多线切割设备改造及关键参数优化

赵华东，安 宁，田增国，李欣鸽

（1.郑州大学机械工程学院，河南 郑州 450001；2.郑州大学物理学院，河南 郑州 450001）

1 引言

近年来，国内集成电路行业产业规模逐步扩大，关键产品取得突破。硅片是集成电路的基底材料，其制造技术的提升至关重要。多线切割是硅片生产中的重要工艺，IC（集成电路）级硅片要求具有很高的加工质量和成品率，设备的稳定性会对硅片质量有一定影响。在IC级硅片切割中，目前使用最多的是砂浆切割设备，日本的NTC442多线切割机是其中一种代表性设备。

在太阳能硅片生产行业，以新型金刚线切割设备为主流设备，这些设备大都来自进口，价格昂贵，企业更换设备困难，国产设备稳定性差，不能满足生产加工要求。而且，由于IC级硅片质量要求很高，国内仍未广泛使用金刚线切割设备进行切割。对NTC442多线切割机进行改造成金刚线切割设备，并进行切割测试[1]。由于切割过程复杂，影响切割质量的因素较多，机械结构、控制系统、工艺参数等都会对切割产生一定的影响。通过采集设备加工过程参数，结合数据挖掘方法，研究关键参数对切割的影响，预测切割质量的好坏，反馈、优化关键参数，对硅片金刚线切割设备国产化具有重要的指导意义。

2 砂浆切割与金刚线切割

砂浆多线切割主要是依靠配制的砂浆（碳化硅粉和聚乙二醇）与高碳钢切割线作为切割刃，对硅棒进行切割。游离的砂浆附着在高速运动的钢线上，随着钢线的往复运动对硅棒进行摩擦，从而把硅棒切成硅片[2]。金刚线切割主要是依靠固结在钢线上的金刚石颗粒作为切割刃，对硅棒进行切割[3]。使用树脂层或电镀使金刚石微小颗粒附着在钢线上，增加了钢线的寿命。

砂浆切割方式需要花较长时间去配备砂浆，且在切割过程中砂浆需一直保持搅拌状态，切割的钢线速度不会太快，加工效率低。砂浆切割是一个多因素交叉影响的切割方式，原料品质、砂浆配制、切割工艺、参数设定、人工操作都会影响切割效率和硅片质量。此外，砂浆切割工况较差、工人劳动强度大、切割后的砂浆与硅屑混在一起难以分离加大废物处理难度。而金刚线切割速度快，效率高；线径更小，出片率高；损伤层更小，产生的TTV（总的厚度偏差）更小，硅片质量更高；相比砂浆切割产生废砂浆，更加环保。

3 多线切割设备的改造

对NTC442多线切割机进行改造，把原来的砂浆多线切割设备改造成金刚线切割设备。具体改造如下：

3.1 切割室的改造

硅棒的切割在切割室进行，切割室包括切割底座、导向轮、升降系统、主辊、硅棒夹装系统等。NTC442切割设备可以切割最大硅棒尺寸为直径156×长300mm×2根，线速最大为1000m/min，线网是通过缠绕在两个主辊上完成切割的，主辊直径为（190～200）mm，主辊中心距为600mm。由于金刚线切割的线速更快（1300～1500）m/min，钢线线径更小0.07mm，主辊之间的距离也较远，导致切割的稳定性较差，钢线的晃动可能导致切片质量下降。因此，改变主辊之间的距离，由原来的600mm改为380mm，可以使线网拉紧，提高切割稳定性，如图1所示。

图1 切割室主辊改造Fig.1 Reconstruction of the Main Roll of the Cutting Coom

3.2 收放线室的改造

收放线室，如图2所示。

图2 收放线室线轮分布情况Fig.2 Distribution of Reels in the Take-Up and Pay-Off Room

包括收线轮，放线轮，导向轮和张力控制轮等。原设备一共有17个导线轮，由于金刚线切割的特点是钢线速度快，线径小，因此，减少导线轮的数量可以增大线速，降低断线几率[4]。改造的金刚线设备在收线端和放线端各设置3个导线轮，钢线由放线轮放出，经过定向轮，张力控制机构，缠绕在主辊的凹槽内，再经过收线侧的定向轮，张力控制机构，由收线轮收回[5]。这样减少了中间线轮的冗余，提高了切割效率，有效解决了断线问题。

3.3 冷却系统的改造

冷却系统主要包括热交换器和冷却缸等。砂浆多线切割是通过料浆排放口向线网喷洒料浆，喷洒时位置、角度、流量和温度等都会对切割质量有影响。金刚线切割不需要浆料，只需提供冷却液，由低粘度的水溶液冷却而成。砂浆的流量为（60～100）L/min，由于金刚线切割的线速度更快，经测算大约为160L/min，因此对冷却系统的浆料排放口进行了扩充改造，以满足金刚石多线切割的要求。

3.4 夹紧装置的改造

硅棒的安装是把硅棒装到相应的夹具上，用提升小车装到切割设备上，用力矩扳手夹紧硅棒。在原有手动夹紧的基础上，进行改造，改造成液压自动夹紧装置，实现自动夹紧功能，降低工作强度，可实现自动上下料。

3.5 过滤系统的改造

在切割过程中，切割液含有泡沫和润滑杂质，会对硅片的质量产生影响，因此，在原有设备的基础上，增加过滤系统，用来过滤杂质，提高切割的稳定性。

4 模型建立与质量预测

使用改造后的金刚线切割设备进行切割，通过数据采集系统对线切割机进行数据采集，采集按秒为单位进行。数据采集项为：工艺设定参数：进刀位置、进刀速度、加工线速度、进给距离、返回距离、钢丝卷张力、钢丝送张力、切割液温度、切割液流量、主轴加速时间、主轴减速时间等。工艺过程参数：钢线实际速度、钢线新线供给、左侧线轴直径、右侧线轴直径、主轴电机温度等。

4.1 关键工艺参数

根据多线切割理论，影响切割的关键参数如下：

（1）线速度。在切割过程中，线网会受到向下的进给力，产生线弓，如果钢线速度太低，线网承受压力增加，产生的线弓变大，切割能力降低，易断线[6]。增大钢线的走线速度会提高切割效率，如果钢线速度过高将会对切割质量造成影响，所以，选取合适的线速度至关重要。

（2）进刀速度。硅棒在进给过程中会对线弓施加压力，线弓的大小对设备的切割能力有直接影响，综合切割效率和切割质量确定进给力的大小。由力学知识可知，进给力与进刀加速度相关，设备通过在不同进刀位置设定不同的进刀速度进而控制进给力的大小。进刀速度过慢效率太低，过快会对质量造成影响。

（3）张紧力。多线切割设备从放线轮到收线轮之间需要张紧机构调整钢线的张紧力，硅棒的切割需要一定的张紧力，张紧力过大会导致断线，对切割质量造成影响，也会增加时间成本而重新绕线。

4.2 BP神经网络模型

建立BP神经网络模型进行质量预测[8]，并反馈、优化工艺参数。剔除掉异常数据，并筛选出影响切割质量的关键参数，如钢线速度、切割液温度、进给速度、硅棒长度、硅棒面积等。

BP神经网络具体算法步骤如下：

（1）初始化权重和阈值，随机初始化（-1～1）之间；

（2）由输入层向前传播，计算公式为：

式中：θj—隐含层第j个神经元的偏向。隐含层的实际输出计算公式：

式中：f—激励函数。同理可以得到输出层的输出值。

（3）输出层的实际值和预测值之间的误差公式为：

式中：Ok—预测值；Tk—真实值。隐含层的误差计算公式：

式中：Oj—隐含层的输出值；Ek—输出层的误差；Wjk—隐含层与输出层神经元之间的权重。权重和阈值的更新可以通过以下公式来计算：

式中：λ—学习率，0<λ<=1。

重复以上步骤，直到达到期望的误差或最大迭代次数。

4.3 切割数据处理

神经网络主要是通过对历史数据进行训练，然后建立预测模型。但是，当训练样本不足或过度训练时会导致过拟合现象的发生。由于切割的历史数据较难获取，很难得到充足的训练样本，所以为了防止因样本过少而导致的过拟合现象，采用L2正则化方法。L2正则化即在代价函数后加上一个正则化项，公式为：

式中：C0—原始代价函数；λ—正则项系数；n—训练样本集的大小。

由于研究的参数较多，在建立模型前使用PCA（主成分分析）法对数据进行降维处理。PCA就是把原坐标轴进行旋转，得到相互正交的新的坐标轴，使大部分点在新坐标轴分散。坐标转换表示为矩阵形式为：

主成分的贡献率为第i个主成分对应的特征值在协方差矩阵的全部特征值之和中所占的比重，比值越大，说明第i个主成分越能表达原指标[7]，计算公式为：

式中：λi—第i个主成分对应的特征值。

累计贡献率计算公式为：

在解决实际问题中，一般使其累积贡献率满足一定的要求（通常80%以上），用选取的前x个主成分代替原来的p个变量进行分析，可以实现数据降维的目的。

根据PCA法对所有相关变量（如钢线速度、进给速度、晶棒长度、晶棒面积等）进行降维处理，得到累积贡献率大于85%的为前8个主成分。

4.4 预测模型建立

根据对多线切割工艺关键参数的分析，得出预测模型建立的过程，如图3所示。

图3 预测模型建立Fig.3 Establishment of Prediction Model

对多线切割质量检测参数来说，TTV、Warp、Bow在数值上表现为连续值且与工艺参数关系紧密，所以可用神经网络中的回归模型进行分析。选取主要影响参数包括：线速度、进给速度、硅棒长度、硅棒面积、张力等。

选择单晶硅棒直径为150mm，长为300mm 左右，面积为17775mm2，主辊槽距为0.875mm，线损为0.15mm，金刚线线径为0.1mm，用改造的金刚线切割设备进行切割。原始切割工艺参数，如表1所示。

表1 原切割工艺参数Tab.1 Original Cutting Process Parameters

建立的BP神经网络模型基于3层网络，以8个主成分的相关转换矩阵对原数据进行处理，作为神经网络的输入层，设置18个神经元作为隐含层，预测输出结果TTV（Warp、Bow）作为输出层，每两个计算层之间用线性方程连接。使用了100 个实验样本，为了表征一次加工过程对硅片整体质量影响，选用单次切割过程中硅片TTV（Warp、Bow）的平均值作为质量评价标准。

为了检验神经网络的准确度，将100个样本分为训练集和测试集，训练集包含75个样本，测试集包含25个样本，神经网络的学习效率设定为0.05，用sigmoid函数作为激活函数[9]。检验神经网络准确性的方法是使用训练集训练计算模型，再用训练好的模型计算预测集的输入层，从而得到预测值，预测值与测量值的对比，如图4～图6所示。质量参数（TTV、Warp、Bow）的预测值和实测值的误差分析[10]，如表2所示。

图4 模型预测TTV值和实测TTV值对比Fig.4 Comparison of Model Predicted TTV Value and Measured TTV Value

图5 模型预测Warp值和实测Warp值对比Fig.5 Comparison of Model Predicted Warp Value and Measured Warp Value

图6 模型预测Bow值和实测Bow值对比Fig.6 Comparison of Model Predicted Bow Value and Measured Bow Value

表2中均方根误差RMSE表示神经网络预测值和实测值的误差波动，计算公式如下：

表2 质量预测值和实测值的误差分析Tab.2 Error Analysis of Predicted and Measured Values of Quality

式中：Xi—预测值；Yj—期望值；N—数据个数。

由图4～图6可知，神经网络的预测值和实测值较为接近；由表1可知，TTV、Warp、Bow 预测值和实测值的均方根误差RMSE分别为：0.7062、0.6609、0.3511；TTV、Warp、Bow预测值和实测值的相对平均误差分别为：7.21%、4.08%、9.71%，误差都在10%之内，能满足实际要求。综上所述，在质量要求范围内，模型可以较好预测切割质量，由于训练样本较少，以及测量误差的影响，导致一些样本点产生偏差，且在可接受的范围内，具有一定参考价值。

5 实验与结果

5.1 实验内容

为了研究金刚线切割的质量，进行如下实验：

（1）根据原始工艺参数进行硅片切割，设定不同的工艺参数，并用建立的预测模型进行评估，反馈、优化工艺参数，验证切割的质量好坏，选出最合适的工艺参数；（2）选用优化后的工艺参数，用改造的金刚线切割设备进行硅片切割，并与同期原砂浆切割设备所生产的硅片进行质量对比。

5.2 金刚线工艺参数优化

进行金刚线切割实验，并对工艺参数进行优化。实验主要通过硅片的质量指标来评价切割质量的好坏，质量检测指标有：TTV（总体厚度偏差）、Warp（翘曲）、Bow（弯曲）。

按表1的切割工艺参数，切割10根长为300mm左右的硅棒，从硅棒头到尾每25 片硅片取1 片进行切割质量检测。使用ADE7200检测硅片的TTV、Warp、Bow，发现各项数值均偏大，主要表现为硅棒头尾的TTV数值较大，可达到40μm。

排除导轮无螺丝松动、夹具未固定完全等异常，保证切割液种类、流量、温度等外界因素不变的情况下，进行工艺参数优化，以提高切割质量。在硅片切割过程中，通过在不同进刀位置设定不同进刀速度来保证切割平稳性，大致分为三个切割区域，开始切割区域、稳定切割区域和结束切割区域，开始切割区域是在硅棒刚与线网接触，在（0～30）mm之间，进刀速度逐渐增加，到达稳定切割区域，在（30～140）mm之间，最后，进刀速度降低，到达结束切割区域，在（140～155）mm之间。

实验保持原切割液温度21℃，流量150L/min，在保证切割效率和外观质量的前提下，提高了钢线的速度和张力，由原来一刀（8～10）h 降为（2～3）h，大大节约了时间成本。通过切割30 根硅棒，并使用建立的模型进行质量预测，反馈、优化工艺参数。最终得到效果最好的一组工艺参数，如表3所示。

表3 优化后的切割工艺参数Tab.3 Optimized Cutting Process Parameters

5.3 切割质量对比分析

使用表3 的工艺参数进行金刚线切割实验，切割后用ADE7200进行硅片质量检测，并与同期砂浆多线切割的硅片质量进行对比，取硅片检测质量指标的100个样本进行分析，结果如下：

（1）砂浆切割和金刚线切割后，所测得硅片的TTV概率密度分布，如图7、图8 所示。可以看出砂浆切割TTV 集中分布在（5～20）μm之间，而金刚线切割TTV分布在（0～15）μm之间，根据切割质量要求TTV<30μm的标准，金刚线切割的TTV更低。

图7 砂浆切割TTVFig.7 Mortar Cutting TTV

图8 金刚线切割TTVFig.8 The Diamond Wire Cutting TTV

（2）砂浆切割和金刚线切割后，所测得硅片的Warp概率密度分布,如图9、图10 所示。可以看出砂浆切割Warp 分布在（5～30）μm之间，金刚线切割Warp分布在（0～15）μm之间，根据切割质量要求Warp<30μm（也有要求Warp<25 μm），砂浆切割基本都满足质量标准，但是金刚线切割的Warp更小。

图9 砂浆切割WarpFig.9 Mortar Cutting Warp

图10 金刚线切割WarpFig.10 The Diamond Wire Cutting Warp

（3）砂浆切割和金刚线切割后，所测得硅片的Bow概率密度分布，如图11、图12所示。从图11、图12可以看出砂浆切割Bow分布在（0～20）μm 之间，金刚线切割Bow 主要分布在（0～10）μm 之间。根据切割质量要求Bow<20μm，砂浆切割满足质量要求，但是金刚线的Bow更低。

图11 砂浆切割BowFig.11 Mortar Cutting Bow

图12 金刚线切割BowFig.12 The Diamond Wire Cutting Bow

综上所述，改造后的金刚线切割的TTV、Warp、Bow 的均值都优于砂浆切割。

6 结论

将原有砂浆切割设备改造成金刚线切割设备，通过理论和经验设定切割工艺参数，并进行切割试验。采集工艺、过程参数，对切割样本数据进行数据预处理，并建立神经网络模型进行训练和预测，得出实测值和预测值的线性相关系数R大于0.95，说明模型能很好拟合；预测值与实测值相对误差在10%之内，基本满足生产需要。结合模型完成工艺参数的优化，并使用优化后的工艺参数进行切割实验，与同期砂浆切割进行质量对比，实验结果表明，改造金刚线设备的TTV、Warp、Bow均优于砂浆设备。通过设备改造和参数优化，能更好地提高生产效率，保证生产质量，对硅片金刚线切割设备国产化具有重要的指导意义。