在碳化硅衬底双面抛光加工中，碎片事故是设备研发和工艺人员必须直面的严峻挑战。碳化硅硬度高、脆性大，而双面抛光过程处于封闭的上下抛盘之间，晶圆状态无法直接观察。一旦发生碎片，不仅当批晶圆报废，更可能划伤抛光盘、损坏游星轮，造成数小时甚至数天的设备停机。
因此，如何在碎片萌芽阶段实现精准预警，并将准确率提升至99%以上，已成为衡量双面抛光设备智能化水平的核心标志。
为什么双面抛光碎片检测很难？
双面抛光机的碎片检测之所以困难，主要源于以下几点：
封闭式加工空间：晶圆被夹持在上下抛盘之间的游星轮内，整个过程密闭，传统机器视觉难以直接应用。
干扰源众多：抛光液易污染光学传感器窗口；游星轮公转自转使晶圆位置持续变化；气泡、抛光垫碎屑等都会产生干扰信号。
碎片模式多样：既有瞬间的整体破裂，也有从边缘微裂纹逐渐扩展的渐进式碎裂，后者更难早期发现。
当前主流检测手段各有利弊：声发射传感器对脆性破裂敏感，但易受环境噪声干扰；扭矩监测可反映整体负载变化，但对单颗晶圆碎片响应不够灵敏；光学透射检测准确度高，却受制于抛光液污染和安装空间。单一传感器方案很难同时满足高检出率和低误报率的双重需求。
多模态AI融合：听声音、看负载、感压力
要实现>99%的预警准确率，必须突破单传感器局限，走多模态信息融合之路。基于AI的碎片检测系统通常包含以下核心模块：
多源传感层
在设备关键位置部署互补型传感器组合——抛光盘附近安装声发射传感器捕捉高频破裂信号；上抛盘气路中集成高频压力传感器感知瞬时冲击；同时可考虑在抛光盘边缘布置光纤透射传感器，作为辅助验证。
特征提取层
对不同类型传感器的原始数据进行预处理和特征工程。声发射信号需提取时频域特征，扭矩信号关注突变斜率与幅值。传统阈值法难以应对复杂工况，而深度学习模型能够自动学习不同碎片模式的特征表征。
融合决策层
这是实现高准确率的核心。采用多模态融合模型，将各传感器的特征向量在特征层或决策层进行融合。例如，基于注意力机制的神经网络可以动态评估不同传感器在当前工况下的置信度，赋予不同融合权重。当声发射信号出现异常峰值，同时扭矩发生微小跃变，系统即可判定为高概率碎片事件。
多实现>99%准确率的关键技术路径
高质量数据集的构建
AI模型的性能高度依赖于训练数据的质量与覆盖度。需要系统采集各类碎片样本：不同材质（导电型/半绝缘型）、不同厚度、不同碎片模式的声发射波形与扭矩曲线；同时大量收集正常工况下的各类干扰信号——抛光液流量波动、游星轮换向冲击、气泡破裂等。正负样本的平衡设计对降低误报率至关重要。
时序模型的深度优化
碎片信号本质上是时序数据，具有前兆特征。采用LSTM或Transformer等时序模型，能够捕捉碎片发生前数十毫秒内的微弱前兆——微裂纹扩展时的次声波、摩擦力微小波动的累积效应。这种“超前感知”能力是传统阈值法无法企及的。
边缘部署与实时推理
预警系统必须在毫秒级时间内完成信号采集、特征提取、模型推理和决策输出。将训练好的轻量化模型部署在设备端的边缘计算单元，避免数据传输延迟，确保在碎片扩大前及时停机。模型压缩与量化技术可在保持精度的前提下显著提升推理速度。
持续学习与自适应更新
不同批次晶圆的物理特性差异、抛光垫的老化、环境温湿度变化，都会影响传感器信号的统计分布。建立在线增量学习机制，使系统能根据新采集数据自适应调整决策边界，在设备全生命周期内维持>99%的准确率。
工程落地中的难点与对策
样本不平衡：碎片属于极小概率事件，正常样本数以百万计，碎片样本可能仅数百个。采用生成对抗网络合成稀缺的碎片样本，或设计针对小样本学习的特殊损失函数，可有效缓解模型偏差。
误报的代价权衡：漏报的代价远高于误报，但过多误报会导致频繁停机，影响生产效率。可结合工艺特点设定合理阈值，或在预警后增加“二次确认”机制（如降低转速快速复判），避免不必要的停机。
多源数据同步：不同传感器采样频率差异较大（声发射可达MHz级，扭矩仅为kHz级），数据时间对齐精度直接影响融合效果。硬件层面需统一时钟同步，软件层面需设计高精度插值对齐算法。
未来展望
随着碳化硅衬底向大尺寸、薄型化发展，碎片风险将进一步上升，对检测系统的要求也更加严苛。未来双面抛光机的碎片预警技术将呈现以下趋势：
更丰富的感知维度：除现有传感器外，可探索振动频谱分析、红外热成像等技术，从更多物理维度捕捉前兆特征。
更智能的融合模型：结合图神经网络等先进架构，建模各传感器之间的空间关联与逻辑依赖，提升复杂工况下的判别能力。
设备自保护与自恢复：预警触发后，不仅实现快速停机，还能通过反向充气、转速协同控制等手段，最大限度减小碎片对抛光盘的二次损伤。
多机协同的群体智能：当车间内多台设备积累的碎片数据达到一定规模后，可构建云端共享预警模型，实现碎片模式的快速迭代与全局优化。
双面抛光机的碎片检测AI预警系统，是从“事后处理”向“事前预防”转变的关键技术跨越。通过多模态传感器融合与深度学习模型的深度结合，将预警准确率提升至99%以上，不仅能够大幅降低碎片损失和设备停机时间，更为全自动无人化抛光产线的实现扫清了关键障碍。这一技术的持续演进，将成为碳化硅衬底加工向更高效率、更低成本迈进的重要支撑。