Scheduling LCD Photo process with Deep neural networks

1. Dispatching KPI 향상을 위한
AI Scheduler 고도화 기술 개발
2022 산학프로젝트 챌린지
팀 명: A.I.S
참여인원: 이동진, 이하은, 이성태
지도교수: 유우식
인천대학교
산업경영공학과

2. 목차
1. 연구배경 및 해결성과
2. 과제 대상 정의 및 목적함수
3. 연구 목표
4. AI scheduler 개념
5. 학습 프레임워크
6. 의사결정 방법
7. AI scheduler
8. 실험 환경 및 평가
9. 결론
2

3. • 해결 성과
• 연구 배경
1 최근 국내 외 4차 산업혁명 및 반도체에 관심이 증가함에 따라 반도체 및 제조 AI전문가 양성이 중요해짐
2 반도체 공정 중 Photo 공정은 병목공정으로 효율적인 일정계획 수립을 통해 병목현상을 해결 하는 것이 요구됨
3 Photo 공정 내에 존재하는 제약이 많아 효율적인 일정계획을 수립하는 것은 복잡하고 어려운 일임
4
기존 일정계획에서 사용하고 사용하고 있는 룰 기반, Meta heuristic기반 일정계획 수립 모델은 일반화 문제와, 많은 시
간이 소요되는 문제가 있어 위 문제를 해결할 수 있는 인공지능 기반의 일정계획 수립 모델이 요구되고 있음
그림
1 1 1 1
0.88 0.91 0.93 0.93
0.99 0.98 0.98 0.98
0.86 0.84 0.8 0.86
0.86 0.91 0.96 0.96
KPI:91.79
KPI:93.42
KPI:93.95
KPI:95.03
0.7
0.8
0.9
1
1.1
90
91
92
93
94
95
96
1 단계 2 단계 3단계 4단계
Array 생산량 CF 생산량 Array Setup시간 CF Setup시간 Layer balance KPI
• 1 단계
- Nx1 의사결정
- 전,후 lot 관계 고려
• 3 단계
- NxM 의사결정
- 4시간 이내 할당 lot
연관성 고려
- Dummy lot 고려
• 2 단계
- NxM 의사결정
- 전,후 lot 관계 고려
• 4 단계
- NxM 의사결정
- 4시간 이내 할당 lot
연관성 고려
- Dummy lot 고려
- Layer balance 고려
VMS agent KPI: 93.68
최종
점수
(KPI)
각
지표
별
점수
1. 연구배경 및 해결성과
3
<국내 AI 인재 양성>
출처: YONHPANEWS, [장현경 제작] 일러스트
<Photo 공정 병목현상 완화> <AI Agent를 통한 일반화 및 시간소요문제 해결>
<병목공정인 Photo 공정> <VMS agent>
<국내 AI 인재 부족>
출처: 소프트웨어정책연구소

4. 2. 과제 대상 정의 및 목적함수
4
• 과제 대상 정의 • 목적 함수 (KPI)
KPI 이름 설명 가중치
Array Photo
공정 생산량
1일 기준 공정 생산량이 12,000 이상인
경우 1점
미만인 경우 비율로 계산
점수 = MIN((생산량 / 12,000), 1)
25
CF Photo
공정 생산량
1일 기준 공정 생산량이15,000 이상인
경우 1점
미만인 경우 비율로 계산
점수 = MIN((생산량 / 15,000), 1)
25
Array Photo
Setup 비율
1일 기준 Setup 시간의 비율
점수 = 1 - {Setup 시간 /
(24 * 설비 수)}
15
CF Photo
Setup 비율
1일 기준 Setup 시간의 비율
점수 = 1 - {Setup 시간 /
(24 * 설비 수)}
15
Array Photo
Layer Balance
Layer 별 생산량의 비율
1 - MIN((MAX_QTY - MIN_QTY) / (2 *
MIN_QTY), 1)
20
문제 정의 설명
Photo 공정
- LCD 제조 SHOP 중 액정과 컬러 필터를 만드는
Photo 공정을 문제의 대상으로 함
이종병렬설비
- 작업물이 할당되는 설비에 따라 작업처리시간
이 달라지는 이종병렬설비 문제
전용 설비
- 설비에 대해 할당 가능한 작업물 속성이 결정
되는 전용 설비 문제
순서 의존적인
작업준비
- 설비에 할당되어 있는 작업물의 속성과 새롭게
할당되는 작업물의 속성에 따라 작업준비시간
(Setup time)이 달라지는 순서 의존적인 작업
준비 발생
Dummy lot,
유휴 시간
- 의사결정된 작업물이 도착할 때까지 혹은, 특
정 시간까지 설비를 유휴 상태로 만드는
Dummy lot 할당이 가능함
ETA 기반
의사결정
- 공정에 작업물이 실시간으로 도착하기 때문에
정확한 작업물의 도착시간을 알기 어려움
- 따라서, 작업물의 예상도착시간(Expected
time arrival)을 기반으로 의사결정 실행함
- 본 연구의 목표는 위와 같은 제약을 갖는 일정
계획 문제에서 KPI지표를 최대화하는 일정계
획 수립 모델을 개발하는 것임

5. • AI scheduler 개발을 통한 기업 scheduler 대비 KPI 성능 개선
• DNN 모델 적용
• Local features 기반 의사결정과 Global features 기반 의사결정
3. 연구 목표
5
기업 Simulator
실험 환경 설정
 LCD Photo 공정
 초기상태 random 설정
 휴리스틱 스케줄러 활용
Scheduling
problem
 실제 주문량 정보 입력
AI scheduler 개발
학습 데이터 수집
학습 데이터 수집
 작업물 정보
 작업물 생산량
 Setup 시간 및 이력
 작업물 처리시간
 Layer 정보
 ETA
 Arrangement 정보
AI
scheduler
AI scheduler 개발
Local features
기반 의사결정
Global features
기반 의사결정
성능평가
스케줄링 성능평가
 CF 생산량
 CF setup time
 Array 생산량
 Array setup time
 Array layer balance

6. 4. AI scheduler 개념
6
Simulator
AI scheduler
구간 Schedule 생성
07:00 07:05 07:10 07:15 07:20
Dispatcher
Equipment1
Equipment2
5분
Equipment3
…
구간 Schedule 결과
Simple Rule (필터성 제약)
AI scheduler 실행 시점의
작업물, 설비 상태
개발 대상
1. AI scheduler가 일정 주기로
주기 시간 이상의 Photo 공
정 구간 스케줄 수립함
2. 시뮬레이터 내의 Dispatcher
가 AI scheduler 에서 생성한
스케줄을 활용하여 최종
Dispatching을 수행함
3. Dummy lot을 할당할 경우
해당 구간 스케줄에서
Dummy lot 할당 설비는 유
휴 상태임

7. 5. 학습 프레임워크
7
• C#과 Python 환경 연동을 통한 AI scheduler training and test framework
MOZART
Simulator (C#)
*VMS Solutions Ltd
Scheduling
정보 (.csv)
 작업물 정보
 작업물 ETA
 Machine 상태 정보
스케줄링 결과
Dispatcher (C#)
설비 할당
설비,
작업물 상태
 설비에 따른 Tac time  Setup 조건
※ 5분 마다 Update
※ 실시간 Update
기준 정보 (.csv)
Training data
Training AI scheduler
(Python)
AI scheduler
Heuristic scheduler
Agent (Python)
Training Phase
Test Phase

8. 6. 의사결정 방법
8
• Local features 기반 의사결정
• Global features 기반 의사결정
1
2
m
…
…
Lot list
Lot list
Lot list
Lot selection
Global features
기반 의사결정
1
1 …
1
2
2
2
m
m
m
Lot과 설비 조합
Scheduler
…
1
2
m
…
…
Lot selection
Local features
기반 의사결정
Scheduler
Machine selection
Lot list
m

9. 7. AI scheduler
9
• 모델 개발을 위해 고려된 input 정보
카테고리 설명
Number of
Feature
Inputs
고려하고 있는 Eqp group 설비의 Capacity 비율 (24시간 기준)
Array: 10,
CF: 8
예상되는 Idle Time 1
고려하고 있는 Lot의 Qty 1
고려하고 있는 설비에서 고려하고 있는 Lot의 Setup 여부 (O: 1, X: 0) 1
설비에 할당 가능한 Lot 중 고려하고 있는 Lot과 동일한 타입의 Lots Qty Sum 1
설비에 할당 가능한 Lot들의 Idle Time 평균 1
설비에 할당 가능한 Lot 중, 고려하고 있는 Lot과 동일한 타입인 Lot의 Min Idle Time 1
고려하고 있는 Lot의 inflow Qty 1
고려하고 있는 lot의 layer balance priority 1
고려하고 있는 lot을 할당한 이후의 min(Layer Qty) / max(Layer Qty) 1
Array Output
(𝛼 × Idle Qty + 𝛽 × Setup 여부 + 𝛾 × (1 - Layer balance))  현재와 4시간 이내 미래
(𝛼 = Idle 가중치, 𝛽 = Setup 가중치, 𝛾 = Layer balance 가중치)
1
CF Output
(Lot Qty – 𝛿 × Idle Qty – 𝜀 × Setup 여부)  현재와 4시간 이내 미래
(𝛿 = Idle 가중치, 𝜀 = Setup 가중치)
1

10. • Output 계산 예시
- Scheduling 시간으로부터 4시간 이내 할당된 Lot 간의 연관성 고려함
- k값을 사용하여 미래의 불확실성을 추가적으로 고려
- Lot의 숫자는 할당 순서임
7. AI scheduler
10

11. 11
• AI scheduler 모델 구조
Array Photo 공정
CF Photo 공정
7. AI scheduler

12. 8. 실험 환경 및 평가
12
• 학습 파라미터 및 결과
학습 데이터 건 수 (Array model) Training: 1,600,132 Validation: 300,513
학습 데이터 건 수 (CF model) Training: 1,525,001 Validation: 344,621
Optimizer Adam(learning rate=0.0005)
Loss function MAE
Activation function Hidden Layer : relu, Array model Output Layer: relu, CF model Output Layer: linear
학습 소요 시간 각 모델에 대해 약 1 시간
Array output, cf output 가중치 KPI 가중치와 동일
K 0.9
Array 모델 CF 모델

13. • VMS에서 제공한 스케줄링 데이터를 이용
• 2020.06.30 AM 07:30:00 – 2020.07.01 AM 07:30:00
• VMS scheduler
8. 실험 환경 및 평가
Array 생산량 CF 생산량 Array Setup시간 CF Setup 시간 Array balance KPI
1 0.91 0.99 0.91 0.87 93.68

14. • AI scheduler (Local features 기반 의사결정)
8. 실험 환경 및 평가
Array 생산량 CF 생산량 Array Setup시간 CF Setup 시간 Array balance KPI
1 0.88 0.99 0.86 0.86 91.79

15. • AI scheduler (Global features 기반 의사결정)
8. 실험 환경 및 평가
Array 생산량 CF 생산량 Array Setup시간 CF Setup 시간 Array balance KPI
1 0.93 0.98 0.86 0.96 95.03

16. • 여러 제약을 갖는 LCD 제조 Photo공정에 대해 인공지능을 이용하여 일정계획을 수립
• Local features 기반 의사결정과 Global features 기반 의사결정을 적용한 결과 Global features
기반 의사결정이 더 좋은 성능을 보임
• 본 연구에서 제안한 AI scheduler 모델이 다른 모델들보다 높은 KPI지표를 보임
• AI scheduler 모델을 VMS 시뮬레이터와 연동하여 시뮬레이터의 경제성을 높이고 KPI를 향
상시켜 생산성을 높일 수 있을 것으로 기대됨
• 현재 사용 가능한 실험 데이터가 적어 향후 추가적인 실험 데이터 확보를 통해 다양한 데이
터에서의 학습 및 일반화 성능 확보 필요함
9. 결론