[发明专利]一种面向半导体生产线的多场景性能指标预测方法及系统

权利要求书

1.一种面向半导体生产线的多场景性能指标预测方法，其特征在于，该方法包括以下步骤：

步骤1：针对生产线历史数据进行量化映射，并根据轻载、正常负载和重载场景各自所分别对应的场景定量来进行数据划分；

步骤2：以划分出来的正常负载场景下的数据作为样本数据，将深度神经网络算法和半导体生产线性能预测相结合，构建正常负载场景下的预测网络；

步骤3：基于正常负载场景下的预测网络，进一步构建轻载和重载场景下的预测网络，将轻载、正常负载和重载各自场景下的预测网络组成多场景预测模型；

步骤4：针对生产线在线数据根据阈值划分为不同场景结果后，于所述多场景预测模型中选择对应网络进行预测，得到性能指标预测结果；

所述的步骤2中构建正常负载场景下的预测网络的过程包括以下分步骤：

步骤201：将样本数据中的调度规则符号进行编码，并将其作为输入进行归一化处理；

步骤202：采用深度神经网络构建正常负载场景下的预测网络；将深度学习算法与生产线性能预测相结合，采用网格搜索法得到合适的隐藏层层数、各隐藏层神经元个数以及各层激励函数；

步骤203：采用测试样本测试预测网络的网络性能，将测试样本所对应得到的预测结果反归一化处理后所对应的输出值与测试样本的输出值对比，判断是否满足精度要求；

步骤204：如果测试结果的预测精度能够满足精度要求，则正常负载场景下的预测网络建立成功，如果不满足，则返回至步骤202，重新选取隐藏层层数、各隐藏层神经元个数以及各层激励函数并再次训练模型；

所述的步骤202中的深度学习算法的输入为：

对于给定的k个不同样本的训练集：

X^k＝{S^k，D^k，Ru^k，P^k|S^k∈R^∝，D^k∈R^β，Ru^k∈R^λ，P^k∈R^m}

其中，为智能车间系统状态；为智能车间投料信息；为智能车间调度规则；为在当前智能车间系统状态S^k，当前投料信息D^k，当前调度规则Ru^k情况下1天后的性能指标；

所述的步骤202中的深度学习算法的输出采用o_i表示，其中i＝1，…，m1，m1指输出值o的维数，即有m1个输出；

所述的步骤204中的精度要求采用均方根误差作为基准，其描述公式为：

式中，m为输出变量数，P为输入性能指标，Y为预测出的性能指标，为输出变量样本数；

所述的步骤3中的构建轻载和重载场景下的预测网络的过程包括以下分步骤：

步骤301：将正常负载场景下的预测网络的输入层神经元个数赋值给轻载和重载场景下的预测网络；

步骤302：将正常负载场景下的预测网络的除最后一层隐藏层的各层隐藏层神经元个数赋值给轻载和重载场景下的预测网络作为对应前n-1层的神经元个数；

步骤303：将正常负载场景下的预测网络的除最后一层隐藏层的各层隐藏层权值阈值信息赋值给轻载和重载场景下的预测网络作为初始化数据；

步骤304：将正常负载场景下的预测网络的除最后一层隐藏层的各层隐藏层激励函数赋值给轻载和重载场景下的预测网络；

步骤305：通过网络搜索法调整最后一层隐藏层神经元个数，将步骤1中划分出来的轻载以及重载场景下的数据输入给轻载和重载场景下的预测网络中进行训练，训练完毕后得到轻载和重载场景下的预测网络；

所述的步骤1包括以下分步骤：

步骤101：在相同采样天数下，采集生产线历史数据进行量化映射，绘制折线图；

步骤102：根据各折线图中的曲线变化规律以及轻载、正常负载和重载场景各自所分别对应的场景定量来进行数据划分，所对应的曲线中，起点为设备利用率开始进入平稳阶段时总在制品值所对应的点，终点为产品平均加工周期曲线斜率最大时总在制品值所对应的点；

正常负载场景下，所对应的曲线中，起点为产品平均加工周期曲线斜率最大时在制品值所对应的点，终点为产品平均加工周期曲线斜率最小时在制品值所对应的点；

重载场景下，所对应的曲线中，起点为产品平均加工周期曲线斜率最小时总在制品值所对应的点。