CN116864440B - 用于半导体工件的自动化搬运系统、方法、设备与介质 - Google Patents
用于半导体工件的自动化搬运系统、方法、设备与介质 Download PDFInfo
- Publication number
- CN116864440B CN116864440B CN202311129999.5A CN202311129999A CN116864440B CN 116864440 B CN116864440 B CN 116864440B CN 202311129999 A CN202311129999 A CN 202311129999A CN 116864440 B CN116864440 B CN 116864440B
- Authority
- CN
- China
- Prior art keywords
- suction
- value
- air pump
- values
- stage
- 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.)
- Active
Links
- 239000004065 semiconductor Substances 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 53
- 238000010801 machine learning Methods 0.000 claims abstract description 46
- 238000013480 data collection Methods 0.000 claims abstract description 6
- 238000001179 sorption measurement Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 15
- 230000033001 locomotion Effects 0.000 claims description 13
- 238000007405 data analysis Methods 0.000 claims description 9
- 125000004122 cyclic group Chemical group 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- 241000764238 Isis Species 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 9
- 235000012431 wafers Nutrition 0.000 description 15
- 238000010586 diagram Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 3
- 230000001276 controlling effect Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000001681 protective effect Effects 0.000 description 2
- 208000037656 Respiratory Sounds Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000012636 effector Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007373 indentation Methods 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
- H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
- H01L21/683—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere for supporting or gripping
- H01L21/6838—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere for supporting or gripping with gripping and holding devices using a vacuum; Bernoulli devices
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
- H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
- H01L21/67005—Apparatus not specifically provided for elsewhere
- H01L21/67242—Apparatus for monitoring, sorting or marking
- H01L21/67253—Process monitoring, e.g. flow or thickness monitoring
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Manufacturing & Machinery (AREA)
- Computer Hardware Design (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Power Engineering (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Container, Conveyance, Adherence, Positioning, Of Wafer (AREA)
Abstract
本发明公开了用于半导体工件的自动化搬运系统、方法、设备与介质,具体涉及自动化搬运技术领域,包括历史数据收集模块,用于采集机械手的历史搬运阶段中气泵的吸力值,将采集的吸力值建立吸力值时间序列集合,吸力值时间序列集合含有搬运阶段中与r个转折时间点对应的吸力值;模型训练模块,采用滑动窗口的方式将吸力值时间序列集合内的吸力值转化为数据集,以训练预测未来J时刻吸力值的机器学习模型;设定模块,对r个转折时间点一一对应设置吸力误差阈值,为第r个转折时间点对应的吸力误差阈值;本发明在搬运过程中提前预测吸力过大或过小的情况,提前处理,保障机械手吸盘吸力的稳定性,减少晶圆损坏和掉落的概率。
Description
技术领域
本发明涉及自动化搬运技术领域,更具体地说,本发明涉及用于半导体工件的自动化搬运系统、方法、设备与介质。
背景技术
由于半导体设备精密,如果在搬运过程中受到损坏,会不断造成设备的财产损失,还会影响企业产能,为此,如何将半导体进行安全地搬运成了众多半导体企业需要考虑的问题。
如申请公开号为CN115332143A的中国专利,公开了一种适用于晶圆传送用机械臂的数据处理方法及系统,获取晶圆和晶圆贴片的总重量信息,根据总重量信息计算综合吸力值,根据初始膜区域分配系数、初始贴片区域分配系数对综合吸力值进行分解,得到位于保护膜区域每个第一吸盘的第一吸力值,以及位于贴片区域每个第二吸盘的第二吸力值;若第一吸盘的第一吸力值大于等于晶圆保护膜处的第一超限值,根据相应第一吸盘的位置确定第一待检测区域;获取所述第一待检测区域的第一平整度信息,根据所述第一平整度信息确定第一待检测区域的差值信息,根据所述差值信息或用户输入信息对所述第一吸力值的权重值进行训练,可以针对不同重量的晶圆自动生成相应的吸力进行晶圆的转运,提升良品率,但是该方法并未能考虑到在不同搬运阶段晶圆所需要的吸力,使得晶圆容易在搬运过程中,由于气泵的吸力不适当导致晶圆脱落,增加了晶圆掉落的概率。
为此,本发明提出用于半导体工件的自动化搬运系统、方法、设备与介质。
发明内容
为了克服现有技术的上述缺陷,本发明提供用于半导体工件的自动化搬运系统、方法、设备与介质,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:第一方面,本发明提供用于半导体工件的自动化搬运系统,包括:
历史数据收集模块,用于采集机械手的历史搬运阶段中气泵的吸力值,将采集的吸力值建立吸力值时间序列集合,吸力值时间序列集合含有搬运阶段中与r个转折时间点对应的吸力值;
模型训练模块,采用滑动窗口的方式将吸力值时间序列集合内的吸力值转化为数据集,以训练预测未来J时刻吸力值的机器学习模型;
设定模块,对r个转折时间点一一对应设置吸力误差阈值,/>为第r个转折时间点对应的吸力误差阈值;
数据分析模块,实时统计搬运阶段中预测的未来J时刻吸力值,计算第r个转折时间点对应的未来J时刻吸力值,与第r个转折时间点标准吸力值差值绝对值,将/>与/>比对分析,判定是否对J时刻气泵输出吸力值进行修正。
进一步地,吸力值时间序列集合包括i个吸力值,i个吸力值一一对应机械手的搬运阶段。
进一步地,i个吸力值采集时间间隔相等。
进一步地,搬运阶段包括吸附阶段、抬起阶段、运动阶段与放置阶段,吸力值时间序列集合包括吸附阶段中的个吸力值、抬起阶段中的/>个吸力值、运动阶段中的/>个吸力值与放置阶段中的/>个吸力值;/>;/>、/>、/>与/>均为大于1的整数。
进一步地,采用滑动窗口的方式将吸力值时间序列集合转换为训练数据与训练数据对应的标签,构建为机器学习模型的数据集;所述数据集分为训练集、验证集和测试集;
将所述训练集作为机器学习模型的输入,所述机器学习模型以预测未来J时刻吸力值作为输出;以实时采集的训练数据对应的未来J时刻吸力值作为预测目标,以最小化机器学习模型损失函数值作为训练目标;当机器学习模型损失函数值小于等于预设的目标损失值时停止训练。
进一步地,所述机器学习模型为循环神经网络模型,所述循环神经网络模型可以是长短时记忆网络或门控循环单元。
进一步地,若大于/>时,则将J时刻气泵输出吸力值设定为第r个转折时间点标准吸力值;
若小于/>或/>等于/>时,则不对J时刻气泵输出吸力值进行修正。
进一步地,还包括控制模块;
数据分析模块还用于统计每次搬运阶段中大于/>的次数,将每次搬运阶段中大于/>的次数与预设次数阈值比对分析,判定是否生成备用气泵启用指令;
控制模块根据备用气泵启用指令获取备用气泵启用指令生成时对应的,将备用气泵的输出吸力值设置为第r个转折时间点标准吸力值,当时间到达第r个转折时间点时,同时控制电磁阀关闭气泵与吸盘的输出通道,并打开备用气泵与吸盘的输出通道。
进一步地,若每次搬运阶段中大于/>的次数小于预设次数阈值时,则不生成备用气泵启用指令。
进一步地,备用气泵为运行状态。
第二方面,本发明提供用于半导体工件的自动化搬运方法,其基于上述的用于半导体工件的自动化搬运系统实现,包括如下步骤:
采集机械手的历史搬运阶段中气泵的吸力值,将采集的吸力值建立吸力值时间序列集合,吸力值时间序列集合含有搬运阶段中与r个转折时间点对应的吸力值;
采用滑动窗口的方式将吸力值时间序列集合内的吸力值转化为数据集,以训练预测未来J时刻吸力值的机器学习模型;
对r个转折时间点一一对应设置吸力误差阈值,/>为第r个转折时间点对应的吸力误差阈值;
实时统计搬运阶段中预测的未来J时刻吸力值,计算第r个转折时间点对应的未来J时刻吸力值,与第r个转折时间点标准吸力值差值绝对值,将/>与/>比对分析,判定是否对J时刻气泵输出吸力值进行修正。
第三方面,本发明提供一种电子设备,包括:处理器和存储器,其中,所述存储器中存储有可供处理器调用的计算机程序;
所述处理器通过调用所述存储器中存储的计算机程序,执行上述的用于半导体工件的自动化搬运方法。
第四方面,本发明提供一种计算机可读存储介质,储存有指令,当所述指令在计算机上运行时,使得计算机执行上述的用于半导体工件的自动化搬运方法。
本发明的技术效果和优点:
本发明通过采集机械手的搬运阶段中气泵的吸力值,将采集的吸力值建立吸力值时间序列集合,且吸力值时间序列集合含有与搬运转折时间点对应的吸力值,采用滑动窗口的方式将吸力值时间序列集合转换为训练数据与训练数据对应的标签,构建为机器学习模型的数据集,来训练预测未来时刻吸力值的机器学习模型,对多个转折时间点一一对应设置吸力误差阈值,实时统计搬运阶段中预测的未来时刻吸力值,计算转折时间点对应的未来时刻吸力值与对应转折时间点的标准吸力值差值绝对值,对差值绝对值与吸力误差阈值分析,当出现不一致时,将未来时刻气泵输出吸力值设置为对应转折时间点标准吸力值;提前预测吸力过大或过小的情况,提前处理,保障机械手吸盘吸力的稳定性,减少晶圆损坏和掉落的概率。
附图说明
图1为实施例1的系统示意图;
图2为实施例1的搬运阶段示意图;
图3为实施例1中的搬运阶段吸力值变化示意图;
图4为实施例2的系统示意图;
图5为实施例3的方法流程图;
图6为实施例4的一种电子设备示意图;
图7为实施例5的一种计算机可读存储介质示意图;
图8为实施例2的备用气泵与气泵连接示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1
请参阅图1所示,本实施例提供了用于半导体工件的自动化搬运系统,应用于机械手中,机械手包括气泵与吸盘,气泵为吸盘提供吸力,用于将半导体吸起,所述系统包括历史数据收集模块、模型训练模块、设定模块与数据分析模块,各个模块间通过有线和/或无线的方式连接,实现模块间的数据传输;
历史数据收集模块,用于采集机械手的历史搬运阶段中气泵的吸力值,将采集的吸力值建立吸力值时间序列集合,吸力值时间序列集合包括i个吸力值,i个吸力值采集时间间隔相等,吸力值由安装在吸盘中的吸力传感器测量吸盘产生的负压值获得,i个吸力值一一对应机械手的搬运阶段;
搬运阶段包括吸附阶段、抬起阶段、运动阶段与放置阶段,吸力值时间序列集合包括吸附阶段中的个吸力值、抬起阶段中的/>个吸力值、运动阶段中的/>个吸力值与放置阶段中的/>个吸力值;/>;/>、/>、/>与/>均为大于1的整数;
模型训练模块,采用滑动窗口的方式将吸力值时间序列集合内的吸力值转化为数据集,以训练预测未来J时刻吸力值的机器学习模型,训练方法包括:
采用滑动窗口的方式将吸力值时间序列集合转换为训练数据与训练数据对应的标签,构建为机器学习模型的数据集;所述数据集分为训练集、验证集和测试集,其中训练集占数据集的70%,验证集和测试集各占数据集的15%;
将所述训练集作为机器学习模型的输入,所述机器学习模型以预测未来J时刻吸力值作为输出;以实时采集的训练数据对应的未来J时刻吸力值作为预测目标,以最小化机器学习模型损失函数值作为训练目标;当机器学习模型损失函数值小于等于预设的目标损失函数值时停止训练;
所述机器学习模型损失函数可以为均方误差(MSE)或交叉熵(CE);
示例性的,以均方误差(MSE)为例,通过将损失函数值mse=最小化为目标来训练模型,使得机器学习模型更好地拟合数据,从而提高性能和准确率;/>为训练数据组号;/>为训练数据组数;/>为第/>组训练数据对应的标签,/>为基于第/>组训练数据的预测标签;
所述机器学习模型为循环神经网络模型,所述循环神经网络模型可以是长短时记忆网络(LSTM)或门控循环单元(GRU);
所述机器学习模型的其他模型参数,例如网络模型的深度、每层的神经元数量、网络模型使用的激活函数、收敛条件、训练集测试集验证集比例以及损失函数等均通过实际的工程实现,不断地进行实验调优后获得。
本发明提供如下采用滑动窗口的方式将吸力值时间序列集合转换为训练数据与训练数据对应的标签示例:
将吸力值时间序列集合划分为n个大小相等的时间窗口,每个窗口内的吸力值作为一个样本,将该窗口未来k时刻的吸力值作为标签,需要说明的是,一个样本对应一个标签,一个样本与对应标签构成一组训练数据,多组训练数据构成训练集;
假设吸力值时间序列集合包含12个吸力值,将12个吸力值标记为特征数据集合,/>={/>, />, />, />, />,... ,/>},/>={/>,/>},需要说明的是/>为第i个吸力值,为第i个吸力值未来J时刻吸力值,使用滑动窗口构建多个样本和标签,示例性的,定义滑动窗口的长度为6,J=1秒,每个样本包含前6个吸力值作为训练数据,将第7个吸力值作为标签;
例如用Python中的列表或数组类型表示。定义滑动窗口的长度为6,即每个样本包含连续6个吸力值。通过滑动窗口的方式,构建多个样本。例如,第一个样本为{, />,, />, />, />},与第一个样本对应的标签为/>,第二个样本为{/>, />, />, />,, />},与第二个样本对应的标签为/>,以此类推;构建的多个样本用于训练机器学习模型。
对搬运阶段中的r个转折时间点进行标记,吸力值时间序列集合含有搬运阶段中与r个转折时间点对应的吸力值,即在r个转折时间点均对吸力值进行采集。
请参阅图2所示,示例性的,搬运阶段包括吸附阶段、抬起阶段、运动阶段与放置阶段,吸附阶段与抬起阶段转折时间点标记为,抬起阶段与运动阶段转折时间点标记为/>与/>,运动阶段与放置阶段转折时间点标记为/>,在/>、/>、/>与/>均对吸力值进行采集;
在半导体搬运环境中,需要调整气泵的吸力来改变吸盘的吸力大小,这是为了适应搬运阶段中的不同需求和确保半导体的安全稳固搬运;搬运阶段吸力值变化如图3所示:
吸附阶段:吸盘需要提供足够的吸力,以确保半导体能够牢固地附着在吸盘上。在这个阶段,吸盘的吸力会达到最大值,以确保半导体被牢固吸附在吸盘上,避免半导体在抬起过程中脱离吸盘或滑落;
抬起阶段:一旦半导体被吸附在吸盘上,机器人会控制末端执行器抬起半导体,在这个阶段,吸盘的吸力可能会保持在一个较高的水平,以确保半导体在抬起过程中不会掉落或滑落;
运动阶段:在运动过程中,半导体悬挂在吸盘上,吸盘的吸力需要维持在适当的水平,以确保半导体在运动中保持稳定,并避免半导体因为震动或冲击而脱离,吸力的大小略有降低,但仍要保持足够的吸力,以防止半导体失稳;
放置阶段:到达目标位置后,机器人会将半导体放置在预定的位置,在放置阶段,吸盘的吸力可能会逐渐减小,以确保晶圆能够平稳地从吸盘上离开并放置到目标位置,释放吸力,吸力值为零时完成放置。
半导体搬运机器人需要确保对半导体的搬运过程的控制准确、稳定,并遵循合适的吸取释放过程时间和速度;这需要对气泵进行调整和精确控制,气泵吸力的大小直接影响到吸盘的吸力,若吸力值过大,吸附速度过快,吸附时间短,导致吸附过快,吸盘突然施加较大的吸力到半导体上,可能会导致半导体表面产生划痕、压痕或其他损伤,尤其是对于脆弱的半导体材料;
其次,吸附过快会导致半导体没有充分接触吸盘表面,或者在吸取过程中晶圆未能正确对位,从而使晶圆无法稳固地被吸附在吸盘上,容易脱落,从而引起生产线停机,需要额外的时间和成本来处理问题。
在机械手将半导体放置在目标位置时,若放置时释放过快,晶圆损坏,会导致半导体在离开吸盘的瞬间受到冲击,从而造成晶圆表面的划痕、裂纹或其他损伤,还会导致放置位置不稳定,晶圆可能会滑动、晃动或掉落,影响放置的精度和稳定性。
为确保半导体的安全稳固搬运,本实施例中设定模块对r个转折时间点一一对应设置吸力误差阈值,/>为第r个转折时间点对应的吸力误差阈值,即允许吸力值在允许范围内波动;
数据分析模块,实时统计搬运阶段中预测的未来J时刻吸力值,计算第r个转折时间点对应的未来J时刻吸力值与第r个转折时间点标准吸力值差值绝对值,进一步说明,机器学习模型预测未来时刻的吸力值,即未实际产生的吸力值,此时调取第r个转折时间点对应的预测吸力值,并计算其与第r个转折时间点标准吸力值差值绝对值;
将与/>比对分析,判定是否对J时刻气泵输出吸力值进行修正;
若大于/>时,则将J时刻气泵输出吸力值设定为第r个转折时间点标准吸力值,示例性的,/>大于/>时,处于吸附阶段时,存在两种可能:导致没有足够的吸力将半导体吸起,或导致半导体吸附过快,致使半导体损伤和滑落的情况发生;
若小于/>或/>等于/>时,则不对J时刻气泵输出吸力值进行修正。
需要说明是,搬运阶段包括吸附阶段、抬起阶段、运动阶段与放置阶段,当放置阶段结束时,机械手复位,再重复所述搬运阶段的过程,机械手每个搬运阶段耗时一致,即每次吸附阶段耗时一致,每次抬起阶段耗时一致、每次运动阶段耗时一致以及每次放置阶段耗时一致;吸力值的采集间隔时间由本领域技术人员根据搬运阶段的耗时进行设置,耗时越长,可以相应的将采集间隔时间设置长些,反之则相反,但是需要保证间隔时间点采集的吸力值有转折时间点对应吸力值,用于保障机器学习模型的预测准确性。
本实施例通过采集机械手的搬运阶段中气泵的吸力值,将采集的吸力值建立吸力值时间序列集合,且吸力值时间序列集合含有与搬运转折时间点对应的吸力值,采用滑动窗口的方式将吸力值时间序列集合转换为训练数据与训练数据对应的标签,构建为机器学习模型的数据集,来训练预测未来时刻吸力值的机器学习模型,对多个转折时间点一一对应设置吸力误差阈值,实时统计搬运阶段中预测的未来时刻吸力值,计算转折时间点对应的未来时刻吸力值与对应转折时间点的标准吸力值差值绝对值,对差值绝对值与吸力误差阈值分析,当出现不一致时,将未来时刻气泵输出吸力值设置为对应转折时间点标准吸力值;提前预测吸力过大或过小的情况,提前处理,保障机械手吸盘吸力的稳定性,减少晶圆损坏和掉落的概率。
对气泵输出吸力值进行修正可以通过气泵的输入电流与电压进行调节,此为现有技术。
实施例2
请参阅图4所示,本实施例在实施例1的基础上进一步改进设计,不同的是本实施例提供的用于半导体工件的自动化搬运系统,包括控制模块,且数据分析模块还用于统计每次搬运阶段中大于/>的次数,一次搬运阶段例如吸附阶段、抬起阶段、运动阶段与放置阶段,将每次搬运阶段中/>大于/>的次数与预设次数阈值比对分析,判定是否生成备用气泵启用指令,若生成备用气泵启用指令,则将备用气泵启用指令发送至控制模块;
若每次搬运阶段中大于/>的次数小于预设次数阈值时,则不生成备用气泵启用指令;
若每次搬运阶段中大于/>的次数大于等于预设次数阈值时,则生成备用气泵启用指令;预设次数阈值为3次时,若在一次搬运阶段中出现了3次/>大于/>的情况,则说明气泵输出的吸力值极不稳定,再次使用会增加半导体的损坏概率,应及时对气泵或气泵控制组件维护,及时启用备用气泵,备用气泵在启用前为稳定运行状态,可以输出稳定的吸力,无需等待备用气泵的启动。
控制模块根据备用气泵启用指令获取备用气泵启用指令生成时对应的,将备用气泵的输出吸力值设置为第r个转折时间点标准吸力值,当时间到达第r个转折时间点时,同时控制电磁阀关闭气泵与吸盘的输出通道,并打开备用气泵与吸盘的输出通道,如图8所示。
本实施例在每次搬运阶段中大于/>的次数过多时,提前将备用气泵的输出吸力值设置为第r个转折时间点标准吸力值,保障在使用备用气泵时,备用气泵能够输出对应的吸力值,当时间到达第r个转折时间点时,同时控制电磁阀关闭气泵与吸盘的输出通道,并打开备用气泵与吸盘的输出通道,实现气泵与备用气泵的无缝对接,进一步保障机械手吸盘吸力的稳定性,减少晶圆损坏和掉落的概率。
实施例3
请参阅图5所示,本实施例提供了用于半导体工件的自动化搬运方法,包括如下步骤:
采集机械手的历史搬运阶段中气泵的吸力值,将采集的吸力值建立吸力值时间序列集合,吸力值时间序列集合含有搬运阶段中与r个转折时间点对应的吸力值;
采用滑动窗口的方式将吸力值时间序列集合内的吸力值转化为数据集,以训练预测未来J时刻吸力值的机器学习模型;
对r个转折时间点一一对应设置吸力误差阈值,/>为第r个转折时间点对应的吸力误差阈值;
实时统计搬运阶段中预测的未来J时刻吸力值,计算第r个转折时间点对应的未来J时刻吸力值,与第r个转折时间点标准吸力值差值绝对值,将/>与/>比对分析,判定是否对J时刻气泵输出吸力值进行修正。
进一步地,吸力值时间序列集合包括i个吸力值,i个吸力值一一对应机械手的搬运阶段。
进一步地,i个吸力值采集时间间隔相等。
进一步地,搬运阶段包括吸附阶段、抬起阶段、运动阶段与放置阶段,吸力值时间序列集合包括吸附阶段中的个吸力值、抬起阶段中的/>个吸力值、运动阶段中的/>个吸力值与放置阶段中的/>个吸力值;/>;/>、/>、/>与/>均为大于1的整数。
进一步地,采用滑动窗口的方式将吸力值时间序列集合转换为训练数据与训练数据对应的标签,构建为机器学习模型的数据集;所述数据集分为训练集、验证集和测试集;
将所述训练集作为机器学习模型的输入,所述机器学习模型以预测未来J时刻吸力值作为输出;以实时采集的训练数据对应的未来J时刻吸力值作为预测目标,以最小化机器学习模型损失函数值作为训练目标;当机器学习模型损失函数值小于等于预设的目标损失值时停止训练。
进一步地,所述机器学习模型为循环神经网络模型,所述循环神经网络模型可以是长短时记忆网络或门控循环单元。
进一步地,若大于/>时,则将J时刻气泵输出吸力值设定为第r个转折时间点标准吸力值;
若小于/>或/>等于/>时,则不对J时刻气泵输出吸力值进行修正。
进一步地,还包括控制模块;
数据分析模块还用于统计每次搬运阶段中大于/>的次数,将每次搬运阶段中大于/>的次数与预设次数阈值比对分析,判定是否生成备用气泵启用指令;
控制模块根据备用气泵启用指令获取备用气泵启用指令生成时对应的,将备用气泵的输出吸力值设置为第r个转折时间点标准吸力值,当时间到达第r个转折时间点时,同时控制电磁阀关闭气泵与吸盘的输出通道,并打开备用气泵与吸盘的输出通道。
进一步地,若每次搬运阶段中大于/>的次数小于预设次数阈值时,则不生成备用气泵启用指令。
进一步地,备用气泵为稳定运行状态。
实施例4
请参阅图6所示,一种电子设备,包括:处理器和存储器,其中,所述存储器中存储有可供处理器调用的计算机程序;
所述处理器通过调用所述存储器中存储的计算机程序,执行上述的用于半导体工件的自动化搬运方法。
实施例5
请参阅图7所示,一种计算机可读存储介质,储存有指令,当所述指令在计算机上运行时,使得计算机执行上述的用于半导体工件的自动化搬运方法。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
最后:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.用于半导体工件的自动化搬运系统,其特征在于,包括:
历史数据收集模块,用于采集机械手的历史搬运阶段中气泵的吸力值,将采集的吸力值建立吸力值时间序列集合,吸力值时间序列集合含有搬运阶段中与r个转折时间点对应的吸力值;
其中,搬运阶段包括吸附阶段、抬起阶段、运动阶段与放置阶段,吸力值时间序列集合包括吸附阶段中的个吸力值、抬起阶段中的/>个吸力值、运动阶段中的/>个吸力值与放置阶段中的/>个吸力值;/>;/>、/>、/>与/>均为大于1的整数;
模型训练模块,采用滑动窗口的方式将吸力值时间序列集合内的吸力值转化为数据集,以训练预测未来J时刻吸力值的机器学习模型;
其中,采用滑动窗口的方式将吸力值时间序列集合转换为训练数据与训练数据对应的标签,构建为机器学习模型的数据集;所述数据集分为训练集、验证集和测试集;
将所述训练集作为机器学习模型的输入,所述机器学习模型以预测未来J时刻吸力值作为输出;以实时采集的训练数据对应的未来J时刻吸力值作为预测目标,以最小化机器学习模型损失函数值作为训练目标;当机器学习模型损失函数值小于等于预设的目标损失值时停止训练;
设定模块,对r个转折时间点一一对应设置吸力误差阈值,/>为第r个转折时间点对应的吸力误差阈值;
数据分析模块,实时统计搬运阶段中预测的未来J时刻吸力值,计算第r个转折时间点对应的未来J时刻吸力值,与第r个转折时间点标准吸力值差值绝对值,将/>与/>比对分析,判定是否对J时刻气泵输出吸力值进行修正;
若大于/>时,则将J时刻气泵输出吸力值设定为第r个转折时间点标准吸力值;
若小于/>或/>等于/>时,则不对J时刻气泵输出吸力值进行修正;
数据分析模块还用于统计每次搬运阶段中大于/>的次数,将每次搬运阶段中/>大于/>的次数与预设次数阈值比对分析,判定是否生成备用气泵启用指令;
控制模块根据备用气泵启用指令获取备用气泵启用指令生成时对应的,将备用气泵的输出吸力值设置为第r个转折时间点标准吸力值,当时间到达第r个转折时间点时,同时控制电磁阀关闭气泵与吸盘的输出通道,并打开备用气泵与吸盘的输出通道;
若每次搬运阶段中大于/>的次数小于预设次数阈值时,则不生成备用气泵启用指令。
2.根据权利要求1所述的用于半导体工件的自动化搬运系统,其特征在于,吸力值时间序列集合包括i个吸力值,i个吸力值一一对应机械手的搬运阶段。
3.根据权利要求2所述的用于半导体工件的自动化搬运系统,其特征在于,i个吸力值采集时间间隔相等。
4.根据权利要求3所述的用于半导体工件的自动化搬运系统,其特征在于,所述机器学习模型为循环神经网络模型,所述循环神经网络模型为长短时记忆网络或门控循环单元。
5.根据权利要求4所述的用于半导体工件的自动化搬运系统,其特征在于,备用气泵为运行状态。
6.用于半导体工件的自动化搬运方法,其基于权利要求1-5任一项所述的用于半导体工件的自动化搬运系统实现,其特征在于,包括如下步骤:
采集机械手的历史搬运阶段中气泵的吸力值,将采集的吸力值建立吸力值时间序列集合,吸力值时间序列集合含有搬运阶段中与r个转折时间点对应的吸力值;
其中,搬运阶段包括吸附阶段、抬起阶段、运动阶段与放置阶段,吸力值时间序列集合包括吸附阶段中的个吸力值、抬起阶段中的/>个吸力值、运动阶段中的/>个吸力值与放置阶段中的/>个吸力值;/>;/>、/>、/>与/>均为大于1的整数;
采用滑动窗口的方式将吸力值时间序列集合内的吸力值转化为数据集,以训练预测未来J时刻吸力值的机器学习模型;
其中,采用滑动窗口的方式将吸力值时间序列集合转换为训练数据与训练数据对应的标签,构建为机器学习模型的数据集;所述数据集分为训练集、验证集和测试集;
将所述训练集作为机器学习模型的输入,所述机器学习模型以预测未来J时刻吸力值作为输出;以实时采集的训练数据对应的未来J时刻吸力值作为预测目标,以最小化机器学习模型损失函数值作为训练目标;当机器学习模型损失函数值小于等于预设的目标损失值时停止训练;
对r个转折时间点一一对应设置吸力误差阈值,/>为第r个转折时间点对应的吸力误差阈值;
实时统计搬运阶段中预测的未来J时刻吸力值,计算第r个转折时间点对应的未来J时刻吸力值,与第r个转折时间点标准吸力值差值绝对值,将/>与/>比对分析,判定是否对J时刻气泵输出吸力值进行修正;
若大于/>时,则将J时刻气泵输出吸力值设定为第r个转折时间点标准吸力值;
若小于/>或/>等于/>时,则不对J时刻气泵输出吸力值进行修正;
数据分析模块还用于统计每次搬运阶段中大于/>的次数,将每次搬运阶段中/>大于/>的次数与预设次数阈值比对分析,判定是否生成备用气泵启用指令;
根据备用气泵启用指令获取备用气泵启用指令生成时对应的,将备用气泵的输出吸力值设置为第r个转折时间点标准吸力值,当时间到达第r个转折时间点时,同时控制电磁阀关闭气泵与吸盘的输出通道,并打开备用气泵与吸盘的输出通道;
若每次搬运阶段中大于/>的次数小于预设次数阈值时,则不生成备用气泵启用指令。
7.一种电子设备,其特征在于,包括:处理器和存储器,其中,所述存储器中存储有可供处理器调用的计算机程序;
所述处理器通过调用所述存储器中存储的计算机程序,执行权利要求6所述的用于半导体工件的自动化搬运方法。
8.一种计算机可读存储介质,其特征在于,储存有指令,当所述指令在计算机上运行时,使得计算机执行如权利要求6所述的用于半导体工件的自动化搬运方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311129999.5A CN116864440B (zh) | 2023-09-04 | 2023-09-04 | 用于半导体工件的自动化搬运系统、方法、设备与介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311129999.5A CN116864440B (zh) | 2023-09-04 | 2023-09-04 | 用于半导体工件的自动化搬运系统、方法、设备与介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116864440A CN116864440A (zh) | 2023-10-10 |
CN116864440B true CN116864440B (zh) | 2023-11-14 |
Family
ID=88222002
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311129999.5A Active CN116864440B (zh) | 2023-09-04 | 2023-09-04 | 用于半导体工件的自动化搬运系统、方法、设备与介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116864440B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110524544A (zh) * | 2019-10-08 | 2019-12-03 | 深圳前海达闼云端智能科技有限公司 | 一种机械臂运动的控制方法、终端和可读存储介质 |
CN113919515A (zh) * | 2020-07-09 | 2022-01-11 | 苏州芯慧联半导体科技有限公司 | 干法刻蚀机预防性维护方法、系统及存储介质 |
CN116277037A (zh) * | 2023-05-19 | 2023-06-23 | 泓浒(苏州)半导体科技有限公司 | 一种晶圆搬运机械臂控制系统及方法 |
CN116679621A (zh) * | 2023-07-31 | 2023-09-01 | 南京德克威尔自动化有限公司 | 多轴同步运动控制系统及其控制方法 |
-
2023
- 2023-09-04 CN CN202311129999.5A patent/CN116864440B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110524544A (zh) * | 2019-10-08 | 2019-12-03 | 深圳前海达闼云端智能科技有限公司 | 一种机械臂运动的控制方法、终端和可读存储介质 |
CN113919515A (zh) * | 2020-07-09 | 2022-01-11 | 苏州芯慧联半导体科技有限公司 | 干法刻蚀机预防性维护方法、系统及存储介质 |
CN116277037A (zh) * | 2023-05-19 | 2023-06-23 | 泓浒(苏州)半导体科技有限公司 | 一种晶圆搬运机械臂控制系统及方法 |
CN116679621A (zh) * | 2023-07-31 | 2023-09-01 | 南京德克威尔自动化有限公司 | 多轴同步运动控制系统及其控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116864440A (zh) | 2023-10-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116277037B (zh) | 一种晶圆搬运机械臂控制系统及方法 | |
US10475690B2 (en) | Apparatus and method for automatically setting, calibrating and monitoring or measuring pickup head position and force during component pickup operations | |
CN108748149B (zh) | 一种复杂环境下基于深度学习的无标定机械臂抓取方法 | |
CN117080139B (zh) | 基于真空吸附技术的晶圆传送控制方法及传送控制系统 | |
CN116864440B (zh) | 用于半导体工件的自动化搬运系统、方法、设备与介质 | |
CN115477043B (zh) | 一种摄像头镜片贴膜装置 | |
CN116415866B (zh) | 一种物流运输装置、控制方法、系统及介质 | |
CN113184276A (zh) | 一种商标纸加料系统 | |
CN116741685B (zh) | 一种晶圆安全传输控制方法及系统 | |
CN109733667A (zh) | 一种工件真空检测及灌注一体化控制方法 | |
CN105361859B (zh) | 用于电子体温计的抓取检定装置和检定分拣方法 | |
CN116758017A (zh) | 流水线上密集竖排的袋装食品精确数量与异常情况的视觉实时检测方法 | |
CN215177580U (zh) | 石墨舟上下料检测装置 | |
US20230302635A1 (en) | Method and system for handling a load arrangement with a robot gripper | |
US20240165800A1 (en) | Method for controlling a gripper | |
CN115332143A (zh) | 适用于晶圆传送用机械臂的数据处理方法及系统 | |
CN114302792B (zh) | 用于机器人系统中内嵌重力传感器的结构性重力传感器机壳 | |
CN112561296B (zh) | 设备模块性能评估方法、半导体工艺设备 | |
JP2010162652A (ja) | 移送システム | |
CN111863681B (zh) | 搬运装置及其应用的搬运系统及搬运系统的预测保养方法 | |
CN108263856B (zh) | 一种基于机器视觉的机器人智能快速搬运装置及其搬运方法 | |
CN117416735B (zh) | 一种用于刀片电池模组的转运方法及装置 | |
CN112149499A (zh) | 一种基于机器视觉技术木块方向识别装置 | |
CN117723850B (zh) | 超真空环境下晶圆转运机械臂的静电检测系统及方法 | |
CN117080148B (zh) | 一种用于半导体装配的自动化静电吸盘控制系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |