Page 92 - 机械自动化设计与制造研究
P. 92
机械自动化设计与制造研究
Research on Mechanical Automation Design and Manufacturing
待时间最短的设备作为工件加工设备的调度。
二、半导体生产线动态调度框架
半导体生产线调度问题可描述为{P，D，F}，其中：P为生产线性能指标的集合，
F 为半导体生产线生产属性（特征）全集，D 为在生产状态 F 下满足 P 近似最优
的调度策略集合（或调度参数组合）. 由于半导体生产线复杂，生产属性繁多，
在调度决策时，为了提高调度效率，只需考察关键的生产属性（特征），即以生
产属性（特征）全集 F 为对象，通过特征选择，从 F 中选出合适的生产属性（特
征）子集 SF；然后应用数据挖掘算法，实现由 SF 到 D 的快速映射，即任意给定
一组生产属性（特征）子集，将找到满足系统性能指标近似最优的调度策略。
整个框架分为两部分：离线训练部分和在线运行部分，其中，离线训练部
分包括生成样本数据的仿真模型、样本数据库和机器学习模块，用以生成在线调
度器所使用的调度模型；在线运行部分则包括生产线实时状态数据的采集和在线
调度器，各部分的具体的功能分别为：
半导体生产线仿真模型：它是一个面向对象的半导体生产线仿真模型，可
根据 MES 中的数据动态生成，确保了模型中对象及其状态与实际生产线同步，
运行仿真模型一个调度周期（如 4h 或 8h）生成原始的数据样本 {F，D'，P'}，其中：
F 为生产线状态数据，D' 为生产线采用的候选调度策略组合，P' 为采用调度策略
组合 D' 后生产线模型运行一个调度周期获得的各项性能指标，如：设备利用率、
出片率、移动步数 MOV， Turn 等。根据调度目标，筛选出此目标下的最佳数据
样本，从而形成学习样本 {F，D}。
机器学习：动态调度算法属于分类算法，根据数据样本，通过机器学习生
成调度分类模型（即调度模型），供生产线调度器使用。目前有很多机器学习算
法可供使用，如人工神经网络（ANN）、K-NN 近邻算法、支持向量机（SVM）、
极限学习机（ELM）算法等。
在线调度器：在线调度器包含了一个调度模型库，调度模型由机器学习获得，
在线调度器根据调度目标（如：出片率最优、设备利用率最优或综合指标最优）
选择相应的调度模型，得到当前生产线状态下近似最优的调度策略组合。
80
80
