半导体制造系统的重调度决策系统

摘要

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，本发明中，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，本发明提高了半导体制造系统的重调度决策的准确性。

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重调度决策系统。

背景技术

半导体制造系统具有可重入流、单件与批处理设备组共存、设备负载不均衡等不同于传统生产线的特殊性和复杂性。加工设备随机故障、工件重加工、紧急定单等不确定因素，使得半导体制造系统处于高度不确定性环境中。为了对系统的干扰进行快速响应，提高系统的生产效率和稳定性，需要采用重调度决策手段来根据干扰对半导体制造系统的影响进行评估，并选择优化的重调度控制层次。目前一般的半导体制造车间的重调度决策通常由有经验的调度工程师进行操作实施，决策过程通常结合工作经验，采用启发式规则的方法进行重调度控制层次的选择，指导车间各种干扰的动态处理和生产过程的运行。

经对现有技术文献的检索发现，R.Kumar等在《International Journal ofProduction Research》(生产研究国际杂志)(2004年42卷21期)4431-4455页上发表的“Modeling and rescheduling of a re-entrant wafer fabricationline involving machine unreliability”(考虑设备不可靠情况下的可重入生产线建模与重调度)，该文中采用基于启发式规则的方法用于半导体生产线的重调度决策，通过对系统的设备是否故障、故障设备是否修复、排队工件数量是否大于设定值和是否到达平均重调度周期等四个规则进行检测，决策可重入制造生产线是否进行重调度以及具体重调度控制方法的选择。由于该文献的重调度决策过程考虑的系统因素较少，没有考虑到紧急订单插入、工件返工等常见干扰对半导体生产线的影响；决策的规则过于简单，因此适应性和智能性较差；同时决策评价的指标主要考虑交货期和拖期成本，没有考虑到重调度决策方法的健壮性等性能指标。因此该方法仅适用于经过简化的简单、小规模问题的情况，不适合复杂、大规模和不确定情况下的半导体制造生产线的重调度决策。

发明内容

本发明针对现有技术的不足和缺陷，提出一种半导体制造系统的重调度决策系统，使其具有根据当前的动态设备故障、晶圆返工和紧急订单插入等干扰的影响快速选择优化的重调度控制层次和方法的功能，显著的提高了半导体生产线的重调度决策能力。

本发明是通过以下技术方案实现的，本发明包括：GUI(图形用户界面)模块、模糊神经网络决策模块和模糊神经网络参数训练模块，其中：

GUI模块为客户所使用的图形用户界面，负责用户与模糊神经网络决策模块和模糊神经网络参数训练模块等模块的人机交互操作，该模块接收人机交互过程中输入的重调度决策的历史数据、半导体制造系统生产状态和干扰信息，接收人机交互操作过程中输入的模糊神经网络参数训练模块和模糊神经网络决策模块的初始化参数信息，并显示各模块的中间结果和最后的决策输出结果；

模糊神经网络决策模块一方面从GUI模块获得半导体制造系统的生产状态和干扰信息数据，另一方面从模糊神经网络参数训练模块获得模糊化层的中心值参数和宽度值参数信息、输出层的连接权值参数，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一方面接收模糊神经网络决策模块的重调度决策处理的输出信息，一方面从GUI模块获取模糊神经网络训练初始化参数设定值信息和重调度决策的历史数据，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，并将优化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传输给模糊神经网络决策模块，并传输给GUI模块。

所述模糊神经网络决策模块，包括：输入层子模块、模糊化层处理子模块、规则层处理子模块、归一化层处理子模块、输出层处理子模块和重调度决策输出子模块，其中：

输入层子模块负责从GUI模块获取接收半导体制造系统的m个生产状态和干扰信息，具体信息包括：受干扰的设备组平均队列长度L、半导体制造系统调度的稳定性βc、受干扰的设备组平均相对负载η、受干扰的设备组工件后序平均松弛时间ts和半导体制造系统的干扰参数T等，并输出给模糊化层处理子模块；

模糊化层处理子模块一方面从输入层子模模块获得生产状态和干扰信息，一方面从模糊神经网络参数训练模块获取高斯函数的中心值参数c和宽度值参数σ，针对每一个输入的生产状态和干扰信息，根据3组对应的中心值参数c和宽度值参数σ，分别采用3个高斯函数进行模糊变换处理，获得3m个模糊化处理输出数据并输出到规则层处理子模块；

规则层处理子模块负责对从模糊化层处理子模块输入的数据进行规则乘积处理，针对从模糊化处理子模块获得的3m个模糊化处理数据，首先按照从每一生产状态和干扰信息所对应的3个模糊化处理数据中取一个数据的规则，挑选m个模糊化处理数据，然后将挑选的m个数据进行乘积处理，按照该挑选规则，规则层处理子模块共形成3^m个规则乘积处理的输出数据并输出到归一化层处理子模块；

归一化层处理子模块负责将规则层处理子模块输出的数据进行归一化处理，针对规则层处理子模块输出的3^m个规则乘积处理的输出数据，首先对这3^m个输出数据进行求和，然后将求和获得的值去除各个输出数据，获得归一化层处理子模块的3^m个归一化处理数据输出并输入到输出层处理子模块；

输出层处理子模块一方面从规一化层处理子模块获得规一化输出数据，一方面从模糊神经网络参数训练模块获得输出层权值参数w数据，对归一化层处理子模块输出的3^m个归一化处理数据，将其与从模糊神经网络参数训练模块获得的输出层训练权值参数w相乘并进行加权，加权的结果采用3个tansig函数进行输出层函数变换处理，获得3个输出层处理子模块的处理输出变量数据，将处理的数据变量输出到模糊神经网络参数训练模块和重调度决策输出子模块；

重调度决策输出子模块从输出层处理子模块获取3个输出变量数据后，将其中绝对值最大的变量数据作为优化的重调度决策输出，输出到GUI模块。

所述模糊神经网络参数训练模块，包括：参数输入子模块、训练参数更新子模块和参数输出子模块，其中：

参数输入子模块负责从GUI模块获取模糊神经网络训练的训练次数参数、初始化学习率参数、模糊化层的中心值参数c和宽度值参数σ的初始值、输出层的权值参数w的初始值和重调度决策的历史数据，从模糊神经网络决策模块的输出层处理子模块获得加权函数变换处理的输出数据，并输入到训练参数更新子模块；

训练参数更新子模块负责对模糊神经网络决策模块中的模糊化层的3m个中心值参数c和宽度值参数σ、输出层的3^m+1个权值参数w进行优化训练处理，该子模块根据获得的加权函数变换处理的输出数据、模糊神经网络决策模块当前的中心值参数c、宽度值参数σ和权值参数w，采用有监督的梯度下降寻优的方法分别计算模糊神经网络决策模块中的模糊化层的3m个中心值参数c和宽度值参数σ沿梯度方向的变化率的值，计算模糊神经网络决策模块中的输出层的3^m+1个权值参数w对应的沿梯度方向的变化率的值，并与当前的中心值参数c、宽度值参数σ和权值参数w值进行累加，从而获得训练优化的中心值参数c、宽度值参数σ和权值参数w的值，通过上述操作实现对模糊神经网络决策模块中的模糊化层和输出层参数的优化训练处理，获得的优化训练处理值输出到参数输出子模块；

参数输出子模块从训练参数更新子模块获得优化的模糊化层的中心值参数c、宽度值参数σ，输出给模糊神经网络决策模块中的模糊化层处理子模块和GUI模块；从训练参数更新子模块获得优化的输出层权值参数w，输出给模糊神经网络决策模块中的输出层处理子模块和GUI模块。

本发明运行过程中在训练阶段，GUI模块首先接收用户输入的半导体制造系统的生产状态和干扰信息、模糊神经网络训练的初始化参数设定值信息和重调度决策的历史数据，分别将其输出给模糊神经网络决策模块和模糊神经网络参数训练模块；模糊神经网络决策模块一方面从GUI模块获得半导体制造系统的生产状态和干扰信息，一方面从模糊神经网络参数训练模块获得优化的模糊化层的中心值和宽度值参数和输出层的权值参数信息，进行半导体制造系统重调度决策处理，并将优化的决策处理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一方面从模糊神经网络模块接收决策处理结果信息，一方面GUI模块接收模糊神经网络训练的初始化设定值信息，对模糊神经网络模块中的模糊化层的中心值和宽度值参数和输出层的权值参数进行训练处理，将优化的模糊化层的中心值和宽度值参数和输出层的权值参数传输给模糊神经网络模块，并传输给GUI模块，当模糊神经网络参数训练模块的训练次数到达初始设定值，则结束模糊神经网络的训练，进入模糊神经网络重调度决策系统的决策阶段。

在决策阶段，GUI模块首先接收用户输入的半导体制造系统的生产状态和干扰信息，将其输出给模糊神经网络决策模块；模糊神经网络决策模块一方面从GUI模块获得半导体制造系统的生产状态和干扰信息，一方面从模糊神经网络参数训练模块获得优化的模糊化层的中心值和宽度值参数和输出层的权值参数信息，进行半导体制造系统重调度决策处理，并将优化的决策处理结果输出到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的各种实时生产状态和干扰信息(如设备故障、返工和紧急订单等)，基于重调度决策的健壮性等指标，采用多个模糊神经网络处理子模块对重调度策略进行优化决策处理，具有较好的适应性和较优的决策性能。基于半导体制造企业的实际生产数据进行重调度决策分析并与和传统的基于规则的决策系统进行比较，半导体制造系统的重调度决策的准确性提高了8％-10％，达到93％-98.3％(与理想的最优重调度决策输出的相对误差率控制在1.75％-5％以内)。因此，对大规模的半导体制造系统的重调度控制优化具有明显的现实意义。同时本发明的重调度决策过程的处理时间在30-60秒以内，满足半导体制造系统调度生产运行的需求。

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生产状态和干扰信息和重调度决策的历史数据，形成90个时间段(3小时/段)的半导体制造系统重调度决策的训练样本数据，如表1所示。其中生产状态和干扰信息个数m＝5，即：受干扰的设备组平均队列长度L、半导体制造系统调度的稳定性βc、受干扰的设备组平均相对负载η、受干扰的设备组工件后序平均松弛时间ts和半导体制造系统的干扰参数T等信息。如下表：表1重调度决策的训练数据表：

如图1所示，本实施例包括：GUI模块、模糊神经网络决策模块和模糊神经网络参数训练模块，其中：

GUI模块为客户所使用的图形用户界面，负责用户与模糊神经网络决策模块和模糊神经网络参数训练模块等模块的人机交互操作。该模块接收人机交互过程中输入的重调度决策的历史数据、半导体制造系统生产状态和干扰信息；接收人机交互操作过程中输入的模糊神经网络参数训练模块和模糊神经网络决策模块的初始化参数信息；并显示各模块的中间结果和最后的决策输出结果；

模糊神经网络决策模块一方面从GUI模块获得半导体制造系统的生产状态和干扰信息数据，另一方面从模糊神经网络参数训练模块获得模糊化层的中心值参数和宽度值参数信息、输出层的连接权值参数，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一方面接收模糊神经网络决策模块的重调度决策处理的输出信息，一方面从GUI模块获取模糊神经网络训练初始化参数设定值信息和重调度决策的历史数据，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，并将优化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传输给模糊神经网络决策模块，并传述给GUI模块。

所述模糊神经网络决策模块，包括：输入层子模块、模糊化层处理子模块、规则层处理子模块、归一化层处理子模块、输出层处理子模块和重调度决策输出子模块，其中：

输入层子模块负责从GUI模块获取接收半导体制造系统的m＝5个生产状态和干扰信息，并输出给模糊化层处理子模块；

模糊化层处理子模块负责对输入的5个生产状态和干扰信息进行模糊化变换处理。模糊化层处理子模块一方面从输入层子模块获得生产状态和干扰信息，一方面从模糊神经网络参数训练模块获取高斯函数的中心值参数c和宽度值参数σ。针对每一个输入的生产状态和干扰信息，根据3组对应的中心值参数c和宽度值参数σ，分别采用3个高斯函数$f\left(x_i\right)=e^{-\frac{{(x_i-c_i)}^2}{{\sigma }_i^2}}$进行模糊变换处理，获得15个模糊化处理输出数据并输出到规则层处理子模块，通过以上方法实现模糊化层处理子模块的高斯函数模糊化处理；

规则层处理子模块负责对从模糊化层处理子模块输入的数据进行规则乘积处理，针对从模糊化处理子模块获得的15个模糊化处理数据，首先按照从每一生产状态和干扰信息所对应的3个模糊化处理数据中取一个数据的规则，挑选5个模糊化处理数据，然后将挑选的5个数据进行乘积处理。按照该挑选规则，规则层处理子模块共形成3⁵个规则乘积处理的输出数据并输出到归一化层处理子模块，通过以上方法实现规则层处理子模块的规则乘积处理；

归一化层处理子模块负责将规则层处理子模块输出的数据进行归一化处理，针对规则层处理子模块输出的3⁵个规则乘积处理的输出数据，首先对这3⁵个输出数据进行求和，然后将求和获得的值去除各个输出数据，获得归一化层处理子模块的3⁵个归一化处理数据输出并输入到输出层处理子模块，通过以上方法实现归一化层处理子模块的归一化处理；

输出层处理子模块负责将归一化层处理子模块的输出数据进一步进行加权和函数变换处理。输出层处理子模块一方面输入规一化层处理子模块的规一化输出数据，一方面从模糊神经网络参数训练模块获得输出层权值参数w数据。针对归一化层处理子模块输出的3⁵个归一化处理数据，将其与从模糊神经网络参数训练模块获得的输出层训练权值参数w相乘并进行加权，加权的结果采用3个tansig函数进行输出层函数变换处理，获得3个输出层处理子模块的处理输出变量数据，将处理的数据变量输出到模糊神经网络参数训练模块和重调度决策输出子模块；通过以上方法实现输出层处理子模块的加权和函数变换处理；

重调度决策输出子模块从输出层处理子模块获取3个输出变量数据后，并将其中绝对值最大的变量数据作为优化的重调度决策输出，输出到GUI模块。

所述模糊神经网络参数训练模块，包括：参数输入子模块、训练参数更新子模块和参数输出子模块，其中：

参数输入子模块负责从GUI模块获取模糊神经网络训练过程的训练次数参数、初始化学习率参数、模糊化层的中心值参数c和宽度值参数σ的初始值、输出层的权值参数w的初始值和重调度决策的历史数据，从模糊神经网络决策模块的输出层处理子模块获得加权函数变换处理的输出数据，并输入到训练参数更新子模块；

训练参数更新子模块负责对模糊神经网络决策模块中的模糊化层的15个中心值参数c和宽度值参数σ、输出层的3⁶个权值参数w进行优化训练处理，该子模块根据获得的加权函数变换处理的输出数据、模糊神经网络决策模块当前的中心值参数c、宽度值参数σ和权值参数w，采用有监督的梯度下降寻优的方法分别计算模糊神经网络决策模块中的模糊化层的15个中心值参数c和宽度值参数σ沿梯度方向的变化率的值，计算模糊神经网络决策模块中的输出层的3⁶个权值参数w对应的沿梯度方向的变化率的值，并与当前的中心值参数c、宽度值参数σ和权值参数w值进行累加，从而获得训练优化的中心值参数c、宽度值参数σ和权值参数w的值，通过以上过程实现对对模糊神经网络决策模块中的模糊化层和输出层参数的优化训练处理，获得的优化训练处理值输出到参数输出子模块；

参数输出子模块从训练参数更新子模块获得优化的模糊化层的中心值参数c、宽度值参数σ，输出给模糊神经网络决策模块中的模糊化层处理子模块和GUI模块；从训练参数更新子模块获得优化的输出层权值参数w，输出给模糊神经网络决策模块中的输出层处理子模块和GUI模块。

所述模糊神经网络参数训练模块，其训练的模糊神经网络决策模块中的模糊层处理子模块的15个中心值参数c和宽度值参数σ的初始值选取如表2所示，输出层子模块中的3⁶个权值参数w的初始值设定为0.8，初始化学习率参数γ＝0.01；训练次数参数N_max＝10⁴。如下表：表2中心值参数和宽度值参数的初始值：

 

序号c_ij参数名初始值σ_ij参数名初始值1C₁₁1σ₁₁2.02C₁₂4σ₁₂2.03C₁₃7σ₁₃2.04C₂₁2σ₂₁2.05C₂₂2.5σ₂₂2.06C₂₃3.5σ₂₃2.07C₃₁0.6σ₃₁2.08C₃₂0.7σ₃₂2.0

 

9C₃₃0.8σ₃₃2.010C₄₁2σ₄₁2.011C₄₂3.5σ₄₂2.012C₄₃5σ₄₃2.013C₅₁1.5σ₅₁2.014C₅₂6σ₅₂2.015C₅₃9σ₅₃2.0

本实施例中模糊神经网络决策模块基于半导体生产线的生产过程中的状态信息和干扰信息进行重调度决策，重调度决策结果如下表所示，表3模糊神经网络决策模块的重调度决策输出：

本实施例系统对半导体生产线的干扰进行重调度决策，根据半导体生产线的设备故障、返工和紧急订单等干扰的影响和生产状态信息，考虑到重调度决策输出的健壮性等性能指标，采用多个模糊神经网络处理子模块对重调度策略进行优化决策处理，使半导体生产线的重调度决策具有较好的适应性和较优的决策性能，提高了干扰情况下半导体生产线重调度控制的效率。本发明获得的半导体制造系统的重调度决策的准确性也提高了8％-10％，达到93％-98.3％(与理想的最优重调度决策输出的相对误差率控制在1.75％-5％以内)。