基于K-modes聚類的半導(dǎo)體封裝測(cè)試粗日投料控制

姚麗麗，史海波，劉 昶

（1.中國(guó)科學(xué)院 沈陽(yáng)自動(dòng)化研究所，遼寧 沈陽(yáng) 110016；2.中國(guó)科學(xué)院大學(xué)，北京 100049）

0 引言

半導(dǎo)體封裝測(cè)試制造系統(tǒng)的調(diào)度問題一般分為投料控制、派工調(diào)度和重調(diào)度三方面，其中，投料控制是半導(dǎo)體封裝測(cè)試制造系統(tǒng)調(diào)度的重要組成部分，位于半導(dǎo)體封裝測(cè)試調(diào)度體系的最前端，在整個(gè)半導(dǎo)體封裝測(cè)試制造過程中占據(jù)重要地位。投料控制策略對(duì)制造系統(tǒng)性能的影響很大［1］，早在1988年Wein［2］就指出，投料策略比派工策略對(duì)半導(dǎo)體前道晶圓制造系統(tǒng)的影響更大。同樣，對(duì)于多品種混合投產(chǎn)的后道封裝測(cè)試來說，投料策略的優(yōu)劣對(duì)制造系統(tǒng)性能的影響也具有至關(guān)重要的作用。

投料策略需要解決投入什么料、投入多少量和何時(shí)投的問題。在半導(dǎo)體封裝測(cè)試中，投料控制主要包括周投料控制和日投料控制兩個(gè)層級(jí)。周投料控制確定本周期內(nèi)生產(chǎn)的品種和每個(gè)品種所需的生產(chǎn)產(chǎn)量，屬于計(jì)劃層研究問題，主要根據(jù)訂單承諾信息和產(chǎn)能規(guī)劃信息實(shí)現(xiàn)周期生產(chǎn)產(chǎn)品分配；日投料控制根據(jù)周投料計(jì)劃，確定每日的投料品種、投入品種的數(shù)量和每一品種的具體投放時(shí)刻。日投料控制又包括粗日投料控制和細(xì)日投料控制［3］，其中，粗日投料控制主要根據(jù)周計(jì)劃確定每日投料品種和每個(gè)品種的投入數(shù)量；細(xì)日投料控制則根據(jù)粗日投料計(jì)劃確定各個(gè)投產(chǎn)品種的具體投放時(shí)刻。近年來，各個(gè)制造領(lǐng)域的投料控制研究主要集中在細(xì)日投料控制問題，即主要對(duì)確定投料時(shí)刻問題進(jìn)行研究，并提出了多種投料策略，如固定時(shí)間投料策略［4］、恒定在制品投料策略［5］、避免饑餓（Starvation Avoidance，SA）投料策略［6］等。半導(dǎo)體封裝測(cè)試投料控制的研究也主要集中在細(xì)日投料控制方面，如Liu等［6］提出一種新的多規(guī)則嵌入的投料控制策略，綜合考慮Lot優(yōu)先規(guī)則、產(chǎn)能分配規(guī)則和機(jī)器加載規(guī)則，對(duì)投料品種的順序和工作中心分配進(jìn)行確定，它實(shí)際上是一種投料派工結(jié)合的控制策略；Ryohei等［7］提出一種基于遺傳算法和機(jī)器學(xué)習(xí)結(jié)果的投料控制方法，利用遺傳算法產(chǎn)生合適的規(guī)則，對(duì)產(chǎn)品的具體投料時(shí)刻進(jìn)行確定；Chua［8］等基于多約束有限能力的智能投料控制系統(tǒng)，首先對(duì)投入品種依據(jù)品種屬性信息進(jìn)行排序，然后依據(jù)產(chǎn)能情況對(duì)該順序進(jìn)行調(diào)整，最后進(jìn)行設(shè)備指派。粗日投料策略以往多被認(rèn)為是生產(chǎn)線上的投料員所關(guān)注，不作為學(xué)術(shù)研究的重點(diǎn)［1］，目前還未看到半導(dǎo)體封裝測(cè)試粗日投料控制方面的研究文獻(xiàn)。然而，對(duì)于半導(dǎo)體封裝測(cè)試生產(chǎn)來說，多品種混線生產(chǎn)和產(chǎn)能限定約束多是其顯著特點(diǎn)，粗日投料控制確定的日投料品種影響著細(xì)日投料控制以后續(xù)派工調(diào)度，因此研究半導(dǎo)體封裝測(cè)試的粗日投料控制，對(duì)于提高半導(dǎo)體制造系統(tǒng)的整體性能有重要的意義。

半導(dǎo)體封裝測(cè)試是典型的基于訂單驅(qū)動(dòng)（Make to Order，MTO）型企業(yè)，生產(chǎn)的品種繁多，如某封裝測(cè)試企業(yè)生產(chǎn)的品種約4萬種。雖然封裝測(cè)試企業(yè)的設(shè)備規(guī)模也很龐大，如某工序有上千臺(tái)設(shè)備，但是依然達(dá)不到生產(chǎn)品種與設(shè)備的固定對(duì)應(yīng)，一臺(tái)機(jī)器上往往對(duì)應(yīng)多個(gè)生產(chǎn)品種的更換加工。當(dāng)更換不同加工條件的品種時(shí)，往往伴隨著設(shè)備上加工材料或工夾具等的更換，這些更換常常產(chǎn)生一定的時(shí)間成本代價(jià)，生產(chǎn)車間稱為改機(jī)現(xiàn)象。例如封裝測(cè)試中的塑封工序，同一臺(tái)設(shè)備上前后連續(xù)兩個(gè)加工品種所用的模具不同，其更換模具需要約4h 左右。改機(jī)現(xiàn)象的存在導(dǎo)致封裝測(cè)試企業(yè)設(shè)備利用率偏低，生產(chǎn)周期較長(zhǎng)。如何減少改機(jī)代價(jià)、提高生產(chǎn)效益，是封裝測(cè)試企業(yè)決策者最為關(guān)注的問題。本文以某半導(dǎo)體封裝測(cè)試企業(yè)為研究背景，根據(jù)企業(yè)需求，以降低改機(jī)代價(jià)為目標(biāo)，針對(duì)半導(dǎo)體封裝測(cè)試的粗日投料控制問題進(jìn)行研究，提出一種新的基于Kmodes聚類的綜合投料控制策略。該策略以周計(jì)劃投產(chǎn)品種為輸入，采用一種新的量限定屬性賦權(quán)Kmodes聚類方法，以瓶頸工序產(chǎn)能類型個(gè)數(shù)作為聚類類別數(shù)，依據(jù)生產(chǎn)過程中影響改機(jī)代價(jià)的品種屬性信息進(jìn)行聚類，聚類過程中，對(duì)各個(gè)類別中的聚類點(diǎn)的數(shù)目進(jìn)行限定。依據(jù)聚類結(jié)果，采用基于品種平均和投產(chǎn)量平均的綜合策略，確定每日投產(chǎn)的品種和每個(gè)品種的數(shù)量。

2 K-modes聚類方法介紹

本文首次將聚類的思想引入封裝測(cè)試投料控制中，提出一種新的改進(jìn)量限定屬性賦權(quán)K-modes聚類方法，對(duì)周計(jì)劃投產(chǎn)品種進(jìn)行聚類，在聚類的基礎(chǔ)上進(jìn)行投料控制策略的研究。

2.1 傳統(tǒng)K-modes聚類方法介紹

K-modes算法是K-means［9-10］算法的擴(kuò)展，于1998年由Huang［11］提出，該算法克服了K-means算法僅能處理數(shù)值型數(shù)據(jù)的局限性，采用差異測(cè)度來代替K-means算法中的歐式距離，能夠很好地對(duì)數(shù)值屬性數(shù)據(jù)進(jìn)行聚類。主要處理流程如下：①隨機(jī)地選擇k個(gè)對(duì)象，每個(gè)對(duì)象初始代表一個(gè)簇的類中心；②對(duì)剩余的每個(gè)對(duì)象，根據(jù)與各個(gè)簇中心的差異測(cè)度進(jìn)行聚類，將其賦給最近的類簇；③重新確定每個(gè)簇的類中心，根據(jù)新的類中心進(jìn)行聚類。該過程不斷反復(fù)，直到準(zhǔn)則函數(shù)收斂。

K-modes聚類算法可具體描述如下：

設(shè)X=｛x1，x2，x3，…，xn｝為n個(gè)對(duì)象構(gòu)成的非空有限集合，A=｛a1，a2，a3，…，am｝為由m 個(gè)字符型屬性構(gòu)成的非空有限集合，xi的屬性aj可描述為xi=｛xi，1，xi，2，xi，3，…，xi，m｝，數(shù)據(jù)矩陣具體可表示為式（1），屬性aj的值域?yàn)镈OM（aj）=

具有分類屬性的對(duì)象，其差異測(cè)度定義為

式中：d（xi，zl）為對(duì)象xi與類中心zl之間的差異測(cè)度，δ（xi，j，zl，j）為0-1變量，如式（3）所示：

通過上兩式可以看出，差異測(cè)度值d（xi，zl）越小，對(duì)象xi與類中心zl之間的相似度越高。當(dāng)d（xi，zl）=0時(shí)，表示對(duì)象xi與類中心zl完全相同。聚類過程中，計(jì)算對(duì)象xi與每個(gè)類中心的差異測(cè)度值，將xi劃分給差異測(cè)度值最小的那個(gè)類簇。

聚類準(zhǔn)則函數(shù)是K-modes算法終止的有效判定條件，常采用誤差平方和方法作為其準(zhǔn)則函數(shù)，如式（4）所示：

當(dāng)K-modes進(jìn)行完一代聚類后，如果準(zhǔn)則函數(shù)還未收斂，則需要重新確定類簇中心，重新根據(jù)新的類簇中心進(jìn)行聚類。K-modes聚類中心的更新機(jī)制定義如下：當(dāng)且僅當(dāng)2，3，…，m，目標(biāo)值（4）取得最小，其中滿足

2.2 基于屬性加權(quán)的K-modes聚類方法介紹

傳統(tǒng)的K-modes聚類將所有屬性等同處理，故對(duì)聚類結(jié)果的貢獻(xiàn)相同。考慮不同屬性對(duì)聚類分析結(jié)果的不同貢獻(xiàn)，需要對(duì)各個(gè)屬性影響程度進(jìn)行加權(quán)處理［12］。假設(shè)每個(gè)屬性的權(quán)值為ω1，ω2，…，ωm，ωj≥0，j=1，2，…，m，則加權(quán)后的數(shù)據(jù)對(duì)象

式中W 為權(quán)值矩陣，

則基于屬性加權(quán)的K-modes中，兩個(gè)對(duì)象之間的差異測(cè)度

基于屬性加權(quán)的K-modes的誤差平方和聚類準(zhǔn)則函數(shù)由式（4）變?yōu)?/p>

基于加權(quán)的K-modes聚類中心的更新機(jī)制與傳統(tǒng)的更新機(jī)制一樣，可依據(jù)式（6）進(jìn)行更新。

2.3 一種新的量限定屬性賦權(quán)K-modes聚類方法

基于屬性賦權(quán)K-modes的聚類方法，各個(gè)對(duì)象的屬性都是文本屬性，存在無量屬性?？紤]對(duì)象屬性中包含有量屬性的情況，本文對(duì)基于屬性賦權(quán)Kmodes的聚類方法進(jìn)行改進(jìn)，提出一種新的量限定屬性賦權(quán)K-modes聚類方法。該方法根據(jù)聚類過程中的量屬性，對(duì)各個(gè)類簇所包含的對(duì)象數(shù)目進(jìn)行限定。

式中：ni表示對(duì)象xi的量屬性值，Cl表示聚類簇l。

聚類過程中，首先計(jì)算差異測(cè)度值，并從小到大對(duì)各個(gè)簇進(jìn)行排序；然后選擇第l（初始l=1）個(gè)簇，計(jì)算每個(gè)簇中已分配點(diǎn)的投產(chǎn)量總合（包括聚類中心點(diǎn)的投產(chǎn)量），如果，則將該點(diǎn)歸為簇；否則l=l+1，繼續(xù)進(jìn)行檢測(cè)。

3 基于K-modes聚類的粗日投料控制研究

粗日投料控制的主要任務(wù)是根據(jù)周計(jì)劃投產(chǎn)品種和數(shù)量信息確定日投產(chǎn)品種和數(shù)量。企業(yè)中常用的粗日投料策略主要有兩種，即基于投產(chǎn)品種平均分配的投料策略和基于品種投產(chǎn)量平均分配的投料策略?；谕懂a(chǎn)品種平均分配的投料策略，對(duì)周計(jì)劃以品種為單位進(jìn)行拆分，確定日投產(chǎn)品種；基于投料量平均分配的投料策略，將周計(jì)劃中各個(gè)品種的投產(chǎn)數(shù)量平均分配到每日。這兩種方法都未考慮品種更換對(duì)生產(chǎn)的影響，導(dǎo)致實(shí)際生產(chǎn)的改機(jī)代價(jià)較大。本文提出一種新的基于聚類的投料控制策略，以降低改機(jī)代價(jià)為目標(biāo)，首先對(duì)周計(jì)劃投產(chǎn)品種進(jìn)行聚類分析，在此基礎(chǔ)上采用基于品種平均和投產(chǎn)量平均的綜合策略，確定每日投產(chǎn)品種和各個(gè)品種的投產(chǎn)數(shù)量。

3.1 基于量限定屬性賦權(quán)的K-modes的封裝測(cè)試投產(chǎn)品種聚類

在聚類方法研究的基礎(chǔ)上，進(jìn)行封裝測(cè)試投產(chǎn)品種聚類的應(yīng)用研究。首先進(jìn)行相關(guān)參數(shù)的提取與確定。

3.1.1 聚類因素提取與確定

（1）聚類屬性及權(quán)重確定 半導(dǎo)體封裝測(cè)試生產(chǎn)中的改機(jī)影響因素有圓片尺寸、裝片膠、框架型號(hào)、模具和塑封料等。不同屬性影響品種更換的代價(jià)不同，例如模具更換需要約4h，而塑封料更換僅需要15min左右，利用賦權(quán)方式對(duì)各個(gè)屬性的改機(jī)代價(jià)影響程度進(jìn)行給定，假設(shè)單位改機(jī)時(shí)間代價(jià)為t，各個(gè)因素的權(quán)重因子為ω1，則各因素的改機(jī)代價(jià)為

（2）聚類類別個(gè)數(shù)k 的確定 生產(chǎn)過程中的瓶頸環(huán)節(jié)限制著整個(gè)流程的產(chǎn)出速率，同樣，其產(chǎn)能的配備情況決定了整個(gè)生產(chǎn)品種的分布。投料控制時(shí)，應(yīng)以瓶頸工序的產(chǎn)能類型個(gè)數(shù)作為聚類類別個(gè)數(shù)k。在半導(dǎo)體封裝測(cè)試中，塑封機(jī)的價(jià)格相對(duì)比較昂貴且專用性較強(qiáng)，一臺(tái)塑封機(jī)約幾十萬美元，企業(yè)配備塑封工序的產(chǎn)能較低，導(dǎo)致該工序經(jīng)常出現(xiàn)瓶頸。因此，在半導(dǎo)體封裝測(cè)試投料控制時(shí)，以塑封工序的產(chǎn)能類型個(gè)數(shù)作為聚類類別數(shù)k。

（3）投產(chǎn)量對(duì)聚類結(jié)果的影響 一般來說，車間中各個(gè)類型的產(chǎn)能基本均衡。本文假設(shè)瓶頸工序各個(gè)類型的產(chǎn)能均衡，考慮品種投產(chǎn)量對(duì)品種劃分的影響，對(duì)每一類別內(nèi)的品種投產(chǎn)量總和進(jìn)行限定，以保證聚類后各個(gè)類別的投產(chǎn)量也基本均衡，則每個(gè)類別中的總產(chǎn)量約為

式中：ni表示品種i 的投產(chǎn)量，nc表示類別c 的總產(chǎn)量。

3.1.2 聚類方法應(yīng)用步驟

本文提出的量限定屬性賦權(quán)K-modes方法，在半導(dǎo)體封裝測(cè)試投產(chǎn)品種聚類中的主要應(yīng)用流程如下：

步驟1 依據(jù)封裝測(cè)試生產(chǎn)過程中瓶頸工序的產(chǎn)能類型個(gè)數(shù)，確定將要聚類的類別個(gè)數(shù)k。

步驟2 依據(jù)屬性對(duì)于改機(jī)代價(jià)的貢獻(xiàn)程度，給定改機(jī)屬性因素的權(quán)重ω1，ω2，…，ωm。

步驟4 依據(jù)式（9）分別計(jì)算剩余的點(diǎn)xi與這k 個(gè)聚類中心zl的差異測(cè)度值，同時(shí)對(duì)差異測(cè)度值從小到大排序。

步驟5 根據(jù)差異測(cè)度值選擇第l=1個(gè)簇，計(jì)算每個(gè)簇中已分配點(diǎn)的投產(chǎn)量總和（包括聚類中心點(diǎn)的投產(chǎn)量），如果，則將該點(diǎn)歸為簇；否則l=l+1。繼續(xù)比較計(jì)算，直到所有點(diǎn)分配完畢。

步驟7 令迭代次數(shù)t=1。

步驟8 依據(jù)式（6）更新聚類中心，確定k 個(gè)新的聚類中心

步驟9 計(jì)算每個(gè)對(duì)象xi到新的聚類中心的差異測(cè)度值，同時(shí)對(duì)差異測(cè)度值從小到大排序。

步驟10 根據(jù)差異測(cè)度值選擇第l=1個(gè)簇，計(jì)算每個(gè)簇中已分配點(diǎn)的投產(chǎn)量總和（包括聚類中心點(diǎn)的投產(chǎn)量），如果，則將該點(diǎn)歸為簇；否則l=l+1。繼續(xù)比較計(jì)算，直到所有點(diǎn)分配完畢。

3.2 一種新的基于屬性賦權(quán)K-modes聚類的綜合投料控制策略

針對(duì)半導(dǎo)體封裝測(cè)試粗日投料控制，本文提出一種新的基于屬性賦權(quán)K-modes聚類的綜合投料控制策略。該方法在聚類的基礎(chǔ)上，提出采用基于品種平均和投產(chǎn)量平均的綜合策略，確定每日投產(chǎn)品種和各個(gè)品種的投產(chǎn)數(shù)量。整個(gè)類別采用基于投產(chǎn)量平均的策略，針對(duì)類別內(nèi)各個(gè)品種采用基于品種平均的策略。起始投產(chǎn)日期為Rs，投產(chǎn)周期為7 d，該策略主要包括以下步驟：

步驟1 根據(jù)周計(jì)劃投產(chǎn)總量計(jì)算每日平均投產(chǎn)量nd，

步驟2 初始化所有類別的品種到待投料集，各個(gè)品種包含品種名稱、投產(chǎn)量、交貨期和所屬類別四個(gè)字段信息。

步驟3 根據(jù)交貨期的緊急程度對(duì)聚類后各個(gè)類別的投產(chǎn)品種分別進(jìn)行排序，交貨期越早，排序越靠前。

步驟4 初始化當(dāng)前投產(chǎn)日Rd為投產(chǎn)周期的第一天，即Rd=Rs。

步驟5 令投產(chǎn)類別c=1。

步驟6 從待投料集的類別c中，依據(jù)先后順序選擇第一個(gè)品種ic，如果品種ic的投產(chǎn)量則將該品種全部安排該Rd日進(jìn)行投產(chǎn)，從待投料集類別c中刪除品種ic；否則將品種量在Rd日投產(chǎn)，修改待投料集中ic的投產(chǎn)量為。

步驟7 判斷c＞k 是否成立，如果成立，則繼續(xù)步驟8；否則c=c+1，返回步驟6。

步驟8 判斷Rd＞Rs+7是否成立，如果成立則結(jié)束，否則Rd=Rd+1，返回步驟5。

4 應(yīng)用研究

為了說明本文提出的基于K-modes聚類的投料控制策略的應(yīng)用，下面以7個(gè)投產(chǎn)品種、5個(gè)影響改機(jī)屬性的簡(jiǎn)單模型進(jìn)行應(yīng)用過程研究。

4.1 投產(chǎn)品種聚類應(yīng)用研究

表1所示為周投產(chǎn)計(jì)劃中的投產(chǎn)品種信息，其中包括品種的投產(chǎn)量、交貨日期和相關(guān)改機(jī)代價(jià)影響屬性因素；表2所示為影響改機(jī)代價(jià)的品種屬性影響權(quán)重。

表1 投產(chǎn)品種信息

表2 改機(jī)屬性賦權(quán)

基于K-modes的品種聚類的主要過程如下：

（1）計(jì)算聚類后每個(gè)類別中的投產(chǎn)產(chǎn)量

（2）假設(shè)隨機(jī)選擇的兩個(gè)初始聚類中心分別為MC20976P-2和LS028212M，分別計(jì)算剩余各個(gè)點(diǎn)與這兩個(gè)中心的差異測(cè)度，利用算法步驟中的步驟5進(jìn)行歸類。計(jì)算后的差異測(cè)度值和類別結(jié)果如表3所示。

表3 聚類結(jié)果

聚類后，與類中心MC20976P-2的同類別品種分別有MC20976P-1，MC20976P-3，D396650-e3；與類中心LS028212M 同類別的品種有TDA6782M-1和TDA6782M-2。

（3）計(jì)算聚類準(zhǔn)則函數(shù)

（4）利用聚類中心的更新機(jī)制更新聚類中心，更新結(jié)果如下：為｛8，UN-6888-I，SDIP32A，TA7698，EME6300H｝，為｛12，UN-6885，JH-100630，T0263E，7300HX｝。

（5）計(jì)算所有點(diǎn)與聚類中心的差異測(cè)度值，進(jìn)行類別重新給定，結(jié)果與表3相同。

輸出聚類結(jié)果：類別1 為 MC20976P-1，MC20976P-2，MC20976P-3，D396650-e3；類別2 為TDA6782M-1，TDA6782M-2，LS028212M。

4.2 綜合投料策略應(yīng)用研究

依據(jù)聚類結(jié)果，假設(shè)起始投料日期為18／03／2013，依據(jù)本文提出的基于聚類的投料控制策略步驟，得出日投料計(jì)劃如表4所示。

表4 基于聚類的投料控制結(jié)果

為了方便得知粗日投料控制策略對(duì)生產(chǎn)的影響，假設(shè)生產(chǎn)車間只有一道工序，每種類型的產(chǎn)能各有一臺(tái)機(jī)器，改機(jī)單位時(shí)間為10 min，對(duì)本文提出的基于品種聚類的綜合投料策略控制下的生產(chǎn)過程進(jìn)行推演仿真，得到改機(jī)頻率為5次，改機(jī)時(shí)間代價(jià)為175min。

4.3 實(shí)驗(yàn)與比較

為了進(jìn)一步說明本文提出的基于品種聚類的綜合投料控制策略的有效性，對(duì)周計(jì)劃品種個(gè)數(shù)分別為10和15的規(guī)模、瓶頸產(chǎn)能類型個(gè)數(shù)分別為3和5的數(shù)據(jù)進(jìn)行仿真試驗(yàn)，周計(jì)劃數(shù)據(jù)如表5 和表6所示。同時(shí)，為了進(jìn)一步說明該策略的優(yōu)越性，將該策略與常規(guī)的基于品種平均分配的策略、基于投產(chǎn)量平均分配的策略和基于遺傳算法（Genetic Algorithm，GA）的智能投料控制策略進(jìn)行比較?；贕A 的智能投料控制策略主要對(duì)投料順序進(jìn)行優(yōu)化，其設(shè)計(jì)思想如下：每個(gè)品種代表一個(gè)基因位，染色體的編碼長(zhǎng)度為所有投料品種的總數(shù)，基因位越靠前表示品種越優(yōu)先投產(chǎn)，適應(yīng)度函數(shù)為改機(jī)代價(jià)，終止條件為限定迭代次數(shù)，在每次迭代過程中，選擇改機(jī)代價(jià)最小的個(gè)體作為最佳個(gè)體。實(shí)驗(yàn)中，基于GA 的智能投料控制策略的各個(gè)參數(shù)設(shè)置如下：種群規(guī)模為100，交叉因子為0.9，變異因子為0.2，進(jìn)化代數(shù)為80；算法計(jì)算過程中分別采用輪盤賭選擇、線性次序交叉和基因逆序變異。

表5 規(guī)模10周計(jì)劃投產(chǎn)信息

續(xù)表6

表6 規(guī)模15周計(jì)劃投產(chǎn)信息

分別對(duì)投產(chǎn)品種個(gè)數(shù)和產(chǎn)能類型個(gè)數(shù)為（10，3）（15，3）（10，5）（15，5）的規(guī)模，采用基于品種平均分配的投料策略、基于投產(chǎn)量平均分配的投料策略、基于GA 的智能投料控制策略和本文提出的基于聚類的綜合投料控制策略進(jìn)行投料生產(chǎn)過程仿真，實(shí)驗(yàn)結(jié)果如表7所示。由表中數(shù)據(jù)比較得知，基于品種聚類的投料策略比基于GA 的智能投料策略和常規(guī)的企業(yè)投料策略，能夠更好地減少改機(jī)時(shí)間代價(jià)，縮短生產(chǎn)周期，從而提高生產(chǎn)效率；在產(chǎn)能類型較多的情況下，該方法更能體現(xiàn)其優(yōu)越性。上述研究給定規(guī)模較小，實(shí)際半導(dǎo)體生產(chǎn)企業(yè)中的周投產(chǎn)品種一般達(dá)上千種，基于聚類的綜合投料控制策略在規(guī)模龐大的實(shí)際應(yīng)用中更能發(fā)揮其優(yōu)越性，如在背景企業(yè)中，采用該投料控制策略后，生產(chǎn)周期縮短了約20h，即改機(jī)時(shí)間代價(jià)降低了約20h。

表7 實(shí)驗(yàn)結(jié)果比較

5 結(jié)束語(yǔ)

本文以某半導(dǎo)體封裝測(cè)試企業(yè)為研究背景，根據(jù)企業(yè)需求，針對(duì)粗日投料控制問題進(jìn)行研究，提出一種基于K-modes聚類的投料控制綜合策略。該策略首先對(duì)周計(jì)劃投產(chǎn)品種進(jìn)行聚類分析，然后依據(jù)聚類結(jié)果進(jìn)行基于品種平均分配和投產(chǎn)量平均分配的綜合策略，確定日投產(chǎn)品種和數(shù)量。該策略能夠降低半導(dǎo)體封裝測(cè)試生產(chǎn)過程中的改機(jī)時(shí)間代價(jià)，提高設(shè)備利用率，縮短生產(chǎn)周期，從而提高生產(chǎn)效益。下一步將依據(jù)聚類為基礎(chǔ)的粗日投料控制結(jié)果，對(duì)半導(dǎo)體封裝測(cè)試的細(xì)日投料控制問題進(jìn)行詳細(xì)研究。

［1］LI You，JIANG Zhibin，LI Na，et al.A review on release polices in semiconductor wafer fabrication system［J］.Industrial Engineering and Management，2011，16（6）：108-114（in Chinese）.［李 友，江志斌，李 娜，等.晶圓制造系統(tǒng)投料策略綜述［J］.工業(yè)工程與管理，2011，16（6）：108-114.］

［2］SPEARMAN M L，WOODRUFF D L，HOPP W J.CONWIP：apull alternative to kanban［J］.International Journal of Production Research，1990，28（5）：879-894.

［3］WU Qidi，QIAO Fei，LI Li，et al.Semiconductor manufacturing system scheduling［M］.Beijing：Publishing House of Electronics Industry，2006：102-104（in Chinese）.［吳啟迪，喬 非，李 莉，等.半導(dǎo)體制造系統(tǒng)調(diào)度［M］.北京：電子工業(yè)出版社，2006：102-104.］

［4］AURAND S S，MILLER P J.The operating curve：a method to measure and benchmark manufacturing line productivity［C］／／Proceedings of IEEE／SEMI Advanced Semiconductor Manufacturing Conference.Washington，D.C.，USA：IEEE，1997：391-397.

［5］GLASSEY C R，MAURICIO G C.Closed-loop job release control for VLSI circuit manufacturing［J］.IEEE Transactions on Semiconductor Manufacturing，1988，1（1）：36-46.

［6］LIU W，CHUA T J，CAI T X，et al.Practical lot release methodology for semiconductor back-end manufacturing［J］.Production Planning &Control，2005，16（3）：297-308.

［7］RYOHEI T，NOBUTADA F，KANJI U.Lot release control using genetics based machine learning in a semiconductor manufacturing system［C］／／Proceedings of the 9th International Conference on Intelligent Autonomous Systems.Amsterdam，the Netherlands：IOS Press，2006：497-506.

［8］CHUA T J，LIU M W，WANG F Y，et al.An intelligent multi-constraint finite capacity-based lot release system for semiconductor backend assembly environment［J］.Robotics and Computer-Integrated Manufacturing，2007，23（3）：326-338.

［9］HAN J，KAMBER M.Data mining：concepts and techniques［M］.San Francisco，Cal.，USA：Morgan Kaufmann Publishers，2001：233-234.

［10］LI Dazi，QIAN Li，JIN Qibing，et al.Modified global Kmeans algorithm and its application to data clustering［J］.Information and Control，2011，40（1）：100-104（in Chinese）.［李大字，錢 麗，靳其兵，等.改進(jìn)的全局K-means算法及其在數(shù)據(jù)分類中的應(yīng)用［J］.信息與控制，2011，40（1）：100-104.］

［11］HUANG Z.Extensions to the k-means algorithm for clustering large data sets with categorical values［J］.Data Mining and Knowledge，Discovery，1998，2（3）：283-304.

［12］ZHAO Heng，YANG Wanhai.Fuzzy K-modes clustering algorithm based on attributes weighted［J］.Systems Engineering and Electronics，2003，25（10）：1299-1302（in Chinese）.［趙 恒，楊萬海.基于屬性加權(quán)的模糊K-modes聚類算法［J］.系統(tǒng)工程與電子技術(shù)，2003，25（10）：1299-1302.］