DE102019100636A1 - METHOD FOR DETERMINING CAPACITY, DEVICE FOR DATA PROCESSING AND COMPUTER PROGRAM - Google Patents

METHOD FOR DETERMINING CAPACITY, DEVICE FOR DATA PROCESSING AND COMPUTER PROGRAM Download PDF

Info

Publication number
DE102019100636A1
DE102019100636A1 DE102019100636.8A DE102019100636A DE102019100636A1 DE 102019100636 A1 DE102019100636 A1 DE 102019100636A1 DE 102019100636 A DE102019100636 A DE 102019100636A DE 102019100636 A1 DE102019100636 A1 DE 102019100636A1
Authority
DE
Germany
Prior art keywords
lim
network
production
maximum production
determined
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.)
Withdrawn
Application number
DE102019100636.8A
Other languages
German (de)
Inventor
Fabian Suhrke
Jonas Mager
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ams Osram International GmbH
Original Assignee
Osram Opto Semiconductors GmbH
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Osram Opto Semiconductors GmbH filed Critical Osram Opto Semiconductors GmbH
Priority to DE102019100636.8A priority Critical patent/DE102019100636A1/en
Publication of DE102019100636A1 publication Critical patent/DE102019100636A1/en
Withdrawn legal-status Critical Current

Links

Images

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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • 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
    • G05B17/00—Systems involving the use of models or simulators of said systems
    • G05B17/02—Systems involving the use of models or simulators of said systems electric
    • 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]
    • G05B19/41885—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 modeling, simulation of the manufacturing system
    • 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
    • G06Q10/0633—Workflow analysis
    • 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
    • G05B2219/31—From computer integrated manufacturing till monitoring
    • G05B2219/31413—Estimate capacity of plant
    • 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
    • G05B2219/32365—For resource planning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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]
    • 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
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Manufacturing & Machinery (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Automation & Control Theory (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Theoretical Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

In einer Ausführungsform dient das Verfahren zur Kapazitätsgrenzenermittlung einer Fertigungsanlage (1). Das Verfahren umfasst die Schritte:
A) Erstellen eines Modells für eine maximale Fertigungsauslastung Ulim, das von n Parametern (x1, x2, ... xn) abhängt, wobei n eine natürliche Zahl größer oder gleich vier ist,
B) computerimplementiertes Simulieren von bestimmten maximalen Fertigungsauslastungen Ulim, i für J Datensätze von Parametern (x1, x2, ... xn), wobei i ∈ [1; J] ℕ und J eine natürliche Zahl größer oder gleich 103 ist,
C) Bereitstellen eines neuronalen Netzwerks (NN) und computerimplementiertes Trainieren des Netzwerks (NN) mit mindestens einem Teil der Datensätze für die maximale Fertigungsauslastung Ulim, i, sodass das Netzwerk (NN) zur Ermittlung der maximalen Fertigungsauslastung Ulim eingerichtet wird,
D) Ermitteln der maximalen Fertigungsauslastung Ulim für nicht simulierte Datensätze anhand des trainierten Netzwerks (NN) .

Figure DE102019100636A1_0000
In one embodiment, the method is used to determine the capacity limits of a production plant (1). The process includes the steps:
A) Creating a model for a maximum production load U lim , which depends on n parameters (x 1 , x 2 , ... x n ), where n is a natural number greater than or equal to four,
B) computer-implemented simulation of certain maximum production loads U lim, i for J data sets of parameters (x 1 , x 2 , ... x n ), where i ∈ [1; J] ℕ and J is a natural number greater than or equal to 10 3 ,
C) providing a neural network (NN) and computer-implemented training of the network (NN) with at least some of the data records for the maximum production load U lim, i , so that the network (NN) is set up to determine the maximum production load U lim ,
D) Determining the maximum production load U lim for non-simulated data sets using the trained network (NN).
Figure DE102019100636A1_0000

Description

Es werden ein Verfahren zur Kapazitätsgrenzenermittlung, eine Vorrichtung zur Datenverarbeitung und ein Computerprogramm angegeben.A method for determining capacity limits, a device for data processing and a computer program are specified.

In der Druckschrift Falk Stefan Pappert et al., „SIMULATION BASED APPROACH TO CALCULATE UTILIZATION LIMITS IN OPTO SEMICONDUCTOR FRONTENDS“, Proceedings of the 2017 Winter Simulation Conference, Las Vegas/Nevada, 3. bis 6. Dezember 2017, Artikel Nummer 321, IEEE Press Piscataway, NJ, USA, ISBN: 978-1-5386-3427-1 , ist ein Verfahren zur Kapazitätsgrenzenermittlung skizziert.In the Falk publication Stefan Pappert et al., "SIMULATION BASED APPROACH TO CALCULATE UTILIZATION LIMITS IN OPTO SEMICONDUCTOR FRONTENDS", Proceedings of the 2017 Winter Simulation Conference, Las Vegas / Nevada, December 3 to 6, 2017, article number 321, IEEE Press Piscataway, NJ , USA, ISBN: 978-1-5386-3427-1 , a procedure for determining capacity limits is outlined.

Eine zu lösende Aufgabe liegt darin, ein Verfahren anzugeben, mit dem effizient eine Kapazitätsgrenze einer Fertigungsanlange ermittelt werden kann.One task to be solved is to specify a method with which a capacity limit of a production plant can be determined efficiently.

Diese Aufgabe wird unter anderem durch ein Verfahren mit den Merkmalen des Anspruchs 1 gelöst. Bevorzugte Weiterbildungen sind Gegenstand der übrigen Ansprüche.This object is achieved, inter alia, by a method having the features of claim 1. Preferred developments are the subject of the remaining claims.

In Produktionsplanungsprozessen wird insbesondere entschieden, wie hoch die Kapazität einer Fertigungsanlage bei einem gegebenen, zu prozessierenden Produktionsmix ist. Dadurch wird eine obere Schranke für die Einschleusung der Fertigungslose definiert. Wesentliche Eingangsgrößen für die Produktionsplanung sind die Auslastungsgrenzen je Arbeitsplatz oder Prozessschritt. Diese Auslastungsgrenzen werden mit dem hier beschriebenen Verfahren durch eine Kombination von Simulation und neuronalen Netzen kapitaleffizient ermittelt.In production planning processes, it is decided in particular how high the capacity of a manufacturing system is for a given production mix to be processed. This defines an upper barrier for the infeed of the production lots. The main input variables for production planning are the utilization limits for each work station or process step. These utilization limits are determined in a capital-efficient manner using the method described here, using a combination of simulation and neural networks.

Gemäß zumindest einer Ausführungsform ist das Verfahren zur Kapazitätsgrenzenermittlung einer Fertigungsanlage eingerichtet. Bei der Fertigungsanlage handelt es sich insbesondere um eine Fertigungsanlage zur Herstellung von Halbleiterbauteilen wie Halbleiterchips, bevorzugt zur Herstellung von optoelektronischen Bauteilen wie Halbleiterchips wie Leuchtdiodenchips, Laserdiodenchips und/oder Fotodetektorchips oder Komponenten hiervon.In accordance with at least one embodiment, the method is set up for determining the capacity limits of a production system. The production system is, in particular, a production system for producing semiconductor components such as semiconductor chips, preferably for producing optoelectronic components such as semiconductor chips such as light-emitting diode chips, laser diode chips and / or photodetector chips or components thereof.

Gemäß zumindest einer Ausführungsform umfasst das Verfahren den Schritt des Erstellens eines Modells für eine maximale Fertigungsauslastung Ulim. Das Modell hängt von n Parametern x1, x2, ... xn ab, wobei n eine natürliche Zahl größer oder gleich vier ist. Bevorzugt gilt n ≥ 5 oder auch n ≥ 10. Ferner kann gelten: n ≤ 100 oder n ≤ 50 oder n ≤ 15.In accordance with at least one embodiment, the method comprises the step of creating a model for a maximum production load U lim . The model depends on n parameters x 1 , x 2 , ... x n , where n is a natural number greater than or equal to four. Preferably n ≥ 5 or also n ≥ 10. Furthermore, the following can apply: n ≤ 100 or n ≤ 50 or n ≤ 15.

Gemäß zumindest einer Ausführungsform umfasst das Verfahren den Schritt des computerimplementierten Simulierens einer Anzahl von bestimmten maximalen Fertigungsauslastungen Ulim,i. Dabei dienen als Ausgangsbasis J Datensätze der Parameter x1, x2, ... xn. Hierbei gilt i ∈ [1; J] ℕ und J ist eine natürliche Zahl größer oder gleich 103, bevorzugt größer oder gleich 104 oder größer oder gleich 105, besonders bevorzugt größer oder gleich 106. Optional gilt, dass J kleiner oder gleich 108 oder kleiner oder gleich 107 ist.In accordance with at least one embodiment, the method comprises the step of computer-implemented simulation of a number of certain maximum production loads U lim, i . J data sets of parameters x 1 , x 2 , ... x n serve as the starting basis. Here i ∈ [1; J] ℕ and J is a natural number greater than or equal to 10 3 , preferably greater than or equal to 10 4 or greater than or equal to 10 5 , particularly preferably greater than or equal to 10 6 . Optionally, J is less than or equal to 10 8 or less than or equal to 10 7 .

Gemäß zumindest einer Ausführungsform umfasst das Verfahren den Schritt des Bereitstellens eines neuronalen Netzwerks, kurz NN. Das Netzwerk ist zum Beispiel ein MLP-Netz, ein Jordan-Netz oder ein Elmar-Netz. MLP steht dabei für multilayer perceptron, also mehrlagiges Perzeptron.In accordance with at least one embodiment, the method comprises the step of providing a neural network, or NN for short. The network is for example an MLP network, a Jordan network or an Elmar network. MLP stands for multilayer perceptron.

Gemäß zumindest einer Ausführungsform umfasst das Verfahren den Schritt des Trainierens des Netzwerks mit mindestens einem Teil der Datensätze für die maximale Fertigungsauslastung Ulim, i, wie für die Simulation benutzt. Für diese Datensätze sind die maximalen Fertigungsauslastungen Ulim, i jeweils aus der Simulation verfügbar. Anhand dieser Daten wird somit das Netzwerk zur Ermittlung der maximalen Fertigungsauslastung Ulim eingerichtet.According to at least one embodiment, the method comprises the step of training the network with at least some of the data records for the maximum production load U lim, i , as used for the simulation. For these data sets, the maximum production loads U lim, i are available from the simulation. Based on this data, the network for determining the maximum production load U lim is thus set up.

Bevorzugt wird nur ein Teil der Daten aus der Simulation für das Trainieren des Netzwerks verwendet, zum Beispiel zwischen einschließlich 60 % und 95 % der Datensätze. Mit den übrigen Datensätzen ist überprüfbar, ob das Netzwerk korrekt trainiert wurde.Preferably only part of the data from the simulation is used for training the network, for example between 60% and 95% of the data records. The remaining data records can be used to check whether the network has been trained correctly.

Gemäß zumindest einer Ausführungsform umfasst das Verfahren den Schritt des Ermittelns der maximalen Fertigungsauslastung Ulim für nicht simulierte Datensätze anhand des trainierten Netzwerks. Das heißt, anstatt über die Simulation wird die zu ermittelnde maximale Fertigungsauslastung Ulim durch das Netzwerk bestimmt. Ein Rechenaufwand pro maximaler Fertigungsauslastung Ulim durch das fertig trainierte Netzwerk ist dabei bevorzugt um mindestens einen Faktor 10 oder 100 oder 103 oder 104 niedriger als im Falle der Berechnung mittels der Simulation.In accordance with at least one embodiment, the method comprises the step of determining the maximum production load U lim for non-simulated data records on the basis of the trained network. That is, instead of the simulation, the maximum production load U lim to be determined is determined by the network. A computation effort per maximum production load U lim through the fully trained network is preferably at least a factor of 10 or 100 or 10 3 or 10 4 lower than in the case of the calculation using the simulation.

Das heißt, durch das Trainieren des Netzwerks mit den vergleichsweise aufwändig erhaltenen Simulationsdaten lässt sich der Rechenaufwand auf Seiten des Netzwerks erheblich senken. Dies macht Berechnungen von maximalen Fertigungsauslastungen Ulim durch das Netzwerk relativ effizient und kostengünstig. Dies gilt speziell bei komplexen Fertigungsanlangen, wie sie im Bereich der Produktion von Halbleiterbauteilen üblicherweise zum Einsatz kommen.This means that by training the network with the comparatively complex simulation data, the computing effort on the part of the network can be significantly reduced. This makes calculations of maximum manufacturing loads U lim through the network relatively efficient and inexpensive. This applies especially to complex production systems, such as are usually used in the production of semiconductor components.

In mindestens einer Ausführungsform dient das Verfahren zur Kapazitätsgrenzenermittlung einer Fertigungsanlage. Das Verfahren umfasst die folgenden Schritte, bevorzugt in der angegebenen Reihenfolge:

  1. A) Erstellen eines Modells für eine maximale Fertigungsauslastung Ulim, das von n Parametern x1, x2, ... xn abhängt, wobei n eine natürliche Zahl größer oder gleich vier ist,
  2. B) computerimplementiertes Simulieren von bestimmten maximalen Fertigungsauslastungen Ulim, i für J Datensätze der Parameter x1, x2, ... xn, wobei i ∈ [1; J] ℕ und J eine natürliche Zahl größer oder gleich 103 ist,
  3. C) Bereitstellen eines neuronalen Netzwerks und computerimplementiertes Trainieren des Netzwerks mit mindestens einem Teil der Datensätze für die maximale Fertigungsauslastung Ulim, i, sodass das Netzwerk zur Ermittlung der maximalen Fertigungsauslastung Ulim eingerichtet wird, und
  4. D) Ermitteln der maximalen Fertigungsauslastung Ulim für nicht simulierte Datensätze anhand des trainierten Netzwerks.
In at least one embodiment, the method is used to determine the capacity limits of a manufacturing system. The procedure includes following steps, preferably in the order given:
  1. A) Creating a model for a maximum production load U lim , which depends on n parameters x 1 , x 2 , ... x n , where n is a natural number greater than or equal to four,
  2. B) computer-implemented simulation of certain maximum production loads U lim, i for J data sets of parameters x 1 , x 2 , ... x n , where i ∈ [1; J] ℕ and J is a natural number greater than or equal to 10 3 ,
  3. C) providing a neural network and computer-implemented training of the network with at least some of the data records for the maximum production load U lim, i , so that the network is set up to determine the maximum production load U lim , and
  4. D) Determining the maximum production load U lim for non-simulated data sets using the trained network.

Die Auslastungsgrenze wird bislang in der Regel im Dialog mit Prozessingenieuren sowie aufgrund einer initialen, groben Schätzung eines Single-Server-Models beschrieben. Dieses Modell wird normalerweise unabhängig von Parametern wie Anlagenbeschaffungskosten, Prozesseigenschaften (insbesondere Batch-Prozesse oder Prozesszeiten) oder Umgebungsvariablen (insbesondere einer Anzahl der Anlagen oder von Ausfallwahrscheinlichkeiten) diskutiert.So far, the utilization limit has generally been described in dialogue with process engineers and on the basis of an initial, rough estimate of a single server model. This model is normally discussed independently of parameters such as plant procurement costs, process properties (in particular batch processes or process times) or environmental variables (in particular a number of plants or failure probabilities).

Demgegenüber ist mit dem hier beschriebenen Verfahren eine Erhöhung der Kapitaleffizienz in der Fertigung bei gleichzeitig gleichbleibender Durchlaufzeit der Produkte und/oder Zeit bis zum Markteintritt möglich. Dies gilt insbesondere bei der Frontend-Planung von Fertigungsstandorten.In contrast, with the method described here, an increase in capital efficiency in production is possible with the same throughput time of the products and / or time to market entry. This applies particularly to the front-end planning of manufacturing locations.

Gemäß zumindest einer Ausführungsform werden die maximalen Fertigungsauslastungen Ulim, i im Schritt B) mittels einer statistisch basierten Simulation ermittelt. Pro Parametersatz werden beispielsweise mindestens 10 oder mindestens 100 Einzelsimulationen durchgeführt, deren Ergebnis gemittelt werden kann. Die einzelnen Parameter des Parametersatzes werden hierbei bevorzugt geringfügig variiert.According to at least one embodiment, the maximum production loads U lim, i are determined in step B) by means of a statistically based simulation. For example, at least 10 or at least 100 individual simulations are carried out per parameter set, the result of which can be averaged. The individual parameters of the parameter set are preferably varied slightly.

Gemäß zumindest einer Ausführungsform werden zusätzlich zu den maximalen Fertigungsauslastungen Ulim, i in den Schritten B), C) und D) noch jeweils Durchflussfaktoren FFi ermittelt. Der Durchflussfaktor FFi ist je eine Maßzahl für eine Verweildauer eines in der Fertigungsanlage zu produzierenden und/oder zu bearbeitenden Rohlings und/oder Werkstücks.According to at least one embodiment, flow factors FF i are also determined in each case in steps B), C) and D) in addition to the maximum production loads U lim, i . The flow factor FF i is a measure of the dwell time of a blank and / or workpiece to be produced and / or processed in the manufacturing system.

Der Durchflussfaktor FFi ist insbesondere ein Quotient aus einer mittleren Zykluszeit und einer Rohprozesszeit. Die mittlere Zykluszeit entspricht der bei einer bestimmten Auslastung tatsächlich benötigten Laufzeit eines Rohlings und/oder Werkstücks durch die Fertigungsanlage. Die Rohprozesszeit ist diejenige Zeit, die minimal im besten Fall zur Bearbeitung des Rohlings und/oder Werkstücks in der Fertigungsanlage erforderlich ist.The flow factor FF i is in particular a quotient of an average cycle time and a raw process time. The average cycle time corresponds to the runtime of a blank and / or workpiece through the production system that is actually required for a certain load. The raw process time is the time that is minimally required in the best case to process the blank and / or workpiece in the production plant.

Gemäß zumindest einer Ausführungsform wird mindestens einer der folgenden Parameter x1, x2, ... xn in dem Modell und in dem Netzwerk berücksichtigt:

  • - Bedienpersonalverfügbarkeit, also ob hinsichtlich zum Beispiel der erlaubten oder möglichen Arbeitszeiten von Mitarbeitern zum Bedienen der Fertigungsanlange Limitationen bestehen,
  • - Variation eines Ankunftsstroms, also wie ungleichmäßig zeitlich verteilt die Rohlinge und/oder Werkstücke an der Fertigungsanlage oder an einem Teil der Fertigungsanlage ankommen, und/oder
  • - Variabilität der zu bearbeitenden Rohlinge und/oder Werkstücke, also insbesondere, wie viele verschieden geartete Prozessschritte durchzuführen sind und/oder wie groß die Produktpalette ist; hierin können Rüstzeiten oder Umrüstzeiten für bestimmte Maschinen berücksichtigt werden.
According to at least one embodiment, at least one of the following parameters x 1 , x 2 , ... x n is taken into account in the model and in the network:
  • - availability of operating personnel, i.e. whether there are limitations with regard to, for example, the permitted or possible working hours of employees for operating the production facilities,
  • - Variation of an arrival flow, that is how unevenly distributed in time the blanks and / or workpieces arrive at the manufacturing plant or at a part of the manufacturing plant, and / or
  • Variability of the blanks and / or workpieces to be machined, in particular how many different types of process steps are to be carried out and / or how large the product range is; Setup times or changeover times for certain machines can be taken into account here.

Gemäß zumindest einer Ausführungsform wird mindestens einer der folgenden Parameter x1, x2, ... xn in dem Modell und in dem Netzwerk berücksichtigt:

  • - Produktionszeit, insbesondere die Zeit, die für die einzelnen Arbeitsschritte in der Fertigungsanlage benötigt wird,
  • - Standby-Zeit, insbesondere geplante Pausen,
  • - Entwicklungszeit, insbesondere Zeiten, die benötigt werden, um die Fertigungsanlage oder Teile davon auf die nötigen Prozesse abzustimmen und einzustellen,
  • - nicht eingeplante Zeit, insbesondere Leerlaufzeiten,
  • - geplante Standzeiten, zum Beispiel für Wartungsarbeiten, und/oder
  • - außerplanmäßige Standzeiten oder ungeplante Ausfallzeiten, beispielsweise aufgrund von Unfällen, unerwarteten Schäden, Streiks oder ähnlichem; diese Zeiten können als Schätzwert oder Erfahrungswert eingehen.
According to at least one embodiment, at least one of the following parameters x 1 , x 2 , ... x n is taken into account in the model and in the network:
  • Production time, in particular the time required for the individual work steps in the production plant,
  • - standby time, especially planned breaks,
  • - Development time, in particular times that are required to adjust and adjust the manufacturing plant or parts thereof to the necessary processes,
  • - unscheduled time, especially idle times,
  • - planned downtimes, for example for maintenance work, and / or
  • - Unscheduled downtimes or unplanned downtimes, for example due to accidents, unexpected damage, strikes or the like; these times can come in as an estimate or empirical value.

Gemäß zumindest einer Ausführungsform werden die Parameter x1, x2, ... xn summarisch oder einzeln für verschiedene Prozessschritte oder Prozessschrittgruppen in dem Modell berücksichtigt. Das heißt, es kann zum Beispiel für die außerplanmäßige Standzeit für alle Prozessschritte zusammengenommen ein bestimmter Prozentwert angegeben werden, zum Beispiel ein durchschnittlicher Zeitanteil, in dem die Fertigungsanlage etwa aufgrund eines Streiks stillsteht. Soweit möglich, werden die einzelnen Parameter jedoch spezifisch für die einzelnen Prozessschritte oder Prozessschrittgruppen angegeben. Insbesondere kann jeder Maschine oder Maschinengruppe eine bestimmte Produktionszeit, Standby-Zeit, Entwicklungszeit, nicht eingeplante Zeit, geplante Standzeit und/oder Bedienpersonalverfügbarkeit zugeordnet werden.According to at least one embodiment, the parameters x 1 , x 2 ,... X n are taken into account in the model in summary or individually for different process steps or process step groups. The This means, for example, that a certain percentage value can be specified for the unscheduled downtime for all process steps taken together, for example an average percentage of time in which the production system is idle due to a strike. As far as possible, however, the individual parameters are specified specifically for the individual process steps or process step groups. In particular, each machine or machine group can be assigned a specific production time, standby time, development time, unscheduled time, planned downtime and / or availability of operating personnel.

Gemäß zumindest einer Ausführungsform werden die nicht simulierten Datensätze, anhand derer im Schritt D) die maximale Fertigungsauslastung Ulim bestimmt wird, manuell eingegeben oder werden teilautomatisch oder vollautomatisch aus einer Auftragsdatenbank heraus erzeugt. Eine manuelle Eingabe erfolgt zum Beispiel über eine graphische Benutzeroberfläche im Rahmen einer Planung einer Fertigungsanlage. Speziell in dem Fall, dass Arbeitsaufträge bereits feststehen oder relativ genau absehbar sind, können Datenbanken unterstützend oder automatisiert herangezogen werden.In accordance with at least one embodiment, the non-simulated data records, on the basis of which the maximum production utilization U lim is determined in step D), are entered manually or are generated partially automatically or fully automatically from an order database. A manual entry takes place, for example, via a graphical user interface as part of the planning of a production plant. Especially in the case that work orders are already fixed or can be predicted relatively precisely, databases can be used in a supportive or automated manner.

Gemäß zumindest einer Ausführungsform umfasst das Verfahren einen Schritt E), in dem anhand der mittels des Netzwerks ermittelten maximalen Fertigungsauslastung Ulim eine Produktionsplanung erstellt wird. Das heißt, es können insbesondere eine Anzahl, Reihenfolge und/oder Umfang von Fertigungslosen für die Fertigungsanlage hinsichtlich etwa ihrer Reihenfolge optimiert werden.In accordance with at least one embodiment, the method comprises a step E), in which production planning is created on the basis of the maximum production load U lim determined by means of the network. This means that, in particular, a number, sequence and / or scope of production lots for the production system can be optimized with regard to their sequence.

Gemäß zumindest einer Ausführungsform umfasst das Verfahren einen Schritt F), in dem anhand der mittels des Netzwerks ermittelten maximalen Fertigungsauslastung Ulim Engpässe in einer Prozesskette bestimmt werden und/oder in dem anhand der aufgedeckten Engpässe zumindest eine Kaufentscheidung für zusätzliche Komponenten der Fertigungsanlage getroffen wird. Die Suche nach Engpässen kann automatisiert durchgeführt werden. Alternativ erfolgt eine durch einen Anwender unterstützte Suche oder Auswertung der Daten hinsichtlich Engpässen.In accordance with at least one embodiment, the method comprises a step F), in which bottlenecks in a process chain are determined on the basis of the maximum production utilization U lim determined by means of the network and / or in which at least one purchase decision for additional components of the production plant is made on the basis of the bottlenecks identified. The search for bottlenecks can be carried out automatically. Alternatively, a user-supported search or evaluation of the data regarding bottlenecks is carried out.

Darüber hinaus werden eine Vorrichtung zur Datenverarbeitung und ein Computerprogramm angegeben, die zur Durchführung von mindestens Teilen des Verfahrens, wie in Verbindung mit einer oder mehreren der oben genannten Ausführungsformen beschrieben, eingerichtet sind. Merkmale der Vorrichtung und des Computerprogramms sind daher auch für das Verfahren offenbart und umgekehrt.In addition, a device for data processing and a computer program are specified which are set up to carry out at least parts of the method as described in connection with one or more of the above-mentioned embodiments. Features of the device and the computer program are therefore also disclosed for the method and vice versa.

Nachfolgend werden ein hier beschriebenes Verfahren, eine hier beschriebene Vorrichtung und ein hier beschriebenes Computerprogramm unter Bezugnahme auf die Zeichnung anhand von Ausführungsbeispielen näher erläutert. Gleiche Bezugszeichen geben dabei gleiche Elemente in den einzelnen Figuren an. Es sind dabei jedoch keine maßstäblichen Bezüge dargestellt, vielmehr können einzelne Elemente zum besseren Verständnis übertrieben groß dargestellt sein.A method described here, a device described here and a computer program described here are explained in more detail below with reference to the drawing using exemplary embodiments. The same reference numerals indicate the same elements in the individual figures. However, no true-to-scale references are shown here; rather, individual elements can be exaggerated in size for better understanding.

Es zeigen:

  • 1 ein schematisches Blockdiagramm einer Fertigungsanlage,
  • 2 eine schematische Darstellung eines neuronalen Netzwerks,
  • 3 eine Darstellung einer Korrelation zwischen Simulationsdaten und Daten aus einem neuronalen Netzwerk,
  • 4 eine schematische Abhängigkeit des Durchflussfaktors von der Auslastung, und
  • 5 eine Darstellung einer kumulativen Verteilungsfunktion von Kosten für Waver-Starts pro Woche.
Show it:
  • 1 1 shows a schematic block diagram of a production plant,
  • 2nd a schematic representation of a neural network,
  • 3rd a representation of a correlation between simulation data and data from a neural network,
  • 4th a schematic dependence of the flow factor on the utilization, and
  • 5 a representation of a cumulative distribution function of costs for waver starts per week.

In 1 ist schematisch als Blockdiagramm eine Fertigungsanlage 1 dargestellt. Die Fertigungsanlage 1 ist beispielsweise zur Herstellung von Werkstücken 22 wie LED-Chips eingerichtet. Die Fertigungsanlage 1 wird mit Rohlingen 21, beispielsweise Wachstumssubstraten für Halbleiterschichtenfolgen etwa aus AlInGaN, bestückt. Zudem können Rohstoffe 23 zugeführt werden.In 1 is schematically a block diagram of a manufacturing plant 1 shown. The manufacturing plant 1 is for example for the production of workpieces 22 set up like LED chips. The manufacturing plant 1 comes with blanks 21 , for example growth substrates for semiconductor layer sequences such as AlInGaN. In addition, raw materials 23 are fed.

In der Fertigungsanlage 1 werden mehrere Prozessschritte 10 oder Prozessschrittgruppen durchgeführt. Beispielsweise erfolgen in unterschiedlichen Maschinen epitaktisches Wachsen, Lithographieschritte, Bedampfungsschritte, Bondschritte oder Verkapselungsschritte aufeinander. Insbesondere, falls die fertigen Werkstücke 22 aus mehreren Rohlingen zusammengesetzt werden oder falls Unterschritte zur Aufbereitung von Rohstoffen 23 erforderlich sind, können manche Prozessschritte 10 auch simultan in unterschiedlichen Bereichen der Fertigungsanlage 1 durchgeführt werden. Entsprechend können relativ komplexe Ablaufdiagramme innerhalb der Fertigungsanlage 1 resultieren.In the manufacturing plant 1 are several process steps 10th or process step groups. For example, epitaxial growth, lithography steps, evaporation steps, bonding steps or encapsulation steps take place in different machines. Especially if the finished workpieces 22 can be composed of several blanks or, if necessary, substeps for the preparation of raw materials 23 some process steps may be required 10th also simultaneously in different areas of the production plant 1 be performed. Correspondingly, relatively complex flow diagrams can be used within the production plant 1 result.

Daher ist es nicht ohne Weiteres ersichtlich, ob in der Fertigungsanlage 1 Engpässe auftreten und/oder wie hoch eine maximale Fertigungsauslastung Ulim ist. Um die maximale Fertigungsauslastung Ulim zu bestimmen, können computerbasiert Simulationen durchgeführt werden.It is therefore not easy to see whether it is in the production plant 1 Bottlenecks occur and / or how high a maximum production load U lim is. In order to determine the maximum production load U lim , computer-based simulations can be carried out.

Die maximale Fertigungsauslastung Ulim, i für einen bestimmten Datensatz i von Parametern x1, x2, ... xn, von denen die maximale Fertigungsauslastung Ulim, i abhängt, lässt sich angeben mit Ulim, i = f(x1, x2, ... xn). Dabei gilt i ∈ [1; J]ℕ, wobei J eine Anzahl der Datensätze ist.The maximum production load U lim, i for a specific data set i of parameters x 1 , x 2 , ... x n , on which the maximum production load U lim, i depends, can be specified with U lim , i = f (x 1 , x 2 , ... x n ). Here i ∈ [1; J] ℕ , where J is a number of records.

Liegen nur die Simulationsergebnisse vor, ist es in der Regel nicht möglich, eine Regression durchzuführen, ohne über ein ausreichendes Modell zu verfügen, um die obige Gleichung zu lösen. Eine analytische Lösung scheidet daher im Regelfall aus.If only the simulation results are available, it is generally not possible to carry out a regression without having a sufficient model to solve the above equation. An analytical solution is therefore generally not an option.

Um das Problem zu vereinfachen, wird vorliegend nur die maximale Produktionszeit PR eines Arbeitszentrums vorhergesagt: Ulim, i = PR/(PR+SB). Dabei steht SB für die Standby-Zeit.To simplify the problem, only the maximum production time PR of a work center is predicted here: U lim, i = PR / (PR + SB). SB stands for the standby time.

Da alle anderen Zeiten außer den Standby-Zeiten SB in der Regel gut bekannt sind, kann folgende Gleichung verwendet werden: SB = 1 - US - SD - EN - PR - NS.Since all times other than standby times SB are generally well known, the following equation can be used: SB = 1 - US - SD - EN - PR - NS.

Dabei steht US für außerplanmäßige Standzeiten, SD für geplante Standzeiten, EN für Entwicklungszeiten, PR für die Produktionszeit und NS für nicht eingeplante Zeiten. Die Größen US, SD, EN, PR, NS bilden somit die Parameter x1, x2, ... xn der Datensätze.US stands for unscheduled downtimes, SD for planned downtimes, EN for development times, PR for production times and NS for unscheduled times. The sizes US, SD, EN, PR, NS thus form the parameters x 1 , x 2 , ... x n of the data records.

Es ist möglich, für die gesamte Fertigungsanlage 1 nur einen einzigen Satz von mittleren Werten für die Größen US, SD, EN, PR, NS zu verwenden. Ebenso ist es möglich, für einzelne Prozessschritte 10 oder Prozessschrittgruppen jeweils einen eigenen Wert für die Größen US, SD, EN, PR und/oder NS heranzuziehen, zum Beispiel um Engpässe an einzelnen Maschinen der Fertigungsanlage erfassen zu können.It is possible for the entire manufacturing facility 1 use only a single set of mean values for sizes US, SD, EN, PR, NS. It is also possible for individual process steps 10th or process step groups each use their own value for the sizes US, SD, EN, PR and / or NS, for example in order to be able to detect bottlenecks on individual machines in the production system.

Eine Gewinnung von Datensätzen und die Simulation können zudem analog zur eingangs zitierten Druckschrift Pappert et al. erfolgen, siehe insbesondere Abschnitt 3 - Data Farming and Simulation. Der Offenbarungsgehalt dieser Druckschrift, insbesondere des Abschnitts 3, wird hiermit durch Rückbezug mit aufgenommen.The acquisition of data sets and the simulation can also be carried out analogously to the publication Pappert et al. see section in particular 3rd - Data farming and simulation. The disclosure content of this publication, in particular of the section 3rd is hereby incorporated by reference.

Mit diesem vereinfachten Modell wird ein neuronales Netzwerk NN zur Interpolation verwendet, sodass auch Datenpunkte, die nicht simuliert wurden, zugänglich sind. Es können verschieden Typen von neuronalen Netzen verwendet werden, zum Beispiel MLP-Netze, Jordan-Netze oder Elmar-Netze. Mit solchen Netzen lassen sich ausreichend kleine mittlere quadratische Abweichungen von < 4 % erreichen. Das vorliegend verwendete, beispielhafte Netzwerk NN ist in 2 veranschaulicht.With this simplified model, a neural network NN is used for interpolation, so that data points that have not been simulated are also accessible. Different types of neural networks can be used, for example MLP networks, Jordan networks or Elmar networks. With such networks, sufficiently small mean square deviations of <4% can be achieved. The exemplary network NN used here is in 2nd illustrated.

Zum Trainieren des Netzwerks NN wird ein zufälliger Teildatensatz unter Berücksichtigung von zum Beispiel 80 % der Simulationsdaten ausgewählt. Der verbleibende Restdatensatz wird dann zur Validierung und zur Prüfung des Netzwerks NN verwendet. 3 zeigt eine Regressionskurve einer neuronalen Netzrückkopplung gegenüber den Simulationsergebnissen. Alle Ausreißer sind instabile Simulationsergebnisse und durch das Netzwerk NN geglättet.To train the network NN, a random partial data set is selected taking into account, for example, 80% of the simulation data. The remaining data record is then used for validation and for checking the network NN. 3rd shows a regression curve of a neural network feedback compared to the simulation results. All outliers are unstable simulation results and smoothed out by the network NN.

Für den produktiven Einsatz liefert ein MLP (10,8,5) ausreichende Ergebnisse. Das zugehörige Netzmodell ist in 2 zu sehen.An MLP (10,8,5) provides sufficient results for productive use. The associated network model is in 2nd to see.

Es ist schwierig, das Simulationsmodell im Allgemeinen ohne ein korrektes analytisches Modell zu validieren. Daher werden vorliegend Daten aus einfachen Anwendungsfällen, die analytisch lösbar sind, zum Vergleich herangezogen. Ein einfacher Anwendungsfall ist zum Beispiel eine Werkstätte, die einem generischen M/M/n Warteschlangenmodell folgt.It is difficult to validate the simulation model in general without a correct analytical model. For this reason, data from simple applications that can be solved analytically are used for comparison. A simple application is, for example, a workshop that follows a generic M / M / n queue model.

Näherungsweise wird eine Betriebskurve, siehe 4, durch den folgenden Ausdruck beschrieben: FF = a U 1 − U + 1 = C T R P T

Figure DE102019100636A1_0001
Dabei wird die Auslastung U definiert als: U = P R P R + S B 100 %
Figure DE102019100636A1_0002
Wie oben beschrieben, steht FF für den Durchflussfaktor, CT für die mittlere Zykluszeit, RPT für die Rohprozesszeit und SB für Standby-Zeiten. Der Durchflussfaktor FF ist somit der Faktor, um den die durchschnittliche Zykluszeit CT gegenüber der Rohprozesszeit RPT erhöht ist; RPT entspricht der bestmöglichen Geschwindigkeit. Der Durchflussfaktor FF ermöglicht den Vergleich von Prozessen mit unterschiedlichen Rohprozesszeiten und Zykluszeiten.Approximately an operating curve, see 4th , described by the following expression: FF = a U 1 - U + 1 = C. T R P T
Figure DE102019100636A1_0001
 Doing so will load U defined as: U = P R P R + S B 100 %
Figure DE102019100636A1_0002
 As described above, FF stands for the flow factor, CT for the mean cycle time, RPT for the raw process time and SB for standby times. The flow factor FF is thus the factor by which the average cycle time CT is increased compared to the raw process time RPT; RPT corresponds to the best possible speed. The flow factor FF enables the comparison of processes with different raw process times and cycle times.

Mit einer Betriebskurve kann die mittlere Wartezeit für verschiedene Arbeitspunkte A beschrieben werden. In 4 sind das Verhalten und die Form von Betriebskurven dargestellt. Auf der x-Achse ist die Auslastung U aufgetragen und auf der y-Achse der Durchflussfaktor FF. Es sind zwei Betriebskurven für unterschiedliche Variabilitäten α dargestellt.With an operating curve, the mean waiting time for different working points A to be discribed. In 4th the behavior and the shape of operating curves are shown. The utilization is on the x-axis U plotted and the flow factor FF on the y-axis. There are two operating curves for different variabilities α shown.

Insgesamt ist die Genauigkeit der neuronalen Netzwerkrückmeldung im Vergleich zu den Analyseergebnissen, basierend auf einfachen Fällen, besser als 99 % und damit ausreichend für die Investitionsplanung und für die Produktionsplanung.Overall, the accuracy of the neural network feedback compared to the analysis results, based on simple cases, is better than 99% and therefore sufficient for investment planning and production planning.

Nach dem Trainieren des Netzwerks NN kann das Netzwerk NN verwendet werden, um für Parametersätze, die nicht simuliert wurden, insbesondere die maximale Fertigungsauslastung Ulim zu ermitteln. Mittels des Netzwerks NN ist somit eine Interpolation zwischen simulierten Datenpunkten möglich. Dabei ist ein mit dem Netzwerk NN verbundener Rechenaufwand deutlich geringer als ein mit der Simulation verbundener Rechenaufwand.After training the network NN, the network NN can be used to determine, in particular, the maximum production load U lim for parameter sets that have not been simulated. By means of the network NN is therefore one Interpolation between simulated data points possible. There is one with the network NN connected computing effort significantly less than a computing effort associated with the simulation.

Um ein Auslastungslimit aus dem Modell auf benutzerfreundliche Weise zu erhalten, kann eine webbasierte Anwendung herangezogen werden, um alle kapazitätsrelevanten Faktoren für einen bestimmten Anwendungsfall festzulegen, sofern nicht Daten aus einer Datenbank hierfür benutzt werden.In order to obtain a utilization limit from the model in a user-friendly manner, a web-based application can be used to determine all capacity-relevant factors for a specific application, unless data from a database are used for this.

Zunächst ist es hilfreich, einen Arbeitszentrumtyp in Abhängigkeit zum Beispiel von den Kosten pro Wafer auszuwählen. Für einen beispielhaften Werkzeugpark ist in 5 ein kumulatives Dichtediagramm, englisch cumulative distribution function oder kurz CDF, für Anschaffungskosten pro wspw (Wafer-Starts pro Woche) dargestellt, um Cluster auf der gegebenen Verteilung zusammen mit Experten aus der Frontend-Planung, der globalen Planung und dem Wirtschaftsingenieurwesen zu definieren.First of all, it is helpful to select a work center type depending on, for example, the cost per wafer. For an exemplary tool park, in 5 a cumulative density diagram, English cumulative distribution function or CDF for short, for acquisition costs per wspw (wafer starts per week) to define clusters on the given distribution together with experts from frontend planning, global planning and industrial engineering.

Anschließend kann der Anwender weitere kapazitätsrelevante Faktoren anpassen. Eine beispielhafte Aufzählung möglicher kapazitätsrelevanter Faktoren, die auch in allen anderen Ausführungsbeispielen herangezogen werden können, findet sich nachfolgend:

  • - Anzahl gleicher Geräte: Die Anzahl der gleichen Geräte in einer Werkstätte hat einen signifikanten Einfluss auf die Robustheit der Leistungsfähigkeit im Falle einer Panne. Besonders herausgehobene Werkzeuge können fabrikweit zu Problemen führen, wenn solche Werkzeuge zu stark genutzt werden und einen Defekt erleiden.
  • - RPT: RPT beschreibt die mittleren Rohprozesszeiten der Prozesse, die von einer Maschinengruppe bestimmt werden. Je höher die RPTs sind, desto geringer ist der Gesamtdurchsatz.
  • - Batching: Batching beschreibt Prozesse mit einer Kombination aus mehr oder weniger Wafern als der üblichen Losgröße entsprechend. Batching kann zu einer höheren Wartezeit vor einem Prozessstart führen aufgrund der Zeit, die benötigt wird, um auf eine gültige Chargengröße zu warten.
  • - Setup: Das Einrichten beschreibt die mittlere Zeit, innerhalb der Werkzeugparameter oder Verbrauchsmaterialien für verschiedene Prozesse geändert oder angepasst werden können.
  • - Rework: Nacharbeit beschreibt die mittlere Rate, mit der Material oder Produkte aufgrund von Qualitätsproblemen in der Produktion nachbearbeitet werden müssen. Dies kann den Arbeitsaufwand der betroffenen Werkzeuge erheblich erhöhen.
  • - Dedication: Dies beschreibt die eingeschränkte Verarbeitbarkeit durch eine bestimmte Teilmenge von Maschinen oder Prozessen aufgrund von prozessspezifischen Einschränkungen oder aufgrund von Qualitätsproblemen.
  • - Wartung: Dies beschreibt die geplanten Werkzeugausfälle zur Instandhaltung von Geräten.
  • - Breakdown: Dies beschreibt die ungeplanten Ausfallzeiten von Werkzeugen.
  • - Produktmix: Der Produktmix beschreibt die Menge der verschiedenen Produkte auf einem Arbeitsplatz. Ein hoher Produktmix führt zu einer hohen Prozessvariabilität, die mit Kapazitätsverlusten verbunden sein kann.
The user can then adjust other factors relevant to capacity. An exemplary list of possible capacity-relevant factors that can also be used in all other exemplary embodiments can be found below:
  • - Number of identical devices: The number of identical devices in a workshop has a significant impact on the robustness of performance in the event of a breakdown. Particularly highlighted tools can cause problems throughout the factory if such tools are used too much and suffer a defect.
  • - RPT: RPT describes the mean raw process times of the processes that are determined by a machine group. The higher the RPTs, the lower the overall throughput.
  • - Batching: Batching describes processes with a combination of more or less wafers than the usual lot size. Batching can lead to a longer waiting time before a process start due to the time it takes to wait for a valid batch size.
  • - Setup: The setup describes the mean time within which tool parameters or consumables can be changed or adapted for different processes.
  • - Rework: Rework describes the average rate at which material or products have to be reworked due to quality problems in production. This can significantly increase the workload of the affected tools.
  • - Dedication: This describes the limited processability due to a certain subset of machines or processes due to process-specific restrictions or due to quality problems.
  • - Maintenance: This describes the planned tool failures for the maintenance of devices.
  • - Breakdown: This describes the unplanned downtime of tools.
  • - Product mix: The product mix describes the amount of different products in one workplace. A high product mix leads to high process variability, which can be associated with loss of capacity.

Die hier beschriebene Erfindung ist nicht durch die Beschreibung anhand der Ausführungsbeispiele beschränkt. The invention described here is not limited by the description based on the exemplary embodiments.

Vielmehr umfasst die Erfindung jedes neue Merkmal sowie jede Kombination von Merkmalen, was insbesondere jede Kombination von Merkmalen in den Patentansprüchen beinhaltet, auch wenn dieses Merkmal oder diese Kombination selbst nicht explizit in den Patentansprüchen oder Ausführungsbeispielen angegeben ist.Rather, the invention encompasses every new feature and every combination of features, which in particular includes every combination of features in the patent claims, even if this feature or this combination itself is not explicitly specified in the patent claims or exemplary embodiments.

BezugszeichenlisteReference list

11
FertigungsanlageManufacturing plant
1010th
Prozessschritt oder ProzessschrittgruppeProcess step or process step group
2121
Rohlingblank
2222
Werkstückworkpiece
2323
Rohstoffraw material
αα
Variabilitätvariability
AA
ArbeitspunktOperating point
FFFF
DurchflussfaktorFlow factor
NNNN
neuronales Netzwerkneural network
SS
Simulationsimulation
UU
Auslastungworkload
wspwwspw
Wafer-Starts pro WocheWafer launches per week

ZITATE ENTHALTEN IN DER BESCHREIBUNG QUOTES INCLUDE IN THE DESCRIPTION

Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.This list of documents listed by the applicant has been generated automatically and is only included for the better information of the reader. The list is not part of the German patent or utility model application. The DPMA assumes no liability for any errors or omissions.

Zitierte Nicht-PatentliteraturNon-patent literature cited

  • Stefan Pappert et al., „SIMULATION BASED APPROACH TO CALCULATE UTILIZATION LIMITS IN OPTO SEMICONDUCTOR FRONTENDS“, Proceedings of the 2017 Winter Simulation Conference, Las Vegas/Nevada, 3. bis 6. Dezember 2017, Artikel Nummer 321, IEEE Press Piscataway, NJ, USA, ISBN: 978-1-5386-3427-1 [0002]Stefan Pappert et al., "SIMULATION BASED APPROACH TO CALCULATE UTILIZATION LIMITS IN OPTO SEMICONDUCTOR FRONTENDS", Proceedings of the 2017 Winter Simulation Conference, Las Vegas / Nevada, December 3 to 6, 2017, article number 321, IEEE Press Piscataway, NJ , USA, ISBN: 978-1-5386-3427-1 [0002]

Claims (10)

Verfahren zur Kapazitätsgrenzenermittlung einer Fertigungsanlage (1), umfassend die Schritte: A) Erstellen eines Modells für eine maximale Fertigungsauslastung Ulim, das von n Parametern (x1, x2, ... xn) abhängt, wobei n eine natürliche Zahl größer oder gleich vier ist, B) computerimplementiertes Simulieren von bestimmten maximalen Fertigungsauslastungen Ulim, i für J Datensätze von Parametern (x1, x2, ... xn), wobei i ∈ [1; J] ℕ und J eine natürliche Zahl größer oder gleich 103 ist, C) Bereitstellen eines neuronalen Netzwerks (NN) und computerimplementiertes Trainieren des Netzwerks (NN) mit mindestens einem Teil der Datensätze für die maximale Fertigungsauslastung Ulim, i, sodass das Netzwerk (NN) zur Ermittlung der maximalen Fertigungsauslastung Ulim eingerichtet wird, D) Ermitteln der maximalen Fertigungsauslastung Ulim für nicht simulierte Datensätze anhand des trainierten Netzwerks (NN) .Method for determining the capacity limits of a production plant (1), comprising the steps: A) creating a model for a maximum production load U lim , which depends on n parameters (x 1 , x 2 , ... x n ), where n is a natural number larger or is equal to four, B) computer-implemented simulation of certain maximum production loads U lim, i for J data sets of parameters (x 1 , x 2 , ... x n ), where i ∈ [1; J] ℕ and J is a natural number greater than or equal to 10 3 , C) providing a neural network (NN) and computer-implemented training of the network (NN) with at least part of the data records for the maximum production load U lim, i , so that the network (NN) for determining the maximum production load U lim , D) determining the maximum production load U lim for non-simulated data records using the trained network (NN). Verfahren nach dem vorhergehenden Anspruch, bei dem die maximalen Fertigungsauslastungen Ulim, i mittels einer statistisch basierten Simulation ermittelt werden, wobei zusätzlich jeweils ein Durchflussfaktor FFi ermittelt wird und der Durchflussfaktor FFi je eine Maßzahl für eine Verweildauer eines in der Fertigungsanlage (1) zu produzierenden und/oder zu bearbeitenden Rohlings (21) und/oder Werkstücks (22) ist.Method according to the preceding claim, in which the maximum production loads U lim, i are determined by means of a statistical-based simulation, a flow factor FF i being additionally determined in each case and the flow factor FF i each being a measure of a residence time of one in the production system (1) to be produced and / or machined blank (21) and / or workpiece (22). Verfahren nach dem vorhergehenden Anspruch, bei dem summarisch oder einzeln für verschiedene Prozessschritte oder Prozessschrittgruppen in dem Modell mindestens einer der folgenden Parameter (x1, x2, ... xn) berücksichtigt wird: - Bedienpersonalverfügbarkeit, - Variation eines Ankunftsstroms, - Variabilität der zu bearbeitenden Rohlinge (21) und/oder Werkstücke (22).Method according to the preceding claim, in which at least one of the following parameters (x 1 , x 2 , ... x n ) is taken into account in summary or individually for different process steps or process step groups in the model: - availability of operating personnel, - variation of an arrival stream, - variability the blanks (21) and / or workpieces (22) to be machined. Verfahren nach einem der vorhergehenden Ansprüche, bei dem summarisch oder einzeln für verschiedene Prozessschritte oder Prozessschrittgruppen in dem Modell mindestens die folgenden Parameter (x1, x2, ... xn) berücksichtigt werden: - Produktionszeit, - Standby-Zeit, - Entwicklungszeit und/oder Rüstzeit, - nicht eingeplante Zeit, - geplante Standzeiten, und - außerplanmäßige Standzeiten.Method according to one of the preceding claims, in which at least the following parameters (x 1 , x 2 , ... x n ) are taken into account in summary or individually for different process steps or process step groups in the model: - production time, - standby time, - development time and / or set-up time, - unscheduled time, - planned downtimes, and - unscheduled downtimes. Verfahren nach einem der vorhergehenden Ansprüche, bei dem die nicht simulierten Datensätze, anhand derer im Schritt D) die maximale Fertigungsauslastung Ulim bestimmt wird, manuell eingegeben werden oder mindestens teilautomatisch aus einer Auftragsdatenbank heraus erzeugt werden.Method according to one of the preceding claims, in which the non-simulated data sets, on the basis of which the maximum production utilization U lim is determined in step D), are entered manually or are generated at least partially automatically from an order database. Verfahren nach einem der vorhergehenden Ansprüche, bei dem die Fertigungsanlage (1) zur Herstellung von Halbleiterchips eingerichtet ist, wobei ein Rechenaufwand pro maximaler Fertigungsauslastung Ulim durch das fertig trainierte Netzwerk (NN) um mindestens einen Faktor 100 niedriger ist als im Falle einer Berechnung mittels der im Schritt B) verwendeten Simulation.Method according to one of the preceding claims, in which the production system (1) is set up for the production of semiconductor chips, with a computation effort per maximum production utilization U lim by the fully trained network (NN) being at least a factor 100 lower than in the case of a calculation by the simulation used in step B). Verfahren nach einem der vorhergehenden Ansprüche, ferner umfassend einen Schritt E), wobei im Schritt E) anhand der mittels des Netzwerks (NN) ermittelten maximalen Fertigungsauslastung Ulim eine Produktionsplanung erstellt wird.Method according to one of the preceding claims, further comprising a step E), wherein in step E) on the basis of the maximum production utilization U lim determined by means of the network (NN), production planning is created. Verfahren nach einem der vorhergehenden Ansprüche, ferner umfassend einen Schritt F), wobei im Schritt F) anhand der mittels des Netzwerks (NN) ermittelten maximalen Fertigungsauslastung Ulim Engpässe in einer Prozesskette bestimmt werden und anhand der aufgedeckten Engpässe zumindest eine Kaufentscheidung für zusätzliche Komponenten der Fertigungsanlage (1) getroffen wird.Method according to one of the preceding claims, further comprising a step F), wherein in step F) bottlenecks in a process chain are determined on the basis of the maximum production utilization U lim determined by means of the network (NN) and at least one purchase decision for additional components of the bottlenecks on the basis of the bottlenecks uncovered Manufacturing plant (1) is hit. Vorrichtung zur Datenverarbeitung, umfassend Mittel zur Ausführung zumindest der Schritte B) bis D) des Verfahrens nach einem der vorherigen Ansprüche.Device for data processing, comprising means for performing at least steps B) to D) of the method according to one of the preceding claims. Computerprogramm, umfassend Befehle, die bei der Ausführung des Programms durch einen Computer diesen veranlassen, zumindest die Schritte B) bis D) des Verfahrens gemäß einem der Ansprüche 1 bis 8 auszuführen.Computer program, comprising commands which cause the computer to execute the program, at least steps B) to D) of the method according to one of the Claims 1 to 8th to execute.
DE102019100636.8A 2019-01-11 2019-01-11 METHOD FOR DETERMINING CAPACITY, DEVICE FOR DATA PROCESSING AND COMPUTER PROGRAM Withdrawn DE102019100636A1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
DE102019100636.8A DE102019100636A1 (en) 2019-01-11 2019-01-11 METHOD FOR DETERMINING CAPACITY, DEVICE FOR DATA PROCESSING AND COMPUTER PROGRAM

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
DE102019100636.8A DE102019100636A1 (en) 2019-01-11 2019-01-11 METHOD FOR DETERMINING CAPACITY, DEVICE FOR DATA PROCESSING AND COMPUTER PROGRAM

Publications (1)

Publication Number Publication Date
DE102019100636A1 true DE102019100636A1 (en) 2020-07-16

Family

ID=71132058

Family Applications (1)

Application Number Title Priority Date Filing Date
DE102019100636.8A Withdrawn DE102019100636A1 (en) 2019-01-11 2019-01-11 METHOD FOR DETERMINING CAPACITY, DEVICE FOR DATA PROCESSING AND COMPUTER PROGRAM

Country Status (1)

Country Link
DE (1) DE102019100636A1 (en)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE10240338A1 (en) * 2002-03-01 2003-09-25 Volkswagen Ag Process and manufacturing planning method, especially for use in the automobile industry for planning convergent material flow structures, whereby event oriented simulation and layout modeling are used
DE60207588T2 (en) * 2001-09-13 2006-11-30 Advanced Micro Devices, Inc., Sunnyvale STATUS ESTIMATION AND CLASSIFICATION FOR A MANUFACTURING SYSTEM
WO2016085523A1 (en) * 2014-11-24 2016-06-02 Aspen Technology, Inc. Runtime modeling approach to updating refinery planning models
DE102015120446A1 (en) * 2014-11-26 2016-06-02 General Electric Company Methods and systems for improving the control of power generator units
WO2017152979A1 (en) * 2016-03-10 2017-09-14 Siemens Aktiengesellschaft Method and device for allocating assemblies to placement lines

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE60207588T2 (en) * 2001-09-13 2006-11-30 Advanced Micro Devices, Inc., Sunnyvale STATUS ESTIMATION AND CLASSIFICATION FOR A MANUFACTURING SYSTEM
DE10240338A1 (en) * 2002-03-01 2003-09-25 Volkswagen Ag Process and manufacturing planning method, especially for use in the automobile industry for planning convergent material flow structures, whereby event oriented simulation and layout modeling are used
WO2016085523A1 (en) * 2014-11-24 2016-06-02 Aspen Technology, Inc. Runtime modeling approach to updating refinery planning models
DE102015120446A1 (en) * 2014-11-26 2016-06-02 General Electric Company Methods and systems for improving the control of power generator units
WO2017152979A1 (en) * 2016-03-10 2017-09-14 Siemens Aktiengesellschaft Method and device for allocating assemblies to placement lines

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Stefan Pappert et al., „SIMULATION BASED APPROACH TO CALCULATE UTILIZATION LIMITS IN OPTO SEMICONDUCTOR FRONTENDS", Proceedings of the 2017 Winter Simulation Conference, Las Vegas/Nevada, 3. bis 6. Dezember 2017, Artikel Nummer 321, IEEE Press Piscataway, NJ, USA, ISBN: 978-1-5386-3427-1

Similar Documents

Publication Publication Date Title
DE4112881A1 (en) Collecting batch of workpieces for processing - categorises components by product data to control prodn. cycle
EP3646279B1 (en) Method for production planning
DE60223143T2 (en) RANGE SIZE PROCESS FOR MULTIPLE TREATMENT OF MANY ARTICLES
DE102020102406A1 (en) MANAGEMENT DEVICE AND MANAGEMENT SYSTEM
DE102019131291A1 (en) SIMULTANEOUS PERFORMANCE
EP3167411A1 (en) Method and device for determining an optimum manufacturing alternative for manufacturing a product
WO2004102291A1 (en) Configuration of tools and processes for metal forming
DE102019125486A1 (en) Machining support system and cutting device
DE102020104952A1 (en) MANAGEMENT DEVICE AND MANAGEMENT SYSTEM
DE112011103259T5 (en) Method, program and apparatus for grouping a plurality of elements
DE102017005674B4 (en) Cell manufacturing system with manufacturing cell for autonomous manufacturing
DE10297636T5 (en) Automated manufacturing system
DE102018118471A1 (en) Device and method for providing spare parts for an aircraft
DE102019100636A1 (en) METHOD FOR DETERMINING CAPACITY, DEVICE FOR DATA PROCESSING AND COMPUTER PROGRAM
EP3661694B1 (en) Method and device for computer-assisted optimisation of occupancy of magazine spaces by tools within at least one tool magazine for a machine tool
DE102019213003A1 (en) KNOWLEDGE DELIVERY PROGRAM, KNOWLEDGE DELIVERY DEVICE AND OPERATING SERVICE SYSTEM
WO2019233735A1 (en) Method for quality assurance during the production of a product, computing device and computer program
EP4121897B1 (en) Method and systems for providing synthetic labelled training data sets and use of same
EP1556811A2 (en) Prediction of the degree of delivery reliability in serial production
EP3992733A1 (en) Machine loading planning for a complex production plant
AT516108A2 (en) Production system and the corresponding method
EP4130656B1 (en) Preparation of the evaluation of samples of measured values from a measurement of a plurality of workpieces by one or more coordinate measuring devices
WO2024110308A1 (en) Method for controlling a system
EP1708061B1 (en) Method for determining a processing sequence and associated units
EP1217484A2 (en) Method and apparatus of object processing

Legal Events

Date Code Title Description
R163 Identified publications notified
R119 Application deemed withdrawn, or ip right lapsed, due to non-payment of renewal fee