论文部分内容阅读
随着芯片集成度和规模的高速发展，芯片的尺寸及引线间距越来越小，对封装设备的运行精度和运行速度、加速度提出了更高的要求，在这种高要求下，如何有效抑制各类扰动和不确定性对伺服性能的影响，已成为高加速度系统的高精度控制理论面临的巨大挑战。迭代学习控制由于不需要系统精确的数学模型，只需输入输出信号即可通过反复学习实现高精度高动态响应的位置控制，为IC封装这类具有重复运动特性的对象提供了一种很好的控制方案。然而在实际系统中，由于迭代学习控制对于固定轨迹可以实现精密运动跟踪，但如何实现高效率不同任务的芯片封装作业，提高迭代学习的泛化能力是将迭代学习应用到工业生产中亟待解决的问题。 本文首先对采用的迭代学习率从理论上进行分析，推导出基于敏感函数逆的迭代学习率，并将设计的迭代学习控制方法在本实验室的XY精密运动定位平台上进行应用和实验验证，进而为了提高迭代学习的泛化能力，通过分析由迭代学习获得的前馈补偿数据和期望轨迹的物理特性之间的关系，建立一个数学模型，称为干扰参数化模型，从而针对某一个新的期望轨迹，通过模型即可求出其相应的前馈补偿数据，而不必再通过迭代学习获得。 为了提高本文所建立的干扰参数化模型的适用性和准确性，在实验室的平台上进行验证的过程中，通过按照加速度大小进行分类，采用分段模型的方法来提高模型计算出的前馈补偿数据的准确性，并通过建立模糊推理系统对分段模型的速度项系数和加速度项系数进行微调，从而提高了分段模型的适用范围，在实验室的平台上对所有的期望轨迹都能实现精密的运动轨迹跟踪。 通过本课题的进行，预期实现高精度、高效率的封装作业。相关的理论与方法，对深化迭代学习控制基础理论研究，提高微电子装备制造业的自动化水平具有重要意义。