KR102597583B1 - Device and method for diagnosing abnormalities in transfer robots - Google Patents
Device and method for diagnosing abnormalities in transfer robots Download PDFInfo
- Publication number
- KR102597583B1 KR102597583B1 KR1020200186271A KR20200186271A KR102597583B1 KR 102597583 B1 KR102597583 B1 KR 102597583B1 KR 1020200186271 A KR1020200186271 A KR 1020200186271A KR 20200186271 A KR20200186271 A KR 20200186271A KR 102597583 B1 KR102597583 B1 KR 102597583B1
- Authority
- KR
- South Korea
- Prior art keywords
- data
- awc
- transfer robot
- clause
- input
- Prior art date
Links
- 238000012546 transfer Methods 0.000 title claims abstract description 60
- 230000005856 abnormality Effects 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims description 64
- 238000007405 data analysis Methods 0.000 claims abstract description 36
- 239000000758 substrate Substances 0.000 claims abstract description 16
- 230000036962 time dependent Effects 0.000 claims abstract description 7
- 238000003745 diagnosis Methods 0.000 claims description 26
- 238000009826 distribution Methods 0.000 claims description 16
- 238000005096 rolling process Methods 0.000 claims description 13
- 239000003086 colorant Substances 0.000 claims description 8
- 238000009499 grossing Methods 0.000 claims description 7
- 238000012417 linear regression Methods 0.000 claims description 7
- 230000000007 visual effect Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 230000014509 gene expression Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 239000000306 component Substances 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000004615 ingredient Substances 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 229920002120 photoresistant polymer Polymers 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000003442 weekly effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000004380 ashing Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000021615 conjugation Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 239000010408 film Substances 0.000 description 1
- 230000013632 homeostatic process Effects 0.000 description 1
- 238000005468 ion implantation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000000427 thin-film deposition Methods 0.000 description 1
Images
Classifications
-
- 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
- H01L21/67005—Apparatus not specifically provided for elsewhere
- H01L21/67242—Apparatus for monitoring, sorting or marking
- H01L21/67288—Monitoring of warpage, curvature, damage, defects or the like
-
- 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
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0267—Fault communication, e.g. human machine interface [HMI]
- G05B23/0272—Presentation of monitored results, e.g. selection of status reports to be displayed; Filtering information to the user
-
- 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
- H01L21/67739—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 into and out of processing chamber
- H01L21/67742—Mechanical parts of transfer devices
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Robotics (AREA)
- Computer Hardware Design (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Power Engineering (AREA)
- Manufacturing & Machinery (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Mechanical Engineering (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Human Computer Interaction (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Manipulator (AREA)
Abstract
기판을 이송하는 이송 로봇의 이상을 진단할 수 있는 장치가 개시된다. 상기 장치는, 상기 이송 로봇의 AWC 데이터를 입력받는 데이터 입력부; 상기 데이터 입력부에서 입력된 AWC 데이터를 분석하는 데이터 분석부; 및 상기 데이터 입력부에서 입력된 제1 데이터 및 상기 데이터 분석부에서 분석된 제2 데이터의 시간별 움직임을 시각적으로 표시할 수 있는 디스플레이부;를 포함할 수 있다.A device capable of diagnosing abnormalities in a transfer robot that transfers a substrate is disclosed. The device includes a data input unit that receives AWC data of the transfer robot; a data analysis unit that analyzes the AWC data input from the data input unit; and a display unit capable of visually displaying time-dependent movements of the first data input from the data input unit and the second data analyzed by the data analysis unit.
Description
본 발명은 이송 로봇의 이상 진단 장치 및 방법에 관한 발명이다.The present invention relates to an apparatus and method for diagnosing abnormalities in a transport robot.
반도체 장치 또는 디스플레이 장치를 제조할 때에는, 사진, 식각, 애싱, 이온주입, 박막증착, 세정 등 다양한 공정이 실시된다. 여기서, 사진공정은 도포, 노광, 그리고 현상 공정을 포함한다. 기판 상에 감광액을 도포하고(즉, 도포 공정), 감광막이 형성된 기판 상에 회로 패턴을 노광하며(즉, 노광 공정), 기판의 노광처리된 영역을 선택적으로 현상한다(즉, 현상 공정).When manufacturing a semiconductor device or display device, various processes such as photography, etching, ashing, ion implantation, thin film deposition, and cleaning are performed. Here, the photographic process includes application, exposure, and development processes. A photoresist is applied to the substrate (i.e., application process), a circuit pattern is exposed on the substrate on which the photoresist film is formed (i.e., exposure process), and the exposed area of the substrate is selectively developed (i.e., development process).
복수의 공정 과정에서 기판은 이송 로봇을 통해 이송될 수 있다. 이송 로봇이 기판을 이송하는 과정에서 AWC(Auto Wafer Centering) 데이터를 측정할 수 있다. 해당 데이터는 이송 로봇이 기판을 픽 또는 플레이스 할 때의 중심 좌표 값을 나타낸다. 해당 데이터를 이용하여 이송 로봇의 정상 여부를 판단할 수 있다. 기존의 기술에서는, 이송 로봇이 기판을 픽 또는 플레이스 한 위치를 X축, Y축의 2차원의 원형 차트에 보여준다. 도 1은 기존의 이송 로봇의 데이터를 표시하는 디스플레이를 나타내는 도면이다. 도 1을 참조하면, 이송 로봇의 AWC 데이터를 확인할 수는 있으나, 시간의 흐름에 따라 데이터가 어떻게 이동하는지는 파악할 수 없다. 또한 전체 기간 중에서 불량데이터가 어느 시점에 발생했는지 역시 파악하기 어려운 문제점이 있었다.In multiple processing processes, the substrate may be transferred through a transfer robot. AWC (Auto Wafer Centering) data can be measured while the transfer robot transfers the substrate. The data represents the center coordinate value when the transfer robot picks or places the substrate. The data can be used to determine whether the transfer robot is normal. In existing technology, the location where the transfer robot picks or places the board is shown on a two-dimensional circular chart on the X and Y axes. 1 is a diagram showing a display displaying data of an existing transfer robot. Referring to Figure 1, it is possible to check the AWC data of the transfer robot, but it is not possible to determine how the data moves over time. In addition, there was a problem that it was difficult to determine at what point in the entire period the defective data occurred.
본 발명은 과거와 현재의 시계열 데이터를 기반하여 향후 상태를 예측하기 위한 이상 진단 장치를 제공하고자 한다. The present invention seeks to provide an abnormality diagnosis device for predicting future conditions based on past and present time series data.
본 발명이 해결하고자 하는 과제가 상술한 과제로 한정되는 것은 아니며, 언급되지 아니한 과제들은 본 명세서 및 첨부된 도면으로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.The problem to be solved by the present invention is not limited to the above-mentioned problems, and problems not mentioned can be clearly understood by those skilled in the art from this specification and the attached drawings. .
본 발명의 일 예시에 따른 기판을 이송하는 이송 로봇의 이상을 진단할 수 있는 장치가 개시된다. An apparatus capable of diagnosing abnormalities in a transfer robot that transfers a substrate according to an example of the present invention is disclosed.
상기 장치는, 상기 이송 로봇의 AWC 데이터를 입력받는 데이터 입력부; 상기 데이터 입력부에서 입력된 AWC 데이터를 분석하는 데이터 분석부; 및 상기 데이터 입력부에서 입력된 제1 데이터 및 상기 데이터 분석부에서 분석된 제2 데이터의 시간별 움직임을 시각적으로 표시할 수 있는 디스플레이부;를 포함할 수 있다. The device includes a data input unit that receives AWC data of the transfer robot; a data analysis unit that analyzes the AWC data input from the data input unit; and a display unit capable of visually displaying time-dependent movements of the first data input from the data input unit and the second data analyzed by the data analysis unit.
일 예시에 따르면, 상기 데이터 분석부는 상기 AWC 데이터를 분석하여 AWC의 이동 경로를 분석할 수 있다. According to one example, the data analysis unit may analyze the AWC's movement path by analyzing the AWC data.
일 예시에 따르면, 상기 데이터 분석부는, 상기 AWC 데이터의 X, Y 좌표계 데이터를 극좌표계로 변환할 수 있다. According to one example, the data analysis unit may convert the X, Y coordinate system data of the AWC data into a polar coordinate system.
일 예시에 따르면, 상기 데이터 분석부는, 상기 극좌표계로 변환한 데이터를 단일 예측 모델을 통해 예측값을 산출할 수 있다. According to one example, the data analysis unit may calculate a predicted value from the data converted to the polar coordinate system through a single prediction model.
일 예시에 따르면, 상기 단일 예측 모델은 Rolling mean, Rolling std, 선형 회귀 방법, ARIMA (Autoregressive Integrated Moving Average), Exponential Smoothing by Time series patterns, Holt's Method 중 어느 하나를 이용하여 예측값을 산출할 수 있다. According to one example, the single prediction model may calculate a prediction value using any one of Rolling mean, Rolling std, linear regression method, ARIMA (Autoregressive Integrated Moving Average), Exponential Smoothing by Time series patterns, and Holt's Method.
일 예시에 따르면, 상기 단일 예측 모델을 통해 산출한 예측값에, 앙상블 기법을 적용하여 예측값을 최종적으로 결정할 수 있다. According to one example, the predicted value may be finally determined by applying an ensemble technique to the predicted value calculated through the single prediction model.
일 예시에 따르면, 상기 디스플레이부는, 상기 제1 데이터 및 상기 제2 데이터를 일정 시간 단위를 기준으로 서로 다른 색상으로 표시할 수 있다. According to one example, the display unit may display the first data and the second data in different colors based on a certain time unit.
일 예시에 따르면, 상기 디스플레이부는, 상기 제1 데이터 및 상기 제2 데이터의 X축 및 Y축 좌표의 구간별 산포 정보를 추가적으로 표시할 수 있다. According to one example, the display unit may additionally display section-specific distribution information of X-axis and Y-axis coordinates of the first data and the second data.
일 예시에 따르면, 상기 디스플레이부는, 경고를 발생할 수 있는 범위의 AWC의 좌표 영역인 제1 영역과, 알람을 발생할 수 있는 범위의 AWC의 좌표 영역인 제2 영역을 함께 표시할 수 있다. According to one example, the display unit may display a first area, which is a coordinate area of the AWC in a range in which a warning can be generated, and a second area, which is a coordinate area of the AWC in a range in which an alarm can be generated.
일 예시에 따르면, 상기 디스플레이부는, 상기 AWC 데이터의 좌표 이동 정보를 화살표로 표시할 수 있다. According to one example, the display unit may display coordinate movement information of the AWC data with an arrow.
본 발명의 다른 일 실시예에 따른, 기판을 이송하는 이송 로봇의 이상을 진단할 수 있는 방법이 개시된다. According to another embodiment of the present invention, a method for diagnosing abnormalities in a transfer robot that transfers a substrate is disclosed.
상기 방법은, 이송 로봇의 AWC 데이터를 입력받는 단계; 입력받은 AWC 데이터를 기반으로 데이터 분석을 수행하여, AWC 데이터의 미래 위치를 예측하는 단계;를 포함할 수 있다. The method includes receiving AWC data of a transfer robot; It may include performing data analysis based on the input AWC data and predicting the future location of the AWC data.
일 예시에 따르면, 입력받은 AWC 데이터를 기반으로 데이터 분석을 수행하여, AWC 데이터의 미래 위치를 예측하는 단계;는 상기 AWC 데이터의 X, Y 좌표계 데이터를 극좌표계로 변환하는 단계;를 포함할 수 있다.According to one example, performing data analysis based on the input AWC data to predict the future location of the AWC data; may include converting the X, Y coordinate system data of the AWC data into a polar coordinate system. .
일 예시에 따르면, 입력받은 AWC 데이터를 기반으로 데이터 분석을 수행하여, AWC 데이터의 미래 위치를 예측하는 단계;는 상기 극좌표계로 변환한 데이터를 단일 예측 모델을 통해 예측값을 산출하는 단계;를 포함할 수 있다. According to one example, performing data analysis based on the input AWC data to predict the future location of the AWC data; may include calculating a predicted value using the data converted to the polar coordinate system through a single prediction model. You can.
일 예시에 따르면, 상기 단일 예측 모델은 Rolling mean, Rolling std, 선형 회귀 방법, ARIMA (Autoregressive Integrated Moving Average), Exponential Smoothing by Time series patterns, Holt's Method 중 어느 하나를 이용하여 예측값을 산출할 수 있다. According to one example, the single prediction model may calculate a prediction value using any one of Rolling mean, Rolling std, linear regression method, ARIMA (Autoregressive Integrated Moving Average), Exponential Smoothing by Time series patterns, and Holt's Method.
일 예시에 따르면, 상기 단일 예측 모델을 통해 산출한 예측값에, 앙상블 기법을 적용하여 예측값을 최종적으로 결정하는 단계;를 더 포함할 수 있다. According to one example, the step of finally determining the predicted value by applying an ensemble technique to the predicted value calculated through the single prediction model may be further included.
일 예시에 따르면, 상기 최종적으로 결정한 예측값과, 입력받은 AWC 데이터의 시간별 움직임을 시각적으로 표시하는 단계;를 더 포함할 수 있다. According to one example, the step of visually displaying the finally determined predicted value and the time-dependent movement of the input AWC data may be further included.
일 예시에 따르면, 상기 시각적으로 표시하는 단계는, 상기 최종적으로 결정한 예측값과, 입력받은 AWC 데이터를 일정 시간 단위를 기준으로 서로 다른 색상으로 표시하는 이송 로봇의 이상 진단 방법. According to one example, the visually displaying step is a method of diagnosing an abnormality in a transfer robot in which the finally determined predicted value and the input AWC data are displayed in different colors based on a certain time unit.
일 예시에 따르면, 상기 시각적으로 표시하는 단계는, 상기 최종적으로 결정한 예측값과, 입력받은 AWC 데이터의 X축 및 Y축 좌표의 구간별 산포 정보를 추가적으로 표시할 수 있다. According to one example, the visually displaying step may additionally display the finally determined predicted value and sectional distribution information of the X-axis and Y-axis coordinates of the input AWC data.
일 예시에 따르면, 상기 시각적으로 표시하는 단계는, 경고를 발생할 수 있는 범위의 AWC의 좌표 영역인 제1 영역과, 알람을 발생할 수 있는 범위의 AWC의 좌표 영역인 제2 영역을 함께 표시할 수 있다. According to one example, the visually displaying step may display a first area, which is the coordinate area of the AWC in a range where a warning can be generated, and a second area, which is the coordinate area of the AWC in a range where an alarm can be generated. there is.
일 예시에 따르면, 이송 로봇의 이상 진단 방법을 실행하기 위한 프로그램이 기록된 컴퓨터로 판독 가능한 기록매체가 개시될 수 있다. According to one example, a computer-readable recording medium on which a program for executing a method for diagnosing an abnormality in a transfer robot is recorded may be disclosed.
본 발명에 따르면 원형차트와 시간차트간 데이터 처리를 바탕으로, 데이터 변화를 시각화 하여 사용자의 데이터 분석 및 판단 시간을 현저히 줄일 수 있다. According to the present invention, based on data processing between a circular chart and a time chart, data changes can be visualized to significantly reduce the user's data analysis and judgment time.
본 발명에 따르면, 향후 상황을 예측하여 이송 로봇 또는 공정 챔버의 현 상태를 진단하여 문제 발생을 사전에 예방하고 관리할 수 있다. According to the present invention, it is possible to predict future situations and diagnose the current state of a transfer robot or process chamber to prevent and manage problems in advance.
본 발명의 효과가 상술한 효과들로 한정되는 것은 아니며, 언급되지 아니한 효과들은 본 명세서 및 첨부된 도면으로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확히 이해될 수 있을 것이다.The effects of the present invention are not limited to the effects described above, and effects not mentioned can be clearly understood by those skilled in the art from this specification and the attached drawings.
도 1은 기존의 이송 로봇의 데이터를 표시하는 디스플레이를 나타내는 도면이다.
도 2는 본 발명에 따른 이상 진단 장치의 구성을 나타내는 블록도이다.
도 3은 본 발명에 따른 이상 진단 장치에서의 디스플레이를 나타내는 도면이다.
도 4는 본 발명에 따른 이상 진단 장치에서 데이터를 예측하는 것을 설명하기 위한 그래프이다.
도 5는 본 발명에 따른 이상 진단 장치에서 데이터를 예측하는 것을 설명하기 위한 도면이다.
도 6은 본 발명에 따른 데이터 분석부에서 데이터를 예측하는 과정을 설명하기 위한 도면이다.
도 7은 본 발명에 따른 이상 진단 방법을 나타내는 순서도이다.1 is a diagram showing a display displaying data of an existing transfer robot.
Figure 2 is a block diagram showing the configuration of an abnormality diagnosis device according to the present invention.
Figure 3 is a diagram showing the display in the abnormality diagnosis device according to the present invention.
Figure 4 is a graph for explaining data prediction in the abnormality diagnosis device according to the present invention.
Figure 5 is a diagram for explaining data prediction in an abnormality diagnosis device according to the present invention.
Figure 6 is a diagram for explaining the process of predicting data in the data analysis unit according to the present invention.
Figure 7 is a flowchart showing the abnormality diagnosis method according to the present invention.
본 발명의 다른 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술 되는 실시 예를 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시 예에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시 예는 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.Other advantages and features of the present invention and methods for achieving them will become clear by referring to the embodiments described in detail below along with the accompanying drawings. However, the present invention is not limited to the embodiments disclosed below and may be implemented in various different forms. The present embodiments are only provided to ensure that the disclosure of the present invention is complete and to provide common knowledge in the technical field to which the present invention pertains. It is provided to fully inform those who have the scope of the invention, and the present invention is only defined by the scope of the claims.
만일 정의되지 않더라도, 여기서 사용되는 모든 용어들(기술 혹은 과학 용어들을 포함)은 이 발명이 속한 종래 기술에서 보편적 기술에 의해 일반적으로 수용되는 것과 동일한 의미를 가진다. 일반적인 사전들에 의해 정의된 용어들은 관련된 기술 그리고/혹은 본 출원의 본문에 의미하는 것과 동일한 의미를 갖는 것으로 해석될 수 있고, 그리고 여기서 명확하게 정의된 표현이 아니더라도 개념화되거나 혹은 과도하게 형식적으로 해석되지 않을 것이다.Even if not defined, all terms (including technical or scientific terms) used herein have the same meaning as generally accepted by the general art in the prior art to which this invention belongs. Terms defined by general dictionaries may be interpreted as having the same meaning as they have in the related art and/or text of the present application, and should not be conceptualized or interpreted in an overly formal manner even if expressions are not clearly defined herein. won't
제1, 제2 등의 용어는 다양한 구성 요소들을 설명하는데 사용될 수 있지만, 상기 구성 요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다.Terms such as first, second, etc. may be used to describe various components, but the components should not be limited by the terms. The above terms are used only for the purpose of distinguishing one component from another. For example, a first component may be named a second component, and similarly, the second component may also be named a first component without departing from the scope of the present invention.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 또한 도면에서 요소들의 형상 및 크기 등은 보다 명확한 설명을 위해 과장될 수 있다.Singular expressions include plural expressions unless the context clearly dictates otherwise. Additionally, the shapes and sizes of elements in the drawings may be exaggerated for clearer explanation.
본 명세서에서 사용된 용어는 실시 예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 '포함한다' 및/또는 이 동사의 다양한 활용형들 예를 들어, '포함', '포함하는', '포함하고', '포함하며' 등은 언급된 조성, 성분, 구성요소, 단계, 동작 및/또는 소자는 하나 이상의 다른 조성, 성분, 구성요소, 단계, 동작 및/또는 소자의 존재 또는 추가를 배제하지 않는다. 본 명세서에서 '및/또는' 이라는 용어는 나열된 구성들 각각 또는 이들의 다양한 조합을 가리킨다.The terms used in this specification are for describing embodiments and are not intended to limit the invention. As used herein, singular forms also include plural forms, unless specifically stated otherwise in the context. As used in the specification, 'comprises' and/or various conjugations of this verb, such as 'comprises', 'comprising', 'includes', 'comprises', etc., refer to the composition, ingredient, or component mentioned. A step, operation and/or element does not exclude the presence or addition of one or more other compositions, ingredients, components, steps, operations and/or elements. As used herein, the term 'and/or' refers to each of the listed components or various combinations thereof.
본 명세서 전체에서 사용되는 '~부'는 적어도 하나의 기능이나 동작을 처리하는 단위로서, 예를 들어 소프트웨어, FPGA 또는 ASIC과 같은 하드웨어 구성요소를 의미할 수 있다. 그렇지만 '~부'가 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. '~부'는 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다.'~unit' used throughout this specification is a unit that processes at least one function or operation, and may mean, for example, a hardware component such as software, FPGA, or ASIC. However, '~part' is not limited to software or hardware. The '~ part' may be configured to reside in an addressable storage medium and may be configured to reproduce on one or more processors.
일 예로서 '~부'는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로 코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 및 변수들을 포함할 수 있다. 구성요소와 '~부'에서 제공하는 기능은 복수의 구성요소 및 '~부'들에 의해 분리되어 수행될 수도 있고, 다른 추가적인 구성요소와 통합될 수도 있다.As an example, '~part' refers to components such as software components, object-oriented software components, class components, and task components, processes, functions, properties, procedures, and sub-components. May include routines, segments of program code, drivers, firmware, microcode, circuitry, data, databases, data structures, tables, arrays, and variables. The functions provided by components and '~parts' may be performed separately by a plurality of components and '~parts', or may be integrated with other additional components.
본 발명은 이송 로봇이 기판을 픽 또는 플레이스 하는 중심점의 좌표 데이터(AWC, 이하에서 AWC로 통칭함)를 분석하여, 이상 상황을 예측하고 이슈 발생을 방지하고자 하는 것을 목적으로 한다. 일 예시에 따르면 본 발명은 기판을 픽 및 플레이스 하는 모든 설비군에 적용할 수 있다. 일 예시에 따르면 에처 설비, 클린 설비, 포토 설비 등에 적용할 수 있다.The purpose of the present invention is to predict abnormal situations and prevent issues from occurring by analyzing coordinate data (AWC, hereinafter collectively referred to as AWC) of the center point where a transfer robot picks or places a substrate. According to one example, the present invention can be applied to all equipment groups that pick and place substrates. According to one example, it can be applied to etcher equipment, clean equipment, photo equipment, etc.
본 발명은, 이송 로봇이 기판을 공정 챔버 또는 척에 픽 또는 플레이스 한 중심 좌표 값(AWC)을 기간 별로 클러스터링하여, 시간에 따른 이동 추세 및 산포 분석이 가능하며, 화살표로 표시되는 벡터를 통해 임의의 시점에서 좌표의 이동을 쉽게 확인 가능하다. 일 예시에 따르면 설정하는 기간은 일별, 주별, 월별 등일 수 있다. 또한, 본 발명에 따르면 좌표의 트렌드 예측 알고리즘을 통해 예상 좌표 값을 예측하여 고장 상황 또는 알람 스펙을 벗어나는 이상 상황을 조기 탐지할 수 있다. 이를 통해 이송 로봇 이상 및 척킹/디척킹의 이상을 예측하여 불필요한 로스를 줄이고 설비의 항상성을 유지할 수 있는 효과가 있다.The present invention clusters the center coordinate value (AWC) of the transfer robot picking or placing the substrate in the process chamber or chuck by period, enabling analysis of movement trends and distributions over time, and random movement through vectors indicated by arrows. It is easy to check the movement of coordinates at this point. According to one example, the period to be set may be daily, weekly, monthly, etc. In addition, according to the present invention, it is possible to early detect a failure situation or an abnormal situation that exceeds alarm specifications by predicting the expected coordinate value through a coordinate trend prediction algorithm. This has the effect of predicting transfer robot abnormalities and chucking/dechucking abnormalities, thereby reducing unnecessary losses and maintaining facility homeostasis.
일 예시에 따르면, 본 발명은 데이터 분석을 통해 이송 로봇 상태를 진단하는 장치 및 그 방법에 관한 것이다. 본 발명에 따른 방법은 과거와 현재의 시계열 데이터를 기반하여 향후 상태를 예측하기 위한 트렌드 예측 알고리즘을 포함한다. 본 발명에 따른 장치는 원형차트와 시간차트간 데이터 처리를 바탕으로, 데이터 변화를 시각화 하여 사용자의 데이터 분석 및 판단 시간을 현저히 줄일 수 있다. 또한 본 발명은 향후 상황을 예측하여 이송 로봇 또는 공정 챔버의 현 상태를 진단하여 문제 발생을 사전에 예방하고 관리할 수 있다.According to one example, the present invention relates to an apparatus and method for diagnosing the state of a transfer robot through data analysis. The method according to the present invention includes a trend prediction algorithm for predicting future conditions based on past and present time series data. The device according to the present invention can significantly reduce the user's data analysis and judgment time by visualizing data changes based on data processing between circular charts and time charts. In addition, the present invention predicts future situations and diagnoses the current state of the transfer robot or process chamber to prevent and manage problems in advance.
이하에서 본 발명에 따른 이상 진단 장치의 구성을 도면을 통해 상세하게 설명하도록 한다.Hereinafter, the configuration of the abnormality diagnosis device according to the present invention will be described in detail with reference to the drawings.
도 2는 본 발명에 따른 이상 진단 장치(10)의 구성을 나타내는 블록도이다.Figure 2 is a block diagram showing the configuration of the
본 발명에 따른 기판을 이송하는 이송 로봇의 이상을 진단할 수 있는 장치(10)는, 데이터 입력부(100), 데이터 분석부(200) 및 디스플레이부(300)를 포함할 수 있다.The
데이터 입력부(100)는 이송 로봇의 AWC 데이터를 입력받을 수 있다. 데이터 입력부(100)는 이송 로봇의 AWC 데이터를 순차적으로 입력받을 수 있다.The
데이터 분석부(200)는 데이터 입력부(100)에서 입력된 AWC 데이터를 분석할 수 있다. 일 예시에 따르면, 데이터 분석부(200)는, AWC 데이터를 분석하여 AWC의 이동 경로를 분석할 수 있다. 데이터 분석부(200)는, AWC 데이터의 X, Y 좌표계 데이터를 극좌표계로 변환하고, 극좌표계로 변환한 데이터를 단일 예측 모델을 통해 예측값을 산출할 수 있다. 일 예시에 따르면, 단일 예측 모델은 Rolling mean, Rolling std, 선형 회귀 방법, ARIMA (Autoregressive Integrated Moving Average), Exponential Smoothing by Time series patterns, Holt's Method 중 어느 하나를 이용하여 예측값을 산출할 수 있다. 데이터 분석부(200)는 단일 예측 모델을 통해 산출한 예측값에, 앙상블 기법을 적용하여 예측값을 최종적으로 결정할 수 있다. 본 발명에서는, 데이터 입력부(100)와 데이터 분석부(200)를 통해 이송 로봇의 AWC 데이터를 직접적으로 측정한 값과, AWC 데이터의 예측 값을 도출할 수 있고, 이를 디스플레이부(300)에 표시할 수 있다.The
디스플레이부(300)는, 데이터 입력부(100)에서 입력된 제1 데이터 및 데이터 분석부(200)에서 분석된 제2 데이터의 시간별 움직임을 시각적으로 표시할 수 있다. 일 예시에 따르면, 디스플레이부(300)는 제1 데이터 및 제2 데이터를 일정 시간 단위를 기준으로 서로 다른 색상으로 표시할 수 있다. 일 예시에 따르면 월별로, 주별로 구분하여 특정 기간에는 A 색상으로, 다른 특정 기간에는 B 색상으로 표시하는 것이 가능하다. 이를 통해 시간의 흐름에 따라 색상을 상이하게 표시함으로써, 데이터의 흐름을 시각적으로 용이하게 파악할 수 있다. The
본 발명에 따른 디스플레이부(300)는, 제1 데이터 및 제2 데이터의 X축 및 Y축 좌표의 구간별 산포 정보를 추가적으로 표시할 수 있다. 또한, 본 발명에 따른 디스플레이부(300)는, 경고를 발생할 수 있는 범위의 AWC의 좌표 영역인 제1 영역과, 알람을 발생할 수 있는 범위의 AWC의 좌표 영역인 제2 영역을 함께 표시할 수 있다. 이를 통해 제1 데이터 및 제2 데이터가 제1 영역에 포함되는지 제2 영역에 포함되는지, 또는 제2 영역을 벗어나는지 여부를 판단할 수 있고, 이를 예측 데이터에도 적용을 함으로써 이상이 발생하기 전에 이상 상황을 진단할 수 있는 효과가 있다. 본 발명에 따른 디스플레이부(300)는, AWC 데이터의 좌표 이동 정보를 화살표로 표시할 수 있다. 본 발명에 따른 디스플레이부(300)는, 디스플레이 장치일 수 있다. 디스플레이부(300)는 입력부를 더 포함하여, 사용자의 입력을 수신하여, 사용자의 입력에 따른 정보를 출력할 수 있다.The
이하의 도면을 추가적으로 참조하여, 본 발명에 따른 이상 진단 장치(10)에서의 디스플레이를 설명한다.With additional reference to the drawings below, the display in the
도 3은 본 발명에 따른 이상 진단 장치(10)에서의 디스플레이를 나타내는 도면이다. 도 3에 따르면 디스플레이부(300)에서의 디스플레이 되는 예시를 나타내는 도면이다.Figure 3 is a diagram showing the display in the
본 발명에 따른 디스플레이부(300)에서는, 시간의 흐름에 따라 중심 좌표 데이터(AWC)가 이동하는 추세 및 산포를 확인하기 위한 위치 트랙킹(Position Tracking) 기능을 포함할 수 있다. 이를 통해 AWC 데이터의 이동 위치를 트랙킹 할 수 있다. 도 3을 참조하면, 사용자의 시인성을 높이기 위해 설정된 구간 간격 (일별, 주별, 월별)에 따라 다른 색을 통해 기간별 픽 앤 플레이스(pick and place)의 산포를 확인할 수 있다. 이를 통해 이송 로봇의 이상 상태를 육안으로 분석할 수 있다.The
도 3을 참조하면, 월별로 AWC 데이터의 이동 위치를 트랙킹 한 결과가 나타난다. 도 3을 참조하면, 파란색은 2월의 데이터, 주황색은 3월의 데이터, 초록색은 4월의 데이터, 빨간색은 5월의 데이터를 나타낸다. 이미 측정한 제1 데이터를 통해, 데이터가 오른쪽 방향으로 치우치는 것을 확인할 수 있다.Referring to Figure 3, the results of tracking the movement location of AWC data on a monthly basis are shown. Referring to Figure 3, blue represents February data, orange represents March data, green represents April data, and red represents May data. Through the first data that has already been measured, it can be confirmed that the data is biased to the right.
색상으로 표시된 제1 데이터 외에, 점을 중심으로 한 원의 형태로 경로가 표시된 데이터는 제2 데이터이다. 제2 데이터는, 제1 데이터를 기반으로 한 예측 데이터일 수 있다. 이를 통해 예측 데이터의 측정 분포를 예상할 수 있고, 이를 통해 예측 데이터가 어떤 시점에서 제1 영역에 포함되는지 제2 영역에 포함되는지, 혹은 제2 영역을 벗어나는지를 확인할 수 있기 때문에, 미리 이상 진단이 가능하고 이를 예방하는 것도 가능하다,In addition to the first data displayed in color, data whose path is displayed in the form of a circle centered on a point is the second data. The second data may be prediction data based on the first data. Through this, the measurement distribution of the predicted data can be predicted, and through this, it is possible to check at what point the predicted data is included in the first area, the second area, or is outside the second area, so that abnormalities can be diagnosed in advance. It is possible and it is possible to prevent this.
도 3을 참조하면, 설정한 문턱 값(Tolerance)을 기준으로 “In → Out” 또는 “Out → In”으로 추이가 변경되는 것을 방향성이 있는 화살표로 표현할 수 있다. 즉 이를 통해 이송 로봇의 상태가 설정한 문턱 값(Tolerance)을 기준으로 안정 상태 또는 불안정 상태로 진행되고 있는지 직관적으로 판단할 수 있도록 할 수 있다.Referring to FIG. 3, the change in trend from “In → Out” or “Out → In” based on the set threshold value (Tolerance) can be expressed with a directional arrow. In other words, through this, it is possible to intuitively determine whether the state of the transfer robot is in a stable or unstable state based on the set threshold value (Tolerance).
본 발명에서 적용되는 문턱 값 기술(Dynamic Tolerance Technique)은 사용자 친화적(User Friendly) 기능으로써 데이터 통계를 퍼센트화 하여 해당 퍼센트에 따라 가변 문턱 값(Tolerance) 또는 정규 규격을 적용할 수 있다.The threshold technology (Dynamic Tolerance Technique) applied in the present invention is a user-friendly function that can percentageize data statistics and apply a variable threshold (Tolerance) or regular standard according to the percentage.
본 발명에 따르면 디스플레이부(300)의 UI 내의 단위를 'mm'에서 '%'로, '%'에서 'mm'로 전환할 수 있다. 일 예시에 따르면, 디스플레이부(300)에서 단위를 '%'로 전환하고 문턱 값(Tolerance)을 입력하면 디스플레이부(300)에 표시되는 점이 조정되고, 해당 데이터들 중에 해당 '%'를 기준으로 In, Out 변화상태가 업데이트 될 수 있다. 또한 전체 데이터 중에서 Spec In/Out과 Tolerance In/Out에 해당하는 분포가 디스플레이 될 수도 있다. 즉 이와 같이 다양한 정보들을 디스플레이 하는 것을 통해 기존의 원형차트에서 시간의 흐름에 따른 데이터 변화 방향을 보여줄 수 없었던 문제점을 해결할 수 있고, 픽 또는 플레이스 그룹의 이동 방향 및 산포 변화 등 상태를 파악할 수 있다.According to the present invention, the unit in the UI of the
도 4는 본 발명에 따른 이상 진단 장치에서 데이터를 예측하는 것을 설명하기 위한 그래프이다. Figure 4 is a graph for explaining data prediction in the abnormality diagnosis device according to the present invention.
본 발명에서는 AWC 데이터의 위치 트랙킹(Position tracking) 뿐 아니라 과거 좌표 값을 기반으로 미래 시점의 좌표 값을 예측하여 문제 상황을 미리 알 수 있는 데이터 분석 및 트렌드 예측 UI 기능을 제안할 수 있다. 일 예시에 따르면 그래프를 통해 추세 예측을 수행할 수 있다. 이는 도 4를 통해 설명될 수 있다. 도 4는 시간에 흐름에 따라 변화하는 특징들에 대한 그래프를 표현한다. In the present invention, it is possible to propose a data analysis and trend prediction UI function that not only provides position tracking of AWC data, but also predicts future coordinate values based on past coordinate values to know problem situations in advance. According to one example, trend prediction can be performed through a graph. This can be explained through FIG. 4. Figure 4 represents a graph of features that change over time.
도 4에서 ①은 현재 시점인 ②를 기준으로, 좌측은 과거부터 현재까지의 경향성을 나타내며, 우측은 과거 데이터를 기반으로부터 예측된 현재부터 미래 시점까지의 경향성 및 신뢰 구간(③)을 보여준다. 만약 ③이 경고 또는 알람의 한계선(④)과 만나면, 만나는 시점의 날짜를 이상 발생 예상 시기로 알려줄 수 있다. 이 때, ③의 예측 값 및 신뢰 구간은 X-Y 좌표와 연계되어 도 3에서와 같이 태풍의 예측 구간과 같은 예상 경향성을 표현할 수 있다.In Figure 4, ① shows the trend from the past to the present on the left, based on the
즉 본 발명에 따르면 AWC를 기간 별로, 예를 들면 시간별, 일별, 주별, 월별 등으로 클러스터링 한 후, 시간에 따른 이동 추세(Trend) 및 산포 분석이 직관적으로 가능하다. 또한 본 발명에 따르면 임의 시점의 좌표 이동을 화살표(Vector)를 이용해 방향(θ) 및 이동 거리(R)를 분석하는 것이 가능하다. 또한 AWC의 경향 예측 알고리즘을 통해 예상 좌표를 예측하여 경고 영역인 제1 영역 또는 알람 발생 영역인 제2 영역을 벗어나는 이상 상황을 조기에 탐지할 수 있다. That is, according to the present invention, after clustering AWC by period, for example, by hour, day, week, month, etc., it is intuitively possible to analyze movement trends and distributions over time. Additionally, according to the present invention, it is possible to analyze the direction (θ) and movement distance (R) of coordinate movement at any point in time using an arrow (vector). In addition, by predicting expected coordinates through AWC's trend prediction algorithm, abnormal situations outside the first area, which is a warning area, or the second area, which is an alarm occurrence area, can be detected early.
즉 도 3 내지 도 4에 따르면, AWC의 시간 / 구간 별 분석 및 예측을 위한 UI 기반 직관적 정보 제공이 가능하다. 또한 구간 별 좌표 색상을 달리하여 직관적인 분포를 제공할 수 있다. 그리고, 우측(y), 상단(x) 좌표의 구간별 히스토그램을 통해 산포 정보를 제공할 수 있다. 또한 Spec In/Out에 대한 통계 정보를 제공하여 정량적 분석이 가능하다. 또한, 임의 시점의 좌표 이동을 화살표(vector) 정보로 제공할 수 있다. 본 발명에서는 Spec In → Out 시 AWC 이동 거리 및 방향 직관적 확인이 가능하다. 또한 순간적인 좌표 이동 흐름에 대한 진단이 가능하다. 그리고, AWC 예측 값을 표시하여 이상 예지 및 진단이 가능할 수 있다. That is, according to FIGS. 3 and 4, it is possible to provide UI-based intuitive information for analysis and prediction by time/section of AWC. also By varying the color of coordinates for each section, an intuitive distribution can be provided. Additionally, distribution information can be provided through histograms for each section of right (y) and top (x) coordinates. In addition, quantitative analysis is possible by providing statistical information on Spec In/Out. Additionally, coordinate movement at an arbitrary point in time can be provided as arrow (vector) information. In the present invention, it is possible to intuitively check the AWC movement distance and direction when Spec In → Out. Additionally, diagnosis of instantaneous coordinate movement flow is possible. Additionally, abnormality prediction and diagnosis may be possible by displaying the AWC predicted value.
본 발명에서 AWC의 예상 좌표 및 산포 추세 예측은, 원점 좌표의 기준 거리 및 방향 지표 사용으로 예측을 정밀화할 수 있다. 본 발명에서는 입력을 다양화시킬 수 있다. 입력 다양화는 X,Y 좌표를 변환한 거리(R) 및 각도(θ)의 Rolling mean, Rolling STD을 입력할 수 있다. 또한 알고리즘의 효과적인 학습을 위한 데이터 스케일링 작업을 수행할 수도 있다. 또한 본 발명에서는 앙상블 기법의 사용으로 예측을 고도화시킬 수 있다. 본 발명에서는 단일 예측 모델의 결과 값을 결합하여 이를 앙상블 기법으로 처리함으로써, 더욱 정확한 예측 결과를 산출할 수 있다. In the present invention, the expected coordinates and distribution trend prediction of AWC can be refined by using the reference distance and direction indicators of the origin coordinates. In the present invention, input can be diversified. For input diversification, you can input Rolling mean and Rolling STD of distance (R) and angle (θ) converted from X, Y coordinates. Additionally, data scaling can be performed for effective learning of algorithms. Additionally, in the present invention, prediction can be advanced by using ensemble techniques. In the present invention, more accurate prediction results can be produced by combining the results of a single prediction model and processing them using an ensemble technique.
도 5는 본 발명에 따른 이상 진단 장치에서 데이터를 예측하는 것을 설명하기 위한 도면이다.Figure 5 is a diagram for explaining data prediction in an abnormality diagnosis device according to the present invention.
도 5를 참조하면, 본 발명에서는 순간적인 피크가 발생할 경우 화살표를 통해 이동 정보를 제공할 수 있다. 이 때, 선형대수학 기반 화살표의 이동 거리(R) 및 방향(θ) 정보를 제공할 수 있다. 이로써, 보정을 위한 방향 정보 제공, 영역별 부품의 이상을 파악하는 것이 가능하다. Referring to Figure 5, in the present invention, when an instantaneous peak occurs, movement information can be provided through arrows. At this time, information on the moving distance (R) and direction (θ) of the arrow based on linear algebra can be provided. As a result, it is possible to provide direction information for correction and identify abnormalities in components in each area.
일 예씨에 따르면 도 5의 실시예는 이하와 같은 수식을 통해 이동 정보를 제공할 수 있다. According to Mr. Il, the embodiment of FIG. 5 can provide movement information through the following formula.
도 6은 본 발명에 따른 데이터 분석부(200)에서 데이터를 예측하는 과정을 설명하기 위한 도면이다. Figure 6 is a diagram for explaining the process of predicting data in the
본 발명에 따르면, 좌표 데이터의 설명력을 높이기 위해 다양한 특징들을 산출할 수 있다. 이를 통해 분석의 오차항을 줄일 수 있다. 주요 특징으로는 원점에서 좌표까지의 거리, 각도, 이동 평균, 이동 표준 편차 등을 사용할 수 있다. 이러한 특징들의 스케일링(scaling)을 통해 예측에 적합하고 강건한 형태로 만들 수 있다. 이 과정에서 좌표 데이터를 극좌표계로 변환할 수 있다. 이와 같이 X, Y 좌표계를 극좌표계로 변환하는 것을 통해 이송 로봇의 중심점에서 어느 정도 거리만큼 떨어져 있는지를 용이하게 확인할 수 있고, 또한 어떤 각도에서 측정되었는지 여부를 용이하게 확인 가능한 효과가 있다. According to the present invention, various features can be calculated to increase the explanatory power of coordinate data. Through this, the error term in the analysis can be reduced. Key features include distance from the origin to the coordinates, angle, moving average, and moving standard deviation. Through scaling of these features, it can be made into a form that is suitable and robust for prediction. In this process, coordinate data can be converted to polar coordinates. In this way, by converting the
그 다름 단계로 산출된 특징들을 설명 변수(X)로 하여 경향성을 예측하는 모델들을 통해 예측 값을 산출할 수 잇다. 본 발명에 따르면 경향성을 예측하는 단일 예측 모델로, 널리 알려지고 검증된 선형 회귀 모델, ARIMA 모델, 지수 평활법, Holt 방법 등을 사용하며 추가적으로 통계적 모델, Machine Learning 모델, Deep Learning 모델을 사용할 수 있다. Predicted values can be calculated through models that predict tendencies using the features calculated in the next step as explanatory variables (X). According to the present invention, as a single prediction model for predicting tendencies, widely known and verified linear regression models, ARIMA models, exponential smoothing methods, Holt methods, etc. are used, and in addition, statistical models, machine learning models, and deep learning models can be used. .
다음 단계로 단일 예측 모델들의 값들을 종합하여 정합성 높은 단일 예측 값을 산출하기 위해 앙상블 기법을 사용할 수 있다. 앙상블 기법은 서로 부족한 모델의 성능을 보완하고 예측력을 획기적으로 높일 수 있는 장점이 있다. 일 예시에 따르면 앙상블 분석 방식으로 Bagging 방식이나, Boosting 방식을 사용할 수 있다. 일 예시에 따르면 Bagging 방식의 경우 Random Forest를 이용할 수 있고, Boosting 방식의 경우 AdaBoost 또는 Gradient boosting을 이용할 수 있다. In the next step, the ensemble technique can be used to combine the values of single prediction models to produce a single prediction value with high consistency. Ensemble techniques have the advantage of complementing the performance of models that are lacking in each other and dramatically increasing predictive power. According to one example, the bagging method or the boosting method can be used as an ensemble analysis method. According to one example, in the case of the bagging method, Random Forest can be used, and in the case of the boosting method, AdaBoost or Gradient boosting can be used.
본 발명에 따르면, 특징의 종류 및 단일 예측 모델의 선정은 사용자가 선택할 수도 있고 자동으로 선택하는 것도 가능하다.According to the present invention, selection of the type of feature and single prediction model can be selected by the user or automatically.
본 발명에 따르면 임의 시점의 좌표 이동을 화살표(Vector)를 이용해 방향(
도 7은 본 발명에 따른 이상 진단 방법을 나타내는 순서도이다.Figure 7 is a flowchart showing the abnormality diagnosis method according to the present invention.
본 발명에 따른 기판을 이송하는 이송 로봇의 이상을 진단할 수 있는 방법이 개시된다. 상기 방법에 따르면, 이송 로봇의 AWC 데이터를 입력받는 단계; 및 입력 받은 AWC 데이터를 기반으로 데이터 분석을 수행하여, AWC 데이터의 미래 위치를 예측하는 단계;를 포함할 수 있다. 이 때, 입력받은 AWC 데이터를 기반으로 데이터 분석을 수행하여, AWC 데이터의 미래 위치를 예측하는 단계;는 상기 AWC 데이터의 X, Y 좌표계 데이터를 극좌표계로 변환하는 단계;를 포함할 수 있다. 그 후, 극좌표계로 변환한 데이터를 단일 예측 모델을 통해 예측값을 산출할 수 있으며, 본 발명에서 사용하는 단일 예측 모델은 Rolling mean, Rolling std, 선형 회귀 방법, ARIMA (Autoregressive Integrated Moving Average), Exponential Smoothing by Time series patterns, Holt's Method 중 어느 하나를 이용하여 예측값을 산출할 수 있다. 그 후, 단일 예측 모델을 통해 산출한 예측값에, 앙상블 기법을 적용하여 예측값을 최종적으로 결정할 수 있다. 그리고 나서, 최종적으로 결정한 예측값과, 입력받은 AWC 데이터의 시간별 움직임을 시각적으로 표시할 수 있다. 시각적 표시의 일 예로, 최종적으로 결정한 예측값과, 입력받은 AWC 데이터를 일정 시간 단위를 기준으로 서로 다른 색상으로 표시할 수 있다. 또는, 최종적으로 결정한 예측값과, 입력받은 AWC 데이터의 X축 및 Y축 좌표의 구간별 산포 정보를 추가적으로 표시할 수 있다. 또는, 경고를 발생할 수 있는 범위의 AWC의 좌표 영역인 제1 영역과, 알람을 발생할 수 있는 범위의 AWC의 좌표 영역인 제2 영역을 함께 표시할 수도 있다. A method for diagnosing abnormalities in a transfer robot that transfers a substrate according to the present invention is disclosed. According to the method, receiving AWC data of a transfer robot; And performing data analysis based on the input AWC data to predict the future location of the AWC data. At this time, performing data analysis based on the input AWC data to predict the future location of the AWC data may include converting the X, Y coordinate system data of the AWC data into a polar coordinate system. Afterwards, the data converted to polar coordinates can be used to calculate predicted values through a single prediction model. The single prediction models used in the present invention include rolling mean, rolling std, linear regression method, ARIMA (Autoregressive Integrated Moving Average), and Exponential Smoothing. The forecast value can be calculated using either Time series patterns or Holt's Method. Afterwards, the predicted value can be finally determined by applying the ensemble technique to the predicted value calculated through the single prediction model. Then, the final predicted value and the time-dependent movement of the input AWC data can be visually displayed. As an example of a visual display, the final predicted value and the input AWC data can be displayed in different colors based on a certain time unit. Alternatively, the finally determined predicted value and sectional distribution information of the X- and Y-axis coordinates of the input AWC data can be additionally displayed. Alternatively, the first area, which is the coordinate area of the AWC within the range where a warning can be generated, and the second area, which is the coordinate area of the AWC within the range where an alarm can be generated, may be displayed together.
본 발명의 실시예에 따른 방법은 예를 들어 컴퓨터에서 실행될 수 있는 프로그램으로 작성 가능하고, 컴퓨터로 읽을 수 있는 기록매체를 이용하여 상기 프로그램을 동작시키는 범용 디지털 컴퓨터에서 구현될 수 있다. 컴퓨터로 읽을 수 있는 기록매체는 SRAM(Static RAM), DRAM(Dynamic RAM), SDRAM(Synchronous DRAM) 등과 같은 휘발성 메모리, ROM(Read Only Memory), PROM(Programmable ROM), EPROM(Electrically Programmable ROM),EEPROM(Electrically Erasable and Programmable ROM), 플래시 메모리 장치, PRAM(Phase-change RAM),MRAM(Magnetic RAM), RRAM(Resistive RAM), FRAM(Ferroelectric RAM)과 같은 불휘발성 메모리, 플로피 디스크, 하드 디스크 또는 광학적 판독 매체 예를 들어 시디롬, 디브이디 등과 같은 형태의 저장매체일 수 있으나, 이에 제한되지는 않는다.The method according to an embodiment of the present invention can be written as a program that can be executed on a computer, for example, and can be implemented in a general-purpose digital computer that operates the program using a computer-readable recording medium. Computer-readable recording media include volatile memory such as SRAM (Static RAM), DRAM (Dynamic RAM), SDRAM (Synchronous DRAM), ROM (Read Only Memory), PROM (Programmable ROM), EPROM (Electrically Programmable ROM), Non-volatile memory such as Electrically Erasable and Programmable ROM (EEPROM), flash memory devices, Phase-change RAM (PRAM), Magnetic RAM (MRAM), Resistive RAM (RRAM), and Ferroelectric RAM (FRAM), floppy disks, hard disks, or The optical readable medium may be, for example, a storage medium such as CD-ROM, DVD, etc., but is not limited thereto.
본 발명의 일 예시에 따르면, 이송 로봇이 픽을 수행하는 경우와, 플레이스를 수행하는 경우를 각각 나누어서 데이터 처리를 수행할 수도 있다. According to an example of the present invention, data processing may be performed separately when the transfer robot performs pick and when it performs place.
이상의 실시 예들은 본 발명의 이해를 돕기 위하여 제시된 것으로, 본 발명의 범위를 제한하지 않으며, 이로부터 다양한 변형 가능한 실시 예들도 본 발명의 범위에 속하는 것임을 이해하여야 한다. 본 발명에서 제공되는 도면은 본 발명의 최적의 실시예를 도시한 것에 불과하다. 본 발명의 기술적 보호범위는 특허청구범위의 기술적 사상에 의해 정해져야 할 것이며, 본 발명의 기술적 보호범위는 특허청구범위의 문언적 기재 그 자체로 한정되는 것이 아니라 실질적으로는 기술적 가치가 균등한 범주의 발명까지 미치는 것임을 이해하여야 한다.It should be understood that the above embodiments are provided to aid understanding of the present invention, and do not limit the scope of the present invention, and that various modifications possible therefrom also fall within the scope of the present invention. The drawings provided in the present invention merely illustrate optimal embodiments of the present invention. The scope of technical protection of the present invention should be determined by the technical spirit of the patent claims, and the scope of technical protection of the present invention is not limited to the literal description of the claims themselves, but is substantially a scope of equal technical value. It must be understood that this extends to the invention of .
10: 이상 진단 장치
100: 데이터 입력부
200: 데이터 분석부
300: 디스플레이부10: Abnormality diagnosis device
100: data input unit
200: Data analysis department
300: Display unit
Claims (20)
상기 이송 로봇의 AWC 데이터를 입력받는 데이터 입력부;
상기 데이터 입력부에서 입력된 AWC 데이터를 분석하는 데이터 분석부; 및
상기 데이터 입력부에서 입력된 상기 AWC 데이터 및 상기 AWC 데이터를 상기 데이터 분석부에서 분석한 데이터의 시간별 움직임을 시각적으로 표시할 수 있는 디스플레이부; 를 포함하는 이송 로봇의 이상 진단 장치.In a device that can diagnose abnormalities in a transfer robot that transfers a substrate,
a data input unit that receives AWC data of the transfer robot;
a data analysis unit that analyzes the AWC data input from the data input unit; and
A display unit capable of visually displaying the AWC data input from the data input unit and the time-dependent movement of the AWC data analyzed by the data analysis unit; An abnormality diagnosis device for a transfer robot including a.
상기 데이터 분석부는, 상기 AWC 데이터를 분석하여 AWC의 이동 경로를 분석하는 이송 로봇의 이상 진단 장치. According to paragraph 1,
The data analysis unit is an abnormality diagnosis device for a transfer robot that analyzes the AWC data and analyzes the movement path of the AWC.
상기 데이터 분석부는, 상기 AWC 데이터의 X, Y 좌표계 데이터를 극좌표계로 변환하는 이송 로봇의 이상 진단 장치. According to paragraph 2,
The data analysis unit is an abnormality diagnosis device for a transfer robot that converts the X, Y coordinate system data of the AWC data into a polar coordinate system.
상기 데이터 분석부는, 상기 극좌표계로 변환한 데이터를 단일 예측 모델을 통해 예측값을 산출하는 이송 로봇의 이상 진단 장치. According to paragraph 3,
The data analysis unit is an abnormality diagnosis device for a transfer robot that calculates a predicted value from the data converted to the polar coordinate system through a single prediction model.
상기 단일 예측 모델은 Rolling mean, Rolling std, 선형 회귀 방법, ARIMA (Autoregressive Integrated Moving Average), Exponential Smoothing by Time series patterns, Holt's Method 중 어느 하나를 이용하여 예측값을 산출하는 이송 로봇의 이상 진단 장치. According to paragraph 4,
The single prediction model is a transfer robot abnormality diagnosis device that calculates a prediction value using any one of Rolling mean, Rolling std, linear regression method, ARIMA (Autoregressive Integrated Moving Average), Exponential Smoothing by Time series patterns, and Holt's Method.
상기 단일 예측 모델을 통해 산출한 예측값에, 앙상블 기법을 적용하여 예측값을 최종적으로 결정하는 이송 로봇의 이상 진단 장치. According to clause 5,
An abnormality diagnosis device for a transfer robot that finally determines the predicted value by applying an ensemble technique to the predicted value calculated through the single prediction model.
상기 디스플레이부는, 상기 AWC 데이터 및 상기 AWC 데이터를 상기 데이터 분석부에서 분석한 데이터를 일정 시간 단위를 기준으로 서로 다른 색상으로 표시하는 이송 로봇의 이상 진단 장치. According to any one of claims 1 to 6,
The display unit displays the AWC data and data analyzed by the data analysis unit in different colors based on a certain time unit.
상기 디스플레이부는, 상기 AWC 데이터 및 상기 AWC 데이터를 상기 데이터 분석부에서 분석한 데이터의 X축 및 Y축 좌표의 구간별 산포 정보를 추가적으로 표시하는 이송 로봇의 이상 진단 장치. In clause 7,
The display unit is configured to additionally display the AWC data and section-specific distribution information of X-axis and Y-axis coordinates of the data analyzed by the data analysis unit.
상기 디스플레이부는, 경고를 발생할 수 있는 범위의 AWC의 좌표 영역인 제1 영역과, 알람을 발생할 수 있는 범위의 AWC의 좌표 영역인 제2 영역을 함께 표시하는 이송 로봇의 이상 진단 장치. In clause 7,
The display unit displays a first area, which is a coordinate area of the AWC in a range where a warning can be generated, and a second area, which is a coordinate area of the AWC in a range where an alarm can be generated.
상기 디스플레이부는, 상기 AWC 데이터의 좌표 이동 정보를 화살표로 표시하는 이송 로봇의 이상 진단 장치. In clause 7,
The display unit displays coordinate movement information of the AWC data with an arrow.
이송 로봇의 AWC 데이터를 입력받는 단계;
입력받은 AWC 데이터를 기반으로 데이터 분석을 수행하여, AWC 데이터의 미래 위치를 예측하는 단계;를 포함하는 이송 로봇의 이상 진단 방법. In a method for diagnosing abnormalities in a transfer robot that transfers a substrate,
Receiving AWC data of the transfer robot;
A method for diagnosing abnormalities in a transfer robot comprising: performing data analysis based on the input AWC data and predicting the future location of the AWC data.
입력받은 AWC 데이터를 기반으로 데이터 분석을 수행하여, AWC 데이터의 미래 위치를 예측하는 단계;는
상기 AWC 데이터의 X, Y 좌표계 데이터를 극좌표계로 변환하는 단계;를 포함하는 이송 로봇의 이상 진단 방법. According to clause 11,
Performing data analysis based on the input AWC data to predict the future location of the AWC data;
Converting the X, Y coordinate system data of the AWC data into polar coordinate system. An abnormality diagnosis method of a transfer robot comprising a.
입력받은 AWC 데이터를 기반으로 데이터 분석을 수행하여, AWC 데이터의 미래 위치를 예측하는 단계;는
상기 극좌표계로 변환한 데이터를 단일 예측 모델을 통해 예측값을 산출하는 단계;를 포함하는 이송 로봇의 이상 진단 방법.According to clause 12,
Performing data analysis based on the input AWC data to predict the future location of the AWC data;
A method for diagnosing abnormalities in a transfer robot comprising: calculating a predicted value from the data converted to the polar coordinate system through a single prediction model.
상기 단일 예측 모델은 Rolling mean, Rolling std, 선형 회귀 방법, ARIMA (Autoregressive Integrated Moving Average), Exponential Smoothing by Time series patterns, Holt's Method 중 어느 하나를 이용하여 예측값을 산출하는 이송 로봇의 이상 진단 방법.According to clause 13,
The single prediction model is a transfer robot abnormality diagnosis method that calculates a prediction value using any one of Rolling mean, Rolling std, linear regression method, ARIMA (Autoregressive Integrated Moving Average), Exponential Smoothing by Time series patterns, and Holt's Method.
상기 단일 예측 모델을 통해 산출한 예측값에, 앙상블 기법을 적용하여 예측값을 최종적으로 결정하는 단계;를 더 포함하는 이송 로봇의 이상 진단 방법. According to clause 14,
A method for diagnosing abnormalities in a transfer robot further comprising: applying an ensemble technique to the predicted value calculated through the single prediction model to finally determine the predicted value.
상기 최종적으로 결정한 예측값과, 입력받은 AWC 데이터의 시간별 움직임을 시각적으로 표시하는 단계;를 더 포함하는 이송 로봇의 이상 진단 방법. According to clause 15,
A method for diagnosing abnormalities in a transfer robot further comprising: visually displaying the finally determined predicted value and the time-dependent movement of the input AWC data.
상기 시각적으로 표시하는 단계는,
상기 최종적으로 결정한 예측값과, 입력받은 AWC 데이터를 일정 시간 단위를 기준으로 서로 다른 색상으로 표시하는 이송 로봇의 이상 진단 방법. According to clause 16,
The visual display step is,
An abnormality diagnosis method for a transfer robot that displays the finally determined predicted value and the input AWC data in different colors based on a certain time unit.
상기 시각적으로 표시하는 단계는,
상기 최종적으로 결정한 예측값과, 입력받은 AWC 데이터의 X축 및 Y축 좌표의 구간별 산포 정보를 추가적으로 표시하는 이송 로봇의 이상 진단 방법. According to clause 16,
The visual display step is,
An abnormality diagnosis method for a transfer robot that additionally displays the finally determined predicted value and sectional distribution information of the X- and Y-axis coordinates of the input AWC data.
상기 시각적으로 표시하는 단계는,
경고를 발생할 수 있는 범위의 AWC의 좌표 영역인 제1 영역과, 알람을 발생할 수 있는 범위의 AWC의 좌표 영역인 제2 영역을 함께 표시하는 이송 로봇의 이상 진단 방법. According to clause 16,
The visual display step is,
A method for diagnosing abnormalities in a transfer robot that displays a first area, which is the coordinate area of the AWC in a range where a warning can be generated, and a second area, which is the coordinate area of the AWC in a range where an alarm can be generated.
A computer-readable recording medium on which a program for executing the method for diagnosing an abnormality in a transfer robot according to any one of claims 11 to 19 is recorded.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200186271A KR102597583B1 (en) | 2020-12-29 | 2020-12-29 | Device and method for diagnosing abnormalities in transfer robots |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200186271A KR102597583B1 (en) | 2020-12-29 | 2020-12-29 | Device and method for diagnosing abnormalities in transfer robots |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20220094740A KR20220094740A (en) | 2022-07-06 |
| KR102597583B1 true KR102597583B1 (en) | 2023-11-02 |
Family
ID=82399849
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200186271A KR102597583B1 (en) | 2020-12-29 | 2020-12-29 | Device and method for diagnosing abnormalities in transfer robots |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102597583B1 (en) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2011091072A (en) | 2009-10-20 | 2011-05-06 | Hitachi High-Tech Control Systems Corp | Diagnosis method of semiconductor wafer conveying device |
| JP2019025618A (en) | 2017-08-01 | 2019-02-21 | オムロン株式会社 | Robot control apparatus, robot control method, and robot control program |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2009084630A1 (en) * | 2007-12-27 | 2009-07-09 | Ulvac, Inc. | Transfer robot diagnosis system |
| KR20110022023A (en) * | 2011-02-15 | 2011-03-04 | 주식회사 아토 | Substrate transfer robot and substrate processing system having the same and method for teaching the same |
| JP6489034B2 (en) * | 2016-02-01 | 2019-03-27 | 東京エレクトロン株式会社 | Substrate transport apparatus and substrate transport method |
| JP7202176B2 (en) * | 2018-12-21 | 2023-01-11 | キヤノン株式会社 | Conveyor, Substrate Processing Apparatus, and Article Manufacturing Method |
| KR102272872B1 (en) * | 2019-06-18 | 2021-07-05 | 블루테크코리아 주식회사 | Semiconductor Production Process Robot Diagnostics Method |
-
2020
- 2020-12-29 KR KR1020200186271A patent/KR102597583B1/en active IP Right Grant
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2011091072A (en) | 2009-10-20 | 2011-05-06 | Hitachi High-Tech Control Systems Corp | Diagnosis method of semiconductor wafer conveying device |
| JP2019025618A (en) | 2017-08-01 | 2019-02-21 | オムロン株式会社 | Robot control apparatus, robot control method, and robot control program |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20220094740A (en) | 2022-07-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11940740B2 (en) | Methods and apparatus for obtaining diagnostic information relating to an industrial process | |
| US11761904B2 (en) | Smart defect calibration system in semiconductor wafer manufacturing | |
| TWI649650B (en) | Methods of modelling systems or performing predictive maintenance of systems, such as lithographic systems, and associated lithographic systems | |
| CN103187343B (en) | Intelligent defect diagnostic method | |
| TW201937309A (en) | Methods of modelling systems or performing predictive maintenance of systems, such as lithographic systems and associated lithographic systems | |
| TW200307972A (en) | Correlation of end-of-line data mining with process tool data mining | |
| US20120022679A1 (en) | Advanced process control optimization | |
| TW201514513A (en) | Adaptive electrical testing of wafers | |
| KR102597583B1 (en) | Device and method for diagnosing abnormalities in transfer robots | |
| Le Gratiet et al. | A proof of concept of remote contour-based SEM metrology integration in HVM environment | |
| US7533313B1 (en) | Method and apparatus for identifying outlier data | |
| JP2011054804A (en) | Method and system for management of semiconductor manufacturing device | |
| Nijhawan et al. | On development of change point based generalized SRGM for software with multiple releases | |
| KR20240030046A (en) | Apparatus and method of diagonizing malfunction of wafer trasferring robot | |
| CN106547690B (en) | Based on the Software Reliability Modeling method and device under new fitting criterion | |
| TW200424816A (en) | Method for automatic configuration of a processing system | |
| US20240112961A1 (en) | Matching pre-processing and post-processing substrate samples | |
| Solecky | Metrology tool fleet management: a comprehensive discussion of requirements and solutions | |
| TW202221430A (en) | Automatic window generation for process trace | |
| Yu et al. | Implementation of an efficient defect classification methodology for advanced reticle inspection | |
| JP2007251136A (en) | Deduced pattern generating method, manufacture managing method, calculating device, and manufacture managing system | |
| Bae et al. | Prediction modeling for ingot manufacturing process utilizing data mining roadmap including dynamic polynomial neural network and bootstrap method | |
| JP2005092406A (en) | Providing system for yield improvement information, and yield improvement method | |
| CN105630642A (en) | Abnormity diagnosis method and device based on PCA (Principle Component Analysis) residual space |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |