CN111482958A - 基于神经网络的多传输机械手光刻机及其协同控制系统 - Google Patents

Abstract

本发明为一种基于神经网络的多传输机械手光刻机及其协同控制系统，基于神经网络的多传输机械手光刻机，其特征在于包括本体、控制器、数据进出端口io模块、伺服电机、机械臂、编码器、电压模式控制器、交流电源、传感器组成，所述控制器分别和伺服电机、数据进出端口io模块、电压模式控制器、传感器连接，本发明通过一个控制器，两个伺服实现对两个机械臂进行控制，进而推广到多个机械臂。以多个机械臂动力学模型函数，径向基RBF神经网络函数以及李雅普诺夫函数为基础设计多个机械臂系统软件算法，实现系统的多个机械臂协同控制及稳定性。本发明只利用一个控制器多个伺服实现对多个机械手的同时控制，降低产品的成本以及在空间布局上的资源。

Description

基于神经网络的多传输机械手光刻机及其协同控制系统

技术领域

本发明涉及光刻机控制领域，尤其涉及一种基于神经网络的多传输机械手光刻机及其协同控制系统。

背景技术

光刻机是半导体制造的核心装备,硅片传输机械手是在其内部专用的物料自动处理设备,它的工作速度、定位精度、可靠性、使用洁净度等直接影响到生产效率和制造质量。普遍的控制系统是一个控制器及配套硬件控制一条传输机械手，造成产品成本和空间的浪费，同时也会延迟两机械手的信息交互及协同工作效率。传统的控制器系统在设计上还缺少对非线性的处理能力和容错性。

发明内容

根据以上技术问题，本发明提供基于神经网络的多传输机械手光刻机及其协同控制系统，以多个机械臂动力学模型函数，径向基RBF神经网络函数以及李雅普诺夫函数为基础设计多个机械臂系统软件算法，实现系统的多个机械臂协同控制及稳定性。

基于神经网络的多传输机械手光刻机，其特征在于包括本体、控制器、数据进出端口io模块、伺服电机、机械臂、编码器、电压模式控制器、交流电源、传感器组成，所述控制器分别和伺服电机、数据进出端口io模块、电压模式控制器、传感器连接，所述控制器、数据进出端口io模块、伺服电机、编码器、电压模式控制器、交流电源、传感器安装在本体内部，所述机械臂和本体连接，所述伺服电机和机械臂连接，所述伺服电机和编码器连接，所述编码器和电压模式控制器连接，所述电压模式控制器还和交流电源、传感器连接，所述编码器和数据进出端口io模块连接，所述控制器、数据进出端口io模块、伺服电机、机械臂、编码器、电压模式控制器、交流电源、传感器呈RBF神经网络状连接，所述伺服电机为N个，所述机械臂为N个，N≥1，所述机械臂通过关节安装在本体上，单个所述机械臂的动力学方程主要是关节控制q与输出力矩τ之间的转换关系，l_ii＝1,2为机械臂第i个连杆的长度，q_ii＝1,2为关节控制角度，通过Lagrange-Euler公式得到单个机械臂动力学方程：

进而推导出多个机械臂协同控制系统的动态方程方程

M(x₀,q)x₀+C(x₀,x₀,q,q)x₀+G(x₀,q)＝τ

依据多个机械臂协同动力学模型方程，在此基础上设计出的多个机械臂协同控制系统可以控制单个机械臂的运动，同时也兼容两个机械臂以及单个机械臂的协同运动。

该控制系统以多个机械臂动力学模型函数，径向基RBF神经网络函数以及李雅普诺夫函数为基础设计多个机械臂系统软件算法，实现系统的多个机械臂协同控制及稳定性。

所述RBF神经网络为径向基函数RBF神经网络，RBF神经网络可以用来逼近任意非线性函数f(Z)∈Rⁿ，定义如下：

f_nn,i(Z)＝W_i ^TS_i(Z)；

其中输入向量为

权重向量为W_i∈R^l，RBF神经网络节点数量L>1并且S_i(Z)＝[s₁,s₂,....,s_l]^T∈R^l，广泛逼近的结果显示，如果L足够大，即隐藏层有足够的节点时，W_i ^TS_i(Z)能够逼近任意非线性函数，得到如下公式

基于系统稳定性，在系统设计中基于

来解决输出受限对系统造成的影响，通过设置约束区间，实现输出受限，提高轨迹运动的精度及稳定性，最后通过数字仿真验证证明基于此函数所设计的系统能够对预定轨迹进行有效的追踪；

其中W_i ^*是理想常量值，ε_i(Z)是有界逼近误差，满足

为任意常量且

我们可以得到关于W_i ^*的公式

在逼近非线性函数的过程中，要尽量的经过每一个节点，但是当数据量庞大且散乱的时候可能造成过度拟合，也就是根本无法寻找里面的隐含规律，将高斯函数设为基函数，其中径向基函数如下

其中η_k＝[η_k1,η_k2,...,η_kq]^T是接受区中心，μ_k是高斯函数的宽度，其中Z是函数输入，Z-μ_k表示了从隐藏层中心点到输出向量的距离，当输入距离中心点越近，隐藏层节点的输出就会越大，越能进行局部逼近。

本发明的有益效果为：本发明通过一个控制器，两个伺服实现对两个机械臂进行控制，进而推广到多个机械臂。以多个机械臂动力学模型函数，径向基RBF神经网络函数以及李雅普诺夫函数为基础设计多个机械臂系统软件算法，实现系统的多个机械臂协同控制及稳定性。本发明只利用一个控制器多个伺服实现对多个机械手的同时控制，降低产品的成本以及在空间布局上的资源。

本发明基于径向基RBF神经网络的并行分布式处理能力及非线性处理能力所设计的多个机械臂协同系统，在系统运算处理速度，自适应处理能力以及减少控制器通信时间上均有显著提升。径向基函数RBF神经网络是一种性能良好的分布式前向网络，具有有效逼近、学习能力强、收敛速度快等优点。

本发明基于李雅普诺夫函数所设计的多个机械臂协同系统，在选择合适参数约束后可以提高多个机械臂系统的稳定性及精度。

本发明在设计中加入径向基RBF神经网络对来自运动过程中轨迹和系统参数产生的的不确定性进行线性拟合，通过线性拟合将非线性转换为线性可分问题，简化未知部分的系统运算，提高鲁棒性及自适应性。

附图说明

图1为本发明机械臂为两个时硬件系统示意图。

图2为本发明单个机械臂系统结构图。

图3为轨迹追踪误差图。

具体实施方式

根据图所示，对本发明进行进一步说明：

实施例1

基于神经网络的多传输机械手光刻机，包括本体、控制器、数据进出端口io模块、伺服电机、机械臂、编码器、电压模式控制器、交流电源、传感器组成，控制器分别和伺服电机、数据进出端口io模块、电压模式控制器、传感器连接，控制器、数据进出端口io模块、伺服电机、编码器、电压模式控制器、交流电源、传感器安装在本体内部，机械臂和本体连接，伺服电机和机械臂连接，伺服电机和编码器连接，编码器和电压模式控制器连接，电压模式控制器还和交流电源、传感器连接，编码器和数据进出端口io模块连接，控制器、数据进出端口io模块、伺服电机、机械臂、编码器、电压模式控制器、交流电源、传感器呈RBF神经网络状连接，伺服电机为N个，机械臂为N个，N≥1，机械臂通过关节安装在本体上。

实施例2

当机械臂为两个进行推论时，将其进行阐述：

如图2所示，单个所述机械臂的动力学方程主要是关节控制q与输出力矩τ之间的转换关系，l_ii＝1,2为机械臂第i个连杆的长度，q_ii＝1,2为关节控制角度，通过Lagrange-Euler公式得到单个机械臂动力学方程：

进而推导出多个机械臂协同控制系统的动态方程方程

M(x₀,q)x₀+C(x₀,x₀,q,q)x₀+G(x₀,q)＝τ

依据多个机械臂协同动力学模型方程，在此基础上设计出的多个机械臂协同控制系统可以控制单个机械臂的运动，同时也兼容两个机械臂以及单个机械臂的协同运动；

所述RBF神经网络为径向基函数RBF神经网络，RBF神经网络可以用来逼近任意非线性函数f(Z)∈Rⁿ，定义如下：

f_nn,i(Z)＝W_i ^TS_i(Z)；

其中输入向量为

权重向量为W_i∈R^l，RBF神经网络节点数量L>1并且S_i(Z)＝[s₁,s₂,....,s_l]^T∈R^l，广泛逼近的结果显示，如果L足够大，即隐藏层有足够的节点时，W_i ^TS_i(Z)能够逼近任意非线性函数，得到如下公式

因此，在该协同控制系统设计中加入径向基RBF神经网络对来自运动过程中轨迹和系统参数产生的的不确定性进行线性拟合，通过线性拟合将非线性转换为线性可分问题，简化未知部分的系统运算，提高鲁棒性及自适应性，

基于系统稳定性，在系统设计中基于

来解决输出受限对系统造成的影响，通过设置约束区间，实现输出受限，提高轨迹运动的精度及稳定性，最后通过数字仿真验证证明基于此函数所设计的系统能够对预定轨迹进行有效的追踪；

其中W_i ^*是理想常量值，ε_i(Z)是有界逼近误差，满足

为任意常量且

我们可以得到关于W_i ^*的公式

在逼近非线性函数的过程中，经过每一个节点，当数据量庞大且散乱的时候可能造成过度拟合，也就是根本无法寻找里面的隐含规律，将高斯函数设为基函数，其中径向基函数如下

其中η_k＝[η_k1,η_k2,...,η_kq]^T是接受区中心，μ_k是高斯函数的宽度，其中Z是函数输入，Z-μ_k表示了从隐藏层中心点到输出向量的距离，当输入距离中心点越近，隐藏层节点的输出就会越大，越能进行局部逼近。

以上仅是本发明的优选实施方式，应当指出的是，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进，这些改进也应视为本发明的保护范围。

Claims (4)

1.基于神经网络的多传输机械手光刻机，其特征在于包括本体、控制器、数据进出端口io模块、伺服电机、机械臂、编码器、电压模式控制器、交流电源、传感器组成，所述控制器分别和伺服电机、数据进出端口io模块、电压模式控制器、传感器连接，所述控制器、数据进出端口io模块、伺服电机、编码器、电压模式控制器、交流电源、传感器安装在本体内部，所述机械臂和本体连接，所述伺服电机和机械臂连接，所述伺服电机和编码器连接，所述编码器和电压模式控制器连接，所述电压模式控制器还和交流电源、传感器连接，所述编码器和数据进出端口io模块连接，所述控制器、数据进出端口io模块、伺服电机、机械臂、编码器、电压模式控制器、交流电源、传感器呈RBF神经网络状连接，所述伺服电机为N个，所述机械臂为N个，N≥1，所述机械臂通过关节安装在本体上。

2.基于神经网络的多传输机械手光刻机协同控制系统，其具体特征在于：该控制系统以多个机械臂动力学模型函数，径向基RBF神经网络函数以及李雅普诺夫函数为基础设计多个机械臂系统软件算法，实现系统的多个机械臂协同控制及稳定性。

3.按照权利要求2所述的基于神经网络的多传输机械手光刻机协同控制系统，其特征在于所述多个机械臂动力学模型函数建立方法为：

单个所述机械臂的动力学方程主要是关节控制q与输出力矩τ之间的转换关系，l_i i＝1,2为机械臂第i个连杆的长度，q_i i＝1,2为关节控制角度，通过Lagrange-Euler公式得到单个机械臂动力学方程：

进而推导出多个机械臂协同控制系统的动态方程

M(x₀,q)x₀+C(x₀,x₀,q,q)x₀+G(x₀,q)＝τ

依据多个机械臂协同动力学模型方程，在此基础上设计出的多个机械臂协同控制系统可以控制单个机械臂的运动，同时也兼容两个机械臂以及单个机械臂的协同运动。

4.按照权利要求2所述的基于神经网络的多传输机械手光刻机协同控制系统，其特征在于所述RBF神经网络为径向基函数RBF神经网络，其具体使用方式如下：

RBF神经网络用来逼近任意非线性函数f(Z)∈Rⁿ，定义如下：

f_nn,i(Z)＝W_i ^TS_i(Z)；

其中输入向量为

权重向量为W_i∈R^l，RBF神经网络节点数量L>1并且S_i(Z)＝[s₁,s₂,....,s_l]^T∈R^l，广泛逼近的结果显示，当L足够大，即隐藏层有足够的节点时，W_i ^TS_i(Z)能够逼近任意非线性函数，得到如下公式

将上述数据进行处理，在该协同控制系统设计中加入径向基RBF神经网络对来自运动过程中轨迹和系统参数产生的的不确定性进行线性拟合，通过线性拟合将非线性转换为线性可分问题，简化未知部分的系统运算，提高鲁棒性及自适应性；

基于该协同控制系统稳定性，在其设计中基于公式

来解决输出受限对该协同控制系统造成的影响，通过设置约束区间，实现输出受限，提高轨迹运动的精度及稳定性，最后通过数字仿真验证证明基于此函数所设计的系统能够对预定轨迹进行有效的追踪；

其中W_i ^*是理想常量值，ε_i(Z)是有界逼近误差，满足

为任意常量且

我们可以得到关于W_i ^*的公式

在逼近非线性函数的过程中，经过每一个节点，当数据量庞大且散乱的时候可能造成过度拟合，也就是根本无法寻找里面的隐含规律，将高斯函数设为基函数，其中径向基函数如下

其中η_k＝[η_k1,η_k2,...,η_kq]^T是接受区中心，μ_k是高斯函数的宽度，其中Z是函数输入，Z-μ_k表示了从隐藏层中心点到输出向量的距离，当输入距离中心点越近，隐藏层节点的输出就会越大，越能进行局部逼近。

Images