半導(dǎo)體前道工廠和半導(dǎo)體后道封裝、測(cè)試和包裝工廠都會(huì)在部署本地派工規(guī)則和排程的同時(shí)部署全局派工規(guī)則，以提高生產(chǎn)效率。通常，全局規(guī)則通過(guò)部署生產(chǎn)線平衡算法來(lái)確保滿足交貨日期并優(yōu)化瓶頸解決工具的利用率。這些生產(chǎn)線平衡算法具有不同的參數(shù)，需要根據(jù)工廠狀態(tài)對(duì)給定的產(chǎn)品組合進(jìn)行調(diào)整。如今，這些參數(shù)是手動(dòng)調(diào)整的，或者在某些情況下，使用模擬建模功能。很難計(jì)算這些參數(shù)對(duì)工廠中所有設(shè)備、所有產(chǎn)品和工藝步驟的影響。因此，手動(dòng)調(diào)整參數(shù)可能會(huì)對(duì)工廠KPI指標(biāo)產(chǎn)生負(fù)面影響，而使用模擬技術(shù)找到一組最佳參數(shù)又會(huì)耗費(fèi)大量時(shí)間。本案例詳細(xì)介紹我們?nèi)绾问褂肧martFactory Productivity AI在大幅縮短的時(shí)間內(nèi)自動(dòng)調(diào)整派工規(guī)則參數(shù)。

請(qǐng)看下圖1 中的示例。根據(jù)全局規(guī)則，有四個(gè)參數(shù)用于確定瓶頸解決工具和生產(chǎn)線平衡閾值，以根據(jù)在制品（WIP）的小時(shí)數(shù)來(lái)判斷設(shè)備是否處于不足、充足或高負(fù)荷狀態(tài)。表格顯示了這些參數(shù)可能的取值范圍。要為給定的工廠狀態(tài)找到這些參數(shù)的最佳值，一種方法是運(yùn)行模擬模型。在每次模擬中，我們選擇不同的參數(shù)值組合，并測(cè)量由此產(chǎn)生的KPI指標(biāo)，這種方法在文獻(xiàn)中被稱為“網(wǎng)格搜索”。每次運(yùn)行都是為期90天的模擬，而一個(gè)模擬模型運(yùn)行90天模擬并衡量按時(shí)交付率和生產(chǎn)周期等KPI指標(biāo)，需要花費(fèi)數(shù)天時(shí)間。這在日常運(yùn)營(yíng)中并不實(shí)用。

圖1：全局規(guī)則中的生產(chǎn)線平衡參數(shù)

為了解決這個(gè)問(wèn)題，我們部署了SmartFactory AI Productivity和Evolutionary Optimization，并結(jié)合模擬退火方法來(lái)同時(shí)找到按時(shí)交付和生產(chǎn)周期的最佳參數(shù)。圖 2 顯示如何使用SmartFactory AI Productivity（包括Simulation AutoSched和Fusion模塊以及RTD和Activity Manager）部署該算法。

圖2：算法部署

使用這種方法，我們能夠在幾小時(shí)內(nèi)找到最佳參數(shù)值，而不是花費(fèi)數(shù)天。在每次迭代中，我們都改變生產(chǎn)線平衡參數(shù)值和瓶頸站點(diǎn)系列的組合。如圖3所示，以前需要迭代300次網(wǎng)格搜索才能找到86.90%的最佳按時(shí)交付率，而我們只需迭代10次模型運(yùn)行就能夠達(dá)到98.83%的按時(shí)交付率。

圖3：按時(shí)交付率建模

如圖4所示，在以生產(chǎn)周期為KPI指標(biāo)進(jìn)行迭代時(shí)，使用我們的方法運(yùn)行模型的第四次迭代達(dá)到了886小時(shí)的KPI指標(biāo)；相比之下，網(wǎng)格搜索的KPI指標(biāo)為992小時(shí)。

圖4：生產(chǎn)周期建模

如圖5所示，一旦獲得最佳設(shè)置，就可以將其與現(xiàn)有的派工規(guī)則和排程應(yīng)用程序集成，并在工廠的日常運(yùn)營(yíng)中整合和重新計(jì)算結(jié)果。

圖5：生產(chǎn)部署

在瓶頸設(shè)備上運(yùn)行總搬運(yùn)量的本地KPI指標(biāo)，僅用4次迭代就找到最佳瓶頸閾值和生產(chǎn)線平衡閾值，達(dá)到 20,181次的搬運(yùn)量。

模擬優(yōu)化是實(shí)現(xiàn)派工和排程參數(shù)自動(dòng)化的第一步；我們計(jì)劃進(jìn)一步改進(jìn)，通過(guò)使用強(qiáng)化學(xué)習(xí)方法來(lái)實(shí)現(xiàn)這些參數(shù)的自動(dòng)化。