Search
Close this search box.

SmartFactory AI™ Productivity 可在更短时间内自动调整派工规则参数

揭示智能制造对半导体运营的变革性影响——提升生产力、效率、决策能力和数据安全性。以小时而不是以天为单位找到最佳值。

作者: Madhav Kidambi，技术营销总监，自动化产品事业部

Power of smart manufacturing for semiconductor
 分享 

半导体前道工厂和半导体后道封装、测试和包装工厂都会在部署本地派工规则和排程的同时部署全局派工规则，以提高生产效率。 通常，全局规则通过部署生产线平衡算法来确保满足交货日期并优化瓶颈解决工具的利用率。 这些生产线平衡算法具有不同的参数，需要根据工厂状态对给定的产品组合进行调整。 如今，这些参数是手动调整的，或者在某些情况下， 使用模拟建模功能。 很难计算这些参数对工厂中所有设备、所有产品和工艺步骤的影响。 因此，手动调整参数可能会对工厂 KPI 指标产生负面影响，而使用模拟技术找到一组最佳参数又会耗费大量时间。 本案例详细介绍我们如何使用 SmartFactory Productivity AI 在大幅缩短的时间内自动调整派工规则参数。

请看下图 1 中的示例。 根据全局规则，有四个参数用于确定瓶颈解决工具和生产线平衡阈值，以根据在制品 (WIP) 的小时数来判断设备是否处于不足、充足或高负荷状态。 表格显示了这些参数可能的取值范围。 要为给定的工厂状态找到这些参数的最佳值，一种方法是运行模拟模型。 在每次模拟中，我们选择不同的参数值组合，并测量由此产生的 KPI指标，这种方法在文献中被称为“网格搜索”。 每次运行都是为期 90 天的模拟，而一个模拟模型运行 90 天模拟并衡量按时交付率和生产周期等 KPI 指标，需要花费数天时间。 这在日常运营中并不实用。

Figure 1: Line balance Parameters in Global Rule
图 1：全局规则中的生产线平衡参数
为了解决这个问题，我们部署了 SmartFactory AI Productivity 和 Evolutionary Optimization，并结合模拟退火方法来同时找到按时交付和生产周期的最佳参数。 图 2 显示如何使用 SmartFactory AI Productivity（包括 Simulation AutoSched 和 Fusion 模块以及 RTD 和 Activity Manager）部署该算法。
Figure 2: Algorithm Deployment
图 2：算法部署

使用这种方法，我们能够在几小时内找到最佳参数值，而不是花费数天。 在每次迭代中，我们都改变生产线平衡参数值和瓶颈站点系列的组合。 如图 3 所示，以前需要迭代 300 次网格搜索才能找到 86.90% 的最佳按时交付率，而我们只需迭代 10 次模型运行就能够达到 98.83% 的按时交付率。

Figure 3: Modeling for on-time percentage
图 3：按时交付率建模
如图 4 所示，在以生产周期为 KPI 指标进行迭代时，使用我们的方法运行模型的第四次迭代达到了 886 小时的 KPI 指标；相比之下，网格搜索的 KPI 指标为992 小时。
Figure 4 Modeling for cycle time
图 4：生产周期建模

如图 5 所示，一旦获得最佳设置，就可以将其与现有的派工规则和排程应用程序集成，并在工厂的日常运营中整合和重新计算结果。

Figure 5: Production deployment
图 5：生产部署

在瓶颈设备上运行总搬运量的本地 KPI 指标，仅用 4 次迭代就找到最佳瓶颈阈值和生产线平衡阈值，达到 20,181 次的搬运量。

模拟优化是实现派工和排程参数自动化的第一步；我们计划进一步改进，通过使用强化学习方法来实现这些参数的自动化。

内容概览

本案例详细介绍我们如何使用 SmartFactory AI™ Productivity 在大幅缩短的时间内自动调整派工规则参数。

派工规则类型

派工规则在整个工厂范围内实施，通常分为全局规则和局部规则。全局规则包含产线平衡逻辑，用于管理客户订单交付；而局部规则则针对特定区域（如光刻）添加额外逻辑以优化生产效率。半导体前道工厂和半导体后道封装、测试和包装工厂都会在部署本地派工规则和排程的同时部署全局派工规则，以提高生产效率。

利用算法优化关键绩效指标 (KPI)

通常，全局规则通过部署生产线平衡算法来确保满足交货日期并优化瓶颈解决工具的利用率。这些生产线平衡算法具有不同的参数，需要根据工厂状态对给定的产品组合进行调整。

如今，这些参数是手动调整的，或者在某些情况下，使用模拟建模功能。很难计算这些参数对工厂中所有设备、所有产品和工艺步骤的影响。因此，手动调整参数可能会对工厂 KPI 指标产生负面影响，而使用模拟技术找到一组最佳参数又会耗费大量时间。

手动调参的局限性

请看下图 1 中的示例。根据全局规则，有四个参数用于确定瓶颈解决工具和生产线平衡阈值，以根据在制品 (WIP) 的小时数来判断设备是否处于不足、充足或高负荷状态。

表格显示了这些参数可能的取值范围。要为给定的工厂状态找到这些参数的最佳值，一种方法是运行模拟模型。在每次模拟中，我们选择不同的参数值组合，并测量由此产生的 KPI指标，这种方法在文献中被称为“网格搜索”。每次运行都是为期 90 天的模拟，而一个模拟模型运行 90 天模拟并衡量按时交付率和生产周期等 KPI 指标，需要花费数天时间。这在日常运营中并不实用。

Figure 1: Line balance Parameters in Global Rule
图1：全局规则中的生产线平衡参数

部署我们的 AI 解决方案

为了解决这个问题，我们部署了 SmartFactory AI™ Productivity 和 Evolutionary Optimization，并结合模拟退火方法来同时找到按时交付和生产周期的最佳参数。

图 2 显示如何使用 SmartFactory AI™ Productivity（包括 Simulation AutoSched™ 和 Fusion 模块以及 RTD 和 Activity Manager™）部署该算法。

Figure 2: Algorithm Deployment
图2：算法部署

快速识别更优按时交付率

使用这种方法，我们能够在几小时内找到最佳参数值，而不是花费数天。在每次迭代中，我们都改变生产线平衡参数值和瓶颈站点系列的组合。如图3所示，以前需要迭代 300 次网格搜索才能找到 86.90% 的最佳按时交付率，而我们只需迭代 10 次模型运行就能够达到 98.83% 的按时交付率。
Figure 3: Modeling for on-time percentage
图3：按时交付率建模

生产周期建模

如图4所示，在以生产周期为 KPI 指标进行迭代时，使用我们的方法运行模型的第四次迭代达到了 886 小时的 KPI 指标；相比之下，网格搜索的 KPI 指标为992 小时。
Figure 4 Modeling for cycle time
图4：生产周期建模

将优化成果应用于日常运营

如图5所示，一旦获得最佳设置，就可以将其与现有的派工规则和排程应用程序集成，并在工厂的日常运营中整合和重新计算结果。
Figure 5: Production deployment
图5：生产部署

瓶颈与产线平衡阈值

在瓶颈设备上运行总搬运量的本地 KPI 指标，仅用 4 次迭代就找到最佳瓶颈阈值和生产线平衡阈值，达到 20,181 次的搬运量。

结论

模拟使制造商在不干扰生产的情况下，测试多种参数组合并评估其对关键绩效指标 (KPI) 的影响。然而，即使采用模拟手段，寻找最优参数值仍耗时费力，难以满足日常运营需求。通过部署 SmartFactory AI™ Productivity 和 Evolutionary Optimization，并结合模拟退火方法，我们能够在更符合日常运营需求的时间范围内，快速确定最优参数配置。

模拟优化是实现派工和排程参数自动化的第一步；我们计划进一步改进，通过使用强化学习方法来实现这些参数的自动化。

常见问题解答

半导体晶圆厂中的“派工”是指什么？

派工指的是在特定设备上实时处理批次加工的顺序。

派工规则能够快速确定解决方案，并优先安排批次进入设备加工，从而提升生产效率。
是的。由于工厂车间的生产状态实时变化，系统每5-10分钟就会生成新的排程方案。这些动态变化可能导致排程决策出现模糊或不一致的情况。而派工方案能够有效应对部分排程挑战，从而保持或提升生产效率。欲了解更多派工方案详情，请阅读我们的博客 《使用 SmartFactory 派工解决方案，让产出增加5-10%》。

关于作者

Picture of Madhav Kidambi，技术营销总监，自动化产品事业部
Madhav Kidambi，技术营销总监，自动化产品事业部
Madhav 在半导体行业拥有24年从业经验，专注于仿真建模、派工/排程及工厂自动化系统领域。他曾主导多个200mm 和300mm 前道晶圆制造厂的派工及全自动化解决方案部署工作，并协助实施应用材料公司的排程与计划解决方案。在加入应用材料公司之前，Kidambi 先生曾就职于英飞凌 (Infineon)、奇梦达 (Qimonda) 和Spansion 等知名企业。现任应用材料公司自动化产品事业部工厂生产效率与供应链解决方案产品管理团队负责人。持有美国弗吉尼亚理工大学工业与系统工程硕士学位，以及印度 VNIT 大学机械工程学士学位。
 分享