一种半导体生产线动态调度装置的制造方法

本发明涉及生产自动化调度领域，尤其是涉及一种半导体生产线动态调度装置。

背景技术：
随着信息科技的迅速发展，半导体制造业已经成为国民经济的支柱产业和全球高科技产业的主流。半导体生产线调度问题是半导体企业生产线管理的核心内容，也是提高企业核心竞争力的关键。由于半导体生产线是一个动态系统，存在着各种随机性和不确定性因素，如机器故障、紧急生产任务插入等，因此，半导体生产线的现场管理需要有动态调度的要求，即根据半导体生产线的实时生产状态快速寻求到一个调度策略组合，使得半导体生产线在下个调度周期中达到的整体性能最优或近似最优。经对国内外的期刊和中国专利进行检索后，在半导体生产调度中，已有一些成果。在中国专利“应用于多重入复杂制造系统的调度方法”(公开号：CN101604409)中，曹政才等发明了一种应用于多重入复杂制造系统的调度方法，针对其典型代表——半导体生产线为研究对象，根据半导体生产线调度的特点，以规则调度为主线，对工件投料策略、工件选设备规则、批加工调度规则和单件加工设备调度规则按照一定方式进行编码，在考虑工件的准时交货率、产量和平均加工周期多目标优化性基础上，构造适应度函数，运用免疫遗传思想，抽取对遗传进化贡献较大的基因片段作为疫苗，在遗传过程中通过对个体注射疫苗来加大进化压力，从而依托免疫方法进行全局搜索来获得调度最优解，以此指导实际半导体生产制造。所提出的方法免疫方法简单、易于实现，是一种有效的可重入复杂生产系统调度方法，但是该方法的适应度值的评价依赖于仿真模型，求解速度过慢。在中国专利“基于多蚁群优化的半导体生产线排程方法”(公开号：CN102253662)中，李莉等提供了一种多蚁群优化的半导体生产线排程方法。该排程方法的实施步骤为：确定半导体生产线的瓶颈加工区域；设蚁群的个数为瓶颈加工区域的数目，初始化多蚁群系统；各个蚁群系统并行搜索各瓶颈加工区域的排程方案；将每个加工区域的排程方案按工序加工顺序约束整合为一个针对所有瓶颈加工区域的排程方案，并以该方案和工序加工顺序为约束，推导出其他非瓶颈区域的排程方案，从而获得整条半导体生产线的排程方案；判断是否满足程序终止条件，如果满足，则输出性能最优的排程方案；否则，使用目前性能最优的排程方案更新蚁群的信息素，开始新一轮的搜索过程。该方法的优点是直接使用智能优化方法获得半导体生产线的排程方案，缺点是运算时间长，难以满足生产实时性的要求。在中国专利“基于信息素的用于半导体生产线的动态调度方法”(公开号：CN1734382)中，吴启迪等提供了一种基于信息素的用于半导体生产线的动态调度方法。该调度方法的实施步骤为：首先，为每个WIP存储信息素变量，该变量与该WIP的交货期、待加工工序对设备的占用时间、WIP各工序的净加工时间以及WIP的生产周期倍增因子相关；其次，为每个设备存储信息素变量，该变量与设备负载相关，然后，把多个WIP的信息素变量以及相关的设备的信息素变量进行综合，为每个WIP生成一个选择变量；最后，根据该方法，对多个WIP的选择变量进行比较，并选择其中的一个进行加工。该调度方法可以同时改善生产系统的多个性能指标，包括短期性能指标以及长期性能指标，同时其计算量小、效率高、实时性好、易实现。而在系统和装置设计方面，中国专利“半导体制造系统的重调度决策系统”(公开号：CN101424919)中，张洁等设计了一种半导体制造领域的半导体制造系统的重调度决策系统。系统中，GUI模块负责与用户和其他模块进行交互；模糊神经网络决策模块获得半导体制造系统的生产状态和干扰信息数据，进行半导体制造系统的重调度决策处理，并将重调度决策处理的信息结果输出到模糊神经网络参数训练模块和GUI模块；模糊神经网络参数训练模块对模糊神经网络决策模块的模糊化层的中心值、宽度值参数和输出层的连接权值参数进行训练处理，提高了半导体制造系统的重调度决策的准确性。在中国专利“一种半导体生产线自适应动态调度装置”(公开号：CN103439886)中，李莉等针对瓶颈设备提出了一种半导体生产线自适应动态调度装置，与制造执行系统连接。该调度装置包括调度管理器、学习器和显示设备，调度管理器与制造执行系统连接，调度管理器、学习器和显示设备依次连接；调度管理器由制造执行系统获取当前待调度工件列表传输给学习器，学习器利用其保存的派工规则计算当前待调度工件加工优先级并传输给显示设备，显示设备对当前待调度工件加工优先级进行显示，供调度人员作决策。该调度方法具有提高工件加工效率和瓶颈设备利用率。动态调节性好等优点，但该方法主要针对瓶颈加工区。半导体生产线的动态调度问题采用传统优化调度方法(运筹学方法、启发式方法、人工智能方法等)往往在生产性能和实时性无法满足要求。同时，单个加工区的优化并不代表着整条生产线的优化。由于半导体生产线生产运行的复杂性，必需为其配备制造执行系统(ManufacturingExecutionSystem，MES)系统辅助运行控制。MES系统已经积累了大量与生产线有关的历史数据，并可实时采集到生产数据。这些生产数据中隐含了与实际车间调度相关的大量有效信息，在半导体生产线中，应考虑应用与生产调度相关的数据来有效地解决动态调度的问题，同时形成装置，可实际应用。

技术实现要素：
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种半导体生产线动态调度装置，既能改善生产线性能指标，又能满足半导体生产线调度的实时性的要求。本发明的目的可以通过以下技术方案来实现：一种半导体生产线动态调度装置，包括：用于生成数据样本的样本生成模块；用于根据所述数据样本建立调度模型的调度模型离线学习模块；用于根据用户调度目标和所述调度模型生成实时调度策略进行半导体生产线在线调度的生产线在线调度模块。所述样本生成模块包括半导体生产线模型单元和样本数据库，所述半导体生产线模型单元根据实际的半导体生产线生产状态和候选调度策略生成数据样本，存储于样本数据库。所述半导体生产线模型单元生成数据样本的具体过程为：1a)确定与实际调度环境相关的生产属性集、调度策略集和生产线性能指标集；1b)根据半导体生产线物理特征和控制特征构建仿真模型；1c)向仿真模型输入一条生产线状态数据，初始化仿真模型生产状态，获取一个生产线状态所对应的生产属性数据，应用调度策略，运行模型一个调度周期，获取该调度策略下的生产线性能指标值，形成一条数据样本，若有m个调度策略，则运行m次仿真模型，形成m条数据样本，即每个生产线状态对应着m条数据样本；1d)对所有的生产线状态数据逐条进行步骤1c)，形成数据样本，所述数据样本包括生产线状态、调度策略和相应的生产线性能指标。所述生产属性集包括产品属性、设备属性和加工区属性；所述调度策略集包括基于交货期的调度策略、基于加工周期的调度策略、基于工件等待时间的调度策略、基于负载均衡的调度策略和混合调度策略；所述生产线性能指标集包括硅片总移动量、移动速率、生产率、在制品水平和设备利用率。所述调度模型离线学习模块根据所述数据样本建立调度模型的具体过程为：2a)在生成的数据样本中，每个生产线状态都对应着m条样本数据，根据生产线性能指标集中的一个性能指标值或生产线综合性能指标值大小，选出该性能最佳下的所采用的调度策略，即以生产线性能指标集中的一个或多个性能指标为调度目标，选出每个生产状态下的最优调度策略，生产线状态、最优调度策略及对应的调度目标组成该调度目标下的最优样本，保存于最优样本数据库；2b)在某一调度目标下，将最优样本数据库中的样本数据进行归一化处理，分为训练样本集TE1和测试样本集TE2；2c)采用基于GA-ELM的特征选择与分类算法对训练样本集TE1进行学习，获得经过特征选择后的最优生产属性子集，即特征子集，并形成基于ELM的中间调度模型A*；2d)将测试样本集TE2输入到所述中间调度模型A*中，将获得的调度策略与测试样本中的调度策略对比，判断基于特征子集所获得的调度策略正确率是否优于基于未经特征选择的生产属性全集所获得的调度策略正确率，若是，则记录该特征子集，作为当前最优特征子集SF，转至步骤2e)，若否，则更新模型学习参数，返回步骤2c)；2e)将当前最优特征子集SF作为ELM算法的输入，再次对训练样本集TE1进行学习，获得最终用于指导半导体生产线运行的ELM调度模型A。所述基于GA-ELM的特征选择与分类算法具体为：3a)对生产属性集进行0-1编码，编码后形成染色体F＝(f1,f2,f3…fnf)，其中fi等于“1”或“0”，i＝1,2,3…,nf，“1”代表第i个生产属性被选中，“0”代表第i个生产属性未被选中，nf为生产属性个数；3b)初始化种群，包括种群规模、交叉概率和变异概率；3c)对染色体进行解码，得到特征选择后的生产属性子集，即特征子集；3d)初始化ELM算法，包括隐含层节点数和隐含层节点的激活函数，并随机设置输入层与隐含层间的连接权值和隐含层节点的偏置；3e)将经特征选择后的生产属性子集作为输入层变量，调度策略作为输出层变量，计算输出层权值，形成基于ELM的调度模型，应用测试样本集TE2评价所生成的ELM调度模型的预测精度，进而计算染色体的适应度，适应度函数定义如下：其中，nc代表测试样本集TE2中预测结果与实际结果相同的样本个数，nu是测试样本的总个数；3f)判断是否满足算法终止条件，若是，则输出优化的生产属性子集，若否，则经过选择、交叉、变异后，返回步骤3c)，直到满足终止条件为止。所述步骤3e)中，形成基于ELM的调度模型具体为：3e1)随机设置初始连接权值Wi和偏置θi，i＝1,2,…,l，l为隐含层节点数，Wi＝[wi1,wi2,…,win]T是第i个隐含层节点与输入节点的连接权值，wij是第i个隐含层节点与第j个输入节点的连接权值，n为输入节点数，θi是第i个隐含层节点的偏置量；3e2)计算隐含层输出矩阵S：其中，Xk为输入向量，k＝1,2,…,N，N为样本个数，g(·)为无限可微的激活函数；3e3)计算输出层权值V：V＝S+O其中，S+是矩阵S的Moore-Penrose广义逆矩阵，O＝(O1,O2,...,ON)T，Ok为输出向量；3e4)建立基于ELM的调度模型，其输入输出的关系表示为：所述步骤2d)中，模型学习参数包括交叉概率、变异概率和隐含层节点数。所述生产线在线调度模块生成实时调度策略具体为：对于t时刻的生产线状态Xt，根据当前调度目标确定特征选择后的生产属性子集Xt'，对生产线状态Xt进行归一化处理得XNt'，将XNt'输入至ELM调度模型A中，可得到对应的调度策略。与现有技术相比，本发明具有以下有益效果：1)本发明提供的动态调度装置根据半导体生产线的实时生产状态，快速提供下一调度周期可应用的半导体生产线的最优调度策略，辅助生产决策；2)本发明提供的动态调度装置利用从企业生产线获得的生产数据，通过特征选择去除了大量冗余或无关的生产属性，保证了分类的精度，即也确保了动态调度装置所输出的调度策略具有较高的准确度；3)本发明提供的动态调度装置可以根据需要优化指定的生产线某个或综合性能指标，为加工区特别是瓶颈加工区选择最优的调度策略，以提高生产线的性能，包括，设备利用率、生产率、平均加工周期、硅片总移动量和移动速率等；4)本发明提供了切实可行的半导体生产线动态调度装置，对解决半导体生产线动态调度难题具有重要的使用价值，对提高我国半导体企业的生产管理水平具有重要的指导意义。5)本发明提供的动态调度装置不仅适用于半导体制造系统，而且适用于其他复杂制造系统。附图说明图1为本发明的结构示意图；图2为本发明中基于GA-ELM的特征选择与分类算法的流程框图；图3为基于GA-ELM的特征选择与分类算法的详细设计流程图；图4为本发明采用的交叉算子原理图；图5为本发明采用的变异算子原理图。具体实施方式下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。如图1所示，本实施例提供一种半导体生产线动态调度装置，其特征在于，包括用于生成数据样本的样本生成模块、用于根据数据样本建立调度模型的调度模型离线学习模块和用于根据用户调度目标和调度模型生成实时调度策略进行半导体生产线在线调度的生产线在线调度模块。1)数据样本的生成样本生成模块包括半导体生产线模型单元和样本数据库，半导体生产线模型单元根据实际的半导体生产线生产状态和候选调度策略生成数据样本，存储于样本数据库。半导体生产线模型单元生成数据样本的具体过程为：1a)确定与实际调度环境相关的生产属性集、调度策略集和生产线性能指标集，生产属性集包括产品属...