CN117817652A - 基于晶圆传送机械臂的晶圆传送故障分析方法 - Google Patents
基于晶圆传送机械臂的晶圆传送故障分析方法 Download PDFInfo
- Publication number
- CN117817652A CN117817652A CN202310935266.4A CN202310935266A CN117817652A CN 117817652 A CN117817652 A CN 117817652A CN 202310935266 A CN202310935266 A CN 202310935266A CN 117817652 A CN117817652 A CN 117817652A
- Authority
- CN
- China
- Prior art keywords
- pressure
- wafer
- amplitude
- fault
- sequence
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 62
- 238000010801 machine learning Methods 0.000 claims abstract description 48
- 238000003062 neural network model Methods 0.000 claims abstract description 34
- 230000005540 biological transmission Effects 0.000 claims abstract description 28
- 230000000977 initiatory effect Effects 0.000 claims abstract description 11
- 235000012431 wafers Nutrition 0.000 claims description 179
- 238000012546 transfer Methods 0.000 claims description 61
- 238000000034 method Methods 0.000 claims description 51
- 230000001133 acceleration Effects 0.000 claims description 32
- 239000013598 vector Substances 0.000 claims description 29
- 238000005457 optimization Methods 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 19
- 230000015654 memory Effects 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 abstract description 6
- 230000008569 process Effects 0.000 description 13
- 230000007246 mechanism Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 230000032683 aging Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1674—Programme controls characterised by safety, monitoring, diagnostic
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J11/00—Manipulators not otherwise provided for
- B25J11/0095—Manipulators transporting wafers
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1656—Programme controls characterised by programming, planning systems for manipulators
- B25J9/1661—Programme controls characterised by programming, planning systems for manipulators characterised by task planning, object-oriented languages
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1679—Programme controls characterised by the tasks executed
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
- B65G49/00—Conveying systems characterised by their application for specified purposes not otherwise provided for
- B65G49/05—Conveying systems characterised by their application for specified purposes not otherwise provided for for fragile or damageable materials or articles
- B65G49/07—Conveying systems characterised by their application for specified purposes not otherwise provided for for fragile or damageable materials or articles for semiconductor wafers Not used, see H01L21/677
-
- 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
- Engineering & Computer Science (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Container, Conveyance, Adherence, Positioning, Of Wafer (AREA)
Abstract
本发明公开了基于晶圆传送机械臂的晶圆传送故障分析方法，涉及晶圆传送故障分析技术领域，收集历史振动序列集合以及历史压力训练数据，训练出预测振幅序列的神经网络模型，以及评估晶圆所承受的压力值的机器学习模型，在振幅大于振幅阈值时，使用机器学习模型输出预测的压力值，在压力值大于或等于压力阈值时，则发起故障预警，否则，判断是否存在第二减速策略，若存在第二减速策略，控制晶圆传送机械臂实施第二减速策略；否则，发起故障预警；提高了发现振动故障的效率，且减少维修人员检修成本。
Description
技术领域
本发明涉及晶圆传送故障分析技术领域，具体是基于晶圆传送机械臂的晶圆传送故障分析方法。
背景技术
晶圆传送机械臂在传送晶圆的过程中可能出现一些细微的故障，这些故障可能并不显眼，但仍然可能会对晶圆传送过程和生产质量产生一定影响；其中，振动故障是较为细微的一种故障；振动故障是指机械臂在传送晶圆时，可能是由于机械结构或控制系统的微小震动或误差引起的，出现轻微的抖动的情况；
在晶圆传送机械臂出现振动故障时，可能会导致晶圆在运动过程中受到额外的冲击和压力，从而大大提高晶圆破损的可能性；
但另一方面，晶圆传送机械臂属于一种具有精密机械结构的机械，在传送晶圆的过程中，不可避免的会产生一些振动，如何去及时地发现振动机械臂的振动是正常的还是出现了故障，是一个亟需解决的问题；
申请公开号为CN111312639A的中国专利公开了一种机械手臂装置及减少其晃动与振动的方法，夹持移动装置包括用于夹持晶圆托篮的夹持机构、用于驱动夹持机构进行夹持运作的驱动机构、固定在驱动机构底部用于升降驱动的升降机构以及固定于升降机构一侧用于横向移动驱动的横向移动机构。该发明能够有效降低在移动托篮时的振动，以解决现有的减少机械手臂在移动晶圆托篮时存在振动而导致晶圆损坏的问题；但该方法并不能避免因振动故障导致的振动异常的问题；
为此，本发明提出基于晶圆传送机械臂的晶圆传送故障分析方法。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出基于晶圆传送机械臂的晶圆传送故障分析方法，该基于晶圆传送机械臂的晶圆传送故障分析方法提高了发现振动故障的效率，且减少维修人员检修成本。
为实现上述目的，根据本发明的第一方面的实施例提出基于晶圆传送机械臂的晶圆传送故障分析方法，包括以下步骤：
步骤一：在实验环境，收集历史振动序列集合以及历史压力训练数据，基于历史振动序列集合，训练出预测未来预测时间步长内振幅序列的神经网络模型；
步骤二：基于历史压力训练数据，训练出评估晶圆所承受的压力值的机器学习模型；
步骤三：在工作环境，在晶圆传送机械臂传送晶圆，实时监测晶圆传送机械臂的振幅，若振幅大于预设的振幅阈值，转至步骤四；若振幅小于或等于预设的振幅阈值，继续执行步骤三；
步骤四：设置故障振动序列，且故障振动序列为空序列；在后续传送晶圆的每个时刻，继续收集实时的晶圆传送机械臂的振幅作为故障振幅，并将实时的故障振幅添加至故障振动序列；
对于实时的故障振幅，使用机器学习模型输出预测的压力值；若压力值大于或等于预设的压力阈值，则发起故障预警；若预测的压力值小于预设的压力阈值，转至步骤五；
步骤五：生成第一减速策略，循环执行步骤四至步骤五，直至故障振动序列的长度达到预设的滑动窗口长度时，执行步骤六；
步骤六：基于故障振动序列和神经网络模型，获得预测时间步长内的预测故障振幅序列；
步骤七：基于预测故障振幅序列和机器学习模型，判断是否存在第二减速策略，若存在第二减速策略，控制晶圆传送机械臂实施第二减速策略；若不存在第二减速策略，发起故障预警；
在所述实验环境，由测试人员预先选择的若干振动故障的实验晶圆传送机械臂，并使用实验晶圆传送机械臂按不同的传送速度曲线进行晶圆传送，再实时收集其中晶圆承受的压力值、振动值、速度和加速度等物理参数，以分析物理参数之间的关系；所述振动故障为在传送晶圆的过程中，机械臂因设备老化或机械结构故障等原因出现振动的情况；所述传送速度曲线为预先在控制后台设置的速度走势曲线，以控制实验晶圆传送机械臂的实时速度；
收集所述历史振动序列集合以及历史压力训练数据的方式为：
在实验环境中，在实验晶圆传送机械臂上安装振动传感器，在机械臂的吸盘位置安装压力传感器；
在每个实验晶圆传送机械臂按照各条传送速度曲线传送晶圆时，执行以下步骤：
步骤11：设置振动序列、压力样本集合，且振动序列以及压力样本集合初始均为空；所述压力样本集合中的每个压力样本包括压力特征向量以及压力标签；
步骤12：振动传感器实时收集机械臂上振动的振幅，压力传感器实时收集吸盘位置的压力值；在振幅大于预设的振幅阈值时，开启计时；
步骤13：在计时开始后的滑动窗口长度的时长中，按时间顺序，将每一时刻的振幅添加至振动序列；
根据每一时刻距离开始传送晶圆的时长，从传送速度曲线中获得对应时刻的速度以及加速度，每一时刻对应一个压力样本，其中压力特征向量包括对应时刻的振幅、速度以及加速度，压力标签为对应时刻压力传感器的读数；将压力样本添加至压力样本集合中；
步骤14：将振动序列添加至历史振动序列集合；关闭计时，且振动序列重置为空；并重复执行步骤11至步骤14，直至将晶圆传送至传送目的地；
所述历史压力训练数据包括每个实验晶圆传送机械臂按照每条传送速度曲线传送晶圆时，生成的压力样本集合；
训练出预测未来预测时间步长内振幅序列的神经网络模型的方式为：
预设预测时间步长、滑动步长以及滑动窗口长度，将历史振动序列集合中每条振动序列，使用滑动窗口方法转化为训练样本，将每组训练样本作为神经网络模型的输入，神经网络模型以未来的预测时间步长的每一时刻的振幅组成的振幅序列作为输出，以每个训练样本后续预测时间步长内，在振动序列的后续预测时间步长内的振幅序列作为预测目标，对神经网络模型进行训练；生成预测未来的预测时间步长内的振幅序列的神经网络模型；
训练出评估晶圆所承受的压力值的机器学习模型的方式为：
将历史压力训练数据中，每个压力样本中的压力特征向量作为机器学习模型的输入，所述机器学习模型以对每组压力特征向量预测的压力标签为输出，以压力样本中，压力特征向量对应的压力标签为预测目标，以最小化对所有压力标签的预测误差之和作为训练目标；对机器学习模型进行训练，直至预测误差之和达到收敛时停止训练，训练出根据压力特征向量输出预测的压力标签的机器学习模型；优选的，所述机器学习模型是多项式回归模型；可以理解的是，该预测的压力标签即为压力值；
预测误差的计算公式为：，其中，k为压力特征向量的编号，zk为预测误差，bk为第/>组压力特征向量对应的预测的压力标签，wk为第k组压力特征向量在压力样本中对应的压力标签；
使用机器学习模型输出预测的压力值的方式为：
获得振幅大于预设的振幅阈值的时刻距离晶圆传送开始时刻的时长作为目标时间，从对应的晶圆传送机械臂的传送速度曲线中获得目标时间对应的速度和加速度；
将故障振幅、目标时间对应的速度以及加速度组合为压力特征向量，并将该压力特征向量作为机器学习模型的输入，获得机器学习模型输出的预测的压力标签作为压力值；
所述压力阈值的预设方式可以为：预先对晶圆进行压力测试，所述压力测试为对不同的晶圆施加不同的压力；收集测试后的所有表面产生破损的晶圆作为破损晶圆，将对所有破损晶圆施加的使表面产生破损的压力中最小的压力作为压力阈值；
生成第一减速策略的方式为：
将压力阈值标记为Y，将预测的压力值标记为P，将故障振幅标记为F，将实时加速度标记为a；
设置第一减速度a1，第一减速度a1的计算公式为；其中，c为预设的比例系数；
若第一减速度a1绝对值大于实时加速度a的绝对值，第一减速度a1=-|a|；
若第一减速度a1绝对值小于或等于实时加速度a的绝对值，第一减速度a1值不变；
获得预测时间步长内的预测故障振幅序列的方式为：
将故障振动序列输入至神经网络模型中，获得神经网络模型输出的未来预测时间步长内的振幅序列，将该振幅序列作为预测故障振幅序列；
判断是否存在第二减速策略的方式为：
将预测时间步长标记为S，将预测故障振幅序列中的振幅的编号标记为s；其中，s=1,2,3,…,S；
将第s个编号对应的振幅标记为Fs；
获得当前时刻对应的传送晶圆的速度v1；
从机器学习模型的训练结果的参数中获得机器学习模型的函数表达式h（v，a，f）；其中，v、a和f分别对应速度、加速度和振幅；
对于第s个编号，计算对应的第二减速度as；
计算对应的第二减速度as的方式为：
设置减速度变量ax，构造优化函数目标函数g；
其中，优化函数目标函数g的表达式为；
设计约束目标集合U，其中约束目标集合U为：
；
以最小化优化目标函数g为优化问题的优化目标，以约束目标集合U作为优化问题的约束目标集合，对该优化问题进行求解；若不存在实数解，则判断为不存在第二减速策略；若存在实数解，且实数解ax大于或等于0，则将第二减速度as设置为0，若实数解ax小于0，则将第二减速度as设置为该实数解；
控制晶圆传送机械臂实施第二减速策略的方式为：
控制晶圆传送机械臂以第二减速度as作为实时的加速度进行减速。
根据本发明的实施例2提出的一种电子设备，包括：处理器和存储器，其中，所述存储器中存储有可供处理器调用的计算机程序；
所述处理器通过调用所述存储器中存储的计算机程序，执行上述的基于晶圆传送机械臂的晶圆传送故障分析方法。
根据本发明的实施例3提出的一种计算机可读存储介质，其上存储有可擦写的计算机程序；
当所述计算机程序在计算机设备上运行时，使得所述计算机设备执行上述的基于晶圆传送机械臂的晶圆传送故障分析方法。
与现有技术相比，本发明的有益效果是：
本发明通过在实验环境，收集历史振动序列集合以及历史压力训练数据，基于历史振动序列集合，训练出预测未来预测时间步长内振幅序列的神经网络模型，基于历史压力训练数据，训练出评估晶圆所承受的压力值的机器学习模型，在工作环境，在晶圆传送机械臂传送晶圆时，实时监测晶圆传送机械臂的振幅，若振幅大于预设的振幅阈值，设置故障振动序列，且故障振动序列为空序列，在后续传送晶圆的每个时刻，继续收集实时的晶圆传送机械臂的振幅作为故障振幅，并将实时的故障振幅添加至故障振动序列，对于实时的故障振幅，使用机器学习模型输出预测的压力值，若压力值大于或等于预设的压力阈值，则发起故障预警，若预测的压力值小于预设的压力阈值，生成第一减速策略，循环执行上述过程，直至故障振动序列的长度达到预设的滑动窗口长度时，基于故障振动序列和神经网络模型，获得预测时间步长内的预测故障振幅序列，基于预测故障振幅序列和机器学习模型，判断是否存在第二减速策略，若存在第二减速策略，控制晶圆传送机械臂实施第二减速策略，若不存在第二减速策略，发起故障预警；从而将晶圆传送机械臂的振动故障按是否可能会对晶圆传送过程产生破损威胁作为判断条件，在振动不足以构成威胁时，判断为不需要进行维修，一方面提高发现振动故障的效率，另一方面减少维修人员检修成本。
附图说明
图1为本发明的实施例1中基于晶圆传送机械臂的晶圆传送故障分析方法的流程图；
图2为本发明实施例1中传送速度曲线的示例图；
图3为本发明实施例2中的电子设备结构示意图；
图4为本发明实施3中的计算机可读存储介质结构示意图。
具体实施方式
下面将结合实施例对本发明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它实施例，都属于本发明保护的范围。
实施例1
如图1所示，基于晶圆传送机械臂的晶圆传送故障分析方法，包括以下步骤：
步骤一：在实验环境，收集历史振动序列集合以及历史压力训练数据，基于历史振动序列集合，训练出预测未来预测时间步长内振幅序列的神经网络模型；
步骤二：基于历史压力训练数据，训练出评估晶圆所承受的压力值的机器学习模型；
步骤三：在工作环境，在晶圆传送机械臂传送晶圆时，实时监测晶圆传送机械臂的振幅，设置故障振动序列，且故障振动序列为空序列；若振幅大于预设的振幅阈值，转至步骤四；若振幅小于或等于预设的振幅阈值，继续执行步骤三；
步骤四：在后续传送晶圆的每个时刻，继续收集实时的晶圆传送机械臂的振幅作为故障振幅，并将实时的故障振幅添加至故障振动序列；
对于实时的故障振幅，使用机器学习模型输出预测的压力值；若压力值大于或等于预设的压力阈值，则发起故障预警；若预测的压力值小于预设的压力阈值，转至步骤五；
步骤五：生成第一减速策略，循环执行步骤四至步骤五，直至故障振动序列的长度达到预设的滑动窗口长度时，执行步骤六；
步骤六：基于故障振动序列和神经网络模型，获得预测时间步长内的预测故障振幅序列；
步骤七：基于预测故障振幅序列和机器学习模型，判断是否存在第二减速策略，若存在第二减速策略，控制晶圆传送机械臂实施第二减速策略；若不存在第二减速策略，发起故障预警；
在所述实验环境，由测试人员预先选择的若干振动故障的实验晶圆传送机械臂，并使用实验晶圆传送机械臂按不同的传送速度曲线进行晶圆传送，再实时收集其中晶圆承受的压力值、振动值、速度和加速度等物理参数，以分析物理参数之间的关系；所述振动故障为在传送晶圆的过程中，机械臂因设备老化或机械结构故障等原因出现振动的情况；所述传送速度曲线为预先在控制后台设置的速度走势曲线，以控制实验晶圆传送机械臂的实时速度；如图2所示，为一条晶圆传送过程的传送速度曲线，其经过先吸附晶圆，再将晶圆进行加速，后匀速，再遇到转弯时，先减速再加速以安全经过转弯的过程，最后到达传送目的地前，进行减速；需要说明的是，预先在控制后台设置传送速度曲线属于本领域的常规技术手段，本发明在此不再赘述生成过程；
收集所述历史振动序列集合以及历史压力训练数据的方式为：
在实验环境中，在实验晶圆传送机械臂上安装振动传感器，在机械臂的吸盘位置安装压力传感器；
在每个实验晶圆传送机械臂按照各条传送速度曲线传送晶圆时，执行以下步骤：
步骤11：设置振动序列、压力样本集合，且振动序列以及压力样本集合初始均为空；所述压力样本集合中的每个压力样本包括压力特征向量以及压力标签；
步骤12：振动传感器实时收集机械臂上振动的振幅，压力传感器实时收集吸盘位置的压力值；在振幅大于预设的振幅阈值时，开启计时；
步骤13：在计时开始后的滑动窗口长度的时长中，按时间顺序，将每一时刻的振幅添加至振动序列；
根据每一时刻距离开始传送晶圆的时长，从传送速度曲线中获得对应时刻的速度以及加速度，每一时刻对应一个压力样本，其中压力特征向量包括对应时刻的振幅、速度以及加速度，压力标签为对应时刻压力传感器的读数；将压力样本添加至压力样本集合中；
需要说明的是，速度和加速度还可以分别通过使用速度传感器和加速度传感器实时获得；
步骤14：将振动序列添加至历史振动序列集合；关闭计时，且振动序列重置为空；并重复执行步骤11至步骤14，直至将晶圆传送至传送目的地；
所述历史压力训练数据包括每个实验晶圆传送机械臂按照每条传送速度曲线传送晶圆时，生成的压力样本集合；
训练出预测未来预测时间步长内振幅序列的神经网络模型的方式为：
预设预测时间步长、滑动步长以及滑动窗口长度，将历史振动序列集合中每条振动序列，使用滑动窗口方法转化为训练样本，将每组训练样本作为神经网络模型的输入，神经网络模型以未来的预测时间步长的每一时刻的振幅组成的振幅序列作为输出，以每个训练样本后续预测时间步长内，振动序列的后续预测时间步长内的振幅序列作为预测目标，对神经网络模型进行训练；生成预测未来的预测时间步长内的振幅序列的神经网络模型；所述神经网络模型为RNN神经网络模型；
需要说明的是，滑动窗口方法是循环神经网络模型或时间序列预测模型的常规技术手段，本发明在此不再做原理性说明；但为了使本发明更便于理解，本发明提供如下的关于滑动窗口方法的示例：
假设我们要用历史数据[1,2,3,4,5,6]来训练一个时间预测模型，设置预测时间步长为1，滑动步长设置为1以及滑动窗口长度设置为3；则生成3组训练数据和对应的预测目标数据：[1,2,3]、[2,3,4]以及[3,4,5]作为训练数据，以[4]、[5]以及[6]分别作为预测目标；
训练出评估晶圆所承受的压力值的机器学习模型的方式为：
将历史压力训练数据中，每个压力样本中的压力特征向量作为机器学习模型的输入，所述机器学习模型以对每组压力特征向量预测的压力标签为输出；以压力样本中，压力特征向量对应的压力标签为预测目标；以最小化对所有压力标签的预测误差之和作为训练目标；对机器学习模型进行训练，直至预测误差之和达到收敛时停止训练，训练出根据压力特征向量输出预测的压力标签的机器学习模型；优选的，所述机器学习模型是多项式回归模型；可以理解的是，该预测的压力标签即为压力值；
预测误差的计算公式为：，其中，k为压力特征向量的编号，zk为预测误差，bk为第/>组压力特征向量对应的预测的压力标签，wk为第k组压力特征向量在压力样本中对应的压力标签；
需要说明的是，所述工作环境是指在实际生产中用于传送晶圆的真实环境，而非实验环境；
使用机器学习模型输出预测的压力值的方式为：
获得振幅大于预设的振幅阈值的时刻距离晶圆传送开始时刻的时长作为目标时间，从对应的晶圆传送机械臂的传送速度曲线中获得目标时间对应的速度和加速度；
将故障振幅、目标时间对应的速度以及加速度组合为压力特征向量，并将该压力特征向量作为机器学习模型的输入，获得机器学习模型输出的预测的压力标签作为压力值；
所述压力阈值的预设方式可以为：预先对晶圆进行压力测试，所述压力测试为对不同的晶圆施加不同的压力；收集测试后的所有表面产生破损的晶圆作为破损晶圆，将对所有破损晶圆施加的使表面产生破损的压力中最小的压力作为压力阈值；
所述发起故障预警的方式可以为：控制后台发起广播提醒或通过无线方式发送预设的预警文本至监测人员的可移动终端，以进行可视化提醒；
生成第一减速策略的方式为：
将压力阈值标记为Y，将预测的压力值标记为P，将故障振幅标记为F，将实时加速度标记为a；
设置第一减速度a1，第一减速度a1的计算公式为；其中，c为预设的比例系数；可以理解的是，故障振幅越大，越需要降低第一减速度a1，以防止减速过程对晶圆的冲击；进一步的，P-Y是小于0的，且当P越大时，|a1|越大，即当预测的压力值越大时，越需要更快地进行减速，以提高传送的安全性；
若第一减速度a1绝对值大于实时加速度a的绝对值，第一减速度a1=-|a|；可以理解的是，当第一减速度绝对值大于实时加速度a的绝对值时，会造成更大的压力值；
若第一减速度a1绝对值小于或等于实时加速度a的绝对值，第一减速度a1值不变；
获得预测时间步长内的预测故障振幅序列的方式为：
将故障振动序列输入至神经网络模型中，获得神经网络模型输出的未来预测时间步长内的振幅序列，将该振幅序列作为预测故障振幅序列；
判断是否存在第二减速策略的方式为：
将执行到判断是否存在第二减速策略步骤的时刻标记为当前时刻；
将预测时间步长标记为S，将预测故障振幅序列中的振幅的编号标记为s；其中，s=1,2,3,…,S；可以理解的是，第s个编号对应当前时刻之后的第s个时刻；
将第s个编号对应的振幅标记为Fs；
获得当前时刻对应的传送晶圆的速度v1；
从机器学习模型的训练结果的参数中获得机器学习模型的函数表达式h（v，a，f）；其中，v、a和f分别对应速度、加速度和振幅；
对于第s个编号，计算对应的第二减速度as；
计算对应的第二减速度as的方式为：
设置减速度变量ax，构造优化函数目标函数g；
其中，优化函数目标函数g的表达式为；即优化目标为最小化每个时刻，晶圆承受的平均压力值；
设计约束目标集合U，其中约束目标集合U为：
；需要说明的是，/>限制了在每个时刻，晶圆承受的压力不能大于压力阈值；
以最小化优化目标函数g为优化问题的优化目标，以约束目标集合U作为优化问题的约束目标集合，使用优化问题求解工具、蚁群算法或遗传算法对该优化问题进行求解；若不存在实数解，则判断为不存在第二减速策略；若存在实数解，且实数解ax大于或等于0，则将第二减速度as设置为0，若实数解ax小于0，则将第二减速度as设置为该实数解；
控制晶圆传送机械臂实施第二减速策略的方式为：
控制晶圆传送机械臂以第二减速度as作为实时的加速度进行减速。
实施例2
图3是本申请一个实施例提供的电子设备结构示意图。如图3所示，根据本申请的又一方面还提供了一种电子设备100。该电子设备100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晶圆传送机械臂的晶圆传送故障分析方法。
根据本申请实施方式的方法或系统也可以借助于图3所示的电子设备电子设备的架构来实现。如图3所示，电子设备100可包括总线101、一个或多个CPU102、只读存储器(ROM)103、随机存取存储器(RAM)104、连接到网络的通信端口105、输入/输出组件106、硬盘107等。电子设备100中的存储设备，例如ROM103或硬盘107可存储本申请提供的基于晶圆传送机械臂的晶圆传送故障分析方法。基于晶圆传送机械臂的晶圆传送故障分析方法可例如包括以下步骤：步骤一：在实验环境，收集历史振动序列集合以及历史压力训练数据，基于历史振动序列集合，训练出预测未来预测时间步长内振幅序列的神经网络模型；步骤二：基于历史压力训练数据，训练出评估晶圆所承受的压力值的机器学习模型；步骤三：在工作环境，在晶圆传送机械臂传送晶圆，实时监测晶圆传送机械臂的振幅，设置故障振动序列，且故障振动序列为空序列；若振幅大于预设的振幅阈值，转至步骤四；步骤四：在后续传送晶圆的每个时刻，继续收集实时的晶圆传送机械臂的振幅作为故障振幅，并将实时的故障振幅添加至故障振动序列；对于实时的故障振幅，使用机器学习模型输出预测的压力值；若压力值大于或等于预设的压力阈值，则发起故障预警；若预测的压力值小于预设的压力阈值，转至步骤五；步骤五：生成第一减速策略，循环执行步骤四至步骤五，直至故障振动序列的长度达到预设的滑动窗口长度时，执行步骤六；步骤六：基于故障振动序列和神经网络模型，获得预测时间步长内的预测故障振幅序列；步骤七：基于故障振幅序列和机器学习模型，判断是否存在第二减速策略，若存在第二减速策略，控制晶圆传送机械臂实施第二减速策略；若不存在第二减速策略，发起故障预警。
进一步地，电子设备100还可包括用户界面108。当然，图3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3示出的电子设备中的一个或多个组件。
实施例3
图4是本申请一个实施例提供的计算机可读存储介质结构示意图。如图4所示，是根据本申请一个实施方式的计算机可读存储介质200。计算机可读存储介质200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晶圆传送机械臂的晶圆传送故障分析方法。计算机可读存储介质200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，本申请提供了一种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。
可能以许多方式来实现本申请的方法和装置、设备。例如，可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本申请的方法和装置、设备。用于方法的步骤的上述顺序仅是为了进行说明，本申请的方法的步骤不限于以上具体描述的顺序，除非以其它方式特别说明。此外，在一些实施例中，还可将本申请实施为记录在记录介质中的程序，这些程序包括用于实现根据本申请的方法的机器可读指令。因而，本申请还覆盖存储用于执行根据本申请的方法的程序的记录介质。
另外，本申请的实施方式中提供的上述技术方案中与现有技术中对应技术方案实现原理一致的部分并未详细说明，以免过多赘述。
如上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明。应理解的是，以上所述仅为本发明的具体实施方式，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。
以上的预设的参数或预设的阈值均由本领域的技术人员根据实际情况设定或者大量数据模拟获得。
以上实施例仅用以说明本发明的技术方法而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方法进行修改或等同替换，而不脱离本发明技术方法的精神和范围。
Claims (13)
1.基于晶圆传送机械臂的晶圆传送故障分析方法，其特征在于，包括以下步骤：
步骤一：在实验环境，收集历史振动序列集合以及历史压力训练数据，基于历史振动序列集合，训练出预测未来预测时间步长内振幅序列的神经网络模型；
步骤二：基于历史压力训练数据，训练出评估晶圆所承受的压力值的机器学习模型；
步骤三：在工作环境，在晶圆传送机械臂传送晶圆时，实时监测晶圆传送机械臂的振幅，设置故障振动序列，且故障振动序列为空序列；若振幅大于预设的振幅阈值，转至步骤四；
步骤四：在后续传送晶圆的每个时刻，继续收集实时的晶圆传送机械臂的振幅作为故障振幅，并将实时的故障振幅添加至故障振动序列；对于实时的故障振幅，使用机器学习模型输出预测的压力值；若预测的压力值大于或等于预设的压力阈值，则发起故障预警；若预测的压力值小于预设的压力阈值，转至步骤五；
步骤五：生成第一减速策略，循环执行步骤四至步骤五，直至故障振动序列的长度达到预设的滑动窗口长度时，执行步骤六；
步骤六：基于故障振动序列和神经网络模型，获得预测时间步长内的预测故障振幅序列；
步骤七：基于预测故障振幅序列和机器学习模型，判断是否存在第二减速策略，若存在第二减速策略，控制晶圆传送机械臂实施第二减速策略；若不存在第二减速策略，发起故障预警。
2.根据权利要求1所述的基于晶圆传送机械臂的晶圆传送故障分析方法，其特征在于，收集所述历史振动序列集合以及历史压力训练数据的方式为：
在实验环境中，在实验晶圆传送机械臂上安装振动传感器，在机械臂的吸盘位置安装压力传感器；
在每个实验晶圆传送机械臂按照各条传送速度曲线传送晶圆时，执行以下步骤：
步骤11：设置振动序列、压力样本集合，且振动序列以及压力样本集合初始均为空；所述压力样本集合中的每个压力样本包括压力特征向量以及压力标签；
步骤12：振动传感器实时收集机械臂上振动的振幅，压力传感器实时收集吸盘位置的压力值；在振幅大于预设的振幅阈值时，开启计时；
步骤13：在计时开始后的滑动窗口长度的时长中，按时间顺序，将每一时刻的振幅添加至振动序列；
收集每一时刻的压力样本，并将压力样本添加至压力样本集合中；
步骤14：将振动序列添加至历史振动序列集合；关闭计时，且振动序列重置为空；并重复执行步骤11至步骤14，直至将晶圆传送至传送目的地；
所述历史压力训练数据包括每个实验晶圆传送机械臂按照每条传送速度曲线传送晶圆时，生成的压力样本集合。
3.根据权利要求2所述的基于晶圆传送机械臂的晶圆传送故障分析方法，其特征在于，收集每一时刻的压力样本的方式为：
根据每一时刻距离开始传送晶圆的时长，从传送速度曲线中获得对应时刻的速度以及加速度，每一时刻对应一个压力样本，其中压力特征向量包括对应时刻的振幅、速度以及加速度，压力标签为对应时刻压力传感器的读数。
4.根据权利要求3所述的基于晶圆传送机械臂的晶圆传送故障分析方法，其特征在于，训练出预测未来预测时间步长内振幅序列的神经网络模型的方式为：
预设预测时间步长、滑动步长以及滑动窗口长度，将历史振动序列集合中每条振动序列，使用滑动窗口方法转化为训练样本，将每组训练样本作为神经网络模型的输入，神经网络模型以未来的预测时间步长的每一时刻的振幅组成的振幅序列作为输出，以每个训练样本后续预测时间步长内，在振动序列的后续预测时间步长内的振幅序列作为预测目标，对神经网络模型进行训练；生成预测未来的预测时间步长内的振幅序列的神经网络模型。
5.根据权利要求4所述的基于晶圆传送机械臂的晶圆传送故障分析方法，其特征在于，训练出评估晶圆所承受的压力值的机器学习模型的方式为：
将历史压力训练数据中，每个压力样本中的压力特征向量作为机器学习模型的输入，所述机器学习模型以对每组压力特征向量预测的压力标签为输出，以压力样本中，压力特征向量对应的压力标签为预测目标，以最小化对所有压力标签的预测误差之和作为训练目标；对机器学习模型进行训练，直至预测误差之和达到收敛时停止训练，训练出根据压力特征向量输出预测的压力标签的机器学习模型；该预测的压力标签为压力值。
6.根据权利要求5所述的基于晶圆传送机械臂的晶圆传送故障分析方法，其特征在于，使用机器学习模型输出预测的压力值的方式为：
获得振幅大于预设的振幅阈值的时刻距离晶圆传送开始时刻的时长作为目标时间，从对应的晶圆传送机械臂的传送速度曲线中获得目标时间对应的速度和加速度；
将故障振幅、目标时间对应的速度以及加速度组合为压力特征向量，并将该压力特征向量作为机器学习模型的输入，获得机器学习模型输出的预测的压力标签作为压力值。
7.根据权利要求6所述的基于晶圆传送机械臂的晶圆传送故障分析方法，其特征在于，所述压力阈值的预设方式可以为：预先对晶圆进行压力测试，所述压力测试为对不同的晶圆施加不同的压力；收集测试后的所有表面产生破损的晶圆作为破损晶圆，将对所有破损晶圆施加的使表面产生破损的压力中最小的压力作为压力阈值。
8.根据权利要求7所述的基于晶圆传送机械臂的晶圆传送故障分析方法，其特征在于，生成第一减速策略的方式为：
将压力阈值标记为Y，将预测的压力值标记为P，将故障振幅标记为F，将实时加速度标记为a；
设置第一减速度a1，第一减速度a1的计算公式为；其中，c为预设的比例系数；
若第一减速度a1绝对值大于实时加速度a的绝对值，第一减速度a1=-|a|；
若第一减速度a1绝对值小于或等于实时加速度a的绝对值，第一减速度a1值不变。
9.根据权利要求8所述的基于晶圆传送机械臂的晶圆传送故障分析方法，其特征在于，获得预测时间步长内的预测故障振幅序列的方式为：
将故障振动序列输入至神经网络模型中，获得神经网络模型输出的未来预测时间步长内的振幅序列，将该振幅序列作为预测故障振幅序列。
10.根据权利要求9所述的基于晶圆传送机械臂的晶圆传送故障分析方法，其特征在于，判断是否存在第二减速策略的方式为：
将预测时间步长标记为S，将预测故障振幅序列中的振幅的编号标记为s；其中，s=1,2,3,…,S；
将第s个编号对应的振幅标记为Fs；
获得当前时刻对应的传送晶圆的速度v1；
从机器学习模型的训练结果的参数中获得机器学习模型的函数表达式h（v，a，f）；其中，v、a和f分别对应速度、加速度和振幅；
对于第s个编号，计算对应的第二减速度as；
计算对应的第二减速度as的方式为：
设置减速度变量ax，构造优化函数目标函数g；
其中，优化函数目标函数g的表达式为；
设计约束目标集合U，其中约束目标集合U为：
；
以最小化优化目标函数g为优化问题的优化目标，以约束目标集合U作为优化问题的约束目标集合，对该优化问题进行求解；若不存在实数解，则判断为不存在第二减速策略；若存在实数解，且实数解ax大于或等于0，则将第二减速度as设置为0，若实数解ax小于0，则将第二减速度as设置为该实数解。
11.根据权利要求10所述的基于晶圆传送机械臂的晶圆传送故障分析方法，其特征在于，控制晶圆传送机械臂实施第二减速策略的方式为：
控制晶圆传送机械臂以第二减速度as作为实时的加速度进行减速。
12.一种电子设备，其特征在于，包括：处理器和存储器，其中：
所述存储器中存储有可供处理器调用的计算机程序；
所述处理器通过调用所述存储器中存储的计算机程序，在后台中执行权利要求1-11任意一项所述基于晶圆传送机械臂的晶圆传送故障分析方法。
13.一种计算机可读存储介质，其特征在于，其上存储有可擦写的计算机程序；
当所述计算机程序在计算机设备上运行时，使得所述计算机设备执行在后台中执行权利要求1-11任意一项所述基于晶圆传送机械臂的晶圆传送故障分析方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310935266.4A CN117817652B (zh) | 2023-07-28 | 2023-07-28 | 基于晶圆传送机械臂的晶圆传送故障分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310935266.4A CN117817652B (zh) | 2023-07-28 | 2023-07-28 | 基于晶圆传送机械臂的晶圆传送故障分析方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117817652A true CN117817652A (zh) | 2024-04-05 |
| CN117817652B CN117817652B (zh) | 2024-04-30 |
Family
ID=90506598
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310935266.4A Active CN117817652B (zh) | 2023-07-28 | 2023-07-28 | 基于晶圆传送机械臂的晶圆传送故障分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117817652B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3413027A1 (en) * | 2017-06-07 | 2018-12-12 | Nakamura-Tome Precision Industry Co., Ltd | Complex machine tool having failure predication function |
| CN114414245A (zh) * | 2019-09-29 | 2022-04-29 | 上海联影智能医疗科技有限公司 | 轴承故障检测方法与计算机可读存储介质 |
| US20220269925A1 (en) * | 2019-06-05 | 2022-08-25 | South China University Of Technology | Intelligent fault diagnosis method based on multi-task feature sharing neural network |
| KR20230071533A (ko) * | 2021-11-16 | 2023-05-23 | 한국전기연구원 | 로봇 고장 진단 방법, 장치 및 시스템 |
| CN116352760A (zh) * | 2023-04-03 | 2023-06-30 | 中芯智达半导体科技(上海)有限公司 | 晶圆机器人的机械性能诊断方法、装置、终端、介质及晶圆机器人 |
-
2023
- 2023-07-28 CN CN202310935266.4A patent/CN117817652B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3413027A1 (en) * | 2017-06-07 | 2018-12-12 | Nakamura-Tome Precision Industry Co., Ltd | Complex machine tool having failure predication function |
| US20220269925A1 (en) * | 2019-06-05 | 2022-08-25 | South China University Of Technology | Intelligent fault diagnosis method based on multi-task feature sharing neural network |
| CN114414245A (zh) * | 2019-09-29 | 2022-04-29 | 上海联影智能医疗科技有限公司 | 轴承故障检测方法与计算机可读存储介质 |
| KR20230071533A (ko) * | 2021-11-16 | 2023-05-23 | 한국전기연구원 | 로봇 고장 진단 방법, 장치 및 시스템 |
| CN116352760A (zh) * | 2023-04-03 | 2023-06-30 | 中芯智达半导体科技(上海)有限公司 | 晶圆机器人的机械性能诊断方法、装置、终端、介质及晶圆机器人 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117817652B (zh) | 2024-04-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6148316B2 (ja) | 故障条件を学習する機械学習方法及び機械学習装置、並びに該機械学習装置を備えた故障予知装置及び故障予知システム | |
| US20180018641A1 (en) | Method of estimating an expected service life of a component of a machine | |
| JP2017185577A (ja) | シミュレーション結果を利用して学習を行う機械学習装置，機械システム，製造システムおよび機械学習方法 | |
| US11745338B2 (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 | |
| CN111788042A (zh) | 机器人的预见性分析 | |
| CN116551700B (zh) | 一种超高真空环境的晶圆传送机械臂控制系统及方法 | |
| CN112936260A (zh) | 一种六轴工业机器人无传感器碰撞检测方法及系统 | |
| WO2022193925A1 (zh) | 作业机械的动臂矫正方法及装置 | |
| CN117817652B (zh) | 基于晶圆传送机械臂的晶圆传送故障分析方法 | |
| CN111932080A (zh) | 一种应用于水务管网的预警防护系统及方法 | |
| WO2024183355A1 (zh) | 一种基于大数据的起重设备运行安全监管系统 | |
| CN118172910B (zh) | 基于卷积神经网络的煤矿架空乘人装置安全预警系统 | |
| CN117311316A (zh) | 一种面向工业互联网的机器故障诊断方法及系统 | |
| CN109189567B (zh) | 时延计算方法、装置、设备及计算机可读存储介质 | |
| US20210383043A1 (en) | Method and system for processing vehicle test data of a vehicle | |
| EP3900887A1 (en) | Robot collision detection using cascading variational autoencoder | |
| CN115759191B (zh) | 基于混沌反演的机器人碰撞诊断系统及方法 | |
| CN116494239A (zh) | 软体机械手控制方法、装置、软体机械手及电子设备 | |
| CN112384337B (zh) | 用于分析和/或配置工业设备的方法和系统 | |
| CN114619701B (zh) | 一种冲压控制的方法和系统 | |
| CN117892114B (zh) | 基于物联网的起重机故障预测方法及系统 | |
| US20240272592A1 (en) | Substrate processing apparatus, data processing method, and data processing program | |
| CN117572779B (zh) | 一种桨叶损伤下的电动航空发动机控制方法 | |
| CN114249244B (zh) | 一种用于自动行车闭环控制的无标靶吊具定位方法 |
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 |