[發明專利]可用于半導體生產線動態調度的性能預測方法

在審

• 申請號: 201310239501.0
• 申請日: 2013-06-17
• 公開（公告）號: CN103310285A
• 公開（公告）日: 2013-09-18
• 發明（設計）人: 喬非;馬玉敏;徐靈璐
• 申請（專利權）人: 同濟大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04
• 代理公司: 上海智信專利代理有限公司 31002
• 代理人: 吳林松

技術領域

本發明屬于半導體制造領域，尤其是一種基于極限學習機的半導體生產線調度系統。

背景技術

半導體晶圓生產線是公認的最為復雜的生產線之一，其具有設備多、產品種類多、可重入、半成品報廢與重加工、機器失效等特點，故給生產線的調度與控制帶來了極大的復雜性。

一個完整的半導體生產線調度包括投料控制、工件調度。投料控制用于確定物料進入生產系統的速率，工件調度則是指對競爭使用某設備的工件，當設備出現空閑時，按何決策從中選擇下一個要加工的工件。由于預測模型具有展示系統未來動態的行為和能力，根據系統實時狀態，任意地給出未來的控制策略，觀察對象在不同策略下性能指標的輸出變化。一方面性能預測對于控制評價提供了依據和參考，能夠從生產管理的角度簡單明了地表示調度結果的優劣，進而判斷所得到的調度方案是否可行。另一方面根據一些不確定因素，比如設備情況變化、客戶需求變化，加工瓶頸的變化等不確定因素，會大大影響生產線的狀態，惡化性能指標，此時需根據不確定因素調整生產線的控制策略，來保證調度方案的進行，達到實時控制的要求。因此對于一個給定資源結構和調度策略的生產系統,計算其性能是有必要的。通過建立預測模型指導生產具有重要意義和實用價值，為高效的任務調度提供支持，保證服務的高性能運行，從而提高服務質量，以便更科學而經濟地開展生產活動。

目前預測建模方法主要有純計算方法、仿真建模方法兩類方法，然而對于復雜的半導體制造過程有著諸多約束和缺陷。首先，使用傳統建模方法建立指導生產過程調度的精確數學模型變得越來越困難，而因假設降低了實際復雜度，又難以保證所建模型的精度；其次，仿真建模方法需要大量的時間和資金并且模型的運行時間過長，并且無法滿足對生產現場中動態不確定因素做出快速有效反應的需要。制造生產過程中產生了大量的離在線數據，其中隱含了反映實際調度環境特點及調度知識的大量有效信息。人工神經網絡具有自組織、自適應、并行處理和非線性的等特性，作為數據挖掘技術的一種，提取大量數據中的有用信息來描述認知、決策及控制的智能行為，被廣泛應用于制造業控制領域。然而傳統的神經網絡的學習速度不能夠滿足高實時性的要求，無法滿足對生產現場中動態不確定因素做出快速有效反應的需要致使成為其應用的重要瓶頸，尤其對于實時在線預測。

極限學習機（ELM），是一種簡單易用、有效的單隱層前饋神經網絡的新型學習算法。該算法不同于傳統的學習算法的提出，這種學習方法在保證網絡具有良好泛化性能的同時,極大程度地提高了前向神經網絡的學習速度,并且避免了基于梯度下降學習方法的許多問題,如局部極小、迭代次數過多、參數選擇敏感等。因此ELM算法逐步受到關注，但現在處于發展階段，在光譜分析、巖性識別、電力線路建設、指紋人臉識別等方面得到了應用。

發明內容

針對上述的技術缺陷和應用時的不利影響，本發明的目的是提供一種應用極限學習機，解決半導體生產線動態調度的性能預測問題，保證短期調度方案的可行性與有效性。

本發明的技術方案如下：

一種基于極限學習機的用于半導體生產線動態調度的性能預測方法，包括：

（1）采集半導體生產線歷史數據，建立訓練樣本集與測試樣本集。

（2）將對輸入的投料方式及調度規則文字符號進行編碼，使網絡可以接受。為使輸入數據有相同的量綱，對輸入量進行歸一化處理。為使輸入數據有相同的量綱，對輸入量進行歸一化處理，將數據限制在[0,1]區間內，歸一化公式為[x-min(x_i)]/[max(x_i)-min(x_i)]，其中，x指輸入變量，i為樣本編號。

（3）采用極限學習機方法構建預測模型。對于ELM僅需要確定的神經網絡的隱層節點個數，不需要調整網絡的輸入權值和隱元的偏置及其他參數，采用試湊法選取適合的隱節點個數。所以假設對于給定的N個不同樣本的訓練集其中x為n維輸入變量，即x_i∈Rⁿ，t為m維輸出變量，即t_i∈R^m，i為樣本編號；激活函數為g(x)，隱含層節點數為，則

A）隨機獲取初始輸入權值w_i和偏置b_i，i=1,...,。

B）計算隱層輸出矩陣H。