曹政才，邱明輝，劉　民

(1.北京化工大學(xué)信息科學(xué)與技術(shù)學(xué)院，北京 100029； 2.吉林大學(xué)符號(hào)計(jì)算與知識(shí)工程教育部重點(diǎn)實(shí)驗(yàn)室，吉林長(zhǎng)春 130012； 3.清華大學(xué)自動(dòng)化系，北京 100084)

基于增長(zhǎng)修剪型神經(jīng)網(wǎng)絡(luò)的半導(dǎo)體生產(chǎn)線動(dòng)態(tài)瓶頸分析方法

曹政才1,2，邱明輝1,2，劉民3

(1.北京化工大學(xué)信息科學(xué)與技術(shù)學(xué)院，北京 100029； 2.吉林大學(xué)符號(hào)計(jì)算與知識(shí)工程教育部重點(diǎn)實(shí)驗(yàn)室，吉林長(zhǎng)春 130012； 3.清華大學(xué)自動(dòng)化系，北京 100084)

瓶頸設(shè)備是制約半導(dǎo)體生產(chǎn)線在制品水平、生產(chǎn)周期及準(zhǔn)時(shí)交貨率的關(guān)鍵因素，對(duì)其進(jìn)行有效地分析能夠提高生產(chǎn)線多性能.現(xiàn)有的分析方法主要是將瓶頸設(shè)備視為靜態(tài)瓶頸，未考慮到生產(chǎn)線不確定因素所帶來的動(dòng)態(tài)漂移問題，這樣容易造成以瓶頸設(shè)備控制為核心的調(diào)度算法缺乏柔性，降低算法實(shí)效性，因此，本文提出一種基于增長(zhǎng)修剪型神經(jīng)網(wǎng)絡(luò)的動(dòng)態(tài)瓶頸分析方法.該方法從設(shè)備相對(duì)生產(chǎn)負(fù)荷、利用率及緩沖區(qū)隊(duì)列長(zhǎng)度等方面，利用復(fù)合定義方法描述設(shè)備的綜合瓶頸度，并結(jié)合瓶頸判定機(jī)制識(shí)別瓶頸；其次，通過構(gòu)建增長(zhǎng)修剪型神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)生產(chǎn)線下一時(shí)刻瓶頸，借鑒閉環(huán)控制思想動(dòng)態(tài)修正網(wǎng)絡(luò)結(jié)構(gòu)；再次，使用單因子試驗(yàn)法對(duì)影響瓶頸的關(guān)鍵參數(shù)進(jìn)行分析以獲得設(shè)備動(dòng)態(tài)特性；最后，通過仿真驗(yàn)證方法的可行性和有效性.

半導(dǎo)體生產(chǎn)線；動(dòng)態(tài)瓶頸分析；綜合瓶頸度；增長(zhǎng)修剪型神經(jīng)網(wǎng)絡(luò)；單因子試驗(yàn)法

1　引言

半導(dǎo)體制造業(yè)是一個(gè)資金密集型的高科技產(chǎn)業(yè)，對(duì)經(jīng)濟(jì)發(fā)展具有重大貢獻(xiàn)，為繼續(xù)保持半導(dǎo)體制造業(yè)發(fā)展的良好勢(shì)頭和提升市場(chǎng)競(jìng)爭(zhēng)力，不僅要擴(kuò)大規(guī)模而且要提高生產(chǎn)效率[1].半導(dǎo)體生產(chǎn)線被認(rèn)為是當(dāng)今最為復(fù)雜的制造系統(tǒng)，具有多重入、大規(guī)模、多產(chǎn)品、不確定及混合加工等特點(diǎn)，其優(yōu)化調(diào)度問題已成為學(xué)術(shù)界及工程界研究的熱點(diǎn).瓶頸問題是半導(dǎo)體生產(chǎn)線優(yōu)化調(diào)度的關(guān)鍵問題，瓶頸設(shè)備成為制約系統(tǒng)產(chǎn)量、生產(chǎn)周期和準(zhǔn)時(shí)交貨率的關(guān)鍵因素[2,3].因此，對(duì)瓶頸設(shè)備進(jìn)行有效分析有助于提升半導(dǎo)體制造業(yè)的績(jī)效指標(biāo).

目前國(guó)內(nèi)外針對(duì)瓶頸的研究，主要有①瓶頸識(shí)別：文獻(xiàn)[4～6]利用生產(chǎn)線設(shè)備或緩沖區(qū)的單一性能指標(biāo)(如：設(shè)備利用率、相對(duì)生產(chǎn)負(fù)荷和緩沖區(qū)在制品隊(duì)列長(zhǎng)度等)對(duì)設(shè)備進(jìn)行識(shí)別；Li等人[7]通過長(zhǎng)短期的生產(chǎn)數(shù)據(jù)信息驅(qū)動(dòng)對(duì)生產(chǎn)線瓶頸設(shè)備的識(shí)別；文獻(xiàn)[8]構(gòu)建一種基于改進(jìn)的自適應(yīng)模糊推理系統(tǒng)的預(yù)測(cè)模型，綜合利用生產(chǎn)線上數(shù)值型和符號(hào)型的相關(guān)生產(chǎn)信息識(shí)別并預(yù)測(cè)瓶頸設(shè)備.②瓶頸漂移現(xiàn)象分析：文獻(xiàn)[9]對(duì)瓶頸漂移現(xiàn)象進(jìn)行了研究，提出使用線性回歸方法確定瓶頸漂移，通過仿真方法驗(yàn)證了可通過工件準(zhǔn)時(shí)交貨率、加工時(shí)間等參數(shù)預(yù)測(cè)瓶頸；文獻(xiàn)[10]對(duì)影響瓶頸漂移的不確定因素進(jìn)行分析，提出采用馬爾科夫鏈方法分析各個(gè)因素之間的耦合機(jī)理關(guān)系，并給出了瓶頸漂移因素對(duì)設(shè)備生產(chǎn)能力和生產(chǎn)負(fù)載的綜合貢獻(xiàn)函數(shù)，定量分析瓶頸設(shè)備.

針對(duì)上述研究，為了有效解決以靜態(tài)瓶頸為中心制定的調(diào)度策略缺乏柔性的問題，本文提出一種基于增長(zhǎng)修剪型神經(jīng)網(wǎng)絡(luò)的動(dòng)態(tài)瓶頸分析方法.如圖1所示，該方法利用復(fù)合定義法從生產(chǎn)線的多個(gè)性能角度考慮對(duì)瓶頸設(shè)備的影響，并基于GPNN構(gòu)建瓶頸預(yù)測(cè)模型，利用閉環(huán)控制思想動(dòng)態(tài)修正網(wǎng)絡(luò)結(jié)構(gòu)，使用單因子分析方法對(duì)不確定生產(chǎn)環(huán)境下的動(dòng)態(tài)瓶頸進(jìn)行分析.

2　基于復(fù)合定義法的瓶頸設(shè)備識(shí)別

瓶頸設(shè)備是影響SWFS績(jī)效指標(biāo)的重要因素，對(duì)其進(jìn)行準(zhǔn)確有效的識(shí)別有助于下一步分析.針對(duì)傳統(tǒng)方法僅利用單參數(shù)進(jìn)行識(shí)別瓶頸設(shè)備的缺陷，復(fù)合定義法給出從設(shè)備相對(duì)生產(chǎn)負(fù)荷、利用率及緩沖區(qū)隊(duì)列長(zhǎng)度等生產(chǎn)線性能角度定義設(shè)備的綜合瓶頸度識(shí)別瓶頸.該方法從多個(gè)角度描述設(shè)備屬性，能夠有效地偵測(cè)瓶頸設(shè)備.

2.1設(shè)備綜合瓶頸度

綜合瓶頸度是描述設(shè)備成為瓶頸可能性的指標(biāo)，在以瓶頸為中心的半導(dǎo)體生產(chǎn)線控制與決策過程中具有重要意義.設(shè)備綜合瓶頸度度量指標(biāo)體系如下.

2.1.1設(shè)備相對(duì)生產(chǎn)負(fù)荷

瓶頸設(shè)備產(chǎn)出率決定著半導(dǎo)體產(chǎn)出率，而設(shè)備產(chǎn)出率則受設(shè)備生產(chǎn)負(fù)荷和生產(chǎn)能力影響.設(shè)備相對(duì)生產(chǎn)負(fù)荷越大則意味著設(shè)備對(duì)生產(chǎn)影響越大，其成為瓶頸的可能性也就越大.設(shè)備相對(duì)生產(chǎn)負(fù)荷WLm(t)如式(1)所示：

(1)

其中，M為生產(chǎn)線上設(shè)備數(shù)；NT為生產(chǎn)線工件類總數(shù)；Ni為工件i的加工工序步數(shù)；qi為在設(shè)備m上等待加工的i工件數(shù)量；tijm為工件i的第j道工序在設(shè)備m上的加工時(shí)間；θijm為加工系數(shù)；Tm為時(shí)間窗內(nèi)設(shè)備m有效加工時(shí)間；Δpm,i為不合格品i在設(shè)備m上返修時(shí)間；μijm為設(shè)備的加工能力系數(shù).

2.1.2設(shè)備利用率

在SWFS中，設(shè)備的工作狀態(tài)分為等待、正常運(yùn)行、阻塞和故障.其中，設(shè)備的正常運(yùn)行和阻塞狀態(tài)為設(shè)備的正常工作時(shí)間.單位時(shí)間內(nèi)，設(shè)備由以上四種工作狀態(tài)組成，其利用率Um(t)定義如下：

T=Twm(t)+Tsm(t)+Tfm(t)+Tbm(t)

(2)

(3)

其中，參數(shù)Twm(t)、Tsm(t)、Tfm(t)及Tbm(t)分別為設(shè)備的正常運(yùn)行時(shí)間、饑餓時(shí)間、故障時(shí)間和等待時(shí)間；T為劃定的單位時(shí)間長(zhǎng)度.

2.1.3緩沖區(qū)隊(duì)列長(zhǎng)度

設(shè)備緩沖區(qū)工件隊(duì)列長(zhǎng)度不僅間接反映設(shè)備對(duì)系統(tǒng)生產(chǎn)率的制約程度，而且也影響工件加工周期.因此，工件隊(duì)列長(zhǎng)度Lm(t)成為指示設(shè)備瓶頸程度的關(guān)鍵參數(shù).文獻(xiàn)[7]提出一種動(dòng)態(tài)瓶頸指數(shù)識(shí)別算法，并通過指數(shù)映射變換得到設(shè)備的瞬時(shí)瓶頸度LLm(t)，如式(4)所示：

LLm(t)=1-e-Lm(t)/L

(4)

其中，L為設(shè)備緩沖區(qū)最大容量；Lm(t)為緩沖區(qū)工件數(shù).

上述生產(chǎn)線特征分別從設(shè)備負(fù)荷量、工件待加工數(shù)及工作狀態(tài)等三個(gè)不同方面表征對(duì)系統(tǒng)的影響.文獻(xiàn)[7]提出的設(shè)備綜合瓶頸指數(shù)分別從內(nèi)部和外部?jī)煞矫姹碚髟O(shè)備當(dāng)前的加工狀態(tài).設(shè)備內(nèi)部特征指數(shù)am(t)和外部特征指數(shù)bm(t)如式(5)、(6)所示：

am(t)=WLm(t)

(5)

bm(t)=LLm(t)+Um(t)

(6)

設(shè)備的綜合瓶頸指數(shù)BNIm(t)定義如式(7)所示：

BNIm(t)=w1am(t)+w2bm(t)

(7)

其中，w1和w2分別是內(nèi)部特征指數(shù)am(t)和外部特征指數(shù)bm(t)相對(duì)應(yīng)的權(quán)值.

2.2基于綜合瓶頸指數(shù)的瓶頸設(shè)備識(shí)別

通過上述定義，綜合瓶頸指數(shù)越大的設(shè)備成為瓶頸的可能性也就越大.但是對(duì)于瓶頸和非瓶頸設(shè)備并沒有一個(gè)明顯的劃分，于是，根據(jù)實(shí)際生產(chǎn)經(jīng)驗(yàn)可設(shè)立一個(gè)閾值以劃分設(shè)備.其數(shù)學(xué)模型定義如式(8)所示：

(8)

其中，S表示系統(tǒng)中所有設(shè)備集合；SBN(t)表示t時(shí)刻系統(tǒng)瓶頸設(shè)備集合，其中BNIm(t)最大的設(shè)備為主瓶頸，其次為次瓶頸；SnBN(t)表示t時(shí)刻系統(tǒng)非瓶頸設(shè)備的集合；k為劃分瓶頸設(shè)備的閾值，ν≤k≤1，ν根據(jù)生產(chǎn)線的穩(wěn)定性進(jìn)行設(shè)定(一般不宜取太小，以防止將非瓶頸誤判為瓶頸；同時(shí)也不能取太大，以防止瓶頸的漏判).

3　基于增長(zhǎng)修剪型神經(jīng)網(wǎng)絡(luò)的瓶頸預(yù)測(cè)動(dòng)態(tài)模型

目前瓶頸預(yù)測(cè)模型的網(wǎng)絡(luò)結(jié)構(gòu)一般是固定的，結(jié)構(gòu)過大或過小都會(huì)影響神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的最終性能.為了尋求滿足SWFS瓶頸設(shè)備預(yù)測(cè)要求的網(wǎng)絡(luò)結(jié)構(gòu)，本文提出利用傅立葉變換的敏感度分析方法進(jìn)行網(wǎng)絡(luò)結(jié)構(gòu)的合理性評(píng)價(jià)，以此為依據(jù)實(shí)施隱含層神經(jīng)元數(shù)目、權(quán)值的優(yōu)化，構(gòu)建生產(chǎn)線GPNN瓶頸設(shè)備預(yù)測(cè)模型，并且該模型結(jié)合閉環(huán)控制思想，能夠依據(jù)生產(chǎn)線動(dòng)態(tài)變化情況實(shí)時(shí)修正網(wǎng)絡(luò)結(jié)構(gòu)，實(shí)現(xiàn)準(zhǔn)確、有效的預(yù)測(cè).

3.1構(gòu)建基于增長(zhǎng)修剪型神經(jīng)網(wǎng)絡(luò)的瓶頸預(yù)測(cè)模型

利用GPNN構(gòu)建瓶頸預(yù)測(cè)模型，該模型基于誤差反向傳播算法構(gòu)建，模型為三層網(wǎng)絡(luò)結(jié)構(gòu)：輸入層、單隱含層、輸出層.初始化相關(guān)參數(shù)：隱含層神經(jīng)元節(jié)點(diǎn)數(shù)J(由經(jīng)驗(yàn)公式獲得)、層間連接權(quán)值w和閾值采用隨機(jī)概率賦值.隱含層節(jié)點(diǎn)數(shù)J由經(jīng)驗(yàn)公式[11]計(jì)算得到：

(9)

其中，nI為模型輸入層節(jié)點(diǎn)數(shù)；nO為模型輸出層節(jié)數(shù)；C為經(jīng)驗(yàn)常數(shù).構(gòu)建預(yù)測(cè)模型的誤差函數(shù)定義為：

(10)

其中，M為訓(xùn)練數(shù)據(jù)樣本數(shù)；ym(t)為神經(jīng)網(wǎng)絡(luò)模型第m次訓(xùn)練時(shí)的實(shí)際輸出；yd(t)為模型的期望輸出.

如圖2所示，基于Levenberg-Marquardt(LM)算法對(duì)預(yù)測(cè)模型進(jìn)行訓(xùn)練，使得模型預(yù)測(cè)誤差函數(shù)值達(dá)到期望值ed；訓(xùn)練過程中，利用傅立葉變換的敏感度分析方法對(duì)模型隱含層神經(jīng)元進(jìn)行敏感度分析，刪除冗余神經(jīng)元、分裂負(fù)載過大的神經(jīng)元，實(shí)現(xiàn)隱含層結(jié)構(gòu)的動(dòng)態(tài)優(yōu)化.訓(xùn)練的主要步驟為：

(1)通過LM算法對(duì)上述建立的模型進(jìn)行訓(xùn)練，直至達(dá)到要求時(shí)停止訓(xùn)練；

(2)訓(xùn)練的過程中，隱含層神經(jīng)元j對(duì)應(yīng)的輸出層神經(jīng)元k的輸入為wkjOj，對(duì)wkjOj進(jìn)行傅立葉變換，即：

(11)

其中，ωj為變換選定的頻率，wkjOj max、wkjOj min分別為神經(jīng)元j輸出的最大值和最小值.模型輸出為：

ym(t)=f(wkjOj(t))

(12)

同時(shí)，模型輸出則可轉(zhuǎn)變?yōu)椋?/p>

y(s)=ym(s)=F(wkjOj(s))

(13)

其中，Aj、Bj為傅立葉系數(shù).

(3)隱含層神經(jīng)元j對(duì)應(yīng)的輸出層神經(jīng)元k的輸入為wkjOj，此神經(jīng)元節(jié)點(diǎn)對(duì)模型輸出的貢獻(xiàn)可約簡(jiǎn)為輸出的一階靈敏度，即：

(14)

其中，varj[E(y|wkjOj)]為隱含層神經(jīng)元節(jié)點(diǎn)j對(duì)模型輸出的影響，var(ym)為輸出ym的方差.根據(jù)式(13)，輸出ym的方差為：

(15)

由于模型的隱含層神經(jīng)元輸出間無相互耦合關(guān)系，傅立葉振幅主要分布在基頻(K=1)上，則隱含層神經(jīng)元節(jié)點(diǎn)j的敏感度：

(16)

將隱含層神經(jīng)元節(jié)點(diǎn)j的敏感度歸一化：

(17)

(4)設(shè)定模型隱含層神經(jīng)元的敏感度范圍[α,β](0<α<β<1)，將敏感度低于α的隱含層神經(jīng)元?jiǎng)h除；將敏感度超過β的神經(jīng)元分解為d個(gè)；保留敏感度在[α,β]范圍內(nèi)的神經(jīng)元.對(duì)分解后得到的新神經(jīng)元的連接權(quán)值、閾值進(jìn)行初始值；

(5)當(dāng)訓(xùn)練次數(shù)達(dá)到N次則重復(fù)步驟(1)至(4)，直至隱含層神經(jīng)元的敏感度都在設(shè)定范圍內(nèi)，至此隱含層神經(jīng)元的數(shù)目則不再發(fā)生變化；

(6)繼續(xù)利用LM算法對(duì)模型進(jìn)行訓(xùn)練，直至訓(xùn)練誤差e低于模型期望誤差ed，則模型構(gòu)建過程結(jié)束.

由此將設(shè)備故障間隔時(shí)間和平均修復(fù)時(shí)間、緩沖區(qū)隊(duì)列長(zhǎng)度、設(shè)備平均加工時(shí)間、設(shè)備利用率、設(shè)備加工時(shí)間及生產(chǎn)線在制品水平(WIP)等生產(chǎn)線關(guān)鍵參數(shù)作為以上預(yù)測(cè)模型的輸入；將已識(shí)別出的相應(yīng)瓶頸設(shè)備作為預(yù)測(cè)模型輸出.故實(shí)際SWFS瓶頸預(yù)測(cè)模型可如下：

y=f(x1,x2,x3…,x7×(i-1)+j,…x7×23+7)

(18)

其中，x7(i-1)+j：i=1,2,…代表生產(chǎn)線上設(shè)備群編號(hào)；j=1,2…分別代表生產(chǎn)線關(guān)鍵參數(shù)：設(shè)備故障間隔時(shí)間、平均修復(fù)時(shí)間、緩沖區(qū)隊(duì)列長(zhǎng)度、設(shè)備平均加工時(shí)間、設(shè)備利用率、設(shè)備加工時(shí)間、WIP；y為生產(chǎn)線下一時(shí)刻的瓶頸設(shè)備編號(hào).

3.2基于閉環(huán)控制思想動(dòng)態(tài)修正模型

當(dāng)模型受到不確定因素影響時(shí)，瓶頸設(shè)備漂移現(xiàn)象嚴(yán)重，預(yù)測(cè)結(jié)果與實(shí)際情況偏差較大，這時(shí)需要對(duì)模型結(jié)構(gòu)重新修正以適應(yīng)新的生產(chǎn)環(huán)境；而在相對(duì)較短時(shí)間內(nèi)，生產(chǎn)線是相對(duì)穩(wěn)定，瓶頸設(shè)備變化不大，則不需實(shí)時(shí)預(yù)測(cè)，可將上一時(shí)刻的預(yù)測(cè)結(jié)果直接作為下一時(shí)刻瓶頸，直至出現(xiàn)偏差為止，可使模型效果預(yù)測(cè)更加高效.如圖1所示：

(1)將從生產(chǎn)線所獲得的t時(shí)刻數(shù)據(jù)，輸入到所建立的模型，預(yù)測(cè)t+1時(shí)刻瓶頸；

(2)單位采樣時(shí)間后，利用式(7)并結(jié)合瓶頸判定機(jī)制獲取t+1時(shí)刻的實(shí)際瓶頸，將其與t時(shí)刻預(yù)測(cè)得到的瓶頸相比較，判斷是否一致，若不一致，則將修正信息反饋到模型構(gòu)建階段，并整合新舊生產(chǎn)數(shù)據(jù)再次對(duì)模型進(jìn)行訓(xùn)練，以達(dá)到生產(chǎn)要求；如果一致，則認(rèn)為所建立的預(yù)測(cè)模型仍是有效，并可將t+1時(shí)刻瓶頸直接作為t+2時(shí)刻的預(yù)測(cè)結(jié)果，而不需使用模型；

(3)若t+2時(shí)刻實(shí)際得到的瓶頸與預(yù)測(cè)得到一致，則可依次直接得出下一時(shí)刻瓶頸；若實(shí)際t+2時(shí)刻得到的瓶頸與預(yù)測(cè)不符，則需要使用預(yù)測(cè)模型，轉(zhuǎn)入步驟(1)；若由預(yù)測(cè)模型得到結(jié)果都不能滿足要求，則轉(zhuǎn)入模型構(gòu)建階段重新訓(xùn)練網(wǎng)絡(luò)以適應(yīng)新環(huán)境.

在實(shí)際生產(chǎn)線中，基于瓶頸設(shè)備漂移的預(yù)測(cè)機(jī)制有利于生產(chǎn)線快速有效的預(yù)測(cè)瓶頸，并且能夠保證生產(chǎn)線的穩(wěn)定性.

4　基于單因子試驗(yàn)法的瓶頸分析

上述部分完成對(duì)SWFS瓶頸設(shè)備識(shí)別、預(yù)測(cè)及模型動(dòng)態(tài)修正，繼而可以利用單因子試驗(yàn)法分析相關(guān)參數(shù)變化對(duì)瓶頸的影響.利用單因子試驗(yàn)法分析瓶頸，僅考查單個(gè)參數(shù)波動(dòng)對(duì)生產(chǎn)線瓶頸的影響.但在實(shí)際生產(chǎn)線中，各種參數(shù)并不是相互獨(dú)立，而是存在著耦合關(guān)系.為實(shí)現(xiàn)利用單因子試驗(yàn)法分析瓶頸，可采用統(tǒng)計(jì)學(xué)知識(shí)對(duì)各種歷史數(shù)據(jù)進(jìn)行分析，確定各種參數(shù)之間定量的耦合關(guān)系，以得到生產(chǎn)線參數(shù)對(duì)瓶頸漂移的獨(dú)立影響.

在單位時(shí)間T內(nèi)，k類生產(chǎn)線上參數(shù)s1,s2,…,sk發(fā)生變化的概率為p(si)，則概率模型可表示如式(19)所示：

P(Ω)={p(s1),p(s2),…,p(sk)}

(19)

其中，Ω：各種參數(shù)集合：

Ω={s|s1,s2,…,sk}

(20)

參數(shù)si在參數(shù)sj的影響下發(fā)生波動(dòng)的概率為：

(21)

通過以上多個(gè)參數(shù)間連帶關(guān)系，將參數(shù)si引起sj波動(dòng)而導(dǎo)致sj對(duì)設(shè)備m的影響折算到si，如式(22)所示：

(22)

5　實(shí)驗(yàn)結(jié)果

采用文獻(xiàn)[12]中的SWFS模型驗(yàn)證文中提出的瓶頸設(shè)備分析方法的有效性.該生產(chǎn)線模型擁有24個(gè)設(shè)備群，共78臺(tái)設(shè)備，其中批加工設(shè)備6臺(tái)，單件加工設(shè)備72臺(tái)，并且設(shè)備存在混合加工和重入的現(xiàn)象，可加工A、B、C三種類型工件.

在eM-Plant仿真平臺(tái)上構(gòu)建該生產(chǎn)模型，采用固定投料策略和基于生產(chǎn)線平衡的FLNQ(Longest Lots at the Next Queue)派工規(guī)則進(jìn)行仿真實(shí)驗(yàn)，仿真時(shí)間為三年，預(yù)仿真時(shí)間半年.采集生產(chǎn)線數(shù)，每個(gè)采樣點(diǎn)依據(jù)建立的實(shí)際預(yù)測(cè)模型可包括7項(xiàng)輸入、1項(xiàng)輸出，共八項(xiàng)數(shù)據(jù)，并對(duì)數(shù)據(jù)做預(yù)處理：①剔除半導(dǎo)體制造系統(tǒng)預(yù)仿真時(shí)間段內(nèi)及設(shè)備生產(chǎn)能力未達(dá)到飽和狀態(tài)時(shí)的數(shù)據(jù)；②剔除超出三倍數(shù)據(jù)樣本標(biāo)準(zhǔn)差的數(shù)據(jù).將處理后的數(shù)據(jù)作為構(gòu)建GPNN模型所需的數(shù)據(jù).

初始化GPNN模型相關(guān)參數(shù)：將模型隱含層節(jié)點(diǎn)設(shè)置為15，神經(jīng)元敏感度范圍設(shè)置為[5%,50%]，神經(jīng)元分裂數(shù)目d為4.利用所獲數(shù)據(jù)對(duì)初始化后的模型進(jìn)行訓(xùn)練和測(cè)試，如圖3中，基于GPNN模型隱含層節(jié)點(diǎn)從初始15個(gè)節(jié)點(diǎn)最終收斂到7個(gè)，根據(jù)經(jīng)驗(yàn)公式(9)計(jì)算得到節(jié)點(diǎn)數(shù)范圍[3,13]內(nèi)，其結(jié)構(gòu)更加趨于合理簡(jiǎn)潔.由于GPNN模型動(dòng)態(tài)優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)，獲得更優(yōu)隱含層節(jié)點(diǎn)數(shù)，使得模型收斂速度更快，并且能達(dá)到較高精度如.如圖4，GPNN預(yù)測(cè)模型訓(xùn)練和測(cè)試的均方差分別降至5.82×10-2、6.32×10-2，滿足SWFS的實(shí)際要求.

在半導(dǎo)體生產(chǎn)線中，穩(wěn)定的生產(chǎn)環(huán)境對(duì)瓶頸設(shè)備的影響不大，生產(chǎn)線瓶頸設(shè)備分布趨勢(shì)如圖5所示.利用單因子試驗(yàn)法對(duì)瓶頸進(jìn)行分析，觀察生產(chǎn)線參數(shù)變化對(duì)瓶頸設(shè)備的影響.根據(jù)生產(chǎn)線實(shí)際生產(chǎn)經(jīng)驗(yàn)，可主要通過改變最能直接體現(xiàn)生產(chǎn)線設(shè)備擁擠程度的關(guān)鍵參數(shù)，如生產(chǎn)線WIP水平和設(shè)備緩沖區(qū)隊(duì)列長(zhǎng)度等，得到生產(chǎn)線穩(wěn)定時(shí)的合理參數(shù)范圍.

(1)改變生產(chǎn)線WIP值

當(dāng)生產(chǎn)線WIP水平設(shè)置為[25,35]lot時(shí)，對(duì)瓶頸設(shè)備影響較??；當(dāng)WIP水平超過上界并達(dá)到40lot時(shí)，如圖6所示，主瓶頸設(shè)備在第23至47采樣時(shí)刻及第86至95采樣時(shí)刻發(fā)生漂移，由原來19號(hào)設(shè)備向16號(hào)、21號(hào)設(shè)備轉(zhuǎn)移，最后又回歸到19號(hào)設(shè)備.次瓶頸設(shè)備則依次在16、19和21號(hào)設(shè)備間轉(zhuǎn)移，第23至34采樣時(shí)刻生產(chǎn)線只有唯一19號(hào)瓶頸設(shè)備.因此，通過提高生產(chǎn)線WIP水平，對(duì)主瓶頸設(shè)備無較大影響，而對(duì)次瓶頸前的設(shè)備瓶頸度影響很大，容易引起生產(chǎn)線次瓶頸設(shè)備的前移.

(2)改變?cè)O(shè)備緩沖區(qū)容量

當(dāng)緩沖區(qū)容量由無限容量調(diào)整到30個(gè)工件，如圖7所示，主瓶頸基本都維持在19號(hào)設(shè)備，只在第20至40采樣時(shí)刻及第65至72采樣時(shí)刻主瓶頸發(fā)生漂移，此時(shí)16和21號(hào)設(shè)備成為生產(chǎn)線瞬時(shí)主瓶頸；次瓶頸則主要由原來16號(hào)轉(zhuǎn)移到18號(hào)設(shè)備，由于緩沖區(qū)容量設(shè)置使得18號(hào)設(shè)備加工完的工件無法及時(shí)傳送給19號(hào)設(shè)備，導(dǎo)致18號(hào)設(shè)備緩沖區(qū)前積累大量未加工工件，使得18號(hào)設(shè)備成為次瓶頸.因此，通過對(duì)減小設(shè)備緩沖區(qū)容量設(shè)置，生產(chǎn)線上主瓶頸上游設(shè)備發(fā)生了工件積壓的現(xiàn)象，導(dǎo)致無法正常生產(chǎn)，增加其成為次瓶頸的概率.

6　結(jié)論

本文針對(duì)在不確定環(huán)境下半導(dǎo)體生產(chǎn)線動(dòng)態(tài)瓶頸的識(shí)別與預(yù)測(cè)問題進(jìn)行研究，給出一種基于增長(zhǎng)修剪型神經(jīng)網(wǎng)絡(luò)的動(dòng)態(tài)瓶頸分析方法.利用復(fù)合定義法進(jìn)行瓶頸識(shí)別，構(gòu)建基于增長(zhǎng)修剪型神經(jīng)網(wǎng)絡(luò)的瓶頸預(yù)測(cè)模型，同時(shí)使用單因子試驗(yàn)法得到生產(chǎn)線穩(wěn)定時(shí)參數(shù)對(duì)應(yīng)的合理范圍.實(shí)驗(yàn)表明，該方法能夠快速有效的識(shí)別并預(yù)測(cè)下一時(shí)刻的瓶頸，并能描述關(guān)鍵參數(shù)對(duì)生產(chǎn)線的影響，極大地改善不確定性環(huán)境下動(dòng)態(tài)瓶頸漂移所帶來的調(diào)度算法缺乏柔性的問題，具有一定工程實(shí)踐意義.

[1]Qiao F,Ma Y M,Li L,et al.A Petri net and extended genetic algorithm combined scheduling method for wafer fabrication[J].IEEE Transactions on Automation Science and Engineering,2013,10(1):197-204.

[2]Cao Z C,Peng Y Z,et al.A drum-buffer-rope based scheduling method for semiconductor manufacturing system[A].IEEE Conference on Automation Science and Engineering[C],2011.120-125.

[3]Meidan Y,Lerner B,Rabinowitz G,et al.Cycle-time key factor identification and prediction in semiconductor manufacturing using machine learning and data mining[J].IEEE Transactions on Semiconductor Manufacturing,2011,24(2):237-248.

[4]Zhou Z,Rose O.A bottleneck detection and dynamic dispatching strategy for semiconductor wafer fabrication facilities[A].Winter Simulation Conference[C],2009.1646-1656.

[5]喬非，馬玉敏，李莉，等.基于分層瓶頸分析的多重入制造系統(tǒng)調(diào)度方法[J].計(jì)算機(jī)集成制造系統(tǒng)，2010，16(4)：855-860.

Qiao F,Ma Y M,Li L,et al.Multi-reentrant manufacturing system scheduling based on layered bottleneck analysis[J].Computer Integrated Manufacturing Systems,2010,16(4):855-860.(in Chinese)

[6]Wang,Z J,Chen J,Wu Q D,A new method of dynamic bottleneck detection for semiconductor manufacturing line[A].Proceedings of the 17th World Congress the International Federation of Automatic Control[C],2008,17(1):14840-14845.

[7]Li L,Chang Q,Ni J.Data driven bottleneck detection of manufacturing systems[J].International Journal of Production Research,2009,47(18):5019-5036.

[8]Cao Z C,Deng J J,LIU M,et al.Bottleneck prediction method based on improved adaptive network-based fuzzy inference system in semiconductor manufacturing system[J].Chinese Journal of Chemical Engineering,2012,20(6):1081-1088.

[9]Moss H K.Toward the estimation of bottleneck shiftiness in a manufacturing operation[J].Production and Inventory Management Journal,1999,40:53-58.

[10]Liu M Z,Tang J,Gen M G,et al.Dynamic prediction method of production logistics bottleneck based on bottleneck index[J].EI on Chinese Journal of Mechanical Engineering,2009,22(5).

[11]夏克文,李昌彪,沈鈞毅.前向神經(jīng)網(wǎng)絡(luò)隱含層節(jié)點(diǎn)數(shù)的一種優(yōu)化算法[J].計(jì)算機(jī)科學(xué),2006,32(10):143-145.

Xia K W,Li C B,Shen J Y.An optimization algorithm on the number of hidden layer nodes in feed-forward neural network[J].Computer Science,2006,32(10):143-145.(in Chinese)

[12]Chen J H,Fu L C,Lin M H,et al.Petri-net and GA-based approach to modeling,scheduling,and performance evaluation for wafer fabrication[J].IEEE Transactions on Robotics and Automation,2001,17(5):619-636.

曹政才男，博士，教授/博導(dǎo)，主要研究方向：復(fù)雜生產(chǎn)過程優(yōu)化調(diào)度,系統(tǒng)工程和智能控制.

E-mail:giftczc@163.com

邱明輝男，碩士，主要研究方向?yàn)閺?fù)雜過程建模、優(yōu)化與控制等.

E-mail:2013210279@grad.buct.edu.cn

劉民男，博士，教授/博導(dǎo)，主要研究方向?yàn)閺?fù)雜生產(chǎn)過程優(yōu)化調(diào)度，復(fù)雜生產(chǎn)過程或裝備智能檢測(cè)和智能操作優(yōu)化，智能優(yōu)化方法及其在復(fù)雜制造系統(tǒng)建模、調(diào)度與優(yōu)化中的應(yīng)用.

E-mail：lium@tsinghua.edu.cn

Dynamic Bottleneck Analysis for Semiconductor Wafer Fabrication System Based on Growing and Pruning Neural Networks

CAO Zheng-cai1,2,QIU Ming-hui1,2,LIU Min3

(1.College of Information Science and Technology,Beijing University of Chemical Technology,Beijing 100029，China; 2.Key Laboratory of Symbolic Computation and Knowledge Engineering of Ministry of Education,Jilin University,Changchun，Jilin 130012，China; 3.Department of Automation,Tsinghua University,Beijing 100084，China)

Bottleneck is the key factor to semiconductor wafer fabrication system (SWFS),which seriously influences the level of work-in-process,cycle time,time-delivery rate,etc.Efficient analysis for the bottleneck of SWFS can promote various performances.In modern SWFS,present analysis methods usually regard bottleneck device as static bottleneck without taking bottleneck shifting into consideration in the uncertain environment,which leads to scheduling algorithm that always treat the bottleneck device as the core lack of flexibility and real-time performance.Therefore,dynamic bottleneck analysis method for the SWFS based on growing and pruning neural networks (GPNN) was adopted in this study to acquire the dynamic bottleneck characteristic.Firstly,in this paper,the way of composite definition is used to calculate comprehensive bottleneck degree of the devices form the perspectives of relative production load,utilization rate and length of the buffer queue to indicate bottleneck based on bottleneck identification mechanism;Secondly,establish the model of growing and pruning neural networks to predict the future bottleneck and adjust the network structure in view of closed-loop control.Thirdly,in order to analyze the key factors relative to bottleneck devices and the dynamic bottleneck characteristic quantitatively,the single factor test method was applied in this paper.Lastly,the experiments show that this dynamic bottleneck analysis method is testified the feasibility and availability.

SWFS；dynamic bottleneck analysis；comprehensive bottleneck degree；GPNN；single factor test method

2014-02-27;

2014-07-07;責(zé)任編輯：郭游

國(guó)家自然科學(xué)基金(No.51375038);高等學(xué)校博士學(xué)科點(diǎn)專項(xiàng)科研基金博導(dǎo)類課題(No.20130010110009);復(fù)雜系統(tǒng)管理與控制國(guó)家重點(diǎn)實(shí)驗(yàn)室開放課題(No.20120104);吉林大學(xué)符號(hào)計(jì)算與知識(shí)工程教育部重點(diǎn)實(shí)驗(yàn)室開放課題

TP373

A

0372-2112 (2016)07-1636-07

??學(xué)報(bào)URL:http://www.ejournal.org.cn

10.3969/j.issn.0372-2112.2016.07.017