申请/专利权人：泓浒(苏州)半导体科技有限公司

申请日：2024-04-03

公开（公告）日：2024-05-28

公开（公告）号：CN117984334B

主分类号：B25J9/16

分类号：B25J9/16

优先权：

专利状态码：有效-授权

法律状态：2024.05.28#授权;2024.05.24#实质审查的生效;2024.05.07#公开

摘要：本发明属于机械臂力矩调整技术领域，本发明公开了一种自适应晶圆机械臂力矩调整系统及方法，方法包括：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；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；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，根据计算出的最优机械臂力矩值调整当前机械臂力矩值；能够根据不同晶圆情况实时调整力矩，提高工作效率，减少物料损耗。

主权项：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：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；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；所述第一机器学习模型的构建方法包括：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；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；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，第二LSTM层的权重矩阵W5、W6、W7与W8大小为64，128，第二LSTM层的偏置向量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，输出层的权重矩阵W9大小为6，64，输出层的偏置向量B9大小为6，1，使用ReLU函数激活；所述第二机器学习模型训练方法包括：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；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；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；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；速度平稳损失： ；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；距离目标损失： ；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；总损失： ；式中，和代表两个损失项的权重，为预设值；优化目标就是最小化，通过反向传播算法更新模型参数： ；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；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；根据计算出的最优机械臂力矩值调整当前机械臂力矩值。

全文数据：

权利要求：

百度查询： 泓浒(苏州)半导体科技有限公司 一种自适应晶圆机械臂力矩调整系统及方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD