CN116994999A - 一种超洁净环境的机械臂吸力调节方法及系统 - Google Patents
一种超洁净环境的机械臂吸力调节方法及系统 Download PDFInfo
- Publication number
- CN116994999A CN116994999A CN202311248744.0A CN202311248744A CN116994999A CN 116994999 A CN116994999 A CN 116994999A CN 202311248744 A CN202311248744 A CN 202311248744A CN 116994999 A CN116994999 A CN 116994999A
- Authority
- CN
- China
- Prior art keywords
- value
- vacuum pump
- loss coefficient
- resistance coefficient
- suction
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000012549 training Methods 0.000 claims abstract description 86
- 238000010801 machine learning Methods 0.000 claims abstract description 81
- 239000007789 gas Substances 0.000 claims description 79
- 239000013598 vector Substances 0.000 claims description 29
- 238000003860 storage Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 238000005259 measurement Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 230000007613 environmental effect Effects 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 6
- 239000001307 helium Substances 0.000 claims description 4
- 229910052734 helium Inorganic materials 0.000 claims description 4
- SWQJXJOGLNCZEY-UHFFFAOYSA-N helium atom Chemical compound [He] SWQJXJOGLNCZEY-UHFFFAOYSA-N 0.000 claims description 4
- 238000005086 pumping Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 3
- 230000001276 controlling effect Effects 0.000 claims 2
- 230000001105 regulatory effect Effects 0.000 claims 1
- 208000024891 symptom Diseases 0.000 claims 1
- 230000008859 change Effects 0.000 abstract description 2
- 230000005540 biological transmission Effects 0.000 abstract 1
- 235000012431 wafers Nutrition 0.000 description 63
- 230000006870 function Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000000691 measurement method Methods 0.000 description 3
- 239000004065 semiconductor Substances 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001681 protective effect Effects 0.000 description 2
- 238000007789 sealing Methods 0.000 description 2
- 241000252254 Catostomidae Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000011156 evaluation Methods 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
- 239000002245 particle Substances 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification 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
- H01L21/67005—Apparatus not specifically provided for elsewhere
- H01L21/67242—Apparatus for monitoring, sorting or marking
- H01L21/67253—Process monitoring, e.g. flow or thickness monitoring
-
- 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
- H01L21/67011—Apparatus for manufacture or treatment
- H01L21/67017—Apparatus for fluid treatment
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- General Physics & Mathematics (AREA)
- Manufacturing & Machinery (AREA)
- Computer Hardware Design (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Power Engineering (AREA)
- Container, Conveyance, Adherence, Positioning, Of Wafer (AREA)
Abstract
本发明公开一种超洁净环境的机械臂吸力调节方法及系统，涉及晶圆传送技术领域，包括预先采集机械臂所连接的真空泵的阻力系数训练数据与损失系数训练数据；阻力系数训练数据包括阻力系数特征数据与阻力系数特征数据对应的阻力系数值；损失系数训练数据包括损失系数特征数据及损失系数特征数据对应的损失系数值；基于损失系数训练数据，训练出预测真空泵的损失系数值的第一机器学习模型；基于阻力系数训练数据，训练出预测真空泵的阻力系数值的第二机器学习模型；本发明基于真空泵的初始吸力值、晶圆质量以及待翻转晶圆的目标吸力值计算出实时吸力调节值，提高吸力补偿准确性，实现在动态变化的真空泵中，实时调节吸力值，保证晶圆翻转的稳定性。
Description
技术领域
本发明涉及晶圆传送技术领域，更具体地说，本发明涉及一种超洁净环境的机械臂吸力调节方法及系统。
背景技术
在超洁净环境中，机械臂上设置有多个吸盘，吸盘与真空泵相连接，通过真空泵抽取超洁净环境中的气体，从而达到晶圆传送目的。吸力补偿是晶圆传送最重要的一项功能，从而提供晶圆传送稳定的吸力。传统的吸力补偿是通过定期对真空泵进行气密性检查从而获得气体泄漏数据，基于气体泄漏数据再进行调整，但这种方式存在一定的局限性，需要通过将真空泵停止运行后才能获得气体泄漏数据，为此在实际使用过程中，由于气体泄漏数据不能实时获取，当吸力值达不到预期值时，会出现晶圆掉落。
目前，缺乏晶圆在传送过程中对吸力值进行实时调节，当然也存在部分调节发明，如申请公开号CN115332143A的申请文件，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。
上述方法虽然在晶圆传送过程中对吸力进行权重值训练，为了保证晶圆在传送的安全性，根据不同的晶圆重量调整吸盘的吸力，由于真空泵的长时间运转，容易出现密封圈老化、损坏或安装不牢固问题，从而导致密封性不良，当出现此类情况时，使得在传送相同重量的晶圆时，实时变化的吸力值达不到预期值，导致在晶圆在翻转动作时出现掉落损坏，增加了生产晶圆破损率。
为此，本发明提供了一种超洁净环境的机械臂吸力调节方法及系统。
发明内容
为了克服现有技术的上述缺陷，本发明的实施例提供一种超洁净环境的机械臂吸力调节方法及系统，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：一种超洁净环境的机械臂吸力调节方法，包括：
预先采集机械臂所连接的真空泵的阻力系数训练数据与损失系数训练数据；阻力系数训练数据包括阻力系数特征数据与阻力系数特征数据对应的阻力系数值；损失系数训练数据包括损失系数特征数据及损失系数特征数据对应的损失系数值；
基于损失系数训练数据，训练出预测真空泵的损失系数值的第一机器学习模型；
基于阻力系数训练数据，训练出预测真空泵的阻力系数值的第二机器学习模型；
采集待翻转晶圆的初始吸力值，并实时获取真空泵的阻力系数特征数据与损失系数特征数据；
基于真空泵的损失系数值特征数据和第一机器学习模型，获得实时损失系数值；
基于真空泵的阻力系数特征数据、实时损失系数值以及第二机器学习模型，获得实时阻力系数值；
实时采集真空泵输出吸力值以及待翻转晶圆的质量，基于初始吸力值、输出吸力值、待翻转晶圆的质量以及实时阻力系数值计算实时吸力调节值，控制真空泵调节阀，将吸力值调到实时吸力调节值。
进一步地，阻力系数特征数据包括摩擦阻力、气体流速、气体密度、真空泵的损失系数值、环境温度与环境湿度；损失系数特征数据包括泄露气体流量、真空泵气体容积、真空泵压力值与真空泵温度。
进一步地，摩擦阻力为抽取气体时与真空泵壁面发生摩擦产生的阻力，通过摩擦测量仪多次测量并计算平均值获得；
气体流速为真空泵抽取超洁净环境中的气体所产生的流速，通过气体流量计进行测量获取；
气体密度为真空泵抽取超洁净环境中气体的密度，通过气体密度计检测获取；
损失系数值为真空泵的密封度，通过使用损失系数测量方法获取；
环境温度与环境湿度通过温度计与湿度计测量实验环境中的温湿度；
阻力系数值为真空泵抽取气体受到的平均阻力值，在收集过程中，通过压差计测量并计算平均值获取。
进一步地，泄漏气体流量为真空泵泄漏源流出的气体流量，通过氦质谱仪获取；
真空泵压力值通过压力测量设备测量获取；
真空泵气体容积为真空泵抽取气体的容积，通过激光干涉仪进行测量获取；
真空泵温度通过温度计测量获取。
进一步地，训练出预测真空泵的损失系数值的第一机器学习模型的方式为：
将每组损失系数特征数据集合转换为第一特征向量，第一特征向量中的元素包括泄露气体流量、真空泵气体容积、真空泵压力值与真空泵温度的值；
所有第一特征向量的集合作为第一机器学习模型的输入，所述第一机器学习模型以对每组损失系数特征数据预测的损失系数值作为输出，以每组损失系数特征数据对应的实际的损失系数值作为预测目标，以最小化所有预测的损失系数值的第一预测准确度之和作为训练目标；其中，第一预测准确度的计算公式为；，其中，/>为每组损失系数特征数据的编号，/>组损失系数特征数据对应的预测的损失系数值，/>组损失系数特征数据对应的实际的损失系数值；对第一机器学习模型进行训练，直至第一预测准确度达到收敛时停止训练；优选的，所述第一机器学习模型为深度神经网络模型或深度信念网络模型中的任意一种。
进一步地，训练出预测真空泵的阻力系数值的第二机器学习模型的方式为：
将每组阻力系数特征数据集合转换为第二特征向量，其中，第二特征向量中的元素包括气体流速、气体密度、真空泵的损失系数值、环境温度与环境湿度的值；
所有第二特征向量的集合作为第二机器学习模型的输入，所述第二机器学习模型以对每组阻力系数特征数据预测的阻力系数值作为输出，以每组阻力系数特征数据对应的实际的阻力系数值作为预测目标，以最小化所有预测的阻力系数值的第二预测准确度之和作为训练目标；其中，第二预测准确度的计算公式为；，其中，/>为每组阻力系数特征数据的编号，/>组阻力系数特征数据对应的预测的阻力系数值，/>组阻力系数特征数据对应的实际阻力系数值；对第二机器学习模型进行训练，直至第二预测准确度达到收敛时停止训练；优选的，所述第二机器学习模型为深度神经网络模型或深度信念网络模型中的任意一种；
进一步地，获得实时损失系数值的方式为：将待晶圆翻转的真空泵的损失系数特征数据集合为第一特征向量，并将第一特征向量输入至第一机器学习模型，第一机器学习模型输出预测的实时损失系数值。
进一步地，获得实时阻力系数值的方法为：将第一机器学习模型输出预测的实时损失系数值标记为Ssx，并将待翻转晶圆的真空泵的阻力系数特征数据中的损失系数设置为Ssx，将待翻转晶圆的真空泵的阻力系数特征数据集合为第二特征向量，并将第二特征向量输入至第二机器学习模型，第二机器学习模型输出预测的实时阻力系数值。
进一步地，所述初始吸力值为待晶圆翻转的真空泵的吸力值，通过预先使用的真空计获得；待翻转晶圆的真空泵输出吸力值以及晶圆质量分别通过真空计和负载传感器实时采集；
计算实时吸力调节值的方式为：将初始吸力值标记为，将待翻转晶圆的目标吸力值标记为/>，将晶圆质量大小标记为/>，第二机器学习模型预测的实时阻力系数标记为；
将实时吸力调节值标记为；其中，实时吸力调节值/>的计算公式为：
。
第二方面，本发明提供一种超洁净环境的机械臂吸力调节系统，用于实现上述的一种超洁净环境的机械臂吸力调节方法，包括：
第一数据采集模块，用于预先采集机械臂所连接的真空泵的阻力系数训练数据与损失系数训练数据；阻力系数训练数据包括阻力系数特征数据与阻力系数特征数据对应的阻力系数值；损失系数训练数据包括损失系数特征数据及损失系数特征数据对应的损失系数值；
第一模型训练模块，基于损失系数训练数据，训练出预测真空泵的损失系数值的第一机器学习模型；
第二模型训练模块，基于阻力系数训练数据，训练出预测真空泵的阻力系数值的第二机器学习模型；
第二数据采集模块，用于采集待翻转晶圆的初始吸力值，并实时获取真空泵的阻力系数特征数据与损失系数特征数据；
损失系数处理模块，基于真空泵的损失系数特征数据和第一机器学习模型，获得实时损失系数值；
阻力系数处理模块，基于真空泵的阻力系数特征数据、实时损失系数值以及第二机器学习模型，获得实时阻力系数值；
吸力调节模块，实时采集真空泵输出吸力值以及待翻转晶圆的质量，基于初始吸力值、输出吸力值、待翻转晶圆的质量以及实时阻力系数值计算实时吸力调节值，控制真空泵调节阀，将吸力值调到实时吸力调节值。
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，执行上述的一种超洁净环境的机械臂吸力调节方法。
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一种超洁净环境的机械臂吸力调节方法。
本发明的技术效果和优点：
本发明通过预先在实验环境中采集阻力系数特征数据以及损失系数特征数据，并通过精确测量的方式获得阻力系数值与损失系数值，基于损失系数特征数据与其对应的损失系数值训练出预测损失系数值的第一机器学习模型，基于阻力系数特征数据与其对应的阻力系数值训练出预测阻力系数值的第二机器学习模型；在超洁净环境中，实时采集在待翻转晶圆的真空泵的初始吸力值、晶圆质量以及待翻转晶圆的目标吸力值，根据损失系数特征数据作为第一机器学习，获得预测的损失系数值，将预测的损失系数值作为阻力系数特征数据的损失系数，通过第二机器学习获得预测的损失系数值，并基于真空泵的初始吸力值、晶圆质量以及待翻转晶圆的目标吸力值计算出实时吸力调节值，提高了吸力值补偿的准确性，实现了在动态变化的真空泵中，实时调节吸力调节值，保证晶圆翻转时的稳定性。
附图说明
图1为实施例1的一种超洁净环境的机械臂吸力调节方法流程图；
图2为实施例1的晶圆真空吸盘示意图；
图3为实施例2的一种超洁净环境的机械臂吸力调节系统示意图；
图4为实施例3的一种电子设备示意图；
图5为实施例4的一种计算机可读存储介质示意图。
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、完整的描述，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。
此外，附图仅为本发明的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
应当理解的是，虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元，但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说，在不背离示例性实施例的范围的情况下，第一单元可以被称为第二单元，并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有集合。
晶圆传送过程包括晶圆搬运、翻转等过程，本实施例以晶圆翻转为例进行说明。
实施例1
请参阅图1所示，本实施例提供了一种超洁净环境的机械臂吸力调节方法，包括：
步骤10、预先采集机械臂所连接的真空泵的阻力系数训练数据与损失系数训练数据；
步骤20、基于损失系数训练数据，训练出预测真空泵的损失系数值的第一机器学习模型；
步骤30、基于阻力系数训练数据，训练出预测真空泵的阻力系数值的第二机器学习模型；
步骤40、采集待翻转晶圆的初始吸力值，并实时获取真空泵的阻力系数特征数据与损失系数特征数据；
步骤50、基于真空泵的损失系数值特征数据和第一机器学习模型，获得实时损失系数值；
步骤60、基于真空泵的阻力系数特征数据、实时损失系数值以及第二机器学习模型，获得实时阻力系数值；
步骤70、实时采集真空泵输出吸力值以及待翻转晶圆的质量，基于初始吸力值、输出吸力值、待翻转晶圆的质量以及实时阻力系数值计算实时吸力调节值，控制真空泵调节阀，将吸力值调到实时吸力调节值。
在一个优选的实施例中，所述阻力系数训练数据包括在实验环境中采集n组阻力系数特征数据以及对应的阻力系数值，所述实验环境为测试人员通过调节与晶圆真空吸盘所连接的真空泵中影响阻力系数对应的阻力系数值特征数据的集合，从而获得的阻力系数的数据采集环境，保证阻力系数训练数据的质量，可以理解的是，实验环境为超洁净环境，即在空气中的微尘、微粒和其他污染物尽可能减少的环境，以确保半导体制造的高质量和稳定性；请参阅图2所示，所述晶圆真空吸盘由坚硬的表面构成，表面上有许多小孔或通道，通过这些小孔，吸盘可以与真空泵连接，从而产生真空效应。
其中，所述阻力系数特征数据包括摩擦阻力、气体流速、气体密度、真空泵的损失系数值、环境温度与环境湿度；
具体的，摩擦阻力为抽取气体时与真空泵壁面发生摩擦产生的阻力，通过摩擦测量仪多次测量并计算平均值获得；需要说明的是，摩擦阻力越大，阻力系数值越大；
气体流速为真空泵抽取超洁净环境中的气体所产生的流速，通过气体流量计进行测量获取，可以理解的是，气体流速为预设时间内抽取气体的体积，即：，式中，T为预设时间，V为抽取气体的体积，S为真空泵抽取气体的管道横截面积；其中，管道横截面积与抽取气体体积均可在生产真空泵时测量获得；气体流速的较快会导致阻力系数的增加，因为在真空泵中气体流速会增加，使得被抽取气体受到阻力也相应的增加。
气体密度为真空泵抽取超洁净环境中气体的密度，通过气体密度计检测获取；需要说明的是，气体密度数值越大，受到的阻力也越大，对应的阻力系数值也越大；
损失系数值为真空泵的密封度，通过使用损失系数测量方法获取；需要说明的是，测量损失系数的方法为本领域常用手段，通过质谱仪或氦检漏仪均可对真空泵的测量损失系数进行测量，在此不再赘述，其中，损失系数越大，阻力系数越大；
环境温度与环境湿度通过温度计与湿度计测量实验环境中的温湿度；需要说明的是，环境温度与环境湿度会影响到气体流速，从而间接的影响到阻力系数；
所述阻力系数值为真空泵抽取气体受到的平均阻力值，在实验环境中，通过压差计单位时间内多次测量真空泵抽取气体受到的阻力，并计算其平均值获取。
在实验环境下，所述损失系数测量方法需要通过对真空泵进行关闭后进行测量获取，以获得每组阻力系数特征数据与对应的损失系数；
需要注意的是，如背景技术中描述，所述损失系数测量方法需要通过对真空泵进行关闭后才能进行测量获取，在实际晶圆翻转过程中不能关闭真空泵实时测量获得，为此，因此本实施例提供一种在真空泵运行过程中实时获取损失系数的评估方法；
进一步的，所述损失系数训练数据包括在实验环境中采集m组损失系数特征数据及损失系数特征数据对应的损失系数值；损失系数值越小越好；
其中，损失系数特征数据包括泄露气体流量、真空泵气体容积、真空泵压力值与真空泵温度；
泄漏气体流量为真空泵泄漏源流出的气体流量，通过氦质谱仪获取；需要说明的是，泄漏气体流量越大，损失系数值越大；
真空泵压力值通过压力测量设备测量获取，需要说明的是，压力测量设备可以为冷阴极真空计或托计，优选为托计；较高的真空泵压力值可以增加泄露气体流量，从而损失系数越大；
真空泵气体容积为真空泵抽取气体的容积，通过激光干涉仪进行测量获取；
真空泵温度通过温度计测量获取；需要说明的是，真空泵温度可以影响泄露气体速度，从而影响损失系数值，通常情况下，随着温度的升高，真空泵压力值越大，泄露气体流量越大，使得损失系数值也会变大；
进一步的，所述损失系数为测量每组损失系数特征数据时，使用损失系数测量方法收集真空泵的损失系数值；
本实施例中，需要说明的是，训练出预测真空泵的损失系数值的第一机器学习模型的方式为：
将每组损失系数特征数据集合转换为第一特征向量，第一特征向量中的元素包括泄露气体流量、真空泵气体容积、真空泵压力值与真空泵温度的值；
所有第一特征向量的集合作为第一机器学习模型的输入，所述第一机器学习模型以对每组损失系数特征数据预测的损失系数值作为输出，以每组损失系数特征数据对应的实际的损失系数值作为预测目标，以最小化所有预测的损失系数值的第一预测准确度之和作为训练目标；其中，第一预测准确度的计算公式为；，其中，/>为每组损失系数特征数据的编号，/>为第一预测准确度，/>为第/>组损失系数特征数据对应的预测的损失系数值，/>为第/>组损失系数特征数据对应的实际的损失系数值；对第一机器学习模型进行训练，直至第一预测准确度达到收敛时停止训练；优选的，所述第一机器学习模型为深度神经网络模型或深度信念网络模型中的任意一种；
本实施例中，需要说明的是，训练出预测真空泵的阻力系数值的第二机器学习模型的方式为：
将每组阻力系数特征数据集合转换为第二特征向量，其中，第二特征向量中的元素包括气体流速、气体密度、真空泵的损失系数值、环境温度与环境湿度的值；
所有第二特征向量的集合作为第二机器学习模型的输入，所述第二机器学习模型以对每组阻力系数特征数据预测的阻力系数值作为输出，以每组阻力系数特征数据对应的实际的阻力系数值作为预测目标，以最小化所有预测的阻力系数值的第二预测准确度之和作为训练目标；其中，第二预测准确度的计算公式为；，其中，/>为每组阻力系数特征数据的编号，/>为第二预测准确度，/>为第/>组阻力系数特征数据对应的预测的阻力系数值，/>为第/>组阻力系数特征数据对应的实际阻力系数值；对第二机器学习模型进行训练，直至第二预测准确度达到收敛时停止训练；优选的，所述第二机器学习模型为深度神经网络模型或深度信念网络模型中的任意一种；
需要说明的是，第一机器学习模型和第二机器学习模型的其他的模型参数，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；
本实施例中，需要说明的是，获得实时损失系数值的方式为：
将待晶圆翻转的真空泵的损失系数值特征数据集合为第一特征向量，并将第一特征向量输入至第一机器学习模型，第一机器学习模型输出预测的实时损失系数值；
获得实时阻力系数值的方法为：
将第一机器学习模型输出预测的实时损失系数值标记为Ssx，并将待翻转晶圆的真空泵的阻力系数特征数据中的损失系数设置为Ssx，将待翻转晶圆的真空泵的阻力系数特征数据集合为第二特征向量，并将第二特征向量输入至第二机器学习模型，第二机器学习模型输出预测的实时阻力系数值；
本实施例中，需要说明的是，所述初始吸力值为待晶圆翻转的真空泵的吸力值，通过预先使用的真空计获得；待翻转晶圆的真空泵输出吸力值以及晶圆质量分别通过真空计和负载传感器实时采集；
计算实时吸力调节值的方式为：
将初始吸力值标记为，将待翻转晶圆的目标吸力值标记为/>，将晶圆质量大小标记为/>，第二机器学习模型预测的实时阻力系数标记为/>；
将实时吸力调节值标记为；其中，实时吸力调节值/>的计算公式为：
。
本实施例，通过预先在实验环境中采集阻力系数特征数据以及损失系数特征数据，并通过精确测量的方式获得阻力系数值与损失系数值，基于损失系数特征数据与其对应的损失系数值训练出预测损失系数值的第一机器学习模型，基于阻力系数特征数据与其对应的阻力系数值训练出预测阻力系数值的第二机器学习模型；在超洁净环境中，实时采集在待翻转晶圆的真空泵的初始吸力值、晶圆质量以及待翻转晶圆的目标吸力值，根据损失系数特征数据作为第一机器学习，获得预测的损失系数值，将预测的损失系数值作为阻力系数特征数据的损失系数，通过第二机器学习获得预测的损失系数值，并基于真空泵的初始吸力值、晶圆质量以及待翻转晶圆的目标吸力值计算出实时吸力调节值，提高了吸力值补偿的准确性，实现了在动态变化的超洁净环境中，保证晶圆翻转时的稳定性。
实施例2
请参阅图3所示，本实施例提供了一种超洁净环境的机械臂吸力调节系统，包括：
第一数据采集模块，用于预先采集机械臂所连接的真空泵的阻力系数训练数据与损失系数训练数据；阻力系数训练数据包括阻力系数特征数据与阻力系数特征数据对应的阻力系数值；损失系数训练数据包括损失系数特征数据及损失系数特征数据对应的损失系数值；
第一模型训练模块，基于损失系数训练数据，训练出预测真空泵的损失系数值的第一机器学习模型；
第二模型训练模块，基于阻力系数训练数据，训练出预测真空泵的阻力系数值的第二机器学习模型；
第二数据采集模块，用于采集待翻转晶圆的初始吸力值，并实时获取真空泵的阻力系数特征数据与损失系数特征数据；
损失系数处理模块，基于真空泵的损失系数特征数据和第一机器学习模型，获得实时损失系数值；
阻力系数处理模块，基于真空泵的阻力系数特征数据、实时损失系数值以及第二机器学习模型，获得实时阻力系数值；
吸力调节模块，实时采集真空泵输出吸力值以及待翻转晶圆的质量，基于初始吸力值、输出吸力值、待翻转晶圆的质量以及实时阻力系数值计算实时吸力调节值，控制真空泵调节阀，将吸力值调到实时吸力调节值。
实施例3
请参阅图4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，执行上述的一种超洁净环境的机械臂吸力调节方法。
实施例4
请参阅图5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一种超洁净环境的机械臂吸力调节方法。
上述中涉及的公式均是去除量纲取其数值计算，是由采集大量数据进行软件模拟得到最接近真实情况的一个公式，公式中的比例系数以及分析过程中各个预设的阈值由本领域的技术人员根据实际情况设定或者大量数据模拟获得；比例系数的大小是为了将各个参数进行量化得到的一个具体的数值，便于后续比较，关于比例系数的大小，取决于样本数据的多少及本领域技术人员对每一组样本数据初步设定对应的处理系数；只要不影响参数与量化后数值的比例关系即可。
上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意集合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络，或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线网络方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质（例如，软盘、硬盘、磁带）、光介质（例如，DVD），或者半导体介质。半导体介质可以是固态硬盘。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件，或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其他的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其他的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（read-onlymemory，ROM）、随机存取存储器（randomaccessmemory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本申请的具体实施方式，但本申请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申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请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 (12)
1.一种超洁净环境的机械臂吸力调节方法，其特征在于：包括：
预先采集机械臂所连接的真空泵的阻力系数训练数据与损失系数训练数据；阻力系数训练数据包括阻力系数特征数据与阻力系数特征数据对应的阻力系数值；损失系数训练数据包括损失系数特征数据及损失系数特征数据对应的损失系数值；
基于损失系数训练数据，训练出预测真空泵的损失系数值的第一机器学习模型；
基于阻力系数训练数据，训练出预测真空泵的阻力系数值的第二机器学习模型；
采集待翻转晶圆的初始吸力值，并实时获取真空泵的阻力系数特征数据与损失系数特征数据；
基于真空泵的损失系数特征数据和第一机器学习模型，获得实时损失系数值；
基于真空泵的阻力系数特征数据、实时损失系数值以及第二机器学习模型，获得实时阻力系数值；
实时采集真空泵输出吸力值以及待翻转晶圆的质量，基于初始吸力值、输出吸力值、待翻转晶圆的质量以及实时阻力系数值计算实时吸力调节值，控制真空泵调节阀，将吸力值调到实时吸力调节值。
2.根据权利要求1所述的一种超洁净环境的机械臂吸力调节方法，其特征在于，
阻力系数特征数据包括摩擦阻力、气体流速、气体密度、真空泵的损失系数值、环境温度与环境湿度；损失系数特征数据包括泄漏气体流量、真空泵气体容积、真空泵压力值与真空泵温度。
3.根据权利要求2所述的一种超洁净环境的机械臂吸力调节方法，其特征在于，摩擦阻力为抽取气体时与真空泵壁面发生摩擦产生的阻力，通过摩擦测量仪多次测量并计算平均值获得；
气体流速为真空泵抽取超洁净环境中的气体所产生的流速，通过气体流量计进行测量获取；
气体密度为真空泵抽取超洁净环境中气体的密度，通过气体密度计检测获取；
损失系数值为真空泵的密封度，通过使用损失系数测量方法获取；
环境温度与环境湿度通过温度计与湿度计测量实验环境中的温湿度；
阻力系数值为真空泵抽取气体受到的平均阻力值，在收集过程中，通过压差计测量并计算平均值获取。
4.根据权利要求3所述的一种超洁净环境的机械臂吸力调节方法，其特征在于，泄漏气体流量为真空泵泄漏源流出的气体流量，通过氦质谱仪获取；
真空泵压力值通过压力测量设备测量获取；
真空泵气体容积为真空泵抽取气体的容积，通过激光干涉仪进行测量获取；
真空泵温度通过温度计测量获取。
5.根据权利要求4所述的一种超洁净环境的机械臂吸力调节方法，其特征在于，训练出预测真空泵的损失系数值的第一机器学习模型的方式为：
将每组损失系数特征数据集合转换为第一特征向量，第一特征向量中的元素包括泄露气体流量、真空泵气体容积、真空泵压力值与真空泵温度的值；
所有第一特征向量的集合作为第一机器学习模型的输入，所述第一机器学习模型以对每组损失系数特征数据预测的损失系数值作为输出，以每组损失系数特征数据对应的实际的损失系数值作为预测目标，以最小化所有预测的损失系数值的第一预测准确度之和作为训练目标；其中，第一预测准确度的计算公式为；，其中，/>为每组损失系数特征数据的编号，/>组损失系数特征数据对应的预测的损失系数值，/>组损失系数特征数据对应的实际的损失系数值；对第一机器学习模型进行训练，直至第一预测准确度达到收敛时停止训练；所述第一机器学习模型为深度神经网络模型或深度信念网络模型中的任意一种。
6.根据权利要求5所述的一种超洁净环境的机械臂吸力调节方法，其特征在于，
训练出预测真空泵的阻力系数值的第二机器学习模型的方式为：
将每组阻力系数特征数据集合转换为第二特征向量，其中，第二特征向量中的元素包括气体流速、气体密度、真空泵的损失系数值、环境温度与环境湿度的值；
所有第二特征向量的集合作为第二机器学习模型的输入，所述第二机器学习模型以对每组阻力系数特征数据预测的阻力系数值作为输出，以每组阻力系数特征数据对应的实际的阻力系数值作为预测目标，以最小化所有预测的阻力系数值的第二预测准确度之和作为训练目标；其中，第二预测准确度的计算公式为；，其中，/>为每组阻力系数特征数据的编号，/>组阻力系数特征数据对应的预测的阻力系数值，/>组阻力系数特征数据对应的实际阻力系数值；对第二机器学习模型进行训练，直至第二预测准确度达到收敛时停止训练；所述第二机器学习模型为深度神经网络模型或深度信念网络模型中的任意一种。
7.根据权利要求6所述的一种超洁净环境的机械臂吸力调节方法，其特征在于，获得实时损失系数值的方式为：将待晶圆翻转的真空泵的损失系数特征数据集合为第一特征向量，并将第一特征向量输入至第一机器学习模型，第一机器学习模型输出预测的实时损失系数值。
8.根据权利要求7所述的一种超洁净环境的机械臂吸力调节方法，其特征在于，获得实时阻力系数值的方法为：将第一机器学习模型输出预测的实时损失系数值标记为Ssx，并将待翻转晶圆的真空泵的阻力系数特征数据中的损失系数设置为Ssx，将待翻转晶圆的真空泵的阻力系数特征数据集合为第二特征向量，并将第二特征向量输入至第二机器学习模型，第二机器学习模型输出预测的实时阻力系数值。
9.根据权利要求8所述的一种超洁净环境的机械臂吸力调节方法，其特征在于，所述初始吸力值为待晶圆翻转的真空泵的吸力值，通过预先使用的真空计获得；待翻转晶圆的真空泵输出吸力值以及晶圆质量分别通过真空计和负载传感器实时采集；
计算实时吸力调节值的方式为：将初始吸力值标记为，将待翻转晶圆的目标吸力值标记为/>，将晶圆质量大小标记为/>，第二机器学习模型预测的实时阻力系数标记为/>；
将实时吸力调节值标记为；其中，实时吸力调节值/>的计算公式为：
。
10.一种超洁净环境的机械臂吸力调节系统，用于实现权利要求1-9任一项所述的一种超洁净环境的机械臂吸力调节方法，其特征在于：包括：
第一数据采集模块，用于预先采集机械臂所连接的真空泵的阻力系数训练数据与损失系数训练数据；阻力系数训练数据包括阻力系数特征数据与阻力系数特征数据对应的阻力系数值；损失系数训练数据包括损失系数特征数据及损失系数特征数据对应的损失系数值；
第一模型训练模块，基于损失系数训练数据，训练出预测真空泵的损失系数值的第一机器学习模型；
第二模型训练模块，基于阻力系数训练数据，训练出预测真空泵的阻力系数值的第二机器学习模型；
第二数据采集模块，用于采集待翻转晶圆的初始吸力值，并实时获取真空泵的阻力系数特征数据与损失系数特征数据；
损失系数处理模块，基于真空泵的损失系数特征数据和第一机器学习模型，获得实时损失系数值；
阻力系数处理模块，基于真空泵的阻力系数特征数据、实时损失系数值以及第二机器学习模型，获得实时阻力系数值；
吸力调节模块，实时采集真空泵输出吸力值以及待翻转晶圆的质量，基于初始吸力值、输出吸力值、待翻转晶圆的质量以及实时阻力系数值计算实时吸力调节值，控制真空泵调节阀，将吸力值调到实时吸力调节值。
11.一种电子设备，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1-9任一项所述的一种超洁净环境的机械臂吸力调节方法。
12.一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1-9任一项所述的一种超洁净环境的机械臂吸力调节方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311248744.0A CN116994999B (zh) | 2023-09-26 | 2023-09-26 | 一种超洁净环境的机械臂吸力调节方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311248744.0A CN116994999B (zh) | 2023-09-26 | 2023-09-26 | 一种超洁净环境的机械臂吸力调节方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116994999A true CN116994999A (zh) | 2023-11-03 |
| CN116994999B CN116994999B (zh) | 2023-12-12 |
Family
ID=88526953
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311248744.0A Active CN116994999B (zh) | 2023-09-26 | 2023-09-26 | 一种超洁净环境的机械臂吸力调节方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116994999B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117711993A (zh) * | 2024-02-06 | 2024-03-15 | 泓浒(苏州)半导体科技有限公司 | 基于负载感知的晶圆搬运机械臂自适应吸力调节方法 |
| CN117712012A (zh) * | 2024-02-06 | 2024-03-15 | 泓浒(苏州)半导体科技有限公司 | 基于伯努利原理的晶圆转运机械臂控制系统及方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TW419744B (en) * | 1998-06-30 | 2001-01-21 | Tokyo Electron Ltd | Vacuum processing method and apparatus |
| TW517327B (en) * | 2001-09-12 | 2003-01-11 | Taiwan Semiconductor Mfg | Smart suction -type wafer supporting board system |
| KR20120037519A (ko) * | 2010-10-08 | 2012-04-20 | 디에이치엠(주) | 진공펌프 시험장치 |
| US20160223426A1 (en) * | 2015-02-02 | 2016-08-04 | Christopher Daniels | Apparatus and method for quantifying fluid loss in a closed system |
| CN207541511U (zh) * | 2017-12-20 | 2018-06-26 | 昆山成功环保科技有限公司 | 一种真空吸附系统 |
| CN112571444A (zh) * | 2020-11-30 | 2021-03-30 | 哈工大机器人（合肥）国际创新研究院 | 一种机械臂真空吸附系统及其控制方法 |
| CN112809578A (zh) * | 2020-12-30 | 2021-05-18 | 江苏安蒲光学科技有限公司 | 一种玻璃定位治具及玻璃定位方法 |
| WO2022237086A1 (zh) * | 2021-05-13 | 2022-11-17 | 华为技术有限公司 | 一种基于机器学习模型的控制方法和装置 |
| US20220397122A1 (en) * | 2019-12-05 | 2022-12-15 | Edwards Japan Limited | Vacuum exhaust apparatus and vacuum pump used therein |
| CN218827036U (zh) * | 2022-10-27 | 2023-04-07 | 北京京仪自动化装备技术股份有限公司 | 一种吸附晶圆的真空调节装置 |
-
2023
- 2023-09-26 CN CN202311248744.0A patent/CN116994999B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TW419744B (en) * | 1998-06-30 | 2001-01-21 | Tokyo Electron Ltd | Vacuum processing method and apparatus |
| TW517327B (en) * | 2001-09-12 | 2003-01-11 | Taiwan Semiconductor Mfg | Smart suction -type wafer supporting board system |
| KR20120037519A (ko) * | 2010-10-08 | 2012-04-20 | 디에이치엠(주) | 진공펌프 시험장치 |
| US20160223426A1 (en) * | 2015-02-02 | 2016-08-04 | Christopher Daniels | Apparatus and method for quantifying fluid loss in a closed system |
| CN207541511U (zh) * | 2017-12-20 | 2018-06-26 | 昆山成功环保科技有限公司 | 一种真空吸附系统 |
| US20220397122A1 (en) * | 2019-12-05 | 2022-12-15 | Edwards Japan Limited | Vacuum exhaust apparatus and vacuum pump used therein |
| CN112571444A (zh) * | 2020-11-30 | 2021-03-30 | 哈工大机器人（合肥）国际创新研究院 | 一种机械臂真空吸附系统及其控制方法 |
| CN112809578A (zh) * | 2020-12-30 | 2021-05-18 | 江苏安蒲光学科技有限公司 | 一种玻璃定位治具及玻璃定位方法 |
| WO2022237086A1 (zh) * | 2021-05-13 | 2022-11-17 | 华为技术有限公司 | 一种基于机器学习模型的控制方法和装置 |
| CN218827036U (zh) * | 2022-10-27 | 2023-04-07 | 北京京仪自动化装备技术股份有限公司 | 一种吸附晶圆的真空调节装置 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117711993A (zh) * | 2024-02-06 | 2024-03-15 | 泓浒(苏州)半导体科技有限公司 | 基于负载感知的晶圆搬运机械臂自适应吸力调节方法 |
| CN117712012A (zh) * | 2024-02-06 | 2024-03-15 | 泓浒(苏州)半导体科技有限公司 | 基于伯努利原理的晶圆转运机械臂控制系统及方法 |
| CN117712012B (zh) * | 2024-02-06 | 2024-04-12 | 泓浒(苏州)半导体科技有限公司 | 基于伯努利原理的晶圆转运机械臂控制系统及方法 |
| CN117711993B (zh) * | 2024-02-06 | 2024-04-12 | 泓浒(苏州)半导体科技有限公司 | 基于负载感知的晶圆搬运机械臂自适应吸力调节方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116994999B (zh) | 2023-12-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116994999B (zh) | 一种超洁净环境的机械臂吸力调节方法及系统 | |
| CN108414682A (zh) | 一种基于无线传感器网络的空气质量监测数据快速校准方法 | |
| CN111414977A (zh) | 机床主轴热误差建模的加权集成温度敏感点组合选取方法 | |
| CN109142792A (zh) | 一种石英挠性加速度计温度误差标定补偿方法 | |
| CN104729974B (zh) | 一种考虑温度效应的气测孔隙度测量方法 | |
| CN108152458A (zh) | 气体检测方法及装置 | |
| Zhao et al. | A comprehensive compensation method for piezoresistive pressure sensor based on surface fitting and improved grey wolf algorithm | |
| WO2020136475A1 (en) | Method for detecting leaks in a gas network under pressure or under vacuum and gas network | |
| CN117073933B (zh) | 一种用于燃气管网的管道压力监测方法及系统 | |
| CN111814403B (zh) | 一种配电主设备分布式状态传感器可靠性评估方法 | |
| EP3903018B1 (en) | Method for detecting leaks in a gas network under pressure or under vacuum and gas network | |
| JP6328128B2 (ja) | ガスに対して低圧状態に維持されたエンクロージャ内のガス流を推定するためのデバイス及び方法 | |
| CN115563902A (zh) | 一种博物馆文物展柜换气率的二氧化碳数值检测方法 | |
| CN114019187B (zh) | 一种石英加速度计全寿命密封性能验证方法 | |
| CN110705186B (zh) | 通过rbf粒子群优化算法即时在线仪表校验和诊断方法 | |
| CN110705187B (zh) | 通过最小二乘算法即时在线仪表校验和诊断方法 | |
| CN110750756B (zh) | 通过最优支持向量机算法即时在线仪表校验和诊断方法 | |
| Moallem et al. | Compensation of capacitive differential pressure sensor using multi layer perceptron neural network | |
| CN115049026A (zh) | 基于gsnnr的空间非平稳性关系的回归分析方法 | |
| CN108375406A (zh) | 一种空气采样体积的计算方法及采样器 | |
| CN112711736A (zh) | 大气密度探测数据的标校方法、装置、存储介质和处理器 | |
| CN112528566A (zh) | 基于AdaBoost训练模型的空气质量数据实时校准方法及系统 | |
| CN108921278B (zh) | 一种水表检定装置的台位差计算方法 | |
| CN117808052B (zh) | 基于真空环境机械臂负载自适应方法及系统 | |
| US12001200B2 (en) | Gas network and method for detecting leaks in a gas network under pressure or under vacuum |
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 |