一种工件台微动mimo鲁棒模糊神经网络滑模控制方法
【技术领域】
[0001] 本发明属于超精密运动控制领域，主要设及的是一种光刻机工件台微动MIM0鲁 棒模糊神经网络滑模控制方法。
【背景技术】
[0002] 光刻机是制造大规模集成电路的设备。工件台系统是光刻机的关键组成部分，主 要功能是承载待曝光娃片实现超精密运动。工件台的运动精度和速度对光刻机的分辨率和 产率具有直接的影响。工件台超精密动态跟踪和定位是光刻机研发的关键技术。由于长行 程直线电机无法保证纳米级的运动精度，通常需要采用音圈电机作为执行器，但音圈电机 行程非常有限。于是在光刻机控制中，传统的单一种类执行器控制方法无法解决高精度与 大行程之间的矛盾。鉴于W上考虑，在光刻机系统中通常采用宏微结构。宏动主要完成高 速大行程运动，微动部分主要任务是实现超精密动态跟踪和定位。
[0003] 光刻机工件台微动部分为多变量、多自由度的精密运动装置，它的运动功能由六 个按照一定几何位置排布的音圈电机共同实现。传统的工件台微动部分SIS0解禪控制方 式是采用解禪补偿技术，使解禪后的被控对象变为对角系统，从而使明显具有禪合特性的 工件台微动MIM0系统解禪为多个独立的SIS0系统并分别进行单独控制。该控制方式的主 要问题是由于工件台微动系统的的禪合特性比较复杂，其中各种不确定性效应、未建模特 性和机械谐振等因素导致解禪补偿过程很难被精确建模，并且在解禪控制过程中为实现完 全对角解禪形式而进行的近似和忽略操作在很大程度上影响了传统解禪控制方式在工件 台微动部分运动控制系统中的表现。另外，传统解禪控制方式一般将工件台微动部分的运 动考虑为水平和竖直两部分，分别实现步进扫描和调平调焦。但由于竖直部分在调整过程 中会对水平方向的扫描和步进运动产生一定影响，而运种未建模禪合特性在传统的解禪控 制方式中一般被当作外部扰动进行处理，运也会在一定程度上影响工件台微动部分闭环控 制系统的性能。综上，传统的光刻机工件台微动部分解禪控制方式已不能满足当今光刻机 工件台微动高速、超精密运动控制的需要。
【发明内容】
[0004] 本发明的目的是为了解决光刻机工件台微动部分禪合效应、模型不确定性和外部 扰动等因素降低传统解禪控制系统性能的问题，提供了一种工件台微动MIM0鲁棒模糊神 经网络滑模控制方法。 阳〇化]本发明的一种工件台微动MIM0鲁棒模糊神经网络滑模控制方法，所述控制方法 包括如下步骤：
[0006] 步骤一、根据工件台微动六自由度系统，建立带有扰动项的工件台微动六自由度 禪合模型；
[0007] 步骤二、针对步骤一建立的带有扰动项的工件台微动六自由度禪合模型确定模型 参数不确定性；
[0008] 步骤=、针对步骤一建立的带有扰动项的工件台微动六自由度禪合模型和步骤二 的模型参数不确定性，采用神经网络对非线性函数进行估计并获得估计结果；
[0009] 步骤四、根据步骤一建立的带有扰动项的工件台微动六自由度禪合模型和步骤= 的神经网络估计结果确定工件台微动MIM0鲁棒模糊神经网络滑模控制律；
[0010] 步骤五、根据步骤四确定的控制律对工件台微动六自由度系统进行控制。
[0011] 所述步骤一中，建立带有扰动项的工件台微动六自由度禪合模型为：
[0012]
阳01引其中，M为惯性矩阵，C为克氏矩阵，f为音圈电机推力，fpx为扰动项。
[0014] 步骤二中，模型参数不确定性为：
[0015]
[0016] 其中，M和C分别为惯性矩阵和克氏矩阵的名义值，am和AC分别为惯性矩阵 和克氏矩阵的加性不确定性参数。
[0017] 步骤S中，利用神经网络对非线性函数
进行估计。
[0018] 估计结果为：
[0019]
[0020] 其中，g和I分别为工件台微动六自由度系统的输出速度和加速度，的0)为函数T 的神经网络估计，#为神经网络估计权值矩阵，a(0)为激活向量，0为神经网络输入。
[0021] 所述步骤四中，工件台微动MIM0鲁棒模糊神经网络滑模控制律为：
[0022]
[0023]其中，U为模糊控制项，C = diagici C2C3 C4 Cs Cg}和0 = diag{ 01020 3 0 4 0 5 0e}均为正走对角矩阵，Cl、。2、。3、。4、和C康不C的/、自由度分里，0 1、〇2、〇3、〇4、 〇5和〇康示〇的六自由度分量，滑模项8 = (11曰邑{313233343536}，31、32、33、34、35和 Se分别表示S的六自由度分量，diag代表对角矩阵，氣:表示参考加速度，e表示跟踪速度误 差，a表示比例系数矩阵。
[0024] 步骤四中，模糊控制项U设及的模糊规则、模糊隶属度函数、取值和0的自适应律 具体为：
[00对模糊规则：
[0026] IF Si is NB, Then is NB阳0八]IF Siis N'llien Uifis N
[0028] IF Si is Z, Then Uif is Z
[0029] IF Si is P'Then Uif is P
[0030] IF Si is PB, Then Uif is PB 阳03U 其中，Uif为模糊系统第i自由度的输出，s 1为滑模项第i自由度的分量，NB、N、Z、 P和PB分别代表负大、负、零、正和正大，iG1，2, 3, 4, 5, 6;
[0032]模糊控制项u设及的模糊输入隶属度函数为=角隶属度函数；
[0033] 模糊控制项U设及的模糊输出隶属度函数为单值隶属度函数；
[0034] 模糊控制项U的取值为U=nUf; 阳0 对其中，11=[111112113114115116]\111、112、113、114、115和116分别表示11的六自由度分量， 板糊系统的帝!J出Uf-[UIfUzfUsfU4fUsfUef]，Ulf、Uzf、U3f、U4f、Usf和U6f分力iJ表不Uf的/、 自由度分量，增益系数n=diag{n1nznsn4nsHe}，n1、n2、n3、n4、ns和n6分 别表示增益系数n的六自由度分量，n的自适应律为々=X",/.V，療表示rii的微分，丫 1 为正增益；模糊控制项U设及的。的自适应律A=iC式，巧表示的微分，Ki为正增益， 下标i=1, 2,... 6。
[0036] 发明效果：
[0037]由于光刻机工件台微动部分传统解禪控制方式为实现完全对角解禪形式而进行 的近似和忽略操作W及忽略水平与竖直方向的未建模禪合特性问题在很大程度上影响了 工件台微动部分运动控制系统中的性能和表现。本发明所提出的工件台微动MIM0鲁棒模 糊神经网络滑模控制方法可W很好的解决上述问题。利用本发明提供的方法可W使工件台 微动部分控制系统受到未建模特性、不确定性和外部扰动的影响更小，从而可W大幅度提 高闭环控制系统的精度、鲁棒性和抗干扰能力。
【附图说明】
[0038] 图1为【具体实施方式】一中控制方法的流程示意图；
[0039] 图2为【具体实施方式】S中的输入隶属度函数的原理示意图；
[0040] 图3为【具体实施方式】S中的输出隶属度函数的原理示意图。
【具体实施方式】
【具体实施方式】 [0041] 一：结合图1说明本实施方式，本实施方式所述的一种工件台微动 MIM0鲁棒模糊神经网络滑模控制方法，所述控制方法包括如下步骤：
[0042] 步骤一、根据工件台微动六自由度系统，建立带有扰动项的工件台微动六自由度 禪合模型翊+锦=/-爲； 阳0创其中，M为惯性矩阵，C为克氏矩阵，f为音圈电机推力，fpx为扰动项；
[0044]步骤二、针对步骤一建立的带有扰动项的工件台微动六自由度禪合模型确定模型 参数不确定性为/W=M+AM，r二r+Ar; W45] 其中，檢和c分别为惯性矩阵和克氏矩阵的名义值，AM和AC分别为惯性矩阵 和克氏矩阵的加性不确定性参数；
[0046] 步骤=、针对步骤一建立的带有扰动项的工件台微动六自由度禪合模型和步骤二 的模型参数不确定性，采用神经网络对非线性函1
进行估计，估 计结果为？'(0) = "(0);
[0047] 其中，穿巧皆分别为工件台微动六自由度系统的输出速度和加速度，的0)为函数 T的神经网络估计，冻为神经网络估计权值矩阵，a(0)为激活向量，0为神经网络输入；
[0048] 步骤四、根据步骤一建立的带有扰动项的工件台微动六自由度禪合模型和步骤= 的神经网络估计结果确定工件台微动MIM0鲁棒模糊神经网络滑模控制律为：
[0049]
[0050]其中，U为