[發(fā)明專利]半導(dǎo)體制造系統(tǒng)的日產(chǎn)出量預(yù)測(cè)系統(tǒng)

無(wú)效

• 申請(qǐng)?zhí)枺?/td>: 200810202312.5
• 申請(qǐng)日: 2008-11-06
• 公開（公告）號(hào): CN101404072A
• 公開（公告）日: 2009-04-08
• 發(fā)明（設(shè)計(jì)）人: 張潔;吳立輝;張功;朱瓊
• 申請(qǐng)（專利權(quán)）人: 上海交通大學(xué)
• 主分類號(hào): G06N3/08
• 分類號(hào): G06N3/08;G06Q10/00;G05B19/418
• 代理公司: 上海交達(dá)專利事務(wù)所
• 代理人: 王錫麟;王桂忠

技術(shù)領(lǐng)域

本發(fā)明涉及一種半導(dǎo)體制造技術(shù)領(lǐng)域的信息處理系統(tǒng)，具體是一種半導(dǎo)體制造系統(tǒng)的日產(chǎn)出量預(yù)測(cè)系統(tǒng)。

背景技術(shù)

由于半導(dǎo)體生產(chǎn)線屬于混合加工模式，其加工工藝流程復(fù)雜，在制品品種多、數(shù)量大，生產(chǎn)過(guò)程存在各種離散、動(dòng)態(tài)、不確定性事件，產(chǎn)品的平均加工周期較長(zhǎng)，導(dǎo)致半導(dǎo)體制造系統(tǒng)生產(chǎn)作業(yè)計(jì)劃和調(diào)度制定困難，且可行性較低。而通過(guò)在半導(dǎo)體制造系統(tǒng)的控制系統(tǒng)中加入生產(chǎn)預(yù)測(cè)控制手段來(lái)輔助以上問題的解決，可以有效提高半導(dǎo)體制造系統(tǒng)的生產(chǎn)作業(yè)計(jì)劃和控制的精度和可行性。半導(dǎo)體制造系統(tǒng)日產(chǎn)出預(yù)測(cè)過(guò)程就是根據(jù)可重入生產(chǎn)線的日產(chǎn)量歷史數(shù)據(jù)，通過(guò)一定的方法去發(fā)現(xiàn)其中隱藏的規(guī)律，以指導(dǎo)和輔助半導(dǎo)體制造系統(tǒng)的生產(chǎn)作業(yè)計(jì)劃與調(diào)度制定，提高生產(chǎn)作業(yè)計(jì)劃與調(diào)度的可行性和準(zhǔn)確性。

基于半導(dǎo)體生產(chǎn)線或加工單元產(chǎn)出量預(yù)測(cè)的系統(tǒng)被越來(lái)越多的用于晶圓加工的生產(chǎn)作業(yè)計(jì)劃以及晶圓調(diào)度派發(fā)過(guò)程。

經(jīng)對(duì)現(xiàn)有技術(shù)文獻(xiàn)的檢索發(fā)現(xiàn)，C.-L.HUANG等在《International?Journalof?Production?Research》(生產(chǎn)研究國(guó)際雜志)(1999年37卷6期)1387-1402頁(yè)上發(fā)表的“The?construction?of?production?performance?prediction?system?forsemiconductor?manufacturing?with?artificial?neural?networks”(基于人工神經(jīng)網(wǎng)絡(luò)的半導(dǎo)體制造生產(chǎn)性能指標(biāo)預(yù)測(cè)系統(tǒng)研究)，該文中提出了采用BP神經(jīng)網(wǎng)絡(luò)方法用于半導(dǎo)體制造系統(tǒng)加工單元的在制品(WIP，Work?In?Process)和產(chǎn)出量的預(yù)測(cè)。建模過(guò)程中，將當(dāng)前加工單元和前一個(gè)加工單元的過(guò)去幾天的WIP和產(chǎn)出量等性能數(shù)據(jù)作為BP神經(jīng)網(wǎng)絡(luò)模型的輸入，對(duì)當(dāng)前加工單元的未來(lái)一天的WIP和產(chǎn)出量指標(biāo)進(jìn)行預(yù)測(cè)。由于半導(dǎo)體制造系統(tǒng)屬于大規(guī)模復(fù)雜的制造系統(tǒng)，晶圓加工過(guò)程中受到生產(chǎn)線的生產(chǎn)作業(yè)計(jì)劃、調(diào)度策略、不確定干擾等各種因素的影響，系統(tǒng)的產(chǎn)出量等性能指標(biāo)變化表現(xiàn)出隨機(jī)性。基于人工神經(jīng)網(wǎng)絡(luò)的方法用于產(chǎn)出量的預(yù)測(cè)，預(yù)測(cè)模型的輸入維數(shù)選取隨機(jī)性較大，主要通過(guò)枚舉試驗(yàn)的方法，預(yù)測(cè)模型的適應(yīng)性差；基于人工神經(jīng)網(wǎng)絡(luò)方法通常將過(guò)去連續(xù)數(shù)天的歷史數(shù)據(jù)作為預(yù)測(cè)模型的輸入，沒有對(duì)產(chǎn)出量等性能指標(biāo)的歷史數(shù)據(jù)變化的特性和規(guī)律進(jìn)行深入分析，導(dǎo)致模型預(yù)測(cè)的精度較差；同時(shí)BP神經(jīng)網(wǎng)絡(luò)方法參數(shù)訓(xùn)練過(guò)程的容易陷入局部?jī)?yōu)化，因此不適應(yīng)于大規(guī)模復(fù)雜的半導(dǎo)體加工的產(chǎn)出量預(yù)測(cè)的環(huán)境。

發(fā)明內(nèi)容

本發(fā)明的目的是針對(duì)上述現(xiàn)有技術(shù)的不足，提出一種半導(dǎo)體制造系統(tǒng)的日產(chǎn)出量預(yù)測(cè)系統(tǒng)，使其具有半導(dǎo)體制造系統(tǒng)的日產(chǎn)出量預(yù)測(cè)的功能，且能夠提高半導(dǎo)體制造系統(tǒng)的日產(chǎn)出量預(yù)測(cè)精度和水平，為半導(dǎo)體制造系統(tǒng)的生產(chǎn)作業(yè)計(jì)劃與調(diào)度提供支持。

本發(fā)明是通過(guò)以下技術(shù)方案實(shí)現(xiàn)的，本發(fā)明包括：GUI模塊、日產(chǎn)出量時(shí)間序列的相空間重構(gòu)模塊、神經(jīng)網(wǎng)絡(luò)模塊和神經(jīng)網(wǎng)絡(luò)參數(shù)的訓(xùn)練模塊，其中：

GUI模塊接收用戶輸入的日產(chǎn)出量時(shí)間序列信息和神經(jīng)網(wǎng)絡(luò)訓(xùn)練的初始化參數(shù)設(shè)定值信息，分別將其輸出給日產(chǎn)出量時(shí)間序列的相空間重構(gòu)模塊和神經(jīng)網(wǎng)絡(luò)的參數(shù)訓(xùn)練處理模塊；

日產(chǎn)出量時(shí)間序列的相空間重構(gòu)模塊獲得日產(chǎn)出量時(shí)間序列，對(duì)日產(chǎn)出量時(shí)間序列進(jìn)行預(yù)處理后，將經(jīng)過(guò)重構(gòu)處理的日產(chǎn)出量時(shí)間序列輸出給GUI模塊和神經(jīng)網(wǎng)絡(luò)模塊，其中，預(yù)處理包括：時(shí)間延遲識(shí)別處理、嵌入維數(shù)識(shí)別處理和相空間重構(gòu)處理，針對(duì)日產(chǎn)出時(shí)間序列；

神經(jīng)網(wǎng)絡(luò)模塊一方面從日產(chǎn)出量時(shí)間序列的相空間重構(gòu)模塊獲得重構(gòu)后的日產(chǎn)出量時(shí)間序列數(shù)據(jù)，另一方面從神經(jīng)網(wǎng)絡(luò)參數(shù)的訓(xùn)練模塊獲得優(yōu)化的隱含層和輸出層權(quán)值參數(shù)，進(jìn)行日產(chǎn)出量時(shí)間序列的預(yù)測(cè)處理，并將預(yù)測(cè)處理結(jié)果輸出到神經(jīng)網(wǎng)絡(luò)的參數(shù)訓(xùn)練處理模塊和GUI模塊；

神經(jīng)網(wǎng)絡(luò)參數(shù)的訓(xùn)練處理模塊一方面接收日產(chǎn)出量時(shí)間序列的相空間重構(gòu)模塊的日產(chǎn)出量時(shí)間序列的預(yù)處理結(jié)果信息，一方面從GUI模塊接收神經(jīng)網(wǎng)絡(luò)訓(xùn)練的初始化參數(shù)設(shè)定值信息，對(duì)神經(jīng)網(wǎng)絡(luò)模塊中的隱含層和輸出層權(quán)值參數(shù)進(jìn)行訓(xùn)練處理，將優(yōu)化的隱含層和輸出層權(quán)值參數(shù)傳輸給神經(jīng)網(wǎng)絡(luò)模塊，并傳輸給GUI模塊。

所述日產(chǎn)出量時(shí)間序列的相空間重構(gòu)模塊，包括三個(gè)子模塊：時(shí)間延遲處理子模塊、嵌入維數(shù)處理子模塊和相空間重構(gòu)子模塊，其中：