JP2004503837A - 工場のトラフィック監視及び解析システム及び方法 - Google Patents
工場のトラフィック監視及び解析システム及び方法 Download PDFInfo
- Publication number
- JP2004503837A JP2004503837A JP2000578784A JP2000578784A JP2004503837A JP 2004503837 A JP2004503837 A JP 2004503837A JP 2000578784 A JP2000578784 A JP 2000578784A JP 2000578784 A JP2000578784 A JP 2000578784A JP 2004503837 A JP2004503837 A JP 2004503837A
- Authority
- JP
- Japan
- Prior art keywords
- time
- predicted value
- variation
- factory
- service time
- 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.)
- Withdrawn
Links
Images
Classifications
-
- 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
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C3/00—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
-
- 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]
-
- 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
- Y02P90/80—Management or planning
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Complex Calculations (AREA)
- General Factory Administration (AREA)
Abstract
工場のトラフィック密度及びトラフィック変動の実時間監視と、工場における輻輳及びリードタイムの予測との両方に用いられる工場のトラフィック監視及び解析システム(30,32,34)及び方法である。記述的及び規範的情報を提供することにより、工場の生産性を向上させることができる。実生産能力及び潜在的な生産能力が制限されるステーション又はトラフィック変動の大きいステーションが識別され、識別された工場内のステーションにおける生産能力を増加させるか、又は、変動を減少させることにより、製品の生産高を増加させ、リードタイムを短くすることができる。
Description
【0001】
本発明の関連出願
本出願は、1998年10月26日に出願された米国仮特許出願番号60/105,590号及び1999年10月22日に出願された米国特許出願に基づいて優先権を主張するものである。
【0002】
発明の背景
本発明は、一般的には、工場のトラフィック監視及び解析システム及び方法に関し、特に、工場のトラフィック密度(traffic intensity)及びトラフィック変動(traffic variability)の実時間監視と、工場における輻輳(congestion)及びリードタイム(lead time)の予測(predictor)との両方に用いられる工場のトラフィック監視及び解析システム及び方法に関する。
【0003】
製造のリードタイム、製品の生産高(product output)等によって計られる工場の生産性(factory performance)は、トラフィック変動及びトラフィック密度によって大きく変化する。これは周知の事実であるが、最大限に向上させるためには、工場内のどの箇所の製造リードタイムを短くして製品の生産高を増加させる努力を注ぐかを定めることは、多くの場合、困難である。製造技術者たちは、処理のためにジョブが到着する時間及び実質的な処理時間(processing time)の変動が大きいと見なされる負荷が重い装置は、通常、生産性が低いことを表し、これは、サイクルタイム(cycle time)が長く、仕掛かり在庫(in−process inventories)が多いことによって判定することができることを指摘してきた。この現象は、待ち行列(ウェイティングライン)理論の結果を用いて、解析的に説明される。しかしながら、この説明は、製造における生産性を管理及び予測するのには、全く不十分なものであった。したっがって、製造における生産性を管理及び予測するために、改善されたシステムを提供することが望まれている。
【0004】
発明の開示
したがって、本発明は工場のトラフィック監視及び解析システム及び方法を改善することを目的とする。
【0005】
また、本発明は、工場のトラフィック密度及びトラフィック変動の実時間監視と、工場における輻輳及びリードタイムの予測との両方に用いられる工場のトラフィック監視及び解析システム及び方法を改善することを目的とする。
【0006】
さらに、本発明は、工場の生産性を向上させるために、記述的及び規範的情報を提供する工場のトラフィック監視及び解析システム及び方法を改善することを目的とする。
【0007】
また、本発明は、実生産能力及び潜在的な生産能力を制限されるステーション又はトラフィック変動の大きいステーションを識別し、識別された工場内のステーションにおける生産能力を向上させるか、または、変動を減少させることにより、製品の生産高及びを増加させ、製造のリードタイムを短くすることのできる工場のトラフィック監視及び解析システム及び方法を改善することを目的とする。
【0008】
本発明のさらなる目的及び効果は、詳細な説明及び図面から明らかにされる。
【0009】
本発明に係る工場のトラフィック監視及び解析システム及び方法は、工場のトラフィック密度及びトラフィック変動の実時間監視と、工場における輻輳及びリードタイムの予測の両方に用いることができる。本発明に係る工場のトラフィック監視及び解析システム及び方法は、記述的及び規範的情報を提供し、これにより、工場の生産能力が向上する。本発明に係る工場のトラフィック監視及び解析システム及び方法により、実生産応力及び潜在的な生産能力が制限されるステーション及び変動係数の大きいステーションを識別することができる。工場内の識別されたステーションにおける生産能力を向上させるか、または、変動を減少させることにより、製品の生産高を増加させ、製造のリードタイムを短縮させることができる。
【0010】
生産システム又は入力の変化が見込まれる又は望まれる場合、本発明に係る工場のトラフィック監視及び解析システム及び方法は、これらの変化が完全に承認され、装置及びマンパワーが採用される前に、これらの変化が工場の生産性にどれくらい影響を及ぼすかを少なくとも大まかに予測することができる。したがって、本発明に係る工場のトラフィック監視及び解析システム及び方法は、工場の操作者に記述的及び規範的情報を提供する。
【0011】
したがって、本発明は、複数のステップ及びこれらのステップうちの1又は複数のステップとその他のステップとの組み合わせ、及び、これらのステップを実現するために適用された構成、要素の組み合わせ及び部品の配置を特徴とする装置からなり、これらを、以下の詳細な説明において具体的に説明する。
【0012】
好ましい実施例の詳細な説明
本発明に係る工場のトラフィック監視及び解析システム及び方法における経験的(empirical)及び解析的(analytical)モデル要素(model element)は、生産性の測定値(サイクルタイム及び仕掛品(work in−process:WIP)と、安定状態の待ち行列ネットワークモデル(steady−state queuing network models)で得られるトラフィックパラメータ(到着時間間隔(interarrival time)とサービス時間(service time)の平均値及び変動(variance))との関係に基づいている。
【0013】
まず、2つの重要な関係を、図1を参照して説明する。図1は、単一のサーバ10と、複数の到着ジョブ(arriving jobs 、ジョブの到着ストリーム)14からなる単一の待ち行列12とを示す図である。すなわち、待ち行列12は、処理待ち状態にあるジョブの格納空間として機能する。到着ジョブ14は、待ち行列12からその到着順にサービスを受け、到着した時には、待ち行列12の到着端に付け加えられる。このようなシステムは、リトルの公式(Little’s Law)として知られる基本的関係によって説明される。リトルの公式は、待ち行列の平均長(mean ocupancy、サービス中のジョブ又はサービス待ちのジョブの数)Lは、ジョブの到着率(arrival rate)λとジョブの平均サイクルタイム(mean cycle time)Wとを掛け合わせたものと等しいことを、すなわちL=λ×Wを示している。リトルの公式は、平均待ちジョブ数と平均サイクルタイム間には正比例の関係があることを規定し、したがって、待ち行列の平均長は、平均サイクルタイムに到着率に等しい換算係数(scaling factor)を乗じた値と考えることができる。システムがいったん安定状態に達すると、到着率λも、退去率(departure rate)、すなわちスループット(throughput)となる。
【0014】
このようなシステムに関する第2の基本的関係は、キングマン拡散近似(Kingman diffusion approximation)として知られており、これを図2を参照して説明する。図2は、平均サービス時間(mean server time)とスループット間の関係を示す図である。スループットλは、トラフィック密度(traffic intensity)(平均到着時間間隔に対する平均サービス時間の比率)にサービス率(service rate)uを乗じた値である。トラフィック密度は、サービス率(又はサービス能力(service capacity))の測定値であり、待ち行列を長時間、安定に保つためには、1未満でなければならない。図2は、サービス能力(トラフィック密度にサービス率を乗じた値で測定される)と平均サイクルタイムの関係、ジョブ到着時間及びジョブサービス時間の変動と平均サイクルタイムの関係の両方を強調して示した図である。したがって、図2において、スループットをx軸とし、平均サイクルタイムをy軸としている。各曲線20,21は、生産能力(production capacity)として表されるこれら2つの変数間の関係を示しており、スループットと平均サイクルタイムのそれぞれの組合せにおいて、曲線21の生産能力は、曲線20の生産能力より大きい。
【0015】
また、図2に示すように、生産能力が曲線20によって表され、スループットと平均サイクルタイムが曲線20上のA点で交差しているときに、変動を減少させることによって、平均サイクルタイムも同様に減少し、生産能力は曲線21に移動するが、スループットは変化しない。そして、スループットと平均サイクルタイムは曲線21上のB点で交差する。したがって、スループットは変化しないが、変動及び平均サイクルタイムは減少する。同様に、平均サイクルタイムをA点のレベルに維持し、変動を同様に減少させると、生産能力も、曲線20から曲線21に移動する。しかし、サイクルタイムは短縮されなかったので、生産能力は増加し、平均サイクルタイムと生産能力は、曲線21上のC点にて交差する。したがって、変動を小さくすると、平均サイクルタイムは変化しないが、スループットは増加し、その結果、潜在的な能力(hidden capacity)を回復することができる(工場における製品の生産高を増加させる)。
【0016】
単純なシステムを参照して、図2の概念を説明したが、これらの概念は、各ステーション(station)が複数のサーバを有する待ち行列ネットワークを含むより複雑な待ち行列システムに対しても適用することができる。これらの関係から、製造工程においてサイクルタイムを短縮し、輻輳(congestion)を減少させるためには、トラフィック密度と、到着時間間隔及び処理時間の変動とを監視して、制御することが非常に重要であるということがわかる。トラフィック密度が高く、変動が大きいと、工場において輻輳が増える原因となる。しかしながら、生産能力を向上させるためには、制約となるステーション(constraint station)におけるスループットを増加させることが必要不可欠である。したがって、本発明に係る工場のトラフィック監視及び解析システム及び方法は、変動を減らすことによって潜在的な生産能力を回復させることができるであろう高変動のステーションのみならず、絶対的生産能力に等しいか又は近いステーション(いわゆる制約又はボトルネック)のステーションを対象として設計されたものである。
【0017】
次に、本発明に係る工場のトラフィック監視及び解析システム及び方法は、図3に示すように、データベース30(この好ましい実施例では、例えばマイクロソフト社のエクセルで書かれている)と、経験的モデル要素(empirical model element)32と,解析的モデル要素(analytical model element)34とから構成されている。動作において、到着時間間隔、処理時間及び保守時間(maintenance time)に関する実時間データは、既存の作業現場制御の製造実行システム(shop floor control Manufacturing Exceution System:MES)から収集される。収集されたデータは、多数のデータベース内に維持され、この好ましい実施例では、マイクロソフト社のエクセルにおけるスプレッドシートに書き込まれる。経験的モデル要素32は、これらのデータを演算して、ジョブの到着時間間隔とサービス時間の平均値及び変動の瞬時及び期間の予測値(point and interval estimate)を算出する。これらは、解析的モデル要素34に報告されて、解析モデル要素34の入力として機能し、解析モデル要素34は、長期間の輻輳及び生産能力の予測値を計算する。
【0018】
好ましい実施例において、本発明に係る工場のトラフィック監視及び解析システムは、アプリケーション用ビジュアルベーシックによって記述されたマクロを有するマイクロソフト社のエクセル形式の様々なデータベースを含んでいる。なお、他の実施例として、他のソフトウェアを用いてもよく、あるいは、工場のトラフィック監視及び解析システムをハードウエアによって実現してもよい。好ましい実施例では、例えば装置の種類が200、処理ルーチンの全体の組合せが65,000までのシリコンウェーハ製造(silicone wafer fabrication)をモデルとして取り扱うことができる。他のソフトウエアを用いることによって、取り扱える能力を高めることもできる。
【0019】
経験的モデル要素32は、装置サブタイプのレベル(level of equipment subtype)においてトラフィック密度及びトラフィック変動を監視するシステムとして機能するとともに、パラメータ予測方法(parameter estimation procedure)として機能する。パラメータの予測値は、解析的モデル要素34にエクスポートされる。製造工程において同一の機能を有する機械は、同一の装置サブタイプに分類される。好ましい実施例において、適切にモデル化するために、幾つかの装置の種類はさらに細分化される。同種類の装置であっても、機械の配置や品質に違いがあるときには、装置サブタイプと称されるサブセット(subset)に分類される。経験的モデル要素32において用いられる生データ(raw data)は、既存の作業現場制御のMESシステムから実時間で収集される。経験的モデル要素32の出力には、装置サブタイプ毎の、ジョブの到着時間間隔、処理時間、装置停止時間(equipment down time)及びサービス時間全体の平均値、標準偏差(standard deviations)及び変動係数(coefficient of variation)の瞬時及び/又は期間の予測値が含まれる。経験的モデル要素32は、装置サブタイプ毎に、ジョブの到着時間間隔、処理時間、装置停止時間及びサービス時間全体の平均値、標準偏差(standard deviations)及び変動係数の瞬時及び/又は期間の予測値を出力する。ジョブのサービス時間パラメータの瞬時予測値は、解析的モデル要素34にエクスポートされ、解析モデル要素34は、これらの値を用いて、ネットワークの性能及びステーション単位(station level)の性能を予測する。入力データは、実際の工場の状態に応じて継続的に更新され、これにより、システムによって提供される記述的(descriptive)及び規範的(prescriptive)情報は、常に、工場における最新の平均値に基づいている。
【0020】
経験的モデル要素32の出力データは、動的製造環境から得られる平均値を示していると考えられる。出力モデルから導き出される予測値は、実際の履歴データと照合され、実際に使用された場合の精度が確認される。解析の際には、装置サブタイプは、トラフィック密度と、到着時間間隔及びサービス時間の変動係数とによって、優先順位が付けられる。これらの値は、後述する公式を用いて算出される。トラフィック密度の値が0.8以上の装置サブタイプは、非常に負荷が重いと考えられ、したがって、潜在的な生産能力を制限する工程であると考えられる。トラフィック密度の値が0.5以上、0.8未満の装置サブタイプは、適度の負荷がかかっていると考えられ、トラフィック密度の値が0.5未満の装置サブタイプは、負荷が軽いと考えられる。1以上の変動係数は大きく、0.5以上、1未満の変動係数は標準であり、0.5未満の変動係数は小さいと考えられる。
【0021】
それぞれの装置をサブタイプに分類した後、特定の装置サブタイプにフラグ(flag)を付けることができ、その結果、その装置をより注目して、より詳細に調べることができる。負荷が重く、変動係数が大きい装置サブタイプは、製造工程において特に問題となる箇所である。製造工程において、最大限の生産能力を引き出すためには、制約となる処理、すなわちボトルネックとなる処理において、特に到着時間間隔の変動係数を最小にすることが重要である。到着時間間隔の変動係数が大きいと、製造工程中、ある特定の処理工程及び装置においてジョブが不足し、その結果、スループットや生産能力が低下することが多い。
【0022】
負荷が適度であるか又は軽い装置サブタイプにおいては、変動は処理工程毎に異なるため、特に処理時間の変動に影響を与える内部原因を除去することが重要である。すなわち、処理時間の変動は、下流の処理工程において、到着時間の変動となる。制約とならない、すなわちボトルネックとならない処理によって、生産能力が直接低下することはないが、処理時間の変動が大きい装置サブタイプが制約となる処理を行うときは、生産能力が低下する可能性がある。内部の変動は、セットアップ(setup)、バッチング(batching)、保守(定期保守及び計画外保守)、製品の歩留り及びジョブの優先順位等の様々な原因から生ずる。トラフィック密度及び変動係数に応じて装置サブタイプに優先順位を付けることにより、本発明を適用した工場のトラフィック監視及び解析システム及び方法は、どの箇所で変動を減少させれば、生産性を向上させることができるかを識別することができる。
【0023】
経験的モデル要素32の処理の間、各々の装置サブタイプにおけるロット到着(lot arrivals)、処理時間及び保守に関する実時間データが収集される。例えば、実時間データは、1週間にわたり、1日に複数回収集される。そして、標準的な統計理論(standard statistical theory)を用いて、平均値と、標準偏差と、到着時間間隔、処理時間及び保守操作の平均値の信頼期間(cofidence intervals)が予測される。そして、これらの予測値を用いて、各装置の平均サービス時間の予測値が算出さる。平均サービス時間は、各ロット(lot)によって装置が占有されている時間の総和の予測値として定義される。したがって、平均サービス時間は、セットアップ時間と、セットアップ外の時間と、短い保守時間とを含んでいる。好ましい実施例において、測定された処理時間は、セットアップ時間と、セットアップ外の時間とからなる。したがって、処理時間と短い保守時間をからなるサービス時間の予測値は、以下に述べるようにして、求められる。
【0024】
まず、サービス時間の変動は、次の式を用いて求められる。
【0025】
【数7】
【0026】
ここで、特定の装置サブタイプにおけるE〔S〕はサービス時間の予測値、E〔P〕は処理時間の予測値、E〔M〕は保守時間の予測値、V〔S〕はサービス時間の偏差の予測値、V〔P〕は処理時間の偏差の予測値、V〔M〕は保守時間の偏差の予測値、λlotsはロット到着率(lot arrival rate)の予測値、λmaintは保守率(maintenance rate)の予測値である。そして、サービス時間の予測値を用いて、トラフィック密度が予測される。データが収集されたサービス時間中の、負荷が重い装置サブタイプにおけるトラフィック密度の予測値、すなわち負荷率(loading factor)は、例えば図4のように示される。図4に示すグラフは、制約となる、すなわちボトルネックとなる装置を決定するために用いられる。時間をx軸上、負荷率をy軸としている。生産能力が制限される装置は時間とともに異なる可能性があるため、複数の装置サブタイプ42に対する予測負荷率が数日間に亘って記録される。図4に示す線40の各々は、各装置サブタイプにおける記録結果である。図4に示すグラフから、どの装置の負荷が重いか(負荷率が0.8より大きいか)を判定することができる。負荷率は、次式を用いて求められる。
【0027】
【数8】
【0028】
ここで、mは、装置サブタイプを構成する機械の数である。
【0029】
本発明に基づく次のステップでは、図4において負荷が重いと判定された各装置サブタイプと、これらの負荷が重いと判定された装置サブタイプの上流に位置する各装置サブタイプとの到着時間間隔の変動係数CVaが確認される。図5において、時間をx軸、到着時間間隔の変動係数(CV of Arrivals)CVaをy軸としている。図5に示すように、各装置サブタイプ52の線50及び上述の式から、到着時間間隔の変動係数CVaが大きく(>1.0)、負荷が重いと判定された装置サブタイプ52(図4)は、変動を減らすことにより、潜在的な生産能力を回復する可能性が高いことがわかる。図5の負荷が重いが、変動係数CVaが小さい装置サブタイプ(図4)は、その特定の装置サブタイプの変動を減らしても、潜在的な生産能力を回復する可能性が低いことがわかる。したがって、変動係数CVaが大きく、負荷が重い装置サブタイプに対して、変動を減らし、潜在的な生産能力を回復する努力を注ぐべきである。
【0030】
到着時間間隔の変動係数CVaが大きく、負荷が重い装置サブタイプにおける変動を減少させることにより、潜在的な生産能力を回復することができる。潜在的な生産能力は、製造ライン(manufacturing line)のいわゆるボトルネックにおいて回復されるので、製造できる製品の数、すなわち製造ラインのスループットを増大させることができる。したがって、同じリードタイムで、新しい装置を追加せずに、製品の生産高を増加させることができる。
【0031】
製造工程の上流における装置のサービス時間の変動係数CVSが大きいと、到着時間間隔の変動係数CVaも大きくなることが多い。負荷が重い装置サブタイプの上流において、作業方法(work method)、処理時間又は保守回数が大きく変化すると、上流におけるサービス時間の変動係数CVSも大きくなり、その結果、下流おける到着間隔の変動係数CVaが大きくなる。図6は、サービス時間の変動が大きい装置サブタイプ62を示し、各線60は、各装置サブタイプ62の上述した式を用いて算出された値を示している。図6において、時間をx軸、サービス時間の変動係数CVSをy軸としている。
【0032】
殆どの製造において、負荷の重い装置サブタイプの上流には数多くの装置が再入及び置かれているので、何れの装置サブタイプのサービス時間の変動係数CVSを減少させるこによって、工場の生産性を全体的に向上させることできる。なお、どこに最も努力を注ぐべきか、すなわちどの変動の減少させれば、工場全体の生産性が最も向上するかを決定するために、解析的モデル要素34が用いられる。解析的モデル要素34を用いることにより、どの変動係数を変化させれば、工場の生産性を最も向上させることができるかということを決定することができる。
【0033】
解析的モデル要素34は、製造システムにおいて所定数量の製品の製造を開始するために、製造工程のどこで輻輳が発生するか(すなわち、トラフィック密度が高いか、及び/又は変動が大きいかは経験的モデル要素32によって判定されるので)を予測する。したがって、本発明では、ユーザは、数多くのジョブ開始の値(測定値、所望の値又は擬似的(hypothetical)な値)を、解析的モデル要素34に入力する。そして、解析的モデル要素34は、安定状態における各ステーションのトラフィック密度、到着及び平均サイクルタイムの変動係数の見積(approximation)を算出する。これらの計算は、製品の流れ(product route)に沿った情報、及び経験的モデル要素32に対する各装置サブタイプのサービス時間のパラメータ予測値を用いて行われる。解析的モデル要素34は、静止、すなわち安定した状態のトラフィックの流れ(traffic flows)における値を見積もる。これらの値は、製造工程において生産される製品の組合せが変化しない、入出力される製品の仕様が固定されているとしたときの、長期間の処理能力を測定した値である。なお、実際には、製造工程や工場は動的環境であり、日によって作業(operation)が非常に異なる。したがって、解析的モデル要素34は、製造工程や工場全体における長期間のトラフィックの特性及び平均待ち行列の振る舞い(behavior)を予測する予測器として機能する。
【0034】
解析的モデル要素34は、1983年「ベルシステムテクニカルジャーナル」第62巻(The Bell Systems Technical Journal vol.62)の2779ページから2815ページに記載された、W.ホイット著「待ち行列解析器」において議論されているように、待ち行列ネットワークの近似値(queuing network approximation)を採用している。この近似値を用いることにより、全ての装置サブタイプの安定状態におけるトラフィック密度及び到着の変動係数が算出される。解析的モデル要素34は、各装置サブタイプを、待ち行列ネットワークのノードとして扱う。製品は、実際の又は擬似的な工場フロアからの実際の製品の流れ及び処理条件によって定まるルーチン行列(routing matrix)に基づいて、ノード間を移動する。ルーチン行列qijにおけるij番目の要素は、装置サブタイプiから搬出され、装置サブタイプjに搬入される製品の割合を示している。ルーチン行列は、プロセスの特定の製造設備において製造される全ての製品の結果を含んでいる。解析的モデル要素34は、ルーチン行列及び外部からの到着率の集合を用いて、(1)平均ジョブフロー(Mean Job Flow)及び(2)変動の伝搬(Variability propagation)を解析する。(1)及び(2)は、それぞれ連立一次方程式を含んでいる。平均ジョブフローは、ネットワーク内の全てのノードに関する長期間の到着率を定義し、変動の伝搬は、ネットワーク内の全べてのノードに対する到着の変動係数を定義している。これらの式において、nは工場における装置サブタイプの数、miは装置サブタイプiの機械の数、CVaiは、装置サブタイプiにおける到着の変動係数、riはλiE[S]/mi、すなわち装置サブタイプiの利用率、CVsiは装置サブタイプiにおけるサービスの変動係数、Pij は 装置サブタイプiから装置サブタイプjまでの全ての到着の割合、i=0は、外部からの入力を意味する。
【0035】
本発明において、以下の式の解が求めれれる。
【0036】
平均ジョブフローの式(Mean Job Flow Equations)
【0037】
【数9】
【0038】
ここで、λ0jは、ネットワーク外部からステーションjに到着するジョブの長期的な到着率である。
【0039】
変動の伝搬式(Variability Propagation Equations)
【0040】
【数10】
【0041】
変動の伝搬式を解くためには、まず、平均ジョブフロー式の解を求めなければならない。これらの式を用いて求められた予測値は、観察履歴(historical observations)から得られるパラメータの予測値と直接比較され、その有効性が認証される。すなわち、過去の履歴データを用いて、これらの式を試験することができる。
【0042】
平均ジョブフロー式及び変動の伝搬式の解が一旦求められると、経験的モデル要素34から得られるサービス時間の平均値及び変動係数の予測値を用い、上述した既存のキングマン拡散近似により、トラフィック密度及び平均サイクルタイムの性能の予測値が算出される。本発明に係る工場のトラフィック監視及び解析システム及び方法の予測能力は、例えば、全てのCVsが1割減少したとき、製造工程にどのくらいの影響が及ぶかを評価することによって実証される。解析的モデル要素34は、サービス時間の変動係数CVsにおけるこれらの変化の結果、製品の生産高がどれくらい変化するかを計算するために使用される。図7は、全てのサービス時間の変動係数CVsが1割減少すると、特定の各装置における到着時間間隔の変動係数CVaにどの程度の影響を及ぼすかを、百分率で示した図である。図7において、装置サブタイプ70をy軸とし、各装置サブタイプ70における到着時間間隔の変動係数CVaにおける百分率の変化をx軸としている。経験的モデル要素32によって負荷が重いサブタイプであると識別された装置が示されている。
【0043】
到着時間間隔の変動係数CVaにおける変化が識別されると、キングマン拡散近似を用いて、この変化が各装置サブタイプにおけるサイクルタイムに及ぼした影響を測定する。上述したように、これらの値は図7にも示される。サイクルタイムの値は、約8%以上、18%未満の範囲で変化している。これらの値は、それほど大きくないように見えるかもしれないが、負荷が重いステーション、すなわちボトルネックとなっている可能性が高い工程において、到着時間の変動係数及びサイクルタイムが減少しているため、この変化は、製造設備や製造工程における生産処理時間全体の減少につながる。
【0044】
以上のように、本発明に係る工場のトラフィック監視及び解析システム及び方法を用いることにより、生産管理において、製造ライン能力を制限する、又はフロー変動が大きいステーションを識別することができる。識別されたステーションの生産能力を向上させる、又は変動を減少させることに努力を集中させることによって、製造のリードタイムを短縮、又は短くしたまま、潜在的な生産能力を回復し、低コストで製品の生産高を増加させることができる。また、本発明に係る工場のトラフィック監視及び解析システム及び方法は、上述した製造における変化や変動を減少させようとする継続的な試みが、どのくらいの影響力を及ぼすかを迅速に予測することのできる予測的なプランニングツールとしても使用することができる。
【図面の簡単な説明】
【図1】
待ち行列及び単一サーバノードを示す図である。
【図2】
変化量を減少させた結果の潜在的な生産能力の回復を示すグラフである。
【図3】
本発明を適用した経験的モデル要素と解析的モデル要素の関係を示す図である。
【図4】
生産能力が制限される装置を示すグラフである。
【図5】
トラフィック変動が大きい装置を示すグラフである。
【図6】
サービス変動が大きい装置を示すグラフである。
【図7】
サービス変動の減少の影響度を示すグラフである。
本発明の関連出願
本出願は、1998年10月26日に出願された米国仮特許出願番号60/105,590号及び1999年10月22日に出願された米国特許出願に基づいて優先権を主張するものである。
【0002】
発明の背景
本発明は、一般的には、工場のトラフィック監視及び解析システム及び方法に関し、特に、工場のトラフィック密度(traffic intensity)及びトラフィック変動(traffic variability)の実時間監視と、工場における輻輳(congestion)及びリードタイム(lead time)の予測(predictor)との両方に用いられる工場のトラフィック監視及び解析システム及び方法に関する。
【0003】
製造のリードタイム、製品の生産高(product output)等によって計られる工場の生産性(factory performance)は、トラフィック変動及びトラフィック密度によって大きく変化する。これは周知の事実であるが、最大限に向上させるためには、工場内のどの箇所の製造リードタイムを短くして製品の生産高を増加させる努力を注ぐかを定めることは、多くの場合、困難である。製造技術者たちは、処理のためにジョブが到着する時間及び実質的な処理時間(processing time)の変動が大きいと見なされる負荷が重い装置は、通常、生産性が低いことを表し、これは、サイクルタイム(cycle time)が長く、仕掛かり在庫(in−process inventories)が多いことによって判定することができることを指摘してきた。この現象は、待ち行列(ウェイティングライン)理論の結果を用いて、解析的に説明される。しかしながら、この説明は、製造における生産性を管理及び予測するのには、全く不十分なものであった。したっがって、製造における生産性を管理及び予測するために、改善されたシステムを提供することが望まれている。
【0004】
発明の開示
したがって、本発明は工場のトラフィック監視及び解析システム及び方法を改善することを目的とする。
【0005】
また、本発明は、工場のトラフィック密度及びトラフィック変動の実時間監視と、工場における輻輳及びリードタイムの予測との両方に用いられる工場のトラフィック監視及び解析システム及び方法を改善することを目的とする。
【0006】
さらに、本発明は、工場の生産性を向上させるために、記述的及び規範的情報を提供する工場のトラフィック監視及び解析システム及び方法を改善することを目的とする。
【0007】
また、本発明は、実生産能力及び潜在的な生産能力を制限されるステーション又はトラフィック変動の大きいステーションを識別し、識別された工場内のステーションにおける生産能力を向上させるか、または、変動を減少させることにより、製品の生産高及びを増加させ、製造のリードタイムを短くすることのできる工場のトラフィック監視及び解析システム及び方法を改善することを目的とする。
【0008】
本発明のさらなる目的及び効果は、詳細な説明及び図面から明らかにされる。
【0009】
本発明に係る工場のトラフィック監視及び解析システム及び方法は、工場のトラフィック密度及びトラフィック変動の実時間監視と、工場における輻輳及びリードタイムの予測の両方に用いることができる。本発明に係る工場のトラフィック監視及び解析システム及び方法は、記述的及び規範的情報を提供し、これにより、工場の生産能力が向上する。本発明に係る工場のトラフィック監視及び解析システム及び方法により、実生産応力及び潜在的な生産能力が制限されるステーション及び変動係数の大きいステーションを識別することができる。工場内の識別されたステーションにおける生産能力を向上させるか、または、変動を減少させることにより、製品の生産高を増加させ、製造のリードタイムを短縮させることができる。
【0010】
生産システム又は入力の変化が見込まれる又は望まれる場合、本発明に係る工場のトラフィック監視及び解析システム及び方法は、これらの変化が完全に承認され、装置及びマンパワーが採用される前に、これらの変化が工場の生産性にどれくらい影響を及ぼすかを少なくとも大まかに予測することができる。したがって、本発明に係る工場のトラフィック監視及び解析システム及び方法は、工場の操作者に記述的及び規範的情報を提供する。
【0011】
したがって、本発明は、複数のステップ及びこれらのステップうちの1又は複数のステップとその他のステップとの組み合わせ、及び、これらのステップを実現するために適用された構成、要素の組み合わせ及び部品の配置を特徴とする装置からなり、これらを、以下の詳細な説明において具体的に説明する。
【0012】
好ましい実施例の詳細な説明
本発明に係る工場のトラフィック監視及び解析システム及び方法における経験的(empirical)及び解析的(analytical)モデル要素(model element)は、生産性の測定値(サイクルタイム及び仕掛品(work in−process:WIP)と、安定状態の待ち行列ネットワークモデル(steady−state queuing network models)で得られるトラフィックパラメータ(到着時間間隔(interarrival time)とサービス時間(service time)の平均値及び変動(variance))との関係に基づいている。
【0013】
まず、2つの重要な関係を、図1を参照して説明する。図1は、単一のサーバ10と、複数の到着ジョブ(arriving jobs 、ジョブの到着ストリーム)14からなる単一の待ち行列12とを示す図である。すなわち、待ち行列12は、処理待ち状態にあるジョブの格納空間として機能する。到着ジョブ14は、待ち行列12からその到着順にサービスを受け、到着した時には、待ち行列12の到着端に付け加えられる。このようなシステムは、リトルの公式(Little’s Law)として知られる基本的関係によって説明される。リトルの公式は、待ち行列の平均長(mean ocupancy、サービス中のジョブ又はサービス待ちのジョブの数)Lは、ジョブの到着率(arrival rate)λとジョブの平均サイクルタイム(mean cycle time)Wとを掛け合わせたものと等しいことを、すなわちL=λ×Wを示している。リトルの公式は、平均待ちジョブ数と平均サイクルタイム間には正比例の関係があることを規定し、したがって、待ち行列の平均長は、平均サイクルタイムに到着率に等しい換算係数(scaling factor)を乗じた値と考えることができる。システムがいったん安定状態に達すると、到着率λも、退去率(departure rate)、すなわちスループット(throughput)となる。
【0014】
このようなシステムに関する第2の基本的関係は、キングマン拡散近似(Kingman diffusion approximation)として知られており、これを図2を参照して説明する。図2は、平均サービス時間(mean server time)とスループット間の関係を示す図である。スループットλは、トラフィック密度(traffic intensity)(平均到着時間間隔に対する平均サービス時間の比率)にサービス率(service rate)uを乗じた値である。トラフィック密度は、サービス率(又はサービス能力(service capacity))の測定値であり、待ち行列を長時間、安定に保つためには、1未満でなければならない。図2は、サービス能力(トラフィック密度にサービス率を乗じた値で測定される)と平均サイクルタイムの関係、ジョブ到着時間及びジョブサービス時間の変動と平均サイクルタイムの関係の両方を強調して示した図である。したがって、図2において、スループットをx軸とし、平均サイクルタイムをy軸としている。各曲線20,21は、生産能力(production capacity)として表されるこれら2つの変数間の関係を示しており、スループットと平均サイクルタイムのそれぞれの組合せにおいて、曲線21の生産能力は、曲線20の生産能力より大きい。
【0015】
また、図2に示すように、生産能力が曲線20によって表され、スループットと平均サイクルタイムが曲線20上のA点で交差しているときに、変動を減少させることによって、平均サイクルタイムも同様に減少し、生産能力は曲線21に移動するが、スループットは変化しない。そして、スループットと平均サイクルタイムは曲線21上のB点で交差する。したがって、スループットは変化しないが、変動及び平均サイクルタイムは減少する。同様に、平均サイクルタイムをA点のレベルに維持し、変動を同様に減少させると、生産能力も、曲線20から曲線21に移動する。しかし、サイクルタイムは短縮されなかったので、生産能力は増加し、平均サイクルタイムと生産能力は、曲線21上のC点にて交差する。したがって、変動を小さくすると、平均サイクルタイムは変化しないが、スループットは増加し、その結果、潜在的な能力(hidden capacity)を回復することができる(工場における製品の生産高を増加させる)。
【0016】
単純なシステムを参照して、図2の概念を説明したが、これらの概念は、各ステーション(station)が複数のサーバを有する待ち行列ネットワークを含むより複雑な待ち行列システムに対しても適用することができる。これらの関係から、製造工程においてサイクルタイムを短縮し、輻輳(congestion)を減少させるためには、トラフィック密度と、到着時間間隔及び処理時間の変動とを監視して、制御することが非常に重要であるということがわかる。トラフィック密度が高く、変動が大きいと、工場において輻輳が増える原因となる。しかしながら、生産能力を向上させるためには、制約となるステーション(constraint station)におけるスループットを増加させることが必要不可欠である。したがって、本発明に係る工場のトラフィック監視及び解析システム及び方法は、変動を減らすことによって潜在的な生産能力を回復させることができるであろう高変動のステーションのみならず、絶対的生産能力に等しいか又は近いステーション(いわゆる制約又はボトルネック)のステーションを対象として設計されたものである。
【0017】
次に、本発明に係る工場のトラフィック監視及び解析システム及び方法は、図3に示すように、データベース30(この好ましい実施例では、例えばマイクロソフト社のエクセルで書かれている)と、経験的モデル要素(empirical model element)32と,解析的モデル要素(analytical model element)34とから構成されている。動作において、到着時間間隔、処理時間及び保守時間(maintenance time)に関する実時間データは、既存の作業現場制御の製造実行システム(shop floor control Manufacturing Exceution System:MES)から収集される。収集されたデータは、多数のデータベース内に維持され、この好ましい実施例では、マイクロソフト社のエクセルにおけるスプレッドシートに書き込まれる。経験的モデル要素32は、これらのデータを演算して、ジョブの到着時間間隔とサービス時間の平均値及び変動の瞬時及び期間の予測値(point and interval estimate)を算出する。これらは、解析的モデル要素34に報告されて、解析モデル要素34の入力として機能し、解析モデル要素34は、長期間の輻輳及び生産能力の予測値を計算する。
【0018】
好ましい実施例において、本発明に係る工場のトラフィック監視及び解析システムは、アプリケーション用ビジュアルベーシックによって記述されたマクロを有するマイクロソフト社のエクセル形式の様々なデータベースを含んでいる。なお、他の実施例として、他のソフトウェアを用いてもよく、あるいは、工場のトラフィック監視及び解析システムをハードウエアによって実現してもよい。好ましい実施例では、例えば装置の種類が200、処理ルーチンの全体の組合せが65,000までのシリコンウェーハ製造(silicone wafer fabrication)をモデルとして取り扱うことができる。他のソフトウエアを用いることによって、取り扱える能力を高めることもできる。
【0019】
経験的モデル要素32は、装置サブタイプのレベル(level of equipment subtype)においてトラフィック密度及びトラフィック変動を監視するシステムとして機能するとともに、パラメータ予測方法(parameter estimation procedure)として機能する。パラメータの予測値は、解析的モデル要素34にエクスポートされる。製造工程において同一の機能を有する機械は、同一の装置サブタイプに分類される。好ましい実施例において、適切にモデル化するために、幾つかの装置の種類はさらに細分化される。同種類の装置であっても、機械の配置や品質に違いがあるときには、装置サブタイプと称されるサブセット(subset)に分類される。経験的モデル要素32において用いられる生データ(raw data)は、既存の作業現場制御のMESシステムから実時間で収集される。経験的モデル要素32の出力には、装置サブタイプ毎の、ジョブの到着時間間隔、処理時間、装置停止時間(equipment down time)及びサービス時間全体の平均値、標準偏差(standard deviations)及び変動係数(coefficient of variation)の瞬時及び/又は期間の予測値が含まれる。経験的モデル要素32は、装置サブタイプ毎に、ジョブの到着時間間隔、処理時間、装置停止時間及びサービス時間全体の平均値、標準偏差(standard deviations)及び変動係数の瞬時及び/又は期間の予測値を出力する。ジョブのサービス時間パラメータの瞬時予測値は、解析的モデル要素34にエクスポートされ、解析モデル要素34は、これらの値を用いて、ネットワークの性能及びステーション単位(station level)の性能を予測する。入力データは、実際の工場の状態に応じて継続的に更新され、これにより、システムによって提供される記述的(descriptive)及び規範的(prescriptive)情報は、常に、工場における最新の平均値に基づいている。
【0020】
経験的モデル要素32の出力データは、動的製造環境から得られる平均値を示していると考えられる。出力モデルから導き出される予測値は、実際の履歴データと照合され、実際に使用された場合の精度が確認される。解析の際には、装置サブタイプは、トラフィック密度と、到着時間間隔及びサービス時間の変動係数とによって、優先順位が付けられる。これらの値は、後述する公式を用いて算出される。トラフィック密度の値が0.8以上の装置サブタイプは、非常に負荷が重いと考えられ、したがって、潜在的な生産能力を制限する工程であると考えられる。トラフィック密度の値が0.5以上、0.8未満の装置サブタイプは、適度の負荷がかかっていると考えられ、トラフィック密度の値が0.5未満の装置サブタイプは、負荷が軽いと考えられる。1以上の変動係数は大きく、0.5以上、1未満の変動係数は標準であり、0.5未満の変動係数は小さいと考えられる。
【0021】
それぞれの装置をサブタイプに分類した後、特定の装置サブタイプにフラグ(flag)を付けることができ、その結果、その装置をより注目して、より詳細に調べることができる。負荷が重く、変動係数が大きい装置サブタイプは、製造工程において特に問題となる箇所である。製造工程において、最大限の生産能力を引き出すためには、制約となる処理、すなわちボトルネックとなる処理において、特に到着時間間隔の変動係数を最小にすることが重要である。到着時間間隔の変動係数が大きいと、製造工程中、ある特定の処理工程及び装置においてジョブが不足し、その結果、スループットや生産能力が低下することが多い。
【0022】
負荷が適度であるか又は軽い装置サブタイプにおいては、変動は処理工程毎に異なるため、特に処理時間の変動に影響を与える内部原因を除去することが重要である。すなわち、処理時間の変動は、下流の処理工程において、到着時間の変動となる。制約とならない、すなわちボトルネックとならない処理によって、生産能力が直接低下することはないが、処理時間の変動が大きい装置サブタイプが制約となる処理を行うときは、生産能力が低下する可能性がある。内部の変動は、セットアップ(setup)、バッチング(batching)、保守(定期保守及び計画外保守)、製品の歩留り及びジョブの優先順位等の様々な原因から生ずる。トラフィック密度及び変動係数に応じて装置サブタイプに優先順位を付けることにより、本発明を適用した工場のトラフィック監視及び解析システム及び方法は、どの箇所で変動を減少させれば、生産性を向上させることができるかを識別することができる。
【0023】
経験的モデル要素32の処理の間、各々の装置サブタイプにおけるロット到着(lot arrivals)、処理時間及び保守に関する実時間データが収集される。例えば、実時間データは、1週間にわたり、1日に複数回収集される。そして、標準的な統計理論(standard statistical theory)を用いて、平均値と、標準偏差と、到着時間間隔、処理時間及び保守操作の平均値の信頼期間(cofidence intervals)が予測される。そして、これらの予測値を用いて、各装置の平均サービス時間の予測値が算出さる。平均サービス時間は、各ロット(lot)によって装置が占有されている時間の総和の予測値として定義される。したがって、平均サービス時間は、セットアップ時間と、セットアップ外の時間と、短い保守時間とを含んでいる。好ましい実施例において、測定された処理時間は、セットアップ時間と、セットアップ外の時間とからなる。したがって、処理時間と短い保守時間をからなるサービス時間の予測値は、以下に述べるようにして、求められる。
【0024】
まず、サービス時間の変動は、次の式を用いて求められる。
【0025】
【数7】
【0026】
ここで、特定の装置サブタイプにおけるE〔S〕はサービス時間の予測値、E〔P〕は処理時間の予測値、E〔M〕は保守時間の予測値、V〔S〕はサービス時間の偏差の予測値、V〔P〕は処理時間の偏差の予測値、V〔M〕は保守時間の偏差の予測値、λlotsはロット到着率(lot arrival rate)の予測値、λmaintは保守率(maintenance rate)の予測値である。そして、サービス時間の予測値を用いて、トラフィック密度が予測される。データが収集されたサービス時間中の、負荷が重い装置サブタイプにおけるトラフィック密度の予測値、すなわち負荷率(loading factor)は、例えば図4のように示される。図4に示すグラフは、制約となる、すなわちボトルネックとなる装置を決定するために用いられる。時間をx軸上、負荷率をy軸としている。生産能力が制限される装置は時間とともに異なる可能性があるため、複数の装置サブタイプ42に対する予測負荷率が数日間に亘って記録される。図4に示す線40の各々は、各装置サブタイプにおける記録結果である。図4に示すグラフから、どの装置の負荷が重いか(負荷率が0.8より大きいか)を判定することができる。負荷率は、次式を用いて求められる。
【0027】
【数8】
【0028】
ここで、mは、装置サブタイプを構成する機械の数である。
【0029】
本発明に基づく次のステップでは、図4において負荷が重いと判定された各装置サブタイプと、これらの負荷が重いと判定された装置サブタイプの上流に位置する各装置サブタイプとの到着時間間隔の変動係数CVaが確認される。図5において、時間をx軸、到着時間間隔の変動係数(CV of Arrivals)CVaをy軸としている。図5に示すように、各装置サブタイプ52の線50及び上述の式から、到着時間間隔の変動係数CVaが大きく(>1.0)、負荷が重いと判定された装置サブタイプ52(図4)は、変動を減らすことにより、潜在的な生産能力を回復する可能性が高いことがわかる。図5の負荷が重いが、変動係数CVaが小さい装置サブタイプ(図4)は、その特定の装置サブタイプの変動を減らしても、潜在的な生産能力を回復する可能性が低いことがわかる。したがって、変動係数CVaが大きく、負荷が重い装置サブタイプに対して、変動を減らし、潜在的な生産能力を回復する努力を注ぐべきである。
【0030】
到着時間間隔の変動係数CVaが大きく、負荷が重い装置サブタイプにおける変動を減少させることにより、潜在的な生産能力を回復することができる。潜在的な生産能力は、製造ライン(manufacturing line)のいわゆるボトルネックにおいて回復されるので、製造できる製品の数、すなわち製造ラインのスループットを増大させることができる。したがって、同じリードタイムで、新しい装置を追加せずに、製品の生産高を増加させることができる。
【0031】
製造工程の上流における装置のサービス時間の変動係数CVSが大きいと、到着時間間隔の変動係数CVaも大きくなることが多い。負荷が重い装置サブタイプの上流において、作業方法(work method)、処理時間又は保守回数が大きく変化すると、上流におけるサービス時間の変動係数CVSも大きくなり、その結果、下流おける到着間隔の変動係数CVaが大きくなる。図6は、サービス時間の変動が大きい装置サブタイプ62を示し、各線60は、各装置サブタイプ62の上述した式を用いて算出された値を示している。図6において、時間をx軸、サービス時間の変動係数CVSをy軸としている。
【0032】
殆どの製造において、負荷の重い装置サブタイプの上流には数多くの装置が再入及び置かれているので、何れの装置サブタイプのサービス時間の変動係数CVSを減少させるこによって、工場の生産性を全体的に向上させることできる。なお、どこに最も努力を注ぐべきか、すなわちどの変動の減少させれば、工場全体の生産性が最も向上するかを決定するために、解析的モデル要素34が用いられる。解析的モデル要素34を用いることにより、どの変動係数を変化させれば、工場の生産性を最も向上させることができるかということを決定することができる。
【0033】
解析的モデル要素34は、製造システムにおいて所定数量の製品の製造を開始するために、製造工程のどこで輻輳が発生するか(すなわち、トラフィック密度が高いか、及び/又は変動が大きいかは経験的モデル要素32によって判定されるので)を予測する。したがって、本発明では、ユーザは、数多くのジョブ開始の値(測定値、所望の値又は擬似的(hypothetical)な値)を、解析的モデル要素34に入力する。そして、解析的モデル要素34は、安定状態における各ステーションのトラフィック密度、到着及び平均サイクルタイムの変動係数の見積(approximation)を算出する。これらの計算は、製品の流れ(product route)に沿った情報、及び経験的モデル要素32に対する各装置サブタイプのサービス時間のパラメータ予測値を用いて行われる。解析的モデル要素34は、静止、すなわち安定した状態のトラフィックの流れ(traffic flows)における値を見積もる。これらの値は、製造工程において生産される製品の組合せが変化しない、入出力される製品の仕様が固定されているとしたときの、長期間の処理能力を測定した値である。なお、実際には、製造工程や工場は動的環境であり、日によって作業(operation)が非常に異なる。したがって、解析的モデル要素34は、製造工程や工場全体における長期間のトラフィックの特性及び平均待ち行列の振る舞い(behavior)を予測する予測器として機能する。
【0034】
解析的モデル要素34は、1983年「ベルシステムテクニカルジャーナル」第62巻(The Bell Systems Technical Journal vol.62)の2779ページから2815ページに記載された、W.ホイット著「待ち行列解析器」において議論されているように、待ち行列ネットワークの近似値(queuing network approximation)を採用している。この近似値を用いることにより、全ての装置サブタイプの安定状態におけるトラフィック密度及び到着の変動係数が算出される。解析的モデル要素34は、各装置サブタイプを、待ち行列ネットワークのノードとして扱う。製品は、実際の又は擬似的な工場フロアからの実際の製品の流れ及び処理条件によって定まるルーチン行列(routing matrix)に基づいて、ノード間を移動する。ルーチン行列qijにおけるij番目の要素は、装置サブタイプiから搬出され、装置サブタイプjに搬入される製品の割合を示している。ルーチン行列は、プロセスの特定の製造設備において製造される全ての製品の結果を含んでいる。解析的モデル要素34は、ルーチン行列及び外部からの到着率の集合を用いて、(1)平均ジョブフロー(Mean Job Flow)及び(2)変動の伝搬(Variability propagation)を解析する。(1)及び(2)は、それぞれ連立一次方程式を含んでいる。平均ジョブフローは、ネットワーク内の全てのノードに関する長期間の到着率を定義し、変動の伝搬は、ネットワーク内の全べてのノードに対する到着の変動係数を定義している。これらの式において、nは工場における装置サブタイプの数、miは装置サブタイプiの機械の数、CVaiは、装置サブタイプiにおける到着の変動係数、riはλiE[S]/mi、すなわち装置サブタイプiの利用率、CVsiは装置サブタイプiにおけるサービスの変動係数、Pij は 装置サブタイプiから装置サブタイプjまでの全ての到着の割合、i=0は、外部からの入力を意味する。
【0035】
本発明において、以下の式の解が求めれれる。
【0036】
平均ジョブフローの式(Mean Job Flow Equations)
【0037】
【数9】
【0038】
ここで、λ0jは、ネットワーク外部からステーションjに到着するジョブの長期的な到着率である。
【0039】
変動の伝搬式(Variability Propagation Equations)
【0040】
【数10】
【0041】
変動の伝搬式を解くためには、まず、平均ジョブフロー式の解を求めなければならない。これらの式を用いて求められた予測値は、観察履歴(historical observations)から得られるパラメータの予測値と直接比較され、その有効性が認証される。すなわち、過去の履歴データを用いて、これらの式を試験することができる。
【0042】
平均ジョブフロー式及び変動の伝搬式の解が一旦求められると、経験的モデル要素34から得られるサービス時間の平均値及び変動係数の予測値を用い、上述した既存のキングマン拡散近似により、トラフィック密度及び平均サイクルタイムの性能の予測値が算出される。本発明に係る工場のトラフィック監視及び解析システム及び方法の予測能力は、例えば、全てのCVsが1割減少したとき、製造工程にどのくらいの影響が及ぶかを評価することによって実証される。解析的モデル要素34は、サービス時間の変動係数CVsにおけるこれらの変化の結果、製品の生産高がどれくらい変化するかを計算するために使用される。図7は、全てのサービス時間の変動係数CVsが1割減少すると、特定の各装置における到着時間間隔の変動係数CVaにどの程度の影響を及ぼすかを、百分率で示した図である。図7において、装置サブタイプ70をy軸とし、各装置サブタイプ70における到着時間間隔の変動係数CVaにおける百分率の変化をx軸としている。経験的モデル要素32によって負荷が重いサブタイプであると識別された装置が示されている。
【0043】
到着時間間隔の変動係数CVaにおける変化が識別されると、キングマン拡散近似を用いて、この変化が各装置サブタイプにおけるサイクルタイムに及ぼした影響を測定する。上述したように、これらの値は図7にも示される。サイクルタイムの値は、約8%以上、18%未満の範囲で変化している。これらの値は、それほど大きくないように見えるかもしれないが、負荷が重いステーション、すなわちボトルネックとなっている可能性が高い工程において、到着時間の変動係数及びサイクルタイムが減少しているため、この変化は、製造設備や製造工程における生産処理時間全体の減少につながる。
【0044】
以上のように、本発明に係る工場のトラフィック監視及び解析システム及び方法を用いることにより、生産管理において、製造ライン能力を制限する、又はフロー変動が大きいステーションを識別することができる。識別されたステーションの生産能力を向上させる、又は変動を減少させることに努力を集中させることによって、製造のリードタイムを短縮、又は短くしたまま、潜在的な生産能力を回復し、低コストで製品の生産高を増加させることができる。また、本発明に係る工場のトラフィック監視及び解析システム及び方法は、上述した製造における変化や変動を減少させようとする継続的な試みが、どのくらいの影響力を及ぼすかを迅速に予測することのできる予測的なプランニングツールとしても使用することができる。
【図面の簡単な説明】
【図1】
待ち行列及び単一サーバノードを示す図である。
【図2】
変化量を減少させた結果の潜在的な生産能力の回復を示すグラフである。
【図3】
本発明を適用した経験的モデル要素と解析的モデル要素の関係を示す図である。
【図4】
生産能力が制限される装置を示すグラフである。
【図5】
トラフィック変動が大きい装置を示すグラフである。
【図6】
サービス変動が大きい装置を示すグラフである。
【図7】
サービス変動の減少の影響度を示すグラフである。
Claims (20)
- 工場内の複数の種類の装置における少なくとも時間間隔、処理時間及び保守時間を測定するステップと、
上記装置のジョブ到着時間間隔及びサービス時間の平均値及び変動値の瞬時及び期間の予測値及び間隔予測値を算出するステップと、
上記複数の種類の装置においてどの種類の装置が高い負荷係数を有するかを判定するステップと、
上記高い負荷係数を有する複数の種類の装置における到着時間間隔の変動係数を判定するステップと、
上記複数の種類の装置においてどの種類の装置の到着時間間隔の変動を減少させるべきかを識別するステップとを備える工場のトラフィック監視方法。 - 上流の装置の種類におけるサービス時間の変動を減少させることにより、上記到着時間間隔の変動を減少させることを特徴とする請求項1記載の工場のトラフィック監視方法。
- 上記ステップの全ては、上記サービス時間が少なくとも1回減少する度に、複数回実行されることを特徴とする請求項2記載の工場のトラフィック監視方法。
- 上記算出された瞬時及び期間の予測値を変更し、工場におけるその変更の影響を判定するステップをさらに備えることを特徴とする請求項1記載の工場のトラフィック監視方法。
- 上記複数の種類の装置において、グループ単位の平均サービス時間及びサービス時間の変動の予測値を求めるステップを更に備える請求項1記載の工場のトラフィック監視方法。
- 上記識別された複数の種類の装置の各々における上記変動係数を減少させるステップを更に備える請求項1記載の工場のトラフィック監視方法。
- 上記ステップの全ては、少なくとも1つの変動係数が減少する度に、複数回実行されることを特徴とする請求項9記載の工場のトラフィック監視方法。
- 工場内の複数の種類の装置に関して、少なくとも時間間隔、処理時間及び保守時間を測定する手段と、
ジョブ到着時間間隔及びサービス時間の平均値及び変動値の瞬時及び期間の予測値を算出する手段と、
上記複数の種類の装置においてどの種類の装置が高い負荷係数を有するかを判定する手段と、
上記高い負荷係数を有する複数の種類の装置における到着時間間隔の変動係数を判定する手段と、
上記複数の種類の装置にいてどの種類の装置の到着時間間隔の変動を減少させるべきかを判定する手段とを備える工場のトラフィック監視システム。 - 上流の装置の種類におけるサービス時間の変動を減少させることにより、上記到着時間間隔の変動を減少させることを特徴とする請求項11記載の工場のトラフィック監視システム。
- 上記手段の全ては、上記サービス時間の少なくとも一回減少する度に、複数回機能することを特徴とする請求項12記載の工場のトラフィック監視システム。
- 上記算出された瞬時及び期間の予測値を変更し、工場におけるその変更の影響を判定する手段をさらに備えることを特徴とする請求項11記載の工場のトラフィック監視システム。
- 上記複数の種類の装置において、グループ単位の平均サービス時間及びサービス時間の変動の予測値を求める手段を更に備える請求項11記載の工場のトラフィック監視システム。
- 上記識別された複数の種類の装置の各々における上記変動係数を減少させる手段を更に備えることを特徴とする請求項11記載の工場のトラフィック監視システム。
- 上記手段の全ては、少なくとも1つの変動係数が減少する度に、複数回機能することを特徴とする請求項19記載の工場のトラフィック監視システム。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US10559098P | 1998-10-26 | 1998-10-26 | |
US09/422,514 US6473721B1 (en) | 1998-10-26 | 1999-10-21 | Factory traffic monitoring and analysis apparatus and method |
PCT/US1999/025005 WO2000025273A1 (en) | 1998-10-26 | 1999-10-25 | Factory traffic monitoring and analysis apparatus and method |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2004503837A true JP2004503837A (ja) | 2004-02-05 |
Family
ID=22306689
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2000578784A Withdrawn JP2004503837A (ja) | 1998-10-26 | 1999-10-25 | 工場のトラフィック監視及び解析システム及び方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US6473721B1 (ja) |
JP (1) | JP2004503837A (ja) |
AU (1) | AU1230200A (ja) |
WO (1) | WO2000025273A1 (ja) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003022119A (ja) * | 2001-07-06 | 2003-01-24 | Japan Science & Technology Corp | 多品種生産システム及びその設計・運用方法、その設計・運用プログラム及びそのプログラムを記録した記録媒体 |
WO2007126026A1 (ja) * | 2006-04-26 | 2007-11-08 | Jasi Corporation | 作業工程の中から改善すべき動作要素を自動抽出するシステム |
WO2009084423A1 (ja) | 2007-12-27 | 2009-07-09 | Hitachi, Ltd. | ボトルネック装置抽出方法およびボトルネック装置抽出支援装置 |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5824005A (en) | 1995-08-22 | 1998-10-20 | Board Of Regents, The University Of Texas System | Maneuverable electrophysiology catheter for percutaneous or intraoperative ablation of cardiac arrhythmias |
US6978222B2 (en) * | 2001-03-29 | 2005-12-20 | Kabushiki Kaisha Toyota Chuo Kenkyusho | Method of determining level of effect of system entity on system performance, by use of active time of same entity |
JP4657540B2 (ja) * | 2001-09-28 | 2011-03-23 | 三菱電機株式会社 | 半導体装置製造管理装置 |
US6725113B1 (en) * | 2001-10-23 | 2004-04-20 | Advanced Micro Devices, Inc. | Lot start agent that determines virtual WIP time including an exponentially weighted moving average cycle time |
US7054702B1 (en) * | 2001-10-23 | 2006-05-30 | Advanced Micro Devices, Inc. | Lot start agent that determines delta virtual WIP time for each bottleneck station in a multi-product and multi-bottleneck manufacturing environment |
US20050040223A1 (en) * | 2003-08-20 | 2005-02-24 | Abb Technology Ag. | Visual bottleneck management and control in real-time |
US7881961B2 (en) * | 2005-02-10 | 2011-02-01 | International Business Machines Corporation | Method and system of managing a business process |
US7487003B1 (en) | 2006-03-09 | 2009-02-03 | Rockwell Automation Technologies, Inc. | Automatic tracking of a lot of items through virtual sublots |
US9316184B2 (en) * | 2006-10-31 | 2016-04-19 | Temple University Of The Commonwealth System Of Higher Education | Electric-field assisted fuel atomization system and methods of use |
US8856018B2 (en) * | 2008-09-15 | 2014-10-07 | The Boeing Company | Methods and systems for optimizing production forecasts using statistically prioritized discrete modeling methodology |
US8612578B2 (en) | 2011-03-10 | 2013-12-17 | International Business Machines Corporation | Forecast-less service capacity management |
US9660891B2 (en) * | 2013-01-17 | 2017-05-23 | TravelClick, Inc. | Methods and systems for computer monitoring |
EP3850441B1 (en) | 2018-09-11 | 2024-02-21 | Throughput, Inc. | Industrial bottleneck detection and management method and system |
US20220358423A1 (en) | 2019-09-13 | 2022-11-10 | Throughput, Inc. | Rapid operational analysis application for supply chain management |
EP4068174A4 (en) * | 2019-11-29 | 2022-11-16 | BOE Technology Group Co., Ltd. | SYSTEM TO RECOMMEND A MAXIMUM QUANTITY OF PRODUCTS IN A METHOD, PROCEDURE AND COMPUTER READABLE MEDIA |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2335000A1 (fr) * | 1975-12-09 | 1977-07-08 | Stofa Mobila Intreprinderea | Procede et installation pour la poursuite, le controle et la synthese automatiques des parametres de production |
US4956784A (en) * | 1988-12-14 | 1990-09-11 | Siemens Coporate Research, Inc. | Apparatus and a method for controlling the release of jobs from a pool of pending jobs into a factory |
JP2947840B2 (ja) * | 1989-12-22 | 1999-09-13 | 株式会社日立製作所 | プラント運転監視装置 |
US5225998A (en) * | 1990-03-26 | 1993-07-06 | At&T Bell Laboratories | Quality control using multi-process performance analysis |
US5311759A (en) * | 1992-12-14 | 1994-05-17 | Ford Motor Company | Method and system for real-time statistical process monitoring |
US5559710A (en) * | 1993-02-05 | 1996-09-24 | Siemens Corporate Research, Inc. | Apparatus for control and evaluation of pending jobs in a factory |
US5446671A (en) * | 1993-10-22 | 1995-08-29 | Micron Semiconductor, Inc. | Look-ahead method for maintaining optimum queued quantities of in-process parts at a manufacturing bottleneck |
US5946661A (en) * | 1995-10-05 | 1999-08-31 | Maxager Technology, Inc. | Method and apparatus for identifying and obtaining bottleneck cost information |
US5819232A (en) * | 1996-03-22 | 1998-10-06 | E. I. Du Pont De Nemours And Company | Method and apparatus for inventory control of a manufacturing or distribution process |
-
1999
- 1999-10-21 US US09/422,514 patent/US6473721B1/en not_active Expired - Fee Related
- 1999-10-25 WO PCT/US1999/025005 patent/WO2000025273A1/en active Application Filing
- 1999-10-25 AU AU12302/00A patent/AU1230200A/en not_active Abandoned
- 1999-10-25 JP JP2000578784A patent/JP2004503837A/ja not_active Withdrawn
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003022119A (ja) * | 2001-07-06 | 2003-01-24 | Japan Science & Technology Corp | 多品種生産システム及びその設計・運用方法、その設計・運用プログラム及びそのプログラムを記録した記録媒体 |
WO2007126026A1 (ja) * | 2006-04-26 | 2007-11-08 | Jasi Corporation | 作業工程の中から改善すべき動作要素を自動抽出するシステム |
JPWO2007126026A1 (ja) * | 2006-04-26 | 2009-09-10 | ジャシィ株式会社 | 作業工程の中から改善すべき動作要素を自動抽出するシステム |
WO2009084423A1 (ja) | 2007-12-27 | 2009-07-09 | Hitachi, Ltd. | ボトルネック装置抽出方法およびボトルネック装置抽出支援装置 |
US8423168B2 (en) | 2007-12-27 | 2013-04-16 | Hitachi, Ltd. | Bottleneck device extracting method and bottleneck device extracting assistance device |
Also Published As
Publication number | Publication date |
---|---|
US6473721B1 (en) | 2002-10-29 |
WO2000025273A1 (en) | 2000-05-04 |
AU1230200A (en) | 2000-05-15 |
WO2000025273A9 (en) | 2000-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2004503837A (ja) | 工場のトラフィック監視及び解析システム及び方法 | |
Kumar | Scheduling semiconductor manufacturing plants | |
Chien et al. | Manufacturing intelligence to forecast and reduce semiconductor cycle time | |
Wang et al. | Bottlenecks in production networks: An overview | |
CN1329320A (zh) | 采用动态管理多个子模型进行在线自适应预测的***和方法 | |
Veeger et al. | Predicting cycle time distributions for integrated processing workstations: an aggregate modeling approach | |
Gyulai et al. | Online lead time prediction supporting situation-aware production control | |
Brown et al. | Queueing model improves IBM's semiconductor capacity and lead-time management | |
Li et al. | Data-driven analysis of downtime impacts in parallel production systems | |
Singh et al. | Experimental investigation for performance assessment of scheduling policies in semiconductor wafer fabrication—a simulation approach | |
Bagchi et al. | A full-factory simulator as a daily decision-support tool for 300mm wafer fabrication productivity | |
Kim et al. | A data-driven indirect estimation of machine parameters for smart production systems | |
Grewal et al. | Integrating targeted cycle-time reduction into the capital planning process | |
Ali et al. | Simulation intelligence and modeling for manufacturing uncertainties | |
Zisgen et al. | A queueing network based system to model capacity and cycle time for semiconductor fabrication | |
Li et al. | Performance prediction and evaluation based on the variability theory in production lines using arena simulation | |
Yan et al. | Characteristic curves and cycle time control of re-entrant lines | |
Kock et al. | Performance measurement and lumped parameter modeling of single server flow lines subject to blocking: An effective process time approach | |
Harmonosky et al. | Simulation in a CIM environment: Structure for analysis and real-time control | |
Vandeginste | Strategies in molecular spectroscopic analysis with application of queueing theory and digital simulation | |
Singh et al. | Investigation of different inputs and a new release policy in the proposed simulation model for wafer fabrication system | |
Wenzel et al. | Transformation of Real-time Reporting Event Data to Long-term Simulation Models | |
Robinson et al. | A review of real-time control strategies for furnace batch sizing in semiconductor manufacturing | |
Kádár et al. | Co-analysing situations and production control rules in a large-scale manufacturing environment | |
Casale et al. | MAP-AMVA: Approximate mean value analysis of bursty systems |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A300 | Application deemed to be withdrawn because no request for examination was validly filed |
Free format text: JAPANESE INTERMEDIATE CODE: A300 Effective date: 20070109 |