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技术方案

本发明专利技术属于机械臂振动预测技术领域，本发明专利技术公开了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；将机械臂一次晶圆转运过程划分n个采集区域；采集历史机械臂状态数据，历史机械臂状态数据包括n组历史转轴状态数据以及与历史转轴状态数据对应的n个历史振动数据；历史转轴状态数据包括历史转轴特征数据以及与历史转轴特征数据对应的历史转轴温度；基于历史转轴特征数据训练出预测转轴温度的温度检测模型；基于历史转轴状态数据训练出预测振动数据的振动检测模型；预设n个振动数据阈值与n个预测振动数据对比，判断是否生成补偿指令；根据预测补偿方法进行振动补偿；提高机械臂的稳定性以及安全性，保护晶圆不受损坏。保护晶圆不受损坏。保护晶圆不受损坏。

【技术实现步骤摘要】
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


[0001]本专利技术涉及机械臂振动预测
，更具体地说，本专利技术涉及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。

技术介绍

[0002]机械臂由于其多自由度、高精度运动控制、可自由编程、自动化操作等优点，被运用于晶圆转运过程；为了有效避免晶圆表面的污染和氧化，将晶圆转运过程置于超真空环境下进行，这种情况下，对机械臂的工作稳定性要求较高；但晶圆转运机械臂在转运晶圆的过程中机械臂会产生振动，与正常工作环境相比，超真空环境下机械臂采用非接触式运动以及缺乏气体阻尼，使得机械臂的振动增大；当机械臂长时间运行后，容易发生机械疲劳磨损，此外还有温度变化的干扰以及电路的故障问题，均会导致振动的增大，较大的振动会影响运输过程的稳定性与精度，容易导致晶圆发生破裂，增大晶圆转运过程的危险性；现有授权公告号为CN116277040B的中国专利公开了一种基于深度学习的机械臂振动抑制方法、装置、设备及介质；该方法为采集机械臂的各转动轴处的状态数据，将状态数据输入目标状态检测模型以判断所述机械臂是否存在异常振动，若所述机械臂存在异常振动，则将状态数据输入目标振动检测模型获得振动标签；根据所述振动标签查询对应的振动补偿信号，并根据所述振动补偿信号抑制所述机械臂的异常振动；克服无法实现机械臂振动的定性定量分析的技术缺陷，自动检测异常振动自动抑制异常振动，提高了机械臂的异常振动的抑制效率。
[0003]但该专利技术无法提前预测机械臂振动是否存在异常，当机械臂振动异常时再进行振动补偿，补偿过程会增加时间，在这段时间内机械臂持续处于振动异常状态，造成对机械臂以及夹取的工件的损坏，影响稳定性和安全性；鉴于此，本专利技术提出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以解决上述问题。

技术实现思路

[0004]为了克服现有技术的上述缺陷，为实现上述目的，本专利技术提供如下技术方案：一种超真空环境下晶圆转运机械臂的振动预测方法，包括：将机械臂一次晶圆转运过程划分n个采集区域；采集组历史机械臂状态数据，历史机械臂状态数据包括n组历史转轴状态数据以及历史转轴状态数据对应的n个历史振动数据；每一组历史转轴状态数据对应一个采集区域，历史转轴状态数据包括历史转轴特征数据以及与历史转轴特征数据对应的历史转轴温度，与n均为大于1的整数；基于历史转轴特征数据训练出预测转轴温度的温度检测模型；基于历史转轴状态数据训练出预测振动数据的振动检测模型；
预设n个采集区域的振动数据阈值，将n组实时采集的转轴特征数据输入训练完成的温度检测模型，输出n个预测转轴温度；将n组实时采集的转轴状态数据输入训练完成的振动检测模型，输出n个预测振动数据；将n个预测振动数据与相对应的n个振动数据阈值对比分析，判断是否生成补偿指令；将补偿指令对应的转轴状态数据标记为异常转轴状态数据，将实时采集的异常转轴状态数据输入训练完成的补偿分析模型，根据输出的补偿方法编号对应的补偿方法对机械臂进行振动补偿。
[0005]进一步地，转轴特征数据包括采集区域的移动速度、移动加速度、晶圆重量、环境温度与转轴初始温度。
[0006]进一步地，将机械臂一次晶圆转运过程中相同加速度的区域划分一个采集区域，每个采集区域包括两个节点，其中一个为开始节点，另一个节点为结束节点，一个采集区域的结束节点为下一个采集区域的开始节点，移动速度为每个采集区域结束节点的移动速度，移动加速度为每个采集区域结束节点移动速度减去开始节点移动速度之差除以开始节点至结束节点的时间间隔。
[0007]进一步地，转轴初始温度为当前采集区域开始节点的温度；振动数据为在各个采集区域结束节点对应的振动幅度和振动频率。
[0008]进一步地，温度检测模型的具体训练方式包括：将历史转轴特征数据作为温度检测模型的输入，所述温度检测模型以每组历史转轴特征数据的预测转轴温度为输出，以该组历史转轴特征数据对应的历史转轴温度为预测目标，以最小化所有历史转轴特征数据的预测误差之和作为训练目标；其中，预测误差的计算公式为，其中为预测误差，为历史转轴特征数据的编号，为第组历史转轴特征数据对应的预测转轴温度，为第组历史转轴特征数据对应的历史转轴温度；对温度检测模型进行训练，直至预测误差之和达到收敛时停止训练；所述温度检测模型是深度神经网络模型或深度信念网络模型中的任一个。
[0009]进一步地，振动检测模型的具体训练方式包括：将历史转轴状态数据作为振动检测模型的输入，所述振动检测模型以对每组历史转轴状态数据的预测振动数据为输出，以该组历史转轴状态数据对应的历史振动数据为预测目标，以最小化所有历史转轴状态数据的预测误差之和作为训练目标；其中，预测误差的计算公式为，其中为预测误差，为历史转轴状态数据的编号，为第组历史转轴状态数据对应的预测振动数据，为第组历史转轴状态数据对应的历史振动数据；对振动检测模型进行训练，直至预测误差之和达到收敛时停止训练；所述振动检测模型是深度神经网络模型或深度信念网络模型中的任一个。
[0010]进一步地，转轴温度与振动数据均按照n个采集区域顺序进行依次预测；根据n个预测振动数据绘制时间
‑
预测振动数据曲线，根据n个振动数据阈值绘制时间
‑
振动数据阈值曲线，将时间
‑
预测振动数据曲线与时间
‑
振动数据阈值曲线进行对比分析，绘制振动状态分析图，判断机械臂振动是否正常；若预测振动数据均在振动数据阈值下方，则机械臂振动正常，不生成补偿指令；若存在预测振动数据在振动数据阈值上方或重合，则机械臂振动异常，生成补偿指令。
[0011]进一步地，补偿分析模型的训练方法包括：预先收集历史异常转轴状态数据以及与历史异常转轴状态数据对应的补偿方法；对不同历史异常转轴状态数据对应的机械臂依次使用不同的方法进行不同的振动补偿，将机械臂一次晶圆转运完成后历史振动数据为正常所对应的方法，作为该历史异常转轴状态数据对应的补偿方法；预先对异常转轴状态数据对应的补偿方法设置编号；将历史异常转轴状态数据与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转轴状态数据作为输入数据，将训练集中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，利用测试集对初始分类器进行测试，输出满足预设准确度的初始分类器作为补偿分析模型，其中，预设准确度的计算公式为：，其中，为历史异常转轴状态数据的编号，为预设准确度，为第组历史异常转轴状态数据对应的预测补偿方法编号，为第组历史异常转轴状态数据对应的实际补偿方法编号；所述分类器具体为逻辑回归模型、朴素贝叶斯模型或支持向量机模型的其中一种。
[0012]进一步地，预测补偿方法包括：将异常转轴状态数据对应的时间作为振动异常时间；获取第一个振动异常时间归属的第C个采集区域，C属于n，修改第C个采集区域开始节点的转轴状态数据，将预测补偿方法中第C个采集区域开始节点的移动速度与移动加速度作为当前第C个采集区域开始节点的移动速度与移动加速度。
...

【技术保护点】

【技术特征摘要】
1.一种超真空环境下晶圆转运机械臂的振动预测方法，其特征在于，包括：将机械臂一次晶圆转运过程划分n个采集区域；采集组历史机械臂状态数据，历史机械臂状态数据包括n组历史转轴状态数据以及历史转轴状态数据对应的n个历史振动数据；每一组历史转轴状态数据对应一个采集区域，历史转轴状态数据包括历史转轴特征数据以及与历史转轴特征数据对应的历史转轴温度，与n均为大于1的整数；基于历史转轴特征数据训练出预测转轴温度的温度检测模型；基于历史转轴状态数据训练出预测振动数据的振动检测模型；预设n个采集区域的振动数据阈值，将n组实时采集的转轴特征数据输入训练完成的温度检测模型，输出n个预测转轴温度；将n组实时采集的转轴状态数据输入训练完成的振动检测模型，输出n个预测振动数据；将n个预测振动数据与相对应的n个振动数据阈值对比分析，判断是否生成补偿指令；将补偿指令对应的转轴状态数据标记为异常转轴状态数据，将实时采集的异常转轴状态数据输入训练完成的补偿分析模型，根据输出的补偿方法编号对应的补偿方法对机械臂进行振动补偿。2.根据权利要求1所述的一种超真空环境下晶圆转运机械臂的振动预测方法，其特征在于，历史转轴特征数据包括采集区域的移动速度、移动加速度、晶圆重量、环境温度与转轴初始温度。3.根据权利要求2所述的一种超真空环境下晶圆转运机械臂的振动预测方法，其特征在于，将机械臂一次晶圆转运过程中相同加速度的区域划分一个采集区域，每个采集区域包括两个节点，其中一个为开始节点，另一个节点为结束节点，一个采集区域的结束节点为下一个采集区域的开始节点，移动速度为每个采集区域结束节点的移动速度，移动加速度为每个采集区域结束节点移动速度减去开始节点移动速度之差除以开始节点至结束节点的时间间隔。4.根据权利要求3所述的一种超真空环境下晶圆转运机械臂的振动预测方法，其特征在于，转轴初始温度为当前采集区域开始节点的温度；振动数据为在各个采集区域结束节点对应的振动幅度和振动频率。5.根据权利要求4所述的一种超真空环境下晶圆转运机械臂的振动预测方法，其特征在于，温度检测模型的具体训练方式包括：将历史转轴特征数据作为温度检测模型的输入，所述温度检测模型以每组历史转轴特征数据的预测转轴温度为输出，以该组历史转轴特征数据对应的历史转轴温度为预测目标，以最小化所有历史转轴特征数据的预测误差之和作为训练目标；其中，预测误差的计算公式为，其中为预测误差，为历史转轴特征数据的编号，为第组历史转轴特征数据对应的预测转轴温度，为第组历史转轴特征数据对应的历史转轴温度；对温度检测模型进行训练，直至预测误差之和达到收敛时停止训练；所述温度检测模型是深度神经网络模型或深度信念网络模型中的任一个。6.根据权利要求5所述的一种超真空环境下晶圆转运机械臂的振动预测方法，其特征在于，振动检测模型的具体训练方式包括：
将历史转轴状态数据作为振动检测模型的输入，所述振动检测模型以对每组历史转轴状态数据的预测振动数据为输出，以该组历史转轴状态数据对应的历史振动数据为预测目标，以最小化所有历史转轴状态数据的预测误差之和作为训练目标；其中，预测误差的计算公式为，其中为预测误差，为历史转轴状态数据的编号，为第组历史转轴状态数据对应的预测振动数据，为第组历史转轴状态数据对应的历史振动数据；对振动检测模型进行训练，直至预测误差之和达到收敛时停止训练；所述振动检测模型是深度神经网络模型或深度信念网络模型中的任一个。7.根据权利要求6所述的一种超真空环境下晶圆转运机械臂的振动预测方法，其特征在于，转轴温度与振动数据均按照n个采集区域顺序进行依次预测；根据n个预测振动数据绘制时间
‑
预测振动数据曲线，根据n个振动数据阈值绘制时间
‑
振动数据阈值曲线，将时间
‑
预测振动数据曲线与时间
‑
振动数据阈值曲线进行对比分析，绘制振动状态分析图，判断机械臂振动是否正常；若预测振动数据均在振动数据阈值下方，则机械臂振动正常，不生成补偿指令；若存在预测振动数据在振动数据阈值上方或重合，则机械臂振动异常，生成补偿指令。8.根据权利要求7所述的一种超真空环境下晶圆转运机械臂的振动预测方法，其特征在于，补偿分析模型的训练方法包括：预先收集历史异常转轴状态数据以及与...

【专利技术属性】
技术研发人员：林坚，王彭，吴国明，王栋梁，
申请(专利权)人：泓浒苏州半导体科技有限公司，
类型：发明
国别省市：