基于学习的半导体制造系统动态调度.pdf

基于学习的半导体制造系统动态调度.pdf
本文研究了半导体制造系统的基于学习的动态调度框架。该框架通过应用基于最优数据样本的机器学习算法来获得动态调度模型,从而可以及时获得特定生产状态下的近似最优调度策略。然后提出了一种基于极限学习机(ELM)的动态调度模型的实现方案。为了提高效率,提出了一种混合特征选择和分类算法,它结合了过滤特征选择方法和包装特征选择方法。最后,在一个真实的半导体制造系统中测试了所提出的动态调度模型,以比较和分析算法性能和生产性能。结果表明,基于学习的调度方法优于单一调度规则,并且也满足实时制造调度的要求。 本文提出的框架分为离线学习部分和在线操作部分。离线学习部分包括用于生成样本数据的仿真模型、样本库和用于生成在线调度器使用的模型的机器学习模块。在线操作部分包括在线调度器和从半导体制造系统获取的实时状态数据。 本文还详细介绍了基于ELM的动态调度模型的设计,包括基于GA的特征选择方法和基于SAGA-ELM的动态调度模型的生成。实验结果表明,与基于ELM算法(无特征选择)的调度方法相比,基于GA-ELM的调度方法的平均预测精度提高了3.39%,基于GA-SAGA-ELM的调度方法的平均预测精度提高了8.47%。 经过基于GA-SAGA-ELM的特征选择后,子集的平均大小为5,训练时间比基于GA-ELM的训练时间短11.9%。此外,三种调度模型的平均预测时间非常短(可以忽略不计),因此它们都可以满足实时调度要求。 实验结果表明,该方法能够满足实时调度的要求,并获得更好的性能。 未来工作将研究闭环调度,即通过监控制造系统的性能来研究何时开始调度。
在线阅读 下载完整报告 | 370.49 KB | 6页
阅读和下载会消耗积分;登录、注册、邀请好友、上传报告可获取积分。
成为VIP会员可免费阅读和下载报告