不确定环境下半导体生产线关键参数预测与调度方法研究

摘要

随着信息技术与产业在经济社会发展中的地位日益加强及“互联网+”理念在各行业生态中的普及，使作为信息基础产业的半导体制造业显得尤为重要。而半导体生产线存在诸多不确定的动态生产因素，在需求快速变化及市场竞争加剧的背景下，如何有效提升调度算法柔性已成为亟待解决的问题。瓶颈设备和工件加工周期等参数是影响调度算法性能的关键因子，目前现有识别和预测方法均难以适应动态生产环境。因此，本课题针对半导体生产线动态特性，以瓶颈设备为核心，重点研究瓶颈和工件加工周期的预测及动态调度方法设计问题，为解决半导体生产线调度优化提供新思路。本文具体研究内容如下:
　　1、针对半导体生产线中不确定因素所带来的动态特性及其导致的以瓶颈设备控制为核心的调度算法缺乏柔性问题，研究一种基于傅立叶变换的敏感度分析方法以优化神经网络模型结构来预测瓶颈，使得模型能够自动调整适应动态生产环境，并结合预测结果利用单因子分析方法研究瓶颈设备漂移趋势。
　　2、针对半导体生产线海量的冗余生产数据及制造企业准时交货率低问题，采用改进的CLARA聚类算法简化生产数据，同时利用互信息评价准则计算贡献度矩阵衡量网络结构，并以此预测工件局部等待时间以有效估计全局加工周期。
　　3、针对半导体生产线系统规模庞大、计算复杂度高问题，研究一种基于分层预估迭代思想的机器层分解方法来分治调度问题，缩小调度规模，并结合基于心跳机制的分层动态调度算法滚动更新动态投料策略和分层派工规则，提升调度系统的适应性。

目录

声明

摘要

第一章 绪论

1．1 课题研究背景及意义

1．2 半导体生产线描述

1．2．1 半导体生产工艺流程

1．2．2 半导体生产线特点

1．3 半导体生产线关键参数及调度方法研究现状

1．3．1 瓶颈设备识别现状

1．3．2 瓶颈设备预测方法研究现状

1．3．3 工件加工周期研究现状

1．3．4 调度方法研究现状

1．4 论文结构安排

第二章 基于增长修剪型神经网络的瓶颈预测方法

2．1 引言

2．2 前馈神经网络基本理论

2．2．1 前馈神经网络模型

2．2．2 反向传播学习算法

2．3 基于复合定义的瓶颈识别

2．3．1 瓶颈设备内部特性

2．3．2 瓶颈设备外部特性

2．3．3 瓶颈设备识别机制

2．4 改进的动态神经网络模型

2．4．1 模型敏感度分析

2．4．2 基于傅立叶变换的敏感度计算

2．4．3 基于敏感度分析的网络结构优化

2．4．4 动态瓶颈预测框架

2．5 仿真结果及分析

2．6 本章小结

第三章 基于互信息的混合神经网络加工周期预测方法

3．1 引言

3．2 海量生产数据简化

3．2．1 基于划分思想的k-mediods算法

3．2．2 改进的CLARA算法及应用

3．3 网络动态结构优化

3．3．1 互信息评价指标基本理论及应用

3．3．2 基于互信息的神经网络结构优化

3．3．3 模型稳定性证明

3．4 基于等待时间的工件加工周期预测模型

3．4．1 工件加工周期分析

3．4．2 工件加工周期预测模型

3．5 仿真结果及分析

3．6 本章小结

第四章 基于全局特性的分层动态调度方法

4．1 引言

4．2 基于分层预估迭代思想的机器层分解

4．3 基于心跳机制的分层动态调度算法

4．3．1 结合瓶颈特性的动态WIP投料策略

4．3．2 综合上下游信息的分层动态派工规则

4．3．3 基于心跳机制的分层动态调度算法框架

4．4 仿真结果及分析

4．5 本章小结

第五章 结论与展望

参考文献

致谢

研究成果及发表的学术论文

作者和导师简介