基于零件几何特征分析的双光子光刻设备状态监测技术

双光子光刻（TPL）是一种高精度增材制造技术，能够实现微纳尺度三维结构的加工，在纳米光学、超材料工程和先进电子器件等领域具有重要应用。该工艺通过将超快激光束聚焦于光敏聚合物中，利用双光子吸收效应实现局域聚合，从而逐层构建复杂三维结构。然而，TPL的加工质量与设备状态密切相关，激光路径对准、光学元件清洁度、平台校准以及环境稳定性等因素均会影响最终零件的几何精度。当前工业生产中，TPL设备的维护多依赖操作者经验或固定时间表，这种做法存在明显缺陷：维护不及时会导致加工质量下降、设备意外停机；而过度维护则造成效率损失和成本增加。由于设备关键光学与机械部件难以直接检查，亟需发展间接的、数据驱动的健康监测方法，通过可观测的工艺输出来推断机器状态。

近日，美国密歇根大学机械工程系和伊利诺伊大学厄巴纳-香槟分校机械科学与工程系的研究团队共同完成了一项研究，主要目的是开发一套能够通过分析加工零件几何变化来监测TPL机器健康状态的方法体系。考虑到实际生产中数据可用性的差异，该研究提出了三种适用于不同场景的监测方法，分别应对数据充足且设计参数重叠的情况、无重叠设计参数但存在基线数据的情况，以及数据稀疏或需处理未知参数组的挑战性情况。这三种方法的共同特点是融合物理引导的结构尺寸预测模型与统计推断技术，以间接手段实现机器状态变化的可靠检测。

实验装置采用Nanoscribe Photonic Professional (GT)系统，这是一款基于TPL技术的高精度3D打印机，如图1所示。该系统配备中心波长为780nm的脉冲飞秒光纤激光器和高数值孔径物镜。研究选取了两种机器状态进行比较：预防性维护前状态和维护后状态。实验设计包括六种半球结构设计尺寸（范围为1.6μm至2.6μm，递增步长为0.2μm）以及六种激光功率与扫描速率组合（P1至P6）。每种设计-参数组合下加工20个样品，每个样品包含25个结构，因此每种机器状态共采集18000个测量结构。使用Keyence VK-X1000三维激光扫描显微镜提取每个结构的等效半径和平均高度作为敏感几何特征。

图1：Nanoscribe Photonic Professional (GT)系统

方法一采用直接监测结构尺寸的策略，其逻辑是若机器状态发生变化，即使采用相同的设计和工艺参数，加工出的结构尺寸也会表现出系统性差异。对于每种设计-参数组合，使用双样本t检验比较两种机器状态下半径或高度均值的差异。实验结果显示，对于平均高度特征，36个设计-参数组全部拒绝原假设，检测率达到100%；对于等效半径，35个组表现出显著差异，检测率为97.22%。进一步分析样本量影响发现，随着样本量增加，第一类错误（误报）和第二类错误（漏报）均显著下降，表明该方法在数据充足时极为有效，但在小样本条件下可靠性降低。

方法二旨在解决方法一的核心局限——要求两种机器状态具有完全重叠的设计-参数组合。当缺乏这种重叠时，方法二利用物理引导模型预测目标组合在基线状态下的期望几何特征，然后通过单样本检验判断新观测是否偏离预期。基于双光子聚合的物理机制，研究建立了半径和高度关于激光功率与扫描速率的解析模型，其形式源于体素尺寸与累积能量剂量的关系。在单变量Z检验中，等效半径的第二类错误高达44.44%，平均高度的第一类错误为25%，效果不理想。考虑到半径与高度之间存在强相关性（两种状态下相关系数分别为0.94和0.95），研究转而采用Hotelling T²检验，该检验能够考虑两个特征之间的协方差结构。在相同状态比较中，T²检验的准确率达到83.33%；在不同状态比较中达到86.11%，显著优于单变量方法。此外，实验表明训练集中设计多样性有助于降低第一类错误，而参数多样性有助于降低第二类错误。

方法三进一步应对数据更为稀缺的场景，其核心思想是监测物理引导模型的参数本身，而非直接监测几何特征。因为机器状态的变化会影响模型参数的学习结果，参数漂移可作为状态改变的指示器。研究采用Bootstrap重采样方法，对每个设计尺寸从三个参数组中抽取样本，迭代40次训练模型，得到参数分布。对于同一参数组场景，基于半径模型参数的Hotelling T²检验在受控状态中的准确率达到95.83%，在失控状态中达到100%；基于高度模型参数的检验，其相应的准确率分别为92.50%和100%。

综合以上三种方法，该研究提出了针对不同数据可用性场景的方法选择指南：当两种状态具有重叠设计-参数组合且样本充足时，方法一简单高效；当需要推广到新设计-参数组合时，方法二结合物理预测与多变量检验具备良好的泛化能力；当数据稀疏或必须处理未知参数组时，方法三基于参数监测的策略最为适用。实验验证表明，三种方法的监测准确率在82.29%至100%之间，展示了其在TPL制造中实际应用的潜力。该研究是首个系统探索双光子光刻条件监测的工作，为后续数据驱动的预测性维护奠定了基础。未来工作将扩展至立方体、圆柱体等更复杂的几何形状，并在更多设备平台和材料体系上验证方法的普适性。

参考文献

Jia S, Dong Z, Shao C. Physics-guided data-driven machine health monitoring for two-photon lithography via part geometry modeling[J]. Journal of Manufacturing Processes, 2026, 166: 319-329.