1.基于晶圆传送机械臂的晶圆传送故障分析方法，其特征在于，包括以下步骤：
步骤一：在实验环境，收集历史振动序列集合以及历史压力训练数据，基于历史振动序列集合，训练出预测未来预测时间步长内振幅序列的神经网络模型；
步骤二：基于历史压力训练数据，训练出评估晶圆所承受的压力值的机器学习模型；
步骤三：在工作环境，在晶圆传送机械臂传送晶圆时，实时监测晶圆传送机械臂的振幅，设置故障振动序列，且故障振动序列为空序列；若振幅大于预设的振幅阈值，转至步骤四；
步骤四：在后续传送晶圆的每个时刻，继续收集实时的晶圆传送机械臂的振幅作为故障振幅，并将实时的故障振幅添加至故障振动序列；对于实时的故障振幅，使用机器学习模型输出预测的压力值；若预测的压力值大于或等于预设的压力阈值，则发起故障预警；若预测的压力值小于预设的压力阈值，转至步骤五；
步骤五：生成第一减速策略，循环执行步骤四至步骤五，直至故障振动序列的长度达到预设的滑动窗口长度时，执行步骤六；
步骤六：基于故障振动序列和神经网络模型，获得预测时间步长内的预测故障振幅序列；
步骤七：基于预测故障振幅序列和机器学习模型，判断是否存在第二减速策略，若存在第二减速策略，控制晶圆传送机械臂实施第二减速策略；若不存在第二减速策略，发起故障预警；
生成第一减速策略的方式为：
将压力阈值标记为Y，将预测的压力值标记为P,将故障振幅标记为F，将实时加速度标记为a；
设置第一减速度a1，第一减速度a1的计算公式为 ，其中，c为预设的比
例系数；
若第一减速度a1绝对值大于实时加速度a的绝对值，第一减速度a1=‑|a|；
若第一减速度a1绝对值小于或等于实时加速度a的绝对值，第一减速度a1值不变；
判断是否存在第二减速策略的方式为：
将预测时间步长标记为S，将预测故障振幅序列中的振幅的编号标记为s；其中，s=1,2,
3…S；
将第s个编号对应的振幅标记为Fs；
获得当前时刻对应的传送晶圆的速度v1；
从机器学习模型的训练结果的参数中获得机器学习模型的函数表达式h（v，a，f）；其中，v、a和f分别对应速度、加速度和振幅；
对于第s个编号，计算对应的第二减速度as；
计算对应的第二减速度as的方式为：
设置减速度变量ax,构造优化函数目标函数g；
其中，优化函数目标函数g的表达式为 ；
设计约束目标集合U，其中约束目标集合U为：
；
以最小化优化目标函数g为优化问题的优化目标，以约束目标集合U作为优化问题的约束目标集合，对该优化问题进行求解；若不存在实数解，则判断为不存在第二减速策略；若存在实数解，且实数解ax大于或等于0，则将第二减速度as设置为0，若实数解ax小于0，则将第二减速度as设置为该实数解。
2.根据权利要求1所述的基于晶圆传送机械臂的晶圆传送故障分析方法，其特征在于，收集所述历史振动序列集合以及历史压力训练数据的方式为：
在实验环境中，在实验晶圆传送机械臂上安装振动传感器，在机械臂的吸盘位置安装压力传感器；
在每个实验晶圆传送机械臂按照各条传送速度曲线传送晶圆时，执行以下步骤：
步骤11：设置振动序列、压力样本集合，且振动序列以及压力样本集合初始均为空；所述压力样本集合中的每个压力样本包括压力特征向量以及压力标签；
步骤12：振动传感器实时收集机械臂上振动的振幅，压力传感器实时收集吸盘位置的压力值；在振幅大于预设的振幅阈值时，开启计时；
步骤13：在计时开始后的滑动窗口长度的时长中，按时间顺序，将每一时刻的振幅添加至振动序列；
收集每一时刻的压力样本，并将压力样本添加至压力样本集合中；
步骤14：将振动序列添加至历史振动序列集合；关闭计时，且振动序列重置为空；并重复执行步骤11至步骤14，直至将晶圆传送至传送目的地；
所述历史压力训练数据包括每个实验晶圆传送机械臂按照每条传送速度曲线传送晶圆时，生成的压力样本集合。
3.根据权利要求2所述的基于晶圆传送机械臂的晶圆传送故障分析方法，其特征在于，收集每一时刻的压力样本的方式为：
根据每一时刻距离开始传送晶圆的时长，从传送速度曲线中获得对应时刻的速度以及加速度，每一时刻对应一个压力样本，其中压力特征向量包括对应时刻的振幅、速度以及加速度，压力标签为对应时刻压力传感器的读数。
4.根据权利要求3所述的基于晶圆传送机械臂的晶圆传送故障分析方法，其特征在于，训练出预测未来预测时间步长内振幅序列的神经网络模型的方式为：
预设预测时间步长、滑动步长以及滑动窗口长度，将历史振动序列集合中每条振动序列，使用滑动窗口方法转化为训练样本，将每组训练样本作为神经网络模型的输入，神经网络模型以未来的预测时间步长的每一时刻的振幅组成的振幅序列作为输出，以每个训练样本后续预测时间步长内，在振动序列的后续预测时间步长内的振幅序列作为预测目标，对神经网络模型进行训练；生成预测未来的预测时间步长内的振幅序列的神经网络模型。
5.根据权利要求4所述的基于晶圆传送机械臂的晶圆传送故障分析方法，其特征在于，训练出评估晶圆所承受的压力值的机器学习模型的方式为：
将历史压力训练数据中，每个压力样本中的压力特征向量作为机器学习模型的输入，所述机器学习模型以对每组压力特征向量预测的压力标签为输出，以压力样本中，压力特征向量对应的压力标签为预测目标，以最小化对所有压力标签的预测误差之和作为训练目标；对机器学习模型进行训练，直至预测误差之和达到收敛时停止训练，训练出根据压力特征向量输出预测的压力标签的机器学习模型；该预测的压力标签为压力值。
6.根据权利要求5所述的基于晶圆传送机械臂的晶圆传送故障分析方法，其特征在于，使用机器学习模型输出预测的压力值的方式为：
获得振幅大于预设的振幅阈值的时刻距离晶圆传送开始时刻的时长作为目标时间，从对应的晶圆传送机械臂的传送速度曲线中获得目标时间对应的速度和加速度；
将故障振幅、目标时间对应的速度以及加速度组合为压力特征向量，并将该压力特征向量作为机器学习模型的输入，获得机器学习模型输出的预测的压力标签作为压力值。
7.根据权利要求6所述的基于晶圆传送机械臂的晶圆传送故障分析方法，其特征在于，所述压力阈值的预设方式可以为：预先对晶圆进行压力测试，所述压力测试为对不同的晶圆施加不同的压力；收集测试后的所有表面产生破损的晶圆作为破损晶圆，将对所有破损晶圆施加的使表面产生破损的压力中最小的压力作为压力阈值。
8.根据权利要求7所述的基于晶圆传送机械臂的晶圆传送故障分析方法，其特征在于，获得预测时间步长内的预测故障振幅序列的方式为：
将故障振动序列输入至神经网络模型中，获得神经网络模型输出的未来预测时间步长内的振幅序列，将该振幅序列作为预测故障振幅序列。
9.根据权利要求8所述的基于晶圆传送机械臂的晶圆传送故障分析方法，其特征在于，控制晶圆传送机械臂实施第二减速策略的方式为：
控制晶圆传送机械臂以第二减速度as作为实时的加速度进行减速。
10.一种电子设备，其特征在于，包括：处理器和存储器，其中：
所述存储器中存储有可供处理器调用的计算机程序；
所述处理器通过调用所述存储器中存储的计算机程序，在后台中执行权利要求1‑9任意一项所述基于晶圆传送机械臂的晶圆传送故障分析方法。
11.一种计算机可读存储介质，其特征在于，其上存储有可擦写的计算机程序；
当所述计算机程序在计算机设备上运行时，使得所述计算机设备执行在后台中执行权利要求1‑9任意一项所述基于晶圆传送机械臂的晶圆传送故障分析方法。