A survey of semiconductor supply chain models part III: master planning, production planning, and demand fulfilment

Mönch, Lars; Uzsoy, Reha; Fowler, John W.

doi:10.1080/00207543.2017.1401234

Cited by 62 publications

(11 citation statements)

References 117 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Es schließt sich eine ca. zweimonatige Fertigungszeit an, in der sie zu Säge-und Verpackungsprozessen in die Backend-Fertigungen gesendet werden (Mönch et al 2017). '89'90'91'92'93'94'95'96'97'98'99'00'01'02'03'04'05'06'07'08'09'10'11'12'13'14'15'16'17'18'19 (Moore 1965), ist es absolut essentiell, dass der jeweilige Ramp Up Prozess optimal erfolgt.…”

Section: Einleitung -Halbleiterindustrieunclassified

“…So entstehen planerische, administrative Prozesse, die oft repetitiv sind und zur Wertschöpfung beitragen können, aber die Kreativität der Mitarbeiter nicht fordern und Arbeitszeit für wertschöpfende, kreative Tätigkeiten blockieren. Gerade durch die Trends zu kleineren Auftragsgrößen und häufigeren kundenindividuellen Bestellungen (Losgröße 1) wird ein weiterer Anstieg dieser Tätigkeiten in der Zukunft erwartet(Mönch et al 2017). Infineon Dresden und der Professur für BWL, insb.…”

unclassified

See 1 more Smart Citation

Wie innovative Logistik die zukunftssichere und nachhaltige Gestaltung der Automatisierung und Digitalisierung der Halbleiterindustrie unterstützt

Schneider

Lohmer

2021

Logistik in Wissenschaft Und Praxis

View full text Add to dashboard Cite

Innovative Logistik ist eine Schlüsselfunktion in allen industriellen Bereichen und seit vielen Jahren einer der Erfolgsfaktoren bei Unternehmen in ihrem steten Wandel hin zu neuen Produkten und neuen Märkten. Dieser Artikel zeigt am besonderen Beispiel der Halbleiterindustrie als Einzelfallstudie, mit welchen Logistikmethoden das Unternehmen Infineon Technologies Dresden in enger Zusammenarbeit mit der Professur für BWL, insb. Logistik der TU Dresden eine führende Rolle in der Automatisierung zu einem der modernsten Unternehmen der Halbleiterindustrie erreichen konnte. Der Wandel von einer Hochvolumen-Fabrik mit wenigen Produkten zu einer kundenorientierten Logikfabrik konnte erfolgreich gestaltet werden. Parallel arbeiteten die Partner beständig an der digitalen Transformation des Unternehmens zur kontinuierlichen Steigerung der Produktivität und der Wettbewerbsfähigkeit. Dieser Artikel gibt eine Übersicht über die wichtigsten Arbeiten der letzten Jahre, in denen innovative Logistikmethoden einen entscheidenden Beitrag zur erfolgreichen Gestaltung des Wandels leisteten.

show abstract

Section: Einleitung -Halbleiterindustrieunclassified

unclassified

Wie innovative Logistik die zukunftssichere und nachhaltige Gestaltung der Automatisierung und Digitalisierung der Halbleiterindustrie unterstützt

Schneider

Lohmer

2021

Logistik in Wissenschaft Und Praxis

View full text Add to dashboard Cite

show abstract

“…In semiconductor components management, thousands of different components have highly diverse usage individually [4]. Various demand patterns of the spare part causes a great segment in the inventory cost semiconductor components distributor [5].…”

Section: Demand Pattern Categorizationmentioning

confidence: 99%

A Hybrid Forecasting Framework with Neural Network and Time-Series Method for Intermittent Demand in Semiconductor Supply Chain

Chien

Lin

2018

IFIP Advances in Information and Communication Technology

View full text Add to dashboard Cite

As the primary prerequisite of capacity planning, inventory control and order management, demand forecast is a critical issue in semiconductor supply chain. A great quantity of stock keeping units (SKUs) with intermittent demand patterns and distinctive lead-times need specific prediction respectively. It is difficult for companies in semiconductor supply chain to manage intricate inventory systems with the changeable nature of intermittent (lumpy) demand. This study aims to propose an integrated forecasting approach with recurrent neural network and parametric method for intermittent demand problems to support flexible decisions in inventory management, as a critical role in intelligent supply chain. An empirical study was conducted with product time series in a semiconductor company in Taiwan to validate the practicality of proposed model. The results suggest that the proposed hybrid model can improve forecast accuracy in demand management of semiconductor supply chain.

show abstract

“…In conjunction with the fourth industrial revolution, the semiconductor market has been expanding rapidly [1][2][3]. Semiconductor demand has been exploding in areas such as smartphones, virtual reality, automobiles, wearable devices, internet of things (IoT), and robotics [4][5][6]. Many diverse products are in demand.…”

Section: Introductionmentioning

confidence: 99%

Unsupervised Pre-Training of Imbalanced Data for Identification of Wafer Map Defect Patterns

et al. 2021

View full text Add to dashboard Cite

Visual defect inspection and classification are significant steps of most manufacturing processes in the semiconductor and electronics industries. Known and unknown defects on wafer maps tend to cluster, and these spatial patterns provide valuable process information for supporting manufacturing in determining the root causes of abnormal processes. In previous studies, data augmentation-based deep learning (DL) techniques were most commonly used for the identification of wafer map defect patterns (WMDP). Data augmentation is an effective technique for improving the accuracy of modern image classifiers. However, current data augmentation implementations were manually designed for the WMDP problem. In this study, we propose a DL-based method with automatic data augmentation for the WMDP task. Basically, it focuses on learning effective discriminative features, from wafer maps, through a deep network structure. The network consists of a convolution-based variational autoencoder (CVAE) sequentially. First, we pre-trained the CVAE on large training data in an unsupervised manner. Second, we fine-tuned the encoder of the CVAE, which was followed by a neural network (NN) classifier, in a supervised manner. Additionally, we describe a simple procedure for automatically searching for improved data augmentation policies. The policy mainly consists of five image processing functions: rotation, flipping, shifting, shearing range, and zooming. The effectiveness of the proposed method was demonstrated through experimental results obtained from a simulation dataset and a real-world wafer map dataset (WM-811K). This study provides guidance for the application of deep learning in semiconductor manufacturing processes to improve product quality and yield.INDEX TERMS Classification, convolutional variational autoencoder, deep learning, imbalanced data, neural network, unsupervised pre-training, variational autoencoder, wafer map defect patterns.

show abstract

A survey of semiconductor supply chain models part III: master planning, production planning, and demand fulfilment

Cited by 62 publications

References 117 publications

Wie innovative Logistik die zukunftssichere und nachhaltige Gestaltung der Automatisierung und Digitalisierung der Halbleiterindustrie unterstützt

Wie innovative Logistik die zukunftssichere und nachhaltige Gestaltung der Automatisierung und Digitalisierung der Halbleiterindustrie unterstützt

A Hybrid Forecasting Framework with Neural Network and Time-Series Method for Intermittent Demand in Semiconductor Supply Chain

Unsupervised Pre-Training of Imbalanced Data for Identification of Wafer Map Defect Patterns

Contact Info

Product

Resources

About