Ontwikkeling zeer nauwkeurige bewegingssystemen op de nanometer

TU Eindhoven heeft via datagedreven modelleren en machine learning een verbeterde versie ontwikkeld van de planaire motor met een bewegende magneet, die 50% nauwkeuriger kan werken.

Trefwoorden: #besturing, #elektromagnetisch, #halfgeleider, #Linear Parameter Varying, #lithografie, #machine learning, #magneet, #modelleren, #mover, #planaire motor, #TU Eindhoven, #vervorming, #waferscanner, #zwevend

Lees verder

research

( Foto: TU Eindhoven )

ENGINEERINGNET.BE - Planaire motoren zijn mechanische apparaten waarvan het bewegende deel in de ruimte kan bewegen en roteren.

Een state-of-the-art toepassing van dit soort motoren zijn waferscanners; complexe machines die de halfgeleiderindustrie gebruikt om met lithografie geïntegreerde schakelingen te produceren.

In deze magnetisch zwevende motor is de mover een vrij zwevend lichaam zonder fysieke verbinding met de omgeving, waardoor het effect van omgevingsstoringen op de mover wordt onderdrukt.

Er zijn echter verschillende, dynamische fenomenen aanwezig in deze motor, zoals de intrinsiek positie-afhankelijke elektromagnetische interactie. Ook veroorzaakt het magnetische veld krachten op de mover, die niet gelijkmatig zijn verdeeld over het oppervlak. Als resultaat kan de mover mechanische vervorming ondergaan, wat de bereikte positioneringsnauwkeurigheid belemmert.

Elektrotechnisch ingenieur Ioannis Proimadis van TU Eindhoven ontwikkelde daarom een zogeheten high-fidelity-model om de fundamentele elektromagnetische en mechanische principes van de planaire motor te beschrijven, door gebruik te maken van de zogenaamde Linear Parameter Varying (LPV) modelleeromgeving.

Hierdoor is het ontwikkelde model te gebruiken om de eigenschappen van de motordynamiek te onderzoeken en om modelgebaseerde controllers te ontwerpen.

Proimadis ontwikkelde voorts een methode om de dynamische kenmerken van het analytische LPV-model aan te passen door gebruik te maken van het experimentele bewijs.

Met behulp van het ontwikkelde model werden controletechnieken geïmplementeerd die robuustheid bereiken tegen positieafhankelijke en onzekere dynamiek. Ook zijn diverse storingen die de positioneringsnauwkeurigheid verslechteren, onderdrukt via machine learning.

Experimentele resultaten toonden een verhoging van de nauwkeurigheid van dit schema met 50%. TU Eindhoven zet daarom het project voort om de modelleer- en besturingstechnieken voor dit type motor verder te ontwikkelen.