CN108829052A - 一种半导体生产线cps环境下的调度优化方法及装置 - Google Patents

Abstract

本发明涉及一种半导体生产线CPS环境下的调度优化方法及装置，所述方法具体为：构建面向调度的半导体生产线CPS环境，感知半导体生产线在生产过程中各类突发扰动，在发生突发扰动时，基于生产线动态信息进行重调度；所述装置包括：通信模块，实现与实际生产线的通信；CPS环境构建模块，用于建立数字化三维模型；调度优化设计模块，用于实时感知生产信息，在生产信息变化时触发重调度，并根据生产线动态信息生成新的生产线调度方案，实现重调度。与现有技术相比，本发明具有可应用于半导体生产线等复杂制造系统、时效性高、调度效果佳等优点。

Description

一种半导体生产线CPS环境下的调度优化方法及装置

技术领域

本发明涉及半导体生产线调度优化技术，尤其是涉及一种半导体生产线CPS环境下的调度优化方法及装置。

背景技术

半导体生产线是一类典型的复杂制造系统，具有生产工艺复杂、加工周期长、对机器精度要求高、成本投入大等特点。如何借助于优化的生产计划和调度方案获取更大的收益，是半导体生产制造企业最为关心的问题之一。然而，在半导体生产过程中各类扰动事件时有发生，如设备故障、紧急订单、设备加工时间偏差等等。系统需要快速响应此类事件，在必要情况下适时调整调度方案，以保证生产线的高效运行。

通过检索及分析国内外相关研究领域的科技文献后发现，在半导体生产线调度的实际应用中，生产线建模与调度优化二者通常是各自独立。一些研究往往是在生产过程开始前建立相应模型进行分析计算，根据所得结果制定合适的生产调度方案。例如在中国专利申请“基于多蚁群优化的半导体生产线排程方法”(公开号CN102253662A)中，李莉等运用了一种多蚁群优化的计算方法，结合考虑生产线的瓶颈加工区域，对半导体生产线的最佳调度方案进行并行搜索，从而实现排程。其他一些研究则是将仿真结果与生产线历史数据进行比较后，针对某一优化目标选择特定的调度策略。例如在中国专利申请“一种用于半导体生产线基于简化仿真模型的高效调度规则选择方法”(公开号CN105843189A)中，曹政才等以准时交货率和产出量为调度目标，利用简化的仿真模型在某一调度时刻对集中的调度规则进行快速评价，获得最优方案。

此外，在中国专利“半导体集成电路生产中晶圆制造调度方法及调度系统”(公告号CN104423331B)中，王冕提出了一种由产品信息单元、时刻表单元、产品监控单元、优先级计算单元、优先级标准单元、显示单元等组件构成的集成电路晶圆制造与生产调度系统，根据交货紧急程度计算出各个产品和批次的优先级，从而制定适合的生产调度方案。但其缺点在于不能根据生产线状态的动态变化实时调整方案，原设计方案很可能由于设备故障或人员离岗等突发事件的发生而失效。

在美国专利申请“用于半导体制造工厂动态分派的方法与系统(Method andsystem for dynamic dispatching in semiconductor manufacturing plants)”(公开号：US5612886A)中，Weng Yi-Cherng提出了基于看板思想的，同时考虑工件优先级与排队时间的调度方法。该方法在思想上接近常用的FIFO(即先入先出策略)，在系统WIP较少的情况下具有较好优化性能，但当WIP水平较高的情况下，该策略的性能下降明显。尤其是在实际半导体生产线中，由于系统不确定因素较多，WIP数通常不会始终保持在较低水平。

在美国专利“一种半导体生产过程动态调度方法与系统(Systems and methodsfor dynamic semiconductor process scheduling)”(公告号：US9659799B2)中，区别于传统半导体生产线调度研究中，针对加工时间、工件排队队长、最长等待时间等因素而使用的静态调度方法，Keith R.提出了基于生产组件的加工能力变化进行资源分配的动态调度方法，减少了缓冲区工件堆积，进而提高系统生产率。但是，该方法只适用于特定生产线条件下，并且仅考虑系统在较稳定生产状态下的动态变化情况，无法应对处理波动较大的系统变化。

总而言之，针对传统半导体生产线的调度方法，进行仿真与决策的信息系统，通常不能及时响应生产线状态的变化；同时，生产系统也无法快速应用优化后的调度方案，影响调度效果。在如今各类新兴科学技术不断涌现并发展的背景之下，CPS(Cyber-PhysicalSystem)概念的提出与应用为这一问题的解决提供了新的思路。

CPS是“工业4.0”以及智能制造实现的核心内容。它依靠物联网、信息通信以及大数据分析等技术手段，将工业生产过程中各类设备的数据信息通过网络与信息世界深度融合，并对生产过程进行协同优化，从而构成虚拟信息与物理设备相交互的智能化、数字化、网络化生产制造系统。

近年来在生产制造及调度优化领域，CPS的相关研究也有众多的科技文献，并陆续出现了一些发明成果。雷雪凤通过对选煤厂建立CPS模型分析，提出了基于改进粒子群优化算法的选煤厂任务调度算法，对选煤过程进行动态调度。刘纯尧等人针对CPS的复杂和异构性，研究了基于大型传感器网络的CPS多优先级动态调度策略，改善了普通优先级调度方法的效果。伦永亮在提出了异构互联的CPS环境框架和情境感知模型的基础上，构建资源调度模型，利用设计的优化算法动态组织与分配资源，实现服务与资源配置的最佳方式。同时，一些典型的智能算法与CPS环境下生产调度的结合也是研究方向所在。Han J等人将蚁群算法引入到一个离散结构环境下的CPS模型之中，同时考虑网络负载均衡以及服务质量建立了调度算法框架，借助仿真软件得到的模拟结果验证了其方法的有效性。在利用CPS进行预测调度方面，Zhou B H针对避免生产系统中不必要的任务切换目的，基于CPS环境设计了一种具有实时预测以及动态调整功能的生产调度模型，从而降低了低优先级生产任务对于整体生产性能的影响，提升了系统的实时性能。除此之外，T Kaihara等人将CPS相关理论融入自动化工厂建设与管理之中，基于CPS原理构造了针对生产线在制品数WIP的动态调度方法，根据仿真结果和实际系统WIP的对比，指导调整调度策略，其结果大大提升了车间的生产性能水平，证明了方法的有效性。

纵观国内外相关研究与科技文献后可以发现，针对生产制造系统的CPS调度优化研究仍处于起步阶段，仅仅止步于根据CPS概念提出系统建立框架，或是在构建的仿真情景中研究调度优化方法，较为缺少在实际生产制造系统中的应用。

在中国专利申请“一种面向智能棉纺生产的CPS架构”(公开号CN106530111A)中，鲍劲松等人设计了一种面向智能棉纺生产的CPS框架，包括感知实体层、连接通信层、知识融合层、决策控制层。该发明以贯穿棉纺生产周期全过程的数据为主线，以智能感知为核心，以网络和海量计算为依托，实现棉纺生产过程中各类资源的高效配备，优化了生产流程，提高了生产效率。然而，此发明提出的CPS环境仅仅针对于棉纺生产领域，且棉纺生产过程为单一流水线型，研究价值较低。此外，其方法中资源配备的过程，不具有动态变化的特性，无法贯穿棉纺生产过程全周期。

在中国专利申请“一种用于工业的CPS控制系统及其实现方法”(公开号CN106527383A)中，李庆鑫等人提出了一种用于工业的CPS控制系统实现方法，针对以工业柔性化生产复杂系统对信息物理融合的需求，提供一种动态环境下的分布式组件动态发现与自组织、基于组件的信息物理融合系统功能封装与驱动的工业控制器，适用范围更广，操作简单，能给工业生产带来更多的便利。但是，该发明主要面向工业生产中控制器与底层设备间的通信感知，缺乏上层模块的具体应用，属于CPS构建研究领域中较为底层的部分。因此，此发明在生产线调度优化方面没有更多的涉及，研究指导意义不大。

在美国专利“信息物理系统及其在虚拟机中的控制方法(Cyber-physical systemand method of monitoring virtual machine thereof)”(公告号：US9417904B2)中，Shin等人建立了含有若干个目标控制器与不同操作系统下的通信中间件的信息物理系统，通过语义控制实现了其中不同虚拟机间的同步响应。此发明实现了一种CPS环境的构建方法，具有一定的理论研究价值。其缺点在于，发明主要针对于CPS理论中的架构实现，且在虚拟环境中实践，缺乏在实际系统中的验证。因此，该架构在具体实际问题下的应用可行性仍然有待证明。

综上所述，目前在工业生产中，CPS环境的构建以及其中的调度优化应用较为稀缺，特别是针对于较为复杂的半导体制造系统的生产线调度领域，其研究成果仍旧是空白。将CPS相关理论技术与半导体生产线这类复杂制造系统相结合，设计相应CPS环境下的生产线调度方法，能够达到更佳的调度优化效果，具有一定的研究价值，且研究方案可行。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种半导体生产线CPS环境下的调度优化方法及装置。

本发明的目的可以通过以下技术方案来实现：

本发明提供一种半导体生产线CPS环境下的调度优化方法，该方法具体为：构建面向调度的半导体生产线CPS环境，感知半导体生产线在生产过程中各类突发扰动，在发生突发扰动时，基于生产线动态信息进行重调度，根据生产线变化状况适时调整调度方案。

一种实现所述方法的半导体生产线CPS环境下的调度优化装置，包括：

通信模块，用于实现与实际生产线的通信；

CPS环境构建模块，用于建立与实际的目标生产线相对应的数字化三维模型；

调度优化设计模块，用于实时感知生产信息，在生产信息变化时触发重调度，并根据生产线动态信息生成新的生产线调度方案，实现重调度。

进一步地，所述通信模块通过OPC技术与MQTT通信协议相结合的数据通信网络与实际生产线间实现通信。

进一步地，所述CPS环境构建模块包括：

信息采集单元，用于通过所述通信模块采集目标生产线信息；

三维建模单元，用于根据所述目标生产线信息建立实际的目标生产线相对应的数字化三维模型；

动作设计单元，用于生成所述数字化三维模型中各部件的动态动作参数。

进一步地，所述三维建模单元中，对所述目标生产线信息进行预处理后再建立所述数字化三维模型；

进一步地，所述预处理包括删除在生产过程中无法观察到的面、合并断开顶点和移除孤立顶点。

进一步地，所述CPS环境构建模块还包括：

在线展示模块，用于展示生产线加工状态。

进一步地，所述调度优化设计模块包括：

输入层，用于通过所述通信模块获取生产线动态信息；

重调度决策层，用于根据所述生产线动态信息判断是否发生突发扰动，并在发生突发扰动时产生生成式重调度触发信号；

重调度层，响应所述生成式重调度触发信号，用于根据所述生产线动态信息使用重调度方案生成方法产生新的生产线调度方案。

进一步地，所述重调度方案生成方法为CART决策树算法。

进一步地，所述CART决策树算法中采用的生产线特征包括系统在制品数、各加工区缓冲区长度和故障设备号。

进一步地，所述调度优化设计模块还包括：

评价层，用于基于数字化三维模型对所述新的生产线调度方案进行效果验证。

与现有技术相比，本发明结合CPS的相关理念，建立了面向调度的半导体生产线CPS环境，并提出一种半导体生产线CPS环境下的调度优化方法，该方法可以有效实现对既定半导体生产线在生产过程中各类突发扰动的感知，进而根据生产线变化状况适时调整调度方案，以指导生产过程。

具体来说，本发明具有如下几方面优点：

1)采取Unity3D以及OPC+MQTT技术，完成了半导体生产线三维展示模型的构建，能够更加立体、直观且全面地展示生产线的加工过程，同时实现了工业制造中生产线的数字化建模过程。

2)借助建立的有效通信网络，系统能够迅速响应生产线的状态变化，以及快速下达新的控制指令，信息层与物理层间的交互更加频繁和高效，减少了由于信息延迟而导致的生产性能下降风险，同时也大大提升了新调度方案的时效性。

3)采用了基于机器学习方法的决策树模型进行新调度方案的生成，计算速度快；借助于离散事件仿真模型的大量运行数据作为训练集，决策树模型的计算准确度也得到了提高。因此，本发明具有更佳的生产线调度优化效果。

附图说明

图1为本发明数字化三维模型的建立流程示意图；

图2为本发明半导体生产线CPS环境下的通信网络结构图；

图3为本发明半导体生产线CPS环境下的调度优化框架；

图4为本发明中CART决策树的生成过程示意图；

图5为实施例中半导体智慧制造示范单元布局图；

图6为实施例中建立的在线展示平台主界面；

图7为实施例中建立的调度优化模块界面；

图8为实施例中建立的生成调度方案时生产线特征值获取界面；

图9为实施例中建立的新调度方案的下达界面；

图10为实施例中三种情景下生产性能柱状图比较；

图11为实施例中三种情景下设备总加工次数柱状图比较；

图12为实施例中故障发生前后甘特图比较。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

本发明提供一种半导体生产线CPS环境下的调度优化方法，该方法构建面向调度的半导体生产线CPS环境，感知半导体生产线在生产过程中各类突发扰动，在发生突发扰动时，基于生产线动态信息进行重调度，根据生产线变化状况适时调整调度方案。

实现上述方法的半导体生产线CPS环境下的调度优化装置包括通信模块、CPS环境构建模块和调度优化设计模块，其中，通信模块用于实现与实际生产线的通信；CPS环境构建模块用于建立与实际的目标生产线相对应的数字化三维模型；调度优化设计模块用于实时感知生产信息，在生产信息变化时触发重调度，并根据生产线动态信息生成新的生产线调度方案，实现重调度。

通信模块通过OPC技术与MQTT通信协议相结合的数据通信网络与实际生产线间实现通信。

CPS环境构建模块包括：信息采集单元，用于通过所述通信模块采集目标生产线资料；三维建模单元，用于根据所述目标生产线资料建立实际的目标生产线相对应的数字化三维模型；动作设计单元，用于生成所述数字化三维模型中各部件的动态动作参数。

在某些实施例中，CPS环境构建模块还包括在线展示模块，用于展示生产线加工状态。

所述调度优化设计模块包括：输入层，用于通过所述通信模块获取生产线动态信息，所述生产线动态信息原始调度方案、生产现场信息及外部环境变化信息等；重调度决策层，用于根据所述生产线动态信息判断是否发生突发扰动，并在发生突发扰动时产生生成式重调度触发信号；重调度层，响应所述生成式重调度触发信号，用于根据所述生产线动态信息使用重调度方案生成方法产生新的生产线调度方案。重调度方案生成方法可以为CART决策树算法等。

在某些实施例中，调度优化设计模块还包括评价层，用于基于所述数字化三维模型对所述新的生产线调度方案进行效果验证。

(一)半导体生产线的CPS环境构建

本发明采用Unity3D三维引擎技术实现半导体生产线CPS环境下的三维展示建模，展示其生产线加工状态，并感知生产信息变化；使用OPC技术与MQTT通信协议相结合的方法，建立有效的数据通信网络，完成三维模型对生产线的数据采集；根据半导体生产线数据的特点和种类，设计相应关系型数据库结构，使用MySQL软件实现数据管理。由此建立与实际生产线相对应的数字化三维模型，完成CPS环境构建。

建立生产线的三维展示模型的具体流程如图1所示：

1)资料收集。全面收集和整理目标生产线的各项资料，主要包括生产线的设备组成、空间分布，设备与工件的形状、尺寸，各部件间的相对运动关系以及生产线的工艺流程等信息，以供后续步骤使用。

2)三维建模。利用专业的三维制作及渲染软件3dmax，建立相关设备及工件的三维动画模型。对于结构较为复杂的设备，可以分别对各部件进行建模后重新装配。在模型建立过程中，重点提取原始数据中建模的主要信息，如物体的形状、尺寸信息(顶点、顶点索引、面、面索引、法线等)，以及纹理、材质信息，忽略建模的一些次要信息如物体质量、内壁厚度等。同时，为了保证模型的简化，删除在生产过程中无法观察到部分的面，合并断开顶点并移除孤立顶点。形状类型相同的模型之间，尽量使用复制得到，降低对系统资源的消耗。

3)模型美化。继续使用三维建模渲染软件3dmax，对所建立的三维模型进行渲染及美化。渲染的具体实现方式主要包括为模型设置纹理、添加材质、贴图烘焙等操作，进而在计算机硬件资源允许的前提下，适当美化外观使模型的运行更加生动形象。

4)系统布局。将建立完成的模型，以软件支持的.FBX格式导入Unity3D引擎中，并按照既定的系统结构分布，以及各部件间的相互位置关系进行搭建拼装。同时，修正模型在导入后因兼容性可能存在的材质纹理、光照、着色等问题。整体构建完成后，从不同方位角度检查生产线模型的形态，是否存在断点断面、画面重叠、模型失真等情况。必要时，重新进行三维模型的修改及导入过程。

5)动作设计。在静态模型的基础上，对生产线各组件运行的动作进行设计。以真实生产过程中各设备动作为参考，结合前期收集资料数据，设计模型在运行时各部件的移动方向、大小以及旋转角度等参数变量。使用C#编写相关动作执行脚本，分模块描述各设备动作参数的变化逻辑，并挂载在系统中。同时利用Unity3D即时预览功能随时运行模型，检查动作的执行成功与否及流畅度，做出必要的修改。

6)功能开发。同样采用C#编写脚本的方式，结合Unity3D自带的功能插件，描述系统所需的功能逻辑。从用户感官层面，实现诸如场景漫游、动作控制、数据展示、框架显隐等功能，达到仿真模型对真实系统运行过程的直观展示；从调度需求而言，则是实现数据感知、监控告警、调度模块调用等功能的开发。

7)系统发布。在整体系统功能设计完成后，运行所设计的仿真模型并测试其功能实现情况，确认无误后按照应用平台的需求，发布为单独的可执行文件程序以供使用。

(二)通信网络建立

半导体生产线CPS环境下的通信网络结构如图2所示，是一种基于OPC接口技术和MQTT即时通信协议的通信网络。根据OPC与MQTT相对于各自通信层级的不同特点和优势，将二者相耦合，进而实现由实际生产设备至多种应用程序的高性能、可靠且安全的通信方式，完成实时数据的采集需求。将MQTT协议消息发布客户端与OPC客户端合并开发编写，使OPC客户端在实时获取OPC服务端的生产数据的同时，将其作为可订阅主题的消息进一步发布到MQTT的消息代理服务器中，再由不同应用程序编写相应的MQTT订阅客户端脚本，获取消息服务器对于实时生产数据的推送，具体实现过程大致可以分为以下四个步骤：

1)在设备端的工控机建立OPC服务器，工控机与生产信息的数据源相连接，该服务器获取由PLC传输得到的所有生产信息数据，并启动用于通信的socket，等待客户端的请求；

2)开发编写相对应的OPC客户端以及MQTT客户端，建立socket与OPC服务器通信，选择所需的生产信息数据进行传输，同时将其归类整理并发布为MQTT的订阅主题，在所处的局域网网段中进行广播；

3)在发布端PC上安装配置MQTT服务，同时设置MQTT代理服务器并运行，存储客户端发送的MQTT主题及信息并等待其他客户端的订阅；

4)在Unity3D中编写脚本与MQTT代理服务器进行通信，并订阅相应主题，将相应的数据以全局数组变量的形式定义并引用，将编写后的脚本挂放在建立的模型之上，使其生效。

半导体生产数据的管理则采用MySQL关系型数据库，为了提升数据的处理速度及系统灵活性，遵循半导体生产线数据模型结构规则，分类存储在MySQL中，并使用MySQL自带的Workbench进行管理。

(三)半导体生产线CPS环境下的调度优化方法设计与实现

本发明将CPS对生产信息的感知能力与生产线突发事件扰动(如设备故障)相融合，结合传统半导体生产线重调度研究，设计调度优化框架，建立重调度机制以感知生产设备状态变化。同时使用机器学习中的CART决策树方法，训练并建立计算模型，在必要时重新生成新调度方案下达至生产线，实现调度优化。

CPS环境对于突发事件扰动的感知性好，适合针对于突发事件扰动下的半导体生产线进行调度研究。同时，突发事件扰动对原有调度方案破坏性大，需要设计相应方法重新生成新的调度方案。在应对突发事件扰动问题时，原有的生产计划已不能适应生产线调度需求，因此，应当基于事件驱动机制，对生产线进行生成式的重调度。

基于半导体生产线CPS环境，所设计的调度优化框架如图3所示。输入层包含了各类生产线的动态信息，例如原始调度方案、生产现场信息及外部环境变化信息，供重调度决策层进行分析处理。当系统发生设备故障、紧急订单等突发扰动情况时，可以由CPS环境实时感知捕获，并以监控告警等形式体现，进而引发生成式重调度。在重调度层，基于获取的输入层生产现场信息，使用相应的重调度方法生成新的生产线调度方案。最终在评价层，结合生产线的离散事件仿真模型，对该重调度方法及生成方案的实际效果进行验证。

本发明中调度方案生成方法为CART决策树算法。算法主要包括两方面的内容，分别是决策树的生成以及剪枝。决策树生成的过程如图4所示，其中CART决策树节点分支的依据是Gini系数的大小，Gini值越小，表明样本的纯净度越高，即该样本只属于同一类的概率越高。衡量出数据集某个特征所有取值的Gini系数后，就可以得到该特征的Gini Splitinfo，作为Gini Gain。不考虑剪枝情况下，决策树递归创建的过程每次选择Gini Gain最小的节点做分叉点，直至子数据集都属于同一分类或所有特征都已判断完毕后结束。

假设样本数据集D共有K种分类，第k种类别的概率为p_k，则Gini系数的表达式为：

按照Gini系数的计算公式，若数据集D中有K种分类，由第k种分类组成的子数据集为C_k，则数据集D的Gini系数可表示为以下表达式。其中|C_k|为C_k的样本数量，|D|为D的样本数量：

Gini Gain也称为Gini信息增益，为判断分叉点的依据，由于CART算法生成二叉树，每一个节点按照其特征对应特征值的大小一分为二，因此Gini Gain的计算公式为：

整体流程的输入为总训练数据集，输出为建立的决策树模型。算法从根节点开始，用数据集递归的方式建立CART决策树，具体步骤如下：

1)计算当前节点现有的各个特征的特征值对当前数据集D的Gini Gain。在计算出的特征值Gini Gain中，选择Gini Gain最小取值对应的特征A与特征值a，作为最优项，即分叉节点和分叉值。

2)按照特征对应特征值与最优特征值a大小的不同，把数据集D划分为D1和D2两部分数据，建立当前节点的左右节点，令左节点的数据集为D1，右节点的数据集为D2。

3)进入子节点，判断其是否为叶节点，若是则停止递归，并返回决策子树，进入步骤4；否则继续递归，执行步骤1-3。

4)判断是否所有节点都已形成叶节点，或者所有特征的情况都已判断完毕，无法继续分叉，递归循环结束并生成最终的决策树模型。

决策树生成过程中采用预剪枝方式避免数据过度拟合的问题，根据一些原则限定训练中的阈值，及早停止决策树的生长防止过拟合，例如设置决策树的最大深度、节点中样本最小量等。本发明采取python调用scikit-learn库中分类决策树tree.DecisionTreeClassifier()函数的方法来实现CART决策树算法。训练时，通过调用函数的fit方法进行拟合并剪枝，建立相应的CART决策树模型。应用时，对该模型调用分类器函数的predict方法，便能够计算输入特征向量下的分类结果，实现对特定特征下的输出预测功能。

其中，训练方法中包含多项参数选择，以满足不同训练需求。在本发明中的选择如下：特征选择标准参数criterion为Gini(默认Gini系数)，特征划分点选择标准splitter为best(寻找全局最优)，划分时考虑的最大特征数max_features为None(考虑所有特征)，数据是否预排序presort为False(不排序)，决策树最大深度max_depth与最大叶节点数max_leaf_nodes不定义(不做限制)。此外，考虑剪枝情况，该分类器采取预剪枝方法对决策树进行优化。需要定义两个参数的值，分别是叶节点最少样本数min_samples_leaf(默认为1)以及叶子节点最小的样本权重和min_weight_fraction_leaf(默认为0)。

在实际应用中，首先需要采集目标生产线相关数据信息，作为训练数据集。具体来说，该CART决策树调度模型的训练数据集可以描述为：

D＝{(X_i,Y_i)|X_i∈R^m,Y_i∈Rⁿ,i＝1,2,...,N} (4)

其中，X_i＝(x_i,1,x_i,2,...,x_i,m)^T是输入向量，Y_i＝(y_i,1,y_i,2,...,y_i,n)^T是对应于X_i的输出向量。输入向量X_i是由相关生产特征集而表示的生产线状态，输出向量Y_i表示在应对突发事件扰动下，当前生产线状态X_i所对应的最优调度方案。

由于半导体生产线流程复杂，可作为生产特征的数据种类众多，若将所有数据作为特征集则样本输入维度过大，容易导致决策树生长速度缓慢。因此，需要结合实际需求情况，选择合适的生产特征集。调度方案则是指导生产加工过程的依据。在面向突发事件扰动的调度优化研究中，选择较易于动态改变和调整的启发式规则为应用对象，生产线调度方案为各生产线加工区所应用的调度规则的组合。

假设在半导体生产线中，在发生设备故障的突发扰动下，考虑CPS环境调度优化的实时性，短期性能指标较利于快速获取得到，选择生产线状态X_i由3个生产特征表示，分别为：系统在制品数WIP、各加工区缓冲区长度Buffer_len，故障设备号Fail_ID。当前最优调度方案Y_i由3个生产线加工区所应用的启发式规则组合而成。输入向量可以表示为X_i＝(x_i,1,x_i,2,x_i,3,x_i,4,x_i,5)^T，x_i,j表示第j个生产特征；对应的最优调度方案为Y_i＝(y_i，1,y_i，2,y_i，3)^T，y_i,j表示第j个加工区的调度规则选择。

随后，从该半导体生产线获取N条最优样本数据{((x_i,1,x_i,2,x_i,3,x_i,4,x_i,5),(y_i,1,y_i,2,y_i,3))|i＝1,2,...,N}，形成生产线样本数据集D，采用前文提到的分类决策树DecisionTreeClassifier实现方法，通过训练后得到CART决策树模型，嵌入调度模块并作为一种生成式重调度方法。

最后，在设备故障发生时，获取当前的生产特征集X_i′，实时计算得到新的调度方案Y_i′，作为得到的优化调度方案。

至此，便完成了半导体生产线CPS环境下调度优化方法的设计与实现。

实施例

本实施例利用python实现所设计调度方法的计算逻辑，并采用C#语言进行窗体界面编程，调用所设计的计算模型，将调度模块程序与CPS环境相集成，实现在半导体生产过程中的实时调度与控制。

本实施例在某一基于半导体Minifab生产线的智慧制造示范单元中实现。本实施例的调度装置通过PROFINET、SafetyBridge、RFID等技术，实现了对半导体MiniFab生产线实际生产过程的模拟。所述示范单元具有一台模拟光刻设备、两台模拟扩散设备和两台模拟离子注入设备。此外，该单元还包括一个模拟库位，由原材料区和成品区组成，负责存放原材料工件及成品工件，以及一个模拟材料等待区，负责缓存待加工的半成品工件。该单元中央的KUKA机器人KR6R900负责在模拟库位、缓冲区、加工设备之间搬运工件。图5为该单元的布局图。

首先通过Unity3D与OPC+MQTT相关技术，实现对于半导体智慧制造示范单元的CPS环境构建，最终建立的生产线在线展示平台界面如图6所示。

生产线在线展示平台界面包括添加调度号、框架显隐、打开调度文件、启动调度模块等命令按钮。

添加调度号(即调度号写入部分)可以手动添加生产过程的机械手调度号，主要用于在离线状态测试模型以及仿真设备加工动作时使用。

框架显隐可以快速切换机械手工作台外围框架的显示及隐藏，便于使用者进行观察。

打开调度文件则可以获取已有的仿真模型加工流程的调度号列表，实现对仿真模型生产流程的展示。

启动调度模块则用于打开设计完成的调度优化模块，在设备故障等情况下，对生产线进行生成式重调度，并下达新的调度方案。

启动半导体智慧制造示范单元后，同时运行所建立的在线展示平台，验证其功能的实现情况：

1)该平台实现了两种情景下的生产流程展示：一方面可以根据当前生产线的运行状态，实时展示生产流程。另一方面，通过读取调度文件，将仿真模型的调度号列表载入，展示理想的生产加工流程。

2)三维展示平台实时感知半导体生产线状态，并在其出现设备故障时，显示故障情况，提示管理人员进行生产线的调度优化。

3)在平台中能够通过鼠标和键盘的操作，实现对生产线的全方位观察。

4)在系统整体运行过程中，模型动作较为流畅，没有卡顿、死锁、抓取失败等现象的发生。

在已构建的半导体生产线CPS环境下，进行调度优化方法的实现与集成过程如下：

使用C#语言，在Visual Studio 2017平台上开发调度优化模块的窗体程序，并与Unity3D模型集成，在系统运行中可以随时调用打开。其主界面如图7所示。

其中，调度模块通过OPC协议与实际生产线进行通信，获取所需的各类生产线信息。界面中展示了当前生产线的调度方案，以及需要应用于生产线的新调度方案。点击写入数据，可以将生成或者手动输入的新规则下达至生产线的PLC控制器，进而改变当前调度方案。

生成数据按钮则是选择调用了所设计的CART决策树模型文件tree.pkl，通过OPC接口获取当前所需的生产线状态的特征值，并以数组形式传入使用python语言编写的决策树预测执行脚本中，运行得到该决策树模型生成的新调度规则组合，展示在新调度规则的文本框中。调度决策人员能够参考所得到的新调度方案，与原方案进行比对，并决定是否选择使用该新方案。

生成新调度方案时的生产线特征值获取以及新方案的下达，如图8、9所示。

在同一生产计划中，对三种不同情景下的生产线性能指标以及派工单进行对比分析，验证其调度优化效果。

三种情景分别是：生产线未发生扰动、发生扰动后未进行调度优化、发生扰动后已进行调度优化。在半导体智慧制造示范单元中，选定设备故障为突发性扰动事件，手工将生产设备设置为模拟故障状态，使其停止工作。随后在三维展示模型感知故障且提示重调度后，通过集成的调度优化模块生成新的调度方案，并应用于示范单元。生产结束后，分别记录三种情景下的各类生产信息数据。

在实验中，选择生产加工的订单产品数为50个，包含2种产品(产品A、产品B)各25个，每5个一组轮流投料，采取固定WIP数投料方法(WIP<11)。在选用的调度规则集合中包括4种启发式规则，分别为：FIFO(先入先出)、CR(临界值)、SRPT(最短剩余加工时间)、FSVCT(制造周期方差波动平滑)。生产线的调度方案由3个生产区域(Mab、Mcd、Me)所对应的调度规则组合形成。实验中记录的生产性能指标为加工完成后的产品平均加工周期(AvgCT)、最大/最小加工周期(MaxCT/MinCT)和加工周期标准差(CT_sd)，以及各设备的总加工次数。同时，获取记录相应的生产加工派工单。

为了保证实验验证的科学性和准确性，分别设计不同生产情况下的两组实验方案，如表1所示。

表1两次实验方案设计

根据实验，可以得到半导体生产线在三种情景(未故障、故障未调度、故障并调度)下的生产性能指标如表2及3所示。

表2三种情景下的生产性能比较(方案一)

表3三种情景下的生产性能比较(方案二)

以方案二为例，其生产性能比较结果如图10所示。从两组数据的对比中可以看出，尽管较之于未发生设备故障的理想情景，其他两种情景的加工周期相关性能指标，都有一定程度的增加。说明设备故障导致的待加工工件堆积，对生产线产品的加工周期有着不小的影响，并增加了其波动程度。然而，对于故障发生后进行调度优化的情景，得到的各项生产指标仍优于未进行调度的生产过程。因此，证明了该调度优化方法在改善设备故障后的加工周期相关性能指标下降的问题上，具有一定的效果。

此外，选取方案二，继续分析采集得到的系统各设备加工次数，如表4以及图11所示。

表4三种情景下的设备总加工次数比较(方案二)

可以发现，生产完成后，在Md设备出现故障的情况下，作为其替代者的Mc设备总加工次数明显上升，这是显而易见的。同时，由于设备故障的发生，大量工件堆积也使得Mb的加工次数较未发生故障的理想状态大幅上升，甚至超过了Ma。在短时间内，Mb负荷的急剧增高，很可能导致设备接连发生“雪崩效应”而出现新的故障点。较之于未进行调度优化的情景，使用了调度优化方法后，Ma与Mb设备间的总加工次数差距，重新趋于理想状态，进而维持了生产系统整体稳定性。

从另一角度也可看出调度优化对生产线的影响情况。选取方案一，采集得到三种情景下的生产派工单，以各自生产开始的时间为基准，将其中的绝对时间转换为相对时间，随后进行对比。可以发现，在生产开始后，三种情景的派工信息基本相同，直至故障发生后的调度点时，分别出现了不同的派工选择，进而形成了不同的生产方案。

因此，截取相应派工单中调度点前后的一段时间，绘制生产加工的甘特图，比较未调度与调度两种情景，如图12所示。

其中，使用不同颜色区别不同工件(Lot)，方块表示其加工时间，方块上的数字为Lot ID，选取了故障发生前后共6min左右时间的甘特图。从中可以看出，在设备故障发生后，生产线应用了新的调度方案。在接下来的一段生产时间内，与未调度的生产流程相比，调度后生产线瓶颈设备Me的加工工件分布更加均匀，且在相同的一段时间内，多出1个工件的加工过程，利用率得到了提高；同时，生产线中工件派工安排的衔接更为紧凑，不再杂乱无章(如调度后的Mcd与Me加工区13-19号工件)。因此，减少了设备空闲等待时间，进而优化了整体生产系统效能。

总而言之，通过对实验所得数据的挖掘与分析，证明了本发明所设计的调度优化方法，在应对系统设备故障而导致的突发扰动时具有有效性，能够改善生产线性能指标，并且在一定程度上提升了系统稳定性。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (10)

1.一种半导体生产线CPS环境下的调度优化方法，其特征在于，该方法具体为：

构建面向调度的半导体生产线CPS环境，感知半导体生产线在生产过程中各类突发扰动，在发生突发扰动时，基于生产线动态信息进行重调度，根据生产线变化状况适时调整调度方案。

2.一种实现如权利要求1所述方法的半导体生产线CPS环境下的调度优化装置，其特征在于，包括：

通信模块，用于实现与实际生产线的通信；

CPS环境构建模块，用于建立与实际的目标生产线相对应的数字化三维模型；

调度优化设计模块，用于实时感知生产信息，在生产信息变化时触发重调度，并根据生产线动态信息生成新的生产线调度方案，实现重调度。

3.根据权利要求2所述的半导体生产线CPS环境下的调度优化装置，其特征在于，所述通信模块通过OPC技术与MQTT通信协议相结合的数据通信网络与实际生产线间实现通信。

4.根据权利要求2所述的半导体生产线CPS环境下的调度优化装置，其特征在于，所述CPS环境构建模块包括：

信息采集单元，用于通过所述通信模块采集目标生产线信息；

三维建模单元，用于根据所述目标生产线信息建立实际的目标生产线相对应的数字化三维模型；

动作设计单元，用于生成所述数字化三维模型中各部件的动态动作参数。

5.根据权利要求4所述的半导体生产线CPS环境下的调度优化装置，其特征在于，所述三维建模单元中，对所述目标生产线信息进行预处理后再建立所述数字化三维模型；

所述预处理包括删除在生产过程中无法观察到的面、合并断开顶点和移除孤立顶点。

6.根据权利要求4所述的半导体生产线CPS环境下的调度优化装置，其特征在于，所述CPS环境构建模块还包括：

在线展示模块，用于展示生产线加工状态。

7.根据权利要求2所述的半导体生产线CPS环境下的调度优化装置，其特征在于，所述调度优化设计模块包括：

输入层，用于通过所述通信模块获取生产线动态信息；

重调度决策层，用于根据所述生产线动态信息判断是否发生突发扰动，并在发生突发扰动时产生生成式重调度触发信号；

重调度层，响应所述生成式重调度触发信号，用于根据所述生产线动态信息使用重调度方案生成方法产生新的生产线调度方案。

8.根据权利要求7所述的半导体生产线CPS环境下的调度优化装置，其特征在于，所述重调度方案生成方法为CART决策树算法。

9.根据权利要求8所述的半导体生产线CPS环境下的调度优化装置，其特征在于，所述CART决策树算法中采用的生产线特征包括系统在制品数、各加工区缓冲区长度和故障设备号。

10.根据权利要求7所述的半导体生产线CPS环境下的调度优化装置，其特征在于，所述调度优化设计模块还包括：

评价层，用于基于数字化三维模型对所述新的生产线调度方案进行效果验证。