半导体制造系统的调度方法技术方案

本发明专利技术涉及一种半导体系统的协同调度方法，基于BPNN‑PSO的优化关系模型来表达制造系统状态与权重参数之间的关系，包括提供知识工作者在日常调度中获得的认知调度知识，选择应该作为调度规则重点的因素，并设计调度规则；选择以半导体生产行业为重点的性能指标，并将其作为制造系统的评估标准；选择影响生产系统性能的生产线的两个重要量化状态，并将其用于后续的优化模型；根据一系列方程式计算调度优先级；建立优化模型以获得优化的权重参数，并设定和预测更优的性能。本发明专利技术建立了一个具有自我优化和协作能力的人机协作调度框架，具有六个权重参数的协作调度规则(CDR)，以结合人类知识和机器学习的优势。

【技术实现步骤摘要】
半导体制造系统的调度方法
本专利技术属于半导体
，特别涉及一种半导体制造系统的调度方法。
技术介绍
随着半导体制造工艺的复杂性不断增加，半导体制造需要越来越高的资本投资，半导体制造商要求更高的整体设备效率和利用率。然而，半导体制造系统设备或者机器的调度解决方案所提供的过程复杂性的增加和功能数量的减少，导致了更频繁的不合格结果和工作返工。不确定的环境要求调度方法能够快速响应实时返工和中断情况。
技术实现思路
本专利技术的目的就是为了提供一种半导体制造系统的调度方法。本专利技术实施例之一，一种半导体制造系统调度方法，根据半导体制造系统的调度工作者的调度知识和经验，选择调度规则中需要考虑的因素，并设计调度规则；选择影响半导体生产线性能的量化状态；确定作业批次的调度优先级；建立调度模型，用以获得优化的权重参数。其中，建立调度模型的过程包括以下步骤：S1，对制造系统，计算每一批作业中紧急作业的比例；S2，计算每一批作业的批次大小与最大批次的比率；S3，计算每一批作业在当前制造设备上占用的时间与最大占用时间的比率，以及下游设备的工作负载水平；S4，将相应的权重参数与量化状态相关联，通过计算生产线量化状态与权重参数之间的乘积之和来获得调度优先级；S5，利用BPNN反向传播神经网络，基于已有的数据进行参数预测，根据训练好的权重矩阵反向求解得到新的最优参数；S6，通过粒子群优化算法PSO对所述神经网络参数进行优化调整，直到粒子群算法收敛，得到所述神经网络权重参数矩阵。附图说明通过参考附图阅读下文的详细描述，本专利技术示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本专利技术的若干实施方式，其中：图1根据本专利技术实施例之一的协同调度方法和基于粒子群算法的神经网络优化算法(BPNN-PSO)的整体流程图。图2根据本专利技术实施例之一的基于粒子群算法的神经网络优化算法(BPNN-PSO)的计算步骤。图3根据本专利技术实施例对比几种不同的启发式调度算法的调度计算结果。图4根据本专利技术实施例比较基于从业者经验的调度规则的调度计算结果。图5根据本专利技术实施例比较基于机器学习方法优化后的算法和其他启发式算法示意图。图6根据本专利技术实施例的半导体制造系统的调度方法示意图。具体实施方式为了解决半导体制造系统的调度问题，研究人员已尝试通过应用机器智能方法来解决动态调度问题但是，各种机器智能方法的局限性已导致研究人员将目光转向人工调度，以寻求最可取的解决方案。半导体制造中的人工调度取决于人类知识与制造环境的相互作用以执行调度动作。对于半导体制造和其他类型的调度问题，从业者的最重要贡献是能够灵活而巧妙地运用经验。人工智能是创新，复杂和动态的。人类知识涉及熟练的推理，敏锐的思维，发展创新思想的能力以及在众多调度信息之间建立关联的能力。从业者可以从样本数据中提取有用的信息，并且他们可以使用直观和有意识的分析机制根据可用信息做出复杂的决策。但是，对于复杂的制造计划问题，依靠知识工作者或行业专家做出的决定是有局限性的。例如，人们做出的决定往往基于有限的本地信息。如果没有广泛的计算能力的支持，即使是专家也可能无法解决大规模的调度问题。而且，从业者的经验并不总是最佳的。各个人做出的决策差异可能会导致冲突，因此不能保证整个晶圆厂的性能。由于半导体制造中的高度不确定性和脆弱性，没有其他人的支持，人类和智能学习系统都无法为复杂的调度问题提供最佳解决方案。人类是机器智能服务的接收者和涉及价值判断的决策仲裁者，即使智能系统可以提供无限的制造数据和其他信息，人工参与对于验证和其他需要人工监督，交互和参与的目的仍然是必要的。因此，通过人机协作，可以提高智能系统的置信度，并可以最佳地利用人的知识。有必要将人类的认知能力与智能系统相结合，以开发新形式的人机协作智能。目前，人机协作被用于人机协作驾驶，医学培训，云机器人技术等领域。人机协作在其他研究领域中的应用为解决具有高度不确定性的半导体制造中的调度问题提供了新的思路。在这项研究中，提出了一种动态的人机协同调度方法来解决半导体制造的调度问题。在这种方法中，可以使用可调的重量参数来说明生产线状态，并整合人类知识和机器智能。为了验证所提出方法的有效性，通过模拟一个高保真度的工业晶圆厂，以将改方法与其他方法进行比较。结果表明，提出的协作调度规则(CDR)优于以前使用的基于知识的调度规则(KDR)和其他常见的启发式调度规则(例如EDD，SRPT和CR)，为两种移动提供了更好的性能(MOV)和瓶颈设备实用程序(EU)。半导体系统的调度对于在不确定的处理环境中提供实时响应，满足复杂的处理约束并实现高水平的性能是必不可少的。为了满足这些要求，本专利技术提出了一种基于反向传播神经网络-粒子群优化(BPNN-PSO)的协同调度方法，该方法既利用了人类知识的灵活性，又利用了机器学习的计算能力。首先，考虑到半导体调度的不确定性和复杂性，本专利技术建立了一个具有自我优化和协作能力的人机协作调度框架。其次，本专利技术开发了具有六个权重参数的协作调度规则(CDR)，以结合人类知识和机器学习的优势。第三，设计了基于BPNN-PSO的优化关系模型，以表达制造系统状态与权重参数之间的关系。根据制造系统的状态，本专利技术可以借助优化模型来计算最佳重量参数，从而获得更好的性能。为了验证这种方法，基于工业半导体制造系统进行了仿真。结果表明，所提出的基于BPNN-PSO的协同调度方法是提高整个晶圆厂运行性能的有效方法。根据一个或者多个实施例，一种半导体系统的人机协同调度方法，包括：步骤S1：提供知识工作者在日常调度中获得的认知调度知识，选择应该作为调度规则重点的因素，并设计调度规则；步骤S2：选择以半导体生产行业为重点的性能指标，并将其作为制造系统的评估标准；步骤S3：选择影响生产系统性能的生产线的两个重要量化状态，并将其用于后续的优化模型；步骤S4：根据一系列方程式计算调度优先级；步骤S5：建立优化模型以获得优化的权重参数，并设定和预测更优的性能。协同调度规则根据调度工作者的经验构造生产调度信息，例如过程约束和下游设备的工作量水平。然后，根据量化数据设置可调权重参数。最后，通过确定生产线状态和重量参数之间的乘积之和来计算每个晶圆/批次的调度优先级。其优化模型基于混合算法，其中包括一个融合的反向传播神经网络(BPNN)和粒子群优化(PSO)模型，其名称为BPNN-PSO。通过历史数据和模拟数据，可以学习有关重量参数和量化生产线状态的潜在知识，构建优化模型以根据生产线的状态输出最佳重量参数，最终调整生成的参数以形成更合适的调度规则。应用PSO算法优化BPNN的权重和阈值。PSO中粒子的维数定义为(M+1)·N+(N+1)·L，其中M＝1是输入神经元的数量，N＝8是隐藏神经元的数量，L＝18是输出神经元的数量。粒子的位置表示BPNN的权重和阈值。本文档来自技高网...

【技术保护点】
1.一种半导体制造系统调度方法，其特征在于，/n根据半导体制造系统的调度工作者的调度知识和经验，选择调度规则中需要考虑的因素，并设计调度规则；/n选择影响半导体生产线性能的量化状态；/n确定作业批次的调度优先级；/n建立神经网络调度模型，用以获得优化的神经网络权重参数。/n

【技术特征摘要】
1.一种半导体制造系统调度方法，其特征在于，
根据半导体制造系统的调度工作者的调度知识和经验，选择调度规则中需要考虑的因素，并设计调度规则；
选择影响半导体生产线性能的量化状态；
确定作业批次的调度优先级；
建立神经网络调度模型，用以获得优化的神经网络权重参数。


2.根据权利要求1所述的半导体制造系统调度方法，其特征在于，所述建立调度模型的过程包括以下步骤：
S1，对制造系统，计算每一批作业中紧急作业的比例；
S2，计算每一批作业的批次大小与最大批次的比率；
S3，计算每一批作业在当前加工该批作业的制造设备上占用的时间与最大占用时间的比率，以及下游设备的工作负载水平；
S4，将相应的权重参数与量化状态相关联，通过计算生产线量化状态与权重参数之间的乘积之和来获得调度优先级；
S5，利用BPNN反向传播神经网络，基于已有的数据进行参数预测，根据训练好的权重矩阵反向求解得到新的最优参数；
S6，通过粒子群优化算法PSO对所述神经网络参数进行优化调整，直到粒子群算法收敛，得到所述神经网络权重参数矩阵。


3.根据权利要求2所述的半导体制造系统的调度方法，其特征在于，所述步骤S1具体包括：
S11，对于机器i队列中的每个作业n，计算要在机器i上处理的作业n的紧急程度：



这里，代表在时间t上要在机器i上处理的作业n的紧急度；代表机器i上作业n的剩余处理时间；Fn代表作业n的平均循环周期与其处理时间的比值；Dn代表作业n的交货日期；代表机器i上作业n的占用时间。
S12，对于能够在时间t内完成作业n的下一个步骤的机器i的，确定每个下游机器ID，并计算其工作负载级别



这里，是指机器ID上的作业h在机器ID队列中的占用时间；Tid代表一天中机器ID的可用时间。
S13，对于作业n，根据公式(3)计算其被选择的优先级Sn；




代表作业i在机器i的队列中的停留时间。
参数α1和α2分别用以衡量按时交付和工作负载平衡的相对重要性。


4.根据权利要求3所述的一种半导体系统的协同调度方法，其特征在于，所述步骤S2进一步包括，
S21，在机器i的队列中批处理作业，对于机器i的每个配方im，如果使用相同配方的紧急作业数量少于Bi，检查机器i队列中是否存在与这些紧急作业使用相同配方的普通作业，如果合格的作业数量不少于要求的数量，则根据机器i降序排列之前的排队时间，选择个作业，以组成具有最大批次大小的批次，否则，选择所有合格的普通作业，即组成一个批处理。
这里，Bi是指当前批处理设备的最大容量；是二进制变量，如果作业n在机器i上使用配方im，则否则，Nim指在机器i上使用配方im的作业的总数量。
S22，确定当前正在处理或刚在上游机器iu处加工完成并且下一步将由机器i完成的作业是否包含紧急任务，确定机器i是否是瓶颈设备。如果在当前机器i以及其上游机器中排队的紧急作业的数量超过该机器i的每日最大容量，则将机器i视为瓶颈，即



这里，Pim是指在机器i上，对于配方为im的作...

【专利技术属性】
技术研发人员：林国义，李莉，杨浩林，
申请(专利权)人：同济大学，
类型：发明
国别省市：上海;31