2.3.3　FabSys的数据驱动预测模型

(1)FabSys数据驱动参数预测模型

FabSys数据驱动参数预测模型直接从FabSys的离线历史数据中学习获取,并通过在线动态数据驱动。以硅片加工时间为例,可利用加工历史记录,通过最小二乘法求出第i个影响因素的系数αi(α₀为常数项)构造线性回归模型(2⁃1)。其中,为设备编号为eqp_id的设备,且当前加工工序为op的加工时间的估计值;duration_op为设备保持当前加工工序的持续时间(如duration_op=0,则还需考虑工序切换整定时间);lot.wafer_count为当前加工一卡硅片中包含的硅片数;、、为设备编号为eqp_id的设备前三次加工工序op所耗费的时间。

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

对于OOSM_fab中的不确定参数和事件,均在OOSM_fab运行之前预测得到,从而可提高OOSM_fab运行结果的准确性。FabSys数据驱动参数预测模型构造方法如图2⁃9所示。

(2)FabSys数据驱动性能预测模型

对于FabSys这样的大规模复杂制造系统,通过OOSM_fab在线仿真获取性能指标是一个耗时的过程。基于数据的性能指标预测建模方法可以快速响应、获取性能指标预测值。因此在模型层中,引入了基于数据的性能指标预测模型。整体概况如图2⁃9所示,通过大量离线仿真生成离线性能指标仿真数据,再从这些数据中进行数据挖掘,即可获取性能指标预测模型。

性能指标预测模型可分为全局性能指标预测模型和局部性能指标预测模型。根据仿真时间(或预测周期)可分为实时(预测周期以时计)性能指标预测模型、短期(预测周期以日计)性能指标预测模型和长期(预测周期以周计)性能指标预测模型。当预测周期以时计,则全局性能指标变化不明显,主要关注局部短期性能指标。当预测周期以周计,则主要关注全局长期性能指标。当预测周期以日计,则需要兼顾全局短期性能指标和局部短期性能指标。此外,对于不同的预测模型,影响因素也不同,对预测周期以日记的全局性能指标预测模型,需要考虑X_se,_fab和X_ruleset的取值,对于当预测周期以周记的长期全局性能指标预测模型,还需要考虑制造系统中的不确定因素和投料策略release。而对于预测周期较短的局部性能指标预测模型,影响因素可以通过特征选择算法从X_se,_fab和X_ruleset中选取若干维得到。

图2⁃10是以日为预测周期的性能指标预测模型,以此来预测制造系统设备平均利用率。影响因素主要是FabSys的初始调度环境即X_se,_fab的取值及各加工区所采用的调度规则即X_ruleset取值。可以从大量的离线仿真生成的离线仿真性能指标中学习出性能指标预测模型f_Utility得到Utility的预测值:

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

(3)FabSys数据驱动自适应调度模型

由于FabSys规模较大,通过在线优化的方法选择出优化的调度方案非常耗时,为了能在线针对需要优化的性能指标作出快速优化调度决策,可采用离线优化的方法优化性能指标,生成离线仿真优化调度决策数据并对其进行数据挖掘,构造自适应调度模型。可以直接对应需要优化的调度性能指标根据当前调度环境作出派工决策,具体方法如图2⁃11所示。

与性能指标预测问题不同,自适应调度模型在离线优化阶段针对性能指标进行优化,优化目标可以是单性能指标或多性能指标。在FabSys中,对各个加工区的调度规则进行编码,通过穷举搜索或者启发式搜索的方式,优化性能指标。得到优化的各加工区调度规则组合,保存为离线仿真优化调度决策数据。由于优化调度方案是个决策组合的形式,因此,可以将最终自适应优化调度决策问题分解为若干个分类问题,即对各个加工区的调度规则构造分类模型,必要时对分类模型进行特征选择。在需要实时派工时,使用制造系统调度环境驱动各加工区的自适应调度模型,选择优化调度规则。