專利名稱：一種半導(dǎo)體生產(chǎn)線動態(tài)調(diào)度策略自動選擇方法
技術(shù)領(lǐng)域：
本發(fā)明涉及生產(chǎn)自動化調(diào)度領(lǐng)域，尤其是涉及一種半導(dǎo)體生產(chǎn)線動態(tài)調(diào)度策略自動選擇方法。
背景技術(shù)：
對半導(dǎo)體生產(chǎn)線而言，生產(chǎn)調(diào)度問題是其核心問題，合理高效的生產(chǎn)調(diào)度是提高企業(yè)效益和市場競爭力的有效途徑。對于生產(chǎn)過程調(diào)度問題，其尋優(yōu)的本質(zhì)是:在滿足生產(chǎn)過程調(diào)度問題中的工藝和資源等相關(guān)約束條件下，選擇最優(yōu)的調(diào)度策略，以使某個或多個調(diào)度性能指標(biāo)達到最優(yōu)或較優(yōu)。生產(chǎn)過程調(diào)度問題的傳統(tǒng)優(yōu)化方法主要包括以下4大類:運籌學(xué)方法、啟發(fā)式方法、人工智能方法和軟計算方法。經(jīng)過對現(xiàn)有技術(shù)的文獻檢索發(fā)現(xiàn)，生產(chǎn)過程調(diào)度優(yōu)化方法主要圍繞上述4類方法展開。在中國專利“基于信息素的用于半導(dǎo)體生產(chǎn)線的動態(tài)調(diào)度方法”(授權(quán)號CN1734382A)中，吳啟迪等提出了一種基于信息素的用于半導(dǎo)體生產(chǎn)線的動態(tài)調(diào)度方法，該方法為每個WIP和設(shè)備分別存儲信息素變量，然后把多個WIP的信息素變量以及相關(guān)設(shè)備的信息素變量進行綜合以生成WIP選擇變量，比較多個WIP選擇變量并選擇一個用于在該設(shè)備上加工；在中國專利“應(yīng)用于多重入復(fù)雜制造系統(tǒng)的調(diào)度方法”(授權(quán)號CN101604409A)中，曹政才等提出了一種基于人工免疫算法的半導(dǎo)體生產(chǎn)線調(diào)度優(yōu)化方法，該方法以規(guī)則調(diào)度為主線，對多種不同的調(diào)度規(guī)則按照一定的方式進行編碼，考慮多個生產(chǎn)線性能指標(biāo)構(gòu)造適應(yīng)度函數(shù)，用免疫方法進行全局搜索來獲得最優(yōu)近似解。對于半導(dǎo)體調(diào)度問題，上述傳統(tǒng)優(yōu)化調(diào)度方法往往在實時性和生產(chǎn)性能上難以平衡，利用啟發(fā)式規(guī)則，調(diào)度實時性好，但性能指標(biāo)無法達到優(yōu)化；而利用人工智能，雖然能在性能指標(biāo)上達到優(yōu)化，但運算時間長，難以滿足生產(chǎn)實時性的要求。在半導(dǎo)體制造企業(yè)中，生產(chǎn)線運行必須要配備制造執(zhí)行系統(tǒng)(MES)，在MES中積累了與調(diào)度相關(guān)的大量歷史數(shù)據(jù)和實時數(shù)據(jù)，這些數(shù)據(jù)中隱含了反映實際調(diào)度環(huán)境特點及調(diào)度知識的大量有效信息，這些信息對決策者實時制定調(diào)度策略起到至關(guān)重要的作用。如何利用上述數(shù)據(jù)提取出這些知識和信息更好地解決實際半導(dǎo)體生產(chǎn)線的調(diào)度問題是一個具有挑戰(zhàn)性的難題。數(shù)據(jù)挖掘是計算機科學(xué)領(lǐng)域一個極具應(yīng)用價值的研究領(lǐng)域。數(shù)據(jù)挖掘方法應(yīng)用于半導(dǎo)體生產(chǎn)線調(diào)度問題，可以在大量離線數(shù)據(jù)的基礎(chǔ)上提取出知識、經(jīng)驗和規(guī)則，為調(diào)度決策提供準確、完整的參數(shù)條件，形成更為科學(xué)有效的調(diào)度決策，解決傳統(tǒng)調(diào)度方法的不足。支持向量機算法(SVM)，是一種在解決小樣本、非線性及高維模式識別問題時具有特有優(yōu)勢的數(shù)據(jù)挖掘分類算法。SVM算法建立在統(tǒng)計學(xué)習(xí)理論的VC維理論和結(jié)構(gòu)風(fēng)險最小原理基礎(chǔ)上，通過找出對分類有較好區(qū)分能力的支持向量來構(gòu)造分類器，從而最大化類間隔，因而該算法得到的分類模型有較好的適應(yīng)能力和較高的準確率，且算法復(fù)雜度低。相比于其它分類算法，該算法往往能取得較好的泛化效果。二進制粒子群算法(BPSO)是粒子群優(yōu)化算法(PSO)在二進制空間上擴展形成的。該算法模擬了鳥群覓食過程中的遷徙和群聚行為，通過粒子間的競爭和協(xié)作達到在復(fù)雜搜索空間尋找全局最優(yōu)點的目的，是一種基于群體智能的全局隨機搜索算法。

發(fā)明內(nèi)容
本發(fā)明的目的就是為了克服上述現(xiàn)有技術(shù)存在的缺陷而提供一種調(diào)度實時性好、有利于提高生產(chǎn)效率的半導(dǎo)體生產(chǎn)線動態(tài)調(diào)度策略自動選擇方法。本發(fā)明的目的可以通過以下技術(shù)方案來實現(xiàn):一種半導(dǎo)體生產(chǎn)線動態(tài)調(diào)度策略自動選擇方法，包括以下步驟:I)根據(jù)實際半導(dǎo)體生產(chǎn)線獲得生產(chǎn)線生產(chǎn)屬性集、調(diào)度策略集和性能指標(biāo)集；2)建立半導(dǎo)體生產(chǎn)調(diào)度仿真模型，根據(jù)實際半導(dǎo)體生產(chǎn)線歷史狀態(tài)數(shù)據(jù)獲得每個狀態(tài)對應(yīng)的生產(chǎn)屬性值，以生產(chǎn)線歷史狀態(tài)數(shù)據(jù)和調(diào)度策略集中的調(diào)度策略為仿真模型的輸入，通過仿真獲取采取不同調(diào)度策略下的生產(chǎn)線各項性能指標(biāo)值，比較得出對應(yīng)于各性能指標(biāo)最優(yōu)的調(diào)度策略，建立樣本集，包括訓(xùn)練樣本集S1和測試樣本集S2 ；3)采用基于BPSO-SVM的特征選擇與分類算法對訓(xùn)練樣本集S1進行訓(xùn)練，獲取優(yōu)化的生產(chǎn)屬性子集和SVM訓(xùn)練參數(shù)，并形成基于SVM的動態(tài)調(diào)度規(guī)則分類器A* ；4)將測試樣本集S2輸入動態(tài)調(diào)度規(guī)則分類器A*獲取生產(chǎn)調(diào)度策略，并判斷基于特征子集的調(diào)度策略預(yù)測精度是否優(yōu)于全集，若是，則記錄該特征子集和SVM訓(xùn)練參數(shù)，轉(zhuǎn)至步驟5)，若否，則調(diào)整生產(chǎn)線歷史狀態(tài)數(shù)據(jù)，返回步驟2)或調(diào)整訓(xùn)練參數(shù)變化范圍，返回步驟3)；5)以步驟4)獲得的特征子集和SVM訓(xùn)練參數(shù)為SVM分類算法的輸入，對訓(xùn)練樣本集S1進行訓(xùn)練，獲得最終用于指導(dǎo)半導(dǎo)體生產(chǎn)線的動態(tài)調(diào)度規(guī)則分類模型A ；6)向動態(tài)調(diào)度規(guī)則分類模型A輸入生產(chǎn)線的實時狀態(tài)信息，動態(tài)獲取優(yōu)化的調(diào)度策略。所述的生產(chǎn)線生產(chǎn)屬性集包括生產(chǎn)線屬性和加工區(qū)屬性；所述的調(diào)度策略集包括基于交貨期的調(diào)度策略、基于加工周期的調(diào)度策略、基于工件等待時間的調(diào)度策略、基于負載均衡的調(diào)度策略和混合調(diào)度策略；所述的生產(chǎn)線性能指標(biāo)集包括在制品水平、生產(chǎn)率、加工周期、設(shè)備利用率、準時交貨率、總移動量和平均移動量。所述的樣本集的數(shù)據(jù)形式為:{F，P，D}，其中，F(xiàn)和D之間的關(guān)系可描述為:
權(quán)利要求
1.一種半導(dǎo)體生產(chǎn)線動態(tài)調(diào)度策略自動選擇方法，其特征在于，包括以下步驟: 1)根據(jù)實際半導(dǎo)體生產(chǎn)線獲得生產(chǎn)線生產(chǎn)屬性集、調(diào)度策略集和性能指標(biāo)集； 2)建立半導(dǎo)體生產(chǎn)調(diào)度仿真模型，根據(jù)實際半導(dǎo)體生產(chǎn)線歷史狀態(tài)數(shù)據(jù)獲得每個狀態(tài)對應(yīng)的生產(chǎn)屬性值，以生產(chǎn)線歷史狀態(tài)數(shù)據(jù)和調(diào)度策略集中的調(diào)度策略為仿真模型的輸入，通過仿真獲取采取不同調(diào)度策略下的生產(chǎn)線各項性能指標(biāo)值，比較得出對應(yīng)于各性能指標(biāo)最優(yōu)的調(diào)度策略，建立樣本集，包括訓(xùn)練樣本集S1和測試樣本集S2 ； 3)采用基于BPSO-SVM的特征選擇與分類算法對訓(xùn)練樣本集S1進行訓(xùn)練，獲取優(yōu)化的生產(chǎn)屬性子集和SVM訓(xùn)練參數(shù)，并形成基于SVM的動態(tài)調(diào)度規(guī)則分類器A* ； 4)將測試樣本集S2輸入動態(tài)調(diào)度規(guī)則分類器A*獲取生產(chǎn)調(diào)度策略，并判斷基于特征子集的調(diào)度策略預(yù)測精度是否優(yōu)于全集，若是，則記錄該特征子集和SVM訓(xùn)練參數(shù)，轉(zhuǎn)至步驟5)，若否，則調(diào)整生產(chǎn)線歷史狀態(tài)數(shù)據(jù)，返回步驟2)或調(diào)整訓(xùn)練參數(shù)變化范圍，返回步驟3)； 5)以步驟4)獲得的特征子集和SVM訓(xùn)練參數(shù)為SVM分類算法的輸入，對訓(xùn)練樣本集S1進行訓(xùn)練，獲得最終用于指導(dǎo)半導(dǎo)體生產(chǎn)線的動態(tài)調(diào)度規(guī)則分類模型A ； 6)向動態(tài)調(diào)度規(guī)則分類模型A輸入生產(chǎn)線的實時狀態(tài)信息，動態(tài)獲取優(yōu)化的調(diào)度策略。
2.根據(jù)權(quán)利要求1所述的一種半導(dǎo)體生產(chǎn)線動態(tài)調(diào)度策略自動選擇方法，其特征在于，所述的生產(chǎn)線生產(chǎn)屬性集包括生產(chǎn)線屬性和加工區(qū)屬性； 所述的調(diào)度策略集包括基于交貨期的調(diào)度策略、基于加工周期的調(diào)度策略、基于工件等待時間的調(diào)度策略、 基于負載均衡的調(diào)度策略和混合調(diào)度策略； 所述的生產(chǎn)線性能指標(biāo)集包括在制品水平、生產(chǎn)率、加工周期、設(shè)備利用率、準時交貨率、總移動量和平均移動量。
3.根據(jù)權(quán)利要求1所述的一種半導(dǎo)體生產(chǎn)線動態(tài)調(diào)度策略自動選擇方法，其特征在于，所述的樣本集的數(shù)據(jù)形式為:{F，P，D}，其中，F(xiàn)和D之間的關(guān)系可描述為:F.......................^...................>D ,即生產(chǎn)線屬性F下滿足性能P最優(yōu)的調(diào)度規(guī)則D。
4.根據(jù)權(quán)利要求1所述的一種半導(dǎo)體生產(chǎn)線動態(tài)調(diào)度策略自動選擇方法，其特征在于，所述的基于BPSO-SVM的特征選擇與分類算法具體為: 31)對生產(chǎn)屬性子集和SVM訓(xùn)練參數(shù)進行聯(lián)合編碼，粒子采用0-1編碼方式，如下式所示:{Pl，".，Pnf I Pnf^XI Pnf+nc+f"* Pnf+nc+Hf } 其中，nf為生產(chǎn)屬性個數(shù)，前nf位為生產(chǎn)屬性段，粒子的每一位代表一個生產(chǎn)屬性，“ I”表示該生產(chǎn)屬性被選為特征，“O”表示該生產(chǎn)屬性不被選為特征，粒子表達式中的nf+l至nf+nc,nf+nc+l至nf+n#nY位分別對應(yīng)SVM分類算法參數(shù)段C和Y，每一段表達為該參數(shù)對應(yīng)的二進制值，C和Y轉(zhuǎn)換為十進制參數(shù)的公式如下式所示: 、.max- min , C(or γ) = mm+-；-* a " 2,-1 其中，max和min為參數(shù)對應(yīng)十進制值的最大值和最小值；1為參數(shù)位串的長度；d為參數(shù)位串表示的二進制值對應(yīng)的十進制值； 32)初始化粒子群，包括種群規(guī)模，粒子的位置和速度；33)對初始化后的二進制粒子進行解碼，得到分類所需的生產(chǎn)屬性子集和SVM訓(xùn)練參數(shù)，由SVM分類算法得到SVM分類模型，并獲得SVM分類模型的調(diào)度策略預(yù)測精度，根據(jù)生產(chǎn)屬性子集的規(guī)模和調(diào)度策略預(yù)測精度計算各粒子的適應(yīng)度，適應(yīng)度函數(shù)定義如下:
5.根據(jù)權(quán)利要求4所述的一種半導(dǎo)體生產(chǎn)線動態(tài)調(diào)度策略自動選擇方法，其特征在于，所述的更新粒子的速度和位置的公式為:
6.根據(jù)權(quán)利要求4所述的一種半導(dǎo)體生產(chǎn)線動態(tài)調(diào)度策略自動選擇方法，其特征在于，所述的動態(tài)調(diào)度規(guī)則分類模型的輸入模式集M表達為:M= {Xi,yi} (i = l,2,...，N)，其中Xi是輸入模式的第i個樣本，對應(yīng)經(jīng)過特征選擇后的生產(chǎn)屬性(特征)子集，YiS類別標(biāo)簽，看作對應(yīng)Xi的最優(yōu)調(diào)度策略，通過輸入模式集M，建立分類超平面方程，使用Lagrange乘子法求解一個二次規(guī)劃問題的對偶問題可以得到一個最優(yōu)的分類超平面f (X)，如下式所示:
全文摘要
本發(fā)明涉及一種半導(dǎo)體生產(chǎn)線動態(tài)調(diào)度策略自動選擇方法，包括根據(jù)實際半導(dǎo)體生產(chǎn)線獲得生產(chǎn)線生產(chǎn)屬性集、調(diào)度策略集和性能指標(biāo)集；通過仿真獲取采取不同調(diào)度策略下的生產(chǎn)線各項性能指標(biāo)值，并建立樣本集；對訓(xùn)練樣本集進行訓(xùn)練，獲取優(yōu)化的生產(chǎn)屬性子集和SVM訓(xùn)練參數(shù)，并形成基于SVM的動態(tài)調(diào)度規(guī)則分類器A*；將測試樣本集輸入A*，判斷基于特征子集調(diào)度策略預(yù)測精度是否優(yōu)于全集，若是，則根據(jù)獲得的特征子集和SVM訓(xùn)練參數(shù)對訓(xùn)練樣本集S1進行訓(xùn)練，獲得最終的動態(tài)調(diào)度規(guī)則分類模型A；向A輸入生產(chǎn)線的實時狀態(tài)信息，動態(tài)獲取優(yōu)化的調(diào)度策略。與現(xiàn)有技術(shù)相比，本發(fā)明具有調(diào)度實時性好、有利于提高生產(chǎn)效率等優(yōu)點。
文檔編號G05B19/418GK103217960SQ20131011951
公開日2013年7月24日 申請日期2013年4月8日 優(yōu)先權(quán)日2013年4月8日
發(fā)明者馬玉敏, 喬非, 田闊, 章鋒 申請人:同濟大學(xué)