生產週期時間之文獻探討

2.2. 生產週期時間之文獻探討

由於本文為確保產能需求規劃之準確性，將估算生產週期時間以推估投料 時點，故生產週期時間的準確估算為本文關鍵之處。然而隨著生產系統複雜度 提升，預測生產週期時間之困難度因而倍增。Blackstone【7】即指出，所有排 程元素(elements)中，以等候時間之估算最為困難，若期盼產能需求規劃 (capacity requirement planning, CRP)能有效運作，則生產週期時間及等候時間 必須是可預測的。

在生產週期時間分類方面，Enns【22】將零工工廠之流程時間預測法分為 解析關係法(analytical relationship)、動態績效回饋法(dynamic performance feedback)與實證資料分析法(empirical data analysis)。其中以實證資料分析法建 立預測模型者最多，但各模型之建立係基於特定環境下發展出來，缺乏通用性 原則。另一方面，Glynn【27】、Matsuynama & Atherton【36】、Raddon & Grigsby

【39】將生產週期時間預測模式，區分為模擬法、等候理論與統計迴歸法。

Lawrance【31】則區分為實證資料分析法、模擬法與及數值分析法。

黃氏【64】則綜合上述說明並依據生產週期時間估算法之特性差異，將估 算法區分為下列五種類型，並簡述各類型之相關研究。

1. 直接程序法(direct procedure)

直接程序法係利用目前可得之資訊，如工件特徵、現場狀況之資訊，來進 行週期時間的估算。

Vig & Dooley【47】及張氏【67】均認為剛完工工件的生產績效，往往相 當程度反應系統現況，故採用動態回饋與更新法，利用最新完工的三個工件之 週期時間資訊，動態求算工件在各製程步驟之平均流動時間(flow time)，並結 合製程步驟數與加工時間等特性，透過適當的加權原則，以做為新工件之週期 時間推估。

2. 模擬法(simulation)與人工智慧法(artificial intelligence, AI)

所謂模擬乃模仿真實世界過程或系統之操作行為。主要透過電腦快速運算 能力，觀察操作性系統隨著時間前進下，系統內之組成成份依相關資料所產生 的交互影響，推論該系統之績效指標與特質，以作為決策或評估之參考【57】。

另一方面，亦可利用專家系統(expert system)與類神經網路(neural network)等人 工智慧方法進行預測程序，由於人工智慧方法常以模擬結果做為模型知識庫 (knowledge database)之建立，故與模擬屬於同一類型。

模擬為晶圓製造廠最廣泛使用的作業研究工具之一，其具有模擬系統動態 行為及解決 what-if 問題之能力【46】。Atherton & Atherton【5】即認為模擬係 具有描述晶圓製造廠動態產能之唯一工具。劉氏【56】亦針對晶圓廠情境，以 eM-Plant 建構該生產排程與模擬系統，得以快速估算產品週期時間與排程規 劃。且大多數晶圓廠已導入模擬系統，以做為預測生產績效或決策支援之工具。

在實務上，模擬系統雖已廣泛運用，但於學術研究方面，則將研究重心移 置生產策略、排程及活動控制績效之研究分析，如下列與模擬有關之文獻中

【23】【25】【55】【58】【59】【60】【63】【70】【71】【73】，模擬僅做為驗證各 種策略或方法成效之工具，並非研究之重點。

人工智慧方面，Chang et al.【11】運用案例式推演(case-based reasoning approach)方式，透過模擬系統取得大量資料，再刪除對生產週期時間影響性較 低之因子，並於確認重要因子後，將多個因子合併為一組資料作為一向量，經 由歐氏距離(euclidian distance)衡量資料與資料間距離(式 2- 1)，再透過式 2- 2 衡量資料間之相似性，並以多組資料量準確預測生產週期時間。其結果顯示，

運用案例式推演造成根號均方誤(RMSE)較倒傳遞類神經網路小，亦證實此方 法之準確度較倒傳遞類神經網路佳。

 





 ⁿ

i

i

i

b

a ab

1

2 式 2- 1

ab

ab

e

s

Yu et al.【51】運用類神經網路建立每一工作站之輸入與輸出關係，並做 為生產週期時間預測之學習系統(learning system)基礎，游氏【75】則將此機制 運用於晶圓製造廠之整合性訂單達交系統中。由於類神經網路在學習過程中需 耗費相當多時間，且模型之建構與維護需要特殊專業知識，使得其與模擬之應 用領域均受到相當限制。

3. 統計分析法(statistical analysis method)

利用迴歸分析或相關分析等統計方法，尋找週期時間與各種變數之間的關 係，並依此關係建立統計模型進行預測。

Raddon &Grigsby【39】依據歷史資料建立迴歸模型，以預測工件生產週 期時間。透過此模型可從 50%提升至 100%預測週期時間，且估算誤差於2天 之比例。

陳氏【71】估算薄膜電晶體陣列段之生產週期時間時，考量區間搬運之環 境下，使用迴歸分析建構「個別工作站等候時間模式」及「整體迴歸式」進行

估算週期時間，前者估算誤差小於 25%；後者估算誤差小於 3%，故整體迴歸 式遠優於個別工作站等候時間模式。

Backus et al.【7】利用資料挖礦(data mining)發展非線性預測模組以估算生 產週期時間。使用群組(clustering)、K-Nearest Neighbors 與迴歸樹(regression trees)演算法估算週期時間並相互比較，以判定何種演算法對於生產週期時間

4. 數學分析法(mathematical method)

此法主要以等候理論或數學模式為基礎，利用數學公式推導工件流動時間 之平均值及標準差，並以常態分配假設設定所需參數。

Wang et al.【48】結合 Little’s formula(LW )及 Kingman’s equation【29】， 以估算工作站週期時間(式 2- 3)，其中 u 為機台利用率、a 與 b 為估計參數，

Conway et al.【21】利用拉普拉斯轉換式(laplace transforms)估算單一機台 之流動時間(式 2- 6)。其中E

 

 

Connors et al.【20】運用等候網路模型估算晶圓製造廠之工作站利用率、

生產週期時間等績效指標，於模式型中考量重加工(rework)、報廢(scarp)與批

Chung and Huang【16】考量晶圓廠批次機台與序列機台混雜之物流時性，

發 展 出 區 段 基 礎 式 週 期 時 間 估 算 法 (block-based cycle time estimation

候時間(non-preemptive priority queueing model)進行估算，並進一步將 BBCT 推廣為系統存在多工單環境下之區段基礎式估算法(BBCT-MP)；郭氏【60】繼 續延伸 BBCT-MP，並多加考量區間搬運狀況之搬運時間，發展包含搬運時間 之晶圓廠生產週期時間估算法，使其估算更臻完備。

梁氏【58】套用 Connors et al.【20】之 M/G/C 等候模式，估算薄膜電晶體 陣列廠中工件於各工作站之負荷因子等候時間，並在進行等候搬運時間估算 時，於測試區採用 M/M/1 等候模式，薄膜、蝕刻與黃光區採用 M/D/1 等候模 式，將搬運時間與工作站之週期時間加總得各產品之平均生產週期時間，結果 證實估算誤差小於 3%。

李氏【55】考量製程規格能力對垂直鎖定機台限制下之生產週期時間。將 BBCT 推 廣 為 存 在 機 群 利 用 率 差 異 下 之 區 段 基 礎 式 週 期 時 間 估 算 法 (BBCT-VU)，以避免機群之利用率差異過大下，導致產品生產週期時間產生大 幅變異，進而喪失各產品之生產週期時間競爭力。結果證實估算誤差於 5%左 右。

5. 混合法(hybrid method)

此法將整合多種研究方法，以進行週期時間之預測。

Enns【22】考量工件特徵與現場負荷，同時運用數值分析與模擬法，發展 一動態流程時間估算法，並以此法預測週期時間，做為交期訂定之基礎。張氏 與朱氏【68】則結合模擬、迴歸分析與類神經網路法，透過模擬系統蒐集系統 到達穩態後之訂單資訊，並藉由迴歸分析找出對於影響流動時間之因子及各項 參數，再交由類神經網路進行測試及評估，以找出有效交期指定模式。

Baykasoglu et al.【10】使用統計預測技術以預估於零工式生產佈置下之動 態流程時間。考量交期指派模式(due date assignment model, DDAM)之 last data point(LDP) 、 dynamic total work content (DTWK) 、 dynamic process plus waiting(DPPW)與 Adaptive response rate exponential smoothing (ADDRES)演算 法，並套用 FIFO、EDD、SPT 與 S/RO 等派工法則，代入模擬系統，再以實 驗設計分析 DDAM、派工法則與系統負荷率之間關聯度，亦分析不同系統負 荷率下之績效值。結果證實 ADDRES 與 EDD 結合之方法於所有系統負荷率下 績效值最佳。

文中亦指出不同類別之工件以隨機方式進入生產系統，僅使用等候理論估 算工件於工作站之等候時間，易造成在複雜生產系統中等候時間估算不準確且 高估。故 ADDRES 考量方式為修正工件於機台前之等候時間w_ij，使用指數平 滑法(exponential smoothing model)估算誤差(式 2- 11)，由於每一工件於機台之 等候時間隨著前一工件之等候時間進行調整。因此，此演算法遠優於其他 DDAM 之演算法。