[发明专利]基于CompactParticleSwarmOptimization算法的光刻机掩模台微动台的机械参数软测量方法

权利要求书

1.一种基于Compact Particle Swarm Optimization算法的光刻机掩模台微动台的机械参数软测量方法，其特征在于，所述方法包括如下步骤：

步骤一：根据掩模台微动台的机械机构及其理论设计，建立微动台的理想运动学模型，确定待测机械参数，建立掩模台微动台含差模型；

所述步骤一中，建立的掩模台微动台含差模型为：

FM→=FxFyMrzMrxMryFzTFR→=fxfy1fy2fv1fv2fv3TFM→=Cr6×6·FR→;]]>

和分别为微动台测量的两组参数，具体为：

F_x为掩模台微动台X向合力；

F_y为掩模台微动台Y向合力；

F_z为掩模台微动台Z向合力；

M_rx为掩模台微动台X向转矩；

M_ry为掩模台微动台Y向转矩；

M_rz为掩模台微动台Z向转矩；

f_x为掩模台X向电机力；

f_y1为掩模台Y向1号电机力；

f_y2为掩模台Y向2号电机力；

f_v1为掩模台垂向1号电机力；

f_v2为掩模台垂向2号电机力；

f_v3为掩模台垂向3号电机力；

Cr_6×6为掩模台微动台待辨识的机械误差参数的含差系数矩阵；

步骤二：给定位置输入，驱动微动台运动产生位移，将实际输出位移与通过建立的掩模台微动台含差模型计算出的输出位移值做差，作为寻优的目标函数；

所述目标函数为：

C_i为第i组微动台测量数据代入目标函数对应的Cr_6×6矩阵，为第i组微动台测量数据代入目标函数对应的为第i组微动台测量数据代入目标函数对应的

步骤三：根据目标函数，利用Compact Particle Swarm Optimization优化学习算法确定待辨识的机械参数；

所述步骤三包括如下步骤：

步骤三一：初始化计数器t＝0，机械误差参数的概率分布均值初始值μ_t[i]＝0，机械误差参数的概率分布方差初始值σ_t[i]＝λ；i＝0,…n；n为待辨识的机械误差参数的个数；构成PV矩阵的初始值PV的每一行包含高斯分布的一组均值和方差；其中t为优化学习迭代的次数；初始化每项机械误差参数的寻优范围，在生成个体时，若向上超过了所设置的寻优范围则取上边界，若向下超过了所设置的寻优范围则取下边界；

步骤三二：由PV矩阵生成随机向量x_gb、向量x^t的初值和向量v^t的初值

步骤三三：判断t是否等于设定的值Gm，若是，则随机向量x_gb中的参数即为待辨识的机械误差参数的估计最优值，待辨识的机械参数的估计最优值即为误差参数的估计最优值与相应标称值的和，若否，则转入步骤三四；

步骤三四：由PV矩阵生成局部最优值向量

步骤三五：更新x^t+1和v^t+1：

vt+1=φ1vt+φ2(xlbt-xt)+φ3(xgb-xt)]]>

x^t+1＝γ₁x^t+γ₂v^t+1

其中，φ₁、φ₂、φ₃、γ₁和γ₂均为优化的权重；

步骤三六：将x^t+1与局部最优值向量代入目标函数，将获得的函数值进行比较，若函数值则转入步骤三七，若则转入步骤三七；

步骤三七：更新机械误差参数的概率分布均值μ_t+1[i]、机械误差参数的概率分布方差σ_t+1[i]：

μt+1[i]=μt[i]+1Np(winner[i]-loser[i])σt+1[i]=(σt[i])2+(μt+1[i])2-(μt[i])2+1Np(winner2[i]-loser2[i]),]]>

Np表示紧凑式教学优化算法虚拟人口数，loser表示目标函数得到的较差解向量，winner表示目标函数得到的较优解向量；

步骤三八：将x^t+1与随机向量x_gb代入目标函数，将获得的函数值进行比较，若函数值f(x^t+1)＜f(x_gb)，则转入步骤三九，若f(x_gb)＜f(x^t+1)，则x_gb＝x^t+1，转入步骤三九；

步骤三九：t＝t+1，转入步骤三三。