集成電路制造系統(tǒng)模型的參數(shù)化方法研究與應(yīng)用

碩士學(xué)位論文（專業(yè)學(xué)位）集成電路制造系統(tǒng)集成電路制造系統(tǒng)模型的參數(shù)化方法研究與應(yīng)用姓名：姓名：學(xué)號(hào)：所在院系：電子與信息工程學(xué)院職業(yè)類型：工程碩士專業(yè)領(lǐng)域：控制工程指導(dǎo)教師：教授二〇一三年三月

摘要集成電路制造系統(tǒng)是公認(rèn)的最復(fù)雜生產(chǎn)系統(tǒng)之一，在對(duì)其進(jìn)行建模時(shí)往往對(duì)某些特征進(jìn)行簡(jiǎn)化或初始設(shè)定，以保證模型的可建性和運(yùn)作性，然而模型隨之產(chǎn)生由于缺乏準(zhǔn)確的、隨實(shí)際情況變化的參數(shù)而不夠精確的問(wèn)題，通過(guò)模型獲取的性能指標(biāo)或派工方案可靠性低下，不能準(zhǔn)確地指導(dǎo)科學(xué)研究和實(shí)際生產(chǎn)。參數(shù)化方法的主體思路是利用生產(chǎn)系統(tǒng)中存儲(chǔ)的大量歷史數(shù)據(jù)和在線數(shù)據(jù)，利用統(tǒng)計(jì)分析、神經(jīng)網(wǎng)絡(luò)和灰色理論等方法構(gòu)建參數(shù)化模型，由此獲取集成電路制造系統(tǒng)模型參數(shù)的潛在知識(shí)與模式，以參數(shù)化模型的輸出作為集成電路制造系統(tǒng)模型的輸入?yún)?shù)，為模型的構(gòu)建與決策分析提供可靠的、有效的數(shù)據(jù)支撐。首先，本文詳細(xì)介紹了集成電路制造系統(tǒng)的數(shù)學(xué)模型、智能算法模型、Petri網(wǎng)模型和仿真模型，從理論角度分析了各類模型特點(diǎn)并介紹了每類模型中參數(shù)的存在形式，為參數(shù)化方法設(shè)計(jì)提供基礎(chǔ)。其次，給出了模型參數(shù)化方法框架和模型參數(shù)化方法流程，介紹了主要用到的參數(shù)算法如時(shí)間序列分析法、神經(jīng)網(wǎng)絡(luò)、灰色理論等；根據(jù)參數(shù)化方法的作用不同，將參數(shù)化方法歸納為參數(shù)化模型優(yōu)化方法和參數(shù)化建模方法；給出了參數(shù)化系統(tǒng)的數(shù)據(jù)層、用戶界面層、參數(shù)化模型層三層設(shè)計(jì)框架并詳細(xì)介紹了每層的模塊功能和實(shí)現(xiàn)技術(shù),其中C#和MATLAB混合編程技術(shù)不僅為參數(shù)化系統(tǒng)實(shí)現(xiàn)提供了基礎(chǔ)，更為改善系統(tǒng)性能提供了新思路。然后，運(yùn)用模型參數(shù)化方法解決了集成電路制造企業(yè)的兩個(gè)實(shí)際需求。根據(jù)問(wèn)題特點(diǎn)，或采用模型參數(shù)化優(yōu)化建模方法提高原有模型準(zhǔn)確率以滿足企業(yè)需求，或?qū)⑵髽I(yè)需求轉(zhuǎn)化為對(duì)參數(shù)的分析建立參數(shù)化模型，并在結(jié)果不滿意的情況下再次采用模型參數(shù)化優(yōu)化方法改善上述參數(shù)化模型準(zhǔn)確率以使問(wèn)題圓滿解決。兩個(gè)模型參數(shù)化應(yīng)用均搭建了相應(yīng)的參數(shù)化系統(tǒng)，實(shí)際生產(chǎn)線操作人員可直接通過(guò)界面操作使用，對(duì)指導(dǎo)實(shí)際生產(chǎn)線調(diào)度和提高企業(yè)生產(chǎn)率有重要意義。最后，關(guān)于進(jìn)一步工作的方向進(jìn)行了簡(jiǎn)要的討論。關(guān)鍵詞：集成電路制造系統(tǒng)模型、參數(shù)化模型優(yōu)化、參數(shù)化建模、神經(jīng)網(wǎng)絡(luò)、灰色理論ABSTRACTIntegratedCircuit（IC）manufacturingsystemisrecognizedasoneofthemostcomplexproductionsystems,sowhentryingtobuildamodelingtorepresenttheproductionline,wehavetosimplifyorinitialsettingonsomeofitscharacteristicstomakesurethatthemodelcanbebuiltandrun.However,themodelsbuildunderthisconditionisinaccurate,failtodynamicallyreflecttherealitysituation.Inconsequence,theoutputofthemodelsthatusingtoguidetheresearchoractualproductionlinessuchasperformanceindexanddispatchisinaccurate.Themainideaofparametricmethodsistoutilizethelargeamountofhistoricaldataandon-linedatastoredintheproductionsystem,usingstatisticalanalysis,neuralnetworksandgraytheoryorotherintelligentmethodstobuildaparametricmodel,andtherebyacquirepotentialknowledgeandmodeoftheintegratedcircuitmanufacturingsystemmodel.TheoutputofparametricmodelsisastheinputforICmodelsbuildingtoprovidethereliabilityandvaliditydatasupport.Theresearchintroducethemodelingofintegratedcircuitmanufacturingsystemfrommodelingtheoriesindetailssuchasmathematicalmodel,intelligentalgorithmmodel,Petrinetmodelandsimulationmodelandanalyzeeverymodel’sparameters.Nextsection,theresearchcomesupwithmodelparameterizationframeworkandmodelparameterizationmethodsprocess,andintroducethemainparametricalgorithmsuchastimeseries,neuralnetworkandgreytheory.Accordingtodifferentfunctions,themodelparameterizationmodelsaredividedintoparametricoptimizationmodelandparametricmodeling.Thentheresearchdesignsthreelayersparametricsystem,whicharedatalayer,UIlayerandparametricmodellayer.Foreachlayer,modulefunctionsandimplementationtechnologyaredetailedintroduced.NotonlytheC#andMATLABhybridprogrammingtechnologyprovidesrealizingfoundation,butalsoprovidesanewtrainofthoughttoimprovetheperformanceoftheexistingsystem.Thenusethetheoriesandimplementationtechnologytosolverealityproblems.Accordingtoenterpriseproductionlinetwopracticalproblems,wechoosekeyparametersofeachproblems,usestatisticalmethods,timeseriesanalysisandneuralnetworktobuildParameterizedmodelanddevelopParameterizedsystemtoverifytheeffectivenessofthemethods.Theresultsshowthatourmethodssolvetheproblemsabove.AlsotheParameterizedsystemsprovideguidancefortheenterprise.Inthefinality,theproblemsrequiringfurtherstudiesarediscussed.KeyWords:ICsystem,Parametricoptimizationmodel,Parametricmodeling,Neuralnetwork,Greytheory目錄TOC\o"1-4"\h\z\u第1章緒論 11.1引言 11.2集成電路制造系統(tǒng)及數(shù)據(jù)簡(jiǎn)介 11.2.1集成電路制造簡(jiǎn)介 11.2.2集成電路制造系統(tǒng)數(shù)據(jù)分類 21.2.3集成電路制造系統(tǒng)模型數(shù)據(jù)特點(diǎn) 31.3參數(shù)化方法研究現(xiàn)狀 31.4論文結(jié)構(gòu)安排 51.5小結(jié) 7第2章集成電路制造系統(tǒng)模型與模型參數(shù)分析 82.1引言 82.2數(shù)學(xué)模型與模型參數(shù)分析 82.2.1模型介紹 82.2.2模型參數(shù)分析 102.3基于智能算法的模型與模型參數(shù)分析 102.4基于Petri網(wǎng)的模型與模型參數(shù)分析 112.5仿真模型 112.5.1仿真平臺(tái)介紹 122.5.2模型參數(shù)分析 132.6本章小結(jié) 13第3章集成電路制造系統(tǒng)模型參數(shù)化方法研究 143.1引言 143.2集成電路制造系統(tǒng)模型參數(shù)化方法體系結(jié)構(gòu)設(shè)計(jì) 143.2.1模型參數(shù)化優(yōu)化體系 143.2.2模型參數(shù)化建模體系 153.3集成電路制造系統(tǒng)模型參數(shù)化流程設(shè)計(jì) 163.3.1數(shù)據(jù)預(yù)處理 163.3.2參數(shù)算法 18K-S檢驗(yàn) 18時(shí)間序列分析 19人工神經(jīng)網(wǎng)絡(luò) 20灰色理論 223.4集成電路制造參數(shù)化系統(tǒng)設(shè)計(jì)及實(shí)現(xiàn) 233.4.1數(shù)據(jù)層模塊設(shè)計(jì)與實(shí)現(xiàn) 24數(shù)據(jù)加載實(shí)現(xiàn) 24數(shù)據(jù)加載優(yōu)化實(shí)現(xiàn) 253.4.2用戶界面層設(shè)計(jì)與實(shí)現(xiàn) 263.4.3參數(shù)化模型層設(shè)計(jì)與實(shí)現(xiàn) 28參數(shù)化模型 28接口實(shí)現(xiàn) 363.5本章小結(jié) 38第4章模型參數(shù)化方法在加工時(shí)間參數(shù)優(yōu)化中的應(yīng)用 394.1問(wèn)題描述 394.2待優(yōu)化參數(shù)選取 394.3數(shù)據(jù)層模塊設(shè)計(jì)與實(shí)現(xiàn) 424.4用戶層模塊設(shè)計(jì)與實(shí)現(xiàn) 434.4.1數(shù)據(jù)加載模塊設(shè)計(jì)與實(shí)現(xiàn) 444.4.2評(píng)價(jià)指標(biāo)設(shè)計(jì)與實(shí)現(xiàn) 444.5參數(shù)優(yōu)化模塊設(shè)計(jì)與實(shí)現(xiàn) 464.5.1K-S檢驗(yàn) 464.5.2指數(shù)平滑法 464.6優(yōu)化結(jié)果分析 484.7小結(jié) 52第5章模型參數(shù)化方法在設(shè)備故障預(yù)測(cè)中的應(yīng)用 535.1某集成電路制造公司設(shè)備故障介紹 535.1.1設(shè)備故障特點(diǎn)介紹 535.1.2故障預(yù)測(cè)參數(shù)分析 535.2故障預(yù)測(cè)參數(shù)化系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn) 545.3故障預(yù)測(cè)參數(shù)化建模 555.3.1小波神經(jīng)網(wǎng)絡(luò)參數(shù)化模型實(shí)現(xiàn) 555.3.2灰色理論參數(shù)模型實(shí)現(xiàn) 565.3.3小波神經(jīng)網(wǎng)絡(luò)模型和灰色模型結(jié)果分析 595.4模型參數(shù)優(yōu)化建模與實(shí)現(xiàn) 595.5小結(jié) 61第6章總結(jié)與展望 626.1論文工作總結(jié) 626.2下一步工作的方向 62致謝 64參考文獻(xiàn) 65附錄AFabSimSys執(zhí)行率相關(guān)表 68個(gè)人簡(jiǎn)歷、在讀期間發(fā)表的學(xué)術(shù)論文與研究成果 70第1章緒論1.1引言集成電路產(chǎn)業(yè)作為國(guó)民經(jīng)濟(jì)和社會(huì)發(fā)展的戰(zhàn)略性、基礎(chǔ)性和先導(dǎo)性產(chǎn)業(yè)，具有極強(qiáng)的創(chuàng)新力和融合力，伴隨著各種電子產(chǎn)品滲透到人民生活、生產(chǎn)以及國(guó)防安全的方方面面。國(guó)際金融危機(jī)后，世界各國(guó)都在努力探尋經(jīng)濟(jì)轉(zhuǎn)型之路，加快培育發(fā)展戰(zhàn)略性新興產(chǎn)業(yè)，力爭(zhēng)在后危機(jī)時(shí)代的全球經(jīng)濟(jì)發(fā)展和競(jìng)爭(zhēng)中贏得先機(jī)。集成電路制造系統(tǒng)的研究最早在上世紀(jì)50年代隨著運(yùn)籌學(xué)的發(fā)展而興起。集成電路制造系統(tǒng)研究的核心內(nèi)容是建模方法和生產(chǎn)過(guò)程調(diào)度方法，傳統(tǒng)的建模方法如基于數(shù)學(xué)規(guī)劃的建模方法和仿真建模方法等已取得大量成果，甚至在鋼鐵、微電子、紡織、機(jī)械、石化等行業(yè)的生產(chǎn)過(guò)程問(wèn)題建模和優(yōu)化中得到了成功應(yīng)用[1-3]。但由于集成電路制造系統(tǒng)實(shí)際生產(chǎn)過(guò)程中具有的大規(guī)模、帶復(fù)雜約束、不確定等復(fù)雜特點(diǎn)，使得傳統(tǒng)建模方法在實(shí)際應(yīng)用中受到較大限制。同時(shí)，隨著制造系統(tǒng)自動(dòng)化程度的不斷提高，制造型企業(yè)多采用企業(yè)資源計(jì)劃(EnterpriseResourcePlanning，ERP)、制造執(zhí)行系統(tǒng)(ManufacturingExecutiveSystem，MES)等先進(jìn)管理工具對(duì)生產(chǎn)線進(jìn)行調(diào)度管理，這些管理工具產(chǎn)生并存儲(chǔ)了大量與生產(chǎn)過(guò)程相關(guān)的數(shù)據(jù)，這些數(shù)據(jù)隱含了生產(chǎn)線的生產(chǎn)和調(diào)度信息，如何充分利用這些數(shù)據(jù)對(duì)現(xiàn)有的建模方法進(jìn)行優(yōu)化是本文研究的目標(biāo)。1.2集成電路制造系統(tǒng)及數(shù)據(jù)簡(jiǎn)介1.2.1集成電路制造簡(jiǎn)介集成電路制造主要分為IC設(shè)計(jì)、掩膜版準(zhǔn)備、晶圓準(zhǔn)備、晶圓加工、晶圓測(cè)試、裝配與封裝及終測(cè)等階段[4]，其制造過(guò)程如圖1.1所示。圖1.1集成電路制造過(guò)程其中，晶圓加工被稱為前端工藝，晶圓測(cè)試、裝配與封裝及終測(cè)被稱為后端工藝。前端工藝主要在晶圓上完成電路印刷工作，平均要使用上百臺(tái)設(shè)備經(jīng)過(guò)400~600步的加工步驟。前端工藝常常直接被稱作半導(dǎo)體硅片加工生產(chǎn)線，簡(jiǎn)稱半導(dǎo)體生產(chǎn)線或FAB，是集成電路制造過(guò)程最復(fù)雜最關(guān)鍵的部分，同時(shí)也是資金投入最高、耗時(shí)最長(zhǎng)的部分，一直是眾多從事集成電路制造系統(tǒng)研究的學(xué)者們所關(guān)注的重點(diǎn)。由于加工流程復(fù)雜多樣，集成電路制造過(guò)程從整體上看具有高度復(fù)雜性、可重入流、大規(guī)模和高度不確定等明顯特點(diǎn)[5]。1.2.2集成電路制造系統(tǒng)數(shù)據(jù)分類根據(jù)數(shù)據(jù)在ERP和MES中的作用不同，集成電路制造系統(tǒng)數(shù)據(jù)分為生產(chǎn)過(guò)程數(shù)據(jù)、資源數(shù)據(jù)和市場(chǎng)管理數(shù)據(jù)等。生產(chǎn)過(guò)程數(shù)據(jù)包含了集成電路制造過(guò)程中與產(chǎn)品、生產(chǎn)線加工操作過(guò)程或過(guò)程單元相關(guān)的數(shù)據(jù)，包括產(chǎn)品流程數(shù)據(jù)、設(shè)備基礎(chǔ)信息、設(shè)備加工菜單、設(shè)備狀態(tài)信息、在制品信息、設(shè)備維護(hù)數(shù)據(jù)等，這部分?jǐn)?shù)據(jù)是本文后續(xù)工作的基石；資源數(shù)據(jù)是制造過(guò)程中與物理設(shè)備及生產(chǎn)環(huán)境相關(guān)的數(shù)據(jù)，主要包括系統(tǒng)資源數(shù)據(jù)、用戶資源數(shù)據(jù)和通用資源數(shù)據(jù)；市場(chǎng)管理數(shù)據(jù)記載了制造系統(tǒng)外圍環(huán)境因素,主要為與市場(chǎng)、客戶等相關(guān)的數(shù)據(jù)，包括產(chǎn)品需求量、所需產(chǎn)品種類、交貨時(shí)間等，通常該類數(shù)據(jù)與顧客個(gè)體、地理區(qū)域、時(shí)間范圍、營(yíng)銷策略等直接相關(guān)。根據(jù)數(shù)據(jù)更新的頻率不同，集成電路制造系統(tǒng)數(shù)據(jù)分為靜態(tài)信息和動(dòng)態(tài)信息，其中靜態(tài)信息包括設(shè)備基本信息（Equipment）、流程信息（Process）、產(chǎn)品信息（Product）、加工工藝信息(Recipe)等；動(dòng)態(tài)信息包括：設(shè)備狀態(tài)信息、設(shè)備維護(hù)信息、在制品信息以及訂單信息等。根據(jù)時(shí)間屬性不同，集成電路制造系統(tǒng)數(shù)據(jù)可分為歷史數(shù)據(jù)和實(shí)時(shí)數(shù)據(jù)。歷史數(shù)據(jù)反映了以往的實(shí)際生產(chǎn)線狀況，主要包括設(shè)備的生產(chǎn)信息和系統(tǒng)性能指標(biāo)等；實(shí)時(shí)數(shù)據(jù)反映了當(dāng)前生產(chǎn)線和產(chǎn)品狀態(tài)。1.2.3集成電路制造系統(tǒng)模型數(shù)據(jù)特點(diǎn)集成電路制造系統(tǒng)建模的數(shù)據(jù)支持通常由企業(yè)提供，企業(yè)對(duì)集成電路制造系統(tǒng)模型的數(shù)據(jù)支持形式以面向業(yè)務(wù)的數(shù)據(jù)為主，企業(yè)提高的數(shù)據(jù)和模型中數(shù)據(jù)的交互形式如圖1.2所示。圖1.2企業(yè)提供數(shù)據(jù)支持形式圖當(dāng)研究人員對(duì)集成電路制造系統(tǒng)進(jìn)行建模時(shí)，企業(yè)數(shù)據(jù)庫(kù)管理人員會(huì)根據(jù)業(yè)務(wù)需求有針對(duì)性的從企業(yè)數(shù)據(jù)倉(cāng)庫(kù)中提取數(shù)據(jù)，這些面向業(yè)務(wù)的數(shù)據(jù)存在以下特點(diǎn)：面向業(yè)務(wù)的數(shù)據(jù)通常為關(guān)系型數(shù)據(jù)，企業(yè)數(shù)據(jù)庫(kù)管理人員在提取前期對(duì)數(shù)據(jù)進(jìn)行了范式設(shè)計(jì)免除重復(fù)冗余性，使得數(shù)據(jù)之間的關(guān)聯(lián)關(guān)系被破壞，不可避免的丟失了部分有用信息。面向業(yè)務(wù)的數(shù)據(jù)通常面向某一個(gè)或幾個(gè)具體需求，即數(shù)據(jù)支持較強(qiáng)的針對(duì)性。數(shù)據(jù)由于受到各種實(shí)際生產(chǎn)制造和存儲(chǔ)設(shè)備的影響而存在較大擾動(dòng)。數(shù)據(jù)缺失嚴(yán)重且分布不均勻。1.3參數(shù)化方法研究現(xiàn)狀國(guó)內(nèi)外學(xué)者與研究人員針對(duì)復(fù)雜生產(chǎn)系統(tǒng)模型參數(shù)化方法進(jìn)行一系列的研究，目前已取得一定的研究成果并應(yīng)用于實(shí)際生產(chǎn)過(guò)程中。參數(shù)化方法主體思路是基于生產(chǎn)系統(tǒng)中存儲(chǔ)的大量歷史數(shù)據(jù)和在線數(shù)據(jù)，利用統(tǒng)計(jì)分析方法和以神經(jīng)網(wǎng)絡(luò)及數(shù)據(jù)挖掘等為代表的人工智能方法構(gòu)建參數(shù)化模型，以已有數(shù)據(jù)為樣本，訓(xùn)練參數(shù)化模型以獲取潛在的知識(shí)與模式，由此獲取復(fù)雜生產(chǎn)系統(tǒng)模型參數(shù)的分布空間或預(yù)測(cè)值，以參數(shù)化模型的輸出作為生產(chǎn)決策模型的輸入?yún)?shù)，為模型的構(gòu)建與決策分析提供可靠的、有效的數(shù)據(jù)支撐。在復(fù)雜生產(chǎn)決策模型中，參數(shù)化工作主要體現(xiàn)在模型參數(shù)的分布分析與預(yù)測(cè)中，包括加工時(shí)間、設(shè)備的維護(hù)計(jì)劃等參數(shù)的預(yù)測(cè)，參數(shù)法方法可分為統(tǒng)計(jì)學(xué)方法和人工智能方法。（1）統(tǒng)計(jì)學(xué)參數(shù)化方法研究現(xiàn)狀統(tǒng)計(jì)學(xué)方法的基本思想是根據(jù)系統(tǒng)記錄中比較完整的歷史數(shù)據(jù)，確定輸入輸出參數(shù)的影響因子以及它們之間大致的關(guān)系，建立相應(yīng)統(tǒng)計(jì)分析模型以分析與預(yù)測(cè)參數(shù)變化規(guī)律或分布。統(tǒng)計(jì)學(xué)方法在參數(shù)化中的應(yīng)用主要為回歸方法、時(shí)間序列分析等?；貧w分析是應(yīng)用極其廣泛的數(shù)據(jù)分析方法之一，它基于觀測(cè)數(shù)據(jù)建立變量間適當(dāng)?shù)囊蕾囮P(guān)系，以分析數(shù)據(jù)內(nèi)在規(guī)律，并可用于預(yù)報(bào)、控制等問(wèn)題。時(shí)間序列分析法是概率統(tǒng)計(jì)學(xué)科的一個(gè)分支，它是運(yùn)用概率統(tǒng)計(jì)的理論和方法來(lái)分析隨機(jī)數(shù)據(jù)序列，并對(duì)其建立數(shù)學(xué)模型，進(jìn)行參數(shù)估計(jì)，對(duì)模型定階，以及進(jìn)一步應(yīng)用于預(yù)報(bào)、預(yù)測(cè)、自適應(yīng)控制等各方面[6]。統(tǒng)計(jì)學(xué)方法的優(yōu)點(diǎn)是其理論依據(jù)較為完善，缺點(diǎn)是對(duì)數(shù)據(jù)分析時(shí)需要對(duì)數(shù)據(jù)的分布情況和大致趨勢(shì)了解，并需要了解輸入和輸出之間的關(guān)系，由于統(tǒng)計(jì)學(xué)方法對(duì)于數(shù)據(jù)質(zhì)量要求過(guò)于嚴(yán)苛，一般的工程數(shù)據(jù)難以達(dá)到要求。統(tǒng)計(jì)學(xué)方法在模型參數(shù)化方法中已有廣泛應(yīng)用，如Liu等在問(wèn)題特征分析和提取的基礎(chǔ)上，采用工藝、機(jī)器、訂單等生產(chǎn)數(shù)據(jù)應(yīng)用基于迭代分解算法和聚類算法建立了用于全局調(diào)度的性能指標(biāo)預(yù)測(cè)模型[8]；鄭玉華等利用已建立的CNC車床故障數(shù)據(jù)庫(kù)，檢索出每臺(tái)機(jī)床的維修時(shí)間，采用極大似然法進(jìn)行參數(shù)估計(jì)確定CNC車床可維護(hù)性重要指標(biāo)的分布函數(shù)，最終得出了國(guó)產(chǎn)CNC車床的產(chǎn)品維修定量評(píng)價(jià)指標(biāo)值[9]。（2）人工智能參數(shù)化方法研究現(xiàn)狀應(yīng)用于模型參數(shù)化方法中的智能化方法主要有人工神經(jīng)網(wǎng)絡(luò)、灰色理論、進(jìn)化算法[20]、模糊和模糊集[21]等。神經(jīng)網(wǎng)絡(luò)的重要特點(diǎn)是具有記憶和學(xué)習(xí)能力，經(jīng)過(guò)一定訓(xùn)練之后，能夠?qū)o定的輸入做出相應(yīng)處理[12-14]，因此人們?cè)絹?lái)越廣泛的應(yīng)用神經(jīng)網(wǎng)絡(luò)來(lái)解決各種實(shí)際應(yīng)用中的數(shù)據(jù)分析問(wèn)題?；疑碚撌俏覈?guó)控制論專家鄧聚龍教授于1982年創(chuàng)立并發(fā)展的灰色理論[15]一種研究少數(shù)據(jù)、貧信息和不確定性問(wèn)題的新方法，這一理論剛一誕生就受到國(guó)內(nèi)外學(xué)術(shù)界和廣大實(shí)際工作者的積極關(guān)注，經(jīng)過(guò)三十多年的發(fā)展，灰色理論已經(jīng)在工業(yè)、農(nóng)業(yè)、社會(huì)、氣象等領(lǐng)域解決了大量實(shí)際問(wèn)題[16-18]。智能化方法在模型參數(shù)化方面的應(yīng)用有：沈陽(yáng)工業(yè)大學(xué)的張宇獻(xiàn)等采用基于Levenberg-Marquardt算法的BP對(duì)上將率進(jìn)行建模，并將模型參數(shù)化中的操作參數(shù)化設(shè)定成功的運(yùn)用在了紡織漿紗生產(chǎn)仿真過(guò)程中[22]；印度國(guó)家鑄造技術(shù)制造工程研究所的S.K.Shuck等基于報(bào)價(jià)的多智能體系統(tǒng)用于求解集成過(guò)程規(guī)劃與調(diào)度問(wèn)題中，提出了考慮動(dòng)態(tài)工具成本的新模型，使用數(shù)據(jù)挖掘技術(shù)工具預(yù)測(cè)出修復(fù)成本與工具故障概率之間的關(guān)系[24]；美國(guó)喬治亞理工學(xué)院Michael.D.Baker基于離子刻蝕經(jīng)歷的時(shí)間、期望刻蝕的深度、氣流速率、Chamber壓力以及無(wú)線電頻率作為BP神經(jīng)網(wǎng)絡(luò)的輸入，離子刻蝕結(jié)束時(shí)間作為輸出，有效地實(shí)現(xiàn)對(duì)反應(yīng)離子刻蝕結(jié)束點(diǎn)的在線預(yù)測(cè)[25]。（3）參數(shù)化方法在復(fù)雜制造系統(tǒng)領(lǐng)域的研究現(xiàn)狀統(tǒng)計(jì)學(xué)參數(shù)化方法和智能算法參數(shù)化方法在集成電路制造系統(tǒng)等復(fù)雜制造系統(tǒng)領(lǐng)域中有如下研究：日本瑞薩電子公司的Kikuta等將歷史數(shù)據(jù)、人的經(jīng)驗(yàn)等相關(guān)數(shù)據(jù)整合到知識(shí)管理系統(tǒng)中，以分析半導(dǎo)體制造設(shè)備的平均故障修復(fù)時(shí)間，從而提高設(shè)備的維修效率[10]；Rabenasolo等利用生產(chǎn)歷史數(shù)據(jù)獲得釋放時(shí)間和交貨期等參數(shù)的概率分布建立了特征指標(biāo)計(jì)算模型[11]；Wang等基于訂單、工藝等歷史生產(chǎn)信息，采用自適應(yīng)神經(jīng)模糊推理系統(tǒng)（Adaptiveneuro-fuzzyinferencesystem）構(gòu)建緊急訂單到達(dá)信息預(yù)測(cè)模型[21]；Chen分析了影響加工周期的因素，提出了基于模糊神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本數(shù)據(jù)集來(lái)獲取加工時(shí)間的預(yù)測(cè)模型[7]；機(jī)械工業(yè)自動(dòng)化研究所徐瑩針對(duì)復(fù)雜生產(chǎn)過(guò)程，基于灰色系統(tǒng)建模方法，從生產(chǎn)歷史數(shù)據(jù)中獲得各工件的操作加工時(shí)間等調(diào)度問(wèn)題關(guān)鍵模型參數(shù)[23]。1.4論文結(jié)構(gòu)安排本文各章節(jié)安排如圖1.3所示。 圖1.3論文框架第1章：緒論。本章首先對(duì)集成電路制造系統(tǒng)加工流程和數(shù)據(jù)進(jìn)行了概述，其次介紹了模型參數(shù)化方法的研究現(xiàn)狀，最后給出了本論文的結(jié)構(gòu)框架。第2章：集成電路制造系統(tǒng)模型及模型參數(shù)分析。本章首先詳細(xì)分析了當(dāng)前集成電路制造系統(tǒng)的模型及各模型存在的問(wèn)題，并分別介紹了各模型中參數(shù)的存在形式，為集成電路制造系統(tǒng)模型參數(shù)化方法奠定基礎(chǔ)。第3章：集成電路制造系統(tǒng)模型參數(shù)化方法研究。首先根據(jù)參數(shù)化方法的建模過(guò)程和作用不同，將參數(shù)化方法總結(jié)為模型參數(shù)化優(yōu)化方法和模型參數(shù)建模方法，并分別給出了相應(yīng)框架，其次歸納總結(jié)了模型參數(shù)化方法流程，最后，介紹了模型參數(shù)化系統(tǒng)的設(shè)計(jì)，給出了參數(shù)化系統(tǒng)的數(shù)據(jù)層、用戶界面層和參數(shù)化模型層的三層結(jié)構(gòu)設(shè)計(jì)并分別詳細(xì)介紹了每層的功能模塊、開發(fā)平臺(tái)和實(shí)現(xiàn)技術(shù)。第4、5章：參數(shù)化方法在解決企業(yè)實(shí)際問(wèn)題中的應(yīng)用。第4章：模型參數(shù)化方法在加工時(shí)間參數(shù)優(yōu)化的應(yīng)用實(shí)現(xiàn)。分別使用基于K-S檢驗(yàn)的參數(shù)化方法和時(shí)間序列分析方法中的指數(shù)平滑法對(duì)模型中的僵化參數(shù)加工時(shí)間進(jìn)行參數(shù)化建模，并將參數(shù)化模型輸出作為原仿真模型輸入，實(shí)例證明兩類參數(shù)化方法均提高了原仿真模型的準(zhǔn)確度。第5章：模型參數(shù)化方法在設(shè)備故障預(yù)測(cè)中的應(yīng)用實(shí)現(xiàn)。根據(jù)企業(yè)的故障預(yù)測(cè)需求，分別使用模型參數(shù)化建模方法建立了小波神經(jīng)網(wǎng)絡(luò)參數(shù)化預(yù)測(cè)模型和灰色網(wǎng)絡(luò)預(yù)測(cè)模型，由于兩種參數(shù)化方法預(yù)測(cè)精度不夠穩(wěn)定，提出了灰色網(wǎng)絡(luò)預(yù)測(cè)組合模型法，該方法是利用灰色理論對(duì)小波神經(jīng)網(wǎng)絡(luò)模型進(jìn)行參數(shù)優(yōu)化，實(shí)例證明該預(yù)測(cè)模型具有更高的預(yù)測(cè)精度，同時(shí)實(shí)現(xiàn)了故障預(yù)測(cè)參數(shù)化系統(tǒng)，對(duì)指導(dǎo)企業(yè)生產(chǎn)具有重要意義。第6章：總結(jié)與展望?？偨Y(jié)了全文的工作和研究成果，并提出需進(jìn)一步研究的問(wèn)題和未來(lái)的發(fā)展方向。1.5小結(jié)本章簡(jiǎn)要介紹了集成電路制造過(guò)程，分析了集成電路制造系統(tǒng)參數(shù)的類型，概括了集成電路制造系統(tǒng)模型的數(shù)據(jù)特點(diǎn)，對(duì)參數(shù)化方法的研究現(xiàn)狀做出總結(jié)，最后，給出了論文結(jié)構(gòu)框圖。

第2章集成電路制造系統(tǒng)模型與模型參數(shù)分析2.1引言對(duì)集成電路制造系統(tǒng)進(jìn)行研究時(shí)，需要借助抽象化語(yǔ)言來(lái)搭建模型以描述系統(tǒng)的行為特征和變化規(guī)律，有效的建模方法是集成電路制造系統(tǒng)進(jìn)行相關(guān)研究的重要前提。許多學(xué)者對(duì)集成電路制造系統(tǒng)進(jìn)行研究并提出了多種模型，主要有基于運(yùn)籌學(xué)的數(shù)學(xué)模型、基于智能化方法的模型、Petri網(wǎng)模型和仿真模型等[27]。本章將分別介紹各模型在集成電路制造系統(tǒng)中的建模原理和參數(shù)在各模型中的存在形式，為模型參數(shù)化方法提供基礎(chǔ)。2.2數(shù)學(xué)模型與模型參數(shù)分析集成電路制造系統(tǒng)的數(shù)學(xué)模型依托于運(yùn)籌學(xué)理論，在建模過(guò)程將建模目的抽象成目標(biāo)變量，將生產(chǎn)線相關(guān)結(jié)構(gòu)抽象成約束和決策變量等，使得建模過(guò)程轉(zhuǎn)化成建立“在一定初始條件和約束條件下尋求使某一性能指標(biāo)最優(yōu)”的數(shù)學(xué)表達(dá)式的過(guò)程。集成電路制造系統(tǒng)數(shù)學(xué)模型主要有線性規(guī)劃模型、動(dòng)態(tài)規(guī)劃模型、排隊(duì)模型等或是基于動(dòng)態(tài)規(guī)劃、排隊(duì)論等理論建立的Markov模型、Fluid模型等。2.2.1模型介紹（1）線性規(guī)劃模型線性規(guī)劃模型一般形式為：(2.1)(2.2)線性規(guī)劃模型的主要建模步驟如下：首先，確定決策變量。線性規(guī)劃模型建立的是否得當(dāng)，求解是否方便，取決于決策變量選取得是否得當(dāng)，模型的決策變量隨著目標(biāo)函數(shù)的選取不同而變化；其次，確定約束條件。明確問(wèn)題中所有的限制條件，并用決策變量的線性等式或不等式表示。集成電路制造系統(tǒng)模型的約束主要包括規(guī)模約束、流程約束、工藝約束、調(diào)度規(guī)則約束等；最后，確定目標(biāo)函數(shù)。目標(biāo)函數(shù)體現(xiàn)了建模目的，在集成電路制造系統(tǒng)模型中，目標(biāo)函數(shù)常為體現(xiàn)生產(chǎn)線的全局或局部指標(biāo)和狀態(tài)的參數(shù)如在制品數(shù)、設(shè)備維護(hù)情況等。（2）動(dòng)態(tài)規(guī)劃模型動(dòng)態(tài)規(guī)劃模型為：(2.3)在使用動(dòng)態(tài)規(guī)劃建模時(shí)，涉及到階段、狀態(tài)、決策、策略、狀態(tài)轉(zhuǎn)移函數(shù)和最優(yōu)值函數(shù)等概念。建模步驟為可概括為：將建模過(guò)程劃分為適當(dāng)?shù)膫€(gè)階段；正確選擇狀態(tài)變量，使它既能描述過(guò)程的狀態(tài)，又滿足無(wú)后效性，同時(shí)確定允許狀態(tài)集合；選擇決策變量，確定允許決策集合；給出狀態(tài)轉(zhuǎn)移方程：(2.4)確定階段指標(biāo)及指標(biāo)函數(shù)的形式（階段指標(biāo)之和、階段指標(biāo)之積、階段指標(biāo)為max或min等）；給出基本方程，即最優(yōu)化函數(shù)的遞歸方程2.3。（3）排隊(duì)模型由于集成電路制造系統(tǒng)中廣泛存在工件等待設(shè)備加工、設(shè)備等待維修人員維修等現(xiàn)象，如何合理的分配，使工件以較少的資源在較短的時(shí)間內(nèi)得到加工成為集成電路制造系統(tǒng)建模的一個(gè)難點(diǎn)，而這與排隊(duì)論方法的解決排隊(duì)時(shí)間和服務(wù)設(shè)施規(guī)模這一矛盾的精髓契合，所以基于排隊(duì)論的模型在集成電路制造系統(tǒng)中應(yīng)用廣泛。使用排隊(duì)論求解排隊(duì)問(wèn)題的目的是研究排隊(duì)系統(tǒng)運(yùn)行的效率，通常通過(guò)考慮隊(duì)長(zhǎng)、等待時(shí)間和逗留時(shí)間等性能指標(biāo)來(lái)估計(jì)加工質(zhì)量和確定系統(tǒng)參數(shù)的最優(yōu)值，以決定系統(tǒng)結(jié)構(gòu)是否合理。排隊(duì)模型一般由輸入過(guò)程、服務(wù)規(guī)則以及服務(wù)臺(tái)三部分構(gòu)成，如圖2.1所示。圖2.1排隊(duì)模型輸入過(guò)程是指要求服務(wù)的客戶按怎樣的規(guī)律到達(dá)排隊(duì)系統(tǒng)的過(guò)程，有時(shí)也稱為顧客流，一般從顧客總體數(shù)（分有限和無(wú)限兩種）、顧客到達(dá)方式（分單個(gè)到達(dá)和成批到達(dá)）和顧客流的概率分布三方面進(jìn)行描述。服務(wù)規(guī)則是指服務(wù)臺(tái)從隊(duì)列中選取顧客進(jìn)行服務(wù)的順序，一般分為等待制度、損失制度和混合制度三大類。服務(wù)臺(tái)一般從服務(wù)臺(tái)數(shù)量及構(gòu)成形式、服務(wù)形式以及服務(wù)時(shí)間分布三方面考慮。排隊(duì)模型的符號(hào)表達(dá)為X/Y/Z/A/B/C(2.5)X表示顧客到達(dá)時(shí)間分布，常見(jiàn)的客戶到達(dá)時(shí)間分布主要為定長(zhǎng)時(shí)間到達(dá)、泊松分布和愛(ài)爾朗分布；Y表示服務(wù)時(shí)間分布；Z表示服務(wù)臺(tái)個(gè)數(shù)；A表示顧客總體數(shù)；B表示客戶源數(shù)目；C表示服務(wù)規(guī)則。2.2.2模型參數(shù)分析集成電路制造系統(tǒng)的數(shù)學(xué)模型以“在一定的初始條件和約束條件下尋求使某一性能指標(biāo)最優(yōu)”的數(shù)學(xué)形式表達(dá)，模型的參數(shù)即為用于描述系統(tǒng)行為特征和變化規(guī)律的各個(gè)變量。由于數(shù)學(xué)模型中的參數(shù)較少并且含義明確，當(dāng)模型出現(xiàn)精度不夠等問(wèn)題時(shí)，可通過(guò)逐個(gè)分析變量的物理意義、分布情況以及變量與目標(biāo)函數(shù)之間的關(guān)聯(lián)關(guān)系來(lái)建立參數(shù)化模型方式使得模型更為優(yōu)化。2.3基于智能算法的模型與模型參數(shù)分析近年來(lái)智能化方法的發(fā)展為集成電路制造系統(tǒng)建模提供了新的思路，目前應(yīng)用于集成電路制造系統(tǒng)建模中的智能化算法主要包括基于Agent的智能建模方法和基于蟻群系統(tǒng)的智能建模方法[28-29]。下面以建立基本蟻群算法模型求解n個(gè)城市的TSP（TravellingSalesmanProblem）問(wèn)題為例來(lái)說(shuō)明蟻群算法模型并說(shuō)明模型參數(shù)。蟻群算法建模過(guò)程為：Step1：初始化。主要為確定螞蟻數(shù)目、每只螞蟻的初始狀態(tài)及初始化信息素。在TSP問(wèn)題中，假設(shè)有m只螞蟻，為城市和城市之間的距離，初始時(shí)刻螞蟻被放置在各城市中，禁忌表用來(lái)存放已訪問(wèn)過(guò)的城市。相鄰兩個(gè)節(jié)點(diǎn)之間的初始信息素通過(guò)式2.6確定，(2.6)其中c為一個(gè)較大的常數(shù)，目的是給最初的信息素一個(gè)很小的值；Step2：為每只螞蟻構(gòu)建搜索解。對(duì)于第k只螞蟻，從城市到城市的轉(zhuǎn)換概率為：(2.7)其中，為啟發(fā)因子，其值為。是體現(xiàn)信息素和啟發(fā)因子相對(duì)重要性的參數(shù)；Step3:更新信息素。每完成一次旅行，螞蟻都要在它訪問(wèn)的城市邊緣放置信息素，信息素按2.8式更新。(2.8)表示在城市邊緣的信息素強(qiáng)度，為系數(shù)，1-表示在時(shí)間t和t+1之間信息素的蒸發(fā)。其中(2.9)表示在時(shí)刻t和時(shí)刻t+1之間第k只螞蟻在城市邊緣的信息素強(qiáng)度增量。常用的模型有蟻周模型、蟻密模型和蟻量模型。在蟻群算法模型中，參數(shù)不僅僅是描述系統(tǒng)行為特征和變化規(guī)律的變量及其系數(shù)，還有對(duì)算法本身影響重大的參數(shù)如體現(xiàn)信息素和啟發(fā)因子相對(duì)重要性的參數(shù)，這類參數(shù)設(shè)置是否合理通常對(duì)模型性能優(yōu)劣影響較大[5]。實(shí)際上，大部分的智能化算法模型都存在這類與描述系統(tǒng)無(wú)關(guān)但對(duì)算法影響較大的參數(shù)，如何合理設(shè)置該類參數(shù)使得模型性能最高也是參數(shù)化方法重點(diǎn)關(guān)注的問(wèn)題。2.4基于Petri網(wǎng)的模型與模型參數(shù)分析Petri網(wǎng)模型是20世紀(jì)60年代由C.A佩特里提出的，由于具有圖形表示和數(shù)學(xué)描述的雙重功能而成為研究集成電路制造系統(tǒng)的強(qiáng)有力工具。普通Petri網(wǎng)可以五元組表示[32]，其中：，為有限庫(kù)所集，用圓圈表示，n為庫(kù)所的個(gè)數(shù)；為有限變遷集，用短線或矩形表示，m為變遷的個(gè)數(shù)；I，為輸入函數(shù)，定義了從P到T的有向弧的權(quán)重的集合；O，為輸出函數(shù)，定義了從T到P的有向弧的權(quán)重的集合。m為PN的初始標(biāo)識(shí)，它表示初始狀態(tài)托肯(token)在各庫(kù)所中的分布情況。普通的Petri網(wǎng)模型由于結(jié)構(gòu)簡(jiǎn)單不便于描述和分析復(fù)雜系統(tǒng)中不同資源或信息的流動(dòng)和變化[30]，針對(duì)這一狀況，學(xué)者通過(guò)在普通Petri網(wǎng)的基礎(chǔ)上增加元組以構(gòu)建性能更強(qiáng)的Petri網(wǎng)如時(shí)間Petri網(wǎng)和著色Petri網(wǎng)來(lái)彌補(bǔ)[35]。Petri網(wǎng)可用于系統(tǒng)建模、離散事件仿真、性能分析及調(diào)度，尤其對(duì)并行和并發(fā)行為的系統(tǒng)建模有效，在集成電路制造研究領(lǐng)域已存在大量基于Petri網(wǎng)的模型以及基于Petri網(wǎng)模型的調(diào)度研究，如：黃丹等建立了集成電路制造過(guò)程生產(chǎn)線的Petri網(wǎng)模型[32]；曹政才提出了Petri網(wǎng)技術(shù)和遺傳算法相結(jié)合的優(yōu)化調(diào)度方法[33]；喬非等在有色Petri網(wǎng)的基礎(chǔ)上，提出了半導(dǎo)體生產(chǎn)線分層調(diào)度模型[34]。然而，Petri網(wǎng)描述集成電路制造系統(tǒng)時(shí)有以下幾個(gè)難點(diǎn)[36]：繁多的工序使得網(wǎng)規(guī)模膨脹、多次回流造成系統(tǒng)間關(guān)系難以表達(dá)、多種系統(tǒng)行為造成網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜和規(guī)模擴(kuò)大。雖然有研究通過(guò)簡(jiǎn)化網(wǎng)模型中對(duì)不同種類工件的表達(dá)方法來(lái)達(dá)到縮小網(wǎng)絡(luò)規(guī)模的目的，但卻使模型結(jié)構(gòu)更加復(fù)雜。參數(shù)化方法為上述難點(diǎn)提供了一種解決途徑：由于Petri網(wǎng)模型的參數(shù)均存在于Petri網(wǎng)的基本組成模塊等中，當(dāng)Petri網(wǎng)模型不能合理對(duì)系統(tǒng)進(jìn)行描述時(shí)，可對(duì)網(wǎng)模型進(jìn)行模塊分解分析，確定主成分模塊及相關(guān)參數(shù)，利用系統(tǒng)中存儲(chǔ)的大量歷史數(shù)據(jù)和在線數(shù)據(jù)，以統(tǒng)計(jì)分析或智能化方法對(duì)模塊中的參數(shù)構(gòu)建參數(shù)化模型，獲取模型參數(shù)的潛在知識(shí)與模式，并以參數(shù)化模型的輸出作為網(wǎng)模型的參數(shù)輸入以改善Petri網(wǎng)模型的性能。2.5仿真模型與模型參數(shù)分析 當(dāng)涉及到的研究系統(tǒng)邏輯繁復(fù)且研究的問(wèn)題復(fù)雜難解時(shí)，通常通過(guò)采用建立與實(shí)際研究系統(tǒng)特征和變化規(guī)律相似的仿真模型的方式進(jìn)行間接研究，基于仿真模型的研究手段不單純追求系統(tǒng)的數(shù)學(xué)解析模型，更側(cè)重于描述系統(tǒng)的整體框架及系統(tǒng)對(duì)象之間的邏輯關(guān)系，對(duì)于規(guī)模大、設(shè)備昂貴、產(chǎn)品種類繁多的集成電路制造系統(tǒng)，尤其適合通過(guò)仿真建模的方式找到其行為模式和變化規(guī)律。2.5.1仿真平臺(tái)介紹隨著計(jì)算機(jī)技術(shù)和硬件水平的不斷完善，系統(tǒng)仿真技術(shù)在許多大規(guī)模復(fù)雜系統(tǒng)如航天、化工、紡織等得到廣泛應(yīng)用，計(jì)算機(jī)仿真建模軟件的支持和應(yīng)用更為集成電路制造系統(tǒng)模型仿真提供了高效的解決方案。目前應(yīng)用于復(fù)雜制造系統(tǒng)的仿真軟件主要有PlantSimulation和FlexSim。PlantSimulation軟件以其在價(jià)格、易用性及二次開發(fā)接口等性能方面的優(yōu)勢(shì)而被廣泛應(yīng)用在集成電路制造系統(tǒng)仿真建模中，并且目前已開展了大量基于該平臺(tái)環(huán)境下的仿真模型調(diào)度方法研究[37]。PlantSimulation是以色列的Tecnomatix公司使用高級(jí)計(jì)算機(jī)編程語(yǔ)言C++開發(fā)的、面向?qū)ο蟮膱D形化建模和離散事件系統(tǒng)仿真的軟件，可以應(yīng)用于諸如仿真和優(yōu)化、物流規(guī)劃、生產(chǎn)計(jì)劃的調(diào)度等多種場(chǎng)合，目前被廣泛應(yīng)用于集成電路制造過(guò)程生產(chǎn)線的建模仿真中。它將系統(tǒng)劃分成物流對(duì)象、移動(dòng)對(duì)象等進(jìn)行分析，如在搭建集成電路制造系統(tǒng)仿真模型時(shí)，將設(shè)備抽象成物流對(duì)象，將加工工件抽象成移動(dòng)對(duì)象，這些對(duì)象是數(shù)據(jù)和操作的集合，PlantSimulation中的每個(gè)對(duì)象都包括屬性和事件，屬性是對(duì)象的一些特性，而事件則是指對(duì)象的狀態(tài)發(fā)生顯著變化，如工件到達(dá)某個(gè)工序上的機(jī)器，事件可以觸發(fā)相應(yīng)的控制，使仿真系統(tǒng)按照控制策略正常運(yùn)行。同時(shí)，PlantSimulation提供了SimTalk語(yǔ)言，SimTalk語(yǔ)言是面向?qū)ο笳Z(yǔ)言，可以通過(guò)SimTalk語(yǔ)言對(duì)仿真模型的運(yùn)行進(jìn)行控制和進(jìn)行調(diào)度算法庫(kù)的編寫[38]。使用PlantSimulation搭建集成電路制造系統(tǒng)仿真模型，可以說(shuō)是將實(shí)際生產(chǎn)線在計(jì)算機(jī)中還原，通過(guò)對(duì)仿真模型的研究，可以更為總體和宏觀的把握實(shí)際生產(chǎn)線，并且仿真模型的建立也為將理論研究應(yīng)用于實(shí)際生產(chǎn)打好基礎(chǔ)。2.5.2模型參數(shù)分析基于PlantSimulation平臺(tái)下搭建的仿真模型采用的是面向?qū)ο蟮慕７绞?，面向?qū)ο蠓椒ㄊ且苑庋b了數(shù)據(jù)和對(duì)數(shù)據(jù)進(jìn)行操作的對(duì)象以及不同對(duì)象之間的相互關(guān)系為中心的[38]，因而在PlantSimulation平臺(tái)下搭建的集成電路制造系統(tǒng)仿真模型可劃分為兩部分：表示生產(chǎn)線物理構(gòu)件的對(duì)象層和表示對(duì)象之間相互關(guān)系的控制層，對(duì)象層是實(shí)際生產(chǎn)線特征的抽象，而控制層是實(shí)際生產(chǎn)線行為抽象，模型參數(shù)因此可分為對(duì)象參數(shù)和控制參數(shù)。集成電路制造系統(tǒng)仿真模型在搭建時(shí)將生產(chǎn)線中的一些屬性或流程參數(shù)簡(jiǎn)化，使得模型因缺乏準(zhǔn)確的、隨實(shí)際情況變化的參數(shù)而不夠精確[53]，對(duì)于模型存在的上述問(wèn)題，可對(duì)模型的對(duì)象層和控制層分解分析，選取出對(duì)模型影響較大且經(jīng)過(guò)簡(jiǎn)化的對(duì)象參數(shù)或控制參數(shù)，運(yùn)用系統(tǒng)中存在的相關(guān)信息在不改變模型結(jié)構(gòu)的情況下通過(guò)對(duì)參數(shù)輸入進(jìn)行離線參數(shù)化建模，并將參數(shù)化模型輸出結(jié)果作為仿真模型以改善仿真模型參數(shù)不準(zhǔn)確、不及時(shí)的情況。2.6本章小結(jié)本章介紹了集成電路制造系統(tǒng)模型：數(shù)學(xué)模型、基于智能化算法的模型、Petri網(wǎng)模型和仿真模型，分析了每類模型的建模機(jī)制和模型的參數(shù)存在形式，為參數(shù)化方法設(shè)計(jì)提供了基礎(chǔ)。

第3章集成電路制造系統(tǒng)模型參數(shù)化方法研究3.1引言模型參數(shù)化方法是基于生產(chǎn)系統(tǒng)中存儲(chǔ)的大量歷史數(shù)據(jù)和在線數(shù)據(jù)，利用統(tǒng)計(jì)分析、神經(jīng)網(wǎng)絡(luò)和灰色理論等智能化方法構(gòu)建參數(shù)化模型，由此獲取集成電路制造系統(tǒng)模型參數(shù)的潛在知識(shí)與模式，以參數(shù)化模型的輸出作為研究模型的輸入?yún)?shù)，為模型的構(gòu)建與決策分析提供可靠性、有效性的數(shù)據(jù)支撐。集成電路制造系統(tǒng)的參數(shù)化方法是對(duì)集成電路制造系統(tǒng)模型的補(bǔ)充與完善，其不僅用于改善已有模型存在的缺陷，也用于分析和解釋集成電路執(zhí)行系統(tǒng)的某些行為特性和變化規(guī)律。3.2集成電路制造系統(tǒng)模型參數(shù)化方法體系結(jié)構(gòu)設(shè)計(jì)模型參數(shù)化方法有兩種應(yīng)用場(chǎng)景，一為對(duì)已搭建模型的優(yōu)化，在不改變現(xiàn)有模型結(jié)構(gòu)的前提下，對(duì)模型存在的僵化參數(shù)輸入進(jìn)行離線參數(shù)化建模分析，并將參數(shù)化輸出作為已搭建模型輸入，使得已搭建的模型因具有更準(zhǔn)確的參數(shù)輸入而得到優(yōu)化；二為直接建立參數(shù)化模型對(duì)集成電路制造系統(tǒng)的某些特征及性能進(jìn)行分析，即將問(wèn)題解決過(guò)程轉(zhuǎn)化為參數(shù)求解過(guò)程。根據(jù)模型參數(shù)化方法應(yīng)用場(chǎng)景的不同，集成電路制造系統(tǒng)模型參數(shù)化體系可分為以已搭建模型為優(yōu)化對(duì)象的參數(shù)化優(yōu)化體系和直接建立參數(shù)化模型的參數(shù)化建模體系。3.2.1模型參數(shù)化優(yōu)化體系針對(duì)第2章闡述的集成電路制造系統(tǒng)各模型存在的問(wèn)題和缺陷，本文采用模型參數(shù)化優(yōu)化方法進(jìn)行優(yōu)化，模型參數(shù)化優(yōu)化方法的思路是通過(guò)對(duì)現(xiàn)有模型分析，選取出對(duì)模型影響較大的但不具實(shí)際情況變化的僵化參數(shù)進(jìn)行建模，并將結(jié)果以輸入形式反饋給現(xiàn)有模型以提高現(xiàn)有模型的準(zhǔn)確性。模型參數(shù)化優(yōu)化方法主要是利用系統(tǒng)中存在的歷史數(shù)據(jù)對(duì)參數(shù)的輸入進(jìn)行建模，而不改變模型原有的參數(shù)結(jié)構(gòu)和數(shù)量，模型參數(shù)化優(yōu)化體系結(jié)構(gòu)如圖3.1所示。圖3.1模型參數(shù)化優(yōu)化體系結(jié)構(gòu)圖模型參數(shù)化優(yōu)化方法的思路來(lái)源于軟件工程中的黑箱原理，即將集成電路制造系統(tǒng)模型看作一個(gè)黑箱，方法不對(duì)模型本身進(jìn)行修改，而是通過(guò)對(duì)模型輸入端、輸出端和結(jié)構(gòu)分析，得到對(duì)模型輸出結(jié)果影響較大并且在建模時(shí)簡(jiǎn)化的參數(shù)，利用數(shù)據(jù)庫(kù)中存貯的歷史數(shù)據(jù)和模型輸出數(shù)據(jù)對(duì)該參數(shù)輸入離線分析建模，然后將優(yōu)化后的數(shù)據(jù)導(dǎo)入到數(shù)據(jù)庫(kù)中，模型通過(guò)使用優(yōu)化的輸入改善參數(shù)僵化的問(wèn)題，最終達(dá)到提高模型準(zhǔn)確率的目的。模型參數(shù)優(yōu)化體系用于從參數(shù)的角度出發(fā)對(duì)現(xiàn)有的精度不高的模型進(jìn)行優(yōu)化，該體系結(jié)構(gòu)將已搭建的模型和參數(shù)化模型通過(guò)參數(shù)值傳遞的形式結(jié)合。3.2.2模型參數(shù)化建模體系模型參數(shù)化建模體系實(shí)際上是直接從數(shù)據(jù)的角度出發(fā)建立參數(shù)化模型發(fā)掘參數(shù)中隱含的知識(shí)和模式，從而對(duì)所研究的對(duì)象進(jìn)行分析。模型參數(shù)化建模體系如圖3.2所示。圖3.2模型參數(shù)化建模體系模型參數(shù)化建模方法是將實(shí)際問(wèn)題的求解過(guò)程轉(zhuǎn)化為參數(shù)的求解過(guò)程，利用系統(tǒng)中存在的數(shù)據(jù)建立參數(shù)化模型以分析集成電路制造系統(tǒng)中的某些特性如設(shè)備運(yùn)行情況等。3.3集成電路制造系統(tǒng)模型參數(shù)化流程設(shè)計(jì)參數(shù)化方法建模流程包括關(guān)鍵參數(shù)分析及選取、數(shù)據(jù)預(yù)處理、參數(shù)優(yōu)化算法設(shè)計(jì)與實(shí)現(xiàn)和結(jié)果分析四大部分。參數(shù)化方法建模流程如圖3.3所示。圖3.3參數(shù)化方法建模流程圖第一步：參數(shù)分析選取。由于集成電路制造系統(tǒng)的復(fù)雜特性，參數(shù)化建模時(shí)首先需要選取問(wèn)題的主成分進(jìn)行分析，參數(shù)的選取使研究的問(wèn)題得到簡(jiǎn)化，也使參數(shù)算法更具有針對(duì)性；第二步：數(shù)據(jù)預(yù)處理。參數(shù)化建模的數(shù)據(jù)來(lái)源于企業(yè)，而由企業(yè)提供的數(shù)據(jù)常因?yàn)楦鞣N因素而存在較大的擾動(dòng)性，這些擾動(dòng)可能影響數(shù)據(jù)所代表的信息，因此對(duì)數(shù)據(jù)進(jìn)行平穩(wěn)識(shí)別處理是參數(shù)化建模必要步驟；第三步：根據(jù)選取參數(shù)的特點(diǎn)對(duì)其進(jìn)行優(yōu)化算法設(shè)計(jì)和建模。本文主要用到的參數(shù)化算法為時(shí)間序列分析法、神經(jīng)網(wǎng)絡(luò)和灰色理論等；第四步：結(jié)果分析。通過(guò)對(duì)性能指標(biāo)的分析考察選用的參數(shù)化方法是否達(dá)到預(yù)期效果，若沒(méi)有，則返回第一步重新分析選取參數(shù)建模。3.3.1數(shù)據(jù)預(yù)處理企業(yè)提供的數(shù)據(jù)由于受到各種內(nèi)外界因素的影響而呈現(xiàn)擾動(dòng)較大、分布不均等特點(diǎn)，這些特點(diǎn)影響了數(shù)據(jù)中隱含的信息和模式，故在參數(shù)化建模前期需對(duì)數(shù)據(jù)進(jìn)行預(yù)處理以保障建模數(shù)據(jù)質(zhì)量。數(shù)據(jù)預(yù)處理主要包括離群點(diǎn)檢測(cè)和歸一化處理。(1)離群點(diǎn)檢驗(yàn)在一組測(cè)定值中，有時(shí)會(huì)發(fā)現(xiàn)一個(gè)或幾個(gè)測(cè)定值明顯地離群，比其他的測(cè)定值明顯的偏大或偏小，這些值的存在將影響原始數(shù)據(jù)的整體特征，需識(shí)別出來(lái)進(jìn)行進(jìn)一步處理。離群點(diǎn)檢測(cè)方法主要有以下幾種：t值檢驗(yàn)法將可疑測(cè)定值以外的其余測(cè)定值當(dāng)做一個(gè)總體，由這些測(cè)定值計(jì)算平均值與標(biāo)準(zhǔn)差，而將可疑值當(dāng)作一個(gè)樣本容量為1的特殊總體。如果與其他測(cè)定值同屬于一個(gè)總體，則它與其他測(cè)定值之間不應(yīng)有顯著性差異。檢測(cè)統(tǒng)計(jì)量為：(3.1)若統(tǒng)計(jì)量的值大于相應(yīng)顯著性水平下的檢驗(yàn)法的臨界值，則將判為離群點(diǎn)。Dixon檢驗(yàn)法[39]對(duì)于按大小排列的觀測(cè)值，計(jì)算臨界值和:(3.2)(3.3)確定顯著性水平，并查詢?cè)撍较碌呐R界值，若，則判定為離群點(diǎn)；若，則判定為離群點(diǎn)；否則沒(méi)有離群點(diǎn)。分位數(shù)檢驗(yàn)法[40]分位數(shù)檢驗(yàn)法采用了如下統(tǒng)計(jì)量：(3.4)(3.5)(3.6)(3.7)其中，、分別為樣本數(shù)據(jù)的1/4分位點(diǎn)和3/4分為點(diǎn)。若有樣本落在區(qū)間以外，則認(rèn)為這些樣本為離群數(shù)據(jù)，若有樣本落在之外，則認(rèn)為這些樣本為極奇異常數(shù)據(jù)。(2)歸一化處理數(shù)據(jù)歸一化處理是參數(shù)化處理的重要步驟，歸一化處理是把所有的數(shù)據(jù)轉(zhuǎn)化為[0,1]之間的數(shù)，取消各維數(shù)據(jù)數(shù)量級(jí)的差別，避免因?yàn)檩斎胼敵鰯?shù)據(jù)的數(shù)量級(jí)差別較大而造成分析預(yù)測(cè)的誤差較大。數(shù)據(jù)歸一化的方法有兩種：（a）平均數(shù)方差法。數(shù)學(xué)表述如下：(3.8)為數(shù)據(jù)序列的均值；為數(shù)據(jù)序列的方差。（b）最大最小法。數(shù)學(xué)表述如下：(3.9)為數(shù)據(jù)序列最小值，為數(shù)據(jù)序列最大值。3.3.2參數(shù)算法針對(duì)不同的參數(shù)特點(diǎn)和性質(zhì)，選取不同的參數(shù)算法方法發(fā)掘其隱藏的知識(shí)和模式，本文用到的參數(shù)化算法有統(tǒng)計(jì)學(xué)方法中的K-S檢驗(yàn)法、時(shí)間序列法和智能化算法中的人工神經(jīng)網(wǎng)絡(luò)和灰色理論。K-S檢驗(yàn)學(xué)者Kolmogorov對(duì)Glivenko定理指出的“經(jīng)驗(yàn)分布是理論分布的相容估計(jì)”這一結(jié)論進(jìn)行了深入的研究，得到了基于上結(jié)論的用于描述兩個(gè)獨(dú)立統(tǒng)計(jì)樣本的相似性的分布擬合優(yōu)度檢驗(yàn)方法，該方法就是著名的Kolmogorov-Smirnov檢驗(yàn)。在統(tǒng)計(jì)學(xué)中，Kolmogorov-Smirnov(K-S)檢驗(yàn)根據(jù)相容估計(jì)原理來(lái)判斷樣本是否來(lái)自某一特定分布。假設(shè)(3.10)且全樣本獨(dú)立，F(xiàn)(x)和G(x)為連續(xù)分布函數(shù)，我們感興趣的檢驗(yàn)問(wèn)題為：(3.11)由Glivenko定理知，用經(jīng)驗(yàn)分布函數(shù)來(lái)近似理論分布函數(shù)是可行的，于是Smirnov用統(tǒng)計(jì)量：(3.12)來(lái)檢驗(yàn)上面的假設(shè)問(wèn)題，其中和分別為X樣本和Y樣本的經(jīng)驗(yàn)分布函數(shù)，和分別表示X樣本和Y樣本的順序統(tǒng)計(jì)量，m，n表示樣本數(shù)；的拒絕域?yàn)槠淙∽畲笾?。統(tǒng)計(jì)量D所對(duì)應(yīng)的顯著性水平p由可靠性分布函數(shù)表示：(3.13)其中(3.14)顯然，若兩獨(dú)立樣本相似，統(tǒng)計(jì)量距離時(shí)，，反之亦然。K-S檢驗(yàn)可用來(lái)檢測(cè)數(shù)據(jù)是否服從正態(tài)分布、對(duì)數(shù)正態(tài)分布、韋伯分布、指數(shù)分布和對(duì)數(shù)分布。時(shí)間序列分析時(shí)間序列(TimeSeries)可看作是隨機(jī)數(shù)據(jù)序列或動(dòng)態(tài)數(shù)據(jù)序列，其具有長(zhǎng)期趨勢(shì)變動(dòng)、季節(jié)變動(dòng)、隨機(jī)變動(dòng)等一類或幾類變動(dòng)形式耦合或疊加的特點(diǎn)，其中長(zhǎng)期趨勢(shì)變動(dòng)反映了客觀事物的主要變化趨勢(shì)，它是指時(shí)間序列具有持續(xù)上升、下降或停留在某一水平上的傾向；季節(jié)變動(dòng)是指序列由于受某種固定周期性因素的影響而呈現(xiàn)出有規(guī)律的周期性波動(dòng)；隨機(jī)變動(dòng)是指由于大量的隨機(jī)因素產(chǎn)生的宏觀影響，根據(jù)中心極限定理，通常認(rèn)為隨機(jī)變動(dòng)近似服從正態(tài)分布。時(shí)間序列分析[41]是運(yùn)用概率統(tǒng)計(jì)的理論和方法來(lái)分析隨機(jī)數(shù)據(jù)序列(或稱動(dòng)態(tài)數(shù)據(jù)序列)，并對(duì)其建立數(shù)學(xué)模型，進(jìn)行參數(shù)估計(jì)，對(duì)模型定階，以及進(jìn)一步應(yīng)用于預(yù)報(bào)、預(yù)測(cè)、自適應(yīng)控制等各方面。時(shí)間序列分析常用如下方法進(jìn)行預(yù)測(cè)，主要有：1）趨勢(shì)外推法趨勢(shì)外推法是利用已知的具有各種變化特性的曲線如線性曲線、指數(shù)曲線、包絡(luò)曲線等擬合時(shí)間序列過(guò)去和現(xiàn)在的發(fā)展趨勢(shì)的分析方法。趨勢(shì)外推法適用于精度要求不很高的中長(zhǎng)期趨勢(shì)預(yù)測(cè)。2）指數(shù)平滑法時(shí)間序列的態(tài)勢(shì)具有穩(wěn)定性和規(guī)則性，所以時(shí)間序列可被合理地順勢(shì)推延，過(guò)去的態(tài)勢(shì)在某種程度上會(huì)持續(xù)到未來(lái)，且一般說(shuō)來(lái)歷史數(shù)據(jù)對(duì)未來(lái)值的影響是隨時(shí)間間隔的增大而減小的，指數(shù)平滑法則以遞推形式對(duì)各期觀測(cè)值依時(shí)間順序進(jìn)行加權(quán)平均作為預(yù)測(cè)值[42]。3）自回歸移動(dòng)平均模型自回歸移動(dòng)平均模型通過(guò)數(shù)據(jù)自身的某些滯后序列進(jìn)行解釋，這樣形成自回歸模型（AR模型）；另一方面認(rèn)為時(shí)間序列是若干白噪聲序列的某種組合，這樣形成移動(dòng)平均模型(MA模型)，而將兩種模型進(jìn)行有機(jī)地結(jié)合形成自回歸移動(dòng)平均模型(ARMA模型)。這是一種典型的隨機(jī)型時(shí)間序列分析方法，常用于對(duì)隨機(jī)性波動(dòng)較頻繁序列的短期預(yù)測(cè)。自回歸移動(dòng)平均模型適用于平穩(wěn)序列的分析，對(duì)于非平穩(wěn)的序列，可以通過(guò)差分或季節(jié)差分以及各種變換進(jìn)行平穩(wěn)化處理后再采用，這樣的模型統(tǒng)稱為ARIMA模型。人工神經(jīng)網(wǎng)絡(luò)近年來(lái)，人工神經(jīng)網(wǎng)絡(luò)理論[44]隨著計(jì)算機(jī)技術(shù)和人工智能技術(shù)的發(fā)展得以迅速發(fā)展。人工神經(jīng)網(wǎng)絡(luò)建模是通過(guò)學(xué)習(xí)一個(gè)訓(xùn)練數(shù)據(jù)集并應(yīng)用所學(xué)知識(shí)產(chǎn)生預(yù)測(cè)或分類模型的過(guò)程，人工神經(jīng)網(wǎng)絡(luò)因具有大規(guī)模計(jì)算、并行處理、自適應(yīng)學(xué)習(xí)、非線性映射和魯棒容錯(cuò)性等特性，在控制優(yōu)化、模式識(shí)別、智能信息處理以及故障診斷等多個(gè)領(lǐng)域得到廣泛應(yīng)用。神經(jīng)元是神經(jīng)網(wǎng)絡(luò)的基本處理單元，一般表現(xiàn)為一個(gè)多輸入、單輸出的非線性通用器件的結(jié)構(gòu)模型，該結(jié)構(gòu)模型是神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)基礎(chǔ)，神經(jīng)元結(jié)構(gòu)模型如圖3.4所示。圖3.4神經(jīng)元結(jié)構(gòu)模型上圖表示了基本神經(jīng)元模型，它由三個(gè)基本要素組成：一組連接，連接強(qiáng)度由該連接上的權(quán)值表示，權(quán)值為正表示激活，為負(fù)表示抑制。一個(gè)求和器，用于求輸入信號(hào)對(duì)神經(jīng)元的相應(yīng)突觸加權(quán)之和。一個(gè)激活函數(shù)，也稱壓制函數(shù)，因?yàn)樗鼘⑤斎胄盘?hào)壓制到一定幅度范圍內(nèi)，一個(gè)輸出正常的幅度一般在[0,1]之間或者[-1,+1]之間，該函數(shù)也起到了非線性映射的作用。以上的神經(jīng)元模型可以數(shù)學(xué)表達(dá)式表示：(3.15)(3.16)(3.17)式中，為輸入信號(hào)，為神經(jīng)元k的權(quán)值，為線性組合的結(jié)果，為閾值，為激活函數(shù)，為神經(jīng)元k的輸出。神經(jīng)網(wǎng)絡(luò)就是將大量上述神經(jīng)元模型通過(guò)一定的拓?fù)浣Y(jié)構(gòu)組織起來(lái)的具有群體并行處理能力的計(jì)算結(jié)構(gòu)，根據(jù)神經(jīng)元連接方式的不同可將神經(jīng)網(wǎng)絡(luò)分為分層網(wǎng)絡(luò)和互聯(lián)網(wǎng)絡(luò)，本文主要采用分層網(wǎng)絡(luò)結(jié)構(gòu)，典型的神經(jīng)網(wǎng)絡(luò)分層網(wǎng)絡(luò)結(jié)構(gòu)如圖3.5所示。圖3.5神經(jīng)網(wǎng)絡(luò)分層網(wǎng)絡(luò)結(jié)構(gòu)雖然人工神經(jīng)網(wǎng)絡(luò)與真正的生物神經(jīng)網(wǎng)絡(luò)有差別，但由于它具備了生物神經(jīng)網(wǎng)絡(luò)的眾多優(yōu)點(diǎn)，因此具有一些固有的特性[44]：并行分布式處理。神經(jīng)網(wǎng)絡(luò)由很多功能簡(jiǎn)單的神經(jīng)元相互連接而成，這些簡(jiǎn)單的處理單元在計(jì)算時(shí)采用集體的、并行的計(jì)算方式進(jìn)行，這種并行結(jié)構(gòu)和并行計(jì)算方式具有高速尋找優(yōu)化解的能力。非線性處理。人工神經(jīng)網(wǎng)絡(luò)有很強(qiáng)的非線性擬合能力并可映射任何復(fù)雜的非線性關(guān)系。魯棒容錯(cuò)性。部分或局部的神經(jīng)元運(yùn)作不正常不會(huì)對(duì)整個(gè)網(wǎng)絡(luò)活動(dòng)造成很大影響。自適應(yīng)學(xué)習(xí)。通過(guò)對(duì)過(guò)去的歷史數(shù)據(jù)的學(xué)習(xí)，訓(xùn)練出一個(gè)具有歸納全部數(shù)據(jù)模式的特定神經(jīng)網(wǎng)絡(luò)，即它的連接權(quán)值和連接的結(jié)構(gòu)均通過(guò)學(xué)習(xí)得到?；疑碚撻L(zhǎng)期從事自動(dòng)化、系統(tǒng)工程和控制研究論研究的我國(guó)學(xué)者鄧聚龍教授于1982首次提出了“灰色系統(tǒng)理論”并發(fā)表了灰色系統(tǒng)理論奠基性論文“TheControlProblemofGreySystem”?；疑碚撌且浴安糠中畔⒁阎?、部分信息未知”的“小樣本”、“貧信息”不確定性系統(tǒng)為研究對(duì)象，通過(guò)對(duì)“部分”已知信息的生成、開發(fā)提取有價(jià)值的信息。灰色系統(tǒng)是用灰色參數(shù)、灰色方程及灰色矩陣來(lái)描述灰色系統(tǒng)的?；疑珔?shù)用表示，表示不知道具體數(shù)值而只知道部分?jǐn)?shù)據(jù)特征的參數(shù)，具有灰色參數(shù)的方程成為灰色方程，灰色方程如3.18所示。(3.18)行列數(shù)確知而含有灰色元的矩陣稱為灰色矩陣。一般灰色矩陣用來(lái)表示。矩陣中有個(gè)元素，則定義為矩陣的灰色度，式中為矩陣中灰元素的個(gè)數(shù)。將定義為矩陣的白色度?；疑到y(tǒng)理論實(shí)質(zhì)是，運(yùn)用灰色系統(tǒng)理論的思想和方法，將抽象現(xiàn)象或因素予以量化，對(duì)數(shù)據(jù)進(jìn)行處理，對(duì)未來(lái)做出定量預(yù)測(cè)和決策，并將結(jié)構(gòu)、關(guān)系、機(jī)制都不十分清楚的對(duì)象或系統(tǒng)做預(yù)測(cè)控制，從而完成系統(tǒng)分析。灰色系統(tǒng)建模思想如圖3.6所示。圖3.6灰色系統(tǒng)建模思想灰色系統(tǒng)建模是通過(guò)對(duì)原始信息隨機(jī)性進(jìn)行削弱而將原始信息轉(zhuǎn)化為具有灰色特征的時(shí)間序列，并應(yīng)用微分?jǐn)M合法將該灰色時(shí)間序列建立為類似微分方程形式的模型，該模型具有微分、差分、指數(shù)兼容等性質(zhì)，模型的參數(shù)、結(jié)構(gòu)隨時(shí)間的推進(jìn)而改進(jìn)[54]，因而灰色系統(tǒng)模型是反映系統(tǒng)變化的動(dòng)態(tài)模型?；疑到y(tǒng)建模是一種用不足信息建立信息盡可能充分的模型的途徑，是用離散數(shù)據(jù)建立微分方程的一種方法，可以將抽象系統(tǒng)模型化、實(shí)體化[45]。3.4集成電路制造參數(shù)化系統(tǒng)設(shè)計(jì)及實(shí)現(xiàn)為了使系統(tǒng)設(shè)計(jì)層次清晰、可重用性強(qiáng)、程序維護(hù)性良好，對(duì)集成電路制造參數(shù)化系統(tǒng)實(shí)行了數(shù)據(jù)庫(kù)、用戶界面層和參數(shù)化模型層三層框架設(shè)計(jì)，集成電路制造參數(shù)化系統(tǒng)三層框架如圖3.7所示。圖3.7集成電路制造參數(shù)系統(tǒng)框架圖數(shù)據(jù)層：存儲(chǔ)歷史數(shù)據(jù)、仿真數(shù)據(jù)和實(shí)時(shí)數(shù)據(jù)，其主要作用是為參數(shù)化分析提供數(shù)據(jù)支持，本文選用MicrosoftSQLServer2008作為本地?cái)?shù)據(jù)庫(kù)軟件。用戶界面層：溝通數(shù)據(jù)層和參數(shù)化模型層，用戶界面層用來(lái)定義對(duì)數(shù)據(jù)的處理方式和對(duì)參數(shù)化模型進(jìn)行操作，選用MicrosoftVisualStudio2008作為用戶界面層開發(fā)平臺(tái)，編程語(yǔ)言使用C#。參數(shù)化模型層：參數(shù)化算法的實(shí)現(xiàn)。根據(jù)對(duì)參數(shù)的操作方式不同，一般需要VisualStudio2008和MATLAB結(jié)合作為參數(shù)化模型層開發(fā)平臺(tái)。3.4.1數(shù)據(jù)層模塊設(shè)計(jì)與實(shí)現(xiàn)數(shù)據(jù)層模塊的主要功能是將存儲(chǔ)在本地磁盤的信息加載到數(shù)據(jù)庫(kù)中，這些存儲(chǔ)在本地磁盤的信息包括實(shí)時(shí)生產(chǎn)線信息和實(shí)際生產(chǎn)線歷史信息等，這些數(shù)據(jù)由企業(yè)以.CSV文件形式提供，當(dāng)然，數(shù)據(jù)也可以其他形式給出。本地?cái)?shù)據(jù)加載流程如圖3.8所示。圖3.8本地?cái)?shù)據(jù)加載流程圖數(shù)據(jù)加載實(shí)現(xiàn)（1）.CSV到VisualStudio2008加載.NETFramework平臺(tái)提供了很多對(duì)文件進(jìn)行讀寫的類，用于解決應(yīng)用程序之間的數(shù)據(jù)交換問(wèn)題。在數(shù)據(jù)源位置為磁盤文件或網(wǎng)絡(luò)的某些位置時(shí)，常用FileStream或StreamReader類從文件中讀取數(shù)據(jù)[46]。本文的參數(shù)化系統(tǒng)采用StreamReader類將數(shù)據(jù)從.CSV文件讀取到VisualStudio2008內(nèi)存中。（2）ETLETL是Extract，Transform和Load的縮寫，即數(shù)據(jù)提取、轉(zhuǎn)換和加載。ETL是聯(lián)機(jī)分析處理和數(shù)據(jù)挖掘的基礎(chǔ)，首先通過(guò)Extract將關(guān)系數(shù)據(jù)、平面數(shù)據(jù)文件中的分布異構(gòu)數(shù)據(jù)抽取到臨時(shí)中間層中，其次通過(guò)Transform對(duì)臨時(shí)中間層中的數(shù)據(jù)進(jìn)行清洗、轉(zhuǎn)換、集成，最后Load到數(shù)據(jù)倉(cāng)庫(kù)或數(shù)據(jù)集市中為下一步的數(shù)據(jù)分析做準(zhǔn)備。ETL是數(shù)據(jù)分析中是承前啟后的必要的一步，相對(duì)于關(guān)系數(shù)據(jù)庫(kù)，數(shù)據(jù)倉(cāng)庫(kù)技術(shù)沒(méi)有嚴(yán)格的數(shù)學(xué)理論基礎(chǔ)，它更面向?qū)嶋H工程應(yīng)用。ETL整合了數(shù)據(jù)從分布異構(gòu)數(shù)據(jù)源的收集、數(shù)據(jù)清洗、數(shù)據(jù)重構(gòu)的流程和數(shù)據(jù)加載到目的端數(shù)據(jù)庫(kù)、數(shù)據(jù)集市、數(shù)據(jù)倉(cāng)庫(kù)的流程，是構(gòu)建數(shù)據(jù)倉(cāng)庫(kù)系統(tǒng)的關(guān)鍵技術(shù)[47]。本文采用在VisualStudio中自定義函數(shù)完成ETL功能，主要包括默認(rèn)值補(bǔ)全、數(shù)據(jù)類型轉(zhuǎn)換、表結(jié)構(gòu)轉(zhuǎn)換、數(shù)據(jù)一致性檢查、數(shù)據(jù)完整性檢查、對(duì)特定字段進(jìn)行計(jì)算等。（3）VisualStudio2008到SQLSERVER2008加載本文采用了微軟公司提供的開源MDAC接口組件實(shí)現(xiàn)兩者之間的交互。MicrosoftDataAccessComponents（MDAC）是微軟專門為數(shù)據(jù)訪問(wèn)功能而開發(fā)的應(yīng)用程序開發(fā)接口，作為微軟的統(tǒng)一化數(shù)據(jù)訪問(wèn)解決方案的核心組成，其組成組件有ODBC，OLEDB以及ADO。該組件作為開源資源可有網(wǎng)絡(luò)下載獲取，可直接添加到界面層程序項(xiàng)目中調(diào)用。ADO.NET是C#和.NETFramework一起使用的類集名稱，用于以關(guān)系型的、面向表的格式訪問(wèn)數(shù)據(jù)。ADO.NET集成在VisualStudio2008中可通過(guò)添加命名空間的方式進(jìn)行調(diào)用。在界面層中VisualStudio2008和SQLSERVER2008之間的交互均是通過(guò)調(diào)用該類實(shí)現(xiàn)。數(shù)據(jù)加載優(yōu)化實(shí)現(xiàn)由于每次加載的數(shù)據(jù)通常為多版.CSV文件，加載時(shí)間較長(zhǎng)，故本文采用了多線程編程技術(shù)和批量加載技術(shù)對(duì)加載過(guò)程進(jìn)行優(yōu)化。（1）多線程編程技術(shù)多線程編程技術(shù)，就是使程序中包含并發(fā)執(zhí)行的多個(gè)線程。當(dāng)多線程程序執(zhí)行時(shí)，在該程序?qū)?yīng)的進(jìn)程中就有多個(gè)控制流在同時(shí)運(yùn)行，即具有并發(fā)執(zhí)行的多個(gè)線程。C#中線程被封裝成對(duì)象，使用時(shí)將每一張表單的加載設(shè)置成一個(gè)線程對(duì)象。使用時(shí)線程個(gè)數(shù)的設(shè)置和主線程的設(shè)置對(duì)數(shù)據(jù)加載時(shí)間影響較大，且并非線程數(shù)越多加載速度越快，在某數(shù)據(jù)加載程序中，對(duì)線程個(gè)數(shù)遍歷設(shè)置，在適當(dāng)?shù)闹骶€程設(shè)置的情況下，線程數(shù)為3的多線程加載高于線程數(shù)為10的多線程加載。同時(shí)需注意，設(shè)置線程時(shí)應(yīng)注意表單之間的關(guān)聯(lián)依賴關(guān)系，避免死鎖的產(chǎn)生。（2）批量加載（SqlBulkCopy）應(yīng)用微軟公司提供的開源MDAC接口組件將數(shù)據(jù)插入到SQLSERVER2008中時(shí)，默認(rèn)使用Insert方式，即將數(shù)據(jù)從VisualStudio中一條條插入到SQLSERVER中，該方式下的時(shí)間開銷主要集中在平臺(tái)之間的通訊中。SqlBulkCopy是.NETFramework2.0新增的類，位于命名空間system.Data.sqlclient下，主要提供把其他數(shù)據(jù)源的數(shù)據(jù)有效批量地加載到SQLSERVER表中的功能。SqlBulkCopy可以應(yīng)用到大批量數(shù)據(jù)的轉(zhuǎn)移上，節(jié)省了平臺(tái)之間的通訊時(shí)間。在某數(shù)據(jù)加載程序中，聯(lián)合使用多線程加載方式和批量加載方式對(duì)28張表單進(jìn)行加載，使得加載時(shí)間從原來(lái)的12分鐘左右降到了8分鐘左右，兩種方式的結(jié)合使用對(duì)數(shù)據(jù)加載效率提升效果明顯。（3）ODBC數(shù)據(jù)庫(kù)中另外一些數(shù)據(jù)來(lái)源于集成電路制造系統(tǒng)仿真模型，仿真運(yùn)行過(guò)程中會(huì)產(chǎn)生大量數(shù)據(jù)，是作為未來(lái)研究分析生產(chǎn)線性能指標(biāo)的重要依據(jù)。使用Tecnomatix公司的PlantSimulation平臺(tái)搭建的仿真模型通過(guò)ODBC數(shù)據(jù)源接口與SQLSERVER數(shù)據(jù)庫(kù)建立連接，將仿真結(jié)果存儲(chǔ)到本地?cái)?shù)據(jù)庫(kù)中。3.4.2用戶界面層設(shè)計(jì)與實(shí)現(xiàn)用戶界面層用來(lái)為用戶提供友好的操作界面，使用戶通過(guò)簡(jiǎn)單的按鍵操作完成數(shù)據(jù)加載功能、信息顯示功能、參數(shù)設(shè)置功能及輸出分析功能等。用戶界面層是在VisualStudio2008平臺(tái)上進(jìn)行開發(fā)，采用了交互層、邏輯層和顯示層三層架構(gòu)。用戶界面層的具體的結(jié)構(gòu)設(shè)計(jì)如圖3.9所示。圖3.9用戶界面層的三層結(jié)構(gòu)設(shè)計(jì)交互層：提供VisualStudio2008中數(shù)據(jù)與SQLSERVER2008數(shù)據(jù)交互機(jī)制。邏輯層：接受用戶層的參數(shù)，定義不同的處理邏輯，調(diào)用交互層提取本地?cái)?shù)據(jù)庫(kù)中數(shù)據(jù)進(jìn)行處理，返回給表現(xiàn)層執(zhí)行結(jié)果或返回給數(shù)據(jù)庫(kù)供仿真使用。在參數(shù)化過(guò)程中，可將數(shù)據(jù)操作分析過(guò)程甚至優(yōu)化算法嵌在邏輯層中共用戶使用。顯示層：根據(jù)用戶需求提供人機(jī)接口供用戶選擇相應(yīng)操作，完成數(shù)據(jù)加載、參數(shù)設(shè)置、模型選擇、結(jié)果顯示等功能。用戶界面層的主要界面如圖3.10-3.12所示。圖3.10數(shù)據(jù)自定義加載界面圖3.11特殊菜單設(shè)置界面圖3.12性能指標(biāo)分析界面3.4.3參數(shù)化模型層設(shè)計(jì)與實(shí)現(xiàn)參數(shù)化模型本文用到的參數(shù)化模型主要有時(shí)間序列分析法中的指數(shù)平滑法模型、小波神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型和灰色理論預(yù)測(cè)模型。（A）指數(shù)平滑法模型指數(shù)平滑法（ExponentialSmoothing，ES）由布朗(RobertG.Brown)提出，它是在移動(dòng)平均法基礎(chǔ)上發(fā)展起來(lái)的一種時(shí)間序列分析預(yù)測(cè)法。指數(shù)平滑法的原理是任一期的指數(shù)平滑值都是本期實(shí)際觀察值與前一期指數(shù)平滑值的加權(quán)平均，由于具有穩(wěn)定性和規(guī)則性的時(shí)間序列的模式將被推延，過(guò)去的趨勢(shì)會(huì)對(duì)現(xiàn)在造成影響，并且時(shí)間間隔越小的信息對(duì)現(xiàn)在或未來(lái)的影響越大，故將較大的權(quán)數(shù)放在最近的信息并且權(quán)值隨著時(shí)間間隔變長(zhǎng)而遞減。指數(shù)平滑法通過(guò)合理設(shè)置指數(shù)平滑權(quán)值，配合一定的時(shí)間序列預(yù)測(cè)模型對(duì)現(xiàn)象的未來(lái)進(jìn)行預(yù)測(cè)。使用指數(shù)平滑法分析流程如圖3.13所示。圖3.13指數(shù)平滑法分析流程使用指數(shù)平滑法進(jìn)行建模時(shí)需要根據(jù)實(shí)際問(wèn)題確定模型的結(jié)構(gòu)，主要包括三大步，平滑模型選擇、平滑系數(shù)選擇和初始值確定。平滑模型選擇指數(shù)平滑法一般有一次指數(shù)平滑法、二次指數(shù)平滑法和三次指數(shù)平滑法。設(shè)時(shí)間序列為，一次指數(shù)平滑法：(3.19)二次指數(shù)平滑法：(3.20)三次指數(shù)平滑法：(3.21)當(dāng)時(shí)間序列變動(dòng)出現(xiàn)直線趨勢(shì)時(shí)，一次指數(shù)平滑法存在明顯的滯后偏差，二次指數(shù)平滑法是對(duì)一次指數(shù)平滑法的修正，即在一次指數(shù)平滑法的基礎(chǔ)上再進(jìn)行一次指數(shù)平滑，利用滯后偏差規(guī)律找出曲線發(fā)展方向和發(fā)展趨勢(shì)。三次指數(shù)平滑是對(duì)二次指數(shù)平滑的再一次修正。（2）平滑系數(shù)選擇當(dāng)指數(shù)平滑法應(yīng)用與預(yù)測(cè)時(shí)，可按如下標(biāo)準(zhǔn)進(jìn)行選擇：當(dāng)原序列呈現(xiàn)出比較穩(wěn)定的水平趨勢(shì)時(shí)，應(yīng)取得小一些，一般在0.1.~0.3之間；當(dāng)原序列波動(dòng)較大時(shí)，應(yīng)選擇適中一些的數(shù)據(jù)，一般在0.3~0.5之間；當(dāng)原序列波動(dòng)較大且趨勢(shì)較明顯時(shí)，應(yīng)選取大一些，在0.6~0.8之間。（3）初始值確定當(dāng)序列數(shù)據(jù)量較大時(shí)，模型的初始值對(duì)最終的結(jié)果影響較大。在這種情況下，通常選取前幾個(gè)數(shù)的平均值模型作為初始值。（B）小波神經(jīng)網(wǎng)絡(luò)相比于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)，小波神經(jīng)網(wǎng)絡(luò)具有結(jié)構(gòu)更簡(jiǎn)單、收斂速度更快、精度更高、學(xué)習(xí)能力更強(qiáng)等優(yōu)點(diǎn)，并且由于小波神經(jīng)網(wǎng)絡(luò)的基元和整個(gè)結(jié)構(gòu)是依據(jù)小波分析理論確定的，避免了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)在設(shè)計(jì)上的盲目性[50]，本文采用小波神經(jīng)網(wǎng)絡(luò)作為模型參數(shù)化方法，小波神經(jīng)網(wǎng)絡(luò)建模流程如圖3.14所示。圖3.14小波神經(jīng)網(wǎng)絡(luò)建模流程在使用時(shí)需要根據(jù)問(wèn)題特點(diǎn)確定使用哪種結(jié)構(gòu)和訓(xùn)練方法能達(dá)到最優(yōu)化的結(jié)果。具體說(shuō)，神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)需要決定神經(jīng)網(wǎng)絡(luò)的輸入節(jié)點(diǎn)數(shù)目、輸出節(jié)點(diǎn)的數(shù)目、網(wǎng)絡(luò)的層數(shù)、神經(jīng)元的相互的連接、選擇什么樣的訓(xùn)練函數(shù)，以及網(wǎng)絡(luò)訓(xùn)練規(guī)則。（1）輸入層、輸出層與網(wǎng)絡(luò)層數(shù)設(shè)計(jì)輸入層和輸出層的維數(shù)是根據(jù)問(wèn)題的需要來(lái)設(shè)計(jì)的，問(wèn)題確定后，輸入層和輸出層的單元數(shù)也隨之而定。在設(shè)計(jì)中，應(yīng)盡量的減少系統(tǒng)的層數(shù)，使學(xué)習(xí)時(shí)間和系統(tǒng)的復(fù)雜度減小。（2）隱含層節(jié)點(diǎn)數(shù)的選擇隱含層節(jié)點(diǎn)的作用是從樣本中提取并存儲(chǔ)其內(nèi)在規(guī)律，隱含層節(jié)點(diǎn)數(shù)太少，網(wǎng)絡(luò)從樣本中獲取信息的能力就差且容錯(cuò)性差，隱含層節(jié)點(diǎn)數(shù)過(guò)多，有可能把樣本中非規(guī)律性內(nèi)容如噪聲等也學(xué)會(huì)記牢，出現(xiàn)所謂“過(guò)擬合”問(wèn)題，反而降低泛化能力，并且，隱含層節(jié)點(diǎn)數(shù)過(guò)多會(huì)增加網(wǎng)絡(luò)訓(xùn)練時(shí)間，因而對(duì)于多層網(wǎng)絡(luò)而言，隱含層節(jié)點(diǎn)數(shù)的確定是網(wǎng)絡(luò)模型成敗的關(guān)鍵。目前確定最佳隱含層節(jié)點(diǎn)數(shù)的常用方法是試湊法[55]，可先設(shè)置較少的隱含層節(jié)點(diǎn)訓(xùn)練網(wǎng)絡(luò)，然后逐漸增加隱含層節(jié)點(diǎn)數(shù)目，使用同一樣本進(jìn)行訓(xùn)練，從中得出網(wǎng)絡(luò)誤差最小使對(duì)應(yīng)的隱含層節(jié)點(diǎn)數(shù)為最佳隱含層節(jié)點(diǎn)數(shù)。試湊法的初始隱含層節(jié)點(diǎn)數(shù)可按經(jīng)驗(yàn)公式3.22-3.24確定。(3.22)(3.23)(3.24)式中為隱含層節(jié)的點(diǎn)數(shù)，為輸入節(jié)點(diǎn)數(shù)，為輸出層節(jié)點(diǎn)，為0~10之間的常數(shù)。(3)幾個(gè)網(wǎng)絡(luò)參數(shù)值的選擇各隱含層的學(xué)習(xí)率和動(dòng)態(tài)參數(shù)的大小將決定網(wǎng)絡(luò)性能的成功與否，所以這幾個(gè)參數(shù)選擇的好壞最終關(guān)系到網(wǎng)絡(luò)設(shè)計(jì)成功與否。動(dòng)態(tài)參數(shù)起到平滑的作用，在提高學(xué)習(xí)率的同時(shí)應(yīng)適當(dāng)降低動(dòng)態(tài)參數(shù)的值，以避免系統(tǒng)出現(xiàn)尖銳的波峰或波谷。(4)訓(xùn)練集的選取訓(xùn)練集選擇根據(jù)訓(xùn)練集的規(guī)模、訓(xùn)練集模式地分布狀況等方面確定。網(wǎng)絡(luò)訓(xùn)練中提取的規(guī)律蘊(yùn)含在樣本中，因此樣本一定要具有代表性，訓(xùn)練樣本集不宜選得過(guò)大，但又要足以表征所研究問(wèn)題的一些主要的或基本特性。（C）灰色理論預(yù)測(cè)模型灰色預(yù)測(cè)是將系統(tǒng)行為特征量的變化過(guò)程看作為一個(gè)灰色過(guò)程，利用灰色系統(tǒng)理論的微分方程模型(GreyModel)進(jìn)行預(yù)測(cè)。GM（1,1）模型是灰色模型中的一種，也是預(yù)測(cè)中最為常用的一種模型，其中，（1，1）分別代表一階方程和一個(gè)變量。本文采用GM（1,1）的殘差修正模型進(jìn)行參數(shù)化建模。GM（1,1）殘差修正模型建模流程如圖3.15所示。圖3.15GM（1,1）殘差修正模型建模流程假定原始數(shù)據(jù)序列為式中n為樣本數(shù)。對(duì)進(jìn)行累加生成：(3.25)對(duì)建立白化微分方程：(3.26)a和u為待定參數(shù)。將上微分方程離散化：取，則式3.26表示為：(3.27)求參數(shù)a和u，方程3.27移項(xiàng)：(3.28)令，則有：(3.29)引入符號(hào)：(3.30)則有：(3.31)令：(3.32)則公式3.31變?yōu)椋?3.33)兩邊左乘則為(3.34)兩邊左乘則為(3.35)得到(3.36)這里，是的轉(zhuǎn)置矩陣，是的逆矩陣。白化微分方程3.26求解：令，得到微分方程的解為：(3.37)數(shù)據(jù)還原：(3.38)上式即為GM（1,1）模型。（6）模型精度檢驗(yàn)。GM(1，1)模型常用的精度檢驗(yàn)法有：殘差檢驗(yàn)法、后驗(yàn)差檢驗(yàn)法和關(guān)聯(lián)度檢驗(yàn)法，本文采用后驗(yàn)差檢驗(yàn)法進(jìn)行檢驗(yàn)。按照GM（1,1）建模法所求出的如式3.38所示，殘差如式3.39所示。(3.39)原始序列和殘差序列的方差分別為，則(3.40)(3.41)其中，，后驗(yàn)差比為(3.42)小誤差概率為(3.43)指標(biāo)是后驗(yàn)差檢驗(yàn)的兩個(gè)重要指標(biāo)，按兩個(gè)指標(biāo)，可綜合評(píng)定預(yù)測(cè)模型的精度。模型精度由后驗(yàn)差和小誤差概率共同決定。一般地，將模型精度分為四級(jí)，見(jiàn)表3.1。表3.1精度檢驗(yàn)等級(jí)參照表模型精度等級(jí)均方法比值C小誤差概率p1級(jí)（好）C<=0.350.95<=p2級(jí)（合格）0.35<C<=0.50.80<=p<0.953級(jí)（勉強(qiáng)）0.5<C<=0.650.70<=p<0.804級(jí)（不合格）0.65<CP<0.70（6）模型修正。若GM（1,1）模型的精度檢驗(yàn)不合格時(shí)，利用殘差對(duì)模型進(jìn)行修正，且當(dāng)相對(duì)誤差大于給定誤差時(shí)對(duì)模型進(jìn)行誤差修正。GM（1,1）模型的殘差修正過(guò)程為：令，其中為模型誤差第一次大于給定誤差的時(shí)刻，利用上述序列建立GM（1,1）模型，得到殘差模型對(duì)原模型的修正模型：(3.44)其中，(3.45)對(duì)GM（1,1）的修正模型進(jìn)行精度檢驗(yàn)，若不合格，則再次進(jìn)行殘差修正，直至精度達(dá)到要求。接口實(shí)現(xiàn)由于MATLAB強(qiáng)大的數(shù)據(jù)分析功能和自帶的各種智能化算法工具箱支持，參數(shù)化模型常在MATLAB平臺(tái)下進(jìn)行開發(fā)，為使參數(shù)化系統(tǒng)界面友好使用方便，需將在MATLAB下開發(fā)的參數(shù)化模塊與C#混合編程通過(guò)組件化的形式嵌入到操作顯示模塊中，使整個(gè)系統(tǒng)具有統(tǒng)計(jì)分析的能力。C#和MATLAB聯(lián)合編程，使得原有基于其他平臺(tái)開發(fā)的仿真模型具有數(shù)據(jù)分析處理能力，極大的提高了模型性能并使仿真系統(tǒng)更為完善。本文采用COM組件技術(shù)和MATLAB引擎技術(shù)作為MATLAB與C#的接口技術(shù)。組件對(duì)象模型(ComponentObjectModelCOM)[49]，它不是一種面向?qū)ο蟮恼Z(yǔ)言，而是組件之間相互接口的規(guī)范，其作用是使各種軟件構(gòu)件和應(yīng)用軟件能夠用一種統(tǒng)一的標(biāo)準(zhǔn)方式進(jìn)行交互。COM所建立的是一個(gè)軟件模塊與另一個(gè)軟件模塊之間的鏈接，當(dāng)這種鏈接建立之后，模塊之間就可以通過(guò)稱之為“接口”的機(jī)制來(lái)進(jìn)行通信，應(yīng)用程序請(qǐng)求創(chuàng)建COM對(duì)象并通過(guò)COM對(duì)象的接口操縱COM對(duì)象。MATLAB支持組件自動(dòng)化(COMAutomation)，即允許一個(gè)程序或組件去控制另一個(gè)程序或組件。本文將MATLAB參數(shù)化模型以組建的形式嵌入到VisualStudio中供用戶界面調(diào)用。MATLAB與C#聯(lián)合編程流程如圖3.16所示。圖3.16MATLAB與C#聯(lián)合編程流程MATLAB與C#聯(lián)合編程步驟如下：Step1：環(huán)境配置。當(dāng)使用由MATLAB和C#聯(lián)合編程的軟件在客戶機(jī)運(yùn)行時(shí)，需要.NETFramework和MCR兩個(gè)組件提供支持?？赏ㄟ^(guò)直接安裝VisualStudio和MATLAB的形式安裝，或直接下載安裝這兩個(gè)組件；Step2：在MATLAB下以M文件形式編寫參數(shù)化模型。通過(guò)MATLAB編譯器將M文件轉(zhuǎn)化成.NETAssembly類庫(kù)或COM對(duì)象。COM對(duì)象形式為DLL動(dòng)態(tài)鏈接庫(kù)文件；Step3：在VisualStudio2008開發(fā)的界面項(xiàng)目下添加DLL文件的引用，對(duì)項(xiàng)目編譯，M文件中定義的方法將以類的形式存在于VisualStudio2008中，在VisualStudio2008平臺(tái)下調(diào)用參數(shù)化模型與調(diào)用自身類相似，在VisualStudio2008下調(diào)用MATLAB中類調(diào)用方式如圖3.17所示。圖3.17VisualStudio2008平臺(tái)下調(diào)用MATLAB函數(shù)C#語(yǔ)言具有界面良好、執(zhí)行速度快和易維護(hù)等優(yōu)點(diǎn)，但是在復(fù)雜算法實(shí)現(xiàn)方面由于編程難度過(guò)高而難以深入應(yīng)用，MATLAB語(yǔ)言提供了強(qiáng)大的數(shù)值計(jì)算并提供了很多工程領(lǐng)域的實(shí)用工具箱但界面開發(fā)能力較差。因此實(shí)現(xiàn)C#與MATLAB混合編程，提高了軟件開發(fā)效率，擴(kuò)展了所開發(fā)軟件的性能。也為科學(xué)研究和工程問(wèn)題結(jié)合提供更強(qiáng)的技術(shù)支持。3.5本章小結(jié)本章首先根據(jù)模型參數(shù)化方法的不同作用，歸納了兩種集成電路制造系統(tǒng)模型參數(shù)化方法體系結(jié)構(gòu)——模型參數(shù)化優(yōu)化體系結(jié)構(gòu)和模型參數(shù)化建模體系結(jié)構(gòu)，然后設(shè)計(jì)了模型參數(shù)化方法流程，詳細(xì)介紹了模型參數(shù)化方法中使用到的算法，最后，給出模型參數(shù)化系統(tǒng)的數(shù)據(jù)層、用戶界面層和模型層框架，詳細(xì)說(shuō)明系統(tǒng)各層的模塊功能，介紹了在不同平臺(tái)下模塊的實(shí)現(xiàn)技術(shù)和優(yōu)化技術(shù)，并分別予以實(shí)現(xiàn)。

第4章模型參數(shù)化方法在加工時(shí)間參數(shù)優(yōu)化中的應(yīng)用4.1問(wèn)題描述上海某半導(dǎo)體制造企業(yè)目前使用的生產(chǎn)調(diào)度排程系統(tǒng)FabSimSys是一款基于PlantSimulation搭建的集成電路制造系統(tǒng)仿真模型，該系統(tǒng)通過(guò)對(duì)實(shí)際生產(chǎn)線進(jìn)行仿真得到工件派工單來(lái)指導(dǎo)生產(chǎn)線操作工人進(jìn)行調(diào)度。由于該企業(yè)的生產(chǎn)規(guī)模較大且加工流程復(fù)雜，在建模初期對(duì)很多重要參數(shù)進(jìn)行了簡(jiǎn)單設(shè)定，使得模型的仿真準(zhǔn)確率受到影響，企業(yè)希望在不改變現(xiàn)有模型構(gòu)架的情況下盡可能高的提高模型的準(zhǔn)確率從而提高派工單的可靠性，這是一個(gè)典型的模型參數(shù)化優(yōu)化建模應(yīng)用場(chǎng)景。本章將首先對(duì)FabSimSys進(jìn)行分析，找到對(duì)模型影響較大的且設(shè)定簡(jiǎn)單的待優(yōu)化參數(shù)，通過(guò)對(duì)該參數(shù)的輸入離線建模優(yōu)化而改善模型。4.2待優(yōu)化參數(shù)選取企業(yè)級(jí)應(yīng)用系統(tǒng)FabSimSys是模擬企業(yè)實(shí)際生產(chǎn)線加工過(guò)程的仿真模型，通過(guò)仿真得到派工單指導(dǎo)生產(chǎn)線操作人員對(duì)加工工件派工。顯而易見(jiàn)，模型中工件的派工邏輯與實(shí)際生產(chǎn)線的工件派工邏輯越相似，模型中設(shè)備狀態(tài)與實(shí)際生產(chǎn)線設(shè)備狀態(tài)越相似，則模型的仿真準(zhǔn)確程度越高，產(chǎn)生的派工單越可靠。但在模型結(jié)構(gòu)已確定的情況下，修改模型邏輯不僅工作量大，而且復(fù)雜的耦合效應(yīng)可能使結(jié)果得不償失，而已搭建的仿真模型中存在許多在實(shí)際加工過(guò)程中有重要物理意義、但僅為簡(jiǎn)單設(shè)定的屬性參數(shù)，如設(shè)備的維護(hù)周期等，這些參數(shù)與實(shí)際情況的符合程度影響著模型的準(zhǔn)確性。本章從這些屬性參數(shù)入手，利用歷史數(shù)據(jù)對(duì)其輸入進(jìn)行參數(shù)化