CN117681214B - 基于晶圆传送的多机械臂碰撞预警方法及系统 - Google Patents
基于晶圆传送的多机械臂碰撞预警方法及系统 Download PDFInfo
- Publication number
- CN117681214B CN117681214B CN202410156843.4A CN202410156843A CN117681214B CN 117681214 B CN117681214 B CN 117681214B CN 202410156843 A CN202410156843 A CN 202410156843A CN 117681214 B CN117681214 B CN 117681214B
- Authority
- CN
- China
- Prior art keywords
- wafer
- mechanical arm
- data
- stay
- coordinate
- 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
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000012546 transfer Methods 0.000 title claims abstract description 36
- 230000033001 locomotion Effects 0.000 claims abstract description 75
- 230000014759 maintenance of location Effects 0.000 claims abstract description 67
- 238000010801 machine learning Methods 0.000 claims abstract description 40
- 235000012431 wafers Nutrition 0.000 claims description 855
- 230000007306 turnover Effects 0.000 claims description 34
- 238000012360 testing method Methods 0.000 claims description 32
- 238000012549 training Methods 0.000 claims description 32
- 238000004590 computer program Methods 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 8
- 239000004065 semiconductor Substances 0.000 abstract description 11
- 230000009286 beneficial effect Effects 0.000 abstract description 7
- 230000008569 process Effects 0.000 description 11
- 230000005540 biological transmission Effects 0.000 description 10
- 239000011229 interlayer Substances 0.000 description 10
- 238000012545 processing Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000005530 etching Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000003066 decision tree Methods 0.000 description 4
- 238000003062 neural network model 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
- 230000000007 visual effect Effects 0.000 description 3
- 101100272279 Beauveria bassiana Beas gene Proteins 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000005498 polishing Methods 0.000 description 2
- 101150049349 setA gene Proteins 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Container, Conveyance, Adherence, Positioning, Of Wafer (AREA)
Abstract
本发明涉及半导体领域,本发明公开了基于晶圆传送的多机械臂碰撞预警方法及系统,包括:根据晶圆序号确定移动信息;根据时刻T、晶圆轨迹数据、机械臂轨迹数据以及预构建的第一机器学习模型,获取停留数据;获取停留时差,判断停留时差是否大于预设停留时差阈值,以及判断停留坐标是否均属于同一翻转区域;将第一晶圆停留坐标、第二晶圆停留坐标、第一晶圆的晶圆尺寸、第二晶圆的晶圆尺寸、机械臂A的翻转状态数据和机械臂B的翻转状态数据输入预构建的第二机器学习模型中,获取最小晶圆间距;根据最小晶圆间距与安全间距阈值获取碰撞预警结果,并基于碰撞预警结果控制机械臂A或机械臂B启停;本发明有利于避免晶圆碰撞。
Description
技术领域
本发明涉及半导体领域,更具体地说,本发明涉及基于晶圆传送的多机械臂碰撞预警方法及系统。
背景技术
半导体行业是现代科技领域的重要支柱之一,半导体晶圆的制造是制造半导体芯片的关键步骤之一;在晶圆生产制造过程中,晶圆通常需要在各种设备之间传送,包括清洁设备、刻蚀设备、沉积设备等;然而,由于晶圆尺寸大小的不一致性以及机械臂运动因素(如移动路径和速度等)的时刻变化,晶圆在传送过程中难免会受到碰撞,一旦发生碰撞,可能会导致晶圆的损坏,或导致机械臂出现故障,这不仅影响生产效率,还会增加制造成本,严重还可能影响到半导体器件的性能和可靠性;因此,防碰撞成为半导体制造中的一项重要任务。
当前,传统的防碰撞方法通常依赖于设备操作员的经验和视觉监控,但这种方法容易受到人为因素和监控盲点的影响,无法提供及时和精确的预警;尽管存在一些智能化防碰撞的文献,例如授权公告号为CN111687829B的中国专利公开了一种基于深度视觉的防碰撞控制方法、装置、介质及终端,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)难以应用于双臂机械手,无法预测每个机械臂上被传送晶圆的停留时间和停留坐标,进而无法为后续的晶圆碰撞判断提供条件和数据支撑;
(2)无法提供预测性和精确化的碰撞预警,进一步地,无法依据碰撞预警结果进行自动化控制,进而难以规避晶圆在传送中碰撞风险,难以保障半导体器件的性能和可靠性。
发明内容
为了克服现有技术的上述缺陷,本发明提供基于晶圆传送的多机械臂碰撞预警方法及系统。
为实现上述目的,本发明提供如下技术方案:
基于晶圆传送的多机械臂碰撞预警方法,所述方法应用于传送晶圆的双臂机械手,所述双臂机械手包括用于传送第一晶圆的机械臂A和用于传送第二晶圆的机械臂B,所述方法包括:
S101:在T时刻下,获取待传送晶圆的晶圆序号,根据晶圆序号确定移动信息,所述移动信息包括第一晶圆和第二晶圆的晶圆轨迹数据,以及机械臂A和机械臂B的机械臂轨迹数据;
S102:根据时刻T、晶圆轨迹数据、机械臂轨迹数据以及预构建的第一机器学习模型,分别获取第一晶圆和第二晶圆的停留数据,所述停留数据包括停留时间和停留坐标;
S103:依据停留时间获取第一晶圆和第二晶圆之间的停留时差,判断停留时差是否大于预设停留时差阈值,若大于,则令T=T+J,并返回步骤S101;若小于等于,则判断第一晶圆的停留坐标和第二晶圆的停留坐标是否均属于同一翻转区域,若不是,则令T=T+J,并返回步骤S101;若是,则获取第一晶圆和第二晶圆的晶圆尺寸,以及获取机械臂A和机械臂B的翻转状态数据,T和J均为大于零的整数;
S104:将第一晶圆停留坐标、第二晶圆停留坐标、第一晶圆的晶圆尺寸、第二晶圆的晶圆尺寸、机械臂A的翻转状态数据和机械臂B的翻转状态数据输入预构建的第二机器学习模型中,以获取第一晶圆和第二晶圆之间的最小晶圆间距;
S105:获取安全间距阈值,根据最小晶圆间距与安全间距阈值获取碰撞预警结果,并基于碰撞预警结果控制机械臂A或机械臂B启停;所述碰撞预警结果包括“发生碰撞”字样和“不发生碰撞”字样。
进一步地,所述晶圆轨迹数据包括晶圆移动起始位置和晶圆移动目标位置;所述机械臂轨迹数据包括移动方向和移动速度。
进一步地,根据晶圆序号确定移动信息,包括:
获取M条晶圆序号与移动信息的预设关系;所述移动信息中包括第一晶圆和第二晶圆的晶圆轨迹数据,以及机械臂A和机械臂B的机械臂轨迹数据;
依据晶圆序号,选出对应晶圆序号与移动信息的预设关系,根据对应晶圆序号与移动信息的预设关系,得到移动信息。
进一步地,所述第一晶圆的停留数据的获取逻辑如下:
提取T时刻下、第一晶圆的晶圆轨迹数据以及机械臂A的移动轨迹数据;
将时刻T、第一晶圆的晶圆轨迹数据以及机械臂A的移动轨迹数据输入预构建的第一机器学习模型中,得到第一晶圆的停留时间和停留坐标;
所述第二晶圆的停留数据的获取逻辑如下:
提取T时刻下、第二晶圆的晶圆轨迹数据以及机械臂B的移动轨迹数据;
将时刻T、第二晶圆的晶圆轨迹数据以及机械臂B的移动轨迹数据输入预构建的第一机器学习模型中,得到第二晶圆的停留时间和停留坐标。
进一步地,所述预构建的第一机器学习模型的生成逻辑如下:
获取晶圆停留历史数据,将晶圆停留历史数据划分为晶圆停留训练集和晶圆停留测试集;其中,晶圆停留历史数据包括晶圆停留特征数据及其对应的停留数据;所述晶圆停留特征数据包括时刻T、第一晶圆和/或第二晶圆的晶圆轨迹数据以及机械臂A和/或机械臂B的机械臂轨迹数据;
构建第一回归网络,将晶圆停留训练集中的晶圆停留特征数据作为第一回归网络的输入数据,将晶圆停留训练集中的停留数据作为第一回归网络的输出数据,对第一回归网络进行训练,得到初始第一回归网络;
利用晶圆停留测试集对初始第一回归网络进行模型验证,输出小于等于预设测试误差的初始第一回归网络作为预构建的第一机器学习模型。
进一步地,依据停留时间获取第一晶圆和第二晶圆之间的停留时差,包括:
将第一晶圆的停留时间标记为第一停留时间,以及将第二晶圆的停留时间标记为第二停留时间;
计算第一停留时间和第二停留时间之间的绝对差值,将第一停留时间和第二停留时间之间的绝对差值作为第一晶圆和第二晶圆之间的停留时差。
进一步地,判断第一晶圆的停留坐标和第二晶圆的停留坐标是否均属于同一翻转区域,包括:
获取K个翻转区域的坐标集合和区域序号,并将第一晶圆的停留坐标标记为第一停留坐标,以及将第二晶圆的停留坐标标记为第二停留坐标;
将每个翻转区域的坐标集合与第一停留坐标进行归属比较,以获取第一停留坐标所归属的翻转区域的区域序号;
将每个翻转区域的坐标集合与第二停留坐标进行归属比较,以获取第二停留坐标所归属的翻转区域的区域序号;
将第一停留坐标所归属的翻转区域的区域序号,与第二停留坐标所归属的翻转区域的区域序号进行比对,若区域序号相同,则判定第一晶圆的停留坐标和第二晶圆的停留坐标属于同一翻转区域;若区域序号不相同,则判定第一晶圆的停留坐标和第二晶圆的停留坐标不属于同一翻转区域。
进一步地,所述翻转状态数据包括翻转速度和机械臂高度;
所述预构建的第二机器学习模型的生成逻辑如下:
获取晶圆间距历史数据,将晶圆间距历史数据划分为晶圆间距训练集和晶圆间距测试集;其中,所述晶圆间距历史数据包括晶圆间距特征数据及其对应第一晶圆和第二晶圆之间的最小晶圆间距;所述晶圆间距特征数据包括第一晶圆停留坐标、第二晶圆停留坐标、第一晶圆的晶圆尺寸、第二晶圆的晶圆尺寸、机械臂A的翻转状态数据和机械臂B的翻转状态数据;
构建第二回归网络,将晶圆间距训练集中的晶圆间距特征数据作为第二回归网络的输入数据,将晶圆间距训练集中第一晶圆和第二晶圆之间的最小晶圆间距作为第二回归网络的输出数据,对第二回归网络进行训练,得到初始第二回归网络;
利用晶圆间距测试集对初始第二回归网络进行模型验证,输出小于等于预设测试误差的初始第二回归网络作为预构建的第二机器学习模型。
进一步地,根据最小晶圆间距与安全间距阈值获取碰撞预警结果,包括:
将最小晶圆间距与安全间距阈值进行比较;
若最小晶圆间距小于等于安全间距阈值,则生成“发生碰撞”字样,并将“发生碰撞”字样作为碰撞预警结果;
若最小晶圆间距大于安全间距阈值,则生成“不发生碰撞”字样,并将“不发生碰撞”字样作为碰撞预警结果。
基于晶圆传送的多机械臂碰撞预警系统,其用于实现上述任一所述基于晶圆传送的多机械臂碰撞预警方法,包括:
信息确定模块,用于在T时刻下,获取待传送晶圆的晶圆序号,根据晶圆序号确定移动信息,所述移动信息包括第一晶圆和第二晶圆的晶圆轨迹数据,以及机械臂A和机械臂B的机械臂轨迹数据;
数据获取模块,用于根据时刻T、晶圆轨迹数据、机械臂轨迹数据以及预构建的第一机器学习模型,分别获取第一晶圆和第二晶圆的停留数据,所述停留数据包括停留时间和停留坐标;
判断模块,用于依据停留时间获取第一晶圆和第二晶圆之间的停留时差,判断停留时差是否大于预设停留时差阈值,若大于,则令T=T+J,并触发信息确定模块;若小于等于,则判断第一晶圆的停留坐标和第二晶圆的停留坐标是否均属于同一翻转区域,若不是,则令T=T+J,并触发信息确定模块;若是,则获取第一晶圆和第二晶圆的晶圆尺寸,以及获取机械臂A和机械臂B的翻转状态数据,T和J均为大于零的整数;
间距确定模块,用于将第一晶圆停留坐标、第二晶圆停留坐标、第一晶圆的晶圆尺寸、第二晶圆的晶圆尺寸、机械臂A的翻转状态数据和机械臂B的翻转状态数据输入预构建的第二机器学习模型中,以获取第一晶圆和第二晶圆之间的最小晶圆间距;
碰撞预警及控制模块,用于获取安全间距阈值,根据最小晶圆间距与安全间距阈值获取碰撞预警结果,并基于碰撞预警结果控制机械臂A或机械臂B启停;所述碰撞预警结果包括“发生碰撞”字样和“不发生碰撞”字样。
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任意一项所述基于晶圆传送的多机械臂碰撞预警方法。
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,所述计算机程序被执行时实现上述任意一项所述基于晶圆传送的多机械臂碰撞预警方法。
相比于现有技术,本发明的有益效果在于:
本申请公开了基于晶圆传送的多机械臂碰撞预警方法及系统,包括:根据晶圆序号确定移动信息;根据时刻T、晶圆轨迹数据、机械臂轨迹数据以及预构建的第一机器学习模型,获取停留数据;获取停留时差,判断停留时差是否大于预设停留时差阈值,以及判断停留坐标是否均属于同一翻转区域;将第一晶圆停留坐标、第二晶圆停留坐标、第一晶圆的晶圆尺寸、第二晶圆的晶圆尺寸、机械臂A的翻转状态数据和机械臂B的翻转状态数据输入预构建的第二机器学习模型中,获取最小晶圆间距;根据最小晶圆间距与安全间距阈值获取碰撞预警结果,并基于碰撞预警结果控制机械臂A或机械臂B启停;基于上述过程,本发明适用于双臂机械手的碰撞规避场景,有利于通过预测每个机械臂上被传送晶圆的停留时间和停留坐标,为后续的晶圆碰撞判断提供条件和数据支撑;此外,通过提供预测性和精确化的碰撞预警,本发明能够依据碰撞预警结果进行自动化控制,从而有利于规避晶圆在传送中碰撞风险,进而能够保障半导体器件的性能和可靠性。
附图说明
图1为本发明提供的基于晶圆传送的多机械臂碰撞预警方法的流程图;
图2为本发明提供的基于晶圆传送的多机械臂碰撞预警系统的示意图;
图3为本发明提供的晶圆间距示意图;
图4为本发明提供的一种电子设备的结构示意图;
图5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1所示,本实施例公开提供了基于晶圆传送的多机械臂碰撞预警方法,所述方法应用于传送晶圆的双臂机械手,所述双臂机械手包括用于传送第一晶圆的机械臂A和用于传送第二晶圆的机械臂B,所述方法包括:
S101:在T时刻下,获取待传送晶圆的晶圆序号,根据晶圆序号确定移动信息,所述移动信息包括第一晶圆和第二晶圆的晶圆轨迹数据,以及机械臂A和机械臂B的机械臂轨迹数据;
应当事先了解的是:在密闭的晶圆传送环境中,通常在多个位置设置有相同或不同的加工区域(例如:在多个方位均设置有一个晶圆刻蚀区域;或在一个位置设置晶圆刻蚀区域,且在某一个位置设置有用于放置晶圆打磨区域),并且设置有一个放置晶圆盒的承载区域,在晶圆盒中存在多个晶圆夹层,每个晶圆夹层用于摆放加工好的或待加工的晶圆;当执行晶圆加工任务时,机械臂A和机械臂B就会将待传送晶圆从晶圆盒的晶圆夹层中取出并传送至对应加工区域,或者将加工好的待传送晶圆从对应加工区域传送回到晶圆盒内;然而,由于晶圆盒中存在多个晶圆夹层,这就是使得每个待传送晶圆的所处高度并不一致,进而使得机械臂需要实时调整高度以适应不同待传送晶圆所处的高度,进一步地,由于待传送晶圆的双面都需要进行加工,因此,将待传送晶圆从晶圆盒中取出后,需使其在翻转区域执行翻转,然而由于机械臂的高度会随时变化,这就使得在翻转区域进行翻转时,可能会使机械臂A上的待传送晶圆和机械臂B上的待传送晶圆,在翻转过程中会发生碰撞,进而使得晶圆之间产生磕碰,导致晶圆损坏或脱落;
还应当了解的是:在晶圆盒内多个晶圆夹层摆放的待传送晶圆,在规格和尺寸等参数上会存在相同和不同之处;然而,第一晶圆和第二晶圆的划分依据根据预设晶圆传送约束条件确定的;所述预设晶圆传送约束条件是指根据晶圆序号的先后将晶圆盒内所述待传送晶圆划分为第一晶圆或第二晶圆;
针对上述内容示例性说明就是:假设在晶圆盒内存在五块待传送晶圆,其序号分
为、、、和,根据预设晶圆传送约束条件,则将作为第一晶圆,而将作为
第二晶圆,当和完成传送过程时,则将和分别作为第一晶圆和第二晶圆,并执行
下一环节的传送过程,以此类推,直至将晶圆盒内的待传送晶圆分完;当晶圆盒内的晶圆数
量仅存在或仅剩余单数时,则将仅存在或仅剩余的待传送晶圆作为第一晶圆,例如:将
作为第一晶圆;
需要说明的是:待传送晶圆的晶圆序号通过事先对每个晶圆进行人为序号设定而得到,或通过预定义程序进行序号分配而得到;
具体的,所述晶圆轨迹数据包括晶圆移动起始位置和晶圆移动目标位置;进而可理解的是,第一晶圆的晶圆轨迹数据则包括第一晶圆的晶圆移动起始位置和晶圆移动目标位置;而第二晶圆的晶圆轨迹数据则包括第二晶圆的晶圆移动起始位置和晶圆移动目标位置;
具体的,所述机械臂轨迹数据包括移动方向和移动速度;进而可理解的是,机械臂A的机械臂轨迹数据则包括机械臂A的移动方向和移动速度;而机械臂B的机械臂轨迹数据则包括机械臂B的移动方向和移动速度;其中,所述移动方向具体为时钟方向,如:1点方向、12点方向和3点方向等;
在实施中,根据晶圆序号确定移动信息,包括:
获取M条晶圆序号与移动信息的预设关系;所述移动信息中包括第一晶圆和第二晶圆的晶圆轨迹数据,以及机械臂A和机械臂B的机械臂轨迹数据;
需要说明的是:在系统数据库中预先存储有多个晶圆序号,以及每个晶圆序号对应的移动信息,在每个移动信息中均包括有第一晶圆和第二晶圆的晶圆轨迹数据,以及机械臂A和机械臂B的机械臂轨迹数据;可以理解的是,每个晶圆序号均关联绑定有一个对应的移动信息,通过获悉晶圆序号,根据晶圆序号找到对应一条晶圆序号与移动信息的预设关系,即可得到该晶圆序号对应的第一晶圆和第二晶圆的晶圆轨迹数据,以及机械臂A和机械臂B的机械臂轨迹数据;
依据晶圆序号,选出对应晶圆序号与移动信息的预设关系,根据对应晶圆序号与移动信息的预设关系,得到移动信息;
结合上述示例再进行示例解释就是:承接上述假设,假设在晶圆盒内存在五块晶
圆,根据上述假设可知,晶圆序号为对应的待传送晶圆为第一晶圆,且第一晶圆对应的传
送机械臂为机械臂A;因此,根据对应晶圆序号与移动信息的预设关系,即可知道第一晶圆
的晶圆轨迹数据和机械臂A的机械臂轨迹数据;同理,晶圆序号为对应的待传送晶圆为
第二晶圆,且第二晶圆对应的传送机械臂为机械臂B;因此,根据对应晶圆序号与移动信息
的预设关系,即可知道第二晶圆的晶圆轨迹数据和机械臂B的机械臂轨迹数据;
S102:根据时刻T、晶圆轨迹数据、机械臂轨迹数据以及预构建的第一机器学习模型,分别获取第一晶圆和第二晶圆的停留数据,所述停留数据包括停留时间和停留坐标;
在实施中,所述第一晶圆的停留数据的获取逻辑如下:
提取T时刻下、第一晶圆的晶圆轨迹数据以及机械臂A的移动轨迹数据;
将时刻T、第一晶圆的晶圆轨迹数据以及机械臂A的移动轨迹数据输入预构建的第一机器学习模型中,得到第一晶圆的停留时间和停留坐标;
在实施中,所述第二晶圆的停留数据的获取逻辑如下:
提取T时刻下、第二晶圆的晶圆轨迹数据以及机械臂B的移动轨迹数据;
将时刻T、第二晶圆的晶圆轨迹数据以及机械臂B的移动轨迹数据输入预构建的第一机器学习模型中,得到第二晶圆的停留时间和停留坐标;
具体的,所述预构建的第一机器学习模型的生成逻辑如下:
获取晶圆停留历史数据,将晶圆停留历史数据划分为晶圆停留训练集和晶圆停留测试集;其中,晶圆停留历史数据包括晶圆停留特征数据及其对应的停留数据;所述晶圆停留特征数据包括时刻T、第一晶圆和/或第二晶圆的晶圆轨迹数据以及机械臂A和/或机械臂B的机械臂轨迹数据;
需要说明的是:晶圆停留历史数据中的晶圆停留特征数据和停留数据通过设置于机械臂上的各类传感器采集得到或通过提取程序设定中的数据得到,各类所述传感器包括但不限于超声波传感器、光电编码器、计时器和视觉传感器等;所述晶圆停留历史数据中的停留数据包括停留时间和停留坐标;其中,所述晶圆的停留坐标具体为停止状态下晶圆圆心的坐标;
构建第一回归网络,将晶圆停留训练集中的晶圆停留特征数据作为第一回归网络的输入数据,将晶圆停留训练集中的停留数据作为第一回归网络的输出数据,对第一回归网络进行训练,得到初始第一回归网络;
利用晶圆停留测试集对初始第一回归网络进行模型验证,输出小于等于预设测试误差的初始第一回归网络作为预构建的第一机器学习模型;
需要说明的是:所述第一回归网络具体为决策树回归、随机森林回归、多项式回归、SVM回归或神经网络模型等算法中的具体一种;
S103:依据停留时间获取第一晶圆和第二晶圆之间的停留时差,判断停留时差是否大于预设停留时差阈值,若大于,则令T=T+J,并返回步骤S101;若小于等于,则判断第一晶圆的停留坐标和第二晶圆的停留坐标是否均属于同一翻转区域,若不是,则令T=T+J,并返回步骤S101;若是,则获取第一晶圆和第二晶圆的晶圆尺寸,以及获取机械臂A和机械臂B的翻转状态数据,T和J均为大于零的整数;
在实施中,依据停留时间获取第一晶圆和第二晶圆之间的停留时差,包括:
将第一晶圆的停留时间标记为第一停留时间,以及将第二晶圆的停留时间标记为第二停留时间;
计算第一停留时间和第二停留时间之间的绝对差值,将第一停留时间和第二停留时间之间的绝对差值作为第一晶圆和第二晶圆之间的停留时差;
需要说明的是:判断停留时差是否大于预设停留时差阈值,通过将停留时差与预设停留时差阈值进行比较后获悉,若停留时差大于预设停留时差阈值,则说明第一晶圆和第二晶圆的翻转时间间隔较大,因此,可判定第一晶圆和第二晶圆不会存在碰撞,因此,令T=T+J后返回步骤S101,执行下一阶段的碰撞检测;而若停留时差小于等于预设停留时差阈值,则说明第一晶圆和第二晶圆的翻转时间间隔较小,第一晶圆和第二晶圆存在碰撞的可能性,因此,需要确定第一晶圆和第二晶圆之间的最小晶圆间距,以进一步判定第一晶圆和第二晶圆是否会产生实际的碰撞;
在实施中,判断第一晶圆的停留坐标和第二晶圆的停留坐标是否均属于同一翻转区域,包括:
获取K个翻转区域的坐标集合和区域序号,并将第一晶圆的停留坐标标记为第一停留坐标,以及将第二晶圆的停留坐标标记为第二停留坐标;
需要说明的是:在系统数据库中预先存储了K个翻转区域的坐标集合和区域序号,换言之,在系统数据库中存储了K个翻转区域的坐标集合,且每个翻转区域均对应一个事先设定的区域序号;
将每个翻转区域的坐标集合与第一停留坐标进行归属比较,以获取第一停留坐标所归属的翻转区域的区域序号;
将每个翻转区域的坐标集合与第二停留坐标进行归属比较,以获取第二停留坐标所归属的翻转区域的区域序号;
将第一停留坐标所归属的翻转区域的区域序号,与第二停留坐标所归属的翻转区域的区域序号进行比对,若区域序号相同,则判定第一晶圆的停留坐标和第二晶圆的停留坐标属于同一翻转区域;若区域序号不相同,则判定第一晶圆的停留坐标和第二晶圆的停留坐标不属于同一翻转区域;
针对上述内容进行示例性说明就是:假设存在二个翻转区域,二个翻转区域的序号分为Z1和Z2,其中,Z1的坐标集合包括{(1,2,3),(1,2,4),(1,2,5)},Z2的坐标集合包括{(4,5,6),(4,5,7),(4,5,8)},若第一晶圆的停留坐标为(1,2,3),而第二晶圆的停留坐标为(1,2,4),则判定第一晶圆的停留坐标和第二晶圆的停留坐标属于同一翻转区域;若第一晶圆的停留坐标为(1,2,3),而第二晶圆的停留坐标为(4,5,6),则判定第一晶圆的停留坐标和第二晶圆的停留坐标不属于同一翻转区域;
具体的,所述翻转状态数据包括翻转速度和机械臂高度;进而可理解的是,机械臂A的翻转状态数据则包括机械臂A的翻转速度和机械臂高度;而机械臂B的翻转状态数据则包括机械臂B的翻转速度和机械臂高度;其中,翻转速度是指机械臂A或机械臂B内部执行翻转功能的转轴的旋转速度;
S104:将第一晶圆停留坐标、第二晶圆停留坐标、第一晶圆的晶圆尺寸、第二晶圆的晶圆尺寸、机械臂A的翻转状态数据和机械臂B的翻转状态数据输入预构建的第二机器学习模型中,以获取第一晶圆和第二晶圆之间的最小晶圆间距;
具体的,所述预构建的第二机器学习模型的生成逻辑如下:
获取晶圆间距历史数据,将晶圆间距历史数据划分为晶圆间距训练集和晶圆间距测试集;其中,所述晶圆间距历史数据包括晶圆间距特征数据及其对应第一晶圆和第二晶圆之间的最小晶圆间距;所述晶圆间距特征数据包括第一晶圆停留坐标、第二晶圆停留坐标、第一晶圆的晶圆尺寸、第二晶圆的晶圆尺寸、机械臂A的翻转状态数据和机械臂B的翻转状态数据;
需要说明的是:所述晶圆间距历史数据中的晶圆间距特征数据和最小晶圆间距通过各类传感器采集或人为记录得到,各类所述传感器包括但不限于激光测距仪、计时器和速度传感器等等;其中,所述晶圆间距历史数据中第一晶圆和第二晶圆之间的最小晶圆间距是指第一晶圆到第二晶圆的最短距离;
示例性说明就是:如图3(晶圆间距示意图)所示,R1表示第一晶圆,R2表示第二晶圆,在R1上存在若干个点,分别有d1、d2、d3、…;而在R2上也存在若干个点,分别有b1、b2、b3、…;通过两点距离公式可计算得到R1上任意一点与R2上任意一点的距离,将R1上任意一点与R2上任意一点的距离作为第一晶圆和第二晶圆之间的晶圆间距,则得到多个第一晶圆和第二晶圆之间的晶圆间距,按数值从小到大,对多个第一晶圆和第二晶圆之间的晶圆间距,将位于排序第一的第一晶圆和第二晶圆之间的晶圆间距作为第一晶圆和第二晶圆之间的最小晶圆间距;因而,通过图3可知,d2和b2的距离最短,因此,将d2和b2的距离作为第一晶圆和第二晶圆之间的最小晶圆间距;
构建第二回归网络,将晶圆间距训练集中的晶圆间距特征数据作为第二回归网络的输入数据,将晶圆间距训练集中第一晶圆和第二晶圆之间的最小晶圆间距作为第二回归网络的输出数据,对第二回归网络进行训练,得到初始第二回归网络;
利用晶圆间距测试集对初始第二回归网络进行模型验证,输出小于等于预设测试误差的初始第二回归网络作为预构建的第二机器学习模型;
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、随机森林回归、多项式回归、SVM回归或神经网络模型等算法中的具体一种;
S105:获取安全间距阈值,根据最小晶圆间距与安全间距阈值获取碰撞预警结果,并基于碰撞预警结果控制机械臂A或机械臂B启停;所述碰撞预警结果包括“发生碰撞”字样和“不发生碰撞”字样;
在实施中,根据最小晶圆间距与安全间距阈值获取碰撞预警结果,包括:
将最小晶圆间距与安全间距阈值进行比较;
若最小晶圆间距小于等于安全间距阈值,则生成“发生碰撞”字样,并将“发生碰撞”字样作为碰撞预警结果;
若最小晶圆间距大于安全间距阈值,则生成“不发生碰撞”字样,并将“不发生碰撞”字样作为碰撞预警结果;
应当明白的是:生成“发生碰撞”字样,则表示第一晶圆和第二晶圆传送翻转过程中会发生碰撞,而生成“不发生碰撞”字样,则表示第一晶圆和第二晶圆传送翻转过程中不会发生碰撞;
在一个具体实施方式中,基于碰撞预警结果控制机械臂A或机械臂B启停,包括:
获取“发生碰撞”字样的碰撞预警结果;
根据“发生碰撞”字样的碰撞预警结果控制机械臂A停止对第一晶圆进行翻转;
在另一个具体实施方式中,基于碰撞预警结果控制机械臂A或机械臂B启停,还包括:
获取“发生碰撞”字样的碰撞预警结果;
根据“发生碰撞”字样的碰撞预警结果控制机械臂B停止对第二晶圆进行翻转;
通过控制机械臂A停止对第一晶圆进行翻转,或通过控制机械臂B停止对第二晶圆进行翻转,本发明有利于避免晶圆在传送中发生碰撞,进而有利于保证晶圆的可靠性。
实施例2
请参阅图2所示,本实施例公开提供了基于晶圆传送的多机械臂碰撞预警系统,包括:
信息确定模块210,用于在T时刻下,获取待传送晶圆的晶圆序号,根据晶圆序号确定移动信息,所述移动信息包括第一晶圆和第二晶圆的晶圆轨迹数据,以及机械臂A和机械臂B的机械臂轨迹数据;
应当事先了解的是:在密闭的晶圆传送环境中,通常在多个位置设置有相同或不同的加工区域(例如:在多个方位均设置有一个晶圆刻蚀区域;或在一个位置设置晶圆刻蚀区域,且在某一个位置设置有用于放置晶圆打磨区域),并且设置有一个放置晶圆盒的承载区域,在晶圆盒中存在多个晶圆夹层,每个晶圆夹层用于摆放加工好的或待加工的晶圆;当执行晶圆加工任务时,机械臂A和机械臂B就会将待传送晶圆从晶圆盒的晶圆夹层中取出并传送至对应加工区域,或者将加工好的待传送晶圆从对应加工区域传送回到晶圆盒内;然而,由于晶圆盒中存在多个晶圆夹层,这就是使得每个待传送晶圆的所处高度并不一致,进而使得机械臂需要实时调整高度以适应不同待传送晶圆所处的高度,进一步地,由于待传送晶圆的双面都需要进行加工,因此,将待传送晶圆从晶圆盒中取出后,需使其在翻转区域执行翻转,然而由于机械臂的高度会随时变化,这就使得在翻转区域进行翻转时,可能会使机械臂A上的待传送晶圆和机械臂B上的待传送晶圆,在翻转过程中会发生碰撞,进而使得晶圆之间产生磕碰,导致晶圆损坏或脱落;
还应当了解的是:在晶圆盒内多个晶圆夹层摆放的待传送晶圆,在规格和尺寸等参数上会存在相同和不同之处;然而,第一晶圆和第二晶圆的划分依据根据预设晶圆传送约束条件确定的;所述预设晶圆传送约束条件是指根据晶圆序号的先后将晶圆盒内所述待传送晶圆划分为第一晶圆或第二晶圆;
针对上述内容示例性说明就是:假设在晶圆盒内存在五块待传送晶圆,其序号分
为、、、和,根据预设晶圆传送约束条件,则将作为第一晶圆,而将作为
第二晶圆,当和完成传送过程时,则将和分别作为第一晶圆和第二晶圆,并执行
下一环节的传送过程,以此类推,直至将晶圆盒内的待传送晶圆分完;当晶圆盒内的晶圆数
量仅存在或仅剩余单数时,则将仅存在或仅剩余的待传送晶圆作为第一晶圆,例如:将
作为第一晶圆;
需要说明的是:待传送晶圆的晶圆序号通过事先对每个晶圆进行人为序号设定而得到,或通过预定义程序进行序号分配而得到;
具体的,所述晶圆轨迹数据包括晶圆移动起始位置和晶圆移动目标位置;进而可理解的是,第一晶圆的晶圆轨迹数据则包括第一晶圆的晶圆移动起始位置和晶圆移动目标位置;而第二晶圆的晶圆轨迹数据则包括第二晶圆的晶圆移动起始位置和晶圆移动目标位置;
具体的,所述机械臂轨迹数据包括移动方向和移动速度;进而可理解的是,机械臂A的机械臂轨迹数据则包括机械臂A的移动方向和移动速度;而机械臂B的机械臂轨迹数据则包括机械臂B的移动方向和移动速度;其中,所述移动方向具体为时钟方向,如:1点方向、12点方向和3点方向等;
在实施中,根据晶圆序号确定移动信息,包括:
获取M条晶圆序号与移动信息的预设关系;所述移动信息中包括第一晶圆和第二晶圆的晶圆轨迹数据,以及机械臂A和机械臂B的机械臂轨迹数据;
需要说明的是:在系统数据库中预先存储有多个晶圆序号,以及每个晶圆序号对应的移动信息,在每个移动信息中均包括有第一晶圆和第二晶圆的晶圆轨迹数据,以及机械臂A和机械臂B的机械臂轨迹数据;可以理解的是,每个晶圆序号均关联绑定有一个对应的移动信息,通过获悉晶圆序号,根据晶圆序号找到对应一条晶圆序号与移动信息的预设关系,即可得到该晶圆序号对应的第一晶圆和第二晶圆的晶圆轨迹数据,以及机械臂A和机械臂B的机械臂轨迹数据;
依据晶圆序号,选出对应晶圆序号与移动信息的预设关系,根据对应晶圆序号与移动信息的预设关系,得到移动信息;
结合上述示例再进行示例解释就是:承接上述假设,假设在晶圆盒内存在五块晶
圆,根据上述假设可知,晶圆序号为对应的待传送晶圆为第一晶圆,且第一晶圆对应的传
送机械臂为机械臂A;因此,根据对应晶圆序号与移动信息的预设关系,即可知道第一晶圆
的晶圆轨迹数据和机械臂A的机械臂轨迹数据;同理,晶圆序号为对应的待传送晶圆为
第二晶圆,且第二晶圆对应的传送机械臂为机械臂B;因此,根据对应晶圆序号与移动信息
的预设关系,即可知道第二晶圆的晶圆轨迹数据和机械臂B的机械臂轨迹数据;
数据获取模块220,用于根据时刻T、晶圆轨迹数据、机械臂轨迹数据以及预构建的第一机器学习模型,分别获取第一晶圆和第二晶圆的停留数据,所述停留数据包括停留时间和停留坐标;
在实施中,所述第一晶圆的停留数据的获取逻辑如下:
提取T时刻下、第一晶圆的晶圆轨迹数据以及机械臂A的移动轨迹数据;
将时刻T、第一晶圆的晶圆轨迹数据以及机械臂A的移动轨迹数据输入预构建的第一机器学习模型中,得到第一晶圆的停留时间和停留坐标;
在实施中,所述第二晶圆的停留数据的获取逻辑如下:
提取T时刻下、第二晶圆的晶圆轨迹数据以及机械臂B的移动轨迹数据;
将时刻T、第二晶圆的晶圆轨迹数据以及机械臂B的移动轨迹数据输入预构建的第一机器学习模型中,得到第二晶圆的停留时间和停留坐标;
具体的,所述预构建的第一机器学习模型的生成逻辑如下:
获取晶圆停留历史数据,将晶圆停留历史数据划分为晶圆停留训练集和晶圆停留测试集;其中,晶圆停留历史数据包括晶圆停留特征数据及其对应的停留数据;所述晶圆停留特征数据包括时刻T、第一晶圆和/或第二晶圆的晶圆轨迹数据以及机械臂A和/或机械臂B的机械臂轨迹数据;
需要说明的是:晶圆停留历史数据中的晶圆停留特征数据和停留数据通过设置于机械臂上的各类传感器采集得到或通过提取程序设定中的数据得到,各类所述传感器包括但不限于超声波传感器、光电编码器、计时器和视觉传感器等;所述晶圆停留历史数据中的停留数据包括停留时间和停留坐标;其中,所述晶圆的停留坐标具体为停止状态下晶圆圆心的坐标;
构建第一回归网络,将晶圆停留训练集中的晶圆停留特征数据作为第一回归网络的输入数据,将晶圆停留训练集中的停留数据作为第一回归网络的输出数据,对第一回归网络进行训练,得到初始第一回归网络;
利用晶圆停留测试集对初始第一回归网络进行模型验证,输出小于等于预设测试误差的初始第一回归网络作为预构建的第一机器学习模型;
需要说明的是:所述第一回归网络具体为决策树回归、随机森林回归、多项式回归、SVM回归或神经网络模型等算法中的具体一种;
判断模块230,用于依据停留时间获取第一晶圆和第二晶圆之间的停留时差,判断停留时差是否大于预设停留时差阈值,若大于,则令T=T+J,并触发信息确定模块210;若小于等于,则判断第一晶圆的停留坐标和第二晶圆的停留坐标是否均属于同一翻转区域,若不是,则令T=T+J,并触发信息确定模块210;若是,则获取第一晶圆和第二晶圆的晶圆尺寸,以及获取机械臂A和机械臂B的翻转状态数据,T和J均为大于零的整数;
在实施中,依据停留时间获取第一晶圆和第二晶圆之间的停留时差,包括:
将第一晶圆的停留时间标记为第一停留时间,以及将第二晶圆的停留时间标记为第二停留时间;
计算第一停留时间和第二停留时间之间的绝对差值,将第一停留时间和第二停留时间之间的绝对差值作为第一晶圆和第二晶圆之间的停留时差;
需要说明的是:判断停留时差是否大于预设停留时差阈值,通过将停留时差与预设停留时差阈值进行比较后获悉,若停留时差大于预设停留时差阈值,则说明第一晶圆和第二晶圆的翻转时间间隔较大,因此,可判定第一晶圆和第二晶圆不会存在碰撞,因此,令T=T+J后触发信息确定模块210,执行下一阶段的碰撞检测;而若停留时差小于等于预设停留时差阈值,则说明第一晶圆和第二晶圆的翻转时间间隔较小,第一晶圆和第二晶圆存在碰撞的可能性,因此,需要确定第一晶圆和第二晶圆之间的最小晶圆间距,以进一步判定第一晶圆和第二晶圆是否会产生实际的碰撞;
在实施中,判断第一晶圆的停留坐标和第二晶圆的停留坐标是否均属于同一翻转区域,包括:
获取K个翻转区域的坐标集合和区域序号,并将第一晶圆的停留坐标标记为第一停留坐标,以及将第二晶圆的停留坐标标记为第二停留坐标;
需要说明的是:在系统数据库中预先存储了K个翻转区域的坐标集合和区域序号,换言之,在系统数据库中存储了K个翻转区域的坐标集合,且每个翻转区域均对应一个事先设定的区域序号;
将每个翻转区域的坐标集合与第一停留坐标进行归属比较,以获取第一停留坐标所归属的翻转区域的区域序号;
将每个翻转区域的坐标集合与第二停留坐标进行归属比较,以获取第二停留坐标所归属的翻转区域的区域序号;
将第一停留坐标所归属的翻转区域的区域序号,与第二停留坐标所归属的翻转区域的区域序号进行比对,若区域序号相同,则判定第一晶圆的停留坐标和第二晶圆的停留坐标属于同一翻转区域;若区域序号不相同,则判定第一晶圆的停留坐标和第二晶圆的停留坐标不属于同一翻转区域;
针对上述内容进行示例性说明就是:假设存在二个翻转区域,二个翻转区域的序号分为Z1和Z2,其中,Z1的坐标集合包括{(1,2,3),(1,2,4),(1,2,5)},Z2的坐标集合包括{(4,5,6),(4,5,7),(4,5,8)},若第一晶圆的停留坐标为(1,2,3),而第二晶圆的停留坐标为(1,2,4),则判定第一晶圆的停留坐标和第二晶圆的停留坐标属于同一翻转区域;若第一晶圆的停留坐标为(1,2,3),而第二晶圆的停留坐标为(4,5,6),则判定第一晶圆的停留坐标和第二晶圆的停留坐标不属于同一翻转区域;
具体的,所述翻转状态数据包括翻转速度和机械臂高度;进而可理解的是,机械臂A的翻转状态数据则包括机械臂A的翻转速度和机械臂高度;而机械臂B的翻转状态数据则包括机械臂B的翻转速度和机械臂高度;其中,翻转速度是指机械臂A或机械臂B内部执行翻转功能的转轴的旋转速度;
间距确定模块240,用于将第一晶圆停留坐标、第二晶圆停留坐标、第一晶圆的晶圆尺寸、第二晶圆的晶圆尺寸、机械臂A的翻转状态数据和机械臂B的翻转状态数据输入预构建的第二机器学习模型中,以获取第一晶圆和第二晶圆之间的最小晶圆间距;
具体的,所述预构建的第二机器学习模型的生成逻辑如下:
获取晶圆间距历史数据,将晶圆间距历史数据划分为晶圆间距训练集和晶圆间距测试集;其中,所述晶圆间距历史数据包括晶圆间距特征数据及其对应第一晶圆和第二晶圆之间的最小晶圆间距;所述晶圆间距特征数据包括第一晶圆停留坐标、第二晶圆停留坐标、第一晶圆的晶圆尺寸、第二晶圆的晶圆尺寸、机械臂A的翻转状态数据和机械臂B的翻转状态数据;
需要说明的是:所述晶圆间距历史数据中的晶圆间距特征数据和最小晶圆间距通过各类传感器采集或人为记录得到,各类所述传感器包括但不限于激光测距仪、计时器和速度传感器等;其中,所述晶圆间距历史数据中第一晶圆和第二晶圆之间的最小晶圆间距是指第一晶圆到第二晶圆的最短距离;
示例性说明就是:如图3(晶圆间距示意图)所示,R1表示第一晶圆,R2表示第二晶圆,在R1上存在若干个点,分别有d1、d2、d3、…;而在R2上也存在若干个点,分别有b1、b2、b3、…;通过两点距离公式可计算得到R1上任意一点与R2上任意一点的距离,将R1上任意一点与R2上任意一点的距离作为第一晶圆和第二晶圆之间的晶圆间距,则得到多个第一晶圆和第二晶圆之间的晶圆间距,按数值从小到大,对多个第一晶圆和第二晶圆之间的晶圆间距,将位于排序第一的第一晶圆和第二晶圆之间的晶圆间距作为第一晶圆和第二晶圆之间的最小晶圆间距;因而,通过图3可知,d2和b2的距离最短,因此,将d2和b2的距离作为第一晶圆和第二晶圆之间的最小晶圆间距;
构建第二回归网络,将晶圆间距训练集中的晶圆间距特征数据作为第二回归网络的输入数据,将晶圆间距训练集中第一晶圆和第二晶圆之间的最小晶圆间距作为第二回归网络的输出数据,对第二回归网络进行训练,得到初始第二回归网络;
利用晶圆间距测试集对初始第二回归网络进行模型验证,输出小于等于预设测试误差的初始第二回归网络作为预构建的第二机器学习模型;
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、随机森林回归、多项式回归、SVM回归或神经网络模型等算法中的具体一种;
碰撞预警及控制模块250,用于获取安全间距阈值,根据最小晶圆间距与安全间距阈值获取碰撞预警结果,并基于碰撞预警结果控制机械臂A或机械臂B启停;所述碰撞预警结果包括“发生碰撞”字样和“不发生碰撞”字样;
在实施中,根据最小晶圆间距与安全间距阈值获取碰撞预警结果,包括:
将最小晶圆间距与安全间距阈值进行比较;
若最小晶圆间距小于等于安全间距阈值,则生成“发生碰撞”字样,并将“发生碰撞”字样作为碰撞预警结果;
若最小晶圆间距大于安全间距阈值,则生成“不发生碰撞”字样,并将“不发生碰撞”字样作为碰撞预警结果;
应当明白的是:生成“发生碰撞”字样,则表示第一晶圆和第二晶圆传送翻转过程中会发生碰撞,而生成“不发生碰撞”字样,则表示第一晶圆和第二晶圆传送翻转过程中不会发生碰撞;
在一个具体实施方式中,基于碰撞预警结果控制机械臂A或机械臂B启停,包括:
获取“发生碰撞”字样的碰撞预警结果;
根据“发生碰撞”字样的碰撞预警结果控制机械臂A停止对第一晶圆进行翻转;
在另一个具体实施方式中,基于碰撞预警结果控制机械臂A或机械臂B启停,还包括:
获取“发生碰撞”字样的碰撞预警结果;
根据“发生碰撞”字样的碰撞预警结果控制机械臂B停止对第二晶圆进行翻转;
通过控制机械臂A停止对第一晶圆进行翻转,或通过控制机械臂B停止对第二晶圆进行翻转,本发明有利于避免晶圆在传送中发生碰撞,进而有利于保证晶圆的可靠性。
实施例3
请参阅图4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意项所述基于晶圆传送的多机械臂碰撞预警方法。
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晶圆传送的多机械臂碰撞预警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晶圆传送的多机械臂碰撞预警方法,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晶圆传送的多机械臂碰撞预警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5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任意一项所述基于晶圆传送的多机械臂碰撞预警方法。
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 (6)
1.基于晶圆传送的多机械臂碰撞预警方法,所述方法应用于传送晶圆的双臂机械手,所述双臂机械手包括用于传送第一晶圆的机械臂A和用于传送第二晶圆的机械臂B,其特征在于,所述方法包括:
S101:在T时刻下,获取待传送晶圆的晶圆序号,根据晶圆序号确定移动信息,所述移动信息包括第一晶圆和第二晶圆的晶圆轨迹数据,以及机械臂A和机械臂B的机械臂轨迹数据;
根据晶圆序号确定移动信息,包括:
获取M条晶圆序号与移动信息的预设关系;所述移动信息中包括第一晶圆和第二晶圆的晶圆轨迹数据,以及机械臂A和机械臂B的机械臂轨迹数据;
依据晶圆序号,选出对应晶圆序号与移动信息的预设关系,根据对应晶圆序号与移动信息的预设关系,得到移动信息;
S102:根据时刻T、晶圆轨迹数据、机械臂轨迹数据以及预构建的第一机器学习模型,分别获取第一晶圆和第二晶圆的停留数据,所述停留数据包括停留时间和停留坐标;
所述第一晶圆的停留数据的获取逻辑如下:
提取T时刻下、第一晶圆的晶圆轨迹数据以及机械臂A的移动轨迹数据;
将时刻T、第一晶圆的晶圆轨迹数据以及机械臂A的移动轨迹数据输入预构建的第一机器学习模型中,得到第一晶圆的停留时间和停留坐标;
所述第二晶圆的停留数据的获取逻辑如下:
提取T时刻下、第二晶圆的晶圆轨迹数据以及机械臂B的移动轨迹数据;
将时刻T、第二晶圆的晶圆轨迹数据以及机械臂B的移动轨迹数据输入预构建的第一机器学习模型中,得到第二晶圆的停留时间和停留坐标;
所述预构建的第一机器学习模型的生成逻辑如下:
获取晶圆停留历史数据,将晶圆停留历史数据划分为晶圆停留训练集和晶圆停留测试集;其中,晶圆停留历史数据包括晶圆停留特征数据及其对应的停留数据;所述晶圆停留特征数据包括时刻T、第一晶圆和/或第二晶圆的晶圆轨迹数据以及机械臂A和/或机械臂B的机械臂轨迹数据;
构建第一回归网络,将晶圆停留训练集中的晶圆停留特征数据作为第一回归网络的输入数据,将晶圆停留训练集中的停留数据作为第一回归网络的输出数据,对第一回归网络进行训练,得到初始第一回归网络;
利用晶圆停留测试集对初始第一回归网络进行模型验证,输出小于等于预设测试误差的初始第一回归网络作为预构建的第一机器学习模型;
S103:依据停留时间获取第一晶圆和第二晶圆之间的停留时差,判断停留时差是否大于预设停留时差阈值,若大于,则令T=T+J,并返回步骤S101;若小于等于,则判断第一晶圆的停留坐标和第二晶圆的停留坐标是否均属于同一翻转区域,若不是,则令T=T+J,并返回步骤S101;若是,则获取第一晶圆和第二晶圆的晶圆尺寸,以及获取机械臂A和机械臂B的翻转状态数据,T和J均为大于零的整数;
依据停留时间获取第一晶圆和第二晶圆之间的停留时差,包括:
将第一晶圆的停留时间标记为第一停留时间,以及将第二晶圆的停留时间标记为第二停留时间;
计算第一停留时间和第二停留时间之间的绝对差值,将第一停留时间和第二停留时间之间的绝对差值作为第一晶圆和第二晶圆之间的停留时差;
判断第一晶圆的停留坐标和第二晶圆的停留坐标是否均属于同一翻转区域,包括:
获取K个翻转区域的坐标集合和区域序号,并将第一晶圆的停留坐标标记为第一停留坐标,以及将第二晶圆的停留坐标标记为第二停留坐标;
将每个翻转区域的坐标集合与第一停留坐标进行归属比较,以获取第一停留坐标所归属的翻转区域的区域序号;
将每个翻转区域的坐标集合与第二停留坐标进行归属比较,以获取第二停留坐标所归属的翻转区域的区域序号;
将第一停留坐标所归属的翻转区域的区域序号,与第二停留坐标所归属的翻转区域的区域序号进行比对,若区域序号相同,则判定第一晶圆的停留坐标和第二晶圆的停留坐标属于同一翻转区域;若区域序号不相同,则判定第一晶圆的停留坐标和第二晶圆的停留坐标不属于同一翻转区域;
S104:将第一晶圆停留坐标、第二晶圆停留坐标、第一晶圆的晶圆尺寸、第二晶圆的晶圆尺寸、机械臂A的翻转状态数据和机械臂B的翻转状态数据输入预构建的第二机器学习模型中,以获取第一晶圆和第二晶圆之间的最小晶圆间距;
所述翻转状态数据包括翻转速度和机械臂高度;
所述预构建的第二机器学习模型的生成逻辑如下:
获取晶圆间距历史数据,将晶圆间距历史数据划分为晶圆间距训练集和晶圆间距测试集;其中,所述晶圆间距历史数据包括晶圆间距特征数据及其对应第一晶圆和第二晶圆之间的最小晶圆间距;所述晶圆间距特征数据包括第一晶圆停留坐标、第二晶圆停留坐标、第一晶圆的晶圆尺寸、第二晶圆的晶圆尺寸、机械臂A的翻转状态数据和机械臂B的翻转状态数据;
构建第二回归网络,将晶圆间距训练集中的晶圆间距特征数据作为第二回归网络的输入数据,将晶圆间距训练集中第一晶圆和第二晶圆之间的最小晶圆间距作为第二回归网络的输出数据,对第二回归网络进行训练,得到初始第二回归网络;
利用晶圆间距测试集对初始第二回归网络进行模型验证,输出小于等于预设测试误差的初始第二回归网络作为预构建的第二机器学习模型;
S105:获取安全间距阈值,根据最小晶圆间距与安全间距阈值获取碰撞预警结果,并基于碰撞预警结果控制机械臂A或机械臂B启停;所述碰撞预警结果包括“发生碰撞”字样和“不发生碰撞”字样。
2.根据权利要求1所述的基于晶圆传送的多机械臂碰撞预警方法,其特征在于,所述晶圆轨迹数据包括晶圆移动起始位置和晶圆移动目标位置;所述机械臂轨迹数据包括移动方向和移动速度。
3.根据权利要求2所述的基于晶圆传送的多机械臂碰撞预警方法,其特征在于,根据最小晶圆间距与安全间距阈值获取碰撞预警结果,包括:
将最小晶圆间距与安全间距阈值进行比较;
若最小晶圆间距小于等于安全间距阈值,则生成“发生碰撞”字样,并将“发生碰撞”字样作为碰撞预警结果;
若最小晶圆间距大于安全间距阈值,则生成“不发生碰撞”字样,并将“不发生碰撞”字样作为碰撞预警结果。
4.基于晶圆传送的多机械臂碰撞预警系统,其用于实现权利要求1-3任一所述基于晶圆传送的多机械臂碰撞预警方法,其特征在于,包括:
信息确定模块,用于在T时刻下,获取待传送晶圆的晶圆序号,根据晶圆序号确定移动信息,所述移动信息包括第一晶圆和第二晶圆的晶圆轨迹数据,以及机械臂A和机械臂B的机械臂轨迹数据;
数据获取模块,用于根据时刻T、晶圆轨迹数据、机械臂轨迹数据以及预构建的第一机器学习模型,分别获取第一晶圆和第二晶圆的停留数据,所述停留数据包括停留时间和停留坐标;
判断模块,用于依据停留时间获取第一晶圆和第二晶圆之间的停留时差,判断停留时差是否大于预设停留时差阈值,若大于,则令T=T+J,并触发信息确定模块;若小于等于,则判断第一晶圆的停留坐标和第二晶圆的停留坐标是否均属于同一翻转区域,若不是,则令T=T+J,并触发信息确定模块;若是,则获取第一晶圆和第二晶圆的晶圆尺寸,以及获取机械臂A和机械臂B的翻转状态数据,T和J均为大于零的整数;
间距确定模块,用于将第一晶圆停留坐标、第二晶圆停留坐标、第一晶圆的晶圆尺寸、第二晶圆的晶圆尺寸、机械臂A的翻转状态数据和机械臂B的翻转状态数据输入预构建的第二机器学习模型中,以获取第一晶圆和第二晶圆之间的最小晶圆间距;
碰撞预警及控制模块,用于获取安全间距阈值,根据最小晶圆间距与安全间距阈值获取碰撞预警结果,并基于碰撞预警结果控制机械臂A或机械臂B启停;所述碰撞预警结果包括“发生碰撞”字样和“不发生碰撞”字样。
5.一种电子设备,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,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至3任一项所述基于晶圆传送的多机械臂碰撞预警方法。
6.一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,所述计算机程序被执行时实现权利要求1至3任一项所述基于晶圆传送的多机械臂碰撞预警方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410156843.4A CN117681214B (zh) | 2024-02-04 | 2024-02-04 | 基于晶圆传送的多机械臂碰撞预警方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410156843.4A CN117681214B (zh) | 2024-02-04 | 2024-02-04 | 基于晶圆传送的多机械臂碰撞预警方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117681214A CN117681214A (zh) | 2024-03-12 |
CN117681214B true CN117681214B (zh) | 2024-04-12 |
Family
ID=90130535
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410156843.4A Active CN117681214B (zh) | 2024-02-04 | 2024-02-04 | 基于晶圆传送的多机械臂碰撞预警方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117681214B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1461693A (zh) * | 2002-05-30 | 2003-12-17 | 库卡-罗伯特有限公司 | 用于避免在协作机器人之间的碰撞的方法和控制装置 |
CN101142656A (zh) * | 2004-12-22 | 2008-03-12 | 应用材料公司 | 用于处理衬底的组合工具架构 |
CN105188590A (zh) * | 2012-12-10 | 2015-12-23 | 直观外科手术操作公司 | 图像采集装置和可操纵装置活动臂受控运动过程中的碰撞避免 |
CN107073708A (zh) * | 2014-05-21 | 2017-08-18 | 波特与多利有限责任公司 | 用于时基并行机器人操作的系统和方法 |
CN109262652A (zh) * | 2018-09-06 | 2019-01-25 | 上海大学 | 一种用于多杆件多关节机构的干涉检测预警方法 |
CN111687829A (zh) * | 2019-03-14 | 2020-09-22 | 苏州创势智能科技有限公司 | 基于深度视觉的防碰撞控制方法、装置、介质、及终端 |
CN113829345A (zh) * | 2021-09-24 | 2021-12-24 | 清华大学 | 双机械臂排爆操作控制方法、装置、电子设备及存储介质 |
CN115734765A (zh) * | 2020-06-30 | 2023-03-03 | 奥瑞斯健康公司 | 具有碰撞接近度指示器的机器人医疗系统 |
CN117080139A (zh) * | 2023-10-12 | 2023-11-17 | 泓浒(苏州)半导体科技有限公司 | 基于真空吸附技术的晶圆传送控制方法及传送控制系统 |
-
2024
- 2024-02-04 CN CN202410156843.4A patent/CN117681214B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1461693A (zh) * | 2002-05-30 | 2003-12-17 | 库卡-罗伯特有限公司 | 用于避免在协作机器人之间的碰撞的方法和控制装置 |
CN101142656A (zh) * | 2004-12-22 | 2008-03-12 | 应用材料公司 | 用于处理衬底的组合工具架构 |
CN105188590A (zh) * | 2012-12-10 | 2015-12-23 | 直观外科手术操作公司 | 图像采集装置和可操纵装置活动臂受控运动过程中的碰撞避免 |
CN107073708A (zh) * | 2014-05-21 | 2017-08-18 | 波特与多利有限责任公司 | 用于时基并行机器人操作的系统和方法 |
CN109262652A (zh) * | 2018-09-06 | 2019-01-25 | 上海大学 | 一种用于多杆件多关节机构的干涉检测预警方法 |
CN111687829A (zh) * | 2019-03-14 | 2020-09-22 | 苏州创势智能科技有限公司 | 基于深度视觉的防碰撞控制方法、装置、介质、及终端 |
CN115734765A (zh) * | 2020-06-30 | 2023-03-03 | 奥瑞斯健康公司 | 具有碰撞接近度指示器的机器人医疗系统 |
CN113829345A (zh) * | 2021-09-24 | 2021-12-24 | 清华大学 | 双机械臂排爆操作控制方法、装置、电子设备及存储介质 |
CN117080139A (zh) * | 2023-10-12 | 2023-11-17 | 泓浒(苏州)半导体科技有限公司 | 基于真空吸附技术的晶圆传送控制方法及传送控制系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117681214A (zh) | 2024-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10350752B2 (en) | Robot system, measurement data processing device and measurement data processing method for picking out workpiece using measurement data corrected by means of machine learning | |
US20170285584A1 (en) | Machine learning device that performs learning using simulation result, machine system, manufacturing system, and machine learning method | |
Sayour et al. | Autonomous robotic manipulation: real‐time, deep‐learning approach for grasping of unknown objects | |
US10906184B2 (en) | Method and control system for verifying and updating camera calibration for robot control | |
CN104889973A (zh) | 机械手、机械手系统、控制装置以及控制方法 | |
JP6487495B2 (ja) | ワーク取出しシステム | |
CN110221581B (zh) | 工业控制网络监测装置和方法 | |
CN108214487A (zh) | 基于双目视觉和激光雷达的机器人目标定位和抓取方法 | |
TWI760916B (zh) | 用於工廠自動化生產線之製造系統 | |
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 | |
WO2020220930A1 (en) | Robot-based insertion mounting of workpieces | |
CN112677146A (zh) | 验证和更新机器人控制用校准信息的方法和控制系统 | |
CN115847488B (zh) | 用于协作机器人监测的工业物联网系统及控制方法 | |
CN117681214B (zh) | 基于晶圆传送的多机械臂碰撞预警方法及系统 | |
JP2021066011A5 (zh) | ||
JP2023547612A (ja) | ロボット動作に使用される安全システム及び方法 | |
EP3432099B1 (en) | Method and system for detection of an abnormal state of a machine | |
US11203116B2 (en) | System and method for predicting robotic tasks with deep learning | |
US20210333787A1 (en) | Device management system, model learning method, and model learning program | |
Xie | [Retracted] Industrial Robot Assembly Line Design Using Machine Vision | |
CN111890371A (zh) | 验证和更新机器人控制用校准信息的方法和控制系统 | |
Dyrstad et al. | Bin picking of reflective steel parts using a dual-resolution convolutional neural network trained in a simulated environment | |
Stengel et al. | An approach for safe and efficient human-robot collaboration | |
Kim et al. | Improvement of Door Recognition Algorithm using Lidar and RGB-D camera for Mobile Manipulator | |
CN113681553A (zh) | 一种采用数字孪生技术的机器人抓取系统 |
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 |