多產品組合情境下之機台組合規劃 NSC92-2213-E-009-106 巫木誠 交通大學工業工程與管理學系
摘要
機台組合問題是探討建新廠時每類型機台應採購多少台,以符合最大效益。 過去文獻大多不考慮晶圓廠對生產週期時間(manufacturing cycle time)的要求,生 產週期時間的要求對我國晶圓廠極為重要。因此本研究計畫擬探討「多廠情境 下」,考慮「生產週期時間」的機台規劃決策。研究主題有二,其一是不考慮舊 廠資訊,做單一新廠的規劃,其二是考慮已有舊廠的資訊,進行擴建新廠的規劃。 本研究結合等候理論(Queueing Theory)與基因演算法(Genetic Algorithm)求解此 兩問題。關鍵詞:機台組合規劃;基因演算法;等候理論
Abstract
The tool planning problem in semiconductor industry is to determine how many tools should be allocated to each tool group in establishing a new factory. Most previous studies did not include the modeling of cycle time constraint. The cycle time, a key performance index in Taiwan semiconductor manufacturing company, should not be neglected. This research project aims to formulate a tool planning model in a scenario of multiple product mixes for semiconductor manufacturing, in which a predefined target mean cycle time should be met. Two research issues have been investigated, which include the tool planning of a new factory with/without considering the existing factories. The proposed solution method is by the integration of queueing models and genetic algorithms.
Keywords: Tool planning, Genetic Algorithm, Queueing Theory (一)緒論
機台組合決策是探討興建新廠時,各類型機台應該採購多少台,才能符合最 大的效益、並且滿足公司所要求的各種限制條件。晶圓廠的機台組合決策問題過 去已有頗多文獻,但大多假設單一產品組合的情境,而且不考慮晶圓廠對「生產 週期時間」(manufacturing cycle time)的要求。
「短生產週期時間」是我國晶圓代工廠極為重要的競爭利器,否則,規劃的 結果可能不切實際所需。因此本計畫發展一機台組合的決策模式,期能適用於「多 廠」、「短生產週期時間」的半導體廠生產情境。本研究探討兩個主題,第一、不 考慮舊廠資訊的情況下,如何規劃新廠的機台。第二、考慮舊廠資訊的情況下, 如何規劃新廠的機台。 本計畫主要的研究方法有兩個主要模組。第一、先以等候模型(Queuing Model)來做晶圓廠的績效評估,亦即在某一機台組合之下,利用等候模型求解該 機台組合的績效。第二、以基因演算法,來產生績效可能較佳的機台組合。此兩 個模組的整合,是將基因演算法產生的機台組合解,送到等候模型評估績效,然 後將評估結果送到基因演算法模組,作為篩選解的參考。 本報告章節安排如下:第二節是文獻回顧。第三節討論「不考慮舊廠資訊」 的情況下,如何規劃新廠的機台。第四節討論「考慮舊廠資訊」的情況下,如何 規劃新廠的機台。第五節是結論與建議。 (二)文獻回顧 過去機台組合的文獻很多,本研究以表 1 所列示的四個面向來本研究的特 色,丙比較過去文獻的差異。此四個面向分別是:(1)工廠環境、(2) 需求模式、 (3) 週期時間、(4)求解方法 [1]。 「工廠環境」是指該研究是否考慮「舊廠資訊」,如果不考慮舊廠資訊,本 研究稱之為「單廠」問題。如果考慮舊廠資訊,本研究稱之為「多廠」問題。「需 求模式」是指未來的需求是否確定,因此分為「確定需求」、「不確定需求」兩類。 「週期時間」是指工廠績效是否考慮生產的週期時間,因此分為考慮與不考慮兩
類。第四個面向是分析過去相關文獻的求解方法。 本計畫有兩個研究主題。第一個主題是探討「單廠」、「不確定需求」、「週期 時間限制」的機台規劃問題。第二個主題是探討「多廠」、「確定需求」、「週期時 間限制」的機台規劃問題。由表 1 的分析可知,上述兩主題,過去的研究並未探 討。 表 1 機台規劃相關文獻整理 工廠環境 需求模式 週期時間 文獻 單廠 多廠 確定 不確定 有 無 求解方法 本研究主題一 ● ● ● 基因演算法、等候模型 本研究主題二 ● ● ● 基因演算法、等候模型 Conners [2] ● ● ● 邊際貢獻法、等候模型 Grewal [3] ● ● ● 靜態法、電腦模擬法 Mollaghasemi [4] ● ● ● 多目標法、電腦模擬法 Chen [5] ● ● ● 實驗設計法、模擬法 Donohue [6] ● ● ● 啟發式法、等候模型 Chou [7] ● ● ● 靜態法、等候模型 Bard [8] ● ● ● 啟發式法、等候模型 Swaminathan [9] ● ● ● 數學解析法 Swaminathan [10] ● ● ● 數學解析法 Barahona [11] ● ● ● 數學解析法 Hood [12] ● ● ● 數學解析法 Hsieh [13] ● ● ● 啟發式法 Papageorgiou [14] ● ● ● 啟發式法 (三)單廠的機台規劃問題
本研究的第一個主題主要是探討「單廠」的機台規劃問題。茲以釋例說明 此問題。有一晶圓廠目前計畫增購新機台。該廠生產三種產品 A, B, C,因為業 者的客源很穩定,所以未來的產品需求比例變化不大,目前需求比例為(A: B: C) = (0.4: 0.3: 0.3)。但客戶未來的需求總量無法確定。假設未來的需求總量有可能 為四種情境(d1, d2, d3, d4) = (24, 21, 18, 16),而這四種情境會發生的機率分別為(r1, r2, r3, r4) = (0.4, 0.3, 0.2, 0.1)。假設生產的週期時間不能超過 30 天,新機台採購 預算為美金 4 億元。則工廠應該如何決定增購的機台種類與數量,才能使期望利 潤最大。 (A) 數學模型 本研究發展一數學模型分析此問題。相關數學符號說明如下: 參數與指標 i 產品種類(1≤i≤n)。 j 機台群類別(1≤ j≤m)。 k 需求量情境(1≤k ≤l)
。
k d 需求情境k的總需求量。 k r 需求情境k可能出現的機率。 0 PX 產品的生產比例, )PX0 =(b1:...:bi :...:bn ,其中bi為產品i的生產比值, 1 1 =∑
= n i i b 。 0X
晶圓廠現有的機台組合, T m jx
x
x
X
(
0,...,
0,...,
0)
1 0=
,其中 0 jx
代表機台 群j的機台個數。 C 機台群的成本向量,C =(c1,...,cj,...,cm),其中cj 為第j種機台群的機 台單位成本。 k s 在需求情境k中,所允許最大的缺貨量。B 機台採購的預算金額。 0 CT 目標平均週期時間。 ik p 在需求情境k中,第i種產品的單位售價。 ik v 在需求情境k中,第i種產品的單位變動成本。 ik e 在需求情境k中,第i種產品的單位缺貨成本。 k p 在需求情境k中,產品比例為PX0時的每單位產品平均售價, ik n i i k b p p =
∑
⋅ =1 。 k v 在需求情境k中,產品比例為PX0時的每單位產品平均變動成本, ik n i i k b v v =∑
⋅ =1 。 k e 在需求情境k中,產品比例為PX0時的每單位產品平均缺貨成本, ik n i i k b e e =∑
⋅ =1 。 N 機台折舊攤提的期數。 決策變數 f X 加上新機台後工廠最後的機台組合, f T m f j f f x x x X =( 1 ,..., ,..., ) 其中 f j x 代 表最後機台組合中第j種機台群的機台個數。 1X
決定購買的新的機台群, T m j f x x x X X X ( 1,..., 1,... 1) 1 0 1 = − = ,其中 1 jx
代表 所購買的新機台群中第j種機台群的機台個數。 ) ( f k X n 在需求情境k中,工廠使用機台組合 f X 生產的最佳產量。 數學模式 ) ( ) ( Maximize F X f −F X0 s.t. k ) Q(X X nk( f)≤ f ∀ (1)k d X nk( f)≤ k ∀ (2) k s X n dk − k( f)≤ k ∀ (3)
B
CX
1≤
(4)為非負整數
)
(
,
,
1j k jf f jx
n
x
x
(5) 目標式是使機台採購前後的利潤差距極大化,其中F(X f)代表最終的機台 組合 f X 所產生的利潤,而(
0)
X
F
則代表現有的機台組合X0所產生的利潤。F(X) =[
] [
]
N
X
C
e
X
n
d
r
v
p
X
n
r
l k k k k k l k k k k k⋅
−
∑
⋅
−
⋅
−
∑
⋅
⋅
−
= =1(
)
(
)
1(
(
))
. 。第一項代表期 望邊際貢獻收入,第二項為期望缺貨成本,第三項為單一期間機台的折舊費用。 ) ( X Q 代表在 (PX0, CT0) 情境下,機台組合X的最大產量,本研究是應用等候網 路模型[2]求解Q(X)。 限制式(1)代表在需求情境k中的產量不能超過機台最大產能。限制式(2)代 表需求情境k中的產量需小於等於該情境的需求量。而限制式(3)是使需求情境k 中的缺貨量不能超過業者既定的上限值。至於限制式(4)表示機台採購成本需控 制在採購預算下。限制式(5)使問題的決策變數為整數解。 (B) 基因演算法 上述的數學模型是一複雜的非線性整數規劃問題,其中Q(X f)和nk(X f)為 變數 Xf 的非線性函數方程組。而且解空間非常大。一座典型的晶圓廠約有 100 種機台群,若只單純的考慮機台群j (j = 1, … , 100)是否須增購一台時,其答案的 組合便有2100。此問題以一般解析法不易求解,因此我們提出基因演算法來解決 此問題。 本研究以一條染色體來代表採購機台後晶圓廠最終的機台組合,在我們設計
下一條染色體Xf由m個正整數所組成。讓Xf = [x1f,...,xjf,...,xmf],其中 f j x 為一 條染色體中的一個基因,代表第j種機台群最終的機台個數。讓Np代表一個母 體P(t)的母體大小數量。我們以以隨機法來產生起始母體,其詳細做法是每一條 染色體以隨機的方式從區間[ ( ), ( jf)] f j UB x x LB 來決定每一個基因值 f j x ,其中 ) (xjf LB 和UB(xjf)分別代表 f j x 值的上界與下界。本研究以懲罰法(penalty method)
[15]來定義適應函數(fitness function)。並以排序-空間法(rank-space method)法[16]
來篩選解。此基因演算法之詳細步驟請參閱[1]。 (C ) 結果比較 本研究將模型應用於以下案例。此案例的假設資料描述如下:此晶圓廠共 生產四種產品,產品比例PX0 = (0.3, 0.2, 0.3, 0.2)。目標平均週期時間CT0 = 4 PT0。晶圓廠目前可生產18萬片晶圓。未來有三種可能的需求情境 (d1, r1) = (210K, 0.5), (d2, r2) = (238K, 0.3), and (d3, r3) = (189K, 0.2)。 我們比較本研究方法與「單一需求情境解法」之求解結果。所謂「單一需 求情境解法」是以確定的某一需求情境求解機台組合,然後以不確定的多需求情 境來驗證其績效。表2是求解結果的比較。由該表可知,本研究所提方法的期望 利潤績效最佳。 表2:本研究與確定需求規劃法的利潤比較 (單位:美金千元) 實際 發生情境 需求情境機率 rk 本研究 確定性法 -情境1 確定性法- 情境2 確定性法 -情境3 情境 1 0.5 23,549 25,020 9,796 7,446 情境 2 0.3 47,076 38,894 73,493 12,112 情境 3 0.2 -9,164 -7,499 -22,918 2,779
期望利潤 24,065 22,678 22,363 7,913 (四)多廠的機台規劃問題 本研究的第二個主題主要是探討「多廠的」機台規劃問題。茲以釋例說明此 問題。一晶圓代工業者目前擁有兩座晶圓廠,計畫增建一座新廠,該業者目前生 產三種家族產品A, B, C。兩座舊廠建廠時的最佳月產出片數(A, B, C)分別為(300, 500, 400)與(500, 300, 400)。假設C產品即將停產,因而需求量大減,但一新產 品D需求大增。假設未來的需求量為(A, B, C, D) = (1200, 1200, 200,800),吾人 當如何規劃新廠的機台種類與數量。此研究包括兩個子問題,第一、決定各廠的 產品比例、第二、根據新廠的產品比例進行機台規劃。 (A) 數學模型 本節討論上述決策問題之數學模型。一晶圓代工業者共生產k種家族產品, 產品加工所需要的機台群種類有m種。此業者目前已擁有n-1座晶圓廠,Fi (i = 1, .., n-1)。假設業者預測下一個期間內未來每一個月的需求為D = (d1, …, dj, …, dk),其中dj代表第j種產品的每月需求量。因為未來的產品需求量大幅的增加, 所以業者覺得有增建一座晶圓廠的需要。 業者目前已有n-1座舊廠,每一座分廠Fi當初是根據一特定的產品產出比例 加以建構的,且舊廠目前仍生產此產出比例。讓此產品產出比例為 Pi = (pi1,…, pij, …, pik),其中pij代表分廠Fi目前的第j種產品的每月的產量。如前述所言, 因為產品市場的變化,當業者建新廠時為了使新廠的機台成本最低,其他舊廠的 產品產量可能無法維持之前的產出比例P,而須重新配置。設若i Qi = (qi1, …,qij, …, qik)代表分廠Fi重新配置後所應生產的產量,其中D為公司所預測的總需求量,
∑
= = n i i Q D 1 ,且∑
= = n i ij j q d 1 (j = 1, …k)。 設若C =(
c1,...,cg,...,cm)
代表機台單位成本向量,cg其中為第 g 種機台群的 單位機台成本。Xi =(
)
T im ig i x x x1,..., ,..., 代表分廠 Fi的機台組合,其中 xig其中為分廠 Fi中第 g 種機台群的機台數量。為了競爭優勢的考量,業者希望每一座分 廠的生產週期時間不能超過其目標週期時間CT0。 本主題的機台決策問題,是如何將總需求量 D 分配至各分廠生產,讓各分 廠有一產量配置Qi (i = 1, …, n),目標是使新廠的機台組合Xn的機台成本最低並 符合週期時間的限制。 因此「多廠的機台規劃」問題可使用數學式表達如下。 n X C Min ⋅ s. t.
∑
= = n i i Q D 1 (6) 0 CT CTi ≤ ; i = 1, …, n (7) ) , ( i i q i f X Q CT = ; i = 1, …, n (8) 為非負整數 ng x ; g = 1, …, m (9) 以上的數學式中,數學式(6)表示各分廠的產量配置總合須等於總需求,數 學式(7)表示每一個分廠的生產週期時間不能超過目標週期時間。數學式(8)代表 一組機台組合 Xi產量為 Qi時之週期時間。預測的總需求 D 與舊廠的機台組合 Xi (i = 1, …n-1)均假設為已知;但新廠的機台組合Xn及各分廠的生產量配置Qi (i = 1, …, n)則為問題的決策變數。讓Q = [Q1, …, Qn]T代表分配至各分廠產量的一 組候選解,其中Q 為為n×k的矩陣,而矩陣中第i列Qi = [qi1, qi2, …, qik]則代表 分廠Fi所分配的生產產量。對於每一個候選解Q,根據新廠的生產量配置Qn來 決定新廠的機台組合Xn。以上的數學規劃目標是使新廠機台組合Xn的成本最低。 (B) 求解構想 以上的機台規劃問題不僅要決定新廠的機台數量,並且需將總需求量 D 分配至各分廠加以生產,此外還需考慮週期時間的限制,比起單廠的機台規劃問題 更顯得複雜難解,因此需要一個有效率的解法。我們建立了基因演算法來解決多 廠的機台規劃問題,我們的解法包含以下兩個程序,各程序之詳細步驟請參閱 [1]。 第一個程序:選出 M 個好的 Q(矩陣),我們並且將這些 Q 矩陣存放在一個 稱之為X-空間 的集合中。 上述所謂好的 Q 向量必須符合以下兩個性質。第一個性質,每一個舊 廠Fi (i = 1, …n-1)所分配到的產量Qi,必須滿足週期時間限制。第二個性質, 暫不考慮新廠的週期時間限制,針對新廠所分配到的產量 Qn,規劃一個成 本很低的機台組合 Yn使得 Yn可產出 Qn。因 Yn是暫不考慮滿足週期時間限 制所規劃的機台組合,所以其週期時間可能比目標週期時間長。我們使用一 個啟發式方法來產生Yn。 第二個程序:從X-空間 的集合中決定最好的產量配置Q*。 對於每一個 Q矩陣均包含一 Qn向量,而根據Connor 等作者在文獻[2] 的機台決策模型,每一個 Qn 向量可以使用邊際分配(marginal allocation procedure)的方法,來決定一組成本最低且滿足週期時間限制之機台組合 Xn。因為在X-空間 中有M個Q矩陣,所以也表示可以找到M個機台組合 Xn。在這 M 個機台組合當中,最小成本的機台組合 Xn*即是新廠 Fn的最好 機台組合,而此時Xn*所對應的產量配置Q*即為各分廠最好的產量配置。 (D) 數值範例 我們以案例檢驗本研究之機台規劃模型的有效性。茲將期中一案例結果說明
如下:某晶圓業者目前已有兩座廠Fab_1 和 Fab_2,預計增建一座新廠Fab_3。 該公司未來預計生產四種家族產品:U、V、W 和 Z。Fab_1 的建廠最佳產出比
例為 (U: V: W: Z) = (360, 340, 480, 0), Fab_2的建廠最佳產出比例為 (U: V: W: Z) = (600, 360, 240, 0)。未來每個月的產品需求為(U: V: W: Z) = (1200, 1200, 0, 1200)。業者希望每一廠的平均週期時間不能超過CT0,此情境下,Fab_3應如何 規劃其機台組合。 本文所提出的方法較業界常用的一啟發式方法為佳。此啟發式方法是使舊廠 的所分配的產品產出比例配置盡可能的接近其建廠的最佳產品比例。如表 3 所 示,本研究所提出的方法,可讓新廠的機台成本節省約$76百萬美元,差距比例 約為5.2%。 表3: 本研究的方法與其他方法之比較結果 本研究所提出的方法 啟發式規劃法 Fab_1: (U, V, W, Z) (383, 393, 0, 98) (360, 340, 0, 110) Fab_2: (U, V, W, Z) (606, 394, 0, 108) (600, 360, 0, 115) Fab_3: (U, V, W, Z) (211, 413, 0, 994) (240, 500, 0, 975) Fab_3的機台成本 $1,461百萬美元 $1,537百萬美元 成本差距 0 $76百萬美元 成本差距百分比% 0 % 5.2% Fab_3的機台數量 517 548 (五)結論與建議 本研究完成兩項研究主題。第一是單廠的機台規劃問題,其主要特色是需 求不確定,且有生產週期時間限制。第二是多廠規劃問題,其主要特色是考慮舊 廠的資訊,因此需考慮各廠產品比例的分配,然根據新廠所分的產品比例來規劃 其機台組合。此兩主題的主要研究工具是利用基因演算法、等候網路模型。 未來尚可研究的方向,包括「多廠、需求不確定」的情境下,如何進行機台 規劃。在不確定需求的情境下,吾人亦可探討各種不同的機台規劃策略,譬如產 逐步擴充或一次擴充策略。
參考文獻
[1] 熊雅意,「晶圓代工廠考慮週期時間限制之機台規劃研究」,國立交通大學工
業工程與管理學系博士論文,2004年6月。
[2] D. P. Connors, G. E. Feigin, and D. Yao, “A Queueing Network Model for Semiconductor Manufacturing”, IEEE Transactions on Semiconductor Manufacturing, Vol. 9, No. 3, pp. 412-427, 1996.
[3] N. S. Grewal, A. C. Bruska, T. M. Wulf, and J. K. Robinson, “Integrating Targeted Cycle-Time Reduction into the Capital Planning Process”, Proceeding of the 1998 Winter Simulation Conference, pp. 1005-1010, 1998.
[4] Mollaghsemi and G. W. Evans, “Multicriteria design of manufacturing systems through simulation optimization”, IEEE Transactions on Systems, Man, and Cybernetics, Vol. 24, No. 9, pp. 1407-1411, 1994.
[5] L. H. Chen and Y. H. Chen, “A design procedure for a robust job shop manufacturing system under a constraint using computer simulation experiments”, Computers & Industrial Engineering, Vol. 30, No. 1, pp. 1-12, 1996.
[6] K. L. Donohue, W. J. Hopp and M. L. Spearman, “Optimal Design of Stochastic Production Lines: A Dynamic Programming Approach”, IIE Transactions, Vol. 34, pp. 891-903, 2002.
[7] Y.-C. Chou, “Configuration Design of Complex Integrated Manufacturing Systems”, International Journal of Advanced Manufacturing Technology, Vol. 15, pp. 907-913,1999.
[8] J. F. Bard, K. Srinivasan, and D. Tirupati, “An Optimization Approach to Capacity Expansion in Semiconductor Manufacturing Facilities”, International Journal of Production Research, Vol. 37, No. 15, pp. 3359-3382, 1999.
[9] J. M. Swaminathan, “Tool Capacity planning for Semiconductor Fabrication Facilities under Demand Uncertainty”, European of Operational Research, Vol, 120, pp. 545-558,2000.
[10] J. M. Swaminathan, “Tool Capacity planning for Semiconductor Fabrication Facilities under Demand Uncertainty”, European of Operational Research, Vol, 120, pp. 545-558,2000.
[11] F. Barahona, S. Bermon,O. Gunluk and S. J. Hood, “Robust Capacity Planning in Semiconductor Manufacturing”, IBM Res. Division, Research Report, RC22196, 2001.
[12] S. Hood, S. Bermon, and F. Barahona, “Capacity Planning Under Demand Uncertainty for Semiconductor Manufacturing”, IEEE Transactions on Semiconductor Manufacturing, Vol.16, No. 2, pp. 273-280, 2003
[13] M. H. Hsieh and T. K. Lin, “MFE Practice: Manufacturing Flexibility Enhancement for Multi-Site Fab Production”, IEEE /SEMI, pp. 193-194, 2002. [14] A. A. Levis and L. G. Papageorgiou, “A Hierarchical Solution Appoach for
Multi-Site Capacity Planning under Uncertainty in the Pharmaceutical Industry”, Computers and Chemical Engineering, Vol. 28, pp. 707-725, 2004.
[15] G. Levitin, “Multistate Series-Parallel System Expansion-Scheduling Subject to Availability Constraints”, IEEE Transactions on Reliability, Vol. 49, No. 1, pp. 71-79, 2000.