CN117111646A - 一种蚀刻液浓度自动控制系统 - Google Patents
一种蚀刻液浓度自动控制系统 Download PDFInfo
- Publication number
- CN117111646A CN117111646A CN202311163742.1A CN202311163742A CN117111646A CN 117111646 A CN117111646 A CN 117111646A CN 202311163742 A CN202311163742 A CN 202311163742A CN 117111646 A CN117111646 A CN 117111646A
- Authority
- CN
- China
- Prior art keywords
- concentration
- etching solution
- etching
- control unit
- time
- 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
- 238000005530 etching Methods 0.000 title claims abstract description 166
- 238000002156 mixing Methods 0.000 claims abstract description 50
- 239000007788 liquid Substances 0.000 claims abstract description 49
- 238000000034 method Methods 0.000 claims abstract description 26
- 230000008569 process Effects 0.000 claims abstract description 24
- 239000003085 diluting agent Substances 0.000 claims abstract description 20
- 230000001502 supplementing effect Effects 0.000 claims abstract description 10
- 239000013589 supplement Substances 0.000 claims abstract description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 238000010801 machine learning Methods 0.000 claims description 16
- 230000007246 mechanism Effects 0.000 claims description 12
- 238000009826 distribution Methods 0.000 claims description 10
- 239000000126 substance Substances 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 6
- 230000007787 long-term memory Effects 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 230000015654 memory Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 239000012530 fluid Substances 0.000 abstract description 15
- 238000001802 infusion Methods 0.000 abstract description 7
- 239000000243 solution Substances 0.000 description 77
- 238000002637 fluid replacement therapy Methods 0.000 description 17
- 230000000694 effects Effects 0.000 description 13
- 230000008859 change Effects 0.000 description 12
- 238000012545 processing Methods 0.000 description 12
- 239000000463 material Substances 0.000 description 7
- 230000003993 interaction Effects 0.000 description 5
- 230000007774 longterm Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000006403 short-term memory Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010790 dilution Methods 0.000 description 2
- 239000012895 dilution Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000004377 microelectronic Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000000053 physical method Methods 0.000 description 1
- 230000000379 polymerizing effect Effects 0.000 description 1
- 239000011541 reaction mixture Substances 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D11/00—Control of flow ratio
- G05D11/02—Controlling ratio of two or more flows of fluid or fluent material
- G05D11/13—Controlling ratio of two or more flows of fluid or fluent material characterised by the use of electric means
- G05D11/139—Controlling ratio of two or more flows of fluid or fluent material characterised by the use of electric means by measuring a value related to the quantity of the individual components and sensing at least one property of the mixture
-
- 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)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- ing And Chemical Polishing (AREA)
Abstract
本发明提供一种蚀刻液浓度自动控制系统,涉及蚀刻液浓度控制领域主要由浓度传感器、控制单元、自动补液装置及混合装置构成。该系统的浓度传感器用于实时测量蚀刻液的浓度并将实时浓度传输到控制单元。控制单元接收浓度传感器传输的实时浓度,并根据预设的浓度标准和浓度测量值进行对比,然后根据对比结果决定是否需要进行浓度调节。自动补液装置在接收到控制单元的命令后,向蚀刻液中添加蚀刻剂或稀释液。混合装置在自动补液装置补液后启动,确保蚀刻液浓度均匀。本系统实现了蚀刻液浓度的自动、精确控制,优化了蚀刻过程,提高了蚀刻效率和质量。
Description
技术领域
本申请涉及蚀刻液浓度控制领域,尤其涉及一种蚀刻液浓度自动控制系统。
背景技术
在微电子制造和其他材料处理行业中,蚀刻过程是非常重要的一个环节。蚀刻液的浓度是影响蚀刻质量和效率的关键因素之一。过高或过低的蚀刻液浓度都可能导致蚀刻效果不理想,或者对材料产生不必要的损伤。因此,对蚀刻液的浓度进行精确且实时的控制至关重要。
然而,现有的蚀刻液浓度控制技术往往存在一些问题。例如,传统的控制系统主要依赖于手动操作,不仅操作复杂,而且精度难以保证。此外,一些自动控制系统虽然能够实现实时浓度监测,但对浓度的调节反应速度慢,不能有效应对蚀刻过程中的快速浓度变化。还有一些系统虽然采用了机器学习或其他先进的控制算法,但对蚀刻液浓度的预测和控制仍不够精确,无法达到最佳的蚀刻效果。
因此,迫切需要一种新的蚀刻液浓度自动控制系统,该系统能够实现实时、精确的蚀刻液浓度监测和调节,提高蚀刻效率和质量。
发明内容
本申请提供一种蚀刻液浓度自动控制系统,以提高蚀刻效率和质量。
该系统包括:浓度传感器,用于实时测量蚀刻液的浓度,并将实时浓度传输到控制单元;控制单元,用于接收来自浓度传感器的实时浓度,并根据预设的浓度标准和实时浓度进行对比,然后根据对比结果决定是否需要进行浓度调节;自动补液装置,用于根据控制单元的命令,向蚀刻液中添加蚀刻剂或稀释液;混合装置,用于在补液装置补液后启动,确保蚀刻液浓度均匀。
更进一步地,所述的浓度传感器在蚀刻液中多点设置,以实现对蚀刻液浓度的精确测量。
更进一步地,所述控制单元具体用于,接收来自位于蚀刻液中多点设置的多个浓度传感器发送的数据,并采用分区浓度均衡算法对接收到的数据进行处理,以获得蚀刻液的总体浓度分布。
更进一步地,所述分区浓度均衡算法通过分析各个浓度传感器的浓度数据,识别出浓度分布的不均匀区域,并优先调节这些区域的蚀刻液浓度,以实现蚀刻液浓度的均衡。
更进一步地,所述控制单元使用一种基于注意力机制增强的长短期记忆网络的机器学习模型,该模型接收处理过的历史浓度数据,包含蚀刻液的实时浓度,以及蚀刻液和补液的物理和化学特性等因素,利用注意力机制关注对预测结果影响较大的信息。
更进一步地,所述基于注意力机制增强的长短期记忆网络通过优化损失函数进行训练,训练完成后,模型被用于预测未来的浓度变化。
更进一步地,所述控制单元采用自适应浓度调节算法来实现对蚀刻液浓度的精确调节,其中该算法将实时的浓度数据与预设浓度阈值进行比较,并结合基于机器学习模型的预测结果来决定是否需要进行浓度调节。
更进一步地,所述自适应浓度调节算法在决定进行浓度调节时,会计算调节量,该调节量由实时浓度、预测浓度、以及蚀刻液和补液的物理和化学特性等因素共同决定。
更进一步地,所述的自动补液装置根据控制单元的指令,确定添加蚀刻剂还是稀释液,以及添加的量。
更进一步地,所述混合装置包含一个旋转搅拌器。
本申请提供的蚀刻液浓度自动控制系统主要由浓度传感器、控制单元、补液装置和混合装置组成,每个部分都发挥着重要的作用。首先,浓度传感器能够实时测量蚀刻液的浓度,为后续的控制决策提供基础数据,这是自动控制的基础。控制单元接收传感器传输的数据,并根据预设的浓度标准和实时浓度进行对比,然后决定是否需要进行浓度调节,这体现了系统的主动性和灵活性。其次,补液装置根据控制单元的指令,向蚀刻液中添加蚀刻剂或稀释液,这是调节蚀刻液浓度的关键步骤。通过对补液装置的控制,可以精确地调节蚀刻液的浓度,达到理想的蚀刻效果。同时,混合装置的设置,可以在补液后确保蚀刻液浓度均匀,进一步提高了蚀刻的稳定性和效果。
本申请带来的有益技术效果包括:
(1)提高蚀刻效果:通过实时测量和自动调节蚀刻液的浓度,可以更准确地控制蚀刻过程,从而提高蚀刻的精度和质量。这对于精细的制造或工艺过程,如半导体制造、金属雕刻等,具有重要意义。
(2)提高蚀刻效率:通过自动化的浓度控制,可以减少人工干预和测量错误,从而提高蚀刻过程的效率,减少浪费的时间和资源。
(3)保证浓度均匀性:混合装置能在补液后确保蚀刻液浓度均匀,进一步提高蚀刻的稳定性和效果,降低蚀刻过程中的不确定性。
附图说明
图1是本申请第一实施例提供的一种蚀刻液浓度自动控制系统的示意图。
图2是本申请第一实施例涉及的一个以注意力机制增强的长短期记忆网络为基础的机器学习模型的示意图。
具体实施方式
在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本申请内涵的情况下做类似推广,因此本申请不受下面公开的具体实施的限制。
本申请第一实施例提供一种蚀刻液浓度自动控制系统。请参看图1,该图为本申请第一实施例的示意图。以下结合图1对本申请第一实施例提供一种蚀刻液浓度自动控制系统进行详细说明。
蚀刻液浓度自动控制系统100包括浓度传感器102,控制单元104,自动补液装置106,以及混合装置108。
浓度传感器102,用于测量蚀刻液槽中蚀刻液的浓度,并将浓度测量值传输到控制单元。
浓度传感器102是蚀刻液浓度自动控制系统中的关键部件,主要负责实时监测蚀刻液槽中蚀刻液的浓度。它的工作原理通常基于化学或物理的方法,例如电导法、光学法、电化学法等。
例如,本实施例可以选用一种光学传感器,它通过发出一束光,然后测量通过蚀刻液后的光强来确定浓度。当蚀刻液浓度增加时,通过的光强会减弱,反之则会增强。这种变化可以转化为电信号,进而得到浓度的测量值。
或者,本实施例也可以选用一种电化学传感器,它通过测量蚀刻液的电导率或电阻率来确定浓度。因为蚀刻液的浓度越高,其电导率也就越高,反之则越低。
不论是哪种类型的浓度传感器,其主要目标都是将实时测量到的蚀刻液浓度转换为电信号,并将这些电信号传输到控制单元。这些信号会被控制单元用于计算和决定是否需要对蚀刻液进行调节,以保证蚀刻液的浓度始终保持在最佳状态。
在本实施例中,可以在蚀刻液槽中多点设置浓度传感器,以获取更全面和准确的浓度数据。这样,无论蚀刻液的液位高低,或者液体的混合程度如何,浓度的变化情况都能够被准确捕捉到。
具体而言,浓度传感器不仅在蚀刻液槽的上下左右四个方向设置,还在蚀刻液槽的中心位置设置传感器。这样,无论蚀刻液的液位高低,浓度变化的情况都能够被准确捕捉到。这种布局策略可以提供更多的浓度数据,有助于控制单元更好地理解蚀刻液的浓度分布,从而做出更准确的调节决策。
此外,为了适应蚀刻液槽的不同大小和形状,这个浓度传感器布局策略还可以进行相应的调整。例如,对于较大的蚀刻液槽,可以增加传感器的数量和分布密度,以保证浓度测量的全面性和准确性。
在一些特定的情况下,本实施例甚至可以使用传感器阵列或者传感器网格,以实现对蚀刻液浓度的三维测量。这种创新性的布局策略,可以帮助更好地理解蚀刻液浓度的动态变化,进一步提高蚀刻的效果和效率。
控制单元104,用于接收来自浓度传感器的测量浓度数据,并根据预设的浓度标准和浓度测量值进行对比,然后根据对比结果决定是否需要进行浓度调节。
下面对于控制单元104的具体实施步骤进行详细说明。
步骤S401数据输入:从浓度传感器接收实时的浓度数据,并通过机器学习模型进行预测,得到未来一段时间内的浓度预测值。
控制单元104接收到蚀刻液中多点设置的多个传感器发送的数据后,会通过本实施例首次提出的一个名为"分区浓度均衡算法(Zonal Concentration BalancingAlgorithm, ZCBA)对数据进行处理,得出蚀刻液的总体浓度分布。然后将总体浓度分布送入一个机器学习模型进行预测,得到未来一段时间内的浓度预测值。ZCBA旨在维持整个蚀刻液的均衡浓度,避免局部的浓度偏差影响整个蚀刻过程。
以下是ZCBA算法的具体实现:
(1)数据收集与处理:收集多点浓度传感器的数据,每个浓度传感器代表一个蚀刻液的区域,通过这些数据,可以得到每个区域的浓度信息。对这些数据进行预处理,例如归一化或者标准化。
(2)总体浓度分布计算:将所有区域的浓度信息进行聚合,得到蚀刻液的总体浓度分布。这一步可以通过一些统计方法,比如加权平均法、中位数法等,得到总体的浓度分布。
(3)区域浓度偏差判断:通过比较每个区域的浓度与总体浓度分布,计算每个区域的浓度偏差。如果某个区域的浓度偏离预设值的阈值,该区域就被认为是一个"问题区域"。
(4)问题区域处理:对于每个"问题区域",根据其浓度偏差的大小和方向(是否过高或过低),控制单元会计算出需要添加的蚀刻剂或稀释液的量,并指示自动补液装置进行操作。
(4)反馈和优化:在处理后,控制单元会持续监测每个区域的浓度变化。通过机器学习的方式,ZCBA算法可以学习每次添加蚀刻剂或稀释液后浓度的变化情况,以此优化添加的量和时间,从而实现更精确的浓度调节。
ZCBA算法的创新之处在于,它不仅关注整体的浓度分布,而且能够识别并处理局部的浓度偏差,实现精细的浓度调节。同时,通过机器学习的方式,ZCBA能够自我优化,提高调节的效率和准确度。
在液体蚀刻过程中,蚀刻液浓度的变化是由许多因素影响的,例如:
(1)蚀刻过程:当蚀刻液用于蚀刻物料时,蚀刻液中的活性成分会逐渐被消耗,因此蚀刻液的浓度会随着蚀刻过程的进行而逐渐下降。
(2)补液过程:为了维持蚀刻液的有效浓度,通常需要定期向蚀刻液中添加新的蚀刻剂或稀释液。这个过程会导致蚀刻液的浓度发生短暂的变化。
(3)环境因素:温度、压力、湿度等环境因素也可能影响蚀刻液的浓度。例如,当温度升高时,蚀刻液中的水分可能会蒸发,导致浓度上升。
由于这些因素的影响,蚀刻液浓度的变化通常是一个复杂的时间序列问题。为了更准确地预测浓度变化,本实施例需要使用一种能够处理时间序列数据的机器学习模型。
为了应对液体蚀刻过程中浓度变化的问题,本实施例首次提出一个以注意力机制增强的长短期记忆网络(Attention-Enhanced LSTM,即AELSTM)为基础的机器学习模型。注意力机制可以帮助模型更好地关注对预测结果影响较大的输入信息,进而提高预测的准确性。
以下结合图2详细说明AELSTM模型的基本构造:
输入层4002:输入层接收处理过的历史浓度数据,这些数据可以包含(1)历史浓度数据,可以包括过去一段时间内(如过去24小时、过去7天等)蚀刻液的浓度数据。这些数据能够帮助模型理解蚀刻液浓度的变化趋势和周期性。(2)蚀刻过程参数:包括蚀刻速度、蚀刻物料类型、蚀刻液体积等,这些参数影响蚀刻液的消耗速率,从而影响浓度。(3)环境参数:如温度、湿度、压力等,这些参数可能影响蚀刻液的蒸发和化学反应速度,从而影响浓度。(4)补液信息:包括补液时间、补液量、补液类型(是添加新的蚀刻剂还是添加稀释液)等,这些信息能够影响蚀刻液的浓度。需要指出,在输入到模型之前,这些数据需要经过归一化或标准化等预处理。
LSTM层4004:LSTM层接收输入层的数据,并进行处理。LSTM网络具有处理时间序列数据的优势,能有效地捕捉时间序列中的长期依赖关系。
LSTM(Long Short-Term Memory)是一种特殊的递归神经网络(RNN)架构,它被设计出来为了解决标准RNN在处理长序列时的长期依赖问题。在处理实际的序列数据,如语音、文本、金融时间序列等时,常常需要依赖远期的信息,而标准的RNN由于梯度消失或梯度爆炸的问题,难以捕捉这些长期依赖。LSTM通过引入了门机制和记忆单元,有效地解决了这个问题。
本实施例提供的LSTM层4004,主要负责处理从输入层接收来的数据。具体来说,这个过程包含以下步骤:
(1)遗忘门:决定哪些信息从细胞状态中遗忘或丢弃。这是通过一个sigmoid层完成的,这个层会查看输入和上一个隐藏状态,并输出一个0到1之间的数值给每个数在细胞状态中。1表示“完全保留”,0表示“完全丢弃”。
(2)输入门和候选细胞状态:决定哪些新信息被存储在细胞状态中。这包含两部分,一个sigmoid层决定将更新哪些值,可以称之为输入门层。然后一个tanh层创建一个新的候选值向量,可能会被添加到状态中,这可以帮助更新状态。
(3)更新细胞状态:结合上面的步骤,现在可以更新旧的细胞状态C_{t-1}更新到新的细胞状态C_t。
(4)输出门和隐藏状态:最后,需要决定输出什么值。输出将会基于本实施例的细胞状态,但是会是一个过滤过的版本。首先,运行一个sigmoid层来决定细胞状态的哪个部分将输出出来。然后,把细胞状态通过tanh(得到一个值在-1到1之间的值)并将它和sigmoid门的输出相乘,最终只会输出决定输出的那部分。
通过上述过程,LSTM层4004能够捕捉和保留输入数据中的长期依赖信息,对于时间序列预测任务,如预测未来的浓度变化,具有很高的效率和准确性。
注意力层4006:注意力层接收LSTM层的输出,并通过注意力机制,对每个时间步的输出进行权重分配,更关注对预测结果影响较大的信息。
注意力机制是深度学习模型中的一种重要技术,它可以帮助模型在处理输入信息时,对于重要的部分给予更多的关注。具体来说,注意力机制能够为输入的每一部分赋予一个权重,这个权重反映了这部分信息对于最后的输出结果的重要性。通过这种方式,模型可以对关键的信息进行重点处理,从而提高预测的准确性。
本实例提供的注意力层4006,主要负责处理从LSTM层接收来的数据。具体来说,这个过程包含以下步骤:
(1)计算权重:首先,注意力层需要计算每个时间步的权重。这个权重通常是根据输入数据和当前的状态计算得出的。一种常见的方法是使用一个小型的神经网络(称为注意力网络)来进行计算。注意力网络会接收输入数据和当前的状态,然后输出一个权重值。
(2)应用权重:计算出权重后,注意力层会将这些权重应用到输入数据上。这通常是通过将每个时间步的数据乘以其对应的权重来实现的。
(3)计算输出:最后,注意力层会将经过权重调整的数据进行合并,得到最后的输出。这通常是通过求和或者平均等方法来实现的。
通过这种方式,注意力层4006可以将模型的关注点集中在对预测结果影响较大的部分,从而提高预测的准确性。在处理时间序列数据时,这个特性尤其有用,因为在这种数据中,通常只有一部分信息对于预测结果具有关键影响。
输出层4008:输出层接收注意力层的输出,并输出预测的未来浓度,这可能是未来一段时间(如未来1小时、未来24小时等)的浓度预测。这个预测值将被用于控制单元进行浓度调节决策,如是否需要补液,以及补液的类型和量。
步骤S402阈值判断:首先,通过比较实时浓度与预设浓度阈值进行判断。如果实时浓度超过预设阈值的上限或下限,则直接决定需要调节,并转到步骤S404;否则,进入步骤S403。
预设浓度阈值由可以由预设的浓度标准确定。例如,可以将预设阈值的上限确定为预设浓度标准的120%,将预设阈值的下限确定为预设浓度标准的80%。这里的预设浓度标准通常是根据具体的蚀刻任务、所使用的材料、蚀刻液的类型等因素设定的。设定这个标准的主要目的是为了保证蚀刻过程的效果和效率。
以下是如何得到预设的浓度标准的一些例子:
实验得出:通过对特定材料和蚀刻液进行一系列的实验,可以确定在什么浓度标准,蚀刻的效果最佳。这种方法最为直接和准确,但可能需要较大的时间和资源投入。
查阅资料:查阅相关的文献和材料,获取在特定条件下蚀刻的最佳浓度标准。这种方法依赖于已有的研究结果,快速并且容易操作。
制造商推荐:蚀刻液的制造商通常会提供一些推荐的使用浓度标准。这些推荐值通常能够在大多数情况下提供良好的蚀刻效果。
步骤S403概率判断:如果实时浓度处于预设阈值范围内,则利用机器学习模型的预测结果进行判断。具体来说,本实施例计算未来一段时间内预测浓度超过阈值的概率,如果这个概率超过了一个设定的阈值(如50%),则决定需要进行调节。
在本实施例的算法中,长短期记忆网络(LSTM)用于预测未来一段时间内的浓度变化。由于LSTM的输出是一个连续的值,本实施例需要将其转化为二元分类问题,即预测的浓度是否会超过阈值。为了实现这一转化,
可以应用逻辑回归或其他适合的分类模型。
设本实施例的LSTM模型预测了未来n个时间点的浓度值为{C1, C2, ..., Cn},预设的阈值为T,本实施例可以创建一个长度为n的标签数组,其中每个标签i为:
if Ci > T:
label[i] = 1
else:
label[i] = 0
接下来,本实施例需要用这个标签数组来训练一个逻辑回归模型。该模型的输出即为未来每个时间点浓度超过阈值的概率{P1, P2, ..., Pn}。
如果希望在预测浓度超过阈值的概率超过50%时就进行调节,可以计算所有预测概率的平均值:
P_avg = (P1 + P2 + ... + Pn) / n
如果P_avg > 0.5,则决定进行调节。
这样,本实施例就能够根据未来一段时间内的预测浓度超过阈值的概率,来做出是否进行调节的决策。需要注意的是,这个50%的阈值并不是唯一的,实际应用中可能需要通过实验来确定最优的阈值。
步骤S404调节决策:如果决定需要进行调节,则计算调节量。这个调节量可以由实时浓度、预测浓度、以及蚀刻液和补液的物理和化学特性等因素共同决定。例如,本实施例可以设计一个公式或模型,将这些因素作为输入,输出调节量。
本实施例提供一个动态浓度调节模型(Dynamic Concentration AdjustmentModel, DCAM)来输出调节量。DCAM将实时浓度、预测浓度、蚀刻液和补液的物理和化学特性等因素作为输入,输出调节量。
DCAM模型可以用以下公式表示:
C_adj = α*(C_t - C_p) + β*(C_p - C_f) + γ*F(Φ)
其中:
C_adj 是调节量。
C_t 是目标浓度(预设浓度标准)。
C_p 是当前的实时浓度。
C_f 是预测的未来浓度。
Φ 是一个向量,包含了蚀刻液和补液的物理和化学特性,比如酸碱度(pH)、温度、电导率等。
F 是一个函数,将Φ转换为一个可以直接影响调节量的值。这个函数可能是线性的,也可能是非线性的,具体的形式需要根据实验数据来确定。
α、β 和 γ 是权重系数,用于调整各个因素对调节量的影响。这些系数可以通过机器学习方法(例如梯度下降法)来学习和优化。
公式中,第一项α*(C_t - C_p)表示目标浓度和实时浓度之间的差距,第二项β*(C_p - C_f)表示预测的浓度变化,第三项γ*F(Φ)表示物理和化学特性的影响。通过调节α、β和γ的值,可以实现对调节量的精细控制。
这个模型的创新之处在于,它结合了实时浓度、预测浓度和物理化学特性等多个因素,通过一个统一的框架来计算调节量。这将使得浓度调节更加准确和有效,提高蚀刻质量。
步骤S405执行调节:控制单元向自动补液装置发送控制信号,指示其按照计算出的调节量向蚀刻液中添加蚀刻剂或稀释液。在此过程中,控制单元需要实时监测浓度的变化,并根据需要动态调整补液装置的工作状态。
补液装置106,用于根据控制单元的命令,向蚀刻液中添加蚀刻剂或稀释液。
补液装置106是蚀刻液浓度自动控制系统的关键部分,它负责执行控制单元的指令,以调节蚀刻液的浓度。
如果当前浓度C_current比预设浓度C_target高,说明蚀刻液浓度过高,需要稀释。此时,控制单元会发送一个指令给补液装置106,告知它需要向蚀刻液中添加一定量的稀释液。补液装置106会根据指令,通过调节阀门或泵的工作状态,将精确的稀释液量加入到蚀刻液中。
反之,如果当前浓度C_current比预设浓度C_target低,说明蚀刻液浓度过低,需要增加蚀刻剂。此时,控制单元会发送一个指令给补液装置106,告知它需要向蚀刻液中添加一定量的蚀刻剂。补液装置106会根据指令,通过调节阀门或泵的工作状态,将精确的蚀刻剂量加入到蚀刻液中。
混合装置108,用于在补液装置补液后启动,确保蚀刻液浓度均匀。
混合装置108是蚀刻液浓度自动控制系统的关键组件,它的主要职责是确保补液装置添加的蚀刻剂或稀释液能够快速并均匀的混合到蚀刻液中,防止蚀刻液的浓度在不同区域出现显著的差异。
其工作流程可以如下所示:
(1)控制单元104决定需要进行浓度调节后,向补液装置106发出指令,补液装置随后添加一定量的蚀刻剂或稀释液到蚀刻液中。
(2)控制单元104在发出补液指令的同时或补液完成后,将发送一个指令给混合装置108,通知其启动。
(3)混合装置108可能包含一个或多个搅拌器,叶轮,喷嘴等设备,这些设备会在接收到指令后开始工作。例如,如果混合装置是一个搅拌器,它会开始旋转,通过物理力量将蚀刻液中的不同部分混合在一起。
(4)混合装置108会持续工作一段时间,直到蚀刻液的浓度在各个区域都趋于一致。这个时间的长度可能依赖于多种因素,例如蚀刻液的体积,混合装置的功率,以及添加的蚀刻剂或稀释液的数量等。
控制单元104在混合过程中会持续接收来自浓度传感器102的数据,如果数据显示蚀刻液的浓度已经均匀,那么控制单元103会发送一个指令停止混合装置108的工作。
通过以上步骤,混合装置108可以确保蚀刻液的浓度在各个区域保持一致,从而提高蚀刻的效果和效率。
混合装置108的工作参数可能包括以下几个方面:
混合速度:即混合装置的旋转或振动速度,通常用转速(rpm)或振动频率(Hz)来表示。混合速度越快,添加的蚀刻剂或稀释液就可以更快地混合到蚀刻液中。但如果混合速度过快,可能会导致液体溅出或产生过多的气泡。因此,需要根据实际情况来调整混合速度。
混合时间:即混合装置工作的持续时间。混合时间的长短会直接影响蚀刻液的浓度均匀性。一般来说,混合时间越长,浓度分布就越均匀。但如果混合时间过长,可能会导致能源浪费和设备磨损。因此,需要根据实际情况来设定合适的混合时间。
混合模式:包括间歇混合和连续混合两种。间歇混合是指在添加蚀刻剂或稀释液后启动混合装置,混合一段时间后停止;连续混合是指混合装置在整个蚀刻过程中都在工作。不同的混合模式适用于不同的应用场景。
这些参数可以根据系统的实际需求和浓度控制效果进行调整。例如,如果控制单元104发现添加的蚀刻剂或稀释液混合得不够均匀,可以适当增加混合速度或混合时间;如果控制单元104发现混合装置的能耗过高,可以尝试改变混合模式,或者优化混合装置的设计和工作方式。
本实施例提供的蚀刻液浓度自动控制系统还可以包括数据记录和学习模块。
数据记录和学习模块是整个蚀刻液浓度自动控制系统中的一个重要组件,它与其他组件的交互关系如下:
与浓度传感器的交互:数据记录和学习模块会接收来自浓度传感器的实时数据,这些数据包括每个传感器测量的蚀刻液浓度、时间戳等信息。此外,这个模块还会记录传感器的工作状态,例如是否正常工作、是否需要校准等。
与控制单元的交互:数据记录和学习模块会将收集到的数据发送到控制单元。在控制单元中,这些数据将被用于驱动机器学习模型进行蚀刻液浓度预测和调节决策。
与自动补液装置的交互:当控制单元决定需要进行浓度调节时,数据记录和学习模块会记录补液的时间、补液量、补液类型(添加新的蚀刻剂还是添加稀释液)等信息。
与混合装置的交互:数据记录和学习模块会记录混合装置的工作状态,例如混合的开始时间、结束时间、混合速度等。
此外,数据记录和学习模块还有一个重要的任务,就是学习和优化蚀刻过程。为了实现这个任务,模块会使用机器学习技术,从历史数据中学习蚀刻液浓度的变化规律、补液的效果等信息,然后通过调整控制单元的预设浓度标准、补液策略等参数,优化蚀刻过程,提高蚀刻效率和质量。
因此,数据记录和学习模块是系统中的“大脑”,它不仅记录和管理所有的数据,还通过学习和优化,使系统能够适应不同的工作环境,持续改进蚀刻效果。
本申请虽然以较佳实施例公开如上,但其并不是用来限定本申请,任何本领域技术人员在不脱离本申请的精神和范围内,都可以做出可能的变动和修改,因此本申请的保护范围应当以本申请权利要求所界定的范围为准。
Claims (10)
1.一种蚀刻液浓度自动控制系统,其特征在于,该系统包括:
浓度传感器,用于实时测量蚀刻液的浓度,并将实时浓度传输到控制单元;
控制单元,用于接收来自浓度传感器的实时浓度,并根据预设的浓度标准和实时浓度进行对比,然后根据对比结果决定是否需要进行浓度调节;
自动补液装置,用于根据控制单元的命令,向蚀刻液中添加蚀刻剂或稀释液;
混合装置,用于在补液装置补液后启动,确保蚀刻液浓度均匀。
2.根据权利要求1所述的蚀刻液浓度自动控制系统,其特征在于,所述的浓度传感器在蚀刻液中多点设置,以实现对蚀刻液浓度的精确测量。
3.根据权利要求2所述的蚀刻液浓度自动控制系统,其特征在于,所述控制单元具体用于,接收来自位于蚀刻液中多点设置的多个浓度传感器发送的数据,并采用分区浓度均衡算法对接收到的数据进行处理,以获得蚀刻液的总体浓度分布。
4.根据权利要求3所述的蚀刻液浓度自动控制系统,其特征在于,所述分区浓度均衡算法通过分析各个浓度传感器的浓度数据,识别出浓度分布的不均匀区域,并优先调节这些区域的蚀刻液浓度,以实现蚀刻液浓度的均衡。
5.根据权利要求1所述的蚀刻液浓度自动控制系统,其特征在于,所述控制单元使用一种基于注意力机制增强的长短期记忆网络的机器学习模型,该模型接收处理过的历史浓度数据,包含蚀刻液的实时浓度,以及蚀刻液和补液的物理和化学特性因素,利用注意力机制关注对预测结果影响较大的信息。
6.根据权利要求5所述的蚀刻液浓度自动控制系统,其特征在于,所述基于注意力机制增强的长短期记忆网络通过优化损失函数进行训练,训练完成后,模型被用于预测未来的浓度变化。
7.根据权利要求1所述的蚀刻液浓度自动控制系统,其特征在于,所述控制单元采用自适应浓度调节算法来实现对蚀刻液浓度的精确调节,其中该算法将实时的浓度数据与预设浓度阈值进行比较,并结合基于机器学习模型的预测结果来决定是否需要进行浓度调节。
8.根据权利要求7所述的蚀刻液浓度自动控制系统,其特征在于,所述自适应浓度调节算法在决定进行浓度调节时,会计算调节量,该调节量由实时浓度、预测浓度、以及蚀刻液和补液的物理和化学特性因素共同决定。
9.根据权利要求1所述的蚀刻液浓度自动控制系统,其特征在于,所述的自动补液装置根据控制单元的指令,确定添加蚀刻剂还是稀释液,以及添加的量。
10.根据权利要求1所述的蚀刻液浓度自动控制系统,其特征在于,所述混合装置包含一个旋转搅拌器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311163742.1A CN117111646B (zh) | 2023-09-10 | 2023-09-10 | 一种蚀刻液浓度自动控制系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311163742.1A CN117111646B (zh) | 2023-09-10 | 2023-09-10 | 一种蚀刻液浓度自动控制系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117111646A true CN117111646A (zh) | 2023-11-24 |
CN117111646B CN117111646B (zh) | 2024-05-24 |
Family
ID=88802028
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311163742.1A Active CN117111646B (zh) | 2023-09-10 | 2023-09-10 | 一种蚀刻液浓度自动控制系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117111646B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117680026A (zh) * | 2024-02-01 | 2024-03-12 | 深圳市盘古环保科技有限公司 | 一种垃圾渗滤液膜浓缩液的处理设备 |
CN117766422A (zh) * | 2024-01-02 | 2024-03-26 | 苏州恩腾半导体科技有限公司 | 一种用于蚀刻薄层的方法和设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR200379727Y1 (ko) * | 2004-12-22 | 2005-03-23 | 정홍주 | 에칭액 제어시스템 |
CN113095550A (zh) * | 2021-03-26 | 2021-07-09 | 北京工业大学 | 基于变分递归网络和自注意力机制的空气质量预测方法 |
CN113820308A (zh) * | 2020-06-18 | 2021-12-21 | 厦门大学 | 一种基于机器视觉的蚀刻液浓度实时监测方法及系统 |
CN114420220A (zh) * | 2022-01-25 | 2022-04-29 | 湖南株冶有色金属有限公司 | 一种湿法炼锌中性浸出过程pH值的预测方法 |
CN116029612A (zh) * | 2023-02-16 | 2023-04-28 | 青岛理工大学 | 一种基于深度学习的城镇污水厂外加碳源精准控制方法 |
CN116614951A (zh) * | 2023-05-23 | 2023-08-18 | 赣州市超跃科技有限公司 | 一种电路板生产控制系统和方法 |
-
2023
- 2023-09-10 CN CN202311163742.1A patent/CN117111646B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR200379727Y1 (ko) * | 2004-12-22 | 2005-03-23 | 정홍주 | 에칭액 제어시스템 |
CN113820308A (zh) * | 2020-06-18 | 2021-12-21 | 厦门大学 | 一种基于机器视觉的蚀刻液浓度实时监测方法及系统 |
CN113095550A (zh) * | 2021-03-26 | 2021-07-09 | 北京工业大学 | 基于变分递归网络和自注意力机制的空气质量预测方法 |
CN114420220A (zh) * | 2022-01-25 | 2022-04-29 | 湖南株冶有色金属有限公司 | 一种湿法炼锌中性浸出过程pH值的预测方法 |
CN116029612A (zh) * | 2023-02-16 | 2023-04-28 | 青岛理工大学 | 一种基于深度学习的城镇污水厂外加碳源精准控制方法 |
CN116614951A (zh) * | 2023-05-23 | 2023-08-18 | 赣州市超跃科技有限公司 | 一种电路板生产控制系统和方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117766422A (zh) * | 2024-01-02 | 2024-03-26 | 苏州恩腾半导体科技有限公司 | 一种用于蚀刻薄层的方法和设备 |
CN117680026A (zh) * | 2024-02-01 | 2024-03-12 | 深圳市盘古环保科技有限公司 | 一种垃圾渗滤液膜浓缩液的处理设备 |
CN117680026B (zh) * | 2024-02-01 | 2024-04-30 | 深圳市盘古环保科技有限公司 | 一种垃圾渗滤液膜浓缩液的处理设备 |
Also Published As
Publication number | Publication date |
---|---|
CN117111646B (zh) | 2024-05-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117111646B (zh) | 一种蚀刻液浓度自动控制系统 | |
US20120116546A1 (en) | Model Predictive Control System and Method for Reduction of Steady State Error | |
US20040049297A1 (en) | Intelligent control for process optimization and parts maintenance | |
WO2020188328A1 (en) | Method of performing a process and optimizing control signals used in the process | |
KR102440372B1 (ko) | 빅데이터 및 인공지능 기반의 하수처리시설의 유입수 환경 정보 관리 방법, 장치 및 컴퓨터-판독가능 기록매체 | |
US11709463B2 (en) | Control method based on adaptive neural network model for dissolved oxygen of aeration system | |
CN113837356A (zh) | 基于融合神经网络的污水处理智能预测方法 | |
JP6764486B2 (ja) | 水処理プラント | |
Li et al. | A modular neural network-based population prediction strategy for evolutionary dynamic multi-objective optimization | |
Scholz-Reiter et al. | Gaussian processes for dispatching rule selection in production scheduling: Comparison of learning techniques | |
CN113298240B (zh) | 一种伺服驱动系统生命周期预测方法及装置 | |
CN114444391A (zh) | 一种基于粒子群优化的氧化风机运行优化算法 | |
CN114186668A (zh) | 一种物联网数据流预测的在线深度学习方法、系统和设备 | |
CN116949452B (zh) | 一种铝蚀刻液的冰醋酸、硝酸及磷酸比率控制系统 | |
CN118062489A (zh) | 刮板输送机链传动张力脉动实时监测与控制系统 | |
CN111766839B (zh) | 一种智能车间调度知识自适应更新的计算机实现系统 | |
CN117973635B (zh) | 决策预测方法、电子设备以及计算机可读存储介质 | |
CN113761788B (zh) | 基于深度学习的scopf快速计算方法及装置 | |
CN117339980B (zh) | 一种聚乳酸酶海洋垃圾降解控制方法及系统 | |
CN117182370A (zh) | 智能焊接优化与误差源分析方法 | |
Niknia et al. | Adaptive Task Assignment for Thermal Management in Multi-Core Processing Systems | |
Pośpiech | Multi-Agent System for Closed Loop Model-Based Control of Dissolved Oxygen Concentration | |
Frost et al. | Productivity improvements through prediction of electrolyte temperature in aluminium reduction cell using BP neural network | |
CN118068871A (zh) | 水库智能水位调整方法 | |
Kumar et al. | Enhancing Computation Offloading In Wireless-Powered Mobile-Edge Computing Networks With Deep Reinforcement Learning For Online Optimization |
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 |