CN116627001B - 一种光刻机工件台的运动控制方法及相关装置 - Google Patents

一种光刻机工件台的运动控制方法及相关装置 Download PDF

Info

Publication number
CN116627001B
CN116627001B CN202310783257.8A CN202310783257A CN116627001B CN 116627001 B CN116627001 B CN 116627001B CN 202310783257 A CN202310783257 A CN 202310783257A CN 116627001 B CN116627001 B CN 116627001B
Authority
CN
China
Prior art keywords
workpiece table
photoetching machine
output
actual
feedforward
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.)
Active
Application number
CN202310783257.8A
Other languages
English (en)
Other versions
CN116627001A (zh
Inventor
章军辉
郭晓满
王静贤
陈明亮
彭良强
陈大鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuxi Internet Of Things Innovation Center Co ltd
Original Assignee
Wuxi Internet Of Things Innovation Center Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuxi Internet Of Things Innovation Center Co ltd filed Critical Wuxi Internet Of Things Innovation Center Co ltd
Priority to CN202310783257.8A priority Critical patent/CN116627001B/zh
Publication of CN116627001A publication Critical patent/CN116627001A/zh
Application granted granted Critical
Publication of CN116627001B publication Critical patent/CN116627001B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/70—Microphotolithographic exposure; Apparatus therefor
    • G03F7/70691—Handling of masks or workpieces
    • G03F7/70716—Stages
    • G03F7/70725—Stages control
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/70—Microphotolithographic exposure; Apparatus therefor
    • G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
    • G03F7/70491—Information management, e.g. software; Active and passive control, e.g. details of controlling exposure processes or exposure tool monitoring processes
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Feedback Control In General (AREA)

Abstract

本申请公开了一种光刻机工件台的运动控制方法及相关装置，涉及光刻机技术领域，包括：通过前馈补偿控制器对光刻机工件台的预测误差进行迭代处理，得到前馈输出；预测误差为光刻机工件台下一时刻的期望位移与当前时刻的实际位移的偏差；以PIV控制器作为反馈环节对光刻机工件台的实际误差进行处理，得到反馈输出；实际误差为光刻机工件台当前时刻的期望位移与当前时刻的实际位移的偏差；根据前馈输出、反馈输出以及扰动，得到光刻机工件台的期望加速度；根据期望加速度与实际加速度控制光刻机工件台运动。该方法能够高精密的对光刻机工件台进行控制，满足快速响应与精密定位的要求。

Description

一种光刻机工件台的运动控制方法及相关装置
技术领域
本申请涉及光刻机技术领域，特别涉及一种光刻机工件台的运动控制方法；还涉及一种光刻机工件台的运动控制装置、设备以及计算机可读存储介质。
背景技术
光刻是芯片制造中最为关键的环节。所谓光刻，是指控制光刻机工件台以纳米级精度进行移动，并利用光学、化学反应原理及化学、物理刻蚀方法，使安放于其光刻机工件台上的晶圆“印刷”上预先设计的电路图案的过程。光刻机工件台的运动精度直接影响了整个曝光过程中的成品率、吞吐量，是衡量光刻机性能的关键技术。为了保证光刻质量与光刻效率，光刻机工件台需具备高速运动、高定位精度、足够的行程等能力，而在高速运动以及纳米级定位精度的要求下，仅依靠提升机械、电气执行部件的物理精度，成本会非常昂贵且成效有限，为此需要采用先进控制技术来提升光刻机工件台的运动精度。因此，提供一种能够高精密运动控制方案已成为本领域技术人员亟待解决的技术问题。
发明内容
本申请的目的是提供一种光刻机工件台的运动控制方法，能够高精密的对光刻机工件台进行控制，满足快速响应与精密定位的要求。本申请的另一个目的是提供一种光刻机工件台的运动控制装置、设备以及计算机可读存储介质，均具有上述技术效果。
为解决上述技术问题，本申请提供了一种光刻机工件台的运动控制方法，包括：
通过前馈补偿控制器对光刻机工件台的预测误差进行迭代处理，得到前馈输出；所述预测误差为所述光刻机工件台下一时刻的期望位移与当前时刻的实际位移的偏差；
以PIV控制器作为反馈环节对所述光刻机工件台的实际误差进行处理，得到反馈输出；所述实际误差为所述光刻机工件台当前时刻的期望位移与当前时刻的实际位移的偏差；
根据所述前馈输出、所述反馈输出以及扰动，得到所述光刻机工件台的期望加速度；
根据所述期望加速度与实际加速度控制所述光刻机工件台运动。
可选的，所述通过前馈补偿控制器对光刻机工件台的预测误差进行迭代处理，得到前馈输出包括：
根据对光刻机工件台的预测误差进行迭代处理，得到所述前馈输出；
其中，i是迭代次数，k是离散时间，uff是所述前馈输出，ε-(k+1,i)＝ydes(k+1,i)-y(k,i)表示第i次的所述预测误差，y是所述光刻机工件台的实际位移，ydes是所述光刻机工件台的期望位移，γ(k)为迭代因子，β为惯性系数。
可选的，还包括：
通过模糊推理机动态调整所述迭代因子。
可选的，所述以PIV控制器作为反馈环节对所述光刻机工件台的实际误差进行处理，得到反馈输出包括：
根据对所述实际误差进行处理，得到所述反馈输出；
ufb为所述反馈输出，KP,pos为位置环的比例增益，KP,vel为速度环的比例增益，KI,vel为速度环的积分增益，ε为所述实际误差，k为第k时刻，v为移动速度。
可选的，所述位置环的比例增益、所述速度环的比例增益以及所述速度环的积分增益通过径向基函数神经网络得到。
可选的，所述根据所述前馈输出、所述反馈输出以及扰动，得到所述光刻机工件台的期望加速度包括：
将所述前馈输出与所述反馈输出求和后，将所得和值与所述扰动做差；
对所得差值依次进行低通滤波处理、陷波滤波处理以及饱和处理，得到所述光刻机工件台的期望加速度。
可选的，还包括：
当所述光刻机工件台处于整定阶段时，将所述光刻机工件台的所述预测误差乘以预设增益系数，得到所述前馈输出。
为解决上述技术问题，本申请还提供了一种光刻机工件台的运动控制装置，包括：
前馈模块，用于通过前馈补偿控制器对光刻机工件台的预测误差进行迭代处理，得到前馈输出；所述预测误差为所述光刻机工件台下一时刻的期望位移与当前时刻的实际位移的偏差；
反馈模块，用于以PIV控制器作为反馈环节对所述光刻机工件台的实际误差进行处理，得到反馈输出；所述实际误差为所述光刻机工件台当前时刻的期望位移与当前时刻的实际位移的偏差；
确定模块，用于根据所述前馈输出、所述反馈输出以及扰动，得到所述光刻机工件台的期望加速度；
控制模块，用于根据所述期望加速度与实际加速度控制所述光刻机工件台运动。
为解决上述技术问题，本申请还提供了一种光刻机工件台的运动控制设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至7任一项所述的光刻机工件台的运动控制方法的步骤。
为解决上述技术问题，本申请还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上任一项所述的光刻机工件台的运动控制方法的步骤。
本申请所提供的光刻机工件台的运动控制方法，包括：通过前馈补偿控制器对光刻机工件台的预测误差进行迭代处理，得到前馈输出；所述预测误差为所述光刻机工件台下一时刻的期望位移与当前时刻的实际位移的偏差；以PIV控制器作为反馈环节对所述光刻机工件台的实际误差进行处理，得到反馈输出；所述实际误差为所述光刻机工件台当前时刻的期望位移与当前时刻的实际位移的偏差；根据所述前馈输出、所述反馈输出以及扰动，得到所述光刻机工件台的期望加速度；根据所述期望加速度与实际加速度控制所述光刻机工件台运动。
可见，本申请所提供的光刻机工件台的运动控制方法，采用前馈-反馈控制结构对光刻机工件台进行控制，通过前馈补偿控制器进行数据驱动迭代学习控制，得到前馈输出，通过PIV控制器得到反馈输出，进而综合前馈输出、反馈输出以及扰动控制光刻机工件台运动，能够实现对光刻机工件台的高精密控制，满足快速响应与精密定位的要求。
本申请所提供的光刻机工件台的运动控制装置、设备以及计算机可读存储介质均具有上述技术效果。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对现有技术和实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例所提供的一种光刻机工件台的运动控制方法的流程示意图；
图2为本申请实施例所提供的一种光刻机工件台运动控制框图；
图3为本申请实施例所提供的一种前馈补偿控制器的示意图；
图4为本申请实施例所提供的一种迭代因子估计的示意图；
图5为本申请实施例所提供的一种PIV控制器的示意图；
图6为本申请实施例所提供的基于RBF的硬件在环训练示意图；
图7为本申请实施例所提供的一种光刻机工件台的运动控制装置的示意图；
图8为本申请实施例所提供的一种光刻机工件台的运动控制设备的示意图。
具体实施方式
本申请的核心是提供一种光刻机工件台的运动控制方法，能够高精密的对光刻机工件台进行控制，满足快速响应与精密定位的要求。本申请的另一个核心是提供一种光刻机工件台的运动控制装置、设备以及计算机可读存储介质，均具有上述技术效果。
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
请参考图1，图1为本申请实施例所提供的一种光刻机工件台的运动控制方法的流程示意图，参考图1所示，该方法包括：
S101：通过前馈补偿控制器对光刻机工件台的预测误差进行迭代处理，得到前馈输出；所述预测误差为所述光刻机工件台下一时刻的期望位移与当前时刻的实际位移的偏差；
本实施例采用前馈-反馈控制结构对光刻机工件台实施控制。参考图2所示，前馈-反馈控制结构包括前馈环节与反馈环节。其中的前馈环节包括前馈补偿控制器。前馈补偿控制器采用数据驱动的迭代学习控制。数据驱动的迭代学习控制的目标是产生一个前馈控制，用于跟踪参考轨迹或补偿系统可重复扰动，以提升系统的动态性能。预测误差是指光刻机下一个时刻的期望位移与当前时刻的实际位移的差值。前馈输出即前馈环节的输出。
在一些实施例中，所述通过前馈补偿控制器对光刻机工件台的预测误差进行迭代处理，得到前馈输出包括：
根据对光刻机工件台的预测误差进行迭代处理，得到所述前馈输出；
其中，i是迭代次数，k是离散时间，uff是所述前馈输出，ε-(k+1,i)＝ydes(k+1,i)-y(k,i)表示第i次的所述预测误差，y是所述光刻机工件台的实际位移，ydes是所述光刻机工件台的期望位移，γ(k)为迭代因子，β为惯性系数。
参考图3所示，本实施例将光刻机工件台、PIV(Proportional position loopIntegral and proportional Velocity loop，比例位置回路积分与比例速度回路)控制器以及电机驱动器等视为一个广义受控对象，建立前馈补偿控制器的控制律如下：
上式中，k为离散时间，i为迭代次数，uff(k,i)为第k时刻第i次迭代输入，Q表示鲁棒滤波器，L表示学习律，ε(k,i)＝ydes(k,i)-y(k,i)表示第i次实际误差，y是光刻机工件台的实际位移，ydes是光刻机工件台的期望位移，ε-(k+1,i)＝ydes(k+1,i)-y(k,i)表示第i次预测误差，γ(k)为迭代因子且满足γ∈[0,1]，β为惯性系数且满足β∈(0,1]。特殊地，当y(k,i)＝0时，uff(k+1,i)＝0。
前馈补偿控制器基于上述控制律进行前馈控制。
光刻机工件台运动控制系统具有非线性、时变性特点，传统的数据驱动的迭代学习控制难以保证高精度的跟踪效果，因此，在一些实施例中还包括：
通过模糊推理机动态调整所述迭代因子。
本实施例将模糊控制与迭代学习控制相结合，通过模糊控制动态调整迭代因子来适应光刻机工件台运动控制系统的非线性与时变性，增强控制算法的鲁棒性。
具体而言，参考图4所示，建立双输入单输出的模糊推理机，分别将光刻机工件台位移的实际误差ε(k)＝ydes(k)-y(k)及其一阶导作为模糊推理机的输入，将迭代因子γ(k)作为输出。
定义描述输入的模糊集合为{NB，NM，NS，ZO，PS，PM，PB}，描述输出的模糊集合为{ZO，S，M，L，VL}。PB，PM，PS，ZO，NS，NM，NB，S，M，L，VL分别代表：正大，正中，正小，零，负小，负中，负大，小，中，大，极大。
为了更好的描述实际隶属情况，输入输出的模糊隶属度函数可采用混合设计。例如：利用三角形隶属度函数与梯形隶属度函数进行混合设计。
对于模糊规则，为了降低模糊规则的制定难度以及提高模糊规则的合理性，可以利用遗传算法(Genetic Algorithm,GA)对模糊规则进行全局寻优，主要步骤包括：
Step1：对种群个体进行编码；
Step2：进行遗传操作(选择、交叉、变异、密度抑制等)；
Step3：基于精英选择策略，生成新父代；
Step4：判断是否满足迭代终止条件。若不满足迭代终止条件，则重复Step2～Step3。反之，则终止迭代。
Step5：进行解码，得到全局最优解。
模糊推理过程可采用Larsen最大-乘积法，根据采样输入的模糊量与模糊规则进行判别决策。
由于模糊决策的推论结果是模糊集合，因此需对输出进行清晰化处理，即反模糊化。清晰化处理方法包括:最大隶属度法、中位数法以及质心法等。在一种具体的实施方式中，可以选取质心法作为清晰化处理方法，即
式中，z为论域元素，μ(z)反映z对模糊集合的隶属度分布情况，z*为清晰化值。
S102：以PIV控制器作为反馈环节对所述光刻机工件台的实际误差进行处理，得到反馈输出；所述实际误差为所述光刻机工件台当前时刻的期望位移与当前时刻的实际位移的偏差；
本实施例中反馈环节采用PIV控制器。PIV控制器对光刻机工件台的实际误差进行处理，得到反馈输出。实际误差为所述光刻机工件台当前时刻的期望位移与当前时刻的实际位移的偏差。反馈输出即反馈环节的输出。
在一些实施例中，所述以PIV控制器作为反馈环节对所述光刻机工件台的实际误差进行处理，得到反馈输出包括：
根据对所述实际误差进行处理，得到所述反馈输出；
ufb为所述反馈输出，KP,pos为位置环的比例增益，KP,vel为速度环的比例增益，KI,vel为速度环的积分增益，ε为所述实际误差，k为第k时刻，v为移动速度。
参考图5所示，由于电流环是集成在电机驱动器中，因此本实施例中PIV控制器仅考虑位置环与速度环，建立PIV控制器的控制律如下：
式中，KP,pos为位置环的比例增益，KP,vel为速度环的比例增益，KI,vel为速度环的积分增益，ufb为反馈输出，为移动速度，其中，k表示第k时刻，Ts为采样周期，f{·}表示毛刺处理。
PIV控制器基于上述控制律进行反馈控制。
位置环的比例增益、速度环的比例增益以及速度环的积分增益是PIV控制器的主要控制参数，PIV控制器的性能高低取决于其控制参数。人工整定这些控制参数不仅费时费力，而且难以得到最优的控制参数。因此，在一些实施例中，所述位置环的比例增益、所述速度环的比例增益以及所述速度环的积分增益通过径向基函数神经网络得到。
具体而言，径向基函数神经网络(Radial Basis Function Neural Network,RBF)具有自学习、自组织、自适应功能，对非线性连续函数具有一致逼近性、学习速度快等优点，因此本实施例采用径向基函数神经网络整定PIV控制器中位置环的比例增益、所述速度环的比例增益以及所述速度环的积分增益。
参考图6所示，径向基函数神经网络输出层的输出为：
式中，Oj表示输出层的第j个节点的输出，j∈[1,3]，令O1＝KP,pos，O2＝KP,vel，O3＝KI,vel，wij为隐含层到输出层的连接权值，i∈[1,H]，H为隐含层的节点数，为第p个输入样本，p∈[1,P]，P为样本总数，ci为基函数中心，R(·)表示径向基函数，且满足：
其中，||xp-ci||为欧式范数，σ为基函数的方差，exp(·)表示指数函数。
径向基函数神经网络的参数包括：径向基函数的中心、方差和隐含层到输出层的连接权值。主要的监督学习算法步骤如下：
Step1：确定径向基函数神经网络结构，包括各层节点数，初始连接权值、学习率、惯性系数；
Step2：基于归一化的样本集{xp}，利用K-means聚类算法得到H个聚类中心，作为基函数中心ci；
Step3：计算方差其中，cmax为所选取中心之间的最大距离；
Step4：利用梯度下降法来校正径向基函数神经网络的连接权值，权值优化方法为：其中，wij(k)为连接权值，η为学习率，α为惯性系数，J(k)＝0.5(ydes(k)-y(k))2为代价函数；
Step5：启动神经网络学习过程，不断调整连接权值，直至满足收敛条件，最终获得PIV控制器的参数，即径向基函数神经网络的输出。
S103：根据所述前馈输出、所述反馈输出以及扰动，得到所述光刻机工件台的期望加速度；
在一些实施例中，所述根据所述前馈输出、所述反馈输出以及扰动，得到所述光刻机工件台的期望加速度包括：
将所述前馈输出与所述反馈输出求和后，将所得和值与所述扰动做差；
对所得差值依次进行低通滤波处理、陷波滤波处理以及饱和处理，得到所述光刻机工件台的期望加速度。
即根据ades(k)＝Sat{Notch{LPF{u(k)}}}得到期望加速度；
式中，Sat{·}表示饱和处理，Notch{·}表示陷波滤波，LPF{·}表示低通滤波，ades为期望加速度，u(k)＝uff(k)+ufb(k)-d(k)为前馈-反馈控制结构的输出，其中d为可量测的扰动。
S104：根据所述期望加速度与实际加速度控制所述光刻机工件台运动。
光刻机工件台的实际加速度
式中，a为光刻机工件台的实际加速度，f{·}表示毛刺处理。
光刻机工件台的期望加速度与实际加速度作为电机驱动器内电流环的输入，应用PID控制算法或新型PID控制算法对电机进行高精密控制，实现对光刻机工件台的运动控制。
在一些实施例中，还包括：
当所述光刻机工件台处于整定阶段时，将所述光刻机工件台的所述预测误差乘以预设增益系数，得到所述前馈输出。
基于前馈环节的迭代学习控制能够提高光刻机工件台控制系统的暂态性能，有效减少超调与调节时间，但是迭代学习控制会造成非重复性扰动的积累，进而导致光刻机工件台控制系统的稳态性能变差，最终影响光刻机工件台的定位精度。为此本申请将光刻机工件台的步进运动划分为移动与整定两个阶段。结合图2所示，当光刻机工件台进入移动阶段，前馈环节切换成前馈反馈控制器，基于前馈反馈控制器的控制律进行前馈控制。当光刻机工件台进入整定阶段，前馈环节切换成微小的增益系数，即增益G接近于0或等于0。此时前馈输出等于光刻机工件台的预测误差乘以该增益系数。
此外，为了降低切换过程中引起的振荡，可以在切换过程中设计一个较小的延时缓冲，以提高整定阶段的精度。
综上所述，本申请所提供的光刻机工件台的运动控制方法，采用前馈-反馈控制结构对光刻机工件台进行控制，通过前馈补偿控制器进行数据驱动迭代学习控制，得到前馈输出，通过PIV控制器得到反馈输出，进而综合前馈输出、反馈输出以及扰动控制光刻机工件台运动，能够实现对光刻机工件台的高精密控制，满足快速响应与精密定位的要求。
本申请还提供了一种光刻机工件台的运动控制装置，下文描述的该装置可以与上文描述的方法相互对应参照。请参考图7，图7为本申请实施例所提供的一种光刻机工件台的运动控制装置的示意图，结合图7所示，该装置包括：
前馈模块10，用于通过前馈补偿控制器对光刻机工件台的预测误差进行迭代处理，得到前馈输出；所述预测误差为所述光刻机工件台下一时刻的期望位移与当前时刻的实际位移的偏差；
反馈模块20，用于以PIV控制器作为反馈环节对所述光刻机工件台的实际误差进行处理，得到反馈输出；所述实际误差为所述光刻机工件台当前时刻的期望位移与当前时刻的实际位移的偏差；
确定模块30，用于根据所述前馈输出、所述反馈输出以及扰动，得到所述光刻机工件台的期望加速度；
控制模块40，用于根据所述期望加速度与实际加速度控制所述光刻机工件台运动。
在上述实施例的基础上，作为一种具体的实施方式，前馈模块10具体用于：
根据对光刻机工件台的预测误差进行迭代处理，得到所述前馈输出；
其中，i是迭代次数，k是离散时间，uff是所述前馈输出，ε-(k+1,i)＝ydes(k+1,i)-y(k,i)表示第i次的所述预测误差，y是所述光刻机工件台的实际位移，ydes是所述光刻机工件台的期望位移，γ(k)为迭代因子，β为惯性系数。
在上述实施例的基础上，作为一种具体的实施方式，还包括：
调整模块，用于通过模糊推理机动态调整所述迭代因子。
在上述实施例的基础上，作为一种具体的实施方式，反馈模块20具体用于：
根据对所述实际误差进行处理，得到所述反馈输出；
ufb为所述反馈输出，KP,pos为位置环的比例增益，KP,vel为速度环的比例增益，KI,vel为速度环的积分增益，ε为所述实际误差，k为第k时刻，v为移动速度。
在上述实施例的基础上，作为一种具体的实施方式，所述位置环的比例增益、所述速度环的比例增益以及所述速度环的积分增益通过径向基函数神经网络得到。
在上述实施例的基础上，作为一种具体的实施方式，确定模块30包括：
运算单元，用于将所述前馈输出与所述反馈输出求和后，将所得和值与所述扰动做差；
处理单元，用于对所得差值依次进行低通滤波处理、陷波滤波处理以及饱和处理，得到所述光刻机工件台的期望加速度。
在上述实施例的基础上，作为一种具体的实施方式，前馈模块10还用于：
当所述光刻机工件台处于整定阶段时，将所述光刻机工件台的所述预测误差乘以预设增益系数，得到所述前馈输出。
本申请还提供了一种光刻机工件台的运动控制设备，参考图8所示，该设备包括存储器1和处理器2。
存储器1，用于存储计算机程序；
处理器2，用于执行计算机程序实现如下的步骤：
通过前馈补偿控制器对光刻机工件台的预测误差进行迭代处理，得到前馈输出；所述预测误差为所述光刻机工件台下一时刻的期望位移与当前时刻的实际位移的偏差；以PIV控制器作为反馈环节对所述光刻机工件台的实际误差进行处理，得到反馈输出；所述实际误差为所述光刻机工件台当前时刻的期望位移与当前时刻的实际位移的偏差；根据所述前馈输出、所述反馈输出以及扰动，得到所述光刻机工件台的期望加速度；根据所述期望加速度与实际加速度控制所述光刻机工件台运动。
对于本申请所提供的设备的介绍请参照上述方法实施例，本申请在此不做赘述。
本申请还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时可实现如下的步骤：
通过前馈补偿控制器对光刻机工件台的预测误差进行迭代处理，得到前馈输出；所述预测误差为所述光刻机工件台下一时刻的期望位移与当前时刻的实际位移的偏差；以PIV控制器作为反馈环节对所述光刻机工件台的实际误差进行处理，得到反馈输出；所述实际误差为所述光刻机工件台当前时刻的期望位移与当前时刻的实际位移的偏差；根据所述前馈输出、所述反馈输出以及扰动，得到所述光刻机工件台的期望加速度；根据所述期望加速度与实际加速度控制所述光刻机工件台运动。
该计算机可读存储介质可以包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
对于本申请所提供的计算机可读存储介质的介绍请参照上述方法实施例，本申请在此不做赘述。
说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置、设备以及计算机可读存储介质而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本申请所提供的光刻机工件台的运动控制方法、装置、设备以及计算机可读存储介质进行了详细介绍。本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围。

Claims (7)

1.一种光刻机工件台的运动控制方法，其特征在于，包括：
通过前馈补偿控制器对光刻机工件台的预测误差进行迭代处理，得到前馈输出；所述预测误差为所述光刻机工件台下一时刻的期望位移与当前时刻的实际位移的偏差；
以PIV控制器作为反馈环节对所述光刻机工件台的实际误差进行处理，得到反馈输出；所述实际误差为所述光刻机工件台当前时刻的期望位移与当前时刻的实际位移的偏差；
根据所述前馈输出、所述反馈输出以及扰动，得到所述光刻机工件台的期望加速度；
根据所述期望加速度与实际加速度控制所述光刻机工件台运动；
所述通过前馈补偿控制器对光刻机工件台的预测误差进行迭代处理，得到前馈输出包括：
根据对光刻机工件台的预测误差进行迭代处理，得到所述前馈输出；
其中，i是迭代次数，k是离散时间，uff是所述前馈输出，ε-(k+1,i)＝ydes(k+1,i)-y(k,i)表示第i次的所述预测误差，y是所述光刻机工件台的实际位移，ydes是所述光刻机工件台的期望位移，γ(k)为迭代因子，β为惯性系数；
所述以PIV控制器作为反馈环节对所述光刻机工件台的实际误差进行处理，得到反馈输出包括：
根据对所述实际误差进行处理，得到所述反馈输出；
ufb为所述反馈输出，KP,pos为位置环的比例增益，KP,vel为速度环的比例增益，KI,vel为速度环的积分增益，ε为所述实际误差，k为第k时刻，v为移动速度；
所述根据所述前馈输出、所述反馈输出以及扰动，得到所述光刻机工件台的期望加速度包括：
将所述前馈输出与所述反馈输出求和后，将所得和值与所述扰动做差；
对所得差值依次进行低通滤波处理、陷波滤波处理以及饱和处理，得到所述光刻机工件台的期望加速度。
2.根据权利要求1所述的运动控制方法，其特征在于，还包括：
通过模糊推理机动态调整所述迭代因子。
3.根据权利要求1所述的运动控制方法，其特征在于，所述位置环的比例增益、所述速度环的比例增益以及所述速度环的积分增益通过径向基函数神经网络得到。
4.根据权利要求1所述的运动控制方法，其特征在于，还包括：
当所述光刻机工件台处于整定阶段时，将所述光刻机工件台的所述预测误差乘以预设增益系数，得到所述前馈输出。
5.一种光刻机工件台的运动控制装置，其特征在于，用于实现如权利要求1所述的光刻机工件台的运动控制方法的步骤，包括：
前馈模块，用于通过前馈补偿控制器对光刻机工件台的预测误差进行迭代处理，得到前馈输出；所述预测误差为所述光刻机工件台下一时刻的期望位移与当前时刻的实际位移的偏差；
反馈模块，用于以PIV控制器作为反馈环节对所述光刻机工件台的实际误差进行处理，得到反馈输出；所述实际误差为所述光刻机工件台当前时刻的期望位移与当前时刻的实际位移的偏差；
确定模块，用于根据所述前馈输出、所述反馈输出以及扰动，得到所述光刻机工件台的期望加速度；
控制模块，用于根据所述期望加速度与实际加速度控制所述光刻机工件台运动。
6.一种光刻机工件台的运动控制设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至4任一项所述的光刻机工件台的运动控制方法的步骤。
7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述的光刻机工件台的运动控制方法的步骤。
CN202310783257.8A 2023-06-29 2023-06-29 一种光刻机工件台的运动控制方法及相关装置 Active CN116627001B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310783257.8A CN116627001B (zh) 2023-06-29 2023-06-29 一种光刻机工件台的运动控制方法及相关装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310783257.8A CN116627001B (zh) 2023-06-29 2023-06-29 一种光刻机工件台的运动控制方法及相关装置

Publications (2)

Publication Number Publication Date
CN116627001A CN116627001A (zh) 2023-08-22
CN116627001B true CN116627001B (zh) 2024-04-02

Family

ID=87592243

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310783257.8A Active CN116627001B (zh) 2023-06-29 2023-06-29 一种光刻机工件台的运动控制方法及相关装置

Country Status (1)

Country Link
CN (1) CN116627001B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103135357A (zh) * 2011-11-25 2013-06-05 上海微电子装备有限公司 工件台和掩模台的同步控制方法及其系统
CN104267597A (zh) * 2014-09-04 2015-01-07 哈尔滨工业大学 超精密运动平台机械谐振的抑制方法
CN107797387A (zh) * 2016-08-30 2018-03-13 上海微电子装备（集团）股份有限公司 工件台运动控制方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11480871B2 (en) * 2020-03-30 2022-10-25 Canon Kabushiki Kaisha Apparatus and method for improving accuracy of imprint force application in imprint lithography

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103135357A (zh) * 2011-11-25 2013-06-05 上海微电子装备有限公司 工件台和掩模台的同步控制方法及其系统
CN104267597A (zh) * 2014-09-04 2015-01-07 哈尔滨工业大学 超精密运动平台机械谐振的抑制方法
CN107797387A (zh) * 2016-08-30 2018-03-13 上海微电子装备（集团）股份有限公司 工件台运动控制方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
陈思思.光刻机工件台高精度跟踪控制及干扰抑制研究.电子科技大学学位论文集.2020,1-63. *

Also Published As

Publication number Publication date
CN116627001A (zh) 2023-08-22

Similar Documents

Publication Publication Date Title
Sun et al. Stable neural-network-based adaptive control for sampled-data nonlinear systems
Leu et al. Observer-based direct adaptive fuzzy-neural control for nonaffine nonlinear systems
Wang et al. Q-learning based fault estimation and fault tolerant iterative learning control for MIMO systems
JP6748135B2 (ja) 機械学習装置、サーボ制御装置、サーボ制御システム、及び機械学習方法
CN111459051A (zh) 一种带扰动观测器的离散终端滑模无模型控制方法
Choi et al. Performance and H/sub/spl infin//optimality of PID trajectory tracking controller for Lagrangian systems
Gheisarnejad et al. Supervised control strategy in trajectory tracking for a wheeled mobile robot
Özbek et al. Design of an optimal fractional fuzzy gain-scheduled Smith Predictor for a time-delay process with experimental application
Xie et al. Adaptive fractional order PI controller design for a flexible swing arm system via enhanced virtual reference feedback tuning
Mohammadzamani et al. Adaptive neural control of non‐linear fractional order multi‐agent systems in the presence of error constraints and input saturation
Li et al. Performance-constrained fault-tolerant DSC based on reinforcement learning for nonlinear systems with uncertain parameters
CN116627001B (zh) 一种光刻机工件台的运动控制方法及相关装置
CN111152213B (zh) 一种基于混合控制的机械臂振动补偿方法及装置
Mohammadzadeh et al. Modern Adaptive Fuzzy Control Systems
Shang et al. Adaptive practical fast finite-time consensus protocols for high-order nonlinear multi-agent systems with full state constraints
CN112068446B (zh) 一种基于离散时间模糊模型的直流电机系统抗干扰控制方法
CN112564557B (zh) 一种永磁同步电机的控制方法、装置、设备及存储介质
CN112364986A (zh) 一种对于梯度变化敏感的卷积神经网络模型
Le et al. Adaptive fuzzy backstepping hierarchical sliding mode control for six degrees of freedom overhead crane
Siddique et al. GA-based neural fuzzy control of flexible-link manipulators
JP3868358B2 (ja) 物理系の制御方法および装置ならびに物理系の制御のためのコンピュータプログラム
CN116819966B (zh) 一种光刻机工件台的自抗扰运动控制方法及相关装置
Wang et al. Precise motion tracking of piezo-actuated stages via a neural network-based data-driven adaptive predictive controller
Li et al. Model‐free output feedback discrete sliding mode control with disturbance compensation for precision motion systems
CN115648227B (zh) 一种机器人运动轨迹神经网络模糊控制优化方法

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