基于啟發(fā)式遺傳基因算法的半導(dǎo)體制造系統(tǒng)庫存控制研究

倪妍婷， 程 躍， 姚 進(jìn)

(1.成都大學(xué) 機械工程學(xué)院， 四川 成都 610106； 2.四川大學(xué) 制造科學(xué)與工程學(xué)院， 四川 成都 610024)

基于啟發(fā)式遺傳基因算法的半導(dǎo)體制造系統(tǒng)庫存控制研究

倪妍婷1， 程 躍1， 姚 進(jìn)2

(1.成都大學(xué) 機械工程學(xué)院， 四川 成都 610106； 2.四川大學(xué) 制造科學(xué)與工程學(xué)院， 四川 成都 610024)

針對外部訂單變動對制造系統(tǒng)庫存數(shù)量的影響，提出了一種面向半導(dǎo)體制造系統(tǒng)的雙閉環(huán)庫存優(yōu)化模型.該模型將外部訂單的實時信息及時反饋至半導(dǎo)體生產(chǎn)線，將外部訂單需求與生產(chǎn)線在制品庫存進(jìn)行優(yōu)化：首先，對半導(dǎo)體制造系統(tǒng)進(jìn)行了分析，提出了基于恒定在制品和實時庫存的訂單反饋機制，建立了基于原材料閉環(huán)和半成品閉環(huán)的雙閉環(huán)庫存模型；其次，針對模型所涉及的多目標(biāo)參數(shù)優(yōu)化問題，提出啟發(fā)式遺傳基因算法并進(jìn)行多目標(biāo)尋優(yōu).為了驗證該方法的有效性，將所提出的雙閉環(huán)模型和啟發(fā)式遺傳基因算法應(yīng)用在半導(dǎo)體封裝測試工廠進(jìn)行實例驗證.結(jié)果表明，所提出的雙閉環(huán)庫存優(yōu)化機制具有較好的系統(tǒng)性能參數(shù).

半導(dǎo)體生產(chǎn)系統(tǒng)；雙閉環(huán)；遺傳基因算法；庫存優(yōu)化

0 引 言

在半導(dǎo)體制造系統(tǒng)的生產(chǎn)過程中，訂單的滿足和庫存(成品、半成品和在制品)管理上存在相互的沖突和制約，生產(chǎn)線和成品倉庫的高庫存量會降低訂單缺貨的風(fēng)險.一旦有訂單的變化，高的庫存可以在短時間內(nèi)滿足訂單需求，但是會帶來庫存成本、質(zhì)量及生產(chǎn)時間等指標(biāo)的降低.而較低的庫存量能夠保持較低的成本，減少質(zhì)量問題，縮短生產(chǎn)時間，但訂單的變化和浮動會導(dǎo)致所需的成品或在制品短缺，而若按需求預(yù)測所生產(chǎn)的庫存，則可能會有冗余成品被積壓下來[1-2].針對在訂單滿足與庫存管理中存在的矛盾，Sun等[3]提出了基于CAR策略的半導(dǎo)體供應(yīng)鏈優(yōu)化方法，將客戶訂單信息嵌入到機器在制品的分配問題中，對單機如何選擇在制品以滿足客戶訂單為目標(biāo)進(jìn)行優(yōu)化.而對于生產(chǎn)計劃與調(diào)度的協(xié)同性，安玉偉等[4]針對柔性作業(yè)車間生產(chǎn)計劃與調(diào)度緊密銜接的特點, 建立了生產(chǎn)計劃與調(diào)度集成優(yōu)化模型，并提出了一種基于拉格朗日松弛的分解算法，對安全庫存、需求損失及工件加工路線柔性等因素進(jìn)行了優(yōu)化，Phanden等[5-6]對生產(chǎn)計劃與調(diào)度的協(xié)同集成問題進(jìn)行了多方面的研究和討論，綜述了目前學(xué)術(shù)界對生產(chǎn)計劃與調(diào)度的集成問題,并在進(jìn)一步研究中構(gòu)建并整合了計劃選擇、調(diào)度和進(jìn)程分析的模型，進(jìn)行了一系列的實驗分析來驗證所提出方法的有效性，Nejad等[7]構(gòu)建了基于多智能體的整合動態(tài)系統(tǒng)，對計劃與調(diào)度在多工件下的車間整合問題進(jìn)行了模型設(shè)計，并對智能體間的協(xié)商協(xié)議進(jìn)行了詳細(xì)討論.從協(xié)同優(yōu)化的角度，本研究提出了基于面向訂單裝配生產(chǎn)模式的雙閉環(huán)庫存生產(chǎn)機制，建立了數(shù)學(xué)優(yōu)化模型，應(yīng)用啟發(fā)式遺傳基因算法對多目標(biāo)問題進(jìn)行尋優(yōu)，并在案例工廠對所提出的模型和算法進(jìn)行仿真實驗，驗證了所提方法的有效性.

1 模型建立

1.1 符號定義

在本研究的模型建立過程中，定義如下符號：

i：1,2,…，n，表示封裝測試站點產(chǎn)品序號；

k：1,2,…，K，表示封裝與測試階段站點編號；

j：1,2,…，m，表示時間；

Pi：最終產(chǎn)品序號；

βi：最終產(chǎn)品Piw權(quán)重系數(shù)；

Qi：Pi的訂單數(shù)量；

CWijw：最終成品Piw在倉庫的庫存數(shù)量；

Sij：半成品倉庫產(chǎn)品i在j時刻的庫存數(shù)量；

Bij：產(chǎn)品Pik在j時刻包裝階段的在制品數(shù)量；

Gij：產(chǎn)品Pi在j時刻生產(chǎn)線在制品目標(biāo)值；

Wij：產(chǎn)品Pi在j時刻總在制品數(shù)量；

1.2 雙閉環(huán)模型

為了充分利用半導(dǎo)體生產(chǎn)瓶頸站點的產(chǎn)能，在面向訂單裝配模式的基礎(chǔ)上，本研究建立了一套雙閉環(huán)機制：將閉環(huán)系統(tǒng)的耦合點設(shè)立在瓶頸站點之后，以半成品倉庫為核心，形成訂單—成品倉庫—半成品—半成品倉庫的半成品訂單控制閉環(huán)系統(tǒng)；在生產(chǎn)線原點處以原材料為核心，通過生產(chǎn)線反饋信息，建立原材料—前段在制品—半成品—原材料的原材料訂單閉環(huán)反饋系統(tǒng)，從而進(jìn)行原材料放料控制.

雙閉環(huán)訂單反饋模型如圖1所示，具體設(shè)定如下：

圖1 雙閉環(huán)庫存模型

1)在半成品倉庫之前，前段放料的閾值由原材料點進(jìn)行控制，根據(jù)需求預(yù)測進(jìn)行產(chǎn)品種類和數(shù)量的控制.在投放料、在制品管理上，按照防止瓶頸站點饑餓(StarvationAvoidance，SA)和恒定在制品(ConstantWIP,CONWIP)數(shù)量相結(jié)合的模式進(jìn)行管理.在制品經(jīng)過測試站點之后，半成品進(jìn)入半成品站點進(jìn)行存儲.

2)在半成品站點之后，后段的放料閾值由半成品倉庫控制.存儲在半成品倉庫的半成品根據(jù)實際訂單需求進(jìn)行生產(chǎn)調(diào)度安排.從半成品倉庫輸出之后，根據(jù)實時訂單的種類和數(shù)量進(jìn)行包裝，成為最終成品，進(jìn)行激光標(biāo)簽和包裝，運輸至成品倉庫交付給客戶.

雙閉環(huán)庫存模型目標(biāo)函數(shù)為：

1)目標(biāo)函數(shù)1.

(1)

2)目標(biāo)函數(shù)2.

(2)

S.t.

(3)

(4)

2 啟發(fā)式基因算法

近些年，遺傳基因算法作為處理復(fù)雜不確定問題的有效工具得到了許多學(xué)者的關(guān)注及應(yīng)用.該方法借用生物進(jìn)化理論的規(guī)律，通過編碼、策略選擇和遺傳操作，在指定的演化代數(shù)內(nèi)進(jìn)行迭代，向高適值的染色體靠近.由于延遲生產(chǎn)目標(biāo)函數(shù)存在多目標(biāo)多約束的特點，涉及到多個延遲參數(shù)尋優(yōu)，相比其他的智能算法，遺傳算法具有全局優(yōu)化的優(yōu)勢.

遺傳算法的設(shè)計通?？紤]5個基本要素:問題解的表達(dá)，即編碼方式；初始種群的產(chǎn)生；適應(yīng)度函數(shù)的確定；確定算子，包括選擇、交叉和變異3步驟；參數(shù)設(shè)置，包括種群的規(guī)模、進(jìn)化的代數(shù)、交叉的概率和變異概率.結(jié)合本研究所提出的延遲生產(chǎn)目標(biāo)函數(shù)和生產(chǎn)機制，提出了一種“閾值篩選”的啟發(fā)式遺傳算法進(jìn)行多目標(biāo)尋優(yōu).

2.1 啟發(fā)式基因編碼方案

遺傳算法一般分為編碼方案確定、適應(yīng)度函數(shù)設(shè)計、染色體編碼及遺傳操作等關(guān)鍵步驟.遺傳操作過程中，搜索尋優(yōu)過程是作用于編碼的.因此，編碼是至關(guān)重要的一步，決定算法運行的性能和效率.

本研究采用的啟發(fā)式遺傳編碼，首先將每個生產(chǎn)產(chǎn)品映像成一個生物體，而每個產(chǎn)品攜帶不同條染色體(即庫存因子)，每個庫存因子所攜帶的各個不同的庫存參數(shù)為基因變量，遺傳編碼映像機制如圖2所示.

2.2 適應(yīng)度函數(shù)

由于目標(biāo)函數(shù)都是最小化函數(shù)，遺傳算法中的適應(yīng)度函數(shù)將選擇目標(biāo)函數(shù)之和進(jìn)行遺傳操作，其形式如下，

圖2 基于閾值篩選的編碼機制

Fit[f(i,j)]

(5)

2.3 啟發(fā)式遺傳操作

遺傳算法的具體流程如圖3所示，具體分為：種群初始化，選擇和復(fù)制，交叉，變異與終止.

圖3 遺傳算法流程圖

1)種群初始化.種群初始化時，雖然可以隨機產(chǎn)生，但為了避免由于計算量過大導(dǎo)致的收斂速度很慢或過早收斂等問題，本研究提出了“閾值篩選”的方法.結(jié)合生產(chǎn)中的實際情況，錄入“閾值信息”，令初始種群在閾值要求范圍內(nèi)進(jìn)行下一步操作.在閾值篩選過程中，主要考慮和確定2個因素：延遲參數(shù)的計算及根據(jù)確定的參數(shù)確定耦合點的選擇.根據(jù)編碼設(shè)計，染色體鏈編碼設(shè)定為N×M維矩陣(N，產(chǎn)品數(shù)量i=1,2,…，n;M，定義的延遲參數(shù)個數(shù)).根據(jù)確定的適應(yīng)值函數(shù)，每一個染色體鏈被賦予一個適應(yīng)值.

2)選擇和復(fù)制.選擇和復(fù)制，是指從當(dāng)前群體中按照一定的概率，根據(jù)染色體適應(yīng)度值的優(yōu)良，選出一部分作為父代來繁殖下一代子孫，個體適應(yīng)度值越高，被選擇的機會越多.在選擇過程中，首先，根據(jù)事先錄入的閾值信息進(jìn)行搜索，在符合指定閾值之內(nèi)，將作為合法種群進(jìn)行種群更新，如果不在指定閾值之內(nèi)，將作為不合法種群被拒絕.根據(jù)Pareto最優(yōu)原則，選擇前20%作為“精英”種群，經(jīng)過選擇和復(fù)制，“精英”染色體被保留下來，種群庫相應(yīng)被更新.

3)交叉.遺傳算法中起核心作用的是交叉算子.交叉一般分為單點交叉、兩點交叉與多點交叉等.考慮到參數(shù)復(fù)雜性，且在種群初始化和選擇階段已經(jīng)進(jìn)行多次篩選，本研究采用單點隨機交叉，交叉率為0.80.

4)變異.在選擇和交叉的過程中，有些基因段可能會丟失，為了維持種群多樣性，防止算法過早收斂，應(yīng)用變異的方法對遺傳基因進(jìn)行修復(fù)和補充.根據(jù)經(jīng)驗值，變異率一般設(shè)定為0.01.

5)經(jīng)過交叉和變異，新的種群產(chǎn)生時，會檢查是否滿足事先定義的收斂速率和迭代次數(shù).根據(jù)適應(yīng)度值，即贏得函數(shù)值對種群進(jìn)行定級，根據(jù)Pareto最優(yōu)原則取前20%，循環(huán)直到滿足0.1%的收斂速率和200次迭代，運算停止，輸出適應(yīng)函數(shù)值和相關(guān)的延遲參數(shù).

3 庫存系統(tǒng)開發(fā)

3.1 案例分析

在實際案例分析中，將本研究提出的雙閉環(huán)庫存優(yōu)化模型應(yīng)用于S半導(dǎo)體封裝測試工廠的庫存與放料管理過程中.在S工廠整個封裝測試階段，生產(chǎn)過程大約有100～150個不同的站點和流程，從區(qū)域上可劃分為封裝、測試和包裝階段.在封裝階段，經(jīng)過晶圓生產(chǎn)和測試的晶圓片(wafer)會進(jìn)行切片、基片貼片和粘貼錫球以及環(huán)氧樹脂固化的封裝過程，之后進(jìn)入測試階段.由于成本原因，測試工序設(shè)定為整個工廠的瓶頸，根據(jù)模型設(shè)計，半成品耦合點將設(shè)置在該工序之后.

測試工序分為基本電性能測試、主板測試、老化測試、熱測試與冷測試等.其中，主板測試、老化測試、熱測試與冷測試將根據(jù)產(chǎn)品的生產(chǎn)工藝設(shè)計來挑選不同比例的半成品芯片進(jìn)行測試.基本的電性能測試后，存在開路或者短路問題的不良芯片會被挑選出來進(jìn)行分析，而通過測試的芯片進(jìn)入半成品倉庫等待訂單指令下達(dá).當(dāng)有訂單需求時，半成品耦合點會根據(jù)實時刷新的需求信息與日庫存量信息比對，相應(yīng)的半成品產(chǎn)品會釋放出來，進(jìn)入熔斷站點形成最終的芯片性能，例如，具有圖像功能還是無圖像功能，之后進(jìn)入包裝區(qū)域成為成品交付給客戶.根據(jù)圖4的雙耦合延遲生產(chǎn)模型，將原材料耦合點設(shè)置在晶元倉庫，半成品耦合點設(shè)置在瓶頸工序測試站點之后、熔斷站點之前，隨后對該工廠的制造系統(tǒng)進(jìn)行模塊劃分和功能組合，實施基于雙耦合延遲生產(chǎn)模型的生產(chǎn)模式，并應(yīng)用所提出的啟發(fā)式遺傳基因算法進(jìn)行多目標(biāo)參數(shù)尋優(yōu)，進(jìn)行生產(chǎn)系統(tǒng)仿真實驗.

圖4 對S工廠構(gòu)建雙耦合延遲生產(chǎn)模型

實際生產(chǎn)中通常以班為單位，一般12h為1班，每天2班.在實際生產(chǎn)中每周都會根據(jù)生產(chǎn)情況設(shè)定新的生產(chǎn)任務(wù)，同時可以設(shè)定1周的計劃停機時間，便于在模型中加入計劃停機事件的影響.本研究以1周時間為仿真單位，即604 800s.

3.2 結(jié)果分析

圖5顯示了工廠瓶頸——測試站點1周7d共14班次的仿真運行分析圖，圖6所示為歷史產(chǎn)出矩陣.由于所提出的雙閉環(huán)模型根據(jù)實時的訂單信息來進(jìn)行雙耦合點放料，所以雙閉環(huán)產(chǎn)出矩陣與歷史產(chǎn)出矩陣有明顯的差異.

統(tǒng)計2016年1～6月的仿真結(jié)果，并與歷史實際

圖5 仿真結(jié)果產(chǎn)出矩陣

圖6 測試站點歷史產(chǎn)出矩陣

產(chǎn)出進(jìn)行對比，圖7顯示了產(chǎn)出數(shù)據(jù)差值(仿真值—歷史值)和二者相關(guān)系數(shù).由圖7可以看出，由于采用了實時訂單反饋，雙閉環(huán)模型根據(jù)實際訂單進(jìn)行放料和庫存控制，避免了由于原有預(yù)測導(dǎo)致庫存過量或不足，對由于預(yù)測導(dǎo)致的偏差進(jìn)行糾正，而“產(chǎn)出差值”實質(zhì)上是雙閉環(huán)模型對訂單變動進(jìn)行的“反饋補償”.

圖7 歷史產(chǎn)出值與延遲生產(chǎn)產(chǎn)出對比分析

4 結(jié) 論

本研究提出了一種面向混流生產(chǎn)系統(tǒng)的雙耦合延遲生產(chǎn)方法，該方法能夠?qū)⑼獠坑唵蔚膶崟r信息及時反饋至混流生產(chǎn)線，將生產(chǎn)計劃與生產(chǎn)調(diào)度進(jìn)行協(xié)同優(yōu)化.首先，應(yīng)用面向訂單裝配生產(chǎn)模式，建立了基于原材料耦合點和半成品耦合點的雙耦合延遲生產(chǎn)模型；之后，進(jìn)一步研究了在混流生產(chǎn)系統(tǒng)中，雙耦合點之間的運作機制，整合了恒定在制品策略和基于實時訂單反饋參數(shù)的延遲交互機制，并針對模型所涉及的多目標(biāo)參數(shù)優(yōu)化問題，提出啟發(fā)式遺傳基因算法進(jìn)行多目標(biāo)尋優(yōu).為了驗證方法的有效性，將所提出的延遲模型和啟發(fā)式遺傳基因算法應(yīng)用在S混流生產(chǎn)車間進(jìn)行實例驗證.通過2個實例驗證：一是模型優(yōu)化前后關(guān)鍵參數(shù)的對比，二是所提出的方法與傳統(tǒng)方法的對比，證明了所提出的雙耦合延遲生產(chǎn)方法具有較好的系統(tǒng)性能參數(shù).

[1]GovindN,RoederTM,SchrubenLW.Asimulation-basedclosedqueueingnetworkapproximationofsemiconductorautomatedmaterialhandlingsystems[J].IEEE Trans Semicond manuf,2011,24(1):5-13.

[2]劉愛軍，楊育，邢青松，等.柔性作業(yè)車間多目標(biāo)動態(tài)調(diào)度[J].計算機集成制造系統(tǒng)，2011，17(12)：2629-2637.

[3]Sun Y,Fowler J W,Shunk D L.Policiesforallocatingproductlotstocustomerordersinsemiconductormanufacturingsupplychains[J].Prod Plan Contr,2011，22(1)：69-80.

[4]安玉偉，嚴(yán)洪森.柔性作業(yè)車間生產(chǎn)計劃與調(diào)度集成優(yōu)化求解策略[J].自動化學(xué)報，2013，39(9)：1476-1491.

[5]Phanden R K,Jain A,Verma R.Integrationofprocessplanningandscheduling:astate-of-the-artreview[J].Integr J Comput Integr Manuf,2011，24(6)：517-534.

[6]Phanden R K,Jain A,Verma R.Anapproachforintegrationofprocessplanningandscheduling[J].Integr J Comput Integr Manuf，2013，26(4)：284-302.

[7]Nejad H T N,Nobuhiro S,Koji I.Agent-baseddynamicintegratedprocessplanningandschedulinginflexiblemanufacturingsystems[J].Int J Prod Res，2011，49(5)：1373-1389.

Inventory Control for Semiconductor Manufacturing System Based on Heuristic Genetic Algorithm

NIYanting1,CHENGYue1,YAOJin2

(1.School of Mechanical Engineering, Chengdu University, Chengdu 610106, China; 2.School of Manufacturing Science and Engineering, Sichuan University, Chengdu 610024, China)

Aiming at the influence of external order variability on the inventory of manufacturing system,this paper introduces a double close loop model to optimize inventory for semiconductor manufacturing system.This model timely sends the real-time information of external orders to semiconductor production line.Meanwhile,the model realizes the collaborative optimization of the external order demands and the in-process inventory on production line.First all,the semiconductor manufacturing system is analyzed.Order feedback mechanism based on constant work-in-process products and real-time invertory is proposed.And the double close loop mechanism based on raw material loop and semi-finished product loop is established.Subsequently,directing at the target parameter optimization which is involved in the model,a heuristic genetic algorithm is proposed for multi-objective optimization.In order to verify the effectiveness of this method,the proposed double close loop model and the heuristic genetic algorithm are used in the semiconductor packaging factory for example verification.The results show that the proposed double close loop inventory optimization mechanism has comparatively good system performance parameters.

semiconductor manufacturing;double close loop;genetic algorithm;inventory optimization

1004-5422(2017)01-0080-05

2016-12-20.

國家自然科學(xué)基金(51505042)、 四川省教育廳自然科學(xué)重點課題(17ZA0088)資助項目.

倪妍婷(1980 — )， 女， 博士， 講師， 從事制造過程系統(tǒng)運行優(yōu)化研究.

TH166；TH186

A