CN117817675B - 基于时间序列晶圆搬运机械臂运动轨迹的预测方法 - Google Patents
基于时间序列晶圆搬运机械臂运动轨迹的预测方法 Download PDFInfo
- Publication number
- CN117817675B CN117817675B CN202410251990.XA CN202410251990A CN117817675B CN 117817675 B CN117817675 B CN 117817675B CN 202410251990 A CN202410251990 A CN 202410251990A CN 117817675 B CN117817675 B CN 117817675B
- Authority
- CN
- China
- Prior art keywords
- mechanical arm
- vibration frequency
- time
- sequence data
- data
- 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 125
- 230000033001 locomotion Effects 0.000 title claims abstract description 70
- 230000002159 abnormal effect Effects 0.000 claims abstract description 75
- 238000012549 training Methods 0.000 claims abstract description 45
- 238000000605 extraction Methods 0.000 claims abstract description 25
- 230000001133 acceleration Effects 0.000 claims description 44
- 239000013598 vector Substances 0.000 claims description 32
- 238000012360 testing method Methods 0.000 claims description 19
- 230000005856 abnormality Effects 0.000 claims description 16
- 230000015654 memory Effects 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 14
- 230000007246 mechanism Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012423 maintenance Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000012706 support-vector machine Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 4
- GNFTZDOKVXKIBK-UHFFFAOYSA-N 3-(2-methoxyethoxy)benzohydrazide Chemical compound COCCOC1=CC=CC(C(=O)NN)=C1 GNFTZDOKVXKIBK-UHFFFAOYSA-N 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000007477 logistic regression Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 9
- 238000004519 manufacturing process Methods 0.000 description 6
- 230000007613 environmental effect Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 238000007689 inspection Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal 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
- B25J9/1656—Programme controls characterised by programming, planning systems for manipulators
- B25J9/1664—Programme controls characterised by programming, planning systems for manipulators characterised by motion, path, trajectory planning
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J19/00—Accessories fitted to manipulators, e.g. for monitoring, for viewing; Safety devices combined with or specially adapted for use in connection with manipulators
- B25J19/0095—Means or methods for testing manipulators
Landscapes
- Engineering & Computer Science (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明属于机械臂运动轨迹预测技术领域，本发明公开了基于时间序列晶圆搬运机械臂运动轨迹的预测方法；获取特征时间序列数据以及特征时间序列数据对应的历史机械臂振动频率；对特征时间序列数据提取特征；基于特征提取后的特征时间序列数据训练出预测未来时刻的机械臂振动频率预测模型；将实时采集的特征时间序列数据经过特征提取后输入至训练完成的机械臂振动频率预测模型中，输出预测未来时刻机械臂振动频率，判定是否生成机械臂振动频率异常预警指令；对异常时间前一时刻末后至异常时间之间的特征时间序列数据进行补偿；使得机械臂运动轨迹按照标准的轨迹运动，提高机械臂运动的稳定性以及安全性，同时保护晶圆不受损坏。
Description
技术领域
本发明涉及机械臂运动轨迹预测技术领域，更具体地说，本发明涉及基于时间序列晶圆搬运机械臂运动轨迹的预测方法。
背景技术
随着科技的不断发展，晶圆制造已成为现代电子产品制造中不可或缺的一环，而晶圆搬运机械臂作为自动化生产线上的关键设备，其运动轨迹的预测和控制精度对于生产效率和产品质量具有至关重要的影响。传统的晶圆搬运机械臂通常采用基于规则的控制算法，这些算法对于静态环境下的运动控制效果较好，但在实际生产中，由于环境变化、机械臂磨损等因素的影响，机械臂的运动轨迹可能会发生变化，这会导致生产效率和产品质量的下降；
现有技术如下：
如公开号为CN112706168A的专利，公开了一种机械臂的运动轨迹生成方法、装置。该机械臂的运动轨迹生成方法包括：获取信号装置的多个第一发射信号以及各个第一发射信号对应的回波信号；根据所述各个第一发射信号以及所述各个第一发射信号对应的回波信号，确定所述运动物体在第一空间坐标系中的运动位置坐标，得到所述运动物体在所述第一空间坐标系中的多个运动位置坐标；根据所述第一空间坐标系与第二空间坐标系之间的对应关系，确定各个运动位置坐标在所述第二空间坐标系中对应的目标位置坐标；根据多个目标位置坐标，生成所述机械臂的运动轨迹。该申请实施例的技术方案能够快速、便利并准确地规划机械臂的运动轨迹，无需复杂编程、成本低，且具有广泛适用性。
现有技术中依然存在以下问题：
机械臂在晶圆搬运过程中无法根据过去时间点的机械臂运动轨迹来预测未来时间点的机械臂运动轨迹，不能提前调整机械臂的运动轨迹导致未来时间点的机械臂运动轨迹发生偏离；当机械臂运动轨迹发生偏离时再进行轨迹偏离补偿，此时会增加补偿时间，导致机械臂和晶圆等工件的损坏。
鉴于此，本发明提出基于时间序列晶圆搬运机械臂运动轨迹的预测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：基于时间序列晶圆搬运机械臂运动轨迹的预测方法，包括：
获取机械臂历史综合时间序列数据，综合时间序列数据包括特征时间序列数据以及特征时间序列数据对应的历史机械臂振动频率；
对特征时间序列数据提取特征，得到特征提取后的特征时间序列数据；
基于特征提取后的特征时间序列数据训练出预测未来时刻的机械臂振动频率预测模型，并在隐藏层中加入注意力机制；
预设机械臂振动频率阈值区间，将实时采集的特征时间序列数据经过特征提取后输入至训练完成的机械臂振动频率预测模型中，输出预测未来时刻机械臂振动频率并与预设机械臂振动频率阈值区间比对分析；判定是否生成机械臂振动频率异常预警指令；
若生成机械臂振动频率异常预警指令为补偿方法指令时，则将补偿方法指令对应的特征时间序列数据标记为异常特征时间序列数据，训练出预测补偿方法编号的补偿分析模型；将异常特征时间序列数据发生的时间标记为异常时间，对异常时间前一时刻末后至异常时间之间的特征时间序列数据进行补偿；
若生成机械臂振动频率异常预警指令为维护指令时，则停止机械臂的运行。
进一步地，所述特征时间序列数据包括：机械臂移动速度、机械臂加速度、电压值和电流值。
进一步地，所述特征提取包括均值特征、方差特征、极差特征和峰值特征的提取。
进一步地，对特征时间序列数据中机械臂移动速度提取均值特征、方差特征、极差特征和峰值特征的特征提取的方法包括：
将特征时间序列数据中的机械臂移动速度时间序列数据以连续g个时间步序列数据作为第一个窗口，以第一个窗口向后继续滑动连续g个时间步序列数据作为第二个窗口，以此类推不断滑动连续g个时间步序列数据，得到N个窗口；
对N个窗口内的连续g个时间步序列数据求平均值，得到N个一一对应的平均值，作为N个一一对应窗口的均值特征；
将第一个窗口内连续g个时间步序列数据与第一个窗口的平均值一一做差并平方求和，将和除以第一个窗口的时间步g，得到第一个窗口的方差，作为第一个窗口的方差特征，以此类推得到N个窗口一一对应的方差特征；
遍历第一个窗口内连续g个时间步序列数据，得到第一个窗口的最大值与最小值，将第一个窗口的最大值与最小值做差，差值作为极差特征，以此类推得到N个窗口一一对应的极差特征；
将第一个窗口内连续g个时间步序列数据中最大的机械臂移动速度作为极大值点，并记录为波峰值；将第一个窗口内连续g个时间步序列数据中最小的机械臂移动速度作为极小值点，并记录为波谷值；遍历N个窗口，记录所有波峰值和波谷值作为峰值特征，得到N个窗口一一对应的峰值特征；
对特征时间序列数据中机械臂加速度、电流值和电压值的均值特征、方差特征、极差特征和峰值特征进行特征提取与特征时间序列数据中机械臂移动速度的特征提取的方法一致，g、N均为大于1的整数。
进一步地，训练所述机械臂振动频率预测模型的方法包括：
获取s组特征提取后的特征时间序列数据以及对应的历史机械臂振动频率作为训练数据，s为大于或等于1的正整数，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，将训练集中的特征时间序列数据作为输入数据，将训练集中的历史机械臂振动频率作为输出数据，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机械臂振动频率预测模型；所述分类器为支持向量机、朴素贝叶斯、时序神经网络RNN和长短时记忆网络LSTM中的一种。
进一步地，在隐藏层中加入注意力机制的方法包括：
Step1、构建查询向量和键向量：预设置查询向量q，全连接层将输入层的输出数据进行线性变换组合，得到键向量集合Ki，i表示键向量的组数，i为大于或等于1的整数；
Step2、计算注意力权重：使用Score函数计算查询向量q和键向量集合Ki之间的相似得分，Score函数计算方法包括：
Score(q,Ki)＝q·Ki；
式中，Score(q,Ki)表示查询向量q与键向量集合Ki的相似得分，将相似得分输入到Softmax函数中，得到注意力权重αi；Softmax函数的计算方法包括：
式中，αi表示注意力权重，T表示特征时间序列数据的总长度，exp表示指数函数；
Step3、计算加权和：将注意力权重αi与键向量集合Ki相乘并求和，得到加权和；计算加权和的方法包括：
式中，Attention(q,Ki)表示计算得到的加权和；
Step4、加权隐藏：将得到的加权和与隐藏层的输出相结合，得到加权隐藏表示作为后续神经网络层的输入。
进一步地，所述机械臂振动频率异常预警指令包括：补偿方法指令或维护指令。
进一步地，所述机械臂振动频率异常预警指令生成的方法包括：
若预测未来时刻机械臂振动频率在预设机械臂振动频率阈值区间内，则不生成机械臂振动频率异常预警指令；
若预测未来时刻机械臂振动频率不在预设机械臂振动频率阈值区间内，则生成机械臂振动频率异常预警指令。
进一步地，训练所述预测补偿方法编号的补偿分析模型的方法包括：
预先收集历史异常特征时间序列数据以及历史异常特征时间序列数据对应的补偿方法，对对应的补偿方法设置编号；将历史异常特征时间序列数据与对应的补偿方法编号作为样本集，将样本集划分为训练集和测试集，构建分类器，将训练集中的历史异常特征时间序列数据作为输入数据，将训练集中的对应的补偿方法编号作为输出数据，对分类器进行训练，得到初始分类器，利用测试集对分类器进行测试，输出满足预设准确度的初始分类器作为补偿分析模型；所述分类器为逻辑回归模型、朴素贝叶斯模型或支持向量机模型的其中一种。
进一步地，所述补偿方法的方法包括：
调整异常时间前一时刻末后至异常时间之间的特征时间序列数据，将预测补偿方法编号中补偿方法的特征时间序列数据的机械臂移动速度、机械臂加速度、电流值和电压值作为异常时间前一时刻末后至异常时间之间的机械臂移动速度、机械臂加速度、电流值和电压值。
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时间序列晶圆搬运机械臂运动轨迹的预测方法。
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基于时间序列晶圆搬运机械臂运动轨迹的预测方法。
本发明基于时间序列晶圆搬运机械臂运动轨迹的预测方法的技术效果和优点：
1.通过使用神经网络时间序列模型并加入注意力机制，提前预测未来时刻机械臂振动频率是否发生异常，来判断机械臂运动轨迹是否发生偏离，对异常时间序列数据进行提前的修改补偿，能够有效使得机械臂振动频率保持在标准的振动频率区间内；缩短了由于机械臂振动频率异常导致机械臂运动轨迹偏离过程中补偿需要的时间，保证了机械臂在搬运半导体晶圆的过程中能够按照预计的标准机械臂振动频率，使得机械臂运动轨迹按照标准的轨迹运动，提高机械臂运动的稳定性以及安全性，同时保护晶圆不受损坏；
2.基于区间估计的方法估算预测补偿方法补偿后的异常特征时间序列数据，确保补偿后的异常特征时间序列数据是否满足补偿方法预设的标准。
附图说明
图1为本发明的基于时间序列晶圆搬运机械臂运动轨迹的预测方法流程示意图；
图2为本发明的注意力机制方法流程示意图；
图3为本发明的电子设备示意图；
图4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，本实施例提供基于时间序列晶圆搬运机械臂运动轨迹的预测方法，包括：
获取机械臂历史综合时间序列数据，综合时间序列数据包括特征时间序列数据以及特征时间序列数据对应的历史机械臂振动频率；
特征时间序列数据包括：机械臂移动速度、机械臂加速度、电压值和电流值；
需要说明的是，时间序列数据是按照时间顺序记录的数据序列，其中每个数据点与特定的时间点相关联；在晶圆搬运过程中，时间序列数据可以用于描述机械臂移动速度、机械臂加速度等随时间的变化趋势；
示例性的说明，假设以1秒为时间间隔采集机械臂移动速度、机械臂加速度，可以得到两个时间序列数据，其中每个数据点代表了机械臂在不同时间点的移动速度或加速度；若将时间序列数据以表格形式表示，其中一列是时间，另一列是机械臂移动速度或机械臂加速度，那么表格就展示了机械臂移动速度时间序列数据和机械臂加速度时间序列数据；时间序列数据的特点在于它们具有时间相关性和顺序性，即后续的数据点可能会受到前面数据点的影响；
机械臂移动速度由安装在机械臂末端的速度传感器获取，机械臂在移动速度较大时，机械臂需要承受更大的离心力和惯性，机械臂部件摩擦会增加，可能出现升温变形，导致机械臂的振动频率会增加，使得机械臂运动轨迹发生偏离(即相比预设机械臂运动轨迹发生偏离)；
机械臂加速度由加速度传感器获取，机械臂在加速度较大的情况下移动时，机械臂的惯性力矩会增大，会导致机械臂产生更高的振动频率，使得机械臂运动轨迹发生偏离；
电压值由驱动电机中的电压传感器获取，当电压增加时，电机的转速和扭矩输出也会相应增加，高电压可以使机械臂以更高的速度和更大的力量进行运动，增加的动能导致机械臂的振动频率增加；电压值减小通常会导致电机的输出功率减小，如果电机的输出功率降低，会影响机械臂的运动速度和扭矩输出，出现机械臂振动频率的变化，使得机械臂运动轨迹发生偏离；
电流值由驱动电机中的电流传感器获取，当电流值增大时，电机驱动力增大，电机的转速也会增加，机械臂转动的动量和运动能量就越高，机械臂的振动频率会相应增大；电流值减小通常会导致电机的输出功率减小，如果电机的输出功率降低，会影响机械臂的运动速度和扭矩输出，出现机械臂振动频率的变化，使得机械臂运动轨迹发生偏离；
对特征时间序列数据提取特征，得到特征提取后的特征时间序列数据；
所述特征包括均值特征、方差特征、极差特征和峰值特征；
应当了解的是，对特征时间序列数据进行特征提取主要是分别对机械臂移动速度、机械臂加速度、电压值和电流值的均值特征、方差特征、极差特征和峰值特征进行特征提取；
需要说明的是，特征提取的原因在于：
均值特征：通过计算均值特征，可以了解不同时间序列数据的平均水平；均值提供了关于机械臂移动速度、机械臂加速度、电压值和电流值的平均值信息，有助于了解特征时间序列数据的表达水平和趋势；
方差特征：方差特征能够提供关于时间序列数据的离散程度和变异程度的信息；对于机械臂移动速度、机械臂加速度、电压值和电流值，方差特征可以揭示其波动性和不稳定性，有助于评估其稳定性和预测性能；
极差特征：极差特征提供了时间序列数据范围的信息，即最大值与最小值之间的差异；对于机械臂移动速度、机械臂加速度、电压值和电流值，极差特征可以反映其变化幅度的大小，有助于评估时间序列数据的动态范围和变化程度；
峰值特征：峰值特征通过计算峰度来提供关于时间序列数据分布形状的信息；对于机械臂移动速度、机械臂加速度、电压值和电流值，峰度特征可以揭示其分布的尖锐程度或平坦程度，有助于了解时间序列数据的形态和潜在模式；
对特征时间序列数据中机械臂移动速度提取均值特征、方差特征、极差特征和峰值特征的特征提取的方法包括：
将特征时间序列数据中的机械臂移动速度时间序列数据以连续g个时间步序列数据作为第一个窗口，以第一个窗口向后继续滑动连续g个时间步序列数据作为第二个窗口，以此类推不断滑动连续g个时间步序列数据，得到N个窗口；
对N个窗口内的连续g个时间步序列数据求平均值，得到N个一一对应的平均值，作为N个一一对应窗口的均值特征；
将第一个窗口内连续g个时间步序列数据与第一个窗口的平均值一一做差并平方求和，将和除以第一个窗口的时间步g，得到第一个窗口的方差，作为第一个窗口的方差特征，以此类推得到N个窗口一一对应的方差特征；
遍历第一个窗口内连续g个时间步序列数据，得到第一个窗口的最大值与最小值，将第一个窗口的最大值与最小值做差，差值作为极差特征，以此类推得到N个窗口一一对应的极差特征；
将第一个窗口内连续g个时间步序列数据中最大的机械臂移动速度作为极大值点，并记录为波峰值；将第一个窗口内连续g个时间步序列数据中最小的机械臂移动速度作为极小值点，并记录为波谷值；遍历N个窗口，记录所有波峰值和波谷值作为峰值特征，得到N个窗口一一对应的峰值特征；
对特征时间序列数据中机械臂加速度、电流值和电压值的均值特征、方差特征、极差特征和峰值特征进行特征提取与特征时间序列数据中机械臂移动速度的特征提取的方法一致，g、N均为大于1的整数；
基于特征提取后的特征时间序列数据训练出预测未来时刻的机械臂振动频率预测模型；机械臂振动频率预测模型包含输入层、全连接层、隐藏层和输出层，并在隐藏层中加入注意力机制来学习捕获输入的特征提取后的特征时间序列数据特征之间的相关性，用于提高机械臂振动频率预测模型的预测准确度；
应当了解的是，在隐藏层中加入注意力机制的目的：注意力机制可以让模型学习到输入的特征时间序列数据不同时间步和不同特征的相关程度，选择性地关注最重要的输入部分；当输入的时间序列变长时，注意力不会过度依赖最新信息，计算复杂度也不随时间序列长度增加而增加，注意力可以弥补拟合长期依赖关系的不足，改善在时间序列模型中的表现；
训练机械臂振动频率预测模型的方法包括：
获取s组特征提取后的特征时间序列数据以及对应的历史机械臂振动频率作为训练数据，s为大于或等于1的正整数，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，将训练集中的特征时间序列数据作为输入数据，将训练集中的历史机械臂振动频率作为输出数据，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机械臂振动频率预测模型；所述分类器为支持向量机、朴素贝叶斯、时序神经网络RNN和长短时记忆网络LSTM中的一种；
其中，预设准确度的计算为Zs＝(αs-μs)2，其中Zs为预测误差，αs为第s组特征时间序列数据对应的实际历史机械臂振动频率，μs为第s组特征时间序列数据对应的预测机械臂振动频率；
请参阅图2所示，在隐藏层中加入注意力机制的方法包括：
Step1、构建查询向量和键向量：预设置查询向量q，全连接层将输入层的输出数据进行线性变换组合，得到键向量集合Ki，i表示键向量的组数，i为大于或等于1的整数；
示例性的说明，线性变换组合为：Ki＝Xi·W+b，式中Xi表示输入的特征时间序列数据组合的特征向量矩阵，W表示权重矩阵，b表示偏置向量；
Step2、计算注意力权重：使用Score()函数计算查询向量q和键向量集合Ki之间的相似得分，Score()函数计算方法包括：
Score(q,Ki)＝q·Ki；
式中Score(q,Ki)表示查询向量q与键向量集合Ki的相似得分，将相似得分输入到Softmax()函数中，得到注意力权重αi，Softmax()函数用于确保注意力权重的总和为1，并且将相似性得分映射到(0,1)的范围内；Softmax()函数的计算方法包括：
式中，αi表示注意力权重，T表示特征时间序列数据的总长度，exp()表示指数函数；
Step3、计算加权和：将注意力权重αi与键向量集合Ki相乘并求和，得到加权和，表示机械臂振动频率预测模型对于输入的特征时间序列数据的学习部分；计算加权和的方法包括：
式中，Attention(q,Ki)表示计算得到的加权和；
Step4、加权隐藏：将得到的加权和与隐藏层的输出相结合，得到加权隐藏表示作为后续神经网络层的输入；
应当了解的是，机械臂振动频率与其运动轨迹之间存在着运动学关系，机械臂的振动是由于其运动过程中的加速度、速度以及惯性等因素引起的，这些因素直接影响了机械臂振动频率；在机械臂的控制系统设计中，通常会根据机械臂振动频率来进行参数调节和优化，通过控制系统对机械臂振动频率进行监测和调整，可以使机械臂的运动轨迹更加稳定和精确；因此，对机械臂振动频率的预测与控制系统的设计密切相关，同时也为预测机械臂运动轨迹提供了重要的依据；机械臂振动频率也可以作为机械臂故障诊断和维护的重要指标之一，异常的振动频率可能表明机械臂存在故障或需要进行维护，进而影响其运动轨迹的稳定性和精确度；因此，通过预测未来时刻机械臂振动频率，可以及时发现并处理机械臂的故障，保障其正常运行；
预设机械臂振动频率阈值区间，用于预测未来时刻机械臂振动频率是否正常；通过以已经发生的特征时间序列数据来预测未来时刻机械臂振动频率；
应当了解的是，机械臂振动频率阈值区间由本领域的专家技术人员经过不断地实验和测试，记录机械臂在正常工作条件下的机械臂振动频率区间，根据机械臂在正常工作条件下的机械臂振动频率区间设置机械臂振动频率阈值区间；
需要说明的是，若在(t-1)时刻对应的机械臂移动速度为Tt-1，机械臂加速度为at-1，电流值为It-1，电压值为Vt-1，则根据(t-1)时刻的机械臂移动速度、机械臂加速度、电流值和电压值，预测出未来(t)时刻对应的机械臂振动频率Ft；再根据(t-1)时刻的机械臂移动速度、机械臂加速度、电流值和电压值以及(t)时刻对应的机械臂移动速度Tt、机械臂加速度at、电流值It与电压值Vt，预测出未来(t+1)时刻对应的机械臂振动频率Ft+1；
将实时采集的特征时间序列数据经过特征提取后输入至训练完成的机械臂振动频率预测模型中，输出预测未来时刻机械臂振动频率；将输出的预测未来时刻机械臂振动频率与预设的机械臂振动频率阈值区间比对分析；判定是否生成机械臂振动频率异常预警指令；
机械臂振动频率异常预警指令生成的方法包括：
若预测未来时刻机械臂振动频率在预设的机械臂振动频率阈值区间内，则不生成机械臂振动频率异常预警指令；
若预测未来时刻机械臂振动频率不在预设的机械臂振动频率阈值区间内，则生成机械臂振动频率异常预警指令；
所述机械臂振动频率异常预警指令包括补偿方法指令或维护指令；
需要说明的是，若预测未来时刻的机械臂振动频率为300Hz；预设的机械臂振动频率阈值区间为{100Hz,200Hz}，则机械臂运动系统会根据预测的未来时刻机械臂振动频率异常提前调整机械臂运动参数进行补偿或者进行维护；
若生成机械臂振动频率异常预警指令为补偿方法指令时，则将补偿方法指令对应的特征时间序列数据标记为异常特征时间序列数据，基于异常特征时间序列数据训练出预测补偿方法编号的补偿分析模型；
训练预测补偿方法编号的补偿分析模型的方法包括：
预先收集历史异常特征时间序列数据以及历史异常特征时间序列数据对应的补偿方法，对对应的补偿方法设置编号；将历史异常特征时间序列数据与对应的补偿方法编号作为样本集，将样本集划分为训练集和测试集，构建分类器，将训练集中的历史异常特征时间序列数据作为输入数据，将训练集中的对应的补偿方法编号作为输出数据，对分类器进行训练，得到初始分类器，利用测试集对分类器进行测试，输出满足预设准确度的初始分类器作为补偿分析模型；所述分类器为逻辑回归模型、朴素贝叶斯模型或支持向量机模型的其中一种；
其中，预设准确度的计算公式为：
Zj＝(αj-μj)2；式中，Zj为预测误差，j为历史异常特征时间序列数据的编号，αj为第j组历史异常特征时间序列数据对应的实际补偿方法编号，μj为第j组历史异常特征时间序列数据对应的预测补偿方法编号；
补偿方法的方法包括：
将异常特征时间序列数据发生的时间标记为异常时间，调整异常时间前一时刻末后至异常时间前的特征时间序列数据，将预测补偿方法编号中补偿方法的特征时间序列数据的机械臂移动速度、机械臂加速度、电流值和电压值作为异常时间前一时刻末后至异常时间之间的机械臂移动速度、机械臂加速度、电流值和电压值，使得到达机械臂振动频率异常时间点时的特征时间序列数据均处于正常状态；避免了到达异常时间点时才进行补偿调整；
示例性的说明就是，若机械臂搬运晶圆的过程为15秒，在搬运机械臂前预测到在第10秒至第12秒均存在机械臂振动频率异常，机械臂振动频率异常的原因在于机械臂移动速度和机械臂加速度过大，导致机械臂振动频率增加，此时机械臂振动频率异常预警指令为补偿方法指令，根据补偿方法指令获取补偿方法，将提前降低第10秒至第12秒的机械臂移动速度和机械臂加速度；将异常时间前一时刻末后至异常时间前的机械臂移动速度和机械臂加速度降低，使得机械臂在到达第10秒至第12秒时机械臂振动频率均处于正常状态，避免机械臂在到达第10秒至第12秒时才将机械臂移动速度和机械臂加速度降低；
若生成机械臂振动频率异常预警指令为维护指令时，则停止机械臂的运行进行维护；
应当了解的是，停止机械臂的运行进行维护可能的方法包括：对机械臂振动频率分析、机械结构检查、电气系统检查、传感器和反馈系统检查等。
本实施例通过使用神经网络时间序列模型并加入注意力机制，提前预测未来时刻机械臂振动频率是否发生异常，来判断机械臂运动轨迹是否发生偏离，对异常特征时间序列数据进行提前的修改补偿，能够有效使得机械臂振动频率保持在标准的振动频率区间内；缩短了由于机械臂振动频率异常导致机械臂运动轨迹偏离过程中补偿需要的时间，保证了机械臂在搬运半导体晶圆的过程中能够按照预计的标准机械臂振动频率，使得机械臂运动轨迹按照标准的轨迹运动，提高机械臂运动的稳定性以及安全性，同时保护晶圆不受损坏。
实施例2
本实施例未详细叙述部分见实施例1描述内容，提供基于时间序列晶圆搬运机械臂运动轨迹的预测方法，与实施例1不同的是，需要对补偿后的特征时间序列数据进行校对分析，判别补偿后的特征时间序列数据是否均达到补偿方法预设的标准，对补偿后的异常特征时间序列数据基于区间估计的方法估算，基于区间估计的方法估算的方法包括：
特征时间序列数据均有L个不同时间点的样本时间序列数据点，表示为X1(t1),X2(t2),…,XL(tL)；以对应的样本时间序列数据点均值和对应的样本时间序列数据点标准差S作为对应的总体均值μ和对应的总体标准差σ的估计：
式中，当X为特征时间序列数据的机械臂移动速度时，表示机械臂移动速度时间序列数据点均值，S表示机械臂移动速度时间序列数据点标准差，Xi(tj)表示不同时间点对应的机械臂移动速度时间序列数据点，tj表示机械臂移动速度时间序列数据的不同时间点；
当X为特征时间序列数据的机械臂加速度时，表示机械臂加速度时间序列数据点均值，S表示机械臂加速度时间序列数据点标准差，Xi(tj)表示不同时间点对应的机械臂加速度时间序列数据点，tj表示机械臂加速度时间序列数据的不同时间点；
当X为特征时间序列数据的转轴噪音数据时，表示转轴噪音数据时间序列数据点均值，S表示转轴噪音数据时间序列数据点标准差，Xi(tj)表示不同时间点对应的转轴噪音数据时间序列数据点，tj表示转轴噪音数据时间序列数据的不同时间点；
当X为特征时间序列数据的电流值时，表示电流值时间序列数据点均值，S表示电流值时间序列数据点标准差，Xi(tj)表示不同时间点对应的电流值时间序列数据点，tj表示电流值时间序列数据的不同时间点；
当X为特征时间序列数据的环境温度时，表示环境温度时间序列数据点均值，S表示环境温度时间序列数据点标准差，Xi(tj)表示不同时间点对应的环境温度时间序列数据点，tj表示环境温度时间序列数据的不同时间点；i,j均为大于1的整数；
以估计对应的样本时间序列数据点均值X和对应的样本时间序列数据点标准差S，对对应的特征时间序列数据不同时间点的样本时间序列数据点进行Z标准化，Z标准化包括：
式中，当X为特征时间序列数据的机械臂移动速度时，Z(tj)表示机械臂移动速度不同时间点的样本时间序列数据点的标准化；
当X为特征时间序列数据的机械臂加速度时，Z(tj)表示机械臂加速度不同时间点的样本时间序列数据点的标准化；
当X为特征时间序列数据的转轴噪音数据时，Z(tj)表示转轴噪音数据不同时间点的样本时间序列数据点的标准化；
当X为特征时间序列数据的电流值时，Z(tj)表示电流值不同时间点的样本时间序列数据点的标准化；
当X为特征时间序列数据的环境温度时，Z(tj)表示环境温度不同时间点的样本时间序列数据点的标准化；
Z标准化的原因在于能够使得对应的特征时间序列数据的样本时间序列数据点更接近标准正态分布；优选置信水平为99％，置信水平表示对估计的可靠性程度或置信程度的度量，通常用一个百分比来表示；
以对应的样本时间序列数据点均值和对应的样本时间序列数据点标准差S构建对应的特征时间序列数据的置信区间上下限，构建对应的特征时间序列数据的置信区间上下限的方法包括：
式中，α表示显著水平，Zα/2(tj)表示Z标准化分布的临界值；
当X为特征时间序列数据的机械臂移动速度时，若补偿方法提供的特征时间序列数据的机械臂移动速度落在置信区间内，则说明异常时间序列数据经过补偿后恢复正常；若补偿方法提供的特征时间序列数据的机械臂移动速度未落在置信区间内，则说明异常特征时间序列数据经过补偿后未恢复正常状态，则此时机械臂立即进入紧急停机状态，报告补偿失败，分析此次补偿失败的原因；
当X为特征时间序列数据的机械臂加速度时，若补偿方法提供的特征时间序列数据的机械臂加速度落在置信区间内，则说明异常时间序列数据经过补偿后恢复正常；若补偿方法提供的特征时间序列数据的机械臂加速度未落在置信区间内，则说明异常特征时间序列数据经过补偿后未恢复正常状态，则此时机械臂立即进入紧急停机状态，报告补偿失败，分析此次补偿失败的原因；
当X为特征时间序列数据的转轴噪音数据时，若补偿方法提供的特征时间序列数据的转轴噪音数据落在置信区间内，则说明异常特征时间序列数据经过补偿后恢复正常；若补偿方法提供的特征时间序列数据的转轴噪音数据未落在置信区间内，则说明异常特征时间序列数据经过补偿后未恢复正常状态，则此时机械臂立即进入紧急停机状态，报告补偿失败，分析此次补偿失败的原因；
当X为特征时间序列数据的电流值时，若补偿方法提供的特征时间序列数据的电流值落在置信区间内，则说明异常特征时间序列数据经过补偿后恢复正常；若补偿方法提供的特征时间序列数据的电流值未落在置信区间内，则说明异常特征时间序列数据经过补偿后未恢复正常状态，则此时机械臂立即进入紧急停机状态，报告补偿失败，分析此次补偿失败的原因；
当X为特征时间序列数据的环境温度时，若补偿方法提供的特征时间序列数据的环境温度落在置信区间内，则说明异常特征时间序列数据经过补偿后恢复正常；若补偿方法提供的特征时间序列数据的环境温度未落在置信区间内，则说明异常特征时间序列数据经过补偿后未恢复正常状态，则此时机械臂立即进入紧急停机状态，报告补偿失败，分析此次补偿失败的原因；
本实施例基于区间估计的方法估算预测补偿方法补偿后的异常特征时间序列数据，确保补偿后的特征时间序列数据满足补偿方法预设的标准，使得机械臂运动轨迹按照预计轨迹安全地搬运晶圆。
实施例3
请参阅图3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时间序列晶圆搬运机械臂运动轨迹的预测方法。
根据本申请实施方式的方法或系统也可以借助于图3所示的电子设备的架构来实现。如图3所示，电子设备500可包括总线501、一个或多个CPU502、ROM503、RAM504、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时间序列晶圆搬运机械臂运动轨迹的预测方法。进一步地，电子设备500还可包括用户界面508。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4
请参阅图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时间序列晶圆搬运机械臂运动轨迹的预测方法。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。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 (5)
1.基于时间序列晶圆搬运机械臂运动轨迹的预测方法，其特征在于，包括：
获取机械臂历史综合时间序列数据，综合时间序列数据包括特征时间序列数据以及特征时间序列数据对应的历史机械臂振动频率；所述特征时间序列数据包括：机械臂移动速度、机械臂加速度、电压值和电流值；
对特征时间序列数据提取特征，得到特征提取后的特征时间序列数据；所述特征提取包括均值特征、方差特征、极差特征和峰值特征的提取；
基于特征提取后的特征时间序列数据训练出预测未来时刻的机械臂振动频率预测模型，机械臂振动频率预测模型包含输入层、全连接层、隐藏层和输出层，并在隐藏层中加入注意力机制；
训练所述机械臂振动频率预测模型的方法包括：
获取s组特征提取后的特征时间序列数据以及对应的历史机械臂振动频率作为训练数据，s为大于或等于1的正整数，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，将训练集中的特征时间序列数据作为输入数据，将训练集中的历史机械臂振动频率作为输出数据，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机械臂振动频率预测模型；所述分类器为支持向量机、朴素贝叶斯、时序神经网络RNN和长短时记忆网络LSTM中的一种；
在隐藏层中加入注意力机制的方法包括：
Step1、构建查询向量和键向量：预设置查询向量q，全连接层将输入层的输出数据进行线性变换组合，得到键向量集合Ki，i表示键向量的组数，i为大于或等于1的整数；
Step2、计算注意力权重：使用Score函数计算查询向量q和键向量集合Ki之间的相似得分，Score函数计算方法包括：
Score(q,Ki)＝q·Ki；
式中，Score(q,Ki)表示查询向量q与键向量集合Ki的相似得分，将相似得分输入到Softmax函数中，得到注意力权重αi；Softmax函数的计算方法包括：
式中，αi表示注意力权重，T表示特征时间序列数据的总长度，exp表示指数函数；
Step3、计算加权和：将注意力权重αi与键向量集合Ki相乘并求和，得到加权和；计算加权和的方法包括：
式中，Attention(q,Ki)表示计算得到的加权和；
Step4、加权隐藏：将得到的加权和与隐藏层的输出相结合，得到加权隐藏表示作为后续神经网络层的输入；
预设机械臂振动频率阈值区间，将实时采集的特征时间序列数据经过特征提取后输入至训练完成的机械臂振动频率预测模型中，输出预测未来时刻机械臂振动频率并与预设机械臂振动频率阈值区间比对分析；判定是否生成机械臂振动频率异常预警指令，所述机械臂振动频率异常预警指令包括：补偿方法指令或维护指令；
若生成机械臂振动频率异常预警指令为补偿方法指令时，则将补偿方法指令对应的特征时间序列数据标记为异常特征时间序列数据，训练出预测补偿方法编号的补偿分析模型；将异常特征时间序列数据发生的时间标记为异常时间，对异常时间前一时刻末后至异常时间之间的特征时间序列数据进行补偿；训练所述预测补偿方法编号的补偿分析模型的方法包括：
预先收集历史异常特征时间序列数据以及历史异常特征时间序列数据对应的补偿方法，对对应的补偿方法设置编号；将历史异常特征时间序列数据与对应的补偿方法编号作为样本集，将样本集划分为训练集和测试集，构建分类器，将训练集中的历史异常特征时间序列数据作为输入数据，将训练集中的对应的补偿方法编号作为输出数据，对分类器进行训练，得到初始分类器，利用测试集对分类器进行测试，输出满足预设准确度的初始分类器作为补偿分析模型；所述分类器为逻辑回归模型、朴素贝叶斯模型或支持向量机模型的其中一种；
对异常时间前一时刻末后至异常时间之间的特征时间序列数据进行补偿的方法包括：
调整异常时间前一时刻末后至异常时间之间的特征时间序列数据，将预测补偿方法编号中补偿方法的特征时间序列数据的机械臂移动速度、机械臂加速度、电流值和电压值作为异常时间前一时刻末后至异常时间之间的机械臂移动速度、机械臂加速度、电流值和电压值；
若生成机械臂振动频率异常预警指令为维护指令时，则停止机械臂的运行。
2.根据权利要求1所述的基于时间序列晶圆搬运机械臂运动轨迹的预测方法，其特征在于，对特征时间序列数据中机械臂移动速度提取均值特征、方差特征、极差特征和峰值特征的特征提取的方法包括：
将特征时间序列数据中的机械臂移动速度时间序列数据以连续g个时间步序列数据作为第一个窗口，以第一个窗口向后继续滑动连续g个时间步序列数据作为第二个窗口，以此类推不断滑动连续g个时间步序列数据，得到N个窗口；
对N个窗口内的连续g个时间步序列数据求平均值，得到N个一一对应的平均值，作为N个一一对应窗口的均值特征；
将第一个窗口内连续g个时间步序列数据与第一个窗口的平均值一一做差并平方求和，将和除以第一个窗口的时间步g，得到第一个窗口的方差，作为第一个窗口的方差特征，以此类推得到N个窗口一一对应的方差特征；
遍历第一个窗口内连续g个时间步序列数据，得到第一个窗口的最大值与最小值，将第一个窗口的最大值与最小值做差，差值作为极差特征，以此类推得到N个窗口一一对应的极差特征；
将第一个窗口内连续g个时间步序列数据中最大的机械臂移动速度作为极大值点，并记录为波峰值；将第一个窗口内连续g个时间步序列数据中最小的机械臂移动速度作为极小值点，并记录为波谷值；遍历N个窗口，记录所有波峰值和波谷值作为峰值特征，得到N个窗口一一对应的峰值特征；
对特征时间序列数据中机械臂加速度、电流值和电压值的均值特征、方差特征、极差特征和峰值特征进行特征提取与特征时间序列数据中机械臂移动速度的特征提取的方法一致，g、N均为大于1的整数。
3.根据权利要求1所述的基于时间序列晶圆搬运机械臂运动轨迹的预测方法，其特征在于，所述机械臂振动频率异常预警指令生成的方法包括：
若预测未来时刻机械臂振动频率在预设机械臂振动频率阈值区间内，则不生成机械臂振动频率异常预警指令；
若预测未来时刻机械臂振动频率不在预设机械臂振动频率阈值区间内，则生成机械臂振动频率异常预警指令。
4.一种电子设备，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1-3任一项所述的基于时间序列晶圆搬运机械臂运动轨迹的预测方法。
5.一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1-3任一项所述的基于时间序列晶圆搬运机械臂运动轨迹的预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410251990.XA CN117817675B (zh) | 2024-03-06 | 2024-03-06 | 基于时间序列晶圆搬运机械臂运动轨迹的预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410251990.XA CN117817675B (zh) | 2024-03-06 | 2024-03-06 | 基于时间序列晶圆搬运机械臂运动轨迹的预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117817675A CN117817675A (zh) | 2024-04-05 |
| CN117817675B true CN117817675B (zh) | 2024-04-30 |
Family
ID=90524272
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410251990.XA Active CN117817675B (zh) | 2024-03-06 | 2024-03-06 | 基于时间序列晶圆搬运机械臂运动轨迹的预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117817675B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101511099A (zh) * | 2009-04-01 | 2009-08-19 | 南京邮电大学 | 基于时间序列预测模型的无线传感器网络数据采集方法 |
| WO2018118986A1 (en) * | 2016-12-20 | 2018-06-28 | Estia, Inc. | Multi-source modeling for network predictions |
| CN112247992A (zh) * | 2020-11-02 | 2021-01-22 | 中国科学院深圳先进技术研究院 | 一种机器人前馈力矩补偿方法 |
| CN112424703A (zh) * | 2018-07-19 | 2021-02-26 | 国际商业机器公司 | 以未知的倾斜执行销孔任务 |
| CN112549024A (zh) * | 2020-11-26 | 2021-03-26 | 华南理工大学 | 基于时间序列分析的机器人免传感碰撞检测方法及应用 |
| CN117021123A (zh) * | 2023-10-09 | 2023-11-10 | 泓浒(苏州)半导体科技有限公司 | 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 |
| CN117151770A (zh) * | 2023-08-28 | 2023-12-01 | 清华大学 | 一种基于注意力机制的lstm碳价预测方法和系统 |
-
2024
- 2024-03-06 CN CN202410251990.XA patent/CN117817675B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101511099A (zh) * | 2009-04-01 | 2009-08-19 | 南京邮电大学 | 基于时间序列预测模型的无线传感器网络数据采集方法 |
| WO2018118986A1 (en) * | 2016-12-20 | 2018-06-28 | Estia, Inc. | Multi-source modeling for network predictions |
| CN112424703A (zh) * | 2018-07-19 | 2021-02-26 | 国际商业机器公司 | 以未知的倾斜执行销孔任务 |
| CN112247992A (zh) * | 2020-11-02 | 2021-01-22 | 中国科学院深圳先进技术研究院 | 一种机器人前馈力矩补偿方法 |
| CN112549024A (zh) * | 2020-11-26 | 2021-03-26 | 华南理工大学 | 基于时间序列分析的机器人免传感碰撞检测方法及应用 |
| CN117151770A (zh) * | 2023-08-28 | 2023-12-01 | 清华大学 | 一种基于注意力机制的lstm碳价预测方法和系统 |
| CN117021123A (zh) * | 2023-10-09 | 2023-11-10 | 泓浒(苏州)半导体科技有限公司 | 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 |
Non-Patent Citations (1)
| Title |
|---|
| 龚世秋.基于人臂动作基元与运动预测的拟人臂运动规划方法研究.2023,全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117817675A (zh) | 2024-04-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Que et al. | Remaining useful life prediction for bearings based on a gated recurrent unit | |
| Deng et al. | Prognostic study of ball screws by ensemble data-driven particle filters | |
| US11527984B2 (en) | Abnormality determination system, motor control apparatus, and abnormality determination apparatus | |
| US11521105B2 (en) | Machine learning device and machine learning method for learning fault prediction of main shaft or motor which drives main shaft, and fault prediction device and fault prediction system including machine learning device | |
| Zhang et al. | An online robot collision detection and identification scheme by supervised learning and Bayesian decision theory | |
| CN112926273A (zh) | 一种多元退化设备剩余寿命预测方法 | |
| CN113051832B (zh) | 主轴系统热误差建模方法、误差预测系统、误差控制系统、误差控制方法及云雾计算系统 | |
| Wang et al. | An improved fusion prognostics method for remaining useful life prediction of bearings | |
| Bai et al. | A two-phase-based deep neural network for simultaneous health monitoring and prediction of rolling bearings | |
| CN114356897A (zh) | 基于数据融合的机电作动器故障诊断方法 | |
| Li et al. | A wiener-based remaining useful life prediction method with multiple degradation patterns | |
| Yang et al. | Remaining useful life prediction of ball screw using precision indicator | |
| WO2020071066A1 (ja) | 異常判定装置、信号特徴量予測器、異常判定方法、学習モデルの生成方法及び学習モデル | |
| Cui et al. | Intelligent health management of fixed-wing UAVs: A deep-learning-based approach | |
| CN117817675B (zh) | 基于时间序列晶圆搬运机械臂运动轨迹的预测方法 | |
| Bermeo-Ayerbe et al. | Remaining useful life estimation of ball-bearings based on motor current signature analysis | |
| Zhao et al. | Harmonic reducer performance prediction algorithm based on multivariate state estimation and largevis dimensionality reduction | |
| Melendez et al. | Self-supervised Multi-stage Estimation of Remaining Useful Life for Electric Drive Units | |
| CN116714437B (zh) | 基于大数据的氢燃料电池汽车安全监控系统及监控方法 | |
| CN110675430B (zh) | 一种基于运动和表观适应融合的无人机多目标跟踪方法 | |
| Caesarendra et al. | Machine degradation prognostic based on RVM and ARMA/GARCH model for bearing fault simulated data | |
| CN111474476A (zh) | 一种电机故障预测方法 | |
| Zhai et al. | A novel approach based on spatio-temporal attention and multi-scale modeling for mechanical failure prediction | |
| He et al. | Probabilistic model based algorithms for prognostics | |
| Haris et al. | Bearing degradation process prediction based on feedforward neural network |
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 |