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
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