基于可解释深度学习的晶圆制造工期预测方法OACHSSCD

在现代晶圆制造系统中,作业工期的精确预测对提高生产计划的可靠性、优化资源配置与提升工厂整体运营效率具有重要价值。然而,由于制造流程高度复杂,作业之间相互依赖且特征数据呈现非线性和高维特性,传统预测方法在实际应用中存在性能瓶颈。为应对上述挑战,本文提出一种基于可解释深度学习的工期预测方法,融合了Transformer神经网络与模型可解释性技术。构建以作业规模、瓶颈前排队长度、工厂在制品量等关键生产特征为输入的数据集,并进行标准化与时间序列处理。利用Transformer模型对特征间复杂关系建模,实现对作业工期的高精度预测。在模型训练完成后,引入LIME和SHAP两种方法从局部与全局角度揭示模型预测的依据,识别影响预测结果的关键因素。实验基于真实晶圆制造数据集开展,对比传统机器学习模型与深度学习基线模型,验证了所提方法在预测准确性与模型可解释性方面的综合优势。研究结果表明,本文方法不仅在数值上显著提升了预测性能,也为工厂调度系统的智能化与透明化提供了技术支持,具有较高的实际应用潜力。