【技术实现步骤摘要】
本专利技术涉及机械臂运动轨迹预测，更具体地说，本专利技术涉及基于时间序列晶圆搬运机械臂运动轨迹的预测方法。
技术介绍
1、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；
2、现有技术如下：
3、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。
4、现有技术中依然存在以下问题：
5、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
6、鉴于此，本专利技术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。
技术实现思路
1、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：基于时间序列晶圆搬运机械臂运动轨迹的预测方法，包括：
2、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；
3、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；
4、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；
5、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；
6、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；
7、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。
8、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。
9、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。
10、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：
11、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；
12、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；
13、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；
14、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；
15、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；
16、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。
17、进一步地，训练所述机械臂振动频率预测模型的方法包括：
18、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。
19、进一步地，所述注意力机制的方法包括：
20、step1、构建查询向量和键向量：预设置查询向量，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，表示键向量的组数，为大于或等于1的整数；
21、step2、计算注意力权重：使用函数计算查询向量和键向量集合之间的相似得分，函数计算方法包括：
22、；
23、式中，表示查询向量与键向量集合的相似得分，将相似得分输入到函数中，得到注意力权重；函数的计算方法包括：
24、；
25、式中，表示注意力权重，表示特征时间序列数据的总长度，表示指数函数；
26、step3、计算加权和：将注意力权重与键向量集合相乘并求和，得到加权和；计算加权和的方法包括：
27、；
28、式中，表示计算得到的加权和；
29、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。
30、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。
31、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：
32、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，则不生本文档来自技高网...
【技术保护点】
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：
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，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。
3.根据权利要求2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。
4.根据权利要求3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：
5.根据权利要求4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，训练所述机械臂振动频率预测模型的方法包括：
6.根据权利要求5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，所述注意力机制的方法包括：
7.根据权利要求6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包括：补偿方法指令或
8.根据权利要求7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：
9.根据权利要求8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，训练所述预测补偿方法编号的补偿分析模型的方法包括：
10.根据权利要求9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，所述补偿方法的方法包括：
11.一种电子设备，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1-10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。
12.一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1-10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。
...【技术特征摘要】
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：
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，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。
3.根据权利要求2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。
4.根据权利要求3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：
5.根据权利要求4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，训练所述机械臂振动频率预测模型的方法包括：
6.根据权利要求5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，所述注意力机制的方法包括：
7.根据权利要求6所述的基于时间序列晶圆搬运机械臂运动轨...
【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：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。