JP7399035B2 - ティーチング方法、搬送システム及びプログラム - Google Patents

ティーチング方法、搬送システム及びプログラム Download PDF

Info

Publication number
JP7399035B2
JP7399035B2 JP2020107705A JP2020107705A JP7399035B2 JP 7399035 B2 JP7399035 B2 JP 7399035B2 JP 2020107705 A JP2020107705 A JP 2020107705A JP 2020107705 A JP2020107705 A JP 2020107705A JP 7399035 B2 JP7399035 B2 JP 7399035B2
Authority
JP
Japan
Prior art keywords
wafer
substrate
teaching
image 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
Application number
JP2020107705A
Other languages
English (en)
Other versions
JP2022003663A (ja
Inventor
政和 山本
忠 榎本
悠太 國武
悠汰 松橋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tokyo Electron Ltd
Original Assignee
Tokyo Electron Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tokyo Electron Ltd filed Critical Tokyo Electron Ltd
Priority to JP2020107705A priority Critical patent/JP7399035B2/ja
Priority to KR1020210078043A priority patent/KR20210158329A/ko
Priority to US17/354,062 priority patent/US20210398342A1/en
Publication of JP2022003663A publication Critical patent/JP2022003663A/ja
Application granted granted Critical
Publication of JP7399035B2 publication Critical patent/JP7399035B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
    • H01L21/68—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere for positioning, orientation or alignment
    • H01L21/681—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere for positioning, orientation or alignment using optical controlling means
    • 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
    • B25J15/00—Gripping heads and other end effectors
    • B25J15/0052—Gripping heads and other end effectors multiple gripper units or multiple end effectors
    • 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
    • B25J9/1692—Calibration of manipulator
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T15/00—3D [Three Dimensional] image rendering
    • G06T15/005—General purpose rendering architectures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T15/00—3D [Three Dimensional] image rendering
    • G06T15/08—Volume rendering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T15/00—3D [Three Dimensional] image rendering
    • G06T15/10—Geometric effects
    • G06T15/20—Perspective computation
    • G06T15/205—Image-based rendering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/30—Polynomial surface description
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T19/00—Manipulating 3D models or images for computer graphics
    • G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/001—Industrial image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
    • H01L21/677—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere for conveying, e.g. between different workstations
    • H01L21/67763—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere for conveying, e.g. between different workstations the wafers being stored in a carrier, involving loading and unloading
    • H01L21/67778—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere for conveying, e.g. between different workstations the wafers being stored in a carrier, involving loading and unloading involving loading and unloading of wafers
    • H01L21/67781—Batch transfer of wafers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2200/00—Indexing scheme for image data processing or generation, in general
    • G06T2200/04—Indexing scheme for image data processing or generation, in general involving 3D image data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/06—Recognition of objects for industrial automation

Description

本開示は、ティーチング方法、搬送システム及びプログラムに関する。
縦長の熱処理炉を有し、ウエハボートに複数枚のウエハを載置した状態で熱処理炉に収容し、ウエハを加熱する熱処理を行う縦型熱処理装置が知られている。この縦型熱処理装置では、複数枚のフォークを有するウエハ搬送装置により、キャリアに収納されたウエハをウエハボートに複数枚同時に搬送する（例えば、特許文献１参照）。
特開２０１９－０４６８４３号公報
本開示は、基板の搬送装置に対するティーチングを自動化できる技術を提供する。
本開示の一態様は、基板を載置可能な搬送元対象物及び搬送先対象物の間で、前記基板を搬送する搬送装置のティーチング方法であって、撮影部により撮影された前記搬送元対象物、前記搬送先対象物、及び前記基板の撮影画像データと、前記搬送元対象物、前記搬送先対象物、及び前記基板の設計データと、に基づいて、前記搬送元対象物の形状、前記搬送先対象物の形状、及び前記基板の状態の３次元画像データを生成するステップと、前記３次元画像データに基づいて、前記搬送元対象物及び前記搬送先対象物と、前記基板とが衝突せずに、前記搬送元対象物及び前記搬送先対象物の間で前記基板を搬送するように、前記搬送装置にティーチングを行うステップと、を有する。
本開示によれば、基板の搬送装置に対するティーチングを自動化できる。
一実施形態の基板処理システムの構成例を示す断面図である。 一実施形態の基板処理システムの構成例を示す平面図である。 制御装置のハードウェア構成の一例を示す図である。 制御装置の機能構成の一例を示す図である。 ３次元測定データを活用した処理の一例のフローチャートである。 カメラ７２を活用した処理の一例のフローチャートである。 カメラ７０を活用した処理の一例のフローチャートである。 カメラ７０及び７２を活用した処理の一例のフローチャートである。 光学センサを活用した処理の一例のフローチャートである。 カメラ７０の撮影画像データを活用した処理の一例のフローチャートである。 カメラ７２の撮影画像データを活用した処理の一例のフローチャートである。 ステップＳ２０２の画像処理の一例の説明図である。 ステップＳ２０２の画像処理の一例の説明図である。 カメラ７０の撮影画像データの精度について説明する一例の図である。 カメラ７０の設置位置及び撮影方向について説明する一例の図である。 自動教示の処理の一例のフローチャートである。 自動教示の処理の一例のフローチャートである。
以下、添付の図面を参照しながら、本開示の限定的でない例示の実施形態について説明する。添付の全図面中、同一又は対応する部材又は部品については、同一又は対応する参照符号を付し、重複する説明を適宜省略する。
＜システム構成＞
図１及び図２は、それぞれ一実施形態の基板処理システムの構成例を示す断面図及び平面図である。図１に示されるように、基板処理システムは、基板処理装置１と、制御装置９０と、を有する。基板処理装置１は、基板の一例である半導体ウエハ（以下、ウエハＷと呼ぶ）に対して所定の処理（例えば、熱処理）を行う装置である。制御装置９０は、基板処理装置１の全体の制御を行う装置である。
基板処理装置１は、装置の外装体を構成する筐体２に収容されて構成される。筐体２内には、キャリア搬送領域Ｓ１と、ウエハ搬送領域Ｓ２とが形成されている。キャリア搬送領域Ｓ１とウエハ搬送領域Ｓ２とは、隔壁４により仕切られている。隔壁４には、キャリア搬送領域Ｓ１とウエハ搬送領域Ｓ２とを連通させ、ウエハＷを搬送するための搬送口６が設けられている。
搬送口６は、ＦＩＭＳ（Front-Opening Interface Mechanical Standard）規格に従ったドア機構８により開閉される。ドア機構８には、蓋体開閉装置７の駆動機構が接続されており、駆動機構によりドア機構８は前後方向及び上下方向に移動自在に構成され、搬送口６が開閉される。
以下、キャリア搬送領域Ｓ１及びウエハ搬送領域Ｓ２の配列方向を前後方向（図２の第２の水平方向に対応）とし、前後方向に垂直な水平方向を左右方向（図２の第１の水平方向に対応）とする。
キャリア搬送領域Ｓ１は、大気雰囲気下にある領域である。キャリア搬送領域Ｓ１は、ウエハＷが収納されたキャリアＣを、基板処理装置１内の後述する要素間で搬送する、外部から基板処理装置１内に搬入する、又は基板処理装置１から外部へと搬出する、領域である。キャリアＣは、例えばＦＯＵＰ（Front-Opening Unified Pod）であってよい。ＦＯＵＰ内の清浄度が所定のレベルに保持されることで、ウエハＷの表面への異物の付着や自然酸化膜の形成を防止できる。キャリア搬送領域Ｓ１は、第１の搬送領域１０と、第１の搬送領域１０の後方（ウエハ搬送領域Ｓ２側）に位置する第２の搬送領域１２とから構成される。
図１及び図２に示した第１の搬送領域１０には、一例として上下に２段且つ各段左右に２つのロードポート１４が設けられている。ロードポート１４は、キャリアＣが基板処理装置１に搬入されたときにキャリアＣを受け入れる搬入用の載置台である。ロードポート１４は、筐体２の壁が開放された箇所に設けられ、外部から基板処理装置１へのアクセスが可能となっている。具体的には、基板処理装置１の外部に設けられた搬送装置（図示せず）によってロードポート１４上へのキャリアＣの搬入及び載置と、ロードポート１４から外部へのキャリアＣの搬出が可能となっている。
また、ロードポート１４は、例えば上下に２段存在するため、両方でのキャリアＣの搬入及び搬出が可能となっている。ロードポート１４の下段には、キャリアＣを保管できるようにするために、ストッカ１６が備えられていてもよい。ロードポート１４のキャリアＣを載置する面には、キャリアＣを位置決めする位置決めピン１８が、例えば３箇所に設けられている。また、ロードポート１４上にキャリアＣを載置した状態において、ロードポート１４が前後方向に移動可能に構成されてもよい。
第２の搬送領域１２の下部には、上下方向に並んで２つ（図１参照）のＦＩＭＳポート２４が配置されている。ＦＩＭＳポート２４は、キャリアＣ内のウエハＷを、ウエハ搬送領域Ｓ２内の後述する熱処理炉８０に対して搬入及び搬出する際に、キャリアＣを保持する保持台である。ＦＩＭＳポート２４は、前後方向に移動自在に構成されている。ＦＩＭＳポート２４のキャリアＣを載置する面にも、ロードポート１４と同様に、キャリアＣを位置決めする位置決めピン１８が、３箇所に設けられている。
また、第２の搬送領域１２の上部には、キャリアＣを保管するストッカ１６が設けられている。ストッカ１６は、例えば３段の棚により構成されている。ストッカ１６の各々の棚には、左右方向に２つ以上のキャリアＣを載置できる。また、第２の搬送領域１２の下部であって、キャリア載置台が配置されていない領域にも、ストッカ１６を配置する構成であってもよい。
第１の搬送領域１０と第２の搬送領域１２との間には、ロードポート１４、ストッカ１６、及びＦＩＭＳポート２４の間でキャリアＣを搬送するキャリア搬送機構３０が設けられている。キャリア搬送機構３０は、第１のガイド３１と、第２のガイド３２と、移動部３３と、アーム部３４と、ハンド部３５と、を備えている。第１のガイド３１は上下方向に伸びるように構成されている。第２のガイド３２は第１のガイド３１に接続され、左右方向（第１の水平方向）に伸びるように構成されている。移動部３３は、第２のガイド３２に導かれながら左右方向に移動するように構成されている。アーム部３４は、１つの関節と２つのアーム部とを有し、移動部３３に設けられる。ハンド部３５は、アーム部３４の先端に設けられている。ハンド部３５には、キャリアＣを位置決めするピン１８が、３箇所に設けられている。
ウエハ搬送領域Ｓ２は、キャリアＣからウエハＷを取り出し、各種の処理を施す領域である。ウエハ搬送領域Ｓ２は、ウエハＷに酸化膜が形成されることを防ぐために、不活性ガス雰囲気、例えば窒素ガス雰囲気とされている。ウエハ搬送領域Ｓ２には、下端が炉口として開口された縦型の熱処理炉８０が設けられている。
熱処理炉８０は、ウエハＷを収容可能であり、ウエハＷの熱処理を行うための石英製の円筒状の処理容器８２を有する。処理容器８２の周囲には、円筒状のヒータ８１が配置されている。処理容器８２に収容されたウエハＷは、ヒータ８１の加熱により熱処理が行われる。処理容器８２の下方には、シャッタ（図示せず）が設けられている。シャッタはウエハボート５０が熱処理炉８０から搬出され、次のウエハボート５０が搬入されるまでの間、熱処理炉８０の下端に蓋をするための扉である。熱処理炉８０の下方には、基板保持具であるウエハボート５０が保温筒５２を介して蓋体５４の上に載置されている。言い換えると、蓋体５４は、ウエハボート５０の下方に、ウエハボート５０と一体として設けられている。
ウエハボート５０は、例えば石英製であり、大口径（例えば直径が３００ｍｍ又は４５０ｍｍ）のウエハＷを、上下方向に所定間隔を有して略水平に保持するように構成されている。ウエハボート５０に収容されるウエハＷの枚数は、特に限定されないが、例えば５０～２００枚であってよい。蓋体５４は、昇降機構（図示せず）に支持されており、昇降機構によりウエハボート５０が熱処理炉８０に対して搬入又は搬出される。ウエハボート５０と搬送口６との間には、ウエハ搬送装置６０が設けられている。
ウエハ搬送装置６０は、ＦＩＭＳポート２４上に保持されたキャリアＣとウエハボート５０との間でウエハＷの搬送（移載）を行う。ウエハ搬送装置６０は、ガイド機構６１と、移動体６２と、フォーク６３と、昇降機構６４と、回転機構６５とを有する。ガイド機構６１は直方体状である。ガイド機構６１は鉛直方向に延びる昇降機構６４に取り付けられ、昇降機構６４により鉛直方向への移動が可能であると共に、回転機構６５により回動が可能に構成されている。
また、移動体６２は、ガイド機構６１上に長手方向に沿って進退移動可能に設けられている。フォーク６３は、移動体６２を介して取り付けられる移載機であり、複数枚（例えば５枚）設けられている。複数枚のフォーク６３を有するウエハ搬送装置６０は複数枚のウエハＷを同時に搬送できるので、ウエハＷの搬送に要する時間を短縮できる。フォーク６３は１枚であってもよい。
ウエハ搬送領域Ｓ２の天井部又は側壁部には、フィルタユニット（図示せず）が設けられていてもよい。フィルタユニットとしては、ＨＥＰＡフィルタ（High Efficiency Particulate Air Filter）、ＵＬＰＡフィルタ（Ultra-Low Penetration Air Filter）等が挙げられる。フィルタユニットを設けることで、ウエハ搬送領域Ｓ２に清浄空気を供給できる。
また、ウエハ搬送領域Ｓ２の天井部、側壁部、又は床部には、１台以上のカメラ７０が設けられている。さらに、ウエハ搬送装置６０には、１台以上のカメラ７２が設けられている。カメラ７２はウエハ搬送装置６０の可動部に設置する。ウエハ搬送装置６０の可動部に設置されるカメラ７２は、例えばカメラ７０よりも高精度な画像が撮影可能なものとする。カメラ７０及び７２は後述するようにＦＩＭＳポート２４上に保持されたキャリアＣの形状（ウエハ搭載位置形状など）及びウエハボート５０の形状（全体形状、ウエハ搭載位置形状など）を撮影する。なお、図１及び図２に示したカメラ７０及び７２の設置位置は一例である。
制御装置９０は、基板処理装置１の全体の制御を行う。制御装置９０は、レシピに示された種々の処理条件下で熱処理が行われるように、基板処理装置１内の種々の機器の動作を制御する。また、制御装置９０は後述するように、ＦＩＭＳポート２４上に保持されたキャリアＣの形状及びウエハボート５０の形状を自動検出する処理を実行する。また、制御装置９０は後述するように、機械学習の一例である深層学習（Deep Leaning）を用いてウエハ搬送装置６０のティーチングを自動化する全自動教示処理、ウエハ搬送装置６０によるウエハＷの搬送を自律制御する自律型自動移載処理、ウエハ搬送装置６０の予防保全活動を支援する保守実施予知処理、等を実行する。
＜ハードウェア構成＞
制御装置９０のハードウェアの構成例について、図３を参照して説明する。図３は、制御装置のハードウェア構成の一例を示す図である。
制御装置９０は、ＣＰＵ（Central Processing Unit）９０１、ＲＯＭ（Read Only Memory）９０２、ＲＡＭ（Random Access Memory）９０３を有する。ＣＰＵ９０１、ＲＯＭ９０２、ＲＡＭ９０３は、いわゆるコンピュータを形成する。また、制御装置９０は、補助記憶装置９０４、操作装置９０５、表示装置９０６、Ｉ／Ｆ（Interface）装置９０７、ドライブ装置９０８を有する。なお、制御装置９０の各ハードウェアは、バス９０９を介して相互に接続される。
ＣＰＵ９０１は、補助記憶装置９０４にインストールされた各種プログラムをＲＡＭ９０３に展開して実行する。ＲＯＭ９０２は、不揮発性メモリであり、主記憶装置として機能する。ＲＯＭ９０２は、補助記憶装置９０４にインストールされた各種プログラムをＣＰＵ９０１が実行するために必要な各種プログラム、データ等を格納する。
ＲＡＭ９０３は、ＤＲＡＭ（Dynamic Random Access Memory）やＳＲＡＭ（Static Random Access Memory）等の揮発性メモリであり、主記憶装置として機能する。ＲＡＭ９０３は補助記憶装置９０４にインストールされた各種プログラムがＣＰＵ９０１によって実行される際に展開される作業領域を提供する。
補助記憶装置９０４は、各種プログラムや、各種プログラムがＣＰＵ９０１によって実行されることで取得される３次元画像データ、撮影画像データ、ティーチングデータ等を格納する。また、補助記憶装置９０４は、各種プログラムが利用する基板処理装置１等の設計データを格納する。設計データは、例えば３次元ＣＡＤデータである。
操作装置９０５は、使用者が制御装置９０に対して各種指示を入力する際に用いる入力デバイスである。表示装置９０６は、制御装置９０の内部情報を表示する表示デバイスである。Ｉ／Ｆ装置９０７は、通信回線（図示せず）に接続し、基板処理装置１、ホストコンピュータ（図示せず）等と通信するための接続デバイスである。
ドライブ装置９０８は記録媒体をセットするためのデバイスである。記録媒体には、ＣＤ－ＲＯＭ、フレキシブルディスク、光磁気ディスク等のように情報を光学的、電気的あるいは磁気的に記録する媒体が含まれる。また、記録媒体には、ＲＯＭ、フラッシュメモリ等のように情報を電気的に記録する半導体メモリ等が含まれていてもよい。
なお、補助記憶装置９０４にインストールされる各種プログラムは、例えば、配布された記録媒体がドライブ装置９０８にセットされ、該記録媒体に記録された各種プログラムがドライブ装置９０８により読み出されることでインストールされる。また、補助記憶装置９０４にインストールされる各種プログラムは、例えばクラウド等のサーバからダウンロードされることでインストールされてもよい。
＜機能構成＞
制御装置９０の機能構成例について、図４を参照して説明する。図４は、制御装置９０の機能構成の一例を示す図である。制御装置９０は、取得部９１、３次元画像データ生成部９２、判定部９３、演算部９４、動作制御部９５、表示部９６、学習部９７、及び格納部９８を有する。
取得部９１は、各種のデータを取得する。一実施形態では、取得部９１は、カメラ７０及び７２から撮影画像データ等を取得する。また、取得部９１は基板処理装置１等の設計データを取得する。また、取得部９１はウエハボート５０の形状などの３次元測定データを取得する。
また、取得部９１はフォークスキャンにより測定されたフォーク間隔のデータ、ボートスキャンにより測定されたウエハ間隔のデータ等を取得してもよい。取得部９１が取得する各種のデータは、格納部９８に格納されたデータであってもよいし、ネットワークを介してデータ通信可能に接続されたサーバなどに格納されたデータであってもよい。
３次元画像データ生成部９２は取得部９１が取得した撮影画像データ、設計データ等に基づいて、ウエハボート５０、キャリアＣ、ウエハＷなどを含む基板処理装置１の内部の３次元画像データを後述のように生成する。生成した３次元画像データは、Ｄｉｇｉｔａｌ Ｔｗｉｎ（デジタルツイン）技術を用いて、仮想空間（Ｃｙｂｅｒ空間）に基板処理装置１の内部の３次元画像を作り出す為などに利用される。
なお、３次元画像データ生成部９２は、過去に取得した基板処理装置１の内部の撮影画像データを元に深層学習を行い、深層学習を行ったモデルによる画像処理により３次元画像データの鮮明化を行ってもよい。
深層学習を行ったモデルによる画像処理による３次元画像データの鮮明化とは、基板処理装置１の内部で撮影した撮影画像データと深層学習する際に、基板処理装置１等の設計データ等に基づいて生成された３次元画像データ上で同一位置から見た画像を同時に学習させる学習フロー及び実運用時のフローで、各計測位置の判定精度を上げる処理をいう。
例えば学習フローは、第１の処理としてウエハＷの搬送中の様々なメカ動作状態を撮影する。また、学習フローは第２の処理として、設計データ等に基づいて生成された３次元画像データ上で第１の処理と同じメカ動作状態を再現し、同一位置から見た画像データを生成する。
第３の処理として、第１の処理で撮影した撮影画像データ及び第２の処理で生成した画像データの両方で、第１の処理の撮影画像データ及び第２の処理の画像データの両方とも各種計測位置を教示後に、第１の処理の撮影画像データ及び第２の処理の画像データを合わせて機械学習を行う。
そして、第１～第３の処理の機械学習処理をメカの様々な動作状態で行い、深層学習のモデルに対して教示を繰り返す。このような処理によれば、誤判定を減らして、各計測位置を判定する際の精度を向上できる。
また、例えば実運用時のフローは、第１の処理としてウエハＷの搬送中の様々なメカ動作状態を撮影する。また、学習フローは第２の処理として、設計データ等に基づいて生成された３次元画像データ上で第１の処理と同じメカ動作状態を再現し、同一位置から見た画像データを生成する。
第３の処理として、第１の処理で撮影した撮影画像データ及び第２の処理で生成した画像データを元に深層学習を行ったモデルに入力することで、各種計測位置を判定することができる。
判定部９３は、取得部９１が取得した各種データ、及び３次元画像データ生成部９２が生成した３次元画像データに基づいて各種の判定を行う。一実施形態では、判定部９３はウエハボート５０又はキャリアＣと、搬送するウエハＷとのクリアランス寸法が、所定の範囲内に含まれているかを判定する。クリアランス寸法とは、接触しないように空けられた隙間である。
また、判定部９３は設計データから生成した３次元画像データと撮影画像データから生成した３次元画像データとを比較（重ね合わせて設計値とのずれ量（機差）を測定）することで、構成部品類の誤設置（例えばウエハボート５０の設置間違い）や、構成部品類の歪み、傾き、又は欠落など、の判定もできる。
演算部９４は、各種演算を行う。一実施形態では、演算部９４は取得部９１が取得した各種のデータ及び３次元画像データ生成部９２が生成した３次元画像データに基づき、ウエハボート５０及びキャリアＣと、搬送中のウエハＷと、のクリアランス寸法の測定をリアルタイムに行う。演算部９４はクリアランス寸法の測定結果に基づいて、ウエハボート５０及びキャリアＣと、搬送中のウエハＷと、が衝突せずに、ウエハＷを搬送できるウエハ搬送装置６０のティーチングデータを演算する。
動作制御部９５は、基板処理装置１の各部の動作、例えばウエハ搬送装置６０の動作をティーチングデータに従って制御する。一実施形態では、動作制御部９５は、ウエハ搬送装置６０をティーチングデータに従って動作させてキャリアＣとウエハボート５０との間でウエハＷを搬送する。また、動作制御部９５はウエハ搬送装置６０を動作させることにより、ウエハ搬送装置６０の可動部に設置されているカメラ７２の位置及び撮影方向を制御させる。
また、動作制御部９５は、ウエハ搬送装置６０を動作させてフォークスキャンを実行するようにしてもよい。フォークスキャンは、例えば光学センサ（図示せず）により、ウエハ搬送装置６０の位置情報を測定する動作である。ウエハ搬送装置６０の位置情報は、例えばウエハ搬送装置６０の複数のフォーク６３における隣接するフォーク間の距離であるフォーク間隔、移動体６２に対する各フォーク６３の角度であるフォーク角度を含む。光学センサは、例えばウエハ搬送領域Ｓ２に設けられた透過型光学センサや反射型光学センサであってよい。
また、動作制御部９５は、ウエハ搬送装置６０を動作させてボートスキャンを実行するようにしてもよい。３次元測定データは例えばボートスキャンにより作成される。ボートスキャンは、例えばウエハ搬送装置６０のフォーク６３に取り付けられた光学センサ（図示せず）により、ウエハボート５０の位置情報を測定する動作である。
表示部９６は、表示装置９０６に表示する各種の情報を生成する。学習部９７は、取得部９１が取得した撮影画像データ、設計データ、及びウエハ搬送装置６０に対する過去の複数のティーチングデータ（そのティーチングデータの評価を含む）などの深層学習に必要なデータを取得する。学習部９７は、取得したデータに基づいて、深層学習によりウエハ搬送の最適なティーチングデータを算出するニューラルネットワーク（モデル）を生成する。
例えば学習部９７は、所定期間（１年など）無事故で継続して使われている評価の高いティーチングデータと、事故を起こしたり調整が悪くて再ティーチングが必要になったりした評価の低いティーチングデータとに分け、深層学習に利用する。なお、ウエハ搬送装置６０に対する過去の複数のティーチングデータは、ティーチング対象となる基板処理装置１の過去のティーチングデータだけでなく、同型の他の基板処理装置１のティーチングデータを利用できる。
格納部９８は、各種のデータを格納する。各種のデータとしては、設計データ、撮影画像データ、３次元測定データ、深層学習用の学習データ、モデルデータ、判定用データ等が挙げられる。モデルデータは、学習部９７による深層学習により生成されるモデル、例えばニューラルネットワークを含む。判定用データは、判定部９３による判定に必要な各種データを含む。
＜処理＞
以下、ウエハボート５０及びキャリアＣの一例であるＦＯＵＰの間で、ウエハＷを搬送するウエハ搬送装置６０のティーチングを自動化する全自動教示処理、ウエハ搬送装置６０によるウエハＷの搬送を自律制御する自律型自動移載処理、ウエハ搬送装置６０の予防保全活動を支援する保守実施予知処理について説明する。なお、ウエハ搬送装置６０の全自動教示処理、自律型自動移載処理、及び保守実施予知処理等は、機械学習によるところが大きいが、機械学習に用いるウエハボート５０の形状及びＦＯＵＰの形状の正確な把握が重要である。
そこで、ここでは、機械学習の一例である深層学習に用いるウエハボート５０の形状及びＦＯＵＰの形状のデータ収集方法と、そのデータ収集方法により集めたデータに基づくウエハ搬送装置６０の全自動教示処理、自律型自動移載処理、及び保守実施予知処理等について説明する。
《３次元測定データの活用》
制御装置９０は例えば図５に示すような手順で検出したウエハボート５０及びＦＯＵＰの形状に基づき、ウエハ搬送装置６０の全自動教示処理、自律型自動移載処理、及び保守実施予知処理等を行う。図５は３次元測定データを活用した処理の一例のフローチャートである。
ステップＳ１０において、制御装置９０はウエハボート５０、ＦＯＵＰ、ウエハ搬送装置６０等の３次元測定データを入力される。ステップＳ１２において、制御装置９０はステップＳ１０で入力された３次元測定データを含む自動教示及び全自動移載を可能とするデータを収集して格納部９８に格納する。
自動教示及び全自動移送を可能とするデータには、例えば上記した３次元画像データの鮮明化によって得られた位置情報、３次元ＣＡＤからの設計情報による設計値での移載位置、熟練者のティーチング位置を学習した機械学習によって補正した位置の情報等が含まれる。また、自動教示及び全自動移送を可能とするデータには、例えばフォークスキャン及びボートスキャンによって得られたウエハボート５０及びフォーク６３の位置、搬送統計データ、ティーチング位置の情報等が含まれる。さらに、自動教示及び全自動移送を可能とするデータには、例えば上記した深層学習を行ったモデルによる画像処理による３次元画像データの鮮明化の処理におけるウエハＷの搬送中の様々なメカ動作状態の撮影画像データ及び設計データ等に基づいて生成された３次元画像データを組み合わせたミックス３次元画像データ等が含まれる。
格納部９８には、基板処理装置１へ取り付けられていた前のウエハボート５０の３次元測定データ、及び基板処理装置１へ取り付けられている既存のウエハボート５０の３次元測定データが格納される。
ステップＳ１４において、制御装置９０は入力された３次元測定データを含む自動教示及び全自動移載を可能とするデータに基づいて、機械学習により、ウエハ搬送の最適なティーチングデータを算出するニューラルネットワークを生成する。
ステップＳ１６において、保守員（作業者）は、ウエハ搬送装置６０に対するティーチングのための機能を呼び出す。ステップＳ１８において、作業者は、ウエハ搬送装置６０を動作させてウエハボート５０上の少なくとも１つのスロット（指定スロット）に対するティーチングを行い、ティーチングデータを格納部９８に格納する。スロットは、ウエハボート５０上の任意のスロットであってよく、例えばウエハボート５０上の最下部、最上部、真ん中周辺等であってよい。
ステップＳ２０において、制御装置９０は格納部９８に格納されたウエハボート５０上の少なくとも１つのスロットのティーチングデータ、及びニューラルネットワークに基づいて、全スロットのティーチングデータを生成し、格納部９８に格納する。
ステップＳ２２及びＳ２４において、制御装置９０はステップＳ１８及びＳ２０で格納部９８に格納されたティーチングデータに基づいてウエハ搬送装置６０を動作させてウエハＷを搬送元のキャリアＣから搬送先のウエハボート５０に搬送する。制御装置９０はウエハボート５０を熱処理炉８０に搬入（ロード）する前と、熱処理炉８０から搬出（アンロード）した後とに、ウエハボート５０上のウエハＷのスキャンを実行する。
これにより、制御装置９０はウエハ位置確認、ウエハ割れ、ウエハ斜め置き、ウエハ２重置き、ウエハ間隔、ウエハ飛び出し等のデータを測定し、その時のティーチングデータと対応付けて、ステップＳ１２の自動教示及び全自動移載を可能とするデータとして格納部９８に格納できる。また、ステップＳ１４で生成したニューラルネットワークを格納部９８に格納されている各種データにフィードバックしてもよい。このように、制御装置９０は機械学習により算出した最適なティーチングデータによりウエハ搬送装置６０の動作を制御して、ウエハＷの搬送を自律制御できる。
《 カメラ７２の撮影画像データの活用 》
制御装置９０は例えば図６に示す手順で検出したウエハボート５０及びＦＯＵＰの形状に基づき、ウエハ搬送装置６０の全自動教示処理、自律型自動移載処理、及び保守実施予知処理等を行う。図６はカメラ７２を活用した処理の一例のフローチャートである。
ステップＳ３０において、制御装置９０はカメラ７２によるデータ収集を行う。例えば制御装置９０は、偏光板を活用し、ウエハボート５０の石英の厚みの違いによる偏光（溝部）を検出することでウエハボート５０の溝形状を捉える。また、制御装置９０は可視光領域でウエハボート５０及びＦＯＵＰの形状を捉える。なお、カメラ７２は複数設置することで、ウエハボート５０の形状の把握と距離の測定精度を高めてもよい。カメラ７２は広角レンズを活用してもよい。
ステップＳ３２において、制御装置９０はステップＳ３０で収集したデータからウエハボート５０の全体画像、溝数把握画像、溝詳細画像、ＦＯＵＰ画像、及びリアルタイム画像を取得する。
ステップＳ３４において、制御装置９０はステップＳ３２で取得したウエハボート５０の全体画像、溝数把握画像、溝詳細画像、ＦＯＵＰ画像、及びリアルタイム画像に対して画像処理することで、ウエハボート５０の形状、スロット数、溝位置、及び傾きと、ＦＯＵＰの溝位置と、ウエハＷの状態と、を測定する。なお、ウエハＷの状態はウエハボート５０上のウエハＷの位置、割れ、斜め置き、２重置き、間隔、飛び出し等のデータを表している。なお、ステップＳ３４の画像処理の詳細は上記の「深層学習を行ったモデルによる画像処理による３次元画像データの鮮明化」の処理で説明したため、ここでの説明を省略する。
ステップＳ３６において、制御装置９０はステップＳ３４で測定したデータを含む自動教示及び全自動移載を可能とするデータを収集して格納部９８に格納する。ステップＳ３８において、制御装置９０は設計データの一例である３次元ＣＡＤデータを、自動教示及び全自動移載を可能とするデータとして格納部９８に格納してもよい。
格納部９８には、基板処理装置１へ取り付けられていた前のウエハボート５０の自動教示及び全自動移載を可能とするデータ、及び基板処理装置１へ取り付けられている既存のウエハボート５０の自動教示及び全自動移載を可能とするデータ、が格納される。
ステップＳ４０において、制御装置９０は格納部９８に格納された自動教示及び全自動移載を可能とするデータに基づいて、機械学習により、ウエハ搬送の最適なティーチングデータを算出するニューラルネットワークを生成する。
ステップＳ４２において、制御装置９０は格納部９８に格納された自動教示及び全自動移載を可能とするデータ及びニューラルネットワークに基づいて、全スロットのティーチングデータを生成し、格納部９８に格納する。ステップＳ４４において、制御装置９０はステップＳ４２で格納部９８に格納されたティーチングデータに基づいてウエハ搬送装置６０を動作させて、ウエハボート５０及びＦＯＵＰの間で、ウエハＷを搬送させる。
また、ステップＳ４０で生成したニューラルネットワークを格納部９８に格納されている各種データにフィードバックしてもよい。このように、制御装置９０は機械学習により算出した最適なティーチングデータによりウエハ搬送装置６０の動作を制御して、ウエハＷの搬送を自律制御できる。
《 カメラ７０の撮影画像データの活用 》
制御装置９０は例えば図７に示す手順で検出したウエハボート５０及びＦＯＵＰの形状に基づき、ウエハ搬送装置６０の全自動教示処理、自律型自動移載処理、及び保守実施予知処理等を行う。図７はカメラ７０を活用した処理の一例のフローチャートである。
ステップＳ５０において、制御装置９０はカメラ７０によるデータ収集を行う。例えば制御装置９０は、偏光板を活用し、ウエハボート５０の石英の厚みの違いによる偏光（溝部）を検出することでウエハボート５０の溝形状を捉える。また、制御装置９０は広角レンズを活用してウエハボート５０の全体形状を捉える。なお、カメラ７０は複数設置することで、ウエハボート５０の形状の把握と測定精度を高めてもよい。
ステップＳ５２において、制御装置９０はステップＳ５０で収集したデータからウエハボート５０の全体画像、溝数把握画像、及び溝詳細画像を取得する。ステップＳ５４において、制御装置９０は取得したウエハボート５０の全体画像、溝数把握画像、及び溝詳細画像に対して画像処理することで、ウエハボート５０の形状、スロット数、溝位置、及び傾きと、ウエハＷの状態と、を測定する。なお、ウエハＷの状態は、ウエハボート５０上のウエハＷの位置、割れ、斜め置き、２重置き、間隔、飛び出し等のデータを表す。
ステップＳ５６において、制御装置９０はステップＳ５４で測定したデータを含む自動教示及び全自動移載を可能とするデータを収集して格納部９８に格納する。ステップＳ５８において、制御装置９０は設計データの一例である３次元ＣＡＤデータを、自動教示及び全自動移載を可能とするデータとして格納部９８に格納してもよい。
格納部９８には、基板処理装置１へ取り付けられていた前のウエハボート５０の自動教示及び全自動移載を可能とするデータ、及び基板処理装置１へ取り付けられている既存のウエハボート５０の自動教示及び全自動移載を可能とするデータ、が格納される。
ステップＳ６０において、制御装置９０は格納部９８に格納された自動教示及び全自動移載を可能とするデータに基づいて、機械学習により、ウエハ搬送の最適なティーチングデータを算出するニューラルネットワークを生成する。
ステップＳ６２において、制御装置９０は格納部９８に格納された自動教示及び全自動移載を可能とするデータ及びニューラルネットワークに基づいて、全スロットのティーチングデータを生成し、格納部９８に格納する。ステップＳ６４において、制御装置９０はステップＳ６２で格納部９８に格納されたティーチングデータに基づいてウエハ搬送装置６０を動作させて、ウエハボート５０及びＦＯＵＰの間で、ウエハＷを搬送させる。
また、ステップＳ６０で生成したニューラルネットワークを格納部９８に格納されている各種データにフィードバックしてもよい。このように、制御装置９０は機械学習により算出した最適なティーチングデータによりウエハ搬送装置６０の動作を制御して、ウエハＷの搬送を自律制御できる。
《 カメラ７０及び７２の撮影画像データの活用 》
制御装置９０は例えば図８に示す手順で検出したウエハボート５０及びＦＯＵＰの形状に基づき、ウエハ搬送装置６０の全自動教示処理、自律型自動移載処理、及び保守実施予知処理等を行う。図８は、カメラ７０及び７２を活用した処理の一例のフローチャートである。
ステップＳ７０において、制御装置９０はカメラ７０によるデータ収集と、カメラ７２によるデータ収集を行う。例えば制御装置９０は、偏光板を活用し、ウエハボート５０の石英の厚みの違いによる偏光（溝部）を検出することにより、ウエハボート５０の溝形状を捉える。また、制御装置９０は、可視光領域でウエハボート５０及びＦＯＵＰの形状を捉える。なお、カメラ７０及び７２は複数設置することで、ウエハボート５０の形状の把握と距離の測定精度を高めてもよい。また、カメラ７０及び７２は広角レンズを活用してもよい。
ステップＳ７２において、制御装置９０はステップＳ７０で収集したデータからウエハボート５０の全体画像、溝数把握画像、溝詳細画像、ＦＯＵＰ画像、及びリアルタイム画像を取得する。なお、カメラ７２はフォーク６３が保持しているウエハＷをウエハボート５０等に置く動作（Ｐｕｔ）と、ウエハボート５０等が保持しているウエハＷをフォーク６３で持ち上げる動作（Ｇｅｔ）と、を撮影できる位置に設置するように設計を行う。
カメラ７０は、ウエハボート５０の形状、ウエハボート５０の状態、ウエハＷの設置状態の変化（ロード／アンロード時の比較）及び重要部品の変化を撮影できる位置に設置するように設計を行う。また、カメラ７０は自動教示を始めるウエハボート５０の溝の位置を精度良く検出できる位置に設置するように設計を行う。なお、ウエハボート５０の溝の位置は、カメラ７２の撮影画像データ、３次元測定データ、及び過去の機械学習からなるニューラルネットワークデータを元に、検出してもよい。
ステップＳ７４において、制御装置９０はステップＳ７２で取得したウエハボート５０の全体画像、溝数把握画像、溝詳細画像、ＦＯＵＰ画像、及びリアルタイム画像に対して画像処理することで、ウエハボート５０の形状、スロット数、溝位置、及び傾きと、ＦＯＵＰの溝位置と、ウエハＷの状態と、を測定する。なお、ウエハＷの状態はウエハボート５０上のウエハＷの位置、割れ、斜め置き、２重置き、間隔、飛び出し等のデータを表している。
ステップＳ７６において、制御装置９０はステップＳ７４で測定したデータを含む自動教示及び全自動移載を可能とするデータを収集して格納部９８に格納する。ステップＳ７８において、制御装置９０は設計データの一例である３次元ＣＡＤデータを、自動教示及び全自動移載を可能とするデータとして格納部９８に格納してもよい。
格納部９８には、基板処理装置１へ取り付けられていた前のウエハボート５０の自動教示及び全自動移載を可能とするデータ、及び基板処理装置１へ取り付けられている既存のウエハボート５０の自動教示及び全自動移載を可能とするデータ、が格納される。
ステップＳ８０において、制御装置９０は格納部９８に格納された自動教示及び全自動移載を可能とするデータに基づいて、機械学習により、ウエハ搬送の最適なティーチングデータを算出するニューラルネットワークを生成する。
ステップＳ８２において、制御装置９０は格納部９８に格納された自動教示及び全自動移載を可能とするデータ及びニューラルネットワークに基づいて、全スロットのティーチングデータを生成し、格納部９８に格納する。ステップＳ８４において、制御装置９０はステップＳ８２で格納部９８に格納されたティーチングデータに基づいてウエハ搬送装置６０を動作させて、ウエハボート５０及びＦＯＵＰの間で、ウエハＷを搬送させる。
また、ステップＳ８０で生成したニューラルネットワークを格納部９８に格納されている各種データにフィードバックしてもよい。このように、制御装置９０は機械学習により算出した最適なティーチングデータによりウエハ搬送装置６０の動作を制御して、ウエハＷの搬送を自律制御できる。
《 光学センサの活用 》
また、制御装置９０は例えば図９に示すような手順で検出したウエハボート５０及びＦＯＵＰの形状に基づき、ウエハ搬送装置６０の全自動教示処理、自律型自動移載処理、及び保守実施予知処理等を行うようにしてもよい。図９は光学センサを活用した処理の一例のフローチャートである。
ステップＳ１００において、制御装置９０は光学センサによるデータ収集を行う。ステップＳ１０２において、制御装置９０はステップＳ１００で収集したデータからウエハボート５０の支柱位置を測定する。ステップＳ１０４において、制御装置９０はステップＳ１０２で測定したウエハボート５０の支柱位置からウエハボート５０の中心位置を把握する。また、制御装置９０はステップＳ１００で収集したデータからウエハボート５０の傾き、及び溝位置を把握する。
ステップＳ１０６において、制御装置９０はステップＳ１０４で把握したデータを含む自動教示及び全自動移載を可能とするデータを収集して格納部９８に格納する。ステップＳ１０８において、制御装置９０は設計データの一例である３次元ＣＡＤデータを、自動教示及び全自動移載を可能とするデータとして格納部９８に格納してもよい。
ステップＳ１１０において、制御装置９０は格納部９８に格納された自動教示及び全自動移載を可能とするデータに基づいて、機械学習により、ウエハ搬送の最適なティーチングデータを算出するニューラルネットワークを生成する。
ステップＳ１１２において、制御装置９０は格納部９８に格納された自動教示及び全自動移載を可能とするデータ及びニューラルネットワークに基づき、全スロットのティーチングデータを生成し、格納部９８に格納する。ステップＳ１１４において、制御装置９０はウエハＷの移載補正を必要に応じて行ってもよい。
ステップＳ１１６及びＳ１１８において、制御装置９０はステップＳ１１２で格納部９８に格納されたティーチングデータに基づいてウエハ搬送装置６０を動作させてウエハＷを搬送元のキャリアＣから搬送先のウエハボート５０に搬送する。制御装置９０は、ウエハボート５０を熱処理炉８０に搬入する前と、熱処理炉８０から搬出した後とに、ウエハボート５０上のウエハＷのスキャンを実行する。
これにより、制御装置９０はウエハ割れ、ウエハ斜め置き、ウエハ２重置き、ウエハ間隔、ウエハ飛び出し等のデータを測定し、その時のティーチングデータと対応付けて、ステップＳ１０６の自動教示及び全自動移載を可能とするデータとして格納部９８に格納できる。また、ステップＳ１１０で生成したニューラルネットワークを格納部９８に格納されている各種データにフィードバックしてもよい。このように、制御装置９０は機械学習により算出した最適なティーチングデータによりウエハ搬送装置６０の動作を制御してウエハＷの搬送を自律制御できる。
《３次元画像データの活用》
制御装置９０は例えば図１０及び図１１に示す手順でウエハ搬送装置６０の全自動教示処理、自律型自動移載処理、及び保守実施予知処理等を行う。図１０はカメラ７０の撮影画像データを活用した処理の一例のフローチャートである。図１１はカメラ７２の撮影画像データを活用した処理の一例のフローチャートである。
図１０に示す手順では、カメラ７０が撮影した撮影画像データを元に、ウエハボート５０及びＦＯＵＰの形状の３次元画像データ化処理を行う。このような３次元画像データ化処理により、本実施形態では、ウエハボート５０及びＦＯＵＰの３次元画像データを生成して、現実（Ｐｈｙｓｉｃａｌ）空間の変化を、いわゆるデジタルツインにより仮想空間に再現できる。
図１１に示す手順では、カメラ７２が撮影した撮影画像データを元に、ウエハＷを確実に搬送可能な寸法（ウエハＷと、ウエハボート５０及びＦＯＵＰなどのウエハＷを搬送する対象物とのクリアランス寸法）の測定をリアルタイムに行う。ウエハ搬送装置６０によるウエハボート５０及びＦＯＵＰの間のウエハＷの搬送などの現実空間の変化は、いわゆるデジタルツインにより、リアルタイムの連動性をもって仮想空間に実現できる。
次に、図１０の処理について説明する。ステップＳ２００において、制御装置９０はウエハ搬送領域Ｓ２に複数設置したカメラ７０によるデータ収集を行う。ステップＳ２０２において制御装置９０は、ステップＳ２００で収集したデータ、３次元ＣＡＤデータを用いて、後述のようにウエハボート５０の全体画像処理、ＦＯＵＰの画像処理、及びウエハ状態の画像処理を行う。ステップＳ２０４において、制御装置９０はウエハボート５０の全体画像処理、ＦＯＵＰの画像処理、及びウエハ状態の画像処理により、ウエハボート５０の形状、スロット数、溝位置、及び傾きと、ＦＯＵＰの溝位置と、ウエハＷの状態と、を測定する。また、ステップＳ２０６において、制御装置９０はウエハボート５０等の３次元測定データを入力される。
ステップＳ２０８において、制御装置９０はステップＳ２０４で測定したデータ及びステップＳ２０６で入力された３次元測定データを含む自動教示及び全自動移載を可能とするデータを収集して格納部９８に格納する。ステップＳ２１０において、制御装置９０は図１１に示す処理により取得可能なカメラ７２の画像処理データ（画像位置情報）を、自動教示及び全自動移載を可能とするデータとして格納部９８に格納してもよい。
格納部９８には、基板処理装置１へ取り付けられていた前のウエハボート５０の自動教示及び全自動移載を可能とするデータ、及び基板処理装置１へ取り付けられている既存のウエハボート５０の自動教示及び全自動移載を可能とするデータ、が格納される。
ステップＳ２１２において、制御装置９０は格納部９８に格納された自動教示及び全自動移載を可能とするデータに基づいて、機械学習により、ウエハ搬送の最適なティーチングデータを算出するニューラルネットワークを生成する。
ステップＳ２１４において、制御装置９０は格納部９８に格納された自動教示及び全自動移載を可能とするデータ及びニューラルネットワークに基づいて、ウエハ搬送装置６０に対するティーチングデータを生成し、格納部９８に格納する。ステップＳ２１６において制御装置９０は格納部９８に格納されたティーチングデータに基づいてウエハ搬送装置６０を動作させて、ウエハボート５０及びＦＯＵＰの間で、ウエハＷを搬送させる。
また、ステップＳ２１２で生成したニューラルネットワークを格納部９８に格納されている各種データにフィードバックしてもよい。このように、制御装置９０は機械学習により算出した最適なティーチングデータによりウエハ搬送装置６０の動作を制御して、ウエハＷの搬送を自律制御できる。
図１０に示す処理によれば、設計データの一例である３次元ＣＡＤデータから生成した３次元画像データと、カメラ７０の撮影画像データから生成した３次元画像データとを比較することで、ウエハボート５０などの構成部品類の誤設置（ウエハボート５０の設置間違い）、ウエハボート５０の歪みや傾きが許容範囲外、又は設置部品の欠落などの異常検出が可能となる。
次に、図１１の処理について説明する。ステップＳ２３０において、制御装置９０はカメラ７２によるデータ収集を行う。ステップＳ２３２において、制御装置９０はウエハＷのウエハボート５０への搬送時（ウエハボート移載時）及びＦＯＵＰへの搬送時（ＦＯＵＰ移載時）において、カメラ７２の撮影画像データから高精度に位置を把握する。
ステップＳ２３４において、制御装置９０はステップＳ２３２において高精度に把握できる位置から、ウエハＷが搬送されたウエハボート５０の位置（溝位置）又はＦＯＵＰの位置（溝位置）を把握する。
ステップＳ２３６において、制御装置９０はステップＳ２３４で測定したデータを含む自動教示及び全自動移載を可能とするデータを収集して格納部９８に格納する。ステップＳ２３８において、制御装置９０は図１０に示す処理により取得可能なウエハボート５０の形状、スロット数、溝位置、及び傾きと、ＦＯＵＰの溝位置と、ウエハＷの状態とを、自動教示及び全自動移載を可能とするデータとして格納部９８に格納してもよい。格納部９８には、ウエハ搬送装置６０に対する自動教示及び全自動移載を可能とするデータが格納される。
ステップＳ２４０において、制御装置９０は格納部９８に格納された自動教示及び全自動移載を可能とするデータに基づいて、機械学習により、ウエハ搬送の最適なティーチングデータを算出するニューラルネットワークを生成する。
ステップＳ２４２において、制御装置９０は格納部９８に格納された自動教示及び全自動移載を可能とするデータ及びニューラルネットワークに基づいて、ウエハ搬送装置６０に対するティーチングデータを生成し、格納部９８に格納する。制御装置９０は格納部９８に格納されたティーチングデータに基づいてウエハ搬送装置６０を動作させて、ウエハボート５０及びＦＯＵＰの間で、ウエハＷを搬送させる。
また、ステップＳ２４０で生成したニューラルネットワークを格納部９８に格納されている各種データにフィードバックしてもよい。このように、制御装置９０は機械学習により算出した最適なティーチングデータによりウエハ搬送装置６０の動作を制御して、ウエハＷの搬送を自律制御できる。
なお、図１１に示す処理では、ウエハＷの搬送以外の監視を行ってもよい。例えば制御装置９０はカメラ７２の撮影画像データから、フォーク６３上のウエハＷのチャック（Ｃｈｕｃｋ）状態、ウエハＷの位置ズレなどを監視してもよい。なお、制御装置９０はウエハＷの位置ズレが許容範囲内であれば、ウエハボート５０へのＰｕｔ後に再ＧｅｔしてＰｕｔし直すことでウエハＷの位置ズレを補正してもよい。
また、制御装置９０はフォーク６３上のウエハＷの状態を監視することにより、予防保全通知を行ってもよい。また、制御装置９０は基板処理装置１の物理的な変化（例えばドライクリーニングなどによる形状変化、構成部品類の歪み、傾き、又は欠落などの構造変化）を捉えて予防保全通知を行ってもよい。
ステップＳ２０２の画像処理は例えば図１２及び図１３に示すように行う。図１２及び図１３はステップＳ２０２の画像処理の一例の説明図である。制御装置９０は図１２に示したように、３次元ＣＡＤデータから生成した仮想空間上の３次元画像データ（設置画像データ）を元に、カメラ７０及び７２の撮影画像データを鮮明化する処理を深層学習により行う。なお、カメラ７０及び７２の撮影画像データはウエハボート５０の交換毎に、デジタルツインの参照データとして各種処理に活用される。
また、制御装置９０は図１３に示したように、ウエハＷの３次元データを用いて、ウエハＷが存在する（搭載された）溝位置にウエハＷの３次元データを追加することで、ウエハＷが存在する仮想空間上の３次元画像データ（設置画像データ）を生成する。このように生成したウエハボート５０の設置画像データと、図１２に示したウエハＷ有りのウエハボート５０の鮮明化処理後の３次元画像データと、を比較することで、ウエハＷの位置や飛び出しを検出可能である。
図１４はカメラ７０の撮影画像データの精度について説明する図である。図１４に示すように、カメラ７０により撮影される領域は、高精度計測可能領域、中精度領域、及び低精度領域に分けられる。高精度計測領域では、例えばウエハボート５０の溝を１００μｍ以下などの高精度で測定可能である。中精度領域では、例えばウエハボート５０の溝を１ｍｍ以下などの中精度で測定可能である。低精度領域では、ウエハボート５０の溝を判別可能である。
例えば制御装置９０は低精度領域のデータを基に、ウエハボート５０の溝数を判別することができ、且つ大凡の形状が判別できるため、ウエハボート５０の設置間違いの判定が可能である。また、制御装置９０は高精度計測領域及び中精度領域のデータを基に、正しいウエハボート５０の設置の確からしさの判断と、ウエハボート５０の設置が正しくない場合の正しい設置位置情報の提供が可能である。
また、ウエハボート５０の指定溝へ１００μｍの精度でウエハＷの自動移載が可能となれば、過去のニューラルネットワーク、及び新しく設置したウエハボート５０の形状から新しいティーチングデータの自動生成が可能となる。
さらに、制御装置９０はウエハボート５０へのウエハＷのチャージ前とウエハボート５０からのウエハＷのディスチャージ前とにカメラ７０の撮影画像データを取得する。ウエハＷのチャージ前はウエハボート５０の参照データを基に、ウエハボート５０の溝位置に変異が無いかの確認と、変異があった場合に変異量を基にティーチングデータを自動補正する。
ウエハＷのディスチャージ前は、ウエハＷの搬送完了後のウエハボート５０のロード前に取得した撮影画像データと、ウエハＷのディスチャージ前のウエハボート５０の撮影画像データと、を比較し、変異があった場合に変異量を基にティーチングデータを自動補正する。なお、許容できない変異量が検出された場合、制御装置９０は警報を表示装置９０６に表示して報知する自動アラート機能を有していてもよい。これらの自動アラート機能により、適正な予防保全及び保守員による定期調整が実施でき、基板処理装置１の稼働率向上が可能となる。
なお、カメラ７０の設置位置及び撮影方向は、図１４に示した例に限定されるものではなく、例えば図１５に示すカメラ７０の設置位置及び撮影方向であってもよい。例えば図１５に示すような撮影方向が斜めのカメラ７０によるウエハボート５０の撮影画像データによれば、撮影方向が横のカメラ７０によるウエハボート５０の撮影画像データで把握しづらいウエハＷの飛び出しなどを把握しやすくなる。
ステップＳ２１４の自動教示の動作は例えば図１６に示すように行う。図１６は自動教示の処理の一例のフローチャートである。ステップＳ３００において、制御装置９０はＦＯＵＰ上のウエハＷの位置と角度とをカメラ７０及び７２で測定する。また、ステップＳ３０２において、制御装置９０はウエハ搬送装置６０のフォーク６３の位置と角度とをカメラ７０及び７２で測定する。
ステップＳ３０６において、制御装置９０はステップＳ３００及びＳ３０２の測定結果からＦＯＵＰのティーチング位置を自動算出する。ステップＳ３０８において、制御装置９０はウエハ搬送装置６０のクリアランス寸法を、カメラ７２が撮影した撮影画像データの測定により取得する。ステップＳ３１０において、制御装置９０は閾値以上のクリアランス寸法を確保して正常にウエハＷを搬送できるか判定する。
閾値以上のクリアランス寸法を確保できないと判定すると、制御装置９０はステップＳ３１２において、ステップＳ３０６のＦＯＵＰのティーチング位置を自動算出する処理に必要なデータにクリアランス寸法の情報を追加する。そして、制御装置９０はステップＳ３０６に戻り、処理を続ける。
閾値以上のクリアランス寸法を確保できると判定すると、制御装置９０はステップＳ３１４においてウエハボート５０の傾きと溝とをカメラ７０及び７２で測定する。ステップＳ３１８において、制御装置９０はステップＳ３１４の測定結果からウエハボート５０のティーチング位置を自動算出する。ステップＳ３２０において、制御装置９０はウエハ搬送装置６０のウエハボート５０とのクリアランス寸法を、カメラ７２が撮影した撮影画像データの測定により取得する。
ステップＳ３２２において、制御装置９０は閾値以上のクリアランス寸法を確保して正常にウエハＷを搬送できるか判定する。閾値以上のクリアランス寸法を確保できないと判定すると、制御装置９０はステップＳ３２４において、ステップＳ３１８のウエハボート５０のティーチング位置を自動算出する処理に必要なデータにクリアランス寸法の情報を追加する。そして、制御装置９０はステップＳ３１８に戻り、処理を続ける。閾値以上のクリアランス寸法を確保できると判定すると、制御装置９０は図１６の自動教示の処理を終了する。
また、ウエハボート５０を交換した場合、制御装置９０は例えば図１７に示すような自動教示の動作を行う。図１７は自動教示の処理の一例のフローチャートである。ステップＳ３４０において、違う形状のウエハボート５０が取り付けられる。また、ステップＳ３４２において、取り付けたウエハボート５０の３次元ＣＡＤデータを取得する。
ステップＳ３４４において、制御装置９０は、過去の機械学習のデータと、ステップＳ３４０で取り付けられたウエハボート５０のティーチング位置を自動算出するための機械学習のデータと、を取得する。なお、ティーチング位置を自動算出するための機械学習のデータは、同型の多数の基板処理装置１からデータを取得して様々なバリエーションに対応できるようにしている。
したがって、違う形状のウエハボート５０を取り付けても、取り付けたウエハボート５０の３次元ＣＡＤデータと機械学習のアルゴリズムによってティーチング位置の自動算出に対応できる。
ステップＳ３４６において、カメラ７０及び７２はウエハボート５０を撮影する。制御装置９０は撮影した撮影画像データのウエハボート５０の形状と３次元ＣＡＤデータにより生成された３次元画像データのウエハボート５０の形状とを比較することで、正しいウエハボート５０が設置されているかを確認する。
正しいウエハボート５０が設置されていなければ、制御装置９０はステップＳ３５２において、違う形状のウエハボート５０が設置されていることを自動アラート機能などにより保守員などに報知する。これにより、保守員などは違う形状のウエハボート５０が取り付けられていることを認識でき、ステップＳ３４０において、ウエハボート５０の取り付けをやり直すことができる。
正しいウエハボート５０が設置されていれば、制御装置９０はステップＳ３５４において撮影画像データからウエハボート５０の傾きと溝位置とを測定により取得する。制御装置９０はステップＳ３５８において、ステップＳ３５４の測定結果からウエハボート５０のティーチング位置を自動算出する。ステップＳ３６０において、制御装置９０はウエハ搬送装置６０のウエハボート５０とのクリアランス寸法を、カメラ７２が撮影した撮影画像データの測定により取得する。
ステップＳ３６２において、制御装置９０は閾値以上のクリアランス寸法を確保して正常にウエハＷを搬送できるか判定する。閾値以上のクリアランス寸法を確保できないと判定すると、制御装置９０はステップＳ３６４において、ステップＳ３５８のウエハボート５０のティーチング位置を自動算出する処理に必要なデータにクリアランス寸法の情報を追加する。そして、制御装置９０はステップＳ３５８に戻り、処理を続ける。閾値以上のクリアランス寸法を確保できると判定すると、制御装置９０は図１７の自動教示の処理を終了する。
なお、上記の実施形態では、上下に対向配置された天板と底板との間に複数本の支柱が設けられ、各支柱の内側面に複数の溝部が形成され、溝部にウエハＷの周縁部が挿入され支持される、所謂、ラダーボートを例に挙げて説明したが、本発明はこれに限定されない。例えば、上下に対向配置された天板と底板との間に複数本の支柱が設けられ、複数本の支柱に平らな支持面を備えたリング部材が設けられ、リング部材の支持面でウエハＷを支持する、所謂、リングボートにも本発明を適用することができる。リングボートはフォークスキャンでは対応が難しいボート形状の一例である。
なお、上記の実施形態において、キャリアＣ及びウエハボート５０は搬送元対象物及び搬送先対象物の一例である。ウエハ搬送装置６０は搬送装置の一例である。ウエハＷは基板の一例である。
今回開示された実施形態はすべての点で例示であって制限的なものではないと考えられるべきである。また、上記の実施形態は、添付の請求の範囲及びその趣旨を逸脱することなく、様々な形態で省略、置換、変更されてもよい。
１ 基板処理装置
５０ ウエハボート
６０ ウエハ搬送装置
６３ フォーク
７０、７２ カメラ
９０ 制御装置
９１ 取得部
９２ ３次元画像データ生成部
９３ 判定部
９４ 演算部
９５ 動作制御部
９６ 表示部
９７ 学習部
９８ 格納部
Ｃ キャリア
Ｗ ウエハ

Claims (9)

  1. 基板を載置可能な搬送元対象物及び搬送先対象物の間で、前記基板を搬送する搬送装置のティーチング方法であって、
    撮影部により撮影された前記搬送元対象物、前記搬送先対象物、及び前記基板の撮影画像データと、前記搬送元対象物、前記搬送先対象物、及び前記基板の設計データと、に基づいて、前記搬送元対象物の形状、前記搬送先対象物の形状、及び前記基板の状態の３次元画像データを生成するステップと、
    前記３次元画像データに基づいて、前記搬送元対象物及び前記搬送先対象物と、前記基板とが衝突せずに、前記搬送元対象物及び前記搬送先対象物の間で前記基板を搬送するように、前記搬送装置にティーチングを行うステップと、
    を有するティーチング方法。
  2. 前記生成するステップは、前記搬送元対象物及び前記搬送先対象物の形状として、前記搬送元対象物が前記基板を載置する載置位置の形状及び前記搬送先対象物が前記基板を載置する載置位置の形状を把握可能な前記３次元画像データを生成すること
    を特徴とする請求項１に記載のティーチング方法。
  3. 前記ティーチングを行うステップは、前記撮影画像データから生成した前記３次元画像データと、前記設計データから生成した前記３次元画像データとの差分に基づき、前記搬送装置に行うティーチング位置を調整すること
    を特徴とする請求項１又は２に記載のティーチング方法。
  4. 前記ティーチングを行うステップは、前記撮影画像データから生成した前記３次元画像データと、前記設計データから生成した前記３次元画像データとの差分に基づき、前記搬送元対象物又は前記搬送先対象物の誤設置、歪み、又は傾きを検出すること
    を特徴とする請求項１乃至３の何れか一項に記載のティーチング方法。
  5. 前記生成するステップは、前記搬送元対象物の形状、前記搬送先対象物の形状、及び前記基板の状態を撮影した複数の画像データを深層学習したモデルを用いて、前記３次元画像データにより表示される前記搬送元対象物の形状、前記搬送先対象物の形状、及び前記基板の画像を鮮明化すること
    を特徴とする請求項１乃至４の何れか一項に記載のティーチング方法。
  6. 前記ティーチングを行うステップは、前記搬送元対象物又は前記搬送先対象物と、前記基板と、のクリアランス寸法が、所定の範囲内に含まれているか否かを判定し、所定の範囲内に含まれていなければ、予防保全通知を行うこと
    を特徴とする請求項１乃至５の何れか一項に記載のティーチング方法。
  7. 前記撮影部は、前記搬送元対象物、前記搬送先対象物、及び前記基板を撮影する第１の撮影部と、前記基板を搬送する前記搬送装置に設置され、位置及び撮影方向を変更可能な第２の撮影部と、を有すること
    を特徴とする請求項１乃至６の何れか一項に記載のティーチング方法。
  8. 基板を載置可能な搬送元対象物及び搬送先対象物の間で、前記基板を搬送する搬送システムであって、
    撮影部により撮影された前記搬送元対象物、前記搬送先対象物、及び前記基板の撮影画像データと、前記搬送元対象物、前記搬送先対象物、及び前記基板の設計データと、に基づいて、前記搬送元対象物の形状、前記搬送先対象物の形状、及び前記基板の状態の３次元画像データを生成する生成手段と、
    前記３次元画像データに基づいて、前記搬送元対象物及び前記搬送先対象物と、前記基板とが衝突せずに、前記搬送元対象物及び前記搬送先対象物の間で前記基板を搬送するように、前記基板を搬送する搬送装置にティーチングを行うティーチング手段と、
    を有する搬送システム。
  9. 基板を載置可能な搬送元対象物及び搬送先対象物の間で、前記基板を搬送する搬送装置に対してティーチングを行うコンピュータに、
    撮影部により撮影された前記搬送元対象物、前記搬送先対象物、及び前記基板の撮影画像データと、前記搬送元対象物、前記搬送先対象物、及び前記基板の設計データと、に基づいて、前記搬送元対象物の形状、前記搬送先対象物の形状、及び前記基板の状態の３次元画像データを生成するステップと、
    前記３次元画像データに基づいて、前記搬送元対象物及び前記搬送先対象物と、前記基板とが衝突せずに、前記搬送元対象物及び前記搬送先対象物の間で前記基板を搬送するように、前記搬送装置にティーチングを行うステップと、
    を実行させるプログラム。
JP2020107705A 2020-06-23 2020-06-23 ティーチング方法、搬送システム及びプログラム Active JP7399035B2 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
JP2020107705A JP7399035B2 (ja) 2020-06-23 2020-06-23 ティーチング方法、搬送システム及びプログラム
KR1020210078043A KR20210158329A (ko) 2020-06-23 2021-06-16 티칭 방법 및 반송 시스템
US17/354,062 US20210398342A1 (en) 2020-06-23 2021-06-22 Teaching method and transfer system

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2020107705A JP7399035B2 (ja) 2020-06-23 2020-06-23 ティーチング方法、搬送システム及びプログラム

Publications (2)

Publication Number Publication Date
JP2022003663A JP2022003663A (ja) 2022-01-11
JP7399035B2 true JP7399035B2 (ja) 2023-12-15

Family

ID=79022375

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2020107705A Active JP7399035B2 (ja) 2020-06-23 2020-06-23 ティーチング方法、搬送システム及びプログラム

Country Status (3)

Country Link
US (1) US20210398342A1 (ja)
JP (1) JP7399035B2 (ja)
KR (1) KR20210158329A (ja)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7246256B2 (ja) * 2019-05-29 2023-03-27 東京エレクトロン株式会社 搬送方法及び搬送システム

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010056469A (ja) 2008-08-29 2010-03-11 Tokyo Electron Ltd 熱処理装置及び熱処理方法並びに記憶媒体
JP2015054378A (ja) 2013-09-13 2015-03-23 セイコーエプソン株式会社 情報処理装置、ロボット、シナリオ情報生成方法及びプログラム
JP2015093345A (ja) 2013-11-11 2015-05-18 株式会社安川電機 ロボットシミュレーション装置、ロボットシミュレーション方法、およびロボットシミュレーションプログラム
JP2015199155A (ja) 2014-04-07 2015-11-12 キヤノン株式会社 情報処理装置および情報処理方法、プログラム

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6632583B2 (ja) 2017-08-30 2020-01-22 東京エレクトロン株式会社 搬送装置及び基板処理装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010056469A (ja) 2008-08-29 2010-03-11 Tokyo Electron Ltd 熱処理装置及び熱処理方法並びに記憶媒体
JP2015054378A (ja) 2013-09-13 2015-03-23 セイコーエプソン株式会社 情報処理装置、ロボット、シナリオ情報生成方法及びプログラム
JP2015093345A (ja) 2013-11-11 2015-05-18 株式会社安川電機 ロボットシミュレーション装置、ロボットシミュレーション方法、およびロボットシミュレーションプログラム
JP2015199155A (ja) 2014-04-07 2015-11-12 キヤノン株式会社 情報処理装置および情報処理方法、プログラム

Also Published As

Publication number Publication date
US20210398342A1 (en) 2021-12-23
JP2022003663A (ja) 2022-01-11
KR20210158329A (ko) 2021-12-30

Similar Documents

Publication Publication Date Title
JP5949741B2 (ja) ロボットシステム及び検出方法
JP6035279B2 (ja) 膜厚測定装置、膜厚測定方法、プログラム及びコンピュータ記憶媒体
JP6329397B2 (ja) 画像検査装置及び画像検査方法
TW201704740A (zh) 基板之檢查方法、基板處理系統及電腦記錄媒體
JP7399035B2 (ja) ティーチング方法、搬送システム及びプログラム
JP2017022168A (ja) 基板処理装置、基板処理方法及び記憶媒体
KR101130442B1 (ko) 위치 측정 장치, 성막 방법, 성막 프로그램을 기록한 컴퓨터 판독가능한 기록 매체 및 성막 장치
TW201906055A (zh) 基板搬出方法
JP5049246B2 (ja) 物体形状評価装置
KR20140070464A (ko) 기판의 결함 검사 방법, 기판의 결함 검사 장치 및 컴퓨터 기억 매체
TW201432252A (zh) 基板之缺陷檢查方法、基板之缺陷檢查裝置、程式及電腦記憶媒體
US11908717B2 (en) Transfer method and transfer system for transferring substrate between transfer device and substrate stage
CN110544658A (zh) 基板存储设备
CN117132674A (zh) 一种晶圆图的生成方法及测试设备
JP6124405B2 (ja) ウェーハ収納カセットの検査装置及び検査方法
US20220383536A1 (en) Information processing apparatus, transfer position teaching method and substrate processing apparatus
JP3963572B2 (ja) 基板搬入搬出装置
JP2022186429A (ja) 情報処理装置、移載位置補正方法及び基板処理装置
CN114161713A (zh) 打印头及检测方法、存储介质和三维打印机
US6452150B1 (en) Cassette measuring system
JP6638796B2 (ja) 基板処理装置、基板処理方法及び記憶媒体
JPH0477465B2 (ja)
JP3243956U (ja) ロボットアーム自動補正装置
JP4611918B2 (ja) 処理ユニットの傾き調整方法
KR102221447B1 (ko) 판재결함 검출방법 및 장치

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20221219

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20231016

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20231107

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20231205

R150 Certificate of patent or registration of utility model

Ref document number: 7399035

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150