《【精品论文】基于紧急订单预测与 DBR 相结合的半导体.doc》由会员分享，可在线阅读，更多相关《【精品论文】基于紧急订单预测与 DBR 相结合的半导体.doc（10页珍藏版）》请在三一文库上搜索。
1、精品论文基于紧急订单预测与 DBR 相结合的半导体生产线优化调度方法研究曹政才1,3，彭亚珍1，李博25（1. 北京化工大学信息科学与技术学院， 北京 100029；2. 中国科学院理化技术研究所， 北京 100190；3. 东南大学复杂工程系统测量与控制教育部重点实验室，南京 210096） 摘要：针对紧急订单在生产过程中易受系统生产状态影响及对常规订单造成冲击的特性，给 出基于紧急订单预测与“鼓-缓冲-绳子”（Drum- Buffer- Rope，DBR）相结合的半导体生产10线优化生产调度方法研究。通过自适应神经模糊推理系统（Adaptive Neuro-fuzzy InferenceS
2、ystem，ANFIS）构建紧急订单相关信息预测模型，利用模糊推理系统将预测结果与相应的 DBR 调度算法相结合，使生产线提前调整投料策略，保证紧急订单到来时保证生产线有效 完成其加工任务及减小紧急订单与常规订单之间的相互影响。 关键词：控制科学与控制工程；半导体生产线；调度；鼓-缓冲-绳子；自适应神经模糊推理15系统中图分类号：TP273Research on the semiconductor production line optimized scheduling based on rush order prediction combined with20the DBR methodCA
3、O Zhengcai1,3, PENG Yazhen1, LI Bo2(1. College of Information Science and Technology, Beijing University of Chemical Technology, Beijing, China, 100029;2. Technical Institute of Physics and Chemistry, Chinese Academy of Sciences, Beijing, China,25100190;3. Key Laboratory of Measurement and Control o
4、f Complex Systems of Engineering, Ministry ofEducation, Southeast University, Nanjing, China, 210096)Abstract: The rush order forecasting combined DBR (Drum- Buffer- Rope) method is proposed for the problem that the urgent orders in semiconductor production line are always influenced by producing30s
5、tatement and will impact the regular orders performance. The ANFIS (Adaptive Neuro-fuzzy Inference System) is first applied to build a prediction model for the related information of the coming rush order. Then the fuzzy inference system is used to decide the corresponding parameter of the previous
6、DBR method. After that, the production line is adjusted before the rush order comes, which will reduce the inference of both the regular order and rush order.35Keywords:Control Science and Control Engineering;Semiconductor ProductionLine;Scheduling;Drum- Buffer- Rope;Adaptive Neuro-fuzzy Inference S
7、ystem0引言半导体生产线具有多重入、加工过程复杂、混合加工模式、高度不确定、多目标等特性，40属于典型离散事件动态系统1，调度难度远远大于传统制造系统。目前针对这一问题的研究基金项目：教育部博士点基金新教师课题(20090010120011)；复杂系统管理与控制国家重点实验室开放课题 资助（20120104）；系统控制与信息处理教育部重点实验室开放基金（SCIP2011005） 作者简介：曹政才（1974-），博士，教授/博导，主要研究方向：复杂系统建模、优化与控制. E-mail:- 10 -大致可以分为三类2, 3：（1）借助智能化理论来寻找新的求解方法，由于搜索速度难以充分 考虑复杂
8、约束等局限性，使研究成果离实用化还有着相当大的距离；（2）优先注重问题求 解的可行性，如运用仿真技术，借助组合规则获得性能较优的调度，这方面研究往往能够较 充分地考虑多重入制造系统的复杂约束，且容易实现，但不能保证全局最优；（3）采用基45于数据的方法，能较好克服传统建模方法及常用优化方法对复杂生产过程调度问题进行建模 和优化时存在的缺陷，但该研究仍属于探索阶段，其理论和应用成果均有限。上述调度方法理论研究已取得一定成果，但很难应用到实际生产中。DBR4, 5是基于约 束理论思想提出的调度方法，其精髓在于突出主要矛盾，以生产车间中关键性的瓶颈设备控 制为核心，带动其他生产设备的调度与管理，此思
9、想方法尤其适用于解决大规模复杂性问题。50同时，在半导体生产线实际运行中，遭遇紧急订单是极为常见的现象。紧急订单通常具 有较高全局优先级，因此一方面会扰乱常规订单的正常生产节奏，另一方面也会受到当前常 规订单加工状态的影响。现阶段针对紧急订单的研究并不多见，Ehteshami 等6研究紧急订 单对于工件加工周期的影响，指出紧急订单的引入将大大降低平均加工周期这一性能指标。 Chen 等7提出基于启发式规则的紧急订单接单模型；Wang 等8构建一个供应链网络优化模55型，以合适的方式将紧急订单分发到供应链网络，以满足客户对紧急订单的要求；陈俊9通过对引入紧急订单后系统的暂态过程进行研究，并结合瓶
10、颈的相关信息，构造相应紧急订 单条件下的投料策略。上述研究均建立在紧急订单已知的前提下，未能针对紧急订单预测做出相应处理。鉴于 紧急订单对常规订单产生不良影响的特性及其准时交付率的重要性，对紧急订单的预测将有60利于生产调度的研究。ANFIS 是神经网络与模糊逻辑融合的产物，具有以任意精度逼近任 意线性及非线性函数能力，且推广能力强、收敛速度快、样本需要量少10，因此，对于半 导体生产线紧急订单预测问题而言是一种具有优势的解决方案。图 1 基于紧急订单预测与 DBR 相结合的65半导体生产过程调度流程Fig. 1 Flow chart of the semiconductor producti
11、on process scheduling based on rush order prediction combined with the DBR method本文基于 ANFIS 对紧急订单进行预测，通过结合专家经验知识，确定基于 DBR 的调度算法中的相关参数，以此实现对调度过程的提前调整，保证紧急订单顺利完成，在一定程度70降低紧急订单对常规订单造成的影响，优化半导体生产线运行效率。图 1 为基于紧急订单预 测与 DBR 相结合的半导体生产过程调度实现流程。1基于 ANFIS 的紧急订单预测ANFIS 由 Jang11提出，该系统将模糊推理系统的先验知识概括、推理能力与神经网络的强大学
12、习能力有机结合到一起，借助神经网络学习与信息存储能力，实现模糊推理系统自75适应、自组织化。1.1ANFIS 简介ANFIS 基于 Takage-Sugeno 型模糊推理系统构建，由输入 x1 , x2 ,K , xI 到输出 f 共分为 五层。若模型中含有 N 条 if-then 模糊规则：ifx= A1 , x= A1 , x= A1 ,then1 1 2 2 I IIf1 = pi ,1 xi + r1i =1ifx= A2 , x= A2 , x= A2 ,thenL1 1 2 2 I IIf 2 = pi , 2 xi + r2i =1. (1)ifthenx = AN , x =
13、AN , x = AN ,1 1 2 2 I IIf N = pi , N xi + rNi =180则模型输出 f 为：NNN f = wn fn / wn = wn f n .(2)n =1n =1n=11.2基于 ANFIS 的紧急订单预测为实现半导体制造系统紧急订单预测，针对加工 n 类工件的半导体生产过程构建如下紧 急订单模型：85y = f ( x1 , x2 , x3 , L , xn +3 ) .(3)其中 x 为客户代码，其值为 1-m（m 为整数，具有 m 位客户）；x , x , L , x表示各产123n +1品订单量，分别对应 n 种不同产品的需求数量； xn + 2
14、 代表订单距交付期的时间； xn +3 为紧急 订单代码，其值为 1 表示该订单为紧急订单，0 表示该订单为常规订单； y 为 ANFIS 输出， 输出为 0 表示下一订单为常规订单，否则下一订单是紧急订单，且其值代表了紧急订单的类90型。同样在预测紧急订单量及紧急订单距交付期时间间隔时，y 分别指代紧急订单的量及紧急订单距交付期时间。 在确定模型相应输入输出的基础上，依据减法聚类获取模糊规则产生初始模糊预测系统，然后通过神经网络进行自适应数据学习，从而获取数据中的隐含知识。训练过程中，将 历史数据分成两组，其中一组用来训练，另外一组用来测试。基于 ANFIS 的紧急订单预测95流程如图 2
15、所示。100105110图 2 基于 ANFIS 的紧急订单预测流程Fig. 2 Flow chart of ANFIS-based rush order prediction以某半导体生产线为例，该生产线共为 10 位客户提供服务，能加工 6 种不同类型的工件。现有历史订单数据共计 122 组，将其中前 87 组订单数据用于训练，后 35 组数据用于测 试。针对紧急订单类型、紧急订单量及紧急订单距交付期时间间隔三个指标的需求，相应建 立三组预测模型。紧急订单工件类型预测仿真结果如图 3 至 5 所示，另外图 6 至图 8 为紧急订单量预测仿 真结果，图 9 至图 11 为紧急订单距交付期时间
16、间隔预测仿真结果。每组仿真结果由对应预 测模型训练误差、训练结果与测试结果 3 张仿真结果图构成。从图中可以看出，经过一定训 练周期后，训练误差均能达到相对稳定的状态，从训练结果与测试结果可以看出相应预测模 型具有较好的预测精度。因此，通过应用 ANFIS 对历史数据挖掘学习，能有效实现紧急订 单相关信息的预测。图 3 紧急订单工件类型训练均方误差Fig.3 Training error of rush orders product item图 4 紧急订单工件类型训练结果Fig.4 The training results of rush orders product item115120图
17、 5 紧急订单类型测试结果Fig.5 The test results of rush orders product item图 6 紧急订单量训练误差Fig.6 Training error of rush orders quantity精品论文图 7 紧急订单量训练结果Fig.7 The training results of rush orders quantity125图 8 紧急订单量预测结果Fig.8 The prediction results of rush orders quantity图 9 紧急订单距交付期时间间隔训练误差Fig.9 Training error of d
18、ays for delivery rush order精品论文130135140145150图 10 紧急订单距交付期时间间隔训练结果Fig.10 The training results of days for delivery rush order图 11 紧急订单距交付期时间间隔预测结果Fig.11 The prediction results of days for delivery rush order2基于紧急订单预测信息的 DBR 调度系统瓶颈负荷调整由分析半导体生产线调度系统可知紧急订单对准时交付率及平均加工周期等参数影响 重大，其中以紧急订单的量及紧急订单交付期是决定紧急订单
19、紧迫度的关键因素。同时，在 DBR 调度系统中，瓶颈负荷是对生产具有重要影响的因素之一。通过将利用 ANFIS 预测得 到的紧急订单信息与生产线运行历史状态相结合，使生产线瓶颈负荷状态在紧急订单到来之 前提前得到调整，降低紧急订单造成生产线的扰动作用。3仿真验证本文以某半导体生产线模型为仿真对象进行验证。其中，仿真持续 3 年（每年按 360 天计），每天 24 小时不间断加工，正式仿真前有半年时间进行预仿真。预仿真前 90 天投入 无订单号的工件，投料固定时间间隔为 36 小时，使生产线达到饱和状态。第 90 至 180 天依 据订单信息投料，使生产线进入稳定生产状态，投料固定时间间隔为 3
20、8 小时。整个预仿真 期间工件调度采用 FIFO 策略。另外，生产线故障维护采用基于定时维护的策略。仿真结果如图 12 至 19 所示，图 12 为产量对比，从图中可以看出不加预测的 DBR 调度 方法产量最高，而加入预测控制后，生产线为了调整相关参数状态，保证后续紧急订单的有 效加工，因此会对常规订单造成一定影响，使得常规订单产量有所下降。图 13 至图 15 为紧 急订单的平均加工周期、平均加工周期方差及准时交付率，基于 DBR 的调度方法具有较好精品论文155160165的性能，且加入紧急订单预测信息对生产线调节后，紧急订单性能指标都有所提升，尤其是准时交付率得到大幅度提高，且非常稳定。
21、图 16 至图 18 为常规订单平均加工周期、平均加 工周期方差及准时交付率三个性能指标比较图，从图中可以看出基于紧急订单预测的 DBR 调度方法能在有效提高紧急订单性能指标的同时有效保证常规订单的生产。图 19 为移动步 数，本文所给出调度方法在移动步数上有所降低，这也是保证紧急订单顺利加工的前提之一。 总体而言，仿真表明本文所给出在预测紧急订单相关信息的基础上提前调整生产线的瓶颈负 荷期的方法能有效提升相应的生产线性能指标。图 12 产量对比图Fig.12 Performance of Throughput图 13 紧急订单平均加工周期对比图Fig.13 Performance of me
22、an cycle time for rush orders图 14 紧急订单平均加工周期方差对比图Fig.14 Variance of mean cycle time for rush orders170175图 15 紧急订单准时交付率对比图Fig.15 Performance of on-time delivery rate for rush orders图 16 常规订单平均加工周期对比图Fig.16 Performance of mean cycle time for regular orders图 17 常规订单平均加工周期方差对比图Fig.17 Variance of mean c
23、ycle time for regular orders图 18 常规订单准时交付率对比图Fig.18 Performance of On-time delivery rate for regular orders1804结论图 19 移动步数对比图Fig.19 Performance of movements185190195200205210本文给出了一种基于 ANFIS 的半导体制造系统紧急订单预测模型，用以解决半导体生 产线紧急订单与常规订单之间相互影响的问题。在预测得到的紧急订单量及交货期信息的基 础上，采用模糊推理系统将经验规则转化为基于扩展 DBR 的调度算法相关参数调整指标，
24、使上述预测信息与扩展 DBR 调度方法相结合，有效改善半导体生产线上紧急订单准时交付 率及常规订单平均加工周期等性能指标。参考文献 (References)1 吴启迪, 乔非, 李莉, 等. 半导体制造系统调度M. 北京: 电子工业出版社, 2006.2 乔非, 马玉敏, 李莉, 等. 基于分层瓶颈分析的多重入制造系统调度方法J. 计算机集成制造系统, 2010,16(4): 855-860.3 刘民. 基于数据的生产过程调度方法研究综述J. 自动化学报, 2009, 35(6): 785-806.4 Rahman S. Theory of constraints: A review of t
25、he philosophy and its applicationsJ. International Journal ofOperations & Production Management, 1998, 18(4): 336-355.5 王军强, 孙树栋, 王东成, 等. 基于约束理论的制造单元管理与控制研究J. 计算机集成制造系统, 2006,12(7): 1108-1116.6 Ehteshami B, Petrakian R G, Shabe P M. Trade-offs in cycle time management: Hot lotsJ. IEEE Transactions o
26、n Semiconductor Manufacturing, 1992, 5(2): 101-106.7 Chen C. A heuristic model for justifying the acceptance of rush orders in multi-plants manufacturing supply chain with outsourcingA. 8th IEEE International Conference on Industrial InformaticsC. Osaka, Japan: Institute of Electrical and Electronic
27、s Engineers Inc., 2010, 607-611.8 Wang C, Liu G, Chen M, et al. A supply chain network system optimum model for rush orders production decision in global manufacturingA. 8th IEEE International Conference on Industrial InformaticsC. Osaka, Japan: Institute of Electrical and Electronics Engineers Inc., 2010, 617-622.9 陈俊. 半导体生产线的紧急订单调度问题研究D. 上海: 同济大学, 2007.10 余颖, 乔俊飞. 基于 ANFIS 的污水处理过程建模的研究J. 计算机工程, 2006, 32(8): 266-268, 277.11 Jang J R. ANFIS: adaptive-network-based fuzzy inference systemJ. IEEE Transactions on Systems, Man and Cybernetics, 1993, 23(3): 665-685.