Thực tế
Ứng dụng
Hỏi đáp
Làm thế nào để xác nhận tay robot của thiết bị PVD, CVD vận hành ổn định?
Thực tế giám sát｜ Làm thế nào để xác nhận tay robot của thiết bị PVD, CVD vận hành ổn định?Mục đích của quá trình lắng đọng màng mỏng là tạo đặc tính dẫn điện trên wafer. Làm thế nào để tránh các bất thường của tay robot PVD/CVD ảnh hưởng đến quy trình sản xuất? Làm sao để đảm bảo chuyển động vận hành luôn ổn định?
Tầm quan trọng của tay robot PVD/CVD đối với quy trình sản xuất
Nắm bắt trạng thái thiết bị để đảm bảo độ tin cậy và ổn định cao
Thiết bị PVD và CVD thường bao gồm nhiều bộ phận, trong đó tay robot là một thành phần quan trọng.
Tay robot chủ yếu được sử dụng để di chuyển wafer đến các vị trí khác nhau nhằm thực hiện các bước lắng đọng màng mỏng khác nhau.
Khi tay robot của thiết bị PVD hoặc CVD xảy ra bất thường, quá trình sản xuất có thể chịu nhiều ảnh hưởng tiêu cực.
Ví dụ, quy trình có thể buộc phải tạm dừng hoặc ngừng hoạt động, dẫn đến suy giảm hiệu suất sản xuất.
Thời gian dừng máy càng kéo dài thì tổn thất càng lớn.
Trong toàn bộ quy trình, tay robot chịu trách nhiệm di chuyển wafer đến các vị trí khác nhau nhằm đảm bảo lớp màng được lắng đọng đồng đều.
Bất thường trong chuyển động của tay robot có thể gây ra sự không đồng nhất trong quy trình, khiến kết quả xử lý của từng wafer không giống nhau.
Ngoài ra, sự cố của tay robot còn ảnh hưởng đến an toàn vận hành, tiềm ẩn rủi ro đối với thiết bị và nhân viên.
Do đó, người vận hành cần nắm rõ trạng thái thiết bị để đảm bảo mức độ tin cậy và ổn định cao,
qua đó bảo đảm quy trình sản xuất diễn ra liên tục và an toàn.
VHP-PVD-NSK
VHP-Producer-NSK
Mô tả phương thức giám sát
Hệ thống giám sát thông minh Machine Learning VMS-ML
VMS-ML có khả năng trực quan hóa tín hiệu động học của thiết bị CVD và PVD kết hợp với các hành vi chuyển động được học bằng máy.
Thông qua việc học và đo lường chuyển động cơ khí, hệ thống không chỉ giúp nhận biết sự khác biệt về độ ổn định trong quá trình vận hành của thiết bị,
mà còn sử dụng xu hướng dữ liệu để xây dựng tiêu chuẩn đánh giá độ ổn định của máy.
Ngoài ra, hệ thống còn có thể được dùng để xác nhận hiệu quả sau bảo trì,
đồng thời đóng vai trò như bước kiểm chứng trước khi thiết bị được đưa trở lại dây chuyền sản xuất.
Tình trạng đo lường
1. Lắp đặt cảm biến: VMS-ML sử dụng sensor gắn ngoài, không cần kết nối trực tiếp với tín hiệu của thiết bị!
Có thể ngay lập tức bắt đầu xây dựng mô hình học chuẩn cho máy và tiến hành giám sát trạng thái thiết bị.
Minh họa trực quan tín hiệu động của máy và hành vi học máy:
Model 1: VHP-PVD-NSK
Mô tả chuyển động: Trục TH quay, sau đó trục X1 tiến ra và quay về vị trí ban đầu, tiếp theo là trục X2 thực hiện chuyển động.
Model 2: VHP-Producer-NSK
Mô tả chuyển động: Trục X tiến ra và quay về vị trí ban đầu, sau đó trục TH quay sang phía đối diện, tiếp theo trục X còn lại tiến ra và quay về vị trí ban đầu.
2. Hệ thống tự động theo dõi các tín hiệu đặc trưng, có thể tự động phát hiện các tín hiệu mục tiêu đã được hiệu chuẩn trong quá trình giám sát thời gian thực.
Từ các chuyển động đơn giản đến phức tạp đều có thể được tự động nhận diện và truy vết.
Mô phỏng bất thường và quản lý trực quan đối với thiết bị VHP-PVD-NSK:
Kết quả đánh giá: Rung động khi vận hành trục X1 và X2.
Kết quả đánh giá: Xung bất thường khi trục X2 khởi động và thu về.
Kết quả đánh giá: Rung động toàn bộ thiết bị.
Kết quả đánh giá: Rung động khi vận hành trục X2.
机台VHP-Producer-NSK异常模拟判别与可视化管理：
Kết quả đánh giá: Mài mòn khi trục X tiến ra và thu về.
Kết quả đánh giá: Bất thường khi trục X tiến ra và dừng lại.
Kết quả đánh giá: Rung động toàn bộ thiết bị.
Kết quả đánh giá: Bất thường khi khởi động trục TH.
Kết luận đo lường
Thông qua hệ thống giám sát thông minh VMS-ML, có thể xây dựng quy chuẩn tiêu chuẩn hóa cho toàn bộ quy trình chuyển động của tay robot trên thiết bị, đồng thời phát hiện kịp thời các tín hiệu bất thường. Nhờ đó, hệ thống giúp ngăn chặn các lỗi phát sinh do tay robot hoạt động không ổn định, tránh ảnh hưởng đến chất lượng thành phẩm và suy giảm tỷ lệ đạt (yield).
Sau khi dữ liệu vận hành được xu hướng hóa (trend analysis), người sử dụng có thể nắm bắt chính xác tình trạng hoạt động của tay robot, dự đoán thời điểm có khả năng xảy ra bất thường của thiết bị. Ngoài ra, các dữ liệu này còn có thể được sử dụng làm cơ sở so sánh tiêu chuẩn trước và sau khi thiết bị được đưa vào bảo trì hoặc sửa chữa trong nhà máy.
