CN116703046A - 实时派工顺序的控制方法及系统、电子设备和存储介质 - Google Patents
实时派工顺序的控制方法及系统、电子设备和存储介质 Download PDFInfo
- Publication number
- CN116703046A CN116703046A CN202210173425.7A CN202210173425A CN116703046A CN 116703046 A CN116703046 A CN 116703046A CN 202210173425 A CN202210173425 A CN 202210173425A CN 116703046 A CN116703046 A CN 116703046A
- Authority
- CN
- China
- Prior art keywords
- data
- time
- factor
- training
- historical
- 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
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000003860 storage Methods 0.000 title claims abstract description 22
- 238000004519 manufacturing process Methods 0.000 claims abstract description 178
- 238000012549 training Methods 0.000 claims description 204
- 238000012545 processing Methods 0.000 claims description 55
- 238000010606 normalization Methods 0.000 claims description 34
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 2
- 238000004088 simulation Methods 0.000 abstract description 41
- 239000004065 semiconductor Substances 0.000 abstract description 12
- 238000005094 computer simulation Methods 0.000 abstract description 5
- 239000000047 product Substances 0.000 description 114
- 230000008569 process Effects 0.000 description 18
- 101150071716 PCSK1 gene Proteins 0.000 description 7
- 230000003068 static effect Effects 0.000 description 7
- 230000036962 time dependent Effects 0.000 description 7
- 230000008859 change Effects 0.000 description 4
- 230000001186 cumulative effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000010923 batch production Methods 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000010076 replication Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000002759 z-score normalization Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开是关于一种实时派工顺序的控制方法及装置、电子设备以及计算机可读存储介质,涉及半导体制造技术领域,可以应用于半导体的动态仿真模拟场景。该方法包括:获取影响因素数据和历史生产周期数据;影响因素数据包括多个时间影响因素分别对应的历史数据值;根据历史数据值与历史生产周期数据,确定各时间影响因素针对生产周期的影响权重;确定各时间影响因素对应的当前数据值,根据多个当前数据值与各自对应的影响权重确定多个待加工产品的实时控制数值;根据实时控制数值确定多个待加工产品的实时派工顺序。本公开可以自主学习实时生产派工顺序规则,并将其运用于生产仿真中,进而提高仿真准确度。
Description
技术领域
本公开涉及半导体制造技术领域,具体而言,涉及一种实时派工顺序的控制方法、实时派工顺序的控制系统、电子设备以及计算机可读存储介质。
背景技术
导体器件的设计极大地受益于器件仿真的使用,器件仿真通过仿真模型虚拟器件生产并指导器件的实际生产。半导体生产仿真可以包括静态预估方式与动态预估方式。具体的,静态预估方式可以是指在做产品生产模拟的时候,按照一个固定的生产流程和给定的每个步骤的标准生产周期(Circle Time,CT),按照时间经行预测的方式。动态预测方式可以是在做产品生产模拟的时候,在系统中建立生产资源,比如设备名单,产品加工流程顺序和标准的加工时间(Process Time),使得材料在虚拟的生产环境中发生类似现实世界的加工方式,进出设备,而较多的材料将自动发生在设备前面排队待加工的方式。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的目的在于提供一种实时派工顺序的控制方法、实时派工顺序的控制系统、电子设备以及计算机可读存储介质,进而至少在一定程度上克服半导体生产仿真过程中,当生产顺序规则与实际不同时,仿真的准确度将大幅下降的问题。
本公开的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本发明的实践而习得。
根据本公开的第一方面,提供一种实时派工顺序的控制方法,包括:获取影响因素数据和历史生产周期数据;所述影响因素数据包括多个时间影响因素分别对应的历史数据值;根据所述历史数据值与所述历史生产周期数据,确定各所述时间影响因素针对生产周期的影响权重;确定各所述时间影响因素对应的当前数据值,根据多个所述当前数据值与各自对应的影响权重确定多个待加工产品的实时控制数值;根据所述实时控制数值确定多个所述待加工产品的实时派工顺序。
在本公开的一种示例性实施方案中,在获取影响因素数据和历史生产周期数据之前,上述方法还包括:获取初始影响因素数据;对所述初始影响因素数据进行数据归一化处理,以得到所述影响因素数据。
在本公开的一种示例性实施方案中,对所述初始影响因素数据进行数据归一化处理,以得到所述影响因素数据,包括:基于所述初始影响因素数据确定数值型因素数据与非数值型因素数据;对所述数值型因素数据进行归一化处理,以得到对应的数值型因素变量值;对所述非数值型因素数据进行归一化处理,以得到对应的非数值型因素变量值;基于所述数值型因素变量值与所述非数值型因素变量值确定所述影响因素数据。
在本公开的一种示例性实施方案中,所述数值型因素数据包括多个数值型影响因素,对所述数值型因素数据进行归一化处理,以得到对应的数值型因素变量值,包括:基于所述数值型因素数据确定多个数值型影响因素分别对应的数值型初始变量值;从多个所述数值型初始变量值中确定最大因素变量值;根据所述最大因素变量值对各所述数值型初始变量值进行数据归一化处理,得到多个对应的数值型因素变量值。
在本公开的一种示例性实施方案中,所述非数值型因素数据包括多个非数值型影响因素,对所述非数值型因素数据进行归一化处理,以得到对应的非数值型因素变量值,包括:基于所述非数值型因素数据确定各所述非数值型影响因素分别对应的非数值型初始变量值;将多个所述非数值型初始变量值进行格式归一化处理,以生成所述非数值型因素变量值。
在本公开的一种示例性实施方案中,根据所述历史数据值与所述历史生产周期数据确定各所述时间影响因素针对生产周期的影响权重,包括:获取预先构建的权重确定模型;所述权重确定模型通过对初始模型进行模型训练得到;对所述历史数据值进行分组处理,以得到模型输入数据;将所述模型输入数据与所述历史生产周期数据输入至所述权重确定模型,以由所述权重确定模型确定各所述影响权重。
在本公开的一种示例性实施方案中,对所述历史数据值进行分组处理,以得到模型输入数据,包括:获取产品批次标识;根据所述产品批次标识将所述历史数据值进行分组处理,以得到多个因素变量值分组;基于所述因素变量值分组生成所述模型输入数据。
在本公开的一种示例性实施方案中,所述权重确定模型通过下述步骤训练得到:获取预先构建的初始模型;获取模型训练数据;所述模型训练数据包括影响因素训练数据与历史时间训练数据;基于所述影响因素训练数据与所述历史时间训练数据对所述初始模型进行模型训练,以得到所述权重确定模型。
在本公开的一种示例性实施方案中,基于所述影响因素训练数据与所述历史时间训练数据对所述初始模型进行模型训练,以得到所述权重确定模型,包括:获取训练日期集合;所述训练日期集合包括多个训练日期;基于所述多个训练日期的先后顺序,并根据所述影响因素训练数据与所述历史时间训练数据进行模型训练,直至满足训练结束条件,以得到所述权重确定模型;所述训练结束条件为生产周期值与所述历史时间训练数据中的历史时间值相同;所述生产周期值基于所述权重确定模型输出的模型权重与所述训练数据值进行加权计算后得到。
在本公开的一种示例性实施方案中,基于所述多个训练日期的先后顺序,并根据所述影响因素训练数据与所述历史时间训练数据进行模型训练,以得到所述权重确定模型,包括:确定当前训练日期,从所述历史时间训练数据中确定与所述当前训练日期对应的特定历史时间段的生产周期数据;获取生产设备对应的设备标识,根据所述设备标识对所述特定历史时间段的生产周期数据与所述影响因素训练数据进行分组处理,得到训练分组数据;根据所述训练分组数据对所述初始模型进行模型训练,以得到所述权重确定模型。
在本公开的一种示例性实施方案中,根据多个所述当前数据值与各自对应的影响权重确定多个待加工产品的实时控制数值,包括:获取预先配置的各所述时间影响因素对应的调整系数;根据多个所述时间影响因素的调整系数、所述当前数据值与所述影响权重确定所述实时控制数值。
在本公开的一种示例性实施方案中,根据所述实时控制数值确定多个所述待加工产品的生产顺序,包括:对多个所述待加工产品的实时控制数值按照数值大小进行排序,得到分数排序结果;根据所述分数排序结果确定各所述待加工产品的生产顺序。
根据本公开的第二方面,提供一种实时派工顺序的控制系统,包括:数据获取模块,用于获取影响因素数据和历史生产周期数据;所述影响因素数据包括多个时间影响因素分别对应的历史数据值;权重确定模块,用于根据所述历史数据值与所述历史生产周期数据确定各所述时间影响因素针对生产周期的影响权重;分数确定模块,用于确定各所述时间影响因素对应的当前数据值,根据多个所述当前数据值与各自对应的影响权重确定多个待加工产品的实时控制数值;生产顺序确定模块,用于根据所述实时控制数值确定多个所述待加工产品的实时派工顺序。
在本公开的一种示例性实施方案中,实时派工顺序的控制系统还包括数据归一化模块,用于获取初始影响因素数据;对所述初始影响因素数据进行数据归一化处理,以得到所述影响因素数据。
根据本公开的第三方面,提供一种电子设备,包括:处理器;以及存储器,所述存储器上存储有计算机可读指令,所述计算机可读指令被所述处理器执行时实现根据上述任意一项所述的实时派工顺序的控制方法。
根据本公开的第四方面,提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现根据上述任意一项所述的实时派工顺序的控制方法。
本公开的示例性实施例中的实时派工顺序的控制方法,一方面,通过多个历史数据值与历史生产周期数据进行分析,可以确定出不同时间影响因素对生产周期的影响权重,并将其运用在仿真过程中,提高仿真结果的准确度。另一方面,根据实时控制数值确定待加工产品的实时派工顺序,可以将仿真结果复现在实际生产过程中。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
图1示意性示出了根据本公开的示例性实施方式的实时派工顺序的控制方法的流程图;
图2示意性示出了根据本公开的示例性实施方式的训练权重确定模型的流程图;
图3示意性示出了根据本公开的示例性实施方式的确定待加工产品的实时派工顺序的流程图;
图4示意性示出了根据本公开的示例性实施方式的实时派工顺序的控制系统的方框图;
图5示意性示出了根据本公开一示例性实施例的电子设备的框图;
图6示意性示出了根据本公开一示例性实施例的计算机可读存储介质的示意图。
具体实施方式
现在将参考附图更全面地描述示例实施例。然而,示例实施例能够以多种形式实施,且不应被理解为限于在此阐述的实施例;相反,提供这些实施例使得本公开将全面和完整,并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。
半导体生产仿真可以是对半导体生产资源的完整模拟,即建立设备名单、生产能力、生产流程、在制品、实时派工顺序等等,用计算机复制以上全部的生产资源和管理逻辑。半导体生产仿真可以包括静态预估方式与动态预估方式;其中,静态仿真的参数是时间,而在动态仿真中时间是一个结果。因此在资源冲突模式下,需要动态仿真才能做出预测。
在半导体领域的动态仿真模拟中,主要利用排队理论,对设备的生产能力进行仿真,目的在于产生瓶颈效应,把静态仿真中的时间参数变成动态仿真的时间结果。因为相同的设备同时可以进行多个生产步骤,一个生产步骤中可以包含多个产品批次,而不同产品批次的未来流程未必是一样的,也就是说,仿真中生产顺序规则如果与实际不同,那么仿真的准确度将大幅下降。
基于此,在本示例实施例中,首先提供了一种实时派工顺序的控制方法,可以利用服务器来实现本公开的实时派工顺序的控制方法,也可以利用终端设备来实现本公开所述的方法,其中,本公开中描述的终端可以包括诸如手机、平板电脑、笔记本电脑、掌上电脑、个人数字助理(Personal Digital Assistant,PDA)等移动终端,以及诸如台式计算机等固定终端。图1示意性示出了根据本公开的一些实施例的实时派工顺序的控制方法流程的示意图。参考图1,该实时派工顺序的控制方法可以包括以下步骤:
步骤S110,获取影响因素数据和历史生产周期数据;影响因素数据包括多个时间影响因素分别对应的历史数据值;
步骤S120,根据历史数据值与历史生产周期数据,确定各时间影响因素针对生产周期的影响权重;
步骤S130,确定各时间影响因素对应的当前数据值,根据多个当前数据值与各自对应的影响权重确定多个待加工产品的实时控制数值;
步骤S140,根据实时控制数值确定多个待加工产品的实时派工顺序。
根据本示例实施例中的实时派工顺序的控制方法,一方面,通过多个历史数据值与历史生产周期数据进行分析,可以确定出不同时间影响因素对生产周期的影响权重,并将其运用在仿真过程中,提高仿真结果的准确度。另一方面,根据实时控制数值确定待加工产品的实时派工顺序,可以将仿真结果复现在实际生产过程中。
下面,将对本示例实施例中的实时派工顺序的控制方法进行进一步的说明。
在步骤S110中,获取影响因素数据和历史生产周期数据;影响因素数据包括多个时间影响因素分别对应的历史数据值。
在本公开的一些示例性实施方式中,影响因素数据可以是能够对产品的生产周期产生影响的所有时间影响因素的相关数据。历史生产周期数据可以是过去进行产品加工时多个产品分别对应的生产周期(Circle Time,CT),一个生产周期通常可以根据产品加工过程中的生产时间与等待时间确定。时间影响因素可以是能够对产品的生产周期产生影响的所有因素。历史数据值可以是每个时间影响因素对应的具体值。
例如,待加工产品的生产周期可以是生产时间与等待时间之和;其中,生产时间是产品材料在设备中进行加工处理的时间,等待时间可以是将待加工产品的材料送入至设备中以待加工时所产生的等待时间。在确定待加工产品的生产周期之前,可以先获取影响因素数据与历史生产周期数据。影响因素数据中可以包括对生产周期产生影响的时间影响因素与每个时间影响因素对应的具体因素值。举例而言,时间影响因素可以包括产品属性、设备属性、决策输入以及设备流水等多种不同类型的影响因素。
具体的,产品属性类型的时间影响因素可以包括产品等级、产品片数、产品名称以及其他产品属性;设备属性类型的时间影响因素可以包括设备种类、设备配置、设备位置以及其他设备属性;决策输入类型的时间影响因素可以包括生产步骤的权重、出货目标日期、静态预估日期以及其他决策输入因素;设备流水类型的时间影响因素可以包括前面一批程序、今日累计产量、上一次产品制造(Product Manufacture,PM)到目前累计产量以及其他的设备参数等。
每一种时间影响因素均具有对应的历史数据值,例如,产品等级对应的历史数据值可以是第一等级,产品片数对应的历史数据值可以是具体的产品片数,例如可以是25片、50片等,产品名称对应的历史数据值可以是第一芯片等等。
在获取影响因素数据的同时,可以获取历史生产周期数据,即获取历史数据中不同的产品批次在相应生产标识下对应的CT历史值,以确定出影响因素数据中各个影响因素数据在对CT历史值所产生的重要程度。
在本公开的一种示例性实施方案中,获取初始影响因素数据;对初始影响因素数据进行数据归一化处理,以得到影响因素数据。
其中,初始影响因素数据可以是直接从数据记录中获取到的影响因素的原始数据。数据归一化处理可以是对初始影响因素数据进行简化计算的方式,即将有量纲的表达式,经过变换,化为无量纲的表达式,成为标量的处理过程。
从数据库中获取初始影响因素数据,例如,初始影响因素数据中可以包括多个时间影响因素,如产品等级(Prod Grade)、产品片数(Prod Amount)、产品名称(Prod Name)、产品批次标识(Lot ID);设备种类(EqpType)、设备配置(Eqp Conf)、设备位置(Eqp Pos)和设备标识(Eqp-ID);生产步骤的权重(Layer Weight)、出货目标日期(OutProd Date)、静态预估日期(Pred Date);前面一批程序(Prior Program)、今日累计产量(Cumul OutputToday)、上一次产品制造到目前累计产量(Sum Cumul Output)、生产制造日期(MFGDate)、操作步骤码(Ope-No)等;以及各个时间影响因素对应的数据值。由于初始影响因素数据中不同的时间影响因素(即评价指标)具有不同的量纲与量纲单位,为了消除指标之间量纲的影响,需要进行数据标准化处理,以解决数据指标之间的可比性。初始影响因素数据经过数据标准化处理后,得到的影响因素数据中的历史数据值将处于同一数量级,适合进行综合对比评价。
在本公开的一种示例性实施方案中,基于初始影响因素数据确定数值型因素数据与非数值型因素数据;对数值型因素数据进行归一化处理,以得到对应的数值型因素变量值;对非数值型因素数据进行归一化处理,以得到对应的非数值型因素变量值;基于数值型因素变量值与非数值型因素变量值确定影响因素数据。
其中,数值型因素数据可以是能够采用数值类型表示的时间影响因素的相关数据。非数值型因素数据可以是无法采用数值类型表示的时间影响因素所组成的相关数据。数值型因素变量值可以是能够采用数值类型表达的时间影响因素对应的具体因素值。非数值型因素变量值可以是采用非数值类型表达的时间影响因素对应的具体因素值。
对于半导体制造的实时派工顺序(real time dispatch,RTD),由于包含的时间影响因素数量和类型较多,在确定每个时间影响因素对生产周期的影响程度时,为了消除不同影响因素之间的量纲差异,可以对初始影响因素数据进行数据归一化处理。
对于数值型因素数据与非数值型因素数据,可以分别采用不同的数据归一化处理方式进行,已分别得到数值型因素变量值与非数值型因素变量值,并根据数值型因素变量值与非数值型因素变量值生成影响因素数据。
在本公开的一种示例性实施方案中,基于数值型因素数据确定多个数值型影响因素分别对应的数值型初始变量值;从多个数值型初始变量值中确定最大因素变量值;根据最大因素变量值对各数值型初始变量值进行数据归一化处理,得到多个对应的数值型因素变量值。
其中,数值型影响因素可以是能够采用数值类型(如整型、浮点型等)表示的时间影响因素。数值型初始变量值可以是各个数值型影响因素的原始数据值。最大因素变量值可以是所有数值型影响因素对应的因素数据值的最大值。
从初始影响因素数据中确定出数值型因素数据后,可以进一步获取到所有数值型影响因素分别对应的数值型初始变量值,记为Num。在对数值型因素数据进行数据归一化处理时,可以采用多种数据归一化处理方式,包括min-max标准化方式、Z-score标准化方法等。以min-max标准化方式为例,可以先从多个数值型初始变量值中确定出最大因素变量值,也就是所有数值型初始变量值中的最大值,即Max(Num)。接下来,根据最大因素变量值对各数值型初始变量值进行数据归一化处理,将Num/Max(Num)作为这些时间影响因素的新数值,将这些数值型初始变量值映射至数值区间[0,1]中,得到多个对应的数值型因素变量值。
在本公开的一种示例性实施方案中,基于非数值型因素数据确定各非数值型影响因素分别对应的非数值型初始变量值;将多个非数值型初始变量值进行格式归一化处理,以生成非数值型因素变量值。
其中,非数值型影响因素可以是无法采用数值类型表示的时间影响因素,例如,仅可以采用字符型表示的时间影响因素。非数值型初始变量值。
对于所有的非数值型影响因素,可以先获取各个非数值型影响因素对应的具体非数值型初始变量值。在对其进行归一化处理过程中,可以先确定各个数值型影响因素对应的参考取值,根据参考取值对多个非数值型初始变量值进行格式归一化处理,例如,如果非数值型初始变量值中出现参考取值,则非数值型因素变量值取1;如果非数值型初始变量值中未出现参考取值,则非数值型因素变量值取0,以得到非数值型因素变量值。
在步骤S120中,根据历史数据值与历史生产周期数据,确定各时间影响因素针对生产周期的影响权重。
对于多个时间影响因素,通过分析不同的历史数据值对产品生产过程中的生产周期所产生的影响程度,确定出每个时间影响因素对生产周期的影响权重。
在本公开的一种示例性实施方案中,获取预先构建的权重确定模型;权重确定模型通过对初始模型进行模型训练得到;对历史数据值进行分组处理,以得到模型输入数据;将模型输入数据与历史生产周期数据输入至权重确定模型,以由权重确定模型确定各影响权重。
其中,权重确定模型可以是用于确定各时间影响因素对生产周期的影响权重的计算模型。模型输入数据可以是用于输入至权重确定模型以确定影响权重所采用的输入数据。
在确定影响权重时,可以基于权重确定模型进行,因此,可以获取预先构建的权重确定模型。在采用权重确定模型确定影响权重之前,可以先对历史数据值进行格式处理,以得到与模型确定模型相匹配的模型输入数据,并将模型输入数据输入至权重确定模型中,由权重确定模型基于模型输入数据进行分析处理,获取相应的权重系数,以确定出每个时间影响因素对应的影响权重。
在本公开的一种示例性实施方案中,获取产品批次标识;根据产品批次标识将历史数据值进行分组处理,以得到多个因素变量值分组;基于因素变量值分组生成模型输入数据。
其中,产品批次标识可以是不同的待加工产品对应的产品批次的唯一标识。因素变量值分组可以是根据产品批次标识对多个历史数据值进行分组处理后得到的分组结果。
在获取到多个历史数据值之后,可以按照产品批次对历史数据值进行分组处理,例如,将属于同一产品批次标识的历史数据值划分为一个分组。举例而言,多个历史数据值分别对应三个产品批次标识(ID),如LotID1、LotID2与LotID3,且按照上次产品批次标识对历史数据值进行分组处理后,得到的因素变量值分组为:LotID1’s D={Att1,Att2,…,AttN},LotID2’s D={Att1,Att2,…,AttN},LotID3’s D={Att1,Att2,…,AttN};其中,LotID1’s D可以表示产品批次标识的ID为1时,该产品批次Lot所对应的影响因素构成的集合;同理,LotID2’s D与LotID3’s D分别表示产品批次标识为2以及产品批次标识为3的Lot所对应的影响因素构成的集合。在确定出因素变量值分组后,将得到的因素变量值分组作为模型输入数据。
在本公开的一种示例性实施方案中,权重确定模型通过下述步骤训练得到:获取预先构建的初始模型;获取模型训练数据;模型训练数据包括影响因素训练数据与历史时间训练数据;基于影响因素训练数据与历史时间训练数据对初始模型进行模型训练,以得到权重确定模型。
其中,初始模型可以是预先构建的用于进行模型训练的网络模型。模型训练数据可以是用于对初始模型进行模型训练,以自主学习模型训练数据中多种数据之间的关系的数据。影响因素训练数据可以是由时间影响因素对应的相关数据值所构成的训练数据。历史时间训练数据可以是过去在加工产品时对应的生产周期所构成的训练数据。
在进行模型训练之前,可以获取预先构建的初始模型。为了对初始模型进行训练,可以获取模型训练数据。参考图2,图2示意性示出了根据本公开的示例性实施方式的训练权重确定模型的流程图。模型训练数据可以是过去进行产品加工时所生成的历史数据的一部分,从历史数据中挑选一部分数据,并对挑选出的数据进行标记处理(如添加相应的数据标签)后,可以得到模型训练数据。模型训练数据可以包括影响因素训练数据210与历史时间训练数据220;其中,影响因素训练数据210可以是用于模型训练的时间影响因素的相关数据;历史时间训练数据220可以是过去进行产品加工时所生成的生产周期所组成的数据。将两种数据之间建立数据关联关系,以生成模型训练数据,将模型训练数据输入至初始模型中,通过对模型参数进行调整,以对模型进行训练,直至模型的损失函数收敛,得到权重确定模型230。
在本公开的一种示例性实施方案中,获取训练日期集合;训练日期集合包括多个训练日期;基于多个训练日期的先后顺序,并根据影响因素训练数据与历史时间训练数据进行模型训练,直至满足训练结束条件,以得到权重确定模型;训练结束条件为生产周期值与历史时间训练数据中的历史时间值相同;生产周期值基于权重确定模型输出的模型权重与训练数据值进行加权计算后得到。
其中,训练日期集合可以是由多个训练日期组成的集合。训练日期可以是训练数据对应的具体日期。训练数据值可以是影响因素训练数据中各时间影响因素对应的具体数据值。生产周期值可以是通过模型模拟仿真进行产品加工时所输出的生产周期对应的具体数值。历史时间值可以是过去进行产品加工时已经计算出的生产周期的具体数值。训练结束条件可以是确定模型训练是否结束的判断条件。
本实施例中的训练日期集合可以是从历史数据中选取的指定部分的时间段所构成的集合,基于训练日期集合中所有进行产品加工的相关数据可以生成对应的训练数据集。具体的,在进行模型训练之前,可以先确定多个训练日期,并组成训练日期集合。例如,将过去10天进行产品加工时的训练日期,共同作为训练日期集合。在确定出训练日期集合后,可以根据多个训练日期的先后顺序,将每个训练日期对应的数据逐一输入初始模型中进行训练。例如,按照训练日期的先后,将每个训练日期对应的影响因素训练数据与历史时间训练数据逐一输入模型中进行训练,以最终得到权重确定模型。
继续参考图2,权重确定模型最终输出的是影响权重240,可以通过下述方式判断训练得到的权重确定模型是否能够满足权重计算要求,具体为:对于不同时间影响因素Att对应的训练数据值,将权重确定模型输出的影响权重与对应的训练数据值进行加权计算,得到对应的生产周期值T;本实施例中将T的大小和多个Att的关系描述为:T=F1*Att1+F2*Att2+…+FN*AttN。其中,权重系数与生产周期的关系如下表1所示。
表1
其中,表1中示出了从Eqp-ID1到Eqp-IDN等N个设备标识下对应的生产周期的相关信息。具体的,“设备标识”数据列示出了不同生产设备对应的标识;“生产批次”数据列中示出了各个设备标识下所对应的具体产品批次;“影响因素”数据列示出了各个设备标识下包含的影响因素,其中,Att1、Att2、…、AttN可以是单个时间影响因素,也可以对应一个影响因素集合,其中包含了多个时间影响因素;“生产周期”数据列示出了各个设备标识下的CT值;“权重系数”数据列示出了每个影响因素分别对应的权重系数。
历史时间训练数据中包括各个训练日期在进行产品加工时所对应的历史时间值。如果模型输出的生产周期值与历史时间值相同,则将对应的权重确定模型作为最终训练得到的模型。具体的,本实施例中的模型是以过去10天的产品批次的时间影响因素和历史时间值为训练数据,通过调整不同时间影响因素对应的影响权重,进行以输出生产周期值T为学习目标的训练任务,模型训练过程中可以不断调整影响权重,以由训练得到的权重确定模型输出确定出的影响权重。具体的,通过历史生产过程中,不同Lot在设备标识Eqp-ID1、Eqp-ID2、……下相应的生产周期T1、T2……,也即生产周期T,以及时间影响因素Att1、Att2、…、AttN,可以确定出权重系数F1、F2、…、FN,以用于后续的RTD仿真模拟。
在本公开的一种示例性实施方案中,基于多个训练日期的先后顺序,并根据影响因素训练数据与历史时间训练数据进行模型训练,以得到权重确定模型,包括:确定当前训练日期,从历史时间训练数据中确定与当前训练日期对应的特定历史时间段的生产周期数据;获取生产设备对应的设备标识,根据设备标识对特定历史时间段的生产周期数据与影响因素训练数据进行分组处理,得到训练分组数据;根据训练分组数据对初始模型进行模型训练,以得到权重确定模型。
其中,当前训练日期可以是当前进行模型训练时所采用的训练数据所对应的日期。生产设备可以是进行产品加工时所使用的设备。设备标识可以是生产设备所对应的唯一标识。训练分组数据可以是进行模型训练时所采用的分组数据。
在确定出当前训练日期后,可以基于当前训练日期确定出与之对应的特定历史时间段,例如,以某一当前训练日期为例,其对应的特定历史时间段为紧邻着该当前训练日期之前的10天的时间段作为特定历史时间段,并获取此时间段内的生产周期数据。由于权重确定模型需要自主学习出各个时间影响因素与生产周期值的关联关系,因此,在获取到特定历史时间段的生产周期数据后,可以对这些生产周期数据进行分组处理;例如,可以根据设备标识对生产周期数据与对应的影响因素训练数据进行分组处理,以得到训练分组数据。
在模型的训练过程中,可以采用不同数据量的训练数据进行模型训练,以观察模型输出结果的准确度。通过采用不同数据量的训练数据进行模型训练后可以看出,随着训练数据的数据量的增加,模型不断自我学习之后的输出的累计准确度呈现明显上升趋势。
将得到的训练分组数据输入至初始模型中,进行模型训练,通过模型将采集到的时间影响因素全部与CT值进行相关性分析,不断调整模型参数,以确定出最终的权重确定模型。
在步骤S130中,确定各时间影响因素对应的当前数据值,根据多个当前数据值与各自对应的影响权重确定多个待加工产品的实时控制数值。
在本公开的一些示例性实施方式中,实时控制数值可以是实时控制待加工产品的加工顺序所采用的控制数据,例如,实时控制数值可以是RTD分数。实时控制数值可以基于待加工产品进行实时加工时所对应的生产周期等相关数值计算得到。
在确定出各个时间影响因素对应的影响权重后,可以根据每个时间影响因素对应的具体数值与影响权重进行加权计算,确定出所有待加工产品对应的实时控制数值,即待加工产品的加工时间(即生产周期)。
在获取到多个时间影响因素对应的历史数据值后,可以根据下述规则作为不同设备标识的模拟RTD规则,即不同产品批次对应的历史数据值,采用这些历史数据值去模拟复现多个产品批次Lot对应的生产周期T,根据确定出的不同设备标识下的生产周期T确定Lot在产品模拟的生产顺序。本实施例的生产周期的计算方式如公式1所示;其中,Att1、Att2、…、AttN可以表示各设备标识下对应的时间影响因素;F1、F2、…、FN可以表示不同的时间影响因素各自对应的权重系数,也即影响权重。
T=F1gAtt1+F2gAtt2+…+FNgAttN (公式1)
在一些实施例中,可以根据模型输出的不同时间影响因素以及与其对应的影响权重,通过加权计算得到生产周期值T,以复现仿真的处理过程,该方式是采用历史已经存在的派工规则用于当前的产品生产方式中,用于延续已经存在的派工顺序。
在本公开的一种示例性实施方案中,获取预先配置的各时间影响因素对应的调整系数;根据多个时间因素的调整系数、当前数据值与影响权重确定实时控制数值。
其中,调整系数可以是用于调整时间影响因素对应的影响权重所采用的系数。
在一些应用场景中,为了更灵活地适应实际生产环境,在确定待加工产品的生产周期时,可以通过调整系数对不同时间影响因素的影响权重进行调整,以确定出不同产品批次对应的生产周期值,此处可以采用RTD分数对生产周期进行量化。在此场景中,决策者可以预先配置调整系数。通过调整系数与不同的时间影响因素进行加权计算,以确定出不同产品批次Lot的RTD分数Y。具体的,采用调整系数确定RTD分数Y的方案如公式2所示。
Y=AgF1gS1+BgF2gS2+CgF3gS3+…+ZgFngSn (公式2)
其中,Y是不同Lot的RTD分数;A、B、C与Z可以是不同的时间影响因素的调整系数;F1、F2、F3与FN可以表示不同的时间影响因素各自对应的权重系数;S1、S2、S3与Sn可以是对各时间影响因素进行数据化处理后的最大数值的倒数,目的在于让FgS的最大等于1且最小等于0,即在初始阶段让所有时间影响因素的影响大小均被标准化为[0,1]。A、B、C、Z等调整系数可以通过预先设定,例如在一些实施例中,可以均设定为1,当然在另一些实施例中,为了得到不同的派工规则,还可以设定为其他数据值。采用此种计算方式,是为了生成一种历史生产过程中并不存在的派工规则,采用新生成的派工规则确定待加工产品的派工顺序,以对比不同仿真结果所产生的影响。
需要说明的是,针对公式1中的生产周期T的计算过程,由于公式1对应的是通过训练得到的模型输出的影响权重,与对应的时间影响因素进行计算,以复现历史生产过程中的生产周期T的情形;本实施例对应的是当生产决策者想要通过调整时间影响因素的影响权重,以确定RTD分数Y的情形。
通过对历史加工过程中生产顺序的还原,得到历史上最终的生产周期和每个时间影响因素Att的调整系数的关系强弱,该过程可以不断地采用权重确定模型从历史生产周期数据中分析得到。将调整系数A、B、C……Z带入仿真的RTD中,以实现当历史出现重复和趋近的时候,模拟的顺序和仿真一致。
由于在现实世界的生产管理中,需要做出一些决策,也就是改变生产资源和管理逻辑等等。然而在实际生产中,这种改变的结果,如果等到实践做出了再去分析,将产生较大的决策代价。因此,本公开的实施方式提出一种仿真方式,即在仿真中,先通过复现现实证明仿真准确,再将决策的变化由仿真系统模拟,将可以以极低的成本,评估决策的优劣。
本公开通过在虚拟世界中对生产过程中计算不同产品批次的RTD分数的过程进行仿真模拟,以确定生产资源中的实时派工顺序,得到仿真RTD,并复现仿真RTD或通过调整系数控制仿真RTD。本公开应用实时的各种信息,对待加工产品给出优先加工的顺序。由于产品加工过程中对应的维护人员较多,因此RTD规则存在较为频繁的变动,但是RTD规则中存在不变的内容,即所有的时间影响因素最终将变成一个不同产品批次Lot在相同设备上的生产顺序,此顺序可以衡量的结果就是这些产品批次Lot的CT值的不同,简单的说就是优先生产的CT值比较小,即优先生产的RTD分数较大;反之则CT值比较大,RTD分数较小。
在步骤S140中,根据实时控制数值确定多个待加工产品的实时派工顺序。
在本公开的一些示例性实施方式中,待加工产品可以是等待加工的产品,如各种半导体产品。实时派工顺序可以是多个待加工产品对应的加工顺序。
在本公开的一种示例性实施方案中,对多个待加工产品的实时控制数值按照数值大小进行排序,得到分数排序结果;根据分数排序结果确定各待加工产品的生产顺序。
其中,分数排序结果可以是多个待加工产品的实时控制数值按照大小进行排序后得到的结果。待加工产品的生产顺序可以是对产品进行加工制造的先后顺序。
参考图3,图3示意性示出了根据本公开的示例性实施方式的确定待加工产品的实时派工顺序的流程图。在步骤S410中,对多个待加工产品的实时控制数值按照数值大小进行排序,得到分数排序结果。在确定出多个待加工产品对应的实时控制数值后,可以将上述实时控制数值按照大小进行排序,得到分数排序结果。在步骤S420中,根据分数排序结果确定各待加工产品的生产顺序。在产品加工过程中,将RTD的规则定义为对可生产的多个Lot评分系统,在经过多维度评分之后,对RTD分数高的Lot优先生产。
综上所述,本公开的实时派工顺序的控制方法,获取影响因素数据和历史生产周期数据;影响因素数据包括多个时间影响因素分别对应的历史数据值;根据历史数据值与历史生产周期数据,确定各时间影响因素针对生产周期的影响权重;确定各时间影响因素对应的当前数据值,根据多个当前数据值与各自对应的影响权重确定多个待加工产品的实时控制数值;根据实时控制数值确定多个待加工产品的实时派工顺序。一方面,通过多个历史数据值与历史生产周期数据进行分析,可以确定出不同时间影响因素对生产周期的影响权重,并将其运用在仿真过程中,提高仿真结果的准确度。另一方面,根据实时控制数值确定待加工产品的实时派工顺序,可以将仿真结果复现在实际生产过程中。
需要说明的是,尽管在附图中以特定顺序描述了本发明中方法的各个步骤,但是,这并非要求或者暗示必须按照该特定顺序来执行这些步骤,或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的,可以省略某些步骤,将多个步骤合并为一个步骤执行,以及/或者将一个步骤分解为多个步骤执行等。
此外,在本示例实施例中,还提供了一种实时派工顺序的控制系统。参考图4,该实时派工顺序的控制系统500可以包括:数据获取模块510、权重确定模块520、分数确定模块530以及生产顺序确定模块540。
具体的,数据获取模块510,用于获取影响因素数据和历史生产周期数据;影响因素数据包括多个时间影响因素分别对应的历史数据值;权重确定模块520,用于根据历史数据值与历史生产周期数据确定各时间影响因素针对生产周期的影响权重;分数确定模块530,用于确定各时间影响因素对应的当前数据值,根据多个当前数据值与各自对应的影响权重确定多个待加工产品的实时控制数值;生产顺序确定模块540,用于根据实时控制数值确定多个待加工产品的实时派工顺序。
在本公开的一种示例性实施方案中,实时派工顺序的控制系统还包括数据归一化模块,用于获取初始影响因素数据;对初始影响因素数据进行数据归一化处理,以得到影响因素数据。
在本公开的一种示例性实施方案中,数据归一化模块包括数据归一化单元,用于基于初始影响因素数据确定数值型因素数据与非数值型因素数据;对数值型因素数据进行归一化处理,以得到对应的数值型因素变量值;对非数值型因素数据进行归一化处理,以得到对应的非数值型因素变量值;基于数值型因素变量值与非数值型因素变量值确定影响因素数据。
在本公开的一种示例性实施方案中,数据归一化单元包括第一归一化子单元,用于基于数值型因素数据确定多个数值型影响因素分别对应的数值型初始变量值;从多个数值型初始变量值中确定最大因素变量值;根据最大因素变量值对各数值型初始变量值进行数据归一化处理,得到多个对应的数值型因素变量值。
在本公开的一种示例性实施方案中,数据归一化单元包括第二归一化子单元,用于基于非数值型因素数据确定各非数值型影响因素分别对应的非数值型初始变量值;将多个非数值型初始变量值进行格式归一化处理,以生成非数值型因素变量值。
在本公开的一种示例性实施方案中,权重确定模块包括权重确定单元,用于获取预先构建的权重确定模型;权重确定模型通过对初始模型进行模型训练得到;对历史数据值进行分组处理,以得到模型输入数据;将模型输入数据与历史生产周期数据输入至权重确定模型,以由权重确定模型确定各影响权重。
在本公开的一种示例性实施方案中,权重确定单元包括输入数据确定子单元,用于获取产品批次标识;根据产品批次标识将历史数据值进行分组处理,以得到多个因素变量值分组;基于因素变量值分组生成模型输入数据。
在本公开的一种示例性实施方案中,权重确定单元包括模型确定单元,用于获取预先构建的初始模型;获取模型训练数据;模型训练数据包括影响因素训练数据与历史时间训练数据;基于影响因素训练数据与历史时间训练数据对初始模型进行模型训练,以得到权重确定模型。
在本公开的一种示例性实施方案中,模型确定单元包括权重模型确定单元,用于获取训练日期集合;训练日期集合包括多个训练日期;基于多个训练日期的先后顺序,并根据影响因素训练数据与历史时间训练数据进行模型训练,直至满足训练结束条件,以得到权重确定模型;训练结束条件为生产周期值与历史时间训练数据中的历史时间值相同;生产周期值基于权重确定模型输出的模型权重与训练数据值进行加权计算后得到。
在本公开的一种示例性实施方案中,权重模型确定单元包括权重模型确定子单元,用于确定当前训练日期,从历史时间训练数据中确定与当前训练日期对应的特定历史时间段的生产周期数据;获取生产设备对应的设备标识,根据设备标识对特定历史时间段的生产周期数据与影响因素训练数据进行分组处理,得到训练分组数据;根据训练分组数据对初始模型进行模型训练,以得到权重确定模型。
在本公开的一种示例性实施方案中,分数确定模块包括分数确定单元,用于获取预先配置的各时间影响因素对应的调整系数;根据多个时间因素的调整系数、当前数据值与影响权重确定实时控制数值。
在本公开的一种示例性实施方案中,生产顺序确定模块包括生产顺序确定单元,用于对多个待加工产品的实时控制数值按照数值大小进行排序,得到分数排序结果;根据分数排序结果确定各待加工产品的生产顺序。
上述中各实时派工顺序的控制系统的虚拟模块的具体细节已经在对应的实时派工顺序的控制方法中进行了详细的描述,因此此处不再赘述。
应当注意,尽管在上文详细描述中提及了实时派工顺序的控制系统的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外,在本公开的示例性实施例中,还提供了一种能够实现上述方法的电子设备。
所属技术领域的技术人员能够理解,本发明的各个方面可以实现为系统、方法或程序产品。因此,本发明的各个方面可以具体实现为以下形式,即:完全的硬件实施例、完全的软件实施例(包括固件、微代码等),或硬件和软件方面结合的实施例,这里可以统称为“电路”、“模块”或“系统”。
下面参考图5来描述根据本公开的这种实施例的电子设备600。图5显示的电子设备600仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图5所示,电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于:上述至少一个处理单元610、上述至少一个存储单元620、连接不同系统组件(包括存储单元620和处理单元610)的总线630、显示单元640。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元610执行,使得所述处理单元610执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施例的步骤。
存储单元620可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)621和/或高速缓存存储单元622,还可以进一步包括只读存储单元(ROM)623。
存储单元620可以包括具有一组(至少一个)程序模块625的程序/实用工具624,这样的程序模块625包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线630可以表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备600也可以与一个或多个外部设备670(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备600交互的设备通信,和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口650进行。并且,电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器660通过总线630与电子设备600的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备600使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施例的描述,本领域的技术人员易于理解,这里描述的示例实施例可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施例的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施例的方法。
在本公开的示例性实施例中,还提供了一种计算机可读存储介质,其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施例中,本发明的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施例的步骤。
参考图6所示,描述了根据本发明的实施例的用于实现上述方法的程序产品700,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本发明的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限。
Claims (15)
1.一种实时派工顺序的控制方法,其特征在于,包括:
获取影响因素数据和历史生产周期数据;所述影响因素数据包括多个时间影响因素分别对应的历史数据值;
根据所述历史数据值与所述历史生产周期数据,确定各所述时间影响因素针对生产周期的影响权重;
确定各所述时间影响因素对应的当前数据值,根据多个所述当前数据值与各自对应的影响权重确定多个待加工产品的实时控制数值;
根据所述实时控制数值确定多个所述待加工产品的实时派工顺序。
2.根据权利要求1所述的方法,其特征在于,在获取影响因素数据和历史生产周期数据之前,所述方法还包括:
获取初始影响因素数据;
对所述初始影响因素数据进行数据归一化处理,以得到所述影响因素数据。
3.根据权利要求2所述的方法,其特征在于,对所述初始影响因素数据进行数据归一化处理,以得到所述影响因素数据,包括:
基于所述初始影响因素数据确定数值型因素数据与非数值型因素数据;
对所述数值型因素数据进行归一化处理,以得到对应的数值型因素变量值;
对所述非数值型因素数据进行归一化处理,以得到对应的非数值型因素变量值;
基于所述数值型因素变量值与所述非数值型因素变量值确定所述影响因素数据。
4.根据权利要求3所述的方法,其特征在于,所述数值型因素数据包括多个数值型影响因素,对所述数值型因素数据进行归一化处理,以得到对应的数值型因素变量值,包括:
基于所述数值型因素数据确定多个数值型影响因素分别对应的数值型初始变量值;
从多个所述数值型初始变量值中确定最大因素变量值;
根据所述最大因素变量值对各所述数值型初始变量值进行数据归一化处理,得到多个对应的数值型因素变量值。
5.根据权利要求3所述的方法,其特征在于,所述非数值型因素数据包括多个非数值型影响因素,对所述非数值型因素数据进行归一化处理,以得到对应的非数值型因素变量值,包括:
基于所述非数值型因素数据确定各所述非数值型影响因素分别对应的非数值型初始变量值;
将多个所述非数值型初始变量值进行格式归一化处理,以生成所述非数值型因素变量值。
6.根据权利要求1所述的方法,其特征在于,根据所述历史数据值与所述历史生产周期数据确定各所述时间影响因素针对生产周期的影响权重,包括:
获取预先构建的权重确定模型;所述权重确定模型通过对初始模型进行模型训练得到;
对所述历史数据值进行分组处理,以得到模型输入数据;
将所述模型输入数据与所述历史生产周期数据输入至所述权重确定模型,以由所述权重确定模型确定各所述影响权重。
7.根据权利要求6所述的方法,其特征在于,对所述历史数据值进行分组处理,以得到模型输入数据,包括:
获取产品批次标识;
根据所述产品批次标识将所述历史数据值进行分组处理,以得到多个因素变量值分组;
基于所述因素变量值分组生成所述模型输入数据。
8.根据权利要求6所述的方法,其特征在于,所述权重确定模型通过下述步骤训练得到:
获取预先构建的初始模型;
获取模型训练数据;所述模型训练数据包括影响因素训练数据与历史时间训练数据;
基于所述影响因素训练数据与所述历史时间训练数据对所述初始模型进行模型训练,以得到所述权重确定模型。
9.根据权利要求8所述的方法,其特征在于,所述影响因素训练数据包括各所述时间影响因素的训练数据值,基于所述影响因素训练数据与所述历史时间训练数据对所述初始模型进行模型训练,以得到所述权重确定模型,包括:
获取训练日期集合;所述训练日期集合包括多个训练日期;
基于所述多个训练日期的先后顺序,并根据所述影响因素训练数据与所述历史时间训练数据进行模型训练,直至满足训练结束条件,以得到所述权重确定模型;
所述训练结束条件为生产周期值与所述历史时间训练数据中的历史时间值相同;所述生产周期值基于所述权重确定模型输出的模型权重与所述训练数据值进行加权计算后得到。
10.根据权利要求9所述的方法,其特征在于,基于所述多个训练日期的先后顺序,并根据所述影响因素训练数据与所述历史时间训练数据进行模型训练,以得到所述权重确定模型,包括:
确定当前训练日期,从所述历史时间训练数据中确定与所述当前训练日期对应的特定历史时间段的生产周期数据;
获取生产设备对应的设备标识,根据所述设备标识对所述特定历史时间段的生产周期数据与所述影响因素训练数据进行分组处理,得到训练分组数据;
根据所述训练分组数据对所述初始模型进行模型训练,以得到所述权重确定模型。
11.根据权利要求1~10任意一项所述的方法,其特征在于,根据多个所述当前数据值与各自对应的影响权重确定多个待加工产品的实时控制数值,包括:
获取预先配置的各所述时间影响因素对应的调整系数;
根据多个所述时间影响因素的调整系数、所述当前数据值与所述影响权重确定所述实时控制数值。
12.根据权利要求1~10任意一项所述的方法,其特征在于,根据所述实时控制数值确定多个所述待加工产品的生产顺序,包括:
对多个所述待加工产品的实时控制数值按照数值大小进行排序,得到分数排序结果;
根据所述分数排序结果确定各所述待加工产品的生产顺序。
13.一种实时派工顺序的控制系统,其特征在于,包括:
数据获取模块,用于获取影响因素数据和历史生产周期数据;所述影响因素数据包括多个时间影响因素分别对应的历史数据值;
权重确定模块,用于根据所述历史数据值与所述历史生产周期数据确定各所述时间影响因素针对生产周期的影响权重;
分数确定模块,用于确定各所述时间影响因素对应的当前数据值,根据多个所述当前数据值与各自对应的影响权重确定多个待加工产品的实时控制数值;
生产顺序确定模块,用于根据所述实时控制数值确定多个所述待加工产品的实时派工顺序。
14.一种电子设备,其特征在于,包括:
处理器;以及
存储器,所述存储器上存储有计算机可读指令,所述计算机可读指令被所述处理器执行时实现根据权利要求1至12中任一项所述的实时派工顺序的控制方法。
15.一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现根据权利要求1至12中任一项所述的实时派工顺序的控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210173425.7A CN116703046A (zh) | 2022-02-24 | 2022-02-24 | 实时派工顺序的控制方法及系统、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210173425.7A CN116703046A (zh) | 2022-02-24 | 2022-02-24 | 实时派工顺序的控制方法及系统、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116703046A true CN116703046A (zh) | 2023-09-05 |
Family
ID=87834356
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210173425.7A Pending CN116703046A (zh) | 2022-02-24 | 2022-02-24 | 实时派工顺序的控制方法及系统、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116703046A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117236822A (zh) * | 2023-11-10 | 2023-12-15 | 合肥晶合集成电路股份有限公司 | 智能派货方法、装置、设备及介质 |
-
2022
- 2022-02-24 CN CN202210173425.7A patent/CN116703046A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117236822A (zh) * | 2023-11-10 | 2023-12-15 | 合肥晶合集成电路股份有限公司 | 智能派货方法、装置、设备及介质 |
CN117236822B (zh) * | 2023-11-10 | 2024-01-30 | 合肥晶合集成电路股份有限公司 | 智能派货方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3913545A2 (en) | Method and apparatus for updating parameter of multi-task model, and electronic device | |
CN107220217A (zh) | 基于逻辑回归的特征系数训练方法和装置 | |
CN109101624A (zh) | 对话处理方法、装置、电子设备及存储介质 | |
CN110390408A (zh) | 交易对象预测方法和装置 | |
CN111931809A (zh) | 数据的处理方法、装置、存储介质及电子设备 | |
CN111738010A (zh) | 用于生成语义匹配模型的方法和装置 | |
CN111460384A (zh) | 策略的评估方法、装置和设备 | |
CN114493376A (zh) | 一种基于工单数据的任务调度管理方法及系统 | |
CN116684330A (zh) | 基于人工智能的流量预测方法、装置、设备及存储介质 | |
CN116703046A (zh) | 实时派工顺序的控制方法及系统、电子设备和存储介质 | |
CN113762421A (zh) | 分类模型的训练方法、流量分析方法、装置及设备 | |
WO2020211616A1 (zh) | 用于处理用户交互信息的方法和装置 | |
US11810022B2 (en) | Contact center call volume prediction | |
CN112860672A (zh) | 标签权重的确定方法和装置 | |
CN111368195A (zh) | 一种模型训练方法、装置、设备及存储介质 | |
CN116703520A (zh) | 基于改进K-means算法的产品推荐方法及其相关设备 | |
CN116777646A (zh) | 基于人工智能的风险识别方法、装置、设备及存储介质 | |
CN112541705B (zh) | 生成用户行为评估模型的方法、装置、设备以及存储介质 | |
CN111435381A (zh) | 请求分发方法和装置 | |
CN112200602B (zh) | 用于广告推荐的神经网络模型训练方法及装置 | |
CN115310590A (zh) | 图结构学习方法和装置 | |
CN113919921A (zh) | 一种基于多任务学习模型的产品推荐方法及相关设备 | |
CN114491249A (zh) | 一种对象推荐方法、装置、设备以及存储介质 | |
CA3119490A1 (en) | Contact center call volume prediction | |
CN115550259B (zh) | 基于白名单的流量分配方法及相关设备 |
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 |