CN117711993B - 基于负载感知的晶圆搬运机械臂自适应吸力调节方法 - Google Patents
基于负载感知的晶圆搬运机械臂自适应吸力调节方法 Download PDFInfo
- Publication number
- CN117711993B CN117711993B CN202410168440.1A CN202410168440A CN117711993B CN 117711993 B CN117711993 B CN 117711993B CN 202410168440 A CN202410168440 A CN 202410168440A CN 117711993 B CN117711993 B CN 117711993B
- Authority
- CN
- China
- Prior art keywords
- wafer
- time
- real
- adjustment
- mechanical arm
- 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 133
- 238000010801 machine learning Methods 0.000 claims abstract description 115
- 230000001133 acceleration Effects 0.000 claims abstract description 70
- 238000001179 sorption measurement Methods 0.000 claims abstract description 64
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 62
- 238000012549 training Methods 0.000 claims abstract description 62
- 238000013528 artificial neural network Methods 0.000 claims abstract description 54
- 230000008569 process Effects 0.000 claims abstract description 24
- 230000008447 perception Effects 0.000 claims abstract description 10
- 230000003044 adaptive effect Effects 0.000 claims description 17
- 230000015654 memory Effects 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 239000013598 vector Substances 0.000 claims description 7
- 230000010354 integration Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 5
- 238000010521 absorption reaction Methods 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 235000012431 wafers Nutrition 0.000 description 320
- 230000001105 regulatory effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000006073 displacement reaction Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000004065 semiconductor 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
本发明属于晶圆搬运机械臂智能控制技术领域，本发明公开了基于负载感知的晶圆搬运机械臂自适应吸力调节方法，包括：获取吸盘吸附力、晶圆位置坐标和晶圆搬运机械臂移动速度；设计自适应调节算法实时输出晶圆搬运机械臂设备的吸盘吸附力、晶圆位置坐标和晶圆运动状态数据对应的调整指令；根据神经网络控制算法模型在时刻实时输出的调整指令，确定第一机器学习模型的输入数据，训练第一机器学习模型输出实时移动速度调整加速度；确定第二机器学习模型的输入数据，训练第二机器学习模型输出吸盘吸附力调整速率；降低了晶圆损坏和设备故障的风险，确保搬运过程的稳定性和准确性。
Description
技术领域
本发明涉及机械臂智能控制技术领域，更具体地说，本发明涉及基于负载感知的晶圆搬运机械臂自适应吸力调节方法。
背景技术
现有技术如下：
授权公告号CN208529106U的中国专利公开了一种晶圆搬运机械手臂，涉及半导体零件输送领域。包括主体和搬运装置，所述主体包括支架和设置在所述支架上的固定座，所述固定座上转动连接有转动座，所述主体上还设有用于驱动所述转动座转动的转动机构；所述搬运装置包括穿设在所述转动座上的滑杆，所述滑杆至少设置为三个，多个所述滑杆的轴线相互平行，并平行于所述转动座的转动轴线，至少一个滑杆的轴线在其余所述滑杆形成的平面的外侧；所述搬运装置还包括分别设置在所述滑杆两端的连接基座和连接底座，所述连接基座用于安装所述搬运头，所述连接底座上还设有用于驱动所述搬运装置升降的升降机构。减小了搬运装置晃动的可能，增加了晶圆的加工精度。
现有技术中依然存在以下问题：
传统的晶圆机械臂在搬运晶圆时，不能根据不同情况下吸盘吸附力不足或过大、机械臂的移动速度过大或不足、晶圆位置坐标偏离进行自适应的调整，导致机械臂搬运晶圆的效率较低和晶圆的损坏。
鉴于此，本发明提出基于负载感知的晶圆搬运机械臂自适应吸力调节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，本发明提供如下技术方案：基于负载感知的晶圆搬运机械臂自适应吸力调节方法，包括：
步骤S1、获取吸盘吸附力、晶圆位置坐标和晶圆运动状态数据，晶圆运动状态数据包括晶圆搬运机械臂移动速度；
步骤S2、根据负载感知传感器获取的吸盘吸附力、晶圆位置坐标和晶圆运动状态数据，设计自适应调节算法实时输出晶圆搬运机械臂设备的吸盘吸附力、晶圆位置坐标和晶圆运动状态数据对应的调整指令，所述自适应调节算法基于神经网络控制算法模型实现；
步骤S3、根据神经网络控制算法模型在时刻实时输出的调整指令；
确定第一机器学习模型的输入数据，训练第一机器学习模型输出实时移动速度调整加速度；确定第二机器学习模型的输入数据，训练第二机器学习模型输出吸盘吸附力调整速率；
步骤S4、将实时的输入数据对应的输入训练完成的第一机器学习模型和第二机器学习模型，获得实时移动速度调整加速度与实时吸盘吸附力调整速率；
步骤S5、根据实时移动速度调整加速度与实时吸盘吸附力调整速率进行吸盘吸附力、晶圆位置坐标以及晶圆搬运机械臂移动速度调整。
进一步地，所述神经网络控制算法模型实现的方法包括：
步骤S201、输入层：将吸盘吸附力、晶圆位置坐标和晶圆运动状态数据输入至训练完成的神经网络控制算法模型中；
步骤S202、全连接隐藏层：设置i个神经元的全连接隐藏层，使用ReLU函数作为激活函数，i为大于3的整数；
步骤S203、输出层：输出调整指令。
进一步地，所述调整指令包括吸盘吸附力调整指令、晶圆位置坐标调整指令或晶圆运动状态数据调整指令。
进一步地，训练所述神经网络控制算法模型的方法包括：
收集m组历史搬运特征数据以及搬运特征数据对应的调整指令，搬运特征数据包括吸盘吸附力、晶圆位置坐标和晶圆运动状态数据；将吸盘吸附力、晶圆位置坐标和晶圆运动状态数据转换为对应的一组特征向量，并对对应的调节指令设置标签，m为大于1的整数；将每组历史搬运特征数据的特征向量作为神经网络控制算法模型的输入，所述神经网络控制算法模型以每组历史搬运特征数据预测对应的调整指令作为输出，以每组历史搬运特征数据实际对应的调整指令标签作为预测目标；以最小化所有历史搬运特征数据对应的调整指令的预测误差之和作为训练目标；对神经网络控制算法模型进行训练，直至预测误差之和达到收敛时停止训练。
进一步地，若神经网络控制算法模型在时刻实时输出吸盘吸附力调整指令、晶圆位置坐标调整指令与晶圆运动状态数据调整指令，则确定第一机器学习模型输入数据和第二机器学习模型输入数据的方法包括：
将实时晶圆搬运机械臂移动速度、实时吸盘吸附力、第一差值、第二差值与第三差值作为输入数据分别输入至训练完成的第一机器学习模型和训练完成的第二机器学习模型，第一机器学习模型以第一实时移动速度调整加速度作为输出数据，第二机器学习模型以第一实时吸盘吸附力调整速率/>作为输出数据；第一差值为实时晶圆搬运机械臂移动速度减去标准晶圆搬运机械臂移动速度的差值，第二差值为实时吸盘吸附力减去标准吸盘吸附力的差值，第三差值为实时晶圆位置坐标的z轴坐标减去标准晶圆位置坐标中z轴坐标的差值；
若神经网络控制算法模型在时刻输出晶圆搬运机械臂设备的吸盘吸附力调整指令和晶圆位置坐标调整指令时，则将/>时刻的实际晶圆搬运机械臂移动速度标记为/>。
进一步地，若神经网络控制算法模型在时刻输出晶圆搬运机械臂设备的晶圆运动状态调整指令和晶圆位置坐标调整指令时，则确定第一机器学习模型输入数据的方法包括：
将实时晶圆搬运机械臂移动速度、实时吸盘吸附力、第一差值、与第三差值作为输入数据输入至训练完成的第一机器学习模型，以第二实时移动速度调整加速度作为第一机器学习模型的输出数据；
若神经网络控制算法模型在时刻输出晶圆搬运机械臂设备的晶圆运动状态调整指令和吸盘吸附力调整指令，则确定第一机器学习模型输入数据和第二机器学习模型输入数据的方法包括：
将实时吸盘吸附力、实时晶圆搬运机械臂移动速度、第一差值、第二差值与实时晶圆位置坐标作为输入数据分别输入到训练完成的第一机器学习模型和训练完成的第二机器学习模型中，以第三实时移动速度调整加速度作为第一机器学习模型的输出数据和第二实时吸盘吸附力调整速率/>作为第二机器学习模型的输出数据。
进一步地，训练所述第一机器学习模型的方法包括：
获取i组训练数据，i为大于等于1的正整数，训练数据包括实时晶圆搬运机械臂移动速度、实时吸盘吸附力、第一差值、第二差值、第三差值和实时移动速度调整加速度，将训练数据作为样本集，将样本集划分为训练集和测试集，构建分类器，将训练集中的实时晶圆搬运机械臂移动速度、实时吸盘吸附力、第一差值、第二差值和第三差值作为输入数据，将训练集中的实时移动速度调整加速度作为输出数据，对分类器进行训练，得到初始分类器，利用测试集对初始分类器进行测试，输出满足预设准确度的分类器作为第一机器学习模型；
使用训练第一机器学习模型的方法训练第二机器学习模型，第二机器学习模型与第一机器学习模型输入数据一致，第二机器学习模型输出实时吸盘吸附力调整速率；
所述分类器为朴素贝叶斯模型或支持向量机模型的其中一种。
进一步地，若神经网络控制算法模型在时刻实时输出吸盘吸附力调整指令、晶圆位置坐标调整指令与晶圆运动状态数据调整指令，则以/>与/>分别作为调整晶圆位置坐标、吸盘吸附力与晶圆搬运机械臂移动速度；
晶圆位置坐标调整方法包括：
当晶圆倾斜调整时，调整公式包括：
；
；
；
式中，表示调整后的晶圆位置坐标，/>表示实时晶圆的位置坐标，/>表示第二机器学习模型的输出数据第一吸盘吸附力调整速率，/>表示第一机器学习模型的输出数据第一实时移动速度调整加速度，/>表示实时吸盘吸附力调整到标准吸附力所用的时间；
当晶圆机械臂搬运晶圆横移时，调整公式包括：
；
；
；
当晶圆机械臂搬运晶圆上下移动时，调整公式包括：
；
；
；
吸盘吸附力的调整方法包括，如下公式包括：
；
式中，表示调整后的吸盘吸附力，/>表示实时吸盘吸附力，/>表示速度调整速率随时间/>的变化率即加速度，/>表示晶圆的质量；
晶圆搬运机械臂移动速度的调整方法包括，调整公式包括：
；
式中，表示调整后的晶圆搬运机械臂移动速度，/>表示实时晶圆搬机械臂移动速度，/>表示第一实时移动速度调整加速度对时间/>的积分。
进一步地，若神经网络控制算法模型在时刻输出晶圆搬运机械臂设备的吸盘吸附力调整指令和晶圆位置坐标调整指令时，将/>时刻的实际晶圆搬运机械臂移动速度标记为/>；以/>时刻的实际晶圆搬运机械臂移动速度/>来调整吸盘吸附力和晶圆位置坐标；
晶圆位置坐标调整方法包括：
当晶圆倾斜调整时，调整公式包括：
；
；
；
式中，表示调整过后的晶圆位置坐标，/>表示实时的晶圆位置坐标，/>表示/>时刻的实际晶圆搬运机械臂移动速度，/>表示实时晶圆位置坐标调整到标准晶圆位置坐标所用的时间；
当晶圆机械臂搬运晶圆横移时，调整公式包括：
；
；
；
当晶圆机械臂搬运晶圆上下移动时，调整公式包括：
；
；
；
吸盘吸附力的调整方法包括，调整公式包括：
；
式中，表示调整后的吸盘吸附力，/>表示实时吸盘吸附力，/>表示晶圆的质量，/>表示/>时刻的实际晶圆搬运机械臂移动速度，/>表示速度随时间/>的变化量。
进一步地，若神经网络控制算法模型在时刻输出晶圆搬运机械臂设备的晶圆运动状态调整指令和晶圆位置坐标调整指令；则以第一机器学习模型的输出数据第二实时移动速度调整加速度/>来调整晶圆位置坐标和晶圆搬运机械臂移动速度；
晶圆位置坐标的调整方法包括，调整公式包括：
当晶圆倾斜调整时，调整公式包括：
；
；
；
式中，表示调整后的晶圆位置坐标，/>表示实时晶圆位置坐标，/>表示第二实时移动速度调整加速度，/>表示实时晶圆搬运机械臂移动速度，/>表示机械臂第二实时移动速度调整加速度调整到标准晶圆搬运机械臂移动速度所需要的时间，/>表示第二实时移动速度调整加速度对时间/>的积分；
当晶圆机械臂搬运晶圆横移，调整公式包括：
；
；
；
当晶圆机械臂搬运晶圆上下移动时，调整公式包括：
；
；
；
晶圆搬运机械臂移动速度的方法包括，调整公式包括：
；
式中，表示调整后的晶圆搬运机械臂移动速度，/>表示晶圆搬运机械臂移动速度调整到标准晶圆搬运机械臂移动速度所需要的时间；
若神经网络控制算法模型在时刻输出晶圆搬运机械臂设备的晶圆运动状态调整指令和吸盘吸附力调整指令；则以第一机器学习模型的输出数据第三实时移动速度调整加速度/>和第二机器学习模型的输出数据第二实时吸盘吸附力调整速率/>调整晶圆搬运机械臂移动速度和吸盘吸附力；
调整晶圆搬运机械臂移动速度的调整方法包括，调整公式包括：
；
式中，表示调整后晶圆搬运机械臂移动速度，/>表示第三实时移动速度调整加速度，/>表示实时吸盘吸附力调整到标准吸盘吸附力所需要的时间；
吸盘吸附力的调整方法包括，调整公式包括：
；
式中，表示调整后的吸盘吸附力，/>表示实时的吸盘吸附力，/>表示实时晶圆质量，/>表示第二实时吸盘吸附力调整速率，/>表示第二实时吸盘吸附力调整速率随时间的变化率即为加速度，/>表示实时吸盘吸附力调整到标准吸盘吸附力所需要的时间。
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基于负载感知的晶圆搬运机械臂自适应吸力调节方法。
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基于负载感知的晶圆搬运机械臂自适应吸力调节方法。
本发明基于负载感知的晶圆搬运机械臂自适应吸力调节方法的技术效果和优点：
设计自适应调节算法实时输出晶圆搬运机械臂设备的吸盘吸附力、晶圆位置坐标和晶圆运动状态数据对应的调整指令；并根据调整指令确定第一机器学习模型的输入数据训练第一机器学习模型从中学习当前机械臂搬运移动速度是否过慢或过快，从而预测出机械臂搬运移动速度调整加速度；确定第二机器学习模型输入数据训练出第二机器学习模型捕捉吸附力调整的趋势，从而预测出合适的吸附力调整速率，能够根据不同情况下对吸盘吸附力、机械臂的移动速度和晶圆位置坐标进行调整，使得晶圆搬运的效率和安全能够达到最优。
附图说明
图1为本发明的基于负载感知的晶圆搬运机械臂自适应吸力调节方法流程图；
图2为本发明的神经网络控制算法模型实现方法流程图；
图3为本发明的机械臂搬运晶圆上下移动实现方法示意图；
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。
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，本实施例所述基于负载感知的晶圆搬运机械臂自适应吸力调节方法，所述方法应用于晶圆搬运机械臂设备中，本方法执行对象是晶圆搬运机械臂设备。
步骤S1、获取吸盘吸附力、晶圆位置坐标和晶圆运动状态数据，晶圆运动状态数据包括晶圆搬运机械臂移动速度，获取吸盘吸附力、晶圆位置坐标和晶圆运动状态数据。
晶圆搬运机械臂设备通过搭载的负载感知传感器系统，用于在晶圆搬运机械臂设备搬运晶圆的过程中，实时监测晶圆搬运机械臂设备在搬运晶圆过程中的负载情况，以获取吸盘吸附力、晶圆位置坐标和晶圆运动状态数据；
所述负载感知传感器系统还包括传感器模块和数据单元模块，其中传感器模块还包括有压力传感器、位移传感器和加速度传感器；数据单元模块包括有信号处理器；
其中，吸盘吸附力的获取方法包括：通过将压力传感器安装在吸盘上，通过数据单元模块中的信号处理器的模数转换器（ADC）来将模拟信号离散化为数字值，即将压力传感器测得的压力值模拟信号转换为吸附力的数字信号，并测量得到吸盘吸附力；
晶圆位置坐标的获取方法包括：通过将所述位移传感器安装在晶圆搬运机械臂设备的机械臂关节末端或吸盘上，以监测晶圆的位置坐标；通过数据单元模块中的信号处理器将位移传感器测得的晶圆位置坐标信息映射到晶圆搬运机械臂的设备中，得到晶圆搬运机械臂在搬运晶圆时的晶圆位置坐标；
所述晶圆运动状态数据获取方法包括：通过将加速度传感器安装在晶圆搬运机械臂设备的机械臂下方或上方，加速度传感器感应接收晶圆运动时的加速度变化模拟信号，通过数据单元模块中的信号处理器实时读取加速度传感器的模拟信号，将从加速度传感器获取的模拟信号转换为数字信号，得到晶圆运动状态数据。
步骤S2、根据负载感知传感器系统获取的吸盘吸附力、晶圆位置坐标和晶圆运动状态数据，设计自适应调节算法实时输出晶圆搬运机械臂设备的吸盘吸附力、晶圆位置坐标和晶圆运动状态数据对应的调整指令，以适应不同的负载情况，所述自适应调节算法基于神经网络控制算法模型实现的；请参阅图2所示，神经网络控制算法模型实现的方法包括：
步骤S201、输入层：将吸盘吸附力、晶圆位置坐标和晶圆运动状态数据输入至训练完成的神经网络控制算法模型中；
步骤S202、全连接隐藏层：设置i个神经元的全连接隐藏层，使用 ReLU函数作为激活函数，i为大于3的整数，设置超过3个神经元的全连接隐藏层的原因在于通过增加神经元的数量，神经网络控制算法模型可以学习到更复杂的特征和模式，从而提高神经网络控制算法模型的预测精度和泛化能力；
步骤S203、输出层：输出调整指令，调整指令包括吸盘吸附力调整指令、晶圆位置坐标调整指令或晶圆运动状态数据调整指令；
训练神经网络控制算法模型的方法包括：
将吸盘吸附力、晶圆位置坐标和晶圆运动状态数据转换为对应的一组特征向量；
收集m组历史吸盘吸附力、晶圆位置坐标和晶圆运动状态数据对应的调整指令，并对调节指令设置标签，m为大于1的整数；将每组吸盘吸附力、晶圆位置坐标和晶圆运动状态数据的特征向量作为神经网络控制算法模型的输入，所述神经网络控制算法模型以每组吸盘吸附力、晶圆位置坐标和晶圆运动状态数据预测对应的调整指令作为输出，以每组历史吸盘吸附力、晶圆位置坐标和晶圆运动状态数据实际对应的调整指令标签作为预测目标；以最小化所有吸盘吸附力、晶圆位置坐标和晶圆运动状态数据对应的调整指令的预测误差之和作为训练目标；对神经网络控制算法模型进行训练，直至预测误差之和达到收敛时停止训练。
其中，预测误差的计算公式为，其中/>为预测误差，为吸盘吸附力、晶圆位置坐标和晶圆运动状态数据的特征向量的组号，/>为第/>组历史吸盘吸附力、晶圆位置坐标和晶圆运动状态数据实际对应的调整指令标签，/>为第组吸盘吸附力、晶圆位置坐标和晶圆运动状态数据预测对应的调整指令标签。
步骤S3、根据神经网络控制算法模型在时刻实时输出的晶圆搬运机械臂设备的吸盘吸附力调整指令、晶圆位置坐标调整指令或晶圆运动状态数据调整指令，确定第一机器学习模型的输入数据和输出数据，确定第二机器学习模型的输入数据和输出数据，将实时的输入数据分别输入训练完成的第一机器学习模型和第二机器学习模型，获得实时移动速度调整加速度与实时吸盘吸附力调整速率；
训练第一机器学习模型的方法包括：
获取i组训练数据，i为大于等于1的正整数，训练数据包括实时晶圆搬运机械臂移动速度、实时吸盘吸附力、第一差值、第二差值、第三差值和实时移动速度调整加速度，将训练数据作为样本集，将样本集划分为训练集和测试集，构建分类器，将训练集中的实时晶圆搬运机械臂移动速度、实时吸盘吸附力、第一差值、第二差值和第三差值作为输入数据，将训练集中的实时移动速度调整加速度作为输出数据，对分类器进行训练，得到初始分类器，利用测试集对初始分类器进行测试，输出满足预设准确度的分类器作为第一机器学习模型；
使用训练第一机器学习模型的方法训练第二机器学习模型，第二机器学习模型与第一机器学习模型输入数据一致，第二机器学习模型输出实时吸盘吸附力调整速率；所述分类器为朴素贝叶斯模型或支持向量机模型的其中一种；
神经网络控制算法模型在时刻实时输出的晶圆搬运机械臂设备的吸盘吸附力调整指令、晶圆位置坐标调整指令或晶圆运动状态数据调整指令，确定第一机器学习模型的输入数据和输出数据，第二机器学习模型的输入数据和输出数据的方法包括：
若神经网络控制算法模型在时刻同时输出晶圆搬运机械臂设备的吸盘吸附力调整指令、晶圆位置坐标调整指令和晶圆运动状态数据调整指令，则将实时晶圆搬运机械臂移动速度、实时吸盘吸附力、第一差值、第二差值与第三差值作为输入数据分别输入至第一机器学习模型和第二机器学习模型，第一机器学习模型以第一实时移动速度调整加速度作为输出数据，第二机器学习模型以第一实时吸盘吸附力调整速率/>作为输出数据；
所述第一差值为实时晶圆搬运机械臂移动速度减去标准晶圆搬运机械臂移动速度的差值，第二差值为实时吸盘吸附力减去标准吸盘吸附力的差值，第三差值为实时晶圆位置坐标的z轴坐标减去标准晶圆位置坐标中z轴坐标的差值；所述第一机器学习模型和第二机器学习模型为神经网络模型中卷积神经网络(CNN)、循环神经网络(RNN)与长短期记忆网络(LSTM)当中的一种；
以第一差值、第二差值与第三差值作为第一机器学习模型和第二机器学习模型的输入数据的原因在于当第一差值与第二差值过大，可以理解为晶圆搬运机械臂移动速度较大和吸盘吸附力不足，在晶圆搬运机械臂以较大的移动速度向上运动时，即在空间坐标中表示向z轴运动，而此时吸盘吸附力不足，由于惯性加速度的作用容易使得晶圆在机械臂搬运时导致脱落，造成晶圆的损坏；为方便理解，参考图3所示，图中表示晶圆吸附在机械臂吸盘下方，机械臂带动吸盘向上移动，空气对晶圆向上移动施加阻力，在晶圆搬运机械臂移动速度较大和吸盘吸附力不足的情况下，晶圆会有掉落的风险；
若神经网络控制算法模型在时刻输出晶圆搬运机械臂设备的吸盘吸附力调整指令和晶圆位置坐标调整指令时，也就是说此时的晶圆搬运机械臂移动速度是不需要调整的，晶圆搬运机械臂只需要以此时的移动速度来调整吸盘吸附力和晶圆位置坐标即可，将时刻的实际晶圆搬运机械臂移动速度标记为/>；
若神经网络控制算法模型在时刻输出晶圆搬运机械臂设备的晶圆运动状态调整指令和晶圆位置坐标调整指令；也就是说在此时晶圆吸盘吸附力不需要调整，则将实时晶圆搬运机械臂移动速度、实时吸盘吸附力、第一差值、与第三差值作为输入数据输入至第一机器学习模型，以第二实时移动速度调整加速度/>作为第一机器学习模型的输出数据，此时由吸盘吸附力不需要调整，则第二差值为0；
所述第一差值为实时晶圆搬运机械臂移动速度减去标准晶圆搬运机械臂移动速度的差值，第三差值为实时晶圆位置坐标的z轴坐标减去标准晶圆位置坐标中z轴坐标的差值，选择上述输入数据的原因在于当晶圆搬运机械臂的吸盘吸附力达到标准吸附力时，而晶圆搬运机械臂的移动速度和晶圆位置坐标还需要调整，若晶圆搬运机械臂在上下运动调整晶圆位置坐标时，且晶圆搬运机械臂的移动速度的调整量很大的情况下，即使晶圆搬运机械臂的吸盘吸附力达到标准吸附力的条件下，由于惯性加速度的作用容易使得晶圆在机械臂搬运时导致脱落，造成晶圆的损坏；
若神经网络控制算法模型在时刻输出晶圆搬运机械臂设备的晶圆运动状态调整指令和吸盘吸附力调整指令；也就是说此时的晶圆位置坐标是不需要调整的，则将实时吸盘吸附力、实时晶圆搬运机械臂移动速度、第一差值、第二差值与实时晶圆位置坐标作为输入数据分别输入到第一机器学习模型和第二机器学习模型中，以第三实时移动速度调整加速度/>作为第一机器学习模型的输出数据，以第二实时吸盘吸附力调整速率/>作为第二机器学习模型的输出数据；
选取上述第一差值作为输入数据的原因在于第一差值表示实时晶圆搬运机械臂移动速度减去标准晶圆搬运机械臂移动速度的差值，第一差值提供了当前机械臂移动速度与标准机械臂速度之间的差异信息，通过第一机器学习模型从中学习当前速度是否过慢或过快，从而调整速度；第二差值为实时吸盘吸附力减去标准吸盘吸附力的差值，第二差值提供了当前吸盘吸附力与标准吸盘吸附力之间的偏差，这有助于第二机器学习模型捕捉吸附力调整的趋势，从而预测出合适的调整速率，用最短的时间来调整吸盘吸附力和机械臂的移动速度；避免了晶圆搬运过程中由于机械臂的移动速度过快而导致不需要调整的晶圆位置坐标出现偏差，导致机械臂的损坏和搬运效率的降低。
步骤S4、将实时的输入数据对应的输入训练完成的第一机器学习模型和第二机器学习模型，获得实时移动速度调整加速度与实时吸盘吸附力调整速率；
步骤S5、根据实时移动速度调整加速度与实时吸盘吸附力调整速率进行吸盘吸附力、晶圆位置坐标以及晶圆搬运机械臂移动速度调整；吸盘吸附力、晶圆位置坐标以及晶圆搬运机械臂移动速度的调整方法包括：
若神经网络控制算法模型在时刻实时输出吸盘吸附力调整指令、晶圆位置坐标调整指令与晶圆运动状态数据调整指令，则以第一机器学习模型的输出数据第一实时移动速度调整加速度/>和第二机器学习模型的输出数据第一实时吸盘吸附力调整速率/>调整晶圆位置坐标、吸盘吸附力与晶圆搬运机械臂移动速度；
晶圆位置坐标调整方法包括：
当晶圆除水平和竖直方向的坐标调整时，例如：晶圆机械臂不在水平方向和竖直方向搬运时，即倾斜调整时，调整公式包括：
；
；
；
当晶圆只需要水平方向调整时，即机械臂搬运晶圆横移，调整公式包括：
；
；
；
当晶圆只需要竖直方向调整时，即机械臂搬运晶圆上下移动，调整公式包括：
；
；
；
其中，表示调整后的晶圆位置坐标，/>表示实时晶圆的位置坐标，/>表示第二机器学习模型的输出数据第一吸盘吸附力调整速率，调整速率即实时吸盘吸附力调整到标准吸附力的调整速度，这个调整速度不是固定的，是根据吸盘吸附力以及机械臂搬运特征数据实时改变的，以最优的调整速度使得实时吸盘吸附力在最短的时间内调整到标准吸附力，来减小吸附力调整过程中对晶圆的影响，影响包括掉落或变形；表示第一机器学习模型的输出数据第一实时移动速度调整加速度，/>表示调整需要的时间，即实时吸盘吸附力调整到标准吸附力所用的时间；
吸盘吸附力的调整方法包括调整公式包括：
；/>
其中，表示调整后的吸盘吸附力，/>表示实时吸盘吸附力，/>表示速度调整速率随时间/>的变化率即加速度，/>表示第二机器学习模型的输出数据吸盘吸附力调整速率，/>表示晶圆的质量；吸盘吸附力的变化与速度调整的加速度以及吸附力调整速率有关，当晶圆在运动时，吸附力可能需要调整，以适应不同的运动状态，例如加速、减速或匀速运动。
晶圆搬运机械臂移动速度的调整方法包括调整公式包括：
；
其中，表示调整后的晶圆搬运机械臂移动速度，/>表示实时晶圆搬机械臂移动速度，/>表示第一机器学习模型的输出数据第一实时移动速度调整加速度，/>表示第一实时移动速度调整加速度对时间/>的积分；
若神经网络控制算法模型在时刻输出晶圆搬运机械臂设备的吸盘吸附力调整指令和晶圆位置坐标调整指令时，则将/>时刻的实际晶圆搬运机械臂移动速度标记为/>；以/>时刻的实际晶圆搬运机械臂移动速度/>来调整吸盘吸附力和晶圆位置坐标；调整吸盘吸附力和晶圆位置坐标的方法包括：
晶圆位置坐标调整方法包括：
当晶圆除水平和竖直方向的坐标调整时，例如：晶圆机械臂不在水平方向和竖直方向搬运时，即倾斜调整时，公式如下所示：
；
；
；
当晶圆只需要水平方向调整时，即机械臂搬运晶圆横移，调整公式包括：
；
；
；
当晶圆只需要竖直方向调整时，即机械臂搬运晶圆上下移动，调整公式包括：
；
；/>
；
其中，表示调整过后的晶圆位置坐标，/>表示实时的晶圆位置坐标，/>表示/>时刻的实际晶圆搬运机械臂移动速度，/>表示调整需要的时间，即实时晶圆位置坐标调整到标准晶圆位置坐标所用的时间；
吸盘吸附力的调整方法包括调整公式包括：
；
其中，表示调整后的吸盘吸附力，/>表示实时吸盘吸附力，/>表示晶圆的质量，/>表示/>时刻的实际晶圆搬运机械臂移动速度，/>表示速度随时间/>的变化量；
若神经网络控制算法模型在时刻输出晶圆搬运机械臂设备的晶圆运动状态调整指令和晶圆位置坐标调整指令，则以第一机器学习模型的输出数据第二实时移动速度调整加速度/>来调整晶圆位置坐标和圆搬运机械臂移动速度；调整晶圆位置坐标和晶圆搬运机械臂移动速度的方法包括：
晶圆位置坐标的调整方法包括，调整公式包括：
当晶圆除水平和竖直方向的坐标调整时，例如：晶圆机械臂不在水平方向和竖直方向搬运时，即倾斜调整时，公式如下所示：
；
；
；
当晶圆只需要水平方向调整时，即机械臂搬运晶圆横移，调整公式包括：
；
；
；
当晶圆只需要竖直方向调整时，即机械臂搬运晶圆上下移动，调整公式包括：
；/>
；
；
其中，表示调整后的晶圆位置坐标，/>表示实时晶圆位置坐标，/>表示第二实时移动速度调整加速度，/>表示第二实时移动速度调整加速度对时间/>的积分，/>表示实时晶圆搬运机械臂移动速度，/>表示机械臂第二实时移动速度调整加速度调整到标准晶圆搬运机械臂移动速度所需要的时间；
晶圆搬运机械臂移动速度的方法包括，调整公式包括：
；
其中，表示调整后的晶圆搬运机械臂移动速度，/>表示实时晶圆搬运机械臂移动速度，/>表示第二实时移动速度调整加速度，/>表示第二实时移动速度调整加速度对时间/>的积分，/>表示晶圆搬运机械臂移动速度调整到标准晶圆搬运机械臂移动速度所需要的时间；
若神经网络控制算法模型在时刻输出晶圆搬运机械臂设备的晶圆运动状态调整指令和吸盘吸附力调整指令，则以第一机器学习模型的输出数据第三实时移动速度调整加速度/>和第二机器学习模型的输出数据第二实时吸盘吸附力调整速率/>调整晶圆搬运机械臂移动速度和吸盘吸附力；调整晶圆搬运机械臂移动速度和吸盘吸附力的方法包括：
调整晶圆搬运机械臂移动速度的调整方法包括，调整公式包括：
；
其中，表示调整后晶圆搬运机械臂移动速度，/>表示实时晶圆搬运机械臂移动速度，/>表示第三实时移动速度调整加速度，/>表示第三实时移动速度调整加速度对时间/>的积分，/>表示实时吸盘吸附力调整到标准吸盘吸附力所需要的时间；
吸盘吸附力的调整方法包括，调整公式包括：
；
其中，表示调整后的吸盘吸附力，/>表示实时的吸盘吸附力，/>表示实时晶圆质量，/>表示第二实时吸盘吸附力调整速率，/>表示第二实时吸盘吸附力调整速率随时间的变化率即为加速度，/>表示实时吸盘吸附力调整到标准吸盘吸附力所需要的时间。
本实施例基于负载感知的晶圆搬运机械臂自适应吸力调节方法通过获取的吸盘吸附力、晶圆位置坐标和晶圆运动状态数据，设计自适应调节算法实时输出晶圆搬运机械臂设备的吸盘吸附力、晶圆位置坐标和晶圆运动状态数据对应的调整指令，以适应不同的负载情况，同时第一差值表示实时晶圆搬运机械臂移动速度减去标准晶圆搬运机械臂移动速度的差值，第一差值提供了当前机械臂移动速度与标准机械臂速度之间的差异信息，第一机器学习模型从中学习当前速度是否过慢或过快，从而调整速度；
第二差值表示实时吸盘吸附力减去标准吸盘吸附力的差值，第二差值提供了当前吸盘吸附力与标准吸盘吸附力之间的偏差，这有助于第二机器学习模型捕捉吸附力调整的趋势，从而预测出合适的调整速率，用最短的时间来调整吸盘吸附力、机械臂的移动速度和晶圆位置坐标；能够考虑到吸盘吸附力、机械臂的移动速度和晶圆位置坐标不同时调整的调整方法，避免了晶圆搬运过程中由于机械臂的移动速度过快而导致调整的晶圆位置坐标出现偏差，调整吸盘吸附力时由于速度过快导致晶圆脱落或损坏，还会导致机械臂的损坏和搬运效率的降低。
实施例2
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基于负载感知的晶圆搬运机械臂自适应吸力调节方法。
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基于负载感知的晶圆搬运机械臂自适应吸力调节方法。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3
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基于负载感知的晶圆搬运机械臂自适应吸力调节方法。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。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 (12)
1.基于负载感知的晶圆搬运机械臂自适应吸力调节方法，其特征在于，包括：
步骤S1、获取吸盘吸附力、晶圆位置坐标和晶圆运动状态数据，晶圆运动状态数据包括晶圆搬运机械臂移动速度；
步骤S2、根据负载感知传感器获取的吸盘吸附力、晶圆位置坐标和晶圆运动状态数据，设计自适应调节算法实时输出晶圆搬运机械臂设备的吸盘吸附力、晶圆位置坐标和晶圆运动状态数据对应的调整指令，所述自适应调节算法基于神经网络控制算法模型实现；
步骤S3、根据神经网络控制算法模型在时刻实时输出的调整指令；
确定第一机器学习模型的输入数据，训练第一机器学习模型输出实时移动速度调整加速度；确定第二机器学习模型的输入数据，训练第二机器学习模型输出吸盘吸附力调整速率；
步骤S4、将实时的输入数据对应的输入训练完成的第一机器学习模型和第二机器学习模型，获得实时移动速度调整加速度与实时吸盘吸附力调整速率；
步骤S5、根据实时移动速度调整加速度与实时吸盘吸附力调整速率进行吸盘吸附力、晶圆位置坐标以及晶圆搬运机械臂移动速度调整。
2.根据权利要求1所述的基于负载感知的晶圆搬运机械臂自适应吸力调节方法，其特征在于，所述神经网络控制算法模型实现的方法包括：
步骤S201、输入层：将吸盘吸附力、晶圆位置坐标和晶圆运动状态数据输入至训练完成的神经网络控制算法模型中；
步骤S202、全连接隐藏层：设置i个神经元的全连接隐藏层，使用ReLU函数作为激活函数，i为大于3的整数；
步骤S203、输出层：输出调整指令。
3.根据权利要求2所述的基于负载感知的晶圆搬运机械臂自适应吸力调节方法，其特征在于，所述调整指令包括吸盘吸附力调整指令、晶圆位置坐标调整指令或晶圆运动状态数据调整指令。
4.根据权利要求3所述的基于负载感知的晶圆搬运机械臂自适应吸力调节方法，其特征在于，训练所述神经网络控制算法模型的方法包括：
收集m组历史搬运特征数据以及搬运特征数据对应的调整指令，搬运特征数据包括吸盘吸附力、晶圆位置坐标和晶圆运动状态数据；将吸盘吸附力、晶圆位置坐标和晶圆运动状态数据转换为对应的一组特征向量，并对对应的调节指令设置标签，m为大于1的整数；将每组历史搬运特征数据的特征向量作为神经网络控制算法模型的输入，所述神经网络控制算法模型以每组历史搬运特征数据预测对应的调整指令作为输出，以每组历史搬运特征数据实际对应的调整指令标签作为预测目标；以最小化所有历史搬运特征数据对应的调整指令的预测误差之和作为训练目标；对神经网络控制算法模型进行训练，直至预测误差之和达到收敛时停止训练。
5.根据权利要求4所述的基于负载感知的晶圆搬运机械臂自适应吸力调节方法，其特征在于，若神经网络控制算法模型在时刻实时输出吸盘吸附力调整指令、晶圆位置坐标调整指令与晶圆运动状态数据调整指令，则确定第一机器学习模型输入数据和第二机器学习模型输入数据的方法包括：
将实时晶圆搬运机械臂移动速度、实时吸盘吸附力、第一差值、第二差值与第三差值作为输入数据分别输入至训练完成的第一机器学习模型和训练完成的第二机器学习模型，第一机器学习模型以第一实时移动速度调整加速度作为输出数据，第二机器学习模型以第一实时吸盘吸附力调整速率/>作为输出数据；第一差值为实时晶圆搬运机械臂移动速度减去标准晶圆搬运机械臂移动速度的差值，第二差值为实时吸盘吸附力减去标准吸盘吸附力的差值，第三差值为实时晶圆位置坐标的z轴坐标减去标准晶圆位置坐标中z轴坐标的差值；
若神经网络控制算法模型在时刻输出晶圆搬运机械臂设备的吸盘吸附力调整指令和晶圆位置坐标调整指令时，则将/>时刻的实际晶圆搬运机械臂移动速度标记为/>。
6.根据权利要求5所述的基于负载感知的晶圆搬运机械臂自适应吸力调节方法，其特征在于，若神经网络控制算法模型在时刻输出晶圆搬运机械臂设备的晶圆运动状态调整指令和晶圆位置坐标调整指令时，则确定第一机器学习模型输入数据的方法包括：
将实时晶圆搬运机械臂移动速度、实时吸盘吸附力、第一差值、与第三差值作为输入数据输入至训练完成的第一机器学习模型，以第二实时移动速度调整加速度作为第一机器学习模型的输出数据；
若神经网络控制算法模型在时刻输出晶圆搬运机械臂设备的晶圆运动状态调整指令和吸盘吸附力调整指令，则确定第一机器学习模型输入数据和第二机器学习模型输入数据的方法包括：
将实时吸盘吸附力、实时晶圆搬运机械臂移动速度、第一差值、第二差值与实时晶圆位置坐标作为输入数据分别输入到训练完成的第一机器学习模型和训练完成的第二机器学习模型中，以第三实时移动速度调整加速度作为第一机器学习模型的输出数据和第二实时吸盘吸附力调整速率/>作为第二机器学习模型的输出数据。
7.根据权利要求6所述的基于负载感知的晶圆搬运机械臂自适应吸力调节方法，其特征在于，训练所述第一机器学习模型的方法包括：
获取i组训练数据，i为大于等于1的正整数，训练数据包括实时晶圆搬运机械臂移动速度、实时吸盘吸附力、第一差值、第二差值、第三差值和实时移动速度调整加速度，将训练数据作为样本集，将样本集划分为训练集和测试集，构建分类器，将训练集中的实时晶圆搬运机械臂移动速度、实时吸盘吸附力、第一差值、第二差值和第三差值作为输入数据，将训练集中的实时移动速度调整加速度作为输出数据，对分类器进行训练，得到初始分类器，利用测试集对初始分类器进行测试，输出满足预设准确度的分类器作为第一机器学习模型；
使用训练第一机器学习模型的方法训练第二机器学习模型，第二机器学习模型与第一机器学习模型输入数据一致，第二机器学习模型输出实时吸盘吸附力调整速率；
所述分类器为朴素贝叶斯模型或支持向量机模型的其中一种。
8.根据权利要求5所述的基于负载感知的晶圆搬运机械臂自适应吸力调节方法，其特征在于，若神经网络控制算法模型在时刻实时输出吸盘吸附力调整指令、晶圆位置坐标调整指令与晶圆运动状态数据调整指令，则以/>与/>分别作为调整晶圆位置坐标、吸盘吸附力与圆搬运机械臂移动速度；
晶圆位置坐标调整方法包括：
当晶圆倾斜调整时，调整公式包括：
；
；
；
式中，表示调整后的晶圆位置坐标，/>表示实时晶圆的位置坐标，/>表示第二机器学习模型的输出数据第一吸盘吸附力调整速率，/>表示第一机器学习模型的输出数据第一实时移动速度调整加速度，/>表示实时吸盘吸附力调整到标准吸附力所用的时间；
当晶圆机械臂搬运晶圆横移时，调整公式包括：
；
；
；
当晶圆机械臂搬运晶圆上下移动时，调整公式包括：
；
；
；
吸盘吸附力的调整方法包括，如下公式包括：
；
式中，表示调整后的吸盘吸附力，/>表示实时吸盘吸附力，/>表示速度调整速率随时间/>的变化率即加速度，/>表示晶圆的质量；
晶圆搬运机械臂移动速度的调整方法包括，调整公式包括：
；
式中，表示调整后的晶圆搬运机械臂移动速度，/>表示实时晶圆搬机械臂移动速度，表示第一实时移动速度调整加速度对时间/>的积分。
9.根据权利要求5所述的基于负载感知的晶圆搬运机械臂自适应吸力调节方法，其特征在于，若神经网络控制算法模型在时刻输出晶圆搬运机械臂设备的吸盘吸附力调整指令和晶圆位置坐标调整指令时，将/>时刻的实际晶圆搬运机械臂移动速度标记为/>；以/>时刻的实际晶圆搬运机械臂移动速度/>来调整吸盘吸附力和晶圆位置坐标；
晶圆位置坐标调整方法包括：
当晶圆倾斜调整时，调整公式包括：
；
；
；
式中，表示调整过后的晶圆位置坐标，/>表示实时的晶圆位置坐标，/>表示/>时刻的实际晶圆搬运机械臂移动速度，/>表示实时晶圆位置坐标调整到标准晶圆位置坐标所用的时间；
当晶圆机械臂搬运晶圆横移时，调整公式包括：
；
；
；
当晶圆机械臂搬运晶圆上下移动时，调整公式包括：
；
；
；
吸盘吸附力的调整方法包括，调整公式包括：
；
式中，表示调整后的吸盘吸附力，/>表示实时吸盘吸附力，/>表示晶圆的质量，/>表示/>时刻的实际晶圆搬运机械臂移动速度，/>表示速度随时间/>的变化量。
10.根据权利要求6所述的基于负载感知的晶圆搬运机械臂自适应吸力调节方法，其特征在于，若神经网络控制算法模型在时刻输出晶圆搬运机械臂设备的晶圆运动状态调整指令和晶圆位置坐标调整指令；则以第一机器学习模型的输出数据第二实时移动速度调整加速度/>来调整晶圆位置坐标和晶圆搬运机械臂移动速度；
晶圆位置坐标的调整方法包括，调整公式包括：
当晶圆倾斜调整时，调整公式包括：
；
；
；
式中，表示调整后的晶圆位置坐标，/>表示实时晶圆位置坐标，/>表示第二实时移动速度调整加速度，/>表示实时晶圆搬运机械臂移动速度，/>表示机械臂第二实时移动速度调整加速度调整到标准晶圆搬运机械臂移动速度所需要的时间，/>表示第二实时移动速度调整加速度对时间/>的积分；
当晶圆机械臂搬运晶圆横移，调整公式包括：
；
；
；
当晶圆机械臂搬运晶圆上下移动时，调整公式包括：
；
；
；
晶圆搬运机械臂移动速度的方法包括，调整公式包括：
；
式中，表示调整后的晶圆搬运机械臂移动速度，/>表示晶圆搬运机械臂移动速度调整到标准晶圆搬运机械臂移动速度所需要的时间；
若神经网络控制算法模型在时刻输出晶圆搬运机械臂设备的晶圆运动状态调整指令和吸盘吸附力调整指令；则以第一机器学习模型的输出数据第三实时移动速度调整加速度/>和第二机器学习模型的输出数据第二实时吸盘吸附力调整速率/>调整晶圆搬运机械臂移动速度和吸盘吸附力；
调整晶圆搬运机械臂移动速度的调整方法包括，调整公式包括：
；
式中，表示调整后晶圆搬运机械臂移动速度，/>表示第三实时移动速度调整加速度，/>表示实时吸盘吸附力调整到标准吸盘吸附力所需要的时间；
吸盘吸附力的调整方法包括，调整公式包括：
；
式中，表示调整后的吸盘吸附力，/>表示实时的吸盘吸附力，/>表示实时晶圆质量，/>表示第二实时吸盘吸附力调整速率，/>表示第二实时吸盘吸附力调整速率随时间的变化率即为加速度，/>表示实时吸盘吸附力调整到标准吸盘吸附力所需要的时间。
11.一种电子设备，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1-10任一项所述的基于负载感知的晶圆搬运机械臂自适应吸力调节方法。
12.一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1-10任一项所述的基于负载感知的晶圆搬运机械臂自适应吸力调节方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410168440.1A CN117711993B (zh) | 2024-02-06 | 2024-02-06 | 基于负载感知的晶圆搬运机械臂自适应吸力调节方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410168440.1A CN117711993B (zh) | 2024-02-06 | 2024-02-06 | 基于负载感知的晶圆搬运机械臂自适应吸力调节方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117711993A CN117711993A (zh) | 2024-03-15 |
| CN117711993B true CN117711993B (zh) | 2024-04-12 |
Family
ID=90157461
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410168440.1A Active CN117711993B (zh) | 2024-02-06 | 2024-02-06 | 基于负载感知的晶圆搬运机械臂自适应吸力调节方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117711993B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023004883A1 (zh) * | 2021-07-29 | 2023-02-02 | 长鑫存储技术有限公司 | 一种晶圆校准装置、方法及系统置 |
| CN116277037A (zh) * | 2023-05-19 | 2023-06-23 | 泓浒(苏州)半导体科技有限公司 | 一种晶圆搬运机械臂控制系统及方法 |
| CN116872218A (zh) * | 2023-09-05 | 2023-10-13 | 泓浒(苏州)半导体科技有限公司 | 一种半导体晶圆传送过程偏心纠正方法及纠正系统 |
| CN116994999A (zh) * | 2023-09-26 | 2023-11-03 | 泓浒(苏州)半导体科技有限公司 | 一种超洁净环境的机械臂吸力调节方法及系统 |
| CN117140591A (zh) * | 2023-11-01 | 2023-12-01 | 泓浒(苏州)半导体科技有限公司 | 超洁净环境下圆晶转运机械臂的吸附力检测系统及方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20230089092A1 (en) * | 2021-09-23 | 2023-03-23 | Applied Materials, Inc. | Machine learning platform for substrate processing |
-
2024
- 2024-02-06 CN CN202410168440.1A patent/CN117711993B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023004883A1 (zh) * | 2021-07-29 | 2023-02-02 | 长鑫存储技术有限公司 | 一种晶圆校准装置、方法及系统置 |
| CN116277037A (zh) * | 2023-05-19 | 2023-06-23 | 泓浒(苏州)半导体科技有限公司 | 一种晶圆搬运机械臂控制系统及方法 |
| CN116872218A (zh) * | 2023-09-05 | 2023-10-13 | 泓浒(苏州)半导体科技有限公司 | 一种半导体晶圆传送过程偏心纠正方法及纠正系统 |
| CN116994999A (zh) * | 2023-09-26 | 2023-11-03 | 泓浒(苏州)半导体科技有限公司 | 一种超洁净环境的机械臂吸力调节方法及系统 |
| CN117140591A (zh) * | 2023-11-01 | 2023-12-01 | 泓浒(苏州)半导体科技有限公司 | 超洁净环境下圆晶转运机械臂的吸附力检测系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117711993A (zh) | 2024-03-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20210162590A1 (en) | Deep machine learning methods and apparatus for robotic grasping | |
| TWI654058B (zh) | 校正裝置、校正方法及控制裝置 | |
| TWI647775B (zh) | 晶圓搬運牽引控制系統 | |
| CN116277037B (zh) | 一种晶圆搬运机械臂控制系统及方法 | |
| US20210283771A1 (en) | Control apparatus, robot, learning apparatus, robot system, and method | |
| CN116872218B (zh) | 一种半导体晶圆传送过程偏心纠正方法及纠正系统 | |
| CN102764166B (zh) | 一种上假肢手部姿态自平衡控制系统及其工作方法 | |
| JP2016147327A (ja) | 位置及び姿勢の変換演算機能を備えたワーク取出しロボットシステム、及びワーク取出し方法 | |
| CN117711993B (zh) | 基于负载感知的晶圆搬运机械臂自适应吸力调节方法 | |
| CN113696182A (zh) | 机器人控制装置、机器人系统及其方法 | |
| EP3774197A1 (en) | Collaborative robot system | |
| US10744651B2 (en) | Mirror replacement device for a segmented mirror telescope and mirror replacement method thereof | |
| WO2021141039A1 (ja) | ワーク搬送システム | |
| CN113233353B (zh) | 一种起重机的自动控制方法及装置、起重机 | |
| CN112684814A (zh) | 调整云台的负载重心的方法、装置、云台及存储介质 | |
| CN117021123A (zh) | 一种超真空环境下晶圆转运机械臂的振动预测系统及方法 | |
| EP3589457A1 (en) | Monitoring devices, monitored control systems and methods for programming such devices and systems | |
| JP7477770B2 (ja) | ロボットの機械学習装置 | |
| US20230390935A1 (en) | Robot control system, robot control method, and program | |
| CN117162104B (zh) | 超洁净环境下的转运机械臂装机控制预警系统及方法 | |
| US20200310429A1 (en) | Determination method, determination device, and recording medium | |
| JP7442578B2 (ja) | 学習モデル生成方法、学習モデル生成プログラム、学習モデル生成装置、学習用データ生成方法、学習用データ生成プログラム、学習用データ生成装置、推論方法、推論プログラム、推論装置、秤量方法、及び秤量システム | |
| CN116864440B (zh) | 用于半导体工件的自动化搬运系统、方法、设备与介质 | |
| CN112960614B (zh) | 高空作业平台的调平方法和高空作业平台 | |
| US20240139973A1 (en) | Hand, handling robot, control device, method for controlling hand, and storage medium |
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 |