KR102272872B1 - Semiconductor Production Process Robot Diagnostics Method - Google Patents
Semiconductor Production Process Robot Diagnostics Method Download PDFInfo
- Publication number
- KR102272872B1 KR102272872B1 KR1020190072042A KR20190072042A KR102272872B1 KR 102272872 B1 KR102272872 B1 KR 102272872B1 KR 1020190072042 A KR1020190072042 A KR 1020190072042A KR 20190072042 A KR20190072042 A KR 20190072042A KR 102272872 B1 KR102272872 B1 KR 102272872B1
- Authority
- KR
- South Korea
- Prior art keywords
- robot
- data
- analysis
- semiconductor
- equipment
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- 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
- G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
-
- 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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41815—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by the cooperation between machine tools, manipulators and conveyor or other workpiece supply system, workcell
-
- 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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/4189—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by the transport system
-
- 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
- G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
-
- 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
-
- 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
-
- 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
- H01L21/67763—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 the wafers being stored in a carrier, involving loading and unloading
- H01L21/67766—Mechanical parts of transfer devices
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/25—Pc structure of the system
- G05B2219/25112—Using firmware stored in processor
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Manufacturing & Machinery (AREA)
- Automation & Control Theory (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Computer Hardware Design (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Power Engineering (AREA)
- Robotics (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Manipulator (AREA)
Abstract
본 발명은 다중 센서를 이용해서 데이터를 취득, 분석하고, 취득된 데이터를 사용하여 장비의 이상 유무 판단 알고리즘 및 예상 보수 시점 검출 알고리즘을 개발하고, 개발된 개별 알고리즘을 통해 고장을 예지할 수 있는 통합관리 시스템을 적용하여 현장데이터 및 가상 데이터 등을 이용하여 반도체 제공공정 로봇에 대한 진단이 가능하도록 하여 로봇을 포함하는 장비에서 발생할 수 있는 문제를 예측하여 장비 효율을 극대화하고, 장비 보수비용을 최소화 및 최적화할 수 있는 반도체 제조공정 로봇 진단 방법에 관한 것이다.The present invention acquires and analyzes data using multiple sensors, uses the acquired data to develop an algorithm for determining whether equipment is abnormal and a predictive maintenance time detection algorithm, and an integrated system that can predict failures through the developed individual algorithms By applying the management system, it is possible to diagnose the semiconductor supply process robot using field data and virtual data, so that problems that may occur in the equipment including the robot are predicted to maximize the equipment efficiency, and the equipment maintenance cost is minimized and It relates to a method for optimizing a semiconductor manufacturing process robot diagnosis method.
Description
본 발명은 반도체 제공공정 로봇의 진단에 관한 것으로, 더욱 상세하게는 반도체 설비 내 반도체 제공공정 로봇의 안정성 및 수명을 예상하여 진단할 수 있는 반도체 제조공정 로봇 진단 방법에 관한 것이다. The present invention relates to a diagnosis of a semiconductor providing process robot, and more particularly, to a semiconductor manufacturing process robot diagnosis method capable of predicting and diagnosing the stability and lifespan of a semiconductor providing process robot in a semiconductor facility.
기판 처리 장치와 같은 반도체 설비는 자동 반송 장비(AMHS; Automated Material Handling System)와 같은 이송 유닛을 구비한다. 자동 반송 장비는 미처리된 기판 혹은 미처리된 기판들이 수납된 수납 용기(carrier)를 로드포트에 적재하고, 처리 완료된 기판 혹은 처리 완료된 기판들이 수납된 수납 용기를 로드포트로부터 다른 공정 유닛으로 이송하는 장치이다.A semiconductor equipment such as a substrate processing apparatus includes a transfer unit such as an automated material handling system (AMHS). The automatic transfer equipment is a device that loads an unprocessed substrate or a carrier in which unprocessed substrates are accommodated in a load port, and transfers a container in which processed substrates or processed substrates are accommodated from the load port to another process unit. .
반도체 생산성 향상을 위하여, 자동 반송 장비와 기판 처리 장치 간의 통신은 반도체 장비 간의 통신에 관한 표준(예컨대, SEMI E84)에 따라 수행된다. SEMI E84는 반도체 생산 설비와 자동 반송 장비 간의 수납 용기의 핸드오프(hand off)를 위해 사용되는 통신 프로토콜(communication protocol)로서, SEMI E84는 반도체 생산 설비와 자동 반송 장비 간의 광 통신에 의하여 이루어진다.In order to improve semiconductor productivity, communication between the automatic transfer equipment and the substrate processing apparatus is performed according to a standard for communication between semiconductor equipment (eg, SEMI E84). SEMI E84 is a communication protocol used for handoff of a container between a semiconductor production facility and an automatic transfer equipment, and SEMI E84 is achieved by optical communication between a semiconductor production facility and an automatic transfer equipment.
SEMI E84에서, 반도체 설비는 능동적으로 자동 반송 장비로 수납 용기를 전달하거나 자동 반송 장비로부터 수납용기를 수취하지 않고, 자동 반송 장비에 의해 수동적으로 수납 용기를 제공하거나 공급받으며, 반대로 자동 반송 장비는 능동적으로 수납 용기를 로드포트에 적재하거나 로드포트로부터 수납 용기를 가져간다. 이와 관련하여 SEMI E84 하에서 반도체 설비와 자동 반송 장비 간의 통신시, 반도체 설비는 수동 타입(passive type)으로 운영되며, 자동 반송 장비는 그 반대인 능동 타입(active type)으로 운영된다.In SEMI E84, the semiconductor facility does not actively transfer the container to the automatic transfer equipment or receive the container from the automatic transfer equipment, but passively provides or receives the container by the automatic transfer equipment, and on the contrary, the automatic transfer equipment actively to load the container into the load port or take the container from the load port. In this regard, when communicating between semiconductor equipment and automatic transfer equipment under SEMI E84, the semiconductor equipment is operated as a passive type, and the automatic transfer equipment is operated as an active type, on the contrary.
반도체 설비를 정상적으로 가동하여 기판 처리 등의 공정을 수행하기 이전에, 자동 반송 장비와의 통신 테스트를 통한 셋업(setup) 작업을 먼저 수행하여야 한다. Before a semiconductor facility is normally operated and processes such as substrate processing are performed, a setup operation through a communication test with an automatic transfer equipment must be performed first.
그런데 기존의 반도체 설비의 경우 능동 타입으로 동작하는 자동 반송 장비의 도움 없이는 미리 반도체 설비의 통신 테스트를 수행하기 어려우며, 자동 반송 장비가 설치된 후에야 비로소 셋업 작업을 수행할 수 있다. 자동 반송 장비의 설치가 지연될수록 반도체 설비의 오류를 확인하여 해소하는데 시간이 소요되므로, 반도체 설비의 정상 가동이 지연될 수 있다.However, in the case of the existing semiconductor equipment, it is difficult to perform a communication test of the semiconductor equipment in advance without the help of an automatic transfer equipment operating in an active type, and the setup operation can be performed only after the automatic transfer equipment is installed. As the installation of the automatic transfer equipment is delayed, it takes time to identify and resolve errors in the semiconductor equipment, so that the normal operation of the semiconductor equipment may be delayed.
또한, 기존의 반도체 설비의 진단 장치에서는 자동 반송 장비를 설치하여 통신 테스트를 수행하는 과정에서 반도체 설비와 자동 반송 장비 간의 통신에 이상이 발생하는 경우, 반도체 설비의 이상인지 자동 반송 장비의 이상인지를 확인하기 어려우며, 문제 해결을 위해서는 자동 반송 장비의 제조사와의 협업이 필수적이므로, 반도체설비를 진단하고 오류를 해소하는데 불가피하게 시간이 낭비된다.In addition, in the case of an abnormality in communication between the semiconductor equipment and the automatic transfer equipment in the process of performing a communication test by installing the automatic transfer equipment in the existing diagnostic device for semiconductor equipment, it is determined whether the semiconductor equipment is abnormal or the automatic transfer equipment is abnormal. It is difficult to confirm, and collaboration with manufacturers of automatic conveyance equipment is essential to solve problems, so time is inevitably wasted in diagnosing semiconductor equipment and resolving errors.
도 1은 종래 기술에 따른 반도체 설비 Tool Down 시 처리를 설명하기 위한 도면이다.1 is a view for explaining a process when the semiconductor equipment tool down according to the prior art.
종래 기술에 따른 반도체 설비 Tool Down 시 처리는 도 1에 나타낸 바와 같이, 반도체 설비업체에서 로봇 설비의 Tool Down이 발생하면 자체적으로 해결하거나, 전문 엔지니어를 요청하여 엔지니어가 내방하여 원인을 파악한 후 로봇을 수리하거나, 교체 후 설비를 백업하였다.As shown in FIG. 1, when a semiconductor equipment tool down according to the prior art occurs, a semiconductor equipment maker can either solve it by itself, or request a professional engineer, and an engineer visits to determine the cause and then installs the robot. After repair or replacement, the equipment was backed up.
이러한 경우는 구조적으로 사후 처방을 수행하는 것으로, 설비 가동률의 저하를 가져 올 수밖에 없고, 생산성이 저하되는 문제가 발생할 수밖에 없었다.In this case, structurally, follow-up prescription is performed, which inevitably leads to a decrease in the facility utilization rate and a problem in which productivity is reduced.
한편, 자동 반송 장비의 도움 없이 반도체 설비를 진단하기 위한 일환으로, 별도의 테스트 장비를 구입하여 테스트 장비를 이용하여 통신 테스트를 수행하고 셋업 작업을 수행하는 방안을 고려할 수 있으나, 테스트 장비는 고가의 장비로서 공정 비용을 상승시킨다.On the other hand, as a part of diagnosing semiconductor equipment without the aid of automatic transfer equipment, it may be possible to purchase a separate test equipment and use the test equipment to perform a communication test and perform a setup operation. However, the test equipment is expensive. As equipment, it increases the process cost.
또한, 병렬 입출력 신호도(Parallel Input/Output signal diagram)를 숙지한 숙련된 기술자의 도움을 반드시 필요로 한다. 그리고 테스트 장비와 반도체 설비 간의 이상 발생시 반도체 설비의 문제로 인한 것인지를 정확하게 판단하지 못하며, 테스트 장비 업체의 도움을 필요로 하는 등 반도체 설비를 진단하는데 어려움이 따르는 문제가 있었다.In addition, the help of a skilled technician who is familiar with the parallel input/output signal diagram is required. In addition, when an abnormality occurs between the test equipment and the semiconductor equipment, it is not possible to accurately determine whether it is due to a problem in the semiconductor equipment, and there is a problem with the difficulty in diagnosing the semiconductor equipment, such as requiring the help of the test equipment manufacturer.
따라서, 본 발명은 상기와 같은 종래 기술의 제반 단점과 문제점을 해결하기 위한 것으로, 다중 센서를 이용해서 데이터를 취득, 분석하고, 취득된 데이터를 사용하여 장비의 이상 유무 판단 알고리즘 및 예상 보수 시점 검출 알고리즘을 개발하고, 개발된 개별 알고리즘을 통해 고장을 예지할 수 있는 통합관리 시스템을 적용하여 현장데이터 및 가상 데이터 등을 이용하여 반도체 제공공정 로봇에 대한 진단이 가능하도록 하여 로봇을 포함하는 장비에서 발생할 수 있는 문제를 예측하여 장비 효율을 극대화하고, 장비 보수비용을 최소화 및 최적화할 수 있는 반도체 제공공정 로봇 진단 방법을 제공하는데 그 목적이 있다.Therefore, the present invention is to solve all the shortcomings and problems of the prior art as described above, by using multiple sensors to acquire and analyze data, and to use the acquired data to determine whether equipment is abnormal and detect an expected maintenance time Develop algorithms and apply an integrated management system that can predict failures through the developed individual algorithms to enable diagnosis of semiconductor-providing process robots using field data and virtual data, which may occur in equipment including robots. An object of the present invention is to provide a method for diagnosing a semiconductor providing process robot that can maximize equipment efficiency by predicting possible problems, and minimize and optimize equipment maintenance costs.
상기한 목적을 달성하기 위하여 본 발명은 반도체제조공정에서 사용되는 로봇의 진단 방법에 있어서, 반도체제조공정에서 사용되는 로봇과 해당 로봇의 진단하고자 하는 부품을 선정하는 단계; 상기 선정된 로봇에 대하여 미리 결정된 반복 정밀 측정 및 진단 관리 기법에 따라 상기 로봇의 내부 및 외부 정보를 취합하고, 취합된 정보에 따라 상기 로봇의 수리 전과 수리 후 상태에 따른 데이터를 수집하고, 분석하는 단계; 상기 수집된 데이터를 기반으로 한 상기 로봇의 예측 진단 데이터를 개발하되, 상기 예측 진단 데이터는 로봇의 Parameter 및 Error 또는 Event를 진단 및 수집하고, 정상범위에서 벗어난 Error 혹은 특수한 Event의 데이터 범위를 실험을 통해 범주화하는 Source data를 수집하며, 서버에서 상기 로봇의 내부 엔코더의 값을 리딩하고, 외부의 센서로부터 수집한 데이터를 내부 데이터와 외부데이터에 대하여 FDC(Fault Detection Controller) 시스템에 저장하고, 상기 서버에 구축된 머신 러닝 분석 시스템을 통해 내부적 정보와 외부적 정보 취합을 통해 반복 정밀도의 상관관계를 분석하며, 정상상태에서의 편차 및 데이터를 분석하고, 로봇 사용시간 및 그에 따른 데이터 편차를 분석하고, 상기 분석결과에 따라 비정상 상태에 대한 해석 및 분석 정의에 따라 상기 로봇의 패턴 및 빅데이터 분석이 상기 서버에서 분석되는 단계; 및 In order to achieve the above object, the present invention provides a method for diagnosing a robot used in a semiconductor manufacturing process, the method comprising: selecting a robot used in a semiconductor manufacturing process and a part to be diagnosed of the robot; Collecting internal and external information of the robot according to a predetermined repetitive precision measurement and diagnosis management technique for the selected robot, and collecting and analyzing data according to the state of the robot before and after repair according to the collected information step; Develop predictive diagnostic data of the robot based on the collected data, but the predictive diagnostic data diagnoses and collects parameters and errors or events of the robot, and tests the data range of errors or special events outside the normal range. Collects source data to categorize through the server, reads the value of the robot's internal encoder, stores the data collected from external sensors in the FDC (Fault Detection Controller) system for internal data and external data, and the server Analyzes the correlation of repetition precision through the collection of internal and external information through the machine learning analysis system built in analyzing the pattern and big data analysis of the robot in the server according to the interpretation and analysis definition for the abnormal state according to the analysis result; and
상기 내부 데이터와 외부데이터에 대하여 FDC(Fault Detection Controller) 시스템에 저장된 데이터와, 상기 패턴 및 빅데이터 분석을 이용하여 데이터 분석기반의 로봇 예지 진단 알고리즘이 개발되는 단계;를 포함하여 이루어지는 것을 특징으로 하는 반도체 제조공정 로봇 진단 방법을 제공한다.Developing a data analysis-based robot predictive diagnosis algorithm using data stored in a Fault Detection Controller (FDC) system with respect to the internal data and external data, and the pattern and big data analysis; characterized in that it comprises; A semiconductor manufacturing process robot diagnostic method is provided.
여기서, 상기 반도체 제공공정 로봇은, 반도체 및 LCD용 이송 로봇으로, 상기 반도체 제공공정 로봇의 기술 특성상 Encoder Data의 높은 신뢰성을 위하여 Direct Drive 방식을 이용하며, 상기 반도체 이송 로봇에 SW, Parameter 및 Encoder의 값들은 기계적인 부품 요소와, Controller의 보드에 의하여 계산 및 처리되는 것을 특징으로 한다.Here, the semiconductor providing process robot is a transfer robot for semiconductors and LCDs, and uses a direct drive method for high reliability of encoder data due to the technical characteristics of the semiconductor providing process robot. The values are calculated and processed by the mechanical component elements and the controller's board.
또한 상기 보드는, Firmware 저장을 맡는 보드, 중앙의 처리를 담하는 Personality, 동작의 움직임을 담당하는 Theta 및 ~Axis 보드 및 통신을 담당하는 IO보드로 구성되며, 상기 반도체 제공공정 로봇에 일체형으로도 적용될 수 있는 것을 특징으로 한다.In addition, the board is composed of a board in charge of firmware storage, Personality in charge of central processing, Theta and ~Axis boards in charge of movement and IO board in charge of communication, and is also integrated into the semiconductor providing process robot. It is characterized in that it can be applied.
본 발명에 의하면 다음과 같은 효과가 있다.According to the present invention, the following effects are obtained.
첫째, 핵심 자동화 부분품인 반도체 제공공정 로봇의 예상보수 시점을 검출할 수 있으므로, 설비의 tool down을 최소화하여 생산성 저하를 최소화하여 생산성을 높일 수 있다.First, since it is possible to detect the expected maintenance time of the semiconductor supply process robot, which is a core automation part, it is possible to minimize the tool down of the facility and thereby increase the productivity by minimizing the decrease in productivity.
둘째, PdM(Predictive Maintenance) 기술 구현을 위한 기초 기술인 빅데이터 처리기술의 발전이 가능하다. Second, the development of big data processing technology, which is the basic technology for realizing PdM (Predictive Maintenance) technology, is possible.
셋째, 반도체 공정 장비뿐만 아니라 다양한 산업 장비에서 발생할 수 있는 문제점을 미리 예측할 수 있으며, 문제 발생 전에 예측할 수 있는 다양한 방법 개발이 가능하다.Third, it is possible to predict in advance problems that may occur in various industrial equipment as well as semiconductor process equipment, and it is possible to develop various methods that can predict problems before they occur.
넷째, 장비의 문제점을 예측할 수 있으므로 장비 효율을 극대화할 수 있고, 장비 보수비용을 최소화할 수 있다.Fourth, since equipment problems can be predicted, equipment efficiency can be maximized and equipment maintenance costs can be minimized.
다섯째, 공정 장비의 보수를 최적화함으로써 다양한 장비에서 얻게 되는 데이터의 신뢰성을 높일 수 있고, 이러한 데이터 및 장비를 이용하여 제조한 제품 품질 제고에 기여할 수 있다.Fifth, by optimizing the maintenance of process equipment, the reliability of data obtained from various equipment can be increased, and it can contribute to improving the quality of products manufactured using these data and equipment.
도 1은 종래 기술에 따른 반도체 설비 Tool Down 시 처리를 설명하기 위한 도면이다.
도 2는 본 발명에 따른 반도체 제공공정 로봇 진단 시스템을 나타낸 도면이다.
도 3 및 도 4는 본 발명에 따른 반도체 제공공정 로봇 진단 방법 개발의 필요성을 설명하기 위한 도면이다.
도 5는 반도체 제공공정 로봇 방식의 예를 설명하기 위한 도면이다
도 6 및 도 7은 반도체 제공공정 로봇의 데이터 취득을 설명하기 위한 도면이다.
도 8은 본 발명에 따른 반도체 제공공정 로봇 진단 방법에서 기술 개발을 위한 과정을 설명하기 위한 도면이다.
도 9 및 도 10은 본 발명에 따른 반도체 제공공정 로봇 진단 방법에서 로봇의 반복 정밀 측정 및 진단 관리 기법 결정을 위한 로봇 내부와 외부 정보를 수집하는 예를 설명하기 위한 도면이다.
도 11 내지 도 12는 본 발명에 따른 반도체 제공공정 로봇 진단 방법을 설명하기 위한 흐름도이다.1 is a view for explaining a process when the semiconductor equipment tool down according to the prior art.
2 is a view showing a semiconductor providing process robot diagnostic system according to the present invention.
3 and 4 are diagrams for explaining the necessity of developing a method for diagnosing a semiconductor providing process robot according to the present invention.
5 is a view for explaining an example of a semiconductor providing process robot method;
6 and 7 are diagrams for explaining data acquisition of a semiconductor providing process robot.
8 is a diagram for explaining a process for technology development in a method for diagnosing a semiconductor providing process robot according to the present invention.
9 and 10 are diagrams for explaining an example of collecting robot internal and external information for repeating precise measurement of the robot and determining a diagnosis management technique in the method for diagnosing the semiconductor providing process robot according to the present invention.
11 to 12 are flowcharts illustrating a method for diagnosing a semiconductor providing process robot according to the present invention.
본 발명의 바람직한 실시 예를 첨부된 도면에 의하여 상세히 설명하면 다음과 같다.A preferred embodiment of the present invention will be described in detail with reference to the accompanying drawings as follows.
아울러, 본 발명에서 사용되는 용어는 가능한 한 현재 널리 사용되는 일반적인 용어를 선택하였으나, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며 이 경우는 해당되는 발명의 설명부분에서 상세히 그 의미를 기재하였으므로, 단순한 용어의 명칭이 아닌 용어가 가지는 의미로서 본 발명을 파악하여야 함을 밝혀두고자 한다. 또한 실시예를 설명함에 있어서 본 발명이 속하는 기술 분야에 익히 알려져 있고, 본 발명과 직접적으로 관련이 없는 기술 내용에 대해서는 설명을 생략한다. 이는 불필요한 설명을 생략함으로써 본 발명의 요지를 흐리지 않고 더욱 명확히 전달하기 위함이다. In addition, the terms used in the present invention have been selected as widely used general terms as possible, but in certain cases, there are also terms arbitrarily selected by the applicant, and in this case, the meaning is described in detail in the description of the corresponding invention, so it is a simple term It is intended to clarify that the present invention should be understood as the meaning of the term, not the name. In addition, in describing the embodiments, descriptions of technical contents that are well known in the technical field to which the present invention pertains and are not directly related to the present invention will be omitted. This is to more clearly convey the gist of the present invention without obscuring the gist of the present invention by omitting unnecessary description.
본 발명은 반도체 설비 내 반도체 제공공정 로봇의 안정성 및 수명을 예상하여 진단할 수 있는 Wafer Transfer Robot Diagnostics System 개발에 관한 기술로, 웨이퍼를 대기 및 진공 상태에서 공정 챔버로 운송하는 이송 로봇의 수명의 진단 및 예측을 위한 Wafer Transfer Robot Diagnostics System을 개발함으로써, 반도체 설비의 tool down시 발생하는 생산성 저하를 예방하고자 한다.The present invention is a technology related to the development of a Wafer Transfer Robot Diagnostics System that can predict and diagnose the stability and lifespan of a semiconductor providing process robot in a semiconductor facility. Diagnosis of the life of a transfer robot that transports wafers to a process chamber in atmospheric and vacuum conditions And by developing the Wafer Transfer Robot Diagnostics System for prediction, it is intended to prevent the decrease in productivity that occurs during tool down of semiconductor equipment.
이를 위해 로봇 수명 및 움직임 예측 진단 기술 개발하고, 로봇 Encoder 값 획득 및 데이터 수집, 로봇의 반복 정밀 측정 및 진단 기술 외부센서 부착, Diagnostics System SW 기술, 통합 컨트롤러 개발 등 요소 기술의 개발과 시험을 통하여 구현하고자 한다.To this end, we develop robot life and motion prediction diagnosis technology, acquire robot encoder values and collect data, repeat precise measurement and diagnosis technology for robots, attach external sensors, develop diagnostics system SW technology, and implement integrated controllers through development and testing of element technologies. want to
도 2는 본 발명에 따른 반도체 제공공정 로봇 진단 시스템을 나타낸 도면이다.2 is a view showing a semiconductor providing process robot diagnostic system according to the present invention.
본 발명에 따른 반도체 제공공정 로봇 진단 시스템은 도 2에 나타낸 바와 같이, 반도체 제공공정 로봇의 구동의 정확도를 확인하기 위한 내·외부적 진단을 통해 data을 수집 분석하는 SW system 기술에 관한 것으로, 대상기술은 내부(엔코더의 값을 리딩) 및 외부(Senosr로부터 획득)하는 정보를 취합이 가능하며, 로봇의 수리 전후 상태에 따른 Data를 수집하고, 연관성을 분석하기 위한 것이다.As shown in FIG. 2, the semiconductor providing process robot diagnosis system according to the present invention relates to a SW system technology for collecting and analyzing data through internal/external diagnosis for confirming the accuracy of driving the semiconductor providing process robot. The technology is capable of collecting internal (reading the encoder value) and external (obtained from Senosr) information, collecting data according to the state of the robot before and after repair, and analyzing the correlation.
이를 서버와 로봇간의 동기화를 통해 구현할 수 있다.This can be implemented through synchronization between the server and the robot.
그리고 서버에서는 분석된 연관성의 자료를 토대로 예측 진단을 위한 알고리즘 등을 기획 및 제작하고, 기획된 알고리즘 및 기술을 토대로 예측 진단의 SW를 제작한다. 또한 User를 위한 Graphic Interface를 제작한다.In addition, the server plans and manufactures algorithms for predictive diagnosis based on the analyzed correlation data, and produces predictive diagnosis SW based on the planned algorithm and technology. Also, graphic interface for users is created.
Wafer Transfer Robot Diagnostics System의 개발 목적은 예상치 못한 Robot의 다운으로 인한 전체 설비의 다운을 방지하는 것과 수리를 위한 정비의 down term을 줄이기 위한 시스템 개발로, 이를 구현하기 위해서,The purpose of the development of the Wafer Transfer Robot Diagnostics System is to prevent the downtime of the entire facility due to the unexpected downtime of the robot and to develop a system to reduce the down term of maintenance for repair.
첫째, 로봇 수명 및 모션의 예측 진단 기술 개발하고,First, the development of predictive diagnostic technology for robot lifespan and motion,
둘째, 로봇 Encoder 값 획득 및 데이터 수집 기술하며, Second, robot encoder value acquisition and data collection technology,
셋째, 로봇의 반복 정밀 측정 및 진단 기술 외부센서 부착하고, Third, by attaching an external sensor for repetitive precision measurement and diagnosis technology of the robot,
넷째, Diagnostics System SW 기술한다.Fourth, the Diagnostics System SW will be described.
도 3 및 도 4는 본 발명에 따른 반도체 제공공정 로봇 진단 방법 개발의 필요성을 설명하기 위한 도면이다.3 and 4 are diagrams for explaining the necessity of developing a method for diagnosing a semiconductor providing process robot according to the present invention.
반도체 제공공정 로봇 진단 방법 개발에 앞서 기존 반도체 제공공정 로봇의 교체 관련 MTBF(Mean Time Between Failure)의 적용을 보면, 예를 들어 B사 Mag7 로봇과 Reliance 로봇의 경우를 살펴보면, 로봇 Drive MTBF는 약 5.5년을 갖으며 실제의 수리 수선의 시점은 도 3 및 도 4에 나타낸 바와 같다.Looking at the application of MTBF (Mean Time Between Failure) related to the replacement of the existing semiconductor supply process robot prior to the development of the semiconductor supply process robot diagnosis method, for example, in the case of the Mag7 robot of B company and the Reliance robot, the robot drive MTBF is about 5.5 The actual time of repair and repair is as shown in FIGS. 3 and 4 .
Mag7 경우, 4~7년 사이 발생 빈도가 약 60%로, 5~6년 주기의 수리의 필요성을 가지고, Reliance의 경우, MTBF가 2.8년으로 약 3년 주기의 수리 수선이 필요한 것으로 보인다. 즉 Trend상 MTBF와 무관하지 않는 것으로 판단되고 있다.In the case of Mag7, the frequency of occurrence between 4-7 years is about 60%, and it needs repair every 5-6 years. In the case of Reliance, the MTBF is 2.8 years, which seems to require repair and repair every 3 years. In other words, it is judged that the trend has nothing to do with MTBF.
도 5는 반도체 제공공정 로봇 방식의 예를 설명하기 위한 도면이고, 도 6 및 도 7은 반도체 제공공정 로봇의 데이터 취득을 설명하기 위한 도면이다.5 is a diagram for explaining an example of a semiconductor providing process robot method, and FIGS. 6 and 7 are diagrams for explaining data acquisition of the semiconductor providing process robot.
본 발명 반도체 제공공정 로봇 진단 시스템에서는 기본적으로 기존에 판매되고 있는 이송 로봇 제품의 기술을 분석하여 본 발명에서 이용할 수 있는데, 이러한 반도체 제공공정 로봇의 방식을 도 5에 나타낸 바와 같다. In the present invention, the semiconductor providing process robot diagnosis system basically analyzes the technology of the transfer robot product sold in the past and can be used in the present invention. The method of the semiconductor providing process robot is as shown in FIG. 5 .
반도체 및 LCD용 이송 로봇의 예는 3가지 Type으로 나타내고 있는데 로봇의 기술 특성상 Encoder Data의 높은 신뢰성을 나타내는 방식은 Direct Drive 방식으로 파악하며, 반도체 제공공정 로봇에 SW, Parameter 및 Encoder의 값들은 기계적인 부품 요소 외에 Controller의 보드에 의하여 계산 및 처리한다.Examples of transfer robots for semiconductors and LCDs are shown in three types. Due to the technical characteristics of the robot, the method that shows high reliability of encoder data is identified by the direct drive method, and SW, parameter and encoder values are mechanical in the semiconductor providing process robot. In addition to component elements, it is calculated and processed by the controller's board.
각 보드 구성은 도 6 및 도 7에 나타낸 바와 같이, ①Firmware 저장을 맡는 보드와 ②각 중앙의 처리를 담하는 Personality, ③각 동작의 움직임을 담당하는 Theta 및 ~Axis 보드, 그리고 ④통신을 담당하는 IO보드로 구성되며, ⑤ 로봇에 일체형으로도 적용 가능하다.As shown in FIGS. 6 and 7, each board consists of ① the board responsible for storing firmware, ② Personality that handles each central processing, ③ Theta and ~Axis boards responsible for the movement of each operation, and ④ the communication It is composed of IO board and can be applied as an integrated type to ⑤ robot.
위와 같은 분석을 통해, Firmware SW로부터 Data를 취할 수도 있는데, 로봇이 동작하면서 수ms 간격으로 실시간 발생 되는 값과, 로봇이 멈춰진 상태에서 Command로 문의해야 알 수 있는 정보들로 나눌 수 있다.Through the above analysis, data can be taken from the firmware SW, and it can be divided into values that are generated in real time at intervals of several ms while the robot is operating, and information that can be known only by inquiring with a command while the robot is stopped.
그리고 신뢰성 있는 Disgnostics를 위해선 이러한 정보에 추가로 Encoder의 다른 Data와 외부적인 장치에 의한 Data를 복합적으로 활용할 필요성이 있다.And for reliable disgnostics, in addition to this information, it is necessary to use other data of the encoder and data from an external device in combination.
이러한 기존 장비 분석을 통해, 진단할 수 있는 연구항목은 예를 들어 표 1과 같으며, 본 항목들을 기준으로, 장비의 기술적 결함 및 움직임을 판단하는 것이 바람직하다.Through this existing equipment analysis, for example, the research items that can be diagnosed are shown in Table 1, and it is desirable to determine the technical defects and movements of the equipment based on these items.
물론, 적용되는 로봇 모델에 따라 진단 기술이 달라질 수 있기 때문에, 최대한 많은 데이터를 취득하는 과정이 고려되어야 하며, 데이터 처리 방식, 신호처리, 적용진단 기술이 달라질 수 있어, 처리 기법과 범위를 결정하여 불확실성을 제거되어야 하여 최대한 많은 데이터를 취득하는 과정이 필요하다.Of course, since the diagnostic technology may vary depending on the applied robot model, the process of acquiring as much data as possible should be considered, and the data processing method, signal processing, and applied diagnostic technology may vary, so The process of acquiring as much data as possible is necessary to remove uncertainty.
Data 취득과 Robot 구동의 관계는 내부의 엔코더 값을 취합하기 위하여, 로봇의 RS232통신이나 또는 이더넷 통신을 연결하여 Data를 취득이 필요한데, 물론 Data의 취득이 로봇의 동작에 영향을 미쳐서는 안된다.The relationship between data acquisition and robot operation requires data acquisition by connecting RS232 communication or Ethernet communication of the robot in order to collect the encoder values. Of course, data acquisition should not affect the operation of the robot.
지금은 RSU라는 SW처럼 Data를 획득하고, 추후에 엔지니어에 의한 진단을 SW에 적용할 수 있을 것으로 예상된다.Now, it is expected that data can be acquired like SW called RSU, and diagnosis by engineers can be applied to SW in the future.
또한 TIR(Total indicate Reading) 값에 의한 경험(Test)적 한계가 있는데, 로봇의 외부의 값의 취득은 통계적인 진단을 의미한다. TIR(Total indicate Reading)의 유효성을 획득하기 위하여 기존 로봇의 TIR값을 알 수 있어야 한다.In addition, there is an empirical (test) limit due to the TIR (Total indicate Reading) value, and the acquisition of an external value of the robot means a statistical diagnosis. In order to obtain the validity of TIR (Total indicate Reading), it is necessary to know the TIR value of the existing robot.
도 8은 본 발명에 따른 반도체 제공공정 로봇 진단 방법에서 기술 개발을 위한 과정을 설명하기 위한 도면이고, 도 9 및 도 10은 본 발명에 따른 반도체 제공공정 로봇 진단 방법에서 로봇의 반복 정밀 측정 및 진단 관리 기법 결정을 위한 로봇 내부와 외부 정보를 수집하는 예를 설명하기 위한 도면이다.8 is a view for explaining a process for technology development in the method for diagnosing the semiconductor providing process robot according to the present invention, and FIGS. 9 and 10 are repeated precision measurement and diagnosis of the robot in the method for diagnosing the semiconductor providing process robot according to the present invention. It is a diagram to explain an example of collecting information inside and outside the robot for determining the management technique.
본 발명에 따른 반도체 제공공정 로봇 진단 방법에서 기술 개발을 위한 과정을 간략히 설명하면, 분석을 위한 데이터를 수집하고, 분석파라미터 수정 데이터베이스(DB)를 구축한다. 또한 고정패턴분석을 외부 시스템(서버)과 연동하고, 서버에서 고장 발생 예측과 수명을 예측한다. 그리고 그에 따라 미리 설정된 적정한 경고값 등의 관리 기법을 개발하고 이를 통해 시스템(Diagnostics System SW)을 구축한다.Briefly describing the process for technology development in the semiconductor providing process robot diagnosis method according to the present invention, data for analysis is collected and an analysis parameter correction database (DB) is constructed. In addition, the fixed pattern analysis is linked with an external system (server), and the failure occurrence prediction and life span are predicted in the server. Then, a management technique such as an appropriate warning value set in advance is developed accordingly, and a system (Diagnostics System SW) is built through it.
도 9 및 도 10에서는 반도체 제공공정 로봇의 모터 구동 정보를 인식하는 Encoder/CCD 센서를 통한 내부 정보 취합과 외부 정보의 취합 예를 나타내고 있다.9 and 10 show examples of collection of internal information and external information through an encoder/CCD sensor that recognizes motor driving information of a semiconductor providing process robot.
본 발명에 따른 반도체 제공공정 로봇 진단 방법에서 로봇의 반복 정밀 측정 및 진단 관리 기법 결정을 위한 로봇 내부와 외부 정보를 수집은 도 9 및 도 10에 나타낸 바와 같은데, 내부(엔코더의 값을 리딩) 및 외부(Sensor로부터 획득)하는 정보를 취합하고, 내부적 진단에서는 모터 내부에 장착된 엔코더값을 리딩하여, data를 추출하고, 로봇의 Wafer 이송 포인트에 맞는 shelf 제작 및 센서 선정이 필요하다. In the semiconductor providing process robot diagnosis method according to the present invention, the collection of robot internal and external information for repetitive precision measurement of the robot and determination of the diagnosis management technique is as shown in FIGS. 9 and 10 , internal (reading the encoder value) and It is necessary to collect information from the outside (obtained from the sensor), and to extract the data by reading the encoder value installed inside the motor for internal diagnosis, and to make a shelf suitable for the robot's wafer transfer point and select a sensor.
그리고 외부적 진단을 위하여는 로봇의 움직임을 외부 센서를 통해 반복적으로 측정해 외부에서 진단한다.And for external diagnosis, the robot's movement is repeatedly measured through an external sensor and diagnosed from the outside.
도 11 및 도 12는 본 발명에 따른 반도체 제공공정 로봇 진단 방법을 설명하기 위한 흐름도이다.11 and 12 are flowcharts illustrating a method for diagnosing a semiconductor providing process robot according to the present invention.
본 발명에 따른 반도체 제공공정 로봇 진단 방법은 도 11에 나타낸 바와 같이, 개발에 최적화된 로봇 선정 및 부품을 선정한다(S100). 이때 측정 및 진단에 대한 하드웨어 및 소프트웨어도 선정한다.In the semiconductor providing process robot diagnosis method according to the present invention, as shown in FIG. 11 , robot selection and parts optimized for development are selected ( S100 ). At this time, hardware and software for measurement and diagnosis are also selected.
이어 로봇의 반복 정밀 측정 및 진단 관리 기법 결정한다(S110).Then, the repeated precision measurement and diagnosis management technique of the robot is determined (S110).
이때, 반도체 제공공정 로봇의 내부(엔코더의 값을 리딩) 및 외부(Sensor로부터 획득)하는 정보를 취합한다. 여기서 내부적 진단으로 모터 내부에 장착된 엔코더값을 리딩하여, data를 추출하고, 로봇의 Wafer 이송 포인트에 맞는 shelf 제작 및 센서 선정이 필요하다. 그리고 외부적 진단으로 로봇의 움직임을 외부 센서를 통해 반복적으로 측정해 외부에서 진단한다. 그에 따라 내부적 진단으로 health data 범위 결정하고, Encoder를 통한 health data 추출한다. At this time, information from the inside (reading the encoder value) and outside (obtained from the sensor) of the semiconductor providing process robot is collected. Here, it is necessary to read the encoder value installed inside the motor as an internal diagnosis, extract data, manufacture a shelf suitable for the robot's wafer transfer point, and select a sensor. In addition, external diagnosis is made by repeatedly measuring the robot's movement through an external sensor. Accordingly, the range of health data is determined by internal diagnosis, and health data is extracted through the encoder.
이를 위해 data 추출 및 분석을 위한 SW 구매 및 프로그래밍 필요하다.For this, it is necessary to purchase and program software for data extraction and analysis.
또한 로봇의 상태(수리 전, 수리 후)에 따른 Data 등을 수집하고 연관성을 분석한다.In addition, data according to the robot's status (before and after repair) is collected and correlation is analyzed.
이어 data 수집을 기반으로 한 예측 진단 기술을 개발한다(S120).Next, a predictive diagnosis technology based on data collection is developed (S120).
이러한 예측 진단 기술은 로봇의 Parameter 및 Error 또는 Event 진단 및 수집기술과, 정상범위에서 벗어난 Error 혹은 특수한 Event의 데이터 범위를 실험을 통해 범주화하는 Source data를 수집하는 기술과, 예측 기술 중 로봇의 모터가 연동하는 데이터를 내부 엔코더로부터 수집하는 기술과, 로봇이 구동하면서 자체적으로 발생하는 데이터를 구분, Health data의 범위 결정하는 로봇 Encoder 값 획득 및 데이터 수집 기술 결정이 있다These predictive diagnostic technologies include the robot's parameter and error or event diagnosis and collection technology, the technology to collect the source data that categorizes the data range of the error or special event out of the normal range through experiments, and the robot's motor among the predictive technologies. There are technology that collects interlocking data from the internal encoder, and the robot encoder value acquisition and data collection technology determination that distinguishes the data generated by itself while the robot is driving and determines the range of health data.
그 다음 분석을 위한 데이터 수집 분석 결정(S130)이 있는데, 측정된 데이터를 수집 / 분석하여 로봇의 상태, 결함의 유형 및 적정한 경고값, 선정된 관리 기법의 확인 등을 보다 구체적으로 결정한다.Next, there is a data collection analysis decision (S130) for analysis, which collects / analyzes the measured data to determine the status of the robot, the type of defect and an appropriate warning value, and confirmation of the selected management technique in more detail.
이어 Diagnostics System SW 기술이 필요한데(S140), Diagnostics System SW 기술은 내·외부적으로 진단한 데이터를 실시간으로 인식해 분석하는 SW, 분석된 연관성의 자료를 토대로 로봇 예측에 필요한 진단 알고리즘 등을 기획 및 제작, User를 위한 GUI 제작, 2종 이상의 로봇에서 엔코더 Data를 획득하고, 실시간(0.1초)의 간격으로 Data를 전송하는 기술이다.Next, Diagnostics System SW technology is required (S140). The Diagnostics System SW technology plans and analyzes software that recognizes and analyzes internally and externally diagnosed data in real time, and diagnostic algorithms necessary for robot prediction based on the analyzed correlation data. It is a technology that acquires encoder data from two or more types of robots and transmits data in real-time (0.1 seconds) intervals.
그 다음 시스템 알고리즘 개발(S150)과, 빅데이터 시스템 기반의 기술 개발(S160)이 있다.Next, there are system algorithm development (S150) and big data system-based technology development (S160).
시스템 알고리즘 개발은 내부적 외부적 정보 취합을 통한 반복 정밀도의 상관관계 분석하고, 측정된 정보를 알고리즘을 통해서 고장 시점 및 예상 루트, 교체 적정 시점 예측한다.System algorithm development analyzes the correlation of repeat precision through internal and external information collection, and predicts the time of failure, expected route, and replacement time through the measured information algorithm.
이를 도 12를 통해 보다 상세히 설명하면, 수집한 내부 데이터와 외부데이터에 대하여 FDC(Fault Detection Controller) 시스템에 저장하고(S151), 머신 러닝 분석 시스템(서버에 구축)을 통해 내부적 정보와 외부적 정보 취합을 통해 반복 정밀도의 상관관계를 분석한다(S152).12, the collected internal data and external data are stored in the FDC (Fault Detection Controller) system (S151), and internal and external information through the machine learning analysis system (built in the server) The correlation of repetition precision is analyzed through aggregation (S152).
이어 정상상태에서의 편차 및 데이터를 분석하고(S153), 로봇 사용시간 및 그에 따른 데이터 편차를 분석한다(S154). Then, the deviation and data in the normal state are analyzed (S153), and the robot use time and data deviation thereof are analyzed (S154).
그에 따라 비정상 상태에 대한 해석 및 분석을 정의하고(S155), 패턴 및 빅데이터 분석이 가능하다(S156).Accordingly, the interpretation and analysis of the abnormal state is defined (S155), and pattern and big data analysis are possible (S156).
이와 같은 수집한 내부 데이터와 외부데이터에 대하여 FDC(Fault Detection Controller) 시스템에 저장(S151)과 패턴 및 빅데이터 분석(S156)에 따라 데이터 부넉기반의 로봇 예지 진단 알고리즘이 개발되고, 그러한 알고리즘이 적용된다(S157).For the collected internal and external data, the data richness-based robot predictive diagnosis algorithm is developed according to the storage (S151) and the pattern and big data analysis (S156) in the FDC (Fault Detection Controller) system, and the algorithm is applied becomes (S157).
그리고 빅데이터 시스템 기반의 기술 개발은 공장 Main Server로 제공할 수 있는 새로운 정보로써, Current, Speed, position, history, cycle count, error code, frequency in error 등이 있고, 위 측정 데이터를 모니터링 할 수 있는 중앙관리 프로그램을 개발한다. And big data system-based technology development is new information that can be provided to the factory main server, such as Current, Speed, position, history, cycle count, error code, frequency in error, etc. Develop a central management program.
그에 따라 장비에 이상이 예측되는 시점을 엔지니어 및 관리자에게 인폼하고, Tool Down을 예방한다.As a result, engineers and managers are informed of the time when an abnormality is expected in the equipment, and tool down is prevented.
그 다음 세제품 개발 제작 및 최종 테스트를 수행한다(S170).Then, three products are developed, manufactured and tested (S170).
이는 기존 시스템에 존재하는 데이터와 본 연구개발을 통해 제공되는 데이터의 통합 시스템을 통해 빅데이터 기반의 새로운 분석 및 예측 진단 시스템으로 발전 가능하고, 내부적, 외부적 진단으로 추출한 데이터를 분석하는 실질적인 Diagnostics System SW 개발하고 제품화할 수 있다.This can be developed into a new big data-based analysis and predictive diagnosis system through an integrated system of data existing in the existing system and data provided through this research and development, and is a practical diagnostics system that analyzes data extracted through internal and external diagnosis SW can be developed and commercialized.
표 2는 이러한 Diagnostics System SW 개발에 따라 삼성반도체 1개 라인에 L社장비의 보유 대수 약 100대 가정하고, 연간 10% 로봇 수리 발생이 필요하다고 가정한 경우의 보수 비용 절감 효과를 설명하기 위한 것이다.Table 2 is to explain the effect of reducing maintenance costs when it is assumed that about 100 units of L's equipment are in one Samsung Semiconductor line and that 10% of robot repairs are required per year according to the development of the Diagnostics System SW. .
이상과 같은 예로 본 발명을 설명하였으나, 본 발명은 반드시 이러한 예들에 국한되는 것이 아니고, 본 발명의 기술사상을 벗어나지 않는 범위 내에서 다양하게 변형 실시될 수 있다. 따라서 본 발명에 개시된 예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 예들에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 한다. Although the present invention has been described with the above examples, the present invention is not necessarily limited to these examples, and various modifications may be made within the scope without departing from the technical spirit of the present invention. Therefore, the examples disclosed in the present invention are not intended to limit the technical spirit of the present invention, but to explain, and the scope of the technical spirit of the present invention is not limited by these examples. The protection scope of the present invention should be construed by the following claims, and all technical ideas within the scope equivalent thereto should be construed as being included in the scope of the present invention.
Claims (3)
반도체제조공정에서 사용되는 로봇과 해당 로봇의 진단하고자 하는 부품을 선정하는 단계(S100);
상기 선정된 로봇에 대하여 미리 결정된 반복 정밀 측정 및 진단 관리 기법(S110)에 따라 상기 로봇의 내부 및 외부 정보를 취합하고, 취합된 정보에 따라 상기 로봇의 수리 전과 수리 후 상태에 따른 데이터를 수집하고, 분석하는 단계;
상기 수집된 데이터를 기반으로 한 상기 로봇의 예측 진단 데이터를 개발하되, 상기 예측 진단 데이터는 로봇의 Parameter 및 Error 또는 Event를 진단 및 수집하고, 정상범위에서 벗어난 Error 혹은 특수한 Event의 데이터 범위를 실험을 통해 범주화하는 Source data를 수집하며, 서버에서 상기 로봇의 내부 엔코더의 값을 리딩하고, 외부의 센서로부터 수집한 데이터를 내부 데이터와 외부데이터에 대하여 FDC(Fault Detection Controller) 시스템에 저장하고(S151), 상기 서버에 구축된 머신 러닝 분석 시스템을 통해 내부적 정보와 외부적 정보 취합을 통해 반복 정밀도의 상관관계를 분석하며(S152), 정상상태에서의 편차 및 데이터를 분석하고(S153), 로봇 사용시간 및 그에 따른 데이터 편차를 분석하고(S154), 상기 분석결과(S154)에 따라 비정상 상태에 대한 해석 및 분석 정의(S155)에 따라 상기 로봇의 패턴 및 빅데이터 분석이 상기 서버에서 분석되는 단계(S156); 및
상기 내부 데이터와 외부데이터에 대하여 FDC(Fault Detection Controller) 시스템에 저장된 데이터(S151)와, 상기 패턴 및 빅데이터 분석(S156)을 이용하여 데이터 분석기반의 로봇 예지 진단 알고리즘이 개발되는 단계(S157);를 포함하여 이루어지고,
상기 수집된 데이터를 기반으로 한 상기 로봇의 예측 진단 데이터를 개발(S120)과 서버에서 상기 로봇의 내부 엔코더의 값을 리딩하고, 외부의 센서로부터 수집한 데이터를 내부 데이터와 외부데이터에 대하여 FDC(Fault Detection Controller) 시스템에 저장(S151) 사이에,
분석을 위한 데이터 수집 분석 결정(S130)하고,
상기 분석을 위한 데이터 수집 분석 결정(S130)은 측정된 데이터를 수집 / 분석하여 로봇의 상태, 결함의 유형 및 적정한 경고값, 선정된 관리 기법의 확인을 보다 구체적으로 결정하는 것을 특징으로 하는 반도체 제조공정 로봇 진단 방법.
In the diagnostic method of a robot used in a semiconductor manufacturing process,
selecting a robot used in a semiconductor manufacturing process and a part to be diagnosed of the robot (S100);
Collects internal and external information of the robot according to a predetermined repetitive precision measurement and diagnosis management technique (S110) for the selected robot, and collects data according to the state before and after repair of the robot according to the collected information, , analyzing;
Develop predictive diagnostic data of the robot based on the collected data, but the predictive diagnostic data diagnoses and collects parameters and errors or events of the robot, and tests the data range of errors or special events outside the normal range. Collects source data to categorize through the server, reads the value of the robot's internal encoder, and stores the data collected from external sensors in the FDC (Fault Detection Controller) system for internal data and external data (S151) , through the machine learning analysis system built in the server, analyzes the correlation of repetition precision through the collection of internal and external information (S152), and analyzes the deviation and data in the steady state (S153), and the robot usage time and analyzing the data deviation accordingly (S154), and analyzing the pattern and big data of the robot in the server according to the analysis and analysis definition (S155) for the abnormal state according to the analysis result (S154) (S156) ); and
A data analysis-based robot predictive diagnosis algorithm is developed using the data (S151) stored in the FDC (Fault Detection Controller) system for the internal data and the external data (S151) and the pattern and big data analysis (S156) (S157) consists of;
Development of predictive diagnostic data of the robot based on the collected data (S120), reading the value of the robot's internal encoder in the server, and FDC ( Between saving to the Fault Detection Controller) system (S151),
Determining data collection analysis for analysis (S130),
The data collection analysis decision for the analysis (S130) collects / analyzes the measured data to determine the status of the robot, the type of defect and the appropriate warning value, and the confirmation of the selected management technique in more detail. How to diagnose process robots.
상기 로봇은,
반도체 웨이퍼 및 LCD용 이송 로봇으로, 상기 로봇의 기술 특성상 Encoder Data의 높은 신뢰성을 위하여 Direct Drive 방식을 이용하며,
상기 로봇에 SW, Parameter 및 Encoder의 값들은 기계적인 부품 요소와, Controller의 보드에 의하여 계산 및 처리되는 것을 특징으로 하는 반도체 제조공정 로봇 진단 방법.
The method according to claim 1,
The robot is
As a transfer robot for semiconductor wafer and LCD, the direct drive method is used for high reliability of the encoder data due to the technical characteristics of the robot.
A method for diagnosing a semiconductor manufacturing process robot, characterized in that the values of SW, Parameter and Encoder in the robot are calculated and processed by the mechanical component elements and the controller board.
상기 보드는,
Firmware 저장을 맡는 보드, 중앙의 처리를 담하는 Personality, 동작의 움직임을 담당하는 Theta 및 ~Axis 보드 및 통신을 담당하는 IO보드로 구성되며, 상기 반도체 제공공정 로봇에 일체형으로도 적용된 것을 특징으로 하는 반도체 제조공정 로봇 진단 방법.3. The method according to claim 2,
The board is
It is composed of a board in charge of storing firmware, Personality in charge of central processing, Theta and ~Axis board in charge of movement and IO board in charge of communication, characterized in that it is also applied as an integrated body to the semiconductor providing process robot Semiconductor manufacturing process robot diagnostic method.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190072042A KR102272872B1 (en) | 2019-06-18 | 2019-06-18 | Semiconductor Production Process Robot Diagnostics Method |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190072042A KR102272872B1 (en) | 2019-06-18 | 2019-06-18 | Semiconductor Production Process Robot Diagnostics Method |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20200144268A KR20200144268A (en) | 2020-12-29 |
| KR102272872B1 true KR102272872B1 (en) | 2021-07-05 |
Family
ID=74090133
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020190072042A Active KR102272872B1 (en) | 2019-06-18 | 2019-06-18 | Semiconductor Production Process Robot Diagnostics Method |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102272872B1 (en) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102597583B1 (en) * | 2020-12-29 | 2023-11-02 | 세메스 주식회사 | Device and method for diagnosing abnormalities in transfer robots |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100986789B1 (en) * | 2002-05-29 | 2010-10-12 | 도쿄엘렉트론가부시키가이샤 | Apparatus and method for monitoring tool performance |
| KR101322434B1 (en) * | 2005-07-11 | 2013-10-28 | 브룩스 오토메이션 인코퍼레이티드 | Intelligent condition-monitoring and fault diagnostic system |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20100085574A (en) | 2009-01-21 | 2010-07-29 | 삼성전자주식회사 | Substrate transfer apparatus and method for controlling the same |
| KR101469194B1 (en) | 2013-07-12 | 2014-12-09 | 피에스케이 주식회사 | Apparatus and method for self diagnosis of semiconductor manufacturing equipment |
-
2019
- 2019-06-18 KR KR1020190072042A patent/KR102272872B1/en active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100986789B1 (en) * | 2002-05-29 | 2010-10-12 | 도쿄엘렉트론가부시키가이샤 | Apparatus and method for monitoring tool performance |
| KR101322434B1 (en) * | 2005-07-11 | 2013-10-28 | 브룩스 오토메이션 인코퍼레이티드 | Intelligent condition-monitoring and fault diagnostic system |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20200144268A (en) | 2020-12-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20230280740A1 (en) | Intelligent condition monitoring and fault diagnostic system for preventative maintenance | |
| KR100756728B1 (en) | Semiconductor processing technology | |
| TWI412906B (en) | Manufacturing execution system with virtual-metrology capabilities and manufacturing system including the same | |
| US7882394B2 (en) | Intelligent condition-monitoring and fault diagnostic system for predictive maintenance | |
| KR20020047215A (en) | Method and apparatus for monitoring controller performance using statistical process control | |
| JP2011088219A (en) | Operation diagnosis method of robot, control device of robot, control device of mini-environment system, robot, and mini-environment system | |
| TW202235895A (en) | Substrate processing system tools for monitoring, assessing and responding based on health including sensor mapping and triggered datalogging | |
| CN206369962U (en) | Automotive automation production line station supervising device | |
| KR102272872B1 (en) | Semiconductor Production Process Robot Diagnostics Method | |
| CN112393896B (en) | Control valve cylinder spring state determination method, terminal, medium and valve positioner | |
| US6821792B1 (en) | Method and apparatus for determining a sampling plan based on process and equipment state information | |
| JP2010286880A (en) | System and method for estimating failure factor | |
| JP2010513039A (en) | Control system | |
| KR20160019119A (en) | Stage monitoring and diagnosis system, stage apparatus and manufacturing, measuring and inspecting equipment | |
| US7130769B1 (en) | Method of dynamically designing a preventative maintenance schedule based upon sensor data, and system for accomplishing same | |
| KR102409862B1 (en) | Method, server and program for providing real-time robot monitoring service | |
| US6697696B1 (en) | Fault detection control system using dual bus architecture, and methods of using same | |
| Vadde et al. | Modeling smart sensor integrated manufacturing systems | |
| KR102800244B1 (en) | System and method for diagnosing numerical control machine tool, and a recording medium having computer readable program for executing the method | |
| CN102254788B (en) | Manufacturing execution system and manufacturing system having virtual measuring function | |
| US7783455B1 (en) | Methods and systems for analyzing process equipment processing variations using sensor data | |
| Huang et al. | The prediction of positioning shift for a robot arm using machine learning techniques | |
| Ogly et al. | Development of diagnostic subsystem for manufacturing active elements in instrument-making industry | |
| JP2004028670A (en) | Remote support system for analysis preparation and termination work for automatic analyzers, etc. | |
| CN113287071A (en) | System and method for managing automation devices |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PA0109 | Patent application |
Patent event code: PA01091R01D Comment text: Patent Application Patent event date: 20190618 |
|
| PA0201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| PE0902 | Notice of grounds for rejection |
Comment text: Notification of reason for refusal Patent event date: 20201126 Patent event code: PE09021S01D |
|
| PG1501 | Laying open of application | ||
| E701 | Decision to grant or registration of patent right | ||
| PE0701 | Decision of registration |
Patent event code: PE07011S01D Comment text: Decision to Grant Registration Patent event date: 20210531 |
|
| GRNT | Written decision to grant | ||
| PR0701 | Registration of establishment |
Comment text: Registration of Establishment Patent event date: 20210629 Patent event code: PR07011E01D |
|
| PR1002 | Payment of registration fee |
Payment date: 20210629 End annual number: 3 Start annual number: 1 |
|
| PG1601 | Publication of registration | ||
| PR1001 | Payment of annual fee |
Payment date: 20240624 Start annual number: 4 End annual number: 4 |
|
| PR1001 | Payment of annual fee |
Payment date: 20250623 Start annual number: 5 End annual number: 5 |