数与生产属性之间的关系;基于模糊逻辑的改进多目标动态调度规则(MMDD)将系统状态变量作为输入,而后将其转换为语义变量,通过模糊推理后去模糊化得到合适的权重参数。
上述静态调度规则均没有考虑工件操作步骤之间存在的时间约束对调度优先级计算的影响。时间约束指工件的连续操作步骤或连续几个操作步骤之间存在时间管控区间,时间管控区间可能重叠,即一个操作步骤可能位于多个时间管控区间内,违反时间约束可能导致晶圆返工甚至报废,增大晶圆厂成本,降低生产效率。上述动态调度规则在特定生产环境下,利用随机搜索得到较优的权重参数,存在搜索空间过大、难以保证性能的问题;在建立生产属性到关键性能指标的映射时,存在难以从大量的生产属性中选择合适的生产属性子集表征实际生产环境的问题。
发明内容
本发明提出的一种参数自适应的半导体工件生产调度方法、设备及存储介质,可至少解决背景技术中的技术问题之一。
为实现上述目的,本发明采用了以下技术方案:
一种参数自适应的半导体工件生产调度方法,包括以下步骤,通过在调度规则中综合考虑时间管控区间重叠问题和下游机台在制品堆积水平,即先进行工件调度优先级计算,然后通过基于决策树和聚类的权重参数搜索算法,直接搜索较优的权重参数设置并建立生产属性子集到权重参数的回归模型,最后根据生产环境自适应调整权重参数以实现半导体工件的生产调度。
进一步地,进行工件调度优先级计算包括,
综合考虑时间管控区间、工件交付时间、下游机台在制品堆积水平和工件的等待时间,具体描述如下:
Step101: 当设备在/>时刻空闲时,通过实时派工系统请求下一个处理工件;实时派工系统经过一系列检查为设备/>生成候选工件集合;
Step102:为候选工件集合中的所有工件计算时间约束变量:
其中变量表示工件时间约束相关信息,/>表示工件/>的下一步要处理操作所在时间管控区间的个数,/>表示求集合中的最大值,/>表示时间管控区间对应的超时概率的集合;/>中元素/>计算方式为:
其中表示下一步要处理操作是第/>个时间管控区间内的第/>个操作,/>表示第个时间管控区间内操作的个数,/>表示工件/>的操作/>的处理时间,/>表示工件/>第/>个时间管控区间的长度,/>表示工件/>的操作/>的周期时间,/>表示当前时间到工件/>第/>个时间管控区间开始时间的间隔;
Step103:计算所有候选工件的紧急程度:
其中表示工件/>的剩余操作所需时间,/>表示工件/>距离交付时间所剩的时间,/>表示对可能延时交付工件的交付时间进行扩展的次数;
和/>通过如下方式获得:
表示下一步要进行处理的操作,/>表示操作/>的周期时间,/>表示工件/>总共需要完成的操作步数,/>表示工件/>经过第/>次扩展后其交付时间;
Step104:为候选工件集合中的所有工件计算下游操作设备的在制品堆积变量
其中表示处于/>操作的工件个数,/>表示能够处理/>操作的机器个数,得到/>之后对该值进行归一化得到/>;
Step105:为候选工件集合中的所有工件计算等待时间变量
其中表示工件l的操作/>的等待时间,对该值进行归一化;
Step106:计算所有候选工件的优先级
其中分别表示时间约束变量/>,紧急程度/>,下游设备在制品堆积变量和等待时间变量/>的权重;
Step7:实时派工系统为设备从候选集合中选择优先级最高的工件进行加工。
进一步地,通过基于决策树和聚类的权重参数搜索算法,直接搜索较优的权重参数设置,包括,
Step201: 利用随机采样,采集个初始权重参数样本集合,记为/>,其中,/>表示第/>次采样时权重参数/>对应值;
Step202: 通过模拟软件模拟工厂运行,获得在权重参数设置为时,工厂在给定时间内的性能指标/>;
Step203: 如果,继续执行Step204;否则跳转到Step210;其中/>表示当前迭代次数,初始值为0,/>表示总迭代次数,通过计算机能够在指定时间/>内完成仿真的次数设置;
Step204: 对权重参数样本集合使用分类回归决策树,将权重参数搜索空间划分为若干个子空间/>;
Step205:为每一个子空间,计算性能指标/>,计算方式为:对子空间/>内的所有权重参数样本对应的性能指标求均值;
Step206: 对子空间进行聚类,将具有相似的子空间聚集以减少子空间的个数;
Step207: 从聚类结果中选择具有最好性能指标的簇,记为;
Step208: 在中采样/>个新的权重参数样本,形成新权重样本集合/>,获得其对应的性能指标;
Step209: 扩展权重参数样本集合,并回到Step203;
Step210: 从样本集合X中选择具有最好性能指标的权重参数。
进一步地,建立生产属性子集到权重参数的回归模型,根据生产环境自适应调整权重参数,具体包括,
Stpe301: 当权重参数样本集合大小大于阈值时,利用神经网络拟合生产属性完备集合/>到关键性能指标的映射,记此时准确率为/>;
Step302: 利用遗传算法生成初始种群,种群中的个体为生产属性完备集合的子集,并重新训练神经网络拟合生产属性子集到关键性能指标的映射,记准确率为,选择适应度较高的个体即具有最小/>的个体,并进行变异操作;
Step303: 当种群进化次数大于阈值或/>小于阈值/>时,记此时最优的生产属性子集为/>,跳转到Step304;否则继续回到Step302;
Step304: 利用相似性分析,进一步减少中状态的个数,记此时生产属性子集为/>;
Step305: 建立生产属性子集到权重参数的回归模型,利用该模型即可在生产环境发生变化时,自适应调整权重参数。
又一方面,本发明还公开一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如上述方法的步骤。
再一方面,本发明还公开一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如上方法的步骤。
由上述技术方案可知,本发明提出了一种参数自适应的半导体工件生产调度方法。在调度规则中考虑了工件操作步骤之间存在的时间约束及时间管控区间重叠问题,采用基于决策树和聚类的权重参数搜索算法为调度规则确定合适的权重参数。为减少权重参数搜索带来的计算开销,当样本集合数量大于阈值时,利用神经网络拟合生产属性和关键性能指标,并通过遗传算法选择合适的生产属性子集作为当前生产环境的表征,然后建立生产属性子集到权重参数的回归模型,根据生产环境变化自适应调整权重参数。
本发明的参数自适应的半导体工件生产调度方法及系统,用于在设备空闲时,基于多属性加权优先级实时决策下一步处理工件。同时,根据半导体工厂生产环境变化,自适应调整权重参数,对于提高半导体工厂的生产性能具有重要意义。
具体的说,晶圆制造设备的高成本迫使晶圆厂更为高效充分地利用设备,先进的调度规则对提高关键性能指标至关重要。现有的静态调度规则没有综合考虑时间约束和时间管控区间重叠问题;动态调度规则存在随机样本性能无法保证,权重参数搜索空间过大,生产属性过多难以选择的问题。基于以上问题,本发明提出了一种参数自适应的半导体工件生产调度方法,在调度规则中综合考虑时间管控区间重叠问题和下游机台在制品堆积水平,通过基于决策树和聚类的权重参数搜索算法,直接搜索较优的权重参数设置并建立生产属性子集到权重参数的回归模型,根据生产环境自适应调整权重参数。本方法充分考虑了工件的时间约束对调度优先级计算的影响,降低了由于违反时间约束导致的返工和报废;同时减少了权重参数的搜索空间,提高了在特定生产环境下的关键性能指标;选择合适的生产属性子集建立到权重参数的回归模型,提升了调度规则在各种生产环境下的适用性。
附图说明
图1为本发明实施例的调度规则优先级计算逻辑框图;
图2为本发明实施例的基于决策树和聚类的权重参数搜索逻辑原理图;
图3为本发明实施例的基于回归模型的自适应参数调整流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。
本发明实施例提出了一种参数自适应的半导体工件生产调度方法。在调度规则中考虑了工件操作步骤之间存在的时间约束及时间管控区间重叠问题,采用基于决策树和聚类的权重参数搜索算法为调度规则确定合适的权重参数。为减少权重参数搜索带来的计算开销,当样本集合数量大于阈值时,利用神经网络拟合生产属性和关键性能指标,并通过遗传算法选择合适的生产属性子集作为当前生产环境的表征,然后建立生产属性子集到权重参数的回归模型,根据生产环境变化自适应调整权重参数。
以下具体说明:
首先进行工件调度优先级计算
如图1所示,本发明提出的自适应调度方法综合考虑时间管控区间、工件交付时间、下游机台在制品堆积水平和工件的等待时间。具体描述如下:
Step101: 当设备在/>时刻空闲时,通过实时派工系统请求下一个处理工件。实时派工系统经过一系列检查为设备/>生成候选工件集合。
Step102:为候选工件集合中的所有工件计算时间约束变量:
其中变量表示工件时间约束相关信息,/>表示工件/>的下一步要处理操作所在时间管控区间的个数,/>表示求集合中的最大值,/>表示时间管控区间对应的超时概率的集合。/>中元素/>计算方式为:
其中表示下一步要处理操作是第/>个时间管控区间内的第/>个操作,/>表示第个时间管控区间内操作的个数,/>表示工件/>的操作/>的处理时间,/>表示工件/>第/>个时间管控区间的长度,/>表示工件/>的操作/>的周期时间,/>表示当前时间到工件/>第/>个时间管控区间开始时间的间隔。
Step103:计算所有候选工件的紧急程度:
其中表示工件/>的剩余操作所需时间,/>表示工件/>距离交付时间所剩的时间,/>表示对可能延时交付工件的交付时间进行扩展的次数。
和/>通过如下方式获得:
表示下一步要进行处理的操作,/>表示操作/>的周期时间,/>表示工件/>总共需要完成的操作步数,/>表示工件/>经过第/>次扩展后其交付时间。
Step104:为候选工件集合中的所有工件计算下游操作设备的在制品堆积变量
其中表示处于/>操作的工件个数,/>表示能够处理/>操作的机器个数,得到/>之后对该值进行归一化得到/>。
Step105:为候选工件集合中的所有工件计算等待时间变量
其中表示工件l的操作/>的等待时间,对该值进行归一化。
Step106:计算所有候选工件的优先级
其中分别表示时间约束变量/>,紧急程度/>,下游设备在制品堆积变量和等待时间变量/>的权重。
Step107:实时派工系统为设备从候选集合中选择优先级最高的工件进行加工。
其次,基于决策树和聚类的权重参数搜索
上述的调度优先级计算方法中,存在权重参数待确认,权重参数的设置对关键性能指标有重要影响。如图2所示,提出基于决策树和聚类的权重参数搜索算法,缩小参数搜索空间。具体步骤为:
Step201: 利用随机采样,采集个初始权重参数样本集合,记为/>。其中,/>表示第/>次采样时权重参数/>对应值
Step202: 通过模拟软件模拟工厂运行,获得在权重参数设置为时,工厂在给定时间内的性能指标/>
Step203: 如果,继续执行Step204;否则跳转到Step210。其中/>表示当前迭代次数,初始值为0,/>表示总迭代次数,通过计算机能够在指定时间/>内完成仿真的次数设置
Step204: 对权重参数样本集合使用分类回归决策树,将权重参数搜索空间划分为若干个子空间/>
Step205: 为每一个子空间,计算性能指标/>,计算方式为:对子空间/>内的所有权重参数样本对应的性能指标求均值
Step206: 对子空间进行聚类,将具有相似的子空间聚集以减少子空间的个数
Step207: 从聚类结果中选择具有最好性能指标的簇,记为
Step208: 在中采样/>个新的权重参数样本,形成新权重样本集合/>,获得其对应的性能指标
Step209: 扩展权重参数样本集合,并回到Step203
Step210: 从样本集合X中选择具有最好性能指标的权重参数。
最后,基于回归模型的自适应权重调整
上述权重参数搜索算法基于模拟环境运行,因此可以在指定时间内给定具有较好性能指标的权重参数。为减少求解时间和根据生产环境变化自适应调整权重参数,如图3所示,本发明提出基于回归模型的自适应权重调整。具体步骤如下:
Stpe301: 当权重参数样本集合大小大于阈值时,利用神经网络拟合生产属性完备集合/>到关键性能指标的映射,记此时准确率为/>
Step302: 利用遗传算法生成初始种群,种群中的个体为生产属性完备集合的子集,并重新训练神经网络拟合生产属性子集到关键性能指标的映射,记准确率为,选择适应度较高的个体(即具有最小/>的个体),并进行变异操作
Step303: 当种群进化次数大于阈值或/>小于阈值/>时,记此时最优的生产属性子集为/>,跳转到Step304;否则继续回到Step302
Step304: 利用相似性分析,进一步减少中状态的个数,记此时生产属性子集为/>
Step305: 建立生产属性子集到权重参数的回归模型,利用该模型即可在生产环境发生变化时,自适应调整权重参数。
以下举例说明:
由于生产环境在短时间内不会发生较大的变化,因此所提出的自适应调度方法,每时间根据生产环境动态调整权重参数,具体实施过程如下:
在开始时间内,通过提出的基于决策树和聚类的权重参数搜索算法,直接搜索较优的权重参数。例如在0-/>时刻,由于此时还没有足够的样本来建立回归模型,因此直接利用搜索算法来设置较优的权重参数。搜索算法需要在/>时间获得结果,因此在0到/>内采用之前设置的权重参数(在0时刻还没有设置过权重参数,直接随机设置)。之后将0时刻的生产属性完备集合、/>时刻搜索得到的权重参数和/>时刻的关键性能指标加入到样本集合中。在/>刻,已经有足够的样本建立回归模型,通过所提出的神经网络和遗传算法结合的方法,找到能够表示工厂生产环境的状态集合,利用回归模型建立从生产状态到权重参数的映射,根据回归模型自适应调整权重参数。
当机器空闲时,实时派工系统通过系列检查,为当前机器生成备选工件集合,并为每一批次备选工件计算优先级指标,从中选取优先级最高的工件进行下一步处理。
综上所述,本发明实施例提出了一种参数自适应的半导体工件生产调度方法。相较于其他调度方法,本发明在调度优先级的计算中考虑了工件操作步骤之间存在的时间约束及时间管控区间重叠的问题,减少了由于违反时间约束导致的工件返工和报废。使用基于决策树和聚类的权重参数搜索算法,减少参数搜索空间,确保在给定生产环境下为调度规则设置的权重参数有较优的关键性能指标。通过基于回归模型的自适应权重调整,提升调度规则在各种生产环境下的适应性。
又一方面,本发明还公开一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如上述方法的步骤。
再一方面,本发明还公开一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如上方法的步骤。
在本申请提供的又一实施例中,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述实施例中任一参数自适应的半导体工件生产调度方法。
可理解的是,本发明实施例提供的系统与本发明实施例提供的方法相对应,相关内容的解释、举例和有益效果可以参考上述方法中的相应部分。
本申请实施例还提供了一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信,
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现上述参数自适应的半导体工件生产调度方法。
上述电子设备提到的通信总线可以是外设部件互连标准(英文:PeripheralComponent Interconnect,简称:PCI)总线或扩展工业标准结构(英文:Extended IndustryStandard Architecture,简称:EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(英文:Random Access Memory,简称:RAM),也可以包括非易失性存储器(英文:Non-Volatile Memory,简称:NVM),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(英文:Central ProcessingUnit,简称:CPU)、网络处理器(英文:Network Processor,简称:NP)等;还可以是数字信号处理器(英文:Digital Signal Processing,简称:DSP)、专用集成电路(英文:ApplicationSpecific Integrated Circuit,简称:ASIC)、现场可编程门阵列(英文:Field-Programmable Gate Array,简称:FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk (SSD))等。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (6)
1.一种参数自适应的半导体工件生产调度方法,其特征在于,通过在调度规则中综合考虑时间管控区间重叠问题和下游机台在制品堆积水平,即先进行工件调度优先级计算,然后通过基于决策树和聚类的权重参数搜索算法,直接搜索较优的权重参数设置并建立生产属性子集到权重参数的回归模型,最后根据生产环境自适应调整权重参数以实现半导体工件的生产调度。
2.根据权利要求1所述的参数自适应的半导体工件生产调度方法,其特征在于:进行工件调度优先级计算包括,
综合考虑时间管控区间、工件交付时间、下游机台在制品堆积水平和工件的等待时间,具体描述如下:
Step101: 当设备在/>时刻空闲时,通过实时派工系统请求下一个处理工件;实时派工系统经过一系列检查为设备/>生成候选工件集合;
Step102:为候选工件集合中的所有工件计算时间约束变量:
其中变量表示工件时间约束相关信息,/>表示工件/>的下一步要处理操作所在时间管控区间的个数,/>表示求集合中的最大值,/>表示时间管控区间对应的超时概率的集合;/>中元素/>计算方式为:
其中表示下一步要处理操作是第/>个时间管控区间内的第/>个操作,/>表示第/>个时间管控区间内操作的个数,/>表示工件/>的操作/>的处理时间,/>表示工件/>第/>个时间管控区间的长度,/>表示工件/>的操作/>的周期时间,/>表示当前时间到工件/>第/>个时间管控区间开始时间的间隔;
Step103:计算所有候选工件的紧急程度:
其中表示工件/>的剩余操作所需时间,/>表示工件/>距离交付时间所剩的时间,/>表示对可能延时交付工件的交付时间进行扩展的次数;
和/>通过如下方式获得:
表示下一步要进行处理的操作,/>表示操作/>的周期时间,/>表示工件/>总共需要完成的操作步数,/>表示工件/>经过第/>次扩展后其交付时间;
Step104:为候选工件集合中的所有工件计算下游操作设备的在制品堆积变量
其中表示处于/>操作的工件个数,/>表示能够处理/>操作的机器个数,得到/>之后对该值进行归一化得到/>;
Step105:为候选工件集合中的所有工件计算等待时间变量
其中表示工件l的操作/>的等待时间,对该值进行归一化;
Step106:计算所有候选工件的优先级
其中分别表示时间约束变量/>,紧急程度/>,下游设备在制品堆积变量/>和等待时间变量/>的权重;
Step7:实时派工系统为设备从候选集合中选择优先级最高的工件进行加工。
3.根据权利要求2所述的参数自适应的半导体工件生产调度方法,其特征在于:通过基于决策树和聚类的权重参数搜索算法,直接搜索较优的权重参数设置,包括,
Step201: 利用随机采样,采集个初始权重参数样本集合,记为/>,其中/>,表示第/>次采样时权重参数/>对应值;
Step202: 通过模拟软件模拟工厂运行,获得在权重参数设置为时,工厂在给定时间内的性能指标/>;
Step203: 如果,继续执行Step204;否则跳转到Step210;其中/>表示当前迭代次数,初始值为0,/>表示总迭代次数,通过计算机能够在指定时间/>内完成仿真的次数设置;
Step204: 对权重参数样本集合使用分类回归决策树,将权重参数搜索空间划分为若干个子空间/>;
Step205:为每一个子空间,计算性能指标/>,计算方式为:对子空间/>内的所有权重参数样本对应的性能指标求均值;
Step206: 对子空间进行聚类,将具有相似的子空间聚集以减少子空间的个数;
Step207: 从聚类结果中选择具有最好性能指标的簇,记为;
Step208: 在中采样/>个新的权重参数样本,形成新权重样本集合/>,获得其对应的性能指标;
Step209: 扩展权重参数样本集合,并回到Step203;
Step210: 从样本集合X中选择具有最好性能指标的权重参数。
4.根据权利要求3所述的参数自适应的半导体工件生产调度方法,其特征在于:建立生产属性子集到权重参数的回归模型,根据生产环境自适应调整权重参数,具体包括,
Stpe301: 当权重参数样本集合大小大于阈值时,利用神经网络拟合生产属性完备集合/>到关键性能指标的映射,记此时准确率为/>;
Step302: 利用遗传算法生成初始种群,种群中的个体为生产属性完备集合的子集,并重新训练神经网络拟合生产属性子集到关键性能指标的映射,记准确率为,选择适应度较高的个体即具有最小/>的个体,并进行变异操作;
Step303: 当种群进化次数大于阈值或/>小于阈值/>时,记此时最优的生产属性子集为/>,跳转到Step304;否则继续回到Step302;
Step304: 利用相似性分析,进一步减少中状态的个数,记此时生产属性子集为;
Step305: 建立生产属性子集到权重参数的回归模型,利用该模型即可在生产环境发生变化时,自适应调整权重参数。
5.一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如权利要求1至4中任一项所述方法的步骤。
6.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如权利要求1至4中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310831069.8A CN116542504B (zh) | 2023-07-07 | 2023-07-07 | 参数自适应的半导体工件生产调度方法、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310831069.8A CN116542504B (zh) | 2023-07-07 | 2023-07-07 | 参数自适应的半导体工件生产调度方法、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116542504A true CN116542504A (zh) | 2023-08-04 |
CN116542504B CN116542504B (zh) | 2023-09-22 |
Family
ID=87458262
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310831069.8A Active CN116542504B (zh) | 2023-07-07 | 2023-07-07 | 参数自适应的半导体工件生产调度方法、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116542504B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7218981B1 (en) * | 2005-12-02 | 2007-05-15 | Powerchip Semiconductor Corp. | Dispatch integration system and method based on semiconductor manufacturing |
CN106527381A (zh) * | 2016-12-14 | 2017-03-22 | 北京化工大学 | 一种面向并行批处理机动态调度的快速评估方法 |
US20200012948A1 (en) * | 2018-07-09 | 2020-01-09 | International Business Machines Corporation | Real time ensemble scoring optimization |
US20200090285A1 (en) * | 2018-03-16 | 2020-03-19 | Dalian University Of Technology | Method for short-term generation scheduling of cascade hydropower plants coupling cluster analysis and decision tree |
US10630804B1 (en) * | 2017-11-03 | 2020-04-21 | EMC IP Holding Company LLC | Priority-based artifact routing |
CN111582561A (zh) * | 2020-04-23 | 2020-08-25 | 华南理工大学 | 一种面向小批量多品种的可重构生产线调度优化方法 |
CN112200316A (zh) * | 2020-10-30 | 2021-01-08 | 福州大学 | 一种针对在线预测任务的gbdt学习方法 |
CN112598274A (zh) * | 2020-12-23 | 2021-04-02 | 同济大学 | 半导体制造系统的调度方法 |
US20210335639A1 (en) * | 2020-04-27 | 2021-10-28 | Shanghai Huali Integrated Circuit Corporation | Scheduling method and device for batch processing machine |
WO2022135066A1 (zh) * | 2020-12-25 | 2022-06-30 | 南京理工大学 | 一种基于时序差分的混合流水车间调度方法 |
CN115146884A (zh) * | 2021-03-29 | 2022-10-04 | 南京航空航天大学 | 基于优先级的多agv协同搬运系统任务调度方法 |
US20220404815A1 (en) * | 2021-05-21 | 2022-12-22 | Robert Bosch Gmbh | Scheduling jobs of a manufacturing or logistics process |
CN116167492A (zh) * | 2022-12-14 | 2023-05-26 | 同济大学 | 一种半导体生产线闭环优化自适应调度方法 |
-
2023
- 2023-07-07 CN CN202310831069.8A patent/CN116542504B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7218981B1 (en) * | 2005-12-02 | 2007-05-15 | Powerchip Semiconductor Corp. | Dispatch integration system and method based on semiconductor manufacturing |
CN106527381A (zh) * | 2016-12-14 | 2017-03-22 | 北京化工大学 | 一种面向并行批处理机动态调度的快速评估方法 |
US10630804B1 (en) * | 2017-11-03 | 2020-04-21 | EMC IP Holding Company LLC | Priority-based artifact routing |
US20200090285A1 (en) * | 2018-03-16 | 2020-03-19 | Dalian University Of Technology | Method for short-term generation scheduling of cascade hydropower plants coupling cluster analysis and decision tree |
US20200012948A1 (en) * | 2018-07-09 | 2020-01-09 | International Business Machines Corporation | Real time ensemble scoring optimization |
CN111582561A (zh) * | 2020-04-23 | 2020-08-25 | 华南理工大学 | 一种面向小批量多品种的可重构生产线调度优化方法 |
US20210335639A1 (en) * | 2020-04-27 | 2021-10-28 | Shanghai Huali Integrated Circuit Corporation | Scheduling method and device for batch processing machine |
CN112200316A (zh) * | 2020-10-30 | 2021-01-08 | 福州大学 | 一种针对在线预测任务的gbdt学习方法 |
CN112598274A (zh) * | 2020-12-23 | 2021-04-02 | 同济大学 | 半导体制造系统的调度方法 |
WO2022135066A1 (zh) * | 2020-12-25 | 2022-06-30 | 南京理工大学 | 一种基于时序差分的混合流水车间调度方法 |
CN115146884A (zh) * | 2021-03-29 | 2022-10-04 | 南京航空航天大学 | 基于优先级的多agv协同搬运系统任务调度方法 |
US20220404815A1 (en) * | 2021-05-21 | 2022-12-22 | Robert Bosch Gmbh | Scheduling jobs of a manufacturing or logistics process |
CN116167492A (zh) * | 2022-12-14 | 2023-05-26 | 同济大学 | 一种半导体生产线闭环优化自适应调度方法 |
Non-Patent Citations (1)
Title |
---|
李衍飞: "半导体晶圆厂时变多目标生产调度优化研究", 中国博士学位论文全文数据库, no. 09, pages 029 - 4 * |
Also Published As
Publication number | Publication date |
---|---|
CN116542504B (zh) | 2023-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112069310B (zh) | 基于主动学习策略的文本分类方法及系统 | |
CN111314353A (zh) | 一种基于混合采样的网络入侵检测方法及系统 | |
Sun et al. | A bayesian optimization-based evolutionary algorithm for flexible job shop scheduling | |
CN114757512B (zh) | 一种基于图神经网络的作业车间调度方法 | |
CN113158685A (zh) | 文本的语义预测方法、装置、计算机设备和存储介质 | |
CN114492279A (zh) | 一种模拟集成电路的参数优化方法及系统 | |
CN117236278B (zh) | 一种基于数字孪生技术的芯片生产仿真方法及系统 | |
CN116031888A (zh) | 基于动态负荷预测的潮流优化方法、系统及存储介质 | |
CN112418320A (zh) | 一种企业关联关系识别方法、装置及存储介质 | |
CN114662602A (zh) | 一种离群点检测方法、装置、电子设备及存储介质 | |
CN114139636B (zh) | 异常作业处理方法及装置 | |
CN113434034B (zh) | 利用深度学习调整计算任务cpu频率的大型集群节能方法 | |
CN114756680A (zh) | 一种文本分类方法、系统、电子设备及存储介质 | |
CN117725107A (zh) | 一种基于标准指标的设备精准检索方法及系统 | |
CN114399025A (zh) | 一种图神经网络解释方法、系统、终端以及存储介质 | |
CN116542504B (zh) | 参数自适应的半导体工件生产调度方法、设备及存储介质 | |
CN113642727A (zh) | 神经网络模型的训练方法和多媒体信息的处理方法、装置 | |
CN113469237B (zh) | 用户意图识别方法、装置、电子设备及存储介质 | |
CN116432507A (zh) | 一种锅炉烟气含氧量预测方法、装置和计算设备 | |
Hung | Fuzzy support vector regression model for forecasting stock market volatility | |
Babu et al. | Three-stage multi-objective feature selection with distributed ensemble machine and deep learning for processing of complex and large datasets | |
CN115099875A (zh) | 基于决策树模型的数据分类方法及相关设备 | |
CN114418207A (zh) | 一种时间序列趋势预测方法和装置 | |
CN109905340B (zh) | 一种特征优化函数选取方法、装置及电子设备 | |
CN117556264B (zh) | 一种评估模型的训练方法、装置及电子设备 |
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 |