Sensor based real-time process monitoring for ultra-precision manufacturing processes with non-linearity and non-stationarity
Doğrusal ve durağan olmayan ultra hassas üretim süreçleri için sensör tabanlı gerçek zamanlı süreç izleme
- Tez No: 743856
- Danışmanlar: DOÇ. DR. ZHENYU (JAMES) KONG
- Tez Türü: Doktora
- Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2013
- Dil: İngilizce
- Üniversite: Oklahoma State University
- Enstitü: Yurtdışı Enstitü
- Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Endüstri Mühendisliği Bilim Dalı
- Sayfa Sayısı: 174
Özet
Bu araştırmada ultra hassas üretim sistemleri, özellikle kimyasal-mekanik düzleme (CPM) ve ultra hassas işleme (UPM) için gerçek zamanlı süreç izleme metodları incelenmiştir.Bu araştırmanın üç ana bileşeni aşağıdaki gibidir: (1) süreç değişimlerini ve anomalileri önceden tespit edebilecek bir tahmin model geliştirilmesi (2) CMP ve UPM süreçleri için Gauss olmayan ve durağan olmayan özelliklerini yakalayabilen yaklaşımlar geliştirmek (3) süreçle ilgili gerçek zamanlı kararları daha güvenilir hale getirmek için çoklu sensör verilerinin entegre edilmesi İlk bölümde, CMP sürecinde malzeme kaldırma oranı (MRR) gibi performans göstergeleri ile titreşim sensör verileri gibi kablosuz ağdan elde edilen veriler arasında bir ilişki kuruyoruz. Daha sonra, doğrusal olmayan sıralı bir Bayes analizi ile karar teorisi entegre edilerek CMP sürecindeki boş bakır tabakaların son bitiş noktası tespit edilmiştir.Bu yaklaşımı kullanarak, CMP parlatma son bitiş noktası %5 hata oranıyla tespit edilmiştir. Daha sonra, CMP'de gözlemlenen karmaşık, Gauss olmayan ve durağan olmayan sensör sinyalleri modellemek için parametrik olmayan bir Bayes analitik yaklaşımı kullanılmıştır. Tekrarlayan Yuvalanmış Dirichlet Süreci adı verilen evrimsel bir kümeleme analizi (RNDP) yaklaşımı kullanılarak MEMS sinyallerinden CMP süreç değişikliklerinin izlenmesi sağlanmıştır. Bu yeni sinyal analizi yaklaşımı kullanılarak süreç kaymaları 20 milisaniye içindetespit edilebilmektedir ve geleneksel SPC çizelgelerinden 3-7 kat daha hızlı olduğu gösterilmiştir. Bu, uygulama açısından sektör için çok faydalıdır, çünkü CMP süreci sapmalarının doğru tahmin edilebilirse verim kayıpları büyük ölçüde azaltılacaktır. Son olarak, Dirichlet Süreci (DP) olarak adlandırılan parametrik olmayan bir Bayes modelleme yaklaşımı çok seviyeli hiyerarşik bilgi birleştirme tekniği ile birleştirilerek yükses hassas üretimlerde yüzey kalitesi süreç izlenmesi gerçekleştirilmiştir. Bu yaklaşımı kullanarak, altı farklı sinyal sensörü (üç eksenli titreşim ve kuvvet) bilgi füzyonu teorisine dayalı olarak entegre edilmiştir. UPM sensör verilerinin kullanıldığı verilere dayanarak çoklu sensör bilgi füzyonu tekli sensörlere nazaran %15- 30 daha doğru sonuçlar üretmektedir.Bu, ultra hassas üretim uygulamalarında daha doğru ve güvenilir tahmin sağlayacaktır.
Özet (Çeviri)
This research investigates methodologies for real-time process monitoring in ultra-precision manufacturing processes, specifically, chemical mechanical planarization (CMP) and ultra-precision machining (UPM), are investigated in this dissertation. The three main components of this research are as follows: (1) developing a predictive modeling approaches for early detection of process anomalies/change points, (2) devising approaches that can capture the non-Gaussian and non-stationary characteristics of CMP and UPM processes, and (3) integrating multiple sensor data to make more reliable process related decisions in real-time. In the first part, we establish a quantitative relationship between CMP process performance, such as material removal rate (MRR) and data acquired from wireless vibration sensors. Subsequently, a non-linear sequential Bayesian analysis is integrated with decision theoretic concepts for detection of CMP process end-point for blanket copper wafers. Using this approach, CMP polishing end-point was detected within a 5% error rate. Next, a non-parametric Bayesian analytical approach is utilized to capture the inherently complex, non-Gaussian, and non-stationary sensor signal patterns observed in CMP process. An evolutionary clustering analysis, called Recurrent Nested Dirichlet Process (RNDP) approach is developed for monitoring CMP process changes using MEMS vibration signals. Using this novel signal analysis approach, process drifts are detected within 20 milliseconds and is assessed to be 3-7 times faster than traditional SPC charts. This is very beneficial to the industry from an application standpoint, because, wafer yield losses will be mitigated to a great extent, if the onset of CMP process drifts can be detected timely and accurately. Lastly, a non-parametric Bayesian modeling approach, termed Dirichlet Process (DP) is combined with a multi-level hierarchical information fusion technique for monitoring of surface finish in UPM process. Using this approach, signal patterns from six different sensors (three axis vibration and force) are integrated based on information fusion theory. It was observed that using experimental UPM sensor data that process decisions based on the multiple sensor information fusion approach were 15%-30% more accurate than the decisions from individual sensors. This will enable more accurate and reliable estimation of process conditions in ultra-precision manufacturing applications.
Benzer Tezler
- Developing learning algorithms for enhancing industrial machine vision systems and improving task accuracy of robotic manipulators
Endüstriyel yapay görme sistemlerini iyileştirmek ve robotik manipülatörlerin görev doğruluğunu artırmak için öğrenme algoritmalarının geliştirilmesi
DIYAR KHALIS BILAL
Doktora
İngilizce
2021
Mekatronik MühendisliğiSabancı ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. MUSTAFA ÜNEL
- Development of QCM sensors for measuring particulate matter concentration
QCM sensörlerinin partikül madde konsantrasyonunu ölçmek için geliştirilmesi
MAJID JAVADZADEHKALKHORAN
Doktora
İngilizce
2024
Makine Mühendisliğiİstanbul Teknik ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
PROF. DR. LEVENT TRABZON
- Development of highly sensitive NiO thin film humiditysensors for medical applications
Tıbbi uygulamalar için yüksek hassasiyetli NiO ince film nem sensörlerinin geliştirilmesi
IBRAHIM A.I. SALAH
Doktora
İngilizce
2024
Fizik ve Fizik MühendisliğiSüleyman Demirel ÜniversitesiFizik Ana Bilim Dalı
DOÇ. DR. MURAT KALELİ
- İyon seçici sol-jel film sentezi ve optik sensör olarak kullanmı
Ion selective sol-gel film synthesis and usage as optical sensor
MERVE UMUTLU
- Açık deniz platformlarının konumlandırılması için konum belirleme sistemlerinin entegrasyonu
Positioning systems integration for locating offshore platforms
MAHMUT OLCAY KORKMAZ
Doktora
Türkçe
2012
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. RAHMİ NURHAN ÇELİK