KR20050025953A

KR20050025953A - 생산 계획 작성 시스템, 방법, 및 프로그램을 기록한 기록매체

Info

Publication number: KR20050025953A
Application number: KR1020057000380A
Authority: KR
Inventors: 미야시타가즈오
Original assignee: 도꾸리쯔교세이호진 상교기쥬쯔 소고겡뀨죠
Priority date: 2002-07-09
Filing date: 2003-07-08
Publication date: 2005-03-14
Also published as: AU2003246278A1; US20060106477A1; JP2004094900A; CN1666161A; WO2004006033A1

Abstract

본 발명은, 생산 공정 모델 (2) 및 생산 규칙 (3) 을 사용하여, 사상 베이스 시뮬레이터 (4) 가 공장 내의 제품의 움직임을 시뮬레이팅함으로써 생산 계획 (5) 을 입안한다. 일정 시간마다의 생산 공정의 상황을 계산하는 시간 간격 베이스 시뮬레이터 (6) 와, 그 시간 간격 베이스 시뮬레이터 (6) 를 사용하여 생산 규칙 (3) 을 자동적으로 도출하는 규칙 생성기 (7) 를 구비한다. 이 시간 간격 베이스 시뮬레이터 (6) 를 사용하여 생산 계획을 고속으로 몇 번이고 반복하여 입안함으로써, 규칙 생성기 (7) 가 축차적 최적화 수법에 기초하는 기계 학습을 응용하여 생산 규칙 (3) 을 효율적으로 자동 생성할 수 있고, 이것에 의해 생성된 생산 규칙 (3) 을 사용하여 사상 베이스 시뮬레이터 (4) 가 고품질의 생산 계획 (5) 을 입안한다.

Description

생산 계획 작성 시스템, 방법, 및 프로그램{PRODUCTION PLAN CREATION SYSTEM, METHOD, AND PROGRAM}

본 발명은, 공장 등에서의 생산 계획을 자동적으로 입안하는 계산기 시스템에 관한 것으로, 고품질의 계획 입안시에 필요한 적절한 생산 규칙을 사람의 손이 아니라 계산기에 의해 자동적으로 고속 생성하는 기능을 갖는 생산 계획 작성 시스템, 방법, 및 프로그램에 관한 것이다.

공장 등에서의 생산 계획의 작성을 지원 또는 자동화하는 생산 계획 시스템은 과거에 다수의 제안이 이루어져 이미 국내외에서 많은 제품이 상용화되어 있으며, 또한 많은 제조회사가 독자적인 시스템을 개발하여 자사에서 사용하고 있다.

종래의 이러한 다수의 생산 계획 시스템은 설비 능력을 무한대로 가정하는 등 생산 공정에 있어서의 제약을 단순화하여 모델을 작성하고, 단순화된 모델에 대하여 선형 계획법 등의 수리적 최적화 수법을 적용하여 개략적인 해(解)를 구하는 어프로치를 채택하고 있다.

반도체, 액정 등으로 대표되는 하이테크놀로지 부품의 제조 공정은 매우 많은 반복 공정으로 구성되어 있고, 자동차 등과 같은 제품의 제조 공정에 비교하면 현격히 대규모이면서 복잡한 것으로, 통상 그 공정수가 수백이고, 제조 리드 타임은 수개월에까지 이른다 (예를 들어, 비특허문헌 1 참조). 또, 이들 하이테크놀로지 부품 산업에서는 제품 경쟁력을 높이기 위해 새로운 제조 프로세스 기술이 차례차례 개발되고, 이들 최신예 제조 프로세스가 곧바로 실제의 제품 생산에 적용되기 때문에 제조 현장에서 제조 프로세스가 안정적으로 가동되는 일이 드물어, 하이테크놀로지 부품의 생산 계획 입안시에는 제조 기계의 고장이나 제품의 품질 불량 등, 제조에 있어서의 변동 요인을 항상 고려할 필요가 있다.

따라서, 하이테크놀로지 부품 등과 같이 많은 변동 요인을 제조 공정에 품고 있는 제품의 생산에 있어서는, 성숙한 제조 공정을 가진 자동차 산업 등에서 유효하게 여겨지는 캄반 (Kamban) 형 생산 방식에 보이는 바와 같이 중간 재고 (WIP) 를 제로로 하는 것을 목표로 하는 것이 아니고, 기계 고장에 따르는 제조 능력의 변화나 품질 불량에 따르는 폐기 및 리워크 등의 영향을 가능한 한 받지 않으면서 안정적인 제품 산출을 실현할 수 있는 최소한의 적정 재고량을 설정하여, 그것을 유지하도록 생산 계획을 입안하고 제조하는 것이 중요하다. 단, 불필요한 재고를 억제하기 위해서는, 그 전제 조건으로서 정밀도가 높은 수요 예측이 필요하다. 현재, 고정밀도인 수요 예측은 하이테크놀로지 산업의 SCM 에 있어서 중요한 과제가 되어, 미국의 반도체 업계에서는 1 년간 정도의 수요를 22% 이하의 오차로 예측하는 것이 당면한 희망적 목표로 되어 있다 (예를 들어, 비특허문헌 6 참조).

하이테크놀로지 부품의 생산 계획의 입안시에는, 그 제조 공정이 대규모이면서 복잡하기 때문에 수리적 수법에 의한 최적화는 계산 시간의 면에서 적용이 곤란하여, 예를 들어 반도체 웨이퍼 제조에 관해서는, 종래부터 시뮬레이션 수법에 기초하는 스케쥴링에 있어서, 다양한 잡 (job) 투입 룰이나 디스패칭 (dispatching) 룰의 유효성에 대한 검증이 다수 이루어져 왔다 (예를 들어, 비특허문헌 5, 7 참조).

그러나 최근에는, 계산 속도의 향상이나 계산기 가격의 저하에 따라서, 현실의 생산 공정의 정밀한 모델에 대하여 공정 내의 재고의 추이를 충실하게 사상(事象) 베이스로 시뮬레이팅 (각 부품의 상태 변화, 예를 들어 처리 종료시마다 공정의 상황 변화를 계산한다) 하는 것이 가능해져, 수많은 단순한 생산 규칙에 기초하는 시뮬레이션을 시행 착오적으로 반복함으로써 그 중에서 가장 고품질의 생산 계획을 선택하는 어프로치가 특히 반도체 제조 등과 같이 대단히 복잡한 생산 공정에 있어서 주류로 되어 있다. 그러나, 대규모이면서 복잡한 생산 공정의 시뮬레이션에는 여전히 막대한 시간을 필요로 하기 때문에, 고품질의 생산 계획을 입안하는 적절한 생산 규칙을 시행 착오적으로 발견하기가 어려웠다. 종래의 생산 계획 시스템에서는 이 가장 중요하고 어려운 생산 규칙의 발견에 대한 지원 기능이 구비되어 있지 않아, 고품질의 생산 계획을 입안하기 위해서는 오로지 생산 계획 입안 작업자의 숙련도와 감에 의지하지 않을 수 없었다.

또 최근에는, 인공 지능 (AI) 기술의 진전에 의해, 계산기에 의해 자동적으로 적절한 규칙을 생성하는 시도가 행해져, 생산 계획 문제에 적용된 연구 사례 (예를 들어, "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., 「계층형 뉴럴 네트워크를 사용한 동적 잡숍 스케쥴링-로버스트 스케쥴링을 위한 2 단계 학습법」, 에구치 외, 스케쥴링 심포지움, pp.89-94, 2001) 도 있다. 그러나, 이들 수법을 현실의 대규모 생산 공정을 대상으로 한 생산 계획 문제에 적용하기에는 규칙의 학습에 필요한 계산 시간의 면에서 실현이 곤란하여, 적절한 생산 규칙의 자동 생성 기능을 구비한 실용적인 생산 계획 시스템은 아직 존재하지 않는다.

또, 종래의 시뮬레이션 방식에 근거하는 스케쥴링에는 다음과 같은 문제점이 있다 (비특허문헌 8 참조).

ㆍ적절한 프로덕트 믹스나 투입 레이트를 결정할 때에, 실제의 제조 공정에서의 변동을 고려하여 충분한 시행 착오에 의해 검토하기 위해서는 여전히 계산 시간이 지나치게 걸린다.

ㆍ시뮬레이션에 의해 결정된 작업 내용이 제조 실시 현장에서의 각종 변동 요인에 의해 현실의 제조 상황으로부터 괴리되기 쉽고, 또 그러한 사태에 대응하기 위한 유효한 작업 지시도 원활하게 이루어질 수 없다.

이러한 문제에 대처하기 위해 하이테크놀로지 부품의 생산 계획의 입안에는, 보다 고속이면서 로버스트인 생산 지시가 가능한 시뮬레이션 수법이 필요하다.

(비특허문헌 1)

Linda F Atherton and Robert W. Atherton. Wafer fabrication: Factory performance and Analysis. Kluwer Academic Publishers, 1995

(비특허문헌 2)

L. Gong and H. Matsuo. Control Policy for manufacturing system with random yield and rework. Journal of Optimization Theory and Applications, 95(1): 149-175, 1997.

(비특허문헌 3)

Wallace J. Hopp and Mark L. Spearman. FACTORY PHYSICS. McGraw-Hill, second edition, 2000.

(비특허문헌 4)

J.D.C. Little. Proof of the queueing formula L=λW. Operations Research, 9:383387, 1961.

(비특허문헌 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.

(비특허문헌 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.

(비특허문헌 7)

Lawrence M. Wein. Scheduling semiconductor wafer fabrication. IEEE transaction on Semiconductor Manufacturing, 1(3): 115-130. 1988.

(비특허문헌 8)

아라카와마사히로, 후유키마사히코, 이노우에이치로. APS 에서의 최적화 지향 시뮬레이션 베이스 스케쥴링법의 검토. 스케쥴링 심포지움 2001 강연론 문집, pp.47-52, 스케쥴링 학회, 2001

(비특허문헌 9)

가시와세히로유키. 반도체의 생산 스케쥴링 방법과 고속 시뮬레이션 모델. 석사논문, 쯔꾸바대학, 2002.

도 1 은, 본 발명에 관한 생산 계획 시스템의 일 실시형태를 나타낸 블록 구성도이다.

도 2 는, 시간 간격 시뮬레이터의 처리 개요를 나타낸 플로우차트이다.

도 3 은, 생산 공정 모델과 생산 계획에 포함되는 제품, 공정, 기계에 관한 구체적 정보의 내용을 나타내는 도면이다.

도 4 는, 시간 간격 베이스 시뮬레이터의 실행 모습을 시간축 상에 나타낸 도면이다.

도 5 는, 생산 상황 갱신의 처리 개요를 나타내는 플로우차트이다.

도 6 은, 뉴럴 네트워크를 사용한 부품 투입 규칙의 학습 모델의 일례를 나타내는 도면이다.

도 7 은, 공정에서의 WIP 의 주기적 추이를 나타내는 도면이다.

도 8 은, Period 에 따른 WIP 의 추이를 나타내는 도면이다.

도 9 는, 제 2 실시형태의 시스템 구성을 나타내는 블록도이다.

도 10 은, 생산 시스템의 처리 순서를 나타내는 플로우차트이다.

종래의 생산 계획 수법에서는 고품질의 생산 계획을 작성하기 위한 적절한 생산 규칙을 미리 인간이 제공하여야 했지만, 대규모이면서 복잡한 생산 공정에 있어서의 적절한 생산 계획 규칙을 사람의 힘으로 작성하기는 어렵다.

또한, 종래의 인공 지능 기술에서의 학습 수법을 단순히 적용하는 것만으로는, 반도체 등의 대규모 복잡한 생산 공정에 대하여 규칙 생성을 자동화하기 위해서 지나치게 시간이 걸려, 실용적이지 않다.

본 발명은, 주로, 대규모 복잡한 생산 공정을 갖는 반도체 등의 제품의 생산 효율을 대폭 개선하는 것을 목적으로 하고 있다.

이에 따르는 하나의 목적은, 대규모 복잡한 생산 공정에 대해서도 고품질의 생산 계획을 입안할 수 있는 생산 규칙을 고속으로 자동 생성하기 위한 기능을 구비한 생산 계획 시스템을 실현함으로써, 대규모 복잡한 생산 공정을 갖는 반도체 등과 같은 제품의 생산 효율을 대폭 개선하는 것을 목적으로 하고 있다.

이에 따르는 다른 하나의 목적은, 중간 재고량이 소정 범위 내에 수렴되도록 생산 공정을 제어하여 제품의 생산 효율을 대폭 개선하는 것을 목적으로 하고 있다.

본 발명의 생산 계획 작성 시스템 및 방법 그리고 프로그램은, 생산 공정 모델 및 생산 규칙을 사용하여, 사상 베이스 시뮬레이터가 공장 내의 제품의 움직임을 시뮬레이팅함으로써 생산 계획을 입안한다. 일정 시간마다의 생산 공정의 상황을 계산하는 시간 간격 베이스 시뮬레이터와, 그 시간 간격 베이스 시뮬레이터를 사용하여 상기 생산 규칙을 자동적으로 도출하는 규칙 생성기를 구비한다. 이 시간 간격 베이스 시뮬레이터를 사용하여 생산 계획을 고속으로 몇 번이고 반복하여 입안함으로써, 규칙 생성기가 축차적 최적화 수법에 기초하는 기계 학습을 응용하여 생산 규칙을 효율적으로 자동 생성할 수 있고, 이것에 의해 생성된 생산 규칙을 사용하여 사상 베이스 시뮬레이터가 고품질의 생산 계획을 입안한다.

본 발명은, 또한 제조 공정의 중간 재고량을 반복하여 계산하는 시뮬레이터와, 상기 시뮬레이터의 계산 결과가 허용 범위 이하가 되도록 상기 시뮬레이터의 계산에 사용되는 파라미터의 값을 결정하고, 그 파라미터의 값에 근거하여 상기 제조 공정의 생산을 제어하는 제어 시스템을 구비한 것을 특징으로 한다.

발명을 실시하기 위한 최선의 형태

(제 1 실시형태)

이하 본 발명의 바람직한 실시형태에 관해서 도면에 기초하여 설명한다. 도 1 은, 본 발명에 관한 생산 계획 시스템의 일 실시형태를 나타낸 블록 구성도이다. 생산 공정 모델 (2) 은, 제품을 생산하고 있는 공장에서 제조에 관련된 정보를 계산기 내의 모델로서 표현한 것이다. 여기서 모델화되는 것은, 제조 장치에 관한 정보 (장치의 종류, 대수, 능력, 고장률 등), 제조 작업자에 관한 정보 (시프트, 능력, 인원수 등), 제품의 제조 방법에 관한 정보 (사용하는 기계, 작업자, 가공 시간, 반송 시간, 양품률, 재가공률 등), 제품에 관한 정보 (생산량, 투입 시간, 납기 등) 등의 정보이다. 이들 정보에 근거하여 계산기 내에 현실의 공장에 관한 상세한 모델을 작성하고, 그 모델을 사용하여 공장 내의 제품의 움직임을 계산기에 의해 시뮬레이팅하며, 생산 계획 입안자는 시뮬레이션 결과로부터 언제 투입한 제품이 언제 완성되는가, 각 기계에는 어느 정도 재고가 쌓이는가 등의 정보를 얻어 바람직한 생산 계획 (5) 을 입안한다.

도 1 중의 블록 (1) 은, 생산 계획 시스템 전체를 나타내고 있다. 생산 공정 모델 (2) 은 공장에 존재하는 기계의 성능, 대수나, 공장에서 생산되는 제품의 공정이나 수량 등을 표현한 공장의 정적인 모델로서, 그 정보만으로는 실제로 공장 내에서 사물이 유통되어 재료에서 제품으로서 동적으로 변화해가는 모습을 시뮬레이팅할 수는 없다. 공장의 동적인 측면을 모델화하는 것은 생산 규칙 (3) 이다. 생산 계획 시스템 (1) 에서 필요한 주된 생산 규칙 (3) 에는 크게 나눠 2 종류의 규칙이 있다.

그 하나는, 제품의 재료를 투입하는 타이밍을 결정하는 부품 투입 규칙이다. 이 규칙으로는, 예를 들어 일정간격마다 일정량의 재료를 투입하는 규칙이나, 제품으로서 출하된 분량만큼을 새롭게 재료로서 투입하는 규칙 등이 있다. 또 하나의 중요한 생산 규칙 (3) 은 차립(差立) 규칙 (또는, 디스패칭 (dispatching) 규칙) 으로 불리는 것이다. 차립 규칙은, 공장의 생산 기계 앞의 버퍼에 복수의 부품이 가공 대기 중일 때에, 기계가 가공 가능한 상태가 되었을 때 어느 부품을 적용할 것인지를 결정하는 규칙이다. 차립 규칙으로는, 예를 들어 먼저 버퍼에 들어간 부품을 우선하는 (First In First Out) 규칙, 납기가 가장 가까운 제품의 부품을 우선하는 (Earliest Due Date) 규칙 등, 수많은 규칙이 지금까지 제안되어 있다 (R. W. Conway 외, "Theory of Scheduling", Addison-Wesley (1986)). 이들 생산 규칙 (3) 은 공장이 동적인 측면을 모두 컨트롤하기 때문에, 어떠한 생산 규칙 (3) 을 사용하는가에 따라 공장에서의 생산 모습이 크게 변화하게 된다. 따라서, 대상이 되는 공장의 생산 공정 모델 (2) 에 대하여 어떠한 생산 규칙 (3) 을 적용하면 효율적인 생산이 실현되는지를 판단하는 것이 공장의 생산 관리자에게 있어서 가장 중요한 책무이다. 종래의 생산 계획 시스템 (1) 에서는, 생산 규칙 (3) 은 생산 계획 입안자가 스스로 입력하는 것이 전제로 되어 있고, 이에 대하여 사용자를 지원하는 기능은, 미리 다수의 일반적인 규칙을 선택가능한 형태로 준비해 두는 것 이상의 것은 실현되어 있지 않다.

생산 공정 모델 (2) 및 생산 규칙 (3) 이 정의되면, 이들 정보를 사용하여 실제로 공장에서의 생산 공정의 시뮬레이션을 실행할 수 있다. 이 시뮬레이션을 실행하는 것이 사상 베이스 시뮬레이터 (4) 이다. 사상 베이스 시뮬레이터 (4) 에서는 축차적으로 내부 클럭을 진행시켜 나가고, 그 타이밍에 있어서 발생한 변화 (사상, 이벤트라고도 한다) 에 따라서 생산 규칙 (3) 을 적용하여 생산 공정에서의 동적인 변화를 시뮬레이팅한다. 예를 들어, 어느 시각에 있어서, 생산 공정 모델 (2) 중의 하나의 기계에서의 가공이 종료될 (즉, 사상 베이스 시뮬레이터 (4) 내에서 해당 기계에서 현재 가공 중인 부품에 대해서 가공 개시 시간에 가공 시간을 더한 값이 현시각에 일치할) 때에는, 그 기계의 버퍼에서 가공을 기다리고 있는 부품 중에서 생산 규칙 (3) 중의 차립 규칙을 사용하여 다음에 가공할 부품을 적용하고, 작업자나 재료 등의 필요한 조건이 갖춰지면 가공을 시작한다. 사상 베이스 시뮬레이터 (4) 는, 시뮬레이션 개시 시간부터 종료 시간까지 상기와 같이 조작하면서 내부 클럭을 진행시켜 감으로써, 그 시간 내에서 발생하는 공장 내의 변화를 모두 재현하여 그 결과를 생산 계획 (5) 으로서 출력한다. 생산 계획 (5) 에는, 시간축을 따라 공장 안의 각각의 기계가 언제, 어떠한 부품을 어느 만큼의 수량으로 가공하는가의 정보가 기록된다. 또, 그 정보에 기초하여 설비 가동률, 생산 리드 타임, 납기 지연 등, 생산 실시에 관계되는 다양한 값이 산출되어, 입안된 생산 계획 (5) 의 품질로서 평가된다.

지금까지 서술한, 생산 공정 모델 (2), 생산 규칙 (3), 사상 베이스 시뮬레이터 (4), 생산 계획 (5) 은 종래 기술과 조금도 변하지 않은 것이다. 본 발명의 특징은 생산 계획 시스템 (1) 중에 생산 규칙 (3) 을 고속으로 자동 생성하기 위해 시간 간격 베이스 시뮬레이터 (6) 와 규칙 생성기 (7) 를 구비하는 것이다. 앞서 설명한 바와 같이 생산 규칙 (3) 은 공장의 동적인 성질을 결정하는 중요한 것으로서, 그 좋고 나쁨이 입안되는 생산 계획 (5) 의 품질의 차가 된다. 따라서, 적절한 생산 규칙 (3) 을 고속으로 자동 생성하는 것은 공장에서의 생산 효율을 현저히 개선시키는 효과가 있다.

인공 지능 (AI) 기술을 사용하여, 적절한 생산 규칙 (3) 을 생성하기 위한 기본 원리는 축차적 최적화이다 (T. Mitchell, "Machine Learning", McGraw-Hill (1997)). 즉, 임의의 생산 규칙 (3) 을 사용하여 생산 계획 (5) 을 세우고, 입안된 계획의 품질을 개선하도록 생산 규칙 (3) 을 개량하는 처리를 축차적으로 반복함으로써, 보다 적절한 생산 규칙 (3) 을 생성한다는 것이다. 그러나, 이러한 방식에는 커다란 문제가 존재한다. 생산 계획 입안 대상이 되는 현실의 공장은 대규모로 복잡하기 때문에, 반복하여 생산 계획 (5) 을 세우기 위해서는 방대한 계산 시간이 필요하게 된다. 한편, 일반적으로 공장에서 생산되는 제품이나 사용되는 설비는 불변하는 것이 아니라, 현대의 고경쟁 및 다품종 소량 생산이라는 생산 환경에서는 오히려 짧은 사이클로 변경되는 것이 통상적이다. 따라서, 방대한 계산 시간을 소비하여 생산 규칙 (3) 을 자동 생성할 수 있었다고 해도 그 규칙을 사용할 때에는 이미 공장의 생산 공정 모델 (2) 이 변화되어 있어 생성된 생산 규칙 (3) 이 유효하지 않게 될 가능성이 높고, 그러한 수법에 의해 생성된 생산 규칙 (3) 의 현실적인 실용성은 낮다.

따라서, 현실의 생산 현장에서 유효한 생산 계획 시스템 (1) 을 실현하기 위해서는, 현실의 생산 환경의 변화와 유리되지 않은 적절한 타이밍으로 유효한 생산 규칙 (3) 을 적절히 생성하지 않으면 안된다. 축차적 최적화 수법에 기초하는 기계 학습을 응용한 규칙 생성기 (7) 를 사용하여 생산 규칙 (3) 을 효율적으로 자동 생성하기 위해서는, 생산 계획을 몇 번이고 반복하여 고속으로 입안할 수 있는 시뮬레이터가 필요하다. 그것이 도 1 중의 시간 간격 베이스 시뮬레이터 (6) 이다.

도 2 는 시간 간격 시뮬레이터 (6) 의 처리 개요를 나타낸 플로우차트이다. 시간 간격 시뮬레이터 (6) 에서는 생산 공정 모델 (2) 에 포함되는 데이터를 사용하여 생산 계획 (5) 을 입안하지만, 우선 처리의 개시에 임하여 필요한 데이터를 설정하고 초기화 (8) 한다. 도 3 에 생산 공정 모델 (2) 과 생산 계획 (5) 에 포함되는 제품 (12), 공정 (13), 기계 (14) 에 관한 구체적 정보의 내용을 나타낸다. 데이터 초기화 (8) 에 있어서는, 도 3 중의 투입량, 총생산량, 생산량, 수요량, 제작 중인 제품량, 가동률 등, 최종적으로 입안된 생산 계획 (5) 에 포함되어야 할 데이터를 초기화한다. 그리고, 도 3 중의 소여 조건으로 나타낸, 수주 레이트, 공정 플로우, 사용 기계, 처리 시간, 대수 등, 생산 공정 모델 (2) 에 기술된 생산 계획 입안 조건을 데이터 파일로부터 판독하여 시뮬레이션을 실행하기 위한 시간 간격 및 종료 시간을 설정한다.

도 4 는 시간 간격 베이스 시뮬레이터 (6) 의 실행 모습을 시간축 상에 나타낸 것이다. 시간 간격 베이스 시뮬레이터 (6) 의 실행시에 있어서는, 데이터 설정 처리 (8) 에서 설정된 시간 간격에 따라서 시뮬레이션 종료 시간에 도달할 때까지 생산 상황 갱신 (10) 이 반복하여 이루어진다 (단계 9). 여기서 시간 간격이란 시뮬레이션 실행의 시간적 상세도를 규정하는 것으로, 여기서 정해진 시간 간격 내 (예를 들어 1 시간) 에서는 공정간 재고의 이동은 발생하지 않는 것으로 가정한다. 그리고, 시뮬레이션의 실행은, 이 시간 간격마다 시뮬레이터의 내부 시간을 진행시켜, 각 시간 간격마다 (여기서는 시구간 (時區: 15) 이라고 부른다) 에 있어서 생산의 진척 모습을 계산하는 것이다. 이 시간 간격을 적절히 설정함으로써, 사상 (또는 이벤트라고 한다) 으로서 생산 공정 내에 재고의 이동이 발생할 때마다 빈번하게 생산의 진척 상황을 갱신하는 종래의 사상 베이스 시뮬레이터 (4) 에 비하여 대폭적인 계산량의 삭감이 가능해져, 시뮬레이션 결과의 정밀도를 유지하면서 효율적으로 시뮬레이션을 실행할 수 있게 된다.

도 5 는 생산 상황 갱신 (10) 의 처리 개요를 나타내는 플로우차트이다. 시간 간격 베이스 시뮬레이터 (6) 의 생산 상황 갱신 (10) 의 처리시에 있어서는, 생산 공정에 포함되는 모든 기계에 대하여 설정된 시간 간격마다 생산되는 부품의 양이 계산된다 (단계 16). 그 때, 우선 직전의 시구간까지 기계에 투입된 부품 중, 현재까지 가공이 완료되어 있는 부품의 양을 계산하고, 그 부품에 할당되어 있는 기계 능력을 해방시킴으로써, 해당 기계의 가동률값을 갱신한다 (단계 17). 그 후, 그 기계에서 가공되는 모든 공정에 대하여 설정된 시간 간격 내에서 생산되는 부품의 양이 계산된다 (단계 18). 그 때에는, 우선 현 시구간 내에서의 공정의 생산 수요량을 산출한다 (단계 19). 해당 공정이 제품의 선두 공정이면, 그 수요량은 먼저 설명한 생산 규칙 (3) 중의 부품 투입 규칙에 의해 계산된다. 해당 공정이 선두 공정이 아닌 경우에는, 그 수요량은 전 공정의 전 시구간에서의 완성량과 전 시구간에서 해당 공정에 남겨진 재고량과의 합과 동일하게 설정된다. 즉, 전 시구간에서 발생한 전 공정으로부터의 가공품은 모두 해당 공정으로 이송되어 현 시구간에서 처리되는 것으로 한다. 다음에, 그렇게 해서 산출된 수요량에 대하여, 실제로 실현 가능한 생산량을 계산한다 (단계 20). 그 때에는, 위에서 구해진 생산 수요량 중, 현 시구간에서 이용가능한 기계 능력 내에서 생산되는 양 (즉, 기계대수×가동률× 시간 간격/처리 시간), 및 기계 능력을 초과하는 수요량이 있는 경우에는 다음 시구간 이후에서 처리되는 재고량이 계산된다 (단계 21). 그리고 마지막으로, 산출된 생산량을 생산하기 위해 할당해야 되는 기계 능력 (즉, 시간 간격/(기계대수×처리 시간)) 을 구하여 기계 가동률을 갱신하고 (단계22), 순차적으로 해당 기계에서 가공하는 전체 공정의 생산량을 계산 처리한다 (단계 18). 여기서 동일 기계에 대하여 할당하는 공정의 순서는, 생산 규칙 (3) 중의 차립 규칙을 사용하여 결정된다.

이상과 같이 시간 간격 베이스 시뮬레이터 (6) 를 사용함으로써 고속의 생산 계획 입안이 가능해지지만, 시간 간격 베이스 시뮬레이터 (6) 를 사용하는 경우에도 위에서 나타낸 바와 같이 생산 규칙 (3) 의 부품 투입 규칙이나 차립 규칙이 필요하다. 그래서, 규칙 생성기 (7) 를 사용하여 규칙을 생성하고, 입안된 생산 계획 (5) 의 품질을 평가하여 축차적으로 생산 규칙을 개량함으로써, 생산 공정 모델 (2) 에 대하여 적절한 생산 계획 (5) 을 입안할 수 있는 생산 규칙 (3) 의 자동 생성을 실현한다. 규칙 생성기 (7) 의 실현 방법으로는 뉴럴 네트워크 (C. M. Bishop, "Neural Networks for Pattern Recognition", Oxford University Press (1995)), 분류자 시스템 (P. L. Lanzi et al., "Learning Classifier System", Springer (2000)), 판별목학습 (J. R. Quinlan, "C4.5: Programs for Machine Learning", Morgan Kaufmann (1993)) 등, 인공 지능 분야에서는 축차적 최적화에 근거하는 기계 학습 수법으로서 수많은 수법이 제안되어 있고, 이 중 어느 것을 사용해도 기본적으로는 실현이 가능하다. 여기서는 발명의 일 실시형태로서 규칙 생성기 (7) 에 뉴럴 네트워크를 사용한 예를 설명하지만, 본 발명의 개념은 뉴럴 네트워크를 사용한 실시예에 한정되지 않고, 규칙 생성기로서 축차적 최적화에 근거한 모든 기계 학습 수법을 포함하는 것이다.

도 6 은 일 실시예로서, 뉴럴 네트워크를 사용한 부품 투입 규칙의 학습 모델의 예를 나타내고 있다. 이 뉴럴 네트워크는 기계마다 또는 생산 계획 시스템 (1) 마다 설치된다. 뉴럴 네트워크의 입력 정보로는, 생산 공정의 상황이나 오더의 상황을 정량적으로 나타내는 것으로서 적당한, 재고량, 기계 가동률, 납기에서의 지체량 (백오더), 기계에서 처리해야 할 공정의 나머지 가공 시간의 합, 등의 정보가 사용되고, 뉴럴 네트워크의 출력은 그러한 상황에 있을 때에 선택해야 할 부품 투입 규칙 (00 에서 11 의 4 종류의 규칙 중 어느 하나) 이다. 뉴럴 네트워크의 학습에 있어서는, 당초 랜덤인 값이 할당된 노드 간의 가중치를, 시뮬레이티드 어닐링 등의 축차적 최적화 수법을 사용하여 개량함으로써 고품질의 생산 계획 (5) 을 출력할 수 있는 부품 투입 규칙을 학습한다. 이 때, 임의의 노드의 가중 집합을 사용하여 계획된 생산 계획 (5) 의 품질을 평가하고, 가중값에 사소한 변화를 준 영향에 의해 생산 계획 (5) 의 품질을 개선하도록 가중값을 축차적으로 변경해 가기 때문에, 수천에서 수만회라는 방대한 회수의 생산 계획 입안 처리를 실시할 필요가 있다. 그 때문에, 종래의 사상 베이스 시뮬레이터 (4) 로는 현실적 규모의 공장 등의 생산 계획 입안에 적용하기가 어려워, 본 발명에서의 시간 간격 베이스 시뮬레이터 (6) 가 필요 불가결해진다.

(제 2 실시형태)

본 실시형태에서는, 우선 제조에 있어서의 각종 변동에 대하여 안정된 생산을 실현하기 위해, 일정 시간 주기에서만 공정 간의 중간 재고를 이동시키는 생산 방식을 제안한다. 그리고, 제안한 생산 방식에 대한 시뮬레이션 수법으로서, 전술한 시간 간격 베이스 시뮬레이션 (6) 을 적용한다. 또, 현실적인 반도체 웨이퍼 제조 공정 (전(前) 공정) 의 데이터를 사용하여, 제안된 생산 방식에 기초하는 시간 간격 베이스 시뮬레이션 (6) 이 종래의 시뮬레이션 수법과 비교하여 수십배나 고속으로 동등한 계산 결과를 산출하는 것을 나타낸다.

ㆍCONSTIN" 생산 방식

본원 발명자는 하이테크놀로지 부품 등과 같이, 대규모 복잡하고 변동 요소가 큰 제조 프로세스에 대하여, 로버스트 생산을 실시할 수 있는 생산 방식으로서 "CONSTIN" (CONStant Time INterval) 생산 방식을 제언한다. CONSTIN 에서는, 제조 프로세스의 모든 공정이 동기하여 실시되고, 중간 재고는 일정 주기에서만 공정간을 이동한다 (도 7 참조). 또, 1 주기에서의 중간 재고의 이동량은 최대 1 공정까지로, 즉 다음 공정을 넘어서 이동하는 일은 없는 것으로 한다.

CONSTIN 에서는, 임의의 공정에서 기계 고장이나 품질 불량 등의 변동이 일어난 경우라도, 이들이 주기 내에서 해결되거나 전후 공정에 충분한 양의 중간 재고가 계획되어 있으면, 해당 공정을 넘어서 변동의 영향이 파급되는 것을 막을 수 있다. 따라서, CONSTIN 방식은 로버스트한 제조 실시를 가능하게 하는 생산 방식이라고 할 수 있다.

그러나, CONSTIN 은 중간 재고의 자유로운 이동을 제한함으로써 로버스트성을 개선하고 있어, 적절하게 운용하지 않으면 귀중한 생산 능력 (자원) 을 유효하게 활용할 수는 없다. 본 실시형태에서는, 시뮬레이션에 의해 주기의 값이나 각 공정에서의 재고량을 적절히 설정함으로써 그러한 문제가 해결되는 것을 나타낸다.

ㆍ모델

본 실시형태에서 다루는 CONSTIN 생산 방식에서의 생산 공정 모델을 이하에 개략적으로 설명한다. 또, 본 모델의 근사적인 수학적 해석에 관해서는 Gong 등 (비특허문헌 2 참조) 에 따른 것이 있다.

본 실시형태에서는 다음 기호를 사용하여 정식(定式)화한다.

m = 워크스테이션 대수;

g = 제품수;

n_p = 제품 p 의 공정수 (단, n₀ = 0);

n = 전체 제품의 공정수의 합;

c = (c₁, c₂, …, c_m)^T, 1 주기에서의 워크스테이션의 생산 능력;

s_i = 공정 i 에서의 처리 시간;

S= m×n 처리 시간 행렬; 공정 i 가 워크스테이션 k 에서 처리될 때 (k, i) 요소의 값은 s_i, 다른 경우는 0;

r_p(t) = 제품 p 의 주기 t 에서의 투입량;

CONSTIN 방식에서의 주기마다의 중간 재고의 추이는 다음과 같이 나타낸다.

ㆍ공정 i 가 선두 공정인 경우

상기 이외의 경우

주기마다의 생산 개시량 및 생산량은 그 시점에서의 중간 재고량을 상회할 수 없기 때문에, 이하의 관계가 성립된다. 단, 공정에서의 리드 타임이 설정된 주기보다 긴 경우 등의 경우는, 생산 개시량이 생산량보다도 항상 크다고는 할 수 없다.

또한, 워크스테이션의 생산 능력이 유한하여, 그것을 초과하여 생산을 개시하는 것은 불가능하기 때문에 이하의 제약이 성립된다.

ㆍ시뮬레이션 수법

CONSTIN 생산 방식에서는, 종래의 사상 구동형 시뮬레이션과 같이 생산 프로세스에서 발생하는 모든 사상에 의한 상태 변화를 하나하나 차례로 계산하는 것은 아니고, 주기마다 각 공정에서의 중간 재고량의 추이를 계산하는 것만으로 생산 공정의 시뮬레이션을 실행할 수 있다. 따라서, 종래의 시뮬레이션 수법에 비하여 현저한 계산 속도의 향상이 기대되어, 대규모 복잡한 하이테크놀로지 부품의 생산 공정의 시뮬레이션 수법으로 유효하다고 생각된다.

ㆍ시뮬레이션 방법의 개요

CONSTIN 방식의 시뮬레이션은, 수학식 6 에 기재한 루프를 실행함으로써 실시된다.

그 때에 설정해야 할 파라미터는, CONSTIN 의 주기를 결정하는 Period 상수와 시뮬레이션 시간을 정하는 EndOfSimulation 상수이다. 전자를 결정하기 위한 목표에 대해서는 후술한다. 후자의 시뮬레이션 시간의 결정에 있어서는, 시뮬레이션 결과가 정상 상태에서 안정되기 위해서 필요한만큼의 시간을 설정할 필요가 있다. 따라서 Period 의 값이 클수록 EndOfSimulation 도 큰 값을 설정할 필요가 있다.

시뮬레이션의 중핵부인 runForPeriod 함수에서는, 수학식 7 에 기재한 바와 같이 각 워크스테이션에서의 중간 재고의 추이에 관한 계산이 이루어진다.

선두 공정에서의 시뮬레이션 시간 t 에서의 중간 재고량은, 사전의 중간 재고량에 새로운 투입량을 더한 것이 된다. 이 투입 규칙 수학식 7 중의 releaseRule 함수) 을 변경함으로써, CONSTIN 은 MRP 적인 푸쉬(push)형 생산이나 CONWIP (비특허문헌 3 참조) 적인 풀(pull)형 생산을 실현할 수 있다 (비특허문헌 9).

각 공정에서의 중간 재고 중, 현 주기에서 어느 만큼의 양을 워크스테이션에서 처리하는가를 결정하는 규칙이 수학식 7 중의 wipTansferRule 함수이다. 여기서는, 당해 공정의 전후 공정에서의 중간 재고의 양이나, 현시점까지의 제품의 완성량, 전후 공정에서의 워크스테이션의 가동 상황 등을 고려하여 가능한 한 평준화된 생산이 이루어지도록 각 공정에서의 중간 재고의 추이량을 결정할 필요가 있다.

각 공정에서의 중간 재고 중, 현주기에서 처리해야 될 양이 결정된 후, 수학식 7 중의 sortingRule 함수에서 워크스테이션에서의 각 공정의 우선 순위에 근거하여 각 공정의 처리 순서가 결정된다. 이 순서의 후방 공정은, 워크스테이션의 처리 능력의 한계에 의해 현주기에서는 처리되지 않는 경우가 있을 수 있다. 각 공정의 우선 순위의 결정은, 종래의 디스패칭 규칙을 적용하는 것도 가능하다. 워크스테이션에서 처리되어야 할 각 공정의 중간 재고량과 그 처리 순서가 결정된 후에는, 수학식 7 의 calProduction 함수에서, 공정의 타입 (로트 생산, 배치 생산 등) 에 따라서 이들 처리에 필요한 워크스테이션의 능력이나 시간이 계산되고, 워크스테이션의 가동 상황, 각 공정에서의 중간 재고량 등의 값이 갱신된다.

ㆍ주기 파라미터의 설정

CONSTIN 방식으로 시뮬레이션을 실행함에 있어서, 미리 결정할 필요가 있는 중요한 파라미터는 Period 상수이다. Period 의 값을 크게 취하여 정상 상태에 도달할 때까지 시뮬레이션을 실시하면, 변동 요인에 대한 로버스트성은 높지만, 공정 내에 다수의 중간 재고를 포함하는 결과가 되고, 반대로 Period 의 값을 작게 하면 로버스트성은 낮아지고, 시뮬레이션의 계산 속도도 저하된다. 따라서, 적절한 Period 의 값은 시뮬레이션의 목적에 맞추어 설정할 필요가 있다. 단, 용도에 따라서 값을 결정할 때의 기준이 되는 Period 의 값은 다음과 같이 구할 수 있다.

r 을 투입 레이트, l_i 를 워크스테이션당 공정수, d 를 Period 의 값으로 하면, 정상 상태에 있어서 워크스테이션에서의 1 주기에 있어서의 생산량 z_i 은 z_i = rl_id 가 된다. CONSTIN 에서는 생산량은 중간 재고량보다도 항상 작다.

한편, 사이클 타임의 값을 y 로 하면 정상 상태에서는 스루풋의 값이 r 과 같기 때문에, 대기 행렬에 관한 Little 의 공식 (비특허문헌 4) 으로부터 w = ry 가 성립하고, 위의 부등식에서

l 의 값은 생산 공정의 모델로부터 알 수 있지만, 사이클 타임에는 행정에서의 리 시간에 더하여 대기 시간이 포함되기 때문에, 일반적으로 그 값 y 이 명확하지 않다. 그러나, 사이클 타임은 공정에서의 생산 리드 타임보다도 항상 크기 때문에,

이상의 것에서 실제의 생산 공정에서의 리드 타임과 사이클 타임의 과거의 상관 등과 같은 정보가 없는 경우에는

ㆍ반도체 웨이퍼 처리 공정에 대한 적용

CONSTIN 생산 방식과 거기에 기초하는 시뮬레이션 수법의 유효성을 검증하기 위해 반도체 웨이퍼 처리 공정의 데이터를 사용하여 수치 실험을 하였다. 사용한 것은 아리조나 주립대학의 MASM 연구소에서 공개되어 있는 SEMATECH 의 밴치마크 문제이고, MASM 연구소의 홈 페이지 (http://www.was.asu.edu/￥%7Emasmlab/home.htm) 로부터 입수할 수 있다.

본 실시형태에서 거론한 문제의 개요를 표 1 에 나타낸다. 단, 비교를 위해 사용한 사상 구동형 시뮬레이터에서의 모델링 상의 제한에서, 문제 데이터의 일부에 벤치마크 문제로부터 최소한의 변경을 가하였다.

테스트 문제의 개요

제품 타입	비휘발성 메모리
프로세스 플로우수	2
품종수	2 (1 품종 1 플로우)
워크스테이션 종류	83
워크스테이션수	265
공정수	210 (제품 A)245 (제품 B)
총 처리 시간	313.4 시간 (제품 A)358.6 시간 (제품 B)
수요량	380.95 장/일 (제품 A)190.48 장/일 (제품 B)

·시뮬레이션 조건

본 실시형태에서는 CONSTIN 생산 방식 및, 그 시뮬레이션의 기본적인 성능을 검증하기 위해, 이하의 가정 하에서 실험하였다: (1) 공정에서의 처리 시간은 일정, (2) 준비 시간은 고려하지 않는다, (3) 작업원은 고려하지 않는다, (4) 기계 고장, 폐기, 재가공 등은 발생하지 않는다. 따라서, 본 실시형태에서의 시뮬레이션에는 확률적인 요소는 포함되지 않는다.

이번의 실험에서는, 시뮬레이션을 실시할 때의 releaseRule 로는 수요량에 기초한 일정한 투입 규칙을, wipTransferRule 로는 모든 미처리 중간 재고를 처리하는 규칙을, sortingRule 로는 투입 레이트와 처리 시간에 의해 정규화한 다음에, 처리해야 할 중간 재고가 많은 공정을 우선하는 규칙을 사용하였다.

Period 파라미터에 관해서는, 본 실험에서는 웨이퍼 1 장당 총 처리 시간의 평균값은 약 8862분, 평균 공정수는 221.7 이 되기 때문에,

단, 로서,

Period 의 값을 80분으로 설정하였다. EndOfSimulation 파라미터의 값으로는, 시뮬레이션 결과가 충분히 정상 상태에 도달하도록 6 개월로 하고, 그 최후의 1 개월간에서의 결과를 분석, 검토하였다.

ㆍ시뮬레이션 결과와 고찰

본 실시형태에서 제안한 시뮬레이션 수법의 유효성을 검증하기 위해, 시판되는 사상 구동형 시뮬레이터인 Brooks Automation 사의 AutoSched AP 를 사용하여 시뮬레이션 결과를 비교하였다. 그 비교 결과를 표 2 에 나타낸다. 이들 결과로부터, 시뮬레이션 결과에 관해서는 중간 재고 외에는 양자의 결과는 거의 동등하다고 할 수 있다.

시뮬레이션 결과의 비교

	CONSTIN	AutoSched
생산량 (제품 A) (제품 B)	237122	239120
중간 재고 (제품 A) (제품 B)	15785	10162
평균 가동률 (%)	37.9	38.0
계산 시간 (sec.)	4.5	106

중간 재고량에 관해서는, CONSTIN 방식은 일정 주기의 기간 중에는 재고의 이동이 금지되기 때문에 중간 재고량이 커지는 것이 당연하고, 그러한 중간 재고의 존재가 CONSTIN 에서의 로버스트성 향상의 요인이다. 따라서, Period 의 값을 설정할 때에는, 중간 재고의 크기와 생산의 로버스트성의 트레이드 오프를 고려할 필요가 있다.

도 8 에 시뮬레이션 결과에 의한 Period 의 값의 변화에 의한 중간 재고량의 변화 모습을 나타낸다. 이 도면에서 알 수 있듯이, 중간 재고의 양은 Period 의 값에 따라 거의 선형으로 증가한다.

제품 p 의 중간 재고량을 Wp 로 하면,

이 성립한다. 현재, t 가 충분히 큰 값을 취하면 시뮬레이션은 정상 상태에 도달하기 때문에, 투입량과 생산량이 같아지고, 재고량은 일정하게 된다. 따라서,

따라서, Period 의 값이 큰 경우는,

가 성립하고, 이 값은 도 8 에 나타내는 바와 같이 시뮬레이션 결과와 잘 일치한다.

처리 속도의 면에서는, Pentium (등록상표) 3 (1.2GHz) 이 탑재된 PC 를 사용하여 6 개월 동안 시뮬레이션을 실행할 때에 필요한 계산 시간이 CONSTIN 방식에서는 불과 5 초 미만이어서, 시판되는 사상 구동형 시뮬레이터인 AutoSched 에 비하여 20 배 이상이나 고속이다. CONSTIN 에서는 Period 의 값을 크게 하면 계산 속도가 거의 선형으로 증가하기 때문에 footnote 실험에서는 Period 값을 480 으로 하면, 계산 시간은 약 1 초가 되었다. Period 의 값을 적절히 설정함으로써, 리얼 타임성이 요구되는 용도에도 시뮬레이션의 적용이 가능하다.

ㆍ요약

많은 변동 요인을 갖는 반도체 등의 제조 공정에서는, 재고를 지나치게 삭감하면 원활한 생산이 불가능해진다. 그러나, 재고를 적절히 컨트롤하지 않으면 리드 타임의 악화나 사장(死藏) 재고의 증가라는 결과를 낳는다. 본 실시형태에서 서술한 CONSTIN 은, 제조 공정 내의 변동의 크기를 중간 재고의 이동 주기로 치환하여 생각함으로써 각 공정에서의 적절한 중간 재고량을 산출할 수 있다. 그리고, 그 중간 재고량을 유지하도록 각 공정의 생산을 제어함으로써 제조 공정 전체의 로버스트성을 유지할 수 있다.

또, CONSTIN 수법에 기초하는 고속 시뮬레이션에 의해 섬세한 해석이 가능해지고, 적절한 투입 레이트나 프로덕트 믹스의 설정, Period 기간내에서는 해결할 수 없는 기계 고장이 일어났을 때의 대책의 검토 등을 시뮬레이션에 의해 고정밀도로 실시할 수 있다.

상기 서술한 생산 방법을 실현하기 위한 생산 시스템의 구성을 도 9 에 나타낸다. 도 9 에 있어서, 부호 100 은 제품의 제조를 제조 공정을 따라 실시하는 생산 설비이다. 부호 110 은 생산 설비의 제조 공정을 제어하는 제어 시스템으로, 적어도 하나의 컴퓨터 시스템을 갖는다. 이 제어 시스템 (110) 중에 본 발명에 관련된 제어용 프로그램이 기억되어 있다. 제어용 프로그램은 기록 매체에 기록해두고, 기록 매체로부터 제어 시스템 (110) 에 인스톨하면 된다.

제어 시스템 (110) 이 상기 제어 프로그램에 의해 실행하는 처리 내용에 대해서 도 10 을 참조하여 설명한다.

제어 시스템 (110) 은 일정 주기로 도 10 의 처리 순서 (수학식 6 의 함수로 정의된 처리) 를 반복하여 실행한다. 제어 시스템 (110) 은, 생산 설비의 제조 공정의 생산 상태를 나타내는 각종 파라미터, 예를 들어, 재료의 투입량 등을 초기 설정하고, 수학식 7 에 나타내는 함수에 의해 제조 공정 내에서의 각 공정의 중간 재고량을 계산한다 (단계 S10 →S20). 또, 초기 설정값은 사람의 손에 의해 키보드 등에서 미리 입력해 두면 되고, 생산 설비의 생산에 관한 각종 파라미터를 측정하여, 그 측정 결과를 제어 시스템 (110) 에 자동 입력해도 된다.

다음으로 제어 시스템 (110) 은 중간 재고량의 계산 결과와 미리 정한 허용값을 비교한다 (단계 S30). 중간 재고량의 계산 결과가 허용값의 범위 이하로 수렴되는 경우에는, 실제 제조 공정 내의 중간 재고량이 거기에서 설정된 중간 재고량과 같아지도록 생산 설비 (110) 를 제어한다 (단계 S50).

한편, 중간 재고 추이량이 허용 범위 이하로 수렴되지 않는 경우에는, 상기 계산 결과가 허용 범위 내로 수렴되는 방향으로 계산에 사용되는 파라미터를 미리 정한 소정 값만큼 increment (증가) 또는 decrement (감소) 한다 (단계 S40).

구체적으로는, 중간 재고량이 허용 범위보다도 작은 경우에는, 제품의 생산을 증대시키도록 재료 등의 투입량을 늘리도록 파라미터를 변경한다.

이 파라미터의 값에 근거하여 생산 설비 (100) 의 제조 공정을 제어한다 (단계 S50). 이하, 제어 시스템 (110) 은 주기마다 생산 제어 (단계 50) 처리를 실행하면, 제품의 생산량이 증대하고 중간 재고 추이량이 감소한다. 이것에 의해, POP (Point of Production) 시스템 등의 생산 실시 상황을 리얼 타임으로 계측하는 계측 장치 (도 1 의 제어 장치 (110) 내에 설치) 를 사용하여 카운트된 각 공정 내에 존재하는 중간 재고량이 단계 20 에서 설정된 중간 재고량의 계산 결과와 같아진 경우, 생산 설비 (100) 의 제조 공정의 생산이 정지된다. 그리고, 다음 주기가 되면 다시 단계 50 의 생산 제어가 실행되어, 생산 설비의 제조 공정의 생산이 재개된다. 이렇게 제어 처리함으로써, 제어 시스템 (110) 은 중간 재고량을 항상 일정하게 유지하도록 생산을 실시한다. 이하, 이러한 제어를 일정 주기로 반복하여 실행한다. 또, 상기 서술한 중간 재고량을 계산하기 위한 시뮬레이션 (이를 위한 프로그램이 시뮬레이터의 기능을 한다) 에 있어서, 제 1 실시형태에 기재된 시간 간격 베이스 시뮬레이터 및 규칙 생성기의 기능을 제어 시스템 (110) 에 갖게 하고, 제어 시스템 (110) 은 규칙 생성기에 의해 생성된 생산 규칙을 사용하여 제조 공정의 중간 재고량을 반복하여 계산하면 된다.

(용어의 정의 및 의미)

a. 중간 재고

생산 공정 내에 존재하는 재료 및 제작중인 제품. 여기에는, 완성품의 재고는 포함되지 않는다.

b. 중간 재고의 이동량 (추이량)

생산은 중간 재고가 각 공정을 「이동」함으로써 진척된다. 따라서, 중간 재고의 이동량은, 1 주기당 공정에서 처리되는 중간 재고의 양을 의미한다.

c. 워크스테이션

생산 기계 (예를 들어, 스테퍼, 건식 에칭 장치 등).

d. 제품의 투입량

(수요 예측에 기초한) 계획에 따라서 제품을 생산하기 위해, 공정에 투입되는 재료의 양. 투입 레이트는 단위 시간당 투입량으로, 계획에서는 이것이 수요 레이트 (단위 시간당 수요량) 와 일치하도록 계획되는 것이 일반적이다.

e. 제조 공정 내의 변동

본원에서는, 주로 고장 등에 의한 기계의 가동률, 및 수율 (전체 생산량에서의 양품의 비율) 의 변동.

f. 이동 주기

중간 재고가 이동하는 주기.

g. 로버스트

일본어에서는 「완건성(頑健性:robustness)」이라고 번역하는 경우가 많다. 앞서 설명한 변동이 생기더라도 당초 계획대로 생산을 실행해 갈 수 있는 능력을 의미한다.

h. 트레이드 오프

복수의 요건이 있을 때에, 타협을 얻기 위해서 탐색하는 조건.

i. 프로덕트 믹스

하나의 생산 공정에서 복수의 제품을 생산할 때에 그 생산 비율.

상기 서술한 실시 형태는 특허청구 범위에 기재된 발명을 이해하기 위해서 예시된 것이다. 따라서, 상기 발명을 실시함에 있어서는, 상기 서술한 실시형태 외에도 각종 변형이 존재하거나, 그 변형이 특허청구의 범위에 기재된 발명의 기술 사상에 근거하는 것인 한, 그 변형은 본 발명의 기술적 범위 내가 된다.

이상, 설명한 바와 같이 본 발명에 의하면, 고속의 시간 간격 베이스 시뮬레이터를 사용함으로써 생산 계획의 대상인 생산 공정, 프로덕트 믹스, 생산량에 대하여 적절한 생산 규칙 (부품 투입 규칙 등) 을 자동적으로 생성할 수 있어, 대규모의 반도체 등의 생산 공정에 대해서도 고품질의 생산 계획을 입안할 수 있다.

또한, 본 발명에 의하면, 중간 재고량이 허용 범위내에 있도록 제조 공정이 생산 제어되기 때문에, 생산 과정에서 불필요한 중간 재고 (부재의 재고) 가 발생하지 않는다. 또한, 이것에 의해 생산 효율이 대폭 향상된다.

Claims

생산 공정 모델 및 생산 규칙을 사용하여, 사상 베이스 시뮬레이터가 공장 내의 제품의 움직임을 시뮬레이팅함으로써 생산 계획을 입안하는 생산 계획 작성 시스템에 있어서,

일정 시간마다의 생산 공정의 상황을 계산하는 시간 간격 베이스 시뮬레이터; 및

상기 시간 간격 베이스 시뮬레이터를 사용하여 상기 생산 규칙을 자동적으로 도출하는 규칙 생성기를 구비하는 것으로 이루어지는, 생산 계획 작성 시스템.
제 1 항에 있어서,

상기 생산 규칙은 인공 지능 기술을 사용하여 축차적 최적화 수법에 기초하는 기계 학습 수법에 의해 생성되는, 생산 계획 작성 시스템.
제 1 항에 있어서,

상기 규칙 생성기는 뉴럴 네트워크를 사용하여 구성되는 생산 계획 작성 시스템.
생산 공정 모델 및 생산 규칙을 사용하여, 사상 베이스 시뮬레이터가 공장 내의 제품의 움직임을 시뮬레이팅함으로써 생산 계획을 입안하는 생산 계획 작성 방법에 있어서,

일정 시간마다의 생산 공정의 상황을 계산하는 시간 간격 베이스 시뮬레이터와, 상기 시간 간격 베이스 시뮬레이터를 사용하여 상기 생산 규칙을 자동적으로 도출하는 규칙 생성기를 구비하고,

상기 시간 간격 베이스 시뮬레이터가 생산 계획을 몇 번이고 반복하여 입안하는 것에 의해, 상기 규칙 생성기에서, 축차적 최적화 수법에 기초하는 기계 학습을 응용함으로써 상기 생산 규칙을 자동 생성하고, 생성된 생산 규칙을 상기 사상 베이스 시뮬레이터가 사용함으로써 생산 계획을 입안하는 것으로 이루어지는, 생산 계획 작성 방법.
생산 공정 모델 및 생산 규칙을 사용하여, 사상 베이스 시뮬레이터가 공장 내의 제품의 움직임을 시뮬레이팅함으로써 생산 계획을 입안하는 생산 계획 작성 프로그램에 있어서,

일정 시간마다의 생산 공정의 상황을 계산하는 시간 간격 베이스 시뮬레이터와, 상기 시간 간격 베이스 시뮬레이터를 사용하여 상기 생산 규칙을 자동적으로 도출하는 규칙 생성기를 구비하고,

상기 시간 간격 베이스 시뮬레이터가 생산 계획을 몇 번이고 반복하여 입안하는 것에 의해, 상기 규칙 생성기에서, 축차적 최적화 수법에 기초하는 기계 학습을 응용함으로써 상기 생산 규칙을 자동 생성하고, 생성된 생산 규칙을 상기 사상 베이스 시뮬레이터가 사용함으로써 생산 계획을 입안하는 각 순서를 실행하는 생산 계획 작성 프로그램.
제조 공정의 중간 재고량을 반복하여 계산하는 시뮬레이터; 및

상기 시뮬레이터의 계산 결과가 허용 범위 이하가 되도록 상기 시뮬레이터의 계산에 사용되는 파라미터의 값을 결정하고, 상기 파라미터의 값에 근거하여 상기 제조 공정의 생산을 제어하는 제어 시스템을 구비한 것을 특징으로 하는 생산 시스템.
제 6 항에 있어서,

상기 시뮬레이터는 일정 시간마다의 생산 공정의 상황을 계산하는 시간 간격 베이스 시뮬레이터 및 상기 시간 간격 베이스 시뮬레이터를 사용하여 생산 규칙을 자동적으로 도출하는 규칙 생성기를 갖고, 상기 시뮬레이터는 상기 생성기에 의해 생성된 생산 규칙을 사용하여 제조 공정의 중간 재고를 반복하여 계산하는 것을 특징으로 하는 생산 시스템.
제 6 항에 있어서,

상기 제어 시스템은, 제조 공정 내의 실제 중간 재고량을 계측하는 계측 장치를 갖고, 상기 계측 장치에 의해 일정 주기 내에서 계측된 제조 공정 내의 실제 중간 재고량이 상기 시뮬레이터의 계산 결과와 같아지면, 상기 제어 시스템은, 제조 공정의 생산을 정지시키고, 다음 주기에서 생산을 재개하는 것을 특징으로 하는 생산 시스템.
제 8 항에 있어서,

상기 일정 주기는 가변 설정이 가능한 것을 특징으로 하는 생산 시스템.
시뮬레이터에 의해 제조 공정의 중간 재고량을 반복하여 계산하고,

상기 시뮬레이터의 계산 결과가 허용 범위 이하가 되도록 상기 시뮬레이터의 계산에 사용되는 파라미터의 값을 상기 시뮬레이터에서 결정하고,

상기 파라미터의 값에 근거하여, 제어 시스템에 의해 상기 제조 공정의 생산을 제어하는 것을 특징으로 하는 생산 방법.
제 10 항에 있어서,

상기 시뮬레이터는 일정 시간마다의 생산 공정의 상황을 계산하는 시간 간격 베이스 시뮬레이터 및 상기 시간 간격 베이스 시뮬레이터를 사용하여 생산 규칙을 자동적으로 도출하는 규칙 생성기를 갖고, 상기 시뮬레이터는 상기 생성기에 의해 생성된 생산 규칙을 사용하여 제조 공정의 중간 재고량을 반복하여 계산하는 것을 특징으로 하는 생산 방법.
제 10 항에 있어서,

상기 제어 시스템은, 제조 공정 내의 실제 중간 재고량을 계측하는 계측 장치를 갖고, 상기 계측 장치에 의해 일정 주기 내에서 계측된 제조 공정 내의 실제 중간 재고량이 상기 시뮬레이터의 계산 결과와 같아지면, 상기 제어 시스템은, 제조 공정의 생산을 정지시키고, 다음 주기에서 생산을 재개하는 것을 특징으로 하는 생산 방법.
제 12 항에 있어서,

상기 일정 주기는 가변 설정이 가능한 것을 특징으로 하는 생산 방법.
생산 시스템에 의해 실행되는 프로그램으로서,

제조 공정의 중간 재고량을 반복하여 계산하는 단계;

상기 단계의 계산 결과가 허용 범위 이하가 되도록 상기 계산에 사용되는 파라미터의 값을 결정하는 단계; 및

상기 파라미터의 값에 근거하여, 상기 제조 공정의 생산을 제어하는 단계를 포함하는 것을 특징하는 프로그램.
제 14 항에 있어서,

상기 생산 시스템은, 일정 시간마다의 생산 공정의 상황을 계산하는 시간 간격 베이스 시뮬레이터 및 그 시간 간격 베이스 시뮬레이터를 사용하여 생산 규칙을 자동적으로 도출하는 규칙 생성기를 갖고, 상기 시뮬레이터 상기 생성기에 의해 생성된 생산 규칙을 사용하여 제조 공정의 중간 재고량을 반복하여 계산하는 단계를 상기 시뮬레이터에 의해 실행하는 것을 특징으로 하는 프로그램.
제 14 항에 있어서,

상기 생산 시스템은, 제조 공정 내의 실제 중간 재고량을 계측하는 계측 장치를 갖고, 상기 계측 장치에 의해 일정 주기 내에서 계측된 제조 공정 내의 실제 중간 재고량이 상기 시뮬레이터의 계산 결과와 같아지면, 제조 공정의 생산을 정지시키고, 다음 주기에서 생산을 재개하는 단계를 더 포함하는 것을 특징으로 하는 프로그램.
제 16 항에 있어서,

상기 일정 주기는 가변 설정이 가능한 것을 특징으로 하는 프로그램.
제 14 항 내지 제 17 항 중 어느 한 항에 기재된 프로그램을 기록한 것을 특징으로 하는 기록 매체.