FACOLTA’ DI INGEGNERIA Corso di Laurea in Ingegneria Elettronica

Presentazione sul tema: "FACOLTA’ DI INGEGNERIA Corso di Laurea in Ingegneria Elettronica"— Transcript della presentazione:

1 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: Nunzio DIPAOLA RELATORI: Ing. R. CAPONETTO Ing. M. G. XIBILIA Ing. C. PACE Prof. G. NERI

2 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

3 L’APPARATO DI DEPOSIZIONE
Camera Riscaldatore Pompa a Membrana Flussimetro Termocoppia Trasduttore di Pressione Scheda Multifunzione PC e Software

4 SCHEMA INGRESSO - USCITA DEL SISTEMA
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)

5 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

6 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

7 MODELLIZZAZIONE FASE DI TRAINING RETE NEURALE CLASSICA:
Test della risposta della rete MSE = 0.017  = Target + = Uscita Rete Neurale

8 RETE NEURALE A PARAMETRI VARIABILI
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

9 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

10 MODELLIZZAZIONE RISULTATI DELLE SIMULAZIONI E VALIDAZIONE DEI MODELLI
Valore Medio di Pressione: 500 mbar

11 MODELLIZZAZIONE RISULTATI DELLE SIMULAZIONI E VALIDAZIONE DEI MODELLI
Valore Medio di Pressione: 100 mbar

12 MODELLIZZAZIONE RISULTATI DELLE SIMULAZIONI E VALIDAZIONE DEI MODELLI
Valore Medio di Pressione: 800 mbar

13 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

14 SINTESI DEL CONTROLLORE
SCHEMA DI CONTROLLO N° 1 Sintesi mediante Algoritmo Genetico Possibili Combinazioni  81 regole 4 variabili d’ingresso 24 parametri per gli antecedenti 3 fuzzy set gaussiani per ogni variabile 186 parametri totali da determinare 2 variabili d’uscita 162 parametri per i conseguenti 1 singleton per ciascuna delle 81 regole per ogni variabile

15 SINTESI DEL CONTROLLORE
SCHEMA DI CONTROLLO N° 1 Sintesi mediante Algoritmo Genetico Codifica Gray con 8 bits Cromosoma di 1488 bits Popolazione di 300 individui Funzione obiettivo MSE(R-Y)

16 SINTESI DEL CONTROLLORE
SCHEMA DI CONTROLLO N° 1 Sintesi mediante Algoritmo Genetico Risposta Reale Oscillazioni del 10 % sul valore massimo Oscillazioni dovute al rumore della pompa

17 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)

18 SINTESI DEL CONTROLLORE
SCHEMA DI CONTROLLO N° 1 Sintesi Euristica Risposta Reale Oscillazioni del 15 % sul valore massimo Oscillazioni dovute al rumore della pompa

19 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

20 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)

21 SINTESI DEL CONTROLLORE
SCHEMA DI CONTROLLO N° 2 Sintesi Euristica Risposta in Simulazione Oscillazioni del 5 % sul valore massimo Oscillazioni inaccettabili di 200 mbar

22 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

23 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. 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)

24 SINTESI DEL CONTROLLORE
SCHEMA DI CONTROLLO N° 3 Ottimizzazione mediante Algoritmo Genetico 4 variabili d’ingresso 40 parametri per gli antecedenti 5 fuzzy set gaussiani per ogni variabile 80 parametri totali da ottimizzare 1 singleton per ciascuna delle 35 regole relative al controllo di pressione 40 parametri per i conseguenti 5 Guadagni relativi al controllo di temperatura

25 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 Popolazione di 200 individui Funzione obiettivo MSE(R-Y) Fuzzy set ottimizzati

26 SINTESI DEL CONTROLLORE
ANALISI DELLE RISPOSTE REALI Risposte al gradino per una pressione di 300 mbar Errori a regime nulli sovraelongazione del 2,5 % Errore medio a regime nullo per i controllori fuzzy e del 2 % per il controllore PID

27 SINTESI DEL CONTROLLORE
ANALISI DELLE RISPOSTE REALI Risposte al gradino per una pressione di 500 mbar Errori a regime nulli sovraelongazione del 2,5 % Errore medio a regime nullo per i controllori fuzzy e del 1,2 % per il controllore PID

28 SINTESI DEL CONTROLLORE
ANALISI DELLE RISPOSTE REALI Risposte al gradino per una pressione di 700 mbar Errori a regime nulli sovraelongazione del 2,5 % 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

29 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 Calcolo degli errori e della derivata dell’errore di pressione Routine di inferenza fuzzy Fuzzy3(Et, Ep, P, dEp/dt) Acquisizione dalla scheda dei valori di uscita correnti (Tensione, Variaz. Flusso) variabili di controllo forniti alla scheda per la conversione D/A

30 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

31 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. Campione il cui trattamento termico è stato accuratamente controllato, infatti il film si presenta ben aderente al supporto.

32 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