CN113050553A - 半导体生产线基于联邦学习机制的调度建模方法 - Google Patents
半导体生产线基于联邦学习机制的调度建模方法 Download PDFInfo
- Publication number
- CN113050553A CN113050553A CN202110187641.2A CN202110187641A CN113050553A CN 113050553 A CN113050553 A CN 113050553A CN 202110187641 A CN202110187641 A CN 202110187641A CN 113050553 A CN113050553 A CN 113050553A
- Authority
- CN
- China
- Prior art keywords
- information
- scheduling
- data
- model
- processing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 205
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 138
- 239000004065 semiconductor Substances 0.000 title claims abstract description 35
- 230000007246 mechanism Effects 0.000 title claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 167
- 238000005457 optimization Methods 0.000 claims abstract description 26
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 230000008569 process Effects 0.000 claims description 90
- 238000013499 data model Methods 0.000 claims description 40
- 238000004088 simulation Methods 0.000 claims description 32
- 238000012423 maintenance Methods 0.000 claims description 15
- 230000003044 adaptive effect Effects 0.000 claims description 11
- 230000003068 static effect Effects 0.000 claims description 10
- 238000013439 planning Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 4
- 238000011068 loading method Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 claims 1
- 235000012431 wafers Nutrition 0.000 description 42
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 40
- 229910052710 silicon Inorganic materials 0.000 description 40
- 239000010703 silicon Substances 0.000 description 40
- 238000009826 distribution Methods 0.000 description 17
- 238000010586 diagram Methods 0.000 description 14
- 238000003754 machining Methods 0.000 description 10
- 238000011160 research Methods 0.000 description 8
- 238000012384 transportation and delivery Methods 0.000 description 7
- 238000010276 construction Methods 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 4
- 238000005859 coupling reaction Methods 0.000 description 4
- 238000007418 data mining Methods 0.000 description 4
- 230000007774 longterm Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000001276 Kolmogorov–Smirnov test Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000003647 oxidation Effects 0.000 description 2
- 238000007254 oxidation reaction Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000009133 cooperative interaction Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011143 downstream manufacturing Methods 0.000 description 1
- 238000001312 dry etching Methods 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005468 ion implantation Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000001459 lithography Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910021421 monocrystalline silicon Inorganic materials 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000001259 photo etching Methods 0.000 description 1
- 229920002120 photoresistant polymer Polymers 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000004544 sputter deposition Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- 238000001039 wet etching Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41885—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
- 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
- G05B2219/32339—Object oriented modeling, design, analysis, implementation, simulation language
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Factory Administration (AREA)
Abstract
本发明提供了一种半导体生产线基于联邦学习机制的调度建模方法，基于预获取的半导体生产线的生产需求，将生产需求生成调度问题，对调度问题进行分析和求解；根据分析与求解的信息进行调度建模和调度优化；包括以下步骤，步骤S1，复杂制造数据预处理，建立数据层；步骤S2，基于数据的调度建模，建立模型层；步骤S3，基于数据的调度优化，建立数据处理与分析模块；步骤S4，基于生产计划与实时派工信息建立调度方法模块本发明公开了一种适应能力强、与产线工作结合度高的半导体生产线基于联邦学习机制的调度建模方法。
Description
技术领域
本发明涉及智能生产制造领域，具体涉及一种半导体生产线基于联邦学习机制的调度建模方法。
背景技术
生产调度作为提高企业经济效益和市场竞争力的有效途径之一，也是工业工程、管理工程、自动化等领域的研究热点。一般而言，生产调度就是针对一项可分解的生产任务，在满足工艺和资源约束的前提下，通过确定工件加工顺序和调度资源的分配，以获得生产任务执行效率或成本的优化。作为一项具有较长历史的研究命题，生产调度的需求包括：满足约束、优化性能和实用高效。其基本任务可以概括为建模和优化，即对调度问题的认识以及对调度问题的求解。
在半导体制造***中调度存在以下特点，不为零的初始状态；大规模，半导体生产线由上百台设备组成；不为零的初始状态：任务总数不确定、不确定性事件、工序加工时间不确定；调度方案有效期短；局部优化问题；主要体现在工艺路径约束和资源约束这两个方面的约束性。半导体制造***调度具有明显的多重入性、制造环境的高度不确定性、制造过程的高度复杂性以及调度目标的多目标优化特征，相应地，能够响应实时运作环境的动态调度方法得到了更为充分的重视。
现有技术中的制造***调度问题自上世纪50年代被提出以来，因具有重要意义而备受学术界重视，生产调度***也逐渐成为制造型企业重要的决策支持***。随着研究的深入，根据时间粒度可将制造***调度问题细分为3类：生产计划、生产排程和实时派工。根据调度类型可分为投料计划、工件调度和设备维护调度。现有技术中的调度***多数集中在数学规划和启发式调度规则为主的调度仿真***，智能化水平不高。以Intel的面向半导体制造领域的先进计划调度***(AdvancedPlanningScheduling，APS)为例，APS协同了生产计划模块、生产排程模块和实时调度模块，集成了仿真模型、启发式实时调度规则、整数规划等建模和优化方法，所采用的建模和优化方法较为传统。因此调度的理论研究和调度***的实际应用之间存在鸿沟。其主要原因有如下两点：(1)对于具体调度问题，传统建模优化方法不足以应对制造***的大规模和复杂性，对应的调度模块适用性受到局限；(2)对调度问题的研究集中于具体调度问题的建模与优化和对应调度模块的开发，而对PSS各个模块之间的协同交互研究的较少，即对PSS体系结构的研究不够充分。
因此，需要研发一种便捷、有效、稳定适用于半导体生产线中的基于联邦学习机制的调度建模方法。
发明内容
本发明克服了现有技术的不足，提供了一种适应能力强、与产线工作结合度高的半导体生产线基于联邦学习机制的调度建模方法。
为达到上述目的，本发明采用的技术方案为：一种半导体生产线基于联邦学习机制的调度建模方法，基于预获取的半导体生产线的生产需求，将生产需求生成调度问题，对调度问题进行分析和求解；根据分析与求解的信息进行调度建模和调度优化；包括以下步骤，
步骤S1，复杂制造数据预处理，建立数据层；
步骤S2，基于数据的调度建模，建立模型层；
步骤S3，基于数据的调度优化，建立数据处理与分析模块；
步骤S4，基于生产计划与实时派工信息建立调度方法模块。
本发明一个优选的实施方案中，基于预获取的智能生产线的产品需求，对调度问题进行分解和求解；根据分解与求解的信息进行调度建模和调度优化；步骤S1中，数据层通过数据接口与数据源交互连接，通过企业中的信息***获取数据参数，或/和通过企业中的数据源模拟制造***运作过程的仿真模型离线运行获取生成的离线仿真数据，离线仿真数据包括离线仿真性能指标数据和离线仿真优化调度决策数据；根据获取的数据源汇总预处理形成数据库，所述数据库包括离线历史数据模型、在线静态数据模型、在线动态数据模型、学习样本数据模型。
本发明一个优选的实施方案中，步骤S1中，所述离线历史数据模型包括工件加工历史信息、产品历史生产信息、设备历史加工信息、设备维护信息、设备故障信息中的一种或多种；在线静态数据模型和在线动态数据模型组成在线数据模型，所述在线静态数据模型包括产品订单信息、产品工艺流程信息、设备加工能力信息和设备布局信息中的一种或多种；所述在线动态数据模型包括设备状态信息或/和WIP状态信息。
本发明一个优选的实施方案中，在线数据模型包括设备信息、加工区信息、工序信息、设备加工菜单信息、工艺流程信息、流程的工步信息、订单信息、工件信息中的一种或多种；设备的定义包括设备标识信息、当前处理的加工菜单信息、当前加工的工件信息、当前设备所在的加工区信息、设备描述属性信息；加工区的定义包括设备所在加工区信息和若干个加工区描述属性信息；工序的定义包括工序标识信息和若干个工序描述属性信息；设备加工菜单的定义包括加工菜单标识信息、菜单所属设备信息、菜单处理工序信息、加工菜单描述属性信息；工艺流程的定义包括工艺流程标识信息、工艺流程描述属性信息；流程的工步的定义包括工步标识信息、工步所属工艺流程信息、工步处理的工序信息、工步在工艺流程中的位置信息；订单的定义包括表示订单标识信息、订单所需的工艺流程信息、订单程描述属性信息；工件的定义包括工件标识信息、工件所属订单信息、正在加工工件的设备信息、工件所在加工区信息、工件当前加工工步信息或下一工步信息、工件描述属性信息。
本发明一个优选的实施方案中，离线历史数据模型包括设备历史运行信息和工件运行历史信息；设备历史运行信息的定义包括设备标识信息、设备所处状态信息、状态开始时间信息、状态结束时间信息、状态描述属性信息；工件运行历史信息的定义包括工件标识信息、工件所处状态信息、状态开始时间信息、状态结束时间信息、状态描述属性信息；学习样本数据模型是构造数据驱动模型的基础，包括不确定因素样本数据模型为关系模式集合、性能指标预测样本数据模型、自适应调度样本数据模型为关系模式集合。
本发明一个优选的实施方案中，模型层中包括制造***面向对象模型和数据驱动预测模型；所述制造***面向对象模型为面向对象仿真模型，所述制造***面向对象模型包括制造***对象模型、制造***动态模型、制造***功能模型；所述数据驱动预测模型由参数预测模型、性能指标预测模型和自适应调度模型构成；所述数据驱动预测模型包含不确定因素估计模型、性能指标预测模型、自适应调度模型。
本发明一个优选的实施方案中，制造***对象模型包括设备对象、加工区对象、工序对象、加工菜单对象、工艺流程对象、工步流程对象、订单对象、工件对象。
本发明一个优选的实施方案中，所述调度方法模块的生产计划模块包括生产计划方法集和生产调度方法集，实时派工模块包括元启发式搜索方法集。
本发明一个优选的实施方案中，数据处理与分析模块包括抽取转换加载方法集、对象关系映射规则集、数据预处理方法集、预测建模方法集、元启发式优化方法集中的一种或多种。
本发明一个优选的实施方案中，一种采用半导体生产线基于联邦学习机制的调度建模方法的半导体生产线，所述生产线包括多个生产设备，以及与多个所述生产设备驱动连接的控制器，所述控制器采用了半导体生产线基于联邦学习机制的调度建模方法建立的调度建模***。
本发明解决了技术背景中存在的缺陷，本发明有益的技术效果是：
本发明公开了一种适应能力强、与产线工作结合度高的半导体生产线基于联邦学习机制的调度建模方法。能利用制造***中和调度相关的数据对复杂制造***的调度问题进行全面的支持。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1是本发明的优选实施例中的设备状态动态模型结构示意图；
图2是本发明的优选实施例中的半导体制造过程示意图；
图3是本发明的优选实施例中的FabSys的类图示意图；
图4是本发明的优选实施例中的硅片加工调度过程时序图示意图；
图5是本发明的优选实施例中的设备加工硅片状态图示意图；
图6是本发明的优选实施例中的OOSMfab数据模型的实体关系图示意图；
图7是本发明的优选实施例中的FabSys数据驱动参数预测模型构造方法示意图；
图8是本发明的优选实施例中的FabSys数据驱动性能指标预测模型构造方法示意图；
图9是本发明的优选实施例中的FabSys数据驱动自适应调度模型构造方法示意图。
具体实施方式
现在结合附图和实施例对本发明作进一步详细的说明，这些附图均为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。
需要说明，若本发明实施例中有涉及方向性指示(诸如上、下、底、顶等)，则该方向性指示仅用于解释在某一特定姿态下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。除非另有明确的规定和限定，术语“设置”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例一
半导体制造***是以单晶硅为原料，集成电路为产品的生产线，其制造过程如图1所示，将单晶硅锭切片磨光后，通过前端工艺和后端工艺对硅片进行加工，制成集成电路芯片。其中前端工艺为硅片加工工艺，包括氧化、光刻、刻蚀、离子注入、扩散、清洗工序。后端工艺对硅片进行分割，封装，测试。相比后端工艺，前端工艺工序步骤多，工艺流程复杂，设备成本高，处理前端工艺的硅片加工生产线的调度问题是研究对象。硅片加工生产线规模可达到数百台设备，每个产品需要完成数百道加工工序。由于最终的集成电路需要在硅片上形成若干电路层，在硅片加工过程中硅片会重复访问同一设备，即产生重入现象，半导体制造***被称为重入型生产***。
例如，硅片生产制造股份有限公司，即模拟芯片代工厂，从事集成电路设计、制造、销售和技术服务等的高新技术企业。该企业5英寸硅片和6英寸硅片的加工生产线(Fabrication System，FabSys)的基本参数如表1所示。从表1中的数据可知，FabSys具有工艺流程复杂、多重入、多产品混合加工、设备加工类型多样等特点，此外在FabSys在加工过程中，设备故障、订单变更、返工等不确定因素频繁发生。因此，FabSys是典型的复杂制造***。
FabSys中设备处理的加工工序和图2中的前端加工工艺相对应，这些设备按功能划分为 8个加工区域，这些加工区域的名称和缩写如表2所示，将所有加工区的集合记为work_areas＝{DF,IM,EP,LT,PE,PC,TF,WT}。
以上述FabSys的调度问题为验证对象。从表1中FabSys的设备和在制品规模可知FabSys 的调度问题为大规模，非零初始状态调度问题。在调度过程中，受紧急订单、设备故障等不确定事件和加工时间，剩余加工周期等不确定参数的影响，较难获取长期有效并优化全局性能指标的调度方案。在FabSys的调度问题时借助本申请中的硅片加工生产线调度仿真模型 (OOSMfab)，可以通过数据接口实时加载FabSys的实际在线生产数据，并可模拟企业生产线的运行状况。OOSMfab中实现启发式调度规则和企业的通用调度规则，通过这些调度规则确定硅片在设备上的优先级，从而生成调度方案。
表1 FabSys生产线的基本参数
表2 FabSys中的加工区及缩写
| 加工区名称 | 加工区缩写 |
| 氧化扩散区 | DF |
| 注入区 | IM |
| 外延区 | EP |
| 光刻区 | LT |
| 干法刻蚀区 | PE |
| 淀积区 | PC |
| 溅射区 | TF |
| 湿法刻蚀、湿法去胶、湿法清洗区 | WT |
FabSys的面向对象仿真模型(OOSMfab)
基于面向对象技术的仿真模型(Object-Oriented Simulation Model,OOSM)通过描述组成***的对象属性、对象行为、对象关系等***静态结构和对象交互，对象状态变化等动态过程来描述***的运作，有良好的可扩充性、复用性，具备较高的建模效率和建模精度，也易于和优化算法，人工智能方法相结合。OOSM是复杂制造***仿真研究的有利工具，也是当前广泛使用的复杂制造***仿真建模技术。统一建模语言UML(Unified ModelingLanguage， UML)是使用最广泛的面向对象分析与建模语言。FabSys基于UML对FabSys进行面向对象建模，从对象模型、动态模型、功能模型三方面对FabSys的组成结构和运作过程进行描述。基于离散建模仿真工具Plant Simulation及其面向对象编程语言Simtalk实现FabSys的OOSM ***OOSMfab。FabSys的动态模型所描述的过程被封装为Simtalk中的Method在OOSMfab中实现并固化，并通过ORM映射实现TRF加载在线数据模型，保持OOSMfab和FabSys的同步。
(1)OOSMfab的对象模型(Cfab)
在FabSys的加工过程中，工件加工工艺流程(Process)、工件加工设备(Equipment)、工件(Lot)为建模的核心类，以这三种核心类构造的FabSys类图如图3所示。
Process类定义了硅片的加工工艺流程，process_ID为工艺流程编号，每个Process对象包含若干加工步，Step类定义了加工步，每个加工步由加工工序(operation)和该道工序在工艺流程中的相对位置(postition)所确定。Order类定义了客户订单，包含了客户下单且具有相同Process的硅片，定义了硅片需求数量(quantity)和硅片交货期(due_date)。Release_Plan类定义了订单的投料计划，包括其对应订单(order)，投料时间(release_time)，投料数量(quantity)。
Equipment类定义了硅片加工设备，每台设备都分配唯一设备编号(eqp_ID)，每台设备有若干加工菜单(recipe)处理不同的加工工序。Recipe类定义了加工菜单，eqp_ID表示加工菜单所属的设备编号，此外加工菜单还包括加工工序(operation)和加工时间(processing_time) 两个属性，由此可知，不同设备在处理不同加工工序时加工时间不唯一，从而体现了不同设备之间的可互替性和不同的加工能力。operation为设备的当前可加工工序。processing_time 为当前工序的加工时间。这两个属性即表示设备当前使用的加工菜单。eqp_type为设备加工类型，设备按加工单位可以分为按卡(lot)加工，按片(wafer)加工，按组批(batch)加工三种类型，eqp_status为设备状态，设备有空闲(Idle)，就绪(Ready)，加工(Processing)，维护 (Maintain)四种状态，当eqp_status＝Processing时，lot属性表示设备正在加工的硅片否则 lot属性为空。dispatch_rule表示设备在选择下一个加工硅片时使用的调度规则，用以计算待加工硅片的优先级。eqp_maints为一组设备维护计划，设备维护计划由Eqp_Maint类定义，在时间区间[begin_time,end_time]内，编号eqp_ID为设备处于保养期，无法进行派工。 disptaches为一组设备派工方案，派工方案由Dispatch类定义，在时间区间[mov_in_time, mov_out_time]内，硅片编号为lot_ID的硅片在设备编号为eqp_ID的设备上进行加工，lot_ID 对应的硅片和eqp_ID对应的设备均处于Processing状态。FabSys中，设备根据功能划分成不同的加工区，WorkArea类定义了加工区，area_ID为加工区编号，加工区内含有设备组 equipments和缓冲区内等待加工硅片lots。
在FabSys中，硅片以卡(lot)单位进行加工，一卡硅片最多包含25片硅片。Lot类定义了 FabSys中的在制品信息，其中lot_ID为一卡硅片的编号，lot_status为工件状态，有缓冲区等待(Waiting)，加工(Processing)和维护(Maintaining)状态。当lot_status＝Processing， opration为当前加工工序，position为当前加工工序在工艺流程中的相对位置，equipment 为工件所在的加工设备，remaining_time为当前加工工序剩余的加工时间。当 lot_status＝Waiting，opration为待加工工序，position为待加工工序在工艺流程中的相对位置，equipment为空。due_date为工件交货期，wafers表示该卡硅片包含的硅片数。
(2)OOSMfab的动态模型(Dfab)
Dfab包含描述调度派工过程的时序图和描述设备状态变换的状态图。FabSys的调度派工过程由时序图(图4)描述，FabSys的派工过程由静态类ProcessControl控制，首先获取加工区内空闲且近期没有维护计划的设备(getIdleEqps())，当加工区存在多个空闲设备时，则通过选择加工菜单最少的设备优先进行派工(chooseEquipments())，对于加工区内缓冲区内等待加工的硅片(getWaitingLots())，根据被选中设备的调度规则(getDispatchRule())为每卡等待工件就算优先级(getPriority())，从等待硅片中选出具有最高优先级的硅片 (chooseLotWithPriority())，将其分派给选中设备进行加工(Process())。分配加工是异步请求，因此无需等待该硅片加工完成即可继续为剩余空闲设备进行硅片分配。
设备的状态图(图5)具体展现硅片加工的细节，当硅片达到空闲设备时，首先检查设备当前加工工序和硅片待加工工序是否匹配(Lot.operation＝Eqp.operation)，如果匹配直接进入就绪状态，如果不匹配，进行加工工序切换(ChangeOperation())后进入就绪状态。当设备就绪，则将硅片移入设备(MoveIn())进行加工，直到完成该工序加工时间，将硅片则移出设备(MoveOut())，设备重新回到空闲状态。当设备到达保养时间则进行保养(Maintain())，进入保养(Maintaining)状态，无法对保养状态的设备进行派工，当保养结束则恢复空闲(Idle) 状态。
(3)FabSys的调度环境向量(Xse,fab)
FabSys的调度优化问题是典型的非零初始状态调度问题，FabSys的调度环境(例如在制品在各个加工区的分布，各个加工区的设备状态等)直接影响到优化调度的结果和性能。 FabSys的调度环境通过向量Xse,fab描述，在表4中总结出一组变量描述FabSys的调度环境，其中下标X∈{5,6}表示硅片型号为5英寸或者6英寸，下标WA∈work_areas表示加工区。可将Xse,fab的分量分为生产线调度环境变量和加工区调度环境变量。如表4和表5所示。
表3定义表4和表5中的参数：
①生产线调度环境变量
生产线调度环境变量包含：***中当前在制品数量、***中在制品分类数量、***中紧急工件数量、***中紧急工件所占比例、***中当前可用设备数量、***中瓶颈设备数量、瓶颈设备所占比例、***中工件从当前时刻到理论交货期的平均剩余时间、***中工件从当前时刻到理论交货期的剩余时间标准差以及***加工产能比等。
②加工区调度环境变量
加工区调度环境变量考虑如下属性：各加工区中在制品数量、各加工区中的在制品数占总在制品数的比例、各加工区加工产能比、各加工区可用设备数量、各加工区瓶颈设备数量、各加工区瓶颈设备占该区可用设备的比例等。
表4生产线调度环境变量
表5加工区调度环境变量
(4)FabSys的调度方法模块(candidate_rule)及调度方法设置编码规则(Xruleset)
由OOSMfab的动态模型Dfab可知，FabSys根据相应的调度规则，选择具有最高优先级的工件分配给空闲设备进行加工，从而生成调度方案，优化调度性能。在不同的调度环境下，针对不同调度目标，所采用的调度规则设置方式有所不同；同时，设备组因其工艺特性的需求不同可供选择的调度规则库也不同，能否合理选取调度策略对该生产调度周期结束后的生产线性能指标产生重要影响。OOSMfab按加工区设置实时调度规则，令candidate_ruleWA为加工区WA可选调度规则集合，XruleDF∈candidate_ruleWA表示加工区WA所采用的调度规则。规则设置向量Xruleset＝(XruleDF，XruleIM，XruleEP，XruleLT，XrulePE，XrulePC，XruleTF，XruleWT)表示各加工区实时调度规则的设定。表7中给出了实时调度规则集(candidate_rule)。candidate_rule在OOSMfab中以Method的方式实现。
此外，订单的投料策略对性能指标也会产生影响，记为release。主要研究FabSys短调度周期内的调度问题，因此Xruleset中没有考虑投料策略。投料策略默认采用固定投料策略 (Constant WIP，CONWIP)，即release＝CONWIP。
表6表7中用到的参数定义如下：
| P<sub>i</sub> | 工件i的调度优先级 |
| D<sub>i</sub> | 工件i的交货期 |
| F<sub>i</sub> | 工件i的生产周期倍增因子 |
| Q<sub>i</sub> | 工件i所属产品的目标WIP值 |
| N<sub>i</sub> | 工件i所属产品的当前WIP值 |
| PT<sub>in</sub> | 工件i加工第n道工序的时间，包括等待时间 |
| AT<sub>i</sub> | 工件i进入缓冲区的时刻 |
| CR<sub>ik</sub> | 工件i将要加工第k工序时的临界值 |
| OD<sub>ik</sub> | 工件i将要加工第k工序时的决策值 |
| RP<sub>i</sub> | 工件i的计划剩余可加工时间 |
| NQ<sub>i</sub> | 工件i待加工工序的下一道工序的设备前等待加工工件数量 |
| Now | 当前决策时刻 |
| AWT<sub>ik</sub> | 工件i的加工完成第k工序后的等待时间 |
| SPT<sub>i</sub> | 工件i的入线时间 |
| RPT<sub>ik</sub> | 工件i当前已用加工的总时间，包括等待时间 |
| TRPT<sub>ik</sub> | 工件i第k工序后的剩余净加工时间 |
| ProTime<sub>ik</sub> | 工件i加工在设备k上加工当前工序所用加工时间 |
表7实时调度规则
(5)FabSys的调度性能指标(Pfab)
FabSys的调度性能指标是对FabSys调度方案的评价依据，可以分为两类,一类是短期性能指标，如在制品数量、总移动量、平均移动量、设备利用率.另一类是长期性能指标，如平均加工周期、准时交货率。具体定义如下：
在制品水平(WIP)：生产线上所有未完成加工的工件数。生产线在制品水平应尽量与期望目标一致，太少会使设备处于空闲，不能很好地利用产能，太大则导致加工周期变长影响交货期。
生产率(Productivity,Prod)：单位时间内生产线完工的工件数。生产率越高，单位时间内完成的工件数越多，设备利用率则越高，有助于缩短加工周期。
加工周期(Cycle Time，CT)：一个原始工件进入加工***，到作为一个成品离开加工***所消耗的时间。
设备利用率(Machine Utility，Utility)：设备处于加工状态的时间占其开机时间的比率。一般来说，设备利用率与WIP数量有关，WIP数量越高，设备利用率越高；但是当WIP 数量饱和时，再增加WIP数量，设备利用率也不会提高。
总移动量(Movement,Mov)：所有工件在单位时间内移动的总步数。总移动量越高，说明生产线完成的加工任务数越高，生产线的总移动量越多，设备利用率也越高。
平均移动量(Turn)：单位时间内一个工件的平均移动步数。移动速率越高，表明生产线的流动速率越快，有助于缩短平均加工周期越短。
准时交货率(On-time Delivery Rate，ODR)：准时交货的工件占完成加工工件的百分比。
将上述性能指标的集合记为Pfab。
(6)FabSys的功能模型(Ffab)
综上对调度环境(Xse)、调度方法设置编码(Xruleset)、性能指标的定义(Pfab)，令调度周期T＝12h，容易得到OOSMfab的功能模型。
Ffab＝{Ypi＝fpi(Xse,fab,Xruleset)|pi∈Pfab}。
(7)FabSys的数据模型
通过在线数据可以构造出FabSys的数据模型从而获取生产线建模所需的信息，其中在线静态数据反应了FabSys的静态属性，工艺流程信息和产品规格信息分别定义了工件的加工路径和产品类型，设备加工能力信息和加工区域布局信息定义了生产线的加工能力和设备分组布局。在线动态数据则反应了FabSys的调度环境，包括工件状态和设备状态。由ORM映射可实现动态加载在线数据模型构造仿真模型OOSMfab的对象模型。在线数据模型由表OOSMfab表2-6 定义，FabSys的调度环境变量集Xse,fab中变量值可从表8定义的数据获取。
表8 FabSys的在线数据模型
OOSMfab通过设置实时调度规则和生产计划策略，指定调度周期，并通过仿真模型运作可生成如表9所示的投料计划和派工方案，OOSMfab运行结果的性能指标集Pfab中定义的性能指标值可从表9定义的数据中获取。表8和表9中所定义数据模型的实体关系图如图6所示。
FabSys的离线历史数据记录了FabSys的实际运作过程，从这些历史数据中可以提炼出设备加工时间等不确定参数，设备维护、设备故障、紧急订单等不确定事件的和CT,WIP等性能指标的预测模型，进一步提高OOSMfab的建模精度与调度效果。表8列出了FabSys可用作构造不确定参数和事件预测模型的离线历史数据。
表9 OOSMfab生成数据
表10 FabSys的离线历史数据
(8)FabSys的历史状态数据分析，以在制品分布为例
为了分析Xse,fab中变量的统计特性，对各加工区在制品分布进行数据分析。对FabSys的 MES***1月1日-5月10日的四个多月在线动态数据，以4小时一次的频率进行抽样，抽取各个加工区的在制品分布WIPWA，并计算在制品分布的Pearson相关系数矩阵和并对每个加工区的在制品分布进行Kolmogorov-Smirnov检验,得到表11和表12所示的结果。
表11各加工区在制品分布Pearson相关系数矩阵
表12各加工区在制品分布Kolmogorov-Smirnov检验
| WIP<sub>DF</sub> | WIP<sub>IM</sub> | WIP<sub>EP</sub> | WIP<sub>LT</sub> | WIP<sub>PE</sub> | WIP<sub>PD</sub> | WIP<sub>TF</sub> | WIP<sub>WT</sub> | |
| P值 | <0.05 | <0.05 | <0.05 | <0.05 | <0.05 | <0.05 | 0.07 | <0.05 |
由表11结果可知，加工区的在制品分布的之间有较强的线性耦合，尤其是上下游加工区之间的耦合更强，光刻区的在制品分布和其他加工区的在制品分布的耦合性尤其突出。由表 12的检验结果可知，除了WIPTF之外的其余加工区在制品分布变量的P值小于0.05，因此这些在制品分布均不服从正态分布。虽然WIPTF服从正态分布，但其P值接近0.05，WIPTF服从正态分布的置信度不高。造成这样结果的原因一方面是FabSys制造过程固有的复杂性，还有一方面，企业信息***中的数据由于人工操作失误等原因包含噪声。
为了对高耦合，分布复杂的数据进行数据数据预处理和数据挖掘，提出了基于计算智能的数据预处理和数据建模方法，通过迭代的方式提高数据预处理质量和数据挖掘的泛化能力。
FabSys的数据驱动预测模型
(1)FabSys数据驱动模型参数预测模型
FabSys数据驱动模型参数预测模型直接从FabSys的离线历史数据中学习获取，并通过在线动态数据驱动。以硅片加工时间为例，可利用加工历史记录，通过最小二乘法求出第i 个影响因素的系数αi(α0为常数项)构造线性回归模型。
为设备编号为eqp_id的设备，且当前加工工序为op的加工时间的估计值，durationop为设备保持当前加工工序的持续时间 (如durationop＝0，则还需考虑工序切换整定时间)，lot.wafer_count为当前加工一卡硅片中包含的硅片数，为设备编号为eqp_id的设备前三次加工工序op所耗费的时间。对于OOSMfab中的不确定参数和事件，均在OOSMfab运行之前预测得到，从而可提高OOSMfab运行结果的准确性。FabSys数据驱动模型参数预测建模方法如图5所示。
(2)FabSys数据驱动性能预测模型
对于FabSys这样的大规模复杂制造***，通过OOSMfab在线仿真获取性能指标是一个耗时的过程。基于数据的性能指标预测建模方法可以快速响应，获取性能指标预测值。因此在模型层中，引入了基于数据的性能指标预测模型。整体概况如图5所示，通过大量离线仿真生成离线性能指标仿真数据，再从这些数据中进行数据挖掘，即可获取性能指标预测模型。
性能指标预测模型可分为全局性能指标和局部性能指标预测模型。根据仿真时间(或预测周期)可分为实时(预测周期以时记)性能指标预测模型，短期(预测周期以日记)性能指标预测模型和长期(预测周期以周记)性能指标预测模型。当预测周期以时计，则全局性能指标变化不明显，主要关注局部短期性能指标预测模型。当预测周期以周记，则主要关注全局长期性能指标。当预测周期以日记，则需要兼顾全局短期性能指标和局部短期性能指标。此外，对于不同的预测模型，影响因素也不同，对预测周期以日记的全局性能指标预测模型，需要考虑Xse,fab和Xruleset的取值，对于当预测周期以周记的长期全局性能指标预测模型，还需要考虑制造***中的不确定因素和投料策略release。而对于预测周期较短的局部性能指标预测模型，影响因素可以通过特征选择算法从Xse,fab和Xruleset中选取若干维得到。
图5以日为预测周期的性能指标预测模型为例，预测制造***设备平均利用率。影响因素主要FabSys的初始调度环境即Xse,fab的取值及各加工区所采用的调度规则即Xruleset取值。可以从大量的离线仿真生成的离线仿真性能指标中学习出性能指标预测模型fUtility得到Utility 的预测值。
(3)FabSys数据驱动自适应调度模型
由于FabSys规模较大，通过在线优化的方法选择出优化的调度方案非常耗时，为了能在线针对需要优化的性能指标做出快速优化调度决策，可采用离线优化的方法优化性能指标，生成离线仿真优化调度决策数据并对其进行数据挖掘，构造自适应调度模型。可以直接对应需要优化的调度性能指标根据当前调度环境做出派工决策，具体方法如图5所示。
和性能指标预测问题不同，自适应调度模型在离线优化阶段针对性能指标进行优化，优化目标可以是单性能指标或多性能指标。在FabSys中，对各个加工区的调度规则进行编码，通过穷举搜索或者启发式搜索的方式，优化性能指标。得到优化的各加工区调度规则组合，保存为离线仿真优化调度决策数据。由于优化调度方案是个决策组合，因此，可以将最终自适应优化调度决策问题分解为若干个分类问题，即对各个加工区的调度规则构造分类模型，必要时对分类模型进行特征选择。在需要实时派工时，使用制造***调度环境驱动各加工区的自适应调度模型，选择优化调度规则。
实施例二
一种采用实施例一中公开的半导体生产线基于联邦学习机制的调度建模方法的半导体生产线，所述生产线包括多个生产设备，以及与多个所述生产设备驱动连接的控制器，所述控制器采用了半导体生产线基于联邦学习机制的调度建模方法建立的调度建模***。
本发明工作原理：
如图1～图9所示，针对传统建模优化方法的局限性，通过引入基于数据的调度方法可以对其进行有效改进。基于数据复杂制造***的调度***对传统调度方法的不足和局限，利用制造***中和调度相关的数据对复杂制造***的调度问题进行全面的支持。
以上具体实施方式是对本发明提出的方案思想的具体支持，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在本技术方案基础上所做的任何等同变化或等效的改动，均仍属于本发明技术方案保护的范围。
Claims (10)
1.一种半导体生产线基于联邦学习机制的调度建模方法，其特征在于：
基于预获取的半导体生产线的生产需求，将生产需求生成调度问题，对调度问题进行分析和求解；根据分析与求解的信息进行调度建模和调度优化；包括以下步骤，
步骤S1，复杂制造数据预处理，建立数据层；
步骤S2，基于数据的调度建模，建立模型层；
步骤S3，基于数据的调度优化，建立数据处理与分析模块；
步骤S4，基于生产计划与实时派工信息建立调度方法模块。
2.根据权利要求1所述的一种半导体生产线基于联邦学习机制的调度建模方法，其特征在于：步骤S1中，数据层通过数据接口与数据源交互连接，通过企业中的信息***获取数据参数，或/和通过企业中的数据源模拟制造***运作过程的仿真模型离线运行获取生成的离线仿真数据，离线仿真数据包括离线仿真性能指标数据和离线仿真优化调度决策数据；根据获取的数据源汇总预处理形成数据库，所述数据库包括离线历史数据模型、在线静态数据模型、在线动态数据模型、学习样本数据模型。
3.根据权利要求2所述的一种半导体生产线基于联邦学习机制的调度建模方法，其特征在于：步骤S1中，所述离线历史数据模型包括工件加工历史信息、产品历史生产信息、设备历史加工信息、设备维护信息、设备故障信息中的一种或多种；
在线静态数据模型和在线动态数据模型组成在线数据模型，所述在线静态数据模型包括产品订单信息、产品工艺流程信息、设备加工能力信息和设备布局信息中的一种或多种；所述在线动态数据模型包括设备状态信息或/和WIP状态信息。
4.根据权利要求3所述的一种半导体生产线基于联邦学习机制的调度建模方法，其特征在于：
在线数据模型包括设备信息、加工区信息、工序信息、设备加工菜单信息、工艺流程信息、流程的工步信息、订单信息、工件信息中的一种或多种；
设备的定义包括设备标识信息、当前处理的加工菜单信息、当前加工的工件信息、当前设备所在的加工区信息、设备描述属性信息；
加工区的定义包括设备所在加工区信息和若干个加工区描述属性信息；
工序的定义包括工序标识信息和若干个工序描述属性信息；
设备加工菜单的定义包括加工菜单标识信息、菜单所属设备信息、菜单处理工序信息、加工菜单描述属性信息；
工艺流程的定义包括工艺流程标识信息、工艺流程描述属性信息；
流程的工步的定义包括工步标识信息、工步所属工艺流程信息、工步处理的工序信息、工步在工艺流程中的位置信息；
订单的定义包括表示订单标识信息、订单所需的工艺流程信息、订单程描述属性信息；
工件的定义包括工件标识信息、工件所属订单信息、正在加工工件的设备信息、工件所在加工区信息、工件当前加工工步信息或下一工步信息、工件描述属性信息。
5.根据权利要求4所述的一种半导体生产线基于联邦学习机制的调度建模方法，其特征在于：离线历史数据模型包括设备历史运行信息和工件运行历史信息；设备历史运行信息的定义包括设备标识信息、设备所处状态信息、状态开始时间信息、状态结束时间信息、状态描述属性信息；工件运行历史信息的定义包括工件标识信息、工件所处状态信息、状态开始时间信息、状态结束时间信息、状态描述属性信息；学习样本数据模型是构造数据驱动模型的基础，包括不确定因素样本数据模型为关系模式集合、性能指标预测样本数据模型、自适应调度样本数据模型为关系模式集合。
6.根据权利要求5所述的一种半导体生产线基于联邦学习机制的调度建模方法，其特征在于：模型层中包括制造***面向对象模型和数据驱动预测模型；
所述制造***面向对象模型为面向对象仿真模型，所述制造***面向对象模型包括制造***对象模型、制造***动态模型、制造***功能模型；
所述数据驱动预测模型由参数预测模型、性能指标预测模型和自适应调度模型构成；所述数据驱动预测模型包含不确定因素估计模型、性能指标预测模型、自适应调度模型。
7.根据权利要求6所述的一种半导体生产线基于联邦学习机制的调度建模方法，其特征在于：制造***对象模型包括设备对象、加工区对象、工序对象、加工菜单对象、工艺流程对象、工步流程对象、订单对象、工件对象。
8.根据权利要求7所述的一种半导体生产线基于联邦学习机制的调度建模方法，其特征在于：所述调度方法模块的生产计划模块包括生产计划方法集和生产调度方法集，实时派工模块包括元启发式搜索方法集。
9.根据权利要求8所述的一种半导体生产线基于联邦学习机制的调度建模方法，其特征在于：数据处理与分析模块包括抽取转换加载方法集、对象关系映射规则集、数据预处理方法集、预测建模方法集、元启发式优化方法集中的一种或多种。
10.一种采用权利要求1～9中任一权利要求所述的半导体生产线基于联邦学习机制的调度建模方法的半导体生产线，其特征在于：所述生产线包括多个生产设备，以及与多个所述生产设备驱动连接的控制器，所述控制器采用了半导体生产线基于联邦学习机制的调度建模方法建立的调度建模***。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110187641.2A CN113050553A (zh) | 2021-02-18 | 2021-02-18 | 半导体生产线基于联邦学习机制的调度建模方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110187641.2A CN113050553A (zh) | 2021-02-18 | 2021-02-18 | 半导体生产线基于联邦学习机制的调度建模方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113050553A true CN113050553A (zh) | 2021-06-29 |
Family
ID=76509330
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110187641.2A Pending CN113050553A (zh) | 2021-02-18 | 2021-02-18 | 半导体生产线基于联邦学习机制的调度建模方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113050553A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114202070A (zh) * | 2021-11-23 | 2022-03-18 | 国网北京市电力公司 | 电力数据处理方法、装置、非易失性存储介质及处理器 |
| CN114926075A (zh) * | 2022-06-02 | 2022-08-19 | 西安电子科技大学 | 基于工时预测的机械零件生产调度方法 |
| CN115577576A (zh) * | 2022-12-08 | 2023-01-06 | 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***及方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6889178B1 (en) * | 1997-10-01 | 2005-05-03 | Sony Corporation | Integrated wafer fabrication production characterization and scheduling system |
| WO2017103996A1 (ja) * | 2015-12-15 | 2017-06-22 | 株式会社日立製作所 | 生産計画立案装置、及び生産計画立案方法 |
| CN108829052A (zh) * | 2018-05-31 | 2018-11-16 | 同济大学 | 一种半导体生产线cps环境下的调度优化方法及装置 |
| CN109375601A (zh) * | 2018-11-13 | 2019-02-22 | 华中科技大学 | 基于数据驱动建模与仿真优化的流水线规划方法及设备 |
| CN110262410A (zh) * | 2019-05-17 | 2019-09-20 | 同济大学 | 一种数据驱动的生产线设备调配控制方法 |
| US20200202243A1 (en) * | 2019-03-05 | 2020-06-25 | Allegro Artificial Intelligence Ltd | Balanced federated learning |
| CN111857065A (zh) * | 2020-06-08 | 2020-10-30 | 北京邮电大学 | 基于边缘计算和数字孪生的智能生产***和方法 |
| CN112270508A (zh) * | 2020-11-25 | 2021-01-26 | 东北大学 | 一种满足个性化定制生产的数字孪生智慧云调度方法 |
| CN112308240A (zh) * | 2020-11-02 | 2021-02-02 | 清华大学 | 基于联邦学习的边缘侧机器协同与优化的*** |
| CN112327621A (zh) * | 2020-11-02 | 2021-02-05 | 金航数码科技有限责任公司 | 一种基于蚁群算法的柔性生产线自适应控制***及方法 |
-
2021
- 2021-02-18 CN CN202110187641.2A patent/CN113050553A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6889178B1 (en) * | 1997-10-01 | 2005-05-03 | Sony Corporation | Integrated wafer fabrication production characterization and scheduling system |
| WO2017103996A1 (ja) * | 2015-12-15 | 2017-06-22 | 株式会社日立製作所 | 生産計画立案装置、及び生産計画立案方法 |
| CN108829052A (zh) * | 2018-05-31 | 2018-11-16 | 同济大学 | 一种半导体生产线cps环境下的调度优化方法及装置 |
| CN109375601A (zh) * | 2018-11-13 | 2019-02-22 | 华中科技大学 | 基于数据驱动建模与仿真优化的流水线规划方法及设备 |
| US20200202243A1 (en) * | 2019-03-05 | 2020-06-25 | Allegro Artificial Intelligence Ltd | Balanced federated learning |
| CN110262410A (zh) * | 2019-05-17 | 2019-09-20 | 同济大学 | 一种数据驱动的生产线设备调配控制方法 |
| CN111857065A (zh) * | 2020-06-08 | 2020-10-30 | 北京邮电大学 | 基于边缘计算和数字孪生的智能生产***和方法 |
| CN112308240A (zh) * | 2020-11-02 | 2021-02-02 | 清华大学 | 基于联邦学习的边缘侧机器协同与优化的*** |
| CN112327621A (zh) * | 2020-11-02 | 2021-02-05 | 金航数码科技有限责任公司 | 一种基于蚁群算法的柔性生产线自适应控制***及方法 |
| CN112270508A (zh) * | 2020-11-25 | 2021-01-26 | 东北大学 | 一种满足个性化定制生产的数字孪生智慧云调度方法 |
Non-Patent Citations (6)
| Title |
|---|
| FILE_SHARER上传: "基于数据的复杂制造***调度体系结构及其关键技术研究", 《HTTPS://WWW.DOCIN.COM/P-1112490879.HTML》 * |
| LI LI: "A review of applications in federated learning", 《COMPUTERS & INDUSTRIAL ENGINEERING》 * |
| 乔非等: "生产计划调度发展研究", 《2012-2013控制科学与工程学科发展报告》 * |
| ***等: "基于数据的复杂制造***调度", 《第23届过程控制会议论文集》 * |
| ***等: "基于数据的复杂制造过程调度", 《自动化学报》 * |
| ***等: "数据驱动下的半导体生产线动态调度方法", 《控制理论与应用》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114202070A (zh) * | 2021-11-23 | 2022-03-18 | 国网北京市电力公司 | 电力数据处理方法、装置、非易失性存储介质及处理器 |
| CN114926075A (zh) * | 2022-06-02 | 2022-08-19 | 西安电子科技大学 | 基于工时预测的机械零件生产调度方法 |
| CN114926075B (zh) * | 2022-06-02 | 2024-06-07 | 西安电子科技大学 | 基于工时预测的机械零件生产调度方法 |
| CN115577576A (zh) * | 2022-12-08 | 2023-01-06 | 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***及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Papadopoulos et al. | A classification and review of timed Markov models of manufacturing systems | |
| CN113050553A (zh) | 半导体生产线基于联邦学习机制的调度建模方法 | |
| Johri | Practical issues in scheduling and dispatching in semiconductor wafer fabrication | |
| Mönch et al. | Production planning and control for semiconductor wafer fabrication facilities: modeling, analysis, and systems | |
| CN100416577C (zh) | 用于掩模版的智能自动化管理的方法和*** | |
| Vargas-Villamil et al. | A hierarchical approach to production control of reentrant semiconductor manufacturing lines | |
| Kim et al. | Simplification methods for accelerating simulation-based real-time scheduling in a semiconductor wafer fabrication facility | |
| EP1072967A2 (en) | Computer integrated manufacturing techniques | |
| JP2004094900A (ja) | 生産計画作成システム及び方法、並びにプログラム | |
| CN103310285A (zh) | 可用于半导体生产线动态调度的性能预测方法 | |
| US7623936B1 (en) | Determining scheduling priority using queue time optimization | |
| JP2000077289A (ja) | 製造予測管理システム | |
| CN115577576B (zh) | 一种半导体工厂的动态虚拟组线仿真***及方法 | |
| US7257502B1 (en) | Determining metrology sampling decisions based on fabrication simulation | |
| Yang et al. | A lean production system design for semiconductor crystal-ingot pulling manufacturing using hybrid Taguchi method and simulation optimization | |
| CN106327053B (zh) | 一种基于多模式集合的纺织工艺推荐模型的构建方法 | |
| CN116739318B (zh) | 实现半导体光刻机台负载均衡方法、设备以及存储介质 | |
| Pearn et al. | Due-date assignment for wafer fabrication under demand variate environment | |
| Kopanos et al. | Advanced production scheduling in a seagate technology wafer fab | |
| Piplani et al. | Simplification strategies for simulation models of semiconductor facilities | |
| Ramírez-Hernández et al. | A simulation-based approximate dynamic programming approach for the control of the intel mini-fab benchmark model | |
| Lendermann et al. | Scheduling and simulation in wafer fabs: competitors, independent players or amplifiers? | |
| Li et al. | Data-driven scheduling of semiconductor manufacturing systems | |
| Lee et al. | Multi-objective production scheduling of probe process in semiconductor manufacturing | |
| Li et al. | Data-Driven Scheduling Framework of Semiconductor Manufacturing System |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210629 |