生产周期时间的预测方法
阅读说明：本技术 生产周期时间的预测方法 (Method for predicting production cycle time ) 是由 贾宇 管维康 张峰 张晖 于 2021-09-29 设计创作，主要内容包括：本发明提供了一种生产周期时间的预测方法,包括：基于第N站点的设定时间的堆货数据,获取第N-1站点、第N站点以及第N+1站点各自的M天的设定时间的堆货数据及第N站点的M天生产周期时间数据；利用K邻近算法从M天的设定时间的堆货数据中获得与第N站点的设定时间的堆货数据临近的K天；利用第N站点的K天的堆货数据及生产周期时间数据,获取第N站点的预测生产周期时间。在本发明中,利用第N站点在设定时间在本站点及前后站点的堆货数据从M天历史过货数据库中,通过K临近算法获得最为接近的K天历史过货数据,再从K天历史过货数据中加权计算获得第N站点的预测生产周期时间,从而提高了预测生产周期时间的准确性。(The invention provides a method for predicting production cycle time, which comprises the following steps: acquiring the stacking data of the N-1 th site, the N-1 th site and the N +1 th site at set time of M days and the M-day production cycle time data of the N-1 th site based on the stacking data of the N-th site at set time; acquiring K days adjacent to the stacking data of the set time of the Nth site from the stacking data of the set time of the M days by using a K proximity algorithm; and acquiring the predicted production cycle time of the Nth site by using the K-day stockpiling data and the production cycle time data of the Nth site. According to the invention, the accumulated goods data of the Nth station at the station and the stations before and after the station at the set time are utilized to obtain the nearest K-day historical goods passing data from the M-day historical goods passing database through the K-nearest algorithm, and then the predicted production cycle time of the Nth station is obtained through weighted calculation from the K-day historical goods passing data, so that the accuracy of the predicted production cycle time is improved.)
技术领域
本发明涉及半导体技术领域，特别涉及一种生产周期时间的预测方法。
背景技术
随着半导体技术的发展，芯片集成度越来越高、工艺越来越复杂，基于预测的生产周期时间(CT)以指导生产控制有着至关重要的作用。生产控制可例如包括自动化派工、提前保养维护(PM)、优化产品订单组合以及预测出货目标等。
具体的，工艺站点的生产周期时间＝该工艺站点的等待时间(Q-time)+该工艺站点的加工时间，加工时间相对稳定，而等待时间则限制较多，既要保证机台有较大利用率，又不能超过工艺允许的等待时间。
在现有技术中，工艺站点的生产周期时间直接等于该工艺站点过去一个月历史加工数据作算术平均值，并且可能一个月才更新一次。运用现有技术中的生产周期时间在生产控制中难以发挥应有的作用，不仅预测数据(计算数据)不准确，难以体现工艺站点的实际情况，而且预测数据更新过慢，导致数据的时效性不强。
发明内容
本发明的目的在于提供一种生产周期时间的预测方法，提高预测获得生产周期时间的准确性。
为解决上述技术问题，本发明提供一种生产周期时间的预测方法，包括：基于第N站点的设定时间的堆货数据，获取第N-1站点、所述第N站点以及第N+1站点各自的M天的设定时间的堆货数据及所述第N站点的M天生产周期时间数据，N≥2，M＞30；利用K邻近算法从所述M天的设定时间的堆货数据中获得与所述第N站点的设定时间的堆货数据临近的K天，M>K，K＞1；利用所述第N站点的K天的堆货数据及生产周期时间数据，获取所述第N站点的预测生产周期时间。
可选的，所述堆货数据至少包括相应站点的总堆货数量及相关堆货数量，所述相关堆货数量为所述总堆货数量中与所述第N站点的设定时间的堆货种类相匹配的堆货数量。
可选的，利用K邻近算法从所述M天的设定时间的堆货数据中获得与所述第N站点的设定时间的堆货数据临近的K天的方法包括：建立距离函数，所述距离函数的维度包括所述第N站点的总堆货数量及相关堆货数量、所述第N-1站点的总堆货数量及相关堆货数量和所述第N+1站点的总堆货数量及相关堆货数量；利用所述距离函数从所述M天的设定时间的堆货数据中获得与所述第N站点的设定时间的堆货数据临近的K天。
可选的，利用AHP层次法获得所述距离函数中每个维度的权重因子，并将所述权重因子应用于所述距离函数。
可选的，所述距离函数为：
其中，j表示M天中的天数，1≤j≤M，i表示不同的维度，Ai表示对应维度的权重因子，Xi表示第N站点的设定时间的不同维度的堆货数据，表示第j天的设定时间的不同维度的堆货数据。
可选的，还包括获取所述K天的堆货数据以及相应生产周期时间数据。
可选的，获取所述设定时间第N站点的预测生产周期时间的方法包括：建立一数据集，所述数据集包括所述第N站点的K天的堆货数据及生产周期时间数据；对所述数据集执行数据修剪；基于所述第N站点的设定时间的堆货数据与所述第N站点的K天的堆货数据的匹配关系，对所述第N站点的K天的生产周期时间数据加权求取获取所述第N站点的预测生产周期时间。
可选的，所述匹配关系包括所述第N站点的设定时间的堆货数据与所述第N站点的K天的堆货数据中工序、制程及产品的匹配关系，且所述工序、制程及产品的匹配关系的优先秩序为：工序＞制程＞产品。
可选的，所述第N站点的K天的堆货数据中满足所述匹配关系相应的生产周期时间的数量大于相应预设值，以所述匹配关系相应的生产周期时间的加权平均值为所述第N站点的预测生产周期时间。
可选的，M为183～730，且K为15～60。。
综上所述，本发明提供的生产周期时间的预测方法具有如下有益效果：利用第N站点在设定时间在本站点及前后站点的堆货数据从M天历史过货数据库中，通过K近邻算法获得最为接近的K天历史过货数据，再从K天历史过货数据中加权计算获得第N站点的预测生产周期时间，从而提高了预测生产周期时间的准确性。
附图说明
本领域的普通技术人员应当理解，提供的附图用于更好地理解本发明，而不对本发明的范围构成任何限定。
图1为本申请实施例提供的生产周期时间的预测方法的流程图。
具体实施方式
为使本发明的目的、优点和特征更加清楚，以下结合附图和具体实施例对本发明作进一步详细说明。需说明的是，附图均采用非常简化的形式且未按比例绘制，仅用以方便、明晰地辅助说明本发明实施例的目的。此外，附图所展示的结构往往是实际结构的一部分。特别的，各附图需要展示的侧重点不同，有时会采用不同的比例。
如在本发明中所使用的，单数形式“一”、“一个”以及“该”包括复数对象，术语“或”通常是以包括“和/或”的含义而进行使用的，术语“若干”通常是以包括“至少一个”的含义而进行使用的，术语“至少两个”通常是以包括“两个或两个以上”的含义而进行使用的，此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”、“第三”的特征可以明示或者隐含地包括一个或者至少两个该特征，除非内容另外明确指出外。
本发明提供了一种生产周期时间的预测方法，以提高预测获得生产周期时间的准确性。
图1为本申请实施例提供的生产周期时间的预测方法的流程图。
如图1所示，本实施例提供的生产周期时间的预测方法，包括：
S01：基于第N站点的设定时间的堆货数据，获取第N-1站点、所述第N站点以及第N+1站点各自的M天的设定时间的堆货数据及对应第N站点的M天生产周期时间数据，N≥2，M＞30；
S02：利用K邻近算法从所述M天的设定时间的堆货数据中获得与所述第N站点的设定时间的堆货数据临近的K天，M>K，K＞1；
S03：利用所述第N站点的K天的堆货数据及生产周期时间数据，获取所述第N站点的预测生产周期时间。
下面将结合流程图对生产周期时间的预测方法进行详细介绍。
首先，执行步骤S01，基于第N站点的设定时间的堆货数据，获取第N-1站点、第N站点以及第N+1站点各自的M天的设定时间的堆货数据及第N站点的M天生产周期时间数据，N≥2，M＞30。
其中，第N-1站点、第N站点及第N+1站点为工艺流程中的三个顺序执行的工艺站点，即第N-1站点、第N+1站点分别为第N站点的前后工序站点，N≥2。M的大小需兼顾历史数据的范围大小和预测计算的速度，M可例如为183～730，在本实施例中M＝365，以表示历史跑货数据库中过去一年的数据。设定时间可以为任意合适的时间点，本实施例中以早上8:00为设定时间，以便于整理及汇总数据后用于汇报及指导生产控制。而且，在该步骤S01中的堆货数据均为设定时间的堆货数据，以便于比对和分析。
具体的，堆货数据包括相应站点的总堆货数量及相关堆货数量，相关堆货数量为总堆货数量中与第N站点的设定时间的堆货种类(产品)相匹配的堆货数量，堆货数据可从历史跑货数据库中获取。例如当前8:00第N站点堆货有A产品100pcs及B产品50pcs，则当前8:00第N站点堆货数据可记为150pcs及150pcs，以便与后续的计算相统一；以上述堆货数据检索历史跑货数据库中M天的第N-1站点、第N站点以及第N+1站点在8:00的堆货数据，若某天8:00第N-1站点堆货有A产品50pcs、B产品50pcs及C产品30pcs，则该天第N-1站点堆货数据为130pcs(50+50+30＝130)及100pcs(50+50＝100)；若某天8:00第N站点堆货有A产品120pcs及D产品40pcs，则该天第N站点堆货数据为160pcs(120+40＝160)及120pcs。
对上述的获取第N-1站点、第N站点以及第N+1站点的设定时间的M天堆货数据执行归一化，以减少堆货数据之间的量级差异。
实际中，从历史跑货数据库中获取的还包括第N站点的M天生产周期时间数据，用于预测生产周期时间。
接着，执行步骤S02，利用K邻近算法从M天的设定时间的堆货数据中获得与第N站点的设定时间的堆货数据最临近的K天，M>K，K＞1。
具体的，利用K邻近算法的方法可例如：
建立距离函数，距离函数的维度包括第N站点的总堆货数量及相关堆货数量、第N-1站点的总堆货数量及相关堆货数量和第N+1站点的总堆货数量及相关堆货数量；利用距离函数从M天堆货数据中获得第N站点的K天堆货数据以及相应K天生产周期时间数据。
其中，可利用AHP(Analytic Hierarchy Process，AHP)层次法获得距离函数中每个维度(共六个维度)的权重因子，并将权重因子应用于距离函数中。其中，AHP层次法主要包括构造距离函数的六个维度的成对比较矩阵，并以此获得距离函数的六个维度的权重因子。在本实施例中，第N站点的总堆货数量在六个维度中权重最大，例如为0.5～0.6，其他五个维度的权重相对较低，例如为0.1～0.2。代入六个维度的权重因子后的距离函数(欧式距离)可表示为：
j表示M天中的天数，1≤j≤M，i表示不同的维度，Ai表示对应维度的权重因子，Xi表示当前第N站点的设定时间的不同维度的堆货数据，表示第j天的设定时间的不同维度的堆货数据。
利用上述距离函数计算M天中设定时间的堆货数据距离第N站点的设定时间的堆货数据的距离最小(最临近)的K天。需要说明的是，在本实施例中，利用K近邻算法仅用于获取M天中与当前第N站点的设定时间的堆货数据最为接近的K天，而并不以此实现传统K邻近算法的分类或回归。其中，K可为15～60，在本实施例中，在本实施例中，K＝30，以较好的应对可能存在的新工序、新制程或新产品的生产周期时间的预测。应理解，新工序、新制程或新产品在历史跑货数据库中的数据可能较少，K取较小值可能导致较大偏差，并同时为兼顾计算速率K值也不宜取过大。
在实际中，若第N-1站点、第N站点及第N+1站点较以往并未产生较大影响生产周期时间的变动，则可直接沿用前述建立的距离函数及相应的权重因子以预测后续的生产周期时间，不用每次重新计算，以提高效率。
当然，在获得最临近的K天后，还可获取K天的堆货数据以及相应K天生产周期时间数据，用以后续预测。需要注意的是，此处所获得的是整天堆货数据及生产周期时间数据，而非仅是设定时间的堆货数据及生产周期时间数据。
接着，执行步骤S03，利用第N站点的K天的堆货数据及生产周期时间数据，获取第N站点的预测生产周期时间。
其中，获取第N站点的预测生产周期时间的方法可例如为：
建立一数据集，数据集包括第N站点的K天的堆货数据及生产周期时间数据；
对数据集执行数据修剪；
基于第N站点的设定时间的堆货数据与第N站点的K天的堆货数据的匹配关系，对第N站点的K天的生产周期时间数据加权求取获取第N站点的预测生产周期时间。
具体的，可将K天内的所有堆货数据及其相应生产周期时间作为一个数据集(数据列表)，对该数据集进行数据修剪(trim)，以去除其中的明显异常的堆货数据及生产周期时间数据。在一具体实施例中，若生产周期时间的数据分布符合(或近似符合)正态分布，还可利用正态分布的3σ原则，去除正态分布的中心值±3σ之外的生产周期时间数据。
在实际中，一天可具有多个堆货数据及相应生产周期时间数据，并以工艺、制程或产品的不同加以区分，即K天内的堆货数据及其相应的生产周期时间多于K条。应理解，一个产品包括多个制程、一个制程包括多个工序，同一站点在一天中可应用于不同产品、不同制程或不同工序，而且在某一站点针对某一产品的某一制程的某一工序过程中，其生产周期时间可视为基本保持不变。
其中，匹配关系包括第N站点的设定时间的堆货数据及第N站点的K天的堆货数据(数据集)中的工序、制程及产品的匹配关系，且工序、制程及产品的匹配关系的优先秩序为：工序＞制程＞产品，与此同时若第N站点的K天的堆货数据中与匹配关系相应的生产周期时间的数量大于相应预设值，则以相应的生产周期时间的加权平均值为第N站点的预测生产周期时间。
可选的，若该数据集中与第N站点的设定时间的堆货数据中同工序、同制程、同产品的生产周期时间的数量大于第一预设值，则利用上述同工序、同制程、同产品的生产周期时间加权计算获得第一生产周期时间。
可选的，若该数据集中与第N站点的设定时间的堆货数据中同制程、同产品(工序不同)的生产周期时间的数量大于第二预设值，则利用上述同制程、同产品的生产周期时间加权计算获得第二生产周期时间。
可选的，若该数据集中与第N站点的设定时间的堆货数据中同产品(工序不同、制程不同)的生产周期时间的数量大于第三预设值，则利用上述同产品的生产周期时间加权计算获得第三生产周期时间。
可选的，利用该数据集中所有(以上三条均不满足)的生产周期时间加权计算获得第四生产周期时间。
换言之，在本实施例中，优先秩序还可表述为：第一生产周期时间＞第二生产周期时间>第三生产周期时间>第四生产周期时间，获取其中之一作为第N站点的预测生产周期时间。不难理解，与第N站点的设定时间的堆货数据越接近的生产周期时间越具有参考价值，以数据集中同工序、同制程、同产品的生产周期时间最佳。当然，在实际中，若数据集中同工序、同制程、同产品的生产周期时间的数量(条数)较少，少于第一预设值，例如少于30条，则考虑下一优先秩序的生产周期时间，并以此类推，直到获得符合上述条件的预测生产周期时间。其中，第四预设值＞第三预设值＞第二预设值＞第一预设值，通过提高样本容量的数据以在缺少精确对应数据的情况下提高预测生产周期时间的准确性。
利用上述方法获得第N站点的预测生产周期时间后，可用于指导第N站点的生产控制，同理，在获取所有站点在制品(WIP)的预测生产周期时间后，还可据此从全局优化生产控制，例如自动化派工或生产数据预测模型等。而且，还可根据实际生产控制需求，提高生产周期时间预测的频率，例如一天一次等。
综上所述，本发明提供的生产周期时间的预测方法具有如下有益效果：利用第N站点在设定时间在本站点及前后站点的堆货数据从M天历史过货数据库中，通过K近邻算法获得最为接近的K天历史过货数据，再从K天历史过货数据中加权计算获得第N站点的预测生产周期时间，从而提高了预测生产周期时间的准确性。
上述描述仅是对本发明较佳实施例的描述，并非对本发明范围的任何限定，本发明领域的普通技术人员根据上述揭示内容做的任何变更、修饰，均属于权利要求书的保护范围。
- 上一篇：一种医用注射器针头装配设备
- 下一篇：基于混合威布尔分布的电能表可靠性预测方法及装置