[发明专利]一种基于大数据挖掘的系统调度优化方法

说明书

本发明公开了一种基于大数据挖掘的系统调度优化方法，包括对复杂制造数据预处理；基于预处理数据的调度进行建模；对建模后数据进行调度知识挖掘以实现调度优化。基于大数据挖掘的系统调度优化方法已经在调度问题的建模和优化上有了广泛应用，能够较好地克服了传统调度建模和优化方法求解复杂生产过程调度问题时所存在的不足。

技术领域

本发明涉及半导体生产技术领域，尤其涉及一种基于大数据挖掘的系统调度优化方法。

背景技术

现代工业技术的发展使得制造过程、工艺和设备装置趋于复杂，已经很难通过基于机理模型的传统建模方法为系统精确建模从而优化系统运行性能。例如对于复杂硅片加工生产线，虽然运用了先进的调度思想、精心设计了调度算法并加以实现，但得到的仿真结果精度较差，难以指导实际的调度排产任务。而随着企业信息化程度的提高，制造型企业对数据采集的实时性，精确性有显著提升，从而促进基于数据的方法在生产制造过程中的控制，在线监控与故障诊断，以及调度优化和管理决策优化的应用。尤其是在半导体制造领域，由于其关键性能指标无法由机理模型描述和在线监控检测，基于数据的预测方法得到了广泛的应用。

发明内容

本发明的目的是提供一种基于大数据挖掘的系统调度优化方法，能够较好地克服了传统调度建模和优化方法求解复杂生产过程调度问题时所存在的不足。

本发明为实现上述发明目的采用如下技术方案：

本发明提供了一种基于大数据挖掘的系统调度优化方法，包括：

对复杂制造数据预处理；

基于预处理数据的调度进行建模；

基于建模后数据进行调度优化。

进一步地，对复杂制造数据预处理包括：

复杂制造数据属性选择、复杂制造数据聚类与复杂制造数据属性离散化。

进一步地，复杂制造数据属性选择的方法包括：

属性选择能从条件属性中选取较为重要的属性；

属性选择的方法包括粗糙集和计算智能。

进一步地，复杂制造数据聚类的方法包括：

聚类是对样本数据按相似度进行分类的技术，使相似的样本属于同一类，而相似度低的样本属于不同类；

对于大规模训练样本，使用聚类平滑噪声数据；

聚类中的方法包括SOM、Fuzzy-C均值、K均值、神经网络。

进一步地，复杂制造数据属性离散化的方法包括：

采用属性离散化技术将连续属性值转化为离散属性值。

进一步地，基于预处理数据的调度进行建模的方法包括：

将信息系统中的预处理数据通过模型映射的方式生成描述生产调度过程的模型；

对制造系统的不确定因素构造数据驱动的预测模型实现生产调度过程模型的求精；

构造数据驱动的性能指标预测模型，调用性能指标预测模型快速近似求得实际制造系统和生产调度过程模型在调度环境下采用调度规则的性能指标。

进一步地，对建模后数据进行调度知识挖掘的方法包括：

基于离线仿真的调度知识挖掘；基于离线优化的调度知识挖掘；基于信息系统离线数据的调度知识挖掘。

进一步地，离线仿真是对于不同的生产线状态采用不同的调度决策进行仿真，保留最能满足性能指标的调度决策，以此构造知识库。

本发明的有益效果如下：