專利名稱：生產計劃制作系統(tǒng)及方法以及程序的制作方法
技術領域：
本發(fā)明涉及一種自動擬定工廠等的生產計劃的計算機系統(tǒng)，涉及具有下述功能的生產計劃制作系統(tǒng)和方法以及程序，即，具有非人工而是由計算機自動地快速生成擬定高質量的計劃時需要的合適的生產規(guī)則的功能。
背景技術：
過去曾提出許多支持或自動進行作成工廠等的生產計劃的生產計劃系統(tǒng)，許多產品已在國內外商品化，而且許多制造公司在公司內部使用著獨自開發(fā)的系統(tǒng)。
以往，上述眾多的生產計劃系統(tǒng)采用了下述的方法，即，假定機器能力無限大等，將生產工序中的制約簡單化并作成模型，把線性計劃法等數(shù)學最佳化方法適用于已簡單化的模型，求出大概解。
以半導體、液晶等為代表的高科技部件的制造工序由非常多的重復工序構成，與汽車等的產品的制造工序相比，規(guī)模要大得多而且也復雜，通常，其工序數(shù)量達數(shù)百個，制造交付周期也達幾個月(例如參照非專利文獻1)。另外，在這些高科技部件產業(yè)中，為了提高產品競爭力不斷地開發(fā)新的制造工藝技術，但是這些最尖端的制造工藝被馬上應用于實際的產品生產中，因而制造工藝很少在制造現(xiàn)場中穩(wěn)定地實施，在擬定高科技部件的生產計劃時，需要經常考慮制造機器的故障或產品的質量不合格等制造過程中的變動因素。
因此，在生產在制造工序中具有類似高科技部件等那樣的許多變動因素的產品時，不是象在具有已成熟的制造工序的汽車產業(yè)等中被認為有效的看板型生產方式那樣，目標是使中間庫存(WIP)為零，而是盡量不受到伴隨機器故障的制造能力變化或伴隨質量不合格的廢棄或重新加工等的影響，設定可以實現(xiàn)穩(wěn)定的產品生產的最小限度的合理庫存量，擬定維持該庫存量的生產計劃來進行生產，這是非常重要的。但是，為了抑制庫存浪費，作為其前提條件是需要進行高精度的需求預測?，F(xiàn)在，高精度的需求預測被視為高科技產業(yè)的SCM中的重要課題，在美國的半導體行業(yè)中，當前的期望目標是以小于等于22％的誤差進行大約1年的需求預測(例如，參照非專利文獻6)。
在擬定高科技部件的生產計劃時，由于其制造工序規(guī)模大且復雜，因而從計算時間方面考慮難以適用基于數(shù)學方法的最佳化方式，例如關于半導體晶片的制造，以往在基于模擬方法的計劃中，進行了大量各種工件供給規(guī)則或調度規(guī)則的有效性驗證(例如，參照非專利文獻5、7)。
但是，近年來，伴隨著計算速度的提高和計算機價格的降低，針對現(xiàn)實的生產工序的精密模型，能夠忠實地基于事件模擬工序內的庫存變遷(按照各部件的狀態(tài)變化、例如每次處理結束，計算工序的狀況變化)，經過嘗試性地反復進行基于許多簡單的生產規(guī)則的模擬，選擇其中最高質量的生產計劃的方法，特別是在半導體制造等非常復雜的生產工序中已成為主流。但是，在規(guī)模大且復雜的生產工序的模擬中依然需要大量時間，難以嘗試性地發(fā)現(xiàn)擬定高質量生產計劃的合適的生產規(guī)則。在以往的生產計劃系統(tǒng)中不具備對發(fā)現(xiàn)這個最重要且困難的生產規(guī)則的支持功能，為了擬定高質量的生產計劃，不得不主要依賴于生產計劃擬定作業(yè)者的熟練度和技能。
而且，最近，隨著人工智能(AI)技術的發(fā)展，還有嘗試利用計算機自動生成合理的規(guī)則并適用于生產計劃問題的研究事例(例如，“Learning scheduling control knowledge throughreinforcements”Miyashita，K.，International transactions inoperational research，Vol.7，No.2，pp.125-138，2000.，“Job-ShopScheduling with Genetic Programming”Miyashita，K.，Proc.of theGenetic and Evolutionary Computation Conference，pp.505-512，2000.，「階 型ニユ一ラルネツトワ一クを用いた動的ジヨブシヨツプスケヅユ一リング-ロバストスケジユ一リングのための二段階學習法-(使用分層式神經網絡的動態(tài)工作店計劃—健壯(robust)性計劃的兩階段學習法)」，江口等，計劃論文集，pp.89-94，2001)。但是，把這些方法適用于以現(xiàn)實中的大規(guī)模生產工序為對象的生產計劃問題，從學習規(guī)則所需的計算時間方面考慮很難實現(xiàn)，尚不存在具有合適的生產規(guī)則的自動生成功能的實用性生產計劃系統(tǒng)。
另外，以往的基于模擬方式的計劃中具有以下問題(參照非專利文獻8)。
·在決定合理的產品組合或供給比率時，為了考慮到實際制造工序中的變動而進行基于嘗試性的反復的充分研究，計算時間依然過多。
·通過模擬決定的作業(yè)內容由于制造實施現(xiàn)場的各種變動因素而容易偏離現(xiàn)實的制造狀況，而且也不能順暢地進行對應這種情況的有效作業(yè)指示。
為了處理這些問題，在擬定高科技部件的生產計劃時，需要可以更快速地進行健壯的生產指示的模擬方法。
非專利文獻1 Linda F Atherton and Robert W.Atherton.WaferfabricationFactory performance and Analysis.Kluwer AcademicPublishers，1995非專利文獻2 L.Gong and H.Matsuo.Control Policy formanufacturing system with random yield and rework.Journal ofOptimization Theory and Applications，95(1)149-175，1997.
非專利文獻3 Wallace J.Hopp and Mark L.Spearman.FACTORYPHYSICS.McGraw-Hill，second edition，2000.
非專利文獻4 J.D.C.Little.Proof of the queueing formula L＝λW.Operations Research，9383387，1961.
非專利文獻5 Oliver Rose.The shortest processing time first(SPTF)dispatching rule and some variants in semiconductormanufacturing.In Proceeding of the 2001 Winter SimulationConference，pages 1220-1224.INFORMS，2001.
非專利文獻6 Robin Roundy.Report on practices related todemand forecasting for semiconductor products.Technical report，School of Operations Research and Industrial Engineering，CornellUniversity，2001.
非專利文獻7 Lawrence M.Wein.Scheduling semiconductorwafer fabrication.IEEE transaction on Semiconductor Manufacturing，1(3)115-130.1988.
非專利文獻8 荒川雅弘、冬木正彥、井上一郎，APSにおける最適化志向シミユレ一トベ一ススケジユ一リング法の検討(基于APS的最佳化意向模擬的計劃法的研究)，スケジユ一リングシンポジウム2OO1講演論文集(計劃論文2001講演論文集)，pp.47-52，スケジユ一リング學會(計劃學會)，2001非專利文獻9 柏瀨博幸，半導體の生産スケジユ一リングの方法と高速シミユ一レ一シヨンモデル半導體的生產計劃方法和快速模擬模型，碩士論文，筑波大學，2002.

發(fā)明內容
在以往的生產計劃方法中，必須預先人工提供用于作成高質量的生產計劃的合理的生產規(guī)則，但人工作成規(guī)模大且復雜的生產工序中的合理的生產計劃規(guī)則是很困難的。
并且，僅依靠簡單地適用以往的人工智能技術的學習方法，對半導體等規(guī)模大且復雜的生產工序自動生成規(guī)則需要花費過多時間，而且不實用。
本發(fā)明的主要目的是大幅度改善具有規(guī)模大且復雜的生產工序的半導體等產品的生產效率。
上述目的之一是，針對規(guī)模大且復雜的生產工序，實現(xiàn)具備快速地自動生成可以擬定高質量的生產計劃的生產規(guī)則的功能的生產計劃系統(tǒng)，從而大幅度改善具有規(guī)模大且復雜的生產工序的半導體等產品的生產效率。
上述目的之二是，控制生產工序，把中間庫存量控制在規(guī)定范圍內，大幅度改善產品的生產效率。
本發(fā)明的生產計劃制作系統(tǒng)及方法以及程序，使用生產工序模型和生產規(guī)則，基于事件的模擬器通過模擬工廠內的產品動態(tài)進行生產計劃的擬定。具有計算每隔固定時間的生產工序狀況的基于時間間隔的模擬器；使用該基于時間間隔的模擬器自動導出所述生產規(guī)則的規(guī)則生成器。通過使用該基于時間間隔的模擬器快速地反復多次擬定生產計劃，規(guī)則生成器應用基于逐漸最佳化方法的機器學習，可以高效地自動生成生產規(guī)則，由此，基于事件的模擬器使用所生成的生產規(guī)則擬定高質量的生產計劃。
本發(fā)明的特征在于，還具有反復計算制造工序的中間庫存量的模擬器；和控制系統(tǒng)，決定在所述模擬器的計算中使用的參數(shù)的值，使得所述模擬器的計算結果在允許范圍以內，根據(jù)該參數(shù)的值進行所述制造工序的生產控制。


圖1是表示本發(fā)明涉及的生產計劃系統(tǒng)的一個實施方式的方框結構圖。
圖2是表示基于時間間隔的模擬器的處理概要的流程圖。
圖3是表示與生產工序模型和生產計劃中包括的產品、工序、機器相關的具體信息內容的圖。
圖4是在時間軸上表示基于時間間隔的模擬器的執(zhí)行狀態(tài)的圖。
圖5是表示生產狀況更新的處理概要的流程圖。
圖6是表示使用神經網絡的部件供給規(guī)則的學習模型的一例圖。
圖7是表示工序中的WIP的周期性變遷的圖。
圖8是表示基于Period(周期)的WIP的變遷圖。
圖9是表示第2實施方式的系統(tǒng)結構的方框圖。
圖10是表示生產系統(tǒng)的處理步驟的流程圖。
具體實施例方式
(第1實施方式)
以下，參照

本發(fā)明的優(yōu)選實施方式。圖1是表示本發(fā)明涉及的生產計劃系統(tǒng)的一個實施方式的方框結構圖。生產工序模型2把在生產產品的工廠中與制造相關的信息表現(xiàn)為計算機內的模型。此處被模型化的內容是與制造裝置相關的信息(裝置的種類、臺數(shù)、能力、故障率等)，與制造作業(yè)者相關的信息(換班、能力、人數(shù)等)，與產品的制造方法相關的信息(使用的機器、作業(yè)者、加工時間、搬運時間、合格率、再加工率等)，與產品相關的信息(產生量、供給時間、交貨期等)等信息。根據(jù)這些信息，在計算機內作成與現(xiàn)實工廠相關的詳細模型，使用該模型，利用計算機模擬工廠內的產品動態(tài)，生產計劃擬定者根據(jù)模擬結果，獲得何時供給的產品何時完成、和在各個機器有多少滯留的庫存等信息，進行所期望的生產計劃5的擬定。
圖1中的方框1表示整個生產計劃系統(tǒng)。生產工序模型2是表現(xiàn)工廠中存在的機器的性能和臺數(shù)、及在工廠生產的產品的工序和數(shù)量等的工廠的靜態(tài)模型，僅依靠該信息不能模擬實際上工廠內的物品流動以及由材料變成產品的動態(tài)狀態(tài)。將工廠的動態(tài)側面模型化的是生產規(guī)則3。在生產計劃系統(tǒng)1中需要的主要生產規(guī)則3大致分為兩種規(guī)則。
其一是決定供給產品的材料的時機的部件供給規(guī)則。作為該規(guī)則，例如有每隔固定間隔供給固定量的材料的規(guī)則，或僅把作為產品出廠的部分作為材料重新供給的規(guī)則等。另一個重要的生產規(guī)則3被稱為調度規(guī)則。調度規(guī)則是在多個部件在工廠的生產機器前面的緩沖區(qū)等待加工時，在機器處于可以加工狀態(tài)時，決定選擇哪個部件的規(guī)則。作為調度規(guī)則，例如，此前曾提出以先進入緩沖區(qū)的部件優(yōu)先(先入先出)的規(guī)則，以交貨期最近的產品的部件優(yōu)先(Earlist Due Date交貨期優(yōu)先)的規(guī)則等許多規(guī)則(R. W.Conway等，“Theory of Scheduling”，Addison-Wesley(1986))。這些生產規(guī)則3全面控制工廠的動態(tài)側面，所以采用哪種生產規(guī)則3，工廠的生產狀況將發(fā)生很大變化。因此，針對成為對象的工廠的生產工序模型2，判斷適用哪種生產規(guī)則3可以實現(xiàn)高效生產，這對工廠的生產管理者來說是最重要的任務。在以往的生產計劃系統(tǒng)1中，以生產計劃擬定者本人輸入生產規(guī)則3為前提，而支持使用者的功能除了以可以選擇的形式預先準備多個一般規(guī)則之外，不能實現(xiàn)其他功能。
當定義了生產工序模型2和生產規(guī)則3時，可以使用這些信息進行在實際工廠中的生產工序的模擬。執(zhí)行該模擬的是基于事件的模擬器4?；谑录哪M器4使內部時鐘逐漸前進，根據(jù)在該時機產生的變化(也稱為事件)，適用生產規(guī)則3模擬生產工序的動態(tài)變化。例如，在某時刻，在生產工序模型2中的一個機器的加工結束(即，在基于事件的模擬器4內，關于該機器正在加工的部件，將加工開始時間與加工時間相加所得的值與當前時間一致)時，從在該機器的緩沖區(qū)中等待加工的部件中，使用生產規(guī)則3中的調度規(guī)則選擇下一個加工部件，如果具備作業(yè)者和材料等必要條件則開始加工?；谑录哪M器4在模擬開始時間到結束時間的期間，一面進行上述操作一面使內部時鐘前進，從而全部再現(xiàn)在該時間內產生的工廠內的變化，把其結果作為生產計劃5輸出。在生產計劃5中記錄著沿著時間軸的工廠內的各個機器為幾個，哪種部件加工了多少數(shù)量等信息。另外，根據(jù)該信息算出機器運轉率、生產交付周期、交貨期延遲等與生產實施相關的各個數(shù)值，評價所擬定的生產計劃5的質量。
此前敘述的生產工序模型2、生產規(guī)則3、基于事件的模擬器4、生產計劃5與現(xiàn)有技術沒有任何不同。本發(fā)明的特征是，在生產計劃系統(tǒng)1中具有用于快速地自動生成生產規(guī)則3的基于時間間隔的模擬器6和規(guī)則生成器7。如前面所述，生產規(guī)則3是決定工廠的動態(tài)性質的重要因素，其良好與否將成為擬定的生產計劃5的質量差異。因此，快速地自動生成合適的生產規(guī)則3，具有明顯改善工廠的生產效率的效果。
使用人工智能(AI)技術生成合適的生產規(guī)則3的基本原理是逐漸最佳化方法(T.Mitchell，“Machine Learning”，McGraw-Hill(1997))。即，使用某生產規(guī)則3擬定生產計劃5，并進行生產規(guī)則3的改進以改善所擬定的計劃的質量，通過依次反復進行這種處理，生成更加合適的生產規(guī)則3。但是，這種作法存在很大問題。成為生產計劃擬定對象的現(xiàn)實工廠規(guī)模大且復雜，所以為了反復擬定生產計劃5需要大量計算時間。另一方面，一般在工廠中生產的產品和使用的機器不是不變的，在現(xiàn)代的競爭激烈、多品種少量生產的生產環(huán)境中，以較短的周期進行變更是很普通的事情。因此，即使可以花費大量計算時間自動生成生產規(guī)則3，但在使用該規(guī)則時，工廠的生產工序模型2已發(fā)生變化，所生成的生產規(guī)則3不再有效的可能性大，所以利用這種方法生成的生產規(guī)則3的現(xiàn)實實用性低。
因此，為了實現(xiàn)對現(xiàn)實的生產現(xiàn)場有效的生產計劃系統(tǒng)1，必須在不偏離現(xiàn)實生產環(huán)境的變化的合適的時機適當?shù)厣捎行У纳a規(guī)則3。為了使用應用了基于逐漸最佳化方法的機器學習的規(guī)則生成器7自動地高效生成生產規(guī)則3，需要可以反復多次快速地擬定生產計劃的模擬器。該模擬器是圖1中的基于時間間隔的模擬器6。
圖2是表示基于時間間隔的模擬器6的處理概要的流程圖。在基于時間間隔的模擬器6，使用生產工序模型2中包括的數(shù)據(jù)擬定生產計劃5，但是，首先在開始處理時進行必要數(shù)據(jù)的設定和初始化8。圖3表示與生產工序模型2和生產計劃5中包括的產品12、工序13、機器14相關的具體信息的內容。在數(shù)據(jù)初始化8中，進行圖3中的供給量、總生產量、生產量、需求量、在制品量、運轉率等最后擬定的生產計劃5中應該包括的數(shù)據(jù)的初始化。并且，從數(shù)據(jù)文件中讀入在圖3中的給定條件中表示的訂貨比率、工序流程、使用機器、處理時間、臺數(shù)等生產工序模型2所記述的生產計劃擬定條件，設定用于執(zhí)行模擬的時間間隔和結束時間。
圖4是在時間軸上表示基于時間間隔的模擬器6的執(zhí)行狀態(tài)的圖。在執(zhí)行基于時間間隔的模擬器6時，按照在數(shù)據(jù)設定處理8中設定的時間間隔反復執(zhí)行生產狀況更新10直到到達模擬結束時間(步驟9)。其中，時間間隔是指用于規(guī)定模擬執(zhí)行的時間上的詳細程度，在此處確定的時間間隔內(例如1小時)假定沒有產生工序之間的庫存移動。并且，模擬的執(zhí)行是按照該時間間隔使模擬器的內部時間前進，計算在每個時間間隔(此處稱為時間段15)的生產進度狀況。以往的基于事件的模擬器4在每當作為事件在生產工序內產生庫存移動時，即頻繁地進行生產進度狀況的更新，與以往的基于事件的模擬器4相比，通過適當設定該時間間隔，可以大幅度削減計算量，能夠在保持模擬結果的精度的同時高效地執(zhí)行模擬。
圖5是表示生產狀況更新10的處理概要的流程圖。在基于時間間隔的模擬器6進行生產狀況更新10的處理時，針對生產工序中包括的所有機器，計算每個設定的時間間隔中生產的部件的數(shù)量(步驟S16)。此時，首先，計算在前一時間段為止供給機器的部件中在此之前完成加工的部件的數(shù)量，釋放分配給該部件的機器能力，從而更新該機器的運轉率(步驟S17)。然后，針對用該機器加工的所有工序，計算在設定的時間間隔內生產的部件的數(shù)量(步驟S18)。此時，首先算出當前時間段內的工序的生產需求量(步驟S19)。如果該工序是產品的第一個工序，利用在前面說明的生產規(guī)則3中的部件供給規(guī)則計算該需求量。在該工序不是第一個工序時，該需求量被設定為等于前面工序的前面時間段的完成量、與在前面時間段剩余在該工序的庫存量之和。即，在前面時間段產生的來自前面工序的加工品被全部轉送到該工序，被作為在當前時間段處理的部件。然后，針對這樣算出的需求量，進行實際可以實現(xiàn)的生產量的計算(步驟S20)。此時，在以上求出的生產需求量中在當前時間段可以利用的機器能力內生產的量(即，機器臺數(shù)×運轉率×時間間隔/處理時間)、以及超過機器能力的需求量的情況下，計算在后面時間段以后處理的庫存量(步驟S21)。然后，最后，求出為了生產所算出的生產量而應該分配的機器能力(即，時間間隔/(機器臺數(shù)×處理時間))，更新機器運轉率(步驟S22)，并依次進行用該機器加工的所有工序的生產量的計算處理(步驟S18)。此處進行分配給同一機器的工序的順序，使用生產規(guī)則3中的調度規(guī)則決定。
如上所述，通過使用基于時間間隔的模擬器6，可以快速地擬定生產計劃，但在使用基于時間間隔的模擬器6時，如上所述，需要使用生產規(guī)則3的部件供給規(guī)則和調度規(guī)則。因此，使用規(guī)則生成器7生成規(guī)則，評價所擬定的生產計劃5的質量，逐漸進行生產規(guī)則的改進，由此實現(xiàn)可以擬定適合于生產工序模型2的生產計劃5的生產規(guī)則3的自動生成。作為規(guī)則生成器7的實現(xiàn)方法，在人工智能領域作為基于逐漸最佳化的機器學習方法已經提出許多方法，例如，神經網絡(C.M.Bishop，“Neural Networks for Pattern Recognition”，Oxford UniversityPress(1995))，分類子系統(tǒng)(P.L.Lanziet al.，“Learning ClassifierSystem”，Springer(2000))，判別樹學習(J.R.Quinlan，“C4.5Programsfor Machine Learning”，Morgan Kaufmann(1993))等，使用其中的任何方法基本都能夠實現(xiàn)。此處，作為發(fā)明的一個實施方式說明規(guī)則生成器7使用神經網絡的示例，但本發(fā)明的概念不限于使用神經網絡的實施例，作為規(guī)則生成器，包括基于逐漸最佳化的所有機器學習方法。
圖6表示作為一個實施例的使用神經網絡的部件供給規(guī)則的學習模型示例。該神經網絡按照每臺機器或每個生產計劃系統(tǒng)1設置。作為神經網絡的輸入信息，使用定量表示生產工序狀況或訂單狀況的合適的庫存量、機器運轉率、距交貨期的滯后量(延期交貨)、機器應該處理的工序的剩余加工時間之和等信息，神經網絡的輸出是處于上述狀況時應該選擇的部件供給規(guī)則(從00到11的四種規(guī)則的任一種)。在進行神經網絡的學習時，使用模擬熟練過程等逐漸最佳化方法，對被最先分配了隨機值的節(jié)點之間的加權值進行改進，學習可以輸出高質量的生產計劃5的部件供給規(guī)則。此時，使用某節(jié)點的加權集合評價所計劃的生產計劃5的質量，逐漸變更加權值，以便通過給加權值帶來些許變化的影響改善生產計劃5的質量，所以需要進行數(shù)千乃至數(shù)萬次的次數(shù)龐大的生產計劃擬定處理。因此，以往的基于事件的模擬器4難以適用于現(xiàn)實規(guī)模的工廠等的生產計劃擬定，本發(fā)明的基于時間間隔的模擬器6是必不可缺的。
(第2實施方式)在本實施方式中，首先，為了針對制造中的各種變動實現(xiàn)穩(wěn)定生產，提出僅按固定時間周期進行工序間的中間庫存的移動的生產方式。并且，作為對所提出的生產方式的模擬方法，使用前述的基于時間間隔的模擬器6。另外，使用現(xiàn)實的半導體晶片制造工序(前面工序)的數(shù)據(jù)，基于所提出的生產方式的基于時間間隔的模擬器6，與以往的模擬方法相比，展示出算出速度快達幾十倍的同等的計算結果。
·CONSTIN”生產方式本申請的發(fā)明者針對類似高科技部件等那樣規(guī)模大又復雜并且變動要素較大的制造工藝，作為可以實現(xiàn)健壯的生產的生產方式，提出“CONSTIN”(CONStantTimeINterval固定時間間隔)生產方式。在CONSTIN中，制造工藝的所有工序同步進行，中間庫存僅按固定周期在工序之間移動(參照圖7)。而且，一個周期的中間庫存的移動量最大也就到一個工序，即移動不會超出下一個工序。
在CONSTIN中，即使在某工序中產生機器故障和質量不合格等變動時，這些情況如果能在周期內解決，或者在前后工序中計劃了充足量的中間庫存，則可以防止變動的影響超出該工序而波及其他。因此，CONSTIN方式可以說是能夠進行健壯的制造的生產方式。
但是，CONSTIN通過限制中間庫存的自由移動來改善健壯性，如果運用不當，將不能有效活用寶貴的生產能力(資源)。在本實施方式中，通過模擬適當?shù)卦O定周期的值和各工序的庫存量，從而解決該問題。
·模型以下概要說明本實施方式的CONSTIN生產方式的生產工序的模型。另外，本模型的近似數(shù)學解析法是由Gong等提出的(參照非專利文獻2)。
在本實施方式中使用以下記號進行公式化。
m＝工作臺數(shù)量g＝產品數(shù)量np＝產品p的工序數(shù)量(其中，n0＝0)n＝所有產品的工序數(shù)量之和c＝(c1、c2、…、cm)T，一個周期的工作臺的生產能力si＝工序i的處理時間S＝m×n處理時間矩陣，工序i可以在工作臺k進行處理時(k、i)的要素值si，其他情況時為0。
rp(t)＝產品p在周期t中的供給量；x(t)＝(x1(t)，x2(t)，…，xn(t))T，周期T中的工序i(1≤i≤n)的生產開始數(shù)量；w(t)＝(w1(t)，w2(t)，…，wn(t))T，周期T中的工序i(1≤i≤n)的中間庫存數(shù)量；z(t)＝(z1(t)，z2(t)，…，zn(t))T，周期T中的工序i(1≤i≤n)的生產數(shù)量；u(t)＝(u1(t)，u2(t)，…，un(t))T，周期T中的工序i(1≤i≤n)的重新加工數(shù)量；v(t)＝(v1(t)，v2(t)，…，vn(t))T，周期T中的工序i(1≤i≤n)的廢棄數(shù)量；CONSTIN方式的每個周期的中間庫存的變遷如下所示。
·工序i為第一個工序時公式1wi(t+1)＝wi(t)+rp(t)-(zi(t)-ui(t))上述以外情況時公式2wi(t+1)＝wi(t)+(zi-1(t)-ui-1(t))-vi-1(t))-(zi(t)-ui(t))由于每個周期的生產開始數(shù)量、生產數(shù)量未超過該時間點的中間庫存數(shù)量，所以下述關系成立。但是，在工序中的交付周期長于所設定的周期等時，生產開始數(shù)量未必總是比生產數(shù)量大很多。
公式3xi(t)≤wi(t)公式4zi(t)≤wi(t)并且，工作臺的生產能力有限，超過該能力時將不能開始生產，此時下述制約成立。
公式5Sx(t)≤c·模擬方法在CONSTIN生產方式中，不是象以往的事件驅動型模擬那樣逐一計算由于在生產工藝中產生的所有事件造成的狀態(tài)變化，而是僅計算在每個周期中各工序的中間庫存量的變遷，即可進行生產工序的模擬。因此，與以往的模擬方法相比，可以期望計算速度明顯提高，被認為是規(guī)模大且復雜的高科技部件的生產工序的有效模擬方法。
·模擬方法的概要CONSTIN方式的模擬通過執(zhí)行公式6所示的循環(huán)來進行。
公式6initializeData()；t＝0；while(t＜＝EndOfSimulation){runForPeriod()；t＝t+Period；}此時應該設定的參數(shù)是決定CONSTIN的周期的Period常數(shù)和決定模擬時間的EndOfSimulation常數(shù)。關于決定前者的標準將在后面敘述。在決定后者的模擬時間時，需要設定使模擬結果穩(wěn)定為恒定狀態(tài)的必要量的時間。因此，Period值越大，EndOfSimulation也需要設定更大的值。
在作為模擬的核心部的runForPeriod函數(shù)中，進行公式7所示的與各工作臺的中間庫存的變遷相關的計算。
在第一個工序的模擬時間t的中間庫存量是在事前的中間庫存量上加上新供給量所得到的數(shù)量。通過變更該供給規(guī)則(公式7中的releaseRule函數(shù))，CONSTIN可以實現(xiàn)MRP式推進(push)型生產和CONWIP(參照非專利文獻3)式牽拉(pull)型生產(非專利文獻9)。
公式7for(each workstation in the fab){for(each step of the workstation){wip＝WIP waiting at step；if(step is the first prosess)wip＝wip+releaseRule(step)；demand＝wipTranferRule(wip，step)；
}sortingRule(steps of the workstation)；for(each step in the sorted order){calcProduction(step)；}}決定各工序的中間庫存中、在當前周期中由工作臺處理多少數(shù)量的規(guī)則是公式7中的wipTansferRule函數(shù)。此處，需要考慮該工序的前后工序的中間庫存量和截止到當前時刻的產品完成量、前后工序的工作臺的運轉狀況等，決定各工序的中間庫存的變遷量，以便可以盡可能地實現(xiàn)均衡生產。
決定了各工序的中間庫存中應該在當前周期處理的數(shù)量后，利用公式7中的sortingRule函數(shù)，根據(jù)工作臺的各工序的優(yōu)先順序，決定各工序的處理順序。該順序中靠后的工序由于工作臺的處理能力的限度有可能不能在當前周期處理。各工序的優(yōu)先順序的決定也可以適用以往的調度規(guī)則。在決定了工作臺應該處理的各工序的中間庫存量及其處理順序后，利用公式7的calProduction函數(shù)，根據(jù)工序的類型(批量生產、分批生產等)，計算這些處理所需要的工作臺的能力和時間，更新工作臺的運轉狀況、各工序的中間庫存量等的數(shù)值。
·周期參數(shù)的設定在CONSTIN方式中執(zhí)行模擬時，需要預先決定的重要參數(shù)是Period常數(shù)。如果Period的值設定得較大，并且能夠進行模擬直到處于固定狀態(tài)，則雖然對變動要因的健壯性較高，但結果是工序中具有大量的中間庫存，相反如果Period的值設定得較小，則健壯性降低，模擬的計算速度也降低。因此，合適的Period值需要根據(jù)模擬目的來設定。其中，成為根據(jù)用途決定數(shù)值時的基準的Period值可以按以下方法求出。
如果設r為供給比率，li為每個工作臺的工序數(shù)量，d為Period的值，在固定狀態(tài)下的工作臺的一個周期的生產量zi為zj＝rljd。在CONSTIN中，生產量總是比中間庫存量小。
由于(Σi=1mZi≤w),]]>所以Σi=1mrlid≤w]]>成立。
另一方面，如果設循環(huán)周期的值為y，由于在固定狀態(tài)下生產量的值等于r，所以根據(jù)與排隊相關的Little公式(非專利文獻4)，w＝ry成立，根據(jù)上述不等式導出d≤y/Σi=1mli]]>根據(jù)生產工序的模型已知1的值，但是在循環(huán)周期中除工序的處理時間外還包括等待時間，所以一般該值y未知。但是，循環(huán)周期總是比工序的生產交付周期大，所以y≥Σi=1nSi]]>成立，d≤Σi=1nSi/Σj=1mlj]]>根據(jù)以上所述，在沒有實際生產工序中的交付周期和循環(huán)周期的過去的相關等信息時，假定y=αΣi=1nSi]]>(其中a≈2)等，則把d=αΣi=1nSi/Σj=1mlj]]>設為Period參數(shù)的基準值比較合適。
·在半導體晶片處理工序中的應用為了驗證CONSTIN生產方式和以其為基礎的模擬方法的有效性，使用半導體晶片處理工序的數(shù)據(jù)進行了數(shù)值實驗。所采用的是亞里美那州立大學的MASM實驗室公開的SEMATECH的水準基點問題，可以從MASM實驗室的網頁(http://www.was.asu.edu/％7Emasmlab/home.htm)得到。
在本實施方式中列舉的問題的概要如表1所示。但是，由于為了比較而使用的事件驅動型模擬器的模型上的限制，對問題數(shù)據(jù)的一部分從水準基點問題施加了最小限度的變更。
表1測試問題的概要

·模擬條件在本實施方式中，為了進行CONSTIN生產方式及其模擬的基本性能驗證，在進行以下假定的基礎上進行了實驗。即，(1)工序中的處理時間固定，(2)不考慮籌備時間，(3)不考慮作業(yè)人員，(4)不產生機器故障、廢棄、重新加工等。因此，本實施方式的模擬中不包括概率要素。
在此次實驗中，作為實施模擬時的releaseRule使用基于需求量的不變的供給規(guī)則，作為wipTransferRule使用處理所有未處理的中間庫存的規(guī)則，作為sortingRule使用在用供給比率和處理時間標準化之后，優(yōu)先進行應該處理的中間庫存多的工序的規(guī)則。
關于Period參數(shù)，在本實驗中，每個晶片的總處理時間的平均值約為8862分鐘，平均工序數(shù)量為221.7，因此，其中，設a≈2，把Period值設定為80分鐘。作為EndOfSimulation參數(shù)的值，設為模擬結果充分達到固定狀態(tài)的6個月，進行了最后一個月期間的結果分析、研究。
·模擬的結果和考察為了驗證在本實施方式中提出的模擬方法的有效性，使用市場銷售的事件驅動型模擬器即Brooks Automation公司的AutoSched AP，進行了模擬結果的比較。表2表示該比較結果。根據(jù)這些結果可以說，關于模擬結果，除中間庫存以外，兩者的結果大致相同。
表2模擬結果的比較

關于中間庫存量，CONSTIN方式由于在固定周期期間內禁止庫存移動，中間庫存量當然變大，這種中間庫存的存在成為CONSTIN的健壯性提高的主要原因。因此，在設定Period的值時，需要考慮中間庫存的大小和生產的健壯性的折衷。
圖8表示模擬結果的中間庫存量因Period值的變化而變化的狀態(tài)。根據(jù)該圖可知，中間庫存的量隨著Period的值大致呈線性增加。
如果設產品p的中間庫存量為Wp，則公式8成立。
公式8wp(t)=Σnpwi(t)]]>=Σnp(wi(t-1)+zi-1(t-1)-zi(t-1))]]>=Σnpzi-1(t-1)+Σnp(wi(t-1)-zi(t-1))]]>現(xiàn)在，設t為足夠大的值，由于模擬達到固定狀態(tài)，所以供給量和生產量相等，庫存量恒定。因此，ΣnpZi-1(t-1)]]>的值被控制為在Period期間的所有工序的供給量之和，Σnp(Wi-1(t-1)-Zi(t-1))]]>的值被控制為比較小的常數(shù)。
因此，在Period的值比較大時，公式9成立，公式9Wp≈rpnpPeriod如圖8所示，該值與模擬結果一致。
在處理速度上，使用安裝了Pentium(注冊商標)3(1.2GHz)的PC進行6個月期間的模擬時所需要的計算時間是，CONSTIN方式不足5秒，與市場銷售的事件驅動型模擬器AutoSched相比，速度快達20倍或大于20倍。在CONSTIN方式中，由于如果增大Period的值，則計算速度大致呈線性增加，所以在footnote實驗中如果設Period的值為480，則計算時間約為1秒。通過適當?shù)卦O定Period的值，也可以適用于要求實時性的用途方面的模擬。
·總結在具有許多變動因素的半導體等的制造工序中，如果過度削減庫存，將不能順暢地進行生產。但是，如果不適當?shù)剡M行庫存控制，將導致交付周期的惡化和死庫存增加的結果。在本實施方式中敘述的CONSTIN，通過把制造工序內的變動的大小置換為中間庫存的移動周期進行考慮，可以算出各工序的合適的中間庫存量。并且，為了保持該中間庫存量，通過進行各工序的生產控制，可以保持制造工序整體的健壯性。
另外，利用基于CONSTIN方法的快速模擬，可以進行極細致的分析，可以通過模擬高精度地進行合適的供給比率和產品組合的設定，在Period期間內出現(xiàn)不能解決的機器故障時的對策研究等。
圖9表示用于實現(xiàn)上述生產方法的生產系統(tǒng)的結構。在圖9中，100表示按照制造工序進行產品制造的生產設備。110表示控制生產機器的制造工序的控制系統(tǒng)，至少具有一個計算機系統(tǒng)。在該控制系統(tǒng)110中存儲著本發(fā)明的控制用程序?？刂朴贸绦蝾A先存儲在記錄介質中，從記錄介質安裝到控制系統(tǒng)110中即可。
參照圖10說明控制系統(tǒng)110按照上述控制程序執(zhí)行的處理內容。
控制系統(tǒng)110在固定周期反復執(zhí)行圖10的處理步驟(利用公式6的函數(shù)定義的處理)?？刂葡到y(tǒng)110對表示生產機器的制造工序的生產狀態(tài)的各種參數(shù)、例如材料的供給量等進行初始設定，根據(jù)公式7所示的函數(shù)計算制造工序內的各工序的中間庫存量(步驟S10→S20)。另外，初始設定值可以利用鍵盤等預先人工輸入，也可以測定與生產機器的生產相關的各種參數(shù)，把該測定結果自動輸入控制系統(tǒng)110。
然后，控制系統(tǒng)110比較中間庫存量的計算結果和預先確定的允許值(步驟S30)。在中間庫存量的計算結果控制在允許值的范圍以內時，控制生產機器100，使得實際制造工序內的中間庫存量等于在此設定的中間庫存量(步驟S50)。
另一方面，在中間庫存變遷量未控制在允許范圍以內時，將計算用參數(shù)向使上述計算結果處于允許范圍內的方向僅增加或減少預先設定的規(guī)定值(步驟S40)。
具體講，在中間庫存量在允許范圍以內時，變更參數(shù)，以便為了增大產品生產而增加材料等的供給量。
根據(jù)該參數(shù)的值控制生產設備100的制造工序(步驟S50)。以后，當控制系統(tǒng)110對每個周期分別執(zhí)行生產控制(步驟S50)的處理時，產品的生產量增大，中間庫存變遷量減少。由此，在使用實時計測POP(Pointof Production)系統(tǒng)等的生產實施狀況的計測裝置(設在圖1的控制裝置110內)計數(shù)的、各工序中存在的中間庫存量，與在步驟S20設定的中間庫存量的計算結果相等時，生產設備100的制造工序的生產停止。然后，在到達下一周期時，再次執(zhí)行步驟S50的生產控制，再次開始生產設備的制造工序的生產。通過進行這種控制處理，控制系統(tǒng)110進行經常使中間庫存量總是保持固定的生產。以后，以固定周期反復執(zhí)行這種控制。另外，在用于計算上述的中間庫存量的模擬中(模擬用程序發(fā)揮模擬器的作用)，使控制系統(tǒng)110具有第1實施方式所述的基于時間間隔的模擬器和規(guī)則生成器的功能，控制系統(tǒng)110使用由規(guī)則生成器生成的生產規(guī)則反復計算制造工序的中間庫存量。
(用語的定義和意思)a.中間庫存生產工序中存在的材料和在制品。其中不包括完成品的庫存。
b.中間庫存的移動量(變遷量)通過使中間庫存在各工序間“移動”來推進生產。因此，中間庫存的移動量表示每個周期在工序中處理的中間庫存的量。
c.工作臺指生產機器(例如，分檔器(stepper)、干式蝕刻裝置等)。
d.產品的供給量為了根據(jù)(基于需求預測的)計劃生產產品而在工序中供給的材料的量。供給比率指每單位時間的供給量，在計劃中一般被設定成與需求比率(每單位時間的需求量)一致。
e.制造工序內的變動在本申請中主要指由故障等引起的機器運轉率和成品率(總生產量中的合格品的比率)的變動。
f.移動周期進行中間庫存移動的周期。
g.健壯性在日語中多譯為“強健性”，意思指即使產生前面說明的變動，也能夠按照當初的計劃進行生產的能力。
h.折衷在有多個要件時，為了獲得妥協(xié)而尋求的折衷。
i.產品組合指在一個生產工序中生產多個產品時的生產比率。
上述實施方式僅是為了理解權利要求書所述的發(fā)明而做的示例。因此，在實施上述發(fā)明時，除上述實施方式以外，還存在各種變形，只要該變形屬于權利要求書所述的發(fā)明的技術構思，則該變形屬于本發(fā)明的技術范圍內。
如上所述，根據(jù)本發(fā)明，通過使用快速的基于時間間隔的模擬器，針對成為生產計劃的對象的生產工序、產品組合、生產量，可以自動生成合適的生產規(guī)則(部件供給規(guī)則等)，即使針對大規(guī)模的半導體等的生產工序，也能夠擬定高質量的生產計劃。
并且，根據(jù)本發(fā)明，對制造工序進行生產控制，使得中間庫存量處于允許范圍內，所以在生產過程中不會產生浪費的中間庫存(部件的庫存)。由此，大幅度提高生產效率。
權利要求
1.一種生產計劃制作系統(tǒng)，使用生產工序模型和生產規(guī)則，基于事件的模擬器通過模擬工廠內的產品的動態(tài)進行生產計劃的擬定，具有計算每隔固定時間的生產工序的狀況的基于時間間隔的模擬器；使用該基于時間間隔的模擬器自動導出所述生產規(guī)則的規(guī)則生成器。
2.根據(jù)權利要求1所述的生產計劃制作系統(tǒng)，所述生產規(guī)則是使用人工智能技術通過基于逐漸最佳化方法的機器學習方法生成的。
3.根據(jù)權利要求1所述的生產計劃制作系統(tǒng)，所述規(guī)則生成器使用神經網絡構成。
4.一種生產計劃制作方法，使用生產工序模型和生產規(guī)則，基于事件的模擬器通過模擬工廠內的產品的動態(tài)進行生產計劃的擬定，具有計算每隔固定時間的生產工序的狀況的基于時間間隔的模擬器；使用該基于時間間隔的模擬器自動導出所述生產規(guī)則的規(guī)則生成器，該基于時間間隔的模擬器反復多次擬定生產計劃，把基于逐漸最佳化方法的機器學習應用于該規(guī)則生成器，從而自動生成所述生產規(guī)則，該基于事件的模擬器使用所生成的生產規(guī)則擬定生產計劃。
5.一種生產計劃制作程序，使用生產工序模型和生產規(guī)則，基于事件的模擬器通過模擬工廠內的產品的動態(tài)進行生產計劃的擬定，具有計算每隔固定時間的生產工序的狀況的基于時間間隔的模擬器；使用該基于時間間隔的模擬器自動導出所述生產規(guī)則的規(guī)則生成器，并執(zhí)行以下各步驟該基于時間間隔的模擬器反復多次擬定生產計劃，把基于逐漸最佳化方法的機器學習應用于該規(guī)則生成器，從而自動生成所述生產規(guī)則，該基于事件的模擬器使用所生成的生產規(guī)則擬定生產計劃。
6.一種生產系統(tǒng)，其特征在于，具有模擬器，反復計算制造工序的中間庫存量；控制系統(tǒng)，決定在所述模擬器的計算中使用的參數(shù)的值，使得所述模擬器的計算結果在允許范圍以內，根據(jù)該參數(shù)的值進行所述制造工序的生產控制。
7.根據(jù)權利要求6所述的生產系統(tǒng)，其特征在于，所述模擬器具有計算每隔固定時間的生產工序的狀況的基于時間間隔的模擬器；使用該基于時間間隔的模擬器自動導出所述生產規(guī)則的規(guī)則生成器，所述模擬器使用由該生成器生成的生產規(guī)則，反復計算制造工序的中間庫存量。
8.根據(jù)權利要求6所述的生產系統(tǒng)，其特征在于，所述控制系統(tǒng)具有計測制造工序中的實際中間庫存量的計測裝置，在利用該計測裝置在固定周期內計測出的制造工序中的實際中間庫存量等于所述模擬器的計算結果時，所述控制系統(tǒng)使制造工序的生產停止，在下一周期再開始生產。
9.根據(jù)權利要求8所述的生產系統(tǒng)，其特征在于，所述固定周期是可以改變設定的。
10.一種生產方法，其特征在于，利用模擬器反復計算制造工序的中間庫存量，在該模擬器中，決定所述模擬器的計算中使用的參數(shù)的值，使得所述模擬器的計算結果在允許范圍以內，根據(jù)所述參數(shù)的值，利用控制系統(tǒng)進行所述制造工序的生產控制。
11.根據(jù)權利要求10所述的生產方法，其特征在于，所述模擬器具有計算每隔固定時間的生產工序的狀況的基于時間間隔的模擬器；使用該基于時間間隔的模擬器自動導出所述生產規(guī)則的規(guī)則生成器，所述模擬器使用由該生成器生成的生產規(guī)則，反復計算制造工序的中間庫存量。
12.根據(jù)權利要求10所述的生產方法，其特征在于，所述控制系統(tǒng)具有計測制造工序中的實際中間庫存量的計測裝置，在利用該計測裝置在固定周期內計測出的制造工序中的實際中間庫存量等于所述模擬器的計算結果時，所述控制系統(tǒng)使制造工序的生產停止，在下一周期再開始生產。
13.根據(jù)權利要求12所述的生產方法，其特征在于，所述固定周期是可以改變設定的。
14.一種由生產系統(tǒng)執(zhí)行的程序，其特征在于，具有反復計算制造工序的中間庫存量的步驟，決定在所述計算中使用的參數(shù)的值，使得該步驟的計算結果在允許范圍以內的步驟，根據(jù)所述參數(shù)的值，進行所述制造工序的生產控制的步驟。
15.根據(jù)權利要求14所述的程序，其特征在于，所述生產系統(tǒng)具有計算每隔固定時間的生產工序的狀況的基于時間間隔的模擬器；使用該基于時間間隔的模擬器自動導出所述生產規(guī)則的規(guī)則生成器，由所述模擬器執(zhí)行以下步驟使用由該生成器生成的生產規(guī)則來反復計算制造工序的中間庫存量的步驟。
16.根據(jù)權利要求14所述的程序，其特征在于，所述生產系統(tǒng)具有計測制造工序中的實際中間庫存量的計測裝置，并具有下述步驟在利用該計測裝置在固定周期內計測出的制造工序中的實際中間庫存量等于所述模擬器的計算結果時，使制造工序的生產停止，在下一周期再開始生產。
17.根據(jù)權利要求16所述的程序，其特征在于，所述固定周期是可以改變設定的。
18.一種記錄介質，其特征在于，記錄了權利要求14～17中任一項所述的程序。
全文摘要
本發(fā)明提供一種生產計劃制作系統(tǒng)及方法以及程序，使用生產工序模型(2)和生產規(guī)則(3)，基于事件的模擬器(4)通過模擬工廠內的產品動態(tài)進行生產計劃(5)的擬定。具有計算每隔固定時間的生產工序狀況的基于時間間隔的模擬器(6)；使用該基于時間間隔的模擬器(6)自動導出生產規(guī)則(3)的規(guī)則生成器(7)。通過使用該基于時間間隔的模擬器(6)快速地反復多次擬定生產計劃，規(guī)則生成器(7)應用基于逐漸最佳化方法的機器學習，可以有效地自動生成生產規(guī)則(3)，由此，基于事件的模擬器(4)使用所生成的生產規(guī)則(3)擬定高質量的生產計劃(5)。
文檔編號G06Q50/04GK1666161SQ0381617
公開日2005年9月7日 申請日期2003年7月8日 優(yōu)先權日2002年7月9日
發(fā)明者宮下和雄 申請人:獨立行政法人產業(yè)技術綜合研究所