Compared with the traditional abrasive flow, cavitation abrasive flow can effectively improve the kinetic energy and motion randomness of abrasive particles during the polishing process without changing the polishing pressure, thus reducing the scratch and damage caused by hard and large particles on the surface and subsurface of monocrystalline silicon, and efficaciously improve the surface quality of polished silicon wafer. Polishing parameters have a significant influence on the surface roughness of abrasive flow polished workpiece. However, it is more complex to optimize the polishing process parameters for cavitation abrasive flow. The traditional process optimization methods, such as the full factorial experiment and Taguchi experiment, are discrete and time-consuming, making it difficult to meet the requirements of cavitation abrasive flow polishing parameters optimization. In order to solve the above problems, based on cavitation rotary abrasive flow polishing (CRAFP) system, a new process parameter optimization method is proposed in this paper: samples are generated by Taguchi experiment, and then a model between the surface roughness of silicon wafer and the factors affecting the surface roughness is established using backpropagation (BP) neural network. Finally, the optimal process parameters are found by genetic algorithm based on this model. The experimental results show that the optimum process parameters are 0.7 um SiC abrasive particles, 12% concentration, 6 nozzles, 0.8 mm from the tool surface to the workpiece, and 0.45-MPa inlet pressure. Under this condition, the average surface roughness (R_a) of the workpiece is reduced from 35.44 to 3.43 nm, improved by 90.32%. The final optimization effect is proved superior to the single Taguchi method optimization and genetic algorithm coupling with response surface model.

与传统的磨料流相比，空化磨料流可以在不改变抛光压力的情况下有效地改善抛光过程中磨粒的动能和运动随机性，从而减少了硬质大颗粒在磨料表面和亚表面上造成的刮擦和损坏。单晶硅，有效地提高了抛光硅片的表面质量。抛光参数对磨料流抛光工件的表面粗糙度有重大影响。然而，优化用于气蚀磨料流的抛光工艺参数更为复杂。传统的工艺优化方法（例如全因子实验和田口实验）是离散且耗时的，使其难以满足空化磨料流抛光参数优化的要求。为了解决上述问题，本文基于空化旋转磨料流抛光（CRAFP）系统，提出了一种新的工艺参数优化方法：通过田口实验产生样品，然后建立硅晶片表面粗糙度之间的模型。利用BP神经网络建立影响表面粗糙度的因素。最后，基于该模型，通过遗传算法确定了最佳工艺参数。实验结果表明，最佳工艺参数为0.7 um SiC磨料颗粒，12％的浓度，6个喷嘴，从工具表面到工件的0.8毫米以及0.45 MPa的入口压力。在这种条件下，平均表面粗糙度（为了解决上述问题，本文基于空化旋转磨料流抛光（CRAFP）系统，提出了一种新的工艺参数优化方法：通过田口实验产生样品，然后建立硅晶片表面粗糙度之间的模型。利用BP神经网络建立影响表面粗糙度的因素。最后，基于该模型，通过遗传算法确定了最佳工艺参数。实验结果表明，最佳工艺参数为0.7 um SiC磨料颗粒，12％的浓度，6个喷嘴，从工具表面到工件的0.8毫米以及0.45 MPa的入口压力。在这种条件下，平均表面粗糙度（为了解决上述问题，本文基于空化旋转磨料流抛光（CRAFP）系统，提出了一种新的工艺参数优化方法：通过田口实验产生样品，然后建立硅晶片表面粗糙度之间的模型。利用BP神经网络建立影响表面粗糙度的因素。最后，基于该模型，通过遗传算法确定了最佳工艺参数。实验结果表明，最佳工艺参数为0.7 um SiC磨料颗粒，12％的浓度，6个喷嘴，从工具表面到工件的0.8毫米以及0.45 MPa的入口压力。在这种条件下，平均表面粗糙度（本文提出了一种新的工艺参数优化方法：通过Taguchi实验产生样品，然后利用反向传播（BP）神经网络建立硅晶片表面粗糙度与影响表面粗糙度的因素之间的模型。最后，基于该模型，通过遗传算法确定了最佳工艺参数。实验结果表明，最佳工艺参数为0.7 um SiC磨料颗粒，12％的浓度，6个喷嘴，从工具表面到工件的0.8毫米以及0.45 MPa的入口压力。在这种条件下，平均表面粗糙度（本文提出了一种新的工艺参数优化方法：通过Taguchi实验产生样品，然后利用反向传播（BP）神经网络建立硅晶片表面粗糙度与影响表面粗糙度的因素之间的模型。最后，基于该模型，通过遗传算法确定了最佳工艺参数。实验结果表明，最佳工艺参数为0.7 um SiC磨料颗粒，12％的浓度，6个喷嘴，从工具表面到工件的0.8毫米以及0.45 MPa的入口压力。在这种条件下，平均表面粗糙度（然后利用BP神经网络建立了硅片表面粗糙度与影响表面粗糙度的因素之间的模型。最后，基于该模型，通过遗传算法确定了最佳工艺参数。实验结果表明，最佳工艺参数为0.7 um SiC磨料颗粒，12％的浓度，6个喷嘴，从工具表面到工件的0.8毫米以及0.45 MPa的进口压力。在这种条件下，平均表面粗糙度（然后利用BP神经网络建立了硅晶片表面粗糙度与影响表面粗糙度的因素之间的模型。最后，基于该模型，通过遗传算法确定了最佳工艺参数。实验结果表明，最佳工艺参数为0.7 um SiC磨料颗粒，12％的浓度，6个喷嘴，从工具表面到工件的0.8毫米以及0.45 MPa的进口压力。在这种条件下，平均表面粗糙度（工件的R _a）从35.44 nm减小到3.43 nm，提高了90.32％。事实证明，最终的优化效果优于单一的Taguchi方法优化和遗传算法与响应面模型的耦合。