CN117697765B - 基于传感反馈提高晶圆机械臂传送准确性的方法及*** - Google Patents
基于传感反馈提高晶圆机械臂传送准确性的方法及*** Download PDFInfo
- Publication number
- CN117697765B CN117697765B CN202410162887.8A CN202410162887A CN117697765B CN 117697765 B CN117697765 B CN 117697765B CN 202410162887 A CN202410162887 A CN 202410162887A CN 117697765 B CN117697765 B CN 117697765B
- Authority
- CN
- China
- Prior art keywords
- wafer
- reference object
- transmitted
- data
- ith
- 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
- 238000000034 method Methods 0.000 title claims abstract description 56
- 235000012431 wafers Nutrition 0.000 claims abstract description 317
- 230000005540 biological transmission Effects 0.000 claims abstract description 117
- 238000012546 transfer Methods 0.000 claims abstract description 72
- 238000010801 machine learning Methods 0.000 claims abstract description 52
- 238000012937 correction Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims description 28
- 238000012360 testing method Methods 0.000 claims description 22
- 230000002159 abnormal effect Effects 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 14
- 238000002372 labelling Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 4
- 238000013095 identification testing Methods 0.000 claims description 3
- 230000001953 sensory effect Effects 0.000 claims description 2
- 230000001960 triggered effect Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 11
- 230000009286 beneficial effect Effects 0.000 abstract description 5
- 239000011521 glass Substances 0.000 description 12
- 238000004519 manufacturing process Methods 0.000 description 6
- 230000005856 abnormality Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 239000012636 effector Substances 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 239000004065 semiconductor Substances 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000007637 random forest analysis Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000005394 sealing glass Substances 0.000 description 2
- 238000001179 sorption measurement Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Container, Conveyance, Adherence, Positioning, Of Wafer (AREA)
Abstract
本发明涉及机械臂控制技术领域,本发明公开了基于传感反馈提高晶圆机械臂传送准确性的方法及***,包括:将第i个待传送晶圆传送至目标位置,并记录实际位置;判断是否产生传送位置偏差,并获取产生传送位置偏差的影响因素,以及影响因素的影响值;获取晶圆传送数据,匹配对应预生成的第一机器学习模型,将晶圆传送数据和影响因素的影响值输入对应预生成的第一机器学习模型中,预测实际位置偏移数据;将晶圆传送数据和实际位置偏移数据输入预生成的第二机器学习模型中,获取修正传送路径,根据修正传送路径传送;重复上述过程,直至i或j=M时,结束循环,完成对M个待传送晶圆的精准传送;本发明有利于提高晶圆机械臂传送准确性。
Description
技术领域
本发明涉及机械臂控制技术领域,更具体地说,本发明涉及基于传感反馈提高晶圆机械臂传送准确性的方法及***。
背景技术
在半导体制造工业中,晶圆的传送和处理是一个至关重要的步骤,这需要高度精确的机械臂***来确保晶圆的安全传送和精准定位;晶圆机械臂***通常用于将晶圆从一个位置传送到另一个位置,例如从一个工作站到另一个工作站,或者从存储区域到加工设备;随着时间的推移,机械臂会出现各种老化(如机械臂磨损等)或突发性异常(如传感器失灵或环境条件变化等),对于老化问题,一般通过定期设备维护避免;而对于突发性异常需要实时监测才能发现;突发性异常常伴随着,细微因素的变化,这些细微因素的变化都有可能导致机械臂传送位置的准确性下降,进而引发晶圆在生产中的缺陷、损坏或不一致性,导致半导体产品的质量下降,废品率上升,降低了产品的可用性;因此,需要一种***和方法,能够确保晶圆在传送过程中的精确位置。
目前,缺乏提高晶圆机械臂传送准确性的方法或***,当然存在少量相关的文献,例如授权公告号为CN102315086B的中国专利公开了一种提高机械手臂运动准确性的装置和方法,上述方法虽能提高机械臂的移动准确性,但对上述方法以及现有技术进行研究和实际应用发现,上述方法以及现有技术至少存在以下部分缺陷:
(1)难以应用于机械臂的突发性异常监测,进而无法获取传送偏差因素和偏差数据,难以为提高机械臂传送准确性提供数据支持;
(2)存在重复控制问题,即若机械臂出现传送偏差,在每执行一次晶圆传送时,都要获取一次位置反馈和机械臂二次控制(注:一次控制是指晶圆在每传送一个晶圆时,根据预设路线对机械臂进行控制,使晶圆被传送至目标位置,而二次控制则是指在一次控制的基础上,再做二次线路规划,以消除产生的晶圆位置偏差),这大大增加了晶圆的传送时间,导致传送效率降低;无法对初始传送路径进行矫正,进一步地,无法在初始传送路径的基础上,进一步提高机械臂的传送准确性,进而难以保障晶圆在制造过程中的效率和稳定性,难以减少晶圆损坏的风险,易提高生产成本。
发明内容
为了克服现有技术的上述缺陷,本发明的实施例提供基于传感反馈提高晶圆机械臂传送准确性的方法及***。
为实现上述目的,本发明提供如下技术方案:
基于传感反馈提高晶圆机械臂传送准确性的方法,所述方法包括:
S101:通过初始传送路径将待传送晶圆批次中的第i个待传送晶圆传送至目标位置,并记录第i个待传送晶圆在抵达目标位置时的实际位置,i的初始值为1;
S102:依据目标位置和实际位置判断第i个待传送晶圆是否产生传送位置偏差,若未产生传送位置偏差,则令i=i+1,并返回步骤S101;若产生传送位置偏差,则将第i个待传送晶圆标记异常位置晶圆,并获取产生传送位置偏差的影响因素,以及影响因素的影响值;
S103:获取第j个待传送晶圆的晶圆传送数据,并匹配对应预生成的第一机器学习模型,将晶圆传送数据和影响因素的影响值输入对应预生成的第一机器学习模型中,预测第j个待传送晶圆的实际位置偏移数据,j为大于零的整数;
S104:将第j个待传送晶圆的晶圆传送数据和实际位置偏移数据输入预生成的第二机器学习模型中,获取第j个待传送晶圆的修正传送路径,根据修正传送路径将第j个待传送晶圆传送至目标位置,并令j=j+1, 并返回步骤S103;
S105:重复上述S101~S102,或重复上述S103~S104,直至i或j=M时,结束循环,完成对M个待传送晶圆的精准传送。
进一步地,所述待传送晶圆批次中包含M个待传送晶圆,i和M均为大于零的整数,i的初始值为1;
所述初始传送路径的获取逻辑如下:
获取第i个待传送晶圆的晶圆序号;
根据晶圆序号与初始传送路径的映射关系,确定第i个待传送晶圆的初始传送路径。
进一步地,所述判断第i个待传送晶圆是否产生传送位置偏差,包括:
提取第i个待传送晶圆的目标位置的坐标,以及通过传感设备获取第i个待传送晶圆的实际位置的坐标;
将目标位置的坐标作为第一坐标,以及将实际位置的坐标作为第二坐标;
通过欧几里得距离公式计算第一坐标与第二坐标的坐标距离,将坐标距离与预设坐标距离阈值进行比较,若坐标距离小于等于预设坐标距离阈值,则判定第i个待传送晶圆未产生传送位置偏差;若坐标距离大于预设坐标距离阈值,则判定第i个待传送晶圆产生传送位置偏差。
进一步地,所述判断第i个待传送晶圆是否产生传送位置偏差,还包括:
获取第i个待传送晶圆在实际位置上的参照物的图像,并根据参照物的图像确定第i个待传送晶圆的目标参照物;
获取第i个待传送晶圆在目标位置时离目标参照物的标准距离,以及获取第i个待传送晶圆在实际位置时离目标参照物的实际距离;
计算标准距离与实际距离的绝对差值,将绝对差值与预设绝对差阈值进行比较,若绝对差值小于等于预设绝对差阈值,则判定第i个待传送晶圆未产生传送位置偏差;若绝对差值大于预设绝对差阈值,则判定第i个待传送晶圆产生传送位置偏差。
进一步地,根据参照物的图像确定第i个待传送晶圆的目标参照物,包括:
a1:依照图像采集顺序获取第v个参照物的图像,v的初始值为1;
a2:将第v个参照物的图像输入预构建的参照物识别模型中,以获取第v个参照物的图像的识别结果;所述识别结果包括未遮挡的参照物、遮挡的参照物和非参照物;
a3:判断第v个参照物的图像的识别结果中是否存在未遮挡的参照物,若存在,则将第v个参照物的图像中未遮挡的参照物作为第i个待传送晶圆的目标参照物;若不存在,则令v=v+1,并返回步骤a1;
a4:重复上述步骤a1~a3,直至v=R时,结束循环,得到第i个待传送晶圆的目标参照物,R为大于零的整数。
进一步地,所述预构建的参照物识别模型的生成逻辑如下:
获取参照物识别历史数据,将参照物识别历史数据划分参照物识别训练集和参照物识别测试集;所述参照物识别历史数据中包括K参照物的图像及其对应的标注标签;所述标注标签将非参照物标注为“0”,将遮挡的参照物标注为“1”,以及将未遮挡的参照物标注为“2”,K为大于零的整数;
配置初始分类器,将参照物识别训练集中参照物的图像作为初始分类器的输入数据,将参照物识别训练集中对应的标注标签作为初始分类器的输出数据,对初始分类器进行训练,得到初始参照物识别网络;
利用参照物识别测试集对初始参照物识别网络进行模型验证,输出大于等于预设测试准确度的初始参照物识别网络作为预构建的参照物识别模型。
进一步地,所述实际位置偏移数据包括实际位置的偏移量和实际位置的偏移方向;所述晶圆传送数据包括起始位置、目标位置、障碍物位置、传送方向、传送速度和晶圆尺寸;
所述匹配对应预生成的第一机器学习模型,包括:提取影响因素,根据影响因素与预生成的第一机器学习模型的预设关系,确定对应预生成的第一机器学习模型。
进一步地,所述预生成的第二机器学习模型的生成逻辑如下:
获取修正路径历史数据,将修正路径历史数据划分为修正路径训练集和修正路径测试集;所述修正路径历史数据包括修正路径特征数据及其对应的修正传送路径;所述修正路径特征数据包括晶圆传送数据和实际位置偏移数据;
构建第二回归网络,将修正路径训练集中的修正路径特征数据作为第二回归网络的输入数据,将修正路径训练集中的修正传送路径作为第二回归网络的输出数据,对第二回归网络进行训练,得到初始第二回归网络;
利用修正路径测试集对初始第二回归网络进行模型验证,输出小于等于预设测试误差的初始第二回归网络作为预生成的第二机器学习模型。
基于传感反馈提高晶圆机械臂传送准确性的***,其用于上述任一所述基于传感反馈提高晶圆机械臂传送准确性的方法,其特征在于,包括:
数据获取模块,用于通过初始传送路径将待传送晶圆批次中的第i个待传送晶圆传送至目标位置,并记录第i个待传送晶圆在抵达目标位置时的实际位置;所述待传送晶圆批次中包含M个待传送晶圆,i和M均为大于零的整数,i的初始值为1;
偏差判断模块,用于依据目标位置和实际位置判断第i个待传送晶圆是否产生传送位置偏差,若未产生传送位置偏差,则令i=i+1,并触发数据获取模块;若产生传送位置偏差,则将第i个待传送晶圆标记异常位置晶圆,并获取产生传送位置偏差的影响因素,以及影响因素的影响值;
偏移预测模块,用于获取第j个待传送晶圆的晶圆传送数据,并匹配对应预生成的第一机器学习模型,将晶圆传送数据和影响因素的影响值输入对应预生成的第一机器学习模型中,预测第j个待传送晶圆的实际位置偏移数据,所述实际位置偏移数据包括实际位置的偏移量和实际位置的偏移方向,j为大于零的整数;
路径修正及控制模块,用于将第j个待传送晶圆的晶圆传送数据和实际位置偏移数据输入预生成的第二机器学习模型中,获取第j个待传送晶圆的修正传送路径,根据修正传送路径将第j个待传送晶圆传送至目标位置,并令j=j+1, 并触发偏移预测模块;
自适应循环控制模块,用于重复上述数据获取模块至偏差判断模块,或重复上述偏移预测模块至路径修正及控制模块,直至i或j=M时,结束循环,完成对M个待传送晶圆的精准传送。
一种电子设备,包括存储器、处理器以及存储在存储器上并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上述任一项所述基于传感反馈提高晶圆机械臂传送准确性的方法。
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上述任一项所述基于传感反馈提高晶圆机械臂传送准确性的方法。
相比于现有技术,本发明的有益效果在于:
本申请公开了基于传感反馈提高晶圆机械臂传送准确性的方法及***,将第i个待传送晶圆传送至目标位置,并记录实际位置;判断是否产生传送位置偏差,并获取产生传送位置偏差的影响因素,以及影响因素的影响值;获取晶圆传送数据,匹配对应预生成的第一机器学习模型,将晶圆传送数据和影响因素的影响值输入对应预生成的第一机器学习模型中,预测实际位置偏移数据;将晶圆传送数据和实际位置偏移数据输入预生成的第二机器学习模型中,获取修正传送路径,根据修正传送路径传送;重复上述过程,直至i或j=M时,结束循环,完成对M个待传送晶圆的精准传送;基于上述过程,本发明能够应用于机械臂的突发性异常监测,并及时获取传送偏差因素和偏差数据,有利于为提高机械臂传送准确性提供数据支持;进一步,避免了机械臂重复执行二次控制的问题,有利于极大程度降低晶圆的传送时间,提高传送效率,同时有利于进一步提高机械臂的传送准确性。
附图说明
图1为本发明提供的基于传感反馈提高晶圆机械臂传送准确性的方法的示意图;
图2为本发明提供的基于传感反馈提高晶圆机械臂传送准确性的***的示意图;
图3为本发明提供的一种电子设备的结构示意图;
图4为本发明提供的一种计算机可读存储介质的结构示意图。
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所示,本实施例公开提供了基于传感反馈提高晶圆机械臂传送准确性的方法,所述方法包括:
S101:通过初始传送路径将待传送晶圆批次中的第i个待传送晶圆传送至目标位置,并记录第i个待传送晶圆在抵达目标位置时的实际位置;所述待传送晶圆批次中包含M个待传送晶圆,i和M均为大于零的整数,i的初始值为1;
在实施中,所述初始传送路径的获取逻辑如下:
获取第i个待传送晶圆的晶圆序号;
根据晶圆序号与初始传送路径的映射关系,确定第i个待传送晶圆的初始传送路径;
应当明白的是:每个待传送晶圆均被事先设定了唯一的晶圆序号,且在***数据库中存储了多条晶圆序号与初始传送路径的映射关系,每个晶圆序号均与一条初始传送路径相关联绑定;示例性解释就是,假设待传送晶圆批次中存在三个待传送晶圆,分别为W1、W2和W3,且W1被赋予的序号为U1,W2被赋予的序号为U2,W3被赋予的序号为U3,且U1相关联绑定的初始传送路径为L1,U2相关联绑定的初始传送路径为L2,U3相关联绑定的初始传送路径为L3,则通过初始传送路径L1将待传送晶圆W1传送至目标位置,通过初始传送路径L2将待传送晶圆W2传送至目标位置,通过初始传送路径L3将待传送晶圆W3传送至目标位置;
还应当明白的是:每个待传送晶圆的初始传送路径通过预训练的机器学习模型输出或人为规划得到;所述预训练的机器学习模型可为现有技术中任何一种用于晶圆传送的路径生成模型;可以理解的是,任何能够生成晶圆传送路径的机器学习模型都可作为本发明中的预训练的机器学习模型,初始传送路径并非本发明重点,在此不再过多赘述;
S102:依据目标位置和实际位置判断第i个待传送晶圆是否产生传送位置偏差,若未产生传送位置偏差,则令i=i+1,并返回步骤S101;若产生传送位置偏差,则将第i个待传送晶圆标记异常位置晶圆,并获取产生传送位置偏差的影响因素,以及影响因素的影响值;
在一个具体实施方式中,所述判断第i个待传送晶圆是否产生传送位置偏差,包括:
提取第i个待传送晶圆的目标位置的坐标,以及通过传感设备获取第i个待传送晶圆的实际位置的坐标;
应当明白的是:在***数据库中事先存储了待传送晶圆批次中每个待传送晶圆的目标位置的坐标,每个待传送晶圆的目标位置的坐标均通过事先人为或程序设定确定;还应当明白的是:第i个待传送晶圆的实际位置的坐标通过传感器设备采集得到,所述传感器设备包括但不限于电容传感器、超声波传感器或工业相机等中的一种;
将目标位置的坐标作为第一坐标,以及将实际位置的坐标作为第二坐标;
通过欧几里得距离公式计算第一坐标与第二坐标的坐标距离,将坐标距离与预设坐标距离阈值进行比较,若坐标距离小于等于预设坐标距离阈值,则判定第i个待传送晶圆未产生传送位置偏差;若坐标距离大于预设坐标距离阈值,则判定第i个待传送晶圆产生传送位置偏差;
需要解释的是:目标位置的坐标是指第i个待传送晶圆的晶圆圆心应当被机械臂传送到事先设定位置的三维坐标;相应地,实际位置的坐标则是指第i个待传送晶圆的晶圆圆心被机械臂传送到事先设定位置时,利用传感器设备采集到的三维坐标;欧几里得距离公式的公式内容为:;式中:/>为坐标距离,/>为第一坐标,/>为第二坐标;
在另一个具体实施方式中,所述判断第i个待传送晶圆是否产生传送位置偏差,还包括:
获取第i个待传送晶圆在实际位置上的参照物的图像,并根据参照物的图像确定第i个待传送晶圆的目标参照物;
需要说明的是:所述参照物的图像通过利用设置于机械臂末端执行器上的工业相机采集得到;所述参照物存在R个,R为大于零的整数,其通过事先人为设定得到,所述参照物包括但不限于传送场景中的固定设备或封闭玻璃等;
在实施中,根据参照物的图像确定第i个待传送晶圆的目标参照物,包括:
a1:依照图像采集顺序获取第v个参照物的图像,v的初始值为1;
a2:将第v个参照物的图像输入预构建的参照物识别模型中,以获取第v个参照物的图像的识别结果;所述识别结果包括未遮挡的参照物、遮挡的参照物和非参照物;
具体的,所述预构建的参照物识别模型的生成逻辑如下:
获取参照物识别历史数据,将参照物识别历史数据划分参照物识别训练集和参照物识别测试集;所述参照物识别历史数据中包括K参照物的图像及其对应的标注标签;所述标注标签将非参照物标注为“0”,将遮挡的参照物标注为“1”,以及将未遮挡的参照物标注为“2”,K为大于零的整数;
配置初始分类器,将参照物识别训练集中参照物的图像作为初始分类器的输入数据,将参照物识别训练集中对应的标注标签作为初始分类器的输出数据,对初始分类器进行训练,得到初始参照物识别网络;
利用参照物识别测试集对初始参照物识别网络进行模型验证,输出大于等于预设测试准确度的初始参照物识别网络作为预构建的参照物识别模型;
需要说明的是:所述初始分类器具体为决策树分类、随机森林分类、支持向量机分类、CNN神经网络或RNN神经网络等模型中的具体一种;
a3:判断第v个参照物的图像的识别结果中是否存在未遮挡的参照物,若存在,则将第v个参照物的图像中未遮挡的参照物作为第i个待传送晶圆的目标参照物;若不存在,则令v=v+1,并返回步骤a1;
a4:重复上述步骤a1~a3,直至v=R时,结束循环,得到第i个待传送晶圆的目标参照物,R为大于零的整数;
针对上述内容进行示例性说明就是:假设参照物为封闭玻璃(注:在封闭的晶圆传送场景中,通常由5面封闭玻璃组成一个洁净的晶圆传送空间);所述封闭玻璃分别包括第一面玻璃、第二面玻璃、第三面玻璃、第四面玻璃和第五面玻璃,且假设每面的封边玻璃均可作为一个参照物;在以工业相机为基准中心采集第1个参照物的图像(所述第1个参照物为第一面玻璃)时,将采集到第1个参照物的图像输入预构建的参照物识别模型中,若得到识别结果为未遮挡的参照物,则将第1个参照物的图像中的第一面玻璃作为第i个待传送晶圆的目标参照物;相应地,若在以工业相机为基准中心采集第2个参照物的图像(所述第2个参照物为第二面玻璃)时,将采集到第2个参照物的图像输入预构建的参照物识别模型中,若得到识别结果为未遮挡的参照物,则将第2个参照物的图像中的第二面玻璃作为第i个待传送晶圆的目标参照物,以此类推;可以理解的是,目标参照物根据被识别参照物的图像的输入顺序确定,所述输入顺序可以为随机顺序,也可以为实现设定的输入顺序;
获取第i个待传送晶圆在目标位置时离目标参照物的标准距离,以及获取第i个待传送晶圆在实际位置时离目标参照物的实际距离;
应当了解的是:每个参照物离目标位置的距离被标记为标准距离,并预存于***数据库中;第i个待传送晶圆在实际位置时离目标参照物的实际距离,通过设置于机械臂末端执行器上的测距传感器采集得到,所述测距传感器具体为激光测距仪或超声波测距仪中的一种;还应当明白的是,参照物存在多个,因此,在实际应用场景中,不会存在找不到目标参照物的情况;
计算标准距离与实际距离的绝对差值,将绝对差值与预设绝对差阈值进行比较,若绝对差值小于等于预设绝对差阈值,则判定第i个待传送晶圆未产生传送位置偏差;若绝对差值大于预设绝对差阈值,则判定第i个待传送晶圆产生传送位置偏差;
需要说明的是:在获取产生传送位置偏差的影响因素之后,包括:提取第一坐标与第二坐标的坐标距离,或提取标准距离与实际距离的绝对差值;根据坐标距离控制机械臂对异常位置晶圆进行二次位置调整,以消除异常位置晶圆产生的传送位置偏差;或根据绝对差值控制机械臂对异常位置晶圆进行二次位置调整,以消除异常位置晶圆产生的传送位置偏差;可以理解的是,当发现异常位置晶圆时,该晶圆已经被移动而无法再对其的初始传送路径进行修正,因此需要对其所在位置进行二次调整,但后续的待传送晶圆,则可直接按照修正传送路径将其准确地传送至原定的目标位置;
在实施中,获取产生传送位置偏差的影响因素,包括:
获取异常位置晶圆在被机械臂传送时的实测参数数据集,以及设定参数数据集;所述实测参数数据集中存在多个实测参数元素,包括但不限于实测气压值、实测温度值、实测速度值、传送带的实测张力值、末端执行器的实测吸附坐标和机器臂的实测振动值等;所述设定参数数据集中存在多个设定参数元素,包括但不限于设定气压值、设定温度值、设定速度值、传送带设定张力值、末端执行器的设定吸附坐标和机器臂的设定振动值等;
需要说明的是:所述实测参数数据集中的每个实测参数元素的数值通过各类传感器采集得到,各类所述传感器包括但不限于温度传感器、振动传感器、速度传感器和张力传感器等等;所述设定参数数据集中的每个设定参数元素的数值通过事先实验得到,每个设定参数元素的数值代表了机械臂在未发生异常时的各项标准运行值;
将实测参数数据集中的每一实测参数元素与设定参数数据集中的对应设定参数元素进行比较,计算对应实测参数元素与设定参数元素的数据差值,得到S个数据差值,S为大于零的整数;
将每个数据差值与预设数据差值区间进行比对,若数据差值不属于预设数据差值区间,则将数据差值对应的参数元素作为产生传送位置偏差的影响因素,并将数据差值记作影响因素的影响值;若数据差值属于预设数据差值区间,则不将数据差值对应的参数元素作为产生传送位置偏差的影响因素;
应当明白的是:预设数据差值区间存在若干个,且均预存于***数据库中;可以理解的是,每个类型的数据差值均对应有一个预设数据差值区间;
针对上述内容进行示例性说明就是:假设通过判断过程发现异常位置晶圆,且在通过初始传送路径对异常位置晶圆时,采集到机械臂的实测速度值为150厘米/秒,而设定速度值为205厘米/秒,则实测速度值与设定速度值的数据差值为55厘米/秒,进一步假设,速度差值区间为[10厘米/秒,50厘米/秒],则通过归属判断可知,实测速度值与设定速度值的数据差值不属于速度差值区间,因而,则将速度参数因素作为产生传送位置偏差的影响因素;进一步地,将数据差值55厘米/秒记作影响因素的影响值;
S103:获取第j个待传送晶圆的晶圆传送数据,并匹配对应预生成的第一机器学习模型,将晶圆传送数据和影响因素的影响值输入对应预生成的第一机器学习模型中,预测第j个待传送晶圆的实际位置偏移数据,所述实际位置偏移数据包括实际位置的偏移量和实际位置的偏移方向,j为大于零的整数;
具体的,所述晶圆传送数据包括起始位置、目标位置、障碍物位置、传送方向、传送速度和晶圆尺寸;每个待传送晶圆的晶圆传送数据均事先预存于***数据库中,其中,所述传送方向具体为时钟方向,如:1点方向、12点方向和3点方向等等;
需要说明的是:所述j的初始值为i+1;示例性解释就是:假设存在一个晶圆盒,在晶圆盒中存在10个待传送晶圆,则该10个待传送晶圆被作为一个待传送晶圆批次,即一个晶圆盒中的所有待传送晶圆被作为一个待传送晶圆批次,此时M=10;进一步假设,若第5个待传送晶圆在通过传感器被检测出第一次产生传送位置偏差,则令第i+1个待传送晶圆为第j个待传送晶圆,即此时j的初始值为6;相应地,若第8个待传送晶圆被传感器检测出第一次产生传送位置偏差,则令第i+1个待传送晶圆为第j个待传送晶圆,即此时j的初始值为9;进一步地,可以理解的是,当j的初始值为6时,则7-10位的待传送晶圆,则通过修正传送路径将其传送至目标位置;通过修正传送路径将剩余的待传送晶圆传送至目标位置,本发明有利于避免重复二次控制问题,进而有利于在提高晶圆传送效率的同时,进一步提高晶圆被机械臂传送的准确性,进而有利于保障晶圆在制造过程中的效率和稳定性,减少晶圆损坏的风险,降低生产成本;
具体的,所述匹配对应预生成的第一机器学习模型,包括:提取影响因素,根据影响因素与预生成的第一机器学习模型的预设关系,确定对应预生成的第一机器学习模型;
可以理解的是:在***数据库中预存有多个预生成的第一机器学习模型;每个预生成的第一机器学习模型均与一类影响因素相关联绑定;
需要说明的是,为方便理解并保证公开充分,本实施例将公开提供与影响因素为速度参数因素相关联的第一机器学习模型的生成过程;所述预生成的第一机器学习模型的生成逻辑如下:获取位置偏移历史数据,将位置偏移历史数据划分为位置偏移训练集和位置偏移测试集;所述位置偏移历史数据包括位置偏移特征数据及其对应的实际位置偏移数据;所述实际位置偏移数据包括晶圆传送数据和影响因素的影响值;在与影响因素为速度参数因素相关联的第一机器学习模型中,其影响因素的影响值为实测速度值与设定速度值的数据差值;构建第一回归网络,将位置偏移训练集中的位置偏移特征数据作为第一回归网络的输入数据,将位置偏移训练集中的实际位置偏移数据作为第一回归网络的输出数据,对第一回归网络进行训练,得到初始第一回归网络;利用位置偏移测试集对初始第一回归网络进行模型验证,输出小于等于预设测试误差的初始第一回归网络作为预生成的第一机器学习模型;
需要说明的是:不同类型影响因素相关联的第一机器学习模型的生成过程,同上述与影响因素为速度参数因素相关联的第一机器学习模型的生成过程;不同的是,不同类型影响因素相关联的第一机器学习模型的影响值存在差异;还需要说明的是:所述第一回归网络具体为决策树回归、随机森林回归、多项式回归、支持向量机回归或神经网络等模型中的具体一种;
S104:将第j个待传送晶圆的晶圆传送数据和实际位置偏移数据输入预生成的第二机器学习模型中,获取第j个待传送晶圆的修正传送路径,根据修正传送路径将第j个待传送晶圆传送至目标位置,并令j=j+1, 并返回步骤S103;
在实施中,所述预生成的第二机器学习模型的生成逻辑如下:
获取修正路径历史数据,将修正路径历史数据划分为修正路径训练集和修正路径测试集;所述修正路径历史数据包括修正路径特征数据及其对应的修正传送路径;所述修正路径特征数据包括晶圆传送数据和实际位置偏移数据;
构建第二回归网络,将修正路径训练集中的修正路径特征数据作为第二回归网络的输入数据,将修正路径训练集中的修正传送路径作为第二回归网络的输出数据,对第二回归网络进行训练,得到初始第二回归网络;
利用修正路径测试集对初始第二回归网络进行模型验证,输出小于等于预设测试误差的初始第二回归网络作为预生成的第二机器学习模型;
需要说明的是:修正路径历史数据中的修正传送路径通过具体实验过程得到;同上述第一回归网络,所述第二回归网络具体为决策树回归、随机森林回归、多项式回归、支持向量机回归或神经网络等模型中的具体一种;
应当明白的是:当通过修正传送路径将第j个待传送晶圆传送至目标位置时,则说明用于传送晶圆的机械臂,已经产生了造成晶圆传送位置偏差的突发性的异常,即突发性的异常并不会造成机械臂的停机,而是会影响机械臂传送晶圆的位置准确度;例如,温度的急剧变化可能会导致材料膨胀或收缩,这可能会影响机械臂的结构和传动***,从而影响位置准确度;还例如,机械臂使用液压或气压***来控制运动,若出现污染物堵塞管道,则机械臂的末端吸嘴的压力会因外部因素出现变化,导致晶圆运动不稳定,从而影响位置准确度;
S105:重复上述S101~S102,或重复上述S103~S104,直至i或j=M时,结束循环,完成对M个待传送晶圆的精准传送;
应当明白的是:当未发现异常位置晶圆时,则所有的待传送晶圆均通过初始传送路径进行传送,即重复上述S101~S102;而一旦发现异常位置晶圆,则除异常位置晶圆外,剩余的待传送晶圆均通过修正传送路径进行传送,并重复上述S103~S104;
示例性说明就是:承接上述假设,存在一个晶圆盒,在晶圆盒中存在10个待传送晶圆,该10个待传送晶圆的序号依次为U1、U2、U3、…、U10;首先通过初始传送路径将待传送晶圆批次中的第1个待传送晶圆(即U1)传送至目标位置,在当U1被传送至目标位置后,依据目标位置和实际位置判断U1是否产生传送位置偏差,若未产生传送位置偏差,则重复上述S101~S102,直至发现异常位置晶圆或待传送晶圆为U10时停止;若发现异常位置晶圆,假设异常位置晶圆为U2,则从U3起,通过修正传送路径进行传送,并重复上述S103~S104,直至传送晶圆为U10时停止;
通过上述过程,本发明能够应用于机械臂的突发性异常监测,并及时获取传送偏差因素和偏差数据,有利于为提高机械臂传送准确性提供数据支持;进一步地,避免了机械臂重复执行二次控制的问题,有利于极大程度降低晶圆的传送时间,提高传送效率,同时有利于进一步提高机械臂的传送准确性。
实施例2
请参阅图2所示,参照上述实施例1,基于同一发明构思,本实施例公开提供了基于传感反馈提高晶圆机械臂传送准确性的***,本实施例未详细叙述部分参见上述实施例1的描述内容,所述***包括:
数据获取模块210,用于通过初始传送路径将待传送晶圆批次中的第i个待传送晶圆传送至目标位置,并记录第i个待传送晶圆在抵达目标位置时的实际位置;所述待传送晶圆批次中包含M个待传送晶圆,i和M均为大于零的整数,i的初始值为1;
偏差判断模块220,用于依据目标位置和实际位置判断第i个待传送晶圆是否产生传送位置偏差,若未产生传送位置偏差,则令i=i+1,并触发数据获取模块210;若产生传送位置偏差,则将第i个待传送晶圆标记异常位置晶圆,并获取产生传送位置偏差的影响因素,以及影响因素的影响值;
偏移预测模块230,用于获取第j个待传送晶圆的晶圆传送数据,并匹配对应预生成的第一机器学习模型,将晶圆传送数据和影响因素的影响值输入对应预生成的第一机器学习模型中,预测第j个待传送晶圆的实际位置偏移数据,所述实际位置偏移数据包括实际位置的偏移量和实际位置的偏移方向,j为大于零的整数;
路径修正及控制模块240,用于将第j个待传送晶圆的晶圆传送数据和实际位置偏移数据输入预生成的第二机器学习模型中,获取第j个待传送晶圆的修正传送路径,根据修正传送路径将第j个待传送晶圆传送至目标位置,并令j=j+1, 并触发偏移预测模块230;
自适应循环控制模块250,用于重复上述数据获取模块210至偏差判断模块220,或重复上述偏移预测模块230至路径修正及控制模块240,直至i或j=M时,结束循环,完成对M个待传送晶圆的精准传送。
实施例3
请参阅图3所示,本实施例公开提供了一种电子设备,包括存储器、处理器以及存储在存储器上并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上述各方法所提供的任一项所述基于传感反馈提高晶圆机械臂传送准确性的方法。
由于本实施例所介绍的电子设备为实施本申请实施例中基于传感反馈提高晶圆机械臂传送准确性的方法所采用的电子设备,故而基于本申请实施例中所介绍的基于传感反馈提高晶圆机械臂传送准确性的方法,本领域所属技术人员能够了解本实施例的电子设备的具体实施方式以及其各种变化形式,所以在此对于该电子设备如何实现本申请实施例中的方法不再详细介绍。只要本领域所属技术人员实施本申请实施例中基于传感反馈提高晶圆机械臂传送准确性的方法所采用的电子设备,都属于本申请所欲保护的范围。
实施例4
请参阅图4所示,本实施例公开提供了一种计算机可读存储介质,包括存储器、处理器以及存储在存储器上并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上述各方法所提供的任一项所述基于传感反馈提高晶圆机械臂传送准确性的方法。
上述实施例,可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时,上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线网络或无线网络方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如,软盘、硬盘、磁带)、光介质(例如,DVD)或者半导体介质。半导体介质可以是固态硬盘。
本领域普通技术人员可意识到,结合本发明中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本发明所提供的几个实施例中,应该理解到,所揭露的***、装置和方法,可以通过其他的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其他的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
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。
Claims (9)
1.基于传感反馈提高晶圆机械臂传送准确性的方法,其特征在于,所述方法包括:
S101:通过初始传送路径将待传送晶圆批次中的第i个待传送晶圆传送至目标位置,并记录第i个待传送晶圆在抵达目标位置时的实际位置,i的初始值为1;
S102:依据目标位置和实际位置判断第i个待传送晶圆是否产生传送位置偏差,若未产生传送位置偏差,则令i=i+1,并返回步骤S101;若产生传送位置偏差,则将第i个待传送晶圆标记异常位置晶圆,并获取产生传送位置偏差的影响因素,以及影响因素的影响值;
S103:获取第j个待传送晶圆的晶圆传送数据,并匹配对应预生成的第一机器学习模型,将晶圆传送数据和影响因素的影响值输入对应预生成的第一机器学习模型中,预测第j个待传送晶圆的实际位置偏移数据,j为大于零的整数;
S104:将第j个待传送晶圆的晶圆传送数据和实际位置偏移数据输入预生成的第二机器学习模型中,获取第j个待传送晶圆的修正传送路径,根据修正传送路径将第j个待传送晶圆传送至目标位置,并令j=j+1, 并返回步骤S103;
S105:重复上述S101~S102,或重复上述S103~S104,直至i或j=M时,结束循环,完成对M个待传送晶圆的精准传送;
所述待传送晶圆批次中包含M个待传送晶圆,i和M均为大于零的整数,i的初始值为1;
所述初始传送路径的获取逻辑如下:
获取第i个待传送晶圆的晶圆序号;
根据晶圆序号与初始传送路径的映射关系,确定第i个待传送晶圆的初始传送路径;
所述判断第i个待传送晶圆是否产生传送位置偏差,包括:
提取第i个待传送晶圆的目标位置的坐标,以及通过传感设备获取第i个待传送晶圆的实际位置的坐标;
将目标位置的坐标作为第一坐标,以及将实际位置的坐标作为第二坐标;
通过欧几里得距离公式计算第一坐标与第二坐标的坐标距离,将坐标距离与预设坐标距离阈值进行比较,若坐标距离小于等于预设坐标距离阈值,则判定第i个待传送晶圆未产生传送位置偏差;若坐标距离大于预设坐标距离阈值,则判定第i个待传送晶圆产生传送位置偏差。
2.根据权利要求1所述的基于传感反馈提高晶圆机械臂传送准确性的方法,其特征在于,所述判断第i个待传送晶圆是否产生传送位置偏差,还包括:
获取第i个待传送晶圆在实际位置上的参照物的图像,并根据参照物的图像确定第i个待传送晶圆的目标参照物;
获取第i个待传送晶圆在目标位置时离目标参照物的标准距离,以及获取第i个待传送晶圆在实际位置时离目标参照物的实际距离;
计算标准距离与实际距离的绝对差值,将绝对差值与预设绝对差阈值进行比较,若绝对差值小于等于预设绝对差阈值,则判定第i个待传送晶圆未产生传送位置偏差;若绝对差值大于预设绝对差阈值,则判定第i个待传送晶圆产生传送位置偏差。
3.根据权利要求2所述的基于传感反馈提高晶圆机械臂传送准确性的方法,其特征在于,根据参照物的图像确定第i个待传送晶圆的目标参照物,包括:
a1:依照图像采集顺序获取第v个参照物的图像,v的初始值为1;
a2:将第v个参照物的图像输入预构建的参照物识别模型中,以获取第v个参照物的图像的识别结果;所述识别结果包括未遮挡的参照物、遮挡的参照物和非参照物;
a3:判断第v个参照物的图像的识别结果中是否存在未遮挡的参照物,若存在,则将第v个参照物的图像中未遮挡的参照物作为第i个待传送晶圆的目标参照物;若不存在,则令v=v+1,并返回步骤a1;
a4:重复上述步骤a1~a3,直至v=R时,结束循环,得到第i个待传送晶圆的目标参照物,R为大于零的整数。
4.根据权利要求3所述的基于传感反馈提高晶圆机械臂传送准确性的方法,其特征在于,所述预构建的参照物识别模型的生成逻辑如下:
获取参照物识别历史数据,将参照物识别历史数据划分参照物识别训练集和参照物识别测试集;所述参照物识别历史数据中包括K参照物的图像及其对应的标注标签;所述标注标签将非参照物标注为“0”,将遮挡的参照物标注为“1”,以及将未遮挡的参照物标注为“2”,K为大于零的整数;
配置初始分类器,将参照物识别训练集中参照物的图像作为初始分类器的输入数据,将参照物识别训练集中对应的标注标签作为初始分类器的输出数据,对初始分类器进行训练,得到初始参照物识别网络;
利用参照物识别测试集对初始参照物识别网络进行模型验证,输出大于等于预设测试准确度的初始参照物识别网络作为预构建的参照物识别模型。
5.根据权利要求4所述的基于传感反馈提高晶圆机械臂传送准确性的方法,其特征在于,所述实际位置偏移数据包括实际位置的偏移量和实际位置的偏移方向;所述晶圆传送数据包括起始位置、目标位置、障碍物位置、传送方向、传送速度和晶圆尺寸;
所述匹配对应预生成的第一机器学习模型,包括:提取影响因素,根据影响因素与预生成的第一机器学习模型的预设关系,确定对应预生成的第一机器学习模型。
6.根据权利要求5所述的基于传感反馈提高晶圆机械臂传送准确性的方法,其特征在于,所述预生成的第二机器学习模型的生成逻辑如下:
获取修正路径历史数据,将修正路径历史数据划分为修正路径训练集和修正路径测试集;所述修正路径历史数据包括修正路径特征数据及其对应的修正传送路径;所述修正路径特征数据包括晶圆传送数据和实际位置偏移数据;
构建第二回归网络,将修正路径训练集中的修正路径特征数据作为第二回归网络的输入数据,将修正路径训练集中的修正传送路径作为第二回归网络的输出数据,对第二回归网络进行训练,得到初始第二回归网络;
利用修正路径测试集对初始第二回归网络进行模型验证,输出小于等于预设测试误差的初始第二回归网络作为预生成的第二机器学习模型。
7.基于传感反馈提高晶圆机械臂传送准确性的***,其用于实现权利要求1-6任一所述基于传感反馈提高晶圆机械臂传送准确性的方法,其特征在于,包括:
数据获取模块,用于通过初始传送路径将待传送晶圆批次中的第i个待传送晶圆传送至目标位置,并记录第i个待传送晶圆在抵达目标位置时的实际位置;所述待传送晶圆批次中包含M个待传送晶圆,i和M均为大于零的整数,i的初始值为1;
偏差判断模块,用于依据目标位置和实际位置判断第i个待传送晶圆是否产生传送位置偏差,若未产生传送位置偏差,则令i=i+1,并触发数据获取模块;若产生传送位置偏差,则将第i个待传送晶圆标记异常位置晶圆,并获取产生传送位置偏差的影响因素,以及影响因素的影响值;
偏移预测模块,用于获取第j个待传送晶圆的晶圆传送数据,并匹配对应预生成的第一机器学习模型,将晶圆传送数据和影响因素的影响值输入对应预生成的第一机器学习模型中,预测第j个待传送晶圆的实际位置偏移数据,所述实际位置偏移数据包括实际位置的偏移量和实际位置的偏移方向,j为大于零的整数;
路径修正及控制模块,用于将第j个待传送晶圆的晶圆传送数据和实际位置偏移数据输入预生成的第二机器学习模型中,获取第j个待传送晶圆的修正传送路径,根据修正传送路径将第j个待传送晶圆传送至目标位置,并令j=j+1, 并触发偏移预测模块;
自适应循环控制模块,用于重复上述数据获取模块至偏差判断模块,或重复上述偏移预测模块至路径修正及控制模块,直至i或j=M时,结束循环,完成对M个待传送晶圆的精准传送。
8.一种电子设备,包括存储器、处理器以及存储在存储器上并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至6任一项所述基于传感反馈提高晶圆机械臂传送准确性的方法。
9.一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至6任一项所述基于传感反馈提高晶圆机械臂传送准确性的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410162887.8A CN117697765B (zh) | 2024-02-05 | 2024-02-05 | 基于传感反馈提高晶圆机械臂传送准确性的方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410162887.8A CN117697765B (zh) | 2024-02-05 | 2024-02-05 | 基于传感反馈提高晶圆机械臂传送准确性的方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117697765A CN117697765A (zh) | 2024-03-15 |
CN117697765B true CN117697765B (zh) | 2024-04-16 |
Family
ID=90162851
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410162887.8A Active CN117697765B (zh) | 2024-02-05 | 2024-02-05 | 基于传感反馈提高晶圆机械臂传送准确性的方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117697765B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101770969A (zh) * | 2008-12-31 | 2010-07-07 | 台湾积体电路制造股份有限公司 | 机械手臂的末端执行器及其制作方式 |
CN104123500A (zh) * | 2014-07-22 | 2014-10-29 | 卢永强 | 一种基于深度学***台恶意应用检测方法及装置 |
CN109760051A (zh) * | 2019-01-16 | 2019-05-17 | 哈尔滨工业大学 | 一种绳驱超冗余自由度机器人的绳索长度变化确定方法 |
US11757378B1 (en) * | 2022-06-06 | 2023-09-12 | Taiwan Semiconductor Manufacturing Company, Ltd. | Micromechanical arm array in micro-electromechanical system (MEMS) actuators |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2990669A1 (en) * | 2017-01-03 | 2018-07-03 | A&K Robotics Inc. | Methods and systems for dispatching assistance to robots |
-
2024
- 2024-02-05 CN CN202410162887.8A patent/CN117697765B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101770969A (zh) * | 2008-12-31 | 2010-07-07 | 台湾积体电路制造股份有限公司 | 机械手臂的末端执行器及其制作方式 |
CN104123500A (zh) * | 2014-07-22 | 2014-10-29 | 卢永强 | 一种基于深度学***台恶意应用检测方法及装置 |
CN109760051A (zh) * | 2019-01-16 | 2019-05-17 | 哈尔滨工业大学 | 一种绳驱超冗余自由度机器人的绳索长度变化确定方法 |
US11757378B1 (en) * | 2022-06-06 | 2023-09-12 | Taiwan Semiconductor Manufacturing Company, Ltd. | Micromechanical arm array in micro-electromechanical system (MEMS) actuators |
Also Published As
Publication number | Publication date |
---|---|
CN117697765A (zh) | 2024-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10350752B2 (en) | Robot system, measurement data processing device and measurement data processing method for picking out workpiece using measurement data corrected by means of machine learning | |
US8923602B2 (en) | Automated guidance and recognition system and method of the same | |
US9610688B2 (en) | Robot program generation apparatus generating robot program for reducing jerks of joints of robot | |
US10940585B2 (en) | Vibration suppression device | |
US20220363487A1 (en) | Conveyance abnormality prediction system | |
CN101508111A (zh) | 使用照相机用于机械手校准的方法和*** | |
CN111095139B (zh) | 一种用于检测机器的异常状态的方法和*** | |
US20210146546A1 (en) | Method to control a robot in the presence of human operators | |
CN117080139B (zh) | 基于真空吸附技术的晶圆传送控制方法及传送控制*** | |
CN117697765B (zh) | 基于传感反馈提高晶圆机械臂传送准确性的方法及*** | |
CN117358615B (zh) | 一种自动喷码印刷缺陷检测方法及*** | |
US20210031365A1 (en) | System and method for predicting robotic tasks with deep learning | |
CN117572863A (zh) | 用于变电站机器人的路径优化方法及*** | |
EP4051464A1 (en) | System and method for online optimization of sensor fusion model | |
US11059171B2 (en) | Method and apparatus for optimizing a target working line | |
US11673264B2 (en) | System and method for robotic assembly based on adaptive compliance | |
US20210318663A1 (en) | Method for Operating a System | |
CN110597698B (zh) | 用于分析至少一个异常的原因的方法 | |
WO2021211547A1 (en) | Recovery system and method using multiple sensor inputs | |
CN113370203A (zh) | 机器人控制方法、装置、计算机设备及存储介质 | |
CN113366528B (zh) | 检查*** | |
CN117681214B (zh) | 基于晶圆传送的多机械臂碰撞预警方法及*** | |
EP4075221A1 (en) | Simulation process of a manufacturing system | |
Shishodia | Anomaly Detection in Workstation Using Deep Learning Techniques | |
KR102533434B1 (ko) | 웨이퍼 박막 측정을 위한 로봇 매니퓰레이터의 위치 제어 장치 및 방법 |
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 |