CN116985021A - 一种智能抛光装置和方法 - Google Patents

一种智能抛光装置和方法 Download PDF

Info

Publication number
CN116985021A
CN116985021A CN202311253979.9A CN202311253979A CN116985021A CN 116985021 A CN116985021 A CN 116985021A CN 202311253979 A CN202311253979 A CN 202311253979A CN 116985021 A CN116985021 A CN 116985021A
Authority
CN
China
Prior art keywords
sample
polishing
roughness
model
light source
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
Application number
CN202311253979.9A
Other languages
English (en)
Inventor
魏炜
汤璐
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.)
Shenzhen Yong Lin Tech Co ltd
Original Assignee
Shenzhen Yong Lin Tech 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 Shenzhen Yong Lin Tech Co ltd filed Critical Shenzhen Yong Lin Tech Co ltd
Priority to CN202311253979.9A priority Critical patent/CN116985021A/zh
Publication of CN116985021A publication Critical patent/CN116985021A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • 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
    • B24B27/00—Other grinding machines or devices
    • B24B27/02—Bench grinders
    • 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
    • B24B29/00—Machines or devices for polishing surfaces on work by means of tools made of soft or flexible material with or without the application of solid or liquid polishing agents
    • B24B29/02—Machines or devices for polishing surfaces on work by means of tools made of soft or flexible material with or without the application of solid or liquid polishing agents designed for particular workpieces
    • 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
    • B24B41/00—Component parts such as frames, beds, carriages, headstocks
    • B24B41/06—Work supports, e.g. adjustable steadies
    • 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
    • B24B49/00—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation
    • B24B49/006—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation taking regard of the speed
    • 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
    • B24B49/00—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation
    • B24B49/12—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation involving optical means
    • 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
    • B24B49/00—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation
    • B24B49/16—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation taking regard of the load
    • B24B49/165—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation taking regard of the load for grinding tyres
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N1/00—Sampling; Preparing specimens for investigation
    • G01N1/28—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q
    • G01N1/32—Polishing; Etching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/27—Regression, e.g. linear or logistic regression
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mechanical Engineering (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Operations Research (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Finish Polishing, Edge Sharpening, And Grinding By Specific Grinding Devices (AREA)

Abstract

本发明涉及基于抛光机和计算机技术领域，尤其涉及在抛光过程中动态实时测量，本发明提供一种智能抛光装置和方法，包括：初始化设备，将抛光样品放置与样品抛光台，录入被测样品信息，调控样品抛光面在二维平面位置，拟合样品抛光面边界，获得轮廓闭合曲线函数f(x,y)=0；定义曲线函数f(x,y)在抛光面边界范围R内；利用格林公式计算样品的面积s；获得样品抛光面粗糙度分布的差异；建立抛光预测模型，计算控制误差e=Rt'‑Rt；对模型进行修正：Rt''=Rt+KP*e+KI*∫edt；比较Rt''与目标函数Rt(t)，调整mt或Ft，直到达到预设阈值ε；在样品粗糙度达到设定指标，停止抛光，记录Rt、抛光参数关系，绘制Rt‑t实验曲线。

Description

一种智能抛光装置和方法
技术领域
本发明涉及基于抛光机技术领域，尤其涉及一种智能抛光装置和方法。
背景技术
在抛光过程中，表面粗糙度是指加工表面所具有的较小间距和微小峰谷不平度，划痕是工件在加工过程中由于磨粒压入工件过深产生的表面缺陷。表面粗糙度和划痕是抛光样品表面质量评价主要考虑的因素。
传统抛光技术的改进一般在磨粒材料、抛光速度控制、抛光力大小控制等方面进行技术优化，以达到对被抛光材料粗糙度的精确控制。现代制造业的发展对表面精密加工提出了更高的要求。作为制造业的重要工艺手段——抛光工艺在较大程度上影响产品的使用性能。
化学机械抛光技术几乎是迄今唯一可以提供全局平面化的表面精加工技术，可广泛用于集成电路芯片、计算机硬磁盘、微型机械系统（MEMS）、光学玻璃等表面的平整化等。磁流变抛光利用磁流变液良好的动力学和温度特性，能够获得质量很高的光学表面，易于实现计算机控制，能够得到比较复杂的面形，且去除效率高。气囊抛光技术采用内置电机驱动抛光头旋转，控制头部的柔性气囊气压，其抛光工具工作面的柔性可根据被抛光曲面的曲率和粗糙度进行气压调控，工具气囊所支撑的柔性抛光工作面可与被抛光曲面形成较大面积的仿形接触，保证较大接触面和良好的接触吻合度。激光抛光技术作为一种非接触式抛光技术，可解决传统抛光技术带来微小刮痕、难以对微器件进行加工的弊端。
根据不同抛光技术的抛光机制，抛光样品的粗糙度控制可以通过固态、液态的抛光介质的粒度大小、电流以及磁流的大小、抛光垫的压力大小、激光的强弱等进行控制。其中较为常用的一般通过控制抛光时间来控制样品粗糙度，例如，可设置某种磨粒材料使用的抛光时长，待器件工作至某个时间点即停止抛光。由于抛光过程中，使用同种抛光磨粒材料，达到一定抛光时长后，该样品粗糙度便再难下降，因此该种方法不能精确判断样品抛光粗糙度的时变特性，存在抛光时间长、难以控制最优抛光停止时间的弊端。且不同抛光样品的抛光特性不同，最优抛光时长也不同。
在研磨机、研具、磨料和研磨液均选定的条件下，研磨速度、研磨压力和研磨液流量为超精密研磨和抛光加工过程中可以控制的主要工艺参数，是保证加工质量和加工效率的关键，这三个因素可作为实时优化和智能控制的主要对象。然而，当压力增大到一定值时，由于磨粒破碎及研磨接触面积增加，实际接触点的接触压力不成正比增加，研磨效率提高并不明显。同样，在精加工阶段，过大的流量同样会造成对表面精度的破坏。因此，基于粗糙度监测的抛光机制，能精确控制研磨、抛光时间，对优化研磨、抛光效果有关键作用。
目前的技术中，样品的抛光形状、粗糙度等目前已经实现了控制，然而目前的技术较多采用基于显微、放大功能的人工监测方式来获得某个时间点的样品抛光粗糙度，较少关注不同研磨机制下抛光过程中样品粗糙度的动态变化过程。
采用显微镜等方法进行抛光样品粗糙度观测的方法一方面需要对不同样品进行焦距调整，一方面无法获取样品表面精确的平整度数据。目前缺少一种在抛光过程中实现实时粗糙度实时测算以及监控的装置及方法。
再者，传统抛光设备在抛光过程中，无法有效对材料粗糙度实时监控，抛光效率和抛光粗糙度的精确性较低。因此，本发明提出的智能抛光装置和方法可实现对抛光样品实时的粗糙度测算以及监控。
发明内容
为克服上述的技术问题，本发明提供了一种智能抛光装置、方法及系统，可同时获取样品表面粗糙度的分布数据以及划痕的数量和位置，获得粗糙度分布数据及划痕的根本方法是获得抛光样品表面的深浅程度及其分布。
本发明解决技术问题的一种技术方案是提供一种智能抛光装置，包括：样品抛光台用于放置样品，且可带动样品旋转；
可旋转光源探测器阵列包括光源和探测器，其中光源用于产生不同方向的光照射样品进行扫描，探测器用于接收反射回来的光信号；
控制器分别与探测器和显示器电连接，控制器用于接收探测器反馈信息，并计算样品粗糙度，显示屏用于显示控制器的计算结果；
上工作盘可活动于样品抛光台的上方，用于对样品进行抛光打磨。
如图1所示，上工作盘1导入抛光液，对样品进行打磨抛光处理，样品台2用于放置样品，并控制样品的转速；可旋转光源探测器阵列3产生不同方向的光，对样品进行扫描并接收反射光信息，显示屏及控制器4用于计算样品粗糙度并进行存储、显示，抛光机箱体5内置电源、控制器核心部件，对装置进行控制；旋转轴6用于带动上工作盘1；光源发出的光功率P与探测器接收的最低功率Pmin之间的关系为：P ≥ k*Pmin，k为大于1的系数；根据探测器的灵敏度和不同样品的反射率的变化情况，光源发出的功率P应满足探测器所需最低功率Pmin的要求，以提高探测接收的信噪比。样品的旋转速度应与探测器获取调制光波的响应时间匹配，实时获得精确的粗糙度扫描结果；探测器响应时间为S0，样品的转速mt为r/s，则样品在2次扫描间隔时间内的旋转线长L为L=mS0；L的大小可取决于系统设定的粗糙度扫描的精度，转速m固定的情况下，L越小，扫描精度越高。
本发明解决技术问题的另一种技术方案：提供一种智能抛光方法，具体包括：
S110初始化：初始化设备，将抛光样品放置于样品抛光台，录入被测样品信息，调控样品的抛光面在样品抛光台的平面位置，拟合样品的抛光面边界，获得轮廓闭合曲线函数 f(x,y)=0；定义轮廓闭合曲线函数 f(x,y) 在抛光面边界范围 R 内；利用格林公式计算样品的面积 s为：，将样品抛光面分割成B个测量区域；
在上述公式中，s代表样品的面积，R为样品抛光面的边界范围，和/>分别代表样品抛光面在x方向和y方向上的导数，dxdy代表面积元素在x和y方向上的变化量。
S120获取样品粗糙度分布情况：可旋转光源探测器阵列根据样品实际垂直距离D0调整发光角度；发射的光与样品表面入射角设为α，通过旋转样品实现多角度扫描，获得样品的抛光面粗糙度分布的差异；收集抛光数据：样品转速mt、抛光力Ft，可旋转光源探测器阵列转速n与样品粗糙度R数据；将收集的抛光数据随机分为两部分：80%为训练集，20%为测试集；
在本申请的一些实施例中，基于前述方案，所述多个光源以及探测器组成的可旋转光源探测器阵列可在一个方向上进行粗糙度扫描；之后移动光源并记录探测器检测到的样品表面高度变化，获得另一个方向上的粗糙度扫描结果；之后旋转样品至新位置，获得抛光面区域范围内的连续扫描结果，以及样品表面粗糙度分布图案；
S130 建立模型：设置目标粗糙度，在同一抛光液和样品条件下，检测抛光参数抛光时间t、实时转速mt和抛光力Ft，输出变量为预测粗糙度Ra；使用训练集数据，将收集数据分为训练集和测试集，在训练集构建多项式回归模型：Rt(t) = ω1*a1*mt + ω2*a2*Ft +ω3*a3*mt^2 + ω4*a4*Ft^2 + ω5*a5*mt*Ft，其中ω1-ω5为变量权重，a1-a5为模型系数；将线性回归模型映射到高维特征空间，通过核函数转化为非线性模型；构建神经网络结构，输入层为抛光参数，输出层为预测粗糙度Rt，设计隐藏层节点数；将非线性回归模型作为子模块接入，通过误差反向传播算法训练网络模型调节权重参数，在测试集上评估模型预测性能，得到预测模型；检测实时抛光参数，并代入模型预测粗糙度Rt；
在本申请的一些实施例中，基于前述方案，所述建立模型，包括：设置目标粗糙度参数Ra；Ra表示加工表面微小峰谷的算术平均值，其计算公式为：Ra = (1/Lz)∑|A| 其中，Lz为取样长度，A为各取样位置的表面高度值；通过可旋转光源探测器阵列扫描，获取各位置A值，计算不同局部区域的Ra；计算所有Ra的平均值，作为样品整体的目标粗糙度Ra；建立抛光预测模型：Rt(t) = ω1*a1*mt + ω2*a2*Ft + ω3*a3*mt^2 + ω4*a4*Ft^2 + ω5*a5*mt*Ft，其中ω1-ω5为变量权重，a1-a5为模型系数；检测实时抛光参数mt、Ft，并代入模型预测粗糙度Rt；
S140自动监测：利用相位测距法实时检测抛光过程中光在样品表面往返的传播时间，并计算相应的传播距离变化量ΔD；设定阈值ΔD_th表示允许的最大传播距离变化量；监测的时间间隔设定为0.1-1秒，如果测得ΔD>ΔD_th，则说明样品表面粗糙度超出允许范围，则暂停当前抛光过程；采用光斑直径10-100μm，提高监测精度；在样品表面扫描采集B个测量区域的测量数据；将B个小区域采集的数据进行整合，计算实时检测样品表面的粗糙度Rt’；
在本申请的一些实施例中，基于前述方案，所述自动监测，包括：使用相位测距法可以获得测试距离公式: L = (Nλ+Δφ/2π)/2nKf，其中λ为光在真空中的传播速度，n为大气折射率，f为光的调制频率，Δφ为相位差，K为仪器常数；根据测试距离L计算传播距离变化量ΔD；设置允许变化阈值ΔD_th，设置允许变化阈值ΔD_th，比较ΔD与ΔD_th的大小关系；如果ΔD大于ΔD_th，则暂停当前抛光，进入反馈调节阶段，保证粗糙度控制在范围内；当ΔD小于等于ΔD_th时，完成抛光过程；采用小直径光斑d、降低扫描速度v、并减小光源与样品距离L0，以提高扫描精度；保证相邻光斑的非相干性: L0 ≥ d^2/λ；设置扫描步长L1:L1 = λ/2NA，其中NA为数值孔径。
S150修正模型并抛光：使用测试集数据对模型进行测试，将Rt’与模型预测值Rt进行比较，计算控制误差e = Rt' - Rt；如果控制误差e超出允许范围，则暂停当前抛光过程；对模型进行修正：Rt'' = Rt + KP*e + KI*∫e dt，KP和KI是控制算法中的比例和积分增益参数，dt是时间间隔，Rt''是修正后的模型预测值，比较Rt''与Rt(t)，调整抛光参数；比较Rt''与目标函数Rt(t)，调整mt或Ft，直到达到模型预测值Rt''与目标值Rt(t)之差小于预设阈值ε为止；如果局部区域Ra偏差过大，则需要调整抛光力Ft的分布，实现样品表面粗糙度的均匀化；
S160数据处理和报告生成：在样品粗糙度达到设定指标后，停止对样品的抛光，记录Rt、抛光参数关系，绘制Rt-t实验曲线。
本发明的有益效果：
采用可旋转的光源-探测器阵列实现多角度扫描和调制光波匹配，应用相位测距法进行实时监测，实现了抛光过程的闭环控制；
通过机器学习建立精确的预测模型，实现抛光参数的主动优化。
附图说明
图1是本发明一种智能抛光装置的示意图；
图2是本发明一种智能抛光方法的流程图；
图3是本发明一种智能抛光装置的可旋转光源探测器阵列示意图；
标号说明：1、上工作盘；2、样品台；3、可旋转光源探测器阵列；4、显示屏和控制器；5、抛光机箱体；6、旋转轴。
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楚明白，以下结合附图及实施实例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用于解释本发明，并不用于限定本发明。
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本申请将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。
此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本申请的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本申请的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本申请的各方面。
附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个模块或集成模块中实现这些功能实体，或在不同处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
以下对本申请实施例的技术方案的实现细节进行详细阐述：
上工作盘1：其底部为工作台，工作台上放置抛光液，在抛光液作用下对样品进行打磨抛光；工作台可以上下移动并施加压力，以调控抛光力度。
样品台2：用于放置不同大小的样品，内置马达可以控制样品的转速，配合上工作盘1实现对样品全方位的抛光处理。
可旋转光源-探测器阵列3：包含光源和探测器，通过步进电机带动360度旋转，实现对样品不同角度的扫描。
显示屏和控制器4：采用LCD显示屏，控制器内置微处理器，完成检测信号的处理和结果显示；控制器控制样品转速、调节光源方向等。
抛光机箱体5：内部安装有电源模块、主控制板，实现对各个结构的供电控制。主控制板与控制器连接，进行信息传递。
旋转轴6：连接上工作盘1与抛光机箱体5，带动工作台旋转，使抛光液均匀分布。
请参阅图2，本发明提供了一种智能抛光方法，包括如下步骤：
在步骤S110初始化中：初始化设备，将抛光样品放置于样品抛光台，录入被测样品信息，调控样品的抛光面在样品抛光台的平面位置，拟合样品的抛光面边界，获得轮廓闭合曲线函数 f(x,y)=0；定义轮廓闭合曲线函数 f(x,y) 在抛光面边界范围 R 内；利用格林公式计算样品的面积 s为：，将样品抛光面分割成B个测量区域；在上述公式中，s代表样品的面积，R为样品抛光面的边界范围，/>和/>分别代表样品抛光面在x方向和y方向上的导数，dxdy代表面积元素在x和y方向上的变化量；
不同材质样品录入不同的信息；在实际应用中，对于半导体硅材料，记录以下信息：晶体取向：记录硅晶体的取向，如{100}、{110}；掺杂类型和浓度：记录N型或P型掺杂及掺杂浓度；切片厚度：记录硅晶片的厚度。
在实际应用中，对于半导体氮化硅材料，记录以下信息：氮化硅成分：记录GaN、AlGaN等不同成分；外延生长方法：记录MOCVD、MBE等生长技术；载体材料：记录氮化硅外延层生长所用的蓝宝石、硅碳化硅等载体。记录与电学特性相关的材料成分、结构参数、生长工艺等信息。
在步骤S120获取样品粗糙度分布情况中：可旋转光源探测器阵列根据样品实际垂直距离D0调整发光角度；发射的光与样品表面入射角设为α，通过旋转样品实现多角度扫描，获得样品的抛光面粗糙度分布的差异；收集抛光数据：样品转速mt、抛光力Ft，可旋转光源探测器阵列转速n与样品粗糙度R数据；将收集的抛光数据随机分为两部分：80%为训练集，20%为测试集；
在实际应用中，半导体硅：当目标粗糙度Ra为10nm时，转速r的取值范围为50-100r/min，抛光力F的取值范围为2-5N。当目标粗糙度Ra为5nm时，转速r的取值范围为30-60r/min，抛光力F的取值范围为1-3N。以下是半导体氮化镓：当目标粗糙度Ra为50nm时，转速r的取值范围为100-200r/min，抛光力F的取值范围为5-10N。当目标粗糙度Ra为20nm时，转速r的取值范围为50-100r/min，抛光力F的取值范围为2-5N。
在步骤S130 建立模型中：设置目标粗糙度，在同一抛光液和样品条件下，检测抛光参数抛光时间t、实时转速mt和抛光力Ft，输出变量为预测粗糙度Ra；使用训练集数据，将收集数据分为训练集和测试集，在训练集构建多项式回归模型：Rt(t) = ω1*a1*mt + ω2*a2*Ft + ω3*a3*mt^2 + ω4*a4*Ft^2 + ω5*a5*mt*Ft，其中ω1-ω5为变量权重，a1-a5为模型系数；将线性回归模型映射到高维特征空间，通过核函数转化为非线性模型；构建神经网络结构，输入层为抛光参数，输出层为预测粗糙度Rt，设计隐藏层节点数；将非线性回归模型作为子模块接入，通过误差反向传播算法训练网络模型调节权重参数，在测试集上评估模型预测性能，得到预测模型；检测实时抛光参数，并代入模型预测粗糙度Rt；
在本申请的一个实施例中，包括：设置目标粗糙度参数Ra；Ra表示加工表面微小峰谷的算术平均值，其计算公式为：Ra = (1/Lz)∑|A| 其中，Lz为取样长度，A为各取样位置的表面高度值；通过可旋转光源探测器阵列扫描，获取各位置A值，计算不同局部区域的Ra；计算所有Ra的平均值，作为样品整体的目标粗糙度Ra；建立抛光预测模型：Rt(t) = ω1*a1*mt + ω2*a2*Ft + ω3*a3*mt^2 + ω4*a4*Ft^2 + ω5*a5*mt*Ft，其中ω1-ω5为变量权重，a1-a5为模型系数；检测实时抛光参数mt、Ft，并代入模型预测粗糙度Rt；
在步骤S140自动监测中：利用相位测距法实时检测抛光过程中光在样品表面往返的传播时间，并计算相应的传播距离变化量ΔD；设定阈值ΔD_th表示允许的最大传播距离变化量；监测的时间间隔设定为0.1-1秒，如果测得ΔD>ΔD_th，则说明样品表面粗糙度超出允许范围，则暂停当前抛光过程；采用光斑直径10-100μm，提高监测精度；在样品表面扫描采集B个测量区域的测量数据；将B个小区域采集的数据进行整合，计算实时检测样品表面的粗糙度Rt’；
在本申请的一个实施例中，包括：如图3所示，可旋转光源探测器阵列根据样品实际垂直距离D0调整发光角度α，D0=Dcosα；使用相位测距法可以获得测试距离公式: L = (Nλ+Δφ/2π)/2nKf，其中λ为光在真空中的传播速度，n为大气折射率，f为光的调制频率，Δφ为相位差，K为仪器常数；根据测试距离L计算传播距离变化量ΔD；设置允许变化阈值ΔD_th，设置允许变化阈值ΔD_th，比较ΔD与ΔD_th的大小关系；如果ΔD大于ΔD_th，则暂停当前抛光，进入反馈调节阶段，保证粗糙度控制在范围内；当ΔD小于等于ΔD_th时，完成抛光过程；采用小直径光斑d、降低扫描速度v、并减小光源与样品距离L0，以提高扫描精度；保证相邻光斑的非相干性: L0 ≥ d^2/λ；设置扫描步长L1: L1 = λ/2NA，其中NA为数值孔径。
在步骤S150修正模型并抛光中：使用测试集数据对模型进行测试，将Rt’与模型预测值Rt进行比较，计算控制误差e = Rt' - Rt；如果控制误差e超出允许范围，则暂停当前抛光过程；对模型进行修正：Rt'' = Rt + KP*e + KI*∫e dt，KP和KI是控制算法中的比例和积分增益参数，dt是时间间隔，Rt''是修正后的模型预测值，比较Rt''与Rt(t)，调整抛光参数；比较Rt''与目标函数Rt(t)，调整mt或Ft，直到达到模型预测值Rt''与目标值Rt(t)之差小于预设阈值ε为止；如果局部区域Ra偏差过大，则需要调整抛光力Ft的分布，实现样品表面粗糙度的均匀化；
在实际应用中，ε可根据抛光对表面质量的精度需求进行设定，如设定ε为0.5nm。
在步骤S160数据处理和报告生成中：在样品粗糙度达到设定指标后，停止对样品的抛光，记录Rt、抛光参数关系，绘制Rt-t实验曲线。
以上所述仅为本发明的较佳实施例，并非因此限制本发明的专利范围，凡是在本发明的构思之内所作的任何修改，等同替换和改进等均应包含在本发明的专利保护范围内。

Claims (7)

1.一种智能抛光装置，其特征在于，其包括：
样品抛光台、显示屏、控制器、可旋转光源探测器阵列、上工作盘；
样品抛光台用于放置样品，且可带动样品旋转；
可旋转光源探测器阵列包括光源和探测器，其中光源用于产生不同方向的光照射样品进行扫描，探测器用于接收反射回来的光信号；
控制器分别与探测器和显示器电连接，控制器用于接收探测器反馈信息，并计算样品粗糙度，显示屏用于显示控制器的计算结果；
上工作盘可活动于样品抛光台的上方，用于对样品进行抛光打磨。
2.根据权利要求1所述的智能抛光装置，其特征在于：光源发出的光功率P与探测器接收的最低功率Pmin之间的关系为：P ≥ k*Pmin，k为大于1的系数。
3.根据权利要求2所述的智能抛光装置，其特征在于：可旋转光源探测器阵列以转速n配合样品转速mt，光源以转速n发出调制光波，探测器以转速n接收反射回来的调制光波；使得探测器获取调制光波的响应时间与样品转速mt匹配，实时获得样品精确的粗糙度扫描结果；
样品在2次扫描间隔时间内的旋转线长要满足以下公式：
L=mt*S0；
其中，L代表旋转线长；S0代表探测器响应时间；mt代表样品的转速；L的大小可取决于系统设定的粗糙度扫描的精度。
4.一种基于权利要求1至3任一项所述智能抛光装置的智能抛光方法，其特征在于：其包括以下步骤：
S110初始化：初始化设备，将抛光样品放置于样品抛光台，录入被测样品信息，调控样品的抛光面在样品抛光台的平面位置，拟合样品的抛光面边界，获得轮廓闭合曲线函数 f(x,y)=0；定义轮廓闭合曲线函数 f(x,y) 在抛光面边界范围 R 内；利用格林公式计算样品的面积 s为：，将样品抛光面分割成B个测量区域；在上述公式中，s代表样品的面积，R为样品抛光面的边界范围，和/>分别代表样品抛光面在x方向和y方向上的导数，dxdy代表面积元素在x和y方向上的变化量；
S120获取样品粗糙度分布情况：可旋转光源探测器阵列根据样品实际垂直距离D0调整发光角度；发射的光与样品表面入射角设为α，通过旋转样品实现多角度扫描，获得样品的抛光面粗糙度分布的差异；收集抛光数据：样品转速mt、抛光力Ft，可旋转光源探测器阵列转速n与样品粗糙度R数据；将收集的抛光数据随机分为两部分：80%为训练集，20%为测试集；
S130 建立模型：设置目标粗糙度，在同一抛光液和样品条件下，检测抛光参数抛光时间t、实时转速mt和抛光力Ft，输出变量为预测粗糙度Ra；使用训练集数据，将收集数据分为训练集和测试集，在训练集构建多项式回归模型：Rt(t) = ω1*a1*mt + ω2*a2*Ft + ω3*a3*mt^2 + ω4*a4*Ft^2 + ω5*a5*mt*Ft，其中ω1-ω5为变量权重，a1-a5为模型系数；将线性回归模型映射到高维特征空间，通过核函数转化为非线性模型；构建神经网络结构，输入层为抛光参数，输出层为预测粗糙度Rt，设计隐藏层节点数；将非线性回归模型作为子模块接入，通过误差反向传播算法训练网络模型调节权重参数，在测试集上评估模型预测性能，得到预测模型；检测实时抛光参数，并代入模型预测粗糙度Rt；
S140自动监测：利用相位测距法实时检测抛光过程中光在样品表面往返的传播时间，并计算相应的传播距离变化量ΔD；设定阈值ΔD_th表示允许的最大传播距离变化量；监测的时间间隔设定为0.1-1秒，如果测得ΔD > ΔD_th，则说明样品表面粗糙度超出允许范围，则暂停当前抛光过程；采用光斑直径10-100μm，提高监测精度；在样品表面扫描采集B个测量区域的测量数据；将B个小区域采集的数据进行整合，计算实时检测样品表面的粗糙度Rt’；
S150修正模型并抛光：使用测试集数据对模型进行测试，将Rt’与模型预测值Rt进行比较，计算控制误差e = Rt' - Rt；如果控制误差e超出允许范围，则暂停当前抛光过程；对模型进行修正：Rt'' = Rt + KP*e + KI*∫e dt，KP和KI是控制算法中的比例和积分增益参数，dt是时间间隔，Rt''是修正后的模型预测值，比较Rt''与Rt(t)，调整抛光参数；比较Rt''与目标函数Rt(t)，调整mt或Ft，直到达到模型预测值Rt''与目标值Rt(t)之差小于预设阈值ε为止；如果局部区域Ra偏差过大，则需要调整抛光力Ft的分布，实现样品表面粗糙度的均匀化；
S160数据处理和报告生成：在样品粗糙度达到设定指标后，停止对样品的抛光，记录Rt、抛光参数关系，绘制Rt-t实验曲线。
5.根据权利要求4所述的智能抛光方法，其特征在于，S120，包括：
多个光源以及探测器组成的可旋转光源探测器阵列可在一个方向上进行粗糙度扫描；之后移动光源并记录探测器检测到的样品表面高度变化，获得另一个方向上的粗糙度扫描结果；之后旋转样品至新位置，获得抛光面区域范围内的连续扫描结果，以及样品表面粗糙度分布图案。
6.根据权利要求4所述的智能抛光方法，其特征在于，S130，包括：
设置目标粗糙度参数Ra；Ra表示加工表面微小峰谷的算术平均值，其计算公式为：Ra =(1/Lz)∑|A| 其中，Lz为取样长度，A为各取样位置的表面高度值；通过可旋转光源探测器阵列扫描，获取各位置A值，计算不同局部区域的Ra；计算所有Ra的平均值，作为样品整体的目标粗糙度Ra；建立抛光预测模型：Rt(t) = ω1*a1*mt + ω2*a2*Ft + ω3*a3*mt^2 +ω4*a4*Ft^2 + ω5*a5*mt*Ft，其中ω1-ω5为变量权重，a1-a5为模型系数；检测实时抛光参数mt、Ft，并代入模型预测粗糙度Rt。
7.根据权利要求4所述的智能抛光方法，其特征在于，S140，包括：
使用相位测距法可以获得测试距离公式: L = (Nλ+Δφ/2π)/2nKf，其中λ为光在真空中的传播速度，n为大气折射率，f为光的调制频率，Δφ为相位差，K为仪器常数；根据测试距离L计算传播距离变化量ΔD；设置允许变化阈值ΔD_th，设置允许变化阈值ΔD_th，比较ΔD与ΔD_th的大小关系；如果ΔD大于ΔD_th，则暂停当前抛光，进入反馈调节阶段，保证粗糙度控制在范围内；当ΔD小于等于ΔD_th时，完成抛光过程；采用小直径光斑d、降低扫描速度v、并减小光源与样品距离L0，以提高扫描精度；保证相邻光斑的非相干性: L0 ≥ d^2/λ；设置扫描步长L1: L1 = λ/2NA，其中NA为数值孔径。
CN202311253979.9A 2023-09-27 2023-09-27 一种智能抛光装置和方法 Pending CN116985021A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311253979.9A CN116985021A (zh) 2023-09-27 2023-09-27 一种智能抛光装置和方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311253979.9A CN116985021A (zh) 2023-09-27 2023-09-27 一种智能抛光装置和方法

Publications (1)

Publication Number Publication Date
CN116985021A true CN116985021A (zh) 2023-11-03

Family

ID=88523562

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311253979.9A Pending CN116985021A (zh) 2023-09-27 2023-09-27 一种智能抛光装置和方法

Country Status (1)

Country Link
CN (1) CN116985021A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117415682A (zh) * 2023-11-29 2024-01-19 深圳市摆渡微电子有限公司 钨钢喷嘴的加工抛光方法及装置
CN117549205A (zh) * 2024-01-11 2024-02-13 东晶电子金华有限公司 一种石英晶片的抛光方法
CN117697613A (zh) * 2023-12-22 2024-03-15 上海强华实业股份有限公司 应用于石英产品研磨设备的识别与研磨控制方法及系统
CN117773750A (zh) * 2023-12-15 2024-03-29 苏州晶淼半导体设备有限公司 一种用于清洗的多机械臂协同控制系统
CN117773750B (zh) * 2023-12-15 2024-05-31 苏州晶淼半导体设备有限公司 一种用于清洗的多机械臂协同控制系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101644915A (zh) * 2009-08-26 2010-02-10 中国人民解放军国防科学技术大学 基于去除函数预测模型的计算机控制抛光方法
JP2013115396A (ja) * 2011-12-01 2013-06-10 Disco Abrasive Syst Ltd 板状基板の割れ検知方法
TW201837759A (zh) * 2017-02-24 2018-10-16 荷蘭商Ａｓｍｌ荷蘭公司 藉由機器學習來判定製程模型之方法
CN110328575A (zh) * 2019-05-09 2019-10-15 东北大学 一种光学硬脆材料抛光加工表面形貌的预测方法
CN111203805A (zh) * 2020-01-08 2020-05-29 苏州德龙激光股份有限公司 全自动修复玻璃划痕的方法
CN112454014A (zh) * 2020-10-29 2021-03-09 中国工程物理研究院激光聚变研究中心 一种红外透明陶瓷晶粒尺寸的测量方法
CN116026835A (zh) * 2022-11-22 2023-04-28 深圳市志奋领科技有限公司 辅料自动检测装置、方法及系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101644915A (zh) * 2009-08-26 2010-02-10 中国人民解放军国防科学技术大学 基于去除函数预测模型的计算机控制抛光方法
JP2013115396A (ja) * 2011-12-01 2013-06-10 Disco Abrasive Syst Ltd 板状基板の割れ検知方法
TW201837759A (zh) * 2017-02-24 2018-10-16 荷蘭商Ａｓｍｌ荷蘭公司 藉由機器學習來判定製程模型之方法
CN110328575A (zh) * 2019-05-09 2019-10-15 东北大学 一种光学硬脆材料抛光加工表面形貌的预测方法
CN111203805A (zh) * 2020-01-08 2020-05-29 苏州德龙激光股份有限公司 全自动修复玻璃划痕的方法
CN112454014A (zh) * 2020-10-29 2021-03-09 中国工程物理研究院激光聚变研究中心 一种红外透明陶瓷晶粒尺寸的测量方法
CN116026835A (zh) * 2022-11-22 2023-04-28 深圳市志奋领科技有限公司 辅料自动检测装置、方法及系统

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117415682A (zh) * 2023-11-29 2024-01-19 深圳市摆渡微电子有限公司 钨钢喷嘴的加工抛光方法及装置
CN117415682B (zh) * 2023-11-29 2024-05-24 深圳市摆渡微电子有限公司 钨钢喷嘴的加工抛光方法及装置
CN117773750A (zh) * 2023-12-15 2024-03-29 苏州晶淼半导体设备有限公司 一种用于清洗的多机械臂协同控制系统
CN117773750B (zh) * 2023-12-15 2024-05-31 苏州晶淼半导体设备有限公司 一种用于清洗的多机械臂协同控制系统
CN117697613A (zh) * 2023-12-22 2024-03-15 上海强华实业股份有限公司 应用于石英产品研磨设备的识别与研磨控制方法及系统
CN117697613B (zh) * 2023-12-22 2024-05-07 上海强华实业股份有限公司 应用于石英产品研磨设备的识别与研磨控制方法及系统
CN117549205A (zh) * 2024-01-11 2024-02-13 东晶电子金华有限公司 一种石英晶片的抛光方法
CN117549205B (zh) * 2024-01-11 2024-04-02 东晶电子金华有限公司 一种石英晶片的抛光方法

Similar Documents

Publication Publication Date Title
CN116985021A (zh) 一种智能抛光装置和方法
US7306506B2 (en) In-situ chemical-mechanical planarization pad metrology using ultrasonic imaging
US5658183A (en) System for real-time control of semiconductor wafer polishing including optical monitoring
TWI657894B (zh) 研磨方法及研磨裝置
US5851135A (en) System for real-time control of semiconductor wafer polishing
US6495463B2 (en) Method for chemical mechanical polishing
JP2003042721A (ja) 薄膜の膜厚計測方法及びその装置並びにそれを用いたデバイスの製造方法
KR102494957B1 (ko) 편평한 피가공재의 두께 측정 방법
CN101804589A (zh) 加工半导体用人造石英玻璃基板的方法
US6354908B2 (en) Method and apparatus for detecting a planarized outer layer of a semiconductor wafer with a confocal optical system
CN114161240A (zh) 一种磨削面形预测方法、磨削系统及终端设备
TWI826943B (zh) 用於對保持環評估拋光及優化拋光的方法以及包括執行該方法的電腦程式編碼的非瞬態電腦可讀媒體
JP2012137484A (ja) 三次元表面の計測装置及び方法
TWI724182B (zh) 用於化學機械研磨的自動配方的產生的方法、電腦可讀式儲存媒體及系統
US7988529B2 (en) Methods and tools for controlling the removal of material from microfeature workpieces
TW202339900A (zh) 雙面研磨裝置及雙面研磨方法
JP2002059364A (ja) 平面研磨装置
US20240075580A1 (en) Surface property measuring system, surface property measuring method, polishing apparatus, and polishing method
US20220395956A1 (en) Method and apparatus for in-situ monitoring of chemical mechanical planarization (cmp) processes
CN117066977B (zh) 一种芯片超薄研磨切割方法
US20080245958A1 (en) System and method to create haze standard
JP2024048886A (ja) ワークピースの膜厚測定の異常を検出する方法
CN118119480A (zh) 用于化学机械平坦化cmp工艺的原位监控的方法和装置
CN114563981A (zh) 一种微小间隙非接触测量调控装置及方法
JP2004174622A (ja) 研磨方法及び研磨システム

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