基于复杂网络理论的晶圆制造自动化物料运输系统动态调度方法

Semiconductor wafer manufacturing automated material handling system (AMHS) involves a wide range of tasks and resources. Wafer processing has the characteristics of reentrant, time constraints and batch processing, and there are blocking and deadlocks in wafer transport, which make the AMHS scheduling problems be large-scale, complex and stochastic. This project investigates the AMHS dynamic scheduling problem based on complex network theory. The scheduling problem therefore can be transformed to a network node traversal problem, and the scheduling strategy corresponds to the network’s cutting rule. By using the complex network analysis method, the relationship between the network topology features and the efficiency of network node traversal is studied. Furthermore, the influence of re-entrant flow and shortcut track on the AMHS scheduling network structure is analyzed. How to generate the AMHS scheduling objective function and dispatching rules according to the real time status of the system are investigated. Since massive manufacturing data in the wafer fab could be captured, the deep learning algorism is proposed to optimize the dynamic scheduling rules adaptively. Some key technologies such as the protocol of data communication and the real-time synchronization mechanism of information to create a hard-in-the-loop platform are also addressed. The research contributions are to improve the performance of the semiconductor wafer manufacturing, reducing the cycle time and increasing the overall equipment effectiveness.

晶圆制造自动化物料运输系统（AMHS）涉及多种类型的任务和资源，晶圆加工具有可重入、时效约束和批处理特性，晶圆运输存在阻塞和死锁等现象，导致AMHS调度问题呈现大规模、复杂、随机性强等特点。本项目构建以调度事件为节点、事件之间关系为连边的复杂网络模型，实现AMHS动态调度过程和网络演化过程的映射，将调度问题转化为网络节点遍历问题，调度策略对应网络裁剪规则；基于复杂网络分析方法，挖掘网络拓扑结构特征与网络节点遍历效率之间的关系，分析可重入流、捷径导轨等特征对AMHS调度网络结构的影响；研究基于网络特征的AMHS调度优化目标函数构建和启发式规则动态生成方法，结合历史数据分析，研究基于深度学习的调度规则自适应优化方法；构建AMHS硬件在环仿真平台，对提出的调度网络模型和动态调度算法进行验证。本项目的研究对于提高晶圆制造系统整体效率、丰富制造系统调度理论和方法体系，具有重要的工程价值和学术意义。

晶圆制造自动化物料运输系统（AMHS）是晶圆制造系统的必要组成部分。高效、高性能的晶圆制造AMHS调度方法，对于实现晶圆加工和物料运输的集成优化，缩短晶圆制造周期、提高晶圆制造系统整体效率具有重要意义。本项目针对晶圆制造AMHS调度问题所具有的规模大、复杂程度高、动态性强特点，从调度网络模型研究、调度网络特征分析、动态调度算法研究和硬件在环仿真平台四个方面进行了研究。提出了晶圆制造AMHS调度网络模型，该复杂网络模型以调度事件为节点、事件之间关系为连边，对晶圆制造AMHS调度问题的时间、空间和业务约束关系进行了表征。晶圆制造AMHS动态调度过程被映射为调度网络模型的演化，晶圆制造AMHS动态调度的性能目标被映射为调度网络的全局特征。通过晶圆制造AMHS调度网络特征分析，设计了调度问题的调度规则。对晶圆制造AMHS调度问题的性能目标和调度网络的全局特征进行了关联分析，将与目标全局特征关联密切的网络局部特征构造为调度问题的调度基础规则。使用了基因表达式编程的方法，在基础调度规则的基础上，生成了性能更加优异的复合调度规则，实现了调度规则的智能优化设计。借助强化学习方法，以调度调度任务的规则内差异和规则间差异为状态，以不同的调度规则为动作，搭建了晶圆制造AMHS选择型超启发式框架，实现了晶圆制造AMHS动态调度规则自适应优化。搭建了晶圆制造AMHS调度仿真平台，对本项目提出的模型和算法进行了验证。所提出的模型和方法连接了运筹优化和复杂网络两大学术社区，丰富了调度研究范式，拓展了网络研究的场景，在多个公开数据集上进行了验证，结果表明相比于传统方法调度效率提高了3.28%。所提出的模型和方法具有极高的灵活度，对于解决离散生产过程中普遍存在的复杂调度问题具有极高的借鉴意义，已成功应用于诸如中医药生产调度、自动化集装箱码头全域集成调度等问题中，帮助相关企业取得了25.11%的效率提升。