第四章 先进控制算法：ZPETC、ILC、SMC 与 H∞

各位同学，今天咱们来聊聊光刻机运动台控制里真正“上强度”的部分。前面讲的PID、前馈、陷波器，都是基本功。但到了纳米级定位精度，光靠这些是不够的。我做了十几年运动控制，坦白讲，真正让光刻机台子“听话”的，是今天要讲的这四位：ZPETC、ILC、SMC 和 H∞。

这四种算法，各有各的脾气。有的擅长“预判”，有的擅长“学习”，有的擅长“硬扛”，有的擅长“妥协”。咱们一个一个拆开看。

4.1 零相位误差跟踪控制（ZPETC）

先说说ZPETC。这名字听着挺唬人，其实核心就一句话：让输出信号在相位上不滞后于输入。

你想想看，传统的PID控制，尤其是加了低通滤波之后，输出总会慢半拍。对于光刻机这种需要高速高精度轨迹跟踪的场景，相位滞后就意味着位置误差。我当年调试一个高速扫描台，发现跟随误差总是周期性出现，查了半天，最后发现就是相位滞后惹的祸。

ZPETC的思路很巧妙。它把被控对象的逆模型放在前馈通道里。但直接求逆会带来不稳定零点的问题。ZPETC的做法是：只对稳定零点求逆，对不稳定零点做相位补偿。最终效果是，系统的幅频特性可能不是完美的1，但相频特性在宽频带内接近零。

4.2 迭代学习控制（ILC）

ILC 是我个人非常喜欢的一种算法。它的哲学很简单：同样的轨迹，跑一次学一次，越跑越准。

光刻机的运动台，每天重复成千上万次同样的扫描路径。每次的误差都有一定的重复性。ILC 就是抓住这个特点，把上一次的误差记录下来，修正下一次的控制量。

ILC 的更新律一般长这样：

u_{k+1}(t) = Q(z) · [ u_k(t) + L(z) · e_k(t) ]

这里 u_k 是第 k 次迭代的控制量，e_k 是跟踪误差，L(z) 是学习滤波器，Q(z) 是鲁棒性滤波器。Q 滤波器的作用是抑制高频噪声，防止系统学歪了。

我曾经在一个晶圆台项目上，用ILC把重复性误差从±50nm压到了±5nm以内。效果立竿见影。但要注意，ILC 对非重复性扰动（比如气流扰动）无能为力。所以它通常和反馈控制配合使用。

4.3 滑模控制（SMC）

滑模控制，说白了就是“硬核抗干扰”。它的核心思想是：设计一个滑模面，让系统状态一旦到达这个面，就沿着它滑向原点。

SMC 对参数摄动和外部扰动有很强的鲁棒性。光刻机运动台在高速运动时，摩擦力、电缆拖链力、甚至温度变化都会影响模型。SMC 不在乎这些，它只关心状态是否在滑模面上。

但SMC有个臭名昭著的问题——抖振。理想情况下，控制量会在滑模面附近高频切换。实际中，这会导致执行器磨损、噪声增大。

解决办法？用饱和函数或者双曲正切函数代替符号函数。我习惯用这个：

s = c·e + de/dt   // 滑模面
u = -k · tanh(s/Φ)  // 控制律，Φ是边界层厚度

Φ 选得越小，抗干扰越强，但抖振也越明显。这是个 trade-off。我一般先设 Φ=0.01，看效果再微调。

4.4 鲁棒控制（H∞）

最后聊聊 H∞。这玩意儿理论很深，但用起来其实有套路。H∞ 的核心是：在最坏情况下，保证系统的稳定性和性能。

光刻机运动台的模型，在高频段往往有不确定性——比如机械谐振的峰值位置会漂移，或者高频模态没被建模。H∞ 通过设计控制器，让系统对这些不确定性“免疫”。

H∞ 设计通常要解两个 Riccati 方程，或者用 LMI（线性矩阵不等式）。现在 MATLAB 的 hinfsyn 函数可以直接算，省了不少事。但我建议你理解一下混合灵敏度问题的框架：

目标：最小化 || W1·S   ||∞
               || W2·R·S ||∞
               || W3·T   ||∞

其中 S 是灵敏度函数，T 是补灵敏度函数，W1、W2、W3 是加权函数。说白了，就是你在不同频段对性能的要求——低频要跟踪好，高频要抑制噪声，中频要兼顾。

四种算法的对比

为了让你看得更清楚，我整理了一张表：

知识体系总览

下面这张图，是我画的这四种算法在光刻机运动台控制中的定位。你可以看到，它们不是互相替代的，而是互补的：

嗯，这四种算法，每一种都值得花时间深入。但作为工程师，我更建议你从ILC和ZPETC入手——它们见效快，调试相对直观。等你把前馈做到极致了，再回头用SMC或H∞去堵那些“漏网之鱼”。

好了，这一章就到这里。记住，算法是工具，不是目的。真正让台子跑得稳的，是你对系统物理特性的理解，以及调试时的那份耐心。