TWI818873B - 考慮加工時變與即時資料串流的優化排程的系統及其方法 - Google Patents

考慮加工時變與即時資料串流的優化排程的系統及其方法 Download PDF

Info

Publication number
TWI818873B
TWI818873B TW112107476A TW112107476A TWI818873B TW I818873 B TWI818873 B TW I818873B TW 112107476 A TW112107476 A TW 112107476A TW 112107476 A TW112107476 A TW 112107476A TW I818873 B TWI818873 B TW I818873B
Authority
TW
Taiwan
Prior art keywords
processing time
time
sub
publish
processing
Prior art date
Application number
TW112107476A
Other languages
English (en)
Other versions
TW202437159A (zh
Inventor
蔡宗翰
燕冰
陸寶森
楊浩青
米哈伊爾 布拉金
鄭芳田
Original Assignee
國立成功大學
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 國立成功大學 filed Critical 國立成功大學
Priority to TW112107476A priority Critical patent/TWI818873B/zh
Priority to CN202310371228.0A priority patent/CN118586612A/zh
Priority to US18/327,163 priority patent/US20240296395A1/en
Application granted granted Critical
Publication of TWI818873B publication Critical patent/TWI818873B/zh
Publication of TW202437159A publication Critical patent/TW202437159A/zh

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Educational Administration (AREA)
  • Manufacturing & Machinery (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Complex Calculations (AREA)
  • Multi Processors (AREA)

Abstract

本發明提供一種考慮加工時變與即時資料串流的優化排程的系統及其方法，其系統包含數據解析器、發佈訂閱機制模組、加工處理時間預測模組及排程優化模組。正交貪婪演算法與循環神經網路用以萃取關鍵特徵，以預測不同的加工處理時間。整數規劃方式用以產生排程問題，並建立嵌入排序優化演算法概念的分解和協調方法。發佈訂閱機制用以實現即時需求，通過此機制，訊息(更新的生產狀態)將作為特定主題發佈，並由製造執行系統所需的模組訂閱此主題。藉此，可提供有效的動態運算方式以及接近最優解的排程，且沒有階層式架構延遲。

Description

考慮加工時變與即時資料串流的優化排程的系統及其方法
本發明是關於一種優化排程的系統及其方法，特別是關於一種考慮加工時變與即時資料串流的優化排程的系統及其方法。
隨著半導體生產走向小批量並且多種產品生產的生產模式下，對於生產排程最佳化的需求也變的越高。而上述生產排程最佳化運用混合整數線性規劃求解在面對整廠多種產品多機台的混合生產情況時，因無法即時掌握現場機台狀況、產線上實際生產情況以及優化(近似最佳化)排程求解運算耗時等因素，其排程表現往往無法符合預期。此些問題將會導致生產排程最佳化於未來半導體製程使用上的限制。由此可知，目前市場上缺乏一種具有即時動態排程調度、考量產線上實際生產情況及沒有階層式結構延遲的考慮加工時變與即時資料串流的優化排程的系統及其方法，故相關業者均在尋求其解決之道。
因此，本發明的目的在於提供一種考慮加工時變與即時資料串流的優化排程的系統及其方法，其係由數據解析、加工處理時間預測、排程優化及模擬組成的集合框架，可因應有效動態排程的需求。在事件的驅動下，可以提取關鍵的加工處理時間特徵，並可以預測各種加工處理時間。再者，本發明建立了一種創新的序數優化概念的分解和協調方法，並且基於前述之預測加工處理時間以有效率的計算方式提供接近最優的動態調度。此外，本發明的發佈訂閱機制可以發佈為特定主題，並由製造執行系統所需的模塊訂閱主題，而沒有階層式結構的延遲。在處理器運算時間(CPU Time，亦即求解時間)和工廠所要求的混合整數規劃間隙(MIP Gap)的限制下，可有效評估緊急訂單的影響。
依據本發明的結構態樣之一實施方式提供一種考慮加工時變與即時資料串流的優化排程的系統，其包含一數據解析器、一發佈訂閱機制模組、一加工處理時間預測模組以及一排程優化模組。數據解析器依據一統計法解析來自一製造執行系統(Manufacturing Execution System；MES)於過去的複數個生產時期所產生的複數組歷史在製品(Work-In-Process；WIP)資料，以獲得此些生產時期的複數個加工處理時間特徵。發佈訂閱機制模組訊號連接數據解析器，並接收此些加工處理時間特徵，發佈訂閱機制模組透過一發佈訂閱機制(Publish Subscribe Mechanism)傳送此些加工處理時間特徵。加工處理時間預測模組訊號連接發佈訂閱機制模組，並接收此些加工處理時間特徵，加工處理時間預測模組依據一正交貪婪演算法(Orthogonal Greedy Algorithm；OGA)與一循環神經網路(Recurrent Neural Network；RNN)解析此些加工處理時間特徵，以獲得下一個生產時期的一預測加工處理時間，並將預測加工處理時間傳送至發佈訂閱機制模組。排程優化模組訊號連接發佈訂閱機制模組，並接收預測加工處理時間，排程優化模組針對預測加工處理時間執行一排序優化演算法而推導出一優化排程報告，藉以令優化排程報告考慮預測加工處理時間的變化。
藉此，本發明的考慮加工時變與即時資料串流的優化排程的系統提供基於預測加工處理時間與發佈訂閱機制的優化生產排程，以克服習知優化排程的加工時間不準確以及缺乏考量現場機台狀況的問題。再者，搭配排序優化演算法的分解和協調方法的混合整數規劃，可有效解決多種產品於多種機台上優化排程求解效率的提升，並使得優化排程更加符合實際生產行為。此外，採用發佈訂閱機制可有效解決機台狀態與現場生產情況的延遲性，進而有效提升機台與生產相關訊息的傳輸效率。
前述實施方式的其他實施例如下：前述數據解析器每隔一第一時段受一第一觸發訊號觸發而作動，加工處理時間預測模組每隔一第二時段受一第二觸發訊號觸發而作動，排程優化模組受一第三觸發訊號觸發而作動。第一時段的長度與第二時段的長度不同，且第一觸發訊號、第二觸發訊號及第三觸發訊號彼此不同。
前述實施方式的其他實施例如下：前述統計法包含一平均值法、一標準差法及一四分位數法的至少一者。正交貪婪演算法為一三階段正交貪婪演算法(Triple Phase Orthogonal Greedy Algorithm；TPOGA)，循環神經網路為一長短期記憶模型(Long Short-Term Memory；LSTM)。
前述實施方式的其他實施例如下：前述排序優化演算法包含進行一初始化步驟，初始化步驟包含將預測加工處理時間初始化為一預設值，並針對預測加工處理時間的一排序問題進行一線性規劃(Linear Programming；LP)，以分解成複數個線性規劃子問題。預設值包含一非整數。
前述實施方式的其他實施例如下：前述排序優化演算法更包含進行一求解步驟，求解步驟包含依次呼叫各線性規劃子問題，並由一線性規劃求解器對各線性規劃子問題求解而獲得一非整數變量。
前述實施方式的其他實施例如下：前述排序優化演算法更包含進行一捨入步驟及一檢查步驟。捨入步驟包含對非整數變量進行四捨五入(Rounding)而產生一捨入後整數變量。檢查步驟包含檢查捨入後整數變量的可行性而產生一可行性檢查結果，然後依據可行性檢查結果而決定執行一子問題成本計算步驟與一處理步驟的其中一者。
前述實施方式的其他實施例如下：當前述檢查步驟的可行性檢查結果為可行時，子問題成本計算步驟被執行，子問題成本計算步驟包含計算各線性規劃子問題的成本而產生一子問題成本數值。當檢查步驟的可行性檢查結果為不可行時，處理步驟被執行，處理步驟包含對非整數變量進行無條件進位(Ceiling)與無條件捨棄(Flooring)處理而產生一進位後整數變量與一捨棄後整數變量。
前述實施方式的其他實施例如下：前述排序優化演算法更包含進行一判斷步驟，判斷步驟執行於子問題成本計算步驟之後，且包含判斷本次所得到的子問題成本數值是否滿足一替代最優條件而產生一條件判斷結果，替代最優條件包含本次的子問題成本數值小於前一次的子問題成本數值。當條件判斷結果為是時，則進行一乘數更新步驟，然後重複執行求解步驟。乘數更新步驟包含更新一拉格朗日乘數(Lagrangian Multiplier)。當條件判斷結果為否時，則進行處理步驟。
前述實施方式的其他實施例如下：前述排序優化演算法更包含進行一尋找計算步驟，尋找計算步驟執行於處理步驟之後，且包含使用進位後整數變量與捨棄後整數變量尋找一可行解決方案，並計算對應可行解決方案的其中一個線性規劃子問題的成本而產生另一子問題成本數值。
前述實施方式的其他實施例如下：前述排序優化演算法更包含進行一確認步驟，確認步驟執行於尋找計算步驟之後，且包含確認本次所得到的另一子問題成本數值是否滿足另一替代最優條件而產生一條件確認結果。此另一替代最優條件包含本次的另一子問題成本數值小於前一次的子問題成本數值。當條件確認結果為是時，則停止執行排序優化演算法。當條件確認結果為否時，則進行一子問題解決步驟，然後進行一乘數更新步驟，其中子問題解決步驟包含使用一分支切割法(Branch and Cut)解決各線性規劃子問題。乘數更新步驟包含更新一拉格朗日乘數(Lagrangian Multiplier)。
依據本發明的結構態樣之另一實施方式提供一種考慮加工時變與即時資料串流的優化排程的系統，其包含一記憶體與一處理器。記憶體儲存來自一製造執行系統(Manufacturing Execution System；MES)於過去的複數個生產時期所產生的複數組歷史在製品(Work-In-Process；WIP)資料及複數個指令。處理器，訊號連接記憶體，處理器執行此些指令以實施包含以下的操作：進行一數據解析的操作、一第一發佈訂閱機制的操作、一加工處理時間預測的操作、一第二發佈訂閱機制的操作以及一排程優化的操作。數據解析的操作包含依據一統計法解析此些組歷史在製品資料，以獲得此些生產時期的複數個加工處理時間特徵。第一發佈訂閱機制的操作包含透過一發佈訂閱機制(Publish Subscribe Mechanism)傳送此些加工處理時間特徵。加工處理時間預測的操作包含依據一正交貪婪演算法(Orthogonal Greedy Algorithm；OGA)與一循環神經網路(Recurrent Neural Network；RNN)解析此些加工處理時間特徵，以獲得下一個生產時期的一預測加工處理時間。第二發佈訂閱機制的操作包含透過發佈訂閱機制傳送預測加工處理時間。排程優化的操作包含針對預測加工處理時間執行一排序優化演算法而推導出一優化排程報告，藉以令優化排程報告考慮預測加工處理時間的變化。
藉此，本發明的考慮加工時變與即時資料串流的優化排程的系統提供基於預測加工處理時間與發佈訂閱機制的優化生產排程，以克服習知優化排程的加工時間不準確以及缺乏考量現場機台狀況的問題。再者，搭配排序優化演算法的分解和協調方法的混合整數規劃，可有效解決多種產品於多種機台上優化排程求解效率的提升，並使得優化排程更加符合實際生產行為。此外，採用發佈訂閱機制可有效解決機台狀態與現場生產情況的延遲性，進而有效提升機台與生產相關訊息的傳輸效率。
依據本發明的方法態樣之一實施方式提供一種考慮加工時變與即時資料串流的優化排程的方法，其包含進行一數據解析步驟、一第一發佈訂閱機制步驟、一加工處理時間預測步驟、一第二發佈訂閱機制步驟以及一排程優化步驟。數據解析步驟包含配置一數據解析器依據一統計法解析來自一製造執行系統(Manufacturing Execution System；MES)於過去的複數個生產時期所產生的複數組歷史在製品(Work-In-Process；WIP)資料，以獲得此些生產時期的複數個加工處理時間特徵。第一發佈訂閱機制步驟包含配置一發佈訂閱機制模組透過一發佈訂閱機制(Publish Subscribe Mechanism)傳送此些加工處理時間特徵。加工處理時間預測步驟包含配置一加工處理時間預測模組依據一正交貪婪演算法(Orthogonal Greedy Algorithm；OGA)與一循環神經網路(Recurrent Neural Network；RNN)解析此些加工處理時間特徵，以獲得下一個生產時期的一預測加工處理時間。第二發佈訂閱機制步驟包含配置發佈訂閱機制模組透過發佈訂閱機制傳送預測加工處理時間。排程優化步驟包含配置一排程優化模組針對預測加工處理時間執行一排序優化演算法而推導出一優化排程報告，藉以令優化排程報告考慮預測加工處理時間的變化。
藉此，本發明的考慮加工時變與即時資料串流的優化排程的方法提供基於預測加工處理時間與發佈訂閱機制的優化生產排程，以克服習知優化排程的加工時間不準確以及缺乏考量現場機台狀況的問題。再者，搭配排序優化演算法的分解和協調方法的混合整數規劃，可有效解決多種產品於多種機台上優化排程求解效率的提升，並使得優化排程更加符合實際生產行為。此外，採用發佈訂閱機制可有效解決機台狀態與現場生產情況的延遲性，進而有效提升機台與生產相關訊息的傳輸效率。
前述實施方式的其他實施例如下：前述數據解析器每隔一第一時段受一第一觸發訊號觸發而作動，加工處理時間預測模組每隔一第二時段受一第二觸發訊號觸發而作動，排程優化模組受一第三觸發訊號觸發而作動。第一時段的長度與第二時段的長度不同，且第一觸發訊號、第二觸發訊號及第三觸發訊號彼此不同。此外，統計法包含一平均值法、一標準差法及一四分位數法的至少一者。正交貪婪演算法為一三階段正交貪婪演算法(Triple Phase Orthogonal Greedy Algorithm；TPOGA)，且循環神經網路為一長短期記憶模型(Long Short-Term Memory；LSTM)。
前述實施方式的其他實施例如下：前述排序優化演算法包含進行一初始化步驟，初始化步驟包含將預測加工處理時間初始化為一預設值，並針對預測加工處理時間的一排序問題進行一線性規劃(Linear Programming；LP)，以分解成複數個線性規劃子問題。預設值包含一非整數。
前述實施方式的其他實施例如下：前述排序優化演算法更包含進行一求解步驟，求解步驟包含依次呼叫各線性規劃子問題，並由一線性規劃求解器對各線性規劃子問題求解而獲得一非整數變量。
前述實施方式的其他實施例如下：前述排序優化演算法更包含進行一捨入步驟與一檢查步驟。捨入步驟包含對非整數變量進行四捨五入(Rounding)而產生一捨入後整數變量。檢查步驟包含檢查捨入後整數變量的可行性而產生一可行性檢查結果，然後依據可行性檢查結果而決定執行一子問題成本計算步驟與一處理步驟的其中一者。
前述實施方式的其他實施例如下：當前述檢查步驟的可行性檢查結果為可行時，子問題成本計算步驟被執行。子問題成本計算步驟包含計算各線性規劃子問題的成本而產生一子問題成本數值。當檢查步驟的可行性檢查結果為不可行時，處理步驟被執行。處理步驟包含對非整數變量進行無條件進位(Ceiling)與無條件捨棄(Flooring)處理而產生一進位後整數變量與一捨棄後整數變量。
前述實施方式的其他實施例如下：前述排序優化演算法更包含進行一判斷步驟，判斷步驟執行於子問題成本計算步驟之後，且包含判斷本次所得到的子問題成本數值是否滿足一替代最優條件而產生一條件判斷結果，替代最優條件包含本次的子問題成本數值小於前一次的子問題成本數值。當條件判斷結果為是時，則進行一乘數更新步驟，然後重複執行求解步驟，其中乘數更新步驟包含更新一拉格朗日乘數(Lagrangian Multiplier)。當條件判斷結果為否時，則進行處理步驟。
前述實施方式的其他實施例如下：前述排序優化演算法更包含進行一尋找計算步驟，尋找計算步驟執行於處理步驟之後，且包含使用進位後整數變量與捨棄後整數變量尋找一可行解決方案，並計算對應可行解決方案的其中一個線性規劃子問題的成本而產生另一子問題成本數值。
前述實施方式的其他實施例如下：前述排序優化演算法更包含進行一確認步驟，確認步驟執行於尋找計算步驟之後，且包含確認本次所得到的另一子問題成本數值是否滿足另一替代最優條件而產生一條件確認結果。此另一替代最優條件包含本次的另一子問題成本數值小於前一次的子問題成本數值。當條件確認結果為是時，則停止執行排序優化演算法。當條件確認結果為否時，則進行一子問題解決步驟，然後進行一乘數更新步驟。其中子問題解決步驟包含使用一分支切割法(Branch and Cut)解決各線性規劃子問題。乘數更新步驟包含更新一拉格朗日乘數(Lagrangian Multiplier)。
以下將參照附圖說明本發明的多個實施例。為明確說明起見，許多實務上的細節將在以下敘述中一併說明。然而，應瞭解到，這些實務上的細節不應用以限制本發明。也就是說，在本發明部分實施例中，這些實務上的細節是非必要的。此外，為簡化附圖起見，一些習知慣用的結構與元件在附圖中將以簡單示意的方式繪示；並且重複的元件將可能使用相同的編號表示。
此外，本文中當某一元件(或單元或模組等)「連接」於另一元件，可指所述元件是直接連接於另一元件，亦可指某一元件是間接連接於另一元件，意即，有其他元件介於所述元件及另一元件之間。而當有明示某一元件是「直接連接」於另一元件時，才表示沒有其他元件介於所述元件及另一元件之間。而第一、第二、第三等用語只是用來描述不同元件，而對元件本身並無限制，因此，第一元件亦可改稱為第二元件。且本文中的元件/單元/電路的組合非此領域中的一般周知、常規或習知的組合，不能以元件/單元/電路本身是否為習知，來判定其組合關係是否容易被技術領域中的通常知識者輕易完成。
目前由於生產朝向小批量並且多種產品生產，一般習知生產計劃很難有效滿足生產製造需求。其問題除了多產品組合特性之外，不確定的加工處理時間、現場機況及生產情況的不斷變化下，很難在習知的製造執行系統階層式架構中進行有效地處理。因此，本發明提出一種考慮加工時變與即時資料串流的優化排程的系統及其方法來應對上述挑戰。在本發明中，正交貪婪演算法(Orthogonal Greedy Algorithm；OGA)與循環神經網路(Recurrent Neural Network；RNN)用以萃取關鍵特徵，以預測不同的加工處理時間。整數規劃方式用以產生排程問題，並建立嵌入排序優化演算法(Ordinal-Optimization；OO)概念的分解(Decomposition)和協調(Coordination)方法，以提供有效的動態運算方式以及接近最優解的排程。此外，本發明利用一種發佈訂閱機制(Publish Subscribe Mechanism)來實現即時需求。通過此機制，訊息(更新的生產狀態)將作為特定主題發佈，並由製造執行系統(Manufacturing Execution System；MES)所需的模組訂閱此主題，因此沒有階層式架構延遲。
請參閱第1圖，第1圖係繪示本發明的第一實施例的考慮加工時變與即時資料串流的優化排程的系統100的示意圖。考慮加工時變與即時資料串流的優化排程的系統100包含數據解析器(Data Parser Module)200、發佈訂閱機制模組300、加工處理時間預測模組(Processing Time Prediction Module)400以及排程優化模組(Scheduling Optimization Module)500。
數據解析器200依據統計法210解析來自製造執行系統(MES)110於過去的複數個生產時期所產生的複數組歷史在製品(Work-In-Process；WIP)資料112，以獲得此些生產時期的複數個加工處理時間特徵220。在一實施例中，統計法210可包含平均值法、標準差法及四分位數法的至少一者，但本發明不以此為限。
發佈訂閱機制模組300訊號連接數據解析器200，並接收此些加工處理時間特徵220。發佈訂閱機制模組300透過發佈訂閱機制310傳送此些加工處理時間特徵220。發佈訂閱機制310可以發佈為特定主題，並由製造執行系統110所需的模塊訂閱主題，而沒有階層式結構的延遲。
加工處理時間預測模組400訊號連接發佈訂閱機制模組300，並接收此些加工處理時間特徵220。加工處理時間預測模組400依據正交貪婪演算法(OGA)410與循環神經網路(RNN)420解析此些加工處理時間特徵220，以獲得下一個生產時期的預測加工處理時間430，並將預測加工處理時間430傳送至發佈訂閱機制模組300。在一實施例中，正交貪婪演算法410可為三階段正交貪婪演算法(Triple Phase Orthogonal Greedy Algorithm；TPOGA)，循環神經網路420可為長短期記憶模型(Long Short-Term Memory；LSTM)，但本發明不以此為限。
排程優化模組500訊號連接發佈訂閱機制模組300，並接收預測加工處理時間430。排程優化模組500針對預測加工處理時間430執行排序優化演算法(OO)510而推導出優化排程報告520，藉以令優化排程報告520考慮預測加工處理時間430的變化。
上述數據解析器200可每隔第一時段受第一觸發訊號102觸發而作動，加工處理時間預測模組400可每隔第二時段受第二觸發訊號104觸發而作動，排程優化模組500可受第三觸發訊號106觸發而作動。第一時段的長度與第二時段的長度不同，且第一觸發訊號102、第二觸發訊號104及第三觸發訊號106彼此不同。在一實施例中，第一時段的長度可為一天，第二時段的長度可為一周(即七天)，但本發明不以此為限。藉此，本發明的考慮加工時變與即時資料串流的優化排程的系統100提供基於預測加工處理時間430與發佈訂閱機制310的優化生產排程，以克服習知優化排程的加工時間不準確以及缺乏考量現場機台狀況的問題。再者，搭配排序優化演算法510的分解和協調方法的混合整數規劃，可有效解決多種產品於多種機台上優化排程求解效率的提升，並使得優化排程更加符合實際生產行為。此外，採用發佈訂閱機制310可有效解決機台狀態與現場生產情況的延遲性，進而有效提升機台與生產相關訊息的傳輸效率。
請一併參閱第1圖與第2圖，其中第2圖係繪示第1圖的排程優化模組500的排序優化演算法510的流程示意圖。排序優化演算法510包含進行初始化步驟510a、求解步驟510b、捨入步驟510c、檢查步驟510d、子問題成本計算步驟510e、判斷步驟510f、處理步驟510g、尋找計算步驟510h、確認步驟510i、子問題解決步驟510j以及乘數更新步驟510k。
初始化步驟510a為「初始化及呼叫子問題」，其包含將預測加工處理時間430初始化為預設值，並針對預測加工處理時間430的排序問題進行線性規劃(Linear Programming；LP)，以分解成複數個線性規劃子問題。預設值包含非整數。換言之，初始化步驟510a可將問題從整數線性規劃(Integer Linear Programming；ILP)鬆弛至線性規劃(LP)子問題。
求解步驟510b為「子問題求解」，其包含依次呼叫各線性規劃子問題，並由線性規劃求解器對各線性規劃子問題求解而獲得非整數變量。
捨入步驟510c為「四捨五入非整數變量」，其包含對非整數變量進行四捨五入(Rounding)而產生捨入後整數變量。
檢查步驟510d為「檢查可行性?」，其包含檢查捨入後整數變量的可行性而產生可行性檢查結果，然後依據可行性檢查結果而決定執行子問題成本計算步驟510e與處理步驟510g的其中一者。換言之，檢查步驟510d會檢查捨入步驟510c已四捨五入之整數變量(即捨入後整數變量)並計算其解的可行性。當檢查步驟510d的可行性檢查結果為可行時，子問題成本計算步驟510e被執行。反之，當檢查步驟510d的可行性檢查結果為不可行時，處理步驟510g被執行。
子問題成本計算步驟510e為「計算子問題成本」，其包含計算各線性規劃子問題的成本而產生子問題成本數值。
判斷步驟510f為「是否滿足替代最優條件?」，且執行於子問題成本計算步驟510e之後。判斷步驟510f包含判斷本次( k)所得到的子問題成本數值是否滿足替代最優條件(Surrogate Optimality Condition)而產生條件判斷結果，替代最優條件包含本次( k)的子問題成本數值小於前一次( k-1)的子問題成本數值。當條件判斷結果為是時，則進行乘數更新步驟510k，然後重複執行求解步驟510b。反之，當條件判斷結果為否時，則進行處理步驟510g。
處理步驟510g為「無條件進位/捨棄變量」，其包含對非整數變量進行無條件進位(Ceiling)與無條件捨棄(Flooring)處理而產生進位後整數變量與捨棄後整數變量。
尋找計算步驟510h為「尋找可行解決方案並計算成本」，且執行於處理步驟510g之後。尋找計算步驟510h包含使用進位後整數變量與捨棄後整數變量尋找可行解決方案，並計算對應可行解決方案的其中一個線性規劃子問題的成本而產生另一子問題成本數值。
確認步驟510i為「是否滿足可行解條件?」，且執行於尋找計算步驟510h之後。確認步驟510i包含確認本次( k)所得到的另一子問題成本數值是否滿足另一替代最優條件而產生一條件確認結果，此另一替代最優條件包含本次( k)的另一子問題成本數值小於前一次( k-1)的子問題成本數值。當條件確認結果為是時，則停止執行排序優化演算法510(即停止求解過程)。反之，當條件確認結果為否時，則進行子問題解決步驟510j，然後進行乘數更新步驟510k。
子問題解決步驟510j為「使用B&C解決子問題」，其包含使用一分支切割法(Branch and Cut；B&C)解決各線性規劃子問題。
乘數更新步驟510k為「更新拉格朗日乘數」，其包含更新一拉格朗日乘數(Lagrangian Multiplier)。當執行完乘數更新步驟510k之後，會重複執行求解步驟510b。
藉此，本發明利用排序優化演算法510的分解和協調方法的混合整數規劃，可有效解決多種產品於多種機台上優化排程求解效率的提升，並使得優化排程更加符合實際生產行為。
請一併參閱第1圖、第2圖及第3圖，其中第3圖係繪示本發明的第二實施例的考慮加工時變與即時資料串流的優化排程的方法S0的流程示意圖。考慮加工時變與即時資料串流的優化排程的方法S0包含進行數據解析步驟S01、第一發佈訂閱機制步驟S02、加工處理時間預測步驟S03、第二發佈訂閱機制步驟S04以及排程優化步驟S05。前述的數據解析步驟S01、第一發佈訂閱機制步驟S02、加工處理時間預測步驟S03、第二發佈訂閱機制步驟S04以及排程優化步驟S05會依序執行。
數據解析步驟S01包含配置數據解析器200依據統計法210解析來自製造執行系統(MES)110於過去的複數個生產時期所產生的複數組歷史在製品(WIP)資料112，以獲得此些生產時期的複數個加工處理時間特徵220。
第一發佈訂閱機制步驟S02包含配置發佈訂閱機制模組300透過發佈訂閱機制310傳送此些加工處理時間特徵220。具體而言，發佈訂閱機制模組300接收此些加工處理時間特徵220，並透過發佈訂閱機制310將此些加工處理時間特徵220傳送至加工處理時間預測模組400。
加工處理時間預測步驟S03包含配置加工處理時間預測模組400依據正交貪婪演算法(OGA)410與循環神經網路(RNN)420解析此些加工處理時間特徵220，以獲得下一個生產時期的預測加工處理時間430。
第二發佈訂閱機制步驟S04包含配置發佈訂閱機制模組300透過發佈訂閱機制310傳送預測加工處理時間430。具體而言，發佈訂閱機制模組300接收預測加工處理時間430，並透過發佈訂閱機制310將預測加工處理時間430傳送至排程優化模組500。
排程優化步驟S05包含配置排程優化模組500針對預測加工處理時間430執行排序優化演算法510而推導出優化排程報告520，藉以令優化排程報告520考慮預測加工處理時間430的變化。
藉此，本發明的考慮加工時變與即時資料串流的優化排程的方法S0提供基於預測加工處理時間430與發佈訂閱機制310的優化生產排程，以克服習知優化排程的加工時間不準確以及缺乏考量現場機台狀況的問題。再者，搭配排序優化演算法510的分解和協調方法的混合整數規劃，可有效解決多種產品於多種機台上優化排程求解效率的提升，並使得優化排程更加符合實際生產行為。此外，採用發佈訂閱機制310可有效解決機台狀態與現場生產情況的延遲性，進而有效提升機台與生產相關訊息的傳輸效率。
請一併參閱第1圖、第2圖、第3圖及第4圖，其中第4圖係繪示本發明的第三實施例的考慮加工時變與即時資料串流的優化排程的系統100a的示意圖。考慮加工時變與即時資料串流的優化排程的系統100a包含記憶體120與處理器140。
記憶體120儲存來自製造執行系統110於過去的複數個生產時期所產生的複數組歷史在製品資料112及複數個指令。處理器140訊號連接記憶體120，處理器140執行此些指令以實施包含以下的操作：進行數據解析的操作、第一發佈訂閱機制的操作、加工處理時間預測的操作、第二發佈訂閱機制的操作以及排程優化的操作。
數據解析的操作包含依據統計法210解析此些組歷史在製品資料112，以獲得此些生產時期的複數個加工處理時間特徵220。數據解析的操作對應第3圖的數據解析步驟S01。
第一發佈訂閱機制的操作包含透過發佈訂閱機制310傳送此些加工處理時間特徵220。第一發佈訂閱機制的操作對應第3圖的第一發佈訂閱機制步驟S02。
加工處理時間預測的操作包含依據正交貪婪演算法(OGA)410與循環神經網路(RNN)420解析此些加工處理時間特徵220，以獲得下一個生產時期的預測加工處理時間430。加工處理時間預測的操作對應第3圖的加工處理時間預測步驟S03。
第二發佈訂閱機制的操作包含透過發佈訂閱機制310傳送預測加工處理時間430。第二發佈訂閱機制的操作對應第3圖的第二發佈訂閱機制步驟S04。
排程優化的操作包含針對預測加工處理時間430執行排序優化演算法510而推導出優化排程報告520，藉以令優化排程報告520考慮預測加工處理時間430的變化。排程優化的操作對應第3圖的排程優化步驟S05。
此外，上述記憶體120可包含可儲存供處理器140執行之資訊和指令的隨機存取記憶體(Random Access Memory；RAM)或其它型式的動態儲存裝置。處理器140可包含任何型式的處理器、微處理器、或可編譯並執行指令的場效型可編程邏輯陣列(Field Programmable Gate Array；FPGA)。處理器140可包含單一裝置(例如單核心)或一組裝置(例如多核心)。
藉此，本發明的考慮加工時變與即時資料串流的優化排程的系統100a提供基於預測加工處理時間430與發佈訂閱機制310的優化生產排程，以克服習知優化排程的加工時間不準確以及缺乏考量現場機台狀況的問題。再者，搭配排序優化演算法510的分解和協調方法的混合整數規劃，可有效解決多種產品於多種機台上優化排程求解效率的提升，並使得優化排程更加符合實際生產行為。此外，採用發佈訂閱機制310可有效解決機台狀態與現場生產情況的延遲性，進而有效提升機台與生產相關訊息的傳輸效率。
請一併參閱第1圖、第3圖及第5圖，其中第5圖係繪示本發明的第四實施例的考慮加工時變與即時資料串流的優化排程的系統100b的示意圖。考慮加工時變與即時資料串流的優化排程的系統100b用以建立實體操作(Physical Operations)600的優化排程，且包含實體操作600、應用模組700、發佈訂閱機制模組300以及模擬模型800。
實體操作600對應第1圖之製造執行系統110與數據解析器200。應用模組700包含加工處理時間預測模組400與排程優化模組500。發佈訂閱機制模組300訊號連接實體操作600、應用模組700及模擬模型800，且實體操作600、應用模組700及模擬模型800彼此相互訊號連接。發佈訂閱機制模組300、加工處理時間預測模組400及排程優化模組500分別與第1圖的發佈訂閱機制模組300、加工處理時間預測模組400及排程優化模組500相同，不再贅述。模擬模型800係對應實體操作600的虛擬模型，其運行排程優化模組500的優化排程報告520。藉此，本發明的考慮加工時變與即時資料串流的優化排程的系統100b整合實體操作600、應用模組700、發佈訂閱機制模組300及模擬模型800而建立實體操作600的優化排程。在一實施例中，應用模組700可使用長短期記憶模型(LSTM)來預測處理時間，並通過使用排序優化演算法(OO)510概念的分解和協調方法來進行生產批次排程。此外，本發明透過發佈訂閱機制310以扁平式系統架構進行實體操作600(實際生產現場)、應用模組700及模擬模型800之間的傳遞訊息，進而避免階層式架構的延遲。
請一併參閱第1圖至第5圖及表一，其中表一顯示習知專家經驗與本發明優化排程的準時達交率的比較表。詳細地說，表一為比較了二段連續時間(即「Days 1-62」與「Days 82-125」)的三個製程(即「Flow 1-3」)的基於專家經驗所制定的第一版交貨計劃和本發明優化排程(近似最佳化排程)的準時達交率。其中現有的準時達交率是準時交付批次的數量佔總批次的數量。與專家經驗的結果相比，即使在較高的現有完成率(超過98%)的情況下，本發明的優化排程在處理器運算時間(CPU Time)和混合整數規劃間隙(Mixed Integer Programming Gap；MIP Gap)的限制下，製程1(Flow 1)的平均準時達交率也可以提高約0.65%(即((99.38%-98.85%)+(99.06%-98.28%))/2)。使用本發明優化排程於所有製程的準時達交率皆優於現有專家經驗制定的交貨計畫。再者，雖然目前製程3(Flow 3)的專家經驗準時達交率較低，但使用本發明優化排程後的改進空間仍然有限。此可說明使用排序優化演算法(OO)510概念的分解和協調方法的排程優化模組500的確可提升計算效率。換言之，本發明在處理器運算時間(CPU Time，亦即求解時間)和工廠所要求的混合整數規劃間隙(MIP Gap)限制下，可有效評估緊急訂單的影響。 表一
Days Flow 專家 經驗 準時 達交率 (%) 本發明
準時 達交率 (%) MIP Gap CPU Time (mins)
1-62 1 98.85 99.38 3.40 13-14.8
2 92.40 97.15
3 66.67 71.11
82- 125 1 98.28 99.06 3.55 13.2-14.3
2 60.49 70.63
3 8.10 21.62
請一併參閱第1圖至第5圖及表二，其中表二顯示習知分支切割法(B&C)、代理拉格朗日鬆弛(Surrogate Lagrangian Relaxation；SLR)及本發明排序優化演算法(OO)510概念的分解和協調方法於求解效能的比較表。詳細地說，表二為當採用冷啟動(Cold Start)的B&C方法時，冷啟動表示決策變數的初始值在求解前皆為零。接近最佳的結果需要7438秒才能使MIP GAP滿足小於5%。然而，當應用SLR與排序優化演算法(OO)510概念的分解和協調方法時，在相同的MIP GAP限制下，CPU Time分別減少到原始公式(Formulation)的76.7%(即5700/7438)和38.7%(即2880/7438)。為了減少求解時間，預先載入的初始解可以有效地用作重新求解的初始變數。這些預先載入的初始解(稱為熱啟動(Warm Start))通常由成對的變數和值組成，或者模型的可行解包括決策變數和拉格朗日乘數。使用熱啟動後，其與冷啟動相比，SLR與本發明排序優化演算法(OO)510概念的分解和協調方法可以分別減少82.5%(即100%-997/5700%)與79.2%(即100%-599/2880%)的CPU Time。由上述結果可知，本發明所提出的排序優化演算法(OO)510概念的分解和協調方法可以使用更少的時間(＜10分鐘)來找到滿足MIP GAP限制的優化排程結果。 表二
Formulation MIP GAP (%) CPU Time (s)
Cold Start Warm Start
B&C 4.99 7438 N/A
SLR 3.99 5700 997
排序優化演算法概念的分解和協調方法 3.97 2880 599
請一併參閱第1圖、第2圖、第3圖、第4圖、第5圖、第6圖及第7圖，其中第6圖係繪示本發明的發佈訂閱機制310的機台設備日誌狀態應用於寫入頻率為100赫茲(Hz)的寫入延遲示意圖；以及第7圖係繪示本發明的發佈訂閱機制310的機台設備日誌狀態應用於寫入頻率為10赫茲(Hz)的寫入延遲示意圖。如圖所示，第6圖及第7圖為發佈訂閱機制310中分別使用1.2KB、10KB及30KB三種不同的資料大小，並進行不同寫入頻率，因此實務上生產機台狀態產生變化時，其數據大小約為1.2KB。第6圖的寫入頻率為100赫茲(Hz)，而第7圖的寫入頻率為10赫茲(Hz)，橫軸代表「時間(秒)」，左邊縱軸代表「Log(樣本數量)」，右邊縱軸代表「Log(樣本數量)的累積百分比」，「Cum.」代表Cumulative(累積)。在測試相同的580000個樣本數量後，99%的生產機台狀態在製造執行系統(MES)110架構中具有延遲1~4秒之情況，而本發明所提出的發佈訂閱機制310所花費的時間不到0.02秒。在此機制中，只有0.0043%的樣本延遲時間大於0.1秒，並且0.25%的訊息傳遞延遲時間大於10秒，足以證明其在訊息傳輸方面具有高效率。
可理解的是，本發明的考慮加工時變與即時資料串流的優化排程的方法S0為以上所述的實施步驟，本發明的電腦程式產品係用以完成如上述的考慮加工時變與即時資料串流的優化排程的方法S0。上述實施例所說明的各實施步驟的次序可依實際需要而調動、結合或省略。上述實施例可利用電腦程式產品來實現，其可包含儲存有多個指令之機器可讀取媒體，這些指令可程式化(programming)電腦來進行上述實施例中的步驟。機器可讀取媒體可為但不限定於軟碟、光碟、唯讀光碟、磁光碟、唯讀記憶體、隨機存取記憶體、可抹除可程式唯讀記憶體(EPROM)、電子可抹除可程式唯讀記憶體(EEPROM)、光卡(optical card)或磁卡、快閃記憶體、或任何適於儲存電子指令的機器可讀取媒體。再者，本發明的實施例也可做為電腦程式產品來下載，其可藉由使用通訊連接(例如網路連線之類的連接)之資料訊號來從遠端電腦轉移本發明的電腦程式產品至請求電腦。
亦可注意的是，本發明亦可描述於一製造系統的語境中。雖然本發明可建置在半導體製作中，但本發明並不限於半導體製作，亦可應用至其他製造工業。製造系統係配置以製造工件或產品，工件或產品包含但不受限於微處理器、記憶體裝置、數位訊號處理器、專門應用的電路(ASICs)或其他類似裝置。本發明亦可應用至除半導體裝置外之其他工件或產品，如車輛輪框、螺絲、造紙。製造系統包含一或多個處理工具，其可用以形成一或多個產品或產品的一部分，在工件(例如：晶圓、玻璃基板、紙)上或中。發明本領域具有通常技藝者應可知，處理工具可為任何數目和任何型式，包含有微影機台、沉積機台、蝕刻機台、研磨機台、退火機台、工具機和類似工具。在實施例中，製造系統亦包含散射儀、橢圓偏光儀、掃描式電子顯微鏡和類似儀器。
由上述實施方式可知，本發明具有下列優點：其一，提供基於預測加工處理時間與發佈訂閱機制的優化生產排程，以克服習知優化排程的加工時間不準確以及缺乏考量現場機台狀況的問題。其二，搭配排序優化演算法(OO)分解和協調方法的混合整數規劃，可有效解決多種產品於多種機台上優化(近似最佳化)排程求解效率的提升，並使得優化排程更加符合實際生產行為。其三，採用發佈訂閱機制可有效解決機台狀態與現場生產情況的延遲性，進而有效提升機台與生產相關訊息的傳輸效率。
雖然本發明已以實施方式揭露如上，然其並非用以限定本發明，任何熟習此技藝者，在不脫離本發明之精神和範圍內，當可作各種之更動與潤飾，因此本發明之保護範圍當視後附之申請專利範圍所界定者為準。
100,100a,100b:考慮加工時變與即時資料串流的優化排程的系統 102:第一觸發訊號 104:第二觸發訊號 106:第三觸發訊號 110:製造執行系統 112:在製品資料 120:記憶體 140:處理器 200:數據解析器 210:統計法 220:加工處理時間特徵 300:發佈訂閱機制模組 310:發佈訂閱機制 400:加工處理時間預測模組 410:OGA 420:RNN 430:預測加工處理時間 500:排程優化模組 510:排序優化演算法 510a:初始化步驟 510b:求解步驟 510c:捨入步驟 510d:檢查步驟 510e:子問題成本計算步驟 510f:判斷步驟 510g:處理步驟 510h:尋找計算步驟 510i:確認步驟 510j:子問題解決步驟 510k:乘數更新步驟 520:優化排程報告 600:實體操作 700:應用模組 800:模擬模型 S0:考慮加工時變與即時資料串流的優化排程的方法 S01:數據解析步驟 S02:第一發佈訂閱機制步驟 S03:加工處理時間預測步驟 S04:第二發佈訂閱機制步驟 S05:排程優化步驟
為了更完整了解實施例及其優點，現參照結合所附圖式所做之下列描述，其中， 第1圖係繪示本發明的第一實施例的考慮加工時變與即時資料串流的優化排程的系統的示意圖； 第2圖係繪示第1圖的排程優化模組的排序優化演算法的流程示意圖； 第3圖係繪示本發明的第二實施例的考慮加工時變與即時資料串流的優化排程的方法的流程示意圖； 第4圖係繪示本發明的第三實施例的考慮加工時變與即時資料串流的優化排程的系統的示意圖； 第5圖係繪示本發明的第四實施例的考慮加工時變與即時資料串流的優化排程的系統的示意圖； 第6圖係繪示本發明的發佈訂閱機制的機台設備日誌狀態應用於寫入頻率為100赫茲的寫入延遲示意圖；以及 第7圖係繪示本發明的發佈訂閱機制的機台設備日誌狀態應用於寫入頻率為10赫茲的寫入延遲示意圖。
100:考慮加工時變與即時資料串流的優化排程的系統
102:第一觸發訊號
104:第二觸發訊號
106:第三觸發訊號
110:製造執行系統
112:在製品資料
200:數據解析器
210:統計法
220:加工處理時間特徵
300:發佈訂閱機制模組
310:發佈訂閱機制
400:加工處理時間預測模組
410:OGA
420:RNN
430:預測加工處理時間
500:排程優化模組
510:排序優化演算法
520:優化排程報告

Claims (20)

  1. 一種考慮加工時變與即時資料串流的優化排程的系統，包含： 一數據解析器，依據一統計法解析來自一製造執行系統(Manufacturing Execution System；MES)於過去的複數個生產時期所產生的複數組歷史在製品(Work-In-Process；WIP)資料，以獲得該些生產時期的複數個加工處理時間特徵； 一發佈訂閱機制模組，訊號連接該數據解析器，並接收該些加工處理時間特徵，該發佈訂閱機制模組透過一發佈訂閱機制(Publish Subscribe Mechanism)傳送該些加工處理時間特徵； 一加工處理時間預測模組，訊號連接該發佈訂閱機制模組，並接收該些加工處理時間特徵，該加工處理時間預測模組依據一正交貪婪演算法(Orthogonal Greedy Algorithm；OGA)與一循環神經網路(Recurrent Neural Network；RNN)解析該些加工處理時間特徵，以獲得下一個生產時期的一預測加工處理時間，並將該預測加工處理時間傳送至該發佈訂閱機制模組；以及 一排程優化模組，訊號連接該發佈訂閱機制模組，並接收該預測加工處理時間，該排程優化模組針對該預測加工處理時間執行一排序優化演算法而推導出一優化排程報告，藉以令該優化排程報告考慮該預測加工處理時間的變化。
  2. 如請求項1所述之考慮加工時變與即時資料串流的優化排程的系統，其中該數據解析器每隔一第一時段受一第一觸發訊號觸發而作動，該加工處理時間預測模組每隔一第二時段受一第二觸發訊號觸發而作動，該排程優化模組受一第三觸發訊號觸發而作動，該第一時段的長度與該第二時段的長度不同，且該第一觸發訊號、該第二觸發訊號及該第三觸發訊號彼此不同。
  3. 如請求項1所述之考慮加工時變與即時資料串流的優化排程的系統，其中該統計法包含一平均值法、一標準差法及一四分位數法的至少一者，該正交貪婪演算法為一三階段正交貪婪演算法(Triple Phase Orthogonal Greedy Algorithm；TPOGA)，該循環神經網路為一長短期記憶模型(Long Short-Term Memory；LSTM)。
  4. 如請求項1所述之考慮加工時變與即時資料串流的優化排程的系統，其中該排序優化演算法包含： 進行一初始化步驟，該初始化步驟包含將該預測加工處理時間初始化為一預設值，並針對該預測加工處理時間的一排序問題進行一線性規劃(Linear Programming；LP)，以分解成複數個線性規劃子問題，該預設值包含一非整數。
  5. 如請求項4所述之考慮加工時變與即時資料串流的優化排程的系統，其中該排序優化演算法更包含： 進行一求解步驟，該求解步驟包含依次呼叫各該線性規劃子問題，並由一線性規劃求解器對各該線性規劃子問題求解而獲得一非整數變量。
  6. 如請求項5所述之考慮加工時變與即時資料串流的優化排程的系統，其中該排序優化演算法更包含： 進行一捨入步驟，該捨入步驟包含對該非整數變量進行四捨五入(Rounding)而產生一捨入後整數變量；及 進行一檢查步驟，該檢查步驟包含檢查該捨入後整數變量的可行性而產生一可行性檢查結果，然後依據該可行性檢查結果而決定執行一子問題成本計算步驟與一處理步驟的其中一者。
  7. 如請求項6所述之考慮加工時變與即時資料串流的優化排程的系統，其中， 當該檢查步驟的該可行性檢查結果為可行時，該子問題成本計算步驟被執行，該子問題成本計算步驟包含計算各該線性規劃子問題的成本而產生一子問題成本數值；及 當該檢查步驟的該可行性檢查結果為不可行時，該處理步驟被執行，該處理步驟包含對該非整數變量進行無條件進位(Ceiling)與無條件捨棄(Flooring)處理而產生一進位後整數變量與一捨棄後整數變量。
  8. 如請求項7所述之考慮加工時變與即時資料串流的優化排程的系統，其中該排序優化演算法更包含： 進行一判斷步驟，該判斷步驟執行於該子問題成本計算步驟之後，且包含判斷本次所得到的該子問題成本數值是否滿足一替代最優條件而產生一條件判斷結果，該替代最優條件包含本次的該子問題成本數值小於前一次的該子問題成本數值； 其中，當該條件判斷結果為是時，則進行一乘數更新步驟，然後重複執行該求解步驟，該乘數更新步驟包含更新一拉格朗日乘數(Lagrangian Multiplier)； 其中，當該條件判斷結果為否時，則進行該處理步驟。
  9. 如請求項7所述之考慮加工時變與即時資料串流的優化排程的系統，其中該排序優化演算法更包含： 進行一尋找計算步驟，該尋找計算步驟執行於該處理步驟之後，且包含使用該進位後整數變量與該捨棄後整數變量尋找一可行解決方案，並計算對應該可行解決方案的其中一該線性規劃子問題的成本而產生另一子問題成本數值。
  10. 如請求項9所述之考慮加工時變與即時資料串流的優化排程的系統，其中該排序優化演算法更包含： 進行一確認步驟，該確認步驟執行於該尋找計算步驟之後，且包含確認本次所得到的該另一子問題成本數值是否滿足另一替代最優條件而產生一條件確認結果，該另一替代最優條件包含本次的該另一子問題成本數值小於前一次的該子問題成本數值； 其中，當該條件確認結果為是時，則停止執行該排序優化演算法； 其中，當該條件確認結果為否時，則進行一子問題解決步驟，然後進行一乘數更新步驟，其中該子問題解決步驟包含使用一分支切割法(Branch and Cut)解決各該線性規劃子問題，該乘數更新步驟包含更新一拉格朗日乘數(Lagrangian Multiplier)。
  11. 一種考慮加工時變與即時資料串流的優化排程的系統，包含： 一記憶體，儲存來自一製造執行系統(Manufacturing Execution System；MES)於過去的複數個生產時期所產生的複數組歷史在製品(Work-In-Process；WIP)資料及複數個指令；以及 一處理器，訊號連接該記憶體，該處理器執行該些指令以實施包含以下的操作： 進行一數據解析的操作，該數據解析的操作包含依據一統計法解析該些組歷史在製品資料，以獲得該些生產時期的複數個加工處理時間特徵； 進行一第一發佈訂閱機制的操作，該第一發佈訂閱機制的操作包含透過一發佈訂閱機制(Publish Subscribe Mechanism)傳送該些加工處理時間特徵； 進行一加工處理時間預測的操作，該加工處理時間預測的操作包含依據一正交貪婪演算法(Orthogonal Greedy Algorithm；OGA)與一循環神經網路(Recurrent Neural Network；RNN)解析該些加工處理時間特徵，以獲得下一個生產時期的一預測加工處理時間； 進行一第二發佈訂閱機制的操作，該第二發佈訂閱機制的操作包含透過該發佈訂閱機制傳送該預測加工處理時間；及 進行一排程優化的操作，該排程優化的操作包含針對該預測加工處理時間執行一排序優化演算法而推導出一優化排程報告，藉以令該優化排程報告考慮該預測加工處理時間的變化。
  12. 一種考慮加工時變與即時資料串流的優化排程的方法，包含： 進行一數據解析步驟，該數據解析步驟包含配置一數據解析器依據一統計法解析來自一製造執行系統(Manufacturing Execution System；MES)於過去的複數個生產時期所產生的複數組歷史在製品(Work-In-Process；WIP)資料，以獲得該些生產時期的複數個加工處理時間特徵； 進行一第一發佈訂閱機制步驟，該第一發佈訂閱機制步驟包含配置一發佈訂閱機制模組透過一發佈訂閱機制(Publish Subscribe Mechanism)傳送該些加工處理時間特徵； 進行一加工處理時間預測步驟，該加工處理時間預測步驟包含配置一加工處理時間預測模組依據一正交貪婪演算法(Orthogonal Greedy Algorithm；OGA)與一循環神經網路(Recurrent Neural Network；RNN)解析該些加工處理時間特徵，以獲得下一個生產時期的一預測加工處理時間； 進行一第二發佈訂閱機制步驟，該第二發佈訂閱機制步驟包含配置該發佈訂閱機制模組透過該發佈訂閱機制傳送該預測加工處理時間；以及 進行一排程優化步驟，該排程優化步驟包含配置一排程優化模組針對該預測加工處理時間執行一排序優化演算法而推導出一優化排程報告，藉以令該優化排程報告考慮該預測加工處理時間的變化。
  13. 如請求項12所述之考慮加工時變與即時資料串流的優化排程的方法，其中， 該數據解析器每隔一第一時段受一第一觸發訊號觸發而作動，該加工處理時間預測模組每隔一第二時段受一第二觸發訊號觸發而作動，該排程優化模組受一第三觸發訊號觸發而作動，該第一時段的長度與該第二時段的長度不同，且該第一觸發訊號、該第二觸發訊號及該第三觸發訊號彼此不同；及 該統計法包含一平均值法、一標準差法及一四分位數法的至少一者，該正交貪婪演算法為一三階段正交貪婪演算法(Triple Phase Orthogonal Greedy Algorithm；TPOGA)，且該循環神經網路為一長短期記憶模型(Long Short-Term Memory；LSTM)。
  14. 如請求項12所述之考慮加工時變與即時資料串流的優化排程的方法，其中該排序優化演算法包含： 進行一初始化步驟，該初始化步驟包含將該預測加工處理時間初始化為一預設值，並針對該預測加工處理時間的一排序問題進行一線性規劃(Linear Programming；LP)，以分解成複數個線性規劃子問題，該預設值包含一非整數。
  15. 如請求項14所述之考慮加工時變與即時資料串流的優化排程的方法，其中該排序優化演算法更包含： 進行一求解步驟，該求解步驟包含依次呼叫各該線性規劃子問題，並由一線性規劃求解器對各該線性規劃子問題求解而獲得一非整數變量。
  16. 如請求項15所述之考慮加工時變與即時資料串流的優化排程的方法，其中該排序優化演算法更包含： 進行一捨入步驟，該捨入步驟包含對該非整數變量進行四捨五入(Rounding)而產生一捨入後整數變量；及 進行一檢查步驟，該檢查步驟包含檢查該捨入後整數變量的可行性而產生一可行性檢查結果，然後依據該可行性檢查結果而決定執行一子問題成本計算步驟與一處理步驟的其中一者。
  17. 如請求項16所述之考慮加工時變與即時資料串流的優化排程的方法，其中， 當該檢查步驟的該可行性檢查結果為可行時，該子問題成本計算步驟被執行，該子問題成本計算步驟包含計算各該線性規劃子問題的成本而產生一子問題成本數值；及 當該檢查步驟的該可行性檢查結果為不可行時，該處理步驟被執行，該處理步驟包含對該非整數變量進行無條件進位(Ceiling)與無條件捨棄(Flooring)處理而產生一進位後整數變量與一捨棄後整數變量。
  18. 如請求項17所述之考慮加工時變與即時資料串流的優化排程的方法，其中該排序優化演算法更包含： 進行一判斷步驟，該判斷步驟執行於該子問題成本計算步驟之後，且包含判斷本次所得到的該子問題成本數值是否滿足一替代最優條件而產生一條件判斷結果，該替代最優條件包含本次的該子問題成本數值小於前一次的該子問題成本數值； 其中，當該條件判斷結果為是時，則進行一乘數更新步驟，然後重複執行該求解步驟，其中該乘數更新步驟包含更新一拉格朗日乘數(Lagrangian Multiplier)； 其中，當該條件判斷結果為否時，則進行該處理步驟。
  19. 如請求項17所述之考慮加工時變與即時資料串流的優化排程的方法，其中該排序優化演算法更包含： 進行一尋找計算步驟，該尋找計算步驟執行於該處理步驟之後，且包含使用該進位後整數變量與該捨棄後整數變量尋找一可行解決方案，並計算對應該可行解決方案的其中一該線性規劃子問題的成本而產生另一子問題成本數值。
  20. 如請求項19所述之考慮加工時變與即時資料串流的優化排程的方法，其中該排序優化演算法更包含： 進行一確認步驟，該確認步驟執行於該尋找計算步驟之後，且包含確認本次所得到的該另一子問題成本數值是否滿足另一替代最優條件而產生一條件確認結果，該另一替代最優條件包含本次的該另一子問題成本數值小於前一次的該子問題成本數值； 其中，當該條件確認結果為是時，則停止執行該排序優化演算法； 其中，當該條件確認結果為否時，則進行一子問題解決步驟，然後進行一乘數更新步驟，其中該子問題解決步驟包含使用一分支切割法(Branch and Cut)解決各該線性規劃子問題，該乘數更新步驟包含更新一拉格朗日乘數(Lagrangian Multiplier)。
TW112107476A 2023-03-02 2023-03-02 考慮加工時變與即時資料串流的優化排程的系統及其方法 TWI818873B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
TW112107476A TWI818873B (zh) 2023-03-02 2023-03-02 考慮加工時變與即時資料串流的優化排程的系統及其方法
CN202310371228.0A CN118586612A (zh) 2023-03-02 2023-04-10 考虑加工时变与即时数据串流的优化排程的系统及其方法
US18/327,163 US20240296395A1 (en) 2023-03-02 2023-06-01 Near-optimal scheduling system for considering processing-time variations and real-time data streaming and method thereof

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW112107476A TWI818873B (zh) 2023-03-02 2023-03-02 考慮加工時變與即時資料串流的優化排程的系統及其方法

Publications (2)

Publication Number Publication Date
TWI818873B true TWI818873B (zh) 2023-10-11
TW202437159A TW202437159A (zh) 2024-09-16

Family

ID=89857655

Family Applications (1)

Application Number Title Priority Date Filing Date
TW112107476A TWI818873B (zh) 2023-03-02 2023-03-02 考慮加工時變與即時資料串流的優化排程的系統及其方法

Country Status (3)

Country Link
US (1) US20240296395A1 (zh)
CN (1) CN118586612A (zh)
TW (1) TWI818873B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106094764A (zh) * 2016-08-01 2016-11-09 南京腾图节能科技有限公司 一种基于云计算的工业循环冷却水系统监测系统
US9912736B2 (en) * 2015-05-22 2018-03-06 International Business Machines Corporation Cognitive reminder notification based on personal user profile and activity information
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
TW202101138A (zh) * 2019-03-29 2021-01-01 美商蘭姆研究公司 基板處理系統用基於模型之排程
TW202215483A (zh) * 2020-05-12 2022-04-16 新加坡商Aes 全球公司 事件監視和特徵化
WO2023015545A1 (zh) * 2021-08-13 2023-02-16 宁波伟立机器人科技股份有限公司 一种重载桁架机械手与mes系统的交互方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9912736B2 (en) * 2015-05-22 2018-03-06 International Business Machines Corporation Cognitive reminder notification based on personal user profile and activity information
CN106094764A (zh) * 2016-08-01 2016-11-09 南京腾图节能科技有限公司 一种基于云计算的工业循环冷却水系统监测系统
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
TW202101138A (zh) * 2019-03-29 2021-01-01 美商蘭姆研究公司 基板處理系統用基於模型之排程
TW202215483A (zh) * 2020-05-12 2022-04-16 新加坡商Aes 全球公司 事件監視和特徵化
WO2023015545A1 (zh) * 2021-08-13 2023-02-16 宁波伟立机器人科技股份有限公司 一种重载桁架机械手与mes系统的交互方法

Also Published As

Publication number Publication date
CN118586612A (zh) 2024-09-03
US20240296395A1 (en) 2024-09-05

Similar Documents

Publication Publication Date Title
Lin et al. Considering stockers in reentrant hybrid flow shop scheduling with limited buffer capacity
Akcalt et al. Cycle-time improvements for photolithography process in semiconductor manufacturing
Shanthikumar et al. Queueing theory for semiconductor manufacturing systems: A survey and open problems
Chien et al. A conceptual framework for “Industry 3.5” to empower intelligent manufacturing and case studies
Kacar et al. Planning wafer starts using nonlinear clearing functions: A large-scale experiment
US7257459B1 (en) Method and apparatus for scheduling pilot lots
US6622055B2 (en) Method of control management of production line
CN111209609A (zh) 生产参数确定方法及装置、系统、存储介质和电子设备
US6856847B2 (en) Method of identifying bottlenecks and improving throughput in wafer processing equipment
Brown et al. Queueing model improves IBM's semiconductor capacity and lead-time management
US6790686B1 (en) Method and apparatus for integrating dispatch and process control actions
US7444200B1 (en) Preventative maintenance scheduling incorporating facility and loop optimization
CN111919183A (zh) 用于排程半导体后端工厂的方法
US7120511B1 (en) Method and system for scheduling maintenance procedures based upon workload distribution
TWI818873B (zh) 考慮加工時變與即時資料串流的優化排程的系統及其方法
JP2005339587A (ja) 生産システム及び方法、並びにプログラム
Hwang et al. Design of a Lagrangian relaxation-based hierarchical production scheduling environment for semiconductor wafer fabrication
JP2005515623A6 (ja) 自動生産システム
Kopp et al. A hierarchical approach to qualification management in wafer fabs
TW202437159A (zh) 考慮加工時變與即時資料串流的優化排程的系統及其方法
CN111191861B (zh) 机台数量确定方法及装置、处理线、存储介质和电子设备
US20090171493A1 (en) System and method for performance based production scheduling and dispatching
Gen et al. Multiobjective hybrid genetic algorithms for manufacturing scheduling: part II case studies of HDD and TFT-LCD
Hunter et al. Understanding a semiconductor process using a full-scale model
Dümmler Modeling and optimization of cluster tools in semiconductor manufacturing