TWI815173B - 半導體製程的生產排程估測方法以及系統 - Google Patents
半導體製程的生產排程估測方法以及系統 Download PDFInfo
- Publication number
- TWI815173B TWI815173B TW110131566A TW110131566A TWI815173B TW I815173 B TWI815173 B TW I815173B TW 110131566 A TW110131566 A TW 110131566A TW 110131566 A TW110131566 A TW 110131566A TW I815173 B TWI815173 B TW I815173B
- Authority
- TW
- Taiwan
- Prior art keywords
- data
- work
- machine
- day
- progress
- Prior art date
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 109
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000012545 processing Methods 0.000 claims description 52
- 239000004065 semiconductor Substances 0.000 claims description 42
- 230000008569 process Effects 0.000 claims description 27
- 238000010801 machine learning Methods 0.000 claims description 17
- 238000011084 recovery Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 2
- 239000000047 product Substances 0.000 description 15
- 230000002354 daily effect Effects 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 235000012431 wafers Nutrition 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000011265 semifinished product Substances 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]
- G05B19/41865—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 job scheduling, process planning, material flow
-
- 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
- G05B2219/32252—Scheduling production, machining, job shop
-
- 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
- G05B2219/45—Nc applications
- G05B2219/45031—Manufacturing semiconductor wafers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Automation & Control Theory (AREA)
- Manufacturing & Machinery (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Factory Administration (AREA)
- Multi-Process Working Machines And Systems (AREA)
Abstract
本發明提出一種生產排程估測方法以及生產排程估測系統。生產排程估測方法包括以下步驟:取得當日在製品資料、機台群滯留時間資料以及機台群產能效率資料;輸入當日在製品資料、機台群滯留時間資料以及機台群產能效率資料至預測模型;藉由預測模型計算機台群的多個站點的每一個的當日滯留時間資料以及當日產出量;以及根據機台群的多個站點的每一個的當日滯留時間資料以及當日產出量來計算當日產出資料。
Description
本發明是有關於一種估測方法與估測系統,且特別是有關於半導體製程的一種生產排程估測方法以及生產排程估測系統。
對於傳統的半導體製程的生產排程推論,都只能以各機台群的製程歷史資料所推算出來的固定的機台滯留時間來計算生產時間。對此,傳統的半導體製程的生產排程推論,因無法因應各機台對於不同產品組合、數量以及其他條件不同時所對於機台滯留時間的改變,因此傳統的半導體製程的生產排程推論方法具有精確度不佳的問題。
本發明提供一種半導體製程的生產排程估測方法以及生產排程估測系統,可進行準確的半導體製程的排程估測。
本發明的半導體製程的生產排程估測方法包括以下步驟:取得當日在製品資料、機台群滯留時間資料以及機台群產能效率資料;輸入當日在製品資料、機台群滯留時間資料以及機台群產能效率資料至預測模型;藉由預測模型計算機台群的多個站點的每一個的當日滯留時間資料以及當日產出量;以及根據機台群的多個站點的每一個的當日滯留時間資料以及當日產出量來計算當日產出資料。
本發明的半導體製程的生產排程估測系統包括儲存裝置以及處理裝置。儲存裝置用以儲存預測模型。處理裝置耦接儲存裝置,並且用以執行預測模型。處理裝置取得當日在製品資料、機台群滯留時間資料以及機台群產能效率資料,並且輸入當日在製品資料、機台群滯留時間資料以及機台群產能效率資料至預測模型,以藉由預測模型計算機台群的多個站點的每一個的當日滯留時間資料以及當日產出量。處理裝置根據機台群的多個站點的每一個的當日滯留時間資料以及當日產出量來計算當日產出資料。
基於上述,本發明的半導體製程的生產排程估測方法以及生產排程估測系統,可透過預測模型來有效預測半導體製程產品在製程過程中的每一日所通過的機台群的多個站點的產出資料。
為讓本發明的上述特徵和優點能更明顯易懂,下文特舉實施例,並配合所附圖式作詳細說明如下。
為了使本發明之內容可以被更容易明瞭,以下特舉實施例做為本揭示確實能夠據以實施的範例。另外,凡可能之處,在圖式及實施方式中使用相同標號的元件/構件/步驟,係代表相同或類似部件。
圖1是依照本發明的一實施例的半導體製程的生產排程估測系統的示意圖。參考圖1,生產排程估測系統100包括處理裝置110以及儲存裝置120。處理裝置110耦接儲存裝置120。儲存裝置120可儲存有機器學習(Machine Learning,ML)模組121以及預測模型122。預測模型122為一種人工智慧(Artificial Intelligence,AI)模型。在本實施例中,處理裝置110可執行機器學習模組121,以取得半導體製程的機台群滯留時間(或稱周期時間(Cycle Time,CT))資料以及機台群產能效率資料。機台群滯留時間為機台前等待時間與機台加工時間之加總。處理裝置110可將當日在製品資料(半導體製程的半成品資訊及/或新投入之製品資訊)、機台群滯留時間資料以及機台群產能效率資料分別輸入至執行預測模型122,以使預測模型122可輸出機台群的多個站點(多個半導體製程的機台)的每一個的當日滯留時間資料以及當日產出資料。
值得注意的是,本實施例所述的「機台群」可例如是指爐管製程機台群、黃光製程機台群或蝕刻製程機台群等諸如此類的處理相同半導體製程任務的多個半導體製程機台的組合,而本發明並不加以限制。並且,本實施例所述的「在製品」可例如是指記憶體晶片、處理晶片等半導體產品在半導體製程流程中的半成品單元或晶圓,而本發明並不限制半導體產品的類型。
在本實施例中,處理裝置110可例如包括具有運算功能的中央處理單元(Central Processing Unit,CPU),或是其他可程式化之一般用途或特殊用途的微處理器(microprocessor)、數位信號處理器(Digital Signal Processor,DSP)、可程式化控制器、特殊應用積體電路(Application Specific Integrated Circuits,ASIC)、可程式化邏輯裝置(Programmable Logic Device,PLD)、其他類似處理裝置或這些裝置的結合。儲存裝置120可例如是動態隨機存取記憶體(Dynamic Random Access Memory,DRAM)、快閃記憶體(Flash memory)或非揮發性隨機存取記憶體(Non-Volatile Random Access Memory,NVRAM)等。儲存裝置120可儲存機器學習模組121、預測模型122以及各實施例所述的相關資料,以供處理裝置110存取並執行之。
圖2是依照本發明的一實施例的半導體製程的生產排程估測方法的流程圖。參考圖1以及圖2,生產排程估測系統100可執行以下步驟S210~S240,以實現生產排程估測。在步驟S210,處理裝置110可取得當日在製品資料、機台群滯留時間資料以及機台群產能效率資料。在本實施例中,處理裝置110可取得由半導體製造者輸入的當日在製品資料,或者是從預測模型122所預測的前一日產出資料中取得前一日所產出的(未完成)在製品類型以及在製品數量來做為當日在製品資料。在本實施例中,處理裝置110可取得由機器學習模組121提供的機台群滯留時間資料以及機台群產能效率資料。
在步驟S220,處理裝置110可輸入當日在製品資料、機台群滯留時間資料以及機台群產能效率資料至預測模型122。在步驟S230,處理裝置110可藉由預測模型122計算機台群的多個站點的每一個的當日滯留時間資料以及當日產出量。在步驟S240,處理裝置110可根據機台群的多個站點的每一個的當日滯留時間資料以及當日產出量來計算當日產出資料。在本實施例中,處理裝置110可根據機台群的多個站點的每一個的當日滯留時間資料以及當日產出資料來進一步計算取得當日產出資料。值得注意的是,當日產出資料是指當日經過一個或多個機台群的多個站點的結果以及在製品(Work In Process,WIP)數量以及在製品類型。因此,本實施例的生產排程估測系統100以及生產排程估測方法可取得當日學習結果的動態機台停滯時間,以讓半導體製造者可利用此資訊進行準確的半導體生產排程規劃。
圖3是依照本發明的一實施例的取得機台群滯留時間資料以及機台群產能效率資料的流程圖。參考圖1以及圖3,生產排程估測系統100可執行以下步驟S310~S390,以取得機台群滯留時間資料以及機台群產能效率資料。在步驟S310,處理裝置110從讀取儲存在儲存裝置120中的機器學習模組121,並且執行機器學習模組121。在步驟S320,處理裝置110可取得在製品歷史資料。在步驟S330,處理裝置110取得機台歷史資料。在步驟S340,處理裝置110可對在製品歷史資料以及機台歷史資料進行特徵擷取。在步驟S350,處理裝置110可取得多個特徵資料。
在本實施例中,製造者可將在製品歷史資料以及機台歷史資料輸入至生產排程估測系統100。處理裝置110可從製品歷史資料擷取出不同在製品數量以及不同在製品類型分別在不同站點的停滯時間資料等相關資料做為特徵資料。處理裝置110可從機台歷史資料擷取出不同站點的每日產出(Move)資料(即每日產量)、運轉時間(up time)資料、停機時間(down time)資料、平均故障間隔(Mean Time Between Failures,MTBF)資料以及平均復原時間(Mean Time To Recovery,MTTR)資料等相關資料做為特徵資料。
在步驟S360,處理裝置110可將前述的多個特徵資料輸入至機器學習模組121。在步驟S370,機器學習模組121可輸出機台群滯留時間資料。在本實施例中,機台群滯留時間資料可包括對應於每一個機台群中的各相同機台種類的多個站點對於不同在製品數量及在製品類型(不同數量及不同的未完成的半導體產品類型)的多個機台滯留時間。在步驟S380,機器學習模組121可輸出機台群產能效率資料。在本實施例中,機台群產能效率資料可包括對應於每一個機台群中的各相同機台種類的多個站點對於所輸入的不同在製品數量及不同在製品類型(不同產品組合)的多個產出量資料、多個運轉時間資料、多個平均故障間隔資料及多個平均復原時間資料的至少其中之一。在步驟S390,處理裝置110可結束機器學習模組121的運算,並接續執行以下圖4的半導體製程的生產排程估測。因此,本實施例的處理裝置110可有效取得機台群滯留時間資料以及機台群產能效率資料,以供預測模型122進行半導體製程的生產結果預測。
圖4是依照本發明的另一實施例的半導體製程的生產排程估測方法的流程圖。參考圖1以及圖4,生產排程估測系統100可執行以下步驟S410~S470,以取得機台群滯留時間資料以及機台群產能效率資料。在步驟S410,處理裝置110可讀取儲存在儲存裝置120中的預測模型122,並且執行預測模型122。在步驟S421,預測模型122可取得第j群的機台群滯留時間資料,其中j為正整數。在本實施例中,處理裝置110可從上述實施例所取得的機台群滯留時間資料來取得當日可能運行的第j群的機台群滯留時間資料,並且輸入至預測模型122。在步驟S422,預測模型122可取得第j群的機台群產能效率資料。在本實施例中,處理裝置110可從上述實施例所取得的機台群產能效率資料來取得當日可能運行的第j群的機台群產能效率資料,並且輸入至預測模型122。在步驟S423,預測模型122可取得第i日的在製品資料,其中i為正整數。在本實施例中,第i日的在製品資料可以是由製造者輸入的當日在製品資料,或者是從預測模型122所預測的第(i-1)日的產出資料中取得第(i-1)日所產出的(未完成)在製品類型以及在製品數量來做為第i日的在製品資料。
在步驟S430,處理裝置110可執行第i日的預測模型122。預測模型122可根據前述的多個資料來進行預測運算。在步驟S441,處理裝置110可取得第i日的每一站點的滯留時間資料。在步驟S442,處理裝置110可取得第i日的每一站點的產出資料。在本實施例中,第i日的每一站點的滯留時間資料(CT(i,j))以及第i日的每一站點的產出資料(Move(i,j))可分別由預測模型122基於在第i日一開始將流入第j群的機台群的在製品數量(WIP(i,j))(即在第i-1日完成的在製品數量)、在第i日中可能流入第j群的機台群的在製品數量(Close_WIP(i,j))(即在第i日中會從第j群之前的機台群完成的在製品數量)、第j群的機台群在第i日中的表定保養時間(PM)(即維修時間)以及第i日是否為假日(Holiday(i))(即停機日期)等相關資料來產生。
對此,第i日的每一站點的滯留時間數量(CT(i,j))以及第i日的每一站點的產出數量(Move(i,j))的計算方式可如以下式(1)以及式(2)的程式語言來表示之。
..式(1)
..式(2)
對此,第i日的不同在製品類型的在第j群的不同站點的滯留時間(CT(i,j,p,s))等於第i日的每一站點的滯留時間(CT(i,j)),其中可表示如以下式(3)的程式語言的結果。參數p及參數s為正整數,並且參數p代表某一個在製品類型,參數s代表某一個站點。
……式(3)
對此,第1日至第i日的每一站點的滯留時間的累計可如以下式(4)的程式語言來表示之。
……式(4)
對此,第i日的某一個在製品類型的某一站點的產出數量(Move(i,j,p,s))的計算方式可如以下式(5)的程式語言來表示之,其中
為代表某一個在製品類型的產出比例。
……式(5)
在步驟S450,處理裝置110可計算第i+1日的在製品資料。在本實施例中,第i+1日的在製品數量(
)可為累計第i+1日的每一個在製品類型的每一站點的在製品數量(
)的結果,並且可如以下式(6)的程式語言來表示之。
……式(6)
此外,第i+1日的某一個在製品類型的某一站點的在製品數量(
)可為第i日的某一個在製品類型的某一站點的在製品數量(
)減掉第i日的某一個在製品類型的某一站點的產出數量(Move(i,j,p,s)),並且再加上第i日的某一個在製品類型的前一個站點的完成數量的累計結果(
),其中可表示如以下式(7)的程式語言的結果。
……式(7)
值得注意的是,在計算第i+1日的在製品資料的過程中,處理裝置110可取得第i日的產出資料(當日產出資料),並且第i日的產出資料包括在製品經過第j群的機台群的多個站點製程後在製品類型以及第i日的產出量。對此,在第i日的產出量,即是在第i+1日中可能流入第j群的機台群的在製品數量(Close_WIP(i+1,j))的計算方式可由以下式(8)的程式語言來計算之。
……式(8)
在步驟S460,處理裝置110可判斷產品是否完成。若否,則重新執行步驟S410,以進行下一日(i+1)的預測。若是,則執行步驟S470,以結束預測。值得注意的是,處理裝置110可從當日產出資料中擷取出下一日在製品資料。對此,在遞迴執行步驟S410~S460的過程中,處理裝置110可根據機台群的多個站點的每一個的每一日滯留時間資料以及每一日產出量來計算下一日在製品資料,並且遞迴執行預測模型122,以取得產品生產時間以及產品產出數量。產品產出數量為在遞迴執行生產排程估測方法(步驟S410~S460)的過程中所產生的對應於多個機台群的多個站點的每一個在不同日的多個產出量的加總結果。並且,在遞迴執行生產排程估測方法(步驟S410~S460)的過程中所產生的對應於不同日的多個滯留時間資料為多個動態機台滯留時間。因此,基於上述步驟S410~S470的遞迴執行結果,預測模型122可準確地預測完成半導體製程產品之製程流程所需的時間,並且可預測各機台群的各站點在每一日所完成的在製品類型以及在製品數量等相關資料,以實現準確的生產排程估測。
綜上所述,本發明的半導體製程的生產排程估測方法以及系統可透過兩階段的估測計算,來實現準確的生產排程估測結果。本發明的半導體製程的生產排程估測方法以及系統可先透過機器學習的方式來根據在製品歷史資料以及半導體製程機台歷史資料來產生可隨不同日期而改變的機台群動態滯留時間資料以及機台群產能效率資料。接著,本發明的半導體製程的生產排程估測方法以及系統可透過預測模型來根據可隨不同日期而改變的機台群動態滯留時間資料以及機台群產能效率資料來進一步準確地預測完成半導體製程產品之製程流程所需的時間。此外,本發明的半導體製程的生產排程估測方法以及系統還可預測各機台群的各站點在每一日所完成的在製品類型以及在製品數量等相關估測資訊,以供半導體製造者可利用前述的相關估測資訊進行有效的半導體製程的生產排程設計,進而有效提升半導體製程效率。
雖然本發明已以實施例揭露如上,然其並非用以限定本發明,任何所屬技術領域中具有通常知識者,在不脫離本發明的精神和範圍內,當可作些許的更動與潤飾,故本發明的保護範圍當視後附的申請專利範圍所界定者為準。
100:電子裝置
110:處理裝置
120:儲存裝置
121:機器學習模組
122:預測模型
S210~S240、S310~S390、S410~S470:步驟
圖1是依照本發明的一實施例的半導體製程的生產排程估測系統的示意圖。
圖2是依照本發明的一實施例的半導體製程的生產排程估測方法的流程圖。
圖3是依照本發明的一實施例的取得機台群滯留時間資料以及機台群產能效率資料的流程圖。
圖4是依照本發明的另一實施例的半導體製程的生產排程估測方法的流程圖。
S210~S240:步驟
Claims (18)
- 一種半導體製程的生產排程估測方法,包括:取得一當日在製品資料、一機台群滯留時間資料以及一機台群產能效率資料;輸入該當日在製品資料、該機台群滯留時間資料以及該機台群產能效率資料至一預測模型;藉由該預測模型計算該機台群的多個站點的每一個的一當日滯留時間資料以及一當日產出量;根據該機台群的該些站點的每一個的該當日滯留時間資料以及該當日產出量來計算一當日產出資料;以及根據該機台群的該些站點的每一個的該當日滯留時間資料以及該當日產出量來計算下一日在製品資料,並且遞迴執行該預測模型,以取得一產品生產時間以及一產品產出數量。
- 如請求項1所述的生產排程估測方法,其中當日產出資料包括一在製品在當日經過的機台群的該些站點製程後的一在製品類型以及當日產出量。
- 如請求項1所述的生產排程估測方法,其中該產品產出數量為在遞迴執行該生產排程估測方法的過程中所產生的對應於多個機台群的該些站點的每一個在不同日的多個產出量的加總結果。
- 如請求項1所述的生產排程估測方法,其中在遞迴執行該生產排程估測方法的過程中所產生的對應於不同日的多個滯留時間資料為多個動態機台滯留時間。
- 如請求項1所述的生產排程估測方法,其中取得該機台群滯留時間資料以及該機台群產能效率資料的步驟包括:取得一在製品歷史資料以及一機台歷史資料;對該在製品歷史資料以及該機台歷史資料進行一特徵擷取,以取得多個特徵資料;以及將該些特徵資料輸入至一機器學習模組,以使該機器學習模組進行預測以輸出該機台群滯留時間資料以及該機台群產能效率資料。
- 如請求項5所述的生產排程估測方法,其中該機台群滯留時間資料包括對應於相同機台種類的多個站點對於不同在製品數量及在製品類型的多個機台滯留時間。
- 如請求項5所述的生產排程估測方法,其中該機台群產能效率資料包括對應於相同機台種類的多個站點對於所輸入的不同在製品數量及不同在製品類型的多個產出量資料、多個運轉時間資料、多個平均故障間隔資料及多個平均復原時間資料的至少其中之一。
- 如請求項5所述的生產排程估測方法,其中該些特徵資料包括不同站點的一每日產出資料、一運轉時間資料、一停機時間資料、一平均故障間隔資料以及一平均復原時間資料。
- 如請求項5所述的生產排程估測方法,其中該些特徵資料包括不同在製品數量以及不同在製品類型分別在不同站點的停滯時間資料。
- 一種半導體製程的生產排程估測系統,包括:一儲存裝置,用以儲存一預測模型;以及一處理裝置,耦接該儲存裝置,並且用以執行該預測模型,其中該處理裝置取得一當日在製品資料、一機台群滯留時間資料以及一機台群產能效率資料,並且輸入該當日在製品資料、該機台群滯留時間資料以及該機台群產能效率資料至該預測模型,以藉由該預測模型計算該機台群的多個站點的每一個的一當日滯留時間資料以及一當日產出量,其中該處理裝置根據該機台群的該些站點的每一個的該當日滯留時間資料以及該當日產出量來計算一當日產出資料;其中該處理裝置根據該機台群的該些站點的每一個的該當日滯留時間資料以及該當日產出量來計算下一日在製品資料,並且遞迴執行該預測模型,以取得一產品生產時間以及一產品產出數量。
- 如請求項10所述的生產排程估測系統,其中當日產出資料包括一在製品在當日經過的機台群的該些站點製程後的一在製品類型以及當日產出量。
- 如請求項10所述的生產排程估測系統,其中該產品產出數量為在遞迴執行該生產排程估測方法的過程中所產生的 對應於多個機台群的該些站點的每一個在不同日的多個產出量的加總結果。
- 如請求項10所述的生產排程估測系統,其中在遞迴執行該生產排程估測方法的過程中所產生的對應於不同日的多個滯留時間資料為多個動態機台滯留時間。
- 如請求項10所述的生產排程估測系統,其中該處理裝置取得一在製品歷史資料以及一機台歷史資料,並且該處理裝置對該在製品歷史資料以及該機台歷史資料進行一特徵擷取,以取得多個特徵資料,其中該處理裝置將該些特徵資料輸入至一機器學習模組,以使該機器學習模組進行預測以輸出該機台群滯留時間資料以及該機台群產能效率資料。
- 如請求項14所述的生產排程估測系統,其中該機台群滯留時間資料包括對應於相同機台種類的多個站點對於不同在製品數量及在製品類型的多個機台滯留時間。
- 如請求項14所述的生產排程估測系統,其中該機台群產能效率資料包括對應於相同機台種類的多個站點對於所輸入的不同在製品數量及不同在製品類型的多個產出量資料、多個運轉時間資料、多個平均故障間隔資料及多個平均復原時間資料的至少其中之一。
- 如請求項14所述的生產排程估測系統,其中該些特徵資料包括不同站點的一每日產出資料、一運轉時間資料、一停機時間資料、一平均故障間隔資料以及一平均復原時間資料。
- 如請求項14所述的生產排程估測系統,其中該些特徵資料包括不同在製品數量以及不同在製品類型分別在不同站點的停滯時間資料。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW110131566A TWI815173B (zh) | 2021-08-26 | 2021-08-26 | 半導體製程的生產排程估測方法以及系統 |
CN202111073076.3A CN115730697A (zh) | 2021-08-26 | 2021-09-14 | 半导体制造工艺的生产调度估测方法以及*** |
US17/491,502 US20230066892A1 (en) | 2021-08-26 | 2021-09-30 | Production schedule estimation method and system of semiconductor process |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW110131566A TWI815173B (zh) | 2021-08-26 | 2021-08-26 | 半導體製程的生產排程估測方法以及系統 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202310112A TW202310112A (zh) | 2023-03-01 |
TWI815173B true TWI815173B (zh) | 2023-09-11 |
Family
ID=85288071
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW110131566A TWI815173B (zh) | 2021-08-26 | 2021-08-26 | 半導體製程的生產排程估測方法以及系統 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20230066892A1 (zh) |
CN (1) | CN115730697A (zh) |
TW (1) | TWI815173B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113139702B (zh) * | 2021-05-28 | 2024-04-30 | 上海华力微电子有限公司 | 在制品数量的预测方法及预测*** |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201532118A (zh) * | 2013-12-09 | 2015-08-16 | Globalfoundries Us Inc | 用於控制多批工件處理的方法、儲存媒體及系統 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5825650A (en) * | 1997-03-11 | 1998-10-20 | Taiwan Semiconductor Manufacturing Co., Ltd. | Method for determining standard cycle time of a stage dynamically |
JP4874606B2 (ja) * | 2005-09-12 | 2012-02-15 | 株式会社東芝 | 用力設備設計装置、自動用力設備設計方法及び用力設備設計プログラム |
US7974723B2 (en) * | 2008-03-06 | 2011-07-05 | Applied Materials, Inc. | Yield prediction feedback for controlling an equipment engineering system |
US8190543B2 (en) * | 2008-03-08 | 2012-05-29 | Tokyo Electron Limited | Autonomous biologically based learning tool |
-
2021
- 2021-08-26 TW TW110131566A patent/TWI815173B/zh active
- 2021-09-14 CN CN202111073076.3A patent/CN115730697A/zh active Pending
- 2021-09-30 US US17/491,502 patent/US20230066892A1/en active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201532118A (zh) * | 2013-12-09 | 2015-08-16 | Globalfoundries Us Inc | 用於控制多批工件處理的方法、儲存媒體及系統 |
Also Published As
Publication number | Publication date |
---|---|
US20230066892A1 (en) | 2023-03-02 |
CN115730697A (zh) | 2023-03-03 |
TW202310112A (zh) | 2023-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101287169B1 (ko) | 프로세스 제어를 위한 제품 관련 피드백 | |
Li et al. | Data-based scheduling framework and adaptive dispatching rule of complex manufacturing systems | |
TWI649649B (zh) | 用於改進製造產量之基於事件處理的系統 | |
US8504186B2 (en) | Method for automatic generation of throughput models for semiconductor tools | |
TWI815173B (zh) | 半導體製程的生產排程估測方法以及系統 | |
WO2019196427A1 (zh) | 基于支撑故障事件约束机组组合的备用优化方法和装置 | |
Hao et al. | One-batch preempt deterioration-effect multi-state multi-rework network reliability problem and algorithms | |
US8155770B2 (en) | Method and apparatus for dispatching workpieces to tools based on processing and performance history | |
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 | |
CN112330063B (zh) | 设备故障预测方法、装置以及计算机可读存储介质 | |
US20190041202A1 (en) | Inspection-guided critical site selection for critical dimension measurement | |
Kim et al. | A prediction of chip quality using OPTICS (Ordering Points to Identify the Clustering Structure)-based feature extraction at the cell level | |
Zhang et al. | Artificial neural networks in production scheduling and yield prediction of semiconductor wafer fabrication system | |
TW202004642A (zh) | 用於改善生產週期的方法 | |
JP2007058564A (ja) | 生産設備の設計支援システム | |
Jia et al. | Dynamic process modeling and real-time performance evaluation of rework production system with small-lot order | |
Dahari et al. | Robust Control Chart Application in Semiconductor Manufacturing Process | |
CN112016866A (zh) | 订单数据处理方法、装置、电子设备及可读介质 | |
Chen | A FNP approach for evaluating and enhancing the long-term competitiveness of a semiconductor fabrication factory through yield learning modeling | |
Meidan et al. | Data mining for cycle time key factor identification and prediction in semiconductor manufacturing | |
Lin | Application of extracted rules from a multilayer perceptron network to moulding machine cycle time improvement | |
CN114723286A (zh) | 学习型派工***以及派工方法 | |
Chen et al. | Repairing of Missing Data in Scheduling Based on Generative Adversarial Network | |
Shahzad et al. | A yield aware sampling strategy for tool capacity optimization | |
Ewen et al. | Reduced modeling approach for semiconductor supply chains |