CN117251716A - 超洁净环境下晶圆转运机械臂产出颗粒检测系统及方法 - Google Patents
超洁净环境下晶圆转运机械臂产出颗粒检测系统及方法 Download PDFInfo
- Publication number
- CN117251716A CN117251716A CN202311533733.7A CN202311533733A CN117251716A CN 117251716 A CN117251716 A CN 117251716A CN 202311533733 A CN202311533733 A CN 202311533733A CN 117251716 A CN117251716 A CN 117251716A
- Authority
- CN
- China
- Prior art keywords
- data
- mechanical arm
- vibration
- wafer transfer
- particle
- 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
- 239000002245 particle Substances 0.000 title claims abstract description 251
- 238000012546 transfer Methods 0.000 title claims abstract description 99
- 238000000034 method Methods 0.000 title claims abstract description 82
- 238000012545 processing Methods 0.000 claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000012423 maintenance Methods 0.000 claims abstract description 7
- 230000001133 acceleration Effects 0.000 claims description 48
- 238000004140 cleaning Methods 0.000 claims description 36
- 238000010801 machine learning Methods 0.000 claims description 36
- 239000011159 matrix material Substances 0.000 claims description 34
- 230000008878 coupling Effects 0.000 claims description 29
- 238000010168 coupling process Methods 0.000 claims description 29
- 238000005859 coupling reaction Methods 0.000 claims description 29
- 230000008569 process Effects 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 22
- 238000005070 sampling Methods 0.000 claims description 18
- 239000000443 aerosol Substances 0.000 claims description 17
- 238000004519 manufacturing process Methods 0.000 claims description 17
- 239000013598 vector Substances 0.000 claims description 17
- 230000007613 environmental effect Effects 0.000 claims description 15
- 230000015654 memory Effects 0.000 claims description 14
- 238000001514 detection method Methods 0.000 claims description 13
- 238000002474 experimental method Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 238000012544 monitoring process Methods 0.000 claims description 8
- 230000004044 response Effects 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 7
- 230000009471 action Effects 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 6
- 239000012636 effector Substances 0.000 claims description 5
- 230000032258 transport Effects 0.000 claims description 4
- 238000007477 logistic regression Methods 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 239000004065 semiconductor Substances 0.000 abstract description 5
- 235000012431 wafers Nutrition 0.000 description 97
- 239000013618 particulate matter Substances 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 238000005299 abrasion Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 239000000758 substrate Substances 0.000 description 4
- 238000005259 measurement Methods 0.000 description 3
- 230000001681 protective effect Effects 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 230000035882 stress Effects 0.000 description 3
- 238000011109 contamination Methods 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 2
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 2
- 230000001050 lubricating effect Effects 0.000 description 2
- 238000005461 lubrication Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000003749 cleanliness Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010891 electric arc Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 239000008187 granular material Substances 0.000 description 1
- 239000004519 grease Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000010687 lubricating oil Substances 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
- 230000000704 physical effect Effects 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 229920000642 polymer Polymers 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Container, Conveyance, Adherence, Positioning, Of Wafer (AREA)
Abstract
本发明属于半导体传送机械臂技术领域,本发明公开了超洁净环境下晶圆转运机械臂产出颗粒检测系统及方法,包括:收集历史晶圆转运数据,将历史晶圆转运特征数据处理得到晶圆转运表现数据;将晶圆转运表现数据和产出颗粒数据结合获取机械颗粒函数,采集历史机械臂基座振动数据和对应产生的颗粒数据,并标记编号,训练出预测模型;系统实时检测工作间的振动频率,判断当前是否属共振状态,如果是,则输入实时基座振动数据,通过训练的模型直接输出预测的颗粒产出数量;如果为正常状态,则将实时的机械臂运动学数据代入机械颗粒函数,计算产出颗粒值,根据产出颗粒水平,判定超净环境预警信息,发送给维护服务器。
Description
技术领域
本发明涉及半导体传送机械臂技术领域,更具体地说,本发明涉及超洁净环境下晶圆转运机械臂产出颗粒检测系统及方法。
背景技术
申请公开号为CN114975198A的专利公开了一种晶圆传送机械臂、晶圆制造设备以及晶圆传送方法,属于半导体工艺技术领域,解决了现有技术中晶圆在晶圆传送机械臂上的传送过程中大气环境中的各种污染物会对晶圆造成污染导致晶圆在后续的制造过程中产生不良的问题。该发明的晶圆传送机械臂包括叶片基体以及用于提供保护气的供气单元,叶片基体上开设与供气单元连接的通孔,使得保护气通过通孔喷吹叶片基体的上表面。该发明的晶圆传送方法包括如下步骤:保护气喷吹在晶圆传送机械臂的叶片基体的上表面;晶圆从设备前端模块传送至叶片基体上,保护气始终对晶圆进行保护;叶片基体将晶圆传送至传输模块内。该发明的晶圆传送机械臂、晶圆制造设备以及晶圆传送方法可用于晶圆制造。
晶圆转运机械臂在搬运半导体晶圆时,臂轴发生转动,传动系统中的齿轮发生了轻微啮合,会产生微米级别的金属磨耗颗粒,金属磨耗颗粒会随着机械臂的运动被带到空中,有一部分颗粒飘落,附着在晶圆抛光后的表面;晶圆被转移到后续的扩散炉工序,原本微小的颗粒在高温作用下与晶圆表面发生了复杂的化学反应;扩散过程中,颗粒处形成了聚合物残留物,未被完全移除;随后进行的曝光工艺中,这些残留物阻挡了部分光线,导致曝光不均匀;在后续的显影和刻蚀时,曝光不足的区域未被完全移除,而存在了致命的电路缺陷;这些来自机械臂摩擦的微小颗粒,通过工艺积累放大,使得完工的晶圆出现了严重的芯片成品良率问题;所以检测转运机械臂产出颗粒对于半导体生产过程有着重要影响;
但是超洁净车间中的机械臂运行状况主要依靠人工定期抽样检测来监测,这种监测机制存在问题,制约了超洁净环境的质量控制;
具体来说,工作人员只能每隔一段时间进入洁净车间进行气溶胶采样,然后带到实验室检测颗粒数量;这种定期抽样无法实现机械臂运行状态的实时监测,也容易因人为误操作影响结果准确性;更关键的是,无法判断工作间内所有机械臂当前处于的状态,如果机械臂与工作间内机械臂之间发生共振,颗粒数量会激增,但过去的监测机制并无法区分,等到下一轮人工抽样时,问题已经严重扩散;整个车间的颗粒污染都超标时,才会停机进行大范围清洗,造成了巨大的资源浪费;
鉴于此,本发明提出超洁净环境下晶圆转运机械臂产出颗粒检测系统及方法以解决上述问题。
发明内容
为了克服现有技术的上述缺陷,为实现上述目的,本发明提供包括技术方案:超洁净环境下晶圆转运机械臂产出颗粒检测方法,包括:采集历史晶圆转运数据,历史晶圆转运数据包括历史晶圆转运特征数据和产出颗粒数据;
将历史晶圆转运特征数据处理得到晶圆转运表现数据;
将晶圆转运表现数据和产出颗粒数据结合获取机械颗粒函数;
采集历史机械臂基座振动数据以及与历史机械臂基座振动数据对应的共振产出颗粒数据,并将共振产出颗粒数据进行编号;
根据历史机械臂基座振动数据以及与历史机械臂基座振动数据对应的共振产出颗粒数据训练预测共振产出颗粒数据编号的机器学习模型;
构建耦合矩阵,根据耦合矩阵判断所有机械臂的状态,状态包括共振状态或正常状态;
将处于正常状态的机械臂的实时晶圆转运特征数据处理得到实时晶圆转运表现数据;将实时晶圆转运表现数据代入机械颗粒函数获得产出颗粒数即为实时正常产出颗粒数据;
将处于共振状态的机械臂的实时机械臂基座振动数据输入到训练好的机器学习模型;得到共振产出颗粒数据编号;将共振产出颗粒数据编号对应的共振产出颗粒数据作为实时共振产出颗粒数据;
根据实时正常产出颗粒数据或实时共振产出颗粒数据判定是否生成清洁预警信息,将清洁预警信息发送至超洁净环境维护服务器。
进一步地,其特征在于,历史晶圆转运特征数据包括历史机械臂特征数据和历史工作间环境数据;
历史机械臂特征数据包括机械臂关节振动数据、机械臂关节间摩擦系数、机械臂运行时间数据、机械臂加速度数据和晶圆重量数据;
历史工作间环境数据包括工作间温度、工作间湿度和工作间振动频率。
进一步地,机械臂关节振动数据包括机械臂振动幅度和机械臂振动频率;机械臂振动幅度和机械臂振动频率均通过在机械臂的n个关节处安装振动传感器获取;
机械臂关节间摩擦系数的获取方式包括:
S1.在机械臂n个关节处安装加速度传感器,用于测量机械臂关节的角加速度;
S2. 通过机械臂控制系统给机械臂关节控制器输入一个给定角加速度a0控制指令,关节控制器给予相应的驱动力矩使机械臂关节开始运动;
S3. 记录下机械臂关节在相应的驱动力矩作用下的实际加速度a1;
S4.将给定角加速度a0与实际加速度a1进行对比,两者之差为Δa=a0-a1;
S5.摩擦系数即为Δa与a0之比,即Δa/a0;
S6.重复步骤S2-S5,每次给定不同角加速度控制指令,计算得出m个摩擦系数;
S7. 取m个摩擦系数的均值,均值即为机械臂关节间摩擦系数;
机械臂运行时间数据通过计时器获取;
机械臂加速度数据通过在机械臂n个各关节处安装加速度计获取;
晶圆重量数据由安装到机械臂末端执行器的压力传感器获取;
工作间温度通过设置在机械臂工作区域内的温度传感器获取;
工作间湿度通过设置在机械臂工作区域内的湿度传感器获取;
工作间振动频率通过设置在机械臂工作区域内的振动传感器获取;
进一步地,产出颗粒数据的获取方式包括:
在机械臂工作区域内安装采样传输管路,采样传输管路连接气溶胶颗粒检测仪;气溶胶颗粒检测仪具有吸气采样系统;机械臂开始转运时,打开气溶胶颗粒检测仪的吸气采样系统,吸气采样系统连续吸入周边环境的气体样本;气体样本经过滤、稀释后进入气溶胶颗粒检测仪的检测区,气溶胶颗粒检测仪统计产出颗粒的数量即为产出颗粒数据;
进一步地,晶圆转运表现数据包括机械表现值、搬运表现值和环境影响值;
将机械臂关节振动数据、机械臂关节间摩擦系数结合机械臂运行时间数据处理得到机械表现值,处理方式包括:
机械表现值;
式中,为第/>个关节的振动幅度,/>为第/>个关节的振动频率,/>为机械臂第/>个关节间摩擦系数;/>为机械臂运行时间数据;/>为机械臂的关节数;/>为指数函数的底;/>为圆周率;
将机械臂加速度数据、晶圆重量数据结合机械臂运行时间数据处理得到搬运表现值;处理方式包括:
搬运表现值;
式中,为第/>个关节的加速度,/>为晶圆重量;
将工作间温度、工作间湿度、工作间振动频率结合机械臂运行时间数据处理得到环境影响值;处理方式包括:
环境影响值;
式中,为工作间温度,/>为工作间湿度,/>为工作间振动频率;/>为圆周率;
将晶圆转运表现数据和产出颗粒数据结合获取机械颗粒函数;
机械颗粒函数:;
式中,为产出颗粒数;/>,/>和/>为调节参数;
进一步地,历史机械臂基座振动数据包括基座振动幅度和基座振动频率;均通过在机械臂基座处安装振动传感器获取;共振产出颗粒数据同产出颗粒数据的获取方式相同;
将历史机械臂基座振动数据以及与历史机械臂基座振动数据对应的共振产出颗粒数据作为样本集;
将历史机械臂基座振动数据构建特征向量X;使用keras定义输入层和输出层并搭建机器学习框架;特征向量X作为输入层,共振产出颗粒数据编号作为输出层;
将样本集划分为训练集和测试集,构建机器学习模型,对机器学习模型进行训练,得到初始机器学习模型,利用测试集对初始机器学习模型进行测试,输出满足预设准确度的初始机器学习模型,所述机器学习模型为逻辑回归模型、朴素贝叶斯模型或支持向量机模型的其中一种;
进一步地,耦合矩阵的构建包括:
S201.将机械臂工作间区域内安装n个传感器,监测区域内机械臂的振动;振动包括振动幅度和振动频率;n为大于1的整数;
S202.对机械臂工作间区域,构建k×k的耦合矩阵Ai,表示该区域内k个机械臂之间的耦合状态,Ai=[aij];
其中,aij表示第i个机械臂对第j个机械臂的振动影响程度;矩阵元素aij通过实验获得;
实验包括:
在区域内只启动第i个机械臂,保持其他机械臂为停机状态;在第j个机械臂上安装振动传感器,采集其振动响应信号xj(t);通过分析振动响应信号xj(t),提取出xj(t)中与第i个机械臂振动频率相对应的分量Vij,Vij即振动影响程度;对所有机械臂进行实验,记录其对除自身之外的所有机械臂的振动影响程度aij构成矩阵元素;
S203.求解耦合矩阵Ai的特征方程得到f个特征值,对每个特征值λ结合耦合矩阵Ai求解特征向量,得到f个特征向量;
S204.设置阈值B;若所有特征值中存在特征值λ1<阈值B;则记录此时的每个机械臂的振动频率ωj;
S205.设置阈值C,对每个λ计算|λ-ωj|,若存在|λ-ωj|<C,且在特征向量中,第j个分量最大,则判断第j个机械臂处于共振状态;遍历所有机械臂,记录除第j个机械臂之外的机械臂为正常状态;
清洁预警信息为正常工作或需要清洁;
清洁预警信息判定方式包括:
若实时产出颗粒数据小于超洁净环境颗粒标准;则清洁预警信息为正常工作;
若实时产出颗粒数据大于或等于超洁净环境颗粒标准;则清洁预警信息为需要清洁。
超洁净环境下晶圆转运机械臂产出颗粒检测系统,包括:第一数据采集模块,用于采集历史晶圆转运数据,历史晶圆转运数据包括历史晶圆转运特征数据和产出颗粒数据;
第一预处理模块,将历史晶圆转运特征数据处理得到晶圆转运表现数据;
第二预处理模块,将晶圆转运表现数据和产出颗粒数据结合获取机械颗粒函数;
第二数据采集模块,用于采集历史机械臂基座振动数据以及与历史机械臂基座振动数据对应的共振产出颗粒数据,并将共振产出颗粒数据进行编号;
机器训练模块,根据历史机械臂基座振动数据以及与历史机械臂基座振动数据对应的共振产出颗粒数据训练预测共振产出颗粒数据编号的机器学习模型;
判定模块,构建耦合矩阵,根据耦合矩阵判断所有机械臂的状态,状态包括共振状态或正常状态;
第一颗粒获取模块,将处于正常状态的机械臂的实时晶圆转运特征数据处理得到实时晶圆转运表现数据;将实时晶圆转运表现数据代入机械颗粒函数获得产出颗粒数即为实时产出颗粒数据;
第二颗粒获取模块,将处于共振状态的机械臂的实时机械臂基座振动数据输入到训练好的机器学习模型;得到共振产出颗粒数据编号;将共振产出颗粒数据编号对应的共振产出颗粒数据作为实时产出颗粒数据;
环境预警模块,根据实时正常产出颗粒数据或实时共振产出颗粒数据判定是否生成清洁预警信息,将清洁预警信息发送至超洁净环境维护服务器。
一种电子设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现超洁净环境下晶圆转运机械臂产出颗粒检测方法。
一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现超洁净环境下晶圆转运机械臂产出颗粒检测方法。
本发明超洁净环境下晶圆转运机械臂产出颗粒检测系统及方法的技术效果和优点:
通过预设的超洁净标准判断环境质量好坏;相比人工抽样检测,这样可以持续不间断地监控,避免人工操作带来的误差,保证检测结果的准确性;将机械臂自身产出颗粒分为两种情况,正常工作情况和产生共振情况;产生共振情况会导致显著的颗粒污染增多;本发明通过检测振动参数,建立机器学习模型并识别共振情况,区分产生共振情况和正常工作情况;根据不同的现象采取不同的获取颗粒的途径,使得获取的检测结果更为准确;做到根据不同情况做到实时监控颗粒的效果,当颗粒数达到需要清理的阈值,及时通知到工作人员进行清洁;能够在早期阶段发现颗粒数异常情况,从而降低清洁超洁净环境的频率,节省清洁成本;自动监测和预测颗粒产出,减少了人工干预的需求,使生产过程更加自动化,提高了生产效率;及时发现异常情况并采取必要措施,可以减少机械臂由于颗粒污染引起的停机时间,提高生产的连续性和稳定性,也减少了次品率,提高产品的质量和一致性, 降低了不必要的清洁过程,有助于节约资源,使生产更加环保。
附图说明
图1为本发明的超洁净环境下晶圆转运机械臂产出颗粒检测方法示意图;
图2为本发明的机械臂示意图;
图3为本发明的超洁净环境下晶圆转运机械臂产出颗粒检测系统示意图;
图4为本发明的电子设备示意图;
图5为本发明的存储介质示意图;
附图标记:1、末端执行器;2、第三关节;3、第二机械连杆;4、第一机械连杆;5、第一关节;6、第二关节。
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,本实施例所述超洁净环境下晶圆转运机械臂产出颗粒检测方法,包括:
采集历史晶圆转运数据,历史晶圆转运数据包括历史晶圆转运特征数据和产出颗粒数据;
历史晶圆转运特征数据包括历史机械臂特征数据和历史工作间环境数据;
历史机械臂特征数据包括机械臂关节振动数据、机械臂关节间摩擦系数、机械臂运行时间数据、机械臂加速度数据和晶圆重量数据;
工作间环境数据包括工作间温度、工作间湿度和工作间振动频率;
机械臂关节振动数据包括机械臂振动幅度和机械臂振动频率;机械臂振动幅度和机械臂振动频率均通过在机械臂的n个关节处安装振动传感器获取;
需要说明的是,机械臂振动越大,产生的颗粒污染越多;振动会导致零件间的相对滑动和碰撞,使表面产生磨损而脱落颗粒;振动幅值越大,颗粒产生越严重;
机械臂关节间摩擦系数的获取方式包括:
S1.在机械臂n个关节处安装加速度传感器,用于测量机械臂关节的角加速度;
S2. 通过机械臂控制系统给机械臂关节控制器输入一个给定角加速度a0控制指令,关节控制器给予相应的驱动力矩使机械臂关节开始运动;
S3. 记录下机械臂关节在相应的驱动力矩作用下的实际加速度a1;
S4.将给定角加速度a0与实际加速度a1进行对比,两者之差为Δa=a0-a1;
S5.摩擦系数即为Δa与a0之比,即Δa/a0;
S6.重复步骤S2-S5,每次给定不同角加速度控制指令,计算得出m个摩擦系数;
S7. 取m个摩擦系数的均值,均值即为机械臂关节间摩擦系数;
需要说明的是,根据关节动力学模型,在机械臂关节运动时,驱动力矩Td需要克服摩擦力矩Tf和加速时的转动惯量J的反作用力矩Ja来达到加速效果;所以驱动力矩Td=摩擦力矩Tf+转动惯量反作用力矩Ja;
其中,摩擦力矩Tf=摩擦系数μ×轴承静载荷Fn,转动惯量反作用力矩Ja = J×a(a为角加速度);将上述公式整理可得: Td=μ×Fn+J×a;
在测量中,Td为给定的一个驱动力矩,Fn也是固定的静载荷;所以实际的角加速度会随摩擦系数μ的大小而减小;
假设给定角加速度为a2,实测加速度为a1,两者之差为Δa1,则有:
摩擦系数μ×Fn=J×Δa1;于是可以推导出:摩擦系数μ= Δa1/a2;由于a2和a1都可以由加速度传感器测量,所以可以求出摩擦系数μ的值;
当机械臂转运晶圆时关节间会产生摩擦,摩擦则会加速机械臂关节表面磨损,使原本固定的微小颗粒脱落;机械臂关节摩擦系数越大,则机械臂关节表面磨损则会越严重,微小颗粒脱落的则会越多;
机械臂运行时间数据通过计时器获取;
机械臂加速度数据通过在机械臂n个各关节处安装n个加速度计获取;
需要说明的是,加速度过大会导致机械臂各关节及传动部件加剧固体颗粒的产生;突然的加速变化,特别是急迟滞产生的冲击,都会导致局部高动力作用,使表面颗粒脱落;
需要说明的是,上述采集过程中,各关节处之间相互对应,例如,机械臂由三个关节组成,其中机械臂基座连接第一关节5,第一关节5连接第一机械连杆4并与之共轴转动,第一机械连杆4连接第二关节6,第二关节6连接第二机械连杆3并共轴转动,最后第二机械连杆3通过第三关节2连接末端执行器1;将第一关节5处采集的数据一一对应,第二关节6处采集的数据一一对应,如图2所示;
晶圆重量数据由安装到机械臂末端执行器1的压力传感器获取;
需要说明的是,晶圆片越重,机械臂所承受的载荷越大,会导致轴承、传动等部位的疲劳磨损加剧,产生更多固体颗粒;重量的增大会使机械臂加速度受限,启动停止的时候冲击和振动更严重,产生更多固体颗粒;
工作间温度通过设置在机械臂工作区域内的温度传感器获取;
需要说明的是,温度越高,涂抹在机械臂上用于润滑的油脂润滑效果越差,机械臂关节处产出的颗粒可能也就越多;而且高温会使机械臂的材料物理性能变差,加速老化和磨损,则会产生更多颗粒污染;反之,工作环境处于过低温度时,润滑液黏度增大,也会增加机械臂关节处的摩擦阻力;使产出的颗粒变多;
工作间湿度通过设置在机械臂工作区域内的湿度传感器获取;
需要说明的是,机械臂所处工作环境湿度越大,空气中的水分吸附在机械臂表面,会加速腐蚀、生锈,产生锈屑颗粒;高湿会降低电气接触效果,增加接触电阻,引起电弧放电,产生烧坏颗粒;高湿会使机械臂关节处润滑油发生乳化,减弱润滑效果,增加磨损处的颗粒污染;
工作间振动频率通过设置在机械臂工作区域内的振动传感器获取;
当机械臂处于工作区并进行工作时,机械臂自身发生振动的同时带动着周围的工作区域也发生振动,动作区域的振动频率如果和附近的任一机械臂的振动频率相同时,则会发生共振现象,使得机械臂的振动幅度变大,继而导致机械臂产出的颗粒会更多;
产出颗粒数据的获取方式包括:
在机械臂的工作区域内安装采样传输管路,采样传输管路连接气溶胶颗粒检测仪;气溶胶颗粒检测仪具有吸气采样系统;机械臂开始转运时,打开气溶胶颗粒检测仪的吸气采样系统,吸气采样系统连续吸入周边环境的气体样本;气体样本经过滤、稀释后进入气溶胶颗粒检测仪的检测区,气溶胶颗粒检测仪统计产出颗粒的数量,即为产出颗粒数据;
需要说明的是,选择具有精确颗粒计数能力的气溶胶颗粒检测仪,测量范围覆盖超洁净环境要求,例如,0.1μm以上的颗粒;将产出颗粒数据和机械臂运行时间数据进行一一对应,机械臂运行时间越长则产出的颗粒数也就越多;
上述采集的数据均在实验环境中获取,记录历史晶圆转运特征数据并在机械臂运行时间上对应的采集产出颗粒数据;为了保证实验的真实性,上述采集过程进行了多次;剔除相对偏差较大的实验数据,保留相对平滑的实验数据;
将历史晶圆转运特征数据处理得到晶圆转运表现数据;将晶圆转运表现数据发送至第二数据预处理模块;晶圆转运表现数据包括机械表现值、搬运表现值和环境影响值;
具体的,将机械臂关节振动数据、机械臂关节间摩擦系数结合机械臂运行时间数据处理得到机械表现值,处理方式包括:
机械表现值;
式中,为第/>个关节的机械臂振动幅度,/>为第/>个关节的机械臂振动频率,/>为机械臂第/>个关节间摩擦系数;/>为机械臂运行时间数据;/>为机械臂的关节数;/>为指数函数的底;/>为圆周率;
需要说明的是,式中,表示每个关节/>的乘积;整个公式进行时间积分,得到一个工作周期内的整体振动指标;/>值越大,表示机械臂整体振动越严重;将各关节的振动数据和摩擦数据,作为上式所需的输入源数据;这些数据反映每个关节的运行状态;/>的值综合反映了机械臂不同关节的机械情况,是一个整体机械损耗状态的指标;相对于单一的考虑一种数据,上式可直观反映机械臂的机械损耗状态;
将机械臂加速度数据、晶圆重量数据结合机械臂运行时间数据处理得到搬运表现值;处理方式包括:
搬运表现值;
式中,为第/>个关节的加速度,/>为晶圆重量;/>为机械臂运行时间数据;/>为机械臂的关节数;
需要说明的是,机械臂在搬运晶圆时,各关节处都有着或大或小的加速度,又根据搬运的晶圆质量不同,使得机械臂在搬运晶圆时关节的受力情况不同,关节的受力较大的话,机械臂产出的颗粒数可能会增加,将机械臂加速度数据和晶圆重量数据结合处理,是为了整体的监测机械臂关节的受力情况;
将工作间温度、工作间湿度、工作间振动频率结合机械臂运行时间数据处理得到环境影响值;处理方式包括:
环境影响值;
式中,为工作间温度,/>为工作间湿度,/>为工作间振动频率,/>为机械臂运行时间数据;/>为圆周率;
将晶圆转运表现数据和产出颗粒数据结合获取机械颗粒函数;
具体的,
机械颗粒函数:;
式中,为产出颗粒数;/>,/>和/>为调节参数;/>,/>和/>的获取是通过回归分析和最小二乘法来拟合实验数据实现的;其中,实验数据为在实验环境中获取的n组晶圆转运表现数据和产出颗粒数据;
需要说明的是,使用最小二乘法进行拟合数据;最小二乘法的目标是最小化模型预测值与实际观测值之间的差异的平方和;可以使用数学软件或编程语言来执行这个拟合;在上述过程中,调整,/>和/>的值,使得模型的预测值与实际观测值的误差最小,可以通过迭代算法来实现,不断调整/>,/>和/>的值,直到找到最小误差;最小二乘法可以使用统计软件或编程语言,如PyThon的SciTy库或MATLAB等,来执行拟合操作;
上述数据均在实验环境中获取,记录晶圆转运表现数据并在机械臂运行时间上对应的采集产出颗粒数据;为了保证实验的真实性,上述采集过程进行了多次;剔除相对偏差较大的实验数据,保留相对平滑的实验数据,通过设计运算将晶圆转运表现数据和产出颗粒数据相对应;
采集历史机械臂基座振动数据以及与历史机械臂基座振动数据对应的共振产出颗粒数据;将历史机械臂基座振动数据以及与历史机械臂基座振动数据对应的共振产出颗粒数据发送至机器训练模块;
具体的,历史机械臂基座振动数据包括基座振动幅度和基座振动频率;均通过在机械臂基座处安装振动传感器获取;共振产出颗粒数据同产出颗粒数据的获取方式相同,在此不做过多赘述;
需要说明的是,在实验环境中,人工制造共振,共振的制造就是人为将制造的工作区振动频率,调整至任一机械臂基座振动频率;使得机械臂基座振动幅度在这某时刻开始逐渐变大,记录机械臂的基座振动频率以及基座振动幅度作为历史机械臂基座振动数据;
根据历史机械臂基座振动数据以及与历史机械臂基座振动数据对应的共振产出颗粒数据训练预测共振产出颗粒数据的机器学习模型;
具体的,将历史机械臂基座振动数据以及与历史机械臂基座振动数据对应的共振产出颗粒数据作为样本集;
对共振产出颗粒数据进行数值编号;
将历史机械臂基座振动数据构建特征向量X;使用keras定义输入层和输出层并搭建机器学习框架;特征向量X作为输入层,共振产出颗粒数据编号作为输出层;
将样本集划分为训练集和测试集,构建机器学习模型,对机器学习模型进行训练,得到初始机器学习模型,利用测试集对初始机器学习模型进行测试,输出满足预设准确度的初始机器学习模型,所述机器学习模型为逻辑回归模型、朴素贝叶斯模型或支持向量机模型的其中一种;
预测准确度的计算公式为,其中,/>为历史机械臂基座振动数据组号,/>为第/>组预测准确度,/>为第/>组历史机械臂基座振动数据对应的预测编号,/>为第/>组历史机械臂基座振动数据对应的实际编号;
构建耦合矩阵,根据耦合矩阵判断所有机械臂的状态,状态包括共振状态或正常状态;
耦合矩阵的构建过程包括:
S201.将机械臂工作间区域内安装n个传感器,监测区域内机械臂的振动;振动包括振动幅度和振动频率;n为大于1的整数;
S202.对机械臂工作间区域,构建k×k的耦合矩阵Ai,表示该区域内k个机械臂之间的耦合状态,Ai=[aij];
其中,aij表示第i个机械臂对第j个机械臂的振动影响程度;矩阵元素aij通过实验获得;
实验包括:
在区域内只启动第i个机械臂,保持其他机械臂为停机状态;在第j个机械臂上安装振动传感器,采集其振动响应信号xj(t);通过分析振动响应信号xj(t),提取出xj(t)中与第i个机械臂振动频率相对应的分量Vij,Vij即振动影响程度;对所有机械臂进行实验,记录其对除自身之外的所有机械臂的振动影响程度aij构成矩阵元素;
S203.求解耦合矩阵Ai的特征方程得到f个特征值,对每个特征值λ结合耦合矩阵Ai求解特征向量,得到f个特征向量;
S204.设置阈值B;若所有特征值中存在特征值λ1<阈值B;则记录此时的每个机械臂的振动频率ωj;
S205.设置阈值C,对每个λ计算|λ-ωj|,若存在|λ-ωj|<C,且在特征向量中,第j个分量最大,则判断第j个机械臂处于共振状态;遍历所有机械臂,记录除第j个机械臂之外的机械臂为正常状态;
需要说明的是,在实验环境中,启动了第i个机械臂,设置其运行频率为fi;在第j个机械臂上测量到的振动响应信号xj(t)可以看作是不同频率分量的叠加:xj(t) = A1sin(w1t) + A2sin(w2t) + ... + Aisin(fit) + ...对信号xj(t)进行频谱分析(如FFT),可以得到其不同频率w对应的响应幅值A;在频谱结果中,找到频率fi对应的幅值响应Ai,此即为该信号中与第i个机械臂运行频率fi相对应的分量;该分量反映了第i个机械臂运行对第j个机械臂的振动影响大小;
具体的,求解矩阵Ai的特征方程:|λI-Ai|=0;其中I是n阶单位矩阵;
求解特征方程可以得到n个特征值λ1,λ2...λn;这n个特征值λj就是该耦合系统的n个固有频率;对于每个特征值λj,解下面的方程求特征向量:(λjI - Ai)vj=0;求解方程可以得到特征值λj对应的特征向量vj;重复上述,可以得到n个特征向量v1,v2...vn;这n个特征向量表示该耦合系统在对应固有频率下各机械臂的振动模式;
阈值B判断特征值接近0;B取值越小,判断系统接近共振的条件越严格;一般取B在0.01-0.1之间,例如,0.05;通过n次仿真,找到区分共振和非共振状态的合适阈值;
阈值C判断特征值接近固有频率;C取值越小,判断条件越严格;取固有频率5%作为阈值是常用的经验值;具体的可以先计算各固有频率的误差范围,视其百分比设定C;若固有频率测量准确,可取更小的C,例如,2%;
将处于正常状态的机械臂的实时晶圆转运特征数据处理得到实时晶圆转运表现数据;将实时晶圆转运表现数据代入机械颗粒函数获得产出颗粒数即为实时正常产出颗粒数据;
将处于共振状态的机械臂的实时机械臂基座振动数据输入到训练好的机器学习模型;得到共振产出颗粒数据编号;将共振产出颗粒数据编号对应的共振产出颗粒数据作为实时共振产出颗粒数据;
需要说明的是,当机械臂工作间的环境频率(来自其他机械臂运转的振动频率)与机械臂自身的机械振动频率相当时,会出现共振现象;此时,工作间环境的振动会以机械臂的固有频率相互作用,像给机械臂外部持续提供“能量”一样,导致机械臂振动幅度被放大;这种放大的振动会加剧机械臂各关键部位的相对滑动、碰撞,使机械臂表面原本固定的微小颗粒更容易脱落;同时,加剧的振动也会使机械臂本身的表面磨损更严重,进一步产生出更多颗粒污染;而使用上述所述的机械颗粒函数得到的产出颗粒数则是正常工作时产出的颗粒数,共振现象则为特殊情况,特殊情况使用机器学习模型的方式获取产出颗粒,更为准确;
根据实时正常产出颗粒数据或实时共振产出颗粒数据判定是否生成清洁预警信息,将清洁预警信息发送至超洁净环境维护服务器;清洁预警信息为正常工作或需要清洁;
清洁预警信息判定方式包括:
若实时正常产出颗粒数据或实时共振产出颗粒数据小于超洁净环境颗粒标准;则清洁预警信息为正常工作;
若实时正常产出颗粒数据或实时共振产出颗粒数据大于或等于超洁净环境颗粒标准;则清洁预警信息为需要清洁;
需要说明的是,超洁净环境颗粒标准是根据美国联邦标准209E,洁净度级别为1级,颗粒浓度≤0.1μm颗粒/立方英尺;
本实施例通过预设的超洁净标准判断环境质量好坏;相比人工抽样检测,这样可以持续不间断地监控,避免人工操作带来的误差,保证检测结果的准确性;将机械臂自身产出颗粒分为两种情况,正常工作情况和产生共振情况;产生共振情况会导致显著的颗粒污染增多;本实施例通过检测振动参数,建立机器学习模型并识别共振情况,区分产生共振情况和正常工作情况;根据不同的现象采取不同的获取颗粒的途径,使得获取的检测结果更为准确;做到根据不同情况做到实时监控颗粒的效果,当颗粒数达到需要清理的阈值,及时通知到工作人员进行清洁;能够在早期阶段发现颗粒数异常情况,从而降低清洁超洁净环境的频率,节省清洁成本;自动监测和预测颗粒产出,减少了人工干预的需求,使生产过程更加自动化,提高了生产效率;及时发现异常情况并采取必要措施,可以减少机械臂由于颗粒污染引起的停机时间,提高生产的连续性和稳定性,也减少了次品率,提高产品的质量和一致性, 降低了不必要的清洁过程,有助于节约资源,使生产更加环保。
实施例2
请参阅图3所示,本实施例未详细叙述部分见实施例1描述内容,提供超洁净环境下晶圆转运机械臂产出颗粒检测系统,包括:第一数据采集模块,用于采集历史晶圆转运数据,历史晶圆转运数据包括历史晶圆转运特征数据和产出颗粒数据;
第一预处理模块,将历史晶圆转运特征数据处理得到晶圆转运表现数据;
第二预处理模块,将晶圆转运表现数据和产出颗粒数据结合获取机械颗粒函数;
第二数据采集模块,用于采集历史机械臂基座振动数据以及与历史机械臂基座振动数据对应的共振产出颗粒数据,并将共振产出颗粒数据进行编号;
机器训练模块,根据历史机械臂基座振动数据以及与历史机械臂基座振动数据对应的共振产出颗粒数据训练预测共振产出颗粒数据编号的机器学习模型;
判定模块,构建耦合矩阵,根据耦合矩阵判断所有机械臂的状态,状态包括共振状态或正常状态;
第一颗粒获取模块,将处于正常状态的机械臂的实时晶圆转运特征数据处理得到实时晶圆转运表现数据;将实时晶圆转运表现数据代入机械颗粒函数获得产出颗粒数即为实时产出颗粒数据;
第二颗粒获取模块,将处于共振状态的机械臂的实时机械臂基座振动数据输入到训练好的机器学习模型;得到共振产出颗粒数据编号;将共振产出颗粒数据编号对应的共振产出颗粒数据作为实时产出颗粒数据;
环境预警模块,根据实时正常产出颗粒数据或实时共振产出颗粒数据判定是否生成清洁预警信息,将清洁预警信息发送至超洁净环境维护服务器。
实施例3
请参阅图4所示,根据本申请的又一方面还提供了电子设备500。该电子设备500可包括一个或多个处理器以及一个或多个存储器。其中,存储器中存储有计算机可读代码,计算机可读代码当由一个或多个处理器运行时,可以执行如上所述的超洁净环境下晶圆转运机械臂产出颗粒检测方法。
根据本申请实施方式的方法或系统也可以借助于图4所示的电子设备的架构来实现。如图4所示,电子设备500可包括总线501、一个或多个CPU502、只读存储器(ROM)503、随机存取存储器(RAM)504、连接到网络的通信端口505、输入/输出组件506、硬盘507等。电子设备500中的存储设备,例如ROM503或硬盘507可存储本申请提供的超洁净环境下晶圆转运机械臂产出颗粒检测方法。进一步地,电子设备500还可包括用户界面508。当然,图4所示的架构只是示例性的,在实现不同的设备时,根据实际需要,可以省略图4示出的电子设备中的一个或多个组件。
实施例4
请参阅图5所示,是根据本申请一个实施方式的计算机可读存储介质600。计算机可读存储介质600上存储有计算机可读指令。当计算机可读指令由处理器运行时,可执行参照以上附图描述的根据本申请实施方式的一种。存储介质600包括但不限于例如易失性存储器和/或非易失性存储器。易失性存储器例如可包括随机存取存储器(RAM)和高速缓冲存储器(cache)等。非易失性存储器例如可包括只读存储器(ROM)、硬盘、闪存等。
另外,根据本申请的实施方式,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本申请提供了非暂时性机器可读存储介质,所述非暂时性机器可读存储介质存储有机器可读指令,所述机器可读指令能够由处理器运行以执行与本申请提供的方法步骤对应的指令,超洁净环境下晶圆转运机械臂产出颗粒检测方法。在该计算机程序被中央处理单元(CPU)执行时,执行本申请的方法中限定的上述功能。
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,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.超洁净环境下晶圆转运机械臂产出颗粒检测方法,其特征在于,包括:采集历史晶圆转运数据,历史晶圆转运数据包括历史晶圆转运特征数据和产出颗粒数据;
将历史晶圆转运特征数据处理得到晶圆转运表现数据;
将晶圆转运表现数据和产出颗粒数据结合获取机械颗粒函数;
采集历史机械臂基座振动数据以及与历史机械臂基座振动数据对应的共振产出颗粒数据,并将共振产出颗粒数据进行编号;
根据历史机械臂基座振动数据以及与历史机械臂基座振动数据对应的共振产出颗粒数据训练预测共振产出颗粒数据编号的机器学习模型;
构建耦合矩阵,根据耦合矩阵判断所有机械臂的状态,状态包括共振状态或正常状态;
将处于正常状态的机械臂的实时晶圆转运特征数据处理得到实时晶圆转运表现数据;将实时晶圆转运表现数据代入机械颗粒函数获得产出颗粒数即为实时正常产出颗粒数据;
将处于共振状态的机械臂的实时机械臂基座振动数据输入到训练好的机器学习模型;得到共振产出颗粒数据编号;将共振产出颗粒数据编号对应的共振产出颗粒数据作为实时共振产出颗粒数据;
根据实时正常产出颗粒数据或实时共振产出颗粒数据判定是否生成清洁预警信息,将清洁预警信息发送至超洁净环境维护服务器。
2.根据权利要求1所述的超洁净环境下晶圆转运机械臂产出颗粒检测方法,其特征在于,所述历史晶圆转运特征数据包括历史机械臂特征数据和历史工作间环境数据;
历史机械臂特征数据包括机械臂关节振动数据、机械臂关节间摩擦系数、机械臂运行时间数据、机械臂加速度数据和晶圆重量数据;
历史工作间环境数据包括工作间温度、工作间湿度和工作间振动频率。
3.根据权利要求2所述的超洁净环境下晶圆转运机械臂产出颗粒检测方法,其特征在于,所述机械臂关节振动数据包括机械臂振动幅度和机械臂振动频率;机械臂振动幅度和机械臂振动频率均通过在机械臂的n个关节处安装振动传感器获取;
所述机械臂关节间摩擦系数的获取方式包括:
S1.在机械臂n个关节处安装加速度传感器,用于测量机械臂关节的角加速度;
S2. 通过机械臂控制系统给机械臂关节控制器输入一个给定角加速度a0控制指令,关节控制器给予相应的驱动力矩使机械臂关节开始运动;
S3. 记录下机械臂关节在相应的驱动力矩作用下的实际加速度a1;
S4.将给定角加速度a0与实际加速度a1进行对比,两者之差为Δa=a0-a1;
S5.摩擦系数即为Δa与a0之比,即Δa/a0;
S6.重复步骤S2-S5,每次给定不同角加速度控制指令,计算得出m个摩擦系数;
S7. 取m个摩擦系数的均值,均值即为机械臂关节间摩擦系数;
机械臂运行时间数据通过计时器获取;
机械臂加速度数据通过在机械臂n个各关节处安装加速度计获取;
晶圆重量数据由安装到机械臂末端执行器的压力传感器获取;
工作间温度通过设置在机械臂工作区域内的温度传感器获取;
工作间湿度通过设置在机械臂工作区域内的湿度传感器获取;
工作间振动频率通过设置在机械臂工作区域内的振动传感器获取。
4.根据权利要求3所述的超洁净环境下晶圆转运机械臂产出颗粒检测方法,其特征在于,所述产出颗粒数据的获取方式包括:
在机械臂工作区域内安装采样传输管路,采样传输管路连接气溶胶颗粒检测仪;气溶胶颗粒检测仪具有吸气采样系统;机械臂开始转运时,打开气溶胶颗粒检测仪的吸气采样系统,吸气采样系统连续吸入周边环境的气体样本;气体样本经过滤、稀释后进入气溶胶颗粒检测仪的检测区,气溶胶颗粒检测仪统计产出颗粒的数量即为产出颗粒数据。
5.根据权利要求4所述的超洁净环境下晶圆转运机械臂产出颗粒检测方法,其特征在于,所述晶圆转运表现数据包括机械表现值、搬运表现值和环境影响值;
将机械臂关节振动数据、机械臂关节间摩擦系数结合机械臂运行时间数据处理得到机械表现值,处理方式包括:
机械表现值;
式中,为第/>个关节的振动幅度,/>为第/>个关节的振动频率,/>为机械臂第/>个关节间摩擦系数;/>为机械臂运行时间数据;/>为机械臂的关节数,/>为指数函数的底;/>为圆周率;
将机械臂加速度数据、晶圆重量数据结合机械臂运行时间数据处理得到搬运表现值;处理方式包括:
搬运表现值;
式中,为第/>个关节的加速度,/>为晶圆重量;
将工作间温度、工作间湿度、工作间振动频率结合机械臂运行时间数据处理得到环境影响值;处理方式包括:
环境影响值;
式中,为工作间温度,/>为工作间湿度,/>为工作间振动频率,/>为圆周率;
将晶圆转运表现数据和产出颗粒数据结合获取机械颗粒函数;
机械颗粒函数:;
式中,为产出颗粒数;/>,/>和/>为调节参数。
6.根据权利要求5所述的超洁净环境下晶圆转运机械臂产出颗粒检测方法,其特征在于,所述历史机械臂基座振动数据包括基座振动幅度和基座振动频率;均通过在机械臂基座处安装振动传感器获取;共振产出颗粒数据与产出颗粒数据的获取方式相同;
将历史机械臂基座振动数据以及与历史机械臂基座振动数据对应的共振产出颗粒数据作为样本集;
将历史机械臂基座振动数据构建特征向量X;使用keras定义输入层和输出层并搭建机器学习框架;特征向量X作为输入层,共振产出颗粒数据编号作为输出层;
将样本集划分为训练集和测试集,构建机器学习模型,对机器学习模型进行训练,得到初始机器学习模型,利用测试集对初始机器学习模型进行测试,输出满足预设准确度的初始机器学习模型,所述机器学习模型为逻辑回归模型、朴素贝叶斯模型或支持向量机模型的其中一种。
7.根据权利要求6所述的超洁净环境下晶圆转运机械臂产出颗粒检测方法,其特征在于,所述耦合矩阵的构建包括:
S201.将机械臂工作间区域内安装n个传感器,监测区域内机械臂的振动;振动包括振动幅度和振动频率;n为大于1的整数;
S202.对机械臂工作间区域,构建k×k的耦合矩阵Ai,表示该区域内k个机械臂之间的耦合状态,Ai=[aij];
其中,aij表示第i个机械臂对第j个机械臂的振动影响程度;矩阵元素aij通过实验获得;
实验包括:
在区域内只启动第i个机械臂,保持其他机械臂为停机状态;在第j个机械臂上安装振动传感器,采集其振动响应信号xj(t);通过分析振动响应信号xj(t),提取出xj(t)中与第i个机械臂振动频率相对应的分量Vij,Vij即振动影响程度;对所有机械臂进行实验,记录其对除自身之外的所有机械臂的振动影响程度aij构成矩阵元素;
S203.求解耦合矩阵Ai的特征方程得到f个特征值,对每个特征值λ结合耦合矩阵Ai求解特征向量,得到f个特征向量;
S204.设置阈值B;若所有特征值中存在特征值λ1<阈值B;则记录此时的每个机械臂的振动频率ωj;
S205.设置阈值C,对每个λ计算|λ-ωj|,若存在|λ-ωj|<C,且在特征向量中,第j个分量最大,则判断第j个机械臂处于共振状态;遍历所有机械臂,记录除第j个机械臂之外的机械臂为正常状态;
所述清洁预警信息为正常工作或需要清洁;
清洁预警信息生成方式包括:
若实时产出颗粒数据小于超洁净环境颗粒标准;则清洁预警信息为正常工作;
若实时产出颗粒数据大于或等于超洁净环境颗粒标准;则清洁预警信息为需要清洁。
8.超洁净环境下晶圆转运机械臂产出颗粒检测系统,其基于权利要求1-7中任一项所述的超洁净环境下晶圆转运机械臂产出颗粒检测方法实现,其特征在于,包括:第一数据采集模块,用于采集历史晶圆转运数据,历史晶圆转运数据包括历史晶圆转运特征数据和产出颗粒数据;
第一预处理模块,将历史晶圆转运特征数据处理得到晶圆转运表现数据;
第二预处理模块,将晶圆转运表现数据和产出颗粒数据结合获取机械颗粒函数;
第二数据采集模块,用于采集历史机械臂基座振动数据以及与历史机械臂基座振动数据对应的共振产出颗粒数据,并将共振产出颗粒数据进行编号;
机器训练模块,根据历史机械臂基座振动数据以及与历史机械臂基座振动数据对应的共振产出颗粒数据训练预测共振产出颗粒数据编号的机器学习模型;
判定模块,构建耦合矩阵,根据耦合矩阵判断所有机械臂的状态,状态包括共振状态或正常状态;
第一颗粒获取模块,将处于正常状态的机械臂的实时晶圆转运特征数据处理得到实时晶圆转运表现数据;将实时晶圆转运表现数据代入机械颗粒函数获得产出颗粒数即为实时产出颗粒数据;
第二颗粒获取模块,将处于共振状态的机械臂的实时机械臂基座振动数据输入到训练好的机器学习模型;得到共振产出颗粒数据编号;将共振产出颗粒数据编号对应的共振产出颗粒数据作为实时产出颗粒数据;
环境预警模块,根据实时正常产出颗粒数据或实时共振产出颗粒数据判定是否生成清洁预警信息,将清洁预警信息发送至超洁净环境维护服务器。
9.一种电子设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1-7中任一项所述的超洁净环境下晶圆转运机械臂产出颗粒检测方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-7中任一项所述的超洁净环境下晶圆转运机械臂产出颗粒检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311533733.7A CN117251716B (zh) | 2023-11-17 | 2023-11-17 | 超洁净环境下晶圆转运机械臂产出颗粒检测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311533733.7A CN117251716B (zh) | 2023-11-17 | 2023-11-17 | 超洁净环境下晶圆转运机械臂产出颗粒检测系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117251716A true CN117251716A (zh) | 2023-12-19 |
CN117251716B CN117251716B (zh) | 2024-01-30 |
Family
ID=89128019
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311533733.7A Active CN117251716B (zh) | 2023-11-17 | 2023-11-17 | 超洁净环境下晶圆转运机械臂产出颗粒检测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117251716B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117984334A (zh) * | 2024-04-03 | 2024-05-07 | 泓浒(苏州)半导体科技有限公司 | 一种自适应晶圆机械臂力矩调整系统及方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6298282B1 (en) * | 1998-07-07 | 2001-10-02 | Texas Instruments Incorporated | Robot crash sensor system |
CN115831830A (zh) * | 2023-02-23 | 2023-03-21 | 泓浒(苏州)半导体科技有限公司 | 一种用于半导体晶圆传送的环境检测预警系统 |
CN116277040A (zh) * | 2023-05-23 | 2023-06-23 | 佛山隆深机器人有限公司 | 基于深度学习的机械臂振动抑制方法、装置、设备及介质 |
-
2023
- 2023-11-17 CN CN202311533733.7A patent/CN117251716B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6298282B1 (en) * | 1998-07-07 | 2001-10-02 | Texas Instruments Incorporated | Robot crash sensor system |
CN115831830A (zh) * | 2023-02-23 | 2023-03-21 | 泓浒(苏州)半导体科技有限公司 | 一种用于半导体晶圆传送的环境检测预警系统 |
CN116277040A (zh) * | 2023-05-23 | 2023-06-23 | 佛山隆深机器人有限公司 | 基于深度学习的机械臂振动抑制方法、装置、设备及介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117984334A (zh) * | 2024-04-03 | 2024-05-07 | 泓浒(苏州)半导体科技有限公司 | 一种自适应晶圆机械臂力矩调整系统及方法 |
CN117984334B (zh) * | 2024-04-03 | 2024-05-28 | 泓浒(苏州)半导体科技有限公司 | 一种自适应晶圆机械臂力矩调整系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117251716B (zh) | 2024-01-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117251716B (zh) | 超洁净环境下晶圆转运机械臂产出颗粒检测系统及方法 | |
CN107305370B (zh) | 设定与产品的异常相关的变量的判定值的生产系统 | |
US20190099886A1 (en) | Methods and apparatus for monitoring robot health in manufacturing environments | |
CN110320892B (zh) | 基于Lasso回归的污水处理设备故障诊断系统及方法 | |
Aivaliotis et al. | Degradation curves integration in physics-based models: Towards the predictive maintenance of industrial robots | |
US7826984B2 (en) | Method and a control system for monitoring the condition of an industrial robot | |
TWI625615B (zh) | 預測模型建立方法及其相關預測方法與電腦程式產品 | |
Okoh et al. | Overview of remaining useful life prediction techniques in through-life engineering services | |
US9760068B2 (en) | Predictive maintenance method and system | |
US5511004A (en) | Diagnostic method for an evolutionary process | |
TWI412906B (zh) | 具有虛擬量測功能的製造執行系統與製造系統 | |
JP4601492B2 (ja) | 生産工程の品質予測システムおよびその方法 | |
US20050159835A1 (en) | Device for and method of creating a model for determining relationship between process and quality | |
JP2020138254A (ja) | 工作機械の加工不良発生予測システム | |
CN107843426A (zh) | 轴承剩余寿命的监测方法及监测装置 | |
JPWO2019182913A5 (zh) | ||
CN113853275B (zh) | 基板处理系统 | |
KR102278744B1 (ko) | 로봇의 이상 상태에 대한 알람을 출력하는 방법 및 장치 | |
Rodrigues et al. | Short and long forecast to implement predictive maintenance in a pulp industry | |
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 | |
CN117392587B (zh) | 基于物联网的特种设备安全监测系统 | |
KR20050118277A (ko) | 반도체 제조 시스템 | |
CN110895717A (zh) | 检查装置以及机器学习方法 | |
US7299154B1 (en) | Method and apparatus for fast disturbance detection and classification | |
Ovais | Statistically justifiable visible residue limits |
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 |