KR20210008261A - 반도체 제조에서의 물류 자동화 시스템을 위한 동적 할당 장치, 및 그것을 이용하는 물류 자동화 시스템 - Google Patents
반도체 제조에서의 물류 자동화 시스템을 위한 동적 할당 장치, 및 그것을 이용하는 물류 자동화 시스템 Download PDFInfo
- Publication number
- KR20210008261A KR20210008261A KR1020190084469A KR20190084469A KR20210008261A KR 20210008261 A KR20210008261 A KR 20210008261A KR 1020190084469 A KR1020190084469 A KR 1020190084469A KR 20190084469 A KR20190084469 A KR 20190084469A KR 20210008261 A KR20210008261 A KR 20210008261A
- Authority
- KR
- South Korea
- Prior art keywords
- facility
- allocation
- storage
- rule
- time interval
- Prior art date
Links
- 239000004065 semiconductor Substances 0.000 title claims abstract description 21
- 239000000463 material Substances 0.000 title description 5
- 238000004519 manufacturing process Methods 0.000 claims abstract description 167
- 238000003860 storage Methods 0.000 claims description 115
- 238000009826 distribution Methods 0.000 claims description 32
- 238000000034 method Methods 0.000 claims description 26
- 230000014759 maintenance of location Effects 0.000 claims description 20
- 230000008859 change Effects 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 11
- 238000001514 detection method Methods 0.000 claims description 10
- 238000004891 communication Methods 0.000 description 21
- 238000010586 diagram Methods 0.000 description 8
- 238000012546 transfer Methods 0.000 description 8
- 230000004044 response Effects 0.000 description 6
- IOCMOSUFEBBJOB-UHFFFAOYSA-K diethyl-bis[10-(triethylazaniumyl)decyl]azanium triiodide Chemical compound [I-].[I-].[I-].C(C)[N+](CCCCCCCCCC[N+](CC)(CC)CC)(CCCCCCCCCC[N+](CC)(CC)CC)CC IOCMOSUFEBBJOB-UHFFFAOYSA-K 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 238000000513 principal component analysis Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 241001522296 Erithacus rubecula Species 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 150000002500 ions Chemical class 0.000 description 1
- 238000001459 lithography Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
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] or computer integrated manufacturing [CIM]
- G05B19/4189—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 the transport system
-
- 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
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
- H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
- H01L21/67005—Apparatus not specifically provided for elsewhere
- H01L21/67242—Apparatus for monitoring, sorting or marking
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
- H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
- H01L21/677—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere for conveying, e.g. between different workstations
- H01L21/67703—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere for conveying, e.g. between different workstations between different workstations
- H01L21/67733—Overhead conveying
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Manufacturing & Machinery (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Computer Hardware Design (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Power Engineering (AREA)
- Automation & Control Theory (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- General Factory Administration (AREA)
Abstract
본 발명의 실시 예에 따른 물류 자동화 시스템은 제 1 및 제 2 웨이퍼 로트들을 생산하는 제 1 설비, 제 2 설비, 및 제 1 및 제 2 저장소들을 포함하는 반도체 제조 시설로부터 제 1 제조 환경 상태 데이터를 수집하고 그리고 제 1 제조 환경 상태 데이터에 기초하여 제 1 시간 구간에 제 1 할당 규칙을 정합시키고 그리고 제 2 시간 구간에 제 2 할당 규칙을 정합시키는 할당 모델을 호출하는 최적 규칙 예측 모듈, 할당 모델에 기초하여, 제 1 할당 규칙에 따라 제 1 시간 구간에서 제 1 저장소를 선택하고, 제 2 할당 규칙에 따라 제 2 시간 구간에서 제 2 저장소를 선택하고, 그리고 선택 결과를 포함하는 저장소 선택 정보를 생성하는 저장소 선택 모듈, 및 저장소 선택 정보에 따라 제 1 웨이퍼 로트를 제 1 설비에서 제 1 저장소를 경유하여 제 2 설비로 이동시키고 그리고 제 2 웨이퍼 로트를 제 1 설비에서 제 2 저장소를 경유하여 제 2 설비로 이동시키는 OHT 모듈을 포함할 수 있다.
Description
본 발명은 반도체 제조에서의 물류 자동화 시스템에 관한 것으로, 좀 더 자세하게는 반도체 제조에서의 물류 자동화 시스템을 위한 동적 할당 장치, 및 그것을 이용하는 물류 자동화 시스템에 관한 것이다.
반도체 제조 공정에서 널리 사용되는 물류 자동화 시스템(automated material handling systems; AMHS)은 웨이퍼 로트(wafer lot)와 같은 물류를 이송하는 정교하고 통합된 제어 시스템이다. 물류 자동화 시스템의 중요성은 공장 내 물류 운반 및 저장과 관련된 운영상의 문제로 인해 제조 생산성의 저하가 발생되는 경우로 인해 더욱 주목 받는다. 또한, 최근 WIP(work in process) 할당은 물류 자동화 시스템에서 가장 대표적인 운영 문제 중 하나임이 입증되었다. 따라서 물류 자동화 시스템 내에서 WIP를 효과적으로 할당을 달성하기 위한 기술의 필요성이 대두되고 있다.
본 발명은 상술한 기술적 과제를 해결하기 위한 것으로, 반도체 제조에서의 물류 자동화 시스템을 위한 동적 할당 장치, 및 그것을 이용하는 물류 자동화 시스템을 제공할 수 있다.
본 발명의 실시 예에 따른 물류 자동화 시스템은 제 1 및 제 2 웨이퍼 로트들을 생산하는 제 1 설비, 제 2 설비, 및 제 1 및 제 2 저장소들을 포함하는 반도체 제조 시설로부터 제 1 제조 환경 상태 데이터를 수집하고 그리고 제 1 제조 환경 상태 데이터에 기초하여 제 1 시간 구간에 제 1 할당 규칙을 정합시키고 그리고 제 2 시간 구간에 제 2 할당 규칙을 정합시키는 할당 모델을 호출하는 최적 규칙 예측 모듈, 할당 모델에 기초하여, 제 1 할당 규칙에 따라 제 1 시간 구간에서 제 1 저장소를 선택하고, 제 2 할당 규칙에 따라 제 2 시간 구간에서 제 2 저장소를 선택하고, 그리고 선택 결과를 포함하는 저장소 선택 정보를 생성하는 저장소 선택 모듈, 및 저장소 선택 정보에 따라 제 1 웨이퍼 로트를 제 1 설비에서 제 1 저장소를 경유하여 제 2 설비로 이동시키고 그리고 제 2 웨이퍼 로트를 제 1 설비에서 제 2 저장소를 경유하여 제 2 설비로 이동시키는 OHT 모듈을 포함할 수 있다.
본 발명의 실시 예에 따른 동적 할당 장치는 제 1 및 제 2 설비들 및 제 1 및 제 2 저장소들을 포함하는 반도체 제조 시설로부터 생산설비 상태 데이터, 물류 상태 데이터, 및 저장소 상태 데이터를 수집하는 데이터 수집기, 생산설비 상태 데이터, 물류 상태 데이터, 및 저장소 상태 데이터에 기초하여, 제 1 시간 구간에 제 1 할당 규칙을 정합시키고 그리고 제 2 시간 구간에 제 2 할당 규칙을 정합시키는 할당 모델을 호출하는 할당 모델 호출기, 및 할당 모델에 기초하여, 제 1 할당 규칙에 따라 제 1 시간 구간에서 제 1 및 제 2 설비들 사이에 제 1 저장소를 선택하고 그리고 제 2 시간 구간에서 제 2 할당 규칙에 따라 제 1 및 제 2 설비들 사이에 제 2 저장소를 선택하는 저장소 선택기를 포함할 수 있다.
본 발명의 실시 예에 따른 물류 자동화 시스템은 물류를 효율적으로 운송할 수 있고 그리고 반도체 제조에 있어서의 생산량을 증대시킬 수 있다.
본 발명의 실시 예에 따른 물류 자동화 시스템은 시간에 따라 변하는 제조 환경으로부터 얻은 데이터를 반영하여 동적으로 할당 규칙을 설정할 수 있고 그리고 이상 탐지 알고리즘에 따라 할당 규칙의 불균형 문제를 해결할 수 있다.
도 1은 본 발명의 실시 예에 따른 물류 자동화 시스템을 도시하는 블록도이다.
도 2는 본 발명의 일 실시 예에 따라 도 1의 반도체 제조 시설 내 웨이퍼 로트의 반송 경로들을 도시한다.
도 3은 본 발명의 다른 실시 예에 따라 도 1의 반도체 제조 시설 내 웨이퍼 로트의 반송 경로들을 도시한다.
도 4는 도 1의 동적 할당 장치에 의해 제조 시설의 상태를 고려하여 시간 구간들마다 적용되는 할당 규칙들을 도시한다.
도 5는 본 발명의 일 실시 예에 따라 도 1의 동적 할당 장치를 예시적으로 도시하는 블록도이다.
도 6은 본 발명의 다른 실시 예에 따라 도 1의 동적 할당 장치를 예시적으로 도시하는 블록도이다.
도 7은 본 발명의 실시 예에 따라 도 1의 물류 자동화 시스템의 할당 모델을 호출하는 방법을 도시하는 순서도이다.
도 8은 본 발명의 실시 예에 따라 도 1의 물류 자동화 시스템의 저장소를 선택하는 방법을 도시하는 순서도이다.
도 9는 본 발명의 실시 예에 따라 도 1의 물류 자동화 시스템의 할당 모델을 갱신하는 방법을 도시하는 순서도이다.
도 2는 본 발명의 일 실시 예에 따라 도 1의 반도체 제조 시설 내 웨이퍼 로트의 반송 경로들을 도시한다.
도 3은 본 발명의 다른 실시 예에 따라 도 1의 반도체 제조 시설 내 웨이퍼 로트의 반송 경로들을 도시한다.
도 4는 도 1의 동적 할당 장치에 의해 제조 시설의 상태를 고려하여 시간 구간들마다 적용되는 할당 규칙들을 도시한다.
도 5는 본 발명의 일 실시 예에 따라 도 1의 동적 할당 장치를 예시적으로 도시하는 블록도이다.
도 6은 본 발명의 다른 실시 예에 따라 도 1의 동적 할당 장치를 예시적으로 도시하는 블록도이다.
도 7은 본 발명의 실시 예에 따라 도 1의 물류 자동화 시스템의 할당 모델을 호출하는 방법을 도시하는 순서도이다.
도 8은 본 발명의 실시 예에 따라 도 1의 물류 자동화 시스템의 저장소를 선택하는 방법을 도시하는 순서도이다.
도 9는 본 발명의 실시 예에 따라 도 1의 물류 자동화 시스템의 할당 모델을 갱신하는 방법을 도시하는 순서도이다.
아래에서는, 본 발명의 기술 분야에서 통상의 지식을 가진 자가 본 발명을 쉽게 실시할 수 있을 정도로, 본 발명의 실시 예들이 명확하고 상세하게 기재될 것이다.
도 1은 본 발명의 실시 예에 따른 물류 자동화 시스템을 도시하는 블록도이다. 물류 자동화 시스템(automated material handling system; AMHS; 1000)은 생산 관리 호스트(1100), 물류 제어기(1120), 제조 시설(1300), 동적 할당 장치(1400), OHT(overhead hoist transport) 모듈(1500)을 포함할 수 있다.
생산 관리 호스트(1100)는 제조 실행기(또는 제조 실행 시스템; manufacturing execution system; MES; 1110) 및 스케줄러(scheduler; 1120)를 포함할 수 있다. 제조 실행기(1110)는 물류 자동화 시스템(1000)의 전반적인 제어 동작들을 모니터링하고 관리할 수 있다. 제조 실행기(1110)는 물류 자동화 시스템(1000)의 수주로부터 최종 제품 완성까지의 생산 활동을 관리할 수 있다. 제조 실행기(1110)는 관리자에게 물류 자동화 시스템(1000)의 각 구성 요소들의 이상 발생을 보고할 수 있고 그리고 관리자로부터 이상에 대한 조치를 보고받을 수 있다. 제조 실행기(1110)는 관리자의 조치에 지시 또는 조치에 응답하여 작업자에게 작업을 지시할 수 있고 그리고 작업자로부터 수신된 작업의 결과를 관리자에게 보고할 수 있다. 스케줄러(1120)는 제조 실행기(1110)의 동작을 시간 순서에 따라 관리할 수 있다.
물류 제어기(또는 물류 제어 시스템; material control system; 1120)는 제조 시설(1300)의 웨이퍼 로트(wafer lot)의 반송을 관리할 수 있다. 물류 제어기(1120)는 웨이퍼 로트의 반송을 위해 반송을 요청할 수 있다. 물류 제어기(1120)는 생산 관리 호스트(1100)로부터 지시에 응답하여 반송을 요청할 수 있다.
제조 시설(1300)은 복수의 설비들(1310) 및 복수의 저장소들(1320)을 포함할 수 있다. 복수의 설비들(1310)은 웨이퍼 로트를 생성할 수 있다. 복수의 설비들(1310)은, 반도체 제조 공장(fab)에서의 실리콘 웨이퍼 상 집적 회로의 일반적인 제조에서와 같이, 웨이퍼 상에서의 다양한 공정 또는 제조 단계를 수행할 수 있다. 예를 들면, 복수의 설비들(1310)은 리소그래피(lithography), 계측(metrology), 에칭(etching), 이온 주입(ion injection), 증착(deposition) 등과 같은 다양하고 상이한 처리 및 검사 단계를 수행할 수도 있다. 제조 시설(1300)은 제조 환경으로도 지칭될 수 있다.
복수의 저장소들(1320)은 웨이퍼 로트들을 저장하고 보관할 수 있다. 복수의 저장소들(1320)은 복수의 설비들(1310) 사이 각기 다른 고정된 장소들에 위치할 수 있다. 예를 들어, 복수의 저장소들은 스토커(stocker), N2 스토커, 리프터(lifter), STB(side track buffer)를 포함할 수 있다.
동적 할당 장치(1400)는 제조 시설(1300) 내의 복수의 설비들(1310) 사이에서 웨이퍼 로트를 저장하기 위한 저장소를 선택하여 할당할 수 있다. 동적 할당 장치(1400)는 저장소 선택 모듈(1410) 및 최적 규칙 선택 모듈(1420)을 포함할 수 있다.
저장소 선택 모듈(1410)은 제조 시설(1300)로부터 제조 환경 상태 데이터를 수집할 수 있다. 여기서, 제조 환경 상태 데이터는 제조 시설(1300)의 복수의 설비들(1310), 복수의 저장소들(1320), 및 웨이퍼 로트들의 상태에 관한 정보를 포함할 수 있다. 제조 환경 상태 데이터는 생산설비 상태 데이터, 물류 상태 데이터, 및 저장소 상태 데이터를 포함할 수 있다. 생산설비 상태 데이터는 제조 시설(1300) 내 복수의 설비들(1310)의 공정 종류, 작업 처리량, 유휴 비율, 작업 처리 시간, 작업 완료 여부에 관한 정보를 포함할 수 있다. 물류 상태 데이터는 제조 시설(1300) 내 웨이퍼 로트들의 반송 거리 및 반송 시간, 및 반도체 제조 시설 내의 트래픽 상황에 관한 정보를 포함할 수 있다. 저장소 상태 데이터는 제조 시설(1300) 내 복수의 저장소들(1320)의 위치 및 용량에 관한 정보를 포함할 수 있다.
저장소 선택 모듈(1410)은 수집된 제조 환경 상태 데이터에 기초하는 저장소 선택 정보를 생성할 수 있다. 저장소 선택 정보는 복수의 설비들(1310) 간의 웨이퍼 로트의 반송에 있어서 웨이퍼 로트의 보관과 저장을 위해 선택되는 복수의 저장소들(1320) 중 일 저장소에 관한 정보를 지칭할 수 있다.
최적 규칙 선택 모듈(1420)은 저장소 선택 정보의 생성을 위한 할당 규칙과 할당 모델을 포함할 수 있다. 여기서, 할당 규칙은 서로 다른 시간 구간들에서 선택되는 저장소들을 결정하는 규칙을 지칭할 수 있다. 할당 모델은 제조 환경 상태 데이터에 기초하여 각 시간 구간들에 할당 규칙들을 정합시킬 수 있다. 할당 규칙은 도 2 내지 도 5에서, 할당 모델은 도 5에서 좀 더 구체적으로 설명될 것이다.
저장소 선택 모듈(1410) 및 최적 규칙 선택 모듈(1420)을 포함하는 동적 할당 장치(1400)는 CPU(central processing unit), GPU(graphics processing unit), VPU(vision processing unit), 및 NPU(neural processing unit), DSP(digital signal processor), SoC(system on chip), FPGA(field-programmable gate array array), ASIC(application-specific integrated circuit)와 같은 하드웨어, 컴퓨터 판독 가능한 프로그램 코드(computer-readable program code)를 포함하는 컴퓨터 프로그램 제품 또는 컴퓨터 판독 가능한 프로그램 코드를 포함하는 비-일시적 컴퓨터 기록가능 매체(non-transitory computer-usable medium)를 포함하는 컴퓨터 프로그램 제품, 또는 그것들의 조합으로 구성될 수 있다.
도 1에서, 저장소 선택 모듈(1410) 및 최적 규칙 선택 모듈(1420)은 하나의 장치인 동적 할당 장치(1400)로 구현되는 것으로 도시되었으나, 반드시 이에 제한되는 것은 아니고, 저장소 선택 모듈(1410) 및 최적 규칙 선택 모듈(1420) 각각이 별개의 장치들로도 구현될 수 있다.
OHT(overhead hoist transport) 모듈(1500)은 동적 할당 장치(1400)로부터 수신된 저장소 선택 정보에 따라 복수의 설비들(1310) 중 제 1 설비로부터 복수의 저장소들(1320) 중 제 1 저장소를 경유하여 복수의 설비들(1310) 중 제 2 설비에 웨이퍼 로트를 반송할 수 있다. OHT 모듈(1500)은 OHT 제어기(1510) 및 OHT(1520)를 포함할 수 있다.
OHT 제어기(1510)는 동적 할당 장치(1400)로부터 저장소 선택 정보를 수신할 수 있다. OHT 제어기(1510)는 저장소 선택 정보에 따라 OHT(1520)를 제어할 수 있다.
OHT(1520)는 OHT 제어기(1520)의 제어에 따라 제조 시설(1300) 내 웨이퍼 로트들을 반송할 수 있다. OHT(1520)는 복수의 설비들(1310) 중 제 1 설비로부터 복수의 저장소들(1320) 중 제 1 저장소를 경유하여 복수의 설비들(1310) 중 제 2 설비에 웨이퍼 로트를 반송할 수 있다.
도 2는 본 발명의 일 실시 예에 따라 도 1의 반도체 제조 시설 내 웨이퍼 로트의 반송 경로들을 도시한다. 도 2는 도 1을 참조하여 설명될 것이다. 도 2의 제조 시설(1300a)는 복수의 설비들(1310) 중 제 1 및 제 2 설비들(1311, 1312)과 복수의 저장소들(1320) 중 제 1 내지 제 3 저장소들(1321~1323)을 포함할 수 있고, 이들을 예로서 설명될 것이다.
도 2에서, 제 1 설비(1311)는 웨이퍼 로트를 생산할 수 있고, 제 1 설비(1311)는 웨이퍼 로트의 반송 경로 상에서 출발 설비로 정의된다. 제 2 설비(1312)는 웨이퍼 로트의 반송 경로 상에서 도착 설비(또는 목적지 설비, 대상 설비)로 정의된다. 제 2 설비(1312)는 제 1 설비(1311)에서 수행된 이전 공정과 연계되는 다음 공정을 웨이퍼 로트에 대해 수행할 수 있다.
물류 자동화 시스템(1000)에서, 웨이퍼 로트는 OHT(1520)에 의해 제 1 설비(1311)로부터 제 1, 제 2, 또는 제 3 저장소(1321~1323)를 경유하여 제 2 설비(1312)에 반송될 수 있다. 즉, 제 1 설비(1311)에 의해 생산된 웨이퍼 로트는 제 1 설비(1311)로부터 제 1, 제 2, 또는 제 3 저장소(1321~1323)에 먼저 반송되고, 제 1, 제 2, 또는 제 3 저장소(1321~1323)에 일정 시간 저장, 보관된 후에 제 1, 제 2, 또는 제 3 저장소(1321~1323)로부터 제 2 설비(1312)에 반송된다. 이는 제 2 설비(1312)의 작업 처리 시간을 고려한 결과이다.
동적 할당 장치(1400)는 각 시간 구간들마다 제 1 내지 제 3 저장소들(1321~1323) 중 일 저장소를 선택할 수 있다. 동적 할당 장치(1400)는 각 시간 구간들에 할당 규칙들을 정합시킬 수 있고 그리고 할당 규칙들에 따라 각 시간 구간들에서 제 1 내지 제 3 저장소들(1321~1323) 중 일 저장소를 선택할 수 있다.
도 2에서, 경로 1~3이 도시된다. 경로 1에서, 제 1 설비(1311)에 의해 생산된 웨이퍼 로트는 제 1 저장소(1321)를 경유하여 제 2 설비(1312)에 반송된다. 경로 1에서, 제 1 저장소(1321)는 제 2 설비(1312)보다 제 1 설비(1311)에 더 가까이 위치할 수 있다. 이 경우, 동적 할당 장치(1400)는 경로 1의 시간 구간에 대해 풀(pull) 규칙을 정합시킬 수 있다. 즉, 풀 규칙은 도착 설비보다 출발 설비에 더 가까운 저장소를 선택하기 위한 규칙을 지칭할 수 있다. 경로 2에서, 제 1 설비(1311)에 의해 생산된 웨이퍼 로트는 제 2 저장소(1322)를 경유하여 제 2 설비(1312)에 반송된다. 경로 2는 경로 1 및 경로 2와 비교하기 위한 기준 경로가 될 수 있다. 경로 3에서, 제 1 설비(1311)에 의해 생산된 웨이퍼 로트는 제 3 저장소(1323)를 경유하여 제 2 설비(1312)에 반송된다. 경로 3에서, 제 3 저장소(1323)는 제 1 설비(1311)보다 제 2 설비(1312)에 더 가까이 위치할 수 있다. 이 경우, 동적 할당 장치(1400)는 경로 3의 시간 구간에 대해 푸시(push) 규칙을 정합시킬 수 있다. 즉, 푸시 규칙은 출발 설비보다 도착 설비에 더 가까운 저장소를 선택하기 위한 규칙을 지칭할 수 있다.
도 3은 본 발명의 다른 실시 예에 따라 도 1의 반도체 제조 시설 내 웨이퍼 로트의 반송 경로들을 도시한다. 도 3의 반송 경로들은 물류 자동화 시스템(1000)의 생산 효율과 물류 효율을 고려하여 설명될 것이다. 도 3은 도 1을 참조하여 설명될 것이다. 도 3의 제조 시설(1300b)는 복수의 설비들(1310) 중 제 3 및 제 4 설비들(1313, 1314)과 복수의 저장소들(1320) 중 제 4 내지 제 5 저장소들(1324~1325)을 포함할 수 있고, 이들을 예로서 설명될 것이다.
도 3에서, 제 3 설비(1313)는 웨이퍼 로트를 생산할 수 있고, 제 3 설비(1313)는 웨이퍼 로트의 반송 경로 상에서 출발 설비로 정의된다. 제 4 설비(1314) 또는 제 5 설비(1315)는 웨이퍼 로트의 반송 경로 상에서 도착 설비(또는 목적지 설비, 대상 설비)로 정의된다. 제 4 설비(1314) 또는 제 5 설비(1315)는 제 3 설비(1313)에서 수행된 이전 공정과 연계되는 다음 공정을 웨이퍼 로트에 대해 수행할 수 있다.
물류 자동화 시스템(1000)에서, 웨이퍼 로트는 OHT(1520)에 의해 제 3 설비(1313)로부터 제 4 또는 제 5 저장소(1324, 1325)를 경유하여 제 4 설비(1314) 또는 제 5 설비(1315)에 반송될 수 있다. 도 3에서는, 웨이퍼 로트의 반송에 있어서 효율적인 경우와 비효율적인 경우로 구분되어 도시된다. 여기서 효율적인 경우와 비효율적인 경우를 구분하는 기준은 생산 효율과 물류 효율일 수 있다. 생산 효율은, 단위 시간 동안의 물류 생산량으로서, 출발 설비에서의 작업처리 량 및 작업 처리 시간과 도착 설비에서의 작업처리 량 및 작업 처리 시간에 따라 결정된다. 물류 효율은, 웨이퍼 로트가 반송되는 경로에 관한 것으로서, 웨이퍼 로트의 반송 거리 및 반송 시간에 따라 결정된다.
도 3에서 효율적인 경우를 참조하면, 제 3 설비(1313)로부터 생산된 웨이퍼 로트는 제 4 저장소(1324)를 경유하여 제 4 설비(1314)에 반송되고 그리고 제 5 저장소(1325)를 경유하여 제 5 설비(1315)에 반송될 수 있다. 제 4 저장소(1324)는 제 5 설비(1315)보다 제 4 설비(1314)에 더 가까이 위치하고 그리고 제 5 저장소(1315)는 제 4 설비(1314)보다 제 5 설비(1315)에 더 가까이 위치하므로 이 경우에서는 생산 효율과 물류 효율이 다른 경우에 비해 상대적으로 높을 수 있다.
도 3에서 비효율적인 경우를 참조하면, 제 3 설비(1313)로부터 생산된 웨이퍼 로트는 제 4 저장소(1324)를 경유하여 제 5 설비(1315)에 반송되고 그리고 제 5 저장소(1325)를 경유하여 제 4 설비(1314)에 반송될 수 있다. 이 경우는 각 저장소들로부터, 가까이 위치하는 설비가 아닌, 더 먼 거리에 위치하는 설비에 웨이퍼 로트를 전송하기 때문에 다른 경우에 비해 상대적으로 생산 효율과 물류 효율이 낮을 수 있다.
동적 할당 장치(1400)는, 제조 설비(1300)의 시간에 따라 변하는 제조 환경(제조 환경 상태 데이터로서 수집)을 고려하여, 도 3의 효율적인 경우와 같이 웨이퍼 로트를 반송하도록 각 시간 구간들에 할당 규칙을 정합시키는 할당 모델을 포함할 수 있다.
도 4는 도 1의 동적 할당 장치에 의해 제조 시설의 상태를 고려하여 시간 구간들마다 적용되는 할당 규칙들을 도시한다. 도 4는 제조 시설(1300)의 제조 환경의 변화에 기초하여 설명될 것이다. 도 4는 도 1 내지 도 3을 참조하여 설명될 것이다.
제조 시설(1300)의 제조 환경 상태는 시간에 따라 변할 수 있다. 각 제조 환경 상태에 따라 복수의 설비들(1310) 사이에서 저장소를 선택하기 위한 할당 규칙을 실시간으로 수집된 제조 환경 상태 데이터에 기초하여 결정할 수 있다. 제조 환경 상태 데이터에 반영되는 제조 시설(1300)의 상태는 생산 중요성과 물류 중요성 간의 비교를 통해 구분될 수 있다. 여기서, 생산 중요성이란 물류 효율보다 생산 효율이 더 높게 필요로 함을 의미한다. 물류 중요성은, 생산 중요성과 달리, 생산 효율보다 물류 효율이 더 높게 필요로 함을 의미한다. 제조 시설(1300)의 상태는 생산 중요성과 물류 중요성 중 어느 경우가 더 강조되는지에 따라 구분될 수 있다.
도 4를 참조하면, 생산 중요성이 물류 중요성보다 더 강조되는 시간 구간들에서는 푸시(push) 규칙이 매칭될 수 있다. 생산 중요성이 물류 중요성보다 더 강조되는 시간 구간들에서는 푸시 규칙에 따라 선택된(도착 설비에 가까운) 저장소에 웨이퍼 로트를 반송하여 도착 설비의 이전 작업 처리가 끝난 후 가능한 빨리 웨이퍼 로트를 도착 설비에 반송할 수 있다. 물류 중요성이 생산 중요성보다 더 강조되는 시간 구간들에서는 풀(pull) 규칙이 매칭될 수 있다. 물류 중요성이 생산 중요성보다 더 강조되는 시간 구간들에서는 풀 규칙에 따라 선택된(출발 설비에 가까운) 저장소에 웨이퍼 로트를 반송하여 출발 설비로부터 웨이퍼 로트가 반송되는 시간과 거리를 줄일 수 있다.
도 5는 본 발명의 일 실시 예에 따라 도 1의 동적 할당 장치를 예시적으로 도시하는 블록도이다. 도 5는 도 1 내지 도 4를 참조하여 설명될 것이다. 도 5의 동적 할당 장치(1400a)는 저장소 선택 모듈(1410) 및 최적 규칙 예측 모듈(1420)을 포함할 수 있다. 저장소 선택 모듈(1410)은 데이터 수집기(1411), 로트 반송 요청 수신기(1412), 통신 클라이언트(1413), 및 저장소 선택기(1414)를 포함할 수 있다.
데이터 수집기(1411)는 제조 설비(1300)로부터 실시간으로 제조 환경 상태 데이터를 수집할 수 있다. 제조 환경 상태 데이터는 생산설비 상태 데이터, 물류 상태 데이터, 및 저장소 상태 데이터를 포함하므로 데이터 수집기(1411)는 제조 설비(1300)로부터 실시간으로 생산설비 상태 데이터, 물류 상태 데이터, 및 저장소 상태 데이터를 수집할 수 있다.
로트 반송 요청 수신기(1412)는 물류 제어기(1200)로부터 웨이퍼 로트의 반송 요청을 수신할 수 있다. 로트 반송 요청 수신기(1412)는 데이터 수집기(1411)로부터 제조 환경 상태 데이터를 수신할 수 있고 물류 제어기(1200)로부터의 반송 요청에 응답하여 제조 환경 상태 데이터를 전송할 수 있다.
통신 클라이언트(1413)는 무선 통신이 가능할 수 있다. 통신 클라이언트는 무선 통신에 필요한 무선 통신 모듈을 포함할 수 있다. 통신 클라이언트(1413)는 최적 규칙 예측 모듈(1420)로부터 신호를 수신할 수 있다. 통신 클라이언트(1413)는 데이터 수집기(1411)로부터 반송 요청에 응답하는 로트 반송 요청 수신기(1412)를 경유하여 제조 환경 상태 데이터를 수신할 수 있고 제조 환경 상태 데이터를 최적 규칙 예측 모듈(1420)에 전달할 수 있다.
저장소 선택기(1414)는 최적 규칙 예측 모듈(1420)로부터 통신 클라이언트(1413)를 경유하여 할당 모델을 수신할 수 있다. 저장소 선택기(1414)는 각 시간 구간들에 할당 규칙들을 정합시키는 할당 모델에 기초하여 할당 규칙들에 따라 각 시간 구간들에서 설비들 사이의 저장소를 선택할 수 있다. 저장소 선택기(1414)는 저장소들의 선택 결과를 포함하는 저장소 선택 정보를 생성할 수 있다. 저장소 선택기(1414)는 OHT 모듈(1500)에 저장소 선택 정보를 전송할 수 있다.
최적 규칙 예측 모듈(1420)은 통신 서버(1421), 할당 모델 호출기(1422), 및 할당 모델 데이터베이스(1423)를 포함할 수 있다. 통신 서버(1421)는 무선 통신이 가능할 수 있다. 통신 서버(1421)는 통신 클라이언트(1413)와 동일한 원리에 의해 구현될 수 있다. 통신 서버(1421)는 통신 클라이언트(1413)으로부터 신호를 수신할 수 있고 통신 클라이언트(1413)에 신호를 전송할 수 있다.
할당 모델 호출기(1422)는 통신 클라이언트(1413) 및 통신 서버(1421)를 경유하여 제조 설비(1300)의 제조 환경 상태 데이터를 수신할 수 있다. 할당 모델 호출기(1422)는 제조 환경 상태 데이터에 따라 할당 모델 데이터베이스(1423)로부터 적절한 할당 모델을 호출할 수 있다.
할당 모델 데이터베이스(1423)는 각 시간 구간들에 할당 규칙들을 정합시키는 복수의 할당 모델들을 저장할 수 있다. 복수의 할당 모델들은 외부로부터 전달되거나, 또는 최적 규칙 예측 모듈(1420)에 의해 생성될 수 있다. 할당 모델 데이터베이스(1423)는 DRAM(Dynamic RAM), SDRAM(Synchronous RAM) 등과 같은 휘발성 메모리, 및/또는 PRAM(Phase-change RAM), MRAM (Magneto-resistive RAM), ReRAM(Resistive RAM), FRAM(Ferro-electric RAM) 등과 같은 불휘발성 메모리를 포함할 수 있다.
할당 규칙들은, 도 2에서 설명된 푸시 규칙과 풀 규칙 이외에도, 라운드 로빈(round robin) 규칙, SPT(shortest processing time) 규칙, SRTF(shortest remaining time first) 규칙을 포함할 수 있다. 앞서 설명된 대로, 푸시 규칙은 복수의 저장소들 중 출발 설비로부터 멀고 도착 설비에 가까운 저장소를 선택하는 규칙을, 풀 규칙은 복수의 저장소들 중 출발 설비에 가깝고 도착 설비로부터 먼 저장소를 선택하는 규칙을 지칭할 수 있다. 라운드 로빈 규칙은 복수의 저장소들을 시간에 따라 순서대로 선택하는 규칙을 지칭할 수 있다. SPT 규칙은 가장 짧은 시간을 필요로 하는 작업부터 선택하여 할당하는 규칙이다. SRTF 규칙은 최단 잔여시간 우선 규칙으로서, 작업이 끝나기까지 남아있는 시간이 가장 작은 작업부터 우선적으로 선택하여 할당하는 규칙이다. 다만, 할당 규칙은 반드시 이에 제한되는 것은 아니고, 더 다양한 규칙들을 포함할 수 있다.
할당 모델은 할당 규칙들(특히, 푸시 규칙 및 풀 규칙)의 사용 빈도 차이로 인한 불균형 문제를 고려하여 각 시간 구간들에서 최상의 규칙을 선택할 수 있다. 할당 모델은 기계어, 펌웨어(firmware), 임베디드 코드(embedded code), 응용 애플리케이션과 같은 소프트웨어로 구현될 수 있다.
할당 모델은 저장소 선택 모듈(1410), 특히 저장소 선택 모듈(1410) 내의 저장소 선택기(1414)에 의해 실행되거나, 또는 최적 규칙 예측 모듈(1420)에 의해 실행될 수 있다. 일 예에서, 저장소 선택기(1414)가 할당 모델을 실행하는 경우, 저장소 선택기(1414)는 실행된 할당 모델로부터 각 시간 구간들에 정합되는 할당 규칙들을 얻을 수 있다. 다른 예에서, 최적 규칙 예측 모듈(1420)이 할당 모델을 실행하는 경우, 최적 규칙 예측 모듈(1420)은 실행된 할당 모델로부터 얻어진 각 시간 구간들에 정합되는 할당 규칙들을 저장소 선택기(1414)에 전송할 수 있고 그리고 저장소 선택기(1414)는 할당 규칙들에 따라 설비들 사이의 저장소를 선택할 수 있다.
최적 규칙 예측 모듈(1420)은 할당 모델을 이용하여 각 시간 구간들에 대해 이상 탐지 알고리즘에 따라 이상치 점수를 계산할 수 있다. 여기서, 이상 탐지 알고리즘은 일반적으로 시간 구간에 정합되는 풀 규칙에서 벗어나는 경우를 탐지하기 위한 수단을 지칭할 수 있다. 할당 모델은, 이상 탐지 알고리즘에 따라 제 1 시간 구간에서 계산된 이상치 점수가 임계 점수보다 높은 경우, 제 1 시간 구간에서 푸시 규칙을 정합시킬 수 있다. 이는 일반적으로 이상치 점수가 커질수록 풀 규칙에 적합한 환경에서 멀어지기 때문이다. 임계 점수는 사전에 결정된 기준 점수를 지칭할 수 있다. 이하에서는, 이상 탐지 알고리즘의 예들이 설명될 것이다.
이상 탐지 알고리즘은, 예를 들어, GMM(Gaussian mixed model), KDE(kernel density estimation), LOF(local outlier factor), PCA(principal component analysis), OCSVM(one-class support vector machine) 및 DDAE(deep denoising autoencoder) 중 어느 하나일 수 있다.
GMM은 한정된 개수의 가우시안 분포를 결합하여 데이터 분포를 추정하는 확률론적 모델이다. GMM은 데이터 밀도의 부드러운 근사를 형성하고 이상의 정도를 결정하기 위해 사후 확률을 사용한다. KDE는 커널 함수를 사용하여 데이터의 확률 밀도 함수를 추정하는 비모수적인 알고리즘이다. KDE는 커널의 합계를 기반으로 한 지역 기여도를 기반으로 이상치 점수를 계산한다. LOF는 각 관측치가 다른 관측치와 상이한 분포를 따르는지 거리와 밀도를 기반으로 이상을 정량화하는 알고리즘이다.
PCA는 데이터의 분산을 유지하면서 데이터를 더 낮은 차원의 선형 부분 공간으로 투영하는 재구성 기반 알고리즘이다. PCA는 데이터 요소의 재구성 오류를 기반으로 이상치 점수를 결정한다. OCSVM은 이상 탐지 문제를 해결하기 위해 지원 벡터 머신(support vector machine SVM) 알고리즘을 사용한다. OCSVM은 정상 관측치로부터 학습된 하이퍼스피어의 중심까지의 커널 거리를 기반으로 이상치 점수를 계산한다. OCSVM은 커널 함수를 사용하여 관측치의 탐색 공간에서 정상과 비정상 관측치를 선형 분리 할 수 있는 더 높은 차원 공간으로 매핑한다. 학습 단계에서, OCSVM은 원점에서 새로운 경계의 위치를 결정하기 위해 원점에서 가장 유연한 경계를 찾는다.
DDAE는 오토인코더(autoencoder)의 확장 버전이다. DDAE는 데이터 특징들 간의 상관 관계를 확인함으로써 이상 탐지를 수행하기 위한 수단이다. DDAE는 복수의 레이어들을 가질 수 있고 그리고 복수의 레이어들은 입력 레이어, 히든(hidden) 레이어, 및 출력 레이어를 포함할 수 있다. 복수의 레이어들은 각각 복수의 노드들을 가질 수 있다. DDAE는 복수의 노드들에 각각 가중치들을 설정할 수 있고 그리고 복수의 레이어들을 거치는 입력 데이터로부터 이상치 점수를 얻을 수 있다.
도 6은 본 발명의 다른 실시 예에 따라 도 1의 동적 할당 장치를 예시적으로 도시하는 블록도이다. 도 6은 도 1 및 도 5를 참조하여 설명될 것이다. 도 6의 동적 할당 장치(1400b)는 도 5의 동적 할당 장치(1400a)의 각 구성요소들을 모두 포함할 수 있다. 도 6의 동적 할당 장치(1400b)는, 도 5의 동적 할당 장치(1400a)의 각 구성요소들과 더불어, 물류 데이터베이스(1430), 라인 변화 감지기(1400), 및 모델 갱신기(1450)를 더 포함할 수 있다. 도 6에 대한 설명에서는, 도 5에서 설명된 동적 할당 장치(1400a)의 각 구성요소들에 대한 설명은 생략될 것이다.
물류 데이터베이스(1430)는 데이터 수집기(1411)에 의해 제조 시설(1300)로부터 수집된 제조 환경 상태 데이터를 저장할 수 있다. 즉, 물류 데이터베이스(1430)는 제조 시설(1300)로부터 수집된 생산설비 상태 데이터, 물류 상태 데이터, 및 저장소 상태 데이터를 저장할 수 있다. 제조 환경 상태 데이터는 데이터 수집기(1411)에 의해 제조 시설(1300)로부터 실시간으로 수집될 수 있으므로, 물류 데이터베이스(1430)는 각 시간 구간들마다 수집된 제조 환경 상태 데이터를 저장할 수 있다. 물류 데이터베이스(1430)는 DRAM, SDRAM 등과 같은 휘발성 메모리, 및/또는 PRAM, MRAM, ReRAM, FRAM 등과 같은 불휘발성 메모리를 포함할 수 있다.
라인 변화 감지기(1440)는 물류 데이터베이스(1430)에 저장된 제조 환경 상태 데이터에 기초하여 제조 시설(1300)의 변화를 감지할 수 있다. 라인 변화 감지기(1440)는 각 시간 구간들의 제조 환경 상태 데이터 간의 차이를 감지할 수 있다.
반도체 제조에 있어서 제조 시설(1300)의 변화란, 생산설비 런다운(rundown) 및 대기 반송 최소화를 위한 저장소 할당 의사결정에 영향을 끼치는 모든 제조 환경 변화를 의미한다. 제조 환경의 변화 중 생산 및 판매 계획(Sale & Operation planning; SOP)의 변화는 중장기적으로 나타나며, 전체 공정의 레아아웃의 변화, 제품의 추가/변경, 혼률 생산(product mix)의 비율 변화, 생산설비 증설/이설/교체, 생산량 증가/감소 등이 여기에 해당할 수 있다. 그리고, 제조 환경의 변화 중 생산 운영의 변화는 단기적, 일시적으로 나타나며, 생산/물류 설비의 일시적 고장, 생산 스케줄링 로직의 변화, 물류의 정체 증가, WIP(work in process) 레벨의 변화, 설비 별 공정 작업조건(recipe) 변화 등이 여기에 해당할 수 있다.
제조 시설(1300)의 변화는 제조 시설(1300)로부터 실시간으로 수집된 제조 환경 상태 데이터에 의해 관측된다. 최적 규칙 선택 모듈(1420)은 제조 환경 상태 데이터와 할당 모델에 기초하여 각 시간 구간들에 최적의 할당 규칙을 매칭시킬 수 있다.
모델 갱신기(1450)는 할당 모델 데이터베이스(1423)에 저장된 할당 모델을 갱신할 수 있다. 모델 갱신기(1450)는 라인 변화 감지기(1440)로부터 각 시간 구간들의 제조 환경 상태 데이터 간의 차이를 수신할 수 있다. 모델 갱신기(1450)는 각 시간 구간들의 제조 환경 상태 데이터 간의 차이에 기초하여 할당 모델을 갱신할 수 있다. 갱신된 할당 모델은 제조 설비(1300)의 제조 환경 변화를 반영할 수 있다.
도 7은 본 발명의 실시 예에 따라 도 1의 물류 자동화 시스템의 할당 모델을 호출하는 방법을 도시하는 순서도이다. 도 7은 도 1 및 도 5를 참조하여 설명될 것이다.
S110 단계에서, 동적 할당 장치(1400)는 제조 설비(1300)로부터 실시간으로 제조 환경 상태 데이터를 수집할 수 있다. 동적 할당 장치(1400)는 물류 제어기(1200)로부터의 반송 요청과 관계 없이 제조 설비(1300)로부터 데이터 수집 동작을 수행할 수 있다.
S120 단계에서, 동적 할당 장치(1400)는 물류 제어기(1200)로부터 웨이퍼 로트의 반송 요청을 수신할 수 있다. S130 단계에서, 동적 할당 장치(1400) 내의 로트 반송 요청 수신기(1412)는 반송 요청에 응답하여 통신 클라이언트(1413) 및 통신 서버(1421)를 경유하여 동적 할당 장치(1400) 내의 할당 모델 호출기(1422)에 최적의 규칙의 예측을 요청할 수 있다. 로트 반송 요청 수신기(1412)는 데이터 수집기(1411)로부터 제조 환경 상태 데이터를 수신할 수 있고 물류 제어기(1200)로부터의 반송 요청에 응답하여 할당 모델 호출기(1422)에 제조 환경 상태 데이터를 전송할 수 있다.
S140 단계에서, 할당 모델 호출기(1422)는 로트 반송 요청 수신기(1412)의 요청에 응답하여 할당 모델 데이터베이스(1423)로부터 적절한 할당 모델을 호출할 수 있다. 할당 모델 호출기(1422)는 데이터 수집기(1411)에 의해 수신된 제조 설비(1300)의 제조 환경 상태 데이터를 수신할 수 있다. 할당 모델 호출기(1422)는 할당 모델 데이터베이스(1423)로부터 할당 모델을 호출하는 데 있어서, 수신된 제조 환경 상태 데이터를 고려할 수 있다.
도 8은 본 발명의 실시 예에 따라 도 1의 물류 자동화 시스템의 저장소를 선택하는 방법을 도시하는 순서도이다. 도 7은 도 1 및 도 5를 참조하여 설명될 것이다.
S210 단계에서, 할당 모델 호출기(1422)는 제조 환경 상태 데이터에 기초하여 할당 모델 데이터베이스(1423)으로부터 적절한 할당 모델을 선택할 수 있다. 할당 모델 호출기(1422)는 선택된 할당 모델을 호출할 수 있다.
S220 단계에서, 저장소 선택기(1414)는 선택된 할당 모델에 기초하여 각 시간 구간들에서 할당 규칙에 따라 출발 설비 및 도착 설비 사이의 저장소를 선택할 수 있다.
S230 단계에서, 저장소 선택기(1414)는 저장소의 선태 결과를 포함하는 선택 정보를 OHT 모듈(1500)에 전송할 수 있고 그리고 OHT 모듈(1500)에 출발 설비로부터 선택된 저장소로 웨이퍼 로트의 반송을 요청할 수 있다.
도 9는 본 발명의 실시 예에 따라 도 1의 물류 자동화 시스템의 할당 모델을 갱신하는 방법을 도시하는 순서도이다.
S310 단계에서, 데이터 수집기(1411)는 제조 설비(1300)로부터 실시간으로 제조 환경 상태 데이터를 수집할 수 있다. 제조 환경 상태 데이터는 생산설비 상태 데이터, 물류 상태 데이터, 및 저장소 상태 데이터를 포함하므로 데이터 수집기(1411)는 제조 설비(1300)로부터 실시간으로 생산설비 상태 데이터, 물류 상태 데이터, 및 저장소 상태 데이터를 수집할 수 있다.
S320 단계에서, 라인 변화 감지기(1440)는 물류 데이터베이스(1430)에 저장된 제조 환경 상태 데이터에 기초하여 제조 시설(1300)의 변화를 감지할 수 있다. 라인 변화 감지기(1440)는 각 시간 구간들의 제조 환경 상태 데이터 간의 차이를 감지할 수 있다. 라인 변화 감지기(1440)는 도 6에서 설명된 제조 환경의 변화를 감지할 수 있다.
S330 단계에서, 모델 갱신기(1450)는 할당 모델 데이터베이스(1423)에 저장된 할당 모델을 갱신할 수 있다. 모델 갱신기(1450)는 라인 변화 감지기(1440)로부터 각 시간 구간들의 제조 환경 상태 데이터 간의 차이를 수신할 수 있다. 모델 갱신기(1450)는 각 시간 구간들의 제조 환경 상태 데이터 간의 차이에 기초하여 할당 모델을 갱신할 수 있다. 갱신된 할당 모델은 제조 설비(1300)의 제조 환경 변화를 반영할 수 있다.
위에서 설명한 내용은 본 발명을 실시하기 위한 구체적인 예들이다. 본 발명에는 위에서 설명한 실시 예들뿐만 아니라, 단순하게 설계 변경하거나 용이하게 변경할 수 있는 실시 예들도 포함될 것이다. 또한, 본 발명에는 상술한 실시 예들을 이용하여 앞으로 용이하게 변형하여 실시할 수 있는 기술들도 포함될 것이다.
1000: 물류 자동화 시스템
1100: 생산 관리 호스트
1200: 물류 제어기
1300, 1300a, 1300b: 제조 시설
1400, 1400a, 1400b: 동적 할당 장치
1500: OHT 모듈
1100: 생산 관리 호스트
1200: 물류 제어기
1300, 1300a, 1300b: 제조 시설
1400, 1400a, 1400b: 동적 할당 장치
1500: OHT 모듈
Claims (10)
- 제 1 및 제 2 웨이퍼 로트들을 생산하는 제 1 설비, 제 2 설비, 및 제 1 및 제 2 저장소들을 포함하는 반도체 제조 시설로부터 제 1 제조 환경 상태 데이터를 수집하고 그리고 상기 제 1 제조 환경 상태 데이터에 기초하여 제 1 시간 구간에 제 1 할당 규칙을 정합시키고 그리고 제 2 시간 구간에 제 2 할당 규칙을 정합시키는 할당 모델을 호출하는 최적 규칙 예측 모듈;
상기 할당 모델에 기초하여, 상기 제 1 할당 규칙에 따라 상기 제 1 시간 구간에서 상기 제 1 저장소를 선택하고, 상기 제 2 할당 규칙에 따라 상기 제 2 시간 구간에서 상기 제 2 저장소를 선택하고, 그리고 선택 결과를 포함하는 저장소 선택 정보를 생성하는 저장소 선택 모듈; 및
상기 저장소 선택 정보에 따라 상기 제 1 웨이퍼 로트를 상기 제 1 설비에서 상기 제 1 저장소를 경유하여 상기 제 2 설비로 이동시키고 그리고 상기 제 2 웨이퍼 로트를 상기 제 1 설비에서 상기 제 2 저장소를 경유하여 상기 제 2 설비로 이동시키는 OHT(overhead hoist transport) 모듈을 포함하는 물류 자동화 시스템. - 제 1 항에 있어서,
상기 반도체 제조 시설로부터 제 2 제조 환경 상태 데이터를 더 수신하고 그리고 상기 제 1 및 제 2 제조 환경 상태 데이터 간의 차이를 감지하는 라인 변화 감지기; 및
상기 차이에 기초하여 상기 할당 모델을 갱신하는 모델 갱신기를 더 포함하는 물류 자동화 시스템. - 제 1 항에 있어서,
상기 제 1 할당 규칙은 푸시(push) 규칙이고, 그리고
상기 제 2 할당 규칙은 풀(pull) 규칙인 물류 자동화 시스템. - 제 3 항에 있어서,
상기 최적 규칙 예측 모듈은 상기 할당 모델을 이용하여 제 3 시간 구간에 대해 이상 탐지 알고리즘에 따라 이상치 점수를 계산하고, 그리고
상기 이상치 점수가 임계 점수보다 높은 경우, 상기 할당 모델은 상기 제 3 시간 구간에 상기 푸시 규칙을 정합시키는 물류 자동화 시스템. - 제 4 항에 있어서,
상기 이상 탐지 알고리즘은 DDAE(deep denoising autoencoder)인 물류 자동화 시스템. - 제 1 및 제 2 설비들 및 제 1 및 제 2 저장소들을 포함하는 반도체 제조 시설로부터 생산설비 상태 데이터, 물류 상태 데이터, 및 저장소 상태 데이터를 수집하는 데이터 수집기;
상기 생산설비 상태 데이터, 상기 물류 상태 데이터, 및 상기 저장소 상태 데이터에 기초하여, 제 1 시간 구간에 제 1 할당 규칙을 정합시키고 그리고 제 2 시간 구간에 제 2 할당 규칙을 정합시키는 할당 모델을 호출하는 할당 모델 호출기; 및
상기 할당 모델에 기초하여, 상기 제 1 할당 규칙에 따라 상기 제 1 시간 구간에서 상기 제 1 및 제 2 설비들 사이에 상기 제 1 저장소를 선택하고 그리고 상기 제 2 시간 구간에서 상기 제 2 할당 규칙에 따라 상기 제 1 및 제 2 설비들 사이에 상기 제 2 저장소를 선택하는 저장소 선택기를 포함하는 동적 할당 장치. - 제 6 항에 있어서,
상기 제 1 저장소는 상기 제 1 설비보다 상기 제 2 설비에 더 가까이 위치하고, 그리고
상기 제 2 저장소는 상기 제 2 설비보다 상기 제 1 설비에 더 가까이 위치하는 동적 할당 장치. - 제 6 항에 있어서,
상기 생산설비 상태 데이터는 상기 제 1 및 제 2 설비들의 공정 종류, 작업 처리량, 유휴 비율, 작업 처리 시간, 작업 완료 여부에 관한 정보를 포함하는 동적 할당 장치. - 제 6 항에 있어서,
상기 물류 상태 데이터는 상기 제 1 및 제 2 설비들 사이의 반송 거리 및 반송 시간, 및 상기 반도체 제조 시설 내의 트래픽 상황에 관한 정보를 포함하는 동적 할당 장치. - 제 6 항에 있어서,
상기 저장소 상태 데이터는 상기 제 1 및 제 2 저장소들의 위치 및 용량에 관한 정보를 포함하는 동적 할당 장치.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190084469A KR20210008261A (ko) | 2019-07-12 | 2019-07-12 | 반도체 제조에서의 물류 자동화 시스템을 위한 동적 할당 장치, 및 그것을 이용하는 물류 자동화 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190084469A KR20210008261A (ko) | 2019-07-12 | 2019-07-12 | 반도체 제조에서의 물류 자동화 시스템을 위한 동적 할당 장치, 및 그것을 이용하는 물류 자동화 시스템 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20210008261A true KR20210008261A (ko) | 2021-01-21 |
Family
ID=74237749
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020190084469A KR20210008261A (ko) | 2019-07-12 | 2019-07-12 | 반도체 제조에서의 물류 자동화 시스템을 위한 동적 할당 장치, 및 그것을 이용하는 물류 자동화 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20210008261A (ko) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102315393B1 (ko) * | 2021-05-21 | 2021-10-20 | 주식회사 샤인소프트 | 스마트 팩토리에서의 물류의 최적화된 반송 경로 결정 시스템 및 이를 이용한 물류의 최적화된 반송 경로 결정방법 |
| CN114462781A (zh) * | 2021-12-28 | 2022-05-10 | 西安北方华创微电子装备有限公司 | 一种任务调度方法和半导体工艺设备 |
| WO2023090844A1 (ko) * | 2021-11-17 | 2023-05-25 | 다임리서치 주식회사 | 물류 로봇 이상 감지 방법, 장치 및 시스템 |
| WO2024106720A1 (ko) * | 2022-11-16 | 2024-05-23 | 다임리서치 주식회사 | 동작 이해 기반 물류 로봇 이상 감지 방법, 장치 및 시스템 |
-
2019
- 2019-07-12 KR KR1020190084469A patent/KR20210008261A/ko active Search and Examination
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102315393B1 (ko) * | 2021-05-21 | 2021-10-20 | 주식회사 샤인소프트 | 스마트 팩토리에서의 물류의 최적화된 반송 경로 결정 시스템 및 이를 이용한 물류의 최적화된 반송 경로 결정방법 |
| WO2023090844A1 (ko) * | 2021-11-17 | 2023-05-25 | 다임리서치 주식회사 | 물류 로봇 이상 감지 방법, 장치 및 시스템 |
| CN114462781A (zh) * | 2021-12-28 | 2022-05-10 | 西安北方华创微电子装备有限公司 | 一种任务调度方法和半导体工艺设备 |
| WO2024106720A1 (ko) * | 2022-11-16 | 2024-05-23 | 다임리서치 주식회사 | 동작 이해 기반 물류 로봇 이상 감지 방법, 장치 및 시스템 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR20210008261A (ko) | 반도체 제조에서의 물류 자동화 시스템을 위한 동적 할당 장치, 및 그것을 이용하는 물류 자동화 시스템 | |
| Wang et al. | A proactive material handling method for CPS enabled shop-floor | |
| Kim et al. | Deep learning-based dynamic scheduling for semiconductor manufacturing with high uncertainty of automated material handling system capability | |
| Thiesse et al. | On the value of location information to lot scheduling in complex manufacturing processes | |
| Montoya-Torres | A literature survey on the design approaches and operational issues of automated wafer-transport systems for wafer fabs | |
| CN100416577C (zh) | 用于掩模版的智能自动化管理的方法和系统 | |
| US7356378B1 (en) | Method and system for smart vehicle route selection | |
| US7515982B2 (en) | Combining automated and manual information in a centralized system for semiconductor process control | |
| CN109194534B (zh) | 面向物联网设备群体的调度与管理方法 | |
| Qin et al. | Multiple-objective scheduling for interbay AMHS by using genetic-programming-based composite dispatching rules generator | |
| TWI817010B (zh) | 搬送控制裝置 | |
| Hong et al. | Practical q-learning-based route-guidance and vehicle assignment for oht systems in semiconductor fabs | |
| Ekren et al. | A reinforcement learning approach for transaction scheduling in a shuttle‐based storage and retrieval system | |
| TW202333013A (zh) | 製造系統處的時間約束管理 | |
| Garces et al. | Multiagent reinforcement learning for autonomous routing and pickup problem with adaptation to variable demand | |
| Chien et al. | An integrated framework of Industry 3.5 and an empirical study of simulation-based automated material handling system for semiconductor manufacturing | |
| Ahn et al. | Interactive Q‐Learning Approach for Pick‐and‐Place Optimization of the Die Attach Process in the Semiconductor Industry | |
| Kiba et al. | Simulation of a full 300mm semiconductor manufacturing plant with material handling constraints | |
| US12019455B2 (en) | Transport operation control device, transport system, transport operation control method, and recording medium | |
| Huang | Optimization of job shop scheduling with material handling by automated guided vehicle | |
| Huang et al. | A pre-dispatching vehicle method for a diffusion area in a 300 mm wafer fab | |
| US11615974B2 (en) | Fab management with dynamic sampling plans, optimized wafer measurement paths and optimized wafer transport, using quantum computing | |
| Bahri et al. | Automated material handling system traffic control by means of node balancing | |
| Tadano et al. | Robust transfer vehicle swarm for unreliable production facility | |
| Zhou et al. | Dynamic dispatching for re-entrant production lines—A deep learning approach |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination |