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