[发明专利]一种基于循环神经网络的产品工期预测方法

权利要求书

1.一种基于循环神经网络的产品工期预测方法，其特征在于，包括以下步骤：

步骤1：从信息化系统中获取产品工期相关参数数据；

步骤2：对获取的参数数据进行数据预处理，对众多的参数种类进行参数滤取从而得到与产品工期相关度大的参数x_tⁱ，其中，t表示产品序号，i表示加工位置序号；

步骤3：根据产品的工艺确定产品在某道工序中需要反复加工的次数L；

步骤4：建立基于循环神经网络的产品工期预测模型，产品工期预测模型由双向循环神经网络单元构成，循环神经网络单元沿产品序号轴向和产品加工位置轴向进行展开，形成的包括输入层、隐藏层及输出层的二维网络结构，其中：

沿产品序号轴向，不同产品序号的产品的同一加工位置工期预测模型之间存在递归流连接：当加工位置固定，在产品序号轴向上的循环神经网络单元为其中，分别为用于产品序号为t、n、k的产品的第i个加工位置工期的预测，在该序列中产品序号为t、n、k的产品在第i-1个加工位置的加工过程中依次产出，因此按照第i-1个加工位置的产出顺序，对第i个加工位置的加工工期进行预测；这种连接使得不同的产品在同一加工位置的加工过程中的循环神经网络单元沿着产出的顺序相互连接，从而使得产品之间传递效应得以传播和表达；

沿着加工位置序号轴向，同一产品的不同加工位置的工期预测模型之间存在递归流连接：当产品序号固定，在加工位置轴向上的循环神经网络单元为其中，用于产品序号为t的产品在第i个加工位置的工期预测，产品序号为t的产品共有n个加工位置；在加工位置轴向上，相邻两个循环神经网络单元之间存在递归流连接，使得晶圆层传递效应得以传播和表达；

产品工期预测模型，其中，定义：hw_t-1ⁱ表示产品递归流，表示不同产品序号的产品在同一加工位置之间的传递效应，其值与产品序号t-1的产品的第i个加工位置工期预测的产品工期预测模型的隐单元输出相等；hl_t^i-1表示加工位置递归流，表示同一产品序号的产品在不同加工位置之间的传递效应，其值与产品序号t的产品的第i-1个加工位置工期预测的产品工期预测模型的隐单元输出相等，产品工期预测模型的输出为：

hw_t-1ⁱ＝f^r_t-1ⁱ(x_t-1ⁱ，hw_t-2ⁱ，hl_t-1^i-1)

hl_t^i-1＝f^r_t^i-1(x_t^i-1，hw_t-1^i-1，hl_t^i-2)

其中，表示一道加工工序中产品序号t的产品的第i个加工位置工期预测值；W_cth表示产品工期预测模型输出向量的连接权值；x_tⁱ是产品工期预测模型的输入参数集；h_tⁱ表示产品工期预测模型的输出向量；

步骤5：初始化模型集模型集用于存储针对各加工位置工期进行预测的双向循环神经网络单元：f^r_tⁱ(·)，表示对产品序号t的产品的第i个加工位置工期预测的产品工期预测模型；

步骤6：当某一产品进入某一加工工序，并开始该次加工工序中的首个加工位置时，确定该产品的产品序号t和加工位置序号i；

步骤7：从模型集取出针对当前产品当前加工位置i的产品工期预测模型f^r_tⁱ(·)，f^r_tⁱ(·)＝f^r_lⁱ(·)，用于当前产品在该工序中的当前加工位置的工期预测；产品工期预测模型f^r_tⁱ(·)的产品递归流hw_t-1ⁱ由当前加工位置的最新双向循环神经网络单元来确定，其等于f^r_lⁱ(·)的隐单元状态；产品工期预测模型f^r_tⁱ(·)的加工位置递归流hl_t^i-1由负责当前产品上一加工完位置的产品工期预测模型f^r_t^i-1(·)来确定，等于产品工期预测模型f^r_t^i-1(·)的隐单元状态；若当前产品为产品生产中的首次加工，即i＝1，则采用零向量初始化加工位置递归流；

步骤8：产品工期预测模型f^r_tⁱ(·)通过前向状态更新，预测得到当前产品当前加工位置的工期

步骤9：当前产品投产并得到实际的工期值；

步骤10：产品工期预测模型f^r_tⁱ(·)通过反向传播方法进行训练，并将更新的双向循环神经网络单元更新至模型集中；若当前产品已经完成当前工序中所有加工位置的制备工艺，则对当前产品进行数据存档，否则返回步骤7对该产品下一加工位置的工期进行预测。