[發明專利]半導體生產線基于聯邦學習機制的調度建模方法

在審

• 申請號: 202110187641.2
• 申請日: 2021-02-18
• 公開（公告）號: CN113050553A
• 公開（公告）日: 2021-06-29
• 發明（設計）人: 李莉;林國義
• 申請（專利權）人: 同濟大學
• 主分類號: G05B19/418
• 分類號: G05B19/418
• 代理公司: 南京縱橫知識產權代理有限公司 32224
• 代理人: 董成

1.一種半導體生產線基于聯邦學習機制的調度建模方法，其特征在于：

基于預獲取的半導體生產線的生產需求，將生產需求生成調度問題，對調度問題進行分析和求解；根據分析與求解的信息進行調度建模和調度優化；包括以下步驟，

步驟S1，復雜制造數據預處理，建立數據層；

步驟S2，基于數據的調度建模，建立模型層；

步驟S3，基于數據的調度優化，建立數據處理與分析模塊；

步驟S4，基于生產計劃與實時派工信息建立調度方法模塊。

2.根據權利要求1所述的一種半導體生產線基于聯邦學習機制的調度建模方法，其特征在于：步驟S1中，數據層通過數據接口與數據源交互連接，通過企業中的信息系統獲取數據參數，或/和通過企業中的數據源模擬制造系統運作過程的仿真模型離線運行獲取生成的離線仿真數據，離線仿真數據包括離線仿真性能指標數據和離線仿真優化調度決策數據；根據獲取的數據源匯總預處理形成數據庫，所述數據庫包括離線歷史數據模型、在線靜態數據模型、在線動態數據模型、學習樣本數據模型。

3.根據權利要求2所述的一種半導體生產線基于聯邦學習機制的調度建模方法，其特征在于：步驟S1中，所述離線歷史數據模型包括工件加工歷史信息、產品歷史生產信息、設備歷史加工信息、設備維護信息、設備故障信息中的一種或多種；

在線靜態數據模型和在線動態數據模型組成在線數據模型，所述在線靜態數據模型包括產品訂單信息、產品工藝流程信息、設備加工能力信息和設備布局信息中的一種或多種；所述在線動態數據模型包括設備狀態信息或/和WIP狀態信息。

4.根據權利要求3所述的一種半導體生產線基于聯邦學習機制的調度建模方法，其特征在于：

在線數據模型包括設備信息、加工區信息、工序信息、設備加工菜單信息、工藝流程信息、流程的工步信息、訂單信息、工件信息中的一種或多種；

設備的定義包括設備標識信息、當前處理的加工菜單信息、當前加工的工件信息、當前設備所在的加工區信息、設備描述屬性信息；

加工區的定義包括設備所在加工區信息和若干個加工區描述屬性信息；

工序的定義包括工序標識信息和若干個工序描述屬性信息；

設備加工菜單的定義包括加工菜單標識信息、菜單所屬設備信息、菜單處理工序信息、加工菜單描述屬性信息；

工藝流程的定義包括工藝流程標識信息、工藝流程描述屬性信息；

流程的工步的定義包括工步標識信息、工步所屬工藝流程信息、工步處理的工序信息、工步在工藝流程中的位置信息；

訂單的定義包括表示訂單標識信息、訂單所需的工藝流程信息、訂單程描述屬性信息；

工件的定義包括工件標識信息、工件所屬訂單信息、正在加工工件的設備信息、工件所在加工區信息、工件當前加工工步信息或下一工步信息、工件描述屬性信息。

5.根據權利要求4所述的一種半導體生產線基于聯邦學習機制的調度建模方法，其特征在于：離線歷史數據模型包括設備歷史運行信息和工件運行歷史信息；設備歷史運行信息的定義包括設備標識信息、設備所處狀態信息、狀態開始時間信息、狀態結束時間信息、狀態描述屬性信息；工件運行歷史信息的定義包括工件標識信息、工件所處狀態信息、狀態開始時間信息、狀態結束時間信息、狀態描述屬性信息；學習樣本數據模型是構造數據驅動模型的基礎，包括不確定因素樣本數據模型為關系模式集合、性能指標預測樣本數據模型、自適應調度樣本數據模型為關系模式集合。

6.根據權利要求5所述的一種半導體生產線基于聯邦學習機制的調度建模方法，其特征在于：模型層中包括制造系統面向對象模型和數據驅動預測模型；

所述制造系統面向對象模型為面向對象仿真模型，所述制造系統面向對象模型包括制造系統對象模型、制造系統動態模型、制造系統功能模型；

所述數據驅動預測模型由參數預測模型、性能指標預測模型和自適應調度模型構成；所述數據驅動預測模型包含不確定因素估計模型、性能指標預測模型、自適應調度模型。