釜山大学·江原大学·蔚山大学发布“基于AI的生产排程优化实现研究”

by Jo Chunghyeon

Published 10 Dec.2024 12:32(KST)

Updated 01 Aug.2025 20:11(KST)

open/close

制造工艺在信息有限下也能智能管理：用AI推理弥补设备数据不足

釜山大学 Han Junhee 教授团队等联合研究，提出利用AI优化生产计划框架

釜山大学·江原大学·蔚山大学联合研究团队发表研究成果，利用人工智能在受限环境下对不足的制造设备数据进行推理，提供最优生产排程。

釜山大学（校长 Choi Jaewon）10日表示，产业工学系 Han Junhee 教授团队通过与江原大学 Lee Juyong 教授、蔚山大学 Hwang Kyuseon 教授的联合研究，提出了利用人工智能进行生产计划优化的框架。

研究团队在题为《Machine learning-based dispatching for a wet clean station in semiconductor manufacturing》（基于机器学习的半导体清洗设备投料优化）的论文中提出一种算法，在生产多种产品的制造设备中，利用设备提供的最少信息，通过人工智能模型预测设备产量，并据此制定最优生产排程，从而实现生产计划优化。

本次实验在半导体清洗工艺中进行。研究的内容是如何让将作为制造半导体芯片基本材料的薄片“晶圆”清洗得更快、更高效。

晶圆清洗是用多种化学物质和水洗去表面的灰尘、污染物和污渍，以提升半导体性能和质量的工艺。在这一过程中，机械臂负责搬运晶圆，由于不同产品的清洗时间和顺序各不相同，如果实现优化，就有望提升生产率。但问题在于，难以掌握用于优化清洗过程的时间、顺序等详细信息。现有信息仅限于记录晶圆何时进入和离开清洗机的日志。

研究团队为利用这些受限数据，引入了人工智能技术。通过训练人工智能模型预测晶圆清洗时间如何变化，并在此基础上开发出最有效率地安排晶圆投放的方法。

实验结果显示，这一方法比既有的数学计算方式（CPLEX）提供了更快速、更实用的解决方案。借此可以清洗更多晶圆，有望提升工厂整体生产率。

不仅是本次研究对象——半导体清洗设备，在制造业中广泛使用的各类制造设备，利用设备提供的数据得出最优生产排程也同样至关重要。

既有研究大多是在假设具备生产优化所需全部数据的前提下开展的。然而在实际现场，为生产所需的数据往往无法完全收集，因此在应用传统研究方法论时存在局限。本次研究利用生产多种产品的制造设备所能提供的最低限度信息，通过人工智能模型预测设备产量，并以此制定最优生产排程，从而最大化生产率。

这种方法可应用于数据收集受限的多种情境。在具有复杂内部设备运动的制造设备，或在数据收集存在局限的中小企业制造设备中也可加以应用，意义重大。

釜山大学产业工学系 Han Junhee 教授表示：“本研究的意义在于，在数据收集受限的设备上推断不足信息，并在此基础上开发出改进生产率的人工智能算法。所开发的算法可应用于数据收集不充分的多种制造环境，对制定更有效的生产计划将大有裨益。”