一种化学机械平坦化加工动态声学识别方法、装置及介质

计算;推算;计数设备的制造及其应用技术1.本发明涉及模式识别技术领域，尤其涉及一种化学机械平坦化加工动态声学识别方法、装置及介质。背景技术：2.随光学、光电子学、材料技术的日益进步，也促进了半导体、光学和光电子器件在电子、光学、仪器仪表、航空航天、国防等领域广泛应用与迅速发展。3.半导体、光学和光电子材料光整加工普遍采用超精密化学机械平化(chemical mechanical planarization，cmp)方法得以实现。高效、高质量的超精密cmp加工(纳米至亚纳米精度)不仅取决于加工设备、方法、材料与精度，还受制于检测精度、敏感度、分辨率和深度。深度不是物理意义的尺度而是指机理基础上的层次，是从简单的物理现象的测量结果揭示工件表面加工过程中的物理、化学机理变化，并能够基于其机理模式和加工特征对被加工工件表面品质进行识别，实时建立加工过程中材料特性、尺寸、微观形貌等变化与加工要求、指标的映射关系，所以探寻一种快速、准确的化学机械平坦化加工动态识别方法势在必行。4.现有的化学机械平坦化加工动态主要通过监测摩擦力、电流、温度等信号进行在线实时识别，声学识别方法具有灵敏度高、信噪比高、易于采集、适用性强等优势，现有关于声学识别方法包括：(1)通过声音信号进行声学特征提取,获得声学特征数据；对声学特征数据进行滤波处理,获得声学特征向量；将声学特征向量输入预设声学模型中,识别声音信号,并输出声音识别结果(cn202110362974.4)；(2)获取待识别的声音信号的频谱特征数据；将频谱特征数据输入至预先训练的声音识别模型,由声音识别模型识别声音信号的类别,其中,声音识别模型用于对频谱特征数据提取序列特征,并基于提取的序列特征进行类别识别,且声音识别模型由标注有声音类别的声音样本训练得到(cn202110220835.8)。现有的声学模式识别方法大多采用声音样本标记作为数据库，再对新的声音进行分类，然而化学机械平坦化加工过程中声源数量多、易混合、相干扰性强；另外，宏观特征(光滑、粗糙、断裂、塌边等)和微观特征(滑动摩擦、屈服、弹塑性变形、微破碎等)种类多，并且同一时间会出现多种多量的加工特征，不同特征声源标记难度大，数据库无法建全，导致不能快速、准确地识别化学机械平坦化加工状态(高效、正常、低效、加工终点等)。技术实现要素：5.本发明目的是针对现有声学识别均存在受外界干扰影响大，精度不高的问题，提出一种抗干扰、高准确性的化学机械平坦化加工动态在线实时声学识别方法。6.为达到以上目的，本发明提出一种化学机械平坦化加工动态声学识别方法，包括以下步骤：7.(1)获取实时监测加工过程中工件发出的声学量；8.(2)针对所述声学量，基于声压测量的单全息面模型进行加工声源和噪声声源的分离；9.(3)依照工件特征对应的声强和频段，对降噪后的所述加工声源进行小波分解和时频转换；10.(4)提取工件特征对应声信号频段的特征参数；11.(5)加工所述声信号的聚合分类，识别加工动态。12.进一步的，所述步骤2包括以下步骤：13.(2.1)建立基于声压测量的单全息面模型，空间任意场点r＝(x,y, z)处的声压可以表示为全息测量面上n个测量点rh,n处的声压的加权叠加，表达式如下：[0014][0015]式中，cn(r)为对应每个测量点声压的加权系数，c(r)为加权系数列向量；相对应的重建面上n个重建点rs,n的声压，表达式如下：[0016]pt(rs)＝pt(rh)cpp[0017]式中，t表示矩阵转置，p(rs)为重建面声压列向量，cpp为加权系数矩阵；[0018]定义倏逝波和平面单元波序列，表达式如下：[0019][0020]传递矩阵cpp的表达式如下：[0021]b＝acpp[0022][0023][0024]式中，a和b为系数矩阵；矩阵cpp的tikhonov正则化解，表达式如下：[0025]cpp＝(aha+λ2i)-1ahb[0026]式中，i为单位阵，λ为正则化参数，h表示共轭转置；[0027](2.2)ps1和ps2分别表示在测量面s与加工声源面和噪声源面之间的任意一个平面上由所述加工声源和噪声源单独产生的声压，该平面也可以与声源面重合；测量面上的声压可以表示为两个声源所产生的声场的叠加，表达式如下：[0028][0029]式中，p1为所述加工声源在s上所产生的声压列向量，p2为所述噪声源在s上所产生的声压列向量；所述加工声源和所述噪声源在测量面上的声场可分别表示为ps1和ps2的加权叠加，表达式如下：[0030][0031][0032]联立可以得到所述加工声源所单独产生的声压分布ps1表达式如下：[0033][0034][0035]式中，ω为角频率，ρ为密度。[0036]进一步的，所述工件特征包括宏观特征和微观特征，所述宏观特征为光滑、粗糙、断裂、塌边；所述微观特征为滑动摩擦、屈服、弹塑性变形、微破碎。[0037]进一步的，所述特征参数是指均值、方差、rms、偏斜度、波形、峰值、脉冲、裕度和峭度的两种或者多种参数的加、减、乘、除基本数学计算和指数、幂数、多项式高等数学计算数值。[0038]进一步的，其特征在于所述的步骤5的加工所述声信号的聚合分类包括：[0039]所述特征参数通过模糊c均值法进行聚合分类，目标函数表达式如下：[0040][0041]式中，0≤uik≤1，0≤i≤c，0≤k≤n，u为模糊划分矩阵，v为聚类中心矩阵，c为聚类数；m为加权指数；μik为样本xk属于第i类的隶属度；(dik)2＝||xk-vi||表示样本点xk到聚类中心vi的欧几里德距离；vi是第i类的聚类中心；[0042]所述特征参数样本点xi的点密度函数di作为聚类初始值通过迭代，找到最佳(u,v)，使得jm(u,v)最小；声信号特征参数样本点xi的点密度函数di作为聚类初始值，表达式如下：[0043][0044]其中：dij表示样本点xi与xj之间的距离，1≤i≤n，1≤j≤n。[0045]本发明还提供了一种化学机械平坦化加工动态的声学识别装置，其特征在于，包括：[0046]数据采集单元，包括声学传感器，采集实时监测加工过程中工件发出的声学量；[0047]存储单元：存储多条程序代码；[0048]处理器单元：所述处理器执行所述计算机程序时实现如上所述的任一项所述的化学机械平坦化加工动态声学识别方法。[0049]本发明还提供了一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的任一项所述的化学机械平坦化加工动态声学识别方法的步骤。[0050]本发明的有益效果：[0051]本发明通过声全息分离加工声源和噪声源，相比滤波降噪方法能更为有效地消除环境和机床周期振动等声源，将加工声源分离出来。[0052]本发明同时将声学现象背后的加工机理(工件特征)和声信号特征参数作为声学识别结果的依据，并以声信号样本点密度函数作为聚类中心初始值，数据驱动与机理驱动协同感知提高了化学机械平坦化加工动态识别的准确性和时效性。附图说明[0053]图1是本发明的化学机械平坦化加工动态声学识别方法流程图。[0054]图2是本发明的化学机械平坦化加工动态声学识别方法原理框图。[0055]图3是本发明实施例固结磨料研磨sic晶圆过程中磨粒滑擦、耕犁和切削sic晶圆表面微观特征识别结果图。[0056]图4是本发明的化学机械平坦化加工动态声学识别装置结构示意图。[0057]图5是本发明的计算机可读存储介质结构示意图。具体实施方式[0058]下面结合实施例对本发明作进一步的说明。[0059]实施例1：[0060]图1为本技术提供的一种化学机械平坦化加工动态声学识别方法流程图，本实施例为针对在sic晶圆固结磨料研磨过程中的磨粒滑擦、耕犁和切削sic表面的微观特征进行在线实时识别，监测过程持续120分钟，具体过程包括如下步骤：[0061]s101：获取实时监测加工过程中工件发出的声学量；[0062]s102：针对所述声学量，基于声压测量的单全息面模型进行加工声源和噪声声源的分离；[0063]建立基于声压测量的sic晶圆单全息面模型，sic晶圆被加工表面空间任意场点r＝(x,y,z)处的声压可以表示为全息测量面上n个测量点rh,n处的声压的加权叠加，表达式如下：[0064][0065]式中，cn(r)为对应每个测量点声压的加权系数，c(r)为加权系数列向量。[0066]相对应的重建面上n个重建点rs,n的声压，表达式如下：[0067]pt(rs)＝pt(rh)cppꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ(2)[0068]式中，t表示矩阵转置，p(rs)为重建面声压列向量，cpp为加权系数矩阵。[0069]定义倏逝波和平面单元波序列，表达式如下：[0070][0071]传递矩阵cpp的表达式如下：[0072]b＝acpp[0073][0074][0075]式中，a和b为系数矩阵。[0076]矩阵cpp的tikhonov正则化解，表达式如下：[0077]cpp＝(aha+λ2i)-1ahbꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ(5)[0078]式中，i为单位阵，λ为正则化参数，h表示共轭转置。[0079]ps1和ps2分别表示在测量面s与被加工sic晶圆加工声源面和噪声源面之间的任意一个平面上由加工声源和噪声源单独产生的声压，该平面也可以与声源面重合。测量面上的声压可以表示为两个声源所产生的声场的叠加，表达式如下：[0080][0081]式中，p1为加工声源在s上所产生的声压列向量,p2和为噪声源在s上所产生的声压列向量。[0082]加工声源和噪声源在测量面上的声场可分别表示为ps1和ps2的加权叠加，表达式如下：[0083][0084][0085]最终可以得到加工声源所单独产生的声压分布ps1，表达式如下：[0086][0087]式中，ω为角频率，ρ为密度。[0088]加工声源与噪声源声压完成分离。[0089]s103：依照所述工件特征对应的声强和频段，对降噪后的所述加工声源进行小波分解和时频转换；[0090]依照被加工工件表现滑擦、耕犁和切削特征，对降噪后的声信号进行小波分解和时频转换。[0091]s104：提取所述工件特征对应声信号频段的特征参数；[0092]提取与滑擦、耕犁和切削特征对应频段声信号的脉冲、裕度和峭度2次幂数值作为特征参数。[0093]s105：加工所述声信号的聚合分类，识别加工动态。[0094]特征参数通过模糊c均值法进行聚合分类，目标函数表达式如下：[0095][0096]式中，0≤uik≤1，0≤i≤c，0≤k≤n，u为模糊划分矩阵，v为聚类中心矩阵，聚类数取3；m取2；μik为样本xk属于第i类的隶属度；(dik)2＝||xk-vi||表示样本点xk到聚类中心vi的欧几里德距离；vi是第i类的聚类中心。[0097]特征参数样本点xi的点密度函数di作为聚类初始值，通过迭代，找到最佳(u,v)，使得jm(u,v)最小。di表达式如下：[0098][0099]dij＝||xi-xj||ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ(13)[0100]其中：dij表示样本点xi与xj之间的距离，1≤i≤n，1≤j≤n。[0101]最终得到不同时间点固结磨料研磨sic晶圆过程中磨粒滑擦、耕犁和切削sic表面的微观特征识别结果如图2所示。[0102]本技术实施例还提供了一种化学机械平坦化加工动态的声学识别装置，包括：数据采集单元、存储单元和处理器单元。[0103]数据采集单元：包括声学传感器，采集实时监测加工过程中工件发出的声学量；[0104]存储单元：存储多条程序代码；[0105]处理器单元：所述处理器执行所述计算机程序时实现如上所述的任一项所述的化学机械平坦化加工动态声学识别方法。[0106]本技术实施例还提供了一种包含计算机可执行指令的存储介质，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可执行如上所述的化学机械平坦化加工动态声学识别方法的步骤。非易失性存储器可包括只读存储器(rom)、可编程 rom(prom)、电可编程rom(eprom)、电可擦除可编程 rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram) 或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步 dram(sdram)、双数据率sdram(ddrsdram)、增强型 sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态 ram(drdram)、以及存储器总线动态ram(rdram)等。[0107]本发明的最佳实施例已阐明，由本领域普通技术人员做出的各种变化或改型都不会脱离本发明的范围。本发明未涉及部分与现有技术相同或可采用现有技术加以实现。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!