2.3.3　FabSys的數據驅動預測模型

(1)FabSys數據驅動參數預測模型

FabSys數據驅動參數預測模型直接從FabSys的離線歷史數據中學習獲取,并通過在線動態數據驅動。以硅片加工時間為例,可利用加工歷史記錄,通過最小二乘法求出第i個影響因素的系數αi(α₀為常數項)構造線性回歸模型(2?1)。其中,為設備編號為eqp_id的設備,且當前加工工序為op的加工時間的估計值;duration_op為設備保持當前加工工序的持續時間(如duration_op=0,則還需考慮工序切換整定時間);lot.wafer_count為當前加工一卡硅片中包含的硅片數;、、為設備編號為eqp_id的設備前三次加工工序op所耗費的時間。

=α₀+α₁*duration_op+α₂*lot.wafer_count+α₃*+α₄*+α₅*(2?1)

對于OOSM_fab中的不確定參數和事件,均在OOSM_fab運行之前預測得到,從而可提高OOSM_fab運行結果的準確性。FabSys數據驅動參數預測模型構造方法如圖2?9所示。

(2)FabSys數據驅動性能預測模型

對于FabSys這樣的大規模復雜制造系統,通過OOSM_fab在線仿真獲取性能指標是一個耗時的過程。基于數據的性能指標預測建模方法可以快速響應、獲取性能指標預測值。因此在模型層中,引入了基于數據的性能指標預測模型。整體概況如圖2?9所示,通過大量離線仿真生成離線性能指標仿真數據,再從這些數據中進行數據挖掘,即可獲取性能指標預測模型。

性能指標預測模型可分為全局性能指標預測模型和局部性能指標預測模型。根據仿真時間(或預測周期)可分為實時(預測周期以時計)性能指標預測模型、短期(預測周期以日計)性能指標預測模型和長期(預測周期以周計)性能指標預測模型。當預測周期以時計,則全局性能指標變化不明顯,主要關注局部短期性能指標。當預測周期以周計,則主要關注全局長期性能指標。當預測周期以日計,則需要兼顧全局短期性能指標和局部短期性能指標。此外,對于不同的預測模型,影響因素也不同,對預測周期以日記的全局性能指標預測模型,需要考慮X_se,_fab和X_ruleset的取值,對于當預測周期以周記的長期全局性能指標預測模型,還需要考慮制造系統中的不確定因素和投料策略release。而對于預測周期較短的局部性能指標預測模型,影響因素可以通過特征選擇算法從X_se,_fab和X_ruleset中選取若干維得到。

圖2?10是以日為預測周期的性能指標預測模型,以此來預測制造系統設備平均利用率。影響因素主要是FabSys的初始調度環境即X_se,_fab的取值及各加工區所采用的調度規則即X_ruleset取值。可以從大量的離線仿真生成的離線仿真性能指標中學習出性能指標預測模型f_Utility得到Utility的預測值:

Y_Utility=f'_Utility(X_se,_fab,X_ruleset)(2?2)

(3)FabSys數據驅動自適應調度模型

由于FabSys規模較大,通過在線優化的方法選擇出優化的調度方案非常耗時,為了能在線針對需要優化的性能指標作出快速優化調度決策,可采用離線優化的方法優化性能指標,生成離線仿真優化調度決策數據并對其進行數據挖掘,構造自適應調度模型。可以直接對應需要優化的調度性能指標根據當前調度環境作出派工決策,具體方法如圖2?11所示。

與性能指標預測問題不同,自適應調度模型在離線優化階段針對性能指標進行優化,優化目標可以是單性能指標或多性能指標。在FabSys中,對各個加工區的調度規則進行編碼,通過窮舉搜索或者啟發式搜索的方式,優化性能指標。得到優化的各加工區調度規則組合,保存為離線仿真優化調度決策數據。由于優化調度方案是個決策組合的形式,因此,可以將最終自適應優化調度決策問題分解為若干個分類問題,即對各個加工區的調度規則構造分類模型,必要時對分類模型進行特征選擇。在需要實時派工時,使用制造系統調度環境驅動各加工區的自適應調度模型,選擇優化調度規則。