半導體前道工廠和半導體后道封裝、測試和包裝工廠都會在部署本地派工規(guī)則和排程的同時部署全局派工規(guī)則，以提高生產效率。通常，全局規(guī)則通過部署生產線平衡算法來確保滿足交貨日期并優(yōu)化瓶頸解決工具的利用率。這些生產線平衡算法具有不同的參數，需要根據工廠狀態(tài)對給定的產品組合進行調整。如今，這些參數是手動調整的，或者在某些情況下，使用模擬建模功能。很難計算這些參數對工廠中所有設備、所有產品和工藝步驟的影響。因此，手動調整參數可能會對工廠KPI指標產生負面影響，而使用模擬技術找到一組最佳參數又會耗費大量時間。本案例詳細介紹我們如何使用SmartFactory Productivity AI在大幅縮短的時間內自動調整派工規(guī)則參數。

請看下圖1 中的示例。根據全局規(guī)則，有四個參數用于確定瓶頸解決工具和生產線平衡閾值，以根據在制品（WIP）的小時數來判斷設備是否處于不足、充足或高負荷狀態(tài)。表格顯示了這些參數可能的取值范圍。要為給定的工廠狀態(tài)找到這些參數的最佳值，一種方法是運行模擬模型。在每次模擬中，我們選擇不同的參數值組合，并測量由此產生的KPI指標，這種方法在文獻中被稱為“網格搜索”。每次運行都是為期90天的模擬，而一個模擬模型運行90天模擬并衡量按時交付率和生產周期等KPI指標，需要花費數天時間。這在日常運營中并不實用。

圖1：全局規(guī)則中的生產線平衡參數

為了解決這個問題，我們部署了SmartFactory AI Productivity和Evolutionary Optimization，并結合模擬退火方法來同時找到按時交付和生產周期的最佳參數。圖 2 顯示如何使用SmartFactory AI Productivity（包括Simulation AutoSched和Fusion模塊以及RTD和Activity Manager）部署該算法。

圖2：算法部署

使用這種方法，我們能夠在幾小時內找到最佳參數值，而不是花費數天。在每次迭代中，我們都改變生產線平衡參數值和瓶頸站點系列的組合。如圖3所示，以前需要迭代300次網格搜索才能找到86.90%的最佳按時交付率，而我們只需迭代10次模型運行就能夠達到98.83%的按時交付率。

圖3：按時交付率建模

如圖4所示，在以生產周期為KPI指標進行迭代時，使用我們的方法運行模型的第四次迭代達到了886小時的KPI指標；相比之下，網格搜索的KPI指標為992小時。

圖4：生產周期建模

如圖5所示，一旦獲得最佳設置，就可以將其與現有的派工規(guī)則和排程應用程序集成，并在工廠的日常運營中整合和重新計算結果。

圖5：生產部署

在瓶頸設備上運行總搬運量的本地KPI指標，僅用4次迭代就找到最佳瓶頸閾值和生產線平衡閾值，達到 20,181次的搬運量。

模擬優(yōu)化是實現派工和排程參數自動化的第一步；我們計劃進一步改進，通過使用強化學習方法來實現這些參數的自動化。