JP2004094900A - 生産計画作成システム及び方法、並びにプログラム - Google Patents
生産計画作成システム及び方法、並びにプログラム Download PDFInfo
- Publication number
- JP2004094900A JP2004094900A JP2002294665A JP2002294665A JP2004094900A JP 2004094900 A JP2004094900 A JP 2004094900A JP 2002294665 A JP2002294665 A JP 2002294665A JP 2002294665 A JP2002294665 A JP 2002294665A JP 2004094900 A JP2004094900 A JP 2004094900A
- Authority
- JP
- Japan
- Prior art keywords
- production
- simulator
- rule
- manufacturing process
- amount
- 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
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], 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], 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
-
- 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
- G05B2219/32348—Process reengineering, rethink manufacturing process, continuous improve
-
- 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]
Abstract
【課題】生産規則を高速に自動生成して高品質な生産計画を立案する。
【解決手段】本発明は、生産工程モデル２及び生産規則３を用いて、事象ベースシミュレータ４が工場内の製品の動きをシミュレートすることにより生産計画５の立案を行う。一定時間ごとの生産工程の状況を計算する時間間隔ベースシミュレータ６と、該時間間隔ベースシミュレータ６を用いて生産規則３を自動的に導出する規則生成器７とを備える。この時間間隔ベースシミュレータ６を用いて生産計画を高速に幾度も繰り返し立案することにより、規則生成器７が逐次的最適化手法に基づく機械学習を応用して、生産規則３を効率的に自動生成することができ、これにより生成された生産規則３を用いて事象ベースシミュレータ４が高品質な生産計画５を立案する。
【選択図】 図１
【解決手段】本発明は、生産工程モデル２及び生産規則３を用いて、事象ベースシミュレータ４が工場内の製品の動きをシミュレートすることにより生産計画５の立案を行う。一定時間ごとの生産工程の状況を計算する時間間隔ベースシミュレータ６と、該時間間隔ベースシミュレータ６を用いて生産規則３を自動的に導出する規則生成器７とを備える。この時間間隔ベースシミュレータ６を用いて生産計画を高速に幾度も繰り返し立案することにより、規則生成器７が逐次的最適化手法に基づく機械学習を応用して、生産規則３を効率的に自動生成することができ、これにより生成された生産規則３を用いて事象ベースシミュレータ４が高品質な生産計画５を立案する。
【選択図】 図１
Description
【０００１】
【発明の属する技術分野】
本発明は、工場などでの生産計画を自動的に立案する計算機システムに係り、高品質な計画立案の際に必要とされる適切な生産規則を人手ではなく計算機により自動的に高速生成する機能を有する生産計画作成システム及び方法並びにプログラムに関する。
【０００２】
【従来の技術】
工場等における生産計画の作成を支援もしくは自動化する生産計画システムは過去に多数の提案があり、既に国内外で多くの製品が商用化されており、また多くの製造会社が独自のシステムを開発して自社で使用している。
【０００３】
従来、それらの多くの生産計画システムは設備能力を無限大と仮定するなど生産工程における制約を単純化してモデルを作成し、単純化されたモデルに対して線形計画法などの数理的最適化手法を適用して概略解を求めるアプローチを採っている。
【０００４】
半導体、液晶などに代表されるハイテク部品の製造工程は、非常に多くの繰り返し工程で構成されており、自動車などの製品の製造工程に比べると格段に大規模かつ複雑なものであり、通常、その工程数は数百、製造リードタイムは数ヵ月にも及ぶ（たとえば、非特許文献１参照）。さらに、それらハイテク部品産業では製品競争力を高めるために新たな製造プロセス技術が次々と開発され、それら最新鋭の製造プロセスが時を移さず実際の製品生産に適用されるため、製造現場において製造プロセスが安定して稼働することは稀であり、ハイテク部品の生産計画立案に当っては製造機械の故障や製品の品質不良など、製造における変動要因を常に考慮する必要がある。
【０００５】
したがって、ハイテク部品などのように多くの変動要因を製造工程に抱える製品の生産においては、成熟した製造工程を持つ自動車産業などで有効とされるカンバン型生産方式に見られるように中間在庫（ＷＩＰ）をゼロにすることを目指すのではなく、機械故障に伴う製造能力の変化や品質不良に伴う廃棄やリワークなどの影響をできるだけ受けないで、安定的な製品産出を実現しうる最小限の適正在庫量を設定し、それを維持するように生産計画を立案し、製造を行うことが重要である。ただし、無駄な在庫を抑えるためには、その前提条件として精度の高い需要予測が必要である。現在、高精度な需要予測はハイテク産業のＳＣＭにおける重要な課題とされ、米国の半導体業界では１年間程度の需要予測を２２％以下の誤差で行うことが当面の希望的目標とされている（たとえば、非特許文献６参照）。
【０００６】
ハイテク部品の生産計画の立案に際しては、その製造工程が大規模複雑であるため数理的手法による最適化は計算時間の点で適用が困難であり、例えば半導体ウェーハ製造に関しては、従来からシミュレーション手法に基づくスケジューリングにおいて、様々なジョブ投入ルールやディスパッチングルールの有効性の検証が数多く行われてきた（たとえば、非特許文献５，７参照）。
【０００７】
しかしながら近年では、計算速度の向上や計算機価格の低下に伴って、現実の生産工程の精密なモデルに対して工程内の在庫の推移を忠実に事象ベースでシミュレート（各部品の状態変化、たとえば処理終了、ごとに工程の状況変化を計算する）することが可能になり、数多くの単純な生産規則に基づくシミュレーションを試行錯誤的に繰り返すことにより、その中で最も高品質な生産計画を選択するアプローチが、特に半導体製造などの非常に複雑な生産工程において、主流となっている。しかしながら、大規模で複雑な生産工程のシミュレーションには依然として多大な時間が必要とされるため、高品質な生産計画を立案する適切な生産規則を試行錯誤的に発見するのは困難である。従来の生産計画システムでは、この最も重要で困難な生産規則の発見に対する支援機能は備えられておらず、高品質な生産計画を立案するには専ら生産計画立案作業者の熟練と勘とに頼らざるを得なかった。
【０００８】
更に最近では、人工知能（ＡＩ）技術の進展により、計算機により自動的に適切な規則を生成する試みが行われ、生産計画問題に適用された研究事例（例えば、”Ｌｅａｒｎｉｎｇ ｓｃｈｅｄｕｌｉｎｇ ｃｏｎｔｒｏｌ ｋｎｏｗｌｅｄｇｅ ｔｈｒｏｕｇｈ ｒｅｉｎｆｏｒｃｅｍｅｎｔｓ” Ｍｉｙａｓｈｉｔａ， Ｋ．， Ｉｎｔｅｒｎａｔｉｏｎａｌ ｔｒａｎｓａｃｔｉｏｎｓ ｉｎ ｏｐｅｒａｔｉｏｎａｌ ｒｅｓｅａｒｃｈ，Ｖｏｌ．７， Ｎｏ．２， ｐｐ．１２５−１３８， ２０００． 、”Ｊｏｂ−Ｓｈｏｐ Ｓｃｈｅｄｕｌｉｎｇ ｗｉｔｈ Ｇｅｎｅｔｉｃ Ｐｒｏｇｒａｍｍｉｎｇ” Ｍｉｙａｓｈｉｔａ， Ｋ．， Ｐｒｏｃ． ｏｆ ｔｈｅ Ｇｅｎｅｔｉｃ ａｎｄ Ｅｖｏｌｕｔｉｏｎａｒｙ Ｃｏｍｐｕｔａｔｉｏｎ Ｃｏｎｆｅｒｅｎｃｅ， ｐｐ．５０５−５１２， ２０００．、「階層型ニューラルネットワークを用いた動的ジョブショップスケジューリング−ロバストスケジューリングのための二段階学習法−」、江口他、スケジューリングシンポジウム、ｐｐ．８９−９４、２００１ ）もある。しかしながら、それらの手法を現実の大規模な生産工程を対象にした生産計画問題に適用するのは、規則の学習に要する計算時間の点から実現困難であり、適切な生産規則の自動生成機能を備えた実用的な生産計画システムは未だ存在しない。
【０００９】
さらに、従来のシミュレーション方式に基づくスケジューリングには以下のような問題点がある（非特許文献８参照）。
・適切なプロダクトミックスや投入レートを決定する際に、実際の製造工程における変動を考慮して十分な試行錯誤による検討を行うためには、依然として計算時間がかかり過ぎる。
・シミュレーションによって決定された作業内容が、製造実施現場における種々の変動要因により現実の製造状況から乖離しやすく、またそうした事態に対応するための有効な作業指示もスムーズに行えない。
それらの問題に対処するため、ハイテク部品の生産計画立案には、より高速で、ロバストな生産指示が可能なシミュレーション手法が必要である。
【００１０】
【非特許文献１】
Ｌｉｎｄａ Ｆ Ａｔｈｅｒｔｏｎ ａｎｄ Ｒｏｂｅｒｔ Ｗ． Ａｔｈｅｒｔｏｎ． Ｗａｆｅｒ ｆａｂｒｉｃａｔｉｏｎ： Ｆａｃｔｏｒｙ ｐｅｒｆｏｒｍａｎｃｅ ａｎｄ Ａｎａｌｙｓｉｓ． Ｋｌｕｗｅｒ Ａｃａｄｅｍｉｃ Ｐｕｂｌｉｓｈｅｒｓ， １９９５
【００１１】
【非特許文献２】
Ｌ． Ｇｏｎｇ ａｎｄ Ｈ． Ｍａｔｓｕｏ． Ｃｏｎｔｒｏｌ Ｐｏｌｉｃｙ ｆｏｒ ｍａｎｕｆａｃｔｕｒｉｎｇ ｓｙｓｔｅｍｗｉｔｈ ｒａｎｄｏｍ ｙｉｅｌｄ ａｎｄ ｒｅｗｏｒｋ． Ｊｏｕｒｎａｌ ｏｆ Ｏｐｔｉｍｉｚａｔｉｏｎ Ｔｈｅｏｒｙ ａｎｄ Ａｐｐｌｉｃａｔｉｏｎｓ， ９５（１）：１４９−１７５， １９９７．
【００１２】
【非特許文献３】
Ｗａｌｌａｃｅ Ｊ． Ｈｏｐｐ ａｎｄ Ｍａｒｋ Ｌ．Ｓｐｅａｒｍａｎ． ＦＡＣＴＯＲＹ ＰＨＹＳＩＣＳ． ＭｃＧｒａｗ−Ｈｉｌｌ， ｓｅｃｏｎｄ ｅｄｉｔｉｏｎ， ２０００．
【００１３】
【非特許文献４】
Ｊ． Ｄ． Ｃ． Ｌｉｔｔｌｅ． Ｐｒｏｏｆ ｏｆ ｔｈｅ ｑｕｅｕｅｉｎｇ ｆｏｒｍｕｌａ Ｌ＝λＷ． Ｏｐｅｒａｔｉｏｎｓ Ｒｅｓｅａｒｃｈ， ９：３８３３８７， １９６１．
【００１４】
【非特許文献５】
Ｏｌｉｖｅｒ Ｒｏｓｅ． Ｔｈｅ ｓｈｏｒｔｅｓｔ ｐｒｏｃｅｓｓｉｎｇ ｔｉｍｅ ｆｉｒｓｔ （ＳＰＴＦ） ｄｉｓｐａｔｃｈｉｎｇ ｒｕｌｅ ａｎｄ ｓｏｍｅ ｖａｒｉａｎｔｓ ｉｎ ｓｅｍｉｃｏｎｄｕｃｔｏｒ ｍａｎｕｆａｃｔｕｒｉｎｇ． Ｉｎ Ｐｒｏｃｅｅｄｉｎｇ ｏｆ ｔｈｅ ２００１ Ｗｉｎｔｅｒ Ｓｉｍｕｌａｔｉｏｎ Ｃｏｎｆｅｒｅｎｃｅ， ｐａｇｅｓ １２２０−１２２４． ＩＮＦＯＲＭＳ， ２００１．
【００１５】
【非特許文献６】
Ｒｏｂｉｎ Ｒｏｕｎｄｙ． Ｒｅｐｏｒｔ ｏｎ ｐｒａｃｔｉｃｅｓ ｒｅｌａｔｅｄ ｔｏ ｄｅｍａｎｄ ｆｏｒｅｃａｓｔｉｎｇ ｆｏｒ ｓｅｍｉｃｏｎｄｕｃｔｏｒ ｐｒｏｄｕｃｔｓ． Ｔｅｃｈｎｉｃａｌ ｒｅｐｏｒｔ， Ｓｃｈｏｏｌ ｏｆ Ｏｐｅｒａｔｉｏｎｓ Ｒｅｓｅａｒｃｈ ａｎｄ Ｉｎｄｕｓｔｒｉａｌ Ｅｎｇｉｎｅｅｒｉｎｇ， Ｃｏｒｎｅｌｌ Ｕｎｉｖｅｒｓｉｔｙ， ２００１．
【００１６】
【非特許文献７】
Ｌａｗｒｅｎｃｅ Ｍ． Ｗｅｉｎ． Ｓｃｈｅｄｕｌｉｎｇ ｓｅｍｉｃｏｎｄｕｃｔｏｒ ｗａｆｅｒ ｆａｂｒｉｃａｔｉｏｎ． ＩＥＥＥ ｔｒａｎｓａｃｔｉｏｎ ｏｎ Ｓｅｍｉｃｏｎｄｕｃｔｏｒ Ｍａｎｕｆａｃｔｕｒｉｎｇ， １（３）：１１５−１３０．１９８８．
【００１７】
【非特許文献８】
荒川雅弘，冬木正彦，井上一郎．ＡＰＳにおける最適化志向シミュレーションベーススケジューリング法の検討．スケジューリングシンポジウム２００１講演論文集，ｐｐ．４７−５２，スケジューリング学会，２００１
【００１８】
【非特許文献９】
柏瀬博幸．半導体の生産スケジューリングの方法と高速シミュレーションモデル． 修士論文， 筑波大学，２００２．
【００１９】
【発明が解決しようとする課題】
従来の生産計画手法では、高品質な生産計画を作成するための適切な生産規則は予め人間が与えなければならないが、大規模で複雑な生産工程における適切な生産計画規則を人手によって作成するのは困難である。
【００２０】
また、従来の人工知能技術における学習手法を単純に適用するだけでは、半導体などの大規模複雑な生産工程に対して規則生成を自動化するためには時間がかかりすぎて、実用的ではない。
【００２１】
本発明は、主に、大規模複雑な生産工程を有する半導体などの製品の生産効率を大幅に改善することを目的としている。
【００２２】
従たる目的の１つは大規模複雑な生産工程に対しても、高品質な生産計画を立案できる生産規則を高速に自動生成するための機能を備えた生産計画システムを実現することにより、大規模複雑な生産工程を有する半導体などの製品の生産効率を大幅に改善することを目的としている。
【００２３】
従たる他の目的の１つは、中間在庫の量を所定範囲内に収めるように生産工程を制御して製品の生産効率を大幅に改善することを目的としている。
【００２４】
【課題を解決するための手段】
本発明の生産計画作成システム及び方法並びにプログラムは、生産工程モデル及び生産規則を用いて、事象ベースシミュレータが工場内の製品の動きをシミュレートすることにより生産計画の立案を行う。一定時間ごとの生産工程の状況を計算する時間間隔ベースシミュレータと、該時間間隔ベースシミュレータを用いて前記生産規則を自動的に導出する規則生成器とを備える。この時間間隔ベースシミュレータを用いて生産計画を高速に幾度も繰り返し立案することにより、規則生成器が逐次的最適化手法に基づく機械学習を応用して、生産規則を効率的に自動生成することができ、これにより生成された生産規則を用いて事象ベースシミュレータが高品質な生産計画を立案する。
【００２５】
本発明は、さらに製造工程の中間在庫量を繰り返し計算するシミュレータと、前記シミュレータの計算結果が許容範囲以下になるように前記シミュレータの計算に使用するパラメータの値を決定し、該パラメータの値に基づき前記製造工程の生産制御を行う制御システムとを備えたことを特徴とする。
【００２６】
【発明の実施の形態】
（第１の実施形態）
以下本発明の好適な実施の形態について、図面に基づいて説明する。図１は、本発明に係る生産計画システムの一実施の形態を示したブロック構成図である。生産工程モデル２は、製品を生産している工場において製造に関連する情報を計算機内のモデルとして表現したものである。ここでモデル化されるのは、製造装置に関する情報（装置の種類、台数、能力、故障率など）、製造作業者に関する情報（シフト、能力、人数など）、製品の製造方法に関する情報（使用する機械、作業者、加工時間、搬送時間、良品率、再加工率など）、製品に関する情報（生産量、投入時間、納期など）などの情報である。これらの情報に基づいて、計算機内に現実の工場に関する詳細なモデルを作成し、そのモデルを用いて工場内の製品の動きを計算機によりシミュレートし、生産計画立案者はシミュレーション結果から、いつ投入した製品がいつ完成するか、各機械にはどの程度在庫が溜まるかなどの情報を得て、望ましい生産計画５の立案を行う。
【００２７】
図１中のブロック１は生産計画システム全体を表わしている。生産工程モデル２は工場に存在する機械の性能、台数や、工場で生産される製品の工程や数量などを表現した工場の静的なモデルであり、その情報だけでは実際に工場内を物が流れて材料から製品へと動的に変化していく様子をシミュレートすることはできない。工場の動的な側面をモデル化するのは生産規則３である。生産計画システム１で必要とされる主たる生産規則３には大きく分けて２種類の規則がある。
【００２８】
その一つは、製品の材料を投入するタイミングを決定する部品投入規則である。この規則としては、例えば一定間隔ごとに一定量の材料を投入する規則や、製品として出荷された分だけを新たに材料として投入する規則などがある。もう一つの重要な生産規則３は差立規則（もしくは、ディスパッチング規則）と呼ばれるものである。差立規則は、工場の生産機械前のバッファに複数の部品が加工待ちをしている際に、機械が加工可能な状態になった際に、どの部品を引き当てるのかを決定する規則である。差立規則としては、例えば先にバッファに入った部品を優先する（Ｆｉｒｓｔ Ｉｎ Ｆｉｒｓｔ Ｏｕｔ）規則、納期が最も近い製品の部品を優先する（Ｅａｒｌｉｅｓｔ Ｄｕｅ Ｄａｔｅ） 規則など、数多くの規則がこれまでに提案されている（Ｒ． Ｗ． Ｃｏｎｗａｙ 他、”Ｔｈｅｏｒｙ ｏｆ Ｓｃｈｅｄｕｌｉｎｇ”， Ａｄｄｉｓｏｎ−Ｗｅｓｌｅｙ（１９８６））。これらの生産規則３は工場の動的な側面を全てコントロールするため、どのような生産規則３を用いるかで工場での生産の様子は大きく変化することになる。したがって、対象となる工場の生産工程モデル２に対して、どのような生産規則３を適用すると効率的な生産が実現するかを判断することが工場の生産管理者にとって最も重要な責務である。従来の生産計画システム１では、生産規則３は生産計画立案者が自ら入力することが前提とされており、それに対してユーザを支援する機能は、予め多数の一般的な規則を選択可能な形で準備しておく以上のことは実現されていない。
【００２９】
生産工程モデル２および生産規則３が定義されると、それらの情報を用いて実際に工場における生産工程のシミュレーションを行うことができる。このシミュレーションを実行するのが事象ベースシミュレータ４である。事象ベースシミュレータ４では逐次的に内部クロックを進めていき、そのタイミングにおいて発生した変化（事象、イベントとも言う）に応じて、生産規則３を適用して生産工程における動的な変化をシミュレートする。例えば、ある時刻において、生産工程モデル２中の一つの機械における加工が終了する（即ち、事象ベースシミュレータ４内で、当該機械における現在加工中の部品について、加工開始時間に加工時間を加えた値が現時刻に一致する）際には、その機械のバッファで加工を待っている部品の中から生産規則３中の差立規則を用いて次に加工する部品を引き当て、作業者や材料などの必要な条件が整っていれば加工を開始する。事象ベースシミュレータ４は、シミュレーション開始時間から終了時間まで上のような操作を行いながら内部クロックを進めていくことにより、その時間内で生じる工場内の変化を全て再現し、その結果を生産計画５として出力する。生産計画５には、時間軸に沿って工場中のそれぞれの機械がいつ、何の部品をどれだけの数量加工するのかという情報が記録される。更に、その情報に基づいて設備稼働率、生産リードタイム、納期遅れなど、生産実施に関係する様々な値が算出され、立案された生産計画５の品質として評価される。
【００３０】
これまで述べてきた、生産工程モデル２、生産規則３、事象ベースシミュレータ４、生産計画５は従来技術と何ら変わらないものである。本発明の特徴は生産計画システム１中に生産規則３を高速に自動生成するために、時間間隔ベースシミュレータ６と規則生成器７を備えることである。先に説明したように生産規則３は工場の動的な性質を決定する重要なものであり、その良し悪しが立案される生産計画５の品質の差となる。したがって、適切な生産規則３を高速に自動生成することは、工場における生産効率を著しく改善する効果がある。
【００３１】
人工知能（ＡＩ）技術を用いて、適切な生産規則３を生成するための基本原理は逐次的最適化である（Ｔ． Ｍｉｔｃｈｅｌｌ， ”Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ”， ＭｃＧｒａｗ−Ｈｉｌｌ （１９９７））。即ち、ある生産規則３を用いて生産計画５を立て、立案された計画の品質を改善するように生産規則３の改良を行う、という処理を逐次的に繰り返すことによって、より適切な生産規則３を生成するというものである。しかしながら、このようなやり方には大きな問題が存在する。生産計画立案対象となる現実の工場は大規模複雑であるため、繰り返し生産計画５を立てるには膨大な計算時間が必要とされる。一方、一般に工場で生産される製品や使用される設備は不変ではなく、現代の高競争、多品種少量生産の生産環境ではむしろ短いサイクルで変更されるのが通常である。したがって、膨大な計算時間を費やして生産規則３を自動生成できたとしても、その規則を使用する際には既に工場の生産工程モデル２が変化していて、生成された生産規則３が有効でなくなる可能性が高く、そうした手法によって生成された生産規則３の現実的な実用性は低い。
【００３２】
したがって、現実の生産現場に有効な生産計画システム１を実現するためには、現実の生産環境の変化と遊離しない適切なタイミングで有効な生産規則３を適宜生成しなければならない。逐次的最適化手法に基づく機械学習を応用した規則生成器７を用いて、生産規則３を効率的に自動生成するためには生産計画を幾度も繰り返し高速に立案できるシミュレータが必要である。それが図１中の時間間隔ベースシミュレータ６である。
【００３３】
図２は時間間隔シミュレータ６の処理概要を示したフローチャートである。時間間隔シミュレータ６では、生産工程モデル２に含まれるデータを用いて生産計画５を立案するが、まず処理の開始にあたり必要なデータの設定及び初期化８を行う。図３に生産工程モデル２と生産計画５に含まれる製品１２、工程１３、機械１４に関する具体的情報の内容を示す。データ初期化８においては、図３中の投入量、総生産量、生産量、需要量、仕掛量、稼働率など、最終的に立案された生産計画５に含まれるべきデータの初期化を行う。そして、図３中の所与条件で示された、受注レート、工程フロー、使用機械、処理時間、台数など、生産工程モデル２に記述された生産計画立案条件をデータファイルから読み込み、シミュレーションを実行するための時間間隔及び終了時間を設定する。
【００３４】
図４は時間間隔ベースシミュレータ６の実行の様子を時間軸上に表したものである。時間間隔ベースシミュレータ６の実行に際しては、データ設定処理８で設定された時間間隔に従ってシミュレーション終了時間に至るまで生産状況更新１０が繰り返し行われる（ステップ９）。ここで時間間隔とはシミュレーション実行の時間的詳細度を規定するもので、ここで定められた時間間隔内（例えば１時間）では工程間の在庫の移動は生じないと仮定する。そして、シミュレーションの実行は、この時間間隔ごとにシミュレータの内部時間を進めて、時間間隔ごと（ここでは時区１５と呼ぶ）における生産の進捗の様子を計算することである。この時間間隔を適切に設定することにより、事象（またはイベントと呼ばれる）として生産工程内に在庫の移動が生じるごとに頻繁に生産の進捗状況の更新を行う従来の事象ベースシミュレータ４に比べて大幅な計算量の削減が可能になり、シミュレーション結果の精度を保ちながら効率的にシミュレーションを実行することが可能になる。
【００３５】
図５は生産状況更新１０の処理概要を示すフローチャートである。時間間隔ベースシミュレータ６の生産状況更新１０の処理に際しては、生産工程に含まれる全ての機械に対して、設定された時間間隔毎に生産される部品の量が計算される（ステップ１６）。その際、まず直前の時区までに機械に投入された部品の内、現在までに加工が完了している部品の量を計算し、その部品に割り付けられていた機械能力を解放することにより、当該機械の稼働率の値を更新する（ステップ１７）。その後、その機械で加工される全ての工程に対して、設定された時間間隔内で生産される部品の量が計算される（ステップ１８）。その際には、まず現時区内における工程の生産需要量を算出する（ステップ１９）。当該工程が、製品の先頭工程であれば、その需要量は先に説明した生産規則３中の部品投入規則によって計算される。当該工程が先頭工程でない場合は、その需要量は前工程の前時区での完成量と、前時区で当該工程に残された在庫量の和に等しく設定される。即ち、前時区で発生した前工程からの加工品は全て当該工程に移送され現時区で処理されるものとする。次に、そうして算出された需要量に対し、実際に実現可能な生産量の計算を行う（ステップ２０）。その際には、上で求められた生産需要量の内、現時区で利用可能な機械能力内で生産される量（即ち、機械台数×稼働率×時間間隔／処理時間）、および機械能力を超える需要量がある場合には次時区以降で処理される在庫量が計算される（ステップ２１）。そして最後に、算出された生産量を生産するために割り付けるべき機械能力（即ち、時間間隔／（機械台数×処理時間））を求めて機械稼働率を更新し（ステップ２２）、順次、当該機械で加工する全工程の生産量の計算処理を行う（ステップ１８）。ここで同一機械への割付を行う工程の順序は、生産規則３中の差立規則を用いて決定される。
【００３６】
以上のように時間間隔ベースシミュレータ６を用いることにより高速な生産計画立案が可能になるが、時間間隔ベースシミュレータ６を用いる場合にも上で示したように生産規則３の部品投入規則や差立規則が必要である。そこで、規則生成器７を用いて規則を生成し、立案された生産計画５の品質を評価して逐次的に生産規則の改良を行うことにより、生産工程モデル２に対して適切な生産計画５を立案できる生産規則３の自動生成を実現する。規則生成器７の実現方法としてはニューラルネットワーク（Ｃ． Ｍ． Ｂｉｓｈｏｐ， ”Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ ｆｏｒ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ”， Ｏｘｆｏｒｄ Ｕｎｉｖｅｒｓｉｔｙ Ｐｒｅｓｓ （１９９５））、分類子システム（Ｐ． Ｌ． Ｌａｎｚｉ ｅｔａｌ．， ”Ｌｅａｒｎｉｎｇ Ｃｌａｓｓｉｆｉｅｒ Ｓｙｓｔｅｍ”， Ｓｐｒｉｎｇｅｒ （２０００））、判別木学習（Ｊ． Ｒ． Ｑｕｉｎｌａｎ， ”Ｃ４．５：Ｐｒｏｇｒａｍｓ ｆｏｒ Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ”， Ｍｏｒｇａｎ Ｋａｕｆｍａｎｎ （１９９３））など、人工知能分野では逐次的最適化に基づく機械学習手法として数多くの手法が提案されており、その何れを用いても基本的には実現可能である。ここでは発明の一実施形態として、規則生成器７にニューラルネットワークを用いた例を説明するが、本発明の概念はニューラルネットワークを用いた実施例に限らず、規則生成器として逐次的最適化に基づいた全ての機械学習手法を包含するものである。
【００３７】
図６は一実施例として、ニューラルネットワークを用いた部品投入規則の学習モデルの例を示している。このニューラルネットワークは機械ごともしくは生産計画システム１ごとに設置される。ニューラルネットワークの入力情報としては、生産工程の状況やオーダーの状況を定量的に示すものとして適当な、在庫量、機械稼働率、納期からの遅滞量（バックオーダー）、機械で処理すべき工程の残加工時間の和、などの情報が用いられ、ニューラルネットワークの出力はそうした状況にある際に選択すべき部品投入規則（００から１１の４種類の規則のいずれか）である。ニューラルネットワークの学習に際しては、当初ランダムな値が割り当てられたノード間の重み値を、シミュレーティッドアニーリングなどの逐次的最適化手法を用いて改良することにより、高品質な生産計画５を出力できる部品投入規則を学習する。この際、あるノードの重み集合を用いて計画された生産計画５の品質を評価し、重みの値に些少の変化を与えた影響により生産計画５の品質を改善するように重みの値を逐次的に変更していくため、数千から数万回という膨大な回数の生産計画立案処理を行う必要がある。そのため、従来の事象ベースシミュレータ４では現実的な規模の工場などの生産計画立案に適用することは困難であり、本発明における時間間隔ベースシミュレータ６が必要不可欠となる。
【００３８】
（第２の実施形態）
本実施形態では、まず製造における種々の変動に対して安定した生産を実現するために、一定時間周期でのみ工程間の中間在庫の移動を行う生産方式を提案する。そして、提案した生産方式に対するシミュレーション手法として、前述の時間間隔ベースシミュレーション６を適用する。更に、現実的な半導体ウェーハ製造工程（前工程）のデータを用いて、提案された生産方式に基づく時間間隔ベースシミュレーション６が従来のシミュレーション手法に比べて、数十倍も高速に同等な計算結果を算出することを示す。
【００３９】
・ＣＯＮＳＴＩＮ’’生産方式
本願発明者はハイテク部品などのように、大規模複雑で変動要素が大きな製造プロセスに対して、ロバストな生産が実施可能な生産方式として、”ＣＯＮＳＴＩＮ’’（ＣＯＮＳｔａｎｔ Ｔｉｍｅ ＩＮｔｅｒｖａｌ）生産方式を提言する。ＣＯＮＳＴＩＮでは、製造プロセスの全ての工程は同期して実施されており、中間在庫は一定周期でのみ工程間を移動する（図７参照）。しかも、１周期での中間在庫の移動量は最大１工程まで、即ち次工程を越えて移動することはないものとする。
【００４０】
ＣＯＮＳＴＩＮでは、ある工程に機械故障や品質不良などの変動が起きた場合でも、それらが周期内で解決されるか、前後の工程に十分な量の中間在庫が計画されていれば、当該工程を越えて変動の影響が波及することを防ぐことが可能である。したがって、ＣＯＮＳＴＩＮ方式はロバストな製造実施を行うことができる生産方式であると言うことができる。
【００４１】
しかしながら、ＣＯＮＳＴＩＮは中間在庫の自由な移動を制限することによってロバスト性を改善しており、適切な運用を行わなければ貴重な生産能力（資源）を有効に活用することはできない。本実施形態では、シミュレーションにより、周期の値や各工程における在庫量を適切に設定することで、そうした問題が解決されることを示す。
【００４２】
・モデル
本実施形態で扱うＣＯＮＳＴＩＮ生産方式における生産工程のモデルを以下に概説する。なお、本モデルの近似的な数学的解析に関してはＧｏｎｇら（非特許文献２参照）によるものがある。
【００４３】
本実施形態では次の記号を用いて定式化を行う。
ｍ ＝ワークステーション台数；
ｇ ＝ 製品数；
ｎｐ＝製品ｐの工程数（ただし、ｎ０ ＝ ０）；
ｎ ＝全製品の工程数の和；
ｃ ＝（ｃ１， ｃ２， ．．． ， ｃｍ）Ｔ， １周期におけるワークステーションの生産能力；
ｓｉ ＝工程ｉにおける処理時間；
Ｓ ＝ｍ×ｎ処理時間行列；工程ｉがワークステーションｋで処理されるとき（ｋ，ｉ）要素の値はｓｉ、他の場合は０；
ｒｐ（ｔ） ＝製品ｐの周期ｔにおける投入量；
【００４４】
【外１】
【００４５】
【外２】
【００４６】
【外３】
【００４７】
【外４】
【００４８】
【外５】
【００４９】
ＣＯＮＳＴＩＮ方式における周期毎の中間在庫の推移は、以下のように表される。
・工程ｉが先頭工程の場合
【００５０】
【数１】
【００５１】
上記以外の場合
【００５２】
【数２】
【００５３】
周期毎の生産開始量、生産量はその時点での中間在庫量を上回れないため、以下の関係が成り立つ。ただし、工程におけるリードタイムが設定された周期より長い場合などの場合は、生産開始量が生産量よりも常に大きいとは限らない。
【００５４】
【数３】
【００５５】
【数４】
【００５６】
また、ワークステーションの生産能力は有限であり、それを越えて生産を開始することは不可能であるため以下の制約が成り立つ。
【００５７】
【数５】
【００５８】
・シミュレーション手法
ＣＯＮＳＴＩＮ生産方式では、従来の事象駆動型シミュレーションのように生産プロセスで起きる全ての事象による状態変化を逐一計算するのではなく、周期毎に各工程における中間在庫量の推移を計算するだけで生産工程のシミュレーションが行える。したがって、従来のシミュレーション手法に比して著しい計算速度の向上が期待され、大規模複雑なハイテク部品の生産工程のシミュレーション手法として有効であると考えられる。
【００５９】
・シミュレーション方法の概要
ＣＯＮＳＴＩＮ方式のシミュレーションは、数６に記すループを実行することによって実施される。
【００６０】
【数６】
【００６１】
その際に設定すべきパラメータは、ＣＯＮＳＴＩＮの周期を決定するＰｅｒｉｏｄ定数とシミュレーション時間を決めるＥｎｄＯｆＳｉｍｕｌａｔｉｏｎ定数である。前者を決定するための目安については後で述べる。後者のシミュレーション時間の決定に当っては、シミュレーション結果が定常状態に安定するために必要なだけの時間を設定する必要がある。したがってＰｅｒｉｏｄの値が大きいほど、ＥｎｄＯｆＳｉｍｕｌａｔｉｏｎも大きな値を設定する必要がある。
【００６２】
シミュレーションの中核部であるｒｕｎＦｏｒＰｅｒｉｏｄ関数では、数７に記すように各ワークステーションにおける中間在庫の推移に関する計算が行われる。
【００６３】
先頭工程におけるシミュレーション時間ｔにおける中間在庫量は、事前の中間在庫量に新たな投入量を加えたものになる。この投入規則数７中の ｒｅｌｅａｓｅＲｕｌｅ関数）を変更することにより、ＣＯＮＳＴＩＮはＭＲＰ的なプッシュ型の生産やＣＯＮＷＩＰ（非特許文献３参照）的なプル型の生産を実現することができる（非特許文献９）。
【００６４】
【数７】
【００６５】
各工程における中間在庫の内、現周期でどれだけの量をワークステーションで処理するかを決定する規則が数７中のｗｉｐＴａｎｓｆｅｒＲｕｌｅ関数である。ここでは、当該工程の前後の工程における中間在庫の量や、現時点までの製品の完成量、前後の工程におけるワークステーションの稼働状況などを考慮して、できるだけ平準的な生産が行われるように、各工程における中間在庫の推移量を決定する必要がある。
【００６６】
各工程における中間在庫の内、現周期で処理すべき量が決定された後、数７中のｓｏｒｔｉｎｇＲｕｌｅ関数で、ワークステーションにおける各工程の優先順位に基づき、各工程の処理順序が決定される。この順序の後方の工程は、ワークステーションの処理能力の限界により現周期では処理されないことがあり得る。各工程の優先順位の決定は、従来のディスパッチング規則を適用することも可能である。ワークステーションで処理されるべき各工程の中間在庫量とその処理順序が決定した後は、数７のｃａｌＰｒｏｄｕｃｔｉｏｎ関数で、工程のタイプ（ロット生産、バッチ生産など）に応じて、それらの処理に必要なワークステーションの能力や時間が計算され、ワークステーションの稼働状況、各工程における中間在庫量などの値が更新される。
【００６７】
・周期パラメータの設定
ＣＯＮＳＴＩＮ方式でシミュレーションを実行するに当って、予め決定する必要がある重要なパラメータはＰｅｒｉｏｄ定数である。Ｐｅｒｉｏｄの値を大きく取って、定常状態に至るまでシミュレーションを行えば、変動要因に対するロバスト性は高いものの、工程内に多くの中間在庫を抱える結果となり、逆にＰｅｒｉｏｄの値を小さくするとロバスト性は低くなり、シミュレーションの計算速度も低下する。したがって、適切なＰｅｒｉｏｄの値はシミュレーションの目的に応じて設定する必要がある。ただし、用途に応じて値を決定する際の基準となるＰｅｒｉｏｄの値は以下のように求めることができる。
【００６８】
ｒを投入レート、ｌｉをワークステーション当りの工程数、ｄをＰｅｒｉｏｄの値とすると、定常状態におけるワークステーションでの１周期における生産量ｚｉは、ｚｉ＝ｒｌｉｄとなる。ＣＯＮＳＴＩＮでは生産量は中間在庫量よりも常に小さい
【００６９】
【外６】
【００７０】
一方、サイクルタイムの値をｙとすると、定常状態ではスループットの値はｒに等しいので、待ち行列に関するＬｉｔｔｌｅの公式 （非特許文献４）より、ｗ＝ ｒｙが成り立ち、上の不等式から
【００７１】
【外７】
【００７２】
ｌの値は生産工程のモデルから明らかであるが、サイクルタイムには行程での理時間に加えて待ち時間が含まれるため、一般にその値ｙは不明である。しかし、サイクルタイムは工程における生産リードタイムよりも常に大きいので、
【００７３】
【外８】
【００７４】
以上のことから、実際の生産工程におけるリードタイムとサイクルタイムの過去の相関などの情報が無い場合には
【外９】
【００７５】
・半導体ウェーハ処理工程への適用
ＣＯＮＳＴＩＮ生産方式とそれに基づくシミュレーション手法の有効性を検証するため半導体ウェーハ処理工程のデータを用いて数値実験を行った。使用したのはアリゾナ州立大学のＭＡＳＭラボで公開されているＳＥＭＡＴＥＣＨのベンチマーク問題で、ＭＡＳＭラボのホームページ（ｈｔｔｐ：／／ｗｗｗ．ｗａｓ．ａｓｕ．ｅｄｕ／￥％７Ｅｍａｓｍｌａｂ／ｈｏｍｅ．ｈｔｍ）から入手できる。
【００７６】
本実施形態で取り上げた問題の概要を表１に示す。ただし、比較のために用いた事象駆動型シミュレータにおけるモデリング上の制限から、問題データの一部にベンチマーク問題から最小限の変更を加えた。
【００７７】
【表１】
【００７８】
・シミュレーション条件
本実施形態ではＣＯＮＳＴＩＮ生産方式及び、そのシミュレーションの基本的な性能検証を行うため、以下の仮定の上で実験を行った：（１）工程における処理時間は一定、（２）段取り時間は考慮しない、（３）作業員は考慮しない、（４）機械故障、廃棄、再加工などは生じない。したがって、本実施形態におけるシミュレーションには確率的な要素は含まれない。
【００７９】
今回の実験では、シミュレーションを実施する際のｒｅｌｅａｓｅＲｕｌｅとしては、需要量に基づいたコンスタントな投入規則を、ｗｉｐＴｒａｎｓｆｅｒＲｕｌｅとしては、全ての未処理の中間在庫を処理する規則を、ｓｏｒｔｉｎｇＲｕｌｅとしては投入レートと処理時間で正規化した上で、処理すべき中間在庫の多い工程を優先する規則を用いた。
【００８０】
Ｐｅｒｉｏｄパラメータに関しては、本実験ではウェーハ１枚当りの総処理時間の平均値は約８８６２分、平均工程数は２２１．７となるので、
【００８１】
【外１０】
【００８２】
Ｐｅｒｉｏｄの値を８０分と設定した。ＥｎｄＯｆＳｉｍｕｌａｔｉｏｎパラメータの値としては、シミュレーション結果が十分に定常状態に達するよう６ヶ月とし、その最後の１ヶ月間における結果の分析、検討を行った。
【００８３】
・シミュレーション結果と考察
本実施形態で提案したシミュレーション手法の有効性を検証するために、市販の事象駆動型シミュレータであるＢｒｏｏｋｓ Ａｕｔｏｍａｔｉｏｎ社のＡｕｔｏＳｃｈｅｄ ＡＰを用いて、シミュレーション結果の比較を行った。その比較結果を表２に示す。これらの結果より、シミュレーション結果に関しては、中間在庫以外は両者の結果はほぼ同等であると言える。
【００８４】
【表２】
【００８５】
中間在庫量に関しては、ＣＯＮＳＴＩＮ方式は一定周期の期間中、在庫の移動が禁じられるため中間在庫量が大きくなるのは当然であり、そうした中間在庫の存在がＣＯＮＳＴＩＮにおけるロバスト性向上の要因である。したがって、Ｐｅｒｉｏｄの値を設定する際には、中間在庫の大きさと生産のロバスト性のトレードオフを考慮する必要がある。
【００８６】
図８にシミュレーション結果によるＰｅｒｉｏｄの値の変化による中間在庫量の変化の様子を示す。この図から明らかなように、中間在庫の量はＰｅｒｉｏｄの値に応じてほぼ線形に増加する。
【００８７】
製品ｐの中間在庫量をＷｐとすると、
【００８８】
【数８】
【００８９】
が成り立つ。今、ｔが十分大きな値を取ると、シミュレーションは定常状態に達するため、投入量と生産量は等しくなり、在庫量は一定になる。したがって、
【００９０】
【外１１】
【００９１】
したがって、Ｐｅｒｉｏｄの値が大きい場合は、
【００９２】
【数９】
【００９３】
が成り立ち、この値は図８に示すようにシミュレーション結果と良く一致する。
【００９４】
処理速度の点では、Ｐｅｎｔｉｕｍ（登録商標）３（１．２ＧＨｚ）搭載のＰＣを用いて６ヶ月間のシミュレーションを行う際に必要とされた計算時間は、ＣＯＮＳＴＩＮ方式ではわずか５秒足らずで、市販の事象駆動型シミュレータのＡｕｔｏＳｃｈｅｄに比べて２０倍以上も高速である。ＣＯＮＳＴＩＮではＰｅｒｉｏｄの値を大きくすると計算速度はほぼ線形に増加するためｆｏｏｔｎｏｔｅ実験ではＰｅｒｉｏｄ値を４８０とすると、計算時間は約１秒となった。Ｐｅｒｉｏｄ の値を適切に設定することにより、リアルタイム性が要求される用途にもシミュレーションの適用が可能である。
【００９５】
・まとめ
多くの変動要因を持つ半導体などの製造工程では、在庫を削減しすぎるとスムーズな生産は不可能となる。しかしながら、在庫コントロールを適切に行わないと、リードタイムの悪化や死蔵在庫の増加という結果となる。本実施形態で述べたＣＯＮＳＴＩＮは、製造工程内の変動の大きさを中間在庫の移動周期に置き換えて考えることにより、各工程における適切な中間在庫量を算出することができる。そして、その中間在庫量を維持するように、各工程の生産制御を行うことにより製造工程全体のロバスト性を保つことができる。
【００９６】
更に、ＣＯＮＳＴＩＮ手法に基づく高速なシミュレーションにより、きめ細かな解析が可能となり、適切な投入レートやプロダクトミックスの設定、Ｐｅｒｉｏｄ期間内では解決できない機械故障が起きたときの対策の検討などが、シミュレーションにより高精度に実施できる。
【００９７】
上述の生産方法を実現するための生産システムの構成を図９に示す。図９において、１００は製品の製造を製造工程に沿って行う生産設備である。１１０は生産設備の製造工程を制御する制御システムであり、少なくとも１つのコンピュータシステムを有する。この制御システム１１０の中に本発明にかかわる制御用プログラムが記憶されている。制御用プログラムは記録媒体に記録しておき、記録媒体から制御システム１１０にインストールすればよい。
【００９８】
制御システム１１０が上記制御プログラムにより実行する処理内容について図１０を参照して説明する。
【００９９】
制御システム１１０は一定周期で図１０の処理手順（数６の関数で定義された処理）を繰り返し実行する。制御システム１１０は、生産設備の製造工程の生産状態を示す種々のパラメータ、たとえば、材料の投入量等を初期設定して、数７に示す関数により製造工程内における各工程の中間在庫量を計算する（ステップＳ１０→Ｓ２０）。なお、初期設定値は人手によりキーボード等から予め入力しておけばよいし、生産設備の生産に関する種々のパラメータを測定して、その測定結果を制御システム１１０に自動入力してもよい。
【０１００】
次に制御システム１１０は中間在庫量の計算結果と予め定めた許容値を比較する（ステップＳ３０）。中間在庫量の計算結果が許容値の範囲以下に収まる場合には、実際の製造工程内の中間在庫量がそこで設定された中間在庫量に等しくなるように、生産設備１１０を制御する（ステップＳ５０）。
【０１０１】
一方、中間在庫推移量が許容範囲以下に収まらない場合には、上記計算結果が許容範囲内に収まる方向に計算に使用するパラメータを予め定めた所定の値だけインクリメント（増加）またはデクリメント（減少）する（ステップＳ４０）。
【０１０２】
具体的には、中間在庫量が許容範囲よりも小さい場合には、製品の生産を増大させるように材料等の投入量を増やすようにパラメータを変更する。
【０１０３】
このパラメータの値に基づき生産設備１００の製造工程を制御する（ステップＳ５０）。以下、制御システム１１０は周期ごとに、生産制御（ステップ５０）の処理を実行すると、製品の生産量が増大し、中間在庫推移量が減少する。これにより、ＰＯＰ（Ｐｏｉｎｔ ｏｆ Ｐｒｏｄｕｃｔｉｏｎ）システムなどの生産実施状況をリアルタイムで計測する計測装置（図１の制御装置１１０内に設置）を用いてカウントされた各工程内に存在する中間在庫量が、ステップ２０で設定された中間在庫量の計算結果と等しくなった場合、生産設備１００の製造工程の生産が停止する。そして、次の周期になると、再びステップ５０の生産制御が実行され、生産設備の製造工程の生産が再開される。このような制御処理を行うことにより、制御システム１１０は中間在庫量を常に一定に保つように生産をおこなう。以下、このような制御を一定周期で繰り返し実行する。なお、上述の中間在庫量を計算するためのシミュレーション（このためのプログラムがシミュレターの機能を果たす）において、第１の実施形態に記載の時間間隔ベースシミュレータおよび規則生成器の機能を制御システム１１０に持たせ、制御システム１１０は規則生成器により生成された生産規則を使用して製造工程の中間在庫量を繰り返し計算するとよい。
【０１０４】
（用語の定義および意味）
ａ．中間在庫
生産工程内に存在する材料及び仕掛品のこと。これには、完成品の在庫は含まれない。
【０１０５】
ｂ．中間在庫の移動量（推移量）
生産は中間在庫が各工程を「移動」することにより進捗する。したがって、中間在庫の移動量は、１周期当りに工程において処理される中間在庫の量を意味する。
【０１０６】
ｃ．ワークステーション
生産機械（例えば、ステッパ−、ドライエッチング装置など）のこと。
【０１０７】
ｄ．製品の投入量
（需要予測に基づいた）計画に基づいて製品を生産するために、工程に投入される材料の量。投入レートは単位時間当りの投入量で、計画ではこれが需要レート（単位時間当りの需要量）と一致するように計画されるのが一般的である。
【０１０８】
ｅ．製造工程内の変動
本願では、主に故障などによる機械の稼働率、および歩留まり（全生産量における良品の割合）の変動。
【０１０９】
ｆ．移動周期
中間在庫が移動を行う周期。
【０１１０】
ｇ．ロバスト
日本語では「頑健性」と訳すことが多い。先に説明した変動が生じても、当初の計画通りに生産を実行していくことができる能力を意味する。
【０１１１】
ｈ．トレードオフ
複数の要件がある時に、妥協を得るために探る折り合いのこと。
【０１１２】
ｉ．プロダクトミックス
一つの生産工程で、複数の製品を生産する際に、その生産比率のこと。
【０１１３】
上述の実施形態は特許請求の範囲に記載された発明を理解するために例示されたものである。したがって、上記発明を実施するにあたっては、上述の実施形態以外にも種々の変形が存在するが、その変形が特許請求の範囲に記載された発明の技術思想に基づくものである限り、その変形は本発明の技術的範囲内となる。
【０１１４】
【発明の効果】
以上、説明したように、本発明によれば、高速な時間間隔ベースシミュレータを用いることにより、生産計画の対象とする生産工程、プロダクトミックス、生産量に対して、適切な生産規則（部品投入規則等）を自動的に生成することができ、大規模な半導体などの生産工程に対しても高品質な生産計画を立案することが可能になる。
【０１１５】
また、本発明によれば、中間在庫量が許容範囲内に向かうように製造工程が生産制御されるので、生産過程において無駄な中間在庫（部材の在庫）が発生しない。また、これにより生産効率が大幅に向上する。
【図面の簡単な説明】
【図１】本発明に係る生産計画システムの一実施の形態を示したブロック構成図である。
【図２】時間間隔シミュレータの処理概要を示したフローチャートである。
【図３】生産工程モデルと生産計画に含まれる製品、工程、機械に関する具体的情報の内容を示す図である。
【図４】時間間隔ベースシミュレータの実行の様子を時間軸上に表した図である。
【図５】生産状況更新の処理概要を示すフローチャートである。
【図６】ニューラルネットワークを用いた部品投入規則の学習モデルの一例を示す図である。
【図７】工程におけるＷＩＰの周期的推移を示す図である。
【図８】ＰｅｒｉｏｄによるＷＩＰの推移を示す図である。
【図９】第２実施形態のシステム構成を示すブロック図である。
【図１０】生産システムの処理手順を示すフローチャートである。
【符号の説明】
１ 生産計画システム
２ 生産工程モデル
３ 生産規則
４ 事象ベースシミュレータ
５ 生産計画
６ 時間間隔ベースシミュレータ
７ 規則生成器
【発明の属する技術分野】
本発明は、工場などでの生産計画を自動的に立案する計算機システムに係り、高品質な計画立案の際に必要とされる適切な生産規則を人手ではなく計算機により自動的に高速生成する機能を有する生産計画作成システム及び方法並びにプログラムに関する。
【０００２】
【従来の技術】
工場等における生産計画の作成を支援もしくは自動化する生産計画システムは過去に多数の提案があり、既に国内外で多くの製品が商用化されており、また多くの製造会社が独自のシステムを開発して自社で使用している。
【０００３】
従来、それらの多くの生産計画システムは設備能力を無限大と仮定するなど生産工程における制約を単純化してモデルを作成し、単純化されたモデルに対して線形計画法などの数理的最適化手法を適用して概略解を求めるアプローチを採っている。
【０００４】
半導体、液晶などに代表されるハイテク部品の製造工程は、非常に多くの繰り返し工程で構成されており、自動車などの製品の製造工程に比べると格段に大規模かつ複雑なものであり、通常、その工程数は数百、製造リードタイムは数ヵ月にも及ぶ（たとえば、非特許文献１参照）。さらに、それらハイテク部品産業では製品競争力を高めるために新たな製造プロセス技術が次々と開発され、それら最新鋭の製造プロセスが時を移さず実際の製品生産に適用されるため、製造現場において製造プロセスが安定して稼働することは稀であり、ハイテク部品の生産計画立案に当っては製造機械の故障や製品の品質不良など、製造における変動要因を常に考慮する必要がある。
【０００５】
したがって、ハイテク部品などのように多くの変動要因を製造工程に抱える製品の生産においては、成熟した製造工程を持つ自動車産業などで有効とされるカンバン型生産方式に見られるように中間在庫（ＷＩＰ）をゼロにすることを目指すのではなく、機械故障に伴う製造能力の変化や品質不良に伴う廃棄やリワークなどの影響をできるだけ受けないで、安定的な製品産出を実現しうる最小限の適正在庫量を設定し、それを維持するように生産計画を立案し、製造を行うことが重要である。ただし、無駄な在庫を抑えるためには、その前提条件として精度の高い需要予測が必要である。現在、高精度な需要予測はハイテク産業のＳＣＭにおける重要な課題とされ、米国の半導体業界では１年間程度の需要予測を２２％以下の誤差で行うことが当面の希望的目標とされている（たとえば、非特許文献６参照）。
【０００６】
ハイテク部品の生産計画の立案に際しては、その製造工程が大規模複雑であるため数理的手法による最適化は計算時間の点で適用が困難であり、例えば半導体ウェーハ製造に関しては、従来からシミュレーション手法に基づくスケジューリングにおいて、様々なジョブ投入ルールやディスパッチングルールの有効性の検証が数多く行われてきた（たとえば、非特許文献５，７参照）。
【０００７】
しかしながら近年では、計算速度の向上や計算機価格の低下に伴って、現実の生産工程の精密なモデルに対して工程内の在庫の推移を忠実に事象ベースでシミュレート（各部品の状態変化、たとえば処理終了、ごとに工程の状況変化を計算する）することが可能になり、数多くの単純な生産規則に基づくシミュレーションを試行錯誤的に繰り返すことにより、その中で最も高品質な生産計画を選択するアプローチが、特に半導体製造などの非常に複雑な生産工程において、主流となっている。しかしながら、大規模で複雑な生産工程のシミュレーションには依然として多大な時間が必要とされるため、高品質な生産計画を立案する適切な生産規則を試行錯誤的に発見するのは困難である。従来の生産計画システムでは、この最も重要で困難な生産規則の発見に対する支援機能は備えられておらず、高品質な生産計画を立案するには専ら生産計画立案作業者の熟練と勘とに頼らざるを得なかった。
【０００８】
更に最近では、人工知能（ＡＩ）技術の進展により、計算機により自動的に適切な規則を生成する試みが行われ、生産計画問題に適用された研究事例（例えば、”Ｌｅａｒｎｉｎｇ ｓｃｈｅｄｕｌｉｎｇ ｃｏｎｔｒｏｌ ｋｎｏｗｌｅｄｇｅ ｔｈｒｏｕｇｈ ｒｅｉｎｆｏｒｃｅｍｅｎｔｓ” Ｍｉｙａｓｈｉｔａ， Ｋ．， Ｉｎｔｅｒｎａｔｉｏｎａｌ ｔｒａｎｓａｃｔｉｏｎｓ ｉｎ ｏｐｅｒａｔｉｏｎａｌ ｒｅｓｅａｒｃｈ，Ｖｏｌ．７， Ｎｏ．２， ｐｐ．１２５−１３８， ２０００． 、”Ｊｏｂ−Ｓｈｏｐ Ｓｃｈｅｄｕｌｉｎｇ ｗｉｔｈ Ｇｅｎｅｔｉｃ Ｐｒｏｇｒａｍｍｉｎｇ” Ｍｉｙａｓｈｉｔａ， Ｋ．， Ｐｒｏｃ． ｏｆ ｔｈｅ Ｇｅｎｅｔｉｃ ａｎｄ Ｅｖｏｌｕｔｉｏｎａｒｙ Ｃｏｍｐｕｔａｔｉｏｎ Ｃｏｎｆｅｒｅｎｃｅ， ｐｐ．５０５−５１２， ２０００．、「階層型ニューラルネットワークを用いた動的ジョブショップスケジューリング−ロバストスケジューリングのための二段階学習法−」、江口他、スケジューリングシンポジウム、ｐｐ．８９−９４、２００１ ）もある。しかしながら、それらの手法を現実の大規模な生産工程を対象にした生産計画問題に適用するのは、規則の学習に要する計算時間の点から実現困難であり、適切な生産規則の自動生成機能を備えた実用的な生産計画システムは未だ存在しない。
【０００９】
さらに、従来のシミュレーション方式に基づくスケジューリングには以下のような問題点がある（非特許文献８参照）。
・適切なプロダクトミックスや投入レートを決定する際に、実際の製造工程における変動を考慮して十分な試行錯誤による検討を行うためには、依然として計算時間がかかり過ぎる。
・シミュレーションによって決定された作業内容が、製造実施現場における種々の変動要因により現実の製造状況から乖離しやすく、またそうした事態に対応するための有効な作業指示もスムーズに行えない。
それらの問題に対処するため、ハイテク部品の生産計画立案には、より高速で、ロバストな生産指示が可能なシミュレーション手法が必要である。
【００１０】
【非特許文献１】
Ｌｉｎｄａ Ｆ Ａｔｈｅｒｔｏｎ ａｎｄ Ｒｏｂｅｒｔ Ｗ． Ａｔｈｅｒｔｏｎ． Ｗａｆｅｒ ｆａｂｒｉｃａｔｉｏｎ： Ｆａｃｔｏｒｙ ｐｅｒｆｏｒｍａｎｃｅ ａｎｄ Ａｎａｌｙｓｉｓ． Ｋｌｕｗｅｒ Ａｃａｄｅｍｉｃ Ｐｕｂｌｉｓｈｅｒｓ， １９９５
【００１１】
【非特許文献２】
Ｌ． Ｇｏｎｇ ａｎｄ Ｈ． Ｍａｔｓｕｏ． Ｃｏｎｔｒｏｌ Ｐｏｌｉｃｙ ｆｏｒ ｍａｎｕｆａｃｔｕｒｉｎｇ ｓｙｓｔｅｍｗｉｔｈ ｒａｎｄｏｍ ｙｉｅｌｄ ａｎｄ ｒｅｗｏｒｋ． Ｊｏｕｒｎａｌ ｏｆ Ｏｐｔｉｍｉｚａｔｉｏｎ Ｔｈｅｏｒｙ ａｎｄ Ａｐｐｌｉｃａｔｉｏｎｓ， ９５（１）：１４９−１７５， １９９７．
【００１２】
【非特許文献３】
Ｗａｌｌａｃｅ Ｊ． Ｈｏｐｐ ａｎｄ Ｍａｒｋ Ｌ．Ｓｐｅａｒｍａｎ． ＦＡＣＴＯＲＹ ＰＨＹＳＩＣＳ． ＭｃＧｒａｗ−Ｈｉｌｌ， ｓｅｃｏｎｄ ｅｄｉｔｉｏｎ， ２０００．
【００１３】
【非特許文献４】
Ｊ． Ｄ． Ｃ． Ｌｉｔｔｌｅ． Ｐｒｏｏｆ ｏｆ ｔｈｅ ｑｕｅｕｅｉｎｇ ｆｏｒｍｕｌａ Ｌ＝λＷ． Ｏｐｅｒａｔｉｏｎｓ Ｒｅｓｅａｒｃｈ， ９：３８３３８７， １９６１．
【００１４】
【非特許文献５】
Ｏｌｉｖｅｒ Ｒｏｓｅ． Ｔｈｅ ｓｈｏｒｔｅｓｔ ｐｒｏｃｅｓｓｉｎｇ ｔｉｍｅ ｆｉｒｓｔ （ＳＰＴＦ） ｄｉｓｐａｔｃｈｉｎｇ ｒｕｌｅ ａｎｄ ｓｏｍｅ ｖａｒｉａｎｔｓ ｉｎ ｓｅｍｉｃｏｎｄｕｃｔｏｒ ｍａｎｕｆａｃｔｕｒｉｎｇ． Ｉｎ Ｐｒｏｃｅｅｄｉｎｇ ｏｆ ｔｈｅ ２００１ Ｗｉｎｔｅｒ Ｓｉｍｕｌａｔｉｏｎ Ｃｏｎｆｅｒｅｎｃｅ， ｐａｇｅｓ １２２０−１２２４． ＩＮＦＯＲＭＳ， ２００１．
【００１５】
【非特許文献６】
Ｒｏｂｉｎ Ｒｏｕｎｄｙ． Ｒｅｐｏｒｔ ｏｎ ｐｒａｃｔｉｃｅｓ ｒｅｌａｔｅｄ ｔｏ ｄｅｍａｎｄ ｆｏｒｅｃａｓｔｉｎｇ ｆｏｒ ｓｅｍｉｃｏｎｄｕｃｔｏｒ ｐｒｏｄｕｃｔｓ． Ｔｅｃｈｎｉｃａｌ ｒｅｐｏｒｔ， Ｓｃｈｏｏｌ ｏｆ Ｏｐｅｒａｔｉｏｎｓ Ｒｅｓｅａｒｃｈ ａｎｄ Ｉｎｄｕｓｔｒｉａｌ Ｅｎｇｉｎｅｅｒｉｎｇ， Ｃｏｒｎｅｌｌ Ｕｎｉｖｅｒｓｉｔｙ， ２００１．
【００１６】
【非特許文献７】
Ｌａｗｒｅｎｃｅ Ｍ． Ｗｅｉｎ． Ｓｃｈｅｄｕｌｉｎｇ ｓｅｍｉｃｏｎｄｕｃｔｏｒ ｗａｆｅｒ ｆａｂｒｉｃａｔｉｏｎ． ＩＥＥＥ ｔｒａｎｓａｃｔｉｏｎ ｏｎ Ｓｅｍｉｃｏｎｄｕｃｔｏｒ Ｍａｎｕｆａｃｔｕｒｉｎｇ， １（３）：１１５−１３０．１９８８．
【００１７】
【非特許文献８】
荒川雅弘，冬木正彦，井上一郎．ＡＰＳにおける最適化志向シミュレーションベーススケジューリング法の検討．スケジューリングシンポジウム２００１講演論文集，ｐｐ．４７−５２，スケジューリング学会，２００１
【００１８】
【非特許文献９】
柏瀬博幸．半導体の生産スケジューリングの方法と高速シミュレーションモデル． 修士論文， 筑波大学，２００２．
【００１９】
【発明が解決しようとする課題】
従来の生産計画手法では、高品質な生産計画を作成するための適切な生産規則は予め人間が与えなければならないが、大規模で複雑な生産工程における適切な生産計画規則を人手によって作成するのは困難である。
【００２０】
また、従来の人工知能技術における学習手法を単純に適用するだけでは、半導体などの大規模複雑な生産工程に対して規則生成を自動化するためには時間がかかりすぎて、実用的ではない。
【００２１】
本発明は、主に、大規模複雑な生産工程を有する半導体などの製品の生産効率を大幅に改善することを目的としている。
【００２２】
従たる目的の１つは大規模複雑な生産工程に対しても、高品質な生産計画を立案できる生産規則を高速に自動生成するための機能を備えた生産計画システムを実現することにより、大規模複雑な生産工程を有する半導体などの製品の生産効率を大幅に改善することを目的としている。
【００２３】
従たる他の目的の１つは、中間在庫の量を所定範囲内に収めるように生産工程を制御して製品の生産効率を大幅に改善することを目的としている。
【００２４】
【課題を解決するための手段】
本発明の生産計画作成システム及び方法並びにプログラムは、生産工程モデル及び生産規則を用いて、事象ベースシミュレータが工場内の製品の動きをシミュレートすることにより生産計画の立案を行う。一定時間ごとの生産工程の状況を計算する時間間隔ベースシミュレータと、該時間間隔ベースシミュレータを用いて前記生産規則を自動的に導出する規則生成器とを備える。この時間間隔ベースシミュレータを用いて生産計画を高速に幾度も繰り返し立案することにより、規則生成器が逐次的最適化手法に基づく機械学習を応用して、生産規則を効率的に自動生成することができ、これにより生成された生産規則を用いて事象ベースシミュレータが高品質な生産計画を立案する。
【００２５】
本発明は、さらに製造工程の中間在庫量を繰り返し計算するシミュレータと、前記シミュレータの計算結果が許容範囲以下になるように前記シミュレータの計算に使用するパラメータの値を決定し、該パラメータの値に基づき前記製造工程の生産制御を行う制御システムとを備えたことを特徴とする。
【００２６】
【発明の実施の形態】
（第１の実施形態）
以下本発明の好適な実施の形態について、図面に基づいて説明する。図１は、本発明に係る生産計画システムの一実施の形態を示したブロック構成図である。生産工程モデル２は、製品を生産している工場において製造に関連する情報を計算機内のモデルとして表現したものである。ここでモデル化されるのは、製造装置に関する情報（装置の種類、台数、能力、故障率など）、製造作業者に関する情報（シフト、能力、人数など）、製品の製造方法に関する情報（使用する機械、作業者、加工時間、搬送時間、良品率、再加工率など）、製品に関する情報（生産量、投入時間、納期など）などの情報である。これらの情報に基づいて、計算機内に現実の工場に関する詳細なモデルを作成し、そのモデルを用いて工場内の製品の動きを計算機によりシミュレートし、生産計画立案者はシミュレーション結果から、いつ投入した製品がいつ完成するか、各機械にはどの程度在庫が溜まるかなどの情報を得て、望ましい生産計画５の立案を行う。
【００２７】
図１中のブロック１は生産計画システム全体を表わしている。生産工程モデル２は工場に存在する機械の性能、台数や、工場で生産される製品の工程や数量などを表現した工場の静的なモデルであり、その情報だけでは実際に工場内を物が流れて材料から製品へと動的に変化していく様子をシミュレートすることはできない。工場の動的な側面をモデル化するのは生産規則３である。生産計画システム１で必要とされる主たる生産規則３には大きく分けて２種類の規則がある。
【００２８】
その一つは、製品の材料を投入するタイミングを決定する部品投入規則である。この規則としては、例えば一定間隔ごとに一定量の材料を投入する規則や、製品として出荷された分だけを新たに材料として投入する規則などがある。もう一つの重要な生産規則３は差立規則（もしくは、ディスパッチング規則）と呼ばれるものである。差立規則は、工場の生産機械前のバッファに複数の部品が加工待ちをしている際に、機械が加工可能な状態になった際に、どの部品を引き当てるのかを決定する規則である。差立規則としては、例えば先にバッファに入った部品を優先する（Ｆｉｒｓｔ Ｉｎ Ｆｉｒｓｔ Ｏｕｔ）規則、納期が最も近い製品の部品を優先する（Ｅａｒｌｉｅｓｔ Ｄｕｅ Ｄａｔｅ） 規則など、数多くの規則がこれまでに提案されている（Ｒ． Ｗ． Ｃｏｎｗａｙ 他、”Ｔｈｅｏｒｙ ｏｆ Ｓｃｈｅｄｕｌｉｎｇ”， Ａｄｄｉｓｏｎ−Ｗｅｓｌｅｙ（１９８６））。これらの生産規則３は工場の動的な側面を全てコントロールするため、どのような生産規則３を用いるかで工場での生産の様子は大きく変化することになる。したがって、対象となる工場の生産工程モデル２に対して、どのような生産規則３を適用すると効率的な生産が実現するかを判断することが工場の生産管理者にとって最も重要な責務である。従来の生産計画システム１では、生産規則３は生産計画立案者が自ら入力することが前提とされており、それに対してユーザを支援する機能は、予め多数の一般的な規則を選択可能な形で準備しておく以上のことは実現されていない。
【００２９】
生産工程モデル２および生産規則３が定義されると、それらの情報を用いて実際に工場における生産工程のシミュレーションを行うことができる。このシミュレーションを実行するのが事象ベースシミュレータ４である。事象ベースシミュレータ４では逐次的に内部クロックを進めていき、そのタイミングにおいて発生した変化（事象、イベントとも言う）に応じて、生産規則３を適用して生産工程における動的な変化をシミュレートする。例えば、ある時刻において、生産工程モデル２中の一つの機械における加工が終了する（即ち、事象ベースシミュレータ４内で、当該機械における現在加工中の部品について、加工開始時間に加工時間を加えた値が現時刻に一致する）際には、その機械のバッファで加工を待っている部品の中から生産規則３中の差立規則を用いて次に加工する部品を引き当て、作業者や材料などの必要な条件が整っていれば加工を開始する。事象ベースシミュレータ４は、シミュレーション開始時間から終了時間まで上のような操作を行いながら内部クロックを進めていくことにより、その時間内で生じる工場内の変化を全て再現し、その結果を生産計画５として出力する。生産計画５には、時間軸に沿って工場中のそれぞれの機械がいつ、何の部品をどれだけの数量加工するのかという情報が記録される。更に、その情報に基づいて設備稼働率、生産リードタイム、納期遅れなど、生産実施に関係する様々な値が算出され、立案された生産計画５の品質として評価される。
【００３０】
これまで述べてきた、生産工程モデル２、生産規則３、事象ベースシミュレータ４、生産計画５は従来技術と何ら変わらないものである。本発明の特徴は生産計画システム１中に生産規則３を高速に自動生成するために、時間間隔ベースシミュレータ６と規則生成器７を備えることである。先に説明したように生産規則３は工場の動的な性質を決定する重要なものであり、その良し悪しが立案される生産計画５の品質の差となる。したがって、適切な生産規則３を高速に自動生成することは、工場における生産効率を著しく改善する効果がある。
【００３１】
人工知能（ＡＩ）技術を用いて、適切な生産規則３を生成するための基本原理は逐次的最適化である（Ｔ． Ｍｉｔｃｈｅｌｌ， ”Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ”， ＭｃＧｒａｗ−Ｈｉｌｌ （１９９７））。即ち、ある生産規則３を用いて生産計画５を立て、立案された計画の品質を改善するように生産規則３の改良を行う、という処理を逐次的に繰り返すことによって、より適切な生産規則３を生成するというものである。しかしながら、このようなやり方には大きな問題が存在する。生産計画立案対象となる現実の工場は大規模複雑であるため、繰り返し生産計画５を立てるには膨大な計算時間が必要とされる。一方、一般に工場で生産される製品や使用される設備は不変ではなく、現代の高競争、多品種少量生産の生産環境ではむしろ短いサイクルで変更されるのが通常である。したがって、膨大な計算時間を費やして生産規則３を自動生成できたとしても、その規則を使用する際には既に工場の生産工程モデル２が変化していて、生成された生産規則３が有効でなくなる可能性が高く、そうした手法によって生成された生産規則３の現実的な実用性は低い。
【００３２】
したがって、現実の生産現場に有効な生産計画システム１を実現するためには、現実の生産環境の変化と遊離しない適切なタイミングで有効な生産規則３を適宜生成しなければならない。逐次的最適化手法に基づく機械学習を応用した規則生成器７を用いて、生産規則３を効率的に自動生成するためには生産計画を幾度も繰り返し高速に立案できるシミュレータが必要である。それが図１中の時間間隔ベースシミュレータ６である。
【００３３】
図２は時間間隔シミュレータ６の処理概要を示したフローチャートである。時間間隔シミュレータ６では、生産工程モデル２に含まれるデータを用いて生産計画５を立案するが、まず処理の開始にあたり必要なデータの設定及び初期化８を行う。図３に生産工程モデル２と生産計画５に含まれる製品１２、工程１３、機械１４に関する具体的情報の内容を示す。データ初期化８においては、図３中の投入量、総生産量、生産量、需要量、仕掛量、稼働率など、最終的に立案された生産計画５に含まれるべきデータの初期化を行う。そして、図３中の所与条件で示された、受注レート、工程フロー、使用機械、処理時間、台数など、生産工程モデル２に記述された生産計画立案条件をデータファイルから読み込み、シミュレーションを実行するための時間間隔及び終了時間を設定する。
【００３４】
図４は時間間隔ベースシミュレータ６の実行の様子を時間軸上に表したものである。時間間隔ベースシミュレータ６の実行に際しては、データ設定処理８で設定された時間間隔に従ってシミュレーション終了時間に至るまで生産状況更新１０が繰り返し行われる（ステップ９）。ここで時間間隔とはシミュレーション実行の時間的詳細度を規定するもので、ここで定められた時間間隔内（例えば１時間）では工程間の在庫の移動は生じないと仮定する。そして、シミュレーションの実行は、この時間間隔ごとにシミュレータの内部時間を進めて、時間間隔ごと（ここでは時区１５と呼ぶ）における生産の進捗の様子を計算することである。この時間間隔を適切に設定することにより、事象（またはイベントと呼ばれる）として生産工程内に在庫の移動が生じるごとに頻繁に生産の進捗状況の更新を行う従来の事象ベースシミュレータ４に比べて大幅な計算量の削減が可能になり、シミュレーション結果の精度を保ちながら効率的にシミュレーションを実行することが可能になる。
【００３５】
図５は生産状況更新１０の処理概要を示すフローチャートである。時間間隔ベースシミュレータ６の生産状況更新１０の処理に際しては、生産工程に含まれる全ての機械に対して、設定された時間間隔毎に生産される部品の量が計算される（ステップ１６）。その際、まず直前の時区までに機械に投入された部品の内、現在までに加工が完了している部品の量を計算し、その部品に割り付けられていた機械能力を解放することにより、当該機械の稼働率の値を更新する（ステップ１７）。その後、その機械で加工される全ての工程に対して、設定された時間間隔内で生産される部品の量が計算される（ステップ１８）。その際には、まず現時区内における工程の生産需要量を算出する（ステップ１９）。当該工程が、製品の先頭工程であれば、その需要量は先に説明した生産規則３中の部品投入規則によって計算される。当該工程が先頭工程でない場合は、その需要量は前工程の前時区での完成量と、前時区で当該工程に残された在庫量の和に等しく設定される。即ち、前時区で発生した前工程からの加工品は全て当該工程に移送され現時区で処理されるものとする。次に、そうして算出された需要量に対し、実際に実現可能な生産量の計算を行う（ステップ２０）。その際には、上で求められた生産需要量の内、現時区で利用可能な機械能力内で生産される量（即ち、機械台数×稼働率×時間間隔／処理時間）、および機械能力を超える需要量がある場合には次時区以降で処理される在庫量が計算される（ステップ２１）。そして最後に、算出された生産量を生産するために割り付けるべき機械能力（即ち、時間間隔／（機械台数×処理時間））を求めて機械稼働率を更新し（ステップ２２）、順次、当該機械で加工する全工程の生産量の計算処理を行う（ステップ１８）。ここで同一機械への割付を行う工程の順序は、生産規則３中の差立規則を用いて決定される。
【００３６】
以上のように時間間隔ベースシミュレータ６を用いることにより高速な生産計画立案が可能になるが、時間間隔ベースシミュレータ６を用いる場合にも上で示したように生産規則３の部品投入規則や差立規則が必要である。そこで、規則生成器７を用いて規則を生成し、立案された生産計画５の品質を評価して逐次的に生産規則の改良を行うことにより、生産工程モデル２に対して適切な生産計画５を立案できる生産規則３の自動生成を実現する。規則生成器７の実現方法としてはニューラルネットワーク（Ｃ． Ｍ． Ｂｉｓｈｏｐ， ”Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ ｆｏｒ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ”， Ｏｘｆｏｒｄ Ｕｎｉｖｅｒｓｉｔｙ Ｐｒｅｓｓ （１９９５））、分類子システム（Ｐ． Ｌ． Ｌａｎｚｉ ｅｔａｌ．， ”Ｌｅａｒｎｉｎｇ Ｃｌａｓｓｉｆｉｅｒ Ｓｙｓｔｅｍ”， Ｓｐｒｉｎｇｅｒ （２０００））、判別木学習（Ｊ． Ｒ． Ｑｕｉｎｌａｎ， ”Ｃ４．５：Ｐｒｏｇｒａｍｓ ｆｏｒ Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ”， Ｍｏｒｇａｎ Ｋａｕｆｍａｎｎ （１９９３））など、人工知能分野では逐次的最適化に基づく機械学習手法として数多くの手法が提案されており、その何れを用いても基本的には実現可能である。ここでは発明の一実施形態として、規則生成器７にニューラルネットワークを用いた例を説明するが、本発明の概念はニューラルネットワークを用いた実施例に限らず、規則生成器として逐次的最適化に基づいた全ての機械学習手法を包含するものである。
【００３７】
図６は一実施例として、ニューラルネットワークを用いた部品投入規則の学習モデルの例を示している。このニューラルネットワークは機械ごともしくは生産計画システム１ごとに設置される。ニューラルネットワークの入力情報としては、生産工程の状況やオーダーの状況を定量的に示すものとして適当な、在庫量、機械稼働率、納期からの遅滞量（バックオーダー）、機械で処理すべき工程の残加工時間の和、などの情報が用いられ、ニューラルネットワークの出力はそうした状況にある際に選択すべき部品投入規則（００から１１の４種類の規則のいずれか）である。ニューラルネットワークの学習に際しては、当初ランダムな値が割り当てられたノード間の重み値を、シミュレーティッドアニーリングなどの逐次的最適化手法を用いて改良することにより、高品質な生産計画５を出力できる部品投入規則を学習する。この際、あるノードの重み集合を用いて計画された生産計画５の品質を評価し、重みの値に些少の変化を与えた影響により生産計画５の品質を改善するように重みの値を逐次的に変更していくため、数千から数万回という膨大な回数の生産計画立案処理を行う必要がある。そのため、従来の事象ベースシミュレータ４では現実的な規模の工場などの生産計画立案に適用することは困難であり、本発明における時間間隔ベースシミュレータ６が必要不可欠となる。
【００３８】
（第２の実施形態）
本実施形態では、まず製造における種々の変動に対して安定した生産を実現するために、一定時間周期でのみ工程間の中間在庫の移動を行う生産方式を提案する。そして、提案した生産方式に対するシミュレーション手法として、前述の時間間隔ベースシミュレーション６を適用する。更に、現実的な半導体ウェーハ製造工程（前工程）のデータを用いて、提案された生産方式に基づく時間間隔ベースシミュレーション６が従来のシミュレーション手法に比べて、数十倍も高速に同等な計算結果を算出することを示す。
【００３９】
・ＣＯＮＳＴＩＮ’’生産方式
本願発明者はハイテク部品などのように、大規模複雑で変動要素が大きな製造プロセスに対して、ロバストな生産が実施可能な生産方式として、”ＣＯＮＳＴＩＮ’’（ＣＯＮＳｔａｎｔ Ｔｉｍｅ ＩＮｔｅｒｖａｌ）生産方式を提言する。ＣＯＮＳＴＩＮでは、製造プロセスの全ての工程は同期して実施されており、中間在庫は一定周期でのみ工程間を移動する（図７参照）。しかも、１周期での中間在庫の移動量は最大１工程まで、即ち次工程を越えて移動することはないものとする。
【００４０】
ＣＯＮＳＴＩＮでは、ある工程に機械故障や品質不良などの変動が起きた場合でも、それらが周期内で解決されるか、前後の工程に十分な量の中間在庫が計画されていれば、当該工程を越えて変動の影響が波及することを防ぐことが可能である。したがって、ＣＯＮＳＴＩＮ方式はロバストな製造実施を行うことができる生産方式であると言うことができる。
【００４１】
しかしながら、ＣＯＮＳＴＩＮは中間在庫の自由な移動を制限することによってロバスト性を改善しており、適切な運用を行わなければ貴重な生産能力（資源）を有効に活用することはできない。本実施形態では、シミュレーションにより、周期の値や各工程における在庫量を適切に設定することで、そうした問題が解決されることを示す。
【００４２】
・モデル
本実施形態で扱うＣＯＮＳＴＩＮ生産方式における生産工程のモデルを以下に概説する。なお、本モデルの近似的な数学的解析に関してはＧｏｎｇら（非特許文献２参照）によるものがある。
【００４３】
本実施形態では次の記号を用いて定式化を行う。
ｍ ＝ワークステーション台数；
ｇ ＝ 製品数；
ｎｐ＝製品ｐの工程数（ただし、ｎ０ ＝ ０）；
ｎ ＝全製品の工程数の和；
ｃ ＝（ｃ１， ｃ２， ．．． ， ｃｍ）Ｔ， １周期におけるワークステーションの生産能力；
ｓｉ ＝工程ｉにおける処理時間；
Ｓ ＝ｍ×ｎ処理時間行列；工程ｉがワークステーションｋで処理されるとき（ｋ，ｉ）要素の値はｓｉ、他の場合は０；
ｒｐ（ｔ） ＝製品ｐの周期ｔにおける投入量；
【００４４】
【外１】
【外２】
【外３】
【外４】
【外５】
ＣＯＮＳＴＩＮ方式における周期毎の中間在庫の推移は、以下のように表される。
・工程ｉが先頭工程の場合
【００５０】
【数１】
上記以外の場合
【００５２】
【数２】
周期毎の生産開始量、生産量はその時点での中間在庫量を上回れないため、以下の関係が成り立つ。ただし、工程におけるリードタイムが設定された周期より長い場合などの場合は、生産開始量が生産量よりも常に大きいとは限らない。
【００５４】
【数３】
【数４】
また、ワークステーションの生産能力は有限であり、それを越えて生産を開始することは不可能であるため以下の制約が成り立つ。
【００５７】
【数５】
・シミュレーション手法
ＣＯＮＳＴＩＮ生産方式では、従来の事象駆動型シミュレーションのように生産プロセスで起きる全ての事象による状態変化を逐一計算するのではなく、周期毎に各工程における中間在庫量の推移を計算するだけで生産工程のシミュレーションが行える。したがって、従来のシミュレーション手法に比して著しい計算速度の向上が期待され、大規模複雑なハイテク部品の生産工程のシミュレーション手法として有効であると考えられる。
【００５９】
・シミュレーション方法の概要
ＣＯＮＳＴＩＮ方式のシミュレーションは、数６に記すループを実行することによって実施される。
【００６０】
【数６】
その際に設定すべきパラメータは、ＣＯＮＳＴＩＮの周期を決定するＰｅｒｉｏｄ定数とシミュレーション時間を決めるＥｎｄＯｆＳｉｍｕｌａｔｉｏｎ定数である。前者を決定するための目安については後で述べる。後者のシミュレーション時間の決定に当っては、シミュレーション結果が定常状態に安定するために必要なだけの時間を設定する必要がある。したがってＰｅｒｉｏｄの値が大きいほど、ＥｎｄＯｆＳｉｍｕｌａｔｉｏｎも大きな値を設定する必要がある。
【００６２】
シミュレーションの中核部であるｒｕｎＦｏｒＰｅｒｉｏｄ関数では、数７に記すように各ワークステーションにおける中間在庫の推移に関する計算が行われる。
【００６３】
先頭工程におけるシミュレーション時間ｔにおける中間在庫量は、事前の中間在庫量に新たな投入量を加えたものになる。この投入規則数７中の ｒｅｌｅａｓｅＲｕｌｅ関数）を変更することにより、ＣＯＮＳＴＩＮはＭＲＰ的なプッシュ型の生産やＣＯＮＷＩＰ（非特許文献３参照）的なプル型の生産を実現することができる（非特許文献９）。
【００６４】
【数７】
各工程における中間在庫の内、現周期でどれだけの量をワークステーションで処理するかを決定する規則が数７中のｗｉｐＴａｎｓｆｅｒＲｕｌｅ関数である。ここでは、当該工程の前後の工程における中間在庫の量や、現時点までの製品の完成量、前後の工程におけるワークステーションの稼働状況などを考慮して、できるだけ平準的な生産が行われるように、各工程における中間在庫の推移量を決定する必要がある。
【００６６】
各工程における中間在庫の内、現周期で処理すべき量が決定された後、数７中のｓｏｒｔｉｎｇＲｕｌｅ関数で、ワークステーションにおける各工程の優先順位に基づき、各工程の処理順序が決定される。この順序の後方の工程は、ワークステーションの処理能力の限界により現周期では処理されないことがあり得る。各工程の優先順位の決定は、従来のディスパッチング規則を適用することも可能である。ワークステーションで処理されるべき各工程の中間在庫量とその処理順序が決定した後は、数７のｃａｌＰｒｏｄｕｃｔｉｏｎ関数で、工程のタイプ（ロット生産、バッチ生産など）に応じて、それらの処理に必要なワークステーションの能力や時間が計算され、ワークステーションの稼働状況、各工程における中間在庫量などの値が更新される。
【００６７】
・周期パラメータの設定
ＣＯＮＳＴＩＮ方式でシミュレーションを実行するに当って、予め決定する必要がある重要なパラメータはＰｅｒｉｏｄ定数である。Ｐｅｒｉｏｄの値を大きく取って、定常状態に至るまでシミュレーションを行えば、変動要因に対するロバスト性は高いものの、工程内に多くの中間在庫を抱える結果となり、逆にＰｅｒｉｏｄの値を小さくするとロバスト性は低くなり、シミュレーションの計算速度も低下する。したがって、適切なＰｅｒｉｏｄの値はシミュレーションの目的に応じて設定する必要がある。ただし、用途に応じて値を決定する際の基準となるＰｅｒｉｏｄの値は以下のように求めることができる。
【００６８】
ｒを投入レート、ｌｉをワークステーション当りの工程数、ｄをＰｅｒｉｏｄの値とすると、定常状態におけるワークステーションでの１周期における生産量ｚｉは、ｚｉ＝ｒｌｉｄとなる。ＣＯＮＳＴＩＮでは生産量は中間在庫量よりも常に小さい
【００６９】
【外６】
一方、サイクルタイムの値をｙとすると、定常状態ではスループットの値はｒに等しいので、待ち行列に関するＬｉｔｔｌｅの公式 （非特許文献４）より、ｗ＝ ｒｙが成り立ち、上の不等式から
【００７１】
【外７】
ｌの値は生産工程のモデルから明らかであるが、サイクルタイムには行程での理時間に加えて待ち時間が含まれるため、一般にその値ｙは不明である。しかし、サイクルタイムは工程における生産リードタイムよりも常に大きいので、
【００７３】
【外８】
以上のことから、実際の生産工程におけるリードタイムとサイクルタイムの過去の相関などの情報が無い場合には
【外９】
・半導体ウェーハ処理工程への適用
ＣＯＮＳＴＩＮ生産方式とそれに基づくシミュレーション手法の有効性を検証するため半導体ウェーハ処理工程のデータを用いて数値実験を行った。使用したのはアリゾナ州立大学のＭＡＳＭラボで公開されているＳＥＭＡＴＥＣＨのベンチマーク問題で、ＭＡＳＭラボのホームページ（ｈｔｔｐ：／／ｗｗｗ．ｗａｓ．ａｓｕ．ｅｄｕ／￥％７Ｅｍａｓｍｌａｂ／ｈｏｍｅ．ｈｔｍ）から入手できる。
【００７６】
本実施形態で取り上げた問題の概要を表１に示す。ただし、比較のために用いた事象駆動型シミュレータにおけるモデリング上の制限から、問題データの一部にベンチマーク問題から最小限の変更を加えた。
【００７７】
【表１】
・シミュレーション条件
本実施形態ではＣＯＮＳＴＩＮ生産方式及び、そのシミュレーションの基本的な性能検証を行うため、以下の仮定の上で実験を行った：（１）工程における処理時間は一定、（２）段取り時間は考慮しない、（３）作業員は考慮しない、（４）機械故障、廃棄、再加工などは生じない。したがって、本実施形態におけるシミュレーションには確率的な要素は含まれない。
【００７９】
今回の実験では、シミュレーションを実施する際のｒｅｌｅａｓｅＲｕｌｅとしては、需要量に基づいたコンスタントな投入規則を、ｗｉｐＴｒａｎｓｆｅｒＲｕｌｅとしては、全ての未処理の中間在庫を処理する規則を、ｓｏｒｔｉｎｇＲｕｌｅとしては投入レートと処理時間で正規化した上で、処理すべき中間在庫の多い工程を優先する規則を用いた。
【００８０】
Ｐｅｒｉｏｄパラメータに関しては、本実験ではウェーハ１枚当りの総処理時間の平均値は約８８６２分、平均工程数は２２１．７となるので、
【００８１】
【外１０】
Ｐｅｒｉｏｄの値を８０分と設定した。ＥｎｄＯｆＳｉｍｕｌａｔｉｏｎパラメータの値としては、シミュレーション結果が十分に定常状態に達するよう６ヶ月とし、その最後の１ヶ月間における結果の分析、検討を行った。
【００８３】
・シミュレーション結果と考察
本実施形態で提案したシミュレーション手法の有効性を検証するために、市販の事象駆動型シミュレータであるＢｒｏｏｋｓ Ａｕｔｏｍａｔｉｏｎ社のＡｕｔｏＳｃｈｅｄ ＡＰを用いて、シミュレーション結果の比較を行った。その比較結果を表２に示す。これらの結果より、シミュレーション結果に関しては、中間在庫以外は両者の結果はほぼ同等であると言える。
【００８４】
【表２】
中間在庫量に関しては、ＣＯＮＳＴＩＮ方式は一定周期の期間中、在庫の移動が禁じられるため中間在庫量が大きくなるのは当然であり、そうした中間在庫の存在がＣＯＮＳＴＩＮにおけるロバスト性向上の要因である。したがって、Ｐｅｒｉｏｄの値を設定する際には、中間在庫の大きさと生産のロバスト性のトレードオフを考慮する必要がある。
【００８６】
図８にシミュレーション結果によるＰｅｒｉｏｄの値の変化による中間在庫量の変化の様子を示す。この図から明らかなように、中間在庫の量はＰｅｒｉｏｄの値に応じてほぼ線形に増加する。
【００８７】
製品ｐの中間在庫量をＷｐとすると、
【００８８】
【数８】
が成り立つ。今、ｔが十分大きな値を取ると、シミュレーションは定常状態に達するため、投入量と生産量は等しくなり、在庫量は一定になる。したがって、
【００９０】
【外１１】
したがって、Ｐｅｒｉｏｄの値が大きい場合は、
【００９２】
【数９】
が成り立ち、この値は図８に示すようにシミュレーション結果と良く一致する。
【００９４】
処理速度の点では、Ｐｅｎｔｉｕｍ（登録商標）３（１．２ＧＨｚ）搭載のＰＣを用いて６ヶ月間のシミュレーションを行う際に必要とされた計算時間は、ＣＯＮＳＴＩＮ方式ではわずか５秒足らずで、市販の事象駆動型シミュレータのＡｕｔｏＳｃｈｅｄに比べて２０倍以上も高速である。ＣＯＮＳＴＩＮではＰｅｒｉｏｄの値を大きくすると計算速度はほぼ線形に増加するためｆｏｏｔｎｏｔｅ実験ではＰｅｒｉｏｄ値を４８０とすると、計算時間は約１秒となった。Ｐｅｒｉｏｄ の値を適切に設定することにより、リアルタイム性が要求される用途にもシミュレーションの適用が可能である。
【００９５】
・まとめ
多くの変動要因を持つ半導体などの製造工程では、在庫を削減しすぎるとスムーズな生産は不可能となる。しかしながら、在庫コントロールを適切に行わないと、リードタイムの悪化や死蔵在庫の増加という結果となる。本実施形態で述べたＣＯＮＳＴＩＮは、製造工程内の変動の大きさを中間在庫の移動周期に置き換えて考えることにより、各工程における適切な中間在庫量を算出することができる。そして、その中間在庫量を維持するように、各工程の生産制御を行うことにより製造工程全体のロバスト性を保つことができる。
【００９６】
更に、ＣＯＮＳＴＩＮ手法に基づく高速なシミュレーションにより、きめ細かな解析が可能となり、適切な投入レートやプロダクトミックスの設定、Ｐｅｒｉｏｄ期間内では解決できない機械故障が起きたときの対策の検討などが、シミュレーションにより高精度に実施できる。
【００９７】
上述の生産方法を実現するための生産システムの構成を図９に示す。図９において、１００は製品の製造を製造工程に沿って行う生産設備である。１１０は生産設備の製造工程を制御する制御システムであり、少なくとも１つのコンピュータシステムを有する。この制御システム１１０の中に本発明にかかわる制御用プログラムが記憶されている。制御用プログラムは記録媒体に記録しておき、記録媒体から制御システム１１０にインストールすればよい。
【００９８】
制御システム１１０が上記制御プログラムにより実行する処理内容について図１０を参照して説明する。
【００９９】
制御システム１１０は一定周期で図１０の処理手順（数６の関数で定義された処理）を繰り返し実行する。制御システム１１０は、生産設備の製造工程の生産状態を示す種々のパラメータ、たとえば、材料の投入量等を初期設定して、数７に示す関数により製造工程内における各工程の中間在庫量を計算する（ステップＳ１０→Ｓ２０）。なお、初期設定値は人手によりキーボード等から予め入力しておけばよいし、生産設備の生産に関する種々のパラメータを測定して、その測定結果を制御システム１１０に自動入力してもよい。
【０１００】
次に制御システム１１０は中間在庫量の計算結果と予め定めた許容値を比較する（ステップＳ３０）。中間在庫量の計算結果が許容値の範囲以下に収まる場合には、実際の製造工程内の中間在庫量がそこで設定された中間在庫量に等しくなるように、生産設備１１０を制御する（ステップＳ５０）。
【０１０１】
一方、中間在庫推移量が許容範囲以下に収まらない場合には、上記計算結果が許容範囲内に収まる方向に計算に使用するパラメータを予め定めた所定の値だけインクリメント（増加）またはデクリメント（減少）する（ステップＳ４０）。
【０１０２】
具体的には、中間在庫量が許容範囲よりも小さい場合には、製品の生産を増大させるように材料等の投入量を増やすようにパラメータを変更する。
【０１０３】
このパラメータの値に基づき生産設備１００の製造工程を制御する（ステップＳ５０）。以下、制御システム１１０は周期ごとに、生産制御（ステップ５０）の処理を実行すると、製品の生産量が増大し、中間在庫推移量が減少する。これにより、ＰＯＰ（Ｐｏｉｎｔ ｏｆ Ｐｒｏｄｕｃｔｉｏｎ）システムなどの生産実施状況をリアルタイムで計測する計測装置（図１の制御装置１１０内に設置）を用いてカウントされた各工程内に存在する中間在庫量が、ステップ２０で設定された中間在庫量の計算結果と等しくなった場合、生産設備１００の製造工程の生産が停止する。そして、次の周期になると、再びステップ５０の生産制御が実行され、生産設備の製造工程の生産が再開される。このような制御処理を行うことにより、制御システム１１０は中間在庫量を常に一定に保つように生産をおこなう。以下、このような制御を一定周期で繰り返し実行する。なお、上述の中間在庫量を計算するためのシミュレーション（このためのプログラムがシミュレターの機能を果たす）において、第１の実施形態に記載の時間間隔ベースシミュレータおよび規則生成器の機能を制御システム１１０に持たせ、制御システム１１０は規則生成器により生成された生産規則を使用して製造工程の中間在庫量を繰り返し計算するとよい。
【０１０４】
（用語の定義および意味）
ａ．中間在庫
生産工程内に存在する材料及び仕掛品のこと。これには、完成品の在庫は含まれない。
【０１０５】
ｂ．中間在庫の移動量（推移量）
生産は中間在庫が各工程を「移動」することにより進捗する。したがって、中間在庫の移動量は、１周期当りに工程において処理される中間在庫の量を意味する。
【０１０６】
ｃ．ワークステーション
生産機械（例えば、ステッパ−、ドライエッチング装置など）のこと。
【０１０７】
ｄ．製品の投入量
（需要予測に基づいた）計画に基づいて製品を生産するために、工程に投入される材料の量。投入レートは単位時間当りの投入量で、計画ではこれが需要レート（単位時間当りの需要量）と一致するように計画されるのが一般的である。
【０１０８】
ｅ．製造工程内の変動
本願では、主に故障などによる機械の稼働率、および歩留まり（全生産量における良品の割合）の変動。
【０１０９】
ｆ．移動周期
中間在庫が移動を行う周期。
【０１１０】
ｇ．ロバスト
日本語では「頑健性」と訳すことが多い。先に説明した変動が生じても、当初の計画通りに生産を実行していくことができる能力を意味する。
【０１１１】
ｈ．トレードオフ
複数の要件がある時に、妥協を得るために探る折り合いのこと。
【０１１２】
ｉ．プロダクトミックス
一つの生産工程で、複数の製品を生産する際に、その生産比率のこと。
【０１１３】
上述の実施形態は特許請求の範囲に記載された発明を理解するために例示されたものである。したがって、上記発明を実施するにあたっては、上述の実施形態以外にも種々の変形が存在するが、その変形が特許請求の範囲に記載された発明の技術思想に基づくものである限り、その変形は本発明の技術的範囲内となる。
【０１１４】
【発明の効果】
以上、説明したように、本発明によれば、高速な時間間隔ベースシミュレータを用いることにより、生産計画の対象とする生産工程、プロダクトミックス、生産量に対して、適切な生産規則（部品投入規則等）を自動的に生成することができ、大規模な半導体などの生産工程に対しても高品質な生産計画を立案することが可能になる。
【０１１５】
また、本発明によれば、中間在庫量が許容範囲内に向かうように製造工程が生産制御されるので、生産過程において無駄な中間在庫（部材の在庫）が発生しない。また、これにより生産効率が大幅に向上する。
【図面の簡単な説明】
【図１】本発明に係る生産計画システムの一実施の形態を示したブロック構成図である。
【図２】時間間隔シミュレータの処理概要を示したフローチャートである。
【図３】生産工程モデルと生産計画に含まれる製品、工程、機械に関する具体的情報の内容を示す図である。
【図４】時間間隔ベースシミュレータの実行の様子を時間軸上に表した図である。
【図５】生産状況更新の処理概要を示すフローチャートである。
【図６】ニューラルネットワークを用いた部品投入規則の学習モデルの一例を示す図である。
【図７】工程におけるＷＩＰの周期的推移を示す図である。
【図８】ＰｅｒｉｏｄによるＷＩＰの推移を示す図である。
【図９】第２実施形態のシステム構成を示すブロック図である。
【図１０】生産システムの処理手順を示すフローチャートである。
【符号の説明】
１ 生産計画システム
２ 生産工程モデル
３ 生産規則
４ 事象ベースシミュレータ
５ 生産計画
６ 時間間隔ベースシミュレータ
７ 規則生成器
Claims (18)
- 生産工程モデル及び生産規則を用いて、事象ベースシミュレータが工場内の製品の動きをシミュレートすることにより生産計画の立案を行う生産計画作成システムにおいて、
一定時間ごとの生産工程の状況を計算する時間間隔ベースシミュレータと、
該時間間隔ベースシミュレータを用いて前記生産規則を自動的に導出する規則生成器と、
を備えることから成る生産計画作成システム。 - 前記生産規則は、人工知能技術を用いて逐次的最適化手法に基づく機械学習手法により生成する請求項１に記載の生産計画作成システム。
- 前記規則生成器は、ニューラルネットワークを用いて構成される請求項１又は２に記載の生産計画作成システム。
- 生産工程モデル及び生産規則を用いて、事象ベースシミュレータが工場内の製品の動きをシミュレートすることにより生産計画の立案を行う生産計画作成方法において、
一定時間ごとの生産工程の状況を計算する時間間隔ベースシミュレータと、該時間間隔ベースシミュレータを用いて前記生産規則を自動的に導出する規則生成器とを備え、
該時間間隔ベースシミュレータが生産計画を幾度も繰り返し立案することにより、該規則生成器に、逐次的最適化手法に基づく機械学習を応用することで、前記生産規則を自動生成し、生成された生産規則を該事象ベースシミュレータが使用することで生産計画を立案する、
ことから成る生産計画作成方法。 - 生産工程モデル及び生産規則を用いて、事象ベースシミュレータが工場内の製品の動きをシミュレートすることにより生産計画の立案を行う生産計画作成プログラムにおいて、
一定時間ごとの生産工程の状況を計算する時間間隔ベースシミュレータと、該時間間隔ベースシミュレータを用いて前記生産規則を自動的に導出する規則生成器とを備え、
該時間間隔ベースシミュレータが生産計画を幾度も繰り返し立案することにより、該規則生成器に、逐次的最適化手法に基づく機械学習を応用することで、前記生産規則を自動生成し、生成された生産規則を該事象ベースシミュレータが使用することで生産計画を立案する、
各手順を実行する生産計画作成プログラム。 - 製造工程の中間在庫量を繰り返し計算するシミュレータと、前記シミュレータの計算結果が許容範囲以下になるように前記シミュレータの計算に使用するパラメータの値を決定し、該パラメータの値に基づき前記製造工程の生産制御を行う制御システムと
を備えたことを特徴とする生産システム。 - 請求項６に記載の生産システムにおいて、前記シミュレータは請求項１に記載の時間間隔ベースシミュレータおよび請求項１に記載の規則生成器を有し、前記シミュレータは該生成器により生成された生産規則を使用して製造工程の中間在庫を繰り返し計算することを特徴とする生産システム。
- 請求項６に記載の生産システムにおいて、前記制御システムは、製造工程内の実際の中間在庫量を計測する計測装置を有し、該計測装置により一定の周期内で計測された製造工程内の実際の中間在庫量が前記シミュレータの計算結果と等しくなると、前記制御システムは、製造工程の生産を停止させ、次の周期で生産を再開することを特徴とする生産システム。
- 請求項８に記載の生産システムにおいて、前記一定の周期は可変設定可能であることを特徴とする生産システム。
- シミュレータにより製造工程の中間在庫量を繰り返し計算し、
前記シミュレータの計算結果が許容範囲以下になるように前記シミュレータの計算に使用するパラメータの値を該シミュレータにおいて決定し、
前記パラメータの値に基づき、制御システムにより前記製造工程の生産制御を行う
ことを特徴とする生産方法。 - 請求項１０に記載の生産方法において、前記シミュレータは請求項１に記載のベースシミュレータおよび請求項１に記載の規則生成器を有し、前記シミュレータは該生成器により生成された生産規則を使用して製造工程の中間在庫量を繰り返し計算することを特徴とする生産方法。
- 請求項１０に記載の生産方法において、前記制御システムは、製造工程内の実際の中間在庫量を計測する計測装置を有し、該計測装置により一定の周期内で計測された製造工程内の実際の中間在庫量が前記シミュレータの計算結果と等しくなると、前記制御システムは、製造工程の生産を停止させ、次の周期で生産を再開することを特徴とする生産方法。
- 請求項１２に記載の生産方法において、前記一定の周期は可変設定可能であることを特徴とする生産方法。
- 生産システムにより実行するプログラムであって、
製造工程の中間在庫量を繰り返し計算するステップと、
該ステップの計算の結果が許容範囲以下になるように前記計算に使用するパラメータの値を決定するステップと、
前記パラメータの値に基づき、前記製造工程の生産制御を行うステップと
を備えたことを特徴とプログラム。 - 請求項１４に記載のプログラムにおいて、前記生産システムは、請求項１に記載のベースシミュレータおよび請求項１に記載の規則生成器を有し、前記シミュレータ該生成器により生成された生産規則を使用して製造工程の中間在庫量を繰り返し計算するステップを前記シミュレータにより実行することを特徴とするプログラム。
- 請求項１４に記載のプログラムにおいて、前記生産システムは、製造工程内の実際の中間在庫量を計測する計測装置を有し、該計測装置により一定の周期内で計測された製造工程内の実際の中間在庫量が前記シミュレータの計算結果と等しくなると、製造工程の生産を停止させ、次の周期で生産を再開するステップをさらに有することを特徴とするプログラム。
- 請求項１６に記載のプログラムにおいて、前記一定の周期は可変設定可能であることを特徴とするプログラム。
- 請求項１４から請求項１７までのいずれかに記載のプログラムを記録したことを特徴とする記録媒体。
Priority Applications (6)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2002294665A JP2004094900A (ja) | 2002-07-09 | 2002-10-08 | 生産計画作成システム及び方法、並びにプログラム |
| PCT/JP2003/008649 WO2004006033A1 (ja) | 2002-07-09 | 2003-07-08 | 生産計画作成システム及び方法、並びにプログラム |
| US10/520,522 US20060106477A1 (en) | 2002-07-09 | 2003-07-08 | Production plan creation system, method, and program |
| AU2003246278A AU2003246278A1 (en) | 2002-07-09 | 2003-07-08 | Production plan creation system, method, and program |
| KR1020057000380A KR20050025953A (ko) | 2002-07-09 | 2003-07-08 | 생산 계획 작성 시스템, 방법, 및 프로그램을 기록한 기록매체 |
| CN038161737A CN1666161A (zh) | 2002-07-09 | 2003-07-08 | 生产计划制作系统及方法以及程序 |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2002199434 | 2002-07-09 | ||
| JP2002294665A JP2004094900A (ja) | 2002-07-09 | 2002-10-08 | 生産計画作成システム及び方法、並びにプログラム |
Related Child Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2005238838A Division JP2005339587A (ja) | 2002-07-09 | 2005-08-19 | 生産システム及び方法、並びにプログラム |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2004094900A true JP2004094900A (ja) | 2004-03-25 |
Family
ID=30117409
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2002294665A Pending JP2004094900A (ja) | 2002-07-09 | 2002-10-08 | 生産計画作成システム及び方法、並びにプログラム |
Country Status (6)
| Country | Link |
|---|---|
| US (1) | US20060106477A1 (ja) |
| JP (1) | JP2004094900A (ja) |
| KR (1) | KR20050025953A (ja) |
| CN (1) | CN1666161A (ja) |
| AU (1) | AU2003246278A1 (ja) |
| WO (1) | WO2004006033A1 (ja) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008152785A (ja) * | 2006-12-19 | 2008-07-03 | Palo Alto Research Center Inc | 例外処理 |
| JP2014235586A (ja) * | 2013-06-03 | 2014-12-15 | 株式会社Ihi | プランニング用データ生成装置、プランニング用データ生成方法及びプランニング用データ生成プログラム |
| CN105988443A (zh) * | 2015-02-27 | 2016-10-05 | 中芯国际集成电路制造(上海)有限公司 | 用于具有时间间隔限制的制造流程处理方法及装置 |
| JP6055058B1 (ja) * | 2015-09-30 | 2016-12-27 | ファナック株式会社 | 機械学習器及び組み立て・試験器を備えた生産設備 |
| JP6059375B1 (ja) * | 2016-02-09 | 2017-01-11 | ファナック株式会社 | 生産制御システムおよび統合生産制御システム |
| JP2017068418A (ja) * | 2015-09-29 | 2017-04-06 | 株式会社日立製作所 | 計画支援システム及び計画支援方法 |
| JP2017117397A (ja) * | 2015-12-25 | 2017-06-29 | 株式会社東芝 | シミュレーション装置及びシミュレーション方法 |
| CN107678411A (zh) * | 2017-10-16 | 2018-02-09 | 华中科技大学 | 一种不相关并行机混合流水车间调度的建模方法 |
| CN107817771A (zh) * | 2017-10-16 | 2018-03-20 | 华中科技大学 | 考虑关机重启策略的混合流水车间节能调度的建模方法 |
| CN107844104A (zh) * | 2017-10-16 | 2018-03-27 | 华中科技大学 | 考虑关机重启策略的柔性作业车间节能调度的建模方法 |
| JP2018101025A (ja) * | 2016-12-19 | 2018-06-28 | ファナック株式会社 | 光源ユニットの光学部品の調芯手順を学習する機械学習装置および光源ユニット製造装置 |
| JP2020102138A (ja) * | 2018-12-25 | 2020-07-02 | 株式会社日立製作所 | 生産実績データ分析装置 |
Families Citing this family (43)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE10348563B4 (de) | 2002-10-22 | 2014-01-09 | Fisher-Rosemount Systems, Inc. | Integration von Grafikdisplayelementen, Prozeßmodulen und Steuermodulen in Prozeßanlagen |
| US9983559B2 (en) * | 2002-10-22 | 2018-05-29 | Fisher-Rosemount Systems, Inc. | Updating and utilizing dynamic process simulation in an operating process environment |
| US20050065830A1 (en) * | 2003-09-24 | 2005-03-24 | Xerox Corporation | System and method for the acquisition and analysis of data for print shop performance evaluation and adjustment |
| DE102007035835A1 (de) * | 2007-07-31 | 2009-02-05 | Advanced Micro Devices, Inc., Sunnyvale | Verfahren und System zum Koordinieren eines Produktstroms in einer Fertigungsumgebung durch Verwendung prozessspezifischer WIP-Grenzen |
| US20090083020A1 (en) * | 2007-09-21 | 2009-03-26 | International Business Machines Corporation | Alternate task processing time modeling |
| US8190543B2 (en) * | 2008-03-08 | 2012-05-29 | Tokyo Electron Limited | Autonomous biologically based learning tool |
| US8326666B2 (en) * | 2008-09-29 | 2012-12-04 | Fisher-Rosemount Systems, Inc. | Event synchronized reporting in process control systems |
| US8731700B2 (en) * | 2009-01-07 | 2014-05-20 | Hitachi, Ltd. | Device for determining build-to-order production process, program, system for determining build-to-order production process, and method for determining build-to-order production process |
| DE102009004446A1 (de) * | 2009-01-13 | 2010-07-15 | Siemens Aktiengesellschaft | Verfahren und Vorrichtung zum Koordinieren von Betriebsaktionen von in einer Organisation zusammenwirkenden Unterbetrieben |
| CN101533490B (zh) * | 2009-04-29 | 2012-06-20 | 江南大学 | 车间加工设备群加工运行优化的方法 |
| KR101080974B1 (ko) * | 2009-11-24 | 2011-11-09 | 한국과학기술정보연구원 | 계산 시뮬레이션 모사 시스템 및 그 방법 |
| KR101674389B1 (ko) * | 2010-07-22 | 2016-11-09 | 재단법인 포항산업과학연구원 | 스마트 인더스트리에서 수급을 고려한 생산 제어 방법 및 이를 수행하는 시스템 |
| US8775341B1 (en) | 2010-10-26 | 2014-07-08 | Michael Lamport Commons | Intelligent control with hierarchical stacked neural networks |
| US9015093B1 (en) | 2010-10-26 | 2015-04-21 | Michael Lamport Commons | Intelligent control with hierarchical stacked neural networks |
| EP2447889A1 (en) * | 2010-10-29 | 2012-05-02 | Siemens Aktiengesellschaft | Method for modeling a defect management in a manufacturing process and for handling the defect during the production process based on said modeled defect management |
| US20120136758A1 (en) * | 2010-11-30 | 2012-05-31 | International Business Machines Corporation | Production management with multi-type kanban modeling |
| US9665668B2 (en) * | 2012-02-29 | 2017-05-30 | Applied Materials, Inc. | Configuring a dispatching rule for execution in a simulation |
| KR101494739B1 (ko) * | 2012-07-26 | 2015-02-25 | 연세대학교 산학협력단 | 건설 프로젝트의 시간-비용 상충 문제를 해결할 수 있는 다중 목적 최적화 모델링 방법 및 장치 |
| KR101460295B1 (ko) * | 2013-02-15 | 2014-11-13 | 동서대학교산학협력단 | 생산일정 자동 스케쥴링 방법 |
| US10204387B2 (en) * | 2013-05-08 | 2019-02-12 | Nmetric, Llc | Sequentially configuring manufacturing equipment to reduce reconfiguration times |
| CN103514520A (zh) * | 2013-10-15 | 2014-01-15 | 苏州荣越网络技术有限公司 | 生产计划排布系统 |
| US9697467B2 (en) | 2014-05-21 | 2017-07-04 | International Business Machines Corporation | Goal-driven composition with preferences method and system |
| US9785755B2 (en) | 2014-05-21 | 2017-10-10 | International Business Machines Corporation | Predictive hypothesis exploration using planning |
| US9740978B2 (en) | 2014-10-28 | 2017-08-22 | International Business Machines Corporation | Producing clustered top-k plans |
| JP6446308B2 (ja) * | 2015-03-26 | 2018-12-26 | 株式会社日立製作所 | 生産計画装置および生産計画方法 |
| CN105426642B (zh) * | 2015-12-29 | 2018-07-20 | 成都天衡电科科技有限公司 | 一种制造工序模型提取方法 |
| US10242316B2 (en) * | 2016-03-28 | 2019-03-26 | Christoph Adam Kohlhepp | Robotic capability model for artificial intelligence assisted manufacturing supply chain planning |
| US10878140B2 (en) | 2016-07-27 | 2020-12-29 | Emerson Process Management Power & Water Solutions, Inc. | Plant builder system with integrated simulation and control system configuration |
| US10783469B2 (en) * | 2016-11-01 | 2020-09-22 | Hitachi, Ltd. | Production support system using multiple plan candidates and different types of learning devices |
| CN106774196B (zh) * | 2016-11-30 | 2019-02-15 | 京东方科技集团股份有限公司 | 在制品管控方法和在制品管控系统 |
| US10304154B2 (en) | 2017-04-24 | 2019-05-28 | Intel Corporation | Coordination and increased utilization of graphics processors during inference |
| CN111433690A (zh) | 2017-10-12 | 2020-07-17 | 施卫平 | 控制半导体制造过程中的产品流 |
| WO2019104264A1 (en) * | 2017-11-27 | 2019-05-31 | Weiping Shi | Control product flow of semiconductor manufacture process under time constraints |
| TWI650714B (zh) | 2018-01-19 | 2019-02-11 | 財團法人工業技術研究院 | 動態智能排程方法及裝置 |
| WO2020040763A1 (en) * | 2018-08-23 | 2020-02-27 | Siemens Aktiengesellschaft | Real-time production scheduling with deep reinforcement learning and monte carlo tree search |
| US11556119B2 (en) * | 2018-09-20 | 2023-01-17 | Weiping Shi | System and method for improving simulation accuracy of manufacturing plants |
| US11366457B1 (en) * | 2018-11-16 | 2022-06-21 | On-Time.Ai, Inc. | Controling operation of machine tools using artificial intelligence |
| EP3719736A1 (de) * | 2019-04-01 | 2020-10-07 | Siemens Aktiengesellschaft | Verfahren und vorrichtung für ein automatisches selektieren eines optimalen herstellungsablaufes |
| CN110989527B (zh) * | 2019-12-11 | 2021-08-03 | 西南交通大学 | 一种任务车间生产计划验证方法 |
| US11418969B2 (en) | 2021-01-15 | 2022-08-16 | Fisher-Rosemount Systems, Inc. | Suggestive device connectivity planning |
| CN113344474B (zh) * | 2021-08-05 | 2021-11-23 | 山东大拇指喷雾设备有限公司 | 基于神经网络的喷嘴生产线动态管控方法及系统 |
| KR20230113011A (ko) | 2022-01-21 | 2023-07-28 | 부산대학교 산학협력단 | 건설기계 조립 공정의 생산 계획 장치 |
| CN115577576B (zh) * | 2022-12-08 | 2023-05-16 | 中国电子工程设计院有限公司 | 一种半导体工厂的动态虚拟组线仿真系统及方法 |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2682312B2 (ja) * | 1991-12-13 | 1997-11-26 | 三菱電機株式会社 | スケジューリングシステム及び条件調整ニューラルネットワーク |
| US5586021A (en) * | 1992-03-24 | 1996-12-17 | Texas Instruments Incorporated | Method and system for production planning |
| US6128588A (en) * | 1997-10-01 | 2000-10-03 | Sony Corporation | Integrated wafer fab time standard (machine tact) database |
| JP2000198050A (ja) * | 1999-01-08 | 2000-07-18 | Ricoh Co Ltd | バッファ制御装置および加工システム |
| JP3741562B2 (ja) * | 1999-03-29 | 2006-02-01 | 松下電器産業株式会社 | 生産計画の作成方法及びその作成装置 |
| US6480794B1 (en) * | 2000-08-01 | 2002-11-12 | Taiwan Semiconductor Manufacturing Company | Method for minimizing total test time for testing factories |
| WO2002031746A1 (en) * | 2000-10-12 | 2002-04-18 | Manugistics, Inc. | System and methods for scheduling manufacturing resources |
| US6611727B2 (en) * | 2001-03-05 | 2003-08-26 | Dell Products L.P. | Method and system for simulating production within a manufacturing environment |
| US6647307B1 (en) * | 2002-11-07 | 2003-11-11 | Taiwan Semiconductor Mfg. Co. Ltd. | Method for controlling queue time constraints in a fabrication facility |
-
2002
- 2002-10-08 JP JP2002294665A patent/JP2004094900A/ja active Pending
-
2003
- 2003-07-08 US US10/520,522 patent/US20060106477A1/en not_active Abandoned
- 2003-07-08 CN CN038161737A patent/CN1666161A/zh active Pending
- 2003-07-08 KR KR1020057000380A patent/KR20050025953A/ko not_active Application Discontinuation
- 2003-07-08 WO PCT/JP2003/008649 patent/WO2004006033A1/ja active Application Filing
- 2003-07-08 AU AU2003246278A patent/AU2003246278A1/en not_active Abandoned
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008152785A (ja) * | 2006-12-19 | 2008-07-03 | Palo Alto Research Center Inc | 例外処理 |
| JP2014235586A (ja) * | 2013-06-03 | 2014-12-15 | 株式会社Ihi | プランニング用データ生成装置、プランニング用データ生成方法及びプランニング用データ生成プログラム |
| CN105988443A (zh) * | 2015-02-27 | 2016-10-05 | 中芯国际集成电路制造(上海)有限公司 | 用于具有时间间隔限制的制造流程处理方法及装置 |
| JP2017068418A (ja) * | 2015-09-29 | 2017-04-06 | 株式会社日立製作所 | 計画支援システム及び計画支援方法 |
| US9934470B2 (en) | 2015-09-30 | 2018-04-03 | Fanuc Corporation | Production equipment including machine learning system and assembly and test unit |
| JP6055058B1 (ja) * | 2015-09-30 | 2016-12-27 | ファナック株式会社 | 機械学習器及び組み立て・試験器を備えた生産設備 |
| JP2017117397A (ja) * | 2015-12-25 | 2017-06-29 | 株式会社東芝 | シミュレーション装置及びシミュレーション方法 |
| JP6059375B1 (ja) * | 2016-02-09 | 2017-01-11 | ファナック株式会社 | 生産制御システムおよび統合生産制御システム |
| US9958861B2 (en) | 2016-02-09 | 2018-05-01 | Fanuc Corporation | Production control system and integrated production control system |
| JP2018101025A (ja) * | 2016-12-19 | 2018-06-28 | ファナック株式会社 | 光源ユニットの光学部品の調芯手順を学習する機械学習装置および光源ユニット製造装置 |
| US10241324B2 (en) | 2016-12-19 | 2019-03-26 | Fanuc Corporation | Machine learning device for learning procedure for aligning optical part of light source unit, and light-source unit manufacturing apparatus |
| CN107844104A (zh) * | 2017-10-16 | 2018-03-27 | 华中科技大学 | 考虑关机重启策略的柔性作业车间节能调度的建模方法 |
| CN107817771A (zh) * | 2017-10-16 | 2018-03-20 | 华中科技大学 | 考虑关机重启策略的混合流水车间节能调度的建模方法 |
| CN107678411A (zh) * | 2017-10-16 | 2018-02-09 | 华中科技大学 | 一种不相关并行机混合流水车间调度的建模方法 |
| JP2020102138A (ja) * | 2018-12-25 | 2020-07-02 | 株式会社日立製作所 | 生産実績データ分析装置 |
| JP7120914B2 (ja) | 2018-12-25 | 2022-08-17 | 株式会社日立製作所 | 生産実績データ分析装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN1666161A (zh) | 2005-09-07 |
| WO2004006033A1 (ja) | 2004-01-15 |
| US20060106477A1 (en) | 2006-05-18 |
| AU2003246278A1 (en) | 2004-01-23 |
| KR20050025953A (ko) | 2005-03-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP2004094900A (ja) | 生産計画作成システム及び方法、並びにプログラム | |
| Leachman et al. | SLIM: Short cycle time and low inventory in manufacturing at Samsung Electronics | |
| Yu et al. | Scheduling of unrelated parallel machines: an application to PWB manufacturing | |
| Kopp et al. | SMT2020—A semiconductor manufacturing testbed | |
| Hung et al. | Reduced simulation models of wafer fabrication facilities | |
| JP2005339587A (ja) | 生産システム及び方法、並びにプログラム | |
| Dequeant et al. | A literature review on variability in semiconductor manufacturing: The next forward leap to Industry 4.0 | |
| Klemmt et al. | A multistage mathematical programming based scheduling approach for the photolithography area in semiconductor manufacturing | |
| Habenicht et al. | A finite-capacity beam-search-algorithm for production scheduling in semiconductor manufacturing | |
| Hwang et al. | Design of a Lagrangian relaxation-based hierarchical production scheduling environment for semiconductor wafer fabrication | |
| Gahm et al. | Scheduling parallel serial-batch processing machines with incompatible job families, sequence-dependent setup times and arbitrary sizes | |
| Kopp et al. | A hierarchical approach to qualification management in wafer fabs | |
| Kemmerling et al. | Towards production-ready reinforcement learning scheduling agents: A hybrid two-step training approach based on discrete-event simulations | |
| JP2011257803A (ja) | 生産管理システムおよび生産管理方法 | |
| Ali et al. | Simulation intelligence and modeling for manufacturing uncertainties | |
| Dolgov et al. | Method of analysis of production and logistics systems of discrete production based on product-process-resource model, external module for manufacturing control logic and simulation of work execution | |
| Ramírez-Hernández et al. | A framework for standard modular simulation in semiconductor wafer fabrication systems | |
| Chou et al. | Resource portfolio planning methodology for semiconductor wafer manufacturing | |
| Singh et al. | Investigation of different inputs and a new release policy in the proposed simulation model for wafer fabrication system | |
| KORUCA et al. | A priority rule based production scheduling module on faborg-sim simulation tool | |
| CN113050553A (zh) | 半导体生产线基于联邦学习机制的调度建模方法 | |
| Chong et al. | Analysis of a customer demand driven semiconductor supply chain in a distributed simulation test bed | |
| Wenzel et al. | Transformation of Real-time Reporting Event Data to Long-term Simulation Models | |
| Neuner et al. | Periodic workload control: a viable alternative for semiconductor manufacturing | |
| Kim et al. | Investigation of flow mechanisms in semiconductor wafer fabrication |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20050621 |
|
| A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20050819 |
|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20051018 |