基于数据的半导体制造系统投料计划研究

1、诚信声明本人声明：我所呈交的本科毕业设计论文是本人在导师指导下进行的研究工作及取得的研究成果。尽我所知，除了文中特别加以标注和致谢中所罗列的内容以外，论文中不包含其他人已经发表或撰写过的研究成果。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示了谢意。本人完全意识到本声明的法律结果由本人承担。 申请学位论文与资料若有不实之处，本人承担一切相关责任。本人签名： 日期：2010 年 06 月 12 日毕业设计（论文）任务书设计（论文）题目： 基于数据的半导体制造系统投料计划研究 学院： 信息学院 专业： 自动化 班级： 自控0606 学生： 毛文鑫 指导教师： 曹政才副教授

2、 专业负责人： 李大字 1设计（论文）的主要任务及目标学习半导体生产线工艺流程以及近期国内外相关学科的发展情况；学习使用eM-plant软件，建立半导体生产线模型，通过数据挖掘的方法对基本投料策略进行优化，使得到的优化投料策略满足瓶颈设备利用率和生产率两项指标最优的要求。2设计（论文）的基本要求和内容基于Minifab的半导体生产模型，使用eM-plant软件对基本投料策略进行仿真，把仿真结果作为神经网络学习算法的输入，得到优化的投料策略并与基本投料策略进行对比。3主要参考文献李莉，乔非，吴启迪. 基于系统动力学的半导体生产线投料策略J.中国机械工程，2006，17(23)：2507-2511

3、Glassey C R，Resende M G C. Closed-loop Job Release control for VSI 1 Circuit ManufacturingJ. IEEE Transactions on Semiconductor Manufacturing，1988，1(1)：36-34曹政才，吴启迪，乔非，王遵彤基于遗传算法的半导体生产线调度研究进展J. 同济大学学报(自然科学版)，2008，36（1）：98-101吴启迪，乔非，李莉，王遵彤. 半导体制造系统调度M北京：电子工业出版社，2006：200-209Glassey C R，Resende M G CA S

4、cheduling Rule for Job Release in Semiconductor FabricationJOperations Research Letter，1988，7(3)：213-217施於人，邓易元，蒋维eM-Plant仿真技术教程M北京：科学出版社，2009：358-387曹政才，余红霞，乔非基于Petri网与遗传算法的半导体生产线建模与优化调度J电子学报，2010 ，32（2）：340-344WEIN L M. Scheduling semiconductor wafer fabricationJ.IEEE Transactions on Semiconductor

5、 Manufacturing，1988，1(3)：115-130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)：785-8074进度安排设计（论文）各阶段名称起 止 日 期1阅读相关文献，撰写开题报告,完成文献翻译3.15-3.312学习神经网络学习算法和eM-plant软件的使用4.1-4.103完成基本投料策略的仿真工作4.10-4.304使用神经网络学习算法得到优化投料策略，并与基本投料策略对比，用仿真结果来进行验证5.1-5.205毕业论文的最后撰写，修改和答辩5.21-6.10摘 要半导体生产线规模庞大、过程复杂、多重入等特征给制造过程的调度决策带来了极大的

6、挑战。投料控制作为半导体生产调度的首要环节对整个生产线的性能起着举足轻重的影响，而传统的投料策略并不能长期适应生产线的实际情况，不能及时有效的对生产线中发生的变化作出调整。基于生产线历史数据和实时数据进行投料策略的现场决策的方法成为研究半导体制造系统投料策略的很有前景的方向。本文基于经典的Minifab模型，利用eM-plant仿真软件对传统的投料策略进行了仿真，并在此基础上，更进一步地提出了一种新的投料优化方法：利用神经网络学习算法在线采集半导体生产线的实时数据并现场对投料策略进行规划。通过在eM-plant平台上仿真验证了用基于数据的方法研究半导体投料策略这一方法的可行性。关键词：半导体生

7、产线，投料策略，基于数据，调度，优化AbstractLarge manufacturing scale and process complexity of Semiconductor wafer fabrication are posing great challenges to production scheduling. Releasing control makes great effect on Semiconductor wafer fabrication as the first part of scheduling ,but traditional releasing polic

8、y and the condition of Semiconductor wafer fabrication did not match continuously，it is hard to adjust releasing policy automatically according to the current condition of Semiconductor wafer fabrication. The data-based decision for release policy will become a promising trend. This research is base

9、d on Minifab model. Firstly, conventional release policy have been simulated in eM-plant. Further more, this paper proposes a method to plan release policy based NeuralNet algorithm and test its feasibility by simulating the Semiconductor wafer fabrication in eM-plant.Key words：Semiconductor wafer f

10、abrication，release policy，data-based，modeling，optimization目 录第1章 前言1第1.1节 研究的背景及意义1第1.2节 国内外研究现状1第1.3节 本文主要研究内容31.3.1 研究目标31.3.2 基本研究思路31.3.3 本文章节安排3第2章 半导体生产线及投料策略介绍4第2.1节 半导体生产线的特点42.1.1 工艺流程复杂42.1.2 多重入加工流程42.1.3 多种类型产品同时加工52.1.4 混合加工模式52.1.5 顺序相关的设备整定时间52.1.6 不确定性6第2.2节 半导体制造体统的性能指标8第2.3节 半导体生产线

11、投料方法简介102.3.1 半导体投料控制概述102.3.2 传统投料策略简介102.3.3 传统投料策略的不足11第2.4节 本章小结12第3章 基于数据的半导体投料计划思想13第3.1节 神经网络算法133.1.1 神经网络算法概述133.1.2 数学表达14第3.2节 用神经网络学习算法来训练投料策略15第3.3节 本章小结15第4章 投料策略基于Minifab模型的仿真实现16第4.1节 仿真基本知识164.1.1 计算机仿真解决问题的步骤164.1.2 eM-plant简介174.1.3 Minifab模型介绍17第4.2节 基本投料策略的仿真19第4.3节 神经网络训练数据的获取和

12、训练过程20第4.4节 基于生产线数据的投料策略自动切换仿真实现22第4.5节 考虑紧急订单的仿真结果234.5.1 紧急订单对半导体生产线的影响234.5.2 加入紧急订单后投料策略优化的仿真结果24第4.6节 本章小结31结论与展望32参考文献33致 谢3330 / 65文档可自由编辑打印第1章 前言第1.1节 研究的背景及意义半导体晶圆制造厂是公认生产管理最为复杂的工厂之一，因为其生产过程有许多异于传统的工艺特性，例如工件再回流的现象、成批加工、作业等候时限、 高良率要求、机台高宕机率等，以致于一般都将交期不准、在制品 ( Work in process WIP)过高 、周期时间过长等问

13、题归咎于其生产管理的复杂度高及系统的不稳定。而传统的建模方法无法准确的描述生产过程或因所建立的相关调度模型过于复杂，导致难以快速获取全局或局部调度性能指标及相关调度特征指标，从而无法满足相应的调度算法对计算时间的要求。半导体生产线的优化调度问题研究亟需一种新的行之有效的方法1,2。另一方面，制造业的自动化程度不断提高，产生并存储了大量与制造过程相关的离线和在线数据和知识。基于实际调度环境中的大量历史数据、实时数据和相关调度仿真数据，采用特征分析、数据挖掘和仿真等综合技术手段提取隐含在上述大量数据中的对改善复杂生产过程调度性能指标有重要作用的相关关键调度信息，并利用上述信息建立基于数据的生产过程

14、相关调度模型，或动态确定生产过程相关调度模型的关键参数，及利用所提取的上述相关关键调度信息构造基于数据的生产过程调度问题优化方法成为新的很有前景的研究方向1。在半导体生产线上主要存在三种类型的调度：投料策略( Release policy ) 、 路径调度(Dispatching)和工件调度(Sequencing)。投料策略是半导体生产线调度的重要环节之一，且处于整个半导体生产线调度的“龙头”地位。与其他生产过程相比，投料策略在半导体生产线中显得尤其重要。因此，用基于数据的方法来研究半导体制造系统的投料策略具有广阔的前景和重要的现实意义。第1.2节 国内外研究现状目前，投料方面的研究已经由静态

15、策略转向动态投料策略，即根据晶圆生产线实际状况动态投料的控制方式。动态投料策略主要有避免饥饿法（SA）2,3、负荷调节法（WR）4、固定在制品法（FW）5等。研究结果表明，根据生产线状况来动态决定投料时间和投料量的方式比静态投料方法要好的多得。但是，多数投料策略仅考虑了系统的局部信息（如瓶颈设备负荷），无法有效地控制整个生产线的负荷水平。另一方面，对晶圆制造系统投料策略的研究主要集中在上世纪80 年代，随着制程技术的发展，产品集成度大幅提高，“重入”次数不断增加，制造复杂度大大增加，简单考虑系统局部信息的投料策略越来越无法满足实际生产的要求。目前的投料策略往往只针对某个生产指标进行优化，很难兼

16、顾多个存在冲突的生产指标。而目前还没有学者把数据挖掘的方法系统的应用于投料策略方面的研究。一些专家只利用数据对半导体生产调度的某个或某几个环节进行了优化，但还只处于起步阶段。斯洛文尼亚卢布尔雅那大学(University of Ljubljana)的Gradisar6,7等根据生产数据管理系统中的数据，获得生产设备结构的相关信息以及能够生产的产品信息。该研究的不足是只使用了数据库中的静态信息来建立系统的静态模型，未考虑动态信息的有效利用，在高度不确定制造环境下，基于该模型获得的调度方案可能与实际偏差较大，精度较差。日本Renesas技术公司的Kikuta等将历史数据、人的经验等相关数据整合到知

17、识管理系统中，以分析半导体制造设备的平均故障修复时间。湖南工程学院的张细政9等提出将基于遗传算法的数据挖掘方法用于在大量优化调度方案中探索调度操作数据的产生模式，进而得到基于规则集的调度器，这些规则可以重现优化的性能，并且比简单调度规则性能更为优越。不足是目前只用该方法解决了非常简单的调度问题，该方法在大规模调度问题求解中的有效性有待进一步探讨19。同济大学的吴启迪10等提出了基于数据的复杂制造过程调度架构。此架构倡导一种数据和模型相互结合、相互促进的新型调度理念。通过数据的分析、处理与提炼，保证基于模型方法的准确性与有效性;通过模型的生成、参数调整与测评，保证基于数据方法的规范性与科学性。由

18、于并不是用基于数据的方法完全取代基于模型的方法，所以在调度架构的实际运用过程中，许多在基于模型的调度研究中已探索并日益成熟的相关理论、方法与工具支撑技术，如:调度理论、群体智能、数据挖掘、统计分析与计算机并行仿真技术等，应该都还是能够被借鉴与采用的，但也有必要进一步深入研究。第1.3节 本文主要研究内容1.3.1 研究目标本文的研究目标是通过对半导体生产线现场数据的在线采集，依据生产线的当前指标，对投料策略进行现场决策，使所考虑的生产线性能指标达到最优。1.3.2 基本研究思路(1) 对基本投料策略进行仿真，比较当生产线采取不同的投料策略，生产线的各个性能指标的差异。(2) 通过大量的仿真实验

19、获取生产线正常运行情况下的生产数据，利用有效的数据学习和挖掘方法对以上数据进行挖掘，获得不同的生产线现场数据和性能指标之间的对应关系。(3) 通过(2)所获得的对应关系，以当前的生产线现场数据和投料策略为输入，对生产线的性能指标进行预测。并通过比较不同投料策略的性能指标，在线辨识出当前应该选择的投料策略，然后将生产线的投料策略自动切换到所选择的更优策略。1.3.3 本文章节安排第一章介绍了研究背景，国内外研究的现状以及研究的主要内容。第二章介绍了半导体生产线的概况，介绍了几种重要的投料策略以及半导体生产线的性能指标。第三章重点阐述了通过数据的方法来研究半导体生产系统投料策略的思想，方法和实现途

20、径。第四章先介绍了Minfab模型和eM-plant仿真平台，然后介绍了基于Minifab模型在eM-plant平台下对半导体生产线的仿真实现过程，重点介绍生产线利用现场数据自动选择更优投料策略的仿真实现过程。第2章 半导体生产线及投料策略介绍半导体生产线不同于传统的Flow-shop和Job-shop生产系统，其高度的复杂性及多重入等特点使得传统生产系统中经典的调度策略不能有效的复制。了解半导体生产线的特点是研究其调度的基本前提9。第2.1节 半导体生产线的特点2.1.1 工艺流程复杂硅片在生产线上的平均加工周期一般较长，多为一个月左右。但硅片的工艺流程因产品不同而不同，短的工艺流程可能包含

21、几十步工序，长的工艺流程则多达数百个工序，所以硅片在生产线上的平均加工周期有较大的分散性，从十几天到几十天不等。典型的半导体产品的加工流程往往包括250600步，使用的设备种类6080种，设备台数多达上百台。另外，在半导体生产线上还存在着多个订单，要求的产品种类可能不同。一般情况下，生产线上流动的具有不同工艺流程的产品多达几十种，再加上工艺流程中存在的重入现象，使得上产线上的在制品（WIP ,Work in Process）对设备使用权的竞争非常激烈2。2.1.2 多重入加工流程在某些制造系统中，可能存在工件重新访问前道工序已经访问过的同一台设备的情况，但这种重入现象并不严重。但在半导体制造业

22、，重入是系统的本质，不同加工阶段的同种工件可能在同一设备前同时等待加工，工件在加工过程中的不同阶段可能重复访问某些设备。这主要有两个原因：一是半导体元件是层次化的结构，每一层都是以相同的方式生产，只是加入的材料不同或精度有所变化，因此可以使用同种类型的设备进行加工；二是由于半导体加工设备很贵，这就需要最大化利用设备，于是造成了多重入加工流程的出现。总之，重入是半导体上产线有别于Job-shop与Flow-shop系统的重要特点9。由于重入现象的存在，使得每台设备需加工的工件数大大增加，在加上生产线上产品种类、数量及其组合的不同，以及各产品工艺流程的复杂程度不同，使得半导体生产线的调度与控制问题

23、比一般制造系统更加复杂2。2.1.3 多种类型产品同时加工在一般情况下，半导体生产线上流动的产品中，生产卡占在制品的比例最大，工程卡占在制品的比例较小。但由于工程卡对工艺流程、加工进度或技术参数控制等方面的特殊要求，因而对上产线的状态和性能指标有着严重的影响。另外，有些产品的加工使用特殊的短流程。有的半导体上产线还同时加工双极性器件、MOS型器件、功率型器件及光电型器件等，且不断有新的产品及产品版本投入生产线进行加工，这些情况造成半导体上产线上同时加工的产品种类很多。而产品版本则可能多达近百个。不同类型的半导体器件使用的加工工艺有非常大的区别，这造成了半导体生产线产品工艺流程的复杂性及调度的难

24、度增加。2.1.4 混合加工模式半导体生产线上不同的加工设备具有不同的加工方式。一般将具有相同或类似功能的设备安放在一起，组成设备群。设备群内的设备具有特定的互换性，即有些设备是完全可互换的，而有些设备则只对某些特定的工序具有互换性。不同的设备群内的设备，可能具有不同的加工方式。设备的加工方式主要有四种，即单片加工、串行批量加工、单卡并行批量加工、多卡并行批量加工1。单片加工的设备每次只能加工一片硅片，如快速热处理设备；串行批量加工的设备是按片加工的，但一次可装入多片硅片，如光刻机、离子注入机；单卡并行批量加工的设备每次加工一片硅片，如刻蚀机；多卡并行批量加工的设备则可一次加工多卡硅片，如氧化

25、炉等。多卡并行批加工设备使半导体生产线改变了经典调度问题中一台设备一次只能交给你个一个工件的约定，这也是半导体生产线调度问题与经典调度问题的重要区别之一4。2.1.5 顺序相关的设备整定时间设备的特定互换性及多种加工方式并存使得半导体生产线的调度问题变得更加复杂。在同一台设备上加工不同的工件可能会导致设备需要一定的整定时间，且加工顺序不同，设备的整定时间也可能不同，设备的整定时间也可能不同，例如在同一设备上加工B之后加工A可能需要15分钟的整定时间，而先加工A后加工B可能只需要5分钟的整定时间。因此，设备上工件的加工顺序会对总的完成时间产生影响。与加工顺序相关的整定时间也造成了加工周期的不确定

26、，这进一步增加了半导体生产线调度问题的复杂性5。2.1.6 不确定性半导体生产线是典型的离散事件动态系统，存在各种各样的不确定性事件。这些不确定性事件主要由设备情况变化、客户需求变化、加工瓶颈的变化、新产品试制、临时工艺更改等几方面的原因引起。不确定性事件的发生会影响生产线的运行，造成系统性能指标的恶化。半导体制造环境的高度不确定性主要体现在以下几方面11。(1) 设备情况变化设备情况的变化包括旧设备淘汰、新设备投入使用、设备维护及不可预见性的设备故障等，是影响半导体上产线系统性能的主要因素，其中常见的是设备维护和设备故障。设备维护是按某种标准对设备进行例行保养或更换设备零部件。设备故障时不可

27、预见性的突发变化情况，虽然其发生频率不是很高，但对生产线状态的影响很大，因此需要尽量予以可知，同时加快对其发生后的影响处理速度7。(2) 客户需求变化由于半导体制造业的竞争激烈，为争取市场份额，企业在一般情况下会尽力满足客户的需求，因此，对客户需求变化的快速响应是半导体生产线调度系统能力的重要体现。客户需求的变化主要包括订货量的变化、订货加急与取消、品种更换、特殊工艺要求等，这些不确定性事件都会对生产线状态及系统性能指标造成很大的影响。(3) 加工瓶颈的变化一般地，半导体生产线在设计建造之前，会考虑到生产线上各类设备的加工能力平衡问题，尽量避免存在物理上的设备瓶颈。但由于某些关键设备（如光刻机

28、）价格高昂，企业从投资盈利的角度出发，不会购置过多的关键设备，因此，生产线可能存在物理上的设备瓶颈11。另外，由于硅片加工工艺复杂，生产线上的在制品种类多，再加上市场需求的迅速变化，生产线上的在制品种及数量组合经常发生较大的变化，这可能造成上产线在不同的时间段内出现某些设备加工能力的不足，即临时设备瓶颈。临时瓶颈会随时间的变化而消除，也可能会转移到其他的设备上去。当生产线上出现严重的临时瓶颈时，会造成生产线堵塞，影响生产线的系统性能指标。(4) 新产品试制由于半导体生产线的建造需要高额的投资，企业往往并不为新产品研发建立专用的试制生产线。因此，生产线上流动的在制品除批量生产的产品外，还有处在研

29、发阶段及小批试生产阶段的新产品。这些非正式生产的产品一般数量比较少，但其在生产线上的流动比较特殊，有时具有较高的加工优先级，有时又会根据某些具体情况暂停流动或跳过某些加工工序，这都会造成生产线状态的变化，有时甚至严重影响生产线的体统性能8。(5) 临时工艺更改在实际的半导体生产线上，具有相同电路性能的产品会存在多个不同的工艺流程（产品版本）。生产过程中，产品工程师会根据产品检测人员的检测统计数据及客户的具体要求临时增加一些工序或改变产品的工艺流程，以保证产品的性能、合格率等。有时，产品工程师也会根据硅片材质及参数的不同位产品设置临时工艺，经实践验证，若能取得较好的成效，临时工艺可能升格为一个版

30、本。若经验证不能取得好成效，则可能不再执行此临时工艺。临时工艺更改实际上改变了产品的工艺流程或加工过程参数（如加工时间），这类不确定性事件也会对生产线的系统性能指标产生严重影响。(6) 返工在硅片的加工流程中，有很多工序加工完毕后需要对加工结果进行检测，若检测结果不符合工艺要求，需进行返工。这一方面直接增加了返工产品的加工周期，另一方面也增加了其他产品的等待时间及加工周期，还加剧了在制品对设备的竞争。在实际的半导体生产线上，存在大量的返工现象，虽然一卡硅片中可能只有几片需要返工，但返工有时需要对设备进行整定，进而使生产线的系统性能指标受到严重影响。(7) 临时的加工约束在半导体生产线上还存在着

31、许多临时约束，如某道工序需要特别指定加工设备、加工时间与加工参数；某道工序的设备选择受其前道工序使用设备的影响；一些加工工序有物料生命周期，规定在某时间段内，下一工序必须发生，否则会导致产品报废或返工等等，这都增加了半导体生产线调度的复杂性。在进行重要决策时，计划与调度系统必须考虑所有这些约束。如果约束没有在计划与调度系统中进行合适的表示，生产线的实际性能与计划的性能相比，会有很大的误差11。有上述分析可知，半导体制造过程是由作业车间模型。流水车间模型、并行加工设备模型构成的混合生产调度模型，具有高度的复杂性，因此，很难直接借鉴其他生产方式中较好的控制与调度成果，这也增加了半导体制造系统调度研

32、究的难度。第2.2节 半导体制造体统的性能指标对半导体生产线进行调度的目的是对其系统性能进行优化。结合半导体生产线的特点，用来衡量调度结果对半导体生产线体统性能影响的主要指标如下。成品率成品率（Yield），即生产的产品中合格产品占总产品的百分比，常指硅片上合格管芯的比例。成品率对半导体生产线的经济效益有重大影响，显然，成品率越高，经济效益越高。成品率主要受设备工艺的影响比较大，调度对其影响主要是尽量缩短工件在车间中停留的时间，减少芯片受污染的机会，从而保证较高的成品率。在制品数量在制品（WIP）数量是指生产线上所有未完成加工的工件数，即生产线上的硅片总卡数或总片数。最小化WIP数量是与最小化

33、加工周期相关的优化目标，应尽量控制半导体生产线的WIP数量保持与期望目标值相当，该值与半导体生产线的加工能力相关。在低于WIP数量期望目标值时，即使WIP数量继续降低，也不会大大缩短加工周期；在高于WIP数量期望目标值时，WIP数量越多，加工周期会越长。另外，WIP数量越大，资金占用也越多，直接影响企业的经济效益。设备利用率设备利用率（Machine Utility），即设备处于交给你个状态的时间占其开机时间的比率，可以使用设备闲置代价来衡量。设备利用率与WIP数量相关。一般来说,WIP数量大，设备利用率较高；但是当WIP数量饱和时，即使WIP数量再增加，设备利用率也不会再提高。显然，设备利用

34、率越高，则加工的工件数量越大，创造的价值越大。平均加工周期及其方差加工周期是指一卡硅片从进入半导体生产线开始，到完成所有工序的加工离开生产线所用的时间，也叫流片时间。平均加工周期是指同一流程的多卡硅片的加工时间的平均值，其方法是指各卡硅片的加工周期与其平均加工周期的均方根。平均加工周期及其方差标志了系统的响应能力及准时交货的能力。总移动量一卡硅片完成了一个工序的加工称为移动了一步，总移动量（Movement）是所有硅片在单位时间（如一个班次，12小时）内移动的总步数（卡步）。总移动量越高，表明生产线完成的加工任务数越高。总移动量是衡量半导体生产线性能的重要指标，其值越高，说明半导体生产线的加工

35、能力越高，设备的利用率也越高。移动速率移动速率是指单位时间（如一个班次，12小时）内一卡硅片的平均移动量（步/卡）。移动速率越高，表明硅片在生产线上的流动速度越快，其平均加工周期则越短。生产率生产率指单位时间（一般为班或日）内流出生产线的卡数或硅片数。理想情况下，生产率等于投料速率。它与加工周期成反比，即加工周期越短，则生产率越高。半导体生产线的生产率决定了最终产品的成本、加工周期以及客户满意度。显然，生产率越高，单位时间内创造的价值越高，生产线的加工效率越高。准时交货率与脱期率准时交货率（ODR, On-time Delivery Rate）是指准时（按时或提前）交货的工件数占完成加工的工件

36、总数的百分比；拖期率（Tardiness）是指脱期交货的工件数占完成加工的工件总数的百分比。很明显，准时交货率与脱期率是衡量调度方案优劣的重要指标，尤其随着半导体制造业竞争的不断加剧，提高准时交货率已成为半导体厂商争夺用户、占领市场的重要战略战术指标，得到了越来越多的重视。 需指出的是，上述反映半导体上产线系统性能优劣的指标不能同时达到最优，调度方案对这些指标的全局优化作用只能是某种意义上的折中或平衡。这是因为，这些体统性能指标之间存在一些制约关系，例如，若要降低产品的平均加工周期，则应降低生产线上的WIP数量，以使待加工工件的等待时间减少。降低WIP数量可降低资金占用，也可间接提高产品合格率

37、；但WIP数量过低，则会降低系统的设备利用率、总移动量、移动速率和生产率，甚至可能导致准时交货率降低，并从整体上导致企业的盈利能力的下降。反过来，如果WIP数量过高，虽然可提高设备利用率，增加总移动量，但移动速率可能降低，平均加工周期及脱期率增加，产品合格率降低，且会大量占用企业的流动资金，影响企业的整体获利能力。因此，一个好的调度方案应该在各性能指标间权衡，根据具体情况尽可能优化某些重要指标，以使生产线的整体性能达到最后或近似最优。第2.3节 半导体生产线投料方法简介投料控制是保证系统平顺生产的重要前提。对投料的合理控制，将为后续的优化调度提供重要保证，达到提高设备利用率，从而增加系统产出的

38、目的。反之，不合理的投料将直接导致系统效益的降低。投料策略和调度策略密切相关，相互影响，和生产线的状态一起决定半导体生产线的性能。wein甚至指出投料策略和瓶颈的状态对生产线的影响，超过了调度策略的影响。2.3.1 半导体投料控制概述具体来说投料控制用于决定在何时投入多少什么种类的原料到生产系统，以便尽可能发挥生产系统的生产能力，同时优化生产系统的制造性能，在投料控制中，最常遵循的是Little公式 N=T （2.1）式中N为系统的WIP数量，T为平均制造周期，为投料速率或产出速率。半导体制造系统存在以下特点：(1) 硅片加工对环境有着近乎苛刻的要求，整个过程要在“洁净室”条件下进行，暴露在空

39、气中的时间越长，被污染的可能性越大；(2) 硅片有最长等待时限的限制，在设备前的等待加工的时间超过时限，将引起器件失效而需要重做；(3) 对于面向订单的多品种、小批量、带“回流”的资源受限型硅片加工线，需要满足客户对交货期的多种不同的要求。因此，投料数量过多，过高的WIP数量一方面会降低硅片合格率，另一方面也将造成制造周期延长；而投料数量过少会引起某些设备闲置，造成系统资源的闲置，造成系统资源的浪费。可见，投料策略的优劣对半导体制造系统性能有重要影响。2.3.2 传统投料策略简介但是和调度规则的研究不同，投料策略的研究相对较少，总的来说投料策略可以分为开环形式投料和闭环形式投料两种，具体的差别

40、是对于开环形式投料而言，投料的种类，速度，数量，时间都是事先给定的，不考虑半导体生产线的实际情况;而闭环形式投料策略则需要考虑半导体生产线上的一些实际情况，如瓶颈机器的利用率，在制品水平，等待队列等。常用的投料策略可以分为两大类：开环投料策略和闭环投料策略。如表2.12.1传统投料策略对照表开环投料策略固定时间间隔投料策略（CONRIN）投料之间的时间间隔相等泊松分布时间间隔投料策略(POSSION)工件流的到达服从泊松分布倾倒式投料策略（BULK）一次性将需要加工的工件投入基于交货期的投料策略将实际交货期和预期交货期的差按从大到小排列然后按固定时间间隔投料闭环投料策略闭环投料策略闭环投料策略

41、固定在制品数量投料(CONWIP)控制半导体生产线的在制品数量在一个设定值，当在制品数量减低到设定值一下，进行投料，直到恢复到设定值。负载调节法投料(MR)控制半导体生产线的瓶颈机器前的加工队列长度，当加工队列长度下降到设定值以下，进行投料，直到恢复到设定值。避免饥饿法投料(SA)防止瓶颈出现空闲等待。当瓶颈机器完成当前系统中在制品的时间，小于一卡新工件到达瓶颈机器的时间，则进行投料。修正负载调节法（MWR）考虑交货期，当某批工件的交货期和当前时刻之差小于设定值，则不管瓶颈前的加工队列长度投料。否则，按照常规WR投料。 2.3.3 传统投料策略的不足相比而言，闭环投料策略比开环投料策略更具优越

42、性，因为它能够根据生产线的实际运行情况来调整投料速率，使生产线达到某种平衡的状态。但这种方法仍然具有局限性，因为生产线中有诸多的不确定因素，这些因素可能会使生产线的现场指标发生重大的变化，而统一策略对生产线状况进行修正和平衡的能力是很有限的，这时候不仅需要修改原来投料策略的数据，甚至需要根据生产线的实际情况重新选择投料策略。这就需要用基于数据的方法对生产线投料策略进行规划和决策。第2.4节 本章小结本章介绍了半导体生产线的基本特点、性能指标和传统的投料策略，同时指出了传统投料策略的不足之处，为下文引出基于数据的方法来研究投料做出了铺垫。第3章 基于数据的半导体投料计划思想基于实际半导体生产线的

43、大量历史数据、实时数据和相关投料仿真数据，采用特征分析、数据挖掘和仿真等综合技术手段。基于实际半导体生产线的大量历史数据、实时数据和相关投料仿真数据, 采用特征分析、数据挖掘和仿真等综合技术手段提取隐含在上述大量数据中的对改善半导体生产过程性能指标有重要作用的相关关键信息, 利用所提取的上述相关关键信息构造基于数据的半导体生产线投料问题优化方法, 以获得高性能的生产线性标指标。本文采用了神经网络算法来对生产线投料策略进行优化17。第3.1节 神经网络算法神经网络是一种由大量简单节点耦合，能处理大量数据的并行计算以及知识表达的一种结构，可以用来发现大量数据的模式及关系，在分类问题上有广泛的研究与

44、应用。相比传统的计算方法，神经网络有着几个显著的优点：首先，神经网络是一种基于数据的自适应方法，在没有任何外在函数表达的情形下能根据数据不断地调整自身9；其次，神经网络使用大量的函数逼近方法使得神经网络能以任意的精度逼近任意函数，能精确地识别分类与属性之间的关系；另外，由于神经网络是一种非线性模型，使得它在建模现实问题上有着极强的灵活性14。3.1.1 神经网络算法概述在众多的数据挖掘和提取的方法中，神经网络以其对样本的学习能力而著称。学习是一个调整网络参数和结构并把知识反映在分布式的网络结构中的过程。一个训练好的网络代表了一个静态的知识库，该知识库在他的运行阶段可以被重新获取。因此，一个神经

45、网络的性能很大程度上取决于它的学习能力。从工程应用的角度看，一个好的学习算法应该具备以下特点(1) 学习的鲁棒性：这表明学习方法必须以如下方式保证鲁棒性：不产生局部极小问题、震荡问题、灾难性失忆问题、不确定存储和记忆会想问题或者类似的学习困难问题。(2) 学习的快速性：这是指学习方法必须在学习时具有快速性，同时通过少量的样本就可以快速地学习。例如，网络仅仅从10个样本进行学习，要比要求从100或1000个样本学习快得多。从工程角度看，一个具有在线学习功能的系统必须能够通过尽量少的样本，就能完成快速学习。(3) 学习的有效性：这是指当提供有限的训练样本时，在学习中该方法应该是计算有效的。这就是说

46、，给定n个样本，学习时间（设计和训练时间）必须是n的多项式函数。(4) 学习的泛化能力：这是指学习后的神经网络能够有相对较好的泛化能力，而神经网络的结构尽量小。3.1.2 数学表达我们这里采取神经网络中单层感知器的结构进行学习，单层感知器模型如图所示，输入矢量X是一个n维矢量，仅有一个人工神经元，输出信号u是输入矢量的非线性作用函数，数值上等于各输出分量加权和并加一个阈值Q： （22）知器输出为 （23）单层感知器的权值可以通过学习调整，是一种有导师学习。单层感知器的学习规则如下：设输入样本连接权值wi0为一个较小的非零随机值，i=0，1，2，n。设输出样本对xiyi，j=0，1，2，L,且x

47、j=x0j，x1j，xnj，其中x0j=1。输出样本dj作导师信号，选取如下的阈值函数： dj=1 xjA-1 xjB （24） 感知器的输出有下式给出： （25） 加权值按下式调整： （26）其中，是学习率，取值范围为(0,1 ，不同取值影响到加权值调整快慢不同。(6) 学习在yit=dj时结束，否则重选导师信号，从第（3）步再开始。学习一旦fd、结束，输入输出模式样本将以连接权值和阈值的形式分布储存在网络中。第3.2节 用神经网络学习算法来训练投料策略人工神经网络的特征使其成为解决无机理模型的优化问题的有效工具, 这些特征主要包括：(1) 可以充分逼近任意复杂的非线性关系；(2) 所有定量

48、或定性的信息都等势分布贮存于网络内的各神经元，有很强的鲁棒性和容错性；(3) 采用并行分布处理方法，使得快速进行大量运算成为可能；(4) 可学习和自适应不知道或不确定的系统；(5) 能够同时处理定量、定性知识。一种有效利用神经网络进行优化的方法是通过定义能量函数，通过神经网络并行处理、学习和自组织的能力，使系统能量降低，找到所需的解19。在工业领域，Hopfield网络和 BP 网络被广泛应用于解决计划和调度中的优化问题。使用神经网络将半导体生产线的生产数据和性能指标进行匹配训练，达到一定的训练精度后，当将生产线的当前信息作为神经网络的输入时，就会对输出进行有效的预测。.第3.3节 本章小结本

49、章简要介绍了基于数据的半导体生产线投料计划的基本思想，神经网络算法自身的一些特点以及选择该算法的原因第4章 投料策略基于Minifab模型的仿真实现第4.1节 仿真基本知识4.1.1 计算机仿真解决问题的步骤计算机仿真活动贯穿于准备、执行和评估3个阶段14准备阶段。准备阶段的主要工作包括以下几个环节。 仿真可行性评估。评估所面临的问题是否适合采用仿真来解决，衡量仿真的投入与产出是否有价值。 问题描述。对所要研究的问题进行定量或定性的描述，明确仿真的目的和任务，估算工作量的大小。正确定义所研究系统的边界、组成部分和环境，确定评价仿真方案优劣的准则（即衡量系统性能或输出结果的目标函数）。 数据收集

50、与确认，保持数据更新。仿真需要大量的数据，数据的正确性直接影响仿真输出结果的正确性。因此正确收集和整理数据资料是计算机仿真的重要组成部分。在收集资料时，要考虑系统运行的循环周期，针对完整的循环周期来收集资料。 建立仿真模型5。 根据真实系统的结构、决策原则和作业程序，分析构成真实系统的实体，以及实体的状态和参数之间的数学逻辑关系，在此基础上建立系统的仿真模型。仿真模型应该正确地反映真实系统的本质，同时在充分反映主要矛盾的基础上尽量繁简适宜。模型过于简化无助于系统真实特性的表达，模型过于详细又会使次要矛盾和主要矛盾在模型中相互混杂，无法将影响真实系统状态变化的主要因素表现出来，是问题难以解决，浪

51、费人力和物力13。建模的一般方法是先建立一个反映系统主要矛盾的、较为简单的模型，然后再逐步对其进行补充和完善12。(2) 执行阶段。 执行阶段的工作包括实验设计、实验运行和模型验证。通常，计算机仿真实验要达到2个目的，一是探求模型中各参数如何取值能够使模型获得优化的输出结果：二是寻求仿真输出结果与模型中可以被控制的参数之间的关系和相互影响的规律。为此，不同的参数值，要合理设计多种组合的仿真方案，设定模型的初始条件，确定计算机模拟运行的时间长度，决定随机样本大小及独立仿真运行的次数等15。(3) 评估阶段。评估阶段的工作是将仿真结果形成报告，以便于阅读的方式呈现在决策者面前。报告应该解读和解释仿

52、真的结果，阐明决策变量对系统造成的影响。最后，应将这些内容以文档的形式保存下来17。4.1.2 eM-plant简介eM-Plant软件是1992年由Aesop、Tecnomatix和KG公司联合开发，是第一款完全采用面向对象方法的离散系统仿真软件。eM-Plant的应用非常广泛，它即可以用于生产、物流以及工程领域的分析、研究和教学，也可以用来优化结构及实现对系统商业流程的控制7。4.1.3 Minifab模型介绍Minifab是根据实际生产线简化而来的一个简单的半导体生产线模型，由3个设备群、5台设备组成如图41 所示5。Ma，Mb 批量：3卡 扩散Mc，Md 离子注入步骤6步骤5步骤4步骤

53、3步骤2步骤1进系统 出系统 光刻Me图41Minifab生产三种类型的工件，其加工路径是一样的。工件的工艺流程中共包含六个工序：工序一和工序五位扩散，可以在设备Ma或Mb上加工；工序二和工序四为离子注入，可以在设备Mc或Md上加工；工序三和工序六为光刻，在设备Me上加工。三个设备群都具有重入性。设备Ma和Mb为多卡并行批加工设备，最大加工批量为3卡，只有工序相同的工件才可以组批在一起并行加工。Ma和Mb是完全可互换的两台设备。设备Mc和Md为单卡批加工设备。Minifab模型中，每种工件在不同设备上加工不同工序的具体加工时间如表 4-1、表42和表43所示，设备维护参数如表44所示。表41 工件1每步在每台设备上的加工时间工件类型及步数设备加工时间/分钟设备加工时间/分钟A1Ma220Mb235A2Mc45Md40A3Me60A4Mc55Md60A5Ma250Mb245A6Me20表42 工件2每步在每台设备上的加工时间工件类型及步数设备加工时间/分钟设备加工时间/分钟B1Ma220Mb235B2Mc40Md35B3Me65B4Mc50Md55B5Ma250Mb245B6Me25表43 工件3每步在每台设备上的加工时间工件类型及步数设备加工时间/分钟设备加工时间/分钟C1Ma220Mb235C2Mc40Md30C3Me70C4Mc6