CN116352760A - 晶圆机器人的机械性能诊断方法、装置、终端、介质及晶圆机器人 - Google Patents
晶圆机器人的机械性能诊断方法、装置、终端、介质及晶圆机器人 Download PDFInfo
- Publication number
- CN116352760A CN116352760A CN202310347860.1A CN202310347860A CN116352760A CN 116352760 A CN116352760 A CN 116352760A CN 202310347860 A CN202310347860 A CN 202310347860A CN 116352760 A CN116352760 A CN 116352760A
- Authority
- CN
- China
- Prior art keywords
- mechanical
- vibration
- end effector
- data
- mechanical arm
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 80
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000007246 mechanism Effects 0.000 claims abstract description 374
- 230000033001 locomotion Effects 0.000 claims abstract description 72
- 238000004458 analytical method Methods 0.000 claims abstract description 56
- 239000012636 effector Substances 0.000 claims description 150
- 230000001360 synchronised effect Effects 0.000 claims description 50
- 238000012216 screening Methods 0.000 claims description 48
- 230000002159 abnormal effect Effects 0.000 claims description 45
- 230000005540 biological transmission Effects 0.000 claims description 31
- 238000012545 processing Methods 0.000 claims description 30
- 230000015654 memory Effects 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 9
- 238000010801 machine learning Methods 0.000 claims description 9
- 230000001133 acceleration Effects 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 4
- 230000003028 elevating effect Effects 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 abstract description 5
- 238000011161 development Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 abstract description 4
- 230000036541 health Effects 0.000 abstract description 4
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 238000012360 testing method Methods 0.000 description 6
- 208000035874 Excoriation Diseases 0.000 description 5
- 238000005299 abrasion Methods 0.000 description 5
- 238000002405 diagnostic procedure Methods 0.000 description 4
- 238000009434 installation Methods 0.000 description 4
- 239000004065 semiconductor Substances 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000009825 accumulation Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 239000003638 chemical reducing agent Substances 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000000491 multivariate analysis Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J19/00—Accessories fitted to manipulators, e.g. for monitoring, for viewing; Safety devices combined with or specially adapted for use in connection with manipulators
- B25J19/0095—Means or methods for testing manipulators
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J19/00—Accessories fitted to manipulators, e.g. for monitoring, for viewing; Safety devices combined with or specially adapted for use in connection with manipulators
- B25J19/0066—Means or methods for maintaining or repairing manipulators
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
Abstract
本发明提供一种晶圆机器人的机械性能诊断方法、装置、终端、介质及晶圆机器人，通过获取晶圆机器人的各运动机械机构在正常搬运工作中单独运行时由其各自内部对应筛选设置的振动采集装置所采集的振动数据，分别对各运动机械机构进行机械性能诊断分析。本发明将所需的振动采集装置安装在各运动机械机构内部，传感器本身尺寸小巧重量轻，不会影响机械机构原有的尺寸和转动惯量。且振动采集装置所采集的振动数据对于各运动机械机构的故障诊断以及剩余寿命预测具有重要的意义，随着工业控制技术的发展，利用先进的算法进行故障诊断和设备健康状态监测，以确保晶圆机器人的运行可靠性和精度。
Description
技术领域
本发明涉及晶圆搬运机器人领域，特别是涉及一种晶圆机器人的机械性能诊断方法、装置、终端、介质及晶圆机器人。
背景技术
晶圆搬运机器人是一种高精密的设备，传动系统由伺服电机、减速机、同步带轮等组成。其中传动部件滚动轴承为传动系统的“关节”，起着回转支承的关键作用，然而由于轴承长期工作在高转速、大负载、受力不均的工况下，经常发生磨损、点蚀甚至保持架断裂等故障。目前晶圆机器人的基本都是发生故障后诊断模式，即设备运行出现问题或者产品良率出现明显偏差时才去排查，此时造成的损失就比较严重了，而且存在排查困难的问题。
发明内容
鉴于以上所述现有技术的缺点，本发明的目的在于提供一种晶圆机器人的机械性能诊断方法、装置、终端、介质及晶圆机器人，用于解决以上现有技术问题。
为实现上述目的及其他相关目的，本发明提供一种晶圆机器人的机械性能诊断方法，所述方法包括：获取晶圆机器人的各运动机械机构在正常搬运工作中单独运行时由其各自内部对应筛选位置设置的振动采集装置所采集的振动数据；基于各振动采集装置分别采集的振动数据，分别对各运动机械机构进行机械性能诊断分析，以供获得所述晶圆机器人中各运动机械机构的机械性能诊断分析结果。
于本发明的一实施例中，每个运动机械机构内的多个不同备选位置分别对应设有相同的振动采集装置；且每个运动机械机构的振动采集装置的筛选位置设置方式包括：获取每个运动机械机构在分别采用正常性能传动部件以及异常传动部件单独运行时由设置在各备选位置的振动采集装置所分别对应采集的正常振动数据以及异常振动数据；从每个运动机械机构内的各振动采集装置所在的备选位置中分别筛选正常振动数据与异常振动数据之间差距最大的振动采集装置所在的备选位置作为对应运动机械机构内最终设置的振动采集装置的筛选位置。
于本发明的一实施例中，所述晶圆机器人中各运动机械机构包括：内部的筛选位置分别设置有一振动采集装置的升降机构、第一机械臂机构、第二机械臂机构、第一末端执行器机构以及第二末端执行器机构；其中，所述升降机构，包括：升降电机，用于结合丝杠带动第一机械臂机构、第二机械臂机构、第一末端执行器机构以及第二末端执行器机构沿升降轴上下运动；所述第一机械臂机构，包括：第一转轴电机，用于结合同步带轮带动第二机械臂机构、第一末端执行器机构以及第二末端执行器机构绕第一旋转轴旋转；所述第二机械臂机构，包括：第二转轴电机，用于结合同步带轮带动第一末端执行器机构以及第二末端执行器机构绕第二旋转轴旋转；所述第一末端执行器机构，包括：第三转轴电机，用于结合同步带轮带动第一末端执行器绕第三旋转轴旋转；所述第二末端执行器机构，包括：第四转轴电机，用于结合同步带轮带动第二末端执行器绕第三旋转轴旋转；并且其中，所述升降轴与第一旋转轴、第二旋转轴以及第三旋转轴平行。
于本发明的一实施例中，所述升降机构、第一末端执行器机构以及第二末端执行器机构的备选位置分别设置于所述升降机构、第一末端执行器机构以及第二末端执行器机构内的不同位置；所述第一机械臂机构的备选位置分别设置于所述第一机械臂机构内且位于所述第一旋转轴与第二旋转轴之间的不同位置；所述第二机械臂机构的备选位置分别设置于所述第二机械臂机构内且位于所述第二旋转轴与第三旋转轴之间的不同位置；所述升降机构的正常性能传动部件以及异常传动部件分别采用正常丝杠以及异常丝杠；所述第一机械臂机构、第二机械臂机构、第一末端执行器机构以及第二末端执行器机构的正常性能传动部件以及异常传动部件分别采用正常同步带轮以及异常同步带轮。
于本发明的一实施例中，所述基于各振动采集装置分别采集的振动数据，分别对各运动机械机构进行机械性能诊断分析，以供获得所述晶圆机器人中各运动机械机构的机械性能诊断分析结果包括：判断各振动采集装置分别采集的振动数据的数据量是否超过标准数据量；对超过标准数据量的振动数据进行数据处理操作，以获得对应的机械性能诊断分析结果。
于本发明的一实施例中，对超过标准数据量的振动数据进行数据处理操作，以获得对应的机械性能诊断分析结果包括：基于经过训练的机器学习模型，根据输入的超过标准数据量的振动数据进行数据处理操作，输出对应的机械性能诊断分析结果。
于本发明的一实施例中，所述数据处理操作包括：对超过标准数据量的各振动数据中的X、Y以及Z轴的振幅与加速度数据分别计算对应绝对均值、均方根值、标准差和峭度；基于故障诊断条件，根据各振动数据中的各轴的绝对均值、均方根值、标准差和峭度判断对应运动机械机构的机械性能诊断分析结果。
于本发明的一实施例中，所述数据处理操作包括：对超过标准数据量的各振动数据中的X、Y以及Z轴的数据进行傅里叶变换，再进行时频转换，获得对应振动采集装置的频谱图；提取各频谱图的频率及幅值判断对应频谱图是否具有故障频率特征，以供获得所对应的运动机械机构的机械性能诊断分析结果。
为实现上述目的及其他相关目的，本发明提供一种晶圆机器人的机械性能诊断装置，所述装置包括：数据获取模块，用于获取晶圆机器人的各运动机械机构在正常搬运工作中单独运行时由其各自内部对应筛选位置设置的振动采集装置所采集的振动数据；机械性能诊断模块，连接所述数据获取模块，用于基于各振动采集装置分别采集的振动数据，分别对各运动机械机构进行机械性能诊断分析，以供获得所述晶圆机器人中各运动机械机构的机械性能诊断分析结果。
为实现上述目的及其他相关目的，本发明提供一种晶圆机器人的机械性能诊断终端，包括：一或多个存储器及一或多个处理器；所述一或多个存储器，用于存储计算机程序；所述一或多个处理器，连接所述存储器，用于运行所述计算机程序以执行所述晶圆机器人的机械性能诊断方法。
为实现上述目的及其他相关目的，本发明提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被一个或多个处理器运行时执行所述晶圆机器人的机械性能诊断方法。
为实现上述目的及其他相关目的，本发明提供一种晶圆机器人，包括：内部分别在筛选位置设置有振动采集装置的升降机构、第一机械臂机构、第二机械臂机构、第一末端执行器机构以及第二末端执行器机构；其中，所述升降机构、第一机械臂机构、第二机械臂机构、第一末端执行器机构以及第二末端执行器机构中的振动采集装置分别与所述的晶圆机器人的机械性能诊断装置通信连接，以供分别对所述晶圆机器人的所述升降机构、第一机械臂机构、第二机械臂机构、第一末端执行器机构以及第二末端执行器机构进行机械性能诊断分析。
如上所述，本发明是一种晶圆机器人的机械性能诊断方法、装置、终端、介质及晶圆机器人，具有以下有益效果：本发明通过获取晶圆机器人的各运动机械机构在正常搬运工作中单独运行时由其各自内部对应筛选设置的振动采集装置所采集的振动数据，分别对各运动机械机构进行机械性能诊断分析。本发明将所需的振动采集装置安装在各运动机械机构内部，传感器本身尺寸小巧重量轻，不会影响机械机构原有的尺寸和转动惯量。且振动采集装置所采集的振动数据对于各运动机械机构的故障诊断以及剩余寿命预测具有重要的意义，随着工业控制技术的发展，利用先进的算法进行故障诊断和设备健康状态监测，以确保晶圆机器人的运行可靠性和精度。
附图说明
图1显示为本发明一实施例中的晶圆机器人的机械性能诊断方法的流程示意图。
图2显示为本发明一实施例中的晶圆机器人的结构示意图。
图3显示为本发明一实施例中的CA124智能半导体机器人的机械性能诊断方法的流程示意图。
图4显示为本发明一实施例中的晶圆机器人的机械性能诊断装置的结构示意图。
图5显示为本发明一实施例中的晶圆机器人的机械性能诊断终端的结构示意图。
图6显示为本发明一实施例中的振动采集装置与机械性能诊断装置的通信示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，在下述描述中，参考附图，附图描述了本发明的若干实施例。应当理解，还可使用其他实施例，并且可以在不背离本发明的精神和范围的情况下进行机械组成、结构、电气以及操作上的改变。下面的详细描述不应该被认为是限制性的，并且本发明的实施例的范围仅由公布的专利的权利要求书所限定。这里使用的术语仅是为了描述特定实施例，而并非旨在限制本发明。空间相关的术语，例如“上”、“下”、“左”、“右”、“下面”、“下方”、““下部”、“上方”、“上部”等，可在文中使用以便于说明图中所示的一个元件或特征与另一元件或特征的关系。
在通篇说明书中，当说某部分与另一部分“连接”时，这不仅包括“直接连接”的情形，也包括在其中间把其它元件置于其间而“间接连接”的情形。另外，当说某种部分“包括”某种构成要素时，只要没有特别相反的记载，则并非将其它构成要素，排除在外，而是意味着可以还包括其它构成要素。
其中提到的第一、第二及第三等术语是为了说明多样的部分、成分、区域、层及/或段而使用的，但并非限定于此。这些术语只用于把某部分、成分、区域、层或段区别于其它部分、成分、区域、层或段。因此，以下叙述的第一部分、成分、区域、层或段在不超出本发明范围的范围内，可以言及到第二部分、成分、区域、层或段。
再者，如同在本文中所使用的，单数形式“一”、“一个”和“该”旨在也包括复数形式，除非上下文中有相反的指示。应当进一步理解，术语“包含”、“包括”表明存在所述的特征、操作、元件、组件、项目、种类、和/或组，但不排除一个或多个其他特征、操作、元件、组件、项目、种类、和/或组的存在、出现或添加。此处使用的术语“或”和“和/或”被解释为包括性的，或意味着任一个或任何组合。因此，“A、B或C”或者“A、B和/或C”意味着“以下任一个：A；B；C；A和B；A和C；B和C；A、B和C”。仅当元件、功能或操作的组合在某些方式下内在地互相排斥时，才会出现该定义的例外。
机械行业对传动部件即滚动轴承的故障诊断主要经历了三个阶段，最初是依靠专家的经验进行故障地判断，后来依赖于传感器的出现，逐渐兴起了基于解析模型驱动的诊断方法，现在应用较多的是基于数据驱动，包含多元分析、信号处理、机器学习、深度学习等。基于信号处理的故障诊断主要包括温度信号、声信号、油液信号与振动信号等，其中以振动信号应用最为广泛，对振动信号进行时域，频域或者时频域分析，从而对机械性能进行诊断和寿命预测。
由于当运动机械机构的传动部件发生故障时，其振动信号会出现规律变化，振动采集装置采集的振动数据通常能够包含故障特征，因此运用振动信号进行故障诊断，主要通过提取信号中的故障特征以识别故障类型。同时因振动信号包含能够反映传动部件退化趋势的特征信息，因此采用振动信号能够实现传动部件的剩余寿命预测。
因此，本发明的一种晶圆机器人的机械性能诊断方法，通过获取晶圆机器人的各运动机械机构在正常搬运工作中单独运行时由其各自内部对应筛选设置的振动采集装置所采集的振动数据，分别对各运动机械机构进行机械性能诊断分析。本发明将所需的振动采集装置安装在各运动机械机构内部，传感器本身尺寸小巧重量轻，不会影响机械机构原有的尺寸和转动惯量。且振动采集装置所采集的振动数据对于各运动机械机构的故障诊断以及剩余寿命预测具有重要的意义，随着工业控制技术的发展，利用先进的算法进行故障诊断和设备健康状态监测，以确保晶圆机器人的运行可靠性和精度。
下面以附图为参考，针对本发明的实施例进行详细说明，以便本发明所述技术领域的技术人员能够容易地实施。本发明可以以多种不同形态体现，并不限于此处说明的实施例。
如图1展示本发明实施例中的一种晶圆机器人的机械性能诊断方法的流程示意图。
所述晶圆机器人内设有多个运动机械机构，且分别具有电机，其内部电机与传动部件想结合带动机械臂运动，供晶圆机器人进行多自由度的晶圆搬运工作。
所述方法包括：
步骤S101：获取晶圆机器人的各运动机械机构在正常搬运工作中单独运行时由其各自内部对应筛选位置设置的振动采集装置所采集的振动数据。
详细来说，晶圆机器人中各运动机械机构其内部分别对应的筛选位置分别设置有筛选的一振动采集装置；该振动采集装置可为可以采集振动数据的任一装置，例如振动传感器或者惯性测量单元。
晶圆机器人在执行正常晶圆搬运工作时，各运动机械机构的振动采集装置在各运动机械机构单独运行时采集当前的振动数据，并将一段时间各运动机构采集的振动数据进行获取。
在一实施例中，每个振动采集装置采集的振动数据包括：以当前采集装置的安装位置为原点建立的X、Y、Z轴的振幅、加速度数据；且每个振动采集装置可以设置相应的采集参数，例如每次采集的数据集时间为2s，采集数据的频率为50Hz，每次采集的数据量为100个。每次采集后至少间隔1小时再次采集。
在一实施例中，每个运动机械机构内的多个不同备选位置分别对应设有相同的振动采集装置；且每个运动机械机构的振动采集装置的筛选位置设置方式包括：
获取每个运动机械机构在分别采用正常性能传动部件以及异常传动部件单独运行时由设置在各备选位置的振动采集装置所分别对应采集的正常振动数据以及异常振动数据；具体的，在每个运动机械机构内不同筛选位置设有同型号的多个振动采集装置；且在对应运动机械机构采用正常性能传动部件且机构内的电机单独运行，其他机械机构电机停止运行，对应运动机械机构的处于各备选位置的所有振动采集装置分别采集对应的正常振动数据并保存，打上时间戳，以便做各位置的对比；采集之后再将对应运动机械机构的传动部件更换为异常传动部件，再控制对应单机单独运行，其他机械机构电机停止运行，此时运动机械机构的所有振动采集装置分别采集对应的异常振动数据。
从每个运动机械机构内的各振动采集装置所在的备选位置中分别筛选正常振动数据与异常振动数据之间差距最大的振动采集装置所在的备选位置作为对应运动机械机构内最终设置的振动采集装置的筛选位置。具体的，将上述处于各备选位置的各振动采集装置采集的正常振动数据与异常振动数据进行对比，将各运动机械机构的采集的正常振动数据与异常振动数据差距最大的振动采集装置所在的备选位置作为对应运动机械机构内最终设置的振动采集装置的筛选位置。
在一实施例中，如图3所示，所述晶圆机器人中各运动机械机构包括：升降机构1、第一机械臂机构2、第二机械臂机构3、第一末端执行器机构4以及第二末端执行器机构5；
且升降机构1、第一机械臂机构2、第二机械臂机构3、第一末端执行器机构4以及第二末端执行器机构5分别在内部的筛选位置设置有一振动采集装置。
其中，所述升降机构1，包括：升降电机11，用于结合丝杠12带动第一机械臂机构2、第二机械臂机构3、第一末端执行器机构4以及第二末端执行器机构5沿升降轴J1上下运动；具体的，所述升降机构1可以控制第一机械臂机构2中的第一机械臂、第二机械臂机构3中的第二机械臂、第一末端执行器机构4中的第一末端执行器、第二末端执行器机构5的第二末端执行器沿升降轴J1上下运动。
所述第一机械臂机构2，包括：第一转轴电机21，用于结合同步带轮(图中未显示)带动第二机械臂机构3、第一末端执行器机构4以及第二末端执行器5机构绕第一旋转轴J2旋转；具体的，所述第一机械臂机构2可以控制第一机械臂绕第一旋转轴J2旋转，且带动第二机械臂机构3中的第二机械臂、第一末端执行器机构4中的第一末端执行器、第二末端执行器机构5的第二末端执行器绕第一旋转轴J2旋转。
所述第二机械臂机构3，包括：第二转轴电机31，用于结合同步带轮32带动第一末端执行器机构以及第二末端执行器机构绕第二旋转轴J3旋转；具体的，所述第二机械臂机构3可以控制第二机械臂绕第二旋转轴J3旋转，且带动第一末端执行器机构4中的第一末端执行器、第二末端执行器机构5的第二末端执行器绕第二旋转轴J3旋转。
所述第一末端执行器机构4，包括：第三转轴电机41，用于结合同步带轮42带动第一末端执行器绕第三旋转轴J4旋转；具体的，所第一末端执行器机构4可以控制第一末端执行器绕第三旋转轴J4旋转。
所述第二末端执行器机构5，包括：第四转轴电机41，用于结合同步带轮42带动第二末端执行器绕第三旋转轴J4旋转；具体的，所第二末端执行器机构5可以控制第二末端执行器绕第三旋转轴J4旋转，与第一端末端执行器形成角度夹取待取晶圆。
并且其中，所述升降轴J1与第一旋转轴J2、第二旋转轴J3以及第三旋转轴J4平行。
在本实施例中，步骤S101包括：
获取晶圆机器人的升降机构1、第一机械臂机构2、第二机械臂机构3、第一末端执行器机构4以及第二末端执行器机构5在正常搬运工作中单独运行时由其各自内部对应筛选位置设置的振动采集装置所采集的振动数据。
在一实施例中，如图2所示，基于上述晶圆机器人的升降机构1、第一机械臂机构2、第二机械臂机构3、第一末端执行器机构4以及第二末端执行器机构5的振动采集装置的筛选位置的设置方式如下所述：
对于升降机构1的振动采集装置的筛选位置的设置方式包括：在升降机构1内选取多个位置分别作为备选位置，在各备选位置分别放置同型号的振动采集装置。然后让采用正常丝杠的升降机构1的升降电机11运动，其他机构内的电机均停止，此时利用升降结构的各振动采集装置采集振动数据进行保存，打上时间戳，以便做各位置的对比，这时候得到了晶圆机器人正常运行时在升降机构1的正常振动数据。然后将升降轴J1上的丝杠更换为异常丝杠，再次重复上面的测试，将获得的异常振动数据放在一起进行对比；将振动数据中正常丝杠和异常丝杠的振动数据差距最大的那个备选位置作为振动传感器安装的筛选位置，例如图2中振动传感器10为升降机构1的筛选位置的设置的振动传感器10。
对于第一机械臂机构2的振动采集装置的筛选位置的设置方式包括：在第一机械臂机构2内且位于所述第一旋转轴J2与第二旋转轴J3之间选取多个位置分别作为备选位置，在各备选位置分别放置同型号的振动采集装置。然后让采用正常同步带轮的第一机械臂机构2的第一转轴电机21运动，其他机构内的电机均停止，此时利用第一机械臂机构2的各振动采集装置采集振动数据进行保存，打上时间戳，以便做各位置的对比，这时候得到了晶圆机器人正常运行时在第一机械臂机构2的正常振动数据。然后将第一旋转轴J2上的同步带轮更换为异常同步带轮，再次重复上面的测试，将获得的异常振动数据放在一起进行对比；将振动数据中正常同步带轮和异常同步带轮的振动数据差距最大的那个备选位置作为振动传感器安装的筛选位置，例如图2中振动传感器20为第一机械臂机构2的筛选位置的设置的振动传感器20。
对于第二机械臂机构3的振动采集装置的筛选位置的设置方式包括：在第二机械臂机构3内且位于所述第二旋转轴J3与第三旋转轴J4之间选取多个位置分别作为备选位置，在各备选位置分别放置同型号的振动采集装置。然后让采用正常同步带轮的第二机械臂机构3的第二转轴电机31运动，其他机构内的电机均停止，此时利用第二机械臂机构3的各振动采集装置采集振动数据进行保存，打上时间戳，以便做各位置的对比，这时候得到了晶圆机器人正常运行时在第二机械臂机构3的正常振动数据。然后将第二旋转轴J3上的同步带轮更换为异常同步带轮，再次重复上面的测试，将获得的异常振动数据放在一起进行对比；将振动数据中正常同步带轮和异常同步带轮的振动数据差距最大的那个备选位置作为振动传感器安装的筛选位置，例如图2中振动传感器30为第二机械臂机构3的筛选位置的设置的振动传感器30。
对于第一末端执行器机构4的振动采集装置的筛选位置的设置方式包括：在第一末端执行器机构4内选取多个位置分别作为备选位置，在各备选位置分别放置同型号的振动采集装置。然后让采用正常同步带轮的第一末端执行器机构4的第三转轴电机41运动，其他机构内的电机均停止，此时利用第一末端执行器机构4的各振动采集装置采集振动数据进行保存，打上时间戳，以便做各位置的对比，这时候得到了晶圆机器人正常运行时在第一末端执行器机构4的正常振动数据。然后将第三旋转轴J4上的同步带轮更换为异常同步带轮，再次重复上面的测试，将获得的异常振动数据放在一起进行对比；将振动数据中正常同步带轮和异常同步带轮的振动数据差距最大的那个备选位置作为振动传感器安装的筛选位置，例如图2中振动传感器40为第一末端执行器机构4的筛选位置的设置的振动传感器40。
对于第二末端执行器机构5的振动采集装置的筛选位置的设置方式包括：在第一末端执行器机构4内选取多个位置分别作为备选位置，在各备选位置分别放置同型号的振动采集装置。然后让采用正常同步带轮的第二末端执行器机构5的第四转轴电机51运动，其他机构内的电机均停止，此时利用第二末端执行器机构5的各振动采集装置采集振动数据进行保存，打上时间戳，以便做各位置的对比，这时候得到了晶圆机器人正常运行时在第二末端执行器机构5的正常振动数据。然后将第三旋转轴J4上的同步带轮更换为异常同步带轮，再次重复上面的测试，将获得的异常振动数据放在一起进行对比；将振动数据中正常同步带轮和异常同步带轮的振动数据差距最大的那个备选位置作为振动传感器安装的筛选位置，例如图2中振动传感器50为第二末端执行器机构5的筛选位置的设置的振动传感器50。
需要说明的是，所述异常丝杠以及异常同步带轮可采用磨损的丝杠与同步带轮，磨损程度可以根据需求而设定，可进行各机构的运动即可。
步骤S102：基于各振动采集装置分别采集的振动数据，分别对各运动机械机构进行机械性能诊断分析，以供获得所述晶圆机器人中各运动机械机构的机械性能诊断分析结果。
在一实施例中，步骤S102包括：
判断各振动采集装置分别采集的振动数据的数据量是否超过标准数据量；具体的，由于判断分析主要是需要长时间的积累和分析对比才能对机械臂的性能做出准确的诊断和预测，因此先判断每个振动采集装置采集的振动数据是否超过预设的标准数据量，若超过则进行后续判断分析步骤，否则重新采集对应运动机械机构的振动数据。举例来说，数据量是否超过50。
对超过标准数据量的振动数据进行数据处理操作，以获得对应的机械性能诊断分析结果。具体的，对超过标准数据量的振动数据进行数据处理操作，以获得对应运动机械机构的机械性能诊断分析结果。
在一实施例中，所述数据处理操作包括两种方式，其中第一种方式为：
对超过标准数据量的各振动数据中的X、Y以及Z轴的振幅与加速度数据分别计算对应绝对均值、均方根值、标准差和峭度；
具体的，对XYZ三个轴的数据进行处理，数据处理的方式包括但不局限于取绝对均值、均方根值、标准差和峭度；
其中，x为数据点，N为数据的点数；依据以下公式计算绝对均值、均方根值、标准差和峭度；
绝对均值的计算公式为：
均方根值的计算公式为：
标准差的计算公式为：
峭度的计算公式为：
基于故障诊断条件，根据各振动数据中的各轴的绝对均值、均方根值、标准差和峭度判断对应运动机械机构的机械性能诊断分析结果。
具体的，可以根据设置一或多个数值的阈值来判断对应运动机械机构的机械性能诊断分析结果。具体的，可以设置绝对均值、均方根值、标准差和峭度中的一个或多个的阈值，也可以设置X轴、Y轴以及Z轴的一个轴或多个轴中的绝对均值、均方根值、标准差和峭度中的一个或多个的阈值。还可以设置对应多个故障类型的阈值。
需要说明的是，每个类型的数据阈值可以利用经验先确定，然后再根据使用过程中的数据来修正。
在一实施例中，另一种方式包括：
对超过标准数据量的各振动数据中的X、Y以及Z轴的数据进行傅里叶变换，再进行时频转换，获得对应振动采集装置的频谱图；
提取各频谱图的频率及幅值判断对应频谱图是否具有故障频率特征，以供获得所对应的运动机械机构的机械性能诊断分析结果。举例来说，机器人刚运行时，频谱图上的频率都是正常运转时的特征，而运行一段时间后，开始出现一些新的频率，但是振幅不大，随着时间的推移，新增频率的振幅也慢慢增大，说明磨损也开始严重，频率分析主要是需要长时间的积累和分析对比才能对机械臂的性能做出诊断和预测。
在一实施例中，对超过标准数据量的振动数据进行数据处理操作，以获得对应的机械性能诊断分析结果包括：
基于经过训练的机器学习模型，根据输入的超过标准数据量的振动数据进行数据处理操作，输出对应的机械性能诊断分析结果。
在本实施例中，若采用第一种方式，利用基于各故障类型的对应的阈值数据来标记的第一振动数据样本集来训练获得机器学习模型。其中，第一振动数据样本集包括：涉及各故障类型的多个具有一故障类型的数据特征的振动数据样本；其训练获得的机器学习模型，当输入超过标准数据量的振动数据时可输出对应故障类型的机械性能诊断分析结果。
若采用第二种方式，利用基于各故障类型的对应的故障频率特征来标记的第二振动数据样本集来训练获得机器学习模型。其中，第二振动数据样本集包括：涉及各故障类型的多个具有一故障类型的故障频率特征的振动数据样本；其训练获得的机器学习模型，当输入超过标准数据量的振动数据时可输出对应故障类型的机械性能诊断分析结果。
利用先进的深度学习模型和算法，将晶圆机器人的大量运行数据喂给模型进行训练，诊断模型将越来越准确，更好的提高晶圆机器人的使用效率和稳定性。
为了更好的说明上述晶圆机器人的机械性能诊断方法，本发明提供以下具体实施例。
实施例1：一种CA124智能半导体机器人的机械性能诊断方法。图3为CA124智能半导体机器人的机械性能诊断方法的流程示意图。
CA124智能半导体机器人包括：升降机构，第一机械臂机构，第二机械臂机构，第一末端执行器机构，第二末端执行器机构。上述机构内均可安装振动传感器。
本实施例以第一机械臂机构内安装振动传感器为例阐述筛选过程。在第一机械臂机构内选取2～3个位置(近J2轴一处，近J3轴一处，中间再选一处)作为放置振动传感器的空间，在3个位置均放置同型号振动传感器，然后让第一机械臂内的J2轴电机运动，而其他轴电机都停止。将振动传感器的振动数据采集保存，打上时间戳，以便做各位置的对比。这时候得到了晶圆机器人正常运行时在第一机械臂机构的正常振动数据。然后将J2的同步带轮更换为轴承磨损严重的同步带轮，再次重复上面的测试，将振动数据放在一起进行对比。将振动数据中全新同步带轮和轴承磨损严重带轮有更明显差距的那个位置作为振动传感器安装的位置。用这种方法筛选振动传感器在升降机构、第二机械臂机构、第一末端执行器机构及第二末端执行器机构的安装位置。本发明利用这种方式筛选出5个机构相应的安装位置。
所述方法包括：在安装所需的振动传感器后，晶圆机器人进行正常的晶圆搬运工作，采集的时间为机器人上5个电机单独运行时进行采集。例如，机器人只有z轴运行时，那就采集z轴电机附近振动传感器的数据，将振动传感器的X轴的振幅、加速度，Y轴的振幅、加速度以及Z轴的振幅、加速度信息进行采集，每次采集的数据集时间为2s，采集数据的频率为50Hz，每次采集的数据量为100个。每次采集后至少间隔1小时再次采集。采集后上传给控制中心，控制中心将数据进行保存，对XYZ三个轴的数据进行处理，数据处理的方式包括但不局限于取绝对均值、均方根值、标准差和峭度。处理后的数据，就可以对机器人内部的各个机械臂进行故障诊断分析，如果上述四个数据中，某个数据超过阈值，则判断为存在磨损风险。而每个类型的数据阈值可以利用经验先确定，然后再根据使用过程中的数据来修正。时域分析是可以实时对机械臂的性能做出诊断和预测。
进一步，上述采集的数据也可以通过傅里叶变换，进行时频转换，在频域进行分析。得到频谱图后，就可以将振动的各个频率及振幅直观的展现出来。不断记录频谱信息，进行对比。机器人刚运行时，频谱图上的频率都是正常运转时的特征，而运行一段时间后，开始出现一些新的频率，但是振幅不大，随着时间的推移，新增频率的振幅也慢慢增大，说明磨损也开始严重。频率分析主要是需要长时间的积累和分析对比才能对机械臂的性能做出诊断和预测。
与上述实施例原理相似的是，本发明提供一种晶圆机器人的机械性能诊断装置。
以下结合附图提供具体实施例：
如图4展示本发明实施例中的一种晶圆机器人的机械性能诊断装置的结构示意图。
所述装置包括：数据获取模块41，用于获取晶圆机器人的各运动机械机构在正常搬运工作中单独运行时由其各自内部对应筛选位置设置的振动采集装置所采集的振动数据；
机械性能诊断模块42，连接所述数据获取模块41，用于基于各振动采集装置分别采集的振动数据，分别对各运动机械机构进行机械性能诊断分析，以供获得所述晶圆机器人中各运动机械机构的机械性能诊断分析结果。
由于该晶圆机器人的机械性能诊断装置的实现原理已在前述实施例中进行了叙述，因此此处不作重复赘述。
在一实施例中，每个运动机械机构内的多个不同备选位置分别对应设有相同的振动采集装置；且每个运动机械机构的振动采集装置的筛选位置设置方式包括：获取每个运动机械机构在分别采用正常性能传动部件以及异常传动部件单独运行时由设置在各备选位置的振动采集装置所分别对应采集的正常振动数据以及异常振动数据；从每个运动机械机构内的各振动采集装置所在的备选位置中分别筛选正常振动数据与异常振动数据之间差距最大的振动采集装置所在的备选位置作为对应运动机械机构内最终设置的振动采集装置的筛选位置。
在一实施例中，所述晶圆机器人中各运动机械机构包括：内部的筛选位置分别设置有一振动采集装置的升降机构、第一机械臂机构、第二机械臂机构、第一末端执行器机构以及第二末端执行器机构；其中，所述升降机构，包括：升降电机，用于结合丝杠带动第一机械臂机构、第二机械臂机构、第一末端执行器机构以及第二末端执行器机构沿升降轴上下运动；所述第一机械臂机构，包括：第一转轴电机，用于结合同步带轮带动第二机械臂机构、第一末端执行器机构以及第二末端执行器机构绕第一旋转轴旋转；所述第二机械臂机构，包括：第二转轴电机，用于结合同步带轮带动第一末端执行器机构以及第二末端执行器机构绕第二旋转轴旋转；所述第一末端执行器机构，包括：第三转轴电机，用于结合同步带轮带动第一末端执行器绕第三旋转轴旋转；所述第二末端执行器机构，包括：第四转轴电机，用于结合同步带轮带动第二末端执行器绕第三旋转轴旋转；并且其中，所述升降轴与第一旋转轴、第二旋转轴以及第三旋转轴平行。
在一实施例中，所述升降机构、第一末端执行器机构以及第二末端执行器机构的备选位置分别设置于所述升降机构、第一末端执行器机构以及第二末端执行器机构内的不同位置；所述第一机械臂机构的备选位置分别设置于所述第一机械臂机构内且位于所述第一旋转轴与第二旋转轴之间的不同位置；所述第二机械臂机构的备选位置分别设置于所述第二机械臂机构内且位于所述第二旋转轴与第三旋转轴之间的不同位置；所述升降机构的正常性能传动部件以及异常传动部件分别采用正常丝杠以及异常丝杠；所述第一机械臂机构、第二机械臂机构、第一末端执行器机构以及第二末端执行器机构的正常性能传动部件以及异常传动部件分别采用正常同步带轮以及异常同步带轮。
在一实施例中，机械性能诊断模块42用于判断各振动采集装置分别采集的振动数据的数据量是否超过标准数据量；对超过标准数据量的振动数据进行数据处理操作，以获得对应的机械性能诊断分析结果。
在一实施例中，机械性能诊断模块42用于基于经过训练的机器学习模型，根据输入的超过标准数据量的振动数据进行数据处理操作，输出对应的机械性能诊断分析结果。
在一实施例中，机械性能诊断模块42的所述数据处理操作包括：对超过标准数据量的各振动数据中的X、Y以及Z轴的振幅与加速度数据分别计算对应绝对均值、均方根值、标准差和峭度；基于故障诊断条件，根据各振动数据中的各轴的绝对均值、均方根值、标准差和峭度判断对应运动机械机构的机械性能诊断分析结果。
在一实施例中，机械性能诊断模块42的所述数据处理操作包括：对超过标准数据量的各振动数据中的X、Y以及Z轴的数据进行傅里叶变换，再进行时频转换，获得对应振动采集装置的频谱图；提取各频谱图的频率及幅值判断对应频谱图是否具有故障频率特征，以供获得所对应的运动机械机构的机械性能诊断分析结果。
如图5展示本发明实施例中的晶圆机器人的机械性能诊断终端50的结构示意图。
所述晶圆机器人的机械性能诊断终端50包括：存储器51及处理器52。所述存储器51用于存储计算机程序；所述处理器52运行计算机程序，实现如图1所述的晶圆机器人的机械性能诊断方法。
可选的，所述存储器51的数量均可以是一或多个，所述处理器52的数量均可以是一或多个，而图5中均以一个为例。
可选的，所述晶圆机器人的机械性能诊断终端50中的处理器52会按照如图1所述的步骤，将一个或多个以应用程序的进程对应的指令加载到存储器51中，并由处理器52来运行存储在第一存储器51中的应用程序，从而实现如图1所述晶圆机器人的机械性能诊断方法中的各种功能。
可选的，所述存储器51，可能包括但不限于高速随机存取存储器、非易失性存储器。例如一个或多个磁盘存储设备、闪存设备或其他非易失性固态存储设备；所述处理器52，可能包括但不限于中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital SignalProcessing，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现场可编程门阵列(Field－Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
可选的，所述处理器52可以是通用处理器，包括中央处理器(Central ProcessingUnit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital Signal Processing，简称DSP)、专用集成电路(Application SpecificIntegrated Circuit，简称ASIC)、现场可编程门阵列(Field－Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
本发明还提供计算机可读存储介质，存储有计算机程序，所述计算机程序运行时实现如图1所示的晶圆机器人的机械性能诊断方法。所述计算机可读存储介质可包括，但不限于，软盘、光盘、CD-ROM(只读光盘存储器)、磁光盘、ROM(只读存储器)、RAM(随机存取存储器)、EPROM(可擦除可编程只读存储器)、EEPROM(电可擦除可编程只读存储器)、磁卡或光卡、闪存、或适于存储机器可执行指令的其他类型的介质/机器可读介质。所述计算机可读存储介质可以是未接入计算机设备的产品，也可以是已接入计算机设备使用的部件。
本发明提供一种晶圆机器人，如图2所示，所述晶圆机器人包括：
升降机构1、第一机械臂机构2、第二机械臂机构3、第一末端执行器机构4以及第二末端执行器机构5，且各自内部的筛选位置分别设置有振动采集装置10、振动采集装置20、振动采集装置30、振动采集装置40以及振动采集装置50。
其中，如图3所示，所述升降机构1、第一机械臂机构2、第二机械臂机构3、第一末端执行器机构4以及第二末端执行器机构5中的振动采集装置10至50分别与所述的晶圆机器人的机械性能诊断装置00通信连接，以供分别对所述晶圆机器人的所述升降机构1、第一机械臂机构2、第二机械臂机构3、第一末端执行器机构4以及第二末端执行器机构5进行机械性能诊断分析。
在本实施例中，如图2所示，所述升降机构1，包括：升降电机11，用于结合丝杠12带动第一机械臂机构2、第二机械臂机构3、第一末端执行器机构4以及第二末端执行器机构5沿升降轴J1上下运动；
所述第一机械臂机构2，包括：第一转轴电机21，用于结合同步带轮(图中未显示)带动第二机械臂机构3、第一末端执行器机构4以及第二末端执行器5机构绕第一旋转轴J2旋转；具体的，所述第一机械臂机构2可以控制第一机械臂绕第一旋转轴J2旋转，且带动第二机械臂机构3中的第二机械臂、第一末端执行器机构4中的第一末端执行器、第二末端执行器机构5的第二末端执行器绕第一旋转轴J2旋转。
所述第二机械臂机构3，包括：第二转轴电机31，用于结合同步带轮32带动第一末端执行器机构以及第二末端执行器机构绕第二旋转轴J3旋转；具体的，所述第二机械臂机构3可以控制第二机械臂绕第二旋转轴J3旋转，且带动第一末端执行器机构4中的第一末端执行器、第二末端执行器机构5的第二末端执行器绕第二旋转轴J3旋转。
所述第一末端执行器机构4，包括：第三转轴电机41，用于结合同步带轮42带动第一末端执行器绕第三旋转轴J4旋转；具体的，所第一末端执行器机构4可以控制第一末端执行器绕第三旋转轴J4旋转。
所述第二末端执行器机构5，包括：第四转轴电机41，用于结合同步带轮42带动第二末端执行器绕第三旋转轴J4旋转；具体的，所第二末端执行器机构5可以控制第二末端执行器绕第三旋转轴J4旋转，与第一端末端执行器形成角度夹取待取晶圆。
并且其中，所述升降轴J1与第一旋转轴J2、第二旋转轴J3以及第三旋转轴J4平行。
综上所述，本发明的晶圆机器人的机械性能诊断方法、装置、终端、介质及晶圆机器人，通过获取晶圆机器人的各运动机械机构在正常搬运工作中单独运行时由其各自内部对应筛选设置的振动采集装置所采集的振动数据，分别对各运动机械机构进行机械性能诊断分析。本发明将所需的振动采集装置安装在各运动机械机构内部，传感器本身尺寸小巧重量轻，不会影响机械机构原有的尺寸和转动惯量。且振动采集装置所采集的振动数据对于各运动机械机构的故障诊断以及剩余寿命预测具有重要的意义，随着工业控制技术的发展，利用先进的算法进行故障诊断和设备健康状态监测，以确保晶圆机器人的运行可靠性和精度。所以，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅示例性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，但凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。
Claims (12)
1.一种晶圆机器人的机械性能诊断方法，其特征在于，包括：
获取晶圆机器人的各运动机械机构在正常搬运工作中单独运行时由其各自内部对应筛选位置设置的振动采集装置所采集的振动数据；
基于各振动采集装置分别采集的振动数据，分别对各运动机械机构进行机械性能诊断分析，以供获得所述晶圆机器人中各运动机械机构的机械性能诊断分析结果。
2.根据权利要求1中所述的晶圆机器人的机械性能诊断方法，其特征在于，每个运动机械机构内的多个不同备选位置分别对应设有相同的振动采集装置；且每个运动机械机构的振动采集装置的筛选位置设置方式包括：
获取每个运动机械机构在分别采用正常性能传动部件以及异常传动部件单独运行时由设置在各备选位置的振动采集装置所分别对应采集的正常振动数据以及异常振动数据；
从每个运动机械机构内的各振动采集装置所在的备选位置中分别筛选正常振动数据与异常振动数据之间差距最大的振动采集装置所在的备选位置作为对应运动机械机构内最终设置的振动采集装置的筛选位置。
3.根据权利要求2中所述的晶圆机器人的机械性能诊断方法，其特征在于，所述晶圆机器人中各运动机械机构包括：内部的筛选位置分别设置有一振动采集装置的升降机构、第一机械臂机构、第二机械臂机构、第一末端执行器机构以及第二末端执行器机构；
其中，所述升降机构，包括：升降电机，用于结合丝杠带动第一机械臂机构、第二机械臂机构、第一末端执行器机构以及第二末端执行器机构沿升降轴上下运动；
所述第一机械臂机构，包括：第一转轴电机，用于结合同步带轮带动第二机械臂机构、第一末端执行器机构以及第二末端执行器机构绕第一旋转轴旋转；
所述第二机械臂机构，包括：第二转轴电机，用于结合同步带轮带动第一末端执行器机构以及第二末端执行器机构绕第二旋转轴旋转；
所述第一末端执行器机构，包括：第三转轴电机，用于结合同步带轮带动第一末端执行器绕第三旋转轴旋转；
所述第二末端执行器机构，包括：第四转轴电机，用于结合同步带轮带动第二末端执行器绕第三旋转轴旋转；
并且其中，所述升降轴与第一旋转轴、第二旋转轴以及第三旋转轴平行。
4.根据权利要求3中所述的晶圆机器人的机械性能诊断方法，其特征在于，所述升降机构、第一末端执行器机构以及第二末端执行器机构的备选位置分别设置于所述升降机构、第一末端执行器机构以及第二末端执行器机构内的不同位置；所述第一机械臂机构的备选位置分别设置于所述第一机械臂机构内且位于所述第一旋转轴与第二旋转轴之间的不同位置；所述第二机械臂机构的备选位置分别设置于所述第二机械臂机构内且位于所述第二旋转轴与第三旋转轴之间的不同位置；
所述升降机构的正常性能传动部件以及异常传动部件分别采用正常丝杠以及异常丝杠；所述第一机械臂机构、第二机械臂机构、第一末端执行器机构以及第二末端执行器机构的正常性能传动部件以及异常传动部件分别采用正常同步带轮以及异常同步带轮。
5.根据权利要求1中所述的晶圆机器人的机械性能诊断方法，其特征在于，所述基于各振动采集装置分别采集的振动数据，分别对各运动机械机构进行机械性能诊断分析，以供获得所述晶圆机器人中各运动机械机构的机械性能诊断分析结果包括：
判断各振动采集装置分别采集的振动数据的数据量是否超过标准数据量；
对超过标准数据量的振动数据进行数据处理操作，以获得对应的机械性能诊断分析结果。
6.根据权利要求5中所述的晶圆机器人的机械性能诊断方法，其特征在于，对超过标准数据量的振动数据进行数据处理操作，以获得对应的机械性能诊断分析结果包括：
基于经过训练的机器学习模型，根据输入的超过标准数据量的振动数据进行数据处理操作，输出对应的机械性能诊断分析结果。
7.根据权利要求5或6中所述的晶圆机器人的机械性能诊断方法，其特征在于，所述数据处理操作包括：
对超过标准数据量的各振动数据中的X、Y以及Z轴的振幅与加速度数据分别计算对应绝对均值、均方根值、标准差和峭度；
基于故障诊断条件，根据各振动数据中的各轴的绝对均值、均方根值、标准差和峭度判断对应运动机械机构的机械性能诊断分析结果。
8.根据权利要求5或6中所述的晶圆机器人的机械性能诊断方法，其特征在于，所述数据处理操作包括：
对超过标准数据量的各振动数据中的X、Y以及Z轴的数据进行傅里叶变换，再进行时频转换，获得对应振动采集装置的频谱图；
提取各频谱图的频率及幅值判断对应频谱图是否具有故障频率特征，以供获得所对应的运动机械机构的机械性能诊断分析结果。
9.一种晶圆机器人的机械性能诊断装置，其特征在于，所述装置包括：
数据获取模块，用于获取晶圆机器人的各运动机械机构在正常搬运工作中单独运行时由其各自内部对应筛选位置设置的振动采集装置所采集的振动数据；
机械性能诊断模块，连接所述数据获取模块，用于基于各振动采集装置分别采集的振动数据，分别对各运动机械机构进行机械性能诊断分析，以供获得所述晶圆机器人中各运动机械机构的机械性能诊断分析结果。
10.一种晶圆机器人的机械性能诊断终端，其特征在于，包括：一或多个存储器及一或多个处理器；
所述一或多个存储器，用于存储计算机程序；
所述一或多个处理器，连接所述存储器，用于运行所述计算机程序以执行如权利要求1至8所述的方法。
11.一种计算机可读存储介质，其特征在于，存储有计算机程序，所述计算机程序被一个或多个处理器运行时执行如权利要求1至8中任一项所述的方法。
12.一种晶圆机器人，其特征在于，包括：
内部分别在筛选位置设置有振动采集装置的升降机构、第一机械臂机构、第二机械臂机构、第一末端执行器机构以及第二末端执行器机构；
其中，所述升降机构、第一机械臂机构、第二机械臂机构、第一末端执行器机构以及第二末端执行器机构中的振动采集装置分别与如权利要求9所述的晶圆机器人的机械性能诊断装置通信连接，以供分别对所述晶圆机器人的所述升降机构、第一机械臂机构、第二机械臂机构、第一末端执行器机构以及第二末端执行器机构进行机械性能诊断分析。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310347860.1A CN116352760A (zh) | 2023-04-03 | 2023-04-03 | 晶圆机器人的机械性能诊断方法、装置、终端、介质及晶圆机器人 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310347860.1A CN116352760A (zh) | 2023-04-03 | 2023-04-03 | 晶圆机器人的机械性能诊断方法、装置、终端、介质及晶圆机器人 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116352760A true CN116352760A (zh) | 2023-06-30 |
Family
ID=86936646
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310347860.1A Pending CN116352760A (zh) | 2023-04-03 | 2023-04-03 | 晶圆机器人的机械性能诊断方法、装置、终端、介质及晶圆机器人 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116352760A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117817652A (zh) * | 2023-07-28 | 2024-04-05 | 泓浒(苏州)半导体科技有限公司 | 基于晶圆传送机械臂的晶圆传送故障分析方法 |
-
2023
- 2023-04-03 CN CN202310347860.1A patent/CN116352760A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117817652A (zh) * | 2023-07-28 | 2024-04-05 | 泓浒(苏州)半导体科技有限公司 | 基于晶圆传送机械臂的晶圆传送故障分析方法 |
| CN117817652B (zh) * | 2023-07-28 | 2024-04-30 | 泓浒(苏州)半导体科技有限公司 | 基于晶圆传送机械臂的晶圆传送故障分析方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11599103B2 (en) | Method and system for data driven machine diagnostics | |
| EP2710438B1 (en) | Determining damage and remaining useful life of rotating machinery including drive trains, gearboxes, and generators | |
| CN107272586A (zh) | 机械学习装置、机械学习方法、故障预知装置及系统 | |
| CN108241891B (zh) | 解析装置以及解析系统 | |
| JP5460160B2 (ja) | 設備機器の診断装置 | |
| US9146175B2 (en) | Method and a device for detecting abnormal changes in play in a transmission unit of a movable mechanical unit | |
| JP6657256B2 (ja) | 送り軸の異常診断方法及び異常診断装置 | |
| CN107728586B (zh) | 解析系统 | |
| JP6714806B2 (ja) | 状態監視装置及び状態監視方法 | |
| CN116352760A (zh) | 晶圆机器人的机械性能诊断方法、装置、终端、介质及晶圆机器人 | |
| WO2019074002A1 (ja) | 異常診断装置、異常診断方法、及び異常診断プログラム | |
| CN109324599B (zh) | 确定机械故障和机械故障补偿的方法、装置、设备及介质 | |
| JP2019158514A (ja) | 乗客コンベア用軸受の検査装置及び乗客コンベア用軸受の検査方法 | |
| CN105675321B (zh) | 一种设备性能退化雷达图确定方法 | |
| CN112621381B (zh) | 机床进给系统健康状态智能评估方法及装置 | |
| JP2021085694A (ja) | ボールねじの状態監視装置および状態監視方法 | |
| CN112775719A (zh) | 进给轴装置的异常诊断方法和异常诊断装置 | |
| CN113557420B (zh) | 基于专家知识的用于旋转机器的自动健康状态分类器 | |
| CN109974790A (zh) | 可进行预测性维护的减速机标准测试床及操作方法 | |
| JP6556398B1 (ja) | 診断装置および閾値作成方法 | |
| Kohlheb et al. | Embedded autoencoder-based condition monitoring of rotating machinery | |
| CN106586841A (zh) | 起重装备减速机运行状态监测方法及系统 | |
| US20050288898A1 (en) | Systems and methods for analyzing machine failure | |
| US11249455B2 (en) | Automation system and wear detection controller | |
| Meier et al. | Determination of bearing clearance by the application of neural networks |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |