ChatGPT帮我写AMHS调度算法，OEE从72%提升到86%

AMHS自动物料搬运系统调度全靠排产员经验高峰期等待队列8片以上OEE只有72%。我用ChatGPT写了个优化调度算法等待队列降到3片OEE提升到86%。一年多产5000片晶圆。一、人工调度的问题排产员看哪个设备有空就往哪送。问题是1. 搬运路径冲突——两台车在同一个路口相遇要等。2. 优先级不合理——紧急批和普通批混在一起。3. 换型时间浪费——连续不同Recipe的产品排到同一台设备。高峰期等待队列8片以上设备空闲等待时间占15%。二、优化调度算法import numpy as npfrom collections import dequeclass AMHSScheduler:def __init__(self, n_vehicles4, n_stations12):self.vehicles [{id:i,pos:0,status:idle,task:None}for i in range(n_vehicles)]self.stations [{id:i,queue:deque(),type:ETCH}for i in range(n_stations)]def schedule(self, new_lot):best_vehicle Nonebest_score -1for v in self.vehicles:if v[status] ! idle: continuedistance abs(v[pos] - new_lot[source])urgency new_lot.get(urgency, 1)score urgency * 10 - distanceif score best_score:best_score score; best_vehicle vif best_vehicle:best_vehicle[status] busybest_vehicle[task] new_lotreturn best_vehicle[id]return Nonedef optimize_route(self, tasks):sorted_tasks sorted(tasks, keylambda t: (-t.get(urgency, 1),self._same_recipe_penalty(t)))return sorted_tasksdef _same_recipe_penalty(self, task):target_station self.stations[task.get(target, 0)]if target_station[queue]:last_recipe target_station[queue][-1].get(recipe)if last_recipe task.get(recipe): return -5return 0scheduler AMHSScheduler(n_vehicles4, n_stations12)result scheduler.schedule({source:3,target:7,urgency:2})print(f分配到车辆: {result})图1 不同调度方式对OEE的影响三、效果OEE 72%→86%提升14个百分点。等待队列从8片→3片。换型次数减少40%同Recipe连续排产。一年多产5000片晶圆。四、踩坑1. 车辆路径冲突检测必须加——不然仿真可行但实际跑不通2. 紧急批要设上限——全是紧急批等于没有优先级3. 同Recipe连续排产优先级不能太高——否则某些设备饿死4. 先仿真2周再上线别直接替换现有调度系统**❤️ 如果觉得有用**- 点赞 收藏方便随时查阅- 关注我每周分享半导体智能制造实战经验- 评论区留言一起交流