一种微电子生产检测线多线并行在线节拍优化方法

技术领域

本发明涉及微电子生产相关领域，具体为一种微电子生产检测线多线并行在线节拍优化方法。

背景技术

传统离线算法多采用预先模拟，预先制定策略的方式生成生产线多线并行时机器人或AGV的行动路径，这些方法在生产现场环境与仿真或预设参数不一致时会导致无法对现场进行及时的调整和优化，针对上述的问题，设计了一种微电子生产检测线多线并行在线节拍优化方法。

发明内容

本发明的目的在于提供一种微电子生产检测线多线并行在线节拍优化方法，通过在线优化并生成最优节拍的控制方法，可应用于以微电子生产或测试为代表的多线并行自动化线体，实时调整控制策略，优化节拍，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：一种微电子生产检测线多线并行在线节拍优化方法，包括以下步骤；

步骤S1、设定一套多线并行的生产线，它的N个工作站(可并可串)记为P

步骤S2、当生产线启动时根据每一时刻的状态，系统判断有哪些可执行的动作，并选择合理的动作行动，直至最后所有产品都下线，期间所执行动作的序列记为AR

步骤S3、将步骤S2中理论上的各动作消耗CR

步骤S4、通过步骤S3中模拟退火算法计算，得到以下方式选择预选路径：

a.从前一条路径中，随机选择一个点，并随机插入到不同于当前位置的任一位置，得到新的预选路径。

b.如果该路径不满足约束条件，则保留原路径；

c.如果该路径满足约束条件，且消耗小于原路径，则将该预选路径作为新的路径；

d.如果该路径满足约束条件，且消耗大于原路径，则以概率K

在上述路径中选择一条行动策略；

步骤S5、执行步骤S4的行动策略，机器人或AGV按照该策略行动，并使用传感器记录该策略的实际消耗，并将记录的采样消耗值进行加权平均计算，通过不断迭代，系统每次计算的最短路径都会相对接近于系统的现实情况，保证整个生产作业的稳定和高效。

优选的，所述步骤S1中工作站的状态设有OK、NG、NULL和WORKING四种，其中前工作站OK时需要拿走其中的产品转移到一个状态为NULL的后工作站，直至产线末端下线，转移的过程即一个“动作”。

优选的，所述步骤S3中修改后的转移概率矩阵为：

其中K

其中，CR(x)代表路径的消耗，X为所有路径的集合。

优选的，所述步骤S4中对记录的采样消耗值进行加权平均计算公式为：

其中0≤α≤1。

与现有技术相比，本发明的有益效果是：本发明解决了理论与实际不符导致的生产线效率节拍与估计值严重不符的问题，能够有效地提升并行产线的效率，对于越复杂的并行产线效果越显著。

附图说明

图1为本发明的工作站动作结构示意图；

图2为本发明的工作站动作状态初始结构示意图；

图3为图2中的工作站动作下一状态结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明提供一种技术方案：一种微电子生产检测线多线并行在线节拍优化方法，包括以下步骤；

步骤S1、设定一套多线并行的生产线，它的N个工作站(可并可串)记为P

步骤S2、当生产线启动时根据每一时刻的状态，系统判断有哪些可执行的动作，并选择合理的动作行动，直至最后所有产品都下线，期间所执行动作的序列记为AR

步骤S3、将步骤S2中理论上的各动作消耗CR

步骤S4、通过步骤S3中模拟退火算法计算，得到以下方式选择预选路径：

a.从前一条路径中，随机选择一个点，并随机插入到不同于当前位置的任一位置，得到新的预选路径。

b.如果该路径不满足约束条件，则保留原路径；

c.如果该路径满足约束条件，且消耗小于原路径，则将该预选路径作为新的路径；

d.如果该路径满足约束条件，且消耗大于原路径，则以概率K

在上述路径中选择一条行动策略；

步骤S5、执行步骤S4的行动策略，机器人或AGV按照该策略行动，并使用传感器记录该策略的实际消耗，并将记录的采样消耗值进行加权平均计算，通过不断迭代，系统每次计算的最短路径都会相对接近于系统的现实情况，保证整个生产作业的稳定和高效。

进一步的，所述步骤S1中工作站的状态设有OK、NG、NULL和WORKING四种，其中前工作站OK时需要拿走其中的产品转移到一个状态为NULL的后工作站，直至产线末端下线，转移的过程即一个“动作”。

进一步的，所述步骤S3中修改后的转移概率矩阵为：

其中K

其中，CR(x)代表路径的消耗，X为所有路径的集合。

进一步的，所述步骤S4中对记录的采样消耗值进行加权平均计算公式为：

其中0≤α≤1

具体的，我们假设有一套多线并行的生产线，它的N个工作站(可并可串)记为P

通常情况下，由于生产线都是没有循环的，只需要确定初始状态，工程师就能够规划出一条确定的行动路径，使得总消耗相对来说比较小。然而，在实际生产过程中，往往动作的消耗会与预估的值发生偏差，例如，生产现场放置工作站时的偏差，机器人或AGV走位设置与设计的差异，设备的延迟等，都会使得消耗不再相等于理论计算值，那么在一个极长的动作序列中，就会发生一些与预期状态不一样的状态，导致原有的计算不再正确，甚至产生较大的偏差。例如，某个工作站的延迟会导致机器人的等待，最后演变为整个过程的中间状态与预估的不一致。

所以，我们在这里阐述一种方法，将离线的规划转变为在线方式解决，可以在生产过程中实时地规划和调整策略，使得系统对最短路径的规划不至于发生极大的偏差，确保实际生产策略的有效性。

本算法以模拟退火算法为基础，相当于将模拟退火算法改进为在线模式。

第一步，我们将我们理论上的各动作消耗作为输入，在产线的任意时刻，状态为S

其中K

/>

其中，CR(x)代表路径的消耗，X为所有路径的集合。

则由蒙特卡洛定理可知，随着采样次数增加，最后采样分布会稳定在概率矩阵P的平稳分布上，在此平稳分布上的采样，取到的路径会在最短路径的集合点间跳跃。

我们以这样的方式选择预选路径：

a.从前一条路径中，随机选择一个点，并随机插入到不同于当前位置的任一位置，得到新的预选路径。

b.如果该路径不满足约束条件，则保留原路径；

c.如果该路径满足约束条件，且消耗小于原路径，则将该预选路径作为新的路径；

d.如果该路径满足约束条件，且消耗大于原路径，则以概率K

考虑到计算资源通常有限，我们取退火速度β(n)～p

由此，我们可以在一次策略选择中选到一条极大可能是最短路径的行动策略。

输出策略并使得机器人或AGV按照该策略行动，并使用传感器记录该策略的实际消耗。还是以图3中的状态为例，假设最终我们选择的路径是P1->P3->P2->P7->P6->P9，则我们可以更新P1->P3、P3->P2、P2->P7、P7->P6、P6->P9这5条路径的消耗，更新方法为对过去所有采样值的加权平均，如式：

其中0≤α≤1。

通过不断迭代，系统每次计算的最短路径都会相对接近于系统的现实情况，从而保证整个生产作业的稳定和高效。

由此，该方法解决了理论与实际不符导致的生产线效率节拍与估计值严重不符的问题，能够有效地提升并行产线的效率，对于越复杂的并行产线效果越显著。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。