CN116810825B - 一种真空环境下晶圆传送机械臂异常监测方法及*** - Google Patents
一种真空环境下晶圆传送机械臂异常监测方法及*** Download PDFInfo
- Publication number
- CN116810825B CN116810825B CN202311102332.6A CN202311102332A CN116810825B CN 116810825 B CN116810825 B CN 116810825B CN 202311102332 A CN202311102332 A CN 202311102332A CN 116810825 B CN116810825 B CN 116810825B
- Authority
- CN
- China
- Prior art keywords
- abnormal
- vibration
- training data
- abnormality
- training
- 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
- 230000005856 abnormality Effects 0.000 title claims abstract description 80
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000012544 monitoring process Methods 0.000 title claims abstract description 44
- 230000002159 abnormal effect Effects 0.000 claims abstract description 263
- 238000012549 training Methods 0.000 claims abstract description 185
- 238000004519 manufacturing process Methods 0.000 claims abstract description 58
- 238000010801 machine learning Methods 0.000 claims abstract description 47
- 238000012360 testing method Methods 0.000 claims abstract description 45
- 238000012546 transfer Methods 0.000 claims abstract description 39
- 230000008569 process Effects 0.000 claims abstract description 13
- 230000001133 acceleration Effects 0.000 claims description 36
- 230000008859 change Effects 0.000 claims description 18
- 230000015654 memory Effects 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000013480 data collection Methods 0.000 claims description 6
- 235000012431 wafers Nutrition 0.000 description 80
- 238000010586 diagram Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000003749 cleanliness Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000005461 lubrication 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
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003595 spectral 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
- 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
- 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
-
- 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
- B25J9/1602—Programme controls characterised by the control system, structure, architecture
- B25J9/161—Hardware, e.g. neural networks, fuzzy logic, interfaces, processor
-
- 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
-
- 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
- B25J9/1674—Programme controls characterised by safety, monitoring, diagnostic
Landscapes
- Engineering & Computer Science (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Manipulator (AREA)
Abstract
本发明公开了一种真空环境下晶圆传送机械臂异常监测方法及***，涉及真空晶圆传送技术领域，收集异常类型表，并基于异常类型表，在非真空测试环境收集振动异常训练数据，基于振动异常训练数据，训练出识别异常类型的机器学习模型，并为每个异常类型训练出判断异常级别的贝叶斯网络模型，在真空生产环境中，收集振动生产数据；基于振动生产数据，使用机器学习模型输出判断的异常类型，基于振动生产数据，使用判断的异常类型对应的贝叶斯网络模型输出判断的异常级别；解决了真空中无法传播声音，导致监测人员无法根据声音判断晶圆传送过程是否发生异常的问题。
Description
技术领域
本发明涉及真空晶圆传送技术领域，具体是一种真空环境下晶圆传送机械臂异常监测方法及***。
背景技术
在非真空条件下，晶圆传送机械臂在传送晶圆的过程中，可能会发生一些异常，例如：机械臂的传动部件有磨损或缺乏润滑，导致摩擦增大，产生不正常的声音；机械臂的连接部件出现松动或断裂，造成部件碰撞或摆动，产生异常声音；机械臂的传送链条或导轨有问题或异常时可能产生异常声音；而且每种异常声音的特征是不相同的，因此，有经验的技术人员可以根据晶圆传送机械臂的不同声音来判断传送过程是否发生异常以及异常的原因等；
然而在对晶圆的清洁性具有严格要求的情况下，需要将晶圆传送机械臂放置在真空无尘环境中进行晶圆传送，而真空中是无法传播声音的，因此技术人员无法根据晶圆传送机械臂产生的声音来判断异常情况，从而增加了晶圆传送的风险；
申请公开号为CN116394251A的中国专利提供一种晶圆搬运机器人及其故障检测方法，以及一种半导体设备。晶圆搬运机器人包括垂直臂、水平臂、末端执行部、第一姿态传感器、第二姿态传感器及控制器，水平臂一端与垂直臂相连接，另一端与末端执行部相连接，第一姿态传感器设置于垂直臂上，第二姿态传感器设置于水平臂上，控制器与第一姿态传感器及第二姿态传感器相连接，以基于第一姿态传感器及第二姿态传感器监测到的晶圆搬运机器人的局部及整体振动频率分布、波形特性、幅值、温度和水平状态参数中的若干个，判断晶圆搬运机器人是否发生故障；但该发明并未能考虑到故障的原因和故障级别的区分；
为此，本发明提出一种真空环境下晶圆传送机械臂异常监测方法及***。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种真空环境下晶圆传送机械臂异常监测方法及***，解决了真空中无法传播声音，导致监测人员无法根据声音判断晶圆传送过程是否发生异常的问题。
为实现上述目的，第一方面，本发明提出一种真空环境下晶圆传送机械臂异常监测方法，包括以下步骤：
步骤一：收集异常类型表，并基于异常类型表，在非真空测试环境收集振动异常训练数据；其中，所述异常类型表包括晶圆传送机械臂在传送晶圆过程中，可能出现的会产生区别声音特征的异常类型，以及各个异常类型对应的异常级别；
所述区别声音特征为区别于正常的运送过程中会产生的声音的异常的声音特征；
在所述非真空测试环境，测试人员预先选择N个具有不同异常类型和不同异常级别的测试晶圆传送机械臂，每个测试晶圆传送机械臂，分别在非真空环境中使用不同速度和加速度，完成晶圆传送的任务，且在每次晶圆传送过程中，实时收集测试晶圆传送机械臂产生的振动异常训练数据；其中，N为选择的测试晶圆传送机械臂的数量；
步骤二：基于振动异常训练数据，训练出识别异常类型的机器学习模型，并为每个异常类型训练出判断异常级别的贝叶斯网络模型；
步骤三：在真空生产环境中，收集振动生产数据；基于振动生产数据，使用机器学习模型输出判断的异常类型；
步骤四：基于振动生产数据，使用判断的异常类型对应的贝叶斯网络模型输出判断的异常级别；
收集所述振动异常训练数据的方式包括：
在每个测试晶圆传送机械臂上预先安装振动传感器、速度传感器以及加速度传感器，且振动传感器实时收集测试晶圆传送机械臂产生的振动波形，速度传感器实时收集测试晶圆传送机械臂的速度，以及加速度传感器实时收集测试晶圆传送机械臂的加速度；
在测试晶圆传送机械臂每次进行晶圆传送时，测试人员实时根据测试晶圆传送机械臂所发出的声音，判断是否发生异常，并将判断发生异常的时间节点标记为异常开始，再继续判断声音是否正常，并将判断声音正常的时间节点标记为异常结束；在晶圆传送过程中，包括若干组异常时间段，每组所述异常时间段为从标记为异常开始的时间节点开始至下一个标记为异常结束的时间节点结束；每两组异常时间段之间的时间段表示为非异常时间段；
预设训练波形时长；
对于每组异常时间段和非异常时间段，分别按时间顺序划分出异常训练数据集合和非异常训练数据集合；其中，所述异常训练数据集合和非异常训练数据集合中，每组异常训练数据和非异常训练数据均包括一组特征曲线集合以及振动特征值；
所有异常训练数据和非异常训练数据组成振动异常训练数据；
其中，所述特征曲线集合包括一段振动波形曲线、一段速度变化曲线以及一段加速度变化曲线；所述振动特征值包括异常原因编号以及异常级别；异常训练数据中的振动特征值为对应的测试晶圆传送机械臂的异常原因的编号和异常级别，非异常训练数据的振动特征值的异常原因编号为0，异常级别为空；
且异常训练数据和非异常训练数据的特征曲线集合中各曲线的时长均为训练波形时长；
训练出识别异常类型的机器学习模型的方式包括：
将每组异常训练数据和非异常训练数据中的振动波形曲线分解成振动特征集合，所述振动特征集合中的每个元素分别代表根据该振动波形推算的物理特征量；
将每组振动特征集合作为机器学习模型的输入，所述机器学习模型以对每组振动特征集合的预测的异常原因编号为输出，以振动特征集合对应的异常训练数据或非异常训练数据的异常原因编号为预测目标，以最小化对所有异常原因编号的预测误差之和作为训练目标；对机器学习模型进行训练，直至预测误差之和达到收敛时停止训练，训练出根据振动特征集合输出预测的异常原因编号的机器学习模型；
为每个异常类型训练出判断异常级别的贝叶斯网络模型的方式为：
将所有异常训练数据按照异常原因编号进行分组，每组异常训练数据对应一个相同的异常原因编号，将划分后的每组异常训练数据表示为异常训练数据分组；
对于每组异常训练数据分组，训练贝叶斯网络模型；
具体的，训练贝叶斯网络模型的方式为：
将每组异常训练数据转化为贝叶斯输入特征数据；
构造贝叶斯网络模型的网络结构；
将异常训练数据分组中，每组异常训练数据对应的贝叶斯输入特征数据作为贝叶斯网络模型的输入，所述贝叶斯网络模型以对每组异常训练数据的预测的异常级别为输出，以异常训练数据中的异常级别作为预测目标，以最小化对所有异常级别的预测误差之和作为训练目标；对贝叶斯网络模型进行训练，直至预测误差之和达到收敛时停止训练，训练出根据贝叶斯输入特征数据输出预测的异常级别的贝叶斯网络模型；
将每组异常训练数据转化为贝叶斯输入特征数据的方式为：
将异常训练数据中的振动波形曲线分解成振动特征集合；
计算异常训练数据中速度变化曲线的平均值作为平均速度；
计算异常训练数据中加速度变化曲线的平均值作为平均加速度；
所述贝叶斯输入特征数据包括振动特征集合、平均速度以及平均加速度；
构造贝叶斯网络模型的网络结构的方式为：
构造三层贝叶斯网络模型结构；其中，第一层包括两个节点，第二层包括M个节点，第三层包括一个节点；其中，M为振动特征集合的元素数量；
第一层中的两个节点分别对应速度和加速度；
第二层中的M个节点分别对应振动特征集合中的每个元素，且第一层中每个节点均具有一条有向边指向第二层中的每个节点；
第三层中的一个节点对应异常训练数据中的异常级别，第二层中的每个节点均具有一条有向边指向第三层中的节点；
收集振动生产数据的方式为：
将真空生产环境中的晶圆传送机械臂表示为生产晶圆传送机械臂；
在生产晶圆传送机械臂上安装振动传感器、速度传感器以及加速度传感器，并每隔训练波形时长收集一段振动波形曲线、一段速度变化曲线以及一段加速度变化曲线作为一组振动生产数据；
使用机器学习模型输出判断的异常类型的方式为：
将振动生产数据中的振动波形曲线转化为对应的振动特征集合，并将该振动特征集合输入机器学习模型中，获得机器学习模型输出的判断的异常原因编号；基于异常原因编号，获得对应的异常类型；
使用判断的异常类型对应的贝叶斯网络模型输出判断的异常级别的方式为：
将振动生产数据转化为对应的贝叶斯输入特征数据，并将该贝叶斯输入特征数据输入至贝叶斯网络模型中，获得贝叶斯网络模型输出的判断的异常级别。
第二方面，本发明提出一种真空环境下晶圆传送机械臂异常监测***，包括数据收集模块、模型训练模块以及真空监测模块；其中，各个模块之间电性连接；
数据收集模块，收集异常类型表，并基于异常类型表，在非真空测试环境收集振动异常训练数据，并将振动异常训练数据发送至模型训练模块；
模型训练模块，基于振动异常训练数据，训练出识别异常类型的机器学习模型，并为每个异常类型训练出判断异常级别的贝叶斯网络模型，并将机器学习模型和贝叶斯网络模型发送至真空监测模块；
真空监测模块，在真空生产环境中，收集振动生产数据；基于振动生产数据，使用机器学习模型输出判断的异常类型，以及基于振动生产数据，使用判断的异常类型对应的贝叶斯网络模型输出判断的异常级别。
第三方面，本发明提出一种电子设备，包括：处理器和存储器，其中，所述存储器中存储有可供处理器调用的计算机程序；
所述处理器通过调用所述存储器中存储的计算机程序，执行上述的真空环境下晶圆传送机械臂异常监测方法。
第四方面，本发明提出一种计算机可读存储介质，其上存储有可擦写的计算机程序；
当所述计算机程序在计算机设备上运行时，使得所述计算机设备执行上述的真空环境下晶圆传送机械臂异常监测方法。
与现有技术相比，本发明的有益效果是：
本发明通过收集异常类型表，并基于异常类型表，在非真空测试环境收集振动异常训练数据，基于振动异常训练数据，训练出识别异常类型的机器学习模型，并为每个异常类型训练出判断异常级别的贝叶斯网络模型，在真空生产环境中，收集振动生产数据；基于振动生产数据，使用机器学习模型输出判断的异常类型，基于振动生产数据，使用判断的异常类型对应的贝叶斯网络模型输出判断的异常级别；通过晶圆传送机械臂的振动波形、速度和加速度的关系，解决了真空中无法传播声音，导致监测人员无法根据声音判断晶圆传送过程是否发生异常的问题。
附图说明
图1为本发明的实施例1中真空环境下晶圆传送机械臂异常监测方法的流程图；
图2为本发明的实施例2中真空环境下晶圆传送机械臂异常监测***的模块连接关系图；
图3为本发明实施例3中的电子设备结构示意图；
图4为本发明实施例4中的计算机可读存储介质结构示意图。
具体实施方式
下面将结合实施例对本发明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它实施例，都属于本发明保护的范围。
实施例1
如图1所示，一种真空环境下晶圆传送机械臂异常监测方法，包括以下步骤：
步骤一：收集异常类型表，并基于异常类型表，在非真空测试环境收集振动异常训练数据；
步骤二：基于振动异常训练数据，训练出识别异常类型的机器学习模型，并为每个异常类型训练出判断异常级别的贝叶斯网络模型；
步骤三：在真空生产环境中，收集振动生产数据；基于振动生产数据，使用机器学习模型输出判断的异常类型；
步骤四：基于振动生产数据，使用判断的异常类型对应的贝叶斯网络模型输出判断的异常级别；
其中，所述异常类型表包括晶圆传送机械臂在传送晶圆过程中，可能出现的会产生区别声音特征的异常类型，以及各个异常类型对应的异常级别；
所述区别声音特征为区别于正常的运送过程中会产生的声音的异常的声音特征；可以理解的是，晶圆传送机械臂在非真空环境中传送晶圆时，专业监测人员可以根据实际的操控经验来判断晶圆传送过程中产生的声音是否为异常声音，例如强烈的摩擦声或振动的声音等；
所述异常类型由专业监测人员，根据过去在监测到区别声音特征后，进行异常原因排查的历史经验，统计出的晶圆传送机械臂可能存在的异常原因；
所述异常级别为由专业监测人员在进行异常原因排查后，根据异常原因可能造成的危险进行等级划分后的不同危险等级；
可以理解的是，异常类型和异常级别均可预先由测试人员根据实际的对晶圆传送机械臂在传送过程中的异常排查经验获得；
进一步的，在所述非真空测试环境，测试人员预先选择N个具有不同异常类型和不同异常级别的测试晶圆传送机械臂，每个测试晶圆传送机械臂，分别在非真空环境中使用不同速度和加速度，完成晶圆传送的任务，且在每次晶圆传送过程中，实时收集测试晶圆传送机械臂产生的振动异常训练数据；其中，N为选择的测试晶圆传送机械臂的数量；
优选的，收集所述振动异常训练数据的方式包括：
在每个测试晶圆传送机械臂上预先安装振动传感器、速度传感器以及加速度传感器，且振动传感器实时收集测试晶圆传送机械臂产生的振动波形，速度传感器实时收集测试晶圆传送机械臂的速度，以及加速度传感器实时收集测试晶圆传送机械臂的加速度；
在测试晶圆传送机械臂每次进行晶圆传送时，测试人员实时根据测试晶圆传送机械臂所发出的声音，判断是否发生异常，并将判断发生异常的时间节点标记为异常开始，再继续判断声音是否正常，并将判断声音正常的时间节点标记为异常结束；可以理解的是，每次进行晶圆传送会产生一组随时间变化的振动产生的振动波形曲线、速度变化曲线以及加速度变化曲线，且在晶圆传送过程中，存在若干组异常时间段，每组所述异常时间段为从标记为异常开始的时间节点开始至下一个标记为异常结束的时间节点结束；每两组异常时间段之间的时间段表示为非异常时间段；
预设训练波形时长；
对于每组异常时间段和非异常时间段，分别按时间顺序划分出异常训练数据集合和非异常训练数据集合；其中，所述异常训练数据集合和非异常训练数据集合中，每组异常训练数据和非异常训练数据均包括一组特征曲线集合以及振动特征值；所有异常训练数据和非异常训练数据组成振动异常训练数据；
其中，所述特征曲线集合包括一段振动波形曲线、一段速度变化曲线以及一段加速度变化曲线；所述振动特征值包括异常原因编号以及异常级别；需要说明的是，异常训练数据中的振动特征值为对应的测试晶圆传送机械臂的异常原因的编号和异常级别，非异常训练数据的振动特征值的异常原因编号为0，异常级别为空；
且异常训练数据和非异常训练数据的特征曲线集合中各曲线的时长均为训练波形时长；
训练出识别异常类型的机器学习模型的方式包括：
将每组异常训练数据和非异常训练数据中的振动波形曲线分解成振动特征集合，所述振动特征集合中的每个元素分别代表根据该振动波形推算的若干物理特征量，包括但不限于振幅峰值、振动频率均值、振动频率方差、振动能量、偏度、峰度以及功率谱密度等；
将每组振动特征集合作为机器学习模型的输入，所述机器学习模型以对每组振动特征集合的预测的异常原因编号为输出，以振动特征集合对应的异常训练数据或非异常训练数据的异常原因编号为预测目标，以最小化对所有异常原因编号的预测误差之和作为训练目标；对机器学习模型进行训练，直至预测误差之和达到收敛时停止训练，训练出根据振动特征集合输出预测的异常原因编号的机器学习模型；所述机器学习模型是多项式回归模型或SVR模型中的任意一个；
为每个异常类型训练出判断异常级别的贝叶斯网络模型的方式为：
将所有异常训练数据按照异常原因编号进行分组，每组异常训练数据对应一个相同的异常原因编号，将划分后的每组异常训练数据表示为异常训练数据分组；
对于每组异常训练数据分组，训练贝叶斯网络模型；
具体的，训练贝叶斯网络模型的方式为：
将每组异常训练数据转化为贝叶斯输入特征数据；
构造贝叶斯网络模型的网络结构；
将异常训练数据分组中，每组异常训练数据对应的贝叶斯输入特征数据作为贝叶斯网络模型的输入，所述贝叶斯网络模型以对每组异常训练数据的预测的异常级别为输出，以异常训练数据中的异常级别作为预测目标，以最小化对所有异常级别的预测误差之和作为训练目标；对贝叶斯网络模型进行训练，直至预测误差之和达到收敛时停止训练，训练出根据贝叶斯输入特征数据输出预测的异常级别的贝叶斯网络模型；
需要说明的是，预测误差的计算公式为：，其中，c为特征数据的编号，zc为预测误差，ac为第c组特征数据对应的预测的状态值，wc为第c组训练数据对应的实际的状态值；例如，机器学习模型中，特征数据对应的是振动特征集合，状态值对应的是异常原因编号；贝叶斯网络模型中特征数据对应的是贝叶斯输入特征数据，状态值对应的是异常级别；
将每组异常训练数据转化为贝叶斯输入特征数据的方式为：
将异常训练数据中的振动波形曲线分解成振动特征集合；
计算异常训练数据中速度变化曲线的平均值作为平均速度；
计算异常训练数据中加速度变化曲线的平均值作为平均加速度；
所述贝叶斯输入特征数据包括振动特征集合、平均速度以及平均加速度；
构造贝叶斯网络模型的网络结构的方式为：
构造三层贝叶斯网络模型结构；其中，第一层包括两个节点，第二层包括M个节点，第三层包括一个节点；其中，M为振动特征集合的元素数量；
第一层中的两个节点分别对应速度和加速度；
第二层中的M个节点分别对应振动特征集合中的每个元素，且第一层中每个节点均具有一条有向边指向第二层中的每个节点；可以理解的是，晶圆传送机械臂上产生的振动强度是与速度和加速度有关的，在相同的异常级别的基础上，不同的速度或加速度产生的振动强度是不同的；
第三层中的一个节点对应异常训练数据中的异常级别；第二层中的每个节点均具有一条有向边指向第三层中的节点；
所述真空生产环境为在真空环境中，使用晶圆传送机械臂进行晶圆传送，以应对相关业务需求的环境；
收集振动生产数据的方式为：
将真空生产环境中的晶圆传送机械臂表示为生产晶圆传送机械臂；
在生产晶圆传送机械臂上安装振动传感器、速度传感器以及加速度传感器，并每隔训练波形时长收集一段振动波形曲线、一段速度变化曲线以及一段加速度变化曲线作为一组振动生产数据；
使用机器学习模型输出判断的异常类型的方式为：
将振动生产数据中的振动波形曲线转化为对应的振动特征集合，并将该振动特征集合输入机器学习模型中，获得机器学习模型输出的判断的异常原因编号；基于异常原因编号，获得对应的异常类型；
使用判断的异常类型对应的贝叶斯网络模型输出判断的异常级别的方式为：
将振动生产数据转化为对应的贝叶斯输入特征数据，并将该贝叶斯输入特征数据输入至贝叶斯网络模型中，获得贝叶斯网络模型输出的判断的异常级别。
实施例2
如图2所示，一种真空环境下晶圆传送机械臂异常监测***，包括数据收集模块、模型训练模块以及真空监测模块；其中，各个模块之间电性连接；
其中，所述数据收集模块主要用于收集异常类型表，并基于异常类型表，在非真空测试环境收集振动异常训练数据，并将振动异常训练数据发送至模型训练模块；
其中，所述模型训练模块主要用于基于振动异常训练数据，训练出识别异常类型的机器学习模型，并为每个异常类型训练出判断异常级别的贝叶斯网络模型，并将机器学习模型和贝叶斯网络模型发送至真空监测模块；
其中，所述真空监测模块主要用于在真空生产环境中，收集振动生产数据；基于振动生产数据，使用机器学习模型输出判断的异常类型，以及基于振动生产数据，使用判断的异常类型对应的贝叶斯网络模型输出判断的异常级别。
实施例3
图3是本申请一个实施例提供的电子设备结构示意图。如图3所示，根据本申请的又一方面还提供了一种电子设备100。该电子设备100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，当计算机可读代码由一个或多个处理器运行时，可以执行如上所述的真空环境下晶圆传送机械臂异常监测方法。
根据本申请实施方式的方法或***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100可包括总线101、一个或多个CPU102、只读存储器(ROM)103、随机存取存储器(RAM)104、连接到网络的通信端口105、输入/输出组件106、硬盘107等。电子设备100中的存储设备，例如ROM103或硬盘107可存储本申请提供的真空环境下晶圆传送机械臂异常监测方法。真空环境下晶圆传送机械臂异常监测方法可例如包括以下步骤：步骤一：收集异常类型表，并基于异常类型表，在非真空测试环境收集振动异常训练数据；步骤二：基于振动异常训练数据，训练出识别异常类型的机器学习模型，并为每个异常类型训练出判断异常级别的贝叶斯网络模型；步骤三：在真空生产环境中，收集振动生产数据；基于振动生产数据，使用机器学习模型输出判断的异常类型；步骤四：基于振动生产数据，使用判断的异常类型对应的贝叶斯网络模型输出判断的异常级别。
进一步地，电子设备100还可包括用户界面108。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
图4是本申请一个实施例提供的计算机可读存储介质结构示意图。如图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200。计算机可读存储介质200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真空环境下晶圆传送机械臂异常监测方法。计算机可读存储介质200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，本申请提供了一种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。
可能以许多方式来实现本申请的方法和装置、设备。例如，可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本申请的方法和装置、设备。用于方法的步骤的上述顺序仅是为了进行说明，本申请的方法的步骤不限于以上具体描述的顺序，除非以其它方式特别说明。此外，在一些实施例中，还可将本申请实施为记录在记录介质中的程序，这些程序包括用于实现根据本申请的方法的机器可读指令。因而，本申请还覆盖存储用于执行根据本申请的方法的程序的记录介质。
另外，本申请的实施方式中提供的上述技术方案中与现有技术中对应技术方案实现原理一致的部分并未详细说明，以免过多赘述。
如上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明。应理解的是，以上所述仅为本发明的具体实施方式，并不用于限制本发明。凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等均应包含在本发明的保护范围之内。
以上的预设的参数或预设的阈值均由本领域的技术人员根据实际情况设定或者大量数据模拟获得。
以上实施例仅用以说明本发明的技术方法而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方法进行修改或等同替换，而不脱离本发明技术方法的精神和范围。
Claims (11)
1.一种真空环境下晶圆传送机械臂异常监测方法，其特征在于，包括以下步骤：
收集异常类型表，并基于异常类型表，在非真空测试环境收集振动异常训练数据；所述异常类型表包括晶圆传送机械臂在传送晶圆过程中，可能出现的会产生区别声音特征的异常类型，以及各个异常类型对应的异常级别；
所述区别声音特征为区别于正常的运送过程中会产生的声音的异常的声音特征；
在所述非真空测试环境，测试人员预先选择N个具有不同异常类型和不同异常级别的测试晶圆传送机械臂，每个测试晶圆传送机械臂，分别在非真空环境中使用不同速度和加速度，完成晶圆传送的任务，且在每次晶圆传送过程中，实时收集测试晶圆传送机械臂产生的振动异常训练数据；其中，N为选择的测试晶圆传送机械臂的数量；
基于振动异常训练数据，训练出识别异常类型的机器学习模型，并为每个异常类型训练出判断异常级别的贝叶斯网络模型；
在真空生产环境中，收集振动生产数据；基于振动生产数据，使用机器学习模型输出判断的异常类型；
基于振动生产数据，使用判断的异常类型对应的贝叶斯网络模型输出判断的异常级别。
2.根据权利要求1所述的一种真空环境下晶圆传送机械臂异常监测方法，其特征在于，所述收集振动异常训练数据的方式包括：
在每个测试晶圆传送机械臂上的振动传感器实时收集测试晶圆传送机械臂产生的振动波形，速度传感器实时收集测试晶圆传送机械臂的速度，以及加速度传感器实时收集测试晶圆传送机械臂的加速度；
在测试晶圆传送机械臂每次进行晶圆传送时，测试人员实时根据测试晶圆传送机械臂所发出的声音，判断是否发生异常，并将判断发生异常的时间节点标记为异常开始，再继续判断声音是否正常，并将判断声音正常的时间节点标记为异常结束；在晶圆传送过程中，将每组从标记为异常开始的时间节点开始至下一个标记为异常结束的时间节点结束的时间段标记为异常时间段；每两组异常时间段之间的时间段表示为非异常时间段；
预设训练波形时长；
对于每组异常时间段和非异常时间段，分别按时间顺序划分出异常训练数据集合和非异常训练数据集合；其中，所述异常训练数据集合和非异常训练数据集合中，每组异常训练数据和非异常训练数据均包括一组特征曲线集合以及振动特征值；
所有异常训练数据和非异常训练数据组成振动异常训练数据。
3.根据权利要求2所述的一种真空环境下晶圆传送机械臂异常监测方法，其特征在于，所述特征曲线集合包括一段振动波形曲线、一段速度变化曲线以及一段加速度变化曲线；所述振动特征值包括异常原因编号以及异常级别；异常训练数据中的振动特征值为对应的测试晶圆传送机械臂的异常原因的编号和异常级别，非异常训练数据的振动特征值的异常原因编号为0，异常级别为空；
且异常训练数据和非异常训练数据的特征曲线集合中各曲线的时长均为训练波形时长。
4.根据权利要求3所述的一种真空环境下晶圆传送机械臂异常监测方法，其特征在于，训练出识别异常类型的机器学习模型的方式包括：
将每组异常训练数据和非异常训练数据中的振动波形曲线分解成振动特征集合，所述振动特征集合中的每个元素分别代表根据该振动波形推算的物理特征量；
将每组振动特征集合作为机器学习模型的输入，所述机器学习模型以对每组振动特征集合的预测的异常原因编号为输出，以振动特征集合对应的异常训练数据或非异常训练数据的异常原因编号为预测目标，以最小化对所有异常原因编号的预测误差之和作为训练目标；对机器学习模型进行训练，直至预测误差之和达到收敛时停止训练，训练出根据振动特征集合输出预测的异常原因编号的机器学习模型。
5.根据权利要求4所述的一种真空环境下晶圆传送机械臂异常监测方法，其特征在于，为每个异常类型训练出判断异常级别的贝叶斯网络模型的方式为：
将所有异常训练数据按照异常原因编号进行分组，每组异常训练数据对应一个相同的异常原因编号，将划分后的每组异常训练数据表示为异常训练数据分组；
对于每组异常训练数据分组：
将每组异常训练数据转化为贝叶斯输入特征数据；
构造贝叶斯网络模型的网络结构；
将异常训练数据分组中，每组异常训练数据对应的贝叶斯输入特征数据作为贝叶斯网络模型的输入，所述贝叶斯网络模型以对每组异常训练数据的预测的异常级别为输出，以异常训练数据中的异常级别作为预测目标，以最小化对所有异常级别的预测误差之和作为训练目标；对贝叶斯网络模型进行训练，直至预测误差之和达到收敛时停止训练，训练出根据贝叶斯输入特征数据输出预测的异常级别的贝叶斯网络模型；
将每组异常训练数据转化为贝叶斯输入特征数据的方式为：
将异常训练数据中的振动波形曲线分解成振动特征集合；
计算异常训练数据中速度变化曲线的平均值作为平均速度；
计算异常训练数据中加速度变化曲线的平均值作为平均加速度；
所述贝叶斯输入特征数据包括振动特征集合、平均速度以及平均加速度；
构造贝叶斯网络模型的网络结构的方式为：
构造三层贝叶斯网络模型结构；其中，第一层包括两个节点，第二层包括M个节点，第三层包括一个节点；其中，M为振动特征集合的元素数量；
第一层中的两个节点分别对应速度和加速度；
第二层中的M个节点分别对应振动特征集合中的每个元素，且第一层中每个节点均具有一条有向边指向第二层中的每个节点；
第三层中的一个节点对应异常训练数据中的异常级别，第二层中的每个节点均具有一条有向边指向第三层中的节点。
6.根据权利要求5所述的一种真空环境下晶圆传送机械臂异常监测方法，其特征在于，收集振动生产数据的方式为：
将真空生产环境中的晶圆传送机械臂表示为生产晶圆传送机械臂；
在生产晶圆传送机械臂上安装振动传感器、速度传感器以及加速度传感器，并每隔训练波形时长收集一段振动波形曲线、一段速度变化曲线以及一段加速度变化曲线作为一组振动生产数据。
7.根据权利要求6所述的一种真空环境下晶圆传送机械臂异常监测方法，其特征在于，使用机器学习模型输出判断的异常类型的方式为：
将振动生产数据中的振动波形曲线转化为对应的振动特征集合，并将该振动特征集合输入机器学习模型中，获得机器学习模型输出的判断的异常原因编号；基于异常原因编号，获得对应的异常类型。
8.根据权利要求7所述的一种真空环境下晶圆传送机械臂异常监测方法，其特征在于，使用判断的异常类型对应的贝叶斯网络模型输出判断的异常级别的方式为：
将振动生产数据转化为对应的贝叶斯输入特征数据，并将该贝叶斯输入特征数据输入至贝叶斯网络模型中，获得贝叶斯网络模型输出的判断的异常级别。
9.一种真空环境下晶圆传送机械臂异常监测***，其基于权利要求1-8任意一项所述一种真空环境下晶圆传送机械臂异常监测方法实现，其特征在于，包括数据收集模块、模型训练模块以及真空监测模块；其中，各个模块之间电性连接；
数据收集模块，收集异常类型表，基于异常类型表，在非真空测试环境收集振动异常训练数据，并将振动异常训练数据发送至模型训练模块；
模型训练模块，基于振动异常训练数据，训练出识别异常类型的机器学习模型，并为每个异常类型训练出判断异常级别的贝叶斯网络模型，并将机器学习模型和贝叶斯网络模型发送至真空监测模块；
真空监测模块，在真空生产环境中，收集振动生产数据；基于振动生产数据，使用机器学习模型输出判断的异常类型，以及基于振动生产数据，使用判断的异常类型对应的贝叶斯网络模型输出判断的异常级别。
10.一种电子设备，其特征在于，包括：处理器和存储器，其中：
所述存储器中存储有可供处理器调用的计算机程序；
所述处理器通过调用所述存储器中存储的计算机程序，执行权利要求1-8任意一项所述真空环境下晶圆传送机械臂异常监测方法。
11.一种计算机可读存储介质，其特征在于，其上存储有可擦写的计算机程序；
当所述计算机程序在计算机设备上运行时，使得所述计算机设备执行权利要求1-8任意一项所述真空环境下晶圆传送机械臂异常监测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311102332.6A CN116810825B (zh) | 2023-08-30 | 2023-08-30 | 一种真空环境下晶圆传送机械臂异常监测方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311102332.6A CN116810825B (zh) | 2023-08-30 | 2023-08-30 | 一种真空环境下晶圆传送机械臂异常监测方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116810825A CN116810825A (zh) | 2023-09-29 |
| CN116810825B true CN116810825B (zh) | 2023-11-03 |
Family
ID=88117050
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311102332.6A Active CN116810825B (zh) | 2023-08-30 | 2023-08-30 | 一种真空环境下晶圆传送机械臂异常监测方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116810825B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117169697B (zh) * | 2023-10-26 | 2024-01-23 | 传麒科技(北京)股份有限公司 | 一种用于ate测试平台的测试判断*** |
| CN117162104B (zh) * | 2023-11-02 | 2024-01-30 | 泓浒(苏州)半导体科技有限公司 | 超洁净环境下的转运机械臂装机控制预警***及方法 |
| CN117574296B (zh) * | 2023-11-23 | 2024-04-23 | 清远市信和实业有限公司 | 电镀槽液流分布的检测***及其方法 |
| CN117808052B (zh) * | 2024-03-01 | 2024-04-26 | 泓浒(苏州)半导体科技有限公司 | 基于真空环境机械臂负载自适应方法及*** |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH11254359A (ja) * | 1998-03-12 | 1999-09-21 | Toyota Autom Loom Works Ltd | 部材搬送システム |
| TW201040519A (en) * | 2009-05-04 | 2010-11-16 | Big Sun Energy Technology Inc | Chip defect detecting apparatus |
| CN104462846A (zh) * | 2014-12-22 | 2015-03-25 | 山东鲁能软件技术有限公司 | 一种基于支持向量机的设备故障智能诊断方法 |
| CN109240069A (zh) * | 2018-08-14 | 2019-01-18 | 福建易美特电子科技有限公司 | 液晶显示钟表类产品生产自动检测*** |
| CN109508745A (zh) * | 2018-11-14 | 2019-03-22 | 上海交通大学 | 基于贝叶斯网络模型的燃气轮机气路故障的检测方法 |
| JP2020194994A (ja) * | 2019-05-24 | 2020-12-03 | 株式会社Ｓｃｒｅｅｎホールディングス | データ収集方法、学習方法、データ収集システムおよび学習システム |
| CN113295702A (zh) * | 2021-05-20 | 2021-08-24 | 国网山东省电力公司枣庄供电公司 | 电气设备故障诊断模型训练方法和电气设备故障诊断方法 |
| CN115731945A (zh) * | 2021-08-30 | 2023-03-03 | 丰田自动车株式会社 | 异常声音确定装置、异常声音确定方法以及异常声音确定程序 |
| CN115831833A (zh) * | 2021-09-17 | 2023-03-21 | 株式会社国际电气 | 基板处理方法、基板处理装置、半导体器件的制造方法及记录介质 |
| CN116394251A (zh) * | 2023-04-20 | 2023-07-07 | 中芯智达半导体科技(上海)有限公司 | 晶圆搬运机器人及其故障检测方法、半导体设备 |
| CN116551700A (zh) * | 2023-07-10 | 2023-08-08 | 泓浒(苏州)半导体科技有限公司 | 一种超高真空环境的晶圆传送机械臂控制***及方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| MX2020008692A (es) * | 2018-02-28 | 2020-09-25 | Nissan Motor | Dispositivo de deteccion de anormalidad y metodo de deteccion de anormalidad. |
| JP2023012335A (ja) * | 2021-07-13 | 2023-01-25 | トヨタ自動車株式会社 | 異音特定装置、異音特定方法、及び、異音特定プログラム |
-
2023
- 2023-08-30 CN CN202311102332.6A patent/CN116810825B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH11254359A (ja) * | 1998-03-12 | 1999-09-21 | Toyota Autom Loom Works Ltd | 部材搬送システム |
| TW201040519A (en) * | 2009-05-04 | 2010-11-16 | Big Sun Energy Technology Inc | Chip defect detecting apparatus |
| CN104462846A (zh) * | 2014-12-22 | 2015-03-25 | 山东鲁能软件技术有限公司 | 一种基于支持向量机的设备故障智能诊断方法 |
| CN109240069A (zh) * | 2018-08-14 | 2019-01-18 | 福建易美特电子科技有限公司 | 液晶显示钟表类产品生产自动检测*** |
| CN109508745A (zh) * | 2018-11-14 | 2019-03-22 | 上海交通大学 | 基于贝叶斯网络模型的燃气轮机气路故障的检测方法 |
| JP2020194994A (ja) * | 2019-05-24 | 2020-12-03 | 株式会社Ｓｃｒｅｅｎホールディングス | データ収集方法、学習方法、データ収集システムおよび学習システム |
| CN113295702A (zh) * | 2021-05-20 | 2021-08-24 | 国网山东省电力公司枣庄供电公司 | 电气设备故障诊断模型训练方法和电气设备故障诊断方法 |
| CN115731945A (zh) * | 2021-08-30 | 2023-03-03 | 丰田自动车株式会社 | 异常声音确定装置、异常声音确定方法以及异常声音确定程序 |
| CN115831833A (zh) * | 2021-09-17 | 2023-03-21 | 株式会社国际电气 | 基板处理方法、基板处理装置、半导体器件的制造方法及记录介质 |
| CN116394251A (zh) * | 2023-04-20 | 2023-07-07 | 中芯智达半导体科技(上海)有限公司 | 晶圆搬运机器人及其故障检测方法、半导体设备 |
| CN116551700A (zh) * | 2023-07-10 | 2023-08-08 | 泓浒(苏州)半导体科技有限公司 | 一种超高真空环境的晶圆传送机械臂控制***及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116810825A (zh) | 2023-09-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116810825B (zh) | 一种真空环境下晶圆传送机械臂异常监测方法及*** | |
| CN110991666B (zh) | 故障检测方法、模型的训练方法、装置、设备及存储介质 | |
| ES2947817T3 (es) | Método y sistema de supervisión del estado de un aerogenerador | |
| CN104350435B (zh) | 嵌置在可编程逻辑控制器的软件平台中的预报分析方法 | |
| CN112799898B (zh) | 基于分布式故障检测的互联***故障节点定位方法及*** | |
| WO2007008940A2 (en) | Intelligent condition-monitoring and dault diagnostic system | |
| WO2022100084A1 (zh) | 一种工业设备异常振动检测装置 | |
| WO2014117967A1 (en) | Method and apparatus for deriving diagnostic data about a technical system | |
| JPWO2014091952A1 (ja) | センサ監視装置、センサ監視方法、及びセンサ監視プログラム | |
| US10895873B2 (en) | Machine health monitoring of rotating machinery | |
| JP7238921B2 (ja) | 設備診断方法 | |
| CN115453356A (zh) | 一种动力设备运行状态监测分析方法、***、终端及介质 | |
| KR102545672B1 (ko) | 기계고장 진단 방법 및 장치 | |
| CN112733420A (zh) | 火电机组冷端***故障诊断方法、装置及电子设备 | |
| CN110119858A (zh) | 基于大数据的电网调度自动化***的数据质量评估方法 | |
| KR102561675B1 (ko) | 생산현장 가동 설비 상태 모니터링을 통한 고장진단 및 예측 시스템 | |
| CN103997126A (zh) | 一种基于开关量状态的故障诊断分级方法及*** | |
| KR102601338B1 (ko) | 유지보수 이력에 기반한 학습데이터를 이용하는 장비의 고장 예측 장치 및 방법 | |
| CN107024915B (zh) | 一种电网控制器板卡故障检测***及检测方法 | |
| CN114789468A (zh) | 一种自动故障检测及修复***、方法、设备及终端 | |
| CN106501360A (zh) | 基于自比较趋势分析和振动声学的瓷绝缘子缺陷检测装置、***及方法 | |
| CN110470383A (zh) | 一种基于声波监测和机器学习的机械构件运行状态的检测方法 | |
| CN115190039B (zh) | 一种设备健康评测方法、***、设备以及存储介质 | |
| CN108444405B (zh) | 一种单阳极导杆爪头形变在线检测*** | |
| CN105988099B (zh) | 电子式电压互感器的诊断方法及设备 |
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 |