分层递阶智能控制在IC测试分选机中的应用

梁达平，赵利民，蔡志元

(1.天水师范学院电信与电气工程学院，甘肃天水741000；2.天水华天科技股份有限公司，甘肃天水741000)

分层递阶智能控制在IC测试分选机中的应用

梁达平1，赵利民1，蔡志元2

(1.天水师范学院电信与电气工程学院，甘肃天水741000；2.天水华天科技股份有限公司，甘肃天水741000)

针对目前IC测试分选机因各功能单元之间无协调控制算法而导致的产能竞争冲突问题，在改进型分选机设备中引入了其它行业解决类似问题比较成功的分层递阶控制结构，并在该结构中的组织级控制层采用了智能化程度较高的专家控制策略，在执行级控制层中采用了控制精度较高的迭代学习策略。通过对改进前后两种设备的算法模型进行实测数据对比分析，证明采用分层递阶控制方案的设备性能要远优于采用传统方案的设备，其流水线配合协调度明显提高，并具有良好的动态特性和鲁棒性。

分层递阶控制；专家控制；迭代学习控制；测试分选机

IC测试分选机是集成电路芯片封测工艺流程中的重要生产设备，能够自动将完成封装的芯片根据各站测试数据进行产品等级分档并装入对应管条中，大大减轻了分拣操作的人工工作量。评价设备控制性能的主要指标是每小时分档完成芯片数（以下简称NUPH），理想产出数量为4 500～5 500粒/h。为了提高NUPH值，目前市场上销售的大多数分选机设备对芯片产品在各单元过站的速率不加限制，功能单元配合度方面几乎没有任何算法设计，这就造成单元之间产能无序竞争、缺乏整体协调，导致NUPH值失控和经常性卡料，反而影响了设备的整体产能效率。

针对上述问题，设备供应商也进行了相关技改和研发，但研究重点主要都集中在设备部件优化和控制精度提高方面，而在单元间协调控制算法优化方面却关注甚少。此外，各类技术文献库中也几乎没有相关研究的资料。因此在确定技改方案时，需要更多地借鉴其它行业中类似问题的解决方案。例如，文献[1]中提出一种基于专家思想的PID控制算法，设置多种方式实现不同工况下的伺服控制，满足了永磁同步电机速度伺服控制系统较快的跟踪性能和较强的抗干扰能力的需求。文献[2]提出了一种基于移动机器人运动模型的模糊开闭环PID-P型非线性离散迭代学习控制方法，并给出了PID-P型迭代学习的收敛条件及其证明过程。文献[3]为解决任意初态下的轨迹跟踪问题，针对一类含参数和非参数不确定性的非线性系统，提出基于滤波误差初始修正的自适应迭代学习控制方法。文献[4]利用物联网技术搭建多列车协同控制条件下实时交互技术框架，建立分层递阶控制模型，通过列车牵引控制策略实现多列车间动态协同控制。文献[5]建立了一种基于分层递阶的片烟干燥智能控制系统，由温度基准寻优模块 (组织级)、含水率稳定控制模块(协调级)、热风温度单回路PID控制 (执行级)3个层次构成。

综合上述文献资料，可以看出分层递阶智能控制能够将控制任务划分为多层结构，将组织规划、配合协调、流水线生产等功能由不同控制层分别实现并相互协作，从而达到智能性与精确性并重的控制效果。该方法适用于各类程序控制系统，已经成功地在交通、电力、人工神经网络、仿人智能控制等领域获得应用。测试分选机控制由多个功能单元完成，要做到各单元之间良好的协调配合，显然需要更高一级的智能控制层进行统筹，因此引入分层递阶智能控制结构是很适合的。

1 分层递阶控制结构设计

成熟的分层递阶控制理论由Saridis于1977年提出[6]，其控制模式包括3级递阶结构，分别是组织级、协调级和执行级，每一级控制器在算法上没有限制，可根据控制对象、性能要求选用适合的方法。经过对测试分选机功能的层次分析，建立分层控制结构如图1所示。

组织级负责系统的规划、决策、推理等，偏重于高智能性和低控制精度，因此算法上采用专家控制策略。通过组织级控制器的统筹规划，将各单元的NUPH值限制在合理范围内，以保证相互之间最佳的配合效果，避免出现产能竞争和产品拥堵的情况。

协调级是组织级与执行级的中间接口，负责将组织级指令发送给各执行级，并采集反馈执行级的输出信息。由于分选机控制器采用的是DDC (直接数字控制)结构，整个系统的主控功能由一台工业控制计算机集中实现，属于单控制器模式，因此在控制算法执行的微观层面是顺序扫描各功能单元，并不存在物理上真正独立的单元控制实体，也就不会产生因通信资源竞争导致的协调冲突问题，所以该功能层可以省略。

执行级由6个平级的功能单元控制器组成，分别为上料单元、旋转送料单元、ISO绝缘测试单元、核心测试及打印单元、分类梭单元、出料单元，各功能单元之间采用流水线顺序工作方式，负责各自具体的生产过程控制，偏重于高控制精度和低智能性，并且控制行为具有重复性，因此算法上采用迭代学习策略。执行级控制器的核心任务就是将组织级控制器给定的NUPH期望值尽可能精确地实现，从而实现组织级产能协调的宏观目标。

2 组织级专家控制算法设计

专家控制的优点在于无需建立精确数学模型和控制律，对于变化性强的控制对象有较强的适应性，从控制效果上来讲具有宏观性，这与模型控制算法相结合可以达到取长补短的优化效果。决定专家控制算法性能优劣的关键在于选取恰当的规则评估指标。

2.1 专家控制系统结构设计

根据专家控制理论将控制结构设计为4个主要部分，包括控制性能识别单元、输出量特征识别单元、知识库、推理机，如图2所示。由于组织级控制器需要协调功能单元之间的配合，因此采用多输入多输出线性叠加的多变量专家控制结构。输入信号为各单元的实时NUPH输出值，由推理机进行规则检测并完成输出信号生成。输出信号为修正后的各单元最优NUPH值，作为对应单元执行级控制器的目标值输入。

图2 组织级专家控制系统结构图

2.2 知识库设计

根据对多台分选机设备大量实际生产数据分析测试，将设备工作在最优状态（是实测数据最优，不是理论值最优，以下简称最优，最优状态在原设备中不具有持续性和可控性）时各单元与核心测试及打印单元的产能比值关系ki（计算方法如公式1所示）以专家规则的形式记录在知识库中，如表1所示。选定核心测试及打印单元NUPH值作为比值基准是因为该单元是整个设备的工作瓶颈点，同时也是对NUPH要求最高的单元。在生产过程中，可以根据核心测试及打印单元的实时NUPH值和预设的期望轨迹NUPH值确定当前所处的NUPH阶段，然后通过知识库的对应规则反推出各单元的最优NUPH值，与各单元的实时NUPH值相比较检测是否处于最优产能状态，如果没有则进行修正，并作为组织级输出信号传递给各执行级控制器。

这样就可使设备自运行开始，各功能单元的NUPH值之间始终保持最优比值关系，将原有设备偶然达到的高协调度流水线生产状态全程复现。组织级控制器能够对生产速率过快或过慢、有可能导致流水线瓶颈或拥塞的单元进行及时调整和抑制，保证了生产过程的稳定性，避免了因控制算法缺陷而产生的停机卡料现象。

表1 知识库规则表

3 执行级迭代学习控制算法设计

迭代学习控制理论于上世纪80年代提出，主要思路为通过函数迭代方法寻找控制输入v(t)，构造用于修正控制作用的学习律，使其产生的函数序列|vk(t)|收敛于v(t)。并且在v(t)作用下，系统的输出y(t)在区间[0，T]跟踪甚至与期望输出轨迹yd(t)重合。该控制算法可以利用较为简单的模型，不需要辨识系统参数，就能够达到对输出信号的高精度跟踪，且具有较好的鲁棒性，能够处理动力学系统中的不确定性，特别适用于具有重复运行特征的非线性、强耦合、无法建立精确模型却需要高精度的工业控制系统。由于分选机各功能单元均是通过重复性控制动作完成产品的过站操作；同时，作为分层控制结构的执行级来说控制精度要求是3个层次中最高的，需要能够精确实现组织级给定的目标值；因此执行级控制器的算法采用迭代学习是十分适合的。

3.1 动力学模型的建立

分选机各功能单元的执行动作主要通过将高低电平信号传递给电磁阀控制气缸伸缩来实现，动作速率通过定时器延时控制。如果将气缸的延时与伸缩动作合并考虑，就可以看成是具有可调速率的渐进式执行机构，从而将每个功能单元描述为典型的一阶惯性系统，其控制方框图如图3所示。图中v(t)为某个功能单元的输入控制作用，即气缸运动速率；y(t)为该功能单元的UPH输出；K1、K2、Km为前向及反馈通道放大系数；Tm为系统时间常数。

将方框图化简可写出系统微分方程表达式：

式中:a=(1+K1K2Km)/Tm，b=K1Km/Tm。在零初始条件下，可得微分方程的解为：

图3 各功能单元控制方框图

在区间[0，T]上给定NUPH变化的理想轨迹yd(t)，然后寻找输入气缸运动速率v(t)，使得在该输入作用下，输出NUPH在[0，T]上与yd(t)一致。

3.2 学习律设计

采用D型学习律[7]，可得到如下迭代过程：

如公式(4)～(6)所示，气缸在vk+1的输入作用下进行第k+1个周期的运动控制，并产生控制误差ek+1(t)，以上学习过程被反复迭代执行。可以看出，决定该学习是否有效的关键在于证明t∈[0，T]区间时，当k→∞，能否保证|e(t)|→0，即算法是否收敛。

3.3 收敛性证明

对于可重复系统来说yk(0)=yd(0)(k=0，1，2，…)，则输出误差可表示为：

进一步的，当k→∞时可以得到：

根据定理[8]：可导函数y1(t)和y2(t)，满足y1(t) =y2(t)(t∈[0，T])的必要条件是：

对于系统实际输出yk(t)与期望轨迹输出yd(t)，以上两个条件均满足，则可知系统输出误差一致性收敛，即

4 实验数据分析

以ISO绝缘测试单元为例，将开机运行后产生的UPH输出数据序列和期望轨迹数据序列提取出来，利用Matlab软件绘制出对应的各点坐标，并进行5阶多项式拟合处理，从而得到平滑的系统时间响应曲线。为了与原有设备的简单比例控制响应曲线加以比较，对原设备数据序列也进行了采集和相同处理，将得到的响应曲线进行叠加，如图4所示。

图4 输出响应与期望曲线对比

显然，引入分层递阶控制结构和相关算法后，降低了系统响应的振荡幅度，缩短了调节时间，经过重复迭代学习的实际输出响应可与期望轨迹很好地重合，系统能够快速完成轨迹调节。达到稳态后，对于猝发干扰信号的抑制效果很好，因干扰引起的输出偏离幅度只有不到3%，并且能够恢复至稳态无差（原设备采用的比例控制在受到干扰后稳态误差无法完全消除），明显地改善了系统的动态特性、干扰抑制性及鲁棒性。

由于组织级与执行级控制器均实现了更好的控制效果，从而使各单元的UPH比值关系能够始终保持在最优比附近，流水线配合的协调度明显提高，设备卡料频率由平均每分档1 800粒芯片卡料1次下降至每分档4 000粒芯片卡料1次。相应地，设备每小时产出数(NUPH)由原来的平均4 300粒/h提高至平均5 300粒/h。

5 结 论

本文针对IC测试分选机各功能单元之间产能缺乏协调经常引起芯片卡料停机的问题，将应用于其它行业解决层次控制问题比较成功的分层递阶控制结构引入分选机控制器算法中，并在该控制结构中的组织级控制层采用智能化程度高的专家控制策略，在执行级控制层中采用控制精度高的迭代学习策略。因为在硬件结构上并未作任何改动，所以整个技术改进工作没有增加设备制造成本。通过对改进前后两种设备算法模型基于NUPH变化进行的实测数据对比分析，证明在制造成本不变的前提下，采用分层递阶控制方案的设备性能要远优于采用传统简单比例控制方案的设备，其系统NUPH输出响应曲线能够很好地与期望轨迹重合、并快速响应达到无差稳态值，从而得到最优的实时NUPH输出，同时也降低了设备的卡料频率。

[1] 呼文豹，郭锐锋.基于专家PID控制器的伺服系统速度控制研究[J].计算机工程与设计，2013，34(7)：2372-2376.

[2] 刘国荣，张扬名.移动机器人轨迹跟踪的模糊PID_P型迭代学习控制[J].电子学报，2013，41(8)：1536-1541.

[3] 严求真，孙明轩，李鹤.任意初值非线性不确定系统的迭代学习控制[J].自动化学报，2016，42(4)：545-555.

[4] 孟建军.无人驾驶城轨车辆运动分析与控制策略研究[D].兰州：兰州交通大学，2014.

[5] 张良斌，堵劲松，范明登.基于分层递阶的片烟干燥智能控制系统[J].烟草科技，2016，49(11)：87-93.

[6] 刘金琨.智能控制[M].第三版.合肥：中国科学技术大学出版社，2014.

[7] 谢胜利.迭代学习控制的理论与应用[M].北京：科学出版社，2015.

[8] 邱伯驺.高等数学[M].第五版.北京：高等教育出版社，2013.

Design of a Controller of IC Testing Handler on Hierarchically Control Algorithm

LIANG Daping1，ZHAO Limin1，CAI Zhiyuan2

(1.School of Electronic Information and Electrical Engineering，Tianshui Normal University，Tianshui 741000，China; 2.Tianshui Huatian Technology Co.，Ltd.，Tianshui 741000，China)

All function units production capacity competition by reason of no control algorithm is the key problem to keep IC testing handler normal operation.A hierarchically control algorithm is used in new advanced testing handler，which has solved lots ofsimilarproblems successfullyin other industries. In this control structure，the expert control strategy is used in organization level，and the iterative learning control strategy is used in executive level.The result of experiment data indicates that the new method could improve coordination of the pipeline，reduce settling time and overshoot，and the new control algorithm has better interference suppression and robustness than regular algorithm.

Hierarchically control；Expert control；Iterative learning control；IC test handler；

TP273

A

1004-4507(2017)03-0026-05

2017-03-24