CN117672928B - 一种开盒方法 - Google Patents

Abstract

本申请公开了一种开盒方法，用于EFEM开盒的控制，涉及半导体制备技术领域，包括：采集气体数据和温湿度数据；判断气体浓度或气体成分是否超过阈值，如果是则根据预设的第一气体过滤策略进行气体过滤；计算接收的温湿度数据与目标温湿度的偏差，根据偏差通过PID算法生成第一温控策略，根据第一温控策略调节温湿度；计算气体洁净度指标和温湿度稳定性指标；判断指标是否超过阈值，如果是则主控模块基于机器学习模型生成第二气体过滤策略和第二温控策略；判断指标是否满足开盒条件，如果是则发送开盒指令给机械手模块；机械手模块接收并执行开盒指令。针对现有技术中晶圆良率低的问题，本申请通过多级气体过滤、温湿度精确控制等提高晶圆的制造良率。

Description

一种开盒方法

技术领域

本申请涉及半导体制备技术领域，特别涉及一种开盒方法，用于EFEM开盒的控制。

背景技术

随着集成电路制造工艺的不断缩小，晶圆制造环境的洁净度要求越来越高。晶圆在制造、处理和封装环节中极易受微小颗粒、化学污染等影响，导致晶圆表面缺陷增加，良率降低。如何提高晶圆的制造良率，是半导体行业亟需解决的问题。

晶圆盒是晶圆在制造和运输过程中的重要载体和屏障。目前，晶圆盒的开盒过程主要依靠操作人员经验，缺乏气体洁净度和温湿度的实时监控。而气体中的微小颗粒污染以及温湿度的不稳定直接影响开盒环境，可能导致开盒后的晶圆表面质量下降。

在相关技术中，比如中国专利文献CN111090295A中提供了一种EFEM中环境参数的控制方法及控制系统。控制方法包括：在EFEM的外部设置一个具有设定体积的洁净空间；去除洁净空间内的预定杂物；使洁净空间内的温度加热至预定温度后向EFEM内部送风；根据EFEM内部的温度和湿度动态调节洁净空间内的加热温度，以使EFEM内部恒温恒湿。本申请在EFEM的外部设置洁净空间，通过对洁净空间进行酸、碱、挥发性有机化合物、颗粒物等杂质的过滤去除后向EFEM内部输送无尘高温气体，并通过动态调节洁净空间内的温度使EFEM处于恒温恒湿环境，保证晶圆在EFEM传送过程中不会出现气体在晶圆表面结露的情况，但是本申请至少存在：缺乏智能优化控制策略，无法适应EFEM内环境的复杂变化，从而导致晶圆的制造良率有待进一步提高。

发明内容

1.要解决的技术问题

针对现有技术中存在的晶圆的良率低的问题，本申请提供了一种开盒方法，用于EFEM开盒的控制，通过多级气体过滤、温湿度精确控制和自适应过滤策略等，可以实现开盒环境的气体洁净度和温湿度稳定在理想状态，从而有效提高晶圆的制造良率。

2.技术方案

本申请的目的通过以下技术方案实现一种开盒方法，包括：步骤一，气体监测模块采集包含气体浓度和气体成分的气体数据，并发送给气体控制模块；步骤二，温湿度监测模块采集包含温度和湿度的温湿度数据，并发送给温控模块；步骤三，气体控制模块接收气体数据，判断气体浓度或气体成分是否超过阈值，如果是则根据预设的第一气体过滤策略进行气体过滤，并将气体过滤中的气体数据发送给主控模块；步骤四，温控模块接收温湿度数据，计算接收的温湿度数据与目标温湿度的偏差，根据偏差通过PID算法生成第一温控策略，根据第一温控策略调节温湿度，并将调节过程中的温湿度数据发送给主控模块；步骤五，主控模块接收气体数据和温湿度数据，计算气体稳定性评价指标KPI1和温湿度稳定性指标KPI2；判断指标是否超过阈值，如果是，则调用SVM模型生成的第二气体过滤策略，调用BP网络模型生成第二温控策略，并分别发送给气体控制模块和温控模块；步骤六，气体控制模块接收并根据第二气体过滤策略进行气体过滤；温控模块接收并根据第二温控策略调节温湿度；步骤七，主控模块判断气体稳定性评价指标KPI1和温湿度稳定性指标KPI2是否达到开盒条件，如果是则发送开盒指令给机械手模块；步骤八，机械手模块接收并执行开盒指令。

进一步地，第一气体过滤策略包含：第一级预过滤，当气体污染物粒径大于5μm时，设定气体以0.1m/s的速度经过滤芯筒外侧进入，利用5μm孔径的聚丙烯滤料进行从内向外的筛过滤，以去除气体中大于5μm的颗粒杂质；第二级高效过滤，当气体污染物粒径为0.3μm至5μm时，设定气体以0.05m/s的速度经过滤芯筒内侧进入，先通过0.3μm玻璃微纤维滤料层以去除0.3μm至5μm微细颗粒，再通过活性炭层吸附气体中的挥发性有机污染物；第三级活性炭吸附，对于挥发性有机污染物浓度高于10ppb时，利用气体通过两层活性炭过滤芯筒，活性炭采用椭圆形颗粒，利用1700m2/g的比表面积的活性炭吸附气体中的挥发性有机污染物；第四级气体净化，当气体中的残留污染物浓度高于100ppt时，将气体经感应电极激发生成的非热等离子体，利用等离子体中的氧离子氧化分解气体中的残留污染物；第五级负压吸附，经四级过滤后，当气体中的残留污染物浓度高于10ppt时，施加0.05MPa负压，利用负压增强活性炭的吸附能力，净化气体中的残留污染物。

进一步地，步骤一包括：设置多组气体传感器，采集气体数据，气体数据包含气体浓度和多种气体成分；将采集的气体数据，气体数据输入到预先建立的数据融合模块中，数据融合模块基于粒子滤波算法，输出融合后的气体数据；将融合后数据输入到数据校正模型中，数据校正模型利用预设的动态校准策略对气体数据进行校准，输出校准后的气体数据；将校准后气体数据输入到气体控制模型中，气体控制模型基于MRAC算法建立，使用校准后的气体数据更新第一气体过滤策略的控制参数；将校准后的气体数据发送给气体控制模块。

进一步地，生成第二气体过滤策略和第二温控策略的步骤包括：获取气体传感器的空间坐标信息和采集的气体数据；根据获取的气体传感器的空间坐标信息和气体浓度，计算气体浓度在空间分布的统计均值和标准差，作为气体稳定性评价指标KPI1；建立开盒环境三维几何模型，采用Fluent软件进行网格划分，进行温湿度场的CFD仿真；根据CFD仿真，提取温度场和湿度场的变化范围，计算变化幅度，作为温湿度稳定性指标KPI2；构建LASSO回归模型，根据气体传感器的空间坐标信息，调整KPI1中各气体成分的权重；建立基于CFD仿真的气体扩散与温湿度耦合模型，采用Bayes网络分别计算KPI1和KPI2的超限概率P1和P2；当超限概率P1或P2超过阈值时，主控模块调用SVM模型，根据气体数据生成的第二气体过滤策略；主控模块调用BP网络模型，根据CFD温湿度数据生成第二温控策略；将第二气体过滤策略发送给气体控制模块，将第二温控策略发送给温控模块。

进一步地，步骤七包括：设置气体洁净度开盒阈值α和温湿度开盒阈值β；构建一双层LSTM网络作为温湿度预测模型，LSTM网络包含编码器和解码器；使用Pt100和湿度传感器采集温湿度时间序列，将温湿度时间序列输入到编码器中，编码器根据LSTM网络提取时间序列的特征，并输出第一特征表达向量；将CFD仿真的结果输入到编码器，生成第二特征表达向量；第二特征表达向量输入到解码器中，解码器根据LSTM网络对温湿度状态进行预测，并输出第三特征表达向量；判断第三特征表达向量所表示的温湿度状态是否在允许温度范围20℃至25℃以及允许湿度范围40％RH至50％RH内；判断气体稳定性评价指标KPI1是否低于气体开盒阈值α；判断温湿度稳定性评价指标KPI2是否低于温湿度开盒阈值β；如果以上条件均满足，则判定开盒条件成立；主控模块向机械手下发Profinet开盒执行指令。

进一步地，对采集的气体数据进行融合的步骤包括：将气体传感器采集的气体数据作为粒子滤波算法的观测量，气体传感器类型包含红外气体传感器和气体色谱仪；利用基于Kullback Leibler散度的采样方法初始化粒子状态，生成后验概率分布的第一粒子状态；对第一粒子状态，应用在线自适应调整过程噪声协方差矩阵的卡尔曼滤波算法，进行状态预测，输出预测状态；计算第一粒子状态的权重时，引入基于CFD气体传播模型的空间约束关系，并结合使用预训练的卷积神经网络提取的气体数据的深度特征，作为权重计算的先验知识；根据深度特征，通过Auxiliary Particle Filter算法对粒子进行重采样，生成第二粒子状态；对采样获得的第二粒子状态，利用卡尔曼滤波算法修正，输出修正后的第二粒子状态；将修正后的第二粒子状态进行加权平均，得到气体浓度融合值；计算气体浓度融合值与采集的气体数据的误差，根据误差采用高斯牛顿法自适应调整上述卡尔曼滤波算法的过程噪声参数；递归执行上述步骤，输出融合后的气体浓度和气体成分。

进一步地，对融合后的气体数据进行校准的步骤包括：获取气体传感器采集的气体数据，并通过时序分析算法获得气体传感器的信号漂移模式；根据获取的信号漂移模式，采用递增微分算法计算气体传感器的零点校准参数和灵敏度校准参数；根据采集的气体数据、零点校准参数和灵敏度校准参数，计算气体数据的补偿控制量；利用获得的补偿控制量，对采集的气体数据进行闭环PID控制，生成经校准后的气体数据。

进一步地，利用校准后的气体数据更新第一气体过滤策略的步骤包括：构建基于MRAC算法的气体控制模型，气体控制模型包含预设的第一气体过滤策略F1；将校准后的气体数据输入气体控制模型，基于RLS算法，生成过滤策略F1'；计算第一气体过滤策略F1与过滤策略F1'的误差；基于自适应控制算法，根据误差计算气体过滤的控制输入量Δu；根据控制输入量Δu对第一气体过滤策略进行调整；递归执行MRAC算法，更新第一气体过滤策略。

进一步地，步骤三包括：气体控制模块内设置气体阈值数据库，数据库中预设多种气体成分的阈值；气体控制模块接收气体监测模块输出的气体数据；根据数据库中的气体成分的阈值，利用模糊控制算法判断气体数据是否超过阈值，如果是，则根据预设的第一气体过滤策略进行气体过滤；采用MEMS压力传感器监测气体压力，将监测的气体压力输入到气体流量智能调节装置；气体流量智能调节装置，采用自适应PID算法控制电子射频阀门，以调节气体流量。

进一步地，步骤四包括：获取采集的气体的温湿度数据；根据增量式PID算法，计算采集温湿度数据与目标温湿度的偏差e(t)；根据偏差e(t)，利用PID算法生成温控输出量u(t)；将u(t)通过DAC转换为0V至10V电压信号，作为三通换热阀的控制信号；三通换热阀精确调节气体流过电加热器和Peltier制冷器的比例，控制气体温湿度；采用电子计数器获取温控过程中的温度调节次数和湿度调节次数。

3.有益效果

相比于现有技术，本申请的优点在于：

(1)使用PID算法和三通换热器，本方案能够实现对开盒环境温湿度的快速、精确控制，这是至关重要的，因为晶圆制造对环境温湿度的高度稳定性要求极高，通过防止温湿度波动对晶圆性能的不良影响，提高了晶圆的制造良率；

(2)引入机器学习模型生成温控策略和气体过滤策略，使系统具备智能化和自适应性。相较于传统的静态预定策略，这种智能决策系统可以根据实际情况进行学习和优化，从而更好地适应复杂和变化的开盒环境条件，这提高了系统的性能和效率，有助于提高晶圆的制造良率；

(3)设置了气体洁净度和温湿度的联动判断机制，只有在两个关键指标均满足条件时才执行开盒操作，这一机制确保了开盒环境的完善性，避免了在不适宜的环境条件下执行开盒操作对晶圆制造的不良影响，提高晶圆的制造良率。

附图说明

本说明书将以示例性实施例的方式进一步描述，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：

图1是根据本说明书一些实施例所示的一种开盒方法的示例性流程图；

图2是根据本说明书一些实施例所示的对采集的气体数据进行处理的示例性流程图；

图3是根据本说明书一些实施例所示的利用第一气体过滤策略进行气体过滤的示例性流程图；

图4是根据本说明书一些实施例所示的利用第一温控策略调节温湿度的示例性流程图；

图5是根据本说明书一些实施例所示的生成第二气体过滤策略和第二温控策略的示例性流程图；

图6是根据本说明书一些实施例所示的生成开盒指令的示例性流程图。

具体实施方式

下面结合附图对本说明书实施例提供的方法和系统进行详细说明。

图1是根据本说明书一些实施例所示的一种开盒方法的示例性流程图，如图1所示，一种开盒方法包括如下步骤：

S100气体监测模块采集包含气体浓度和气体成分的气体数据，并发送给气体控制模块；在本申请中，气体监测模块可以采用：热式气体传感器：可以检测空气中O2、CO2等气体成分；光学气体传感器，例如非色散红外气体传感器，可以检测CO、CH4等；半导体气体传感器：可以检测H2、NH3、NO2等毒气；电化学传感器，可以检测O3、SO2、NO等气体；在晶圆的制造过程中，监测的主要气体成分包括：碳化氢：如甲烷、乙炔、丙烯等，会产生化学污染；氧化氮，如一氧化二氮、二氧化氮，会腐蚀材料表面；硫化合物，如二氧化硫、硫化氢，会引起腐蚀；氯化物，如氯气、氯化氢，强腐蚀性；氟化物，如六氟化硫、氟化氢，会腐蚀晶片；二氧化碳，会影响材料性能；水分：会引起静电反应，降低制造良率；氨气，会造成化学污染；挥发性有机物：如甲醛、丙酮等，会污染晶片表面；颗粒物，各种尘埃颗粒，会造成机械损伤。气体浓度指的是环境中特定气体的浓度，通常以单位体积内的ppm(百万分之一)、ppb(十亿分之一)或ppt(万亿分之一)来表示，用于衡量气体的微量或超微量存在。气体控制模块是一个用于管理和控制气体处理系统的计算机化设备或系统。它接收从气体监测模块传来的气体数据，根据预定的算法和逻辑来控制气体处理步骤，例如，启动不同级别的过滤策略以确保气体的洁净度。气体控制模块可以包括传感器接口、控制算法、执行器控制以及与其他系统的通信功能。

S200温湿度监测模块采集包含温度和湿度的温湿度数据，并发送给温控模块；温控模块是一种设备或系统，用于监测和调节环境中的温度。在本申请中，温控模块的主要任务是接收来自温湿度监测模块的温度数据，并根据这些数据采取措施来维持或调节环境的温度。通常，温控模块包括温度传感器、控制算法和执行器(例如加热器或冷却器)，它可以根据测量到的温度数据来控制环境中的温度。在半导体制造中，许多工艺和设备对温度非常敏感，晶圆制造过程需要在特定的温度范围内进行，以确保产品质量和性能。

S300气体控制模块接收气体数据，判断气体浓度或气体成分是否超过阈值，如果是则根据预设的第一气体过滤策略进行气体过滤，并将气体过滤中的压力值和气体成分反馈给主控模块；其中，第一气体过滤策略是EFEM控制方法的核心部分包含：第一级预过滤：当气体中的污染物粒径大于5μm时，气体以0.1m/s的速度通过滤芯筒的外侧进入。在这个级别，采用了5μm孔径的聚丙烯滤料，该滤料从内向外筛选气体，以去除气体中大于5μm的颗粒杂质。第二级高效过滤：当气体中的污染物粒径在0.3μm至5μm之间时，气体以0.05m/s的速度通过滤芯筒的内侧进入。这一级别首先通过0.3μm玻璃微纤维滤料层，去除0.3μm至5μm的微细颗粒，然后通过活性炭层吸附气体中的挥发性有机污染物。第三级活性炭吸附：当气体中的挥发性有机污染物浓度高于10ppb时，气体通过两层活性炭过滤芯筒。这些活性炭层采用椭圆形颗粒，具有高达1700m2/g的比表面积，以高效吸附气体中的挥发性有机污染物。第四级气体净化：当气体中的残留污染物浓度高于100ppt时，系统引入感应电极激发的非热等离子体。这个等离子体中的氧离子用于氧化分解气体中的残留污染物，从而进一步提高气体的洁净度。第五级负压吸附：经过前四级过滤后，如果气体中仍然存在残留污染物，系统会施加0.05MPa的负压。这个负压有助于增强活性炭的吸附能力，进一步净化气体中的残留污染物，确保环境气体的洁净度。这一EFEM气体过滤策略的方法采用多级过滤和吸附技术，确保了晶圆制造过程中的高洁净度和稳定的温湿度环境。通过使用机器学习模型和联动判断机制，系统能够根据实时数据自适应地调整过滤和温湿度控制策略，从而提高了晶圆制造的质量和良率。

S400温控模块接收温湿度数据，计算接收的温湿度数据与目标温湿度的偏差，根据偏差通过PID算法生成第一温控策略，根据第一温控策略调节温湿度，并将调节过程中的温度调节次数和湿度调节次数反馈给主控模块；具体技术方案详见下文。

S500主控模块接收气体数据和温湿度数据，计算气体稳定性评价指标KPI1和温湿度稳定性指标KPI2；判断指标是否超过阈值，如果是，则调用SVM模型生成的第二气体过滤策略，调用BP网络模型生成第二温控策略，并分别发送给气体控制模块和温控模块；具体技术方案详见下文。

S600气体控制模块接收并根据第二气体过滤策略进行气体过滤；温控模块接收并根据第二温控策略调节温湿度；具体技术方案详见下文。

S700主控模块判断气体稳定性评价指标KPI1和温湿度稳定性指标KPI2是否达到开盒条件，如果是则发送开盒指令给机械手模块。

综上所述，气体监测模块对EFEM机箱内的气体成分进行全面监测，获得气体浓度等数据；温湿度监测模块获取温湿度参数。气体控制模块利用多级过滤策略净化气体，并将压力等数据反馈给主控模块；温控模块采用PID算法精确调节温湿度，反馈调节次数等数据。主控模块计算气体洁净度与温湿度稳定性指标，利用机器学习模型优化生成新的气体过滤策略与温控策略，实现对开盒环境的优化。在气体洁净度与温湿度指标均达标时，给出开盒指令，由机械手模块执行开盒。这种开盒方法通过精确的气体监测和控制、温湿度监测和控制、智能化的机器学习优化以及联动判断机制，有效地提高了晶圆制造的良率。

图2是根据本说明书一些实施例所示的对采集的气体数据进行处理的示例性流程图，当前EFEM开盒控制系统无法获得高精度的气体监测数据，使得气体洁净度控制精确性较差，降低了晶圆制造良率，如图2所示，本申请的气体监测模块采集包含气体浓度和气体成分的气体数据，并发送给气体控制模块的步骤包括：

S110首先，在EFEM开盒控制系统中安装了多组气体传感器。这些传感器能够采集包含气体浓度和多种气体成分的气体数据。具体地，在EFEM的进气口、出气口、盒门周围等关键位置安装热式传感器、气敏传感器等多类型的气体传感器，组成一个传感器数组网络；通过多组气体传感器的布置，可以从不同位置采集气体数据，全面监测EFEM内部的气体状况。同时，多类型传感器可以互相验证，提高数据可靠性；采用传感器数组网络，并结合数据融合算法，可以获得精确反映整个EFEM气体情况的监测数据，为后续的气体洁净度控制提供支持。

S120采集的气体数据被输入到预先建立的数据融合模块中。数据融合模块基于粒子滤波算法，能够对采集的气体数据进行处理和分析，并输出融合后的气体数据。这一步骤有助于提高数据的准确性和可信度。

S130融合后的气体数据进一步被输入到数据校正模型中。数据校正模型使用预设的动态校准策略对气体数据进行校准，以确保数据的准确性和可靠性。校准后的气体数据将被传递给下一个步骤。

S140在本申请中，气体控制模型基于MRAC(模型参考自适应控制)算法建立。它使用校准后的气体数据来动态更新第一气体过滤策略的控制参数。这种自适应控制方法可以确保气体洁净度得以控制，并保持在理想状态，从而提高了晶圆制造的良率；

S150最后，校准后的气体数据被发送给气体控制模块，以实现精确的气体洁净度控制，从而有效提高晶圆的制造良率。本申请的技术方案克服了传统EFEM开盒控制系统中气体监测数据不准确的问题，确保开盒环境的气体洁净度和温湿度能够稳定在理想状态，最终实现了显著提高晶圆制造良率的目标。

综上所述，通过设置多组气体传感器，实现了对EFEM内部气体状态的全面监测。使用粒子滤波算法进行数据融合，有效提高了气体数据的准确性和可靠性。应用动态校准策略校准气体数据，进一步提高了数据精度。基于经校准后的高质量气体数据，优化更新了气体过滤策略，实现了对气体洁净度的精确控制。最终输出经校准和控制优化后的气体数据，为气体洁净度控制提供了支持。通过对气体监测数据的多重处理与控制，本申请显著提高了EFEM开盒过程中的气体洁净度控制质量和精度，有效解决了现有技术中气体监测不准的问题，达到了提高晶圆制造良率的目的。

具体地，对采集的气体数据进行融合的步骤包括：将气体传感器采集的气体数据作为粒子滤波算法的观测量，气体传感器类型包含红外气体传感器和气体色谱仪。粒子滤波需要观测量来进行重要性采样和权重更新；本申请使用了红外气体传感器和气体色谱仪获得的气体数据作为观测量；红外气体传感器可以快速采集气体浓度。气体色谱仪可以精确给出各气体成分浓度；将两类传感器的数据整合作为粒子滤波的观测量，可以综合各自优势；红外传感器的数据频繁性可确保观测量的及时性。气体色谱仪的数据精度有利于提高观测效果；多源异构观测量的融合，使得粒子滤波可以观测到更丰富和准确的气体状态信息；这样有利于粒子滤波算法的收敛速度和估计性能。

利用基于Kullback Leibler散度的采样方法初始化粒子状态，采用基于KL散度的抽样方法，Kullback Leibler散度(Kullback Leibler divergence)，也称相对熵(relative entropy)，是描述两个概率分布差异的一种指标，通过最小化目标分布和抽样分布的KL散度，可以获得最佳逼近目标分布的抽样结果，生成符合后验概率分布的初始粒子状态，为后续卡尔曼预测奠定基础。在粒子滤波中，需要初始化第一粒子状态来反映气体浓度的后验概率分布；传统的随机采样方法可能无法很好反映气体浓度的概率分布属性；本申请采用了基于Kullback Leibler散度的重要性抽样方法；该方法将气体传感器数据转换为概率密度函数，设为目标分布；计算采样分布与目标分布的KL散度，作为采样优化的目标函数；通过迭代采样和加权权重，获得KL散度最小的采样分布；使用该采样分布来初始化第一粒子状态，可以更好反映气体浓度的后验概率分布；相比随机采样，该方法生成的第一粒子状态更具有代表性和有效性；为后续的粒子滤波奠定了良好基础，提高了气体浓度估计的精度。

对第一粒子状态，应用可在线自适应调节过程噪声协方差的改进卡尔曼滤波法进行状态预测，输出预测状态。在EFEM开盒气体检测中，气体状态估计存在过程噪声的影响，直接应用传统卡尔曼滤波算法会使预测偏离真实状态。第一粒子状态是粒子滤波算法初始化得到的气体浓度状态分布；对其应用卡尔曼滤波进行状态预测，可以得到理想的预测状态；但预测效果依赖于过程噪声协方差矩阵Q的取值；固定的Q难以适应开盒环境的变化；本申请采用在线自适应调整Q矩阵的方法；根据卡尔曼预测误差，使用高斯牛顿法不断迭代优化Q；自适应调整使Q矩阵可实时反映过程噪声的统计规律；从而卡尔曼滤波的状态预测效果更佳，预测状态更准确；相比固定Q，该方法提高了预测的精度和鲁棒性；有利于后续的气体状态控制，实现提高晶圆制造良率的目的。

计算粒子权重时，引入CFD气体传播模型的空间约束知识，以及卷积神经网络提取的气体数据深度特征，作为计算权重的先验信息。在EFEM开盒环境中，由于气体传感器的限制，直接从传感数据计算粒子权重会存在误差，降低粒子滤波的效果在计算粒子权重时引入的基于CFD模型的空间约束关系以及深度特征先验知识进行解释：CFD气体传播模型可以模拟气体在开盒环境中的流动规律；模型预测不同位置的气体浓度分布，建立了气体浓度之间的空间相关性约束；利用这个先验约束知识，可以提高粒子滤波算法中权重计算的准确性；卷积神经网络可提取气体数据中的代表性深度特征，反映数据内在规律；将深度特征作为粒子权重计算的先验知识，可提高权重分布的合理性；计算权重时，同时利用CFD模型的空间约束和深度特征先验，进行约束优化；这样可以大幅提升粒子状态的有效性，使其更准确地反映真实气体分布；从而在后续的粒子滤波融合中，可以获得更精确可靠的气体浓度估计；有效提升气体监控与控制效果，提高晶圆制造良率。

基于深度特征，使用Auxiliary Particle Filter算法对粒子进行采样，生成第二粒子状态。Auxiliary Particle Filter(APF)算法，辅助粒子滤波算法，是一种用于估计状态的非线性滤波方法，特别适用于具有非线性动态系统和非高斯分布的噪声的情况。在粒子滤波算法中，由于权重不均匀，会出现粒子退化问题，降低状态估计性能；为抑制粒子退化，本申请中通过Auxiliary Particle Filter(APF)算法对粒子状态进行重采样的过程进行解释：粒子滤波中需要对粒子进行重采样，以减少粒子退化问题。标准的重采样方法容易导致样本冗余；APF算法在重采样时引入了辅助变量，也就是深度特征，重要性采样；在气体监测系统中，深度特征是通过CNN模型提取气体传感器数据中的代表性特征；APF利用深度特征设计了新的重要性权重分布，按照权重对粒子状态进行重采样；这样可以使重采样后生成的第二粒子状态保留更多有效的粒子，避免样本冗余；新生成的第二粒子状态可更全面反映气体浓度分布信息，有利于卡尔曼滤波的状态修正追踪；APF重采样结合深度特征提取，实现了本申请的多源异构气体数据融合的核心创新；相比传统方法，本申请提高了粒子滤波的计算效率和状态估计精度，有利于提高后续气体控制的性能，达到提高晶圆制造良率的目的。

利用卡尔曼滤波算法对第二粒子状态进行修正，输出修正后的状态，提高状态估计的精度；卡尔曼滤波是一种递归算法，可以对有噪声的系统状态进行优化预测和修正。在气体数据融合中，第二粒子状态就是经过重采样获得的气体浓度粒子状态。对其应用卡尔曼滤波进行修正，可以消除粒子状态中的噪声，输出更准确的状态估计值。

对修正后的第二粒子状态进行加权平均，获得气体浓度的融合值；修正后的第二粒子状态更准确地反映了气体浓度，对多个粒子状态进行加权平均，可以获得气体浓度的整体融合值，实现多传感器的数据融合。在本申请中，经过粒子滤波算法的重采样后，获得了第二粒子状态集合{x1，x2，...，xn}，表示n个气体浓度状态粒子；对每个状态粒子xi，进行卡尔曼滤波修正，去除噪声，得到修正后的状态{x1'，x2'，...，xn'}；计算每个状态粒子的权重wi，权重按照粒子的先验概率确定，即气体浓度分布的先验估计；对权重wi进行归一化处理，得到归一化权重wi'；利用归一化权重wi'与对应的修正状态xi'进行加权平均，获得气体浓度的融合估计值：x_融合＝∑i＝1nwi'·xi'；本申请综合利用了多个粒子状态的信息，吸收了不同位置传感器的数据优势，可有效消除噪声的影响，提高气体浓度估计的准确性；相比单一传感器，利用多源异构传感器的数据实现融合，可以获得更可靠和准确的气体浓度值，为后续气体控制提供稳定可依赖的状态输入。

根据融合值误差，采用高斯牛顿法自适应调整卡尔曼滤波中的过程噪声参数。将融合出的浓度值与原始传感器数据进行误差对比，当误差过大时，调整卡尔曼滤波算法中过程噪声协方差矩阵的参数。高斯牛顿法可以有效地进行参数优化。卡尔曼滤波中的过程噪声协方差矩阵Q是关键参数，它反映了系统过程噪声的统计特征；在气体监测系统中，Q直接影响到卡尔曼滤波算法对气体状态的追踪效果。如果Q设定不当，会导致滤波结果误差较大；采用高斯牛顿法可以对Q进行在线迭代优化，目标函数设定为卡尔曼滤波结果与传感器实际观测之间的均方误差；通过求解目标函数的高斯牛顿方程，可以获得Q的优化搜索方向。并利用线搜索方法确定合适的步长，迭代更新Q矩阵；当观测误差降低到阈值以下时，说明Q已优化到合适的值，过程噪声统计特征被准确反映，从而提高了卡尔曼滤波的状态估计鲁棒性；整个优化迭代过程在线运行，可自适应调整Q以适应气体监测环境的变化，保证卡尔曼滤波的效果；相比于传统定值设定Q，该自适应调整方法可以显著提升气体状态估计及预测的精确度，从而有利于后续气体控制，实现提高晶圆制造良率的目的；这实现了过程噪声参数的自适应调整，提高了卡尔曼滤波状态估计的鲁棒性。

递归上述过程，持续输出融合的气体浓度和气体成分。通过上述参数自适应调整，能够提高卡尔曼滤波算法对气体状态估计的精度，从而有利于后续气体监控和控制，实现提高晶圆制造良率的目的。通过融合多种先进算法，本申请可以有效提高气体数据融合的准确性和自适应性，为后续气体控制提供稳定可靠的数据源，满足晶圆制造的高精度要求。

具体地，传统的EFEM开盒环境控制存在气体洁净度不稳定、温湿度波动大的问题，这会直接导致制造中的晶圆出现缺陷，降低产品良率。而气体数据的精确度对于环境控制质量有直接影响。气体传感器在长时间工作后会产生信号漂移现象，使得测量存在误差，进而降低气体监测的准确性，影响后续的气体控制效果。本申请中，将融合后数据输入到数据校正模型中，数据校正模型利用预设的动态校准策略对气体数据进行校准，输出校准后的气体数据的步骤包括：

首先涉及到从一个或多个气体传感器中获取原始气体数据。这些传感器可能是散布在EFEM系统中的设备，用于监测环境中的气体成分和特性；气体传感器生成的数据通常是时间序列数据，记录了一段时间内的气体测量值。这些数据包括时间戳和气体浓度值。时序分析算法会分析气体数据的变化模式，以检测信号漂移。信号漂移是指传感器输出随时间而变化的系统性偏差。通过对气体数据进行模式识别和趋势分析，算法能够识别信号漂移的类型、频率和幅度。这有助于理解传感器数据的不稳定性。基于分析结果，时序分析算法将构建信号漂移模型。这个模型描述了信号漂移如何随时间变化，包括漂移的方向和速度。为后续的校准和控制步骤提供了重要信息。这有助于确保开盒环境中的气体洁净度和温湿度保持在理想状态，从而提高晶圆的制造良率。

根据获取的信号漂移模式，采用递增微分算法计算气体传感器的零点校准参数和灵敏度校准参数；中获取的气体传感器的信号漂移模式。这个模式描述了传感器输出信号随时间的变化情况，包括漂移的性质和趋势。步骤采用递增微分算法来进行零点校准和灵敏度校准参数的计算。递增微分算法是一种用于实时数据处理和校准的方法，它结合了传感器的漂移模式和气体测量数据，以确定校准参数。递增微分算法首先选择一个合适的基准点，通常是气体传感器的输出在稳定状态下的值。根据信号漂移模式和测量数据，算法计算出用于零点校准的参数。这些参数将被用于调整传感器输出，以消除零点漂移。递增微分算法还分析信号漂移的趋势，以确定漂移的性质，例如线性漂移或非线性漂移。根据漂移趋势和测量数据，算法计算出用于灵敏度校准的参数。这些参数将被用于调整传感器的灵敏度，以消除信号漂移引起的测量误差。

根据采集的气体数据、零点校准参数和灵敏度校准参数，计算气体数据的补偿控制量；利用采集的气体数据以及之前计算的校准参数来计算补偿控制量。这个控制量的目的是调整系统中的控制元件，以保持开盒环境的气体洁净度和温湿度在理想状态。使用零点校准参数，可以对采集的气体数据进行零点补偿，以消除由传感器零点漂移引起的误差。这确保了气体测量的基线准确性。利用灵敏度校准参数，可以进行灵敏度补偿，以纠正由于传感器灵敏度误差而引起的测量偏差。这有助于确保气体测量的灵敏度与理想状态一致。能够根据采集的气体数据和校准参数，计算出用于气体环境控制的补偿控制量。这些控制量的精确计算和应用有助于保持开盒环境的气体洁净度和温湿度在理想状态，从而有效提高晶圆的制造良率。

利用获得的补偿控制量，对采集的气体数据进行闭环PID控制，生成经校准后的气体数据。PID控制的核心原理：比例P，比例控制部分根据当前测量值与目标值之间的误差来调整控制输出。在本情况下，误差即为采集的气体数据与目标气体数据之间的差异。积分I，积分控制部分考虑了误差随时间积累的情况，以消除系统的静态误差。微分D，微分控制部分用于预测误差未来的变化趋势，以防止系统的超调。通过将补偿控制量与PID控制方法相结合，能够对采集的气体数据进行精确的校准和调整。校准后的气体数据表示了环境中的气体质量和特性，已经过零点校准和灵敏度校准的处理。这些数据更准确地反映了环境中的实际气体状况，从而提高了晶圆制造的良率。闭环PID控制是一个持续性的过程，它根据实时采集的气体数据不断调整控制输出，以保持环境中的气体洁净度和温湿度在理想状态。这种持续性的控制确保了晶圆制造过程的稳定性和一致性。

综上，通过对气体监测数据进行动态校准，可以消除传感器信号漂移带来的检测误差，保证气体数据的精确度，为后续的气体控制提供准确的控制依据，从而提高气体控制效果，使EFEM开盒环境达到所需的气体洁净度，减少对晶圆制造的影响，提高产品良率。

具体地，预设的气体过滤策略由于无法实时更新，当环境参数发生变化时无法对应调整，导致气体过滤效果下降，因此本申请将校准后气体数据输入到气体控制模型中，气体控制模型基于MRAC算法建立，使用校准后的气体数据更新第一气体过滤策略的步骤包括：

构建基于MRAC算法的气体控制模型，气体控制模型包含预设的第一气体过滤策略F1；MRAC(模型参考自适应控制)算法，在本申请中，MRAC算法的应用包括：构建包含第一气体过滤策略的气体控制模型；输入校准后的气体数据，适应模型参数，生成新的过滤策略；计算预设策略和新策略的误差；根据误差调整实际过滤系统的控制参数，即第一气体过滤策略；循环执行上述步骤，实现气体过滤策略的自适应优化。MRAC算法的应用可以使气体过滤策略持续优化、适应环境变化，从而提高气体净化效果，保证EFEM内部气体洁净度的稳定，进而提高晶圆制造的良率。

将校准后的气体数据输入气体控制模型，基于RLS算法，生成过滤策略F1'；RLS算法是一种自适应滤波算法，主要用于在线识别和控制领域，在本申请中，RLS算法应用在：气体控制模型中，用于基于最新校准后的数据，递归确定模型参数。在递归过程中，通过最小二乘法优化参数估计。从而使模型可以实时更新，输出新的气体过滤策略。RLS算法的应用使气体过滤策略的生成更加灵活和智能，能够快速适应数据变化，从而有利于进一步提高气体净化效果和EFEM环境控制质量。

计算第一气体过滤策略F1与过滤策略F1'的误差；在本申请中，基于模糊概念，建立一组模糊规则，描述了不同环境条件下过滤策略的适用程度。利用模糊规则和模糊化后的数据，进行模糊逻辑运算，得到F1和F1'两种过滤策略的相对性能。将F1和F1'的相对性能进行比较，并计算它们之间的误差，以量化它们的性能差异。

基于自适应控制算法，根据误差计算气体过滤的控制输入量Δu；自适应控制算法是指控制系统能够根据环境变化和自身状态的变化来调整控制参数，实现对过程的优化控制；在本申请中，自适应控制算法的应用包括：比较第一气体过滤策略F1和更新后的过滤策略F1'之间的误差；根据误差，采用在线标定方法实时计算出气体过滤的控制输入量Δu。Δu反映了当前的环境变化对气体过滤的影响。根据Δu对应调整第一气体过滤策略中过滤装置的控制参数，如风量、风压等。这样就实现了对气体过滤过程的自适应优化控制。自适应控制关键在于误差反馈和控制输入计算。相较于传统固定控制，它可以使气体过滤快速响应环境变化，保证气体净化效果，从而提高EFEM的气体洁净度稳定性。

根据控制输入量Δu对第一气体过滤策略进行调整；Δu是实时计算获得的控制量，可以精确反映当前环境变化对气体过滤的影响。根据Δu的值对应调整过滤策略中的具体控制参数，例如风量大小、风压强度等，实现气体过滤对环境变化的自适应优化。

递归执行MRAC算法，更新第一气体过滤策略。上述步骤MRAC算法的一次迭代过程。气体控制系统可以定期递归地执行MRAC算法，输入最新的气体数据，再次生成优化后的过滤策略。经过持续递归优化，第一气体过滤策略将随环境变化而实时更新，从而保证气体过滤效果的持续提升，使EFEM内环境气体洁净度稳定在最优状态。通过递归MRAC算法实现气体过滤策略的动态优化生成，是本申请提高EFEM气体洁净度控制效果的关键技术手段之一。

综上，应用MRAC算法使气体过滤策略可以自适应调整，以对应环境变化，保证在环境参数波动的情况下，气体过滤系统依然可以提供优化、精确的过滤效果，从而提高EFEM内环境的气体洁净质量，减少对晶圆制造的影响，提高产品良率。

图3是根据本说明书一些实施例所示的利用第一气体过滤策略进行气体过滤的示例性流程图，如图3所示，在气体控制模块内建立气体阈值数据库。该数据库用于预设多种气体成分的阈值，以便在实时监测过程中对气体浓度或气体成分进行判断。

步骤三，气体控制模块接收气体数据，判断气体浓度或气体成分是否超过阈值，如果是则根据预设的第一气体过滤策略进行气体过滤，并将气体过滤中的压力值和气体成分反馈给主控模块的步骤包括：

S310气体控制模块内设置气体阈值数据库，数据库中预设多种气体成分的阈值；在本申请中，数据库可以为：数据库存储媒介，气体阈值数据库可存储于气体控制模块的非易失性存储器中，如闪存、固态硬盘等。数据库结构，可以采用关系数据库结构，包含气体成分表、阈值表等，并建立二者之间的关联关系。气体成分范围，根据工艺流程及产品对环境洁净度的要求，选取影响晶圆制造良率的关键气体成分，如颗粒物、各种腐蚀性气体等。阈值确定，针对每种气体成分，根据产品质量标准、环境监控规范等确定其浓度限值，既满足工艺需求，又考虑一定余量。数据库维护，可按照规律对数据库进行备份，并提供界面进行阈值的维护与更新，确保数据库的可靠性。该设计使气体阈值管理系统化，有助于气体控制模块判断气体超标的精确性，从而确保EFEM内部气体洁净度的稳定。

S320气体控制模块接收气体监测模块输出的气体数据；在本申请的EFEM开盒控制系统中，气体控制模块需要根据气体监测模块采集的气体数据来实施对气体洁净度的控制；气体监测模块会监测和采集气体浓度、气体成分等数据，并将这些数据以数字或模拟信号的形式发送给气体控制模块；气体控制模块这一步接收气体监测模块输出的气体数据，是通过气体控制模块中的通信接口或输入模块获取气体监测模块发送来的气体数据信号。

S330根据数据库中的气体成分的阈值，利用模糊控制算法判断气体数据是否超过阈值，如果是，则根据预设的第一气体过滤策略进行气体过滤；模糊控制是一种用于处理模糊、不确定性和复杂性问题的控制方法。它可以根据模糊规则和输入数据的模糊集合来产生模糊输出，以进行决策和控制。将气体监测数据与阈值数据库中的标准值进行模糊比较，得到气体状况的语言描述，如“浓度略高”，模糊规则库存储了如“如果浓度略高，则风量微增”的经验控制规则，根据模糊判断结果，调用模糊规则库进行推理，得到气体过滤的语言控制量。最后将语言控制量转换为确定的数值控制量，以调节气体过滤系统。模糊控制考虑了气体传感存在误差的影响，避免简单布尔判断导致的问题，提高了判断的可靠性，有利于气体过滤系统的稳定控制。

S340采用MEMS压力传感器监测气体压力，将监测的气体压力输入到气体流量智能调节装置；MEMS压力传感器MEMS是微电子机械系统的缩写，MEMS压力传感器通过机械部件和电子电路集成在一起，可以实现高精度、响应快速的压力测量。在本申请中，使用MEMS压力传感器实时监测气体过滤系统中的压力变化，其优点是体积小、精度高、响应灵敏。气体流量智能调节装置该装置可以采用PID控制算法，根据MEMS压力传感器的监测数据，计算气体流量的调节量，并控制调节阀门，实时调节气体在过滤系统中的流量，以保证气体过滤过程的压力稳定。PID调节实现气体流量的闭环控制，不仅可以防止压力异常，还可以优化气体在过滤系统内的流动，从而提高气体净化效果。

S350气体流量智能调节装置，采用自适应PID算法控制电子射频阀门，以调节气体流量。自适应PID算法可以根据气体流量的实时变化和噪声干扰，动态调整PID参数，使气体流量控制优化，通过在线标定方法，实时调整PID控制器的比例、积分、微分系数，适应气体参数变化，提高流量控制精度。电子射频阀门是一种快速响应的精密气体流量调节装置。它采用无线电频率的电磁波对离子化气体进行加热电离，从而快速开启或切断气体流通道，实现气体流量的精细调制。相比传统机械阀门，它具有响应时间短、流量调节精确的特点。本申请整合自适应PID算法与电子射频阀门，以实现气体流量的闭环精确控制。PID算法生成控制信号，驱动电子射频阀门的开度变化，实时调节气体流量，使其快速达到设定点。

图4是根据本说明书一些实施例所示的利用第一温控策略调节温湿度的示例性流程图，如图4所示包括：

S410获取采集的气体的温湿度数据；S420根据增量式PID算法，计算采集温湿度数据与目标温湿度的偏差e(t)；增量式PID算法针对温湿度控制的特点进行了改进设计。它根据每次采样周期内温湿度的微小变化量，而不是直接使用绝对温湿度值，来计算PID输出。这样可以有效抑制由于测量噪声导致的大幅振荡。增量PID能够实现高精度的温湿度跟踪控制。目标温湿度的设置需要综合考虑以下因素：开盒环境对晶圆材料的要求，如22℃±0.1℃；设备液冷系统的制冷温度范围；加湿系统的喷雾技术参数；精密空调系统的热回收调湿功能。因此，可以在满足晶圆过程要求的前提下，合理设置温控系统的目标温湿度，本申请的最优实施例设置22℃、45％RH。过增量PID算法精确控制气体达到设定的目标温湿度，可以提高开盒环境的稳定性，减少晶圆的热应力和静电损伤，有效提升晶圆制造的良率。

S430根据偏差e(t)，利用PID算法生成温控输出量u(t)；e(t)表示采集的温湿度数据与设定目标温湿度的偏差，也称为控制系统的输入量；PID控制器以e(t)为输入，经过比例P、积分I、微分D三项计算，产生控制输出量u(t)；比例项P，根据偏差e(t)的实时值进行控制，使温控系统达到目标；积分项I，根据偏差e(t)的积分和，消除系统稳态误差；微分项D：根据偏差e(t)的变化率预测控制趋势，提高动态响应；三项权重进行线性组合，构成最终控制输出量u(t)，用于驱动执行机构；u(t)通过DAC转换为模拟电压信号，控制三通换热阀，精确调节温湿度；通过PID计算，根据偏差e(t)实时动态调节，实现高精度的温湿度闭环控制，以适应外界环境变化，提高开盒的温湿度稳定性。

S440将u(t)通过DAC转换为0V至10V电压信号，作为三通换热阀的控制信号；u(t)为数字PID算法输出的控制量，表示对三通换热阀的控制量，范围为0-1000；需要将数字量u(t)转换为0-10V的模拟电压信号，才能驱动三通换热阀；采用数字模拟转换器(DAC)电路进行转换；DAC电路由精密电阻分压网络构成，将u(t)映射到不同电压输出；当u(t)＝0时，对应的电压输出为0V；当u(t)＝1000时，对应10V；0V信号表示三通阀全部打开到加热器；10V表示全部打开到制冷器；中间电压表示不同的开度比例，精确控制气体通过冷热器的量；在本申请的EFEM开盒温湿度控制系统中，采用了数字PID控制器(即DIGIPID控制器)来实现温湿度的精确调节。相比模拟PID控制器，数字PID控制器可以进行高速数字信号处理，提高控制的精确度和响应速度。同时，数字PID控制器还可以按需修改控制参数，实现自适应控制。在本申请中，DIGIPID控制器根据温湿度反馈，输出数字量的PWM控制信号。然后经过AC(数字-模拟转换器)转换为模拟量的0-10V控制信号，来精确调节三通换热阀的开度。这样，利用DIGIPID控制器的高速数字控制优势，加上DAC的高精度转换，实现了从数字控制量到模拟执行量的转换，使得温湿度控制实现了高稳定性、高精确度、高响应速度。

S450三通换热阀精确调节气体流过电加热器和Peltier制冷器的比例，控制气体温湿度；三通换热阀是一种精密流量调节装置，可以按比例分配气体流过加热器和制冷器。Peltier制冷器，Peltier制冷器是一种固体态的热电制冷装置，通过利用伯克效应实现热的吸收和释放，从而达到制冷的目的；其基本结构包含两个具有不同导电类型的半导体材料，通过改变电流方向可以实现热的吸收或释放，即制冷或加热；在本申请的EFEM开盒控制系统中，Peltier制冷器与电加热器一起，通过三通换热阀的流量调节来精确控制气体的温度；相较普通的制冷压缩机，Peltier制冷器具有体积小、响应快、无移动部件的优点，非常适合对空气等气体进行精确的低温控制；因此，本申请选用Peltier制冷器作为制冷设备，与电加热器配合使用，可以实现对EFEM内气体温度的快速准确调节，从而保证开盒环境的温湿度稳定。三通阀的开度和比例受0-10V控制电压调节，该电压来自PID控制器的输出；当电压为0V时，三通阀全部打开到加热器，气体全部流过加热器进行加热；当电压为10V时，三通阀全部打开到制冷器，气体全部流过制冷器进行冷却；中间电压时，三通阀的开度比例不同，气体分流通过加热器和制冷器的量不同；通过精确控制分流比例，可以准确控制气体的热交换量，实时调节气体到目标温湿度；利用三通换热阀的可变开度比例控制，实现气体温湿度的快速响应和高稳定性控制；三通阀的控制精度直接影响气体温湿度的调节精确度和控制稳定性。

S460采用电子计数器获取温控过程中的温度调节次数和湿度调节次数。本申请，采用STC89C52单片机内置的16位定时计数器作为电子计数器；温控过程中，当电加热器工作，温度调节一次，则温度调节次数计数器加1；当制冷器工作，湿度调节一次，则湿度调节次数计数器加1；单片机通过检测电加热器和制冷器的工作信号，实时统计其启动次数；计数器使用单片机的定时/计数器功能寄存器组，可以自动计数，溢出后自动归零；通过单片机的串口输出指令，定时读取计数器当前值，即获得温调次数和湿调次数；温湿度调节次数的多少，反映出温控的稳定性和控制精度；将统计得到的调节次数反馈给主控模块，用于评估当前温控策略；单片机计数器实现了对温控过程的数字统计，得到重要的温湿度控制评估参数。

综上，温控模块能够根据实时温湿度数据，利用PID算法生成温控输出量，通过DAC转换为控制信号，进而通过三通换热阀精确调节气体温湿度。温度调节次数和湿度调节次数的记录为系统提供了对温控过程的详细反馈，从而确保开盒环境的温湿度稳定在理想状态，最终提高晶圆的制造良率。

图5是根据本说明书一些实施例所示的生成第二气体过滤策略和第二温控策略的示例性流程图，如图5所示，生成第二气体过滤策略和第二温控策略的步骤包括：

S510获取气体传感器的空间坐标信息和采集的气体数据。可以利用三维扫描仪获取传感器的三维点云数据，进而提取三维空间坐标信息。

S520根据获取的气体传感器的空间坐标信息和气体浓度，计算气体浓度在空间分布的统计均值和标准差，作为气体稳定性评价指标KPI1；获取多组气体传感器的空间坐标信息，例如放置在开盒环境的xyz位置；同时获取传感器采集的气体浓度数据；将浓度数据与坐标信息对应起来，可以反映气体浓度场的空间分布情况；计算所有位置采集的数据的统计均值，可以表示气体浓度的整体平均水平；计算标准差，可以反映浓度分布的波动范围；将均值和标准差综合作为气体稳定性评价指标KPI1；KPI1直观反映了当前气体浓度的整体水平和空间均匀性；KPI1越小，表示气体浓度越稳定。

S530建立开盒环境三维几何模型，采用Fluent软件进行网格划分，进行温湿度场的CFD仿真；根据CFD仿真，提取温度场和湿度场的变化范围，计算变化幅度，作为温湿度稳定性指标KPI2；建立开盒环境的三维几何模型，包含机箱结构、风道组件等细节；使用CFD软件Fluent进行数值仿真前的网格划分，将模型空间离散化；在离散网格上，通过数值方法解决控制方程，模拟温度场和湿度场的演变；设置边界条件，如风机参数，壁面条件等；选用热力学模型，考虑气体流动与传热传质的多物理场耦合；进行时序迭代计算，输出温度和湿度在空间各个位置的分布和变化趋势；CFD仿真可以观测开盒环境的温湿度效应，是虚拟试验的重要手段；该数值仿真技术可以探索各种控制方案的温湿度调节效果；为温湿度控制策略的制定提供理论依据。在CFD仿真计算结束后，可以提取温度场和湿度场的数据；分析温度和湿度在空间各点的变化范围；例如温度的最大值和最小值之差，表示温度变化的幅度；湿度的最大相对湿度和最小相对湿度之差，表示湿度的变化幅度；将温度变化幅度和湿度变化幅度综合作为温湿度稳定性指标KPI2；KPI2越小，表示温湿度变化越平稳，控制效果越好；KPI2大于设置阈值时，说明温湿控制不稳定；本申请，可以定量评估温湿度控制的稳定性；为调整温湿度控制策略提供依据。

S540构建LASSO回归模型，根据气体传感器的空间坐标信息，调整KPI1中各气体成分的权重；构建LASSO(Least Absolute Shrinkage and Selection Operator)回归模型；自变量为气体传感器的空间坐标信息；应变量为KPI1中各气体成分的权重；通过LASSO回归训练，可以获得坐标信息对权重的影响规律；例如，靠近装载部件的传感器，其测得气体浓度变化对KPI1的贡献应该增大权重；LASSO回归利用L1范数正则化，可以自动过滤不重要的坐标特征；这样可以仅保留对权重有显著影响的坐标信息；根据回归模型，即可根据传感器坐标调整其对应气体成分在KPI1中的权重；本申请可以合理设置权重，使KPI1更准确地反映气体稳定性。

S550在CFD仿真的基础上，建立考虑气体扩散与温湿度互耦合的多物理场模型；模型综合考虑气体浓度分布、温湿度分布及其动态变化；应用Bayes网络进行概率预测，即给定当前状态，预测未来KPI1和KPI2超出限值的概率P1和P2；Bayes网络可以处理各个影响因素之间的不确定性和概率关系；根据气体扩散规律、温湿度耦合机理以及历史数据训练Bayes网络；然后在线监测时，输入当前KPI1和KPI2值，Bayes网络预测其超限的概率；P1和P2反映气体稳定性和温湿度稳定性的预判结果；当P1或P2过高时，提示需要调整控制策略；该模型融合CFD仿真与Bayes预测，提高了晶圆的制造良率。

S560当先前的Bayes网络预测结果P1或P2超过已设定的阈值时；说明气体浓度或温湿度控制效果可能会降低；此时主控模块调用预先训练的SVM模型；输入当前的气体监测数据，SVM模型根据支持向量机原理预测生成第二气体过滤策略；同时主控模块调用BP神经网络模型；输入CFD仿真得到的温湿度数据，使用CFD数据及对应策略作为样本训练BP神经网络，BP网络学习温湿度状态与最佳控制之间的复杂映射关系；BP网络根据学习到的温控规律预测生成第二温控策略；新的气体过滤策略和温控策略在当前状态下可以获得更优控制效果；将新的策略发送给气体控制模块和温控模块实施；通过本申请，可以实现气体过滤和温湿度控制的闭环优化。将第二气体过滤策略发送给气体控制模块，将第二温控策略发送给温控模块。

作为本申请的另一种实施例，生成第二气体过滤策略和第二温控策略还可以包括：主控模块接收压力值、气体成分、温度调节次数和湿度调节次数，计算气体洁净度指标和温湿度稳定性指标；判断指标是否超过阈值，如果是则主控模块基于机器学习模型生成第二气体过滤策略和第二温控策略，并分别发送给气体控制模块和温控模块的步骤包括：接收气体控制模块输出的气体压力和多组气体成分数据；计算气体成分浓度与标准浓度的比值，生成气体洁净度评价指标KPI1，KPI1通过如下公式计算：

其中，C_i为第i种气体成分采集浓度，C_0i为第i种气体成分的行业标准浓度上限。根据半导体工艺的洁净度标准预先设置；将每种气体成分的实际浓度Ci与对应的行业标准浓度上限C_0i进行比值计算，即C_i/C_0i。这计算得出的值表示第i种气体成分的实际浓度相对于标准浓度上限的倍数；利用KPI₁，系统可以实时评估环境中气体洁净度的状态。如果KPI₁的值超过了预定的阈值，系统可以采取相应的控制策略，例如增加气体过滤级别、调整温湿度，或者启动自适应过滤策略，以最小化KPI₁的值。通过这些控制措施，可以维持洁净稳定的气体环境，满足半导体工艺的洁净度要求，从而有效提高晶圆的制造良率。

接收温控模块输出的温度调节次数n₁和湿度调节次数n₂；计算温湿度稳定性指标KPI₂，KPI₂通过如下公式计算：

KPI₂＝(n₁+n₂)/t

其中，t为温控时间周期，这个周期表示了在一定时间范围内进行温湿度调节的情况，通常以秒或分钟为单位；将温湿度调节的次数与时间周期相结合，以衡量温湿度的稳定性。KPI₂的值越低，表示温湿度更加稳定，环境更加适合晶圆的制造；通过计算温湿度调节次数与时间周期的比值，生成温湿度稳定性指标KPI₂，本申请的EFEM开盒控制方法可以实现对制造环境中温湿度的实时监测和控制，以提高晶圆的制造良率。

将KPI₁与预设气体洁净度评价阈值α进行比较，KPI₂与预设温湿度稳定性阈值β进行比较。在本申请中，气体洁净度评价阈值α的确定：参考半导体国际标准，确定气体环境对晶圆制造的洁净度要求，例如气体中0.1μm颗粒含量不超过10个/L。通过多次测试气体过滤系统不同策略下的KPI₁值；本申请的最优实施例为确定当KPI₁超过15％时，表示气体洁净度低于要求，需要提升过滤级别，则取α＝15％。温湿度稳定性阈值β的确定：参考半导体工艺标准，温变应控制在±0.1℃，湿变±2％RH。测试不同温控策略下的KPI₂值；本申请的最优实施例为确定温调次数和湿调次数之和超过10次/h时，温湿度趋于不稳定。则取β＝10次/h。

在主控模块中将确定的α和β的值输入及进行比较，当KPI指标超过阈值时，启动智能优化的新策略，实时调节，以保证气体洁净度和温湿度稳定达到要求。当KPI₁≥α或KPI₂≥β时，判定指标超过阈值；条件设置允许系统实时监测制造环境的关键参数，即气体洁净度(KPI₁)和温湿度稳定性(KPI₂)。一旦KPI₁或KPI₂超过了预设的阈值α或β，系统会立即做出反应，无需人工干预。条件设置将自动化控制引入到制造环境中。这意味着系统可以自动采取措施来维持或优化气体洁净度和温湿度，无需操作员介入。这提高了制造过程的稳定性和可靠性。

基于SVM算法，根据气体数据，生成第二气体过滤策略；SVM即支持向量机，是一种监督学习模型，它可用于分类和回归分析，能够处理线性和非线性数据集，本申请中，利用SVM算法根据气体参数数据，实现气体过滤策略的自动优化和升级。基于BP神经网络，根据温湿度数据，生成第二温控策略。BP神经网络是一种包含输入层、隐层和输出层的多层前馈网络，它通过误差反向传播算法训练网络，可逼近任意非线性函数，本申请中，利用BP网络根据温湿度数据，实现温控策略的自动优化生成。SVM算法和基于BP神经网络，两种智能算法协同工作，使系统可以在线学习和进化，动态闭环地调整控制策略，持续优化气体洁净度和温湿度稳定性，以适应外界环境变化，从而提高晶圆制造的良率。

当KPI₁<α且KPI₂<β时，判定气体洁净度和温湿度均达到开盒条件；系统判定气体洁净度和温湿度均达到开盒条件。这意味着制造环境已经满足了半导体制造的开盒要求，可以进行晶圆的处理操作；一旦系统判定开盒条件已满足，主控模块便开始生成开盒指令。主控模块基于已满足的条件，计划并生成适当的开盒操作指令。这包括确定开盒的时机、方式和位置等关键参数。主控模块通过Profinet通信模块与机械手模块的PLC进行通信。主控模块将生成的开盒指令通过Profinet通信模块发送到机械手模块的PLC，以触发EFEM的开盒操作。机械手模块的PLC接收到开盒指令后，执行相应的动作，打开EFEM的开盒机构，使晶圆可以被处理或传送。主控模块生成开盒指令，并通过Profinet通信模块向机械手模块的PLC发送开盒指令。Profinet是一种实时以太网通信协议，主要用于工业自动化领域，可以实现高速可靠的数据交换，在本申请中，Profinet通信模块用于主控模块与机械手模块之间的通信，实现开盒指令的发送。采用Profinet通信，可以保证指令的实时可靠传输。机械手模块是执行开盒机械运动的执行机构，包含机械手、传动装置等，可以根据指令来解锁盒门并将其打开，在本申请中，机械手模块接收主控模块的开盒指令后，会自动控制机械手执行开盒的机械运动。PLC是可编程逻辑控制器，可以对输入量进行逻辑运算并发送控制指令，在本申请中，机械手模块中的PLC对接收的开盒指令进行解析，并生成执行开盒机械动作所需的控制信号，以控制机械手的运动。通过自动化判断开盒条件并生成相应的开盒指令，本发明提高了晶圆制造过程的效率。

图6是根据本说明书一些实施例所示的生成开盒指令的示例性流程图，如图6所示，

S710设置气体洁净度开盒阈值α和温湿度开盒阈值β；在本申请中，气体洁净度开盒阈α的设置：参考行业标准和技术规范，初步确定气体污染物的约束浓度限值L；结合过程工艺需求，确定关键气体污染物的权重w；利用CFD仿真预测气体扩散规律，确定安全浓度补偿值c。

将两者结合，得到气体洁净度开盒阈值：α＝w1L1+w2L2+...+wn*Ln-c。温湿度开盒阈值β的设置：根据工艺过程对温湿度的要求，初步确定温度和湿度的范围[Tmin，Tmax]、[RHmin，RHmax]；基于CFD热传导仿真，确定温湿度均匀度容限d；结合产品质量分析，确定温湿度稳定性需求K；得到温湿度开盒阈值：β＝[Tmin+d，Tmax-d]、[RHmin+K，RHmax-K]。

S720构建一双层LSTM网络作为温湿度预测模型，LSTM网络包含编码器和解码器；LSTM代表“Long Short-Term Memory”，是一种循环神经网络(RNN)的变体，用于处理序列数据。LSTM网络具有记忆能力，可以捕捉长期依赖性，因此在时间序列数据的处理中非常有效。构建一双层LSTM网络，包含编码器和解码器结构；编码器部分使用LSTM网络，可以学习提取温湿度时间序列数据中的时序特征和内在规律；将编码器输出的特征向量与CFD仿真结果一起输入到解码器；解码器同样基于LSTM网络，进行温湿度状态的预测；LSTM网络由于有门控结构，可以捕捉时间序列的长期依赖关系；双层LSTM编码－解码结构增强了网络对动态温湿度变化规律的建模能力；相比于单层和单向LSTM，使用编码器－解码器双向LSTM网络可以提高温湿度预测的效果；CFD仿真数据为网络提供了温湿度分布的空间信息；本申请提高了温湿度状态预测的精确度，为后续判断开盒条件提供了支持。

使用Pt100和湿度传感器采集温湿度时间序列，将温湿度时间序列输入到编码器中，编码器根据LSTM网络提取时间序列的特征，并输出第一特征表达向量；Pt100是一种常用的精密电阻温度传感器，可以提供高精度的温度测量；Pt100使用铂作为敏感元件，具有准确性高、稳定可靠的特点。在晶圆制造过程中，EFEM开盒环境的温湿度稳定对保证良率至关重要；通过Pt100和湿度传感器的时间序列采集，可以监测开盒环境中的温湿度变化情况；利用编码器和LSTM网络提取温湿度序列的特征，可以深入分析温湿度变化规律；第一特征表达向量包含了温湿度波动的时序模式、稳定性、相关性等关键信息；基于这些时间序列特征，可以评估开盒环境的温湿度稳定性，并及时做出调节；通过编码器和LSTM实现温湿度数据的智能分析，可以大幅提高温控的效果；温湿度的有效控制直接影响了晶圆的制造质量和良率的提高。

S730将CFD仿真的结果输入到编码器，生成第二特征表达向量；第二特征表达向量输入到解码器中，解码器根据LSTM网络对温湿度状态进行预测，并输出第三特征表达向量；CFD仿真可以预测气流场、温度场和湿度场的空间分布和动态演变；将CFD仿真得到的温湿度场数据作为输入，输入到LSTM网络的编码器中；编码器利用LSTM结构学习提取CFD数据中的特征，生成表示温湿度分布信息的第二特征表达向量；该第二特征向量融合了CFD数据所包含的温湿度场的空间对应关系；将第二特征向量和序列数据一起输入到LSTM解码器中；解码器基于LSTM网络，综合序列时序信息和CFD空间信息，预测未来时刻的温湿度状态；并输出表示预测温湿度状态的第三特征表达向量；这样，LSTM网络中编码器编码CFD数据，解码器解码预测，形成端到端的建模；CFD数据为网络提供了有用的空间约束知识，提升了温湿度预测的效果。

S740判断第三特征表达向量所表示的温湿度状态是否在允许温度范围20℃至25°C以及允许湿度范围40％RH至50％RH内；低于40％RH会增大静电破坏风险。大于50％RH会影响光刻成像质量。20℃至25℃的温度范围可以保证EFEM内气流的稳定性，避免由于温变引起的晶圆污染。40％RH至50％RH的湿度范围可以有效抑制静电放电，防止设备损坏，40％RH以下，由于湿度过低，会加剧静电放电的风险；50％RH以上，湿度过高会产生水汽凝结，影响精密光刻机的成像质量；因此，20℃至25℃和40％RH至50％RH作为温湿度的允许范围，既能满足工艺需求，也考虑了设备与环境的匹配；通过判断温湿度状态是否在该允许范围内，可以有效避免温湿度异常对制程和设备的负面影响；从而保证了良率，改善了设备使用环境，提高了生产效率。

S750判断气体稳定性评价指标KPI1是否低于气体开盒阈值α；判断温湿度稳定性评价指标KPI2是否低于温湿度开盒阈值β；气体开盒阈值α是根据工艺流程对气体环境质量的要求预设的数值。温湿度开盒阈值β是根据设备与工艺对温湿度环境的要求预设的数值。通过设置气体与温湿度的开盒阈值，并判断评价指标是否达标，实现了开盒环境综合监测与智能判断，有效避免了环境异常状态下的开盒操作，保证了工艺流程的稳定，提高了制程的良率

S760如果以上条件均满足，则判定开盒条件成立；主控模块向机械手下发Profinet开盒执行指令；Profinet是一种开放的工业以太网通信协议，用于自动化领域，可以提供确定性的网络服务；主控模块与机械手通过Profinet工业以太网进行连接，形成自动化控制系统；主控模块在判断开盒条件满足后，向机械手发送开盒执行指令；Profinet通信网络中，主控模块和机械手之间的通信遵循主站－从站的模式；其中主控模块作为Profinet通信的主站，机械手作为Profinet通信的从站；主站负责发送控制指令，从站负责接收指令；机械手接收到指令后，调用内部的PLC程序解码指令内容；PLC程序启动机械手的运动控制单元，驱动机械手完成开盒的动作；在开盒结束后，机械手会反馈执行状态到主控模块；通过Profinet的工业以太网通信和确定性协议，实现了主控模块对机械手开盒动作的精确控制。

综上所述，本申请构建了气体多传感器监测与数据融合模块，可以提供精确可靠的气体数据，确保气体控制的输入基础；设置气体阈值与模糊控制，可以实时判断气体状态，灵活调整气体过滤策略。MEMS压力传感器与自适应气体流量控制，可精确调节气体参数；温湿度闭环PID控制与三通换热器配合，可以对温湿度进行精确跟踪调节，提高温湿度控制质量；主控模块多源异构数据融合，采用机器学习模型生成自适应调节策略，实现气体过滤与温湿度控制的协同优化；设置气体与温湿度开盒阈值，LSTM预测模型判断开盒时机，避免环境异常对工艺的影响；整体系统信息流动畅通，控制策略自适应优化，可以保证开盒环境长期稳定在最优状态；开盒环境的气体洁净度和温湿度稳定性是确保晶圆良率的关键，本申请提高了开盒环境控制的智能化水平；因此，本申请可以有效提升EFEM开盒环境的可控性、稳定性与可优化性，将开盒环境对晶圆制造良率的负面影响降到最低，从而起到提高晶圆制造良率的关键技术效果。

Claims (10)

1.一种开盒方法，用于EFEM开盒的控制，包括：

步骤一，气体监测模块采集包含气体浓度和气体成分的气体数据，并发送给气体控制模块；其中，气体监测模块采集的是EFEM内部气体状态；

步骤二，温湿度监测模块采集包含温度和湿度的温湿度数据，并发送给温控模块；

步骤三，气体控制模块接收气体数据，判断气体浓度或气体成分是否超过阈值，如果是则根据预设的第一气体过滤策略进行气体过滤，并将气体过滤中的气体数据发送给主控模块；

步骤四，温控模块接收温湿度数据，计算接收的温湿度数据与目标温湿度的偏差，根据偏差通过PID算法生成第一温控策略，根据第一温控策略调节温湿度，并将调节过程中的温湿度数据发送给主控模块；

步骤五，主控模块接收气体数据和温湿度数据，计算气体稳定性评价指标KPI1和温湿度稳定性指标KPI2；判断指标是否超过阈值，如果是，则调用SVM模型生成的第二气体过滤策略，调用BP网络模型生成第二温控策略，并分别发送给气体控制模块和温控模块；

步骤六，气体控制模块接收并根据第二气体过滤策略进行气体过滤；温控模块接收并根据第二温控策略调节温湿度；

步骤七，主控模块判断气体稳定性评价指标KPI1和温湿度稳定性指标KPI2是否达到开盒条件，如果是则发送开盒指令给机械手模块；

步骤八，机械手模块接收并执行开盒指令。

2.根据权利要求1的开盒方法，其特征在于：

第一气体过滤策略包含：

第一级预过滤，当气体污染物粒径大于5μm时，设定气体以0.1m/s的速度经过滤芯筒外侧进入，利用5μm孔径的聚丙烯滤料进行从内向外的筛过滤，以去除气体中大于5μm的颗粒杂质；

第二级高效过滤，当气体污染物粒径为0.3μm至5μm时，设定气体以0.05m/s的速度经过滤芯筒内侧进入，先通过0.3μm玻璃微纤维滤料层以去除0.3μm至5μm微细颗粒，再通过活性炭层吸附气体中的挥发性有机污染物；

第三级活性炭吸附，对于挥发性有机污染物浓度高于10ppb时，利用气体通过两层活性炭过滤芯筒，活性炭采用椭圆形颗粒，利用1700m2/g的比表面积的活性炭吸附气体中的挥发性有机污染物；

第四级气体净化，当气体中的残留污染物浓度高于100ppt时，将气体经感应电极激发生成的非热等离子体，利用等离子体中的氧离子氧化分解气体中的残留污染物；

第五级负压吸附，经四级过滤后，当气体中的残留污染物浓度高于10ppt时，施加0.05MPa负压，利用负压增强活性炭的吸附能力，净化气体中的残留污染物。

3.根据权利要求1的开盒方法，其特征在于：

步骤一包括：

设置多组气体传感器，采集气体数据，气体数据包含气体浓度和多种气体成分；

将采集的气体数据，气体数据输入到预先建立的数据融合模块中，数据融合模块基于粒子滤波算法，输出融合后的气体数据；

将融合后数据输入到数据校正模型中，数据校正模型利用预设的动态校准策略对气体数据进行校准，输出校准后的气体数据；

将校准后气体数据输入到气体控制模型中，气体控制模型基于MRAC算法建立，使用校准后的气体数据更新第一气体过滤策略的控制参数；

将校准后的气体数据发送给气体控制模块。

4.根据权利要求3的开盒方法，其特征在于：

生成第二气体过滤策略和第二温控策略的步骤包括：

获取气体传感器的空间坐标信息和采集的气体数据；

根据获取的气体传感器的空间坐标信息和气体浓度，计算气体浓度在空间分布的统计均值和标准差，作为气体稳定性评价指标KPI1；

建立开盒环境三维几何模型，采用Fluent软件进行网格划分，进行温湿度场的CFD仿真；

根据CFD仿真，提取温度场和湿度场的变化范围，计算变化幅度，作为温湿度稳定性指标KPI2；

构建LASSO回归模型，根据气体传感器的空间坐标信息，调整KPI1中各气体成分的权重；

建立基于CFD仿真的气体扩散与温湿度耦合模型，采用Bayes网络分别计算KPI1和KPI2的超限概率P1和P2；

当超限概率P1或P2超过阈值时，主控模块调用SVM模型，根据气体数据生成的第二气体过滤策略；主控模块调用BP网络模型，根据CFD温湿度数据生成第二温控策略；

将第二气体过滤策略发送给气体控制模块，将第二温控策略发送给温控模块。

5.根据权利要求4的开盒方法，其特征在于：

步骤七包括：

设置气体洁净度开盒阈值α和温湿度开盒阈值β；

构建一双层LSTM网络作为温湿度预测模型，LSTM网络包含编码器和解码器；

使用Pt100和湿度传感器采集温湿度时间序列，将温湿度时间序列输入到编码器中，编码器根据LSTM网络提取时间序列的特征，并输出第一特征表达向量；

将CFD仿真的结果输入到编码器，生成第二特征表达向量；

第二特征表达向量输入到解码器中，解码器根据LSTM网络对温湿度状态进行预测，并输出第三特征表达向量；

判断第三特征表达向量所表示的温湿度状态是否在允许温度范围20℃至25℃以及允许湿度范围40％RH至50％RH内；

判断气体稳定性评价指标KPI1是否低于气体开盒阈值α；

判断温湿度稳定性评价指标KPI2是否低于温湿度开盒阈值β；

如果以上条件均满足，则判定开盒条件成立；

主控模块向机械手下发Profinet开盒执行指令。

6.根据权利要求3的开盒方法，其特征在于：

对采集的气体数据进行融合的步骤包括：

将气体传感器采集的气体数据作为粒子滤波算法的观测量，气体传感器类型包含红外气体传感器和气体色谱仪；

利用基于Kullback Leibler散度的采样方法初始化粒子状态，生成后验概率分布的第一粒子状态；

对第一粒子状态，应用在线自适应调整过程噪声协方差矩阵的卡尔曼滤波算法，进行状态预测，输出预测状态；

计算第一粒子状态的权重时，引入基于CFD气体传播模型的空间约束关系，并结合使用预训练的卷积神经网络提取的气体数据的深度特征，作为权重计算的先验知识；

根据深度特征，通过Auxiliary Particle Filter算法对粒子进行重采样，生成第二粒子状态；

对采样获得的第二粒子状态，利用卡尔曼滤波算法修正，输出修正后的第二粒子状态；

将修正后的第二粒子状态进行加权平均，得到气体浓度融合值；

计算气体浓度融合值与采集的气体数据的误差，根据误差采用高斯牛顿法自适应调整上述卡尔曼滤波算法的过程噪声参数；

递归执行上述步骤，输出融合后的气体浓度和气体成分。

7.根据权利要求3的开盒方法，其特征在于：

对融合后的气体数据进行校准的步骤包括：

获取气体传感器采集的气体数据，并通过时序分析算法获得气体传感器的信号漂移模式；

根据获取的信号漂移模式，采用递增微分算法计算气体传感器的零点校准参数和灵敏度校准参数；

根据采集的气体数据、零点校准参数和灵敏度校准参数，计算气体数据的补偿控制量；

利用获得的补偿控制量，对采集的气体数据进行闭环PID控制，生成经校准后的气体数据。

8.根据权利要求3的开盒方法，其特征在于：

利用校准后的气体数据更新第一气体过滤策略的步骤包括：

构建基于MRAC算法的气体控制模型，气体控制模型包含预设的第一气体过滤策略F1；

将校准后的气体数据输入气体控制模型，基于RLS算法，生成过滤策略F1'；

计算第一气体过滤策略F1与过滤策略F1'的误差；

基于自适应控制算法，根据误差计算气体过滤的控制输入量Δu；

根据控制输入量Δu对第一气体过滤策略进行调整；

递归执行MRAC算法，更新第一气体过滤策略。

9.根据权利要求1的开盒方法，其特征在于：

步骤三包括：

气体控制模块内设置气体阈值数据库，数据库中预设多种气体成分的阈值；

气体控制模块接收气体监测模块输出的气体数据；

根据数据库中的气体成分的阈值，利用模糊控制算法判断气体数据是否超过阈值，如果是，则根据预设的第一气体过滤策略进行气体过滤；

采用MEMS压力传感器监测气体压力，将监测的气体压力输入到气体流量智能调节装置；

气体流量智能调节装置，采用自适应PID算法控制电子射频阀门，以调节气体流量。

10.根据权利要求1的开盒方法，其特征在于：

步骤四包括：

获取采集的气体的温湿度数据；

根据增量式PID算法，计算采集温湿度数据与目标温湿度的偏差e(t)；

根据偏差e(t)，利用PID算法生成温控输出量u(t)；

将u(t)通过DAC转换为0V至10V电压信号，作为三通换热阀的控制信号；

三通换热阀精确调节气体流过电加热器和Peltier制冷器的比例，控制气体温湿度；

采用电子计数器获取温控过程中的温度调节次数和湿度调节次数。