半导体制造系统的日产出量预测系统

摘要

一种半导体制造领域的半导体制造系统的日产出量预测系统，本发明中，GUI模块负责与用户和其他模块进行交互；日产出量时间序列的相空间重构模块获得日产出量时间序列，对日产出量时间序列进行预处理后，将经过重构处理的日产出量时间序列输出给GUI模块和神经网络模块；神经网络模块进行日产出量时间序列的预测处理，并将预测处理结果输出到神经网络的参数训练处理模块和GUI模块；神经网络参数的训练处理模块对神经网络模块中的隐含层和输出层权值参数进行训练处理。本发明提高了半导体生产线的日产出量预测的准确性和精度。

说明书

技术领域

本发明涉及一种半导体制造技术领域的信息处理系统，具体是一种半导体制造系统的日产出量预测系统。

背景技术

由于半导体生产线属于混合加工模式，其加工工艺流程复杂，在制品品种多、数量大，生产过程存在各种离散、动态、不确定性事件，产品的平均加工周期较长，导致半导体制造系统生产作业计划和调度制定困难，且可行性较低。而通过在半导体制造系统的控制系统中加入生产预测控制手段来辅助以上问题的解决，可以有效提高半导体制造系统的生产作业计划和控制的精度和可行性。半导体制造系统日产出预测过程就是根据可重入生产线的日产量历史数据，通过一定的方法去发现其中隐藏的规律，以指导和辅助半导体制造系统的生产作业计划与调度制定，提高生产作业计划与调度的可行性和准确性。

基于半导体生产线或加工单元产出量预测的系统被越来越多的用于晶圆加工的生产作业计划以及晶圆调度派发过程。

经对现有技术文献的检索发现，C.-L.HUANG等在《International Journalof Production Research》(生产研究国际杂志)(1999年37卷6期)1387-1402页上发表的“The construction of production performance prediction system forsemiconductor manufacturing with artificial neural networks”(基于人工神经网络的半导体制造生产性能指标预测系统研究)，该文中提出了采用BP神经网络方法用于半导体制造系统加工单元的在制品(WIP，Work In Process)和产出量的预测。建模过程中，将当前加工单元和前一个加工单元的过去几天的WIP和产出量等性能数据作为BP神经网络模型的输入，对当前加工单元的未来一天的WIP和产出量指标进行预测。由于半导体制造系统属于大规模复杂的制造系统，晶圆加工过程中受到生产线的生产作业计划、调度策略、不确定干扰等各种因素的影响，系统的产出量等性能指标变化表现出随机性。基于人工神经网络的方法用于产出量的预测，预测模型的输入维数选取随机性较大，主要通过枚举试验的方法，预测模型的适应性差；基于人工神经网络方法通常将过去连续数天的历史数据作为预测模型的输入，没有对产出量等性能指标的历史数据变化的特性和规律进行深入分析，导致模型预测的精度较差；同时BP神经网络方法参数训练过程的容易陷入局部优化，因此不适应于大规模复杂的半导体加工的产出量预测的环境。

发明内容

本发明的目的是针对上述现有技术的不足，提出一种半导体制造系统的日产出量预测系统，使其具有半导体制造系统的日产出量预测的功能，且能够提高半导体制造系统的日产出量预测精度和水平，为半导体制造系统的生产作业计划与调度提供支持。

本发明是通过以下技术方案实现的，本发明包括：GUI模块、日产出量时间序列的相空间重构模块、神经网络模块和神经网络参数的训练模块，其中：

GUI模块接收用户输入的日产出量时间序列信息和神经网络训练的初始化参数设定值信息，分别将其输出给日产出量时间序列的相空间重构模块和神经网络的参数训练处理模块；

日产出量时间序列的相空间重构模块获得日产出量时间序列，对日产出量时间序列进行预处理后，将经过重构处理的日产出量时间序列输出给GUI模块和神经网络模块，其中，预处理包括：时间延迟识别处理、嵌入维数识别处理和相空间重构处理，针对日产出时间序列；

神经网络模块一方面从日产出量时间序列的相空间重构模块获得重构后的日产出量时间序列数据，另一方面从神经网络参数的训练模块获得优化的隐含层和输出层权值参数，进行日产出量时间序列的预测处理，并将预测处理结果输出到神经网络的参数训练处理模块和GUI模块；

神经网络参数的训练处理模块一方面接收日产出量时间序列的相空间重构模块的日产出量时间序列的预处理结果信息，一方面从GUI模块接收神经网络训练的初始化参数设定值信息，对神经网络模块中的隐含层和输出层权值参数进行训练处理，将优化的隐含层和输出层权值参数传输给神经网络模块，并传输给GUI模块。

所述日产出量时间序列的相空间重构模块，包括三个子模块：时间延迟处理子模块、嵌入维数处理子模块和相空间重构子模块，其中：

时间延迟子处理模块负责对日产出量时间序列进行时间延迟信息的识别处理，时间延迟处理子模块从GUI模块获得日产出量时间序列数据，采用去偏自相关函数方法计算不同时间延时情况下时间序列的关联系数，随着时间延迟变量的增大，关联系数单调递减，当关联系数降到初始值的1-(1/e)时，所对应的时间延迟变量即为获得的当前日产出量时间序列的时间延迟信息，并将日产出时间序列的时间延迟信息传输给嵌入维数处理子模块和相空间重构子模块；

嵌入维数处理子模块负责对日产出量时间序列进行嵌入维数信息m的识别处理，嵌入维数处理子模块读取时间延迟信息，并从GUI模块获得日产出量时间序列数据，采用格劳斯伯格-布朗西尔(Grassberger-Procaccia)方法计算日产出量时间序列的嵌入维数，首先，设定初始的嵌入维数值为1，计算日产出时间序列数据的关联积分函数，随着嵌入维数值增加时，关联积分函数值变化率增大，当关联积分函数值变化率不随嵌入维数值的增加而增加时，对应的嵌入维数值为当前日产出量时间序列的嵌入维数值信息，并将日产出量时间序列的嵌入维数信息m传输给相空间重构子模块；

相空间重构子模块负责对日产出量时间序列进行相空间重构处理，相空间重构子模块读取时间延迟信息和嵌入维数信息，并从GUI模块获得日产出量时间序列数据，在延迟函数和嵌入维数的基础上，采用相空间重构方法的时间序列变换规则，将N行×1列的日产出量时间序列变换成(N-m)行×m列的日产出量时间序列，从而实现日产出量时间序列的相空间重构处理。

所述的神经网络模块，包括：输入层处理子模块、隐含层处理子模块、输出层处理子模块和预测输出子模块，其中：

输入层处理子模块负责对相空间重构处理的日产出量时间序列进行输入层函数变换处理，在对相空间重构处理的日产出量时间序列进行分析的基础上，对日产出量时间序列的m列，采用m个tansig函数作为输入函数，对日产出量时间序列进行输入层函数变换处理；

隐含层处理子模块负责将输入层处理子模块的输出数据进行加权和函数变换处理，针对输入层处理子模块的m列输出时间序列数据，将其与从神经网络参数的训练模块获得的隐含层的训练权值参数相乘并进行加权，加权的结果采用k个tansig函数进行隐含层函数变换处理，以实现隐含层处理子模块的加权和函数变换处理；

输出层处理子模块负责将隐含层处理子模块的输出数据进行加权和输出函数变换处理，针对隐含层处理子模块的k列输出时间序列数据，将其与从神经网络参数的训练模块获得的输出层的训练权值参数相乘并进行加权，加权的结果采用1个tansig函数进行输出层函数变换处理，以实现输出层处理子模块的加权和函数变换处理；

预测输出子模块负责从输出层处理子模块获取预测值，并将预测值输出到GUI模块。

所述神经网络参数的训练模块，包括：初始化参数获取子模块、训练参数向量优化选择子模块、信息素数量更新子模块，其中：

初始化参数获取子模块从GUI模块获取信息素增加数量的设定值，输出到信息素数量更新子模块；同时初始化参数子模块从GUI模块获得训练参数向量的数量、神经网络的隐含层和输出层的权值参数取值范围等参数的设定值，并从日产出量时间序列的相空间重构模块获得日产出量时间序列数据，输出到训练参数向量优化选择子模块；

训练参数向量优化选择子模块负责神经网络的隐含层和输出层的权值参数的优化选择处理，根据信息素量较大优先规则，从神经网络的隐含层和输出层的权值参数集合中选择P组隐含层和输出层的权值参数向量，计算P组权值参数向量的输出误差，输出到信息素数量更新子模块，同时从信息素数量更新子模块获取权值参数集合对应的信息素数量，优先选用信息素含量最高的一组隐含层和输出层的权值参数，并输出到神经网络模块的隐含层处理子模块、输出层处理子模块和GUI模块。

信息素数量更新子模块从初始化参数获取子模块获得信息素增加数量的设定值信息，并从训练参数向量优化选择子模块获得权值参数向量的输出误差值，对神经网络的隐含层和输出层的权值参数集合的信息素量的更新处理，通过根据P组权值参数向量的输出误差值倒数的大小和设定的信息素增加数量参数来增加相应隐含层和输出层的权值参数的信息素量的方法，对信息素量进行更新。

本发明运行过程中，GUI首先接收用户输入的日产出量时间序列信息和神经网络训练的初始化参数设定值信息，分别将其输出给日产出量时间序列的相空间重构模块和神经网络的参数训练处理模块；日产出量时间序列的相空间重构模块获得日产出量时间序列，对日产出量时间序列进行预处理后，将经过重构处理的日产出量时间序列输出给GUI模块和神经网络模块；神经网络模块一方面从日产出量时间序列的相空间重构模块获得重构后的日产出量时间序列数据，另一方面从神经网络参数的训练模块获得优化的隐含层和输出层权值参数，进行日产出量时间序列的预测处理，并将预测处理结果输出到神经网络的参数训练处理模块和GUI模块；神经网络参数的训练处理模块一方面接收日产出量时间序列的相空间重构模块的日产出量时间序列的预处理结果信息，一方面从GUI模块接收神经网络训练的初始化参数设定值信息，对神经网络模块中的隐含层和输出层权值参数进行训练处理，将优化的隐含层和输出层权值参数传输给神经网络模块，并传输给GUI模块。

与现有技术相比，本发明具有如下有益效果：

本发明根据半导体制造系统中各种随机干扰因素对日产出量数据变化影响，采用多个预处理子模块对日产出量数据进行了预处理，减小各种干扰对日产出量数据预测的影响；同时通过多个参数处理子模块的对预测的参数的优化处理，具有预测速度快和准确性高的特点。

因此，本发明对于半导体制造系统的日产出量数据的预测具有较高的准确度，基于半导体企业的日产出量数据预测数据进行检验分析，本发明可将半导体制造系统的日产出量预测准确度提高到94％以上，与实际的日产出量之间的平均相对误差率减小到4％-6％以内，明显高于现有的半导体制造系统的日产出量预测方法(现有预测方法的最好平均相对误差率在7％-10％左右)，提高了日产出量预测的精度和准确性，对半导体制造系统的优化管理具有重要的现实意义。同时，本发明的半导体制造系统的日产量预测的处理时间在3-5秒以内，符合半导体制造系统生产应用的需求。

附图说明

图1为本发明的系统结构框图。

具体实施方式

下面结合附图对本发明的实施例作详细说明：本实施例在以本发明技术方案为前提下进行实施，给出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。

本实施例中获取的半导体制造系统的日产出量历史数据，形成90天的日产出量时间序列如表1所示。

表1日产出量时间序列样本

  天数序号  1  2  3  4  5  67   8910  日产出量  1173  546  1475  1307  1605  1181557531892826  天数序号  11  12  13  14  15  1617181920  日产出量  315  756  475  1136  969  116394359913101184  天数序号  21  22  23  24  25  2627282930  日产出量  904  793  1082  1044  604  485987   9716461210  天数序号  31  32  33  34  35  36。。。。。。。。。。。。  日产出量  924  504  498  901  761  525。。。。。。。。。。。。  天数序号  71  72  73  74  75  7677787980  日产出量  1369  359  1141  743  891  1019907768943669  天数序号  81  82  83  84  85  8687888990  日产出量  1338  1443  1691  1611  816  11721589173215081683

如图1所示，本实施例包括：GUI模块、日产出量时间序列的相空间重构模块、神经网络模块和神经网络参数的训练模块，其中：

GUI模块接收用户输入的日产出量时间序列信息和神经网络训练的初始化参数设定值信息，分别将其输出给日产出量时间序列的相空间重构模块和神经网络的参数训练处理模块；

日产出量时间序列的相空间重构模块获得日产出量时间序列，对日产出量时间序列进行预处理后，将经过重构处理的日产出量时间序列输出给GUI模块和神经网络模块，其中，预处理包括：时间延迟识别处理、嵌入维数识别处理和相空间重构处理，针对日产出时间序列；

神经网络模块一方面从日产出量时间序列的相空间重构模块获得重构后的日产出量时间序列数据，另一方面从神经网络参数的训练模块获得优化的隐含层和输出层权值参数，进行日产出量时间序列的预测处理，并将预测处理结果输出到神经网络的参数训练处理模块和GUI模块；

神经网络参数的训练处理模块一方面接收日产出量时间序列的相空间重构模块的日产出量时间序列的预处理结果信息，一方面从GUI模块接收神经网络训练的初始化参数设定值信息，对神经网络模块中的隐含层和输出层权值参数进行训练处理，将优化的隐含层和输出层权值参数传输给神经网络模块，并传输给GUI模块。

所述日产出量时间序列的相空间重构模块，包括三个子模块：时间延迟处理子模块、嵌入维数处理子模块和相空间重构子模块，其中：

时间延迟子处理模块负责对日产出量时间序列进行时间延迟信息的识别处理，时间延迟处理子模块从GUI模块获得日产出量时间序列数据，采用去偏自相关函数方法计算不同时间延时情况下时间序列的关联系数，随着时间延迟变量的增大，关联系数单调递减，当关联系数降到初始值的1-(1/e)时，所对应的时间延迟变量即为获得的当前日产出量时间序列的时间延迟信息，并将日产出时间序列的时间延迟信息传输给嵌入维数处理子模块和相空间重构子模块，本实施例中计算得到时间延迟τ＝6。

嵌入维数处理子模块负责对日产出量时间序列进行嵌入维数信息m的识别处理，嵌入维数处理子模块读取时间延迟信息，并从GUI模块获得日产出量时间序列数据，采用格劳斯伯格-布朗西尔(Grassberger-Procaccia)方法计算日产出量时间序列的嵌入维数，首先，设定初始的嵌入维数值为1，计算日产出时间序列数据的关联积分函数，随着嵌入维数值增加时，关联积分函数值变化率增大，当关联积分函数值变化率不随嵌入维数值的增加而增加时，对应的嵌入维数值为当前日产出量时间序列的嵌入维数值信息，并将日产出量时间序列的嵌入维数信息m传输给相空间重构子模块，本实施例中计算得到嵌入维数m＝7。

相空间重构子模块负责对日产出量时间序列进行相空间重构处理，相空间重构子模块读取时间延迟信息和嵌入维数信息，并从GUI模块获得日产出量时间序列数据，在延迟函数和嵌入维数的基础上，采用相空间重构方法的时间序列变换规则，将N行×1列的日产出量时间序列变换成(N-m)行×m列的日产出量时间序列，从而实现日产出量时间序列的相空间重构处理。

本实施例中重构后的样本数量M＝54，如表2所示。

表2相空间重构的日产出量时间序列样本

相空间重构时间序列(Y_i)X_iX_i+1*6X_i+2*6X_i+3*6X_i+4*6X_i+5*6X_i+6*6  Y₁  1173  557  475  1310  604  924  443  Y₂  546  531  1136  1184  485  504  1053  YX  1475  892  969  904  987  498  977  Y₄  1307  826  1163  793  971  901  452  Y₅  1605  315  943  1082  646  761  1085  Y₆  1181  756  599  1044  1210  525  617  ...  ...  ...  ...  ...  ...  ...  ...  Y₄₉  1236  800  388  1373  1141  943  816  Y₅₀  1468  379  1307  472  743  669  1172  Y₅₁  564  1158  1178  1467  891  1338  1589  Y₅₂  1263  980  860  1319  1019  1443  1732  Y₅₃  1027  481  933  1369  907  1691  1508  Y₅₄  353  942  1244  359  768  1611  1683

所述的神经网络模块，包括：输入层处理子模块、隐含层处理子模块、输出层处理子模块和预测输出子模块，其中：

输入层处理子模块负责对相空间重构处理的日产出量时间序列进行输入层函数变换处理，在对相空间重构处理的日产出量时间序列进行分析的基础上，对日产出量时间序列的m(m＝7)列，采用m个tansig函数作为输入函数，对日产出量时间序列进行输入层函数变换处理；

隐含层处理子模块负责将输入层处理子模块的输出数据进行加权和函数变换处理，针对输入层处理子模块的m列输出时间序列数据，将其与从神经网络参数的训练模块获得的隐含层的训练权值参数相乘并进行加权，加权的结果采用k(k＝12)个tansig函数进行隐含层函数变换处理，以实现隐含层处理子模块的加权和函数变换处理；

输出层处理子模块负责将隐含层处理子模块的输出数据进行加权和输出函数变换处理，针对隐含层处理子模块的k列输出时间序列数据，将其与从神经网络参数的训练模块获得的输出层的训练权值参数相乘并进行加权，加权的结果采用1个tansig函数进行输出层函数变换处理，以实现输出层处理子模块的加权和函数变换处理；

预测输出子模块负责从输出层处理子模块获取预测值，并将预测值输出到GUI模块。

本实施例中，神经网络模块中隐含层和输出层的连接权重ω、v个数D＝96个。

所述神经网络参数的训练模块，包括：初始化参数获取子模块、训练参数向量优化选择子模块、信息素数量更新子模块，其中：

初始化参数获取子模块从GUI模块获取信息素增加数量的设定值，输出到信息素数量更新子模块；同时初始化参数子模块从GUI模块获得训练参数向量的数量、神经网络的隐含层和输出层的权值参数取值范围等参数的设定值，并从日产出量时间序列的相空间重构模块获得日产出量时间序列数据，输出到训练参数向量优化选择子模块；

训练参数向量优化选择子模块负责神经网络的隐含层和输出层的权值参数的优化选择处理，根据信息素量较大优先规则，从神经网络的隐含层和输出层的权值参数集合中选择P组隐含层和输出层的权值参数向量，计算P组权值参数向量的输出误差，输出到信息素数量更新子模块，同时从信息素数量更新子模块获取权值参数集合对应的信息素数量，优先选用信息素含量最高的一组隐含层和输出层的权值参数，并输出到神经网络模块的隐含层处理子模块、输出层处理子模块和GUI模块；

信息素数量更新子模块从初始化参数获取子模块获得信息素增加数量的设定值信息，并从训练参数向量优化选择子模块获得权值参数向量的输出误差值，对神经网络的隐含层和输出层的权值参数集合的信息素量的更新处理，通过根据P组权值参数向量的输出误差值倒数的大小和设定的信息素增加数量参数来增加相应隐含层和输出层的权值参数的信息素量的方法，对信息素量进行更新。

所述神经网络参数的训练模块，其训练神经网络模块的隐含层和输出层连接权重ω、v，连接权重ω、v的取值范围为[-1，1]，采用蚂蚁算法对神经网络模块的参数进行训练，具体训练步骤如下：

①初始化所有集合Ω_Pr中的每个元素P_j(Ω_Pr)∈[-1，1]，每个元素的信息素P_Pj(Ω_Pr)为1，1≤r≤96，通过设定最大训练次数N_max＝5×10³和最大的输出误差代价函数e_min＝1×10^-4作为终止的判据，然后从蚁巢发出M＝40只蚂蚁，每只都执行步骤②；

②蚂蚁从第1个集合开始，根据下述规则依次在每个集合中选择1个元素，同时对它的信息素增加I＝0.03，路径选择规则：对集合Ω_Pi，蚂蚁计算出的概率随机地选择它的第j个元素；

③当所有蚂蚁在每步中完成选择元素后，从所有集合的每一元素的信息素量中减去E＝0.01；

④对每一支蚂蚁，从所有集合中完成选择元素并执行步骤③后，它通过刚走过的路径返回蚁巢，同时根据信息素调节规则增加相应于所选元素的信息素。在此蚂蚁返回蚁巢后，它转向步骤②。此外，在每一时间步，都执行步骤③。信息素调节规则：对每个蚂蚁，在它从食物源返回它的蚂蚁巢其间，调节相应于每个所选元素Pl的信息素P_Pl，其中c＝0.8。

⑤如果蚂蚁寻优参数使得所有训练样本的最大输出误差函数e≤e_min，或者蚂蚁算法的循环次数大于最大的训练次数N_max，则迭代循环结束，否则重复上述步骤②-步骤④。

⑥预测结果输出。将半导体生产线的日产出量时间序列，输出到训练好的神经网络模块，对30天的半导体生产线的日产出量进行预测。

本实施例中神经网络模块对半导体生产线的日产出量预测结果如表3所示。

表3神经网络模块的预测结果

本实施例系统对半导体生产线的日产出量进行预测，根据半导体生产线的日产出量变化的随机性和内在规律性，解决了神经网络模型训练容易陷于局部优化的问题，快速有效的对半导体生产线的日产出量性能指标进行预测，提高了预测的精度和准确性，为半导体制造系统的生产作业计划与调度提供了指导和帮助。