Upload
rosina-pieri
View
215
Download
2
Embed Size (px)
Citation preview
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