发明名称 | 可用于半导体生产线动态调度的性能预测方法 | ||
摘要 | 本发明公开了一种用于半导体生产线动态调度的性能预测方法,应用极限学机(Extreme Learning Machine,ELM)进行预测建模。本发明将投料控制与调度规则统一考虑,基于系统实时状态预测设备利用率和移动步数等短期调度关键性指标,为动态实时调度提供基础。将ELM新型前馈神经网络引入半导体制造系统,通过生产线可获取的数据建立预测模型。试验结果表明,ELM方法可以快速获得理想的预测结果,对比传统的神经网络建模方法在参数选择以及学速度上具有明显的优势和应用前景,为在线优化控制提供新思路。 | ||
申请公布号 | CN103310285A | 申请公布日期 | 2013.09.18 |
申请号 | CN201310239501.0 | 申请日期 | 2013.06.17 |
申请人 | 同济大学 | 发明人 | 乔非;马玉敏;徐灵璐 |
分类号 | G06Q10/04(2012.01)I | 主分类号 | G06Q10/04(2012.01)I |
代理机构 | 上海智信专利代理有限公司 31002 | 代理人 | 吴林松 |
主权项 | 一种可用于半导体生产线动态调度的性能预测方法,包括:(1)采集半导体生产线历史数据,建立训练样本集与测试样本集;(2)将对输入的投料方式及调度规则文字符号进行编码,使网络可以接受;为使输入数据有相同的量纲,对输入量进行归一化处理;(3)采用极限学习机方法构建预测模型;对于ELM仅需要确定的神经网络的隐层节点个数,不需要调整网络的输入权值和隐元的偏置及其他参数,采用试凑法选取适合的隐节点个数;(4)运用测试样本测试预测模型的网络性能,将预测结果反归一化处理后得到输出值与测试样本输出值对比,判断是否能够满足精度要求;(5)如果测试结果的预测精度能够满足要求,建立预测模型过程结束,得到所需的预测模型;如不满足,则转到步骤(3),重新选择的神经网络的隐层节点个数再次训练模型。 | ||
地址 | 200092 上海市杨浦区四平路1239号 |