CN104155914A - 一种用于硬质合金刀片抛光的cmp工艺智能决策系统 - Google Patents
一种用于硬质合金刀片抛光的cmp工艺智能决策系统 Download PDFInfo
- Publication number
- CN104155914A CN104155914A CN201410438330.9A CN201410438330A CN104155914A CN 104155914 A CN104155914 A CN 104155914A CN 201410438330 A CN201410438330 A CN 201410438330A CN 104155914 A CN104155914 A CN 104155914A
- Authority
- CN
- China
- Prior art keywords
- cmp
- polishing
- intelligent decision
- quality
- neural network
- 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.)
- Pending
Links
Landscapes
- Finish Polishing, Edge Sharpening, And Grinding By Specific Grinding Devices (AREA)
Abstract
本发明提供了一种用于硬质合金刀片抛光的CMP工艺智能决策系统,其具体步骤为:CMP工艺参数数据库的建立;CMP抛光工艺智能决策模块的建立;CMP抛光质量预测模块的建立。它将由Access建立CMP抛光工艺参数数据库与PowerBuilder前端数据开发平台创建的工艺智能决策模块、抛光质量预测模块相连接,使其能对硬质合金刀具CMP抛光加工过程中的工艺路线和工艺参数进行合理决策,能够科学、智能完成硬质合金刀片CMP加工过程的工艺路线和工艺参数决策,并同时预测抛光质量,实现加工过程高效、稳定。
Description
技术领域
本发明涉及一种用于硬质合金刀片抛光的CMP工艺智能决策系统,能实现CMP工艺路线和工艺参数的智能决策,并对CMP抛光质量进行预测。
背景技术
化学机械抛光(Chemical Mechanical Polishing,CMP)加工是通过化学和机械的协同作用,用硬度低的材料来进行抛光以实现高质量工件表面的加工方法,工件受到外界载荷的同时与抛光垫做相对运动,借助于抛光液中纳米粒子的研磨作用与化学成分的腐蚀作用互相结合,以获得平整无损伤的工件表面。在硬质合金刀片抛光过程中,化学机械抛光(CMP)不仅能避免机械表面损伤和提高刀片平整度,而且热影响小,无疑是未来硬质合金刀片重要的精密和超精密加工方法之一。但目前CMP实际加工中多通过反复实验调配抛光工艺参数、依靠经验、半经验手段控制抛光效果,以上问题造成了抛光质量难以提高,加工过程不稳定,且现阶段硬质合金刀片CMP抛光缺乏有效的抛光工艺及工艺参数决策系统,CMP加工技术的智能化水平低下。
发明内容
为了克服上述问题,本发明提供一种用于硬质合金刀片抛光的CMP工艺智能决策系统,实现了CMP抛光工艺路线与工艺参数的智能决策,以及抛光质量的预测。
本发明的硬质合金刀片抛光的CMP工艺智能决策系统的具体建立步骤为:
1、CMP工艺参数数据库的建立;
2、CMP抛光工艺智能决策模块的建立;
3、CMP抛光质量预测模块的建立。
所述的硬质合金刀片抛光的CMP工艺智能决策系统,其特征在于:
所述步骤1中CMP工艺参数数据库建立过程如下:
本发明利用Access开发CMP抛光工艺参数数据库,负责对材料类型、抛光工艺参数、性能指标等工艺数据的储存,并与数据前端开发工具Powerbuilder以ODBC形式连接,实现数据的查询、条件检索及数据管理等功能。本发明开发的CMP抛光工艺参数数据库目前只基于Nanopoli-100型抛光机,数据库中收集的变量数据主要有材料类型、工序类别、抛光前表面粗糙度、磨粒类型与大小、磨粒浓度、抛光压力、抛光速度、抛光时间、氧化剂体积分数、抛光后表面粗糙度、材料去除率,数据存储时遵循同一类型材料同一工序的工艺参数中存储的原则。
所述步骤2中CMP抛光工艺智能决策模块建立过程如下:
CMP抛光工艺智能决策模块的建立基于多工序评价指标硬质合金CMP工艺参数,其优化思路为:以硬质合金刀片CMP抛光正交实验收集的实验数据为基础,对不同的抛光对象,根据材料类型,在系统中分别设定固定的粗抛、半精抛、精抛阶段的初始表面粗糙度,总结出CMP多工序工艺路线的决策原则,在此基础上提出CMP多工序工艺路线智能决策模型。之后利用田口法对每道抛光工序进行优化,由分析各工艺参数对表面粗糙度和材料去除率评价指标的影响来获得每道抛光工序分别基于表面粗糙度和材料去除率的最佳工艺参数组合。然后综合表面粗糙度和材料去除率评价指标的权重和各工艺参数分别对各上述评价指标的方差分析结果,得出兼顾加工效率和表面质量的最佳工艺参数组合。
所述的工艺智能决策模块包括下述两个子模块:
1)工艺路线决策模块
本模块根据实际生产中粗精加工分开的加工工艺特点,根据多工序加工工艺原则,在大量实验数据的基础上提出CMP抛光工艺路线智能决策模型。其包括以下几个子步骤:
1.输入抛光对象材料类型;
2.输入工件抛光前表面粗糙度和期望后表面粗糙度;
3.将两者与系统设定抛光初始表面粗糙度比较;
4.将抛光前表面粗糙度与粗抛前表面粗糙度和半精抛前表面粗糙度相比较;
5.将抛光后期望表面粗糙度与半精抛前表面粗糙度和精抛前表面粗糙度比较;
6.得出理想的粗抛、半精抛、精抛工艺路线。
本模型针对不同的抛光对象,根据其材料类型,在系统中分别设定抛光工序规划的参考值。它借助实例推理,以表面粗糙度为唯一的推理因素,既保证表面质量、提高了硬质合金刀片加工的效率,又降低了成本。
2)工艺参数决策模块
由工艺路线决策得出的工序组合后,在正交实验数据的基础上,以表面粗糙度和材料去除率为评价指标,利用田口法、方差分析得到了各工艺参数对评价指标的影响程度,获得满足评价条件的工艺参数组合。若数据库中实例不能满足要求的情况,则进行规则推理得到合适工艺参数组合。
所述步骤3中抛光质量预测模块,其特征在于:
本发明是基于BP神经网络对硬质合金刀片CMP抛光质量建立预测模型。其以抛光前表面粗糙度、磨粒大小、磨粒浓度、抛光压力、抛光速度为BP神经网路的输入,以为BP神经网络的输出。为保证神经网络精度,建立了硬质合金刀片CMP抛光质量的训练样本集,其分为训练样本和验证样本两个部分,训练样本集用于对设计的BP神经网络进行训练,验证样本集用来对已训练好BP神经网络模型进行测试验证。训练时需对输入输出数据进行归一化处理和对输出样本应进行反归一化处理,通过确定节点数范围和试凑法由少到多地分别进行样本训练,其训练通过调用Matlab函数工具箱中的BP神经网络创建函数Newff()和网络仿真函数sim()来实现。
抛光质量预测可实现对抛光后表面粗糙度和材料去除率的预测,根据输入的材料类型、抛光前表面粗糙度、抛光工艺参数组合及相似度,通过实例推理检索出满足相似度的工艺参数实例。不同于工艺决策,预测模块中实例推理的影响因子不止一个,计算实例相似度时需要结合各影响因子的权值。选择实例推理时进行质量预测时,若在实例库中无法检索出满足相似度的实例时,可选择BP推理进行预测。BP推理是基于前述BP神经预测模型,通过借助Matlab的COM组件调用BP神经网络工具箱函数,并在PowerBuilder中创建Oleobject对象而实现。
本发明的有益效果是:能够科学、智能完成硬质合金刀片CMP加工过程的工艺路线和工艺参数决策,并同时预测抛光质量,实现加工过程高效、稳定。
附图说明
图1是本发明的系统总体框架图。
图2是本系统工艺智能决策模块界面。
图3是工艺路线决策框架图。
图4是本系统抛光质量预测模块界面。
图5是本系统维护模块界面。
图6是工艺智能决策结果(范例)。
图7是硬质合金YG8粗加工工艺参数。
图8是抛光质量预测(实例推理)结果(范例)。
图9是抛光质量预测(BP推理)结果(范例)。
具体实施方式
为了使本发明的目的、技术方案及优点更加清晰,下面结合附图对本发明作进一步的描述。
如图5所示对工艺智能决策模块进行实例测试。选择材料类型为硬质合金YG8,其粗加工工艺参数如图6所示。输入抛光前表面粗糙度2250、抛光后表面粗糙度为95,点击工艺智能决策命令按钮可得到工艺路线决策结果为:粗、半精、精抛。依次在“粗抛评价条件”、 “半精抛评价条件”、 “精抛评价条件”框中输入0.98、0.95、0.93的评价条件,即为实例推理的相似度,得到各工序工艺参数的决策结果。
在选择材料类型为硬质合金YG8和粗抛工序的基础上,对系统输入如下参数组合:抛光前表面粗糙度2100nm、碳化硅磨粒#600、磨粒浓度30%wt、抛光压力0.410Mpa、抛光速度55rpm,并以相似度0.9为评价条件,点击“实例推理”命令按钮对抛光质量进行预测,预测结果如图6所示。由预测结果可知,硬质合金YG8粗抛加工工艺参数数据库中共有4条实例符合设定的评价条件,其中6号实例与输入工艺参数组合的相似度程度最大,故可知预测的结果为:表面粗糙度为642nm,材料去除率为1.4725mg/min。
如图7所示,当输入一组工艺参数组合,并设相似度为0.92时,依靠实例推理无法检索符合要求的实例,不能获得对抛光质量的预测结果。此时可通过BP推理进行预测,点击“BP推理”命令按钮,调用BP神经网络预测模型,得到的预测结果显示在“详细信息”框。可知BP预测结果为:抛光后表面粗糙度886nm,材料去除率2.05mg/min。
有以上实例测试结果可知,开发的CMP工艺智能决策系统能稳定运行,基本实现系统预定的功能需求。
Claims (4)
1.一种CMP工艺智能决策系统,包括工艺智能决策模块和抛光质量预测模块两个主要模块,
其特征是:基于混合推理和CMP工艺参数数据库,通过PowerBuilder平台开发工艺智能决策模块和抛光质量预测模块。
2. 根据权利要求1所述的CMP工艺智能决策系统,其特征是:使用Access开发CMP抛光工艺参数数据库负责对材料类型、抛光工艺参数、性能指标等工艺数据的储存,并与数据前端开发工具Powerbuilder以ODBC形式连接,实现数据的查询、条件检索及数据管理等功能。
3.根据权利要求1所述的CMP工艺智能决策系统,其特征是:工艺智能决策模块以硬质合金刀片CMP抛光正交实验收集的实验数据为基础,对不同的抛光对象,根据材料类型,在系统中分别设定固定的粗抛、半精抛、精抛阶段的初始表面粗糙度,总结出CMP多工序工艺路线的决策原则,并利用田口法对每道抛光工序进行优化,由分析各工艺参数对表面粗糙度和材料去除率评价指标的影响来获得每道抛光工序分别基于表面粗糙度和材料去除率的最佳工艺参数组合,然后综合表面粗糙度和材料去除率评价指标的权重和各工艺参数分别对各上述评价指标的方差分析结果,利用实例推理和规则推理得出兼顾加工效率和表面质量的最佳工艺参数组合。
4.根据权利要求1所述的CMP工艺智能决策系统,其特征是:抛光质量预测利用实例推理和BP神经网络预测模型,以抛光前表面粗糙度、磨粒大小、磨粒浓度、抛光压力、抛光速度为BP神经网路的输入,以表面粗糙度和材料去除率为BP神经网络的输出;建立了硬质合金刀片CMP抛光质量的训练样本集,其中训练样本集用于对设计的BP神经网络进行训练,验证样本集用来对已训练好BP神经网络模型进行测试验证;训练时需对输入输出数据进行归一化处理和对输出样本应进行反归一化处理,通过确定节点数范围和试凑法由少到多地分别进行样本训练,训练通过调用Matlab函数工具箱中的BP神经网络创建函数Newff()和网络仿真函数sim()来实现。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410438330.9A CN104155914A (zh) | 2014-09-01 | 2014-09-01 | 一种用于硬质合金刀片抛光的cmp工艺智能决策系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410438330.9A CN104155914A (zh) | 2014-09-01 | 2014-09-01 | 一种用于硬质合金刀片抛光的cmp工艺智能决策系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104155914A true CN104155914A (zh) | 2014-11-19 |
Family
ID=51881440
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410438330.9A Pending CN104155914A (zh) | 2014-09-01 | 2014-09-01 | 一种用于硬质合金刀片抛光的cmp工艺智能决策系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104155914A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107292051A (zh) * | 2017-07-07 | 2017-10-24 | 湘潭大学 | 一种硬质合金刀片化学机械抛光表面粗糙度的预测方法 |
CN107633103A (zh) * | 2016-07-15 | 2018-01-26 | 中国科学院微电子研究所 | 一种cmp模型参数优化方法和装置 |
CN109255182A (zh) * | 2018-09-09 | 2019-01-22 | 浙江工业大学 | 一种硬脆材料工艺参数预测模型及其多目标优化方法 |
CN113910085A (zh) * | 2021-09-26 | 2022-01-11 | 江苏集萃华科智能装备科技有限公司 | 金属镜面抛光产线的控制方法、控制装置及控制系统 |
CN115310623A (zh) * | 2022-07-12 | 2022-11-08 | 湖南科技大学 | 蓝宝石化学机械抛光加工工艺智能决策方法、系统及终端 |
CN116522806A (zh) * | 2023-07-03 | 2023-08-01 | 泉州装备制造研究所 | 抛光工艺参数优化方法、抛光系统、电子设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2001075534A2 (en) * | 2000-04-03 | 2001-10-11 | Speedfam-Ipec Corporation | System and method for predicting software models using material-centric process instrumentation |
CN101515537A (zh) * | 2008-02-22 | 2009-08-26 | 中芯国际集成电路制造(上海)有限公司 | 一种可提高检测精准度的抛光终点检测方法 |
CN102909649A (zh) * | 2011-08-05 | 2013-02-06 | 中芯国际集成电路制造(上海)有限公司 | 化学机械抛光设备、化学机械抛光终点检测装置和方法 |
-
2014
- 2014-09-01 CN CN201410438330.9A patent/CN104155914A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2001075534A2 (en) * | 2000-04-03 | 2001-10-11 | Speedfam-Ipec Corporation | System and method for predicting software models using material-centric process instrumentation |
CN101515537A (zh) * | 2008-02-22 | 2009-08-26 | 中芯国际集成电路制造(上海)有限公司 | 一种可提高检测精准度的抛光终点检测方法 |
CN102909649A (zh) * | 2011-08-05 | 2013-02-06 | 中芯国际集成电路制造(上海)有限公司 | 化学机械抛光设备、化学机械抛光终点检测装置和方法 |
Non-Patent Citations (2)
Title |
---|
易鑫: "功能陶瓷精密CMP抛光工艺参数决策优化的研究", 《中国优秀硕士学位论文全文数据库 工程科技I辑》 * |
高曼珂: "功能陶瓷高效精密CMP抛光工艺优化与决策技术的研究", 《中国优秀硕士学位论文全文数据库 工程科技I辑》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107633103A (zh) * | 2016-07-15 | 2018-01-26 | 中国科学院微电子研究所 | 一种cmp模型参数优化方法和装置 |
CN107292051A (zh) * | 2017-07-07 | 2017-10-24 | 湘潭大学 | 一种硬质合金刀片化学机械抛光表面粗糙度的预测方法 |
CN109255182A (zh) * | 2018-09-09 | 2019-01-22 | 浙江工业大学 | 一种硬脆材料工艺参数预测模型及其多目标优化方法 |
CN113910085A (zh) * | 2021-09-26 | 2022-01-11 | 江苏集萃华科智能装备科技有限公司 | 金属镜面抛光产线的控制方法、控制装置及控制系统 |
CN113910085B (zh) * | 2021-09-26 | 2022-11-18 | 江苏集萃华科智能装备科技有限公司 | 金属镜面抛光产线的控制方法、控制装置及控制系统 |
CN115310623A (zh) * | 2022-07-12 | 2022-11-08 | 湖南科技大学 | 蓝宝石化学机械抛光加工工艺智能决策方法、系统及终端 |
CN115310623B (zh) * | 2022-07-12 | 2023-05-12 | 湖南科技大学 | 蓝宝石化学机械抛光加工工艺智能决策方法、系统及终端 |
CN116522806A (zh) * | 2023-07-03 | 2023-08-01 | 泉州装备制造研究所 | 抛光工艺参数优化方法、抛光系统、电子设备及存储介质 |
CN116522806B (zh) * | 2023-07-03 | 2023-09-19 | 泉州装备制造研究所 | 抛光工艺参数优化方法、抛光系统、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104155914A (zh) | 一种用于硬质合金刀片抛光的cmp工艺智能决策系统 | |
US9367060B2 (en) | Intelligent optimization method and system therefor | |
Bhoskar et al. | Genetic algorithm and its applications to mechanical engineering: A review | |
Rohr et al. | A techno-economic analysis of end of life value chains for lithium-ion batteries from electric vehicles | |
CN112613646A (zh) | 一种基于多维数据融合的设备状态预测方法及系统 | |
Chien et al. | A data mining approach for analyzing semiconductor MES and FDC data to enhance overall usage effectiveness (OUE) | |
CN101694572B (zh) | 一种提供自评价的数控刀具智能选取方法 | |
Radomska-Zalas et al. | IT support for optimisation of abrasive water cutting process using the TOPSIS method | |
Alrashdan et al. | Multi-criteria end milling parameters optimization of AISI D2 steel using genetic algorithm | |
CN115185247A (zh) | 一种基于产品加工质量的机床运行状态预测与车间调度方法 | |
CN109034540B (zh) | 一种基于在制品工序流的机床序列编排动态预测方法 | |
CN115759552A (zh) | 一种基于多智能体架构的面向智慧工厂的实时调度方法 | |
Nagata et al. | Design application of deep convolutional neural network for vision-based defect inspection | |
Ali et al. | Optimized maintenance design for manufacturing performance improvement using simulation | |
CN116822217A (zh) | 一种考虑工时不确定性的人机双资源约束多目标生产调度方法 | |
CN114442578B (zh) | 复杂型面智能生产单元任务的刀具联合动态调度方法 | |
CN115310623A (zh) | 蓝宝石化学机械抛光加工工艺智能决策方法、系统及终端 | |
Wang et al. | Polishing process planning based on fuzzy theory and case-based reasoning | |
CN109409774A (zh) | 用于智能制造数字化车间的调度方法、系统及存储介质 | |
Hao et al. | Job shop rescheduling by using multi-objective genetic algorithm | |
Yang et al. | Adaptive neural-fuzzy inference system for classification of rail quality data with bootstrapping-based over-sampling | |
Baseri et al. | ANFIS modeling of the surface roughness in grinding process | |
CN112947339A (zh) | 一种基于性能指标的半导体生产线动态调度方法 | |
CN111428148A (zh) | 一种适于制造过程规划的智能优化算法推荐方法 | |
CN109656907B (zh) | 一种零件光整加工数据库平台搭建及工序模版设计方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20141119 |
|
WD01 | Invention patent application deemed withdrawn after publication |