请提供需要翻译的文本,我会将其翻译为中文
《Simulation Modelling Practice and Theory》:An adaptive sampling method for parallel simulation-based optimization in automated material handling systems
【字体:
大
中
小
】
时间:2026年09月27日
来源:Simulation Modelling Practice and Theory 4.6
编辑推荐:
**摘要**
半导体和显示面板制造工厂中的自动物料搬运系统(AMHS)对于通过车辆管理众多生产步骤中的物料流从而提高生产力至关重要。AMHS车辆管理通常被建模为基于仿真的优化(SBO)问题,原因在于其复杂的作业逻辑和随机系统动态。然而,实际的SBO计算量巨大,因为可靠的性能
**摘要**半导体和显示面板制造工厂中的自动物料搬运系统(AMHS)对于通过车辆管理众多生产步骤中的物料流从而提高生产力至关重要。AMHS车辆管理通常被建模为基于仿真的优化(SBO)问题,原因在于其复杂的作业逻辑和随机系统动态。然而,实际的SBO计算量巨大,因为可靠的性能估计需要对每个候选解进行多次重复实验,而在有限的计算预算下,穷尽式搜索是不可行的。为应对这些挑战,本研究提出了一种并行SBO框架,该框架包含自适应采样机制。该框架采用基于决策树的自适应采样(DTAS)方法,将搜索聚焦于高潜力区域,并根据输出变异性动态分配重复次数。此外,框架还引入了并行评估和重复实验重分配机制,以充分利用可用的计算资源并减少整体计算时间。仿真实验表明,相较于基准算法,所提出的算法在空闲车辆重新部署问题中将交付时间和计算时间分别缩短了7.05%和35.71%,在车辆设计问题中分别缩短了4.24%和15.53%。**引言**自动物料搬运系统(AMHS)对于通过自动化物料运输最大化半导体和显示面板制造工厂(fab)的生产力至关重要[1,2]。这些系统使用自动化车辆,确保物料及时送达生产设备,直接影响制造效率和产品质量。这些车辆的管理在动态条件下运行,包括变化的产品组合和意外的机器故障,这带来了系统复杂性和不确定性。为应对这些挑战,fab工程师采用基于仿真的决策方法来评估系统性能并验证车辆管理策略[3,4]。利用仿真模型进行运营规划的问题被建模为典型的基于仿真的优化(SBO)问题。SBO的目标是在有限的计算资源下,从巨大的解空间中高效地识别当前最优解,从而加速运营规划[5,6]。图1展示了AMHS的SBO应用,其中优化方法采样候选解,仿真模型评估其性能,从而得出用于现场实施的当前最优解。然而,与其他系统的SBO类似,AMHS的实际SBO在有限的计算预算下受到巨大解空间和固有随机性的制约[8]。在采样过程中,由于搜索空间巨大,穷尽式探索不切实际,优化方法难以识别当前最优解。同时,在评估过程中,固有随机性使得比较候选解并选择最佳解变得困难[9]。评估过程需要对每个候选解进行多次重复实验以评估其性能,通常为了简便而对每个候选解使用相同数量的重复实验。SBO涵盖广阔的解空间和众多候选解,计算时间随着评估的候选解数量及其重复实验次数的增加而增长。为了克服计算负担,并行计算成为通过分布式重复实验加速评估过程的关键,而有效利用并行计算需要一种专门为并行化设计的SBO解决方案。在此背景下,本研究提出了一种并行SBO框架,该框架整合了自适应采样和动态重复实验,以充分利用计算资源。对于采样过程,所提出的框架采用自适应采样,利用元模型迭代选择有前景的车辆管理决策向量,从而在有限预算下探索广阔的解空间[10,11]。对于评估过程,该框架考虑候选解的异方差性,以确定每个候选解所需的最小重复实验次数,从而确保性能估计的统计有效性。因此,我们实现了基于决策树的自适应采样(DTAS)算法,用于AMHS的车辆管理。该算法迭代采样有前景的候选解,并利用并行计算进行多次并发仿真以评估其性能。所提出的算法通过两个AMHS车辆管理案例研究进行验证。第一个案例研究采用Kang等人[12]的空闲车辆重新部署问题,确定半导体fab中每个工位分配的空闲车辆数量。第二个案例研究解决车辆设计问题,这是fab工程师在实践中所需解决的问题,确定显示fab中的车辆数量和与车辆速度相关的系统参数。该案例研究使用基于真实世界显示制造过程历史数据开发的现场系统仿真模型。本研究提供以下贡献:(1) 我们提出了一种并行SBO框架,整合自适应采样和动态重复实验,以减轻AMHS车辆管理中SBO的计算负担;(2) 我们的DTAS算法通过采样高潜力区域并考虑仿真重复实验来识别有效的车辆管理方案,并行评估和对可用计算资源的重复实验重分配减少了计算时间;以及(3) 关于空闲车辆重新部署和车辆设计的两个案例研究验证了所提出的方法,结果表明相较于基准算法,交付时间得到改善且总计算时间减少。本文的结构如下:第2节提供问题描述,第3节回顾相关工作。第4节提出并行SBO框架并详细说明使用DTAS的实现。此外,第5节通过仿真实验验证DTAS并讨论结果。论文在第6节以研究发现和未来研究方向建议作为总结。**章节摘要****问题描述**第2.1节描述了fab中AMHS的典型配置及相关车辆管理策略。第2.2节介绍了考虑AMHS固有复杂性和不确定性的SBO公式化表达。**AMHS中的车辆管理**车辆管理策略在一个分层决策框架内运行,根据规划范围和决策频率分为战略层、战术层和运营层[14]。在战略层,决策主要涉及导引路径设计,包括常规、单环和串联布局等配置[[15], [16], [17]]。基础设施配置决定了系统的物理边界,并作为运营的静态约束。**所提出的方法**本节介绍了一种包含DTAS的并行SBO框架,以有效应对随机性和复杂性。该框架的关键特性包括:由元模型驱动的优化、候选解的动态重复实验以及并行化。该框架使用基于机器学习的元模型提出后续候选解,动态重复实验自适应确定每个候选解所需的仿真重复次数。该框架实现了高效的SBO。**实证研究**本节介绍了两个案例研究,分别针对半导体和显示面板制造fab中与AMHS相关的问题。第一个案例研究解决半导体fab中每个工位内分配的空闲车辆数量确定问题,并通过性能验证、基准比较和组件分析评估DTAS。第二个案例研究解决显示fab中OHS操作的车辆设计问题,并使用仿真模型检验DTAS的适用性。**结论**本研究探讨了SBO在解决AMHS配置中车辆管理挑战方面的应用,特别是在半导体和显示fab中。我们提出了一种包含自适应采样的并行SBO框架,以在合理计算时间内增强AMHS的车辆管理。该方法使用决策树探索具有多个候选解的高潜力区域。它还动态确定仿真重复实验次数并进行分配。**致谢**本研究得到韩国国家研究基金会(NRF)的资助,由韩国政府(MSIT)提供资金(RS-2026-25471656),并得到三星显示公司(IAP2403156)的支持。广贤李 | 允京尹 | 俊徽李 | 基日张 | 顺道洪
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号