CN107234495A - 建立平均材料去除速率预测模型的方法及预测速率的方法 - Google Patents
建立平均材料去除速率预测模型的方法及预测速率的方法 Download PDFInfo
- Publication number
- CN107234495A CN107234495A CN201710605206.0A CN201710605206A CN107234495A CN 107234495 A CN107234495 A CN 107234495A CN 201710605206 A CN201710605206 A CN 201710605206A CN 107234495 A CN107234495 A CN 107234495A
- Authority
- CN
- China
- Prior art keywords
- msub
- polishing
- signal data
- removal rate
- feature
- 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.)
- Granted
Links
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B24—GRINDING; POLISHING
- B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
- B24B1/00—Processes of grinding or polishing; Use of auxiliary equipment in connection with such processes
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B24—GRINDING; POLISHING
- B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
- B24B37/00—Lapping machines or devices; Accessories
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Mechanical Engineering (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Life Sciences & Earth Sciences (AREA)
- Algebra (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Finish Polishing, Edge Sharpening, And Grinding By Specific Grinding Devices (AREA)
Abstract
本发明公开了一种建立平均材料去除速率预测模型的方法及预测速率的方法,对传感器采集被加工材料工件样本的信号数据依次进行特征提取、特征选择,再经由多模型加权方法进行平均材料去除速率预测模型的建立,最后对新的被加工材料工件样本进行平均材料去除率的预测。本发明平均材料去除速率预测模型的方法实现对被加工材料工件的抛光加工时间的精确估计,减少抛光加工过程中存在的欠抛光和过抛光现象,提升抛光质量与加工良品率,从而提高经济效益。
Description
技术领域
本发明涉及化学机械抛光领域,尤其涉及一种建立平均材料去除速率预测模型的方法及预测速率的方法。
背景技术
在材料抛光加工生产过程中,采用化学机械抛光机对其抛光是重要的加工阶段之一。例如,在硅片抛光的过程中,其材料去除速率受到众多因素影响,如抛光垫的特性与状态、抛光垫修整器的特性与状态、抛光垫与硅片工件的转速、硅片工件与抛光垫之间的压力、抛光液的性质与流动速率等。对于同一批硅片,且其研磨精度要求比较高时,不同的抛光速率所需的抛光时间就不相同,盘片研磨的厚度的不一致性会导致半导体器件的特性不均匀。在一些加工场景中,需要对多个批次、同种产品、同种材料的硅片进行抛光厚度要求相同的抛光处理,如果抛光厚度存在误差,就不能满足所需产品的质量要求。因此材料平均去除速率对加工时间有着直接的影响,如果能够精确估计材料平均去除速率,就能够精确的估计抛光时间,从而有利于抛光的工艺质量优化,减少次品率。因此需要对材料抛光过程进行监控,建立多因子模型来进行平均材料去除速率的准确预测。
专利号CN20091019754.1,用于动态调整化学机械抛光速率的方法,该专利通过收集特定历史时间段内的抛光数据,包括多次测量的线下抛光速率,以及开始时的抛光速率、结束时的抛光速率,并根据这些历史数据计算每次抛光的抛光厚度调整量,从而评估损耗部件的损耗情况并及时反馈,可以及时调整化学机械抛光的抛光速率并使其以恒定速度工作。该方法通过伺服控制的方式进行了抛光速率的恒定速度跟踪,但是其并未能够对抛光速率进行精确预测。对于文章《半导体硅片化学机械抛光电化学与抛光速率研究》(作者:杨海平)中研究了硅片在纳米二氧化硅浆料中化学机械抛光过程的抛光速率及其影响因素,探索了抛光压力、抛光转速、二氧化硅含量、浆料pH值、双氧水浓度以及抛光时间等因素与抛光速率之间的关系。在该研究中,作者详细分析了各个因素对抛光速率的机理并给出了各个因素与抛光速率的数学关系表达式,但是在多种因素的综合作用下,无法精确计算抛光速率值。
发明内容
本发明针对现有技术中的无法实现化学机械抛光精确预测的缺陷,目的在于提供一种的化学机械抛光机的材料去除速率的精准预测方法,避免物理模型的计算复杂性,提高模型的精度,实现高精度预测化学机械抛光机的平均材料去除速率。
实现上述目的的技术方案是:
本发明化学机械抛光机的材料去除速率预测方法,该方法包括:
数据采集步骤A,由传感器采集被加工材料工件样本在不同抛光加工工况下的信号数据;
数据预处理步骤B,去除采集的传感器信号数据中的噪声和异常值;
特征提取步骤C,提取预处理后传感器信号数据的特征,将提取出的特征进行组合或变换生成模型参数训练数据集合;
特征选取步骤D,从模型参数训练数据集合中选取出优化特征;
模型建立步骤E,对选取的优化特征采用多种模型进行回归处理,得到每种模型对应的回归模型函数;将多个回归模型函数进行加权处理得到平均材料去除速率预测模型函数,经由平均材料去除速率预测模型函数得到的输出目标值即为平均材料去除速率预测值。
本发明的一优选实施例中,数据采集步骤A包括:
传感器采集被加工材料工件样本在抛光加工工况下的信号数据;被加工材料工件样本的传感器信号数据包括当但不限于:抛光机的腔室位置、抛光垫的用量、修整器的用量、抛光垫背衬膜用量、薄膜用量、抛光台转速、被加工材料工件的转速、被加工材料工件与抛光垫之间的压力、腔室压力、抛光液的流动速率及修整液的开关状态。
本发明的一优选实施例中,数据预处理步骤B包括:
采用拉依达准则去除采集的被加工材料工件样本的所有传感器信号数据中的噪声和异常,,即先经由被加工材料工件样本的所有传感器信号数据计算出其对应的平均值和标准误差值;对于被加工材料工件样本的所有传感器信号数据中的任一传感器信号数据,如若该传感器信号数据与平均值之差的绝对值满足大于标准误差值的3倍,则将该传感器信号数据作为噪声或异常值从被加工材料工件样本的所有传感器信号数据中予以去除;
对于采集的被加工材料工件样本的所有传感器信号数据中的缺失值,先经由被加工材料工件样本的所有传感器信号数据计算出其对应的中值,利用该中值来补全缺失值;
通过人工测量得到平均材料去除速率,即由单位时间内抛光加工过程中减少的材料厚度得到平均材料去除速率,并将人工测量得到的平均材料去除速率放进模型参数训练数据集合中。该平均材料去除速率用于初期检测回归模型的精确度,并确定回归模型的系数。
本发明的一优选实施例中,特征提取步骤C包括:
对预处理后的连续的传感器信号数据提取与材料去除速率、抛光垫状态和修整器状态均敏感的特征,该特征包括但不限于:抛光垫的用量、修整器的用量、抛光垫背衬膜用量、薄膜用量、抛光台转速、被加工材料工件的转速、被加工材料工件与抛光垫之间的压力、腔室压力、抛光液的流动速率对应的均值特征、方差特征、求和特征和峭度特征;
对预处理后的可枚举的离散传感器信号数据,采用特征离散化编码,得到相应的离散化编码特征,其中,离散传感器信号数据包括:工件在抛光机中的位置数据和切削液状态数据等;
将提取的预处理后的连续传感器信号数据和离散传感器信号数据的特征组合或变换生成对应的模型参数训练数据集合。
从模型参数训练数据集合中选取出的优化特征包括:数据采集时的时间戳(时间戳为计算机专业术语,定义为从格林威治时间1970年01月01日00时00分00秒起至现在的总秒数)的均值特征、被加工材料工件与抛光垫之间的压力的均值特征、修整器用量的均值特征、修整器用量总量的均值特征、抛光液的均值特征、抛光垫用量的均值特征、被加工材料工件转速的均值特征、抛光头转速的均值特征、腔室压力的均值特征、腔室位置的均值特征、修整液开关状态的均值特征、抛光垫背衬膜用量的均值特征、薄膜用量的均值特征等。
对优化特征采用多种模型,包括:梯度提升树GBDT、极限树ExtraTree算法和XGBoost模型,进行非线性映射回归处理,得到每种模型对应的回归模型函数Y0,Y1,…,Yn;将多个回归模型函数进行加权处理得到平均材料去除速率预测模型函数:
其中,Y为平均材料去除速率预测函数;下标0,1,…,n分别为模型编号。
w0,w1,…,wn分别为回归模型函数Y0,Y1,…,Yn对应的权值;误差大的回归模型函数,对应的权值选取得较小;误差小的回归模型函数,对应的权值选取得较大。
本发明的化学机械抛光机的材料去除速率预测方法,具体包括:
数据采集步骤A',由传感器采集被加工材料工件样本在不同抛光加工工况下的信号数据;
数据预处理步骤B',去除采集的传感器信号数据中的噪声和异常值;
特征提取步骤C',提取预处理后传感器信号数据的特征,将提取出的特征进行组合或变换生成模型参数训练数据集合;
特征选取步骤D',从模型参数训练数据集合中选取出优化特征;
平均速率预测步骤E',将选取出的优化特征代入每种模型对应的回归模型函数中得到每种模型对应的速率预测值Y0',Y1',…,Yn',再将速率预测值Y0',Y1',…,Yn'代入权利要求6所述的方法得到的平均材料去除速率预测模型函数中,即:
其中,Y’平均材料去除速率预测值。
本发明的积极进步效果在于:
1)该化学机械抛光机的平均材料去除速率预测方法采用化学机械抛光机内置的传感器采集每个被加工材料工件样本的传感器信号数据,保证传感器信号数据具有易采集、不影响抛光的动态加工性能、在线实时性高等特点;
2)采用拉依达准则去除每个被加工材料工件样本的传感器信号数据中的噪声和异常值等,提取预处理后传感器信号数据的特征,得到优化特征;
3)采用多模型加权方法对每个被加工材料工件样本的平均材料去除速率的优化特征进行建立平均材料去除速率预测模型函数,实现比单一模型进行特征处理的更精确的预测结果;
将此预测方法用于抛光的生产过程中,实现平均材料去除速率的智能预测,可进行抛光加工时间的精确估计,从而减少抛光加工过程中存在的欠抛光和过抛光现象,提升抛光质量与加工良品率,从而提高经济效益。
以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明,以充分地了解本发明的目的、特征和效果。
附图说明
图1为本发明建立化学机械抛光机的平均材料去除速率预测模型的方法的流程图;
图2为本发明化学机械抛光机的平均材料去除速率预测的流程图。
具体实施方式
下面结合图1和图2,对本发明的建立平均材料去除速率预测模型的方法及预测速率的方法分别进行详细的说明。
如图1所示,本发明的建立化学机械抛光机的平均材料去除速率预测模型的方法,具体步骤包括如下:
步骤A,数据采集
将被加工材料工件样本按顺序进行编号。采用抛光机内置的传感器采集每个被加工材料工件样本在不同抛光加工工况下的信号数据,并经由化学机械抛光机的监控软件对采集的传感器信号数据进行实时监测与控制。克服现有抛光机需另外安装传感器进行传感器信号数据采集的缺陷,从而不影响被加工材料工件样本的抛光动态加工过程,满足实际信号数据在线监测要求。
每个被加工材料工件样本的传感器信号数据包括但不限于:抛光机的腔室位置、抛光垫的用量、修整器的用量、抛光垫背衬膜用量、薄膜用量、抛光台转速、被加工材料工件的转速、被加工材料工件与抛光垫之间的压力、腔室压力、抛光液的流动速率及修整液的开关状态等。
步骤B,数据预处理
采集的每个被加工材料工件样本的传感器信号数据均为连续抛光加工的信号数据,由于在抛光加工过程中易出现数据缺失、数据错误等问题,从而直接影响到信号数据分析的结果,因此需要对采集的传感器信号数据进行预处理。
采用拉依达准则去除采集的被加工材料工件样本的所有传感器信号数据中的噪声和异常值,即先经由被加工材料工件样本的所有传感器信号数据计算出其对应的平均值和标准误差值;对于被加工材料工件样本的所有传感器信号数据中的任一传感器信号数据,如若该传感器信号数据与平均值之差的绝对值满足大于标准误差值的3倍,则将该传感器信号数据作为噪声或异常值从被加工材料工件样本的所有传感器信号数据中予以去除;
对于采集的被加工材料工件样本的所有传感器信号数据中的缺失值,先经由被加工材料工件样本的所有传感器信号数据计算出其对应的中值,利用该中值来补全缺失值;
通过人工测量得到平均材料去除速率,即由单位时间内抛光加工过程中减少的材料厚度得到平均材料去除速率,并将人工测量得到的平均材料去除速率放进模型参数训练数据集合。该平均材料去除速率用于初期检测回归模型的精确度,并确定回归模型的系数。回归模型的系数由专家给出,用于检验模型的精确度。如若模型不准确。达不到需要的精度时,即由专家调整模型的系数,直至达到所需精度为止。
步骤C,特征提取
当传感器信号数据为时间序列信号数据时,信号数据量较大,分析过程比较复杂,需要对按样本编号对预处理后的信号数据进行特征提取,再进行进一步分析处理。
由不同的抛光加工工况下,特征的敏感度存在差异。对预处理后的连续的传感器信号数据提取与材料去除速率、抛光垫状态和修整器状态均敏感的特征,该特征包括但不限于:抛光垫的用量、修整器的用量、抛光垫背衬膜用量、薄膜用量、抛光台转速、被加工材料工件的转速、被加工材料工件与抛光垫之间的压力、腔室压力、抛光液的流动速率对应的均值特征、方差特征、求和特征和峭度特征等;
对预处理后的可枚举的离散传感器信号数据,采用特征离散化编码,得到相应的离散化编码特征,其中,离散传感器信号数据包括:工件在抛光机中的位置数据和切削液状态数据等。一实施例中,被加工材料工件在抛光机的腔室位置值区间在[1,3]时设为0,值区间在[4,5]时设为1。
将提取的预处理后的连续传感器信号数据和离散传感器信号数据的特征组合或变换生成对应的模型参数训练数据集合。
步骤D,特征选择
从模型参数训练数据集合中选取出的优化特征包括:数据采集时的时间戳的均值特征、被加工材料工件与抛光垫之间的压力的均值特征、修整器用量的均值特征、修整器用量总量的均值特征、抛光液的均值特征、抛光垫用量的均值特征、被加工材料工件转速的均值特征、抛光头转速的均值特征、腔室压力的均值特征、腔室位置的均值特征、修整液开关状态的均值特征、抛光垫背衬膜用量的均值特征、薄膜用量的均值特征等。
步骤E,模型建立
对选取的优化特征采用多种模型,包括:梯度提升树GBDT(可参考Friedman,J.H.(2001).Greedy function approximation:a gradient boosting machine.Annals ofStatistics,29(5),1189-1232)、极限树ExtraTree算法(可参考Maier,O.,Wilms,M.,vonder Gablentz,J.,U.M.,Münte,T.F.,&Handels,H.(2015).Extra Tree forestsfor sub-acute ischemic stroke lesion segmentation in MR sequences.Journal ofneuroscience methods,240,89-100)和XGBoost模型(可参考Chen,T.,&Guestrin,C.(2016).XGBoost:A Scalable Tree Boosting System.ACM SIGKDD InternationalConference on Knowledge Discovery and Data Mining.ACM),进行非线性映射回归处理,得到每种模型对应的回归模型函数Y0,Y1,…,Yn。对优化特征分别采用多种模型进行非线性映射回归处理,对应2个梯度提升树GBDT的回归结果,对应极1个限树算法ExtraTree的回归结果,对应2个梯度提升树GBDT的回归结果,对应1个XGBoost的回归结果。其中,4个梯度提升树GBDT互不相同,各自模型的参数设置不同,具体为:Y0:树的深度为8,样本子集比例为0.8;Y1:树的深度为8,样本子集比例为0.5;Y0:树的深度为9,样本子集比例为0.8;Y1:树的深度为8,样本子集比例为0.5。学习得到回归模型函数Y0,Y1,…,Yn的回归参数(其中,学习得到回归参数的过程可以参考:Friedman,J.H.(2001).Greedy functionapproximation:a gradient boosting machine.Annals of Statistics,29(5),1189-1232)。将多个回归模型函数进行加权处理得到平均材料去除速率预测模型函数:
其中,Y为平均材料去除速率预测模型函数;下标0,1,…,n分别为模型编号。
w0,w1,…,wn分别为回归模型函数Y0,Y1,…,Yn对应的权值;误差大的回归模型函数,对应的权值选取得较小;误差小的回归模型函数,对应的权值选取得较大。
在得到的6个回归模型中,分别计算单回归模型的回归误差,误差绝对值大小位于前3位的回归模型函数,对应的权值选取得较小,误差绝对值大小位于前3位的回归模型函数的回归模型函数,对应的权值选取得较大。
一优选实施例中,采用2~10个回归模型分别对每个被加工材料工件样本的传感器信号数据对应的优化特征进行非线性映射回归处理。另一优选实施例中,采用6个回归模型分别对每个被加工材料工件样本的传感器信号数据对应的优化特征进行非线性映射回归处理。
如图2所示,本发明的化学机械抛光机的材料去除速率预测方法具体包括如下步骤:
将新的被加工材料工件样本进行步骤A至步骤E处理,将选取出的优化特征代入每种模型对应的回归模型函数中得到每种模型对应的速率预测值Y0',Y1',…,Yn',再将速率预测值Y0',Y1',…,Yn'代入步骤E所得的平均材料去除速率预测模型函数中,即:
其中,Y’平均材料去除速率预测值。
以上详细描述了本发明的各较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (7)
1.一种建立化学机械抛光机的平均材料去除速率预测模型的方法,其特征在于,该方法包括:
数据采集步骤A,由传感器采集被加工材料工件样本在不同抛光加工工况下的信号数据;
数据预处理步骤B,去除采集的传感器信号数据中的噪声和异常值;
特征提取步骤C,提取预处理后传感器信号数据的特征,将提取出的特征进行组合或变换生成模型参数训练数据集合;
特征选取步骤D,从模型参数训练数据集合中选取出优化特征;
模型建立步骤E,对选取出的优化特征采用多种模型进行回归处理,得到每种模型对应的回归模型函数;将多个回归模型函数进行加权处理得到平均材料去除速率预测模型函数,经由平均材料去除速率预测模型函数得到的输出目标值即为平均材料去除速率预测值。
2.如权利要求1所述的方法,其特征在于,数据采集步骤A包括:
传感器采集被加工材料工件样本在抛光加工工况下的信号数据;被加工材料工件样本的传感器信号数据包括:抛光机的腔室位置、抛光垫的用量、修整器的用量、抛光垫背衬膜用量、薄膜用量、抛光台转速、被加工材料工件的转速、被加工材料工件与抛光垫之间的压力、腔室压力、抛光液的流动速率及修整液的开关状态。
3.如权利要求2所述的方法,其特征在于,数据预处理步骤B包括:
采用拉依达准则去除采集的被加工材料工件样本的所有传感器信号数据中的噪声和异常值,即先经由被加工材料工件样本的所有传感器信号数据计算出其对应的平均值和标准误差值;对于被加工材料工件样本的所有传感器信号数据中的任一传感器信号数据,如若该传感器信号数据与平均值之差的绝对值满足大于标准误差值的3倍,则将该传感器信号数据作为噪声或异常值从被加工材料工件样本的所有传感器信号数据中予以去除;
对于采集的被加工材料工件样本的所有传感器信号数据中的缺失值,先经由被加工材料工件样本的所有传感器信号数据计算出其对应的中值,利用该中值来补全缺失值;
通过人工测量得到平均材料去除速率,即由单位时间内抛光加工过程中减少的材料厚度得到平均材料去除速率,并将人工测量得到的平均材料去除速率放进模型参数训练数据集合中。
4.如权利要求3所述的方法,其特征在于,特征提取步骤C包括:
对预处理后的连续传感器信号数据提取与材料去除速率、抛光垫状态和修整器状态均敏感的特征,该特征包括:抛光垫的用量、修整器的用量、抛光垫背衬膜用量、薄膜用量、抛光台转速、被加工材料工件的转速、被加工材料工件与抛光垫之间的压力、腔室压力、抛光液的流动速率对应的均值特征、方差特征、求和特征和峭度特征;
对预处理后的可枚举的离散传感器信号数据,采用特征离散化编码,得到相应的离散化编码特征,其中,离散传感器信号数据包括:工件在抛光机中的位置数据和切削液状态数据;
将提取的预处理后的连续传感器信号数据和离散传感器信号数据的特征组合或变换生成对应的模型参数训练数据集合。
5.如权利要求4所述的方法,其特征在于,从模型参数训练数据集合中选取出的优化特征包括:数据采集时的时间戳的均值特征、被加工材料工件与抛光垫之间的压力的均值特征、修整器用量的均值特征、修整器用量总量的均值特征、抛光液的均值特征、抛光垫用量的均值特征、被加工材料工件转速的均值特征、抛光头转速的均值特征、腔室压力的均值特征、腔室位置的均值特征、修整液开关状态的均值特征、抛光垫背衬膜用量的均值特征、薄膜用量的均值特征。
6.如权利要求1所述的方法,其特征在于,模型建立步骤E包括:
对优化特征采用多种模型,包括:梯度提升树GBDT、极限树ExtraTree算法和XGBoost模型进行非线性映射回归处理,得到每种模型对应的回归模型函数Y0,Y1,…,Yn;将多个回归模型函数进行加权处理得到平均材料去除速率预测模型函数:
<mrow>
<mi>Y</mi>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>w</mi>
<mn>0</mn>
</msub>
<msub>
<mi>Y</mi>
<mn>0</mn>
</msub>
<mo>+</mo>
<msub>
<mi>w</mi>
<mn>1</mn>
</msub>
<msub>
<mi>Y</mi>
<mn>1</mn>
</msub>
<mo>+</mo>
<mo>...</mo>
<mo>+</mo>
<msub>
<mi>w</mi>
<mi>n</mi>
</msub>
<msub>
<mi>Y</mi>
<mi>n</mi>
</msub>
</mrow>
<mrow>
<msub>
<mi>w</mi>
<mn>0</mn>
</msub>
<mo>+</mo>
<msub>
<mi>w</mi>
<mn>1</mn>
</msub>
<mo>+</mo>
<mo>...</mo>
<mo>+</mo>
<msub>
<mi>w</mi>
<mi>n</mi>
</msub>
</mrow>
</mfrac>
</mrow>
其中,Y为平均材料去除速率预测模型函数;下标0,1,…,n分别为模型编号。
w0,w1,…,wn分别为回归模型函数Y0,Y1,…,Yn对应的权值;误差大的回归模型函数,对应的权值选取得较小;误差小的回归模型函数,对应的权值选取得较大。
7.一种化学机械抛光机的材料去除速率预测方法,其特征在于具体包括:
数据采集步骤A',由传感器采集被加工材料工件样本在不同抛光加工工况下的信号数据;
数据预处理步骤B',去除采集的传感器信号数据中的噪声和异常值;
特征提取步骤C',提取预处理后传感器信号数据的特征,将提取出的特征进行组合或变换生成模型参数训练数据集合;
特征选取步骤D',从模型参数训练数据集合中选取出优化特征;
平均速率预测步骤E',将选取出的优化特征代入每种模型对应的回归模型函数中得到每种模型对应的速率预测值Y0',Y1',…,Yn',再将速率预测值Y0',Y1',…,Yn'代入权利要求6所述的方法得到的平均材料去除速率预测模型函数中,即:
<mrow>
<msup>
<mi>Y</mi>
<mo>,</mo>
</msup>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>w</mi>
<mn>0</mn>
</msub>
<msub>
<msup>
<mi>Y</mi>
<mo>,</mo>
</msup>
<mn>0</mn>
</msub>
<mo>+</mo>
<msub>
<mi>w</mi>
<mn>1</mn>
</msub>
<msub>
<msup>
<mi>Y</mi>
<mo>,</mo>
</msup>
<mn>1</mn>
</msub>
<mo>+</mo>
<mo>...</mo>
<mo>+</mo>
<msub>
<mi>w</mi>
<mi>n</mi>
</msub>
<msub>
<msup>
<mi>Y</mi>
<mo>,</mo>
</msup>
<mi>n</mi>
</msub>
</mrow>
<mrow>
<msub>
<mi>w</mi>
<mn>0</mn>
</msub>
<mo>+</mo>
<msub>
<mi>w</mi>
<mn>1</mn>
</msub>
<mo>+</mo>
<mo>...</mo>
<mo>+</mo>
<msub>
<mi>w</mi>
<mi>n</mi>
</msub>
</mrow>
</mfrac>
</mrow>
其中,Y’平均材料去除速率预测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710605206.0A CN107234495B (zh) | 2017-07-24 | 2017-07-24 | 建立平均材料去除速率预测模型的方法及预测速率的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710605206.0A CN107234495B (zh) | 2017-07-24 | 2017-07-24 | 建立平均材料去除速率预测模型的方法及预测速率的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107234495A true CN107234495A (zh) | 2017-10-10 |
CN107234495B CN107234495B (zh) | 2019-01-29 |
Family
ID=59988714
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710605206.0A Active CN107234495B (zh) | 2017-07-24 | 2017-07-24 | 建立平均材料去除速率预测模型的方法及预测速率的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107234495B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107471084A (zh) * | 2017-08-31 | 2017-12-15 | 清华大学 | 抛光设备的抛光平面度控制方法、装置和抛光设备 |
CN110071041A (zh) * | 2018-01-22 | 2019-07-30 | 长鑫存储技术有限公司 | 浅沟槽隔离结构的制备方法、化学机械研磨方法及系统 |
CN110549240A (zh) * | 2019-09-18 | 2019-12-10 | 清华大学 | 一种终点检测方法和化学机械抛光装置 |
CN110587484A (zh) * | 2019-07-29 | 2019-12-20 | 苏州超徕精工科技有限公司 | 一种实时预测研抛加工过程去除效果的装置及方法 |
CN114358443A (zh) * | 2022-03-09 | 2022-04-15 | 深圳市信润富联数字科技有限公司 | 平均材料去除率预测方法、装置、电子设备和存储介质 |
CN114952600A (zh) * | 2022-07-11 | 2022-08-30 | 赛莱克斯微系统科技(北京)有限公司 | 高频传输微结构的平坦化方法、装置及电子设备 |
CN116690402A (zh) * | 2023-08-09 | 2023-09-05 | 浙江晶盛机电股份有限公司 | 抛光机工艺参数调节方法、装置、计算机设备和存储介质 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113574474A (zh) * | 2019-03-15 | 2021-10-29 | 3M创新有限公司 | 使用因果模型抛光半导体晶圆 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6113462A (en) * | 1997-12-18 | 2000-09-05 | Advanced Micro Devices, Inc. | Feedback loop for selective conditioning of chemical mechanical polishing pad |
CN1524027A (zh) * | 2001-06-19 | 2004-08-25 | 应用材料有限公司 | 提高垫寿命的化学机械抛光垫调节器方向速度控制 |
CN1535196A (zh) * | 2001-06-19 | 2004-10-06 | 应用材料有限公司 | 化学机械抛光垫的调节的前馈和反馈控制 |
CN1554118A (zh) * | 2001-06-19 | 2004-12-08 | Ӧ�ò��Ϲ�˾ | 提供去除速率曲线处理的化学机械抛光设备的反馈控制 |
JP2005317864A (ja) * | 2004-04-30 | 2005-11-10 | Renesas Technology Corp | ウェハの研磨方法 |
CN1972780A (zh) * | 2004-06-21 | 2007-05-30 | 株式会社荏原制作所 | 抛光设备和抛光方法 |
CN102044408A (zh) * | 2009-10-21 | 2011-05-04 | 中芯国际集成电路制造(上海)有限公司 | 用于动态调整化学机械抛光速率的方法 |
-
2017
- 2017-07-24 CN CN201710605206.0A patent/CN107234495B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6113462A (en) * | 1997-12-18 | 2000-09-05 | Advanced Micro Devices, Inc. | Feedback loop for selective conditioning of chemical mechanical polishing pad |
CN1524027A (zh) * | 2001-06-19 | 2004-08-25 | 应用材料有限公司 | 提高垫寿命的化学机械抛光垫调节器方向速度控制 |
CN1535196A (zh) * | 2001-06-19 | 2004-10-06 | 应用材料有限公司 | 化学机械抛光垫的调节的前馈和反馈控制 |
CN1554118A (zh) * | 2001-06-19 | 2004-12-08 | Ӧ�ò��Ϲ�˾ | 提供去除速率曲线处理的化学机械抛光设备的反馈控制 |
JP2005509531A (ja) * | 2001-06-19 | 2005-04-14 | アプライド マテリアルズ インコーポレイテッド | パッド寿命を向上させるための化学機械研磨パッドコンディショナの方向速度の制御 |
CN1292464C (zh) * | 2001-06-19 | 2006-12-27 | 应用材料有限公司 | 提供去除速率曲线处理的化学机械抛光设备的反馈控制 |
JP2005317864A (ja) * | 2004-04-30 | 2005-11-10 | Renesas Technology Corp | ウェハの研磨方法 |
CN1972780A (zh) * | 2004-06-21 | 2007-05-30 | 株式会社荏原制作所 | 抛光设备和抛光方法 |
CN102044408A (zh) * | 2009-10-21 | 2011-05-04 | 中芯国际集成电路制造(上海)有限公司 | 用于动态调整化学机械抛光速率的方法 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107471084A (zh) * | 2017-08-31 | 2017-12-15 | 清华大学 | 抛光设备的抛光平面度控制方法、装置和抛光设备 |
CN110071041A (zh) * | 2018-01-22 | 2019-07-30 | 长鑫存储技术有限公司 | 浅沟槽隔离结构的制备方法、化学机械研磨方法及系统 |
CN110587484A (zh) * | 2019-07-29 | 2019-12-20 | 苏州超徕精工科技有限公司 | 一种实时预测研抛加工过程去除效果的装置及方法 |
CN110549240A (zh) * | 2019-09-18 | 2019-12-10 | 清华大学 | 一种终点检测方法和化学机械抛光装置 |
CN110549240B (zh) * | 2019-09-18 | 2020-12-29 | 清华大学 | 一种终点检测方法和化学机械抛光装置 |
CN114358443A (zh) * | 2022-03-09 | 2022-04-15 | 深圳市信润富联数字科技有限公司 | 平均材料去除率预测方法、装置、电子设备和存储介质 |
CN114952600A (zh) * | 2022-07-11 | 2022-08-30 | 赛莱克斯微系统科技(北京)有限公司 | 高频传输微结构的平坦化方法、装置及电子设备 |
CN114952600B (zh) * | 2022-07-11 | 2023-09-19 | 赛莱克斯微系统科技(北京)有限公司 | 高频传输微结构的平坦化方法、装置及电子设备 |
CN116690402A (zh) * | 2023-08-09 | 2023-09-05 | 浙江晶盛机电股份有限公司 | 抛光机工艺参数调节方法、装置、计算机设备和存储介质 |
CN116690402B (zh) * | 2023-08-09 | 2023-11-14 | 浙江晶盛机电股份有限公司 | 抛光机工艺参数调节方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN107234495B (zh) | 2019-01-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107234495A (zh) | 建立平均材料去除速率预测模型的方法及预测速率的方法 | |
CN108942409B (zh) | 基于残差卷积神经网络的刀具磨损量的建模和监测方法 | |
Yang et al. | Research on the milling tool wear and life prediction by establishing an integrated predictive model | |
Li et al. | A novel method for accurately monitoring and predicting tool wear under varying cutting conditions based on meta-learning | |
Cheng et al. | Deep convolutional neural network-based in-process tool condition monitoring in abrasive belt grinding | |
Aliustaoglu et al. | Tool wear condition monitoring using a sensor fusion model based on fuzzy inference system | |
CN111366123B (zh) | 一种基于多任务学习的零件表面粗糙度和刀具磨损预测方法 | |
Nakai et al. | Evaluation of neural models applied to the estimation of tool wear in the grinding of advanced ceramics | |
CN108107838A (zh) | 一种基于云知识库和机器学习的数控装备刀具磨损检测方法 | |
Simunovic et al. | Modelling and simulation of surface roughness in face milling | |
CN109249284B (zh) | 刀具加工参数补偿装置及方法 | |
CN107553219A (zh) | 一种基于多种类传感器复合信号的刀具磨损监控方法 | |
CN104898430A (zh) | 基于数据挖掘的单机架冷轧轧制力模型参数优化方法 | |
CN106002490A (zh) | 基于刀位轨迹和冗余剔除的铣削工件粗糙度监测方法 | |
CN108710343A (zh) | 状态监控的制造单元智能控制方法、装置、设备及系统 | |
CN111832624A (zh) | 一种基于对抗迁移学习的刀具剩余寿命预测方法 | |
CN105571645A (zh) | 一种大坝自动化监测方法 | |
CN1307415C (zh) | 基于案例推理的磨矿系统溢流粒度指标软测量方法 | |
CN107193259A (zh) | 一种基于实时电量的数控机床主传动系统能耗和时间信息获取方法 | |
CN102069095A (zh) | 一种基于统计学习的精轧终轧温度预测和控制方法 | |
CN103839106A (zh) | 一种基于遗传算法优化bp神经网络的球磨机负荷检测方法 | |
CN114492527A (zh) | 基于模糊神经网络与主成分分析表面粗糙度在线预测方法 | |
Wang et al. | A milling tool wear monitoring method with sensing generalization capability | |
CN114326593A (zh) | 一种刀具寿命预测系统及方法 | |
CN110222825A (zh) | 一种水泥成品比表面积预测方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |