CN117984334A - 一种自适应晶圆机械臂力矩调整系统及方法 - Google Patents
一种自适应晶圆机械臂力矩调整系统及方法 Download PDFInfo
- Publication number
- CN117984334A CN117984334A CN202410403076.2A CN202410403076A CN117984334A CN 117984334 A CN117984334 A CN 117984334A CN 202410403076 A CN202410403076 A CN 202410403076A CN 117984334 A CN117984334 A CN 117984334A
- Authority
- CN
- China
- Prior art keywords
- mechanical arm
- wafer
- moment
- angular acceleration
- machine learning
- 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
- 238000000034 method Methods 0.000 title claims abstract description 73
- 230000001133 acceleration Effects 0.000 claims abstract description 56
- 238000012512 characterization method Methods 0.000 claims abstract description 53
- 238000010801 machine learning Methods 0.000 claims abstract description 48
- 238000013178 mathematical model Methods 0.000 claims abstract description 11
- 239000013598 vector Substances 0.000 claims description 29
- 230000008569 process Effects 0.000 claims description 18
- 230000003044 adaptive effect Effects 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 15
- 230000015654 memory Effects 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 230000009471 action Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 239000000463 material Substances 0.000 abstract description 5
- 235000012431 wafers Nutrition 0.000 description 102
- 238000010586 diagram Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002474 experimental method Methods 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
- 238000012545 processing Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 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
- B25J9/1628—Programme controls characterised by the control loop
- B25J9/163—Programme controls characterised by the control loop learning, adaptive, model based, rule based expert control
Landscapes
- Engineering & Computer Science (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Container, Conveyance, Adherence, Positioning, Of Wafer (AREA)
Abstract
本发明属于机械臂力矩调整技术领域，本发明公开了一种自适应晶圆机械臂力矩调整系统及方法，方法包括：当机械臂进入预定工作区域后，通过条码传感器识别晶圆的ID编号，与后台数据库匹配获得晶圆表征数据；将晶圆表征数据输入至预构建的第一机器学习模型，得出对应的机械臂旋转惯性系数；收集路径信息；将路径信息与晶圆表征数据输入至预构建的第二机器学习模型，得出对应的最优机械臂角加速度；将机械臂旋转惯性系数与最优机械臂角加速度输入至预构建的角加速度‑力矩数学模型中输出最优机械臂力矩值，根据计算出的最优机械臂力矩值调整当前机械臂力矩值；能够根据不同晶圆情况实时调整力矩，提高工作效率，减少物料损耗。
Description
技术领域
本发明涉及机械臂力矩调整技术领域，更具体地说，本发明涉及一种自适应晶圆机械臂力矩调整系统及方法。
背景技术
半导体晶圆生产线是采用集成电路制造工艺从晶圆制成芯片的关键基础工艺。晶圆在不同工艺工序之间需要晶圆负载机械手实现晶圆的整体运输，是生产线关键环节之一。
然而，不同规格和材质参数的晶圆都会对机械臂的工作造成不同影响，晶圆本身较脆弱，因此需要高精度地进行作业，这使得在作业时，需要晶圆机械臂根据不同规格和材质参数的晶圆进行自动的细微调整，传统的固定力矩调整方式难以适应各种规格和材质参数的晶圆在不同运动状态下的惯性变化。这将导致晶圆在运输过程中出现震动，增加损伤风险；或力矩设置过小，影响晶圆的稳定性。
现有公开号为CN114211495A的专利公开了面向半导体晶圆传送机械臂的自适应轨迹优化方法及系统，方法包括：基于建立的机械臂笛卡尔空间轨迹的描述函数构建曲率半径变化模型；确定拟合曲率半径与速度的变化关系的运动函数以根据所述曲率半径变化模型构建机械臂在任意位置的速度变化模型；根据笛卡尔空间与关节空间的映射关系获得关节空间内的速度函数；将根据所述速度变化模型计算得到的速度值依据所述速度函数获得关节空间内的速度约束；在所述速度约束中加入奇异点位置以限制机械臂在奇异点附近的最大速度。通过建立曲率半径变化模型和速度变化模型，实现了在笛卡尔空间中轨迹速度的自适应加速和降速，提高了在轨迹拐点的运行稳定性和精度。
上述发明考虑了该如何通过调整速度使得机械臂运行稳定且精准，未解决如何调整机械臂力矩从而实现加速度调整，未考虑不同晶圆对机械臂旋转惯性造成的影响，且也未考虑效率与安全性的平衡。
为了解决此类现实问题，本发明提供一种自适应晶圆机械臂力矩调整系统及方法。
发明内容
为了克服现有技术的上述缺陷，本发明提供一种自适应晶圆机械臂力矩调整系统及方法，可以实时获取晶圆表征参数，并通过晶圆表征参数得出机械臂旋转的惯性系数；通过深度学习判断机械臂最优角加速度，从而调整机械臂输出的最佳力矩，实现搬运不同晶圆都能实时达到搬运的最优角加速度，提高晶圆自动化生产线的灵活性和效率。
一种自适应晶圆机械臂力矩调整方法，方法包括：
当机械臂进入预定工作区域后，通过条码传感器识别晶圆的ID编号，与后台数据库匹配获得晶圆表征数据；
将晶圆表征数据输入至预构建的第一机器学习模型，得出对应的机械臂旋转惯性系数；收集路径信息；将路径信息与晶圆表征数据输入至预构建的第二机器学习模型，得出对应的最优机械臂角加速度；
将机械臂旋转惯性系数与最优机械臂角加速度输入至预构建的角加速度-力矩数学模型中输出最优机械臂力矩值；
根据计算出的最优机械臂力矩值调整当前机械臂力矩值。
进一步地，所述晶圆表征数据包括晶圆半径、晶圆密度、晶圆厚度与晶圆质量。
进一步地，所述第一机器学习模型的构建方法包括：
将一组晶圆表征数据与机械臂旋转惯性系数转换为对应的一组特征向量；
将每组特征向量中的晶圆表征数据作为第一机器学习模型的输入，所述第一机器学习模型以一组晶圆表征数据预测的机械臂旋转惯性系数作为输出，以一组晶圆表征数据实际对应的机械臂旋转惯性系数作为预测目标，以最小化第一机器学习模型的损失函数值作为训练目标；当第一机器学习模型的损失函数值小于等于预设的目标损失值时停止训练。
进一步地，所述路径信息包括路径完成的最长限定时间、路径的动态限制与任务路径规划距离；路径的动态限制为机械臂最大角加速度安全阈值。
进一步地，所述第二机器学习模型为LSTM网络，LSTM网络包括一个输入层、两个LSTM层与一个输出层，两个LSTM层包括第一LSTM层与第二LSTM层；输入层输入维度为5，对应路径信息与晶圆表征数据，输入序列长度设为T，T代表LSTM网络需要学习和预测的时间范围，即路径任务执行过程被时间轴离散成的时间步数；第一LSTM层隐藏单元数设置为128，包含四组件，四组件包括遗忘门、输入门、单元状态更新门与输出门，四组件中每个组件都对应一个权重矩阵和一个偏置向量，权重矩阵W1、W2、W3与W4大小为(128，5)，偏置向量B1、B2、B3与B4大小为(128，1)，第二LSTM层隐藏单元数设置为64，权重矩阵W5、W6、W7与W8大小为(64，128)，偏置向量B5、B6、B7与B8大小为(64，1)；输出层输出单元数为预测任务需要的角加速度向量长度，权重矩阵W9大小为(6，64)，偏置向量B9大小为(6，1)，使用ReLU函数激活。
进一步地，所述第二机器学习模型训练方法包括：
初始化模型参数，LSTM层的参数均值为0，在标准差为0.1的正态分布中随机初始化LSTM层的参数；
数据预处理，从历史数据集中随机采样i组历史数据作为输入，历史数据集包括r组历史数据，i∈r，i与r均为大于1的整数；每组历史数据包括角加速度、晶圆表征数据与路径信息；角加速度的数据由陀螺仪传感器得到；
前向传播，输入序列经LSTM网络进行多时间步预测，输出角加速度序列；
计算损失，速度平稳损失=相邻步角加速度差绝对值和，距离目标损失=(实际时间步的位置-期望位置)的平方和，总损失根据速度平稳损失与距离目标损失计算得到，反向传播计算参数梯度，使用AdamOptimizer以学习率0.001更新参数，在仿真环境执行预测动作，计算总损失，根据总损失信号不断更新LSTM网络，每次迭代都随机选取新batch训练，直至总损失收敛，得到训练完成的第二机器学习模型，将路径信息与晶圆表征数据输入至第二机器学习模型，即可得出对应的最优机械臂角加速度；
速度平稳损失：
；
式中，为速度平稳损失，/>代表第/>个时间步的预测角加速度，为输入序列长度；
距离目标损失：
；
式中，为距离目标损失，/>代表实际的第/>个时间步的位置，/>代表每个时刻/>的期望位置；
总损失：
；
式中，和/>代表两个损失项的权重，为预设值；
优化目标就是最小化，通过反向传播算法更新模型参数/>：
；
式中，代表学习率；/>为上一个总损失参数与当前总损失参数的差值。
进一步地，所述角加速度-力矩数学模型构建方法包括：
输入机械臂旋转惯性系数与最优机械臂角加速度/>，输出最优机器臂力矩值/>；
。
进一步的，根据计算出的最优机械臂力矩值调整当前机械臂力矩值的方法包括：
使用机械臂控制程序，实时读取当前机械臂力矩值，以预设力矩改变量ΔT调整当前机械臂力矩值得到调整后力矩值，当调整后力矩值与最优机械臂力矩值差值绝对值在预设允许误差范围内时，停止调整。
一种自适应晶圆机械臂力矩调整系统，实施一种自适应晶圆机械臂力矩调整方法，系统包括：
收集模块，当机械臂进入预定工作区域后，用于通过条码传感器识别晶圆的ID编号，与后台数据库匹配获得晶圆表征数据；
第一分析模块，用于将晶圆表征数据输入至预构建的第一机器学习模型，得出对应的机械臂旋转惯性系数；收集路径信息；将路径信息与晶圆表征数据输入至预构建的第二机器学习模型，得出对应的最优机械臂角加速度；
第二分析模块，用于将机械臂旋转惯性系数与最优机械臂角加速度输入至预构建的角加速度-力矩数学模型中输出最优机械臂力矩值；
执行模块，用于根据计算出的最优机械臂力矩值调整当前机械臂力矩值。
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，实现一种自适应晶圆机械臂力矩调整方法。
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，实现一种自适应晶圆机械臂力矩调整方法。
本发明一种自适应晶圆机械臂力矩调整系统及方法效果和优点：
本发明通过传感器实时识别晶圆表征数据，可以将不同晶圆的表征数据考虑进整体的变量中，再将晶圆表征数据输入第一机器学习模型中得出该晶圆对应的机械臂旋转惯性系数，这使得不同晶圆的表征数据被考虑进机械臂旋转惯性系数影响因素中，从而使得计算数据更加精确，将路径信息与晶圆表征数据输入至预构建的第二机器学习模型，得出对应的最优机械臂角加速度，而第二机器学习模型考虑到了效率与安全的平衡，从而找出最优角加速度，再利用计算出的最优角加速度计算对应的力矩，最后进行对现有力矩的调整，从而完成整体的自适应调整。
本发明通过采用机器学习模型，根据晶圆表征数据预测机械臂惯性系数，实现了力矩调整的个性化和自适应；使用LSTM网络考虑路径动态信息，能够更好地预测最优角加速度序列，从而获得更精确的力矩值，引入速度平稳损失和距离目标损失，有效优化了路径跟踪性能；用强化学习不断更新控制策略，使系统在线学习能力强；通过数学模型实现力矩输出，使系统实时性能好，响应速度快；系统各模块分工明确，集智能算法与传统控制相结合，设计合理；能够根据不同晶圆情况实时调整力矩，提高工作效率，减少物料损耗；软硬件设施相对完善，易于工业化应用推广；为晶圆自动搬运系统提供了一种智能控制手段，提高了晶圆搬运效率。
附图说明
图1为本发明的一种自适应晶圆机械臂力矩调整数据传输示意图；
图2为本发明的一种自适应晶圆机械臂力矩调整系统示意图；
图3为本发明的一种自适应晶圆机械臂力矩调整方法流程图；
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与图3所示，本实施例所述一种自适应晶圆机械臂力矩调整方法，方法包括：
当机械臂进入预定工作区域后，通过条码传感器识别晶圆的ID编号，与后台数据库匹配获得晶圆表征数据；
晶圆表征数据包括晶圆半径、晶圆密度、晶圆厚度与晶圆质量；晶圆半径，同等条件下，半径越大，晶圆质量越大，机械臂需要搬运的晶圆质量越大，同时半径越大，与中心的距离越大，与中心的距离也影响机械臂的旋转惯性系数，机械臂的旋转惯性系数会相对增大，例如：搬运半径为5cm的晶圆的机械臂旋转惯性系数大于搬运半径为3cm的晶圆；晶圆密度越大，同体积内质量越大，同时晶圆密度会影响晶圆重心的位置，重心的位置对机械臂旋转惯性有影响，而同等条件下，搬运高密度晶圆的机械臂旋转惯性系数大于搬运低密度晶圆；晶圆厚度，晶圆厚度越大，同面积内质量越大，同等条件下，搬运厚晶圆的机械臂旋转惯性系数大于搬运薄晶圆；晶圆质量，晶圆质量直接决定机械臂旋转惯性系数大小，质量越大，机械臂旋转惯性系数越大。
将晶圆表征数据输入至预构建的第一机器学习模型，得出对应的机械臂旋转惯性系数；
收集路径信息；将路径信息与晶圆表征数据输入至预构建的第二机器学习模型，得出对应的最优机械臂角加速度；
所述第一机器学习模型的构建方法包括：
将一组晶圆表征数据与机械臂旋转惯性系数转换为对应的一组特征向量；
将每组特征向量中的晶圆表征数据作为第一机器学习模型的输入，所述第一机器学习模型以一组晶圆表征数据预测的机械臂旋转惯性系数作为输出，以一组晶圆表征数据实际对应的机械臂旋转惯性系数作为预测目标，以最小化第一机器学习模型的损失函数值作为训练目标；当第一机器学习模型损失函数值小于等于预设的目标损失值时停止训练；
损失函数值，/>，式中，x为特征向量组号；m为特征向量组数；/>为第x组特征向量预测的机械臂旋转惯性系数，/>为第x组特征向量实际所对应的机械臂旋转惯性系数；
所述第一机器学习模型为回归模型，第一机器学习模型的其他模型参数，目标损失值、优化算法、训练集测试集验证集比例以及损失函数的优化等均通过实际的工程实现，不断地进行实验调优后获得；
路径信息包括路径完成的最长限定时间、路径的动作细节、路径的动态限制与任务路径规划距离；路径完成的最长限定时间短，需要采取较大的角加速度完成路径，以满足时间限制，例如：限时1分钟完成的路径，采用0.5rad/s2加速度可能不足以完成；路径的动态限制为机械臂最大角加速度安全阈值，限定最大加速度，此加速度由本领域技术人员根据大量实验确定，确保晶圆不会因为此最大加速度而直接脱离机械臂或直接碎裂，即安全阈值；任务路径规划距离长，则需要较大加速度以免完成不了路径完成的最长限定时间；
所述第二机器学习模型的构建方法包括：
第二机器学习模型为LSTM网络，LSTM网络包括一个输入层、两个LSTM层与一个输出层，两个LSTM层包括第一LSTM层与第二LSTM层；输入层输入维度为5，对应路径信息与晶圆表征数据等特征维度，输入序列长度设为T，T代表LSTM网络需要学习和预测的时间范围，即路径任务执行过程被时间轴离散成的时间步数；第一LSTM层隐藏单元数设置为128，包含四组件，四组件包括遗忘门、输入门、单元状态更新门与输出门，四组件中每个组件都对应一个权重矩阵和一个偏置向量，权重矩阵W1、W2、W3与W4大小为(128，5)，偏置向量B1、B2、B3与B4大小为(128，1)，第二LSTM层隐藏单元数设置为64，第二LSTM层的权重矩阵W5、W6、W7与W8大小为(64，128)，第二LSTM层的偏置向量B5、B6、B7与B8大小为(64，1)；输出层输出单元数为预测任务需要的角加速度向量长度，输出层的权重矩阵W9大小为(6，64)，输出层的偏置向量B9大小为(6，1)，使用ReLU函数激活；
所述第二机器学习模型训练方法包括：
初始化模型参数，LSTM层的参数均值为0，在标准差为0.1的正态分布中随机初始化LSTM层的参数；
数据预处理，从历史数据集中随机采样i组历史数据作为输入，历史数据集包括r组历史数据，i∈r，i与r均为大于1的整数；每组历史数据包括角加速度、晶圆表征数据与路径信息；角加速度的数据由陀螺仪传感器得到；
前向传播，输入序列经LSTM网络进行多时间步预测，输出角加速度序列；
计算损失，速度平稳损失=相邻步角加速度差绝对值和，距离目标损失=(实际时间步的位置-期望位置)的平方和，总损失根据速度平稳损失与距离目标损失计算得到，反向传播计算参数梯度，使用AdamOptimizer以学习率0.001更新参数，在仿真环境执行预测动作，计算总损失，根据总损失信号不断更新LSTM网络，每次迭代都随机选取新batch训练，直至总损失收敛，得到训练完成的第二机器学习模型，将路径信息与晶圆表征数据输入至第二机器学习模型，即可得出对应的最优机械臂角加速度；
速度平稳损失：
；
式中，为速度平稳损失，/>代表第/>个时间步的预测角加速度，/>为输入序列长度；
距离目标损失：
；
式中，为距离目标损失，/>代表实际的第/>个时间步的位置，代表每个时刻/>的期望位置；
总损失：
；
式中，和/>代表两个损失项的权重，为预设值；
优化目标就是最小化，通过反向传播算法更新模型参数/>：
；
式中，代表学习率；/>为上一个总损失参数与当前总损失参数的差值，此表达式为计算机语言赋值。
将机械臂旋转惯性系数与最优机械臂角加速度输入至预构建的角加速度-力矩数学模型中输出最优机械臂力矩值，根据计算出的最优机械臂力矩值调整当前机械臂力矩值；
角加速度-力矩数学模型构建方法包括：
输入机械臂旋转惯性系数与最优机械臂角加速度/>，输出最优机器臂力矩值/>；
；
根据计算出的最优机械臂力矩值调整当前机械臂力矩值的方法包括：
使用机械臂控制程序，实时读取当前机械臂力矩值，以预设力矩改变量ΔT调整当前机械臂力矩值得到调整后力矩值，当调整后力矩值与最优机械臂力矩值差值绝对值在预设允许误差范围内时，停止调整；
若当前力矩值大于最优力矩，则使当前力矩值减小ΔT；
若当前力矩值小于最优力矩，则使当前力矩值增大ΔT。
实施例2
请参阅图2所示，本实施例所述一种自适应晶圆机械臂力矩调整系统，系统包括：
收集模块，收集晶圆表征数据与路径信息；
第一分析模块，将晶圆表征数据输入至预构建的第一机器学习模型，得出对应的机械臂旋转惯性系数；将路径信息与晶圆表征数据输入至预构建的第二机器学习模型，得出对应的最优机械臂角加速度；
第二分析模块，将机械臂旋转惯性系数与最优机械臂角加速度输入至预构建的角加速度-力矩数学模型中输出最优机械臂力矩值；
执行模块，根据当前最优机械臂力矩值调整当前机械臂力矩值。
实施例3
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一种自适应晶圆机械臂力矩调整方法。
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、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一种自适应晶圆机械臂力矩调整方法。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4
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250。计算机可读存储介质250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一种自适应晶圆机械臂力矩调整方法。存储介质250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。
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 (11)
1.一种自适应晶圆机械臂力矩调整方法，其特征在于，方法包括：
当机械臂进入预定工作区域后，通过条码传感器识别晶圆的ID编号，与后台数据库匹配获得晶圆表征数据；
将晶圆表征数据输入至预构建的第一机器学习模型，得出对应的机械臂旋转惯性系数；收集路径信息；将路径信息与晶圆表征数据输入至预构建的第二机器学习模型，得出对应的最优机械臂角加速度；
将机械臂旋转惯性系数与最优机械臂角加速度输入至预构建的角加速度-力矩数学模型中输出最优机械臂力矩值；
根据计算出的最优机械臂力矩值调整当前机械臂力矩值。
2.根据权利要求1所述的一种自适应晶圆机械臂力矩调整方法，其特征在于，所述晶圆表征数据包括晶圆半径、晶圆密度、晶圆厚度与晶圆质量。
3.根据权利要求1所述的一种自适应晶圆机械臂力矩调整方法，其特征在于，所述第一机器学习模型的构建方法包括：
将一组晶圆表征数据与机械臂旋转惯性系数转换为对应的一组特征向量；
将每组特征向量中的晶圆表征数据作为第一机器学习模型的输入，所述第一机器学习模型以一组晶圆表征数据预测的机械臂旋转惯性系数作为输出，以一组晶圆表征数据实际对应的机械臂旋转惯性系数作为预测目标，以最小化第一机器学习模型的损失函数值作为训练目标；当第一机器学习模型的损失函数值小于等于预设的目标损失值时停止训练。
4.根据权利要求1所述的一种自适应晶圆机械臂力矩调整方法，其特征在于，所述路径信息包括路径完成的最长限定时间、路径的动态限制与任务路径规划距离；所述路径的动态限制为机械臂最大角加速度安全阈值。
5.根据权利要求1所述的一种自适应晶圆机械臂力矩调整方法，其特征在于，所述第二机器学习模型为LSTM网络，LSTM网络包括一个输入层、两个LSTM层与一个输出层，两个LSTM层包括第一LSTM层与第二LSTM层；输入层输入维度为5，对应路径信息与晶圆表征数据，输入序列长度设为T，T代表LSTM网络需要学习和预测的时间范围，即路径任务执行过程被时间轴离散成的时间步数；第一LSTM层隐藏单元数设置为128，包含四组件，四组件包括遗忘门、输入门、单元状态更新门与输出门，四组件中每个组件都对应一个权重矩阵和一个偏置向量，权重矩阵W1、W2、W3与W4大小为(128，5)，偏置向量B1、B2、B3与B4大小为(128，1)，第二LSTM层隐藏单元数设置为64，第二LSTM层的权重矩阵W5、W6、W7与W8大小为(64，128)，第二LSTM层的偏置向量B5、B6、B7与B8大小为(64，1)；输出层输出单元数为预测任务需要的角加速度向量长度，输出层的权重矩阵W9大小为(6，64)，输出层的偏置向量B9大小为(6，1)，使用ReLU函数激活。
6.根据权利要求5所述的一种自适应晶圆机械臂力矩调整方法，其特征在于，所述第二机器学习模型训练方法包括：
初始化模型参数，LSTM层的参数均值为0，在标准差为0.1的正态分布中随机初始化LSTM层的参数；
数据预处理，从历史数据集中随机采样i组历史数据作为输入，历史数据集包括r组历史数据，i∈r，i与r均为大于1的整数；每组历史数据包括角加速度、晶圆表征数据与路径信息；角加速度的数据由陀螺仪传感器得到；
前向传播，输入序列经LSTM网络进行多时间步预测，输出角加速度序列；
计算损失，速度平稳损失=相邻步角加速度差绝对值和，距离目标损失=(实际时间步的位置-期望位置)的平方和，总损失根据速度平稳损失与距离目标损失计算得到，反向传播计算参数梯度，使用AdamOptimizer以学习率0.001更新参数，在仿真环境执行预测动作，计算总损失，根据总损失信号不断更新LSTM网络，每次迭代都随机选取新batch训练，直至总损失收敛，得到训练完成的第二机器学习模型，将路径信息与晶圆表征数据输入至第二机器学习模型，即可得出对应的最优机械臂角加速度；
速度平稳损失：
；
式中，为速度平稳损失，/>代表第/>个时间步的预测角加速度，/>为输入序列长度；
距离目标损失：
；
式中，为距离目标损失，/>代表实际的第/>个时间步的位置，/>代表每个时刻/>的期望位置；
总损失：
；
式中，和/>代表两个损失项的权重，为预设值；
优化目标就是最小化，通过反向传播算法更新模型参数/>：
；
式中，代表学习率；/>为上一个总损失参数与当前总损失参数的差值。
7.根据权利要求6所述的一种自适应晶圆机械臂力矩调整方法，其特征在于，所述角加速度-力矩数学模型构建方法包括：
输入机械臂旋转惯性系数与最优机械臂角加速度/>，输出最优机器臂力矩值/>；
。
8.根据权利要求7所述的一种自适应晶圆机械臂力矩调整方法，其特征在于，根据计算出的最优机械臂力矩值调整当前机械臂力矩值的方法包括：
使用机械臂控制程序，实时读取当前机械臂力矩值，以预设力矩改变量ΔT调整当前机械臂力矩值得到调整后力矩值，当调整后力矩值与最优机械臂力矩值差值绝对值在预设允许误差范围内时，停止调整。
9.一种自适应晶圆机械臂力矩调整系统，其特征在于，实施权利要求1-8任一项所述的一种自适应晶圆机械臂力矩调整方法，系统包括：
收集模块，当机械臂进入预定工作区域后，用于通过条码传感器识别晶圆的ID编号，与后台数据库匹配获得晶圆表征数据；
第一分析模块，用于将晶圆表征数据输入至预构建的第一机器学习模型，得出对应的机械臂旋转惯性系数；收集路径信息；将路径信息与晶圆表征数据输入至预构建的第二机器学习模型，得出对应的最优机械臂角加速度；
第二分析模块，用于将机械臂旋转惯性系数与最优机械臂角加速度输入至预构建的角加速度-力矩数学模型中输出最优机械臂力矩值；
执行模块，用于根据计算出的最优机械臂力矩值调整当前机械臂力矩值。
10.一种电子设备，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1-8任一项所述的一种自适应晶圆机械臂力矩调整方法。
11.一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1-8任一项所述的一种自适应晶圆机械臂力矩调整方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410403076.2A CN117984334B (zh) | 2024-04-03 | 2024-04-03 | 一种自适应晶圆机械臂力矩调整系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410403076.2A CN117984334B (zh) | 2024-04-03 | 2024-04-03 | 一种自适应晶圆机械臂力矩调整系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117984334A true CN117984334A (zh) | 2024-05-07 |
| CN117984334B CN117984334B (zh) | 2024-05-28 |
Family
ID=90901026
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410403076.2A Active CN117984334B (zh) | 2024-04-03 | 2024-04-03 | 一种自适应晶圆机械臂力矩调整系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117984334B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118372702A (zh) * | 2024-05-21 | 2024-07-23 | 上海华位物联网科技有限公司 | 一种能自动识别用户的充电桩和智能插头 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH06170781A (ja) * | 1992-12-01 | 1994-06-21 | Canon Inc | クリーンロボット |
| JPH10124132A (ja) * | 1996-10-21 | 1998-05-15 | Tokico Ltd | ロボット制御装置及びロボット |
| JP2015180238A (ja) * | 2014-03-04 | 2015-10-15 | 学校法人法政大学 | 医療用ロボット |
| CN106041941A (zh) * | 2016-06-20 | 2016-10-26 | 广州视源电子科技股份有限公司 | 一种机械臂的轨迹规划方法及装置 |
| CN106956282A (zh) * | 2017-05-18 | 2017-07-18 | 广州视源电子科技股份有限公司 | 角加速度确定方法、装置、机器人及存储介质 |
| CN109108963A (zh) * | 2018-07-24 | 2019-01-01 | 西北工业大学 | 基于差分演化粒子群算法空间多关节机器人路径规划方法 |
| CN114211495A (zh) * | 2021-12-29 | 2022-03-22 | 泓浒(苏州)半导体科技有限公司 | 面向半导体晶圆传送机械臂的自适应轨迹优化方法及系统 |
| CN114474078A (zh) * | 2022-04-12 | 2022-05-13 | 季华实验室 | 机械臂的摩擦力补偿方法、装置、电子设备及存储介质 |
| CN115223905A (zh) * | 2021-04-19 | 2022-10-21 | 东京毅力科创株式会社 | 基板搬送装置和基板搬送方法 |
| CN116190299A (zh) * | 2021-11-29 | 2023-05-30 | 东京毅力科创株式会社 | 基板搬送装置和基板搬送方法 |
| CN117251716A (zh) * | 2023-11-17 | 2023-12-19 | 泓浒(苏州)半导体科技有限公司 | 超洁净环境下晶圆转运机械臂产出颗粒检测系统及方法 |
| CN117325152A (zh) * | 2023-09-11 | 2024-01-02 | 中山大学 | 一种阻抗控制方法 |
| CN117400237A (zh) * | 2022-07-08 | 2024-01-16 | 中国科学院沈阳自动化研究所 | 火箭固体燃料整形机器人的轨迹跟踪和力柔顺控制方法 |
-
2024
- 2024-04-03 CN CN202410403076.2A patent/CN117984334B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH06170781A (ja) * | 1992-12-01 | 1994-06-21 | Canon Inc | クリーンロボット |
| JPH10124132A (ja) * | 1996-10-21 | 1998-05-15 | Tokico Ltd | ロボット制御装置及びロボット |
| JP2015180238A (ja) * | 2014-03-04 | 2015-10-15 | 学校法人法政大学 | 医療用ロボット |
| CN106041941A (zh) * | 2016-06-20 | 2016-10-26 | 广州视源电子科技股份有限公司 | 一种机械臂的轨迹规划方法及装置 |
| CN106956282A (zh) * | 2017-05-18 | 2017-07-18 | 广州视源电子科技股份有限公司 | 角加速度确定方法、装置、机器人及存储介质 |
| CN109108963A (zh) * | 2018-07-24 | 2019-01-01 | 西北工业大学 | 基于差分演化粒子群算法空间多关节机器人路径规划方法 |
| CN115223905A (zh) * | 2021-04-19 | 2022-10-21 | 东京毅力科创株式会社 | 基板搬送装置和基板搬送方法 |
| CN116190299A (zh) * | 2021-11-29 | 2023-05-30 | 东京毅力科创株式会社 | 基板搬送装置和基板搬送方法 |
| CN114211495A (zh) * | 2021-12-29 | 2022-03-22 | 泓浒(苏州)半导体科技有限公司 | 面向半导体晶圆传送机械臂的自适应轨迹优化方法及系统 |
| CN114474078A (zh) * | 2022-04-12 | 2022-05-13 | 季华实验室 | 机械臂的摩擦力补偿方法、装置、电子设备及存储介质 |
| CN117400237A (zh) * | 2022-07-08 | 2024-01-16 | 中国科学院沈阳自动化研究所 | 火箭固体燃料整形机器人的轨迹跟踪和力柔顺控制方法 |
| CN117325152A (zh) * | 2023-09-11 | 2024-01-02 | 中山大学 | 一种阻抗控制方法 |
| CN117251716A (zh) * | 2023-11-17 | 2023-12-19 | 泓浒(苏州)半导体科技有限公司 | 超洁净环境下晶圆转运机械臂产出颗粒检测系统及方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118372702A (zh) * | 2024-05-21 | 2024-07-23 | 上海华位物联网科技有限公司 | 一种能自动识别用户的充电桩和智能插头 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117984334B (zh) | 2024-05-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117984334B (zh) | 一种自适应晶圆机械臂力矩调整系统及方法 | |
| JP6727744B2 (ja) | 機械の動作を制御するモデル予測制御システム及び方法 | |
| CN111496792A (zh) | 一种机械臂输入饱和固定时间轨迹跟踪控制方法及系统 | |
| US6678668B2 (en) | System and method for complex process optimization and control | |
| US9367060B2 (en) | Intelligent optimization method and system therefor | |
| CN116018595A (zh) | 计算机辅助设计和制造的使用构建材料强度模型的生成设计形状优化 | |
| CN115997214A (zh) | 计算机辅助设计和制造的载荷循环内防止损伤的生成设计形状优化 | |
| CN114925462B (zh) | 一种基于切削力与刚度关联演变的薄壁件加工变形预测方法 | |
| US20230234136A1 (en) | Heat-aware toolpath reordering for 3d printing of physical parts | |
| CN116583855A (zh) | 用于建模和控制部分可测量系统的方法和系统 | |
| Zhang et al. | Low-level control technology of micro autonomous underwater vehicle based on intelligent computing | |
| CN114660940A (zh) | 一种基于深度强化学习ppo算法的磨削恒力控制方法 | |
| Ko et al. | Autonomous cutting parameter regulation using adaptive modeling and genetic algorithms | |
| CN116945177B (zh) | 上甑机器人补料路径规划方法、装置、电子设备及介质 | |
| CN112677149B (zh) | 规划臂架安全布料状态的方法及装置、工程机械 | |
| CN111624872B (zh) | 一种基于自适应动态规划的pid控制器参数整定方法及系统 | |
| CN116512256A (zh) | 基于联合学习的机器人最优人机交互阻抗控制方法、存储介质及机器人 | |
| CN107330808A (zh) | 基于量子进化算法的复杂场景排产方法及系统 | |
| EP3997532A1 (en) | A system and method for minimizing non-productive idle times within an automation process | |
| JP2004010349A (ja) | 自動倉庫システムの搬送時間予測方法 | |
| CN116088498A (zh) | 一种基于mpc与fpga的自动驾驶车辆轨迹跟踪控制方法 | |
| CN114347020B (zh) | 一种运动控制方法、运动控制装置及机器人 | |
| CN114434449B (zh) | 一种新型粒子群自适应阻抗控制方法及装置 | |
| Toner et al. | Probabilistically safe mobile manipulation in an unmodeled environment with automated feedback tuning | |
| JP2004118658A5 (zh) |
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 |