CN117723850B - 超真空环境下晶圆转运机械臂的静电检测系统及方法 - Google Patents

Abstract

本发明属于静电检测技术领域，本发明公开了超真空环境下晶圆转运机械臂的静电检测系统及方法；包括：采集晶圆转运阶段中的静电数据；对静电数据进行分析，判断晶圆转运阶段中是否存在静电状态异常；若存在静电状态异常，则生成疑似异常指令；若生成疑似异常指令，则采集疑似异常指令对应时间点的晶圆图像；对晶圆图像进行分析，判断是否生成异常指令；若生成异常指令，则分析存在静电状态异常的原因；根据静电状态异常的原因进行对应的调节；本发明实现了晶圆在各转运阶段的多元定量静电检测，能够准确定位异常原因，自动进行参数优化调节，有针对性的解决静电问题，从而提高晶圆表面质量。

Description

超真空环境下晶圆转运机械臂的静电检测系统及方法

技术领域

本发明涉及网络安全态势感知技术领域，更具体地说，本发明涉及超真空环境下晶圆转运机械臂的静电检测系统及方法。

背景技术

超真空环境极大程度减少晶圆表面受到粒子污染的风险，提高晶圆的质量和可靠性，然而在超真空环境下，晶圆转运阶段中对于粒子具有极高的敏感度，即使微小的粒子都可能影响晶圆的质量；晶圆转运阶段中，由于机械臂与晶圆之间存在摩擦，因此会产生静电；静电会吸引空气中的微小粒子附着在晶圆表面，尽管超真空环境中粒子数量稀少，但由于超真空环境中气体稀少，气体分子可以扮演一种电荷迁移和放电起隔离作用的介质，因此超真空环境中静电的产生会增加，将环境中稀少的粒子吸引至晶圆表面，对晶圆质量造成影响；

传统的静电检测方法为使用人工视觉检查或使用静电测试仪，人工视觉检查通过工人的视觉检查机械臂表面和晶圆表面是否有尘埃或微粒的吸附，静电测试仪用于检测机械臂和晶圆附近的静电情况；然而传统的静电检测方法往往无法提供准确和可靠的静电数据，容易造成误判或误差，并且缺乏实时检测和预警机制；当然也存在晶圆转运阶段中智能静电监测方法，例如公开号为CN117226829A的中国专利公开了一种用于晶圆传输机器人的控制方法及系统；包括：获取机器人末端执行器与晶圆表面的距离、晶圆姿态和晶圆表面静电电荷状态，得到晶圆表面静电积聚量；设定静电风险阈值，当检测到静电积聚量大于设定阈值时，静电消散控制策略会将规划的机器人运动轨迹和动作序列数据发送给执行器，执行器生成指令代码发送给伺服驱动器，由反馈机制实时监测控制消散效果，当反馈结果大于静电风险阈值时，再次触发静电消散控制策略，直至反馈结果小于等于静电风险阈值；此发明解决了在晶圆传输过程中机器人接触晶圆时的静电风险问题，减少了晶圆传输的损耗风险；

但上述技术并未考虑到通过晶圆表面吸附粒子数量来判断静电状态异常，并且静电状态异常还与环境温度或环境中粒子浓度有关，上述技术仅通过不断调整机器人姿态无法有效的解决由环境温度或环境中粒子浓度引起的静电状态异常；

鉴于此，本发明提出超真空环境下晶圆转运机械臂的静电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，本发明提供如下技术方案：超真空环境下晶圆转运机械臂的静电检测方法，包括：

采集晶圆转运阶段中的静电数据；

对静电数据进行分析，判断晶圆转运阶段中是否存在静电状态异常；若存在静电状态异常，则生成疑似异常指令；

若生成疑似异常指令，则采集疑似异常指令对应时间点的晶圆图像；

对晶圆图像进行分析，判断是否生成异常指令；

若生成异常指令，则分析存在静电状态异常的原因；

根据静电状态异常的原因进行对应的调节。

进一步地，所述转运阶段包括吸附阶段、上升阶段、运输阶段以及放置阶段；所述静电数据包括静电电荷量、静电极性以及静电位置分布；所述静电电荷量为机械臂所携带的静电电荷数量，所述静电极性为静电的正负极性，所述静电位置分布为静电在机械臂表面的位置分布。

进一步地，预设转折时间点，转折时间点包括第一时间点、第二时间点以及第三时间点，吸附阶段和上升阶段的转折时间点为，上升阶段与运输阶段的转折时间点为，运输阶段和放置阶段的转折时间点为；预设采集时间，采集时间包括第一采集时间、第二采集时间、第三采集时间以及第四采集时间，吸附阶段对应第一采集时间，上升阶段对应第二采集时间，运输阶段对应第三采集时间，放置阶段对应第四采集时间；在不同转运阶段根据不同采集时间采集对应的静电数据。

进一步地，所述判断晶圆转运阶段中是否存在静电状态异常的方法包括：

将静电数据和对应的转运阶段作为分析数据，将分析数据输入训练好的静电判断模型，以判断晶圆转运阶段中是否存在静电状态异常；

静电判断模型的训练过程包括：

预先对多组分析数据设置对应的第一判断结果，第一判断结果包括静电状态正常和静电状态异常，对静电状态正常和静电状态异常均设置不同的数字标签；

将第一判断结果的数字标签标记为第一判断标签，将分析数据与对应的第一判断标签转换为对应的一组特征向量；

将每组特征向量作为静电判断模型的输入，所述静电判断模型以每组分析数据对应的一组预测第一判断标签作为输出，以每组分析数据对应的实际第一判断标签作为预测目标，实际第一判断标签即为所述预先设置的与分析数据对应的第一判断结果的数字标签；以最小化所有分析数据的预测误差之和作为训练目标；对静电判断模型进行训练，直至预测误差之和达到收敛时停止训练；所述静电判断模型为深度神经网络模型；

根据预测的第一判断标签获取对应的第一判断结果，以判断晶圆转运阶段中是否存在静电状态异常；若第一判断结果为静电状态异常，则生成疑似异常指令。

进一步地，所述对晶圆图像进行分析的方法包括：

将晶圆图像进行灰度化处理，收集Y个像素点的灰度值，Y为一张晶圆图像中的所有像素点数量；

预设灰度值阈值，将Y个像素点的灰度值分别与灰度值阈值进行对比分析，将灰度值大于或等于灰度值阈值的像素点标记为粒子点，灰度值小于灰度值阈值的像素点则不进行标记；

统计粒子点的个数，计算粒子面积；

粒子面积计算如下：

；

式中，为粒子面积，为粒子点个数，为一个粒子点的面积，为比例系数；

一个粒子点的面积由晶圆图像的分辨率获取，晶圆图像的分辨率由晶圆图像的属性获取；

所述判断是否生成异常指令的方法包括：

预设面积阈值，将粒子面积与面积阈值进行对比分析；

若，则不生成异常指令；

若，则生成异常指令。

进一步地，所述分析存在静电状态异常的原因的方法包括：

步骤a.采集影响数据；

步骤b.对影响数据进行分析，判断静电状态异常的原因。

进一步地，步骤a中，影响数据包括环境温度、粒子浓度以及转运速度；环境温度为晶圆转运室内的温度，粒子浓度为晶圆转运室内的粒子浓度，转运速度为机械臂转运晶圆的速度；晶圆转运室为超真空环境下机械臂转运晶圆的场所。

进一步地，步骤b中，判断静电状态异常的原因的方法包括：

将影响数据输入训练好的原因分析模型，预测静电状态异常的原因；

原因分析模型的训练过程包括：

预先对多组影响数据设置对应的第二判断结果，第二判断结果包括环境温度异常、转运速度异常、粒子浓度异常、环境温度和转运速度均异常、环境温度和粒子浓度均异常、转运速度与粒子浓度均异常以及环境温度、转运速度以及粒子浓度均异常，对不同的第二判断结果设置不同的数字标签；

将第二判断结果的数字标签标记为第二判断标签，将影响数据与对应的第二判断标签转换为对应的一组特征向量；

将每组特征向量作为原因分析模型的输入，所述原因分析模型以每组影响数据对应的一组预测第二判断标签作为输出，以每组影响数据对应的实际第二判断标签作为预测目标，实际第二判断标签即为所述预先设置的与影响数据对应的第二判断结果的数字标签；以最小化所有影响数据的预测误差之和作为训练目标；对原因分析模型进行训练，直至预测误差之和达到收敛时停止训练；所述原因分析模型为深度神经网络模型；

根据预测的第二判断标签获取对应的第二判断结果，根据第二判断结果获取静电状态异常的原因。

进一步地，预设影响数据范围值，影响数据范围值包括环境温度范围值、转运速度范围值以及粒子浓度范围值，其中，，；

若静电状态异常原因中存在环境温度异常，则计算环境温度调节量，将环境温度与环境温度范围值进行对比，若，则；若，则；预设温度调节范围值，其中；温度调节范围值即为温度调节系统所能调节的温度范围；若，则根据环境温度调节量对环境温度进行调节，即通过晶圆转运室内的温度调节系统对环境温度进行调节；若或，则生成预警指令；

若静电状态异常原因中存在转运速度异常，则计算转运速度调节量，将转运速度与转运速度范围值进行对比，若，则；若，则；根据转运速度调节量对转运速度进行调节，即调节机械臂的速度参数；

若静电状态异常原因中存在粒子浓度异常，则计算粒子浓度调节量，将粒子浓度与粒子浓度范围值进行对比，若，则；若，则；根据粒子浓度调节量对粒子浓度进行调节，即通过晶圆转运室内的通风系统对粒子浓度进行调节；

若生成预警指令，则停止晶圆转运。

进一步地，采集晶圆转运阶段刚开始时n个时间点的影响数据；将n个时间点的环境温度输入训练好的第一预测模型中，预测出未来m个时间点的环境温度；将n个时间点的粒子浓度输入训练好的第二预测模型中，预测出未来m个时间点的粒子浓度；一次晶圆转运过程对应的转运阶段共持续G个时间点，其中；n个时间点为连续的时间点，且n个时间点均不存在环境温度异常和粒子浓度异常；

第一预测模型的训练过程包括：

预先收集晶圆转运阶段中R个时间点的环境温度，，R个时间点为连续的时间点；将R个时间点的环境温度构建环境温度的时间序列，基于环境温度的时间序列，训练预测未来时间点的环境温度；

预设滑动步长L以及滑动窗口长度；将环境温度时间序列内的环境温度使用滑动窗口方法将其转化为多个训练样本，将训练样本作为第一预测模型的输入，预测滑动步长L后的环境温度作为输出，每个训练样本的后续环境温度作为预测目标，以预测准确率作为训练目标，对第一预测模型进行训练；生成根据环境温度预测未来时间点环境温度的第一预测模型；其中，所述第一预测模型为循环神经网络模型，循环神经网络模型为RNN神经网络模型；

第二预测模型的训练过程与第一预测模型的训练过程一致；

将预测出未来m个时间点的环境温度和粒子浓度以及获取的未来m个时间点的转运速度作为c组影响数据，其中，一组影响数据对应一个时间点的环境温度、粒子浓度以及转运速度；将c组影响数据分别输入原因分析模型中；未来m个时间点的转运速度根据预设的机械臂控制程序获取；

若未来m个时间点中存在环境温度异常或粒子浓度异常，则将环境温度异常或粒子浓度异常对应的时间点标记为异常时间点，计算异常时间点对应的环境温度调节量或粒子浓度调节量，根据环境温度调节量在异常时间点的前一个时间点对环境温度进行调节，根据粒子浓度调节量在异常时间点的前一个时间点对粒子浓度进行调节。

超真空环境下晶圆转运机械臂的静电检测系统，实施所述的超真空环境下晶圆转运机械臂的静电检测方法，包括：

静电数据采集模块，采集晶圆转运阶段中的静电数据；

静电数据分析模块，对静电数据进行分析，判断晶圆转运阶段中是否存在静电状态异常；若存在静电状态异常，则生成疑似异常指令；

晶圆图像采集模块，若生成疑似异常指令，则采集疑似异常指令对应时间点的晶圆图像；

晶圆图像分析模块，对晶圆图像进行分析，判断是否生成异常指令；

异常原因分析模块，若生成异常指令，则分析存在静电状态异常的原因；

调节模块，根据静电状态异常的原因进行对应的调节。

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所述的超真空环境下晶圆转运机械臂的静电检测方法。

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，所述计算机程序被执行时实现所述的超真空环境下晶圆转运机械臂的静电检测方法。

本发明超真空环境下晶圆转运机械臂的静电检测系统及方法的技术效果和优点：

1.结合静电数据分析和晶圆图像分析，采用机器学习模型和灰度化处理，实现了晶圆在各转运阶段的多元定量静电检测，防止出现误判、漏判等情况，能够更加准确的识别静电异常情况；对于不同阶段采用不同的采集间隔，以提升整体检测效率和效果；同时进行异常原因分析，能够准确定位异常原因，自动进行参数优化调节，有针对性的解决静电问题，从而显著提高晶圆表面质量。

2.通过滑动窗口的方式预测未来时间点的环境温度和粒子浓度，可以提前预测晶圆转运阶段中是否存在静电状态异常，在发生静电状态异常前对环境温度和粒子浓度进行提前调节；从被动响应转变为主动防控，有效的提高了晶圆转运阶段中的防静电能力；可以更精准有效地控制静电环境，防止晶圆表面质量在转运阶段中受到影响。

附图说明

图1为本发明实施例1的超真空环境下晶圆转运机械臂的静电检测系统示意图；

图2为本发明实施例1的转运阶段示意图；

图3为本发明实施例2的超真空环境下晶圆转运机械臂的静电检测系统示意图；

图4为本发明实施例3的超真空环境下晶圆转运机械臂的静电检测方法流程图；

图5为本发明实施例4的电子设备示意图；

图6为本发明实施例5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，本实施例所述超真空环境下晶圆转运机械臂的静电检测系统，包括静电数据采集模块、静电数据分析模块、晶圆图像采集模块、晶圆图像分析模块、异常原因分析模块以及调节模块；各个模块通过有线和/或无线的方式进行连接，实现模块间的数据传输；

静电数据采集模块，用于采集晶圆转运阶段中的静电数据，静电数据包括静电电荷量、静电极性以及静电位置分布；转运阶段包括吸附阶段、上升阶段、运输阶段以及放置阶段；

静电电荷量为机械臂所携带的静电电荷数量，静电电荷量通过安装在机械臂表面的电荷传感器或静电场传感器获取；静电电荷量越多，说明机械臂表面的静电累积越多，会使得晶圆表面吸附更多的粒子（例如尘埃、微粒等），从而影响晶圆表面质量；

静电极性为静电的正负极性，静电极性由安装在机械臂表面的电容式传感器获取；静电极性会导致晶圆表面吸附带有相反电荷的微粒，静电极性多次不一致可能导致电火花的产生，从而损伤晶圆表面；

静电位置分布为静电在机械臂表面的位置分布，静电位置分布由安装在机械臂表面的静电场传感器获取；通过静电位置分布可以分析比较不同位置的静电程度大小，便于寻找静电异常的具体位置；

请参阅图2所示，预设转折时间点，转折时间点包括第一时间点、第二时间点以及第三时间点，吸附阶段和上升阶段的转折时间点为，上升阶段与运输阶段的转折时间点为，运输阶段和放置阶段的转折时间点为；预设采集时间，采集时间包括第一采集时间、第二采集时间、第三采集时间以及第四采集时间，吸附阶段对应第一采集时间，上升阶段对应第二采集时间，运输阶段对应第三采集时间，放置阶段对应第四采集时间；在不同转运阶段根据不同采集时间采集对应的静电数据；

需要说明的是，不同的转运阶段对应不同采集时间的原因在于，不同转运阶段所涉及的动作、接触情况以及机械运动都不同，这些因素会导致静电的产生、转移或积累在不同阶段有所不同，因此对于不同的转运阶段需要预设不同的采集时间，对于静电产生较多的阶段预设较短的采集时间，以在相同时间内采集静电数据的次数更多，能够更准确的获取静电状态的变化，而对于静电产生较少的阶段相对应预设较长的采集时间；例如，在机械臂接触晶圆的吸附阶段，由于直接接触和摩擦可能导致静电产生，而晶圆在上升阶段或运输阶段中，由于接触减少可能会影响静电的分布或消散；

应当了解的是，转折时间点由本领域技术人员在历史晶圆正常转运阶段中多次采集转运阶段改变时对应的时间点，将多个吸附阶段改变为上升阶段对应时间点的均值作为第一时间点，将多个上升阶段改变为运输阶段对应时间点的均值作为第二时间点，将多个运输阶段改变为放置阶段对应时间点的均值作为第三时间点；每个转运阶段的对应的采集时间由本领域技术人员根据实际经验进行预先设置，对于静电产生较多的阶段预设较短的采集时间，对于静电产生较少的阶段预设较长的采集时间；

静电数据分析模块，用于对静电数据进行分析，判断晶圆转运阶段中是否存在静电状态异常；若存在静电状态异常，则生成疑似异常指令；

判断晶圆转运阶段中是否存在静电状态异常的方法包括：

将静电数据和对应的转运阶段作为分析数据，将分析数据输入训练好的静电判断模型，以判断晶圆转运阶段中是否存在静电状态异常；

静电判断模型的具体训练过程包括：

预先对多组分析数据设置对应的第一判断结果，第一判断结果包括静电状态正常和静电状态异常，对静电状态正常和静电状态异常均设置不同的数字标签，示例性的，对静电状态正常设置数字标签为0，对静电状态异常设置数字标签为1；分析数据对应的第一判断结果由本领域技术人员在历史晶圆转运阶段中，收集多组不同的分析数据，本领域技术人员根据经验依次判断多组不同的分析数据是否存在静电状态异常，将多组不同的分析数据依次设置对应的第一判断结果；

将第一判断结果的数字标签标记为第一判断标签，将分析数据与对应的第一判断标签转换为对应的一组特征向量；

将每组特征向量作为静电判断模型的输入，所述静电判断模型以每组分析数据对应的一组预测第一判断标签作为输出，以每组分析数据对应的实际第一判断标签作为预测目标，实际第一判断标签即为所述预先设置的与分析数据对应的第一判断结果的数字标签；以最小化所有分析数据的预测误差之和作为训练目标；其中，预测误差的计算公式为，其中为预测误差，为分析数据对应特征向量的组号，为第组分析数据对应的预测第一判断标签，为第组分析数据对应的实际第一判断标签；对静电判断模型进行训练，直至预测误差之和达到收敛时停止训练；

上述静电判断模型具体为深度神经网络模型；

根据预测的第一判断标签获取对应的第一判断结果，以判断晶圆转运阶段中是否存在静电状态异常；若第一判断结果为静电状态异常，则生成疑似异常指令；

需要说明的是，仅通过静电数据判断晶圆转运阶段中是否存在静电状态异常不够准确，原因在于，由于静电数据的采集过程中可能存在传感器故障或外部信号干扰等影响，导致采集到的静电数据异常，从而导致判断不准确；因此还需要进行其余操作，以准确判断晶圆转运阶段中是否存在静电状态异常；

晶圆图像采集模块，若生成疑似异常指令，则采集疑似异常指令对应时间点的晶圆图像；

晶圆图像为晶圆的表面图像，晶圆图像由安装在晶圆转运室内的多个图像传感器获取，多个图像传感器依次安装在晶圆转运路程中，以确保在每个晶圆转运阶段都能获取清晰的晶圆图像；晶圆转运室为超真空环境下机械臂转运晶圆的场所；

晶圆图像分析模块，用于对晶圆图像进行分析，判断是否生成异常指令；

对晶圆图像进行分析的方法包括：

将晶圆图像进行灰度化处理，收集Y个像素点的灰度值，Y为一张晶圆图像中的所有像素点数量；

预设灰度值阈值，将Y个像素点的灰度值分别与灰度值阈值进行对比分析，将灰度值大于或等于灰度值阈值的像素点标记为粒子点，灰度值小于灰度值阈值的像素点则不进行标记；

需要说明的是，灰度值阈值由本领域技术人员在历史晶圆正常转运阶段中，采集多张晶圆图像并进行灰度化处理，将每张晶圆图像中各种粒子对应像素点的灰度值作为一个分析集合，将多个分析集合中最低灰度值的均值作为灰度值阈值；

统计粒子点的个数，计算粒子面积；

粒子面积计算如下：

；

式中，为粒子面积，为粒子点个数，为一个粒子点的面积，为比例系数；

一个粒子点的面积由晶圆图像的分辨率获取，晶圆图像的分辨率由晶圆图像的属性获取；比例系数由本领域技术人员在历史晶圆正常转运阶段确定灰度值阈值时，对多张晶圆图像中的晶圆面积和晶圆实际面积进行测量，将晶圆图像中的晶圆面积除以晶圆实际面积获取商值，将多个商值对应的均值作为比例系数；

判断是否生成异常指令的方法包括：

预设面积阈值，将粒子面积与面积阈值进行对比分析；若，则不生成异常指令，说明晶圆表面附着的粒子数量较少，当前时刻对应的静电状态正常；若，则生成异常指令，说明晶圆表面附着的粒子数量较多，当前时刻对应的静电状态异常；

异常原因分析模块，若生成异常指令，则分析存在静电状态异常的原因；

分析存在静电状态异常的原因的方法包括：

步骤a.采集影响数据；

步骤b.对影响数据进行分析，判断静电状态异常的原因；

上述步骤a中，影响数据包括环境温度、粒子浓度以及转运速度；

环境温度为晶圆转运室内的温度，环境温度由安装在晶圆转运室内的热电偶传感器获取；由于晶圆转运室内为超真空环境，因此水蒸气极其稀少，湿度不会影响静电；而温度会影响静电，过高或过低的温度均会使得晶圆表面的粒子浓度变化，从而影响静电平衡能力，导致静电状态异常，从而影响晶圆表面质量；

粒子浓度为晶圆转运室内的粒子浓度，粒子浓度由安装在晶圆转运室内的激光粒度仪获取；在超真空环境下，粒子浓度相较于正常环境会大幅下降，但由于密封性不佳、真空泵性能下降、本领域技术人员进行维护时携带粒子等情况的存在，导致粒子浓度上升；而超真空环境下，晶圆转运阶段中对于粒子具有极高的敏感度，即使微小的粒子都可能影响晶圆的质量，粒子相互碰撞或撞击晶圆表面，会打破晶圆表面电荷的平衡状态，导致静电状态异常，从而影响晶圆表面质量；

转运速度为机械臂转运晶圆的速度，转运速度由安装在机械臂转轴上的速度传感器获取；在超真空环境下，转运速度对机械摩擦静电效应的影响，相比于正常环境下减弱，但过大的转运速度仍然会产生较多的静电；同时由于低速下机械接触效应，转运速度过小会使得机械臂的机械零件与晶圆表面更容易发生直接接触，从而增加局部静电，导致静电状态异常，从而影响晶圆表面质量；

需要说明的是，上述采集静电数据和影响数据所选择的传感器均需要采用特殊的封装材料和组件，以确保传感器能在超真空环境下正常使用，特殊的封装材料和组件由本领域技术人员根据实际情况进行选择使用；

上述步骤b中，判断静电状态异常的原因的方法包括：

将影响数据输入训练好的原因分析模型，预测静电状态异常的原因；

原因分析模型的具体训练过程包括：

预先对多组影响数据设置对应的第二判断结果，第二判断结果包括环境温度异常、转运速度异常、粒子浓度异常、环境温度和转运速度均异常、环境温度和粒子浓度均异常、转运速度与粒子浓度均异常以及环境温度、转运速度以及粒子浓度均异常，对不同的第二判断结果设置不同的数字标签，示例性的，对环境温度异常设置数字标签为1，对转运速度异常设置数字标签为2，对粒子浓度异常设置数字标签为3，对环境温度和转运速度均异常设置数字标签为4，对环境温度和粒子浓度均异常设置数字标签为5，对转运速度与粒子浓度均异常设置数字标签为6，对环境温度、转运速度以及粒子浓度均异常设置数字标签为7；影响数据对应的第二判断结果由本领域技术人员在历史晶圆转运阶段中，收集多组不同的影响数据，本领域技术人员根据经验依次判断多组不同影响数据的每种数据是否存在异常，将多组不同的影响数据依次设置对应的第二判断结果；

将第二判断结果的数字标签标记为第二判断标签，将影响数据与对应的第二判断标签转换为对应的一组特征向量；

将每组特征向量作为原因分析模型的输入，所述原因分析模型以每组影响数据对应的一组预测第二判断标签作为输出，以每组影响数据对应的实际第二判断标签作为预测目标，实际第二判断标签即为所述预先设置的与影响数据对应的第二判断结果的数字标签；以最小化所有影响数据的预测误差之和作为训练目标；其中，预测误差的计算公式为，其中为预测误差，为影响数据对应特征向量的组号，为第组影响数据对应的预测第二判断标签，为第组影响数据对应的实际第二判断标签；对原因分析模型进行训练，直至预测误差之和达到收敛时停止训练；

上述原因分析模型具体为深度神经网络模型；

根据预测的第二判断标签获取对应的第二判断结果，根据第二判断结果获取静电状态异常的原因；

调节模块，根据静电状态异常的原因进行对应的调节，确保晶圆转运阶段中静电状态恢复正常；

预设影响数据范围值，影响数据范围值包括环境温度范围值、转运速度范围值以及粒子浓度范围值，其中，，；影响数据范围值为本领域技术人员在历史晶圆正常转运阶段时，多次采集影响数据，一次采集Q组影响数据，将一次采集的Q组影响数据中的环境温度、转运速度以及粒子浓度分别求取均值，获取多个环境温度均值、转运速度均值以及粒子浓度均值；将多个环境温度均值的最大值和最小值作为环境温度范围值，将多个转运速度均值的最大值和最小值作为转运速度范围值，将多个粒子浓度均值的最大值和最小值作为粒子浓度范围值；

若静电状态异常原因中存在环境温度异常，则计算环境温度调节量，将环境温度与环境温度范围值进行对比，若，则；若，则；预设温度调节范围值，其中；温度调节范围值即为温度调节系统所能调节的温度范围；若，则根据环境温度调节量对环境温度进行调节，即通过晶圆转运室内的温度调节系统对环境温度进行调节；若或，则生成预警指令，说明此时环境温度调节量已经超过温度调节系统所能调节的温度范围，需要本领域技术人员人为进行环境温度调整，例如在通风管道表面安装小功率PTC负压管进行定向加热、使用隔热衣包裹少量电阻发热线进行精细加热等；由于存在环境温度异常，因此不存在；

需要说明的是，温度调节范围值由本领域技术人员在晶圆转运阶段开始前，通过温度调节系统对晶圆转运室内的环境温度进行调节，并且实时采集晶圆转运室内的环境温度，以获取温度调节系统所能调节的温度范围；

若静电状态异常原因中存在转运速度异常，则计算转运速度调节量，将转运速度与转运速度范围值进行对比，若，则；若，则；根据转运速度调节量对转运速度进行调节，即调节机械臂的速度参数；由于存在转运速度异常，因此不存在；

若静电状态异常原因中存在粒子浓度异常，则计算粒子浓度调节量，将粒子浓度与粒子浓度范围值进行对比，若，则；若，则；根据粒子浓度调节量对粒子浓度进行调节，即通过晶圆转运室内的通风系统对粒子浓度进行调节；由于存在粒子浓度异常，因此不存在；

需要说明的是，由于晶圆转运室内为超真空环境，不适用混合通风系统实现对热流交换，同时也无法使用空调中的蒸发器进行升温或降温，仅能通过少量对流风或电热线进行静热调节，因此晶圆转运室内温度调节系统所能调节的温度范围较小，通常为；同时晶圆转运室内的通风系统与正常环境下的通风系统不同，需要改用对流导管的热交换形式替代一般风扇，过滤器和清洁设备需要小体型与低功耗，采用静电或无接触式操作方式等，确保不会影响晶圆转运室内的超真空环境；

若生成预警指令，则停止晶圆转运，并将预警指令发送至本领域技术人员移动设备上，以便本领域技术人员对晶圆转运室内的温度进行及时调节，防止影响晶圆的表面质量；

本实施例结合静电数据分析和晶圆图像分析，采用机器学习模型和灰度化处理，实现了晶圆在各转运阶段的多元定量静电检测，防止出现误判、漏判等情况，能够更加准确的识别静电异常情况；对于不同阶段采用不同的采集间隔，以提升整体检测效率和效果；同时进行异常原因分析，能够准确定位异常原因，自动进行参数优化调节，有针对性的解决静电问题，从而显著提高晶圆表面质量。

实施例2：

请参阅图3所示，本实施例在实施例1的基础上进一步改进设计，上述实施例1中，当对静电数据和晶圆图像进行分析后，若生成异常指令，才对影响数据进行采集以判断静电状态异常的原因，最后对静电状态异常原因对应的影响数据进行调节；然而在这过程中晶圆转运室内已经出现静电状态异常，即晶圆表面质量已经受到影响，调节的目的在于防止晶圆表面质量进一步受到影响；为了防止晶圆表面质量在转运阶段受到影响，需要提前对影响数据进行预测，以预测未来时间点的转运阶段中是否存在静电状态异常；因此本实施例提供了超真空环境下晶圆转运机械臂的静电检测系统，还包括异常预测模块；

异常预测模块，采集晶圆转运阶段刚开始时n个时间点的影响数据；将n个时间点的环境温度输入训练好的第一预测模型中，预测出未来m个时间点的环境温度；将n个时间点的粒子浓度输入训练好的第二预测模型中，预测出未来m个时间点的粒子浓度；一次晶圆转运过程对应的转运阶段共持续G个时间点，其中；n个时间点为连续的时间点，且n个时间点均不存在环境温度异常和粒子浓度异常；

需要说明的是，晶圆转运阶段中的转运速度由机械臂的控制程序决定，因此G个时间点内的转运速度均已提前获取，无需进行预测；

第一预测模型的具体训练过程包括：

预先收集晶圆转运阶段中R个时间点的环境温度，，R个时间点为连续的时间点；将R个时间点的环境温度构建环境温度的时间序列，基于环境温度的时间序列，训练预测未来时间点的环境温度；

根据工作人员实际经验预设滑动步长L以及滑动窗口长度；将环境温度时间序列内的环境温度使用滑动窗口方法将其转化为多个训练样本，将训练样本作为第一预测模型的输入，预测滑动步长L后的环境温度作为输出，每个训练样本的后续环境温度作为预测目标，以预测准确率作为训练目标，对第一预测模型进行训练；生成根据环境温度预测未来时间点环境温度的第一预测模型；其中，所述第一预测模型为循环神经网络模型，循环神经网络模型为RNN神经网络模型；

示例性的，假设环境温度时间序列包含10组环境温度，={, , ... , },为第组环境温度，使用滑动窗口构建多个训练样本，定义滑动窗口的长度为4，滑动步长L为1，每个训练样本包含连续的4个环境温度，将连续的4个环境温度的下一个环境温度作为预测目标；例如：

{, , ，}作为训练数据，{, , ，}对应的预测目标为；

{, , ，}作为训练数据，{, , ，}对应的预测目标为；以此类推，用于训练第一预测模型；

第二预测模型的训练过程与第一预测模型的训练过程一致；

将预测出未来m个时间点的环境温度和粒子浓度以及获取的未来m个时间点的转运速度作为c组影响数据，其中，一组影响数据对应一个时间点的环境温度、粒子浓度以及转运速度；将c组影响数据分别输入原因分析模型中；未来m个时间点的转运速度根据预设的机械臂控制程序获取；

若未来m个时间点中存在环境温度异常或粒子浓度异常，则将环境温度异常或粒子浓度异常对应的时间点标记为异常时间点，计算异常时间点对应的环境温度调节量或粒子浓度调节量，根据环境温度调节量在异常时间点的前一个时间点对环境温度进行调节，根据粒子浓度调节量在异常时间点的前一个时间点对粒子浓度进行调节，避免晶圆转运阶段中晶圆表面质量受到影响；

本实施例通过滑动窗口的方式预测未来时间点的环境温度和粒子浓度，可以提前预测晶圆转运阶段中是否存在静电状态异常，在发生静电状态异常前对环境温度和粒子浓度进行提前调节；从被动响应转变为主动防控，有效的提高了晶圆转运阶段中的防静电能力；可以更精准有效地控制静电环境，防止晶圆表面质量在转运阶段中受到影响。

实施例3：

请参阅图4所示，本实施例未详细叙述部分见实施例1和2描述内容，提供超真空环境下晶圆转运机械臂的静电检测方法，包括：

采集晶圆转运阶段中的静电数据；

对静电数据进行分析，判断晶圆转运阶段中是否存在静电状态异常；若存在静电状态异常，则生成疑似异常指令；

若生成疑似异常指令，则采集疑似异常指令对应时间点的晶圆图像；

对晶圆图像进行分析，判断是否生成异常指令；

若生成异常指令，则分析存在静电状态异常的原因；

根据静电状态异常的原因进行对应的调节。

进一步地，所述转运阶段包括吸附阶段、上升阶段、运输阶段以及放置阶段；所述静电数据包括静电电荷量、静电极性以及静电位置分布；所述静电电荷量为机械臂所携带的静电电荷数量，所述静电极性为静电的正负极性，所述静电位置分布为静电在机械臂表面的位置分布。

进一步地，预设转折时间点，转折时间点包括第一时间点、第二时间点以及第三时间点，吸附阶段和上升阶段的转折时间点为，上升阶段与运输阶段的转折时间点为，运输阶段和放置阶段的转折时间点为；预设采集时间，采集时间包括第一采集时间、第二采集时间、第三采集时间以及第四采集时间，吸附阶段对应第一采集时间，上升阶段对应第二采集时间，运输阶段对应第三采集时间，放置阶段对应第四采集时间；在不同转运阶段根据不同采集时间采集对应的静电数据。

进一步地，所述判断晶圆转运阶段中是否存在静电状态异常的方法包括：

将静电数据和对应的转运阶段作为分析数据，将分析数据输入训练好的静电判断模型，以判断晶圆转运阶段中是否存在静电状态异常；

静电判断模型的训练过程包括：

预先对多组分析数据设置对应的第一判断结果，第一判断结果包括静电状态正常和静电状态异常，对静电状态正常和静电状态异常均设置不同的数字标签；

将第一判断结果的数字标签标记为第一判断标签，将分析数据与对应的第一判断标签转换为对应的一组特征向量；

将每组特征向量作为静电判断模型的输入，所述静电判断模型以每组分析数据对应的一组预测第一判断标签作为输出，以每组分析数据对应的实际第一判断标签作为预测目标，实际第一判断标签即为所述预先设置的与分析数据对应的第一判断结果的数字标签；以最小化所有分析数据的预测误差之和作为训练目标；对静电判断模型进行训练，直至预测误差之和达到收敛时停止训练；所述静电判断模型为深度神经网络模型；

根据预测的第一判断标签获取对应的第一判断结果，以判断晶圆转运阶段中是否存在静电状态异常；若第一判断结果为静电状态异常，则生成疑似异常指令。

进一步地，所述对晶圆图像进行分析的方法包括：

将晶圆图像进行灰度化处理，收集Y个像素点的灰度值，Y为一张晶圆图像中的所有像素点数量；

预设灰度值阈值，将Y个像素点的灰度值分别与灰度值阈值进行对比分析，将灰度值大于或等于灰度值阈值的像素点标记为粒子点，灰度值小于灰度值阈值的像素点则不进行标记；

统计粒子点的个数，计算粒子面积；

粒子面积计算如下：

；

式中，为粒子面积，为粒子点个数，为一个粒子点的面积，为比例系数；

一个粒子点的面积由晶圆图像的分辨率获取，晶圆图像的分辨率由晶圆图像的属性获取；

所述判断是否生成异常指令的方法包括：

预设面积阈值，将粒子面积与面积阈值进行对比分析；

若，则不生成异常指令；

若，则生成异常指令。

进一步地，所述分析存在静电状态异常的原因的方法包括：

步骤a.采集影响数据；

步骤b.对影响数据进行分析，判断静电状态异常的原因。

进一步地，步骤a中，影响数据包括环境温度、粒子浓度以及转运速度；环境温度为晶圆转运室内的温度，粒子浓度为晶圆转运室内的粒子浓度，转运速度为机械臂转运晶圆的速度；晶圆转运室为超真空环境下机械臂转运晶圆的场所。

进一步地，步骤b中，判断静电状态异常的原因的方法包括：

将影响数据输入训练好的原因分析模型，预测静电状态异常的原因；

原因分析模型的训练过程包括：

预先对多组影响数据设置对应的第二判断结果，第二判断结果包括环境温度异常、转运速度异常、粒子浓度异常、环境温度和转运速度均异常、环境温度和粒子浓度均异常、转运速度与粒子浓度均异常以及环境温度、转运速度以及粒子浓度均异常，对不同的第二判断结果设置不同的数字标签；

将第二判断结果的数字标签标记为第二判断标签，将影响数据与对应的第二判断标签转换为对应的一组特征向量；

将每组特征向量作为原因分析模型的输入，所述原因分析模型以每组影响数据对应的一组预测第二判断标签作为输出，以每组影响数据对应的实际第二判断标签作为预测目标，实际第二判断标签即为所述预先设置的与影响数据对应的第二判断结果的数字标签；以最小化所有影响数据的预测误差之和作为训练目标；对原因分析模型进行训练，直至预测误差之和达到收敛时停止训练；所述原因分析模型为深度神经网络模型；

根据预测的第二判断标签获取对应的第二判断结果，根据第二判断结果获取静电状态异常的原因。

进一步地，预设影响数据范围值，影响数据范围值包括环境温度范围值、转运速度范围值以及粒子浓度范围值，其中，，；

若静电状态异常原因中存在环境温度异常，则计算环境温度调节量，将环境温度与环境温度范围值进行对比，若，则；若，则；预设温度调节范围值，其中；温度调节范围值即为温度调节系统所能调节的温度范围；若，则根据环境温度调节量对环境温度进行调节，即通过晶圆转运室内的温度调节系统对环境温度进行调节；若或，则生成预警指令；

若静电状态异常原因中存在转运速度异常，则计算转运速度调节量，将转运速度与转运速度范围值进行对比，若，则；若，则；根据转运速度调节量对转运速度进行调节，即调节机械臂的速度参数；

若静电状态异常原因中存在粒子浓度异常，则计算粒子浓度调节量，将粒子浓度与粒子浓度范围值进行对比，若，则；若，则；根据粒子浓度调节量对粒子浓度进行调节，即通过晶圆转运室内的通风系统对粒子浓度进行调节；

若生成预警指令，则停止晶圆转运。

进一步地，采集晶圆转运阶段刚开始时n个时间点的影响数据；将n个时间点的环境温度输入训练好的第一预测模型中，预测出未来m个时间点的环境温度；将n个时间点的粒子浓度输入训练好的第二预测模型中，预测出未来m个时间点的粒子浓度；一次晶圆转运过程对应的转运阶段共持续G个时间点，其中；n个时间点为连续的时间点，且n个时间点均不存在环境温度异常和粒子浓度异常；

第一预测模型的训练过程包括：

预先收集晶圆转运阶段中R个时间点的环境温度，，R个时间点为连续的时间点；将R个时间点的环境温度构建环境温度的时间序列，基于环境温度的时间序列，训练预测未来时间点的环境温度；

预设滑动步长L以及滑动窗口长度；将环境温度时间序列内的环境温度使用滑动窗口方法将其转化为多个训练样本，将训练样本作为第一预测模型的输入，预测滑动步长L后的环境温度作为输出，每个训练样本的后续环境温度作为预测目标，以预测准确率作为训练目标，对第一预测模型进行训练；生成根据环境温度预测未来时间点环境温度的第一预测模型；其中，所述第一预测模型为循环神经网络模型，循环神经网络模型为RNN神经网络模型；

第二预测模型的训练过程与第一预测模型的训练过程一致；

将预测出未来m个时间点的环境温度和粒子浓度以及获取的未来m个时间点的转运速度作为c组影响数据，其中，一组影响数据对应一个时间点的环境温度、粒子浓度以及转运速度；将c组影响数据分别输入原因分析模型中；未来m个时间点的转运速度根据预设的机械臂控制程序获取；

若未来m个时间点中存在环境温度异常或粒子浓度异常，则将环境温度异常或粒子浓度异常对应的时间点标记为异常时间点，计算异常时间点对应的环境温度调节量或粒子浓度调节量，根据环境温度调节量在异常时间点的前一个时间点对环境温度进行调节，根据粒子浓度调节量在异常时间点的前一个时间点对粒子浓度进行调节。

实施例4：

请参阅图5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真空环境下晶圆转运机械臂的静电检测方法。

根据本申请实施方式的方法或系统也可以借助于图5所示的电子设备的架构来实现。如图5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超真空环境下晶圆转运机械臂的静电检测方法。进一步地，电子设备500还可包括用户界面508。当然，图5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5示出的电子设备中的一个或多个组件。

实施例5：

请参阅图6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超真空环境下晶圆转运机械臂的静电检测方法。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，例如：超真空环境下晶圆转运机械臂的静电检测方法。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。

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以意识到，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，可以通过其它的方式实现。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，机械或其它的形式。

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 (8)

1.超真空环境下晶圆转运机械臂的静电检测方法，其特征在于，包括：

采集晶圆转运阶段中的静电数据；

对静电数据进行分析，判断晶圆转运阶段中是否存在静电状态异常；若存在静电状态异常，则生成疑似异常指令；所述判断晶圆转运阶段中是否存在静电状态异常的方法包括：

将静电数据和对应的转运阶段作为分析数据，将分析数据输入训练好的静电判断模型，以判断晶圆转运阶段中是否存在静电状态异常；

静电判断模型的训练过程包括：

预先对多组分析数据设置对应的第一判断结果，第一判断结果包括静电状态正常和静电状态异常，对静电状态正常和静电状态异常均设置不同的数字标签；

将第一判断结果的数字标签标记为第一判断标签，将分析数据与对应的第一判断标签转换为对应的一组特征向量；

将每组特征向量作为静电判断模型的输入，所述静电判断模型以每组分析数据对应的一组预测第一判断标签作为输出，以每组分析数据对应的实际第一判断标签作为预测目标，实际第一判断标签即为预先设置的与分析数据对应的第一判断结果的数字标签；以最小化所有分析数据的预测误差之和作为训练目标；对静电判断模型进行训练，直至预测误差之和达到收敛时停止训练；所述静电判断模型为深度神经网络模型；

根据预测的第一判断标签获取对应的第一判断结果，以判断晶圆转运阶段中是否存在静电状态异常；若第一判断结果为静电状态异常，则生成疑似异常指令；

若生成疑似异常指令，则采集疑似异常指令对应时间点的晶圆图像；

对晶圆图像进行分析，判断是否生成异常指令；所述对晶圆图像进行分析的方法包括：

将晶圆图像进行灰度化处理，收集Y个像素点的灰度值，Y为一张晶圆图像中的所有像素点数量；

预设灰度值阈值，将Y个像素点的灰度值分别与灰度值阈值进行对比分析，将灰度值大于或等于灰度值阈值的像素点标记为粒子点，灰度值小于灰度值阈值的像素点则不进行标记；

统计粒子点的个数，计算粒子面积；

粒子面积计算如下：

；

式中，为粒子面积，为粒子点个数，为一个粒子点的面积，为比例系数；

一个粒子点的面积由晶圆图像的分辨率获取，晶圆图像的分辨率由晶圆图像的属性获取；

所述判断是否生成异常指令的方法包括：

预设面积阈值，将粒子面积与面积阈值进行对比分析；

若，则不生成异常指令；

若，则生成异常指令；

若生成异常指令，则分析存在静电状态异常的原因；所述分析存在静电状态异常的原因的方法包括：

步骤a.采集影响数据；

步骤b.对影响数据进行分析，判断静电状态异常的原因；

步骤a中，影响数据包括环境温度、粒子浓度以及转运速度；环境温度为晶圆转运室内的温度，粒子浓度为晶圆转运室内的粒子浓度，转运速度为机械臂转运晶圆的速度；晶圆转运室为超真空环境下机械臂转运晶圆的场所；

步骤b中，判断静电状态异常的原因的方法包括：

将影响数据输入训练好的原因分析模型，预测静电状态异常的原因；

原因分析模型的训练过程包括：

预先对多组影响数据设置对应的第二判断结果，第二判断结果包括环境温度异常、转运速度异常、粒子浓度异常、环境温度和转运速度均异常、环境温度和粒子浓度均异常、转运速度与粒子浓度均异常以及环境温度、转运速度以及粒子浓度均异常，对不同的第二判断结果设置不同的数字标签；

将第二判断结果的数字标签标记为第二判断标签，将影响数据与对应的第二判断标签转换为对应的一组特征向量；

将每组特征向量作为原因分析模型的输入，所述原因分析模型以每组影响数据对应的一组预测第二判断标签作为输出，以每组影响数据对应的实际第二判断标签作为预测目标，实际第二判断标签即为预先设置的与影响数据对应的第二判断结果的数字标签；以最小化所有影响数据的预测误差之和作为训练目标；对原因分析模型进行训练，直至预测误差之和达到收敛时停止训练；所述原因分析模型为深度神经网络模型；

根据预测的第二判断标签获取对应的第二判断结果，根据第二判断结果获取静电状态异常的原因；

根据静电状态异常的原因进行对应的调节。

2.根据权利要求1所述的超真空环境下晶圆转运机械臂的静电检测方法，其特征在于，所述转运阶段包括吸附阶段、上升阶段、运输阶段以及放置阶段；所述静电数据包括静电电荷量、静电极性以及静电位置分布；所述静电电荷量为机械臂所携带的静电电荷数量，所述静电极性为静电的正负极性，所述静电位置分布为静电在机械臂表面的位置分布。

3.根据权利要求2所述的超真空环境下晶圆转运机械臂的静电检测方法，其特征在于，预设转折时间点，转折时间点包括第一时间点、第二时间点以及第三时间点，吸附阶段和上升阶段的转折时间点为，上升阶段与运输阶段的转折时间点为，运输阶段和放置阶段的转折时间点为；预设采集时间，采集时间包括第一采集时间、第二采集时间、第三采集时间以及第四采集时间，吸附阶段对应第一采集时间，上升阶段对应第二采集时间，运输阶段对应第三采集时间，放置阶段对应第四采集时间；在不同转运阶段根据不同采集时间采集对应的静电数据。

4.根据权利要求3所述的超真空环境下晶圆转运机械臂的静电检测方法，其特征在于，预设影响数据范围值，影响数据范围值包括环境温度范围值、转运速度范围值以及粒子浓度范围值，其中，，；

若静电状态异常原因中存在环境温度异常，则计算环境温度调节量，将环境温度与环境温度范围值进行对比，若，则；若，则；预设温度调节范围值，其中；温度调节范围值即为温度调节系统所能调节的温度范围；若，则根据环境温度调节量对环境温度进行调节，即通过晶圆转运室内的温度调节系统对环境温度进行调节；若或，则生成预警指令；

若静电状态异常原因中存在转运速度异常，则计算转运速度调节量，将转运速度与转运速度范围值进行对比，若，则；若，则；根据转运速度调节量对转运速度进行调节，即调节机械臂的速度参数；

若静电状态异常原因中存在粒子浓度异常，则计算粒子浓度调节量，将粒子浓度与粒子浓度范围值进行对比，若，则；若，则；根据粒子浓度调节量对粒子浓度进行调节，即通过晶圆转运室内的通风系统对粒子浓度进行调节；

若生成预警指令，则停止晶圆转运。

5.根据权利要求4所述的超真空环境下晶圆转运机械臂的静电检测方法，其特征在于，采集晶圆转运阶段刚开始时n个时间点的影响数据；将n个时间点的环境温度输入训练好的第一预测模型中，预测出未来m个时间点的环境温度；将n个时间点的粒子浓度输入训练好的第二预测模型中，预测出未来m个时间点的粒子浓度；一次晶圆转运过程对应的转运阶段共持续G个时间点，其中；n个时间点为连续的时间点，且n个时间点均不存在环境温度异常和粒子浓度异常；

第一预测模型的训练过程包括：

预先收集晶圆转运阶段中R个时间点的环境温度，，R个时间点为连续的时间点；将R个时间点的环境温度构建环境温度的时间序列，基于环境温度的时间序列，训练预测未来时间点的环境温度；

预设滑动步长L以及滑动窗口长度；将环境温度时间序列内的环境温度使用滑动窗口方法将其转化为多个训练样本，将训练样本作为第一预测模型的输入，预测滑动步长L后的环境温度作为输出，每个训练样本的后续环境温度作为预测目标，以预测准确率作为训练目标，对第一预测模型进行训练；生成根据环境温度预测未来时间点环境温度的第一预测模型；其中，所述第一预测模型为循环神经网络模型，循环神经网络模型为RNN神经网络模型；

第二预测模型的训练过程与第一预测模型的训练过程一致；

将预测出未来m个时间点的环境温度和粒子浓度以及获取的未来m个时间点的转运速度作为c组影响数据，其中，一组影响数据对应一个时间点的环境温度、粒子浓度以及转运速度；将c组影响数据分别输入原因分析模型中；未来m个时间点的转运速度根据预设的机械臂控制程序获取；

若未来m个时间点中存在环境温度异常或粒子浓度异常，则将环境温度异常或粒子浓度异常对应的时间点标记为异常时间点，计算异常时间点对应的环境温度调节量或粒子浓度调节量，根据环境温度调节量在异常时间点的前一个时间点对环境温度进行调节，根据粒子浓度调节量在异常时间点的前一个时间点对粒子浓度进行调节。

6.超真空环境下晶圆转运机械臂的静电检测系统，实施权利要求1-5任一项所述的超真空环境下晶圆转运机械臂的静电检测方法，其特征在于，包括：

静电数据采集模块，采集晶圆转运阶段中的静电数据；

静电数据分析模块，对静电数据进行分析，判断晶圆转运阶段中是否存在静电状态异常；若存在静电状态异常，则生成疑似异常指令；

晶圆图像采集模块，若生成疑似异常指令，则采集疑似异常指令对应时间点的晶圆图像；

晶圆图像分析模块，对晶圆图像进行分析，判断是否生成异常指令；

异常原因分析模块，若生成异常指令，则分析存在静电状态异常的原因；

调节模块，根据静电状态异常的原因进行对应的调节。

7.一种电子设备，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1-5任一项所述的超真空环境下晶圆转运机械臂的静电检测方法。

8.一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1-5任一项所述的超真空环境下晶圆转运机械臂的静电检测方法。