[发明专利]半导体制造系统的调度方法

说明书

本发明涉及一种半导体系统的协同调度方法，基于BPNN‑PSO的优化关系模型来表达制造系统状态与权重参数之间的关系，包括提供知识工作者在日常调度中获得的认知调度知识，选择应该作为调度规则重点的因素，并设计调度规则；选择以半导体生产行业为重点的性能指标，并将其作为制造系统的评估标准；选择影响生产系统性能的生产线的两个重要量化状态，并将其用于后续的优化模型；根据一系列方程式计算调度优先级；建立优化模型以获得优化的权重参数，并设定和预测更优的性能。本发明建立了一个具有自我优化和协作能力的人机协作调度框架，具有六个权重参数的协作调度规则(CDR)，以结合人类知识和机器学习的优势。

技术领域

本发明属于半导体技术领域，特别涉及一种半导体制造系统的调度方法。

背景技术

随着半导体制造工艺的复杂性不断增加，半导体制造需要越来越高的资本投资，半导体制造商要求更高的整体设备效率和利用率。然而，半导体制造系统设备或者机器的调度解决方案所提供的过程复杂性的增加和功能数量的减少，导致了更频繁的不合格结果和工作返工。不确定的环境要求调度方法能够快速响应实时返工和中断情况。

发明内容

本发明的目的就是为了提供一种半导体制造系统的调度方法。

本发明实施例之一，一种半导体制造系统调度方法，根据半导体制造系统的调度工作者的调度知识和经验，选择调度规则中需要考虑的因素，并设计调度规则；选择影响半导体生产线性能的量化状态；确定作业批次的调度优先级；建立调度模型，用以获得优化的权重参数。其中，

建立调度模型的过程包括以下步骤：

S1，对制造系统，计算每一批作业中紧急作业的比例；

S2，计算每一批作业的批次大小与最大批次的比率；

S3，计算每一批作业在当前制造设备上占用的时间与最大占用时间的比率，以及下游设备的工作负载水平；

S4，将相应的权重参数与量化状态相关联，通过计算生产线量化状态与权重参数之间的乘积之和来获得调度优先级；

S5，利用BPNN反向传播神经网络，基于已有的数据进行参数预测，根据训练好的权重矩阵反向求解得到新的最优参数；

S6，通过粒子群优化算法PSO对所述神经网络参数进行优化调整，直到粒子群算法收敛，得到所述神经网络权重参数矩阵。

附图说明

通过参考附图阅读下文的详细描述，本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本发明的若干实施方式，其中：

图1根据本发明实施例之一的协同调度方法和基于粒子群算法的神经网络优化算法(BPNN-PSO)的整体流程图。

图2根据本发明实施例之一的基于粒子群算法的神经网络优化算法(BPNN-PSO)的计算步骤。

图3根据本发明实施例对比几种不同的启发式调度算法的调度计算结果。

图4根据本发明实施例比较基于从业者经验的调度规则的调度计算结果。

图5根据本发明实施例比较基于机器学习方法优化后的算法和其他启发式算法示意图。

图6根据本发明实施例的半导体制造系统的调度方法示意图。

具体实施方式