System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及机械臂力矩调整,更具体地说,本专利技术涉及一种自适应晶圆机械臂力矩调整系统及方法。
技术介绍
1、半导体晶圆生产线是采用集成电路制造工艺从晶圆制成芯片的关键基础工艺。晶圆在不同工艺工序之间需要晶圆负载机械手实现晶圆的整体运输,是生产线关键环节之一。
2、然而,不同规格和材质参数的晶圆都会对机械臂的工作造成不同影响,晶圆本身较脆弱,因此需要高精度地进行作业,这使得在作业时,需要晶圆机械臂根据不同规格和材质参数的晶圆进行自动的细微调整,传统的固定力矩调整方式难以适应各种规格和材质参数的晶圆在不同运动状态下的惯性变化。这将导致晶圆在运输过程中出现震动,增加损伤风险;或力矩设置过小,影响晶圆的稳定性。
3、现有公开号为cn114211495a的专利公开了面向半导体晶圆传送机械臂的自适应轨迹优化方法及系统,方法包括:基于建立的机械臂笛卡尔空间轨迹的描述函数构建曲率半径变化模型;确定拟合曲率半径与速度的变化关系的运动函数以根据所述曲率半径变化模型构建机械臂在任意位置的速度变化模型;根据笛卡尔空间与关节空间的映射关系获得关节空间内的速度函数;将根据所述速度变化模型计算得到的速度值依据所述速度函数获得关节空间内的速度约束;在所述速度约束中加入奇异点位置以限制机械臂在奇异点附近的最大速度。通过建立曲率半径变化模型和速度变化模型,实现了在笛卡尔空间中轨迹速度的自适应加速和降速,提高了在轨迹拐点的运行稳定性和精度。
4、上述专利技术考虑了该如何通过调整速度使得机械臂运行稳定且精准,未解决如何调整机械臂
5、为了解决此类现实问题,本专利技术提供一种自适应晶圆机械臂力矩调整系统及方法。
技术实现思路
1、为了克服现有技术的上述缺陷,本专利技术提供一种自适应晶圆机械臂力矩调整系统及方法,可以实时获取晶圆表征参数,并通过晶圆表征参数得出机械臂旋转的惯性系数;通过深度学习判断机械臂最优角加速度,从而调整机械臂输出的最佳力矩,实现搬运不同晶圆都能实时达到搬运的最优角加速度,提高晶圆自动化生产线的灵活性和效率。
2、一种自适应晶圆机械臂力矩调整方法,方法包括:
3、当机械臂进入预定工作区域后,通过条码传感器识别晶圆的id编号,与后台数据库匹配获得晶圆表征数据;
4、将晶圆表征数据输入至预构建的第一机器学习模型,得出对应的机械臂旋转惯性系数;收集路径信息;将路径信息与晶圆表征数据输入至预构建的第二机器学习模型,得出对应的最优机械臂角加速度;
5、将机械臂旋转惯性系数与最优机械臂角加速度输入至预构建的角加速度-力矩数学模型中输出最优机械臂力矩值;
6、根据计算出的最优机械臂力矩值调整当前机械臂力矩值。
7、进一步地,所述晶圆表征数据包括晶圆半径、晶圆密度、晶圆厚度与晶圆质量。
8、进一步地,所述第一机器学习模型的构建方法包括:
9、将一组晶圆表征数据与机械臂旋转惯性系数转换为对应的一组特征向量;
10、将每组特征向量中的晶圆表征数据作为第一机器学习模型的输入,所述第一机器学习模型以一组晶圆表征数据预测的机械臂旋转惯性系数作为输出,以一组晶圆表征数据实际对应的机械臂旋转惯性系数作为预测目标,以最小化第一机器学习模型的损失函数值作为训练目标;当第一机器学习模型的损失函数值小于等于预设的目标损失值时停止训练。
11、进一步地,所述路径信息包括路径完成的最长限定时间、路径的动态限制与任务路径规划距离;路径的动态限制为机械臂最大角加速度安全阈值。
12、进一步地,所述第二机器学习模型为lstm网络,lstm网络包括一个输入层、两个lstm层与一个输出层,两个lstm层包括第一lstm层与第二lstm层;输入层输入维度为5,对应路径信息与晶圆表征数据,输入序列长度设为t,t代表lstm网络需要学习和预测的时间范围,即路径任务执行过程被时间轴离散成的时间步数;第一lstm层隐藏单元数设置为128,包含四组件,四组件包括遗忘门、输入门、单元状态更新门与输出门,四组件中每个组件都对应一个权重矩阵和一个偏置向量,权重矩阵w1、w2、w3与w4大小为(128,5),偏置向量b1、b2、b3与b4大小为(128,1),第二lstm层隐藏单元数设置为64,权重矩阵w5、w6、w7与w8大小为(64,128),偏置向量b5、b6、b7与b8大小为(64,1);输出层输出单元数为预测任务需要的角加速度向量长度,权重矩阵w9大小为(6,64),偏置向量b9大小为(6,1),使用relu函数激活。
13、进一步地,所述第二机器学习模型训练方法包括:
14、初始化模型参数,lstm层的参数均值为0,在标准差为0.1的正态分布中随机初始化lstm层的参数;
15、数据预处理,从历史数据集中随机采样i组历史数据作为输入,历史数据集包括r组历史数据,i∈r,i与r均为大于1的整数;每组历史数据包括角加速度、晶圆表征数据与路径信息;角加速度的数据由陀螺仪传感器得到;
16、前向传播,输入序列经lstm网络进行多时间步预测,输出角加速度序列;
17、计算损失,速度平稳损失=相邻步角加速度差绝对值和,距离目标损失=(实际时间步的位置-期望位置)的平方和,总损失根据速度平稳损失与距离目标损失计算得到,反向传播计算参数梯度,使用adamoptimizer以学习率0.001更新参数,在仿真环境执行预测动作,计算总损失,根据总损失信号不断更新lstm网络,每次迭代都随机选取新batch训练,直至总损失收敛,得到训练完成的第二机器学习模型,将路径信息与晶圆表征数据输入至第二机器学习模型,即可得出对应的最优机械臂角加速度;
18、速度平稳损失:
19、;
20、式中,为速度平稳损失,代表第个时间步的预测角加速度,为输入序列长度;
21、距离目标损失:
22、;
23、式中,为距离目标损失,代表实际的第个时间步的位置,代表每个时刻的期望位置;
24、总损失:
25、;
26、式中,和代表两个损失项的权重,为预设值;
27、优化目标就是最小化,通过反向传播算法更新模型参数:
28、;
29、式中,代表学习率;为上一个总损失参数与当前总损失参数的差值。
30、进一步地,所述角加速度-力矩数学模型构建方法包括:
31、输入机械臂旋转惯性系数与最优机械臂角加速度,输出最优机器臂力矩值;
32、。
33、进一步的,根据计算出的最优机械臂力矩值调整当前机械臂力矩值的方法包括:
34、使用机械臂控制程序,实时读取当前机械臂力矩值,以预设力矩改变量δt调整当前机械臂力矩值得到调整后力矩值,当调整后力矩本文档来自技高网...
【技术保护点】
1.一种自适应晶圆机械臂力矩调整方法,其特征在于,方法包括:
2.根据权利要求1所述的一种自适应晶圆机械臂力矩调整方法,其特征在于,所述晶圆表征数据包括晶圆半径、晶圆密度、晶圆厚度与晶圆质量。
3.根据权利要求1所述的一种自适应晶圆机械臂力矩调整方法,其特征在于,所述第一机器学习模型的构建方法包括:
4.根据权利要求1所述的一种自适应晶圆机械臂力矩调整方法,其特征在于,所述路径信息包括路径完成的最长限定时间、路径的动态限制与任务路径规划距离;所述路径的动态限制为机械臂最大角加速度安全阈值。
5.根据权利要求1所述的一种自适应晶圆机械臂力矩调整方法,其特征在于,所述第二机器学习模型为LSTM网络,LSTM网络包括一个输入层、两个LSTM层与一个输出层,两个LSTM层包括第一LSTM层与第二LSTM层;输入层输入维度为5,对应路径信息与晶圆表征数据,输入序列长度设为T,T代表LSTM网络需要学习和预测的时间范围,即路径任务执行过程被时间轴离散成的时间步数;第一LSTM层隐藏单元数设置为128,包含四组件,四组件包括遗忘门、输入门、单元状
6.根据权利要求5所述的一种自适应晶圆机械臂力矩调整方法,其特征在于,所述第二机器学习模型训练方法包括:
7.根据权利要求6所述的一种自适应晶圆机械臂力矩调整方法,其特征在于,所述角加速度-力矩数学模型构建方法包括:
8.根据权利要求7所述的一种自适应晶圆机械臂力矩调整方法,其特征在于,根据计算出的最优机械臂力矩值调整当前机械臂力矩值的方法包括:
9.一种自适应晶圆机械臂力矩调整系统,其特征在于,实施权利要求1-8任一项所述的一种自适应晶圆机械臂力矩调整方法,系统包括:
10.一种电子设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时,实现权利要求1-8任一项所述的一种自适应晶圆机械臂力矩调整方法。
11.一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1-8任一项所述的一种自适应晶圆机械臂力矩调整方法。
...【技术特征摘要】
1.一种自适应晶圆机械臂力矩调整方法,其特征在于,方法包括:
2.根据权利要求1所述的一种自适应晶圆机械臂力矩调整方法,其特征在于,所述晶圆表征数据包括晶圆半径、晶圆密度、晶圆厚度与晶圆质量。
3.根据权利要求1所述的一种自适应晶圆机械臂力矩调整方法,其特征在于,所述第一机器学习模型的构建方法包括:
4.根据权利要求1所述的一种自适应晶圆机械臂力矩调整方法,其特征在于,所述路径信息包括路径完成的最长限定时间、路径的动态限制与任务路径规划距离;所述路径的动态限制为机械臂最大角加速度安全阈值。
5.根据权利要求1所述的一种自适应晶圆机械臂力矩调整方法,其特征在于,所述第二机器学习模型为lstm网络,lstm网络包括一个输入层、两个lstm层与一个输出层,两个lstm层包括第一lstm层与第二lstm层;输入层输入维度为5,对应路径信息与晶圆表征数据,输入序列长度设为t,t代表lstm网络需要学习和预测的时间范围,即路径任务执行过程被时间轴离散成的时间步数;第一lstm层隐藏单元数设置为128,包含四组件,四组件包括遗忘门、输入门、单元状态更新门与输出门,四组件中每个组件都对应一个权重矩阵和一个偏置向量,权重矩阵w1、w2、w3与w4大小为(128,5),偏置向量b1、b2、b3与b4大小为(128,1),第二lstm层隐藏单元数设置为64,第...
【专利技术属性】
技术研发人员:林坚,王彭,吴国明,王栋梁,
申请(专利权)人:泓浒苏州半导体科技有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。