一種用於硬質合金刀片拋光的cmp工藝智能決策系統的製作方法
2023-11-11 13:53:07
一種用於硬質合金刀片拋光的cmp工藝智能決策系統的製作方法
【專利摘要】本發明提供了一種用於硬質合金刀片拋光的CMP工藝智能決策系統，其具體步驟為：CMP工藝參數資料庫的建立；CMP拋光工藝智能決策模塊的建立；CMP拋光質量預測模塊的建立。它將由Access建立CMP拋光工藝參數資料庫與PowerBuilder前端數據開發平臺創建的工藝智能決策模塊、拋光質量預測模塊相連接，使其能對硬質合金刀具CMP拋光加工過程中的工藝路線和工藝參數進行合理決策，能夠科學、智能完成硬質合金刀片CMP加工過程的工藝路線和工藝參數決策，並同時預測拋光質量，實現加工過程高效、穩定。
【專利說明】-種用於硬質合金刀片拋光的CMP工藝智能決策系統
【技術領域】
[0001] 本發明涉及一種用於硬質合金刀片拋光的CMP工藝智能決策系統，能實現CMP工 藝路線和工藝參數的智能決策，並對CMP拋光質量進行預測。
【背景技術】
[0002] 化學機械拋光（Chemical Mechanical Polishing,CMP)加工是通過化學和機械的 協同作用，用硬度低的材料來進行拋光以實現高質量工件表面的加工方法，工件受到外界 載荷的同時與拋光墊做相對運動，藉助於拋光液中納米粒子的研磨作用與化學成分的腐蝕 作用互相結合，以獲得平整無損傷的工件表面。在硬質合金刀片拋光過程中，化學機械拋光 (CMP)不僅能避免機械錶面損傷和提高刀片平整度，而且熱影響小，無疑是未來硬質合金刀 片重要的精密和超精密加工方法之一。但目前CMP實際加工中多通過反覆實驗調配拋光工 藝參數、依靠經驗、半經驗手段控制拋光效果，以上問題造成了拋光質量難以提高，加工過 程不穩定，且現階段硬質合金刀片CMP拋光缺乏有效的拋光工藝及工藝參數決策系統，CMP 加工技術的智能化水平低下。
【發明內容】
[0003] 為了克服上述問題，本發明提供一種用於硬質合金刀片拋光的CMP工藝智能決策 系統，實現了 CMP拋光工藝路線與工藝參數的智能決策，以及拋光質量的預測。
[0004] 本發明的硬質合金刀片拋光的CMP工藝智能決策系統的具體建立步驟為： 1、 CMP工藝參數資料庫的建立； 2、 CMP拋光工藝智能決策模塊的建立； 3、 CMP拋光質量預測模塊的建立。
[0005] 所述的硬質合金刀片拋光的CMP工藝智能決策系統，其特徵在於： 所述步驟1中CMP工藝參數資料庫建立過程如下： 本發明利用Access開發CMP拋光工藝參數資料庫，負責對材料類型、拋光工藝參數、性 能指標等工藝數據的儲存，並與數據前端開發工具Powerbuilder以ODBC形式連接，實現數 據的查詢、條件檢索及數據管理等功能。本發明開發的CMP拋光工藝參數資料庫目前只基 於Nanopoli-100型拋光機，資料庫中收集的變量數據主要有材料類型、工序類別、拋光前 表面粗糙度、磨粒類型與大小、磨粒濃度、拋光壓力、拋光速度、拋光時間、氧化劑體積分數、 拋光後表面粗糙度、材料去除率，數據存儲時遵循同一類型材料同一工序的工藝參數中存 儲的原則。
[0006] 所述步驟2中CMP拋光工藝智能決策模塊建立過程如下： CMP拋光工藝智能決策模塊的建立基於多工序評價指標硬質合金CMP工藝參數，其優 化思路為：以硬質合金刀片CMP拋光正交實驗收集的實驗數據為基礎，對不同的拋光對象， 根據材料類型，在系統中分別設定固定的粗拋、半精拋、精拋階段的初始表面粗糙度，總結 出CMP多工序工藝路線的決策原則，在此基礎上提出CMP多工序工藝路線智能決策模型。之 後利用田口法對每道拋光工序進行優化，由分析各工藝參數對表面粗糙度和材料去除率評 價指標的影響來獲得每道拋光工序分別基於表面粗糙度和材料去除率的最佳工藝參數組 合。然後綜合表面粗糙度和材料去除率評價指標的權重和各工藝參數分別對各上述評價指 標的方差分析結果，得出兼顧加工效率和表面質量的最佳工藝參數組合。
[0007] 所述的工藝智能決策模塊包括下述兩個子模塊： 1)工藝路線決策模塊 本模塊根據實際生產中粗精加工分開的加工工藝特點，根據多工序加工工藝原則，在 大量實驗數據的基礎上提出CMP拋光工藝路線智能決策模型。其包括以下幾個子步驟： 1. 輸入拋光對象材料類型； 2. 輸入工件拋光前表面粗糙度和期望後表面粗糙度； 3. 將兩者與系統設定拋光初始表面粗糙度比較； 4. 將拋光前表面粗糙度與粗拋前表面粗糙度和半精拋前表面粗糙度相比較； 5. 將拋光後期望表面粗糙度與半精拋前表面粗糙度和精拋前表面粗糙度比較； 6. 得出理想的粗拋、半精拋、精拋工藝路線。
[0008] 本模型針對不同的拋光對象，根據其材料類型，在系統中分別設定拋光工序規劃 的參考值。它藉助實例推理，以表面粗糙度為唯一的推理因素，既保證表面質量、提高了硬 質合金刀片加工的效率，又降低了成本。
[0009] 2)工藝參數決策模塊 由工藝路線決策得出的工序組合後，在正交實驗數據的基礎上，以表面粗糙度和材料 去除率為評價指標，利用田口法、方差分析得到了各工藝參數對評價指標的影響程度，獲得 滿足評價條件的工藝參數組合。若資料庫中實例不能滿足要求的情況，則進行規則推理得 到合適工藝參數組合。
[0010] 所述步驟3中拋光質量預測模塊，其特徵在於： 本發明是基於BP神經網絡對硬質合金刀片CMP拋光質量建立預測模型。其以拋光前 表面粗糙度、磨粒大小、磨粒濃度、拋光壓力、拋光速度為BP神經網路的輸入，以為BP神經 網絡的輸出。為保證神經網絡精度，建立了硬質合金刀片CMP拋光質量的訓練樣本集，其分 為訓練樣本和驗證樣本兩個部分，訓練樣本集用於對設計的BP神經網絡進行訓練，驗證樣 本集用來對已訓練好BP神經網絡模型進行測試驗證。訓練時需對輸入輸出數據進行歸一 化處理和對輸出樣本應進行反歸一化處理，通過確定節點數範圍和試湊法由少到多地分別 進行樣本訓練，其訓練通過調用Matlab函數工具箱中的BP神經網絡創建函數Newff 和 網絡仿真函數sim來實現。
[0011] 拋光質量預測可實現對拋光後表面粗糙度和材料去除率的預測，根據輸入的材料 類型、拋光前表面粗糙度、拋光工藝參數組合及相似度，通過實例推理檢索出滿足相似度的 工藝參數實例。不同於工藝決策，預測模塊中實例推理的影響因子不止一個，計算實例相 似度時需要結合各影響因子的權值。選擇實例推理時進行質量預測時，若在實例庫中無法 檢索出滿足相似度的實例時，可選擇BP推理進行預測。BP推理是基於前述BP神經預測模 型，通過藉助Mat lab的COM組件調用BP神經網絡工具箱函數，並在PowerBuilder中創建 Oleobject對象而實現。
[0012] 本發明的有益效果是：能夠科學、智能完成硬質合金刀片CMP加工過程的工藝路 線和工藝參數決策，並同時預測拋光質量，實現加工過程高效、穩定。
【專利附圖】
【附圖說明】
[0013] 圖1是本發明的系統總體框架圖。
[0014] 圖2是本系統工藝智能決策模塊界面。
[0015] 圖3是工藝路線決策框架圖。
[0016] 圖4是本系統拋光質量預測模塊界面。
[0017] 圖5是本系統維護模塊界面。
[0018] 圖6是工藝智能決策結果(範例)。
[0019] 圖7是硬質合金YG8粗加工工藝參數。
[0020] 圖8是拋光質量預測（實例推理）結果(範例)。
[0021] 圖9是拋光質量預測（BP推理）結果(範例）。
【具體實施方式】
[0022] 為了使本發明的目的、技術方案及優點更加清晰，下面結合附圖對本發明作進一 步的描述。
[0023] 如圖5所示對工藝智能決策模塊進行實例測試。選擇材料類型為硬質合金YG8,其 粗加工工藝參數如圖6所示。輸入拋光前表面粗糙度2250、拋光後表面粗糙度為95,點擊 工藝智能決策命令按鈕可得到工藝路線決策結果為：粗、半精、精拋。依次在"粗拋評價條 件"、"半精拋評價條件"、"精拋評價條件"框中輸入0. 98、0. 95、0. 93的評價條件，即為實 例推理的相似度，得到各工序工藝參數的決策結果。
[0024] 在選擇材料類型為硬質合金YG8和粗拋工序的基礎上，對系統輸入如下參數組 合：拋光前表面粗糙度2100nm、碳化矽磨粒#600、磨粒濃度30%wt、拋光壓力0. 410Mpa、拋 光速度55rpm，並以相似度0. 9為評價條件，點擊"實例推理"命令按鈕對拋光質量進行預 測，預測結果如圖6所示。由預測結果可知，硬質合金YG8粗拋加工工藝參數資料庫中共有 4條實例符合設定的評價條件，其中6號實例與輸入工藝參數組合的相似度程度最大，故可 知預測的結果為：表面粗糙度為642nm，材料去除率為1. 4725mg/min。
[0025] 如圖7所示，當輸入一組工藝參數組合，並設相似度為0. 92時，依靠實例推理無法 檢索符合要求的實例，不能獲得對拋光質量的預測結果。此時可通過BP推理進行預測，點 擊"BP推理"命令按鈕，調用BP神經網絡預測模型，得到的預測結果顯示在"詳細信息"框。 可知BP預測結果為：拋光後表面粗糙度886nm，材料去除率2. 05mg/min。
[0026] 有以上實例測試結果可知，開發的CMP工藝智能決策系統能穩定運行，基本實現 系統預定的功能需求。
【權利要求】
1. 一種CMP工藝智能決策系統，包括工藝智能決策模塊和拋光質量預測模塊兩個主要 模塊， 其特徵是：基於混合推理和CMP工藝參數資料庫，通過PowerBuilder平臺開發工藝智 能決策模塊和拋光質量預測模塊。
2. 根據權利要求1所述的CMP工藝智能決策系統，其特徵是：使用Access開發CMP拋 光工藝參數資料庫負責對材料類型、拋光工藝參數、性能指標等工藝數據的儲存，並與數據 前端開發工具Powerbuilder以ODBC形式連接，實現數據的查詢、條件檢索及數據管理等功 能。
3. 根據權利要求1所述的CMP工藝智能決策系統，其特徵是：工藝智能決策模塊以硬 質合金刀片CMP拋光正交實驗收集的實驗數據為基礎，對不同的拋光對象，根據材料類型， 在系統中分別設定固定的粗拋、半精拋、精拋階段的初始表面粗糙度，總結出CMP多工序工 藝路線的決策原則，並利用田口法對每道拋光工序進行優化，由分析各工藝參數對表面粗 糙度和材料去除率評價指標的影響來獲得每道拋光工序分別基於表面粗糙度和材料去除 率的最佳工藝參數組合，然後綜合表面粗糙度和材料去除率評價指標的權重和各工藝參數 分別對各上述評價指標的方差分析結果，利用實例推理和規則推理得出兼顧加工效率和表 面質量的最佳工藝參數組合。
4. 根據權利要求1所述的CMP工藝智能決策系統，其特徵是：拋光質量預測利用實例 推理和BP神經網絡預測模型，以拋光前表面粗糙度、磨粒大小、磨粒濃度、拋光壓力、拋光 速度為BP神經網路的輸入，以表面粗糙度和材料去除率為BP神經網絡的輸出；建立了硬 質合金刀片CMP拋光質量的訓練樣本集，其中訓練樣本集用於對設計的BP神經網絡進行 訓練，驗證樣本集用來對已訓練好BP神經網絡模型進行測試驗證；訓練時需對輸入輸出 數據進行歸一化處理和對輸出樣本應進行反歸一化處理，通過確定節點數範圍和試湊法由 少到多地分別進行樣本訓練，訓練通過調用Matlab函數工具箱中的BP神經網絡創建函數 Newff和網絡仿真函數sim來實現。
【文檔編號】G05B19/18GK104155914SQ201410438330
【公開日】2014年11月19日 申請日期:2014年9月1日 優先權日:2014年9月1日
【發明者】胡自化, 秦長江, 潘暘, 吳昊 申請人:湘潭大學