CN117393473B - 基于模型预测控制的磷化铟晶片智能清洗过程控制方法 - Google Patents
基于模型预测控制的磷化铟晶片智能清洗过程控制方法 Download PDFInfo
- Publication number
- CN117393473B CN117393473B CN202311684951.0A CN202311684951A CN117393473B CN 117393473 B CN117393473 B CN 117393473B CN 202311684951 A CN202311684951 A CN 202311684951A CN 117393473 B CN117393473 B CN 117393473B
- Authority
- CN
- China
- Prior art keywords
- cleaned
- wafer
- parameter control
- wafers
- pollution degree
- 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
- 238000004140 cleaning Methods 0.000 title claims abstract description 176
- 238000000034 method Methods 0.000 title claims abstract description 40
- GPXJNWSHGFTCBW-UHFFFAOYSA-N Indium phosphide Chemical compound [In]#P GPXJNWSHGFTCBW-UHFFFAOYSA-N 0.000 title claims abstract description 31
- 238000004886 process control Methods 0.000 title claims abstract description 22
- 235000012431 wafers Nutrition 0.000 claims abstract description 365
- 239000003344 environmental pollutant Substances 0.000 claims abstract description 64
- 231100000719 pollutant Toxicity 0.000 claims abstract description 64
- 239000007788 liquid Substances 0.000 claims abstract description 60
- 238000012549 training Methods 0.000 claims description 32
- 238000012545 processing Methods 0.000 claims description 25
- 239000013068 control sample Substances 0.000 claims description 24
- 238000012360 testing method Methods 0.000 claims description 16
- 239000000356 contaminant Substances 0.000 claims description 12
- 230000009191 jumping Effects 0.000 claims description 12
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 10
- 238000012795 verification Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 7
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000011109 contamination Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 5
- 239000004065 semiconductor Substances 0.000 abstract description 5
- 238000005265 energy consumption Methods 0.000 abstract description 4
- 238000004458 analytical method Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 238000003860 storage Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000003066 decision tree Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 238000007637 random forest analysis 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
- 238000005520 cutting process Methods 0.000 description 3
- 239000012535 impurity Substances 0.000 description 3
- 230000003749 cleanliness Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000008021 deposition Effects 0.000 description 2
- 238000000151 deposition Methods 0.000 description 2
- 238000009713 electroplating Methods 0.000 description 2
- 238000005530 etching Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000004519 grease Substances 0.000 description 2
- 238000000227 grinding Methods 0.000 description 2
- 238000001459 lithography Methods 0.000 description 2
- 229910021645 metal ion Inorganic materials 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003647 oxidation Effects 0.000 description 2
- 238000007254 oxidation reaction Methods 0.000 description 2
- 238000005498 polishing Methods 0.000 description 2
- 238000002791 soaking Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- 238000010923 batch production Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 229910052738 indium Inorganic materials 0.000 description 1
- APFVFJFRJDLVQX-UHFFFAOYSA-N indium atom Chemical compound [In] APFVFJFRJDLVQX-UHFFFAOYSA-N 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 229910052698 phosphorus Inorganic materials 0.000 description 1
- 239000011574 phosphorus Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
- 238000006467 substitution reaction 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
- H01L21/67028—Apparatus for fluid treatment for cleaning followed by drying, rinsing, stripping, blasting or the like
- H01L21/6704—Apparatus for fluid treatment for cleaning followed by drying, rinsing, stripping, blasting or the like for wet cleaning or washing
- H01L21/67057—Apparatus for fluid treatment for cleaning followed by drying, rinsing, stripping, blasting or the like for wet cleaning or washing with the semiconductor substrates being dipped in baths or vessels
-
- 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
- Y02P70/00—Climate change mitigation technologies in the production process for final industrial or consumer products
- Y02P70/50—Manufacturing or production processes characterised by the final manufactured product
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)
- Cleaning Or Drying Semiconductors (AREA)
Abstract
本发明涉及半导体领域,本发明公开了基于模型预测控制的磷化铟晶片智能清洗过程控制方法,包括:基于污染信息将待清洗晶片划分入N个待清洗晶片批次中;根据污染物集合与清洗液成分配比的预设关系,确定清洗液成分配比;获取晶片尺寸规格,基于晶片尺寸规格、污染物集合、污染程度系数、待清洗晶片的数量、清洗液成分配比和预配置第一参数控制预测模型,获取第一参数控制量;获取成分配比后清洗液的设定温度,基于清洗液的设定温度、污染程度系数、待清洗晶片的数量、第一参数控制量和预配置第二参数控制预测模型,获取第二参数控制量;本发明有利于提高清洗效率,节约清洗能耗。
Description
技术领域
本发明涉及半导体领域,更具体地说,本发明涉及基于模型预测控制的磷化铟晶片智能清洗过程控制方法。
背景技术
磷化铟晶片,指的是铟磷化物(Indium Phosphide,InP)晶片,其由铟(In)和磷(P)元素组成;因其优越的电学性能,得到广泛应用;在磷化铟晶片生产过程中,会产生很多切削杂质和添加的化学品的残留,同时半导体制造过程中不然会沾染一些灰尘和微粒;这些杂质会显著影响芯片的功能和寿命,因此需要磷化铟晶片生产工序之间穿插大量清洗环节;当前晶片清洗方式主要包括单片清洗和槽式清洗;槽式清洗是把晶片直接批量地浸泡在化学溶剂当中,采用超声波或者兆声波等振动方式将杂质清洗干净,相较于单片清洗,槽式清洗具备批量生产的高生产率,能够有效节省成本,被广泛应用于晶片清洗工序中;然而,现有方式在利用槽式清洗在对磷化铟晶片进行批量清洗时,由于缺乏对于不同晶片状态或情况的细分,导致不同磷化铟晶片的清洗效果偏差较大,且易增加清洗能耗;因此,有必要提供一种基于模型预测控制的磷化铟晶片智能清洗过程控制方法以满足如今磷化铟晶片的生产需求。
目前,缺乏针对磷化铟晶片进行智能清洗过程控制方法,虽存在少量相关文献,例如授权公告号为CN111229679B的专利公开了一种晶片清洗设备的控制方法、控制装置及晶片清洗设备,再例如申请公开号为CN116651832A的专利公开了一种晶片稳定清洗控制方法,虽然上述方法能够实现晶片清洗,但对上述方法以及现有技术进行研究和实际应用发现,上述方法以及现有技术至少存在以下部分缺陷:
(1)缺乏对晶片进行不同污染程度的区分,易将不同污染程度的晶片置入同一清洗批次中,进而易导致批次中的部分晶片受到过度清洗,或易导致批次中的部分晶片清洗不彻底,进而易损化晶片,且使得不同晶片清洗效果偏差较大;
(2)无法在满足较高清洗效果的基础上,确定不同待清洗晶片批次的最佳控制量,易导致待清洗晶片批次在清洗过程中产生过多清洗能耗浪费,且难以进一步提高清洗效率。
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基于模型预测控制的磷化铟晶片智能清洗过程控制方法。
为实现上述目的,本发明提供如下技术方案:
基于模型预测控制的磷化铟晶片智能清洗过程控制方法,所述方法包括:
确定M个待清洗晶片的污染信息,基于污染信息将每个所述待清洗晶片依次划分入N个待清洗晶片批次中,每个所述待清洗晶片批次中包含待清洗晶片的数量K,所述污染信息包括污染物集合和污染程度系数,M、N和K均为大于零的正整数;
根据污染物集合与清洗液成分配比的预设关系,确定待清洗晶片批次所需的清洗液成分配比;
获取晶片尺寸规格,基于晶片尺寸规格、污染物集合、污染程度系数、待清洗晶片的数量K、清洗液成分配比和预配置第一参数控制预测模型,获取待清洗晶片批次的第一参数控制量,所述第一参数控制量包括最佳清洗水量和最佳清洗液使用量;
获取成分配比后清洗液的设定温度,基于清洗液的设定温度、污染程度系数、待清洗晶片的数量K、第一参数控制量和预配置第二参数控制预测模型,获取待清洗晶片批次的第二参数控制量;所述第二参数控制量包括最佳清洗时长和最佳超声波功率;
根据第一参数控制量和第二参数控制量对待清洗晶片批次中的所有待清洗晶片进行批量清洗。
进一步地,所述污染物集合的确定逻辑如下:
a1:获取第i个待清洗晶片的加工环节集合;
a2:根据加工环节与污染物元素的预设关系,确定第i个待清洗晶片在经过每一加工环节时所沾染的污染物元素;
a3:统计污染物元素数量,得到第i个待清洗晶片的污染物集合,并令i=i+1,跳转回步骤a1;
a4:重复上述步骤a1~a3,直至i=M时结束循环,得到M个待清洗晶片的污染物集合。
进一步地,所述污染程度系数的确定逻辑如下:
b1:获取第i个待清洗晶片的实拍表面图像,以及提取与第i个待清洗晶片类型一致标准表面图像,分别对实拍表面图像和标准表面图像进行灰度化,得到实拍灰度图像和标准灰度图像,i为大于零的正整数;
b2:基于相同规则将实拍灰度图像和标准灰度图像均划分为G个区域,依据标准灰度图像中第j个区域的最大像素值和最小像素值,生成标准灰度图像中第j个区域的像素区间,j和G均为大于零的正整数;
b3:获取实拍灰度图像中第j个区域内每个像素点的像素值,将实拍灰度图像中第j个区域内每个像素点的像素值与标准灰度图像中第j个区域的像素区间进行比对,若像素点的像素值属于像素区间,则将对应像素点标记为正常像素点;若像素点的像素值不属于像素区间,则将对应像素点标记为污染像素点;
b4:对实拍灰度图像中第j个区域内相邻的污染像素点进行连通,得到H个连通子区域,将连通子区域作为污染子区域;
b5:对实拍灰度图像中的所有污染子区域进行统计计算,获取第i个待清洗晶片的污染程度系数;并令i=i+1,跳转回步骤b1;
b6:重复上述步骤b1~b4,直至i=M时结束循环,得到M个待清洗晶片的污染程度系数。
进一步地,将每个所述待清洗晶片依次划分入N个待清洗晶片批次中,包括:
c1:获取第i个待清洗晶片的污染程度系数;
c2:设置N个污染程度系数区间,以及设置与N个污染程度系数区间相对应的N个待清洗晶片批次;
c3:将第i个待清洗晶片的污染程度系数与每个污染程度系数区间进行比对,获取第i个待清洗晶片的污染程度系数落入的污染程度系数区间;
c4:根据第i个待清洗晶片的污染程度系数落入的污染程度系数区间,将第i个待清洗晶片划分入对应的待清洗晶片批次;并令i=i+1,跳转回步骤c1;
c5:重复上述步骤c1~c4,直至i=M时结束循环,使每个所述待清洗晶片依次划分入N个待清洗晶片批次中。
进一步地,预配置第一参数控制预测模型的生成逻辑如下:
获取第一参数控制样本集,将所述第一参数控制样本集划分为第一参数控制训练集和第一参数控制测试集;其中,所述第一参数控制样本集包括第一参数控制特征数据及其对应的第一参数控制量;
其中,所述第一参数控制特征数据包括待清洗晶片批次中的待清洗晶片的污染物集合、待清洗晶片批次中的待清洗晶片数量、待清洗晶片批次中待清洗晶片的晶片尺寸规格、待清洗晶片批次中待清洗晶片的最大污染程度系数和待清洗晶片批次匹配的清洗液成分配比;
构建第一回归网络,将第一参数控制训练集中的第一参数控制特征数据作为第一回归网络的输入,将第一参数控制训练集中的第一参数控制量作为第一回归网络的输出,对第一回归网络进行训练,得到初始第一参数控制回归网络;
利用第一参数控制测试集对初始第一参数控制回归网络进行模型验证,输出小于预设预测误差值的初始第一参数控制回归网络作为预配置第一参数控制预测模型。
进一步地,最大污染程度系数的获取逻辑如下:
按数值从大到小,对待清洗晶片批次中每个待清洗晶片的污染程度系数进行排序;
将排序第一的污染程度系数作为待清洗晶片批次中待清洗晶片的最大污染程度系数。
进一步地,待清洗晶片批次的第一参数控制量的获取逻辑如下:
提取待清洗晶片批中的待清洗晶片的污染物集合、待清洗晶片批次中待清洗晶片的晶片尺寸规格、待清洗晶片批中的待清洗晶片的数量K、待清洗晶片批中的最大污染系数以及待清洗晶片批匹配的清洗液成分配比;
将污染物集合、晶片尺寸规格、待清洗晶片的数量K、最大污染系数以及清洗液成分配比输入至预配置第一参数控制预测模型中,得到待清洗晶片批次的第一参数控制量。
进一步地,预配置第二参数控制预测模型的生成逻辑如下:
获取第二参数控制样本集,将所述第二参数控制样本集划分为第二参数控制训练集和第二参数控制测试集;其中,所述第二参数控制样本集包括第二参数控制特征数据及其对应的第二参数控制量;
其中,所述第二参数控制特征数据包括清洗液的设定温度、最大污染程度系数、待清洗晶片的数量K和第一参数控制量;
构建第二回归网络,将第二参数控制训练集中的第二参数控制特征数据作为第二回归网络的输入,将第二参数控制训练集中的第二参数控制量作为第二回归网络的输出,对第二回归网络进行训练,得到初始第二参数控制回归网络;
利用第二参数控制测试集对初始第二参数控制回归网络进行模型验证,输出小于预设预测误差值的初始第二参数控制回归网络作为预配置第二参数控制预测模型。
进一步地,待清洗晶片批次的第二参数控制量的获取逻辑如下:
提取清洗液的设定温度、最大污染程度系数、待清洗晶片的数量K和第一参数控制量;
将清洗液的设定温度、最大污染程度系数、待清洗晶片的数量K和第一参数控制量输入至预配置第二参数控制预测模型中,得到待清洗晶片批次的第二参数控制量。
相比于现有技术,本发明的有益效果在于:
1.本申请公开了基于模型预测控制的磷化铟晶片智能清洗过程控制方法,基于污染信息将待清洗晶片划分入N个待清洗晶片批次中;根据污染物集合与清洗液成分配比的预设关系,确定清洗液成分配比;获取晶片尺寸规格,基于晶片尺寸规格、污染物集合、污染程度系数、待清洗晶片的数量、清洗液成分配比和预配置第一参数控制预测模型,获取第一参数控制量;获取成分配比后清洗液的设定温度,基于清洗液的设定温度、污染程度系数、待清洗晶片的数量、第一参数控制量和预配置第二参数控制预测模型,获取第二参数控制量;根据第一参数控制量和第二参数控制量对待清洗晶片批量清洗;基于上述步骤,本发明有利于在满足较高清洗效果的基础上,确定不同待清洗晶片批次的最佳控制量,从而有利于避免待清洗晶片批次在清洗过程中产生过多清洗能耗浪费,同时有利于进一步提高清洗效率。
2.本申请公开了基于模型预测控制的磷化铟晶片智能清洗过程控制方法,通过事先进行晶片污染程度区分和晶片批次划分,本发明有利于避免晶片受到过度清洗或清洗不彻底,进而有利于保证晶片清洗不受损伤,且有利于避免晶片清洗效果偏差较大。
附图说明
图1为本发明提供的基于模型预测控制的磷化铟晶片智能清洗过程控制方法的示意图;
图2为本发明提供的基于模型预测控制的磷化铟晶片智能清洗过程控制系统的示意图;
图3为本发明提供的一种电子设备的结构示意图;
图4为本发明提供的一种计算机可读存储介质的结构示意图。
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2所示,本实施例公开提供了基于模型预测控制的磷化铟晶片智能清洗过程控制系统,包括:
批次划分模块210,用于确定M个待清洗晶片的污染信息,基于污染信息将每个所述待清洗晶片依次划分入N个待清洗晶片批次中,每个所述待清洗晶片批次中包含待清洗晶片的数量K,所述污染信息包括污染物集合和污染程度系数,M、N和K均为大于零的正整数;
在实施中,所述污染物集合的确定逻辑如下:
a1:获取第i个待清洗晶片的加工环节集合;
应当了解是:所述加工环节集合包括多个加工环节,所述加工环节包括但不限于氧化、切割、打磨、抛光、沉积、光刻、蚀刻和电镀等等;
a2:根据加工环节与污染物元素的预设关系,确定第i个待清洗晶片在经过每一加工环节时所沾染的污染物元素;
需要说明的是:加工环节与污染物元素的预设关系根据实际加工场景确定,人为根据每个加工环节晶片会沾染的污染物元素,将加工环节与污染物元素进行关系绑定;所述污染物元素包括但不限于颗粒、油脂、金属离子和有机残渣等等;
a3:统计污染物元素数量,得到第i个待清洗晶片的污染物集合,并令i=i+1,跳转回步骤a1;
a4:重复上述步骤a1~a3,直至i=M时结束循环,得到M个待清洗晶片的污染物集合;
在实施中,所述污染程度系数的确定逻辑如下:
b1:获取第i个待清洗晶片的实拍表面图像,以及提取与第i个待清洗晶片类型一致标准表面图像,分别对实拍表面图像和标准表面图像进行灰度化,得到实拍灰度图像和标准灰度图像,i为大于零的正整数;
应当明白的是:每个待清洗晶片的实拍表面图像通过预安装的工业摄像装置拍摄得到;
需要说明的是:所述标准表面图像包含多幅,每种待清洗晶片均对应有一幅标准表面图像,所述标准表面图像预存于系统数据库中,所述标准表面图像是指待清洗晶片无任何污染状态下(或满足预定清洁度下)的拍摄图像;
b2:基于相同规则将实拍灰度图像和标准灰度图像均划分为G个区域,依据标准灰度图像中第j个区域的最大像素值和最小像素值,生成标准灰度图像中第j个区域的像素区间,j和G均为大于零的正整数;
需要说明的是:基于相同规则,是指将实拍灰度图像和标准灰度图像按照相同的划分方式划分成G个区域,且实拍灰度图像和标准灰度图像中区域的大小完全相同;
b3:获取实拍灰度图像中第j个区域内每个像素点的像素值,将实拍灰度图像中第j个区域内每个像素点的像素值与标准灰度图像中第j个区域的像素区间进行比对,若像素点的像素值属于像素区间,则将对应像素点标记为正常像素点;若像素点的像素值不属于像素区间,则将对应像素点标记为污染像素点;
b4:对实拍灰度图像中第j个区域内相邻的污染像素点进行连通,得到H个连通子区域,将连通子区域作为污染子区域;
需要说明的是:若每两个污染像素点相连,则判定该两个污染像素点相邻通过对所有相邻的污染像素点进行连通,即得到一个连通子区域;应当明白的,当污染像素点之间不存在相邻,或多个污染像素点形成的范围(区域)不存在相邻时,说明存在一个以上的连通子区域,即得到H个连通子区域;
b5:对实拍灰度图像中的所有污染子区域进行统计计算,获取第i个待清洗晶片的污染程度系数;并令i=i+1,跳转回步骤b1;
具体的,对实拍灰度图像中的所有污染子区域进行统计计算的公式如下:
;
式中:表示污染程度系数,/>表示实拍表面图像中第/>个区域的第/>个污染子区域的像素面积,/>表示实拍表面图像中第/>个区域的污染子区域总数,/>表示区域总数,/>表示大于零的变化修正因子;
需要说明的是:所述像素面积根据污染子区域内包含的污染像素点总数确定;即将污染子区域内的污染像素点总数作为污染子区域的像素面积;
其中,所述变化修正因子根据第i个待清洗晶片的污染物集合的元素占比赋值得到;进一步说明就是,假设已知在晶片生成过程中会产生的全部污染物元素为10,而第i个待清洗晶片的污染物集合的元素为8,则第i个待清洗晶片的污染物集合的元素占比为0.8;并将0.8赋值给变化修正因子;
b6:重复上述步骤b1~b4,直至i=M时结束循环,得到M个待清洗晶片的污染程度系数;
在实施中,将每个所述待清洗晶片依次划分入N个待清洗晶片批次中,包括:
c1:获取第i个待清洗晶片的污染程度系数;
c2:设置N个污染程度系数区间,以及设置与N个污染程度系数区间相对应的N个待清洗晶片批次;
应当明白的是:每个污染程度系数区间当且仅当有一个待清洗晶片批次与之相关联绑定;
c3:将第i个待清洗晶片的污染程度系数与每个污染程度系数区间进行比对,获取第i个待清洗晶片的污染程度系数落入的污染程度系数区间;
c4:根据第i个待清洗晶片的污染程度系数落入的污染程度系数区间,将第i个待清洗晶片划分入对应的待清洗晶片批次;并令i=i+1,跳转回步骤c1;
c5:重复上述步骤c1~c4,直至i=M时结束循环,使每个所述待清洗晶片依次划分入N个待清洗晶片批次中;
配比确定模块220,用于根据污染物集合与清洗液成分配比的预设关系,确定待清洗晶片批次所需的清洗液成分配比;
需要说明的是:污染物集合与清洗液成分配比的预设关系根据人为实验分析确定,人为事先通过实验分析确定不同污染物集合的待清洗晶片批次需对应的清洗液成分配比,并将每一污染物集合与对应的清洗液成分配比绑定关联,形成污染物集合与清洗液成分配比的预设关系;
第一参数预测模块230,用于获取晶片尺寸规格,基于晶片尺寸规格、污染物集合、污染程度系数、待清洗晶片的数量K、清洗液成分配比和预配置第一参数控制预测模型,获取待清洗晶片批次的第一参数控制量,所述第一参数控制量包括最佳清洗水量和最佳清洗液使用量;
应当了解的是:待清洗晶片批次中的所有待清洗晶片属于同一晶片尺寸规格,所述晶片尺寸规格包括但不限于2英寸、3英寸、4英寸、6英寸、8英寸和12英寸等等;所述晶片尺寸规格通过人为输入获取或者通过摄像装置设备获取,对此本发明不作过多限定;
应当明白的是:所述最佳清洗水量和最佳清洗液使用量根据实验分析人为确定;
具体的,预配置第一参数控制预测模型的生成逻辑如下:
获取第一参数控制样本集,将所述第一参数控制样本集划分为第一参数控制训练集和第一参数控制测试集;其中,所述第一参数控制样本集包括第一参数控制特征数据及其对应的第一参数控制量;
其中,所述第一参数控制特征数据包括待清洗晶片批次中的待清洗晶片的污染物集合、待清洗晶片批次中的待清洗晶片数量、待清洗晶片批次中待清洗晶片的晶片尺寸规格、待清洗晶片批次中待清洗晶片的最大污染程度系数和待清洗晶片批次匹配的清洗液成分配比;
具体的,最大污染程度系数的获取逻辑如下:
按数值从大到小,对待清洗晶片批次中每个待清洗晶片的污染程度系数进行排序;
将排序第一的污染程度系数作为待清洗晶片批次中待清洗晶片的最大污染程度系数;
构建第一回归网络,将第一参数控制训练集中的第一参数控制特征数据作为第一回归网络的输入,将第一参数控制训练集中的第一参数控制量作为第一回归网络的输出,对第一回归网络进行训练,得到初始第一参数控制回归网络;
利用第一参数控制测试集对初始第一参数控制回归网络进行模型验证,输出小于预设预测误差值的初始第一参数控制回归网络作为预配置第一参数控制预测模型;
需要说明的是:所述第一回归网络具体为决策树回归网络、SVM回归网络、随机森林回归网络或神经网络回归网络等模型中的一种;
在实施中,待清洗晶片批次的第一参数控制量的获取逻辑如下:
提取待清洗晶片批中的待清洗晶片的污染物集合、待清洗晶片批次中待清洗晶片的晶片尺寸规格、待清洗晶片批中的待清洗晶片的数量K、待清洗晶片批中的最大污染系数以及待清洗晶片批匹配的清洗液成分配比;
将污染物集合、晶片尺寸规格、待清洗晶片的数量K、最大污染系数以及清洗液成分配比输入至预配置第一参数控制预测模型中,得到待清洗晶片批次的第一参数控制量;
第二参数预测模块240,用于获取成分配比后清洗液的设定温度,基于清洗液的设定温度、污染程度系数、待清洗晶片的数量K、第一参数控制量和预配置第二参数控制预测模型,获取待清洗晶片批次的第二参数控制量;所述第二参数控制量包括最佳清洗时长和最佳超声波功率;
具体的,所述清洗液的设定温度根据成分配比后清洗液与清洗液的设定温度的映射关系确定;
需要说明的是:所述成分配比后清洗液与清洗液的设定温度的映射关系根据实验分析人为确定;进一步示例性说明就是,假设成分配比后清洗液对应的清洗液的设定温度为50℃,则将50℃作为成分配比后清洗液的设定温度;
应当了解的是:最佳清洗时长和最佳超声波功率根据实验分析人为确定;
在实施中,预配置第二参数控制预测模型的生成逻辑如下:
获取第二参数控制样本集,将所述第二参数控制样本集划分为第二参数控制训练集和第二参数控制测试集;其中,所述第二参数控制样本集包括第二参数控制特征数据及其对应的第二参数控制量;
其中,所述第二参数控制特征数据包括清洗液的设定温度、最大污染程度系数、待清洗晶片的数量K和第一参数控制量;
需要说明的是:所述最大污染程度系数的获取逻辑参照上文,在此不再过多赘述;
构建第二回归网络,将第二参数控制训练集中的第二参数控制特征数据作为第二回归网络的输入,将第二参数控制训练集中的第二参数控制量作为第二回归网络的输出,对第二回归网络进行训练,得到初始第二参数控制回归网络;
利用第二参数控制测试集对初始第二参数控制回归网络进行模型验证,输出小于预设预测误差值的初始第二参数控制回归网络作为预配置第二参数控制预测模型;
需要说明的是:同上述第一回归网络,所述第二回归网络具体为决策树回归网络、SVM回归网络、随机森林回归网络或神经网络回归网络等模型中的一种;
在实施中,待清洗晶片批次的第二参数控制量的获取逻辑如下:
提取清洗液的设定温度、最大污染程度系数、待清洗晶片的数量K和第一参数控制量;
将清洗液的设定温度、最大污染程度系数、待清洗晶片的数量K和第一参数控制量输入至预配置第二参数控制预测模型中,得到待清洗晶片批次的第二参数控制量;
清洗控制模块250,用于根据第一参数控制量和第二参数控制量对待清洗晶片批次中的所有待清洗晶片进行批量清洗;
应当明白的是:根据第一参数控制量和第二参数控制量对待清洗晶片批次中的所有待清洗晶片进行批量清洗时,首先根据预测得到最佳清洗水量和最佳清洗液使用量,在槽式清洗机倒入对应量清洗水和清洗液;然后通过机械臂将待清洗晶片批次中的所有待清洗晶片浸泡入槽式清洗机内;最后根据预测得到的最佳超声波功率和最佳清洗时长,控制槽式清洗机以相应最佳超声波功率以及相应的最佳清洗时长对浸泡入槽式清洗机内的所有待清洗晶片进行清洗。
实施例2
请参阅图1所示,本实施例公开提供了基于模型预测控制的磷化铟晶片智能清洗过程控制方法,所述方法包括:
S101:确定M个待清洗晶片的污染信息,基于污染信息将每个所述待清洗晶片依次划分入N个待清洗晶片批次中,每个所述待清洗晶片批次中包含待清洗晶片的数量K,所述污染信息包括污染物集合和污染程度系数,M、N和K均为大于零的正整数;
在实施中,所述污染物集合的确定逻辑如下:
a1:获取第i个待清洗晶片的加工环节集合;
应当了解是:所述加工环节集合包括多个加工环节,所述加工环节包括但不限于氧化、切割、打磨、抛光、沉积、光刻、蚀刻和电镀等等;
a2:根据加工环节与污染物元素的预设关系,确定第i个待清洗晶片在经过每一加工环节时所沾染的污染物元素;
需要说明的是:加工环节与污染物元素的预设关系根据实际加工场景确定,人为根据每个加工环节晶片会沾染的污染物元素,将加工环节与污染物元素进行关系绑定;所述污染物元素包括但不限于颗粒、油脂、金属离子和有机残渣等等;
a3:统计污染物元素数量,得到第i个待清洗晶片的污染物集合,并令i=i+1,跳转回步骤a1;
a4:重复上述步骤a1~a3,直至i=M时结束循环,得到M个待清洗晶片的污染物集合;
在实施中,所述污染程度系数的确定逻辑如下:
b1:获取第i个待清洗晶片的实拍表面图像,以及提取与第i个待清洗晶片类型一致标准表面图像,分别对实拍表面图像和标准表面图像进行灰度化,得到实拍灰度图像和标准灰度图像,i为大于零的正整数;
应当明白的是:每个待清洗晶片的实拍表面图像通过预安装的工业摄像装置拍摄得到;
需要说明的是:所述标准表面图像包含多幅,每种待清洗晶片均对应有一幅标准表面图像,所述标准表面图像预存于系统数据库中,所述标准表面图像是指待清洗晶片无任何污染状态下(或满足预定清洁度下)的拍摄图像;
b2:基于相同规则将实拍灰度图像和标准灰度图像均划分为G个区域,依据标准灰度图像中第j个区域的最大像素值和最小像素值,生成标准灰度图像中第j个区域的像素区间,j和G均为大于零的正整数;
需要说明的是:基于相同规则,是指将实拍灰度图像和标准灰度图像按照相同的划分方式划分成G个区域,且实拍灰度图像和标准灰度图像中区域的大小完全相同;
b3:获取实拍灰度图像中第j个区域内每个像素点的像素值,将实拍灰度图像中第j个区域内每个像素点的像素值与标准灰度图像中第j个区域的像素区间进行比对,若像素点的像素值属于像素区间,则将对应像素点标记为正常像素点;若像素点的像素值不属于像素区间,则将对应像素点标记为污染像素点;
b4:对实拍灰度图像中第j个区域内相邻的污染像素点进行连通,得到H个连通子区域,将连通子区域作为污染子区域;
需要说明的是:若每两个污染像素点相连,则判定该两个污染像素点相邻通过对所有相邻的污染像素点进行连通,即得到一个连通子区域;应当明白的,当污染像素点之间不存在相邻,或多个污染像素点形成的范围(区域)不存在相邻时,说明存在一个以上的连通子区域,即得到H个连通子区域;
b5:对实拍灰度图像中的所有污染子区域进行统计计算,获取第i个待清洗晶片的污染程度系数;并令i=i+1,跳转回步骤b1;
具体的,对实拍灰度图像中的所有污染子区域进行统计计算的公式如下:
;
式中:表示污染程度系数,/>表示实拍表面图像中第/>个区域的第/>个污染子区域的像素面积,/>表示实拍表面图像中第/>个区域的污染子区域总数,/>表示区域总数,/>表示大于零的变化修正因子;
需要说明的是:所述像素面积根据污染子区域内包含的污染像素点总数确定;即将污染子区域内的污染像素点总数作为污染子区域的像素面积;
其中,所述变化修正因子根据第i个待清洗晶片的污染物集合的元素占比赋值得到;进一步说明就是,假设已知在晶片生成过程中会产生的全部污染物元素为10,而第i个待清洗晶片的污染物集合的元素为8,则第i个待清洗晶片的污染物集合的元素占比为0.8;并将0.8赋值给变化修正因子;
b6:重复上述步骤b1~b4,直至i=M时结束循环,得到M个待清洗晶片的污染程度系数;
在实施中,将每个所述待清洗晶片依次划分入N个待清洗晶片批次中,包括:
c1:获取第i个待清洗晶片的污染程度系数;
c2:设置N个污染程度系数区间,以及设置与N个污染程度系数区间相对应的N个待清洗晶片批次;
应当明白的是:每个污染程度系数区间当且仅当有一个待清洗晶片批次与之相关联绑定;
c3:将第i个待清洗晶片的污染程度系数与每个污染程度系数区间进行比对,获取第i个待清洗晶片的污染程度系数落入的污染程度系数区间;
c4:根据第i个待清洗晶片的污染程度系数落入的污染程度系数区间,将第i个待清洗晶片划分入对应的待清洗晶片批次;并令i=i+1,跳转回步骤c1;
c5:重复上述步骤c1~c4,直至i=M时结束循环,使每个所述待清洗晶片依次划分入N个待清洗晶片批次中;
S102:根据污染物集合与清洗液成分配比的预设关系,确定待清洗晶片批次所需的清洗液成分配比;
需要说明的是:污染物集合与清洗液成分配比的预设关系根据人为实验分析确定,人为事先通过实验分析确定不同污染物集合的待清洗晶片批次需对应的清洗液成分配比,并将每一污染物集合与对应的清洗液成分配比绑定关联,形成污染物集合与清洗液成分配比的预设关系;
S103:获取晶片尺寸规格,基于晶片尺寸规格、污染物集合、污染程度系数、待清洗晶片的数量K、清洗液成分配比和预配置第一参数控制预测模型,获取待清洗晶片批次的第一参数控制量,所述第一参数控制量包括最佳清洗水量和最佳清洗液使用量;
应当了解的是:待清洗晶片批次中的所有待清洗晶片属于同一晶片尺寸规格,所述晶片尺寸规格包括但不限于2英寸、3英寸、4英寸、6英寸、8英寸和12英寸等等;所述晶片尺寸规格通过人为输入获取或者通过摄像装置设备获取,对此本发明不作过多限定;
应当明白的是:所述最佳清洗水量和最佳清洗液使用量根据实验分析人为确定;
具体的,预配置第一参数控制预测模型的生成逻辑如下:
获取第一参数控制样本集,将所述第一参数控制样本集划分为第一参数控制训练集和第一参数控制测试集;其中,所述第一参数控制样本集包括第一参数控制特征数据及其对应的第一参数控制量;
其中,所述第一参数控制特征数据包括待清洗晶片批次中的待清洗晶片的污染物集合、待清洗晶片批次中的待清洗晶片数量、待清洗晶片批次中待清洗晶片的晶片尺寸规格、待清洗晶片批次中待清洗晶片的最大污染程度系数和待清洗晶片批次匹配的清洗液成分配比;
具体的,最大污染程度系数的获取逻辑如下:
按数值从大到小,对待清洗晶片批次中每个待清洗晶片的污染程度系数进行排序;
将排序第一的污染程度系数作为待清洗晶片批次中待清洗晶片的最大污染程度系数;
构建第一回归网络,将第一参数控制训练集中的第一参数控制特征数据作为第一回归网络的输入,将第一参数控制训练集中的第一参数控制量作为第一回归网络的输出,对第一回归网络进行训练,得到初始第一参数控制回归网络;
利用第一参数控制测试集对初始第一参数控制回归网络进行模型验证,输出小于预设预测误差值的初始第一参数控制回归网络作为预配置第一参数控制预测模型;
需要说明的是:所述第一回归网络具体为决策树回归网络、SVM回归网络、随机森林回归网络或神经网络回归网络等模型中的一种;
在实施中,待清洗晶片批次的第一参数控制量的获取逻辑如下:
提取待清洗晶片批中的待清洗晶片的污染物集合、待清洗晶片批次中待清洗晶片的晶片尺寸规格、待清洗晶片批中的待清洗晶片的数量K、待清洗晶片批中的最大污染系数以及待清洗晶片批匹配的清洗液成分配比;
将污染物集合、晶片尺寸规格、待清洗晶片的数量K、最大污染系数以及清洗液成分配比输入至预配置第一参数控制预测模型中,得到待清洗晶片批次的第一参数控制量;
S104:获取成分配比后清洗液的设定温度,基于清洗液的设定温度、污染程度系数、待清洗晶片的数量K、第一参数控制量和预配置第二参数控制预测模型,获取待清洗晶片批次的第二参数控制量;所述第二参数控制量包括最佳清洗时长和最佳超声波功率;
具体的,所述清洗液的设定温度根据成分配比后清洗液与清洗液的设定温度的映射关系确定;
需要说明的是:所述成分配比后清洗液与清洗液的设定温度的映射关系根据实验分析人为确定;进一步示例性说明就是,假设成分配比后清洗液对应的清洗液的设定温度为50℃,则将50℃作为成分配比后清洗液的设定温度;
应当了解的是:最佳清洗时长和最佳超声波功率根据实验分析人为确定;
在实施中,预配置第二参数控制预测模型的生成逻辑如下:
获取第二参数控制样本集,将所述第二参数控制样本集划分为第二参数控制训练集和第二参数控制测试集;其中,所述第二参数控制样本集包括第二参数控制特征数据及其对应的第二参数控制量;
其中,所述第二参数控制特征数据包括清洗液的设定温度、最大污染程度系数、待清洗晶片的数量K和第一参数控制量;
需要说明的是:所述最大污染程度系数的获取逻辑参照上文,在此不再过多赘述;
构建第二回归网络,将第二参数控制训练集中的第二参数控制特征数据作为第二回归网络的输入,将第二参数控制训练集中的第二参数控制量作为第二回归网络的输出,对第二回归网络进行训练,得到初始第二参数控制回归网络;
利用第二参数控制测试集对初始第二参数控制回归网络进行模型验证,输出小于预设预测误差值的初始第二参数控制回归网络作为预配置第二参数控制预测模型;
需要说明的是:同上述第一回归网络,所述第二回归网络具体为决策树回归网络、SVM回归网络、随机森林回归网络或神经网络回归网络等模型中的一种;
在实施中,待清洗晶片批次的第二参数控制量的获取逻辑如下:
提取清洗液的设定温度、最大污染程度系数、待清洗晶片的数量K和第一参数控制量;
将清洗液的设定温度、最大污染程度系数、待清洗晶片的数量K和第一参数控制量输入至预配置第二参数控制预测模型中,得到待清洗晶片批次的第二参数控制量;
S105:根据第一参数控制量和第二参数控制量对待清洗晶片批次中的所有待清洗晶片进行批量清洗;
应当明白的是:根据第一参数控制量和第二参数控制量对待清洗晶片批次中的所有待清洗晶片进行批量清洗时,首先根据预测得到最佳清洗水量和最佳清洗液使用量,在槽式清洗机倒入对应量清洗水和清洗液;然后通过机械臂将待清洗晶片批次中的所有待清洗晶片浸泡入槽式清洗机内;最后根据预测得到的最佳超声波功率和最佳清洗时长,控制槽式清洗机以相应最佳超声波功率以及相应的最佳清洗时长对浸泡入槽式清洗机内的所有待清洗晶片进行清洗。
实施例3
请参阅图3所示,本实施例公开提供了一种电子设备,包括存储器、处理器以及存储在存储器上并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上述各方法所提供的任一项所述的基于模型预测控制的磷化铟晶片智能清洗过程控制方法。
由于本实施例所介绍的电子设备为实施本申请实施例中基于模型预测控制的磷化铟晶片智能清洗过程控制方法所采用的电子设备,故而基于本申请实施例中所介绍的基于模型预测控制的磷化铟晶片智能清洗过程控制方法,本领域所属技术人员能够了解本实施例的电子设备的具体实施方式以及其各种变化形式,所以在此对于该电子设备如何实现本申请实施例中的方法不再详细介绍。只要本领域所属技术人员实施本申请实施例中基于模型预测控制的磷化铟晶片智能清洗过程控制方法所采用的电子设备,都属于本申请所欲保护的范围。
实施例4
请参阅图4所示,本实施例公开提供了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,所述计算机程序被执行时实现上述各方法所提供的任一项所述的基于模型预测控制的磷化铟晶片智能清洗过程控制方法。
上述公式均是去量纲取其数值计算,公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式,公式中的预设参数、权重以及阈值选取由本领域的技术人员根据实际情况进行设置。
上述实施例,可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。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发明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或无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意识到,结合本发明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发明的范围。
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。
在本发明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,在本发明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。
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.基于模型预测控制的磷化铟晶片智能清洗过程控制方法,其特征在于,所述方法包括:
确定M个待清洗晶片的污染信息,基于污染信息将每个所述待清洗晶片依次划分入N个待清洗晶片批次中,每个所述待清洗晶片批次中包含待清洗晶片的数量K,所述污染信息包括污染物集合和污染程度系数,M、N和K均为大于零的正整数;
所述污染程度系数的确定逻辑如下:
b1:获取第i个待清洗晶片的实拍表面图像,以及提取与第i个待清洗晶片类型一致标准表面图像,分别对实拍表面图像和标准表面图像进行灰度化,得到实拍灰度图像和标准灰度图像,i为大于零的正整数;
b2:基于相同规则将实拍灰度图像和标准灰度图像均划分为G个区域,依据标准灰度图像中第j个区域的最大像素值和最小像素值,生成标准灰度图像中第j个区域的像素区间,j和G均为大于零的正整数;
b3:获取实拍灰度图像中第j个区域内每个像素点的像素值,将实拍灰度图像中第j个区域内每个像素点的像素值与标准灰度图像中第j个区域的像素区间进行比对,若像素点的像素值属于像素区间,则将对应像素点标记为正常像素点;若像素点的像素值不属于像素区间,则将对应像素点标记为污染像素点;
b4:对实拍灰度图像中第j个区域内相邻的污染像素点进行连通,得到H个连通子区域,将连通子区域作为污染子区域;
b5:对实拍灰度图像中的所有污染子区域进行统计计算,获取第i个待清洗晶片的污染程度系数;并令i=i+1,跳转回步骤b1;
其中,对实拍灰度图像中的所有污染子区域进行统计计算的公式如下:
;
式中:表示污染程度系数,/>表示实拍表面图像中第/>个区域的第/>个污染子区域的像素面积,/>表示实拍表面图像中第/>个区域的污染子区域总数,/>表示区域总数,/>表示大于零的变化修正因子;
b6:重复上述步骤b1~b4,直至i=M时结束循环,得到M个待清洗晶片的污染程度系数;
根据污染物集合与清洗液成分配比的预设关系,确定待清洗晶片批次所需的清洗液成分配比;
获取晶片尺寸规格,基于晶片尺寸规格、污染物集合、污染程度系数、待清洗晶片的数量K、清洗液成分配比和预配置第一参数控制预测模型,获取待清洗晶片批次的第一参数控制量,所述第一参数控制量包括最佳清洗水量和最佳清洗液使用量;
获取成分配比后清洗液的设定温度,基于清洗液的设定温度、污染程度系数、待清洗晶片的数量K、第一参数控制量和预配置第二参数控制预测模型,获取待清洗晶片批次的第二参数控制量;所述第二参数控制量包括最佳清洗时长和最佳超声波功率;
根据第一参数控制量和第二参数控制量对待清洗晶片批次中的所有待清洗晶片进行批量清洗。
2.根据权利要求1所述的基于模型预测控制的磷化铟晶片智能清洗过程控制方法,其特征在于,所述污染物集合的确定逻辑如下:
a1:获取第i个待清洗晶片的加工环节集合;
a2:根据加工环节与污染物元素的预设关系,确定第i个待清洗晶片在经过每一加工环节时所沾染的污染物元素;
a3:统计污染物元素数量,得到第i个待清洗晶片的污染物集合,并令i=i+1,跳转回步骤a1;
a4:重复上述步骤a1~a3,直至i=M时结束循环,得到M个待清洗晶片的污染物集合。
3.根据权利要求2所述的基于模型预测控制的磷化铟晶片智能清洗过程控制方法,其特征在于,所述将每个所述待清洗晶片依次划分入N个待清洗晶片批次中,包括:
c1:获取第i个待清洗晶片的污染程度系数;
c2:设置N个污染程度系数区间,以及设置与N个污染程度系数区间相对应的N个待清洗晶片批次;
c3:将第i个待清洗晶片的污染程度系数与每个污染程度系数区间进行比对,获取第i个待清洗晶片的污染程度系数落入的污染程度系数区间;
c4:根据第i个待清洗晶片的污染程度系数落入的污染程度系数区间,将第i个待清洗晶片划分入对应的待清洗晶片批次;并令i=i+1,跳转回步骤c1;
c5:重复上述步骤c1~c4,直至i=M时结束循环,使每个所述待清洗晶片依次划分入N个待清洗晶片批次中。
4.根据权利要求3所述的基于模型预测控制的磷化铟晶片智能清洗过程控制方法,其特征在于,所述预配置第一参数控制预测模型的生成逻辑如下:
获取第一参数控制样本集,将所述第一参数控制样本集划分为第一参数控制训练集和第一参数控制测试集;其中,所述第一参数控制样本集包括第一参数控制特征数据及其对应的第一参数控制量;
其中,所述第一参数控制特征数据包括待清洗晶片批次中的待清洗晶片的污染物集合、待清洗晶片批次中的待清洗晶片数量、待清洗晶片批次中待清洗晶片的晶片尺寸规格、待清洗晶片批次中待清洗晶片的最大污染程度系数和待清洗晶片批次匹配的清洗液成分配比;
构建第一回归网络,将第一参数控制训练集中的第一参数控制特征数据作为第一回归网络的输入,将第一参数控制训练集中的第一参数控制量作为第一回归网络的输出,对第一回归网络进行训练,得到初始第一参数控制回归网络;
利用第一参数控制测试集对初始第一参数控制回归网络进行模型验证,输出小于预设预测误差值的初始第一参数控制回归网络作为预配置第一参数控制预测模型。
5.根据权利要求4所述的基于模型预测控制的磷化铟晶片智能清洗过程控制方法,其特征在于,所述最大污染程度系数的获取逻辑如下:
按数值从大到小,对待清洗晶片批次中每个待清洗晶片的污染程度系数进行排序;
将排序第一的污染程度系数作为待清洗晶片批次中待清洗晶片的最大污染程度系数。
6.根据权利要求5所述的基于模型预测控制的磷化铟晶片智能清洗过程控制方法,其特征在于,所述待清洗晶片批次的第一参数控制量的获取逻辑如下:
提取待清洗晶片批中的待清洗晶片的污染物集合、待清洗晶片批次中待清洗晶片的晶片尺寸规格、待清洗晶片批中的待清洗晶片的数量K、待清洗晶片批中的最大污染系数以及待清洗晶片批匹配的清洗液成分配比;
将污染物集合、晶片尺寸规格、待清洗晶片的数量K、最大污染系数以及清洗液成分配比输入至预配置第一参数控制预测模型中,得到待清洗晶片批次的第一参数控制量。
7.根据权利要求6所述的基于模型预测控制的磷化铟晶片智能清洗过程控制方法,其特征在于,所述预配置第二参数控制预测模型的生成逻辑如下:
获取第二参数控制样本集,将所述第二参数控制样本集划分为第二参数控制训练集和第二参数控制测试集;其中,所述第二参数控制样本集包括第二参数控制特征数据及其对应的第二参数控制量;
其中,所述第二参数控制特征数据包括清洗液的设定温度、最大污染程度系数、待清洗晶片的数量K和第一参数控制量;
构建第二回归网络,将第二参数控制训练集中的第二参数控制特征数据作为第二回归网络的输入,将第二参数控制训练集中的第二参数控制量作为第二回归网络的输出,对第二回归网络进行训练,得到初始第二参数控制回归网络;
利用第二参数控制测试集对初始第二参数控制回归网络进行模型验证,输出小于预设预测误差值的初始第二参数控制回归网络作为预配置第二参数控制预测模型。
8.根据权利要求7所述的基于模型预测控制的磷化铟晶片智能清洗过程控制方法,其特征在于,所述待清洗晶片批次的第二参数控制量的获取逻辑如下:
提取清洗液的设定温度、最大污染程度系数、待清洗晶片的数量K和第一参数控制量;
将清洗液的设定温度、最大污染程度系数、待清洗晶片的数量K和第一参数控制量输入至预配置第二参数控制预测模型中,得到待清洗晶片批次的第二参数控制量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311684951.0A CN117393473B (zh) | 2023-12-11 | 2023-12-11 | 基于模型预测控制的磷化铟晶片智能清洗过程控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311684951.0A CN117393473B (zh) | 2023-12-11 | 2023-12-11 | 基于模型预测控制的磷化铟晶片智能清洗过程控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117393473A CN117393473A (zh) | 2024-01-12 |
CN117393473B true CN117393473B (zh) | 2024-04-05 |
Family
ID=89470592
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311684951.0A Active CN117393473B (zh) | 2023-12-11 | 2023-12-11 | 基于模型预测控制的磷化铟晶片智能清洗过程控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117393473B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH03254125A (ja) * | 1990-03-02 | 1991-11-13 | Mitsubishi Materials Corp | 半導体ウエーハの洗浄方法 |
JPH04288197A (ja) * | 1991-03-18 | 1992-10-13 | Hitachi Ltd | 洗濯機の洗濯制御方法 |
CN111701938A (zh) * | 2020-07-16 | 2020-09-25 | 中国人民解放军63983部队 | 一种大功率太阳能电源车用的柔性太阳能电池组件自动清洗装置 |
KR102161655B1 (ko) * | 2020-01-07 | 2020-10-05 | 주식회사 세이버 | 인공지능 초음파 세척기의 수류 분사 및 세제 공급 제어장치 |
CN116393445A (zh) * | 2023-04-10 | 2023-07-07 | 辉门环新(安庆)粉末冶金有限公司 | 发动机气门导管用超声清洗设备 |
CN116899947A (zh) * | 2023-07-19 | 2023-10-20 | 西安热工研究院有限公司 | 一种光伏组件清洗方法及系统 |
CN117038530A (zh) * | 2023-10-07 | 2023-11-10 | 东莞市楷德精密机械有限公司 | 一种半导体清洗设备的智能控制方法及系统 |
-
2023
- 2023-12-11 CN CN202311684951.0A patent/CN117393473B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH03254125A (ja) * | 1990-03-02 | 1991-11-13 | Mitsubishi Materials Corp | 半導体ウエーハの洗浄方法 |
JPH04288197A (ja) * | 1991-03-18 | 1992-10-13 | Hitachi Ltd | 洗濯機の洗濯制御方法 |
KR102161655B1 (ko) * | 2020-01-07 | 2020-10-05 | 주식회사 세이버 | 인공지능 초음파 세척기의 수류 분사 및 세제 공급 제어장치 |
CN111701938A (zh) * | 2020-07-16 | 2020-09-25 | 中国人民解放军63983部队 | 一种大功率太阳能电源车用的柔性太阳能电池组件自动清洗装置 |
CN116393445A (zh) * | 2023-04-10 | 2023-07-07 | 辉门环新(安庆)粉末冶金有限公司 | 发动机气门导管用超声清洗设备 |
CN116899947A (zh) * | 2023-07-19 | 2023-10-20 | 西安热工研究院有限公司 | 一种光伏组件清洗方法及系统 |
CN117038530A (zh) * | 2023-10-07 | 2023-11-10 | 东莞市楷德精密机械有限公司 | 一种半导体清洗设备的智能控制方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117393473A (zh) | 2024-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Optimal lot-sizing in an imperfect production system with homogeneous reworkable jobs | |
CN109783486B (zh) | 数据清洗方法、装置及服务器 | |
DE112006002918T5 (de) | Produktbezogene Rückkopplung für Prozesssteuerung | |
CN1860440A (zh) | 用于工具上半导体仿真的系统和方法 | |
KR100823167B1 (ko) | 반도체 공정의 헤이즈 제어를 위한 방법 및 시스템 | |
Pan et al. | A virtual metrology system for predicting end-of-line electrical properties using a MANCOVA model with tools clustering | |
CN116666198B (zh) | 一种半导体器件全自动超声波清洗方法及系统 | |
JP2018504772A (ja) | 高次元変数選択モデルを使用した重要なパラメータの決定 | |
CN117393473B (zh) | 基于模型预测控制的磷化铟晶片智能清洗过程控制方法 | |
TW202145304A (zh) | 半導體裝置製造系統及半導體裝置製造方法 | |
Kuo et al. | Assessing environmental impacts of nanoscale semi-conductor manufacturing from the life cycle assessment perspective | |
Di Pierro | Many-objective evolutionary algorithms and applications to water resources engineering | |
CN115826509A (zh) | 一种控制方法、装置、电子设备及存储介质 | |
CN111737249A (zh) | 基于Lasso算法的异常数据检测方法及装置 | |
CN101581930A (zh) | 实现自动虚拟量测的创新方法 | |
CN116258379A (zh) | 一种生产设备的监测方法、监测设备、装置、存储介质 | |
DE10297636B4 (de) | Verfahren zum Steuern von Prozessanlagen in einer Halbleiterfertigungsfabrik #### | |
Fu et al. | Advanced quality control for probe precision forming to empower virtual vertical integration for semiconductor manufacturing | |
CN114556350A (zh) | 无需晶粒级输入数据的晶粒级产品建模 | |
CN110851984B (zh) | 一种数据处理方法及装置 | |
DE112005001880T5 (de) | Verfahren und System zur Prioritätszuweisung von Material zur Aufhebung von Ausnahmebedingungen | |
CN116562690A (zh) | 用电监测指数的确定方法、装置、设备及可读存储介质 | |
Hsu et al. | Data mining for yield enhancement in TFT-LCD manufacturing: an empirical study | |
CN113988676B (zh) | 一种水处理设备的安全管理方法及系统 | |
CN118073175A (zh) | 晶圆清洗过程中化学品自动配比调控方法及系统 |
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 |