FACOLTA’ DI INGEGNERIA
Corso di Laurea in Ingegneria
Elettronica
TECNICHE SOFT - COMPUTING PER IL
CONTROLLO DI UN APPARATO DI DEPOSIZIONE
PER FILM SOTTILI
Tesi di Laurea di:
RELATORI:
Nunzio DIPAOLA
Ing. R. CAPONETTO
Ing. M. G. XIBILIA
Ing. C. PACE
Prof. G. NERI
SOMMARIO
 L’Apparato di Deposizione
 Modellizzazione
 Modello Lineare Esistente
 Modelli Neurali Proposti
 Sintesi del Controllore
 Sintesi Della Legge di Controllo Fuzzy
 Confronto con PID Esistente
 Trattamento Termico
 Analisi dei Film Sottili
L’APPARATO DI DEPOSIZIONE
 Camera
 Riscaldatore
 Pompa a Membrana
 Flussimetro
 Termocoppia
 Trasduttore di
Pressione
 Scheda Multifunzione
 PC e Software
MODELLIZZAZIONE
SCHEMA INGRESSO - USCITA DEL SISTEMA
• Il sistema si inquadra nella classe di sistemi MIMO (Multi Input Multi Output)
• Le variabili interagiscono:
•Se la pressione aumenta (aumento di flusso)  la temperatura diminuisce
•Alle alte pressioni aumenta l’inerzia termica
•Alle alte pressioni le escursioni di pressione diminuiscono rispetto alle
basse pressioni a parità di variazione di flusso
• La pressione dipende dalla temperatura
V(k) = Tensione (V)
F(k) = Flusso (sccm)
T(k) = Temperatura (°C)
P(k) = Pressione (mbar)
MODELLIZZAZIONE
MODELLO LINEARE DEL SISTEMA
• Il
sistema
era
già
stato
modelizzato mediante due sistemi
lineari e disaccoppiati.
• Il sistema lineare è valido in un
solo punto di lavoro
Scarsa validità del modello lineare
•Identificazione Neurale
•Misure Ingresso - Uscita
MODELLIZZAZIONE
RETE NEURALE CLASSICA
E’ stata ipotizzata una struttura NARMAX del primo ordine
1)
Strato Nascosto:
Neuroni Sigmoidali
2)
Strato d’Uscita:
Neuroni Lineari
V(k) = Tensione (V)
F(k) = Flusso (sccm)
T(k) = Temperatura (°C)
P(k) = Pressione (mbar)
Pattern su tutti
i punti di lavoro
Validità in tutte le regioni
di funzionamento
MODELLIZZAZIONE
FASE DI TRAINING RETE NEURALE CLASSICA:
Test della risposta della rete
MSE = 0.017
 = Target
+ = Uscita Rete
Neurale
MODELLIZZAZIONE
RETE NEURALE A PARAMETRI VARIABILI
1)
Strato Nascosto:
Neuroni Sigmoidali
2)
Strato d’Uscita:
Neuroni Lineari
V(k) = Tensione (V)
F(k) = Flusso (sccm)
T(k) = Temperatura (°C)
P(k) = Pressione (mbar)
• I pattern di allenamento relativi alla generazione della
temperatura sono presi su tutti i punti di funzionamento
• Quelli relativi alla generazione di pressione su tutti i punti
di lavoro ma considerati separatamente
MODELLIZZAZIONE
MODELLI DINAMICI
Per l’uso delle reti neurali come sistemi dinamici è necessario
retroazionare le uscite opportunamente ritardate e ritardare gli ingressi
Algoritmo di selezione dei pesi
relativi alla generazione della
pressione in funzione della
pressione corrente
MODELLIZZAZIONE
RISULTATI DELLE SIMULAZIONI E VALIDAZIONE DEI
MODELLI
Valore Medio di Pressione: 500 mbar
Target
Neurale
Neurale var.
Lineare
200
180
Target
Neurale
Neurale var.
Lineare
600
580
560
140
Pressione (mbar)
Temperatura (°C)
160
120
100
80
60
40
540
520
500
480
20
460
0
20
40
60
Tempo (min.)
80
100
120
0
20
40
60
Tempo (min.)
80
100
120
MODELLIZZAZIONE
RISULTATI DELLE SIMULAZIONI E VALIDAZIONE DEI
MODELLI
Valore Medio di Pressione: 100 mbar
Target
Neurale
Neurale var.
Lineare
400
350
350
300
300
Pressione (mbar)
Temperatura (°C)
400
250
200
150
100
Target
Neurale
Neurale var.
Lineare
250
200
150
100
50
50
0
0
20
40
60
80
Tempo (min.)
100
120
140
0
0
20
40
60
80
Tempo (min.)
100
120
140
MODELLIZZAZIONE
RISULTATI DELLE SIMULAZIONI E VALIDAZIONE DEI
MODELLI
Valore Medio di Pressione: 800 mbar
Target
Neurale
Neurale var.
Lineare
500
Target
Neurale
Neurale var.
Lineare
890
880
870
860
850
Pressione (mbar)
Temperatura (°C)
400
300
200
100
840
830
820
810
800
790
780
770
760
0
750
0
20
40
60
80
Tempo (min.)
100
120
140
0
20
40
60
80
Tempo (min.)
100
120
140
SINTESI DEL CONTROLLORE
SCHEMA DI CONTROLLO N° 1
Le variabili di controllo sono fornite dal valore contenuto in una
memoria (“Memory”) continuamente integrate dal controllore
fuzzy in modo che a regime il controllore non fornisce variazioni
e la memoria contiene i valori ottimi di controllo
SINTESI DEL CONTROLLORE
SCHEMA DI CONTROLLO N° 1
Sintesi mediante Algoritmo Genetico
Possibili Combinazioni  81 regole
4 variabili
d’ingresso
3 fuzzy set
gaussiani
per ogni variabile
2 variabili
d’uscita
1 singleton per
ciascuna delle 81
regole per ogni
variabile
24 parametri
per gli antecedenti
186 parametri
totali
da determinare
162 parametri
per i conseguenti
SINTESI DEL CONTROLLORE
SCHEMA DI CONTROLLO N° 1
Sintesi mediante Algoritmo Genetico
Codifica Gray con 8 bits
Popolazione di
300 individui
Funzione
obiettivo
MSE(R-Y)
Cromosoma di 1488 bits
SINTESI DEL CONTROLLORE
SCHEMA DI CONTROLLO N° 1
Sintesi mediante Algoritmo Genetico
Risposta Reale
Uscita
Riferimento
120
520
Pressione (mbar)
100
Temperatura (°C)
Uscita
Riferimento
530
80
60
40
510
500
490
480
20
470
0
20
40
60
80
100
120
Tempo (min.)
Oscillazioni del 10 %
sul valore massimo
140
160
0
20
40
60
80
100
120
140
160
Tempo (min.)
Oscillazioni dovute
al rumore della pompa
SINTESI DEL CONTROLLORE
SCHEMA DI CONTROLLO N° 1
Sintesi Euristica
 35 Regole per il controllo
di Temperatura
 35 Regole per il controllo
di Pressione
 Parziale accoppiamento
tra la variabili d’ingresso
in modo da limitare il
numero di regole
Es.
1. If (et is m_neg) and (det is m_neg) then (vt is mf1) (1)
11. If (et is zero) and (det is m_neg) and (ep is neg) then (vt is mf11) (1)
SINTESI DEL CONTROLLORE
SCHEMA DI CONTROLLO N° 1
Sintesi Euristica
Risposta Reale
Uscita
Riferimento
250
Uscita
Riferimento
320
300
200
Pressione (mbar)
Temperatura (°C)
280
150
100
260
240
220
50
200
180
0
0
20
40
60
80
Tempo (min.)
Oscillazioni del 15 %
sul valore massimo
100
120
0
20
40
60
80
100
Tempo (min.)
Oscillazioni dovute
al rumore della pompa
120
SINTESI DEL CONTROLLORE
SCHEMA DI CONTROLLO N° 2
I controllori tengono conto dell’accoppiamento tra le variabili
in quanto il controllo di temperatura dipende dalle variazioni
di flusso e il controllo di pressione dalle variazioni di temperatura
SINTESI DEL CONTROLLORE
SCHEMA DI CONTROLLO N° 2
Sintesi Euristica
 35 Regole per il controllo
di Temperatura
 15 Regole per il controllo
di Pressione
 Parziale accoppiamento
tra la variabili d’ingresso
in modo da limitare il
numero di regole
Es.
1. If (et is m_neg) and (det is m_neg) then (vt is mf1) (1)
11. If (et is zero) and (det is m_neg) and (vf is neg) then (vt is mf11) (1)
SINTESI DEL CONTROLLORE
SCHEMA DI CONTROLLO N° 2
Sintesi Euristica
400
200
Tensione (V)
0
15
100
150
200
250
300
350
5
0
50
50
100
150
200
250
300
350
0
10
-50
50
100
150
200
250
Tempo ( min.)
300
Oscillazioni del 5 %
sul valore massimo
350
400
50
100
150
200
250
300
350
400
50
100
150
200
250
300
350
400
50
100
150
200
250
Tempo ( min.)
300
350
400
5
0
400
0
-100
0
0
400
10
0
Et (°C)
50
500
Flusso (sccm)
0
1000
Pressione (mbar)
600
0
200
Ep (mbar)
Temperatura (°C)
Risposta in Simulazione
0
-200
-400
0
Oscillazioni inaccettabili
di 200 mbar
SINTESI DEL CONTROLLORE
SCHEMA DI CONTROLLO N° 3
Al fine di migliorare le prestazioni della risposta in temperatura
il controllore fuzzy fornisce direttamente la tensione di controllo
mentre la modalità di controllo della pressione è invariata
SINTESI DEL CONTROLLORE
SCHEMA DI CONTROLLO N° 3
Sintesi Euristica
 5 Regole per il controllo di
Temperatura che interpolano
5
controllori
PI
con
guadagno
proporzionale
che
dipende dal valore di pressione.
 35 Regole per il controllo di
Pressione con la stessa modalità
dello schema di controllo N° 1.
Variabile IN 1
Variabile IN 2
1
1
0.9
0.9
0.8
0.8
0.7
0.7
0.6
0.6
0.5
0.5
0.4
0.4
0.3
0.3
0.2
0.2
0.1
0
-200
0.1
-150
-100
-50
0
50
100
150
200
0
0
100
200
300
Variabile IN 4
500
600
700
800
900
1000
40
60
80
100
Variabile IN 3
1
1
0.9
0.9
0.8
0.8
0.7
0.7
0.6
0.6
0.5
0.5
0.4
0.4
0.3
0.3
0.2
0.2
0.1
0
-100
400
0.1
-80
-60
-40
-20
0
20
40
60
80
100
0
-100
-80
-60
-40
-20
0
20
Interpolazione in funzione della pressione permette di compensare la
variazione d’inerzia termica dovuta alla variazione di pressione
Es.
1. If (press is m_bassa) then (tensione is (mf1 * et + integrale)) (1)
4. If (press is alta) then (tensione is (mf4 * et + integrale)) (1)
SINTESI DEL CONTROLLORE
SCHEMA DI CONTROLLO N° 3
Ottimizzazione mediante Algoritmo Genetico
4 variabili
d’ingresso
5 fuzzy set
gaussiani
per ogni variabile
1 singleton per
ciascuna delle 35
regole relative
al controllo
di pressione
5 Guadagni relativi
al controllo di
temperatura
40 parametri
per gli antecedenti
80 parametri
totali
da ottimizzare
40 parametri
per i conseguenti
SINTESI DEL CONTROLLORE
SCHEMA DI CONTROLLO N° 3
Ottimizzazione mediante Algoritmo Genetico
Codifica con numeri reali
Cromosoma di 80 numeri reali
Inserimento di un “seme” costituito dai parametri ottenuti in modo euristico
Variabile IN 1
Popolazione di
200 individui
Variabile IN 2
1
1
0.9
0.9
0.8
0.8
0.7
0.7
0.6
0.6
0.5
0.5
0.4
0.4
0.3
0.3
0.2
0.2
0.1
0.1
0
-200
-150
-100
-50
0
50
100
150
200
0
0
100
200
300
Variabile IN 3
Funzione
obiettivo
MSE(R-Y)
500
600
700
800
900
1000
Variabile IN 4
1
1
0.9
0.9
0.8
0.8
0.7
0.7
0.6
0.6
0.5
0.5
0.4
0.4
0.3
0.3
0.2
0.2
0.1
0
400
0.1
-100
-80
-60
-40
-20
0
20
40
60
80
100
0
-100
-80
-60
-40
-20
Fuzzy set ottimizzati
0
20
40
60
80
100
SINTESI DEL CONTROLLORE
ANALISI DELLE RISPOSTE REALI
Risposte al gradino per una pressione di 300 mbar
220
310
200
Temperatura (°C)
Riferimento
Fuzzy
Fuzzy gen.
PID
160
140
120
100
Pressione (mbar)
300
180
290
Riferimento
Fuzzy (Pm=299.6)
Fuzzy gen. (Pm=300.3)
PID (Pm=294.4)
280
270
80
260
60
40
250
0
5
10
15
20
Tempo (min.)
Errori a regime nulli
sovraelongazione del 2,5 %
0
5
10
15
20
Tempo (min.)
Errore medio a regime nullo per i
controllori fuzzy e del 2 % per
il controllore PID
SINTESI DEL CONTROLLORE
ANALISI DELLE RISPOSTE REALI
Risposte al gradino per una pressione di 500 mbar
220
200
500
Riferimento
Fuzzy
Fuzzy gen.
PID
160
140
120
100
80
Pressione (mbar)
Temperatura (°C)
180
Riferimento
Fuzzy (Pm=500.4)
Fuzzy gen. (Pm=499.4)
PID (Pm=494.1)
480
60
460
40
20
0
5
10
15
20
Tempo (min.)
Errori a regime nulli
sovraelongazione del 2,5 %
0
5
10
15
20
Tempo (min.)
Errore medio a regime nullo per i
controllori fuzzy e del 1,2 % per
il controllore PID
SINTESI DEL CONTROLLORE
ANALISI DELLE RISPOSTE REALI
Risposte al gradino per una pressione di 700 mbar
220
200
700
Riferimento
Fuzzy
Fuzzy gen.
PID
160
140
120
100
Pressione (mbar)
Temperatura (°C)
180
Riferimento
Fuzzy (Pm=697.3)
Fuzzy gen. (Pm=699.0)
PID (Pm=692.6)
680
80
660
60
40
0
5
10
15
20
Tempo (min.)
Errori a regime nulli
sovraelongazione del 2,5 %
0
5
10
15
20
Tempo (min.)
Errore medio a regime dello 0,1%
per i controllori fuzzy ottimizzato
del 0,4 % per quello non ottimizzato
e di 1 % il controllore PID
SOFTWARE DI CONTROLLO
La legge di controllo relativa allo schema N° 3 è stata implementata
sul sistema reale al fine di sostituire l’esistente legge di controllo PID
Lettura dei
valori di
riferimento
correnti
Acquisizione
dalla scheda
dei valori di
uscita
correnti
Calcolo
degli errori e
della derivata
dell’errore di
pressione
Routine di inferenza fuzzy
Fuzzy3(Et, Ep, P, dEp/dt)
(Tensione, Variaz. Flusso)
variabili di controllo
forniti alla scheda per la
conversione D/A
TRATTAMENTO TERMICO
E’ stato eseguito un tipico trattamento termico al fine di valutare gli
effetti di un accurato controllo sul processo di deposizione del film
Riferimento
Temperatura
Riferimento
Pressione
520
400
Pressione (mbar)
Temperatura (°C)
500
300
200
480
100
460
0
0
100
200
Tempo (min.)
300
400
0
100
200
Tempo (min.)
300
400
ANALISI DEI FILM SOTTILI
Fe2O3 depositato su Allumina
Campione il cui trattamento
termico non è stato accuratamente
controllato, infatti è caratterizzato
da fratture e da un parziale
distacco dal substrato.
Figura 3.3.1 – Micrografia SEM che evidenzia le fratture subite da un film di Fe2O3 depositato su
allumina a causa degli stress termici
Campione il cui trattamento
termico è stato accuratamente
controllato, infatti il film si
presenta
ben
aderente
al
supporto.
CONCLUSIONI
 E’ stato ottenuto un modello del sistema
valido in tutti i punti di funzionamento
 E’ stata sintetizzata una legge di controllo fuzzy
ottimizzata mediante algoritmo genetico che
presenta delle “performance” migliori del
controllore PID per tutti i punti di
funzionamento
 La possibilità di impostare cicli di trattamento
termico controllati in modo accurato in tutti i
punti di funzionamento, minimizza l’insorgere
di difetti strutturali nei film di ossido realizzati,
promuovendone quindi le qualità