Cycle Time Estimation in a Semiconductor Wafer Fab: A concatenated Machine Learning Approach

Die fortschreitende Digitalisierung aller Bereiche des Lebens und der Industrie lässt die Nachfrage nach Mikrochips steigen. Immer mehr Branchen – unter anderem auch die Automobilindustrie – stellen fest, dass die Lieferketten heutzutage von den Halbleiterherstellern abhängig sind, was kürzlich zur Halbleiterkrise geführt hat. Diese Situation erhöht den Bedarf an genauen Vorhersagen von Lieferzeiten von Halbleitern. Da aber deren Produktion extrem schwierig ist, sind solche Schätzungen nicht einfach zu erstellen. Gängige Ansätze sind entweder zu simpel (z.B. Mittelwert- oder rollierende Mittelwertschätzer) oder benötigen zu viel Zeit für detaillierte Szenarioanalysen (z.B. ... mehrereignisdiskrete Simulationen). Daher wird in dieser Arbeit eine neue Methodik vorgeschlagen, die genauer als Mittelwert- oder rollierende Mittelwertschätzer, aber schneller als Simulationen sein soll. Diese Methodik nutzt eine Verkettung von Modellen des maschinellen Lernens, die in der Lage sind, Wartezeiten in einer Halbleiterfabrik auf der Grundlage einer Reihe von Merkmalen vorherzusagen. In dieser Arbeit wird diese Methodik entwickelt und analysiert. Sie umfasst eine detaillierte Analyse der für jedes Modell benötigten Merkmale, eine Analyse des genauen Produktionsprozesses, den jedes Produkt durchlaufen muss – was als "Route" bezeichnet wird – und entwickelte Strategien zur Bewältigung von Unsicherheiten, wenn die Merkmalswerte in der Zukunft nicht bekannt sind. Zusätzlichwird die vorgeschlagene Methodik mit realen Betriebsdaten aus einerWafer-Fabrik der Robert Bosch GmbH evaluiert. Es kann gezeigt werden, dass die Methodik den Mittelwert- und Rollierenden Mittelwertschätzern überlegen ist, insbesondere in Situationen, in denen die Zykluszeit eines Loses signifikant vom Mittelwert abweicht. Zusätzlich kann gezeigt werden, dass die Ausführungszeit der Methode signifikant kürzer ist als die einer detaillierten Simulation.

The ongoing digitization of all aspects of life and industry is boosting the demand for microchips. It gets more and more visible that the supply chain of industries – for example the automotive industry – are nowadays dependent on semiconductor manufacturers, which became especially apparent in the ongoing semiconductor crisis. This situation again highlights the need for accurate delivery estimations of semiconductors, but since their production is extremely complex, those estimations remain challenging. Common approaches are either too simplistic (e.g. mean or rolling mean estimators) or need too long for detailed scenario analyses (e.g. ... mehrdiscrete-event simulations). Therefore, within this thesis, a new methodology is proposed, which is shown to be more accurate than mean or rolling mean predictors, while being simpler than discrete-event simulations. This methodology makes use of a concatenation of machine learning models, which are able to predict waiting times in a semiconductor fab based feature set. This thesis includes a detailed analysis of the features needed for each model, an estimation of the "route" of a lot through the fab and its impact on the cycle time and developed strategies to cope with uncertainty when feature values are not known in the future. Additionally, the proposed methodology is evaluated with real operational data from a wafer fab of the Robert Bosch GmbH. It is shown that the methodology outperforms mean and rolling mean estimators, especially in situations where a lot cycle time deviates significantly from the mean. In addition, it is shown that the execution time of the method is significantly shorter than that of a detailed simulation.