为了适应不断变化的市场,半导体行业对生产线生产性能进行分析、优化和控制至关重要。当前对生产线性能进行智能、全面、动态控制的研究较少,大多局限于生产线变动性的某一方面,未能全局地考察生产线上的多种变动性因素;当前研究中建立的半导体串并联生产线性能预测模型与实际生产情况存在一定偏差,精确度有所欠缺;传统的性能控制优化方法难以针对生产线变动性因素的变化进行实时控制,灵活性不足。本文以半导体芯片封装测试串并联生产线为研究对象,针对现有研究中变动性因素考量不全面、性能预测模型精确度不足、性能控制缺乏实时性和灵活性,控制策略不全面等缺陷进行改进,提出了一种基于性能预测和灵敏度分析,借助强化学习算法开展性能控制的方法。本文围绕以下几个方面进行研究:首先,基于排队论,比较分析当前常用排队模型的不足,将半导体芯片封装测试串并联生产线创新地抽象为G/G/m/b生产线排队模型;基于变动性理论,综合考虑加工变动性、流动变动性、不良品率等各类变动性因素并对其进行量化分析,将生产速率TH、生产周期CT和在制品水平WIP作为性能预测指标,建立更加精确的生产线性能与效益预测模型。其次,综合使用Morris筛选法定性分析与Arena仿真定量分析两种方法开展灵敏度分析。使用Morris筛选法找到缓冲区容量大小等对半导体芯片封装测试生产线性能影响最大的若干关键因素,并建立Arena仿真模型定量分析其影响规律。再次,将半导体芯片封装测试生产线性能预测模型作为强化学习方法外界环境,建立基于Q-learning算法的半导体生产线性能控制模型,研究并设置强化学习算法关键参数。在变动性事件发生后,以生产线效益指标Bf最小化为性能控制目标进行迭代求解,得到针对缓冲区容量大小、加工批量大小和并联设备数量等不同影响因素的全局最优性能控制策略。最后,设计包含两种类型产品的生产方案,对基于Q-learning算法的性能控制模型进行验证分析,并提出一种“两步走”的生产线性能控制策略。