《Swarm and Evolutionary Computation》:An evolutionary algorithm-based event-adaptive rolling-horizon framework for dynamic wafer probing rescheduling with flexible preventive maintenance
编辑推荐:
摘要晶圆探针测试是半导体制造的关键环节,有效的生产调度对于提高车间吞吐量至关重要。在实际的晶圆探针测试车间中,不同影响的动态干扰会显著降低生产计划的稳定性。生产调度与柔性预防性维护(FPM)决策之间也高度耦合,进一步增加了决策的复杂性。此外,通用进化算法可能无法充分利用问题的
摘要
晶圆探针测试是半导体制造的关键环节,有效的生产调度对于提高车间吞吐量至关重要。在实际的晶圆探针测试车间中,不同影响的动态干扰会显著降低生产计划的稳定性。生产调度与柔性预防性维护(FPM)决策之间也高度耦合,进一步增加了决策的复杂性。此外,通用进化算法可能无法充分利用问题的特定特征或捕捉耦合子问题之间的交互作用。为应对这些挑战,本文研究了异质资源环境下考虑柔性预防性维护的动态晶圆探针测试重调度问题(DWPR-FPM)。提出了一种基于增强进化算法的事件自适应滚动时域框架(EEA-EARH),以协调干扰特定的重调度、FPM状态演进和高效优化。在该框架内,事件自适应滚动时域(EARH)方法根据干扰的紧迫性和操作影响,将干扰映射到特定事件的触发时间和响应策略。此外,开发了一种故障感知的FPM机制,用于建模异质维护策略并动态更新FPM窗口。还开发了一种针对特定问题的增强进化算法(EEA),将集成三向量表示、FPM感知解码、定制初始化及邻域搜索纳入传统进化框架中。实验结果表明,EEA-EARH在动态干扰下能够生成高质量的生产计划。与竞争方法相比,其平均分别降低了5.30%、10.30%和3.89%的总完工时间、标准化机器空闲率和计划不稳定性。
引言
晶圆探针测试是半导体制造中晶圆制造与芯片封装之间的关键环节,用于评估晶圆的电学性能[1]。其吞吐量高度依赖于有限生产资源的分配,使有效调度成为车间绩效的必要条件[2]。然而,不同操作类型和异质资源并存导致生产决策紧密耦合。预防性维护(PM)对于维持设备可靠性和稳定生产也是必要的[3,4],但它占用设备容量并可能延误生产。此外,晶圆探针测试车间面临动态干扰,要求计划在系统状态变化时保持可行性和稳定性。因此,本文研究了考虑柔性预防性维护的动态晶圆探针测试重调度问题(DWPR-FPM),该问题协调了动态生产环境中的生产调度[5]、柔性预防性维护(FPM)和重调度响应。
图1展示了DWPR-FPM的流程、动态干扰、异质资源及四个耦合子决策:设备选择、批量形成、操作排序和PM调度。与经典车间调度问题[6]相比,其复杂性源于三个特征。首先,高混合度生产涉及多样化的工艺路线、资源和操作类型。测试操作同时需要测试机和探针卡,而批量操作必须满足配方兼容性和容量限制,引入了顺序相关的设置时间(SDST)[7]、批量形成和辅助资源约束[8,9]。其次,PM任务可在允许窗口内灵活安排[10,11],异质资源可能遵循不同的维护策略[12],紧密耦合了生产与PM状态。第三,紧急作业到达[13]、一般作业到达[14,15]和设备故障[16]在紧迫性、受影响操作和所需计划调整方面存在差异。这些事件改变了设备可用性和恢复状态,进而影响PM状态的演进。这些特征使得DWPR-FPM成为一个紧密耦合且动态状态依赖的优化问题。
纯事件驱动方法可以通过在每次干扰后进行重调度来快速响应,但可能对非紧急事件造成不必要的计算和计划紧张。相反,传统的周期性滚动时域优化(RHO)方法[17,18]仅在前定义的决策点处理干扰,可能延误对紧急作业到达和设备故障的响应。这些方法中的许多仍在不同类型的干扰中采用统一的重调度策略和求解过程[19]。这种处理方式对于DWPR-FPM是不够的,因为其干扰需要不同的触发时间、重调度范围和计划调整。此外,干扰不仅改变作业和设备状态,还改变异质设备的时序驱动和晶圆数驱动PM状态。除了重调度控制之外,每个滚动窗口子问题需要一个高效的优化器来协调操作排序、设备分配、批量形成和PM决策。尽管进化算法[20,21]提供了灵活的搜索机制,但其效果取决于特定问题的编码、解码和局部搜索。因此,需要一个自适应框架来协调干扰特定的重调度、异质FPM状态演进和高效进化优化,同时保持可行性、生产效率和计划稳定性。
为了解决这些局限性,本文针对DWPR-FPM提出了一种基于进化算法的事件自适应滚动时域框架。主要贡献总结如下:(1) 通过综合考虑各种干扰、异质生产资源和FPM决策,研究了一个新颖的DWPR-FPM问题。(2) 开发了一种事件自适应滚动时域(EARH)框架,根据干扰的紧迫性和操作影响将异质干扰映射到特定事件的触发时间和响应策略,从而平衡生产效率和计划稳定性。(3) 开发了一种故障感知的FPM机制,用于建模异质维护行为并根据设备可用性和恢复状态动态更新PM窗口的演进。(4) 通过将三向量编码、FPM感知解码和邻域搜索集成到传统进化框架中,开发了一种针对特定问题的增强进化算法(EEA)。EEA能够高效生成静态基准计划,并优化滚动决策窗口内的局部子问题。
本文其余部分组织如下。第2节综述相关工作。第3节定义DWPR-FPM问题。第4节提出所提方法。第5节报告计算实验。第6节总结全文。
章节摘要
半导体测试调度与预防性维护
近年来,半导体测试调度受到了广泛关注[[22], [23], [24]]。作为晶圆制造与芯片封装之间的关键测试环节,晶圆探针测试涉及异质资源和耦合约束。Lin等人[25]研究了测试机与辅助资源之间具有复杂切换约束的晶圆探针测试调度问题,并开发了三种定制的元启发式算法来解决该问题。Ying等人[26]进一步
问题定义
DWPR-FPM简要描述如下。存在n个作业(批次)集合{J1, J2, …, Jn},m台测试机集合{M1, M2, …, Mm},以及b台批量加工机集合{B1, B2, …, Bb}。每个作业Ji由一系列操作组成{Oi,1, Oi,2, …, Oi,j},其中Oij表示作业i的第j个操作。每个作业的晶圆数量为Wi。每个晶圆产品的流程由多个测试、批量加工和等待操作组成。工艺路线为
EEA-EARH框架
为解决大规模DWPR-FPM,提出了一种集成的EEA-EARH框架。该框架由增强进化算法和事件自适应滚动时域机制组成。EARH机制负责沿时间轴将DWPR-FPM分解为一系列局部化子问题,而EEA生成高质量基准计划并求解每个决策窗口内的局部子问题。
图3展示了EEA-EARH求解DWPR-FPM的整体工作流程
计算研究
为评估所提出的EEA-EARH求解DWPR-FPM的效果,进行了一系列计算实验。首先,使用田口正交设计标定EEA的关键参数,并分析其敏感性。随后,检验搜索算法的收敛特性。接下来,使用标定后的参数配置,研究滚动时域长度H对重调度性能的影响。EEA-EARH在不同
结论与未来工作
本研究调查了涉及紧急作业到达、一般作业到达和设备故障以及异质柔性预防性维护的DWPR-FPM。提出了一种EEA-EARH方法,其中EARH选择事件特定的重调度策略并在设备恢复后更新维护状态,而EEA生成基准和滚动时域重调度方案。
计算实验考察了参数敏感性、收敛性、滚动时域长度、
CRediT作者贡献声明
Yifan Gao:写作 – 审阅与编辑,写作 – 原稿,方法论,数据管理,概念化。Xinyu Li:写作 – 审阅与编辑,监督,资金获取,概念化。Chunjiang Zhang:写作 – 审阅与编辑,监督,资源,资金获取,概念化。Guokai Liu:资源,概念化。Liang Gao:监督,资源,资金获取。
Yifan Gao|Xinyu Li|Chunjiang Zhang|Guokai Liu|Liang Gao