FACOLTA’ DI INGEGNERIAFACOLTA’ DI INGEGNERIACorso di Laurea in Corso di Laurea in

Ingegneria ElettronicaIngegneria Elettronica

TECNICHE SOFT - COMPUTING PER IL CONTROLLO TECNICHE SOFT - COMPUTING PER IL CONTROLLO DI UN APPARATO DI DEPOSIZIONE PER FILM DI UN APPARATO DI DEPOSIZIONE PER FILM

SOTTILISOTTILI

RELATORI:

Ing. R. CAPONETTO

Ing. M. G. XIBILIA

Ing. C. PACE

Prof. G. NERI

Tesi di Laurea di:

Nunzio DIPAOLA

SOMMARIOSOMMARIO

L’Apparato di DeposizioneModellizzazione

Modello Lineare EsistenteModelli Neurali Proposti

Sintesi del ControlloreSintesi Della Legge di Controllo FuzzyConfronto con PID Esistente

Trattamento TermicoAnalisi dei Film Sottili

L’Apparato di DeposizioneModellizzazione

Modello Lineare EsistenteModelli Neurali Proposti

Sintesi del ControlloreSintesi Della Legge di Controllo FuzzyConfronto con PID Esistente

Trattamento TermicoAnalisi dei Film Sottili

L’APPARATO DI DEPOSIZIONEL’APPARATO DI DEPOSIZIONE

Camera Riscaldatore Pompa a Membrana Flussimetro Termocoppia Trasduttore di

Pressione Scheda Multifunzione PC e Software

MODELLIZZAZIONEMODELLIZZAZIONESCHEMA INGRESSO - USCITA DEL SISTEMASCHEMA INGRESSO - USCITA DEL SISTEMA

V(k) = Tensione (V)

F(k) = Flusso (sccm)

T(k) = Temperatura (°C)

P(k) = Pressione (mbar)

•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

MODELLIZZAZIONEMODELLIZZAZIONE

MODELLO LINEARE DEL SISTEMAMODELLO 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

•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 lineareScarsa validità del modello lineare

•Identificazione Neurale•Misure Ingresso - Uscita

•Identificazione Neurale•Misure Ingresso - Uscita

MODELLIZZAZIONEMODELLIZZAZIONE

RETE NEURALE CLASSICARETE NEURALE CLASSICA

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)

E’ stata ipotizzata una struttura NARMAX del primo ordine

Pattern su tuttii punti di lavoro

Pattern su tuttii punti di lavoro

Validità in tutte le regionidi funzionamento

MODELLIZZAZIONEMODELLIZZAZIONE

FASE DI TRAINING RETE NEURALE CLASSICA:FASE DI TRAINING RETE NEURALE CLASSICA:Test della risposta della reteTest della risposta della rete

= Target

+ = Uscita Rete Neurale

MSE = 0.017MSE = 0.017

MODELLIZZAZIONEMODELLIZZAZIONERETE NEURALE A PARAMETRI VARIABILIRETE 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 dellatemperatura sono presi su tutti i punti di funzionamento•Quelli relativi alla generazione di pressione su tutti i puntidi lavoro ma considerati separatamente

•I pattern di allenamento relativi alla generazione dellatemperatura sono presi su tutti i punti di funzionamento•Quelli relativi alla generazione di pressione su tutti i puntidi lavoro ma considerati separatamente

Algoritmo di selezione dei pesi relativi alla generazione della pressione in funzione della pressione corrente

Algoritmo di selezione dei pesi relativi alla generazione della pressione in funzione della pressione corrente

MODELLIZZAZIONEMODELLIZZAZIONEMODELLI DINAMICIMODELLI DINAMICI

Per l’uso delle reti neurali come sistemi dinamici è necessario retroazionare le uscite opportunamente ritardate e ritardare gli ingressi

Per l’uso delle reti neurali come sistemi dinamici è necessario retroazionare le uscite opportunamente ritardate e ritardare gli ingressi

MODELLIZZAZIONEMODELLIZZAZIONERISULTATI DELLE SIMULAZIONI E VALIDAZIONE DEI RISULTATI DELLE SIMULAZIONI E VALIDAZIONE DEI

MODELLIMODELLI

0 20 40 60 80 100 120

20

40

60

80

100

120

140

160

180

200

Target Neurale Neurale var. Lineare

Tem

pera

tura

(°C

)

Tempo (min.)

0 20 40 60 80 100 120

20

40

60

80

100

120

140

160

180

200

Target Neurale Neurale var. Lineare

Tem

pera

tura

(°C

)

Tempo (min.)0 20 40 60 80 100 120

460

480

500

520

540

560

580

600

Target Neurale Neurale var. Lineare

Pre

ssio

ne (

mba

r)

Tempo (min.)

0 20 40 60 80 100 120460

480

500

520

540

560

580

600

Target Neurale Neurale var. Lineare

Pre

ssio

ne (

mba

r)

Tempo (min.)

Valore Medio di Pressione: 500 mbarValore Medio di Pressione: 500 mbar

MODELLIZZAZIONEMODELLIZZAZIONERISULTATI DELLE SIMULAZIONI E VALIDAZIONE DEI RISULTATI DELLE SIMULAZIONI E VALIDAZIONE DEI

MODELLIMODELLI

Valore Medio di Pressione: 100 mbarValore Medio di Pressione: 100 mbar

0 20 40 60 80 100 120 140

0

50

100

150

200

250

300

350

400

Target Neurale Neurale var. Lineare

Tem

pera

tura

(°C

)

Tempo (min.)

0 20 40 60 80 100 120 140

0

50

100

150

200

250

300

350

400

Target Neurale Neurale var. Lineare

Tem

pera

tura

(°C

)

Tempo (min.) 0 20 40 60 80 100 120 1400

50

100

150

200

250

300

350

400

Target Neurale Neurale var. Lineare

Pre

ssio

ne (

mba

r)

Tempo (min.)

0 20 40 60 80 100 120 1400

50

100

150

200

250

300

350

400

Target Neurale Neurale var. Lineare

Pre

ssio

ne (

mba

r)

Tempo (min.)

MODELLIZZAZIONEMODELLIZZAZIONERISULTATI DELLE SIMULAZIONI E VALIDAZIONE DEI RISULTATI DELLE SIMULAZIONI E VALIDAZIONE DEI

MODELLIMODELLI

Valore Medio di Pressione: 800 mbarValore Medio di Pressione: 800 mbar

0 20 40 60 80 100 120 140

0

100

200

300

400

500

Target Neurale Neurale var. Lineare

Tem

pera

tura

(°C

)

Tempo (min.)

0 20 40 60 80 100 120 140

0

100

200

300

400

500

Target Neurale Neurale var. Lineare

Tem

pera

tura

(°C

)

Tempo (min.)0 20 40 60 80 100 120 140

750

760

770

780

790

800

810

820

830

840

850

860

870

880

890

Target Neurale Neurale var. Lineare

Pre

ssio

ne (

mba

r)

Tempo (min.)

0 20 40 60 80 100 120 140

750

760

770

780

790

800

810

820

830

840

850

860

870

880

890

Target Neurale Neurale var. Lineare

Pre

ssio

ne (

mba

r)

Tempo (min.)

SINTESI DEL CONTROLLORESINTESI DEL CONTROLLORESCHEMA DI CONTROLLO N° 1SCHEMA DI CONTROLLO N° 1

Le variabili di controllo sono fornite dal valore contenuto in unamemoria (“Memory”) continuamente integrate dal controllorefuzzy in modo che a regime il controllore non fornisce variazionie la memoria contiene i valori ottimi di controllo

Le variabili di controllo sono fornite dal valore contenuto in unamemoria (“Memory”) continuamente integrate dal controllorefuzzy in modo che a regime il controllore non fornisce variazionie la memoria contiene i valori ottimi di controllo

SINTESI DEL CONTROLLORESINTESI DEL CONTROLLORESCHEMA DI CONTROLLO N° 1SCHEMA DI CONTROLLO N° 1

Sintesi mediante Algoritmo GeneticoSintesi mediante Algoritmo Genetico

4 variabilid’ingresso

4 variabilid’ingresso

3 fuzzy setgaussiani

per ogni variabile

3 fuzzy setgaussiani

per ogni variabile

24 parametriper gli antecedenti

24 parametriper gli antecedenti

2 variabilid’uscita

2 variabilid’uscita

1 singleton perciascuna delle 81regole per ogni

variabile

1 singleton perciascuna delle 81regole per ogni

variabile

162 parametriper i conseguenti

162 parametriper i conseguenti

186 parametritotali

da determinare

186 parametritotali

da determinare

Possibili Combinazioni 81 regolePossibili Combinazioni 81 regole

SINTESI DEL CONTROLLORESINTESI DEL CONTROLLORESCHEMA DI CONTROLLO N° 1SCHEMA DI CONTROLLO N° 1

Sintesi mediante Algoritmo GeneticoSintesi mediante Algoritmo Genetico

Popolazione di300 individui

FunzioneobiettivoMSE(R-Y)

Popolazione di300 individui

FunzioneobiettivoMSE(R-Y)

Codifica Gray con 8 bits Cromosoma di 1488 bits

SINTESI DEL CONTROLLORESINTESI DEL CONTROLLORESCHEMA DI CONTROLLO N° 1SCHEMA DI CONTROLLO N° 1

Sintesi mediante Algoritmo GeneticoSintesi mediante Algoritmo GeneticoRisposta Reale

0 20 40 60 80 100 120 140 160

20

40

60

80

100

120

Uscita Riferimento

Tem

pera

tura

(°C

)

Tempo (min.)

0 20 40 60 80 100 120 140 160

20

40

60

80

100

120

Uscita Riferimento

Tem

pera

tura

(°C

)

Tempo (min.)0 20 40 60 80 100 120 140 160

470

480

490

500

510

520

530

Uscita Riferimento

Pre

ssio

ne (

mba

r)

Tempo (min.)

0 20 40 60 80 100 120 140 160

470

480

490

500

510

520

530

Uscita Riferimento

Pre

ssio

ne (

mba

r)

Tempo (min.)

Oscillazioni del 10 %sul valore massimo

Oscillazioni del 10 %sul valore massimo

Oscillazioni dovuteal rumore della pompa

Oscillazioni dovuteal rumore della pompa

SINTESI DEL CONTROLLORESINTESI DEL CONTROLLORESCHEMA DI CONTROLLO N° 1SCHEMA DI CONTROLLO N° 1

Sintesi EuristicaSintesi 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

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)

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)

SINTESI DEL CONTROLLORESINTESI DEL CONTROLLORESCHEMA DI CONTROLLO N° 1SCHEMA DI CONTROLLO N° 1

Sintesi EuristicaSintesi Euristica

Risposta Reale

0 20 40 60 80 100 1200

50

100

150

200

250

Uscita Riferimento

Tem

per

atur

a (

°C)

Tempo (min.)

0 20 40 60 80 100 1200

50

100

150

200

250

Uscita Riferimento

Tem

per

atur

a (

°C)

Tempo (min.)0 20 40 60 80 100 120

180

200

220

240

260

280

300

320

Uscita Riferimento

Pre

ssio

ne

(m

bar)

Tempo (min.)

0 20 40 60 80 100 120180

200

220

240

260

280

300

320

Uscita Riferimento

Pre

ssio

ne

(m

bar)

Tempo (min.)

Oscillazioni del 15 %sul valore massimo

Oscillazioni del 15 %sul valore massimo

Oscillazioni dovuteal rumore della pompa

Oscillazioni dovuteal rumore della pompa

SINTESI DEL CONTROLLORESINTESI DEL CONTROLLORESCHEMA DI CONTROLLO N° 2SCHEMA DI CONTROLLO N° 2

I controllori tengono conto dell’accoppiamento tra le variabiliin quanto il controllo di temperatura dipende dalle variazionidi flusso e il controllo di pressione dalle variazioni di temperatura

I controllori tengono conto dell’accoppiamento tra le variabiliin quanto il controllo di temperatura dipende dalle variazionidi flusso e il controllo di pressione dalle variazioni di temperatura

SINTESI DEL CONTROLLORESINTESI DEL CONTROLLORESCHEMA DI CONTROLLO N° 2SCHEMA DI CONTROLLO N° 2

Sintesi EuristicaSintesi 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

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)

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)

SINTESI DEL CONTROLLORESINTESI DEL CONTROLLORESCHEMA DI CONTROLLO N° 2SCHEMA DI CONTROLLO N° 2

Sintesi EuristicaSintesi Euristica

Risposta in Simulazione

0 50 100 150 200 250 300 350 4000

200

400

600

Tem

pera

tura

(°C

)

0 50 100 150 200 250 300 350 4000

5

10

15

Ten

sion

e (V

)

0 50 100 150 200 250 300 350 400-100

-50

0

50

Et (

°C)

Tempo (min.)

0 50 100 150 200 250 300 350 4000

200

400

600

Tem

pera

tura

(°C

)

0 50 100 150 200 250 300 350 4000

5

10

15

Ten

sion

e (V

)

0 50 100 150 200 250 300 350 400-100

-50

0

50

Et (

°C)

Tempo (min.)

0 50 100 150 200 250 300 350 4000

500

1000

Pre

ssio

ne (

mba

r)

0 50 100 150 200 250 300 350 4000

5

10

Flu

sso

(scc

m)

0 50 100 150 200 250 300 350 400-400

-200

0

200

Ep

(mba

r)

Tempo (min.)

0 50 100 150 200 250 300 350 4000

500

1000

Pre

ssio

ne (

mba

r)

0 50 100 150 200 250 300 350 4000

5

10

Flu

sso

(scc

m)

0 50 100 150 200 250 300 350 400-400

-200

0

200

Ep

(mba

r)

Tempo (min.)

Oscillazioni del 5 %sul valore massimo

Oscillazioni del 5 %sul valore massimo

Oscillazioni inaccettabilidi 200 mbar

Oscillazioni inaccettabilidi 200 mbar

SINTESI DEL CONTROLLORESINTESI DEL CONTROLLORESCHEMA DI CONTROLLO N° 3SCHEMA DI CONTROLLO N° 3

Al fine di migliorare le prestazioni della risposta in temperaturail controllore fuzzy fornisce direttamente la tensione di controllomentre la modalità di controllo della pressione è invariata

Al fine di migliorare le prestazioni della risposta in temperaturail controllore fuzzy fornisce direttamente la tensione di controllomentre la modalità di controllo della pressione è invariata

SINTESI DEL CONTROLLORESINTESI DEL CONTROLLORESCHEMA DI CONTROLLO N° 3SCHEMA DI CONTROLLO N° 3

Sintesi EuristicaSintesi 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.

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.

-200 -150 -100 -50 0 50 100 150 2000

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1Variabile IN 1

0 100 200 300 400 500 600 700 800 900 10000

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1Variabile IN 2

-100 -80 -60 -40 -20 0 20 40 60 80 1000

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1Variabile IN 4

-100 -80 -60 -40 -20 0 20 40 60 80 1000

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1Variabile IN 3

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)

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)

Interpolazione in funzione della pressione permette di compensare lavariazione d’inerzia termica dovuta alla variazione di pressione

Interpolazione in funzione della pressione permette di compensare lavariazione d’inerzia termica dovuta alla variazione di pressione

SINTESI DEL CONTROLLORESINTESI DEL CONTROLLORESCHEMA DI CONTROLLO N° 3SCHEMA DI CONTROLLO N° 3

Ottimizzazione mediante Algoritmo GeneticoOttimizzazione mediante Algoritmo Genetico

4 variabilid’ingresso

4 variabilid’ingresso

5 fuzzy setgaussiani

per ogni variabile

5 fuzzy setgaussiani

per ogni variabile

40 parametriper gli antecedenti

40 parametriper gli antecedenti

40 parametriper i conseguenti

40 parametriper i conseguenti

80 parametritotali

da ottimizzare

80 parametritotali

da ottimizzare1 singleton per

ciascuna delle 35regole relative

al controllodi pressione

1 singleton perciascuna delle 35

regole relativeal controllodi pressione

5 Guadagni relativial controllo ditemperatura

5 Guadagni relativial controllo ditemperatura

SINTESI DEL CONTROLLORESINTESI DEL CONTROLLORESCHEMA DI CONTROLLO N° 3SCHEMA DI CONTROLLO N° 3

Ottimizzazione mediante Algoritmo GeneticoOttimizzazione mediante Algoritmo Genetico

Popolazione di200 individui

FunzioneobiettivoMSE(R-Y)

Popolazione di200 individui

FunzioneobiettivoMSE(R-Y)

Codifica con numeri reali Cromosoma di 80 numeri reali Inserimento di un “seme” costituito dai parametri ottenuti in modo euristico

-200 -150 -100 -50 0 50 100 150 2000

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1Variabile IN 1

0 100 200 300 400 500 600 700 800 900 10000

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1Variabile IN 2

-100 -80 -60 -40 -20 0 20 40 60 80 1000

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1Variabile IN 3

-100 -80 -60 -40 -20 0 20 40 60 80 1000

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1Variabile IN 4

Fuzzy set ottimizzatiFuzzy set ottimizzati

SINTESI DEL CONTROLLORESINTESI DEL CONTROLLOREANALISI DELLE RISPOSTE REALIANALISI DELLE RISPOSTE REALI

Risposte al gradino per una pressione di 300 mbarRisposte al gradino per una pressione di 300 mbar

0 5 10 15 2040

60

80

100

120

140

160

180

200

220

Riferimento Fuzzy Fuzzy gen. PID

Tem

pera

tura

(°C

)

Tempo (min.)

0 5 10 15 2040

60

80

100

120

140

160

180

200

220

Riferimento Fuzzy Fuzzy gen. PID

Tem

pera

tura

(°C

)

Tempo (min.)0 5 10 15 20

250

260

270

280

290

300

310

Riferimento Fuzzy (Pm=299.6) Fuzzy gen. (Pm=300.3) PID (Pm=294.4)

Pre

ssio

ne (

mba

r)

Tempo (min.)

0 5 10 15 20250

260

270

280

290

300

310

Riferimento Fuzzy (Pm=299.6) Fuzzy gen. (Pm=300.3) PID (Pm=294.4)

Pre

ssio

ne (

mba

r)

Tempo (min.)

Errori a regime nullisovraelongazione del 2,5 %

Errori a regime nullisovraelongazione del 2,5 %

Errore medio a regime nullo per icontrollori fuzzy e del 2 % per

il controllore PID

Errore medio a regime nullo per icontrollori fuzzy e del 2 % per

il controllore PID

SINTESI DEL CONTROLLORESINTESI DEL CONTROLLOREANALISI DELLE RISPOSTE REALIANALISI DELLE RISPOSTE REALI

Risposte al gradino per una pressione di 500 mbarRisposte al gradino per una pressione di 500 mbar

0 5 10 15 20

20

40

60

80

100

120

140

160

180

200

220

Riferimento Fuzzy Fuzzy gen. PID

Tem

pera

tura

(°C

)

Tempo (min.)

0 5 10 15 20

20

40

60

80

100

120

140

160

180

200

220

Riferimento Fuzzy Fuzzy gen. PID

Tem

pera

tura

(°C

)

Tempo (min.)0 5 10 15 20

460

480

500

Riferimento Fuzzy (Pm=500.4) Fuzzy gen. (Pm=499.4) PID (Pm=494.1)P

ress

ione

(m

bar)

Tempo (min.)

0 5 10 15 20

460

480

500

Riferimento Fuzzy (Pm=500.4) Fuzzy gen. (Pm=499.4) PID (Pm=494.1)P

ress

ione

(m

bar)

Tempo (min.)

Errori a regime nullisovraelongazione del 2,5 %

Errori a regime nullisovraelongazione del 2,5 %

Errore medio a regime nullo per icontrollori fuzzy e del 1,2 % per

il controllore PID

Errore medio a regime nullo per icontrollori fuzzy e del 1,2 % per

il controllore PID

SINTESI DEL CONTROLLORESINTESI DEL CONTROLLOREANALISI DELLE RISPOSTE REALIANALISI DELLE RISPOSTE REALI

Risposte al gradino per una pressione di 700 mbarRisposte al gradino per una pressione di 700 mbar

0 5 10 15 2040

60

80

100

120

140

160

180

200

220

Riferimento Fuzzy Fuzzy gen. PID

Tem

pe

ratu

ra (

°C)

Tempo (min.)

0 5 10 15 2040

60

80

100

120

140

160

180

200

220

Riferimento Fuzzy Fuzzy gen. PID

Tem

pe

ratu

ra (

°C)

Tempo (min.)

Errori a regime nullisovraelongazione del 2,5 %

Errori a regime nullisovraelongazione del 2,5 %

Errore medio a regime dello 0,1% per i controllori fuzzy ottimizzato

del 0,4 % per quello non ottimizzatoe di 1 % il controllore PID

Errore medio a regime dello 0,1% per i controllori fuzzy ottimizzato

del 0,4 % per quello non ottimizzatoe di 1 % il controllore PID

0 5 10 15 20

660

680

700

Riferimento Fuzzy (Pm=697.3) Fuzzy gen. (Pm=699.0) PID (Pm=692.6)

Pre

ssio

ne (

mba

r)

Tempo (min.)

0 5 10 15 20

660

680

700

Riferimento Fuzzy (Pm=697.3) Fuzzy gen. (Pm=699.0) PID (Pm=692.6)

Pre

ssio

ne (

mba

r)

Tempo (min.)

SOFTWARE DI CONTROLLOSOFTWARE DI CONTROLLOLa 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 deivalori di

riferimentocorrenti

Lettura deivalori di

riferimentocorrenti

Acquisizionedalla schedadei valori di

uscitacorrenti

Acquisizionedalla schedadei valori di

uscitacorrenti

Calcolodegli errori edella derivatadell’errore di

pressione

Calcolodegli errori edella derivatadell’errore di

pressione

Routine di inferenza fuzzyFuzzy3(Et, Ep, P, dEp/dt)

Routine di inferenza fuzzyFuzzy3(Et, Ep, P, dEp/dt)

(Tensione, Variaz. Flusso)variabili di controllo

forniti alla scheda per laconversione D/A

(Tensione, Variaz. Flusso)variabili di controllo

forniti alla scheda per laconversione D/A

TRATTAMENTO TERMICOTRATTAMENTO TERMICO

0 100 200 300 4000

100

200

300

400

Riferimento Temperatura

Tem

pera

tura

(°C

)

Tempo (min.)

0 100 200 300 4000

100

200

300

400

Riferimento Temperatura

Tem

pera

tura

(°C

)

Tempo (min.)0 100 200 300 400

460

480

500

520

Riferimento Pressione

Pre

ssio

ne (

mba

r)

Tempo (min.)

0 100 200 300 400

460

480

500

520

Riferimento Pressione

Pre

ssio

ne (

mba

r)

Tempo (min.)

E’ stato eseguito un tipico trattamento termico al fine di valutare gli effetti di un accurato controllo sul processo di deposizione del film

ANALISI DEI FILM SOTTILIANALISI DEI FILM SOTTILI

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 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.

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

FeFe22OO33 depositato su Allumina depositato su Allumina

CONCLUSIONICONCLUSIONI

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

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