WO2004006033A1 - 生産計画作成システム及び方法、並びにプログラム - Google Patents

生産計画作成システム及び方法、並びにプログラム Download PDF

Info

Publication number
WO2004006033A1
WO2004006033A1 PCT/JP2003/008649 JP0308649W WO2004006033A1 WO 2004006033 A1 WO2004006033 A1 WO 2004006033A1 JP 0308649 W JP0308649 W JP 0308649W WO 2004006033 A1 WO2004006033 A1 WO 2004006033A1
Authority
WO
WIPO (PCT)
Prior art keywords
production
simulation
rule
time interval
manufacturing process
Prior art date
Application number
PCT/JP2003/008649
Other languages
English (en)
French (fr)
Inventor
Kazuo Miyashita
Original Assignee
National Institute Of Advanced Industrial Science And Technology
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 National Institute Of Advanced Industrial Science And Technology filed Critical National Institute Of Advanced Industrial Science And Technology
Priority to US10/520,522 priority Critical patent/US20060106477A1/en
Priority to AU2003246278A priority patent/AU2003246278A1/en
Publication of WO2004006033A1 publication Critical patent/WO2004006033A1/ja

Links

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]
    • G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32348—Process reengineering, rethink manufacturing process, continuous improve
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Definitions

  • the present invention relates to a computer system for automatically drafting a production plan at a factory or the like, and automatically generating high-speed appropriate production rules required for high-quality planning by a computer instead of manually.
  • the present invention relates to a production plan creation system, method, and program having the function of performing Background art
  • the manufacturing process for high-tech components consists of a very large number of repetitive processes, and is much larger and more complex than the manufacturing process for products such as automobiles. Usually, the number of steps is hundreds, and the manufacturing lead time is several months (see Non-Patent Document 1, for example).
  • new manufacturing process technologies are being developed one after another in order to enhance product competitiveness, and these state-of-the-art manufacturing processes are applied to actual product production without delay. It is rare for a production process to operate stably, and it is necessary to always consider factors in production such as failure of production machines and poor quality of products when planning production of high-tech parts.
  • Non-Patent Document 6 When planning a production plan for high-tech parts, optimization by mathematical methods is difficult to apply in terms of calculation time because the manufacturing process is large-scale and complicated.For example, in the case of semiconductor wafer manufacturing, In scheduling based on simulation methods, many validations of the validity of various job submission rules and dispatching rules have been performed (for example, see Non-Patent Documents 5 and 7).
  • high-tech component production planning requires simulation methods that can produce faster, more robust production orders.
  • Hiroyuki Kashise Semiconductor production scheduling method and high-speed simulation model. Master's thesis, University of Tsukuba, 200. Disclosure of the invention.
  • An object of the present invention is to largely improve the production efficiency of a product such as a semiconductor having a large-scale complicated production process.
  • One of the objectives is to realize a production planning system with the function to automatically generate high-speed production rules that can formulate high-quality production plans even for large-scale complex production processes.
  • Production efficiency of products such as semiconductors with large-scale complicated production processes It aims to significantly improve the rate.
  • One of the other objectives is to control the production process to keep the amount of intermediate inventory within a predetermined range, and to greatly improve product production efficiency.
  • the production plan creation system, method and program of the present invention make a production plan by using a production process model and a production rule to simulate the movement of products in a factory by an event-based simulation. It comprises a time interval-based simulation for calculating the status of the production process at regular intervals, and a rule generator for automatically deriving the production rules using the time interval-based simulation.
  • the rule generator applies machine learning based on a sequential optimization method to efficiently and automatically generate production rules.
  • the event-based simulation can create a high-quality production plan.
  • the present invention further provides a simulator for repeatedly calculating the intermediate inventory amount in the manufacturing process, and determining a value of a parameter used for the calculation of the simulation so that the calculation result of the simulation is within an allowable range.
  • a control system for controlling production in the manufacturing process based on the value of the parameter.
  • FIG. 2 is a flowchart showing an outline of processing of the time interval simulator.
  • Fig. 3 is a diagram showing the contents of specific information on products, processes, and machines included in the production process model and production plan.
  • Fig. 4 is a diagram showing the execution of the simulation at a time interval on the time axis.
  • FIG. 5 is a flowchart showing the outline of the process of updating the production status.
  • FIG. 6 is a diagram showing an example of a learning model of a component insertion rule using a neural network.
  • FIG. 7 is a diagram showing a periodic transition of WIP in the process.
  • FIG. 8 is a diagram showing the transition of WIP by Period.
  • FIG. 9 is a block diagram showing a system configuration of the second embodiment.
  • FIG. 10 is a flowchart showing a processing procedure of the production system. BEST MODE FOR CARRYING OUT THE INVENTION
  • FIG. 1 is a block diagram showing an embodiment of a production planning system according to the present invention.
  • Production process model 2 expresses information related to manufacturing in factories that manufacture products as a model in a computer. It models information on manufacturing equipment (such as equipment type, number, capacity, and failure rate), information on manufacturing workers (shift, capacity, number of people, etc.), and information on how to manufacture products (use Information such as the machine to be used, workers, processing time, transport time, non-defective rate, rework rate, etc., and product information (production volume, input time, delivery date, etc.).
  • manufacturing equipment such as equipment type, number, capacity, and failure rate
  • information on manufacturing workers shift, capacity, number of people, etc.
  • use Information such as the machine to be used, workers, processing time, transport time, non-defective rate, rework rate, etc.
  • product information production volume, input time, delivery date, etc.
  • a detailed model of the real factory is created in the computer, and the model is used to simulate the behavior of products in the factory using the model. After obtaining information such as when the input product will be completed and when the stock will be stored in each machine, a desirable production plan 5 will be made.
  • Block 1 in FIG. 1 represents the entire production planning system.
  • the production process model 2 is a static model of the ground that expresses the performance and number of machines in the factory, the process and quantity of products manufactured in the factory, etc. It is not possible to simulate the dynamics of an object flowing from material to product.
  • Production Rule 3 that models the dynamic aspects of the factory.
  • the main production rule 3 required by the production planning system 1 can be broadly divided into two types of rules. One of them is a part input rule that determines the timing of inputting product materials. These rules include, for example, a rule to input a certain amount of material at certain intervals, and a rule to input only new materials that are shipped as products. Another important production rule 3 is called the dispatch rule (or dispatching rule).
  • the dispatch rule is a rule that determines which part is to be allocated when the machine is ready for processing when multiple parts are waiting for processing in the buffer in front of the production machine in the factory .
  • Dispatch rules include, for example, parts that were buffered first
  • a number of rules have been proposed, including the First In First Out rule and the Earliest Due Date rule, which prioritizes parts of the product with the closest delivery date (RW Conway et al., "Theory of Scheduling"). , Addison-Wesley (1986)) 0 Since these production rules 3 control all the dynamic aspects of the factory, the production situation at the factory will vary greatly depending on what production rules 3 are used. Become.
  • production rules 3 are assumed to be input by the production planner by themselves, and the function to support the user can select a large number of general rules in advance. None has been achieved beyond preparing in a proper manner.
  • a simulation of the production process in the factory can be actually performed using the information.
  • This simulation is executed in the event-based simulation overnight 4.
  • the event-based simulation 4 the internal cooking process is sequentially advanced, and according to the changes (events) that occur at that timing, the production process 3 is applied to the dynamics in the production process.
  • the machining time is set to the machining start time for the part currently being machined on the machine.
  • the event-based simulation 4 recreates all changes in the factory that occur during that time by advancing the internal clock while performing the above operations from the simulation start time to the simulation end time.
  • the result is output as production plan 5.
  • the production plan 5 records information on when, what parts, and how many parts each machine in the factory processes along the time axis. Further, based on the information, various values related to production execution, such as a capacity utilization rate, a production lead time, and a delivery deadline, are calculated and evaluated as the quality of the drafted production plan 5.
  • Production process model 2, production rule 3, event-based simulation Evening 4, production plan 5 is no different from the conventional technology.
  • a feature of the present invention is that a time interval base simulation 6 and a rule generator 7 are provided in the production planning system 1 in order to automatically generate the production rules 3 at high speed.
  • production rule 3 is important in determining the dynamic nature of a factory, and its quality is the quality difference of the production plan 5 where the quality is planned. Therefore, automatically generating the appropriate production rule 3 at high speed has the effect of significantly improving the production efficiency in the factory.
  • FIG. 2 is a flowchart showing the outline of the processing of the time interval simulation 6.
  • the production plan 5 is drafted using the data included in the production process model 2.
  • Figure 3 shows the specific information on products 12, processes 13, and machines 14 included in production process model 2 and production plan 5.
  • Fig. 3 Initialization of the input, total production, production, demand, work-in-progress, occupancy rate, etc., which should be included in the final planned production plan5.
  • the production plan formulation conditions described in the production process model 2 such as the order receiving rate, process flow, machine used, processing time, and number of units, which are indicated by the given conditions in Fig. 3, are read from the data file. Set the time interval and end time for executing the simulation.
  • Fig. 4 shows the execution of the time interval base simulator 6 on the time axis.
  • the time interval simulation 10 is executed, the production status update 10 is repeated according to the time interval set in the data setting process 8 until the simulation end time (step 9).
  • the time interval specifies the temporal detail of the simulation execution, and it is assumed that there is no transfer of inventory between processes within the time interval specified here (for example, 1 hour).
  • the simulation is performed by advancing the internal time of the simulation at each time interval and calculating the progress of production at each time interval (herein called time zone 15). It is.
  • time zone 15 a conventional event-based simulation that updates the progress of production frequently every time inventory moves in the production process as an event (or event). This makes it possible to significantly reduce the amount of calculation compared to 4, and to execute simulations efficiently while maintaining the accuracy of the simulation results.
  • FIG. 5 is a flowchart showing an outline of the process of production status update 10.
  • Time interval In the process of updating the production status 10 of the base simulator 6, the amount of parts to be produced for each set time interval is calculated for all machines included in the production process (step 16). ). At that time, by calculating the amount of parts that have been processed so far among the parts that have been put into the machine by the immediately preceding time zone, and by releasing the machine capacity allocated to that part, The value of the operation rate of the machine is updated (step 17). After that, the amount of parts to be produced within the set time interval is calculated for all processes processed by the machine (step 18). In that case, first, the production demand of the process in the current area is calculated (step 19).
  • the demand is calculated by the parts input rule in Production Rule 3 described above. If the relevant process is not the first process, the demand is set equal to the sum of the completed amount of the previous process at the previous time zone and the inventory amount of the previous process at the previous time zone. You. In other words, all processed products generated in the previous process from the previous process are transferred to the process and processed in the current process. Next, the amount of production that can be actually realized is calculated for the calculated demand (step 20).
  • the amount produced within the available machine capacity in the current time zone ie, the number of machines X operation rate X time interval / processing time
  • the demand exceeds the capacity the stock to be processed after the next time zone is calculated (step 21).
  • the machine operation rate is updated by obtaining the machine capacity (ie, time interval / (number of machines X processing time)) to be allocated to produce the calculated production volume (step 22).
  • the calculation of the production volume of all processes to be processed by the machine is performed (step 18).
  • the order of the process of assigning to the same machine is determined using the dispatching rule in the production rule 3.
  • time-based simulations 6 allows for high-speed production planning.However, when using time-based simulations 6 Part 3 and parts dispatch rules are required. Therefore, a rule is generated using the rule generator 7, and the quality of the drafted production plan 5 is evaluated, and the production rules are successively improved. The automatic generation of the production rule 3 that can plan 5 is realized.
  • the rule generator 7 is implemented by the Pama New Network (CM Bishop, “Neural Networks for Pattern Recognition", Oxford University Press (1995)), the classifier system (P. L. Lanzi et al., "Learning Classifier” System “, Springer (2000)), discriminant tree learning (JR Quinlan,” G4.5: Programs for Machine Learning “, Morgan Kaufmann (1993)).
  • FIG. 6 shows an example of a learning model of a part input rule using a neural network as an embodiment.
  • This neural network is installed for each machine or for each production planning system1.
  • the input information of the neural network includes inventory quantity, Information such as the machine operation rate, the amount of delay from the delivery date (back order), the sum of the remaining processing time of the process to be processed by the machine, etc.
  • the part entry rule any of the four types of rules from 00 to 11.
  • high-quality production is achieved by improving the weight values between nodes to which random values are initially assigned using sequential optimization methods such as simulation-to-door-ring.
  • the quality of the planned production plan 5 is evaluated using the weight set of a certain node, and the weight values are sequentially adjusted so as to improve the quality of the production plan 5 by the influence of a slight change in the weight value. It is necessary to carry out an enormous number of production planning processes, from thousands to tens of thousands of times, in order to make changes. Therefore, it is difficult to apply the conventional event-based simulation overnight 4 to the production planning of a factory or the like of a realistic scale, and the time interval-based simulation overnight 6 in the present invention is indispensable.
  • the time interval-based simulation 6 is applied as a simulation method for the proposed production method. Furthermore, using a realistic semiconductor wafer manufacturing process (pre-process), the time interval based simulation 6 based on the proposed production method was compared with the conventional simulation method. This shows that equivalent calculation results are calculated several tens times faster.
  • CONSTIIT (£ ⁇ tant Iime literval)
  • C0NSTIN all processes in the manufacturing process are performed synchronously, and the intermediate stock moves between processes only at regular intervals (see Fig. 7). It is assumed that the transfer amount of the intermediate stock does not move up to one process, that is, does not move beyond the next process.
  • the CONSTIN method is a production method capable of performing a robust manufacturing operation.
  • CONSTIN has improved its mouth bust by restricting the free movement of intermediate stocks, and it is not possible to use valuable production capacity (resources) effectively without proper operation.
  • it is shown that such a problem can be solved by appropriately setting the value of the cycle and the stock amount in each process by simulation.
  • n p Two product p number of processes (however, n 0 2 0);
  • Wi (t + 1) Wi (t) + r P (t)-(zi (t)-ui (t)) In other cases
  • Wi (t + 1) Wi (t) + (3 ⁇ 4-l (t)-Ui-l (t))-Vi-l (t))-(Zi (t)-Ui (t)) Since the production start volume and the production volume cannot exceed the intermediate stock volume at that time, the following relationship is established. However, when the lead time in the process is longer than the set cycle, the production start volume is not always larger than the production volume.
  • the CONSTIN production method instead of calculating the state change due to all the events that occur in the production process one by one as in the conventional event-driven simulation, it only calculates the transition of the intermediate inventory amount in each cycle every cycle. Simulation of production process can be performed. Therefore, the computational speed is expected to be significantly improved compared to the conventional simulation method, and is considered to be effective as a simulation method for the production process of large-scale and complex high-tech parts.
  • the parameters to be set at this time are the Period constant that determines the period of CONSTIN and the EndOfSimulation constant that determines the simulation time.
  • the guidelines for determining the former will be described later. In deciding the latter simulation time, it is necessary to set as much time as necessary for the simulation result to stabilize to a steady state. Therefore, the larger the value of Period, the larger the value of EndOfSimulation must be set.
  • the runForPeriod function which is the core of the simulation, calculates the transition of the intermediate inventory at each workstation as shown in Equation 7.
  • the intermediate stock amount at the simulation time t in the first step is the sum of the previous intermediate stock amount and the new input amount.
  • step is the first prosess
  • the rule that determines how much of the intermediate inventory in each process is processed by the workstation in the current cycle is the wipTansferRule function in Equation 7.
  • the wipTansferRule function in Equation 7.
  • the processing order of each process is determined by the sortingRule function in Equation 7 based on the priority of each process in the workstation. Steps later in this sequence may not be processed in the current cycle due to workstation capacity limitations. Conventional dispatching rules can be applied to determine the priority of each process.
  • the calProduction function of Equation 7 is used to process those processes according to the process type (lot production, batch production, etc.). The required capacity and time of the workstation are calculated, and the values such as the operating status of the workstation and the amount of intermediate stock in each process are updated.
  • Period constant An important parameter that needs to be determined in advance when executing a simulation with the CONST IN method is the Period constant. If the value of Period is set to a large value and the simulation is performed up to the steady state, the mouth bust against the fluctuation factors is high,
  • Table 1 summarizes the issues raised in this embodiment. However, due to modeling limitations in the event-driven simulation used for comparison, a minimal change was made from the benchmark problem in the section on the problem.
  • the releaseRule used in the simulation was a constant input rule based on demand
  • the wipTransferRule was a rule for processing all unprocessed intermediate inventory
  • the sortingllule was the input rate.
  • the average value of the total processing time per wafer was about 8862 minutes, and the average number of processes was 221.7.
  • Period was set to 80 minutes.
  • EndOf Simulation parameter Six months were taken to ensure that the results of the rac- tions reached a steady state, and the results during the last month were analyzed and examined.
  • the CONSTIN method naturally prohibits the movement of inventory during a certain period of time, so it is natural that the intermediate inventory increases, and the existence of such intermediate inventory is a factor in improving the bust of CONSTIN. is there. Therefore, when setting the value of Period, it is necessary to consider the trade-off between the size of intermediate inventory and the robustness of production.
  • Figure 8 shows how the interim inventory changes due to the change in the Period value based on the simulation results. As is clear from this figure, the amount of intermediate stock increases almost linearly with the value of Period.
  • Holds is Wp «r p n p Perioa, the value that matches well with the simulation results as shown in FIG. 8.
  • the computation time required to perform a simulation for 6 months using a PC equipped with Pentium (registered trademark) 3 (1.2 GHz) is less than 5 seconds for the CONSTIN method, It is more than 20 times faster than AutoSched in event-driven simulation.
  • CONSTIN when the value of Period is increased, the calculation speed increases almost linearly.
  • the Period value is 480, the calculation time is about 1 second.
  • the CONSTIN described in the present embodiment can calculate an appropriate intermediate stock amount in each process by considering the magnitude of the fluctuation in the manufacturing process as a moving cycle of the intermediate stock. Soshi
  • high-speed simulation based on the CONST IN method enables detailed analysis, setting appropriate input rates and product mix, and studying countermeasures when a machine failure occurs that cannot be resolved within the period. It can be performed with high accuracy by simulation.
  • Fig. 9 shows the configuration of a production system for realizing the production method described above.
  • reference numeral 100 denotes a production facility for producing a product along a production process.
  • 110 is a control system for controlling the production process of the production equipment, and has at least one combination system.
  • a control program according to the present invention is stored in the control system 110.
  • the control program may be recorded on a recording medium and installed in the control system 110 from the recording medium.
  • the control system 110 repeatedly executes the processing procedure of Fig. 10 (the processing defined by the function of Equation 6) at regular intervals.
  • the control system 110 sets various parameters indicating the production state of the production process of the production equipment, for example, the initial setting of the material input amount, and the like.
  • the intermediate stock amount of each process in the manufacturing process is calculated by the function shown in FIG. 7 (Step S10 S20).
  • the initial set values may be manually input in advance from a keyboard or the like, or various parameters relating to production of production equipment may be measured, and the measurement results may be automatically input to the control system 110. Good.
  • control system 110 compares the calculation result of the intermediate stock amount with a predetermined allowable value (step S30). If the calculation result of the intermediate inventory is within the allowable range, the production equipment 110 is controlled so that the intermediate inventory in the actual manufacturing process is equal to the intermediate inventory set there. (Step S50).
  • Step S40 the parameter used for the calculation is incremented (increased) or decremented by a predetermined value so that the above calculation result falls within the allowable range. Decrease) (Step S40). Specifically, if the intermediate stock is smaller than the allowable range, the parameters will be changed to increase the input of materials etc. so as to increase product production.
  • the production process of the production facility 100 is controlled based on the value of the parameter (step S500).
  • the control system 110 executes the process of the production control (step 50) in each cycle, the production amount of the product increases and the transition amount of the intermediate stock decreases.
  • a measuring device installed in the control device 110 in Fig. 1 that measures the production status in real time, such as a POP (Point of Production) system.
  • POP Point of Production
  • the time interval-based simulation and the rule generator described in the first embodiment are used.
  • the control system 110 may have the function, and the control system 110 may repeatedly calculate the intermediate stock amount of the manufacturing process using the production rules generated by the rule generator.
  • the amount of intermediate stock moved means the amount of intermediate stock processed in the process per cycle.
  • Production machines eg, steppers, dry etching equipment, etc.
  • the amount of material input into a process to produce a product based on a plan (based on a demand forecast).
  • the input rate is the amount of input per unit time, and it is generally planned in the plan to match this with the demand rate (demand per unit time).
  • the production ratio when multiple products are produced in one production process is the production ratio when multiple products are produced in one production process.
  • production rules production mixes, product mixes, and production amounts
  • production plans can be set for production plans.
  • parts input rules production rules

Landscapes

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

Abstract

　本発明は、生産工程モデル２及び生産規則３を用いて、事象ベースシミュレータ４が工場内の製品の動きをシミュレートすることにより生産計画５の立案を行う。一定時間ごとの生産工程の状況を計算する時間間隔ベースシミュレータ６と、該時間間隔ベースシミュレータ６を用いて生産規則３を自動的に導出する規則生成器７とを備える。この時間間隔ベースシミュレータ６を用いて生産計画を高速に幾度も繰り返し立案することにより、規則生成器７が逐次的最適化手法に基づく機械学習を応用して、生産規則３を効率的に自動生成することができ、これにより生成された生産規則３を用いて事象ベースシミュレータ４が高品質な生産計画５を立案する。

Description

明細書 生産計画作成システム及び方法、 並びにプログラム
技術分野
本発明は、 工場などでの生産計画を自動的に立案する計算機システムに係り、 高品質な計画立案の際に必要とされる適切な生産規則を人手ではなく計算機によ り自動的に高速生成する機能を有する生産計画作成システム及び方法並びにプロ グラムに関する。 背景技術
工場等における生産計画の作成を支援もしくは自動化する生産計画システムは 過去に多数の提案があり、 既に国内外で多くの製品が商用化されており、 また多 くの製造会社が独自のシステムを開発して自社で使用している。
従来、 それらの多くの生産計画システムは設備能力を無限大と仮定するなど生 産工程における制約を単純化してモデルを作成し、 単純化されたモデルに対して 線形計画法などの数理的最適化手法を適用して概略解を求めるアプローチを採つ ている。
半導体、 液晶などに代表されるハイテク部品の製造工程は、 非常に多くの繰り 返し工程で構成されており、 自動車'などの製品の製造工程に比べると格段に大規 模かつ複雑なものであり、 通常、 その工程数は数百、 製造リードタイムは数力月 にも及ぶ （たとえば、 非特許文献 1参照) 。 さらに、 それらハイテク部品産業で は製品競争力を高めるために新たな製造プロセス技術が次々と開発され、 それら 最新鋭の製造プロセスが時を移さず実際の製品生産に適用されるため、 製造現場 において製造プロセスが安定して稼働することは稀であり、 ハイテク部品の生産 計画立案に当っては製造機械の故障や製品の品質不良など、 製造における変動要 因を常に考慮する必要がある。
したがって、 ハイテク部品などのように多くの変動要因を製造工程に抱える製 品の生産においては、 成熟した製造工程を持つ自動車産業などで有効とされる力 ンバン型生産方式に見られるように中間在庫（WIP )をゼロにすることを目指すの ではなく、 機械故障に伴う製造能力の変化や品質不良に伴う廃棄やリワークなど の影響をできるだけ受けないで、 安定的な製品産出を実現しうる最小限の適正在 庫量を設定し、 それを維持するように生産計画を立案し、 製造を行うことが重要 である。 ただし、 無駄な在庫を抑えるためには、 その前提条件として精度の高い 需要予測が必要である。現在、高精度な需要予測はハイテク産業の SCMにおける重 要な課題とされ、 米国の半導体業界では 1年間程度の需要予測を 22%以下の誤差で 行うことが当面の希望的目標とされている （たとえば、 非特許文献 6参照） 。 ハイテク部品の生産計画の立案に際しては、 その製造工程が大規模複雑である ため数理的手法による最適化は計算時間の点で適用が困難であり、 例えば半導体 ゥェ一ハ製造に関しては、 従来からシミュレーション手法に基づくスケジユーリ ングにおいて、 様々なジョブ投入ルールやディスパッチングル一ルの有効性の検 証が数多く行われてきた （たとえば、 非特許文献 5 , 7参照） 。
しかしながら近年では、 計算速度の向上や計算機価格の低下に伴って、 現実の 生産工程の精密なモデルに対して工程内の在庫の推移を忠実に事象べ一スでシミ ユレ一ト （各部品の状態変化、 たとえば処理終了、 ごとに工程の状況変化を計算 する） することが可能になり、 数多くの単純な生産規則に基づくシミュレ一ショ ンを試行錯誤的に繰り返すことにより、 その中で最も高品質な生産計画を選択す るアプローチが、 特に半導体製造などの非常に複雑な生産工程において、 主流と なっている。 しかしながら、 大規模で複雑な生産工程のシミュレーションには依 然として多大な時間が必要とされるため、 高品質な生産計画を立案する適切な生 産規則を試行錯誤的に発見するのは困難である。 従来の生産計画システムでは、 この最も重要で困難な生産規則の発見に対する支援機能は備えられておらず、 高 品質な生産計画を立案するには専ら生産計画立案作業者の熟練と勘とに頼らざる を得なかった。
更に最近では、 人工知能（AI )技術の進展により、 計算機により自動的に適切な 規則を生成する試みが行われ、 生産計画問題に適用された研究事例 （例えば、 "Learning scheduling control knowledge through reinforcements3" 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 -5123 2000.、 「階層型ニューラルネヅトワークを用いた動的ジョブショップスケジユー リング-ロバストスケジューリングのための二段階学習法-」 、 江口他、 スケジュ —リングシンポジウム、 pp.89-94、 2001 ) もある。 しかしながら、 それらの手法 を現実の大規模な生産工程を対象にした生産計画問題に適用するのは、 規則の学 習に要する計算時間の点から実現困難であり、 適切な生産規則の自動生成機能を 備えた実用的な生産計画システムは未だ存在しない。
さらに、 従来のシミュレーション方式に基づくスケジユーリングには以下のよ うな問題点がある （非特許文献 8参照） 。
•適切なプロダクトミックスや投入レートを決定する際に、 実際の製造工程にお ける変動を考慮して十分な試行錯誤による検討を行うためには、 依然として計算 時間がかかり過ぎる。
• シミュレーションによって決定された作業内容が、 製造実施現場における種々 の変動要因により現実の製造状況から乖離しやすく、 またそうした事態に対応す るための有効な作業指示もスムーズに行えない。
それらの問題に対処するため、 ハイテク部品の生産計画立案には、 より高速で、 口バストな生産指示が可能なシミュレーション手法が必要である。
【非特許文献 1】
Linda F Atherton and Robert . Atherton. Wafer fabrication: Factory performance and Analysis. Kluwer Academic Publishers, 1995
【非特許文献 2】
L. Gong and Η· Matsuo. Control Policy for manufacturing system with random yield and rework. Journal of Optimization Theory and Applications, 95( 1 ) : 149-175, 1997.
【非特許文献 3】
Wallace J. Hopp and Mark L. Spearman. FACTORY PHYSICS. McGraw -Hill, second edition, 2000.
【非特許文献 4】
J. D. C . Little. Proof of the queue ing formula L= AW. Operations Research, 9 : 383387, 1961.
【非特許文献 5】 Oliver Rose. The shortest processing time first ( SPTF ) dispatching rule and some variants in semiconductor manufacturing. In Proceeding of the 2001 Winter Simulation Conference, pages 1220 -1224. INFORMS, 2001.
【非特許文献 6】
Robin Roundy. Report on practices related to demand forecasting for semiconductor products. Technical report, School of Operations Research and Industrial Engineering, Cornell University, 2001.
【非特許文献 7】
Lawrence M. Wein. Scheduling semiconductor wafer fabri cation. IEEE transaction on Semiconductor Manufacturing, 1(3) :115 -130.1988.
【非特許文献 8】
荒川雅弘， 冬木正彦， 井上一郎. A P Sにおける最適化志向シミュレ —シヨンべ一ススケジユーリング法の検討. スケジュ一リングシンポジウム 2 0 0 1講演論文集， pp. 4 7— 5 2 , スケジュ一リング学会， 2 0 0 1
【非特許文献 9】
柏瀬博幸. 半導体の生産スケジュ一リングの方法と高速シミュレ一シ ヨンモデル. 修士論文， 筑波大学， 2 0 0 2 . 発明の開示
従来の生産計画手法では、 高品質な生産計画を作成するための適切な生産規則 は予め人間が与えなければならないが、 大規模で複雑な生産工程における適切な 生産計画規則を人手によって作成するのは困難である。
また、 従来の人工知能技術における学習手法を単純に適用するだけでは、 半導 体などの大規模複雑な生産工程に対して規則生成を自動化するためには時間がか かりすぎて、 実用的ではない。
本発明は、 主に、 大規模複雑な生産工程を有する半導体などの製品の生産効率 を大幅に改善することを目的としている。
従たる目的の 1つは大規模複雑な生産工程に対しても、 高品質な生産計画を立 案できる生産規則を高速に自動生成するための機能を備えた生産計画システムを 実現することにより、 大規模複雑な生産工程を有する半導体などの製品の生産効 率を大幅に改善することを目的としている。
従たる他の目的の 1つは、 中間在庫の量を所定範囲内に収めるように生産工程 を制御して製品の生産効率を大幅に改善することを目的としている。
本発明の生産計画作成システム及び方法並びにプログラムは、 生産工程モデル 及び生産規則を用いて、 事象べ一スシミュレー夕が工場内の製品の動きをシミュ レートすることにより生産計画の立案を行う。 一定時間ごとの生産工程の状況を 計算する時間間隔ベースシミュレ一夕と、 該時間間隔ベースシミュレー夕を用い て前記生産規則を自動的に導出する規則生成器とを備える。 この時間間隔ベース シミュレ一夕を用いて生産計画を高速に幾度も繰り返し立案することにより、 規 則生成器が逐次的最適化手法に基づく機械学習を応用して、 生産規則を効率的に 自動生成することができ、 これにより生成された生産規則を用いて事象べ一スシ ミュレ一夕が高品質な生産計画を立案する。
本発明は、 さらに製造工程の中間在庫量を繰り返し計算するシミュレータと、 前記シミュレー夕の計算結果が許容範囲以下になるように前記シミュレー夕の計 算に使用するパラメ一夕の値を決定し、 該パラメ一夕の値に基づき前記製造工程 の生産制御を行う制御システムとを備えたことを特徴とする。 図面の簡単な説明 第 1図は、 本発明に係る生産計画システムの一実施の形態を示したプロック構 成図である。
第 2図は、 時間間隔シミュレータの処理概要を示したフローチャートである。 第 3図は、 生産工程モデルと生産計画に含まれる製品、 工程、 機械に関する具 体的情報の内容を示す図である。
第 4図は、 時間間隔べ一スシミュレ一夕の実行の様子を時間軸上に表した図で める。
第 5図は、 生産状況更新の処理概要を示すフローチャートである。
第 6図は、 ニューラルネットヮ一クを用いた部品投入規則の学習モデルの一例 を示す図である。
第 7図は、 工程における W I Pの周期的推移を示す図である。
第 8図は、 P e r i o dによる W I Pの推移を示す図である。 第 9図は、 第 2実施形態のシステム構成を示すプロック図である。 第 1 0図は、 生産システムの処理手順を示すフローチャートである。 発明を実施するための最良の形態
(第 1の実施形態）
以下本発明の好適な実施の形態について、図面に基づいて説明する。第 1図は、 本発明に係る生産計画システムの一実施の形態を示したプロック構成図である。 生産工程モデル 2は、 製品を生産している工場において製造に関連する情報を計 算機内のモデルとして表現したものである。 ここでモデル化されるのは、 製造装 置に関する情報 （装置の種類、 台数、 能力、 故障率など） 、 製造作業者に関する 情報（シフト、 能力、 人数など）、 製品の製造方法に関する情報（使用する機械、 作業者、 加工時間、 搬送時間、 良品率、 再加工率など） 、 製品に関する情報 （生 産量、 投入時間、 納期など） などの情報である。 これらの情報に基づいて、 計算 機内に現実の工場に関する詳細なモデルを作成し、 そのモデルを用いて工場内の 製品の動きを計算機によりシミュレートし、 生産計画立案者はシミユレ一ション 結果から、 いつ投入した製品がいつ完成するか、 各機械にはどの程度在庫が溜ま るかなどの情報を得て、 望ましい生産計画 5の立案を行う。
第 1図中のブロック 1は生産計画システム全体を表わしている。 生産工程モデ ル 2は工場に存在する機械の性能、 台数や、 工場で生産される製品の工程や数量 などを表現した土場の静的なモデルであり、 その情報だけでは実際に工場内を物 が流れて材料から製品へと動的に変化していく様子をシミュレートすることはで きない。 工場の動的な側面をモデル化するのは生産規則 3である。 生産計画シス テム 1で必要とされる主たる生産規則 3には大きく分けて 2種類の規則がある。 その一つは、製品の材料を投入する夕ィミングを決定する部品投入規則である。 この規則としては、 例えば一定間隔ごとに一定量の材料を投入する規則や、 製品 として出荷された分だけを新たに材料として投入する規則などがある。 もう一つ の重要な生産規則 3は差立規則 （もしくは、 ディスパッチング規則） と呼ばれる ものである。 差立規則は、 工場の生産機械前のバッファに複数の部品が加工待ち をしている際に、 機械が加工可能な状態になった際に、 どの部品を引き当てるの かを決定する規則である。 差立規則としては、 例えば先にバッファに入った部品 を優先する （First In First Out)規則、 納期が最も近い製品の部品を優先する (Earliest Due Date)規則など、数多くの規則がこれまでに提案されている（R. W. Conway 他、 "Theory of Scheduling" , Addison -Wesley( 1986) ) 0 これらの生産規 則 3は工場の動的な側面を全てコントロールするため、 どのような生産規則 3を 用いるかで工場での生産の様子は大きく変化することになる。 したがって、 対象 となる工場の生産工程モデル 2に対して、 どのような生産規則 3を適用すると効 率的な生産が実現するかを判断することが工場の生産管理者にとって最も重要な 責務である。 従来の生産計画システム 1では、 生産規則 3は生産計画立案者が自 ら入力することが前提とされており、 それに対してユーザを支援する機能は、 予 め多数の一般的な規則を選択可能な形で準備しておく以上のことは実現されてい ない。
生産工程モデル 2および生産規則 3が定義されると、 それらの情報を用いて実 際に工場における生産工程のシミュレーションを行うことができる。 このシミュ レ一シヨンを実行するのが事象べ一スシミュレ一夕 4である。 事象べ一スシミュ レー夕 4では逐次的に内部ク口ックを進めていき、 そのタイミングにおいて発生 した変化 （事象、 イベントとも言う） に応じて、 生産規則 3を適用して生産工程 における動的な変化をシミュレートする。 例えば、 ある時刻において、 生産工程 モデル 2中の一つの機械における加工が終了する （即ち、 事象べ一スシミュレ一 夕 4内で、 当該機械における現在加工中の部品について、 加工開始時間に加工時 間を加えた値が現時刻に一致する） 際には、 その機械のバッファで加工を待って i いる部品の中から生産規則 3中の差立規則を用いて次に加工する部品を引き当て、 作業者や材料などの必要な条件が整っていれば加工を開始する。 事象べ一スシミ ュレ一夕 4は、 シミュレーション開始時間から終了時間まで上のような操作を行 いながら内部クロックを進めていくことにより、 その時間内で生じる工場内の変 化を全て再現し、 その結果を生産計画 5として出力する。 生産計画 5には、 時間 軸に沿って工場中のそれぞれの機械がいつ、 何の部品をどれだけの数量加工する のかという情報が記録される。 更に、 その情報に基づいて設備稼働率、 生産リー ドタイム、 納期遅れなど、 生産実施に関係する様々な値が算出され、 立案された 生産計画 5の品質として評価される。
これまで述べてきた、 生産工程モデル 2、 生産規則 3、 事象べ一スシミュレ一 夕 4、 生産計画 5は従来技術と何ら変わらないものである。 本発明の特徴は生産 計画システム 1中に生産規則 3を高速に自動生成するために、 時間間隔ベースシ ミュレ一夕 6と規則生成器 7を備えることである。 先に説明したように生産規則 3は工場の動的な性質を決定する重要なものであり、 その良し悪しが立案される 生産計画 5の品質の差となる。 したがって、 適切な生産規則 3を高速に自動生成 することは、 工場における生産効率を著しく改善する効果がある。
人工知能 (AI )技術を用いて、 適切な生産規則 3を生成するための基本原理は逐 次的最適化である（T. Mitchell, "Machine Learning" , Mc Graw-Hill ( 1997) )。 即 ち、 ある生産規則 3を用いて生産計画 5を立て、 立案された計画の品質を改善す るように生産規則 3の改良を行う、という処理を逐次的に繰り返すことによって、 より適切な生産規則 3を生成するというものである。 しかしながら、 このような やり方には大きな問題が存在する。 生産計画立案対象となる現実の工場は大規模 複雑であるため、 繰り返し生産計画 5を立てるには膨大な計算時間が必要とされ る。 一方、 一般に工場で生産される製品や使用される設備は不変ではなく、 現代 の高競争、 多品種少量生産の生産環境ではむしろ短いサイクルで変更されるのが 通常である。 したがって、 膨大な計算時間を費やして生産規則 3を自動生成でき たとしても、 その規則を使用する際には既に工場の生産工程モデル 2が変化して いて、 生成された生産規則 3が有効でなくなる可能性が高く、 そうした手法によ つて生成された生産規則 3の現実的な実用性は低い。
したがって、現実の生産現場に有効な生産計画システム 1を実現するためには、 現実の生産環境の変化と遊離しない適切なタイミングで有効な生産規則 3を適宜 生成しなければならない。 逐次的最適化手法に基づく機械学習を応用した規則生 成器 7を用いて、生産規則 3を効率的に自動生成するためには生産計画を幾度も繰 り返し高速に立案できるシミュレータが必要である。 それが第 1図中の時間間隔 ベースシミュレータ 6である。
第 2図は時間間隔シミュレ一夕 6の処理概要を示したフローチヤ一トである。 時間間隔シミュレ一夕 6では、 生産工程モデル 2に含まれるデータを用いて生産 計画 5を立案するが、 まず処理の開始にあたり必要なデ一夕の設定及び初期化 8 を行う。第 3図に生産工程モデル 2と生産計画 5に含まれる製品 1 2、工程 1 3、 機械 1 4に関する具体的情報の内容を示す。 デ一夕初期化 8においては、 第 3図 中の投入量、 総生産量、 生産量、 需要量、 仕掛量、 稼働率など、 最終的に立案さ れた生産計画 5に含まれるべきデ一夕の初期化を行う。 そして、 第 3図中の所与 条件で示された、 受注レート、 工程フロー、 使用機械、 処理時間、 台数など、 生 産工程モデル 2に記述された生産計画立案条件をデ一夕ファイルから読み込み、 シミュレーションを実行するための時間間隔及び終了時間を設定する。
第 4図は時間間隔べ一スシミュレータ 6の実行の様子を時間軸上に表したもの である。 時間間隔べ一スシミュレ一夕 6の実行に際しては、 デ一夕設定処理 8で 設定された時間間隔に従ってシミュレーション終了時間に至るまで生産状況更新 1 0が繰り返し行われる （ステップ 9 ) 。 ここで時間間隔とはシミュレーション 実行の時間的詳細度を規定するもので、 ここで定めら 'れた時間間隔内 (例えば 1 時間） では工程間の在庫の移動は生じないと仮定する。 そして、 シミュレ一ショ ンの実行は、 この時間間隔ごとにシミュレ一夕の内部時間を進めて、 時間間隔ご と（ここでは時区 1 5と呼ぶ）における生産の進渉の様子を計算することである。 この時間間隔を適切に設定することにより、 事象 （またはイベントと呼ばれる） として生産工程内に在庫の移動が生じるごとに頻繁に生産の進搂状況の更新を行 う従来の事象べ一スシミュレ一夕 4に比べて大幅な計算量の削減が可能になり、 シミュレーション結果の精度を保ちながら効率的にシミュレーションを実行する ことが可能になる。
第 5図は生産状況更新 1 0の処理概要を示すフローチャートである。 時間間隔 ベースシミュレータ 6の生産状況更新 1 0の処理に際しては、 生産工程に含まれ る全ての機械に対して、 設定された時間間隔毎に生産される部品の量が計算され る（ステップ 1 6 )。その際、 まず直前の時区までに機械に投入された部品の内、 現在までに加工が完了している部品の量を計算し、 その部品に割り付けられてい た機械能力を解放することにより、 当該機械の稼働率の値を更新する （ステップ 1 7 ) 。 その後、 その機械で加工される全ての工程に対して、 設定された時間間 隔内で生産される部品の量が計算される （ステップ 1 8 ) 。 その際には、 まず現 時区内における工程の生産需要量を算出する （ステップ 1 9 ) 。 当該工程が、 製 品の先頭工程であれば、 その需要量は先に説明した生産規則 3中の部品投入規則 によって計算される。 当該工程が先頭工程でない場合は、 その需要量は前工程の 前時区での完成量と、 前時区で当該工程に残された在庫量の和に等しく設定され る。 即ち、 前時区で発生した前工程からの加工品は全て当該工程に移送され現時 区で処理されるものとする。 次に、 そうして算出された需要量に対し、 実際に実 現可能な生産量の計算を行う （ステップ 2 0 ) 。 その際には、'上で求められた生 産需要量の内、 現時区で利用可能な機械能力内で生産される量 （即ち、 機械台数 X稼働率 X時間間隔 /処理時間）、および機械能力を超える需要量がある場合には 次時区以降で処理される在庫量が計算される (ステップ 2 1 ) 。 そして最後に、 算出された生産量を生産するために割り付けるべき機械能力 （即ち、 時間間隔/ (機械台数 X処理時間）） を求めて機械稼働率を更新し（ステップ 2 2 )、順次、 当該機械で加工する全工程の生産量の計算処理を行う （ステップ 1 8 ) 。 ここで 同一機械への割付を行う工程の順序は、 生産規則 3中の差立規則を用いて決定さ れる。
5 以上のように時間間隔べ一スシミュレ一夕 6を用いることにより高速な生産計 画立案が可能になるが、 時間間隔べ一スシミュレ一夕 6を用いる場合にも上で示 したように生産規則 3の部品投入規則や差立規則が必要である。 そこで、 規則生 成器 7を用いて規則を生成し、 立案された生産計画 5の品質を評価して逐次的に 生産規則の改良を行うことにより、 生産工程モデル 2に対して適切な生産計画 5 を立案できる生産規則 3の自動生成を実現する。 規則生成器 7の実現方法として ίまニューラフレネヅ 卜ワーク (C. M. Bishop, "Neural Networks for Pattern Recognition" , Oxford University Press (1995) )、 分類子システム (P . L . Lanzi et al.， "Learning Cl assifier System" , Springer (2000 ) )、 判別木学習（J. R. Quinlan, "G4.5 : Programs for Machine Learning" , Morgan Kaufmann ( 1993 ) )な ど、 人工知能分野では逐次的最適化に基づく機械学習手法として数多くの手法が 提案されており、 その何れを用いても基本的には実現可能である。 ここでは発明 の一実施形態として、 規則生成器 7にニューラルネットワークを用いた例を説明 するが、 本発明の概念はニューラルネッ トワークを用いた実施例に限らず、 規則 生成器として逐次的最適化に基づいた全ての機械学習手法を包含するものである。 第 6図は一実施例として、 ニューラルネットワークを用いた部品投入規則の学 習モデルの例を示している。 このニューラルネヅトワークは機械ごともしくは生 産計画システム 1ごとに設置される。 ニューラルネヅ トワークの入力情報として は、生産工程の状況やオーダーの状況を定量的に示すものとして適当な、在庫量、 機械稼働率、 納期からの遅滞量 （バックオーダー） 、 機械で処理すべき工程の残 加工時間の和、 などの情報が用いられ、 ニューラルネットワークの出力はそうし た状況にある際に選択すべき部品投入規則（00から 11の 4種類の規則のいずれか） である。 ニューラルネットワークの学習に際しては、 当初ランダムな値が割り当 てられたノード間の重み値を、 シミュレ一ティヅドア二一リングなどの逐次的最 適化手法を用いて改良することにより、 高品質な生産計画 5を出力できる部品投 入規則を学習する。 この際、 あるノードの重み集合を用いて計画された生産計画 5の品質を評価し、 重みの値に些少の変化を与えた影響により生産計画 5の品質 を改善するように重みの値を逐次的に変更していくため、 数千から数万回という 膨大な回数の生産計画立案処理を行う必要がある。 そのため、 従来の事象ベース シミュレ一夕 4では現実的な規模の工場などの生産計画立案に適用することは困 難であり、 本発明における時間間隔ベースシミュレ一夕 6が必要不可欠となる。
(第 2の実施形態）
本実施形態では、 まず製造における種々の変動に対して安定した生産を実現す るために、 一定時間周期でのみ工程間の中間在庫の移動を行う生産方式を提案す る。 そして、 提案した生産方式に対するシミュレーション手法として、 前述の時 間間隔ベースシミュレーション 6を適用する。 更に、 現実的な半導体ゥェ一ハ製 造工程 （前工程） のデ一夕を用いて、 提案された生産方式に基づく時間間隔べ一 スシミュレーション 6が従来のシミュレ一ション手法に比べて、 数十倍も高速に 同等な計算結果を算出することを示す。
• CONSTIfT生産方式
本願発明者はハイテク部品などのように、 大規模複雑で変動要素が大きな製造 プロセス に対して、 ロ ノ ス ト な生産が実施可能な生産方式 と し て、 "CONSTIIT (£ ^tant Iime literval )生産方式を提言する。 C0NSTINでは、 製 造プロセスの全ての工程は同期して実施されており、 中間在庫は一定周期でのみ 工程間を移動する （第 7図参照） 。 しかも、 1周期での中間在庫の移動量は最大 1 工程まで、 即ち次工程を越えて移動することはないものとする。
C0NSTINでは、ある工程に機械故障や品質不良などの変動が起きた場合でも、そ れらが周期内で解決されるか、 前後の工程に十分な量の中間在庫が計画されてい れば、 当該工程を越えて変動の影響が波及することを防く、ことが可能である。 し たがって、 CONSTIN方式は口バストな製造実施を行うことができる生産方式である と言うことができる。
しかしながら、 CONSTINは中間在庫の自由な移動を制限することによって口バス ト性を改善しており、 適切な運用を行わなければ貴重な生産能力 （資源） を有効 に活用することはできない。 本実施形態では、 シミュレーションにより、 周期の 値や各工程における在庫量を適切に設定することで、 そうした問題が解決される ことを示す。
-モデル
本実施形態で扱う CONSTIN生産方式における生産工程のモデルを以下に概説す る。なお、本モデルの近似的な数学的解析に関しては Gongら （非特許文献 2参照） によるものがある。
本実施形態では次の記号を用いて定式化を行う。
m =ワークステ一ション台数；
= 製品数；
np二製品 pの工程数 （ただし、 n0 二 0) ；
n二全製品の工程数の和；
c二（c13 c2, ... , cm)T, 1周期におけるワークステーションの生産能力； Si 二工程 iにおける処理時間； ，
S二 mxn処理時間行列；工程 iがワークステーション kで処理されるとき（k,i)要素 の値は Si、 他の場合は 0；
rp(t) =製品 pの周期 tにおける投入量； x(t)=(x1(t),x2(t)5... ,xn(t))T, 周期 tにおける工程
i(l≤i<n )の生産開始量； w(t)-(w1(t),w2(t), ... ，wn(t))T, 周期 tにおける工程
i(l≤i≤n )の中間在庫量；
12
差替え用紙. (規則 26 Z(t) = (Zl(t),Z2(t)，... ,Zn(t))T, 周期 tにおける工程
i(l≤i≤n )の生産量； u(t)=(Ul(t)3u2(t)3... ,un(t))T, 周期 tにおける工程
i(l≤i≤n )のリワーク量； v(t)=(v1(t),v2(t)3... ,vn(t))T, 周期 tにおける工程
i(l≤i≤n )のスクラップ量；
C0NSTIN方式における周期毎の中間在庫の推移は、 以下のように表される。 •工程 iが先頭工程の場合
【数 1】
Wi(t+1) = Wi(t) + rP(t) - (zi(t) - ui(t)) 上記以外の場合
【数 2】
Wi(t+1) = Wi(t) + (¾-l(t) - Ui-l(t)) - Vi-l(t)) - (Zi(t) - Ui(t)) 周期毎の生産開始量、 生産量はその時点での中間在庫量を上回れないため、 以下 の関係が成り立つ。 ただし、 工程におけるリードタイムが設定された周期より長 い場合などの場合は、 生産開始量が生産量よりも常に大きいとは限らない。
【数 3】
Figure imgf000015_0001
【数 4】
Figure imgf000015_0002
また、 ワークステーションの生産能力は有限であり、 それを越えて生産を開始 することは不可能であるため以下の制約が成り立つ。
【数.5】
13
差-替え用紙（規則 ) Sx(t) ≤ c
-シミュレーション手法
CONSTIN生産方式では、従来の事象駆動型シミュレーションのように生産プロセ スで起きる全ての事象による状態変化を逐一計算するのではなく、 周期毎に各ェ 程における中間在庫量の推移を計算するだけで生産工程のシミュレーションが行 える。 したがって、 従来のシミュレーション手法に比して著しい計算速度の向上 が期待され、 大規模複雑なハイテク部品の生産工程のシミュレーション手法とし て有効であると考えられる。
. シミュレーション方法の概要
CONST IN方式のシミュレ一シヨンは、数 6に記すループを実行することによって 実施される。
【数 6】
initializeData( )；
t = 0 ;
while (t <- EndOfSimulation) {
runForPeriod( )；
t = t + Period;
}
その際に設定すべきパラメ一夕は、 CONSTINの周期を決定する Period定数とシミ ユレ一シヨン時間を決める EndOfSimulation定数である。前者を決定するための目 安については後で述べる。 後者のシミュレーション時間の決定に当っては、 シミ ユレーシヨン結果が定常状態に安定するために必要なだけの時間を設定する必要 がある。 したがって Periodの値が大きいほど、 EndOfSimulationも大きな値を設定 する必要がある。
シミュレーシヨンの中核部である runForPeriod関数では、 数 7に記すように各 ワークステーションにおける中間在庫の推移に関する計算が行われる。
先頭工程におけるシミュレーション時間 tにおける中間在庫量は、事前の中間在 庫量に新たな投入量を加えたものになる。 この投入規則数 7中の releaseRule関 数） を変更することにより、 CONSTINは MRP的なプッシュ型の生産や C0NWIP (非特 許文献 3参照） 的なプル型の生産を実現することができる （非特許文献 9 ) 。
14
羞眷ぇ用紙（規則 26) 【数 7】
for ( each workstation in the fab) {
for (each step of the workstation) {
wip = WIP waiting at step;
if ( step is the first prosess )
wip = ip+releaseRule(step) ;
demand二 wipTrajiferRule(wip, step)
}
sortingRule( steps of the workstation)
for ( each step in the sorted order) {
calcProduction(step)；
}
} 各工程における中間在庫の内、 現周期でどれだけの量をワークステーションで 処理するかを決定する規則が数 7中の wipTansferRule関数である。 ここでは、 当 該工程の前後の工程における中間在庫の量や、 現時点までの製品の完成量、 前後 の工程におけるワークステーションの稼働状況などを考慮して、 できるだけ平準 的な生産が行われるように、 各工程における中間在庫の推移量を決定する必要が める。
各工程における中間在庫の内、 現周期で処理すべき量が決定された後、 数 7中 の sortingRule関数で、 ワークステーションにおける各工程の優先順位に基づき、 各工程の処理順序が決定される。 この順序の後方の工程は、 ワークステーション の処理能力の限界により現周期では処理されないことがあり得る。 各工程の優先 順位の決定は、 従来のディスパッチング規則を適用することも可能である。 ヮ一 クステーションで処理されるべき各工程の中間在庫量とその処理順序が決定した 後は、数 7の calProduction関数で、工程のタイプ（ロット生産、バッチ生産など） に応じて、 それらの処理に必要なワークステーションの能力や時間が計算され、 ワークステーションの稼働状況、 各工程における中間在庫量などの値が更新され る。
'周期パラメ一夕の設定
CONST IN方式でシミュレーションを実行するに当って、予め決定する必要がある 重要なパラメ一夕は Period定数である。 Periodの値を大きく取って、 定常状態に 至るまでシミュレーシヨンを行えば、変動要因に対する口バスト' は高いものの、
15
滢替え用紙 （規則 2 工程内に多くの中間在庫を抱える結果となり、 逆に Periodの値を小さくすると口 バスト性は低くなり、 シミュレーションの計算速度も低下する。 したがって、 適 切な Per i odの値はシミュレーションの目的に応じて設定する必要がある。ただし、 用途に応じて値を決定する際の基準となる Periodの値は以下のように求めること ができる。 ·
rを投入レート、 liをワークステーション当りの工程数、 dを Periodの値とする と、定常状態におけるワークステーションでの 1周期における生産量 Ziは、 Zi
Figure imgf000018_0001
d となる。 C0NSTINでは生産量は中間在庫量よりも常に小さい
( ^" ≤w)ので、 rli (l ≤ wが成り立つ。
一方、 サイクルタイムの値を yとすると、 定常状態ではスループットの値は こ 等しいので、 待ち行列に関する Littleの公式 （非特許文献 4 ) より、 w= ryが成 り立ち、 上の不等式から
d ≤ y I liとなる。
1の値は生産工程のモデルから明らかであるが、サイクルタイムには行程での理 時間に加えて待ち時間が含まれるため、一般にその値 yは不明である。 しかし、 サ ィクルタイムは工程における生産リードタイムよりも常に大きいので、
y ≥ ^ 成り立ち、 d ≤ 2 si ∑；, となる。 以上のことから、 実際の生産工程におけるリードタイムとサイクルタイムの過 去の相関などの情報が無い場合には
y = ひ Sj (ただし、 α« 2) などと仮定して、 d 二 ο: =1 ^ / 1」 を Period パラメ一夕の基準値とすることが妥当である。
.半導体ゥェ一ハ処理工程への適用
C0NSTIN生産方式とそれに基づくシミユレ一シヨン手法の有効性を検証するた め半導体ゥェ一ハ処理工程のデ一夕を用いて数値実験を行った。 使用したのはァ リゾナ州立大学の MASMラボで公開されている SEMATECHのベンチマーク問題で、 MASMラボのホームページ (htt ：〃丽. as . asu. edu/¥¾7Emasmlab/home . htm )から
16
f .·#え用紙 （規則2 β) 入手できる。
本実施形態で取り上げた問題の概要を表 1に示す。 ただし、 比較のために用い た事象駆動型シミュレ一夕におけるモデリング上の制限から、 問題デ一夕の 部 にベンチマーク問題から最小限の変更を加えた。
【表 1】
テスト問題の概要
Figure imgf000019_0001
• シミュレ一ション条件
本実施形態では CONST IN生産方式及び、そのシミュレ一ションの基本的な性能検 証を行うため、以下の仮定の上で実験を行った：（ 1 )工程における処理時間は一定、 (2)段取り時間は考慮しない、 （3 )作業員は考慮しない、 （4)機械故障、 廃棄、 再加 ェなどは生じない。 したがって、 本実施形態におけるシミュレーションには確率 的な要素は含まれない。
今回の実験では、 シミュレーションを実施する際の releaseRuleとしては、需要 量に基づいたコンスタントな投入規則を、 wipTransferRuleとしては、全ての未処 理の中間在庫を処理する規則を、 sortinglluleとしては投入レートと処理時間で正 規化した上で、 処理すべき中間在庫の多い工程を優先する規則を用いた。
Periodパラメ一夕に関しては、本実験ではゥエーハ 1枚当りの総処理時間の平均 値は約 8862分、 平均工程数は 221.7となるので、
ただし、 Qi 2として
Periodの値を 80分と設定した。 EndOf Simulationパラメ一夕の値としては、シミュ レーシヨン結果が十分に定常状態に達するよう 6ヶ月とし、 その最後の 1ヶ月間に おける結果の分析、 検討を行った。
-シミュレーション結果と考察
本実施形態で提案したシミュレーション手法の有効性を検証するために、 市販 の事象駆動型シミュレータである Brooks Automat ion社の Auto'Sched APを用いて、 シミュレーション結果の比較を行った。 その比較結果を表 2に示す。 これらの結 果より、 シミュレーション結果に関しては、 中間在庫以外は両者の結果はほぼ同 等であると言える。 - 【表 2】
シミュレーション結果の比較.
Figure imgf000020_0001
中間在庫量に関しては、 CONSTIN方式は一定周期の期間中、在庫の移動が禁じら れるため中間在庫量が大きくなるのは当然であり、 そうした中間在庫の存在が CONSTINにおける口バスト性向上の要因である。 したがって、 Periodの値を設定す る際には、 中間在庫の大きさと生産の口バスト性のトレードオフを考慮する必要 がある。
第 8図にシミュレーション結果による Periodの値の変化による中間在庫量の変 化の様子を示す。 この図から明らかなように、 中間在庫の量は Periodの値に応じ てほぼ線形に増加する。
製品 Pの中間在庫量を Wpとすると、 '
【数 8】 .
Figure imgf000021_0001
lip
= 2 (^(t- D+Zi- t- 1)- Zi(t-1 ) )
Figure imgf000021_0002
が成り立つ。 今、 tが十分大きな値を取ると、 シミュレーションは定常状態に 達するため、 投入量と生産量は等しくなり、 在庫量は一定になる。 したがって、 ψ
Figure imgf000021_0003
の値は Period 時間での全工程における投入量の和に、
Y'p (WH ( t- - 1 ) は比較的小さな定数に収束する。
したがって、 Periodの値が大きい場合は、
【数 9】
Wp « r pnpPerioa が成り立ち、 この値は第 8図に示すようにシミュレーション結果と良く一致す る。
処理速度の点では、 Pentium (登録商標） 3( 1.2GHz)搭載の PCを用いて 6ヶ月間の シミュレーションを行う際に必要とされた計算時間は、 CONSTIN方式ではわずか 5 秒足らずで、市販の事象駆動型シミュレー夕の AutoSchedに比べて 20倍以上も高速 である。 CONSTINでは Periodの値を大きくすると計算速度はほぼ線形に増加するた め footnote実験では Period値を 480とすると、 計算時間は約 1秒となった。 Period の値を適切に設定することにより、 リアルタイム性が要求される用途にもシミュ レ一シヨンの適用が可能である。
•まとめ
多くの変動要因を持つ半導体などの製造工程では、 在庫を削減しすぎるとスム —ズな生産は不可能となる。 しかしながら、 在庫コントロールを適切に行わない と、 リードタイムの悪化や死蔵在庫の増加という結果となる。 本実施形態で述べ た CONSTINは、製造工程内の変動の大きさを中間在庫の移動周期に置き換えて考え ることにより、 各工程における適切な中間在庫量を算出することができる。 そし
19
蘧替ぇ鬮飆 «»2S) て、 その中間在庫量を維持するように、 各工程の生産制御を行うことにより製造 工程全体のロバスト性を保つことができる。
更に、 CONST IN手法に基づく高速なシミュレ一シヨンにより、 きめ細かな解析が 可能となり、 適切な投入レートやプロダクトミックスの設定、 Period期間内では 解決できない機械故障が起きたときの対策の検討などが、 シミュレーションによ り高精度に実施できる。
上述の生産方法を実現するための生産システムの構成を第 9図に示す。 第 9図 において、 1 0 0は製品の製造を製造工程に沿って行う生産設備である。 1 1 0 は生産設備の製造工程を制御する制御システムであり、 少なくとも 1つのコンビ ユー夕システムを有する。 この制御システム 1 1 0の中に本発明にかかわる制御 用プログラムが記憶されている。 制御用プログラムは記録媒体に記録しておき、 記録媒体から制御システム 1 1 0にインストールすればよい。
制御システム 1 1 0が上記制御プログラムにより実行する処理内容について第 1 0図を参照して説明する。
制御システム 1 1 0は一定周期で第 1 0図の処理手順 （数 6の関数で定義され た処理） を繰り返し実行する。 制御システム 1 1 0は、 生産設備の製造工程の生 産状態を示す種々のパラメ一夕、 たとえば、 材料の投入量等を初期設定して、 数
7に示す関数により製造工程内における各工程の中間在庫量を計算する （ステツ プ S 1 0 S 2 0 ) 。 なお、 初期設定値は人手によりキーボード等から予め入力 しておけばよいし、 生産設備の生産に関する種々のパラメ一夕を測定して、 その 測定結果を制御システム 1 1 0に自動入力してもよい。
次に制御システム 1 1 0は中間在庫量の計算結果と予め定めた許容値を比較す る （ステップ S 3 0 ) 。 中間在庫量の計算結果が許容値の範囲以下に収まる場合 には、 実際の製造工程内の中間在庫量がそこで設定された中間在庫量に等しくな るように、 生産設備 1 1 0を制御する （ステヅプ S 5 0 ) 。
一方、 中間在庫推移量が許容範囲以下に収まらない場合には、 上記計算結果が 許容範囲内に収まる方向に計算に使用するパラメ一夕を予め定めた所定の値だけ インクリメント （増加） またはデクリメント （減少） する （ステヅプ S 4 0 ) 。 具体的には、 中間在庫量が許容範囲よりも小さい場合には、 製品の生産を増大 させるように材料等の投入量を増やすようにパラメ一夕を変更する。 このパラメ一夕の値に基づき生産設備 1 0 0の製造工程を制御する （ステップ S 5 0 ) 。 以下、 制御システム 1 1 0は周期ごとに、 生産制御 （ステップ 5 0 ) の処理を実行すると、 製品の生産量が増大し、 中間在庫推移量が減少する。 これ により、 P O P (Point of Production)システムなどの生産実施状況をリアルタイ ムで計測する計測装置 （第 1図の制御装置 1 1 0内に設置） を用いてカウントさ れた各工程内に存在する中間在庫量が、 ステップ 2 0で設定された中間在庫量の 計算結果と等しくなつた場合、 生産設備 1 0 0の製造工程の生産が停止する。 そ して、 次の周期になると、 再びステップ 5 0の生産制御が実行され、 生産設備の 製造工程の生産が再開される。 このような制御処理を行うことにより、 制御シス テム 1 1 0は中間在庫量を常に一定に保つように生産をおこなう。 以下、 このよ うな制御を一定周期で繰り返し実行する。 なお、 上述の中間在庫量,を計算するた めのシミュレーション （このためのプログラムがシミュレ夕一の機能を果たす） において、 第 1の実施形態に記載の時間間隔ベースシミュレ一夕および規則生成 器の機能を制御システム 1 1 0に持たせ、 制御システム 1 1 0は規則生成器によ り生成された生産規則を使用して製造工程の中間在庫量を繰り返し計算するとよ い。
(用語の定義および意味）
a . 中間在庫
生産工程内に存在する材料及び仕掛品のこと。 これには、 完成品の在庫は含 まれない。
b . 中間在庫の移動量 （推移量）
生産は中間在庫が各工程を 「移動」 することにより進渉する。 したがって、 中 間在庫の移動量は、 1周期当りに工程において処理される中間在庫の量を意味する。
c . ヮ一夕ステーション
生産機械 （例えば、 ステッパー、 ドライエッチング装置など） のこと。
d . 製品の投入量
(需要予測に基づいた） 計画に基づいて製品を生産するために、 工程に投入さ れる材料の量。 投入レートは単位時間当りの投入量で、 計画ではこれが需要レー ト （単位時間当りの需要量） と一致するように計画されるのが一般的である。
e . 製造工程内の変動 本願では、 主に故障などによる機械の稼働率、 および歩留まり （全生産量にお ける良品の割合） の変動。
f . 移動周期
中間在庫が移動を行う周期。
g . 口バスト
日本語では 「頑健性」 と訳すことが多い。 先に説明した変動が生じても、 当初 の計画通りに生産を実行していくことができる能力を意味する。
h . トレードオフ
複数の要件がある時に、 妥協を得るために探る折り合いのこと。
i . プロダクトミックス
一つの生産工程で、 複数の製品を生産する際に、 その生産比率のこと。
上述の実施形態は特許請求の範囲に記載された発明を理解するために例示され たものである。 したがって、 上記発明を実施するにあたっては、 上述の実施形態 以外にも種々の変形が存在するが、 その変形が特許請求の範囲に記載された発明 の技術思想に基づくものである限り、 その変形は本発明の技術的範囲内となる。 産業上の利用可能性
以上、 説明したように、 本発明によれば、 高速な時間間隔べ一スシミュレ一夕 を用いることにより、 生産計画の対象とする生産工程、 プロダクトミックス、 生 産量に対して、 適切な生産規則 （部品投入規則等） を自動的に生成するこどがで き、 大規模な半導体などの生産工程に対しても高品質な生産計画を立案すること が可能になる。
また、 本発明によれば、 中間在庫量が許容範囲内に向かうように製造工程が生 産制御されるので、 生産過程において無駄な中間在庫 （部材の在庫） が発生しな い。 また、 これにより生産効率が大幅に向上する。

Claims

請求の範囲
1 . 生産工程モデル及び生産規則を用いて、 事象ベースシミュレ一夕が工場 内の製品の動きをシミュレートすることにより生産計画の立案を行う生産計画作 成システムにおいて、
一定時間ごとの生産工程の状況を計算する時間間隔べ一スシミュレ一夕と、 該時間間隔ベースシミュレータを用いて前記生産規則を自動的に導出する規則 生成器と、
を備えることから成る生産計画作成システム。 .
2 . 前記生産規則は、 人工知能技術を用いて逐次的最適化手法に基づく機械 学習手法により生成する請求の範囲第 1項に記載の生産計画作成システム。
3 . 前記規則生成器は、 ニューラルネットワークを用いて構成される請求の 範囲第 1項に記載の生産計画作成システム。
4 . 生産工程モデル及び生産規則を用いて、 事象べ一スシミュレ一夕が工場 内の製品の動きをシミュレートすることにより生産計画の立案を行う生産計画作 成方法において、
一定時間ごとの生産工程の状況を計算する時間間隔ベースシミュレ一夕と、 該 時間間隔ベースシミュレータを用いて前記生産規則を自動的に導出する規則生成 器とを備え、 '
該時間間隔べ一スシミュレ一夕が生産計画を幾度も繰り返し立案することによ り、 該規則生成器に、 逐次的最適化手法に基づく機械学習を応用することで、 前 記生産規則を自動生成し、 生成された生産規則を該事象ベースシミュレ一夕が使 用することで生産計画を立案する、
ことから成る生産計画作成方法。
5 . 生産工程モデル及び生産規則を用いて、 事象べ一スシミュレ一夕が工場 内の製品の動きをシミュレートすることにより生産計画の立案を行う生産計画作 成プログラムにおいて、
一定時間ごとの生産工程の状況を計算する時間間隔ベースシミュレータと、 該 時間間隔ベースシミュレータを用いて前記生産規則を自動的に導出する規則生成 器とを備え、
該時間間隔べ一スシミュレ一夕が生産計画を幾度も繰り返し立案することによ り、 該規則生成器に、 逐次的最適化手法に基づく機械学習を応用することで、 前 記生産規則を自動生成し、 生成された生産規則を該事象べ一スシミュレ一夕が使 用することで生産計画を立案する、
各手順を実行する生産計画作成プログラム。
6 . 製造工程の中間在庫量を繰り返し計算するシミュレ一夕と、
前記シミュレ一夕の計算結果が許容範囲以下になるように前記シミュレ一夕の 計算に使用するパラメ一夕の値を決定し、 該パラメ一夕の値に基づき前記製造ェ 程の生産制御を行う制御システムと
を備えたことを特徴とする生産システム。
7 . 請求の範囲第 6項に記載の生産システムにおいて、 前記シミュレ一夕は 一定時間ごとの生産工程の状況を計算する時間間隔べ一スシミュレ一夕および該 時間間隔ベースシミュレータを用いて前記生産規則を自動的に導出する規則生成 器を有し、 前記シミュレ一夕は該生成器により生成された生産規則を使用して製 造工程の中間在庫を繰り返し計箅することを特徴とする生産システム。
8 . 請求の範囲第 6項に記載の生産システムにおいて、前記制御システムは、 製造工程内の実際の中間在庫量を計測する計測装置を有し、 該計測装置により一 定の周期内で計測された製造工程内の実際の中間在庫量が前記シミュレ一夕の計 算結果と等しくなると、 前記制御システムは、 製造工程の生産を停止させ、 次の 周期で生産を再開することを特徴とする生産システム。
9 . 請求の範囲第 8項に記載の生産システムにおいて、 前記一定の周期は可 変設定可能であることを特徴とする生産システ 。
1 0 . シミュレ一夕により製造工程の中間在庫量を繰り返し計算し、 前記シミュレ一夕の計算結果が許容範囲以下になるように前記シミュレー夕の 計算に俾用するパラメータの値を該シミュレ一夕において決定し、
前記パラメ一夕の値に基づき、 制御システムにより前記製造工程の生産制御を 行う
ことを特徴とする生産方法。
1 1 . 請求の範囲第 1 0項に記載の生産方法において、 前記シミュレ一夕は 一定時間ごとの生産工程の状況を計算する時間間隔べ一スシミュレ一夕および該 時間間隔ベースシミュレータを用いて前記生産規則を自動的に導出する規則生成 器を有し、 前記シミュレ一夕は該生成器により生成された生産規則を使用して製 造工程の中間在庫量を繰り返し計算することを特徴とする生産方法。
1 2 . 請求の範囲第 1 0項に記載の生産方法において、前記制御システムは、 製造工程内の実際の中間在庫量を計測する計測装置を有し、 該計測装置により一 定の周期内で計測された製造工程内の実際の中間在庫量が前記シミュレータの計 算結果と等しくなると、 前記制御システムは、 製造工程の生産を停止させ、 次の 周期で生産を再開することを特徴と る生産方法。
1 3 . 請求の範囲第 1 2項に記載の生産方法において、 前記一定の周期は可 変設定可能であることを特徴とする生産方法。
1 4 . 生産システムにより実行するプログラムであって、
製造工程の中間在庫量を繰り返し計算するステップと、
該ステップの計算の結果が許容範囲以下になるように前記計算に使用するパラ メ一夕の値を決定するステップと、
前記パラメ一夕の値に基づき、 前記製造工程の生産制御を行うステップと を備えたことを特徴とプログラム。
1 5 . 請求の範囲第 1 4項に記載のプログラムにおいて、 前記生産システム は、 一定時間ごとの生産工程の状況を計算する時間間隔べ一スシミュレ一夕およ び該時間間隔べ一スシミュレ一夕を用いて前記生産規則を自動的に導出する規則 生成器を有し、 前記シミュレータ該生成器により生成された生産規則を使用して 製造工程の中間在庫量を繰り返し計算するステップを前記シミュレ一夕により実 行することを特徴とするプログラム。
1 6 . 請求の範囲第 1 4項に記載のに記載のプログラムにおいて、 前記生産 システムは、 製造工程内の実際の中間在庫量を計測する計測装置を有し、 該計測 装置により一定の周期内で計測された製造工程内の実際の中間在庫量が前記シミ ユレ一夕の計算結果と等しくなると、 製造工程の生産を停止させ、 次の周期で生 産を再開するステップをさらに有することを特徴とするプログラム。
1 7 . 請求の範囲第 1 6項に記載のに記載のプログラムにおいて、 前記一定 の周期は可変設定可能であることを特徴とするプログラム。
1 8 . 請求の範囲第 1 4項から第 1 7項までのいずれかに記載のプログラム を記録したことを特徴とする記録媒体。
PCT/JP2003/008649 2002-07-09 2003-07-08 生産計画作成システム及び方法、並びにプログラム WO2004006033A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
US10/520,522 US20060106477A1 (en) 2002-07-09 2003-07-08 Production plan creation system, method, and program
AU2003246278A AU2003246278A1 (en) 2002-07-09 2003-07-08 Production plan creation system, method, and program

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
JP2002199434 2002-07-09
JP2002-199434 2002-07-09
JP2002294665A JP2004094900A (ja) 2002-07-09 2002-10-08 生産計画作成システム及び方法、並びにプログラム
JP2002-294665 2002-10-08

Publications (1)

Publication Number Publication Date
WO2004006033A1 true WO2004006033A1 (ja) 2004-01-15

Family

ID=30117409

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2003/008649 WO2004006033A1 (ja) 2002-07-09 2003-07-08 生産計画作成システム及び方法、並びにプログラム

Country Status (6)

Country Link
US (1) US20060106477A1 (ja)
JP (1) JP2004094900A (ja)
KR (1) KR20050025953A (ja)
CN (1) CN1666161A (ja)
AU (1) AU2003246278A1 (ja)
WO (1) WO2004006033A1 (ja)

Families Citing this family (56)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9983559B2 (en) * 2002-10-22 2018-05-29 Fisher-Rosemount Systems, Inc. Updating and utilizing dynamic process simulation in an operating process environment
DE10348563B4 (de) 2002-10-22 2014-01-09 Fisher-Rosemount Systems, Inc. Integration von Grafikdisplayelementen, Prozeßmodulen und Steuermodulen in Prozeßanlagen
US20050065830A1 (en) * 2003-09-24 2005-03-24 Xerox Corporation System and method for the acquisition and analysis of data for print shop performance evaluation and adjustment
US8145335B2 (en) * 2006-12-19 2012-03-27 Palo Alto Research Center Incorporated Exception handling
DE102007035835A1 (de) * 2007-07-31 2009-02-05 Advanced Micro Devices, Inc., Sunnyvale Verfahren und System zum Koordinieren eines Produktstroms in einer Fertigungsumgebung durch Verwendung prozessspezifischer WIP-Grenzen
US20090083020A1 (en) * 2007-09-21 2009-03-26 International Business Machines Corporation Alternate task processing time modeling
US8190543B2 (en) * 2008-03-08 2012-05-29 Tokyo Electron Limited Autonomous biologically based learning tool
US8326666B2 (en) * 2008-09-29 2012-12-04 Fisher-Rosemount Systems, Inc. Event synchronized reporting in process control systems
JP5306378B2 (ja) * 2009-01-07 2013-10-02 株式会社日立製作所 受注生産工程決定装置、プログラム、受注生産工程決定システム及び受注生産工程決定方法
DE102009004446A1 (de) * 2009-01-13 2010-07-15 Siemens Aktiengesellschaft Verfahren und Vorrichtung zum Koordinieren von Betriebsaktionen von in einer Organisation zusammenwirkenden Unterbetrieben
CN101533490B (zh) * 2009-04-29 2012-06-20 江南大学 车间加工设备群加工运行优化的方法
KR101080974B1 (ko) * 2009-11-24 2011-11-09 한국과학기술정보연구원 계산 시뮬레이션 모사 시스템 및 그 방법
KR101674389B1 (ko) * 2010-07-22 2016-11-09 재단법인 포항산업과학연구원 스마트 인더스트리에서 수급을 고려한 생산 제어 방법 및 이를 수행하는 시스템
US9015093B1 (en) 2010-10-26 2015-04-21 Michael Lamport Commons Intelligent control with hierarchical stacked neural networks
US8775341B1 (en) 2010-10-26 2014-07-08 Michael Lamport Commons Intelligent control with hierarchical stacked neural networks
EP2447889A1 (en) * 2010-10-29 2012-05-02 Siemens Aktiengesellschaft Method for modeling a defect management in a manufacturing process and for handling the defect during the production process based on said modeled defect management
US20120136758A1 (en) * 2010-11-30 2012-05-31 International Business Machines Corporation Production management with multi-type kanban modeling
US9665668B2 (en) * 2012-02-29 2017-05-30 Applied Materials, Inc. Configuring a dispatching rule for execution in a simulation
KR101494739B1 (ko) * 2012-07-26 2015-02-25 연세대학교 산학협력단 건설 프로젝트의 시간-비용 상충 문제를 해결할 수 있는 다중 목적 최적화 모델링 방법 및 장치
KR101460295B1 (ko) * 2013-02-15 2014-11-13 동서대학교산학협력단 생산일정 자동 스케쥴링 방법
US10204387B2 (en) * 2013-05-08 2019-02-12 Nmetric, Llc Sequentially configuring manufacturing equipment to reduce reconfiguration times
JP6179198B2 (ja) * 2013-06-03 2017-08-16 株式会社Ihi プランニング用データ生成装置、プランニング用データ生成方法及びプランニング用データ生成プログラム
CN103514520A (zh) * 2013-10-15 2014-01-15 苏州荣越网络技术有限公司 生产计划排布系统
US9697467B2 (en) 2014-05-21 2017-07-04 International Business Machines Corporation Goal-driven composition with preferences method and system
US9785755B2 (en) 2014-05-21 2017-10-10 International Business Machines Corporation Predictive hypothesis exploration using planning
US9740978B2 (en) 2014-10-28 2017-08-22 International Business Machines Corporation Producing clustered top-k plans
CN105988443B (zh) * 2015-02-27 2019-01-08 中芯国际集成电路制造(上海)有限公司 用于具有时间间隔限制的制造流程处理方法及装置
JP6446308B2 (ja) * 2015-03-26 2018-12-26 株式会社日立製作所 生産計画装置および生産計画方法
JP6502816B2 (ja) * 2015-09-29 2019-04-17 株式会社日立製作所 計画支援システム及び計画支援方法
JP6055058B1 (ja) * 2015-09-30 2016-12-27 ファナック株式会社 機械学習器及び組み立て・試験器を備えた生産設備
JP6605951B2 (ja) * 2015-12-25 2019-11-13 株式会社東芝 シミュレーション装置及びシミュレーション方法
CN105426642B (zh) * 2015-12-29 2018-07-20 成都天衡电科科技有限公司 一种制造工序模型提取方法
JP6059375B1 (ja) 2016-02-09 2017-01-11 ファナック株式会社 生産制御システムおよび統合生産制御システム
US10242316B2 (en) * 2016-03-28 2019-03-26 Christoph Adam Kohlhepp Robotic capability model for artificial intelligence assisted manufacturing supply chain planning
US10878140B2 (en) 2016-07-27 2020-12-29 Emerson Process Management Power & Water Solutions, Inc. Plant builder system with integrated simulation and control system configuration
US10783469B2 (en) * 2016-11-01 2020-09-22 Hitachi, Ltd. Production support system using multiple plan candidates and different types of learning devices
CN106774196B (zh) * 2016-11-30 2019-02-15 京东方科技集团股份有限公司 在制品管控方法和在制品管控系统
JP6339655B1 (ja) * 2016-12-19 2018-06-06 ファナック株式会社 光源ユニットの光学部品の調芯手順を学習する機械学習装置および光源ユニット製造装置
US10304154B2 (en) 2017-04-24 2019-05-28 Intel Corporation Coordination and increased utilization of graphics processors during inference
US11501989B2 (en) 2017-10-12 2022-11-15 Weiping Shi Control product flow of semiconductor manufacture process
CN109634239B (zh) * 2017-10-16 2020-05-19 华中科技大学 一种考虑关机重启策略的混合流水车间节能调度的建模方法
CN107844104B (zh) * 2017-10-16 2018-09-07 华中科技大学 考虑关机重启策略的柔性作业车间节能调度的建模方法
CN107678411B (zh) * 2017-10-16 2018-07-13 华中科技大学 一种不相关并行机混合流水车间调度的建模方法
US11372396B2 (en) * 2017-11-27 2022-06-28 Weiping Shi Control product flow of semiconductor manufacture process under time constraints
TWI650714B (zh) 2018-01-19 2019-02-11 財團法人工業技術研究院 動態智能排程方法及裝置
WO2020040763A1 (en) * 2018-08-23 2020-02-27 Siemens Aktiengesellschaft Real-time production scheduling with deep reinforcement learning and monte carlo tree search
US11556119B2 (en) * 2018-09-20 2023-01-17 Weiping Shi System and method for improving simulation accuracy of manufacturing plants
US11366457B1 (en) * 2018-11-16 2022-06-21 On-Time.Ai, Inc. Controling operation of machine tools using artificial intelligence
JP7120914B2 (ja) * 2018-12-25 2022-08-17 株式会社日立製作所 生産実績データ分析装置
EP3719736A1 (de) * 2019-04-01 2020-10-07 Siemens Aktiengesellschaft Verfahren und vorrichtung für ein automatisches selektieren eines optimalen herstellungsablaufes
CN110989527B (zh) * 2019-12-11 2021-08-03 西南交通大学 一种任务车间生产计划验证方法
US11418969B2 (en) 2021-01-15 2022-08-16 Fisher-Rosemount Systems, Inc. Suggestive device connectivity planning
CN113344474B (zh) * 2021-08-05 2021-11-23 山东大拇指喷雾设备有限公司 基于神经网络的喷嘴生产线动态管控方法及系统
KR20230113011A (ko) 2022-01-21 2023-07-28 부산대학교 산학협력단 건설기계 조립 공정의 생산 계획 장치
US20230334416A1 (en) 2022-04-13 2023-10-19 Tata Consultancy Services Limited Method and system for material replenishment planning
CN115577576B (zh) * 2022-12-08 2023-05-16 中国电子工程设计院有限公司 一种半导体工厂的动态虚拟组线仿真系统及方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH05165839A (ja) * 1991-12-13 1993-07-02 Mitsubishi Electric Corp スケジューリングシステム及び条件調整ニューラルネットワーク
JP2000198050A (ja) * 1999-01-08 2000-07-18 Ricoh Co Ltd バッファ制御装置および加工システム

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5586021A (en) * 1992-03-24 1996-12-17 Texas Instruments Incorporated Method and system for production planning
US6128588A (en) * 1997-10-01 2000-10-03 Sony Corporation Integrated wafer fab time standard (machine tact) database
JP3741562B2 (ja) * 1999-03-29 2006-02-01 松下電器産業株式会社 生産計画の作成方法及びその作成装置
US6480794B1 (en) * 2000-08-01 2002-11-12 Taiwan Semiconductor Manufacturing Company Method for minimizing total test time for testing factories
US6591153B2 (en) * 2000-10-12 2003-07-08 Manugistics, Inc. System and methods for scheduling manufacturing resources
US6611727B2 (en) * 2001-03-05 2003-08-26 Dell Products L.P. Method and system for simulating production within a manufacturing environment
US6647307B1 (en) * 2002-11-07 2003-11-11 Taiwan Semiconductor Mfg. Co. Ltd. Method for controlling queue time constraints in a fabrication facility

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH05165839A (ja) * 1991-12-13 1993-07-02 Mitsubishi Electric Corp スケジューリングシステム及び条件調整ニューラルネットワーク
JP2000198050A (ja) * 1999-01-08 2000-07-18 Ricoh Co Ltd バッファ制御装置および加工システム

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
HITACHI, LTD.: "Kensho no kosokuka ni kotaeru cycle base.simulator", HITACHI, LTD., 1 July 1997 (1997-07-01), pages 19, XP002974116 *

Also Published As

Publication number Publication date
KR20050025953A (ko) 2005-03-14
JP2004094900A (ja) 2004-03-25
US20060106477A1 (en) 2006-05-18
AU2003246278A1 (en) 2004-01-23
CN1666161A (zh) 2005-09-07

Similar Documents

Publication Publication Date Title
WO2004006033A1 (ja) 生産計画作成システム及び方法、並びにプログラム
Yu et al. Scheduling of unrelated parallel machines: an application to PWB manufacturing
Uzsoy et al. A review of production planning and scheduling models in the semiconductor industry part II: Shop-floor control
US4796194A (en) Real world modeling and control process
Lee et al. Experimental study on input and bottleneck scheduling for a semiconductor fabrication line
TWI788650B (zh) 用於半導體加工調度的方法、半導體加工調度系統和非暫時性電腦可讀儲存介質
JP2005339587A (ja) 生産システム及び方法、並びにプログラム
Chaudhry et al. Integrated process planning and scheduling using genetic algorithms
Klemmt et al. A multistage mathematical programming based scheduling approach for the photolithography area in semiconductor manufacturing
Missbauer Models of the transient behaviour of production units to optimize the aggregate material flow
Tadei et al. Aggregate planning and scheduling in the food industry: A case study
Kłos et al. Improving manufacturing processes using simulation methods
Thenarasu et al. Development and selection of hybrid dispatching rule for dynamic job shop scheduling using multi-criteria decision making analysis (MCDMA)
Kim et al. An iterative approach to system setup problems in flexible manufacturing systems
Tassel et al. Semiconductor Fab Scheduling with Self-Supervised and Reinforcement Learning
Kopp et al. Hierarchical decision-making for qualification management in wafer fabs: a simulation study
Kovács et al. Real-life scheduling using constraint programming and simulation
Caramanis et al. Dynamic lead time modeling for JIT production planning
Chou et al. Resource portfolio planning methodology for semiconductor wafer manufacturing
Chong et al. Analysis of a customer demand driven semiconductor supply chain in a distributed simulation test bed
Singh et al. Investigation of different inputs and a new release policy in the proposed simulation model for wafer fabrication system
Lin et al. Simulation optimization with GA and OCBA for semiconductor back-end assembly scheduling
Seidmann Performance management issues in flexible manufacturing systems: an analytic perspective
Ilsen et al. An agent-based factory simulation tool to assess energy consumption in decentralized manufacturing systems: agent types and their tasks
Kim et al. Investigation of flow mechanisms in semiconductor wafer fabrication

Legal Events

Date Code Title Description
AK Designated states

Kind code of ref document: A1

Designated state(s): AE AG AL AM AT AU AZ BA BB BG BR BY BZ CA CH CN CO CR CU CZ DE DK DM DZ EC EE ES FI GB GD GE GH GM HR HU ID IL IN IS KE KG KP KR KZ LC LK LR LS LT LU LV MA MD MG MK MN MW MX MZ NI NO NZ OM PG PH PL PT RO RU SC SD SE SG SK SL SY TJ TM TN TR TT TZ UA UG US UZ VC VN YU ZA ZM ZW

AL Designated countries for regional patents

Kind code of ref document: A1

Designated state(s): GH GM KE LS MW MZ SD SL SZ TZ UG ZM ZW AM AZ BY KG KZ MD RU TJ TM AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HU IE IT LU MC NL PT RO SE SI SK TR BF BJ CF CG CI CM GA GN GQ GW ML MR NE SN TD TG

121 Ep: the epo has been informed by wipo that ep was designated in this application
WWE Wipo information: entry into national phase

Ref document number: 20038161737

Country of ref document: CN

Ref document number: 1020057000380

Country of ref document: KR

WWP Wipo information: published in national office

Ref document number: 1020057000380

Country of ref document: KR

122 Ep: pct application non-entry in european phase
ENP Entry into the national phase

Ref document number: 2006106477

Country of ref document: US

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 10520522

Country of ref document: US

WWP Wipo information: published in national office

Ref document number: 10520522

Country of ref document: US