一种用于获得用于前馈控制系统的改进的前馈数据的方法，从而通过设定点分布轮廓移动一个部件；所述设定点分布轮廓包括所述部件的多个目标状态；每个目标状态是在对应序列的目标时间之一上获得的；所述的方法包括按照设定点分布轮廓使用第一组前馈数据并且使用前馈控制系统来移动所述部件；在所述移动期间在多个时间上测量所述部件的状态；比较测量的状态与通过所述设定点分布轮廓确定的对应目标状态，以获得一组误差；用非线性滤波器滤波所述这组误差；根据经过滤波的误差产生改进的前馈数据；所述改进的前馈数据可以由所述前馈控制系统使用来更加准确地通过设定点分布轮廓移动所述部件；所述方法进一步包括使用最近获得的改进的前馈数据代替第一组前馈数据按迭代方式重复步骤(a)到(e)；直到确定在步骤(c)获得的这组误差满足一个阈值条件时为止；输出满足阈值条件的改进的前馈数据。

目标专利CN101059658B授权权利要求1的技术特征拆解如下：

* **技术特征A**：从而通过设定点分布轮廓移动一个部件；

* **技术特征B**：所述设定点分布轮廓包括所述部件的多个目标状态；

* **技术特征C**：每个目标状态是在对应序列的目标时间之一上获得的；

* **技术特征D**：所述的方法包括按照设定点分布轮廓使用第一组前馈数据并且使用前馈控制系统来移动所述部件；

* **技术特征E**：在所述移动期间在多个时间上测量所述部件的状态；

* **技术特征F**：比较测量的状态与通过所述设定点分布轮廓确定的对应目标状态，以获得一组误差；

* **技术特征G**：用非线性滤波器滤波所述这组误差；

* **技术特征H**：根据经过滤波的误差产生改进的前馈数据；

* **技术特征I**：所述改进的前馈数据可以由所述前馈控制系统使用来更加准确地通过设定点分布轮廓移动所述部件；

* **技术特征J**：所述方法进一步包括使用最近获得的改进的前馈数据代替第一组前馈数据按迭代方式重复步骤(a)到(e)；

* **技术特征K**：直到确定在步骤(c)获得的这组误差满足一个阈值条件时为止；

* **技术特征L**：输出满足阈值条件的改进的前馈数据。

---

## 1. 对比文件技术特征比对表格及详细出处

以下针对对比文件 **D1**（US20050231706A1）与 **D2**（JP2005322720A）进行技术特征的比对分析：

---

## 2. 最接近对比文件的选择分析

在创造性分析中，选取最接近的对比文件需综合衡量技术领域、解决的技术问题、技术方案及技术效果的贴近程度：

### 最接近对比文件分析

* **D1（US20050231706A1）**：

* **技术领域与问题**：光刻机工件台/掩模台的运动控制，通过迭代学习控制（ILC）减少前馈控制中的跟随误差（Following Error）。

* **方案匹配度**：完全涵盖了基于时间序列误差、迭代更新前馈控制数据（Force Feedforward / Position Feedforward）以及设定阈值收敛（[0057]）的完整控制闭环架构。

* **结论**：**D1 最适合作为第一最接近对比文件**。

* **D2（JP2005322720A）**：

* **技术领域与问题**：光刻机台控制，基于扫描运动中的跟随误差（追从误差）积分/微分，通过迭代学习/自适应更新前馈控制参数以缩短整定时间。

* **方案匹配度**：公开了按迭代重复更新前馈参数、整定期误差积分收敛及阈值判断（图5步骤S15）。

* **结论**：**D2 同样适合作为备选的最接近对比文件**。

---

## 3. 未被最接近对比文件公开的技术特征分析

通过与目标专利说明书的深度结合，对比分析如下：

### 未被公开的核心区别特征

* **特征G**（用**非线性滤波器**滤波所述这组误差）：

* **对比文件现状**：D1 虽然使用了 FIR Q 滤波器（[012]、FIG. 12），但其本质上是线性频域滤波器；D2 使用的是线性累加/积分（$\sum e(k)$）与时间微分。均未公开**非线性滤波器**。

* **目标专利说明书对应**：结合目标专利说明书 [0005]、[0045]-[0052]、[0057]-[0064]、图7-图9：

* 说明书明确指出，在迭代学习中，非重复性噪声（如随机噪声）会被线性学习算法放大（[0039]）。

* 本专利通过采用具备**死区非线性（dead-zone non-linearity）**的非线性滤波器（例如公式在说明书 [0057]-[0063] 中定义的依赖于幅度的非线性矩阵 $\Phi(e_y(i))$），将绝对值小于预定阈值 $\delta$ 的随机噪声滤除，不参与学习更新（[0045]、[0063]）。

* **技术效果**：如说明书 [0051]、[0067]-[0068] 及图9（曲线90与曲线80对比）所示，避免了非重复性噪声在迭代过程中的放大，使得控制系统能够在保证高学习增益（快速收敛）的同时，维持闭环控制系统的稳定性（防止高增益线性算法出现发散/不稳定）。

---

## 4. 无效请求中最薄弱的技术特征与无效攻击策略

### 4.1 无效请求中最薄弱的技术特征

目标专利权利要求1的最核心保护点及最具抗辩力的特征是 **“特征G：用非线性滤波器滤波所述这组误差”**（特别是结合说明书限定的**带死区/幅值依赖的非线性滤波**）。

* **为什么特征G是抗无效的最坚固防线**：

D1和D2虽均实现了迭代学习（ILC）及阈值终止，但其对误差的处理均为常规线性处理。线性ILC在存在测量噪声时易引发高频不稳定，而本专利通过引入非线性滤波器（如死区滤波）解决了“快速收敛”与“高频噪声稳定性”之间的固有矛盾。

### 4.2 进一步对比文件检索策略（检索策略建议）

为了成功无效权利要求1，需重点针对**特征G（在迭代学习控制ILC中对误差信号应用非线性滤波器/死区滤波器）**进行精准补充检索：

```

┌── 核心技术主题：迭代学习控制 (ILC / Iterative Learning Control)

│

补充检索三大维度 ─────────────┼── 核心算法手段：非线性滤波 / 死区滤波 (Nonlinear Filter / Dead-zone Filter / Thresholding)

│

└── 应用场景扩展：光刻机台 / 高精度定位台 (Lithography / Wafer Stage / Motion Control)

```

1. **关键词组合策略（英文及中文）**：

* **主题词1（控制算法）**："Iterative Learning Control" OR "ILC" OR "feedforward learning" OR "迭代学习控制" OR "前馈学习"

* **主题词2（非线性/死区滤波）**：("non-linear filter" OR "nonlinear filter" OR "dead zone" OR "deadband" OR "thresholding" OR "amplitude dependent" OR "非线性滤波" OR "死区")

* **主题词3（信号处理/误差）**：("tracking error" OR "following error" OR "repetition noise" OR "跟随误差" OR "噪声放大")

2. **分类号（IPC / CPC）联合检索**：

* `G05B13/02` / `G05B13/04`（基于模型的自适应/学习控制系统）

* `G05B19/404`（数控或定位系统的误差补偿）

* `G03F7/70716` / `G03F7/70775`（光刻机工件台/掩模台的前馈与位置控制）

3. **优先检索方向与文献类型**：

* **跨领域技术移植**：非线性死区滤波在迭代学习控制中用于抑制随机噪声放大的理论，可能最早发表于**控制理论学术期刊/会议**（如 *IEEE Transactions on Automatic Control*、*IEEE Transactions on Control Systems Technology*、*Automatica*、*Asian Journal of Control*）。

* **交叉领域专利**：关注高精度数控机床、工业机器人轨迹跟踪、磁悬浮电机定位等对“迭代学习+死区/非线性滤波”有相同诉求的通用自动化控制领域专利。

<ElicitationsGroup message="如需进一步推进本案的无效与比对工作，可选择以下方向：">

<Elicitation label="撰写针对权利要求1的完整无效宣告请求书意见陈述书框架" query="请结合上述分析，编写一份针对CN101059658B权利要求1的专利无效宣告请求书的意见陈述书框架，重点论述组合对比文件D1/D2与公知常识对特征G的显而易见性攻击。"/>

<Elicitation label="生成针对特征G（非线性/死区滤波）的构建式检索式" query="请为检索‘在迭代学习控制（ILC）中应用死区非线性滤波器抑制噪声’的技术特征，提供可在EPO/Google Patents/CNIPA直接运行的具体逻辑检索式。"/>

</ElicitationsGroup>

针对目标专利说明书CN101059658B、权利要求1以及两份对比文件（D1: US6904422B2；D2: US6949844B2），紧密结合专利说明书解释和对比文件原文内容，分析如下：

---

### 一、 目标专利说明书对权利要求的解释

结合目标专利说明书（CN101059658B），权利要求1的技术特征解释如下：

1. **“设定点分布轮廓”（Set-point Profile）与“目标状态”（Target States）**：

* **说明书依据**：说明书[0037]段及图2a-c指出，设定点分布轮廓是部件移动时遵循的时间演化轨迹（如包含加速阶段2、恒速阶段4和减速阶段6），由特定目标时间序列上对应的目标状态（位置、速度、加速度等）定义。

2. **“第一组前馈数据”（First Set of Feedforward Data）与“改进的前馈数据”（Improved Feedforward Data）**：

* **说明书依据**：说明书[0038]-[0041]段及图5描述，前馈数据可包括基于系统物理性质（如质量）导出的惯性前馈信号36，以及基于先前测量导出的迭代学习前馈信号30。改进的前馈数据是结合了经过滤波后的误差对控制力/前馈作用力修正后的数据。

3. **“非线性滤波器”（Nonlinear Filter）**：

* **说明书依据**：说明书[0045]-[0052]段及图4（步骤58）明确强调，非线性滤波器（如死区/依赖幅度的滤波器，或频域的子波分析滤波器）的作用是**从测量误差中去除/抑制非重复性成分（如随机噪声）**。死区非线性的核心机制是：当误差幅度小于阈值$\delta$时，不进入学习算法（不修正前馈），从而避免噪声被迭代学习放大，确保学习算法具有高增益与稳定性。

4. **“迭代方式重复”与“阈值条件”**：

* **说明书依据**：说明书[0042]-[0044]段（图4步骤50-62）指出，通过多轮尝试运行（Trial Run），将最近一次改进的前馈信号存入存储装置16供下一次运行使用，直到误差满足目标阈值条件（如所有误差或特定子组误差低于预定门限）时停止迭代，输出满足条件的前馈数据。

---

### 二、 特征比对表格（针对权利要求1）

> **说明**：

> * **D1**：US6904422B2（授权公告日：2005-06-07）

> * **D2**：US6949844B2（授权公告日：2005-09-27）

---

### 三、 最接近对比文件的选择分析

在创造性分析中，**D1 (US6904422B2)** 适合作为最接近的对比文件。

#### 1. 理由分析：

* **技术领域与技术问题一致性**：D1与目标专利均属于控制工程领域，旨在解决复杂的动态系统在存在建模误差、非线性干扰或不确定性时，如何生成准确的前馈/补偿控制信号以实现高精度轨迹跟踪的问题。

* **技术特征重合度**：

* D1公开了控制系统结构（包含前馈/伪控制）、基于设定点轨迹移动部件、测量状态、计算跟踪误差、通过滤波校正误差并使用自适应神经网络生成改进的前馈/控制数据以提高跟踪精度的全过程（特征A-F, H, I）。

* 相比之下，D2（US6949844B2）主要侧重于晶圆定位台的**物理机械结构**（平面多电机驱动、气浮轴承、力取消系统）及常规的轨迹规划和参数估计，对前馈数据通过滤波和迭代学习更新的算法层面公开较少。

---

### 四、 区别技术特征与无效请求中最薄弱的技术特征分析

以 **D1 (US6904422B2)** 为最接近对比文件，权利要求1相对于D1的区别技术特征在于：

1. **特征G**：用**非线性滤波器**滤波所述这组误差；

2. **特征J-L**：基于**迭代学习（Iterative Learning Control）机制**，使用最近获得的改进前馈数据替代第一组前馈数据按迭代方式重复步骤(a)-(e)，直至误差满足阈值条件时停止并输出满足阈值条件的改进前馈数据。

#### 最薄弱的技术特征分析（专利权人容易被攻破或无效请求突破口）：

如果请求人对该专利提起无效宣告，**最薄弱（最容易被攻破）的技术特征是：特征J、K、L中关于“迭代学习控制（ILC）框架与误差阈值判断”的组合**。

* **原因分析**：

1. **迭代学习（ILC）属于本领域公知常识/经典方法**：目标专利说明书背景技术[0004]段自己承认：“已经提出建议：应用迭代学习控制来获得短的建立时间……所述方法基于对前馈信号或‘力’的迭代学习”。这表明“在重复运行中通过迭代学习更新前馈数据直到误差达标”本身在申请日之前已是控制领域的公知常识。

2. **非线性滤波器（特征G）才是本专利真正的“核心发明点”**：说明书[0005]-[0007]、[0045]-[0052]明确指出，本发明的核心贡献在于**在迭代学习框架中引入“死区/幅度非线性滤波器”**，解决了传统迭代学习控制中非重复性噪声（如随机噪声）被迭代放大的瓶颈问题。

3. **无效策略**：

* 若仅单独看特征J-L，很容易被传统ILC文献或公知常识结合（如结合经典的迭代学习控制教材/论文）；

* 因此，**特征G（用非线性滤波器对误差滤波以抑制非重复性噪声）是本专利最坚固的防线**。如果检索不到将“非线性滤波器/死区滤波器”应用于“迭代学习控制（ILC）前馈更新”中的对比文件，权利要求1将具有较高的稳定性。

---

### 五、 进一步对比文件检索策略（无效检索方案）

为了彻底无效权利要求1，下一步的检索应**紧扣“非线性滤波器（死区滤波）+ 迭代学习控制（ILC）/前馈数据更新”**这一核心结合点。具体检索策略如下：

1. **核心逻辑组合（检索式构建）**：

* **主题分类号（IPC/CPC）**：

* `G05B13/02` 或 `G05B13/04`（自适应控制系统）

* `G05B19/404` 或 `G05B19/19`（数控/定位系统的误差补偿）

* `G03F7/70`（平版印刷设备控制）

* **关键词组合**：

* **组1（迭代学习）**：迭代学习 / 学习控制 / Iterative Learning Control / ILC / trial-to-trial / run-to-run / repetitive control

* **组2（前馈/误差更新）**：前馈 / feedforward / feed-forward / error filtering / 误差滤波

* **组3（非线性/死区滤波）**：非线性滤波 / 死区 / 门限 / 阈值 / 幅度滤波 / deadzone / dead-zone / dead band / non-linear filter / thresholding / amplitude-dependent filter

2. **重点检索方向**：

* **学术期刊与会议论文**：迭代学习控制（ILC）领域的理论突破多优先发表于控制顶级期刊（如 *IEEE Transactions on Automatic Control*, *IEEE Transactions on Control Systems Technology*, *Automatica*）以及控制会议（ACC, CDC）。重点检索2006年之前关于“Dead-zone Iterative Learning Control”（死区迭代学习控制）或“Robust Iterative Learning Control with Noise Filter”的论文。

* **同族与交叉技术领域**：除平版印刷（Lithography）外，重点关注机器人轨迹控制（Robot Manipulator Path Tracking）、数控机床（CNC Precision Motion）以及高精度磁悬浮/电机驱动控制领域的相关专利文献。

这是一份紧密结合目标专利说明书（CN101059658B）及三份对比文件（D1: US20040238758A1, D2: US6856191B2, D3: JP2005123220A）原文的专利无效宣告/创造性分析报告。

---

### 一、 目标专利权利要求1与说明书的相互对应关系

在分析对比文件之前，需先结合目标专利说明书（CN101059658B）对权利要求1的技术特征进行法律与技术含义的准确界定：

1. **“前馈控制系统”与“部件”的移动（特征A、D、I）：**

* 说明书[0003]、[0008]及[0038]-[0040]界定：部件（Component）特指平版印刷设备中的**分划板台（图形制造装置台 MT）**或**衬底台（晶片台 WT）**；前馈控制系统（12）用于克服标准PID反馈响应慢的问题，实现纳米级位置准确度与毫秒级的建立时间。

2. **“设定点分布轮廓”（特征A、B、C）：**

* 说明书[0004]、[0012]及[0037]（图2a-c）界定：设定点分布轮廓（Setpoint profile）包含加速度阶段（2）、恒速阶段（4）和减速阶段（6），定义了部件在特定目标时间序列上预期的位置、速度或加速度（目标状态序列）。

3. **“非线性滤波器”及滤波过程（特征G）：**

* 说明书[0005]、[0019]、[0045]-[0052]（图4框58、图5、图6矩阵$\Phi$）重点强调：在迭代学习控制（ILC）中，测量误差中包含随机噪声等**非重复性影响（Non-repetitive effects）**。若直接学习，噪声会被放大注入系统导致失稳。非线性滤波器（如**死区非线性滤波器/依赖于幅度的滤波器**）的作用是：幅度小于死区（阈值 $\delta$）的噪声不参与学习，仅对大于死区的重复性误差进行迭代学习，从而在提高学习增益的同时保证系统稳定性。

4. **“迭代重复”与“阈值条件”（特征J、K、L）：**

* 说明书[0042]-[0044]（图4框54、56、62）：将测量误差与预定阈值条件比较，若满足条件（如误差低于目标值）则停止迭代并输出当前改进的前馈数据，用于后续实际运行。

---

### 二、 对比文件原文公开情况分析

#### 1. 对比文件1：D1（US20040238758A1）

* **公开号：** US 2004/0238758 A1

* **技术领域：** 平版印刷投影设备中部件定位（工件台/掩模台）的控制系统。

* **公开特征分析：**

* **特征A、B、C：** [0011]段公开了根据期望的位置、速度、加速度（即设定点分布轮廓的目标状态及目标时间）控制定位装置移动。

* **特征D、E、F：** [0011]-[0016]段及图2、图6公开了基于设定点（Setpoint generator SG）使用前馈控制（速度前馈$v_{ff}$、加速度前馈$a_{ff}$、加加速度前馈$j_{ff}$）移动部件，并使用传感器（如干涉仪12/IF）测量位置/电流状态，与目标状态比较产生误差信号。

* **特征G、H、I、J、K、L（未公开/仅公开部分）：** D1使用的是**传统的前馈计算公式（基于确定的物理模型参数如质量、电阻、电感等进行静态计算）**，结合陷波滤波器（Notch filter 26, 36）抑制特定频段响应。**D1完全没有公开“非线性滤波器”、没有公开“迭代学习控制（ILC）机制”、没有公开“根据经过滤波的误差产生改进的前馈数据”及“迭代重复直至满足阈值条件”**。

#### 2. 对比文件2：D2（US6856191B2）

* **公开号：** US 6,856,191 B2

* **技术领域：** 数字信号处理中的非线性滤波器及其在模数转换器（ADC）误差消除或通道建模中的应用。

* **公开特征分析：**

* **特征G：** [0018]、[0021]-[0028]、[0030]-[0037]（图1B、图2A-2B、图3A-3C）公开了利用分段线性函数/绝对值算子/极小极大（Min-Max）选择网络构建的非线性滤波器，用于对输入信号或误差信号进行非线性滤波。

* **特征H（部分技术手段）：** [0052]-[0058]（图5、图7A-7B）公开了在训练阶段，将系统误差（$\varepsilon$）输入非线性滤波器进行自适应训练（LMS算法），输出估计的误差信号，用于校正/改进后续信号。

* **特征A-F、I-L（未公开）：** D2属于通用电子信号处理领域（尤其是ADC矫正），**完全未涉及平版印刷设备或运动部件的“设定点分布轮廓（位置/速度/加速度时序控制）”、“前馈控制系统”以及“迭代学习控制前馈数据的更新与替换迭代循环”**。

#### 3. 对比文件3：D3（JP2005123220A）

* **公开号：** JP 2005-123220 A

* **技术领域：** 平版印刷扫描露光装置中的台（Stage，掩模台与晶片台）控制方法及速度轮廓生成。

* **公开特征分析：**

* **特征A、B、C、D、E、F：** [0002]、[0020]-[0028]、[0035]-[0038]（图3, 图4A-4C, 图5）公开了按照给定的速度轮廓（包含加速度、加加速度Jerk等目标状态时序）控制晶片台（WST）和掩模台（RST）移动；通过干涉仪（48、40）实时测量台的位置状态，计算与目标指令的偏差（误差）。

* **特征J、K、L（部分理念）：** [0039]-[0048]、[0054]-[0063]公开了通过监测台是否到达指定位置，对速度指令/轮廓进行算法修改与补正计算，通过サンプリング（采样）迭代和阈值/条件判定（如判断采样偏差$N_{rot}=0$或满足加速/减速时间边界条件）来输出更新后的速度轮廓。

* **特征G、H（未公开）：** D3侧重于解决双台同步中的减速/加速时序对齐与补正问题，其滤波或控制不包含“对测量误差应用非线性滤波器（如死区/幅度敏感滤波器）以抑制非重复性噪声”以及“据此提取可学习成分生成改进的前馈数据”。

---

### 三、 权利要求1技术特征与对比文件对比表

---

### 四、 最接近对比文件的选择与创造性分析

#### 1. 最接近对比文件的选择

在创造性分析（三步法）中，**D1（US20040238758A1）** 或 **D3（JP2005123220A）** 均可作为**最接近的对比文件（第一最接近对比文件）**：

* **选D1/D3作为最接近对比文件的理由：**

1. **技术领域完全相同：** D1、D3与目标专利同属于“平版印刷设备中工件台/掩模台的前馈运动控制系统”领域。

2. **解决的技术问题重合度高：** 均致力于解决高精度的纳米级快速定位、消除运动过程中的跟踪误差以及提高系统响应速度与吞吐量问题。

3. **技术特征覆盖度极高：** D1和D3均公开了权利要求1中关于运动控制的绝大部分基础框架（特征A、B、C、D、E、F，以及D3中的K、L）。

#### 2. 最接近对比文件未公开的技术特征及分布

以 **D1** 为最接近对比文件时：

* **区别技术特征为：特征G、H、I、J、K、L。**

* 即：利用“非线性滤波器”对误差进行滤波，基于滤波后的误差产生改进的前馈数据（迭代学习控制ILC），并以迭代更新、满足阈值条件后输出改进前馈数据的方式来控制部件。

以 **D3** 为最接近对比文件时：

* **区别技术特征为：特征G、H。**

* 即：在迭代产生/改进控制数据的过程中，**“使用非线性滤波器对误差进行滤波”**（特征G），并“根据该**经过非线性滤波的误差**产生改进的前馈数据”（特征H）。

#### 3. 区别特征在其他对比文件中的公开情况与结合逻辑

* **特征G（非线性滤波器对误差滤波）被对比文件D2（US6856191B2）公开：**

* **D2原文出处：** [0018]、[0021]-[0028]、[0052]-[0058]、图2A-2B、图7A-7B。

* **D2技术教导：** D2明确教导了在控制系统或信号处理系统中，针对存在非线性噪声/误差的情况，可以使用分段线性或非线性算子构成的非线性滤波器对误差信号进行滤波提取，从而避免高阶非线性失真，并在自适应训练/更新中输出更精确的校正信号。

* **技术问题的映射与结合动机：**

* **目标专利实际解决的技术问题：** 如何在迭代学习控制（ILC）过程中，防止非重复性噪声（如随机噪声）被学习算法放大而注入控制系统，从而在保证系统稳定性的前提下提高学习增益和控制精度。

* **结合逻辑：** 当本领域技术人员在面对D1（或D3）的前馈控制系统时，为了解决重复运行中的噪声干扰与信号校正问题，引入本领域公知的“迭代学习控制（ILC）”是极为常见的技术手段（特征J、K、L属于ILC常规步骤）。而在实施ILC时，面对非重复性噪声导致系统不稳的问题，技术人员有明确的动机引入 **D2** 中所教导的“非线性滤波器（如死区/幅度敏感滤波）”来处理误差信号（特征G），将非重复噪声剥离后再生成改进的前馈数据（特征H）。

* 因此，**D1 (或D3) + D2 + 本领域公知常识（ILC基本架构）** 的结合足以破坏权利要求1的创造性。

---

### 五、 无效宣告请求中最薄弱的技术特征

如果在无效宣告程序中遭遇专利权人的强力辩驳，**最薄弱（即最容易被专利权人克服、最难被对比文件完全摧毁）的技术特征是：**

> **特征G结合特征H的特定协同关系：**“用非线性滤波器滤波所述这组误差，并根据经过滤波的误差产生改进的前馈数据”。

* **薄弱/争论点原因：**

1. **D2的技术领域跨度：** D2虽然公开了非线性滤波器及对误差的滤波，但其应用场景主要为**ADC（模数转换器）信号矫正和通道建模**，并未直接结合“机械部件的设定点轮廓前馈跟踪（ILC）”。专利权人可能会抗辩：本领域技术人员没有动机将电子信号处理领域的ADC非线性滤波技术迁移至高动态机械台的迭代学习控制中。

2. **“非线性滤波”在ILC中的特定物理效果：** 目标专利说明书[0045]-[0051]明确限定了该非线性滤波器在ILC中产生了“死区效应（幅度小于$\delta$的噪声不学习，大于$\delta$的才学习）”，解决了“学习增益（收敛速度）与系统稳定性的矛盾”（图9）。如果对比文件中没有明确提及“非线性滤波器用于剥离ILC中的非重复性噪声以提高学习增益”，专利权人容易借此强调预料不到的技术效果。

---

### 六、 进一步的对比文件检索策略建议

为了彻底压制上述薄弱点，建议开展第二轮精准补充检索，重点寻找**直接将“非线性/死区滤波”应用在“迭代学习控制（ILC）”或“前馈控制（Feedforward Control）”中的现有技术**：

#### 1. 核心检索要素组合（Block Building）

* **主题词 A（应用场景/运动控制）：**

* `Lithography` / `Wafer stage` / `Reticle stage` / `Motion control` / `Positioning stage` / `Setpoint profile`（平版印刷、晶片台、运动控制、设定点轮廓）

* **主题词 B（核心算法 - 迭代学习控制）：**

* `Iterative Learning Control` / `ILC` / `Learning feedforward` / `Iterative update`（迭代学习控制、学习前馈）

* **主题词 C（核心特征 - 非线性/死区滤波/噪声抑制）：**

* `Nonlinear filter` / `Dead-zone` / `Deadband` / `Threshold filtering` / `Non-repetitive noise` / `Amplitude-dependent`（非线性滤波器、死区、阈值滤波、非重复性噪声）

#### 2. 推荐的分类号（IPC / CPC）

* **G03F 7/70716**：(Lithographic apparatus - Control or drive mechanisms for stages) 平版印刷设备中台的控制或驱动机制。

* **G05B 13/02** / **G05B 13/04**：(Adaptive control systems / Learning control) 自适应控制与学习控制系统。

* **G05D 3/12**：(Control of position based on feedback/feedforward) 基于反馈/前馈的位置控制。

#### 3. 针对性检索表达式示例（以EPO/Derwent/Google Patents为例）

* **策略一（直接击穿特征G+H）：**

`CPC=(G03F7/70716 OR G05B13/02) AND TAC=("Iterative Learning" OR "ILC") AND TAC=("dead zone" OR "deadband" OR "non-linear filter" OR "threshold")`

* **策略二（追溯优先权日前的学术文献/专利）：**

重点检索 **Tom Oomen**、**Maarten Steinbuch** 或 **ASML** 在 2000 年–2006 年期间发表的关于 *“Iterative Learning Control with dead-zone / nonlinear filtering in precision motion systems”* 的论文或专利（目标专利优先权日为2003-2006年左右，ASML与荷兰埃因霍温理工大学在该领域有大量底层ILC专利布局）。若能检索到一篇在ILC框架中直接使用死区非线性滤波（Dead-zone ILC）的同类专利，即可作为完美的 **D2（第一代对比文件）**，一举封杀目标专利的创造性空间。

这是一份针对目标专利及三份对比文件的专业对比分析报告。

作为专利代理师，我将根据《专利审查指南》及相关规定，严格结合**目标专利说明书**的解释、**权利要求1**的技术特征以及**各对比文件原文**进行比对分析。

---

## 一、 目标专利说明书对权利要求1的解释与澄清

在分析对比文件之前，需结合目标专利说明书（CN101059658B）对权利要求1的技术特征进行明确的技术含义界定：

1. **整体技术框架（迭代学习控制，ILC）**：

* **前馈控制系统与设定点**（特征A~D）：部件（如平版印刷设备中的分划板台MT或衬底台WT）通过预设的设定点分布轮廓（包含各目标时间下的目标状态，如位置/速度/加速度）进行运动，控制系统使用前馈数据进行控制。

* **迭代学习**（特征J）：如说明书 [0004]、[0016] 和 [0038] 所述，系统基于“尝试/运行（Trial/Run）”按迭代方式重复操作，在前一次运行获得的误差基础上产生校正的前馈力/前馈数据，并用于下一次运行。

2. **“非线性滤波器”的技术内涵（特征G）**：

* 依据说明书 [0005]、[0045]~[0052] 及 [0057]~[0065]：在迭代学习过程中，误差信号中混杂有**非重复性噪声（如随机噪声）**。传统的线性ILC会将非重复性噪声放大并注入系统。

* 本发明的非线性滤波器（例如具有死区非线性的死区滤波器、基于幅度的滤波器或基于光谱/小波分析的频带死区滤波器），其核心作用是**减小误差信号中非重复性分量的比例**（如限制绝对值小于阈值 $\delta$ 的噪声参与学习）。

3. **技术效果（特征I、K、L及整体效果）**：

* 解决了传统线性ILC在“高学习增益（快速收敛）”与“系统稳定性”之间无法兼顾的矛盾（说明书 [0039]、[0067]~[0069]、图9）。通过非线性滤波阻断噪声注入，使得系统可以在保持高稳定性的同时施加大幅度的学习增益，实现快速收敛并高精度输出满阈值条件的前馈数据。

---

## 二、 各对比文件公开技术特征分析及特征比对表

### 1. 对比文件基本信息与代号指代

* **D1**: US6751602B2 (授权公告日: 2004-06-15) —— *Neural net controller for noise and vibration reduction*

* **D2**: WO2004074951A1 (国际公布日: 2004-09-02) —— *METHOD AND DEVICE FOR CONTROLLING A PHYSICAL QUANTITY...*

* **D3**: EP1480093A1 (公开日: 2004-11-24) —— *Control system, lithographic apparatus, device manufacturing method...*

---

### 2. 详细特征比对表（结合对比文件原文及出处）

---

## 三、 对比文件技术特征公开性深度分析（毫无异议公开 vs 实质公开）

1. **D1 (US6751602B2)**：

* **公开情况**：D1针对非线性系统的主动降噪与防振（AAVNAS），公开了传感器测量（特征E）、误差计算（特征F）以及神经网络自适应控制。

* **未公开内容**：D1**完全未公开**通过设定点分布轮廓移动部件（特征A~D），也**未公开迭代学习控制（ILC）框架（特征J~L）**。虽然D1使用了神经网络（内含非线性S型激活函数），但这是用于神经网络自身的隐层前向传播，**并非对测量得到的“这组误差”施加“非线性滤波器”以滤除非重复噪声（特征G）**。

2. **D2 (WO2004074951A1)**：

* **公开情况**：D2**实质公开了特征A、B、C、D、E、F**。D2明确记载了机器人手臂或机床部件按照插值器生成的设定点轨迹（$Q_i(t)$，位置与速度）移动，通过传感器测量实际位置 $Q_m(t)$ 并计算误差 $e(t)$。

* **未公开内容**：D2的前馈信号是通过**FIR滤波器**对设定点导数进行处理得到的（[p0035]、[p0064]），该FIR滤波器是**线性滤波器**。D2未对误差施加非线性滤波（特征G），且D2的系数更新是基于时间序列上的滑动窗口或在线自适应（Online Adaptive），**并非“按迭代方式（Run-to-Run）重复步骤(a)到(e)”的迭代学习控制（特征J~L）**。

3. **D3 (EP1480093A1)**：

* **公开情况**：D3在平版印刷设备背景下，**实质公开了特征A、B、C、D、E、F**。公开了衬底台/掩模台按设定点运动，并结合了速度、加速度及加加速度（Jerk）的前馈控制。

* **未公开内容**：D3使用的是线性的陷波滤波器（Notch Filter，[0010]）来消除特定谐振频率，**未公开非线性滤波器（特征G）**；D3是传统的实时反馈+前馈控制，**完全未公开迭代学习控制机制（特征J~L）**。

---

## 四、 创造性分析：最接近对比文件的选择与技术问题/效果分析

### 1. 最接近对比文件的选择

在创造性分析中，**D2 (WO2004074951A1)** 和 **D3 (EP1480093A1)** 均适合作为最接近的对比文件（其中 **D3** 在技术领域上最为契合，**D2** 在设定点前馈控制机制上最为契合）：

* **选择D3作为最接近对比文件**：

* **理由**：D3同样出自平版印刷设备（Lithographic Apparatus）技术领域，同样致力于解决精密运动台（晶片台/掩模台）在高速运动下的纳米级高精度定位问题。

* **技术领域与问题重合度**：极高。

* **选择D2作为最接近对比文件**：

* **理由**：D2详细揭示了基于设定点分布轮廓（$Q_i(t)$及速度 $v_i(t)$）进行多轴机械部件高精度运动控制的技术方案，涵盖了特征A~F的全套轨迹控制架构。

### 2. 区别技术特征与实际解决的技术问题（以D3或D2为最接近对比文件）

对比权利要求1与D3（或D2），权利要求1的区别技术特征在于：

* **特征G**：用非线性滤波器滤波所述这组误差；

* **特征J~L**（及H、I）：基于迭代学习控制（ILC）架构，使用滤波后的误差产生改进前馈数据，并按迭代方式重复运行直到满足阈值条件后输出。

**实际解决的技术问题**：

如何在利用迭代学习控制（ILC）提升部件运动轨迹追踪精度的过程中，防止随机噪声等非重复性干扰被学习算法放大而导致系统不稳定，从而实现在高学习增益下快速且稳定地收敛并获得高精度前馈数据。

### 3. 其他对比文件是否公开了区别特征？

* **特征G（非线性滤波误差）**：D1、D2、D3**均未公开**。D1仅为神经网络内部激活函数；D2为FIR线性滤波器；D3为线性陷波滤波器。

* **特征J~L（迭代学习及阈值输出）**：D1、D2、D3**均未公开**。三份对比文件均采用传统的实时自适应或前馈补偿，没有揭示“多次运行（Run-to-Run）—误差计算—非线性滤波—更新前馈—下一次运行重复—达到阈值输出”的迭代学习闭环。

---

## 五、 无效宣告请求中的薄弱技术特征与风险评估

如果发起针对目标专利CN101059658B权利要求1的无效宣告请求，以下特征是**攻击难度最高、最难被攻破的薄弱环节（即专利权的“强防线”特征）**：

1. **特征G（用非线性滤波器滤波所述这组误差）—— 最难攻破特征**：

* **原因**：本领域的公知常识通常是在频域采用线性低通或陷波滤波器处理误差。目标专利巧妙地认识到“非重复性噪声通常幅度较小”，通过“非线性滤波器（如死区非线性）”截断小幅度噪声，打破了传统线性ILC中“高学习增益”与“稳定性”不可兼得的瓶颈。现有对比文件D1~D3均未给出将非线性滤波器应用于ILC误差处理的教导。

2. **特征J~L（迭代学习控制ILC的完整闭环）**：

* **原因**：D1~D3均属于传统的连续时间/离散采样实时控制，缺乏ILC中“在同一步长轨迹上按Run多次重复迭代”的思想。

---

## 六、 进一步对比文件检索策略（检索建议）

鉴于现有对比文件D1~D3未能覆盖**“非线性滤波 + 迭代学习控制（ILC）”**的结合，若要成功无效权利要求1，需调整检索策略，补充针对特征G与J~L的对比文件：

### 1. 核心检索要素表达（Keywords & IPC/CPC）

* **核心概念1（迭代学习控制）**：

* Keywords: Iterative Learning Control, ILC, iterative updating, run-to-run, trial-to-trial, feedforward learning.

* IPC/CPC: `G05B13/02`, `G05B19/404`, `G03F7/70`

* **核心概念2（非线性滤波/死区滤波处理噪声）**：

* Keywords: Non-linear filter, dead-zone, deadband, amplitude-dependent filter, threshold, non-repetitive noise, noise attenuation in ILC.

* IPC/CPC: `H03H`, `G05B11/00`

### 2. 结合检索组合策略

* **策略一：追溯ILC学术与专利先驱机构（ASML / 荷兰代尔夫特理工 / 埃因霍温理工）**：

* 目标专利申请人为ASML。ASML与荷兰Eindhoven University of Technology (TU/e) 或 Delft University of Technology 在 2000–2006 年间发表了大量关于“ILC in Lithography”的论文与专利。

* **建议检索数据库**：IEEE Xplore, ScienceDirect, Google Patents。

* **重点搜寻**：2006年前关于“Dead-zone Iterative Learning Control”、“Nonlinear filtering in ILC”、“Iterative learning control with noise threshold”等文献。

* **策略二：组合对比文件构建显而易见性（结合公知常识/二次文献）**：

* **最接近对比文件（D2/D3）**：提供轨迹前馈与精密运动台控制框架（特征A~F）。

* **补强对比文件（D-Supp）**：寻找一份在控制领域公开了“在迭代学习控制（ILC）中对轨迹/跟踪误差应用死区非线性（Dead-zone）或非线性滤波器以抑制随机噪声”的通用控制专利或期刊论文。

* **结合逻辑**：主引证（D3或D2）+ 辅引证（D-Supp，公开ILC+非线性滤波误差）+ 本领域公知常识 $\rightarrow$ 权利要求1不具备创造性。

---

<ElicitationsGroup message="针对本专利无效案，您可以选择以下进一步的操作方向：">

<Elicitation label="撰写针对权利要求1的完整创造性无效意见书文本" query="请结合D3作为最接近对比文件，帮我撰写一份针对目标专利权利要求1的专利无效宣告意见书草案，包含具体的对比分析和逻辑推导。"/>

<Elicitation label="制定针对特征G（非线性滤波ILC）的精准专利/学术文献检索表达式" query="请帮我设计一套针对特征G（迭代学习控制中的非线性死区滤波）的组合检索式，包含中英文逻辑算子、分类号及推荐数据库。"/>

</ElicitationsGroup>

这份关于目标专利（CN101059658B）权利要求1的技术特征对比分析与无效检索策略，紧密结合了目标专利说明书及三份对比文件原文。

---

### 一、 权利要求1的技术特征拆解与说明书解释

根据目标专利说明书【CN101059658B】，对权利要求1的各项技术特征解释如下：

* **前馈控制系统与设定点分布轮廓（特征A、B、C、D）：** 目标专利主要应用于平版印刷设备（如衬底台WT或掩模台MT）的高精度移动控制。说明书第[0037]-[0038]段及图2a-c解释说明，设定点分布轮廓（Setpoint profile）由目标状态序列（位置、速度、加速度）及其对应的目标时间序列构成。第一组前馈数据（如惯性前馈信号）用于驱动部件按预定轮廓移动。

* **误差采集与对比（特征E、F）：** 在部件移动过程中，通过位置传感器/测量装置测量其实际状态，与设定点分布轮廓确定的期望目标状态进行比较，得到一组采样误差信号（对应说明书[0040]、[0054]段及图6中的 $e_y(k)$）。

* **非线性滤波（特征G - 关键核心特征）：** 说明书[0045]-[0053]段明确解释，该非线性滤波器**优先为死区非线性滤波器（Dead-zone nonlinearity filter）**或基于幅度的非线性滤波器。其核心机制在于：将幅度较小、跨运行批次不重复的随机噪声限制在死区阈值（如 $\delta$）内，使其不参与后续学习；而对超出死区阈值的重复性误差进行比例调整。

* **产生改进的前馈数据与迭代学习（特征H、I、J、K、L）：** 结合说明书[0054]-[0068]段及图6，滤波后的误差乘以学习增益矩阵 $L$，产生修正的前馈作用力（迭代学习控制 ILC）。该过程按运行批次按迭代方式（Run-to-run / Iterative manner）重复，直到误差满足阈值条件（如误差范数低于目标值），最后输出优化后的前馈数据用于实际生产，以实现高收敛速度与高稳定性的统一。

---

### 二、 对比文件技术特征比对表格

以下为三份对比文件对权利要求1技术特征（特征A~L）的公开情况比对表：

---

### 三、 各对比文件详细分析与原文出处

#### 1. D1：US6453206B1

* **对比文件公开号：** US 6,453,206 B1

* **技术领域：** 用于预测非线性映射值的单隐层人工神经网络算法。

* **公开的技术特征：**

* **特征F：** 对应原文 Column 1, lines 17-21：“Once the correct value of a predicted value becomes known, it is compared with the predicted value to produce an error. The error is a measure of the accuracy of the prediction function...”公开了比较测量值/真实值与预期值以获得误差。

* **未公开的技术特征：** D1未公开涉及通过设定点分布轮廓移动物理部件（特征A-D），更**未公开用非线性滤波器滤波误差（特征G）**。D1明确指出其采用的是标准的**线性回归技术（linear regression techniques）**（参阅 Column 2, lines 20-30），且其迭代是神经网络权重的训练过程，并非针对物理部件重复运行（Run-to-run）的迭代学习控制（ILC）。

#### 2. D2：EP1265106A2

* **对比文件公开号：** EP 1,265,106 A2

* **技术领域：** 平版印刷设备及其器件制造方法（控制系统）。

* **公开的技术特征：**

* **特征A、B、C、D、E、F、I：** 对应原文 说明书 [0011] 及 [0023]-[0024] 段，图2：“...first driving means, for moving the support structure... second driving means, for moving the substrate table... second measuring means, for determining the momentary position... means for comparing the measured momentary position with a desired momentary position... to generate a position error signal...”。公开了在光刻机中使用设定点、测量部件状态、对比产生位置误差信号 $e_{WS}$ 并进行前馈补偿控制。

* **未公开的技术特征：**

* **特征G（非线性滤波）：** D2采用的是**正弦拟合预测器（Sine-fit predictor）或多项式外推法**，其本质是通过有限冲激响应滤波器（FIR filter，线性滤波器）对连续时间采样进行滤波或导数预测（参阅 [0012], [0029], [0034] 段：“Implemented as a 4th-order FIR filter”）。D2中没有出现非线性滤波（如死区滤波）的教导。

* **特征J、K、L（迭代学习控制机制）：** D2的预测器是在单次运行过程中，根据过去的 $n$ 个采样点预测下一个采样点的**实时在线预测（On-line real-time prediction）**，而非在多次重复运行（Run-to-run）之间替换前馈数据阵列并判断阈值终止的**迭代学习控制（Iterative Learning Control）**。

#### 3. D3：US20030043354A1

* **对比文件公开号：** US 2003/0043354 A1

* **技术领域：** 平版印刷设备及器件制造方法。

* **分析情况：** D3与D2属于同一技术家族/同源申请（同为ASML关于光刻机台位置误差预测前馈的技术方案）。

* **公开与未公开技术特征：** 其对特征A-F、I的公开程度与D2一致（参照D3说明书[0020]段、[0046]-[0053]段及图2）。同样**未公开特征G（非线性滤波）**以及**特征J、K、L（基于批次运行的迭代学习控制及阈值终止机制）**。

---

### 四、 最接近对比文件的选择与技术问题/效果分析

#### 1. 最接近对比文件的确定

在创造性分析中，**D2 (EP1265106A2)** 和 **D3 (US20030043354A1)** 均非常适合作为最接近的对比文件（两者实质等同，下以 **D2** 为代表进行分析）：

* **技术领域相同：** D2与目标专利均属于**平版印刷设备（光刻机）中活动台（衬底台/掩模台）的高精度前馈控制系统**。

* **解决的技术问题相同：** 两者均旨在解决光刻机高速移动过程中，由于机械振动、扰动导致的位置测量误差，进而提升同步运动精度和纳米级定位准确度的技术问题（D2说明书[0007]-[0010]段 vs 目标专利[0003]段）。

* **技术特征重合度最高：** D2公开了权利要求1中绝大部分关于光刻机控制系统的架构特征（特征A、B、C、D、E、F、I）。

#### 2. 区别技术特征与技术效果

将目标专利权利要求1与最接近对比文件D2进行对比，区别特征主要在于：

1. **特征G：** 对获得的这组误差应用“非线性滤波器”进行滤波（而不是线性FIR滤波器）。

2. **特征J、K、L：** 采用了“批次间迭代学习控制（ILC）”机制，即重复使用改进的前馈数据代替第一组前馈数据，直到误差满足阈值条件后输出。

**实际解决的技术问题：**

如何在迭代学习前馈控制中，防止非重复性噪声（如随机测量噪声）被放大注入系统，从而在保障控制系统稳定性的同时实现高增益和快速收敛。

**达到的技术效果：**

结合目标专利说明书第[0045]及[0067]-[0068]段，非线性滤波（如死区滤波）将幅度较小的随机噪声滤除在学习过程之外，**打破了传统线性迭代学习控制中“高增益（快速收敛）与稳定性不可兼得”的瓶颈**，实现了高学习增益下的稳定收敛（如图9曲线90所示）。

---

### 五、 无效请求中最薄弱的技术特征及检索策略

#### 1. 最薄弱的技术特征（目标专利的核心防线）

经过上述比对，现有三份对比文件（D1-D3）**均未能公开特征G（用非线性滤波器滤波这组误差）** 以及 **特征J-L（迭代学习控制的批次循环与阈值终止）**。

因此，**最薄弱（即最难被无效掉、防线最强）的技术特征是：特征G（在迭代学习控制中对误差应用非线性滤波器/死区滤波器）**。

* *原因：* 光刻领域传统控制多采用线性控制（PID、线性FIR、状态反馈）。在ILC（迭代学习控制）中引入非线性滤波器（特别是死区非线性 $\delta$）来抑制噪声放大的技术手段，在D1-D3中完全不存在。

#### 2. 进一步的对比文件检索策略（针对特征G及J-L）

若要对本专利提起无效宣告请求，必须补充检索能够公开**“非线性滤波 + 迭代学习控制（ILC）”**组合的技术文献。建议采取以下检索策略：

1. **扩展技术领域（打破光刻机局限）：**

* 目标专利说明书[0069]段提到了该方法的通用性（如“ MagLev 台”、“重复移动系统”、“超高功率灯控制”）。

* **策略：** 将检索领域从“光刻（G03F）”拓宽至**通用控制工程（G05B）**、**机器人轨迹控制（B25J）**、**电机/精密定位台控制（H02P, G05D）**。

2. **关键词与分类号组合检索（聚焦核心控制算法）：**

* **核心关键词组合1（ILC + 死区非线性）：**

`("Iterative Learning Control" OR "ILC" OR "迭代学习")` AND `("dead zone" OR "deadband" OR "non-linear filter" OR "amplitude dependent" OR "死区" OR "非线性滤波" OR "阈值滤波")`

* **核心关键词组合2（ILC + 噪声抑制/收敛性）：**

`("Iterative Learning" OR "Run-to-run")` AND `("Feedforward" OR "前馈")` AND `("Noise rejection" OR "non-repetitive" OR "非重复性噪声")` AND `("Dead-zone")`

* **推荐IPC/CPC分类号：**

* `G05B19/042` / `G05B19/404`（数控系统的误差补偿与学习控制）

* `G05B13/02` / `G05B13/04`（自适应或学习控制系统）

* `G03F7/70716`（光刻机台位置控制）

3. **针对性学术文献/专利追溯：**

* 重点检索 **2006年1月（目标专利优先权日）之前** 发表的控制领域顶刊及会议（如 *IEEE Transactions on Control Systems Technology*, *Automatica*, *American Control Conference (ACC)*, *IEEE CDC*）。

* 重点关注 1990s - 2005年间关于 **“Dead-zone Iterative Learning Control”（死区迭代学习控制）** 或 **“Robust Iterative Learning Control with dead-zone”** 的基础理论论文。只要能证明在ILC算法中加入死区非线性滤波器来抑制非重复性噪声属于控制领域的公知常识或常规技术手段，即可结合D2/D3拼凑出创造性无效证据链（D2/D3 + 领域公知常识/补充对比文件）。

作为一名经验丰富的专利代理师，我将紧密结合目标专利说明书（授权公告号：CN101059658B）及对比文件原文，对权利要求1的各个技术特征进行逐一比对分析，并评估各对比文件的公开程度、最接近对比文件的选择、最薄弱特征及后续检索策略。

---

## 一、 权利要求1技术特征结合目标专利说明书的理解与解释

* **技术特征A（前言/主题）**：*“一种用于获得用于前馈控制系统的改进的前馈数据的方法，从而通过设定点分布轮廓移动一个部件；”*

* **说明书解释**：参见说明书[0001]、[0003]及[0013]。目标部件特别指平版印刷设备中的衬底台（晶片台WT）或掩模台（MT）。前馈控制用于在纳米级位置准确度要求下实现短建立时间。设定点分布轮廓（Setpoint Profile）确定了部件状态的预期时间演变。

* **技术特征B与C**：*“所述设定点分布轮廓包括所述部件的多个目标状态；每个目标状态是在对应序列的目标时间之一上获得的；”*

* **说明书解释**：参见说明书[0037]及图2a-2c。目标状态包括部件在特定目标时间将要达到的目标位置（图2c）、速度（图2b）或加速度（图2a）序列。

* **技术特征D**：*“所述的方法包括按照设定点分布轮廓使用第一组前馈数据并且使用前馈控制系统来移动所述部件；”*

* **说明书解释**：参见说明书[0040]及图5。第一组前馈数据可为初始的惯性前馈信号（如根据部件质量计算的力），或前一次运行获得的学习前馈信号（图5中的30）。

* **技术特征E**：*“在所述移动期间在多个时间上测量所述部件的状态；”*

* **说明书解释**：参见说明书[0040]及图3。利用位置传感器/测量装置14（如干涉仪或编码器）实时测量部件在运动过程中的实际位置、速度或加速度状态。

* **技术特征F**：*“比较测量的状态与通过所述设定点分布轮廓确定的对应目标状态，以获得一组误差；”*

* **说明书解释**：参见说明书[0041]及图3中的误差确定装置13。通过将测量状态与设定点分布轮廓的目标状态对比，导出误差数据阵列 $e_y(k)$。

* **技术特征G**：*“用非线性滤波器滤波所述这组误差；”*

* **说明书解释（核心特征）**：参见说明书[0045]-[0052]、[0057]-[0065]及图4（步骤58）、图6（函数 $\Phi$）。非线性滤波器特别指**依赖于幅度的死区非线性滤波器（Dead-zone Filter）**。其核心机制在于：将随机噪声/非重复性影响与物理重复性误差区别开，绝对值小于预定阈值 $\delta$ 的误差被滤除（不参与学习），从而防止噪声在迭代学习中被放大。

* **技术特征H与I**：*“根据经过滤波的误差产生改进的前馈数据；所述改进的前馈数据可以由所述前馈控制系统使用来更加准确地通过设定点分布轮廓移动所述部件；”*

* **说明书解释**：参见说明书[0041]、[0054]及图6。经过滤波的误差阵列乘以学习增益矩阵 $L$，计算出校正的前馈作用力（改进的前馈数据 $F_{ilc}$），使随后的运行更准确。

* **技术特征J、K与L**：*“所述方法进一步包括使用最近获得的改进的前馈数据代替第一组前馈数据按迭代方式重复步骤(a)到(e)；直到确定在步骤(c)获得的这组误差满足一个阈值条件时为止；输出满足阈值条件的改进的前馈数据。”*

* **说明书解释**：参见说明书[0042]-[0044]、[0055]及图4（步骤56、62）。基于迭代学习控制（ILC），不断替代更新前馈力，直至误差阵列或其子集满足预定目标阈值（如全低于预定值），停止迭代并输出最终前馈数据供后续运行使用。

---

## 二、 对比文件特征比对与公开情况分析

针对三份对比文件（用公开号标示）：

1. **D1**：`US5521036A` (Positioning method and apparatus)

2. **D2**：`US5757149A` (Drive control apparatus)

3. **D3**：`US5831739A` (Alignment method)

### 1. 对比文件原文分析及特征比对表格

---

## 三、 最接近对比文件的选择及创造性分析

### 1. 最接近对比文件的确定

**最接近对比文件为：D2 (`US5757149A`)**。

* **整体解决的技术问题与效果比较**：

* **目标专利**：旨在解决在平版印刷设备部件（如晶片台/掩模台）的高速高精度运动控制中，迭代学习控制（ILC）易将非重复性噪声注入系统导致不稳定或收敛慢的问题。

* **D2 (`US5757149A`)**：同样聚焦于同步扫描曝光机中晶片台/掩模台的高精度控制，解决由于电机推力不均匀性（thrust nonuniformity）或摩擦等干扰导致的扫描偏差问题。D2采用了“预扫描（preliminary scan）— 收集偏差数据 — 滤波修正前馈/增益表 — 应用于实际扫描”的技术路线，其技术领域、控制框架和解决的技术问题与目标专利最为契合。

* **D1 (`US5521036A`)** 与 **D3 (`US5831739A`)**：主要涉及曝光机的静态对准（Alignment）、套刻偏差（EGA算法）及对焦（Focusing）方法，属于测量与对准技术领域，并不涉及运动控制系统中的**前馈控制数据迭代修正与非线性滤波**。

### 2. 未被最接近对比文件（D2）公开的技术特征

尽管D2构成了最接近的对比文件，但权利要求1相对于D2仍具备明显的区别技术特征：

1. **特征G（核心区别）**：D2使用的是**线性低通滤波器**（"high-frequency cutoff type filter" / FIR filter，参见D2 Col. 12, l. 15-25, Col. 13, l. 25-35），用于滤除高频噪声；而权利要求1明确限定采用**非线性滤波器**（如死区非线性滤波器，根据误差幅度区分噪声与重复性物理特征）。

2. **特征J、K、L（迭代收敛机制）**：D2公开的是基于预扫描建立修正表（Look-up table）的控制，并非按照前馈数据替代的**迭代学习控制（Iterative Learning Control, ILC）机制**，且未公开“重复执行迭代直到误差满足预设阈值条件为止才终止并输出数据”的闭环迭代终止判断。

### 3. 其他对比文件是否公开了上述未公开特征？

* **特征G（非线性滤波器）**：D1与D3均未涉及运动控制中的误差滤波。D3虽然在对准算法中使用了加权最小二乘法，但这属于数据处理算法，并非对时域/频域运动误差信号施加非线性滤波。因此，**特征G未被D1、D2、D3中的任何一份对比文件公开**。

* **特征J、K、L（迭代及阈值条件）**：D1和D3均未公开运动控制的前馈数据迭代学习与阈值判断机制。

---

## 四、 无效请求中最薄弱的技术特征分析与检索策略

### 1. 最薄弱的技术特征（即目标专利的核心创新点）

**最薄弱的技术特征为：特征G（用非线性滤波器滤波所述这组误差）结合特征J-K（迭代学习控制ILC框架）。**

* **薄弱性分析**：

* 特征A-F及H-I属于传统前馈控制及测量反馈的基础架构，已被D2高度公开。

* 单纯的“迭代学习控制（ILC）”在控制工程领域属于通用技术。

* 目标专利的核心专利性（与D2的本质区别）完全建立在“**在前馈迭代学习控制中引入非线性滤波器（尤其是死区非线性滤波器）**”这一手段上（如目标专利说明书[0045]-[0052]所述，死区非线性滤波能完美隔离低于阈值的随机噪声，同时允许大增益迭代，解决了收敛速度与稳定性的矛盾）。

* 若想成功无效权利要求1，必须寻找将**非线性滤波器（Dead-zone / Amplitude-dependent filter）**应用于**迭代学习控制（ILC / Iterative Learning Control）**或前馈修正中的对比文件。

### 2. 进一步对比文件检索策略

为了克服现有对比文件（D1-D3）未公开核心特征G的缺陷，建议采取以下补充检索策略：

1. **检索主题扩展与组合（Keywords & IPC/CPC）**：

* **控制算法类（重点突破）**：结合“迭代学习控制/ILC”与“非线性滤波/死区滤波”。

* *关键词*：`Iterative Learning Control` OR `ILC` OR `feedforward learning`；配合 `Nonlinear filter` OR `Dead zone` OR `Deadband` OR `Amplitude dependent` OR `Threshold filter`。

* **应用领域分类号（CPC/IPC）**：

* `G03F 7/70716`（平版印刷设备中台控制系统的技术分类）。

* `G05B 13/02` / `G05B 19/404`（自适应或迭代控制、运动补偿系统）。

2. **重点检索文献类型与来源**：

* **专利文献**：重点检索ASML、Nikon、Canon等平版印刷巨头在2006年3月（目标专利优先权日）之前申请的关于晶片台/掩模台ILC（迭代学习控制）的专利。

* **非专利文献（NPL）**：迭代学习控制（ILC）中的死区非线性滤波属于典型的控制理论交叉应用，极可能优先发表于顶级控制期刊或会议（如 *IEEE Transactions on Automatic Control*, *IEEE Transactions on Control Systems Technology*, *Automatica*, *American Control Conference (ACC)*, *IEEE CDC*）。

3. **补充组合立案（结合D2）**：

* 利用 **D2 (`US5757149A`)** 作为最接近对比文件（提供前馈控制、运动平台偏差测量与滤波修正的主干架构）。

* 补充检索一份公开“在迭代学习控制（ILC）中使用死区/非线性滤波器处理误差信号”的控制领域对比文件（D4）。

* **无效逻辑**：主张“在D2的前馈控制预扫描/迭代修正体系中，引入控制领域公知的死区非线性滤波器（D4）来消除随机噪声对学习过程的干扰，属于本领域技术人员结合D4的教导解决噪声放大问题的显而易见的技术手段”，从而击毁权利要求1的创造性。

目标专利CN101059658B授权权利要求1的技术特征拆解如下：

* **技术特征A**：从而通过设定点分布轮廓移动一个部件；

* **技术特征B**：所述设定点分布轮廓包括所述部件的多个目标状态；

* **技术特征C**：每个目标状态是在对应序列的目标时间之一上获得的；

* **技术特征D**：所述的方法包括按照设定点分布轮廓使用第一组前馈数据并且使用前馈控制系统来移动所述部件；

* **技术特征E**：在所述移动期间在多个时间上测量所述部件的状态；

* **技术特征F**：比较测量的状态与通过所述设定点分布轮廓确定的对应目标状态，以获得一组误差；

* **技术特征G**：用非线性滤波器滤波所述这组误差；

* **技术特征H**：根据经过滤波的误差产生改进的前馈数据；

* **技术特征I**：所述改进的前馈数据可以由所述前馈控制系统使用来更加准确地通过设定点分布轮廓移动所述部件；

* **技术特征J**：所述方法进一步包括使用最近获得的改进的前馈数据代替第一组前馈数据按迭代方式重复步骤(a)到(e)；

* **技术特征K**：直到确定在步骤(c)获得的这组误差满足一个阈值条件时为止；

* **技术特征L**：输出满足阈值条件的改进的前馈数据。

---

## 1. 对比文件技术特征比对表格及详细出处

以下针对对比文件 **D1**（US20050231706A1）与 **D2**（JP2005322720A）进行技术特征的比对分析：

---

## 2. 最接近对比文件的选择分析

在创造性分析中，选取最接近的对比文件需综合衡量技术领域、解决的技术问题、技术方案及技术效果的贴近程度：

### 最接近对比文件分析

* **D1（US20050231706A1）**：

* **技术领域与问题**：光刻机工件台/掩模台的运动控制，通过迭代学习控制（ILC）减少前馈控制中的跟随误差（Following Error）。

* **方案匹配度**：完全涵盖了基于时间序列误差、迭代更新前馈控制数据（Force Feedforward / Position Feedforward）以及设定阈值收敛（[0057]）的完整控制闭环架构。

* **结论**：**D1 最适合作为第一最接近对比文件**。

* **D2（JP2005322720A）**：

* **技术领域与问题**：光刻机台控制，基于扫描运动中的跟随误差（追从误差）积分/微分，通过迭代学习/自适应更新前馈控制参数以缩短整定时间。

* **方案匹配度**：公开了按迭代重复更新前馈参数、整定期误差积分收敛及阈值判断（图5步骤S15）。

* **结论**：**D2 同样适合作为备选的最接近对比文件**。

---

## 3. 未被最接近对比文件公开的技术特征分析

通过与目标专利说明书的深度结合，对比分析如下：

### 未被公开的核心区别特征

* **特征G**（用**非线性滤波器**滤波所述这组误差）：

* **对比文件现状**：D1 虽然使用了 FIR Q 滤波器（[012]、FIG. 12），但其本质上是线性频域滤波器；D2 使用的是线性累加/积分（$\sum e(k)$）与时间微分。均未公开**非线性滤波器**。

* **目标专利说明书对应**：结合目标专利说明书 [0005]、[0045]-[0052]、[0057]-[0064]、图7-图9：

* 说明书明确指出，在迭代学习中，非重复性噪声（如随机噪声）会被线性学习算法放大（[0039]）。

* 本专利通过采用具备**死区非线性（dead-zone non-linearity）**的非线性滤波器（例如公式在说明书 [0057]-[0063] 中定义的依赖于幅度的非线性矩阵 $\Phi(e_y(i))$），将绝对值小于预定阈值 $\delta$ 的随机噪声滤除，不参与学习更新（[0045]、[0063]）。

* **技术效果**：如说明书 [0051]、[0067]-[0068] 及图9（曲线90与曲线80对比）所示，避免了非重复性噪声在迭代过程中的放大，使得控制系统能够在保证高学习增益（快速收敛）的同时，维持闭环控制系统的稳定性（防止高增益线性算法出现发散/不稳定）。

---

## 4. 无效请求中最薄弱的技术特征与无效攻击策略

### 4.1 无效请求中最薄弱的技术特征

目标专利权利要求1的最核心保护点及最具抗辩力的特征是 **“特征G：用非线性滤波器滤波所述这组误差”**（特别是结合说明书限定的**带死区/幅值依赖的非线性滤波**）。

* **为什么特征G是抗无效的最坚固防线**：

D1和D2虽均实现了迭代学习（ILC）及阈值终止，但其对误差的处理均为常规线性处理。线性ILC在存在测量噪声时易引发高频不稳定，而本专利通过引入非线性滤波器（如死区滤波）解决了“快速收敛”与“高频噪声稳定性”之间的固有矛盾。

### 4.2 进一步对比文件检索策略（检索策略建议）

为了成功无效权利要求1，需重点针对**特征G（在迭代学习控制ILC中对误差信号应用非线性滤波器/死区滤波器）**进行精准补充检索：

```

┌── 核心技术主题：迭代学习控制 (ILC / Iterative Learning Control)

│

补充检索三大维度 ─────────────┼── 核心算法手段：非线性滤波 / 死区滤波 (Nonlinear Filter / Dead-zone Filter / Thresholding)

│

└── 应用场景扩展：光刻机台 / 高精度定位台 (Lithography / Wafer Stage / Motion Control)

```

1. **关键词组合策略（英文及中文）**：

* **主题词1（控制算法）**："Iterative Learning Control" OR "ILC" OR "feedforward learning" OR "迭代学习控制" OR "前馈学习"

* **主题词2（非线性/死区滤波）**：("non-linear filter" OR "nonlinear filter" OR "dead zone" OR "deadband" OR "thresholding" OR "amplitude dependent" OR "非线性滤波" OR "死区")

* **主题词3（信号处理/误差）**：("tracking error" OR "following error" OR "repetition noise" OR "跟随误差" OR "噪声放大")

2. **分类号（IPC / CPC）联合检索**：

* `G05B13/02` / `G05B13/04`（基于模型的自适应/学习控制系统）

* `G05B19/404`（数控或定位系统的误差补偿）

* `G03F7/70716` / `G03F7/70775`（光刻机工件台/掩模台的前馈与位置控制）

3. **优先检索方向与文献类型**：

* **跨领域技术移植**：非线性死区滤波在迭代学习控制中用于抑制随机噪声放大的理论，可能最早发表于**控制理论学术期刊/会议**（如 *IEEE Transactions on Automatic Control*、*IEEE Transactions on Control Systems Technology*、*Automatica*、*Asian Journal of Control*）。

* **交叉领域专利**：关注高精度数控机床、工业机器人轨迹跟踪、磁悬浮电机定位等对“迭代学习+死区/非线性滤波”有相同诉求的通用自动化控制领域专利。

<ElicitationsGroup message="如需进一步推进本案的无效与比对工作，可选择以下方向：">

<Elicitation label="撰写针对权利要求1的完整无效宣告请求书意见陈述书框架" query="请结合上述分析，编写一份针对CN101059658B权利要求1的专利无效宣告请求书的意见陈述书框架，重点论述组合对比文件D1/D2与公知常识对特征G的显而易见性攻击。"/>

<Elicitation label="生成针对特征G（非线性/死区滤波）的构建式检索式" query="请为检索‘在迭代学习控制（ILC）中应用死区非线性滤波器抑制噪声’的技术特征，提供可在EPO/Google Patents/CNIPA直接运行的具体逻辑检索式。"/>

</ElicitationsGroup>

针对目标专利说明书CN101059658B、权利要求1以及两份对比文件（D1: US6904422B2；D2: US6949844B2），紧密结合专利说明书解释和对比文件原文内容，分析如下：

---

### 一、 目标专利说明书对权利要求的解释

结合目标专利说明书（CN101059658B），权利要求1的技术特征解释如下：

1. **“设定点分布轮廓”（Set-point Profile）与“目标状态”（Target States）**：

* **说明书依据**：说明书[0037]段及图2a-c指出，设定点分布轮廓是部件移动时遵循的时间演化轨迹（如包含加速阶段2、恒速阶段4和减速阶段6），由特定目标时间序列上对应的目标状态（位置、速度、加速度等）定义。

2. **“第一组前馈数据”（First Set of Feedforward Data）与“改进的前馈数据”（Improved Feedforward Data）**：

* **说明书依据**：说明书[0038]-[0041]段及图5描述，前馈数据可包括基于系统物理性质（如质量）导出的惯性前馈信号36，以及基于先前测量导出的迭代学习前馈信号30。改进的前馈数据是结合了经过滤波后的误差对控制力/前馈作用力修正后的数据。

3. **“非线性滤波器”（Nonlinear Filter）**：

* **说明书依据**：说明书[0045]-[0052]段及图4（步骤58）明确强调，非线性滤波器（如死区/依赖幅度的滤波器，或频域的子波分析滤波器）的作用是**从测量误差中去除/抑制非重复性成分（如随机噪声）**。死区非线性的核心机制是：当误差幅度小于阈值$\delta$时，不进入学习算法（不修正前馈），从而避免噪声被迭代学习放大，确保学习算法具有高增益与稳定性。

4. **“迭代方式重复”与“阈值条件”**：

* **说明书依据**：说明书[0042]-[0044]段（图4步骤50-62）指出，通过多轮尝试运行（Trial Run），将最近一次改进的前馈信号存入存储装置16供下一次运行使用，直到误差满足目标阈值条件（如所有误差或特定子组误差低于预定门限）时停止迭代，输出满足条件的前馈数据。

---

### 二、 特征比对表格（针对权利要求1）

> **说明**：

> * **D1**：US6904422B2（授权公告日：2005-06-07）

> * **D2**：US6949844B2（授权公告日：2005-09-27）

---

### 三、 最接近对比文件的选择分析

在创造性分析中，**D1 (US6904422B2)** 适合作为最接近的对比文件。

#### 1. 理由分析：

* **技术领域与技术问题一致性**：D1与目标专利均属于控制工程领域，旨在解决复杂的动态系统在存在建模误差、非线性干扰或不确定性时，如何生成准确的前馈/补偿控制信号以实现高精度轨迹跟踪的问题。

* **技术特征重合度**：

* D1公开了控制系统结构（包含前馈/伪控制）、基于设定点轨迹移动部件、测量状态、计算跟踪误差、通过滤波校正误差并使用自适应神经网络生成改进的前馈/控制数据以提高跟踪精度的全过程（特征A-F, H, I）。

* 相比之下，D2（US6949844B2）主要侧重于晶圆定位台的**物理机械结构**（平面多电机驱动、气浮轴承、力取消系统）及常规的轨迹规划和参数估计，对前馈数据通过滤波和迭代学习更新的算法层面公开较少。

---

### 四、 区别技术特征与无效请求中最薄弱的技术特征分析

以 **D1 (US6904422B2)** 为最接近对比文件，权利要求1相对于D1的区别技术特征在于：

1. **特征G**：用**非线性滤波器**滤波所述这组误差；

2. **特征J-L**：基于**迭代学习（Iterative Learning Control）机制**，使用最近获得的改进前馈数据替代第一组前馈数据按迭代方式重复步骤(a)-(e)，直至误差满足阈值条件时停止并输出满足阈值条件的改进前馈数据。

#### 最薄弱的技术特征分析（专利权人容易被攻破或无效请求突破口）：

如果请求人对该专利提起无效宣告，**最薄弱（最容易被攻破）的技术特征是：特征J、K、L中关于“迭代学习控制（ILC）框架与误差阈值判断”的组合**。

* **原因分析**：

1. **迭代学习（ILC）属于本领域公知常识/经典方法**：目标专利说明书背景技术[0004]段自己承认：“已经提出建议：应用迭代学习控制来获得短的建立时间……所述方法基于对前馈信号或‘力’的迭代学习”。这表明“在重复运行中通过迭代学习更新前馈数据直到误差达标”本身在申请日之前已是控制领域的公知常识。

2. **非线性滤波器（特征G）才是本专利真正的“核心发明点”**：说明书[0005]-[0007]、[0045]-[0052]明确指出，本发明的核心贡献在于**在迭代学习框架中引入“死区/幅度非线性滤波器”**，解决了传统迭代学习控制中非重复性噪声（如随机噪声）被迭代放大的瓶颈问题。

3. **无效策略**：

* 若仅单独看特征J-L，很容易被传统ILC文献或公知常识结合（如结合经典的迭代学习控制教材/论文）；

* 因此，**特征G（用非线性滤波器对误差滤波以抑制非重复性噪声）是本专利最坚固的防线**。如果检索不到将“非线性滤波器/死区滤波器”应用于“迭代学习控制（ILC）前馈更新”中的对比文件，权利要求1将具有较高的稳定性。

---

### 五、 进一步对比文件检索策略（无效检索方案）

为了彻底无效权利要求1，下一步的检索应**紧扣“非线性滤波器（死区滤波）+ 迭代学习控制（ILC）/前馈数据更新”**这一核心结合点。具体检索策略如下：

1. **核心逻辑组合（检索式构建）**：

* **主题分类号（IPC/CPC）**：

* `G05B13/02` 或 `G05B13/04`（自适应控制系统）

* `G05B19/404` 或 `G05B19/19`（数控/定位系统的误差补偿）

* `G03F7/70`（平版印刷设备控制）

* **关键词组合**：

* **组1（迭代学习）**：迭代学习 / 学习控制 / Iterative Learning Control / ILC / trial-to-trial / run-to-run / repetitive control

* **组2（前馈/误差更新）**：前馈 / feedforward / feed-forward / error filtering / 误差滤波

* **组3（非线性/死区滤波）**：非线性滤波 / 死区 / 门限 / 阈值 / 幅度滤波 / deadzone / dead-zone / dead band / non-linear filter / thresholding / amplitude-dependent filter

2. **重点检索方向**：

* **学术期刊与会议论文**：迭代学习控制（ILC）领域的理论突破多优先发表于控制顶级期刊（如 *IEEE Transactions on Automatic Control*, *IEEE Transactions on Control Systems Technology*, *Automatica*）以及控制会议（ACC, CDC）。重点检索2006年之前关于“Dead-zone Iterative Learning Control”（死区迭代学习控制）或“Robust Iterative Learning Control with Noise Filter”的论文。

* **同族与交叉技术领域**：除平版印刷（Lithography）外，重点关注机器人轨迹控制（Robot Manipulator Path Tracking）、数控机床（CNC Precision Motion）以及高精度磁悬浮/电机驱动控制领域的相关专利文献。

这是一份紧密结合目标专利说明书（CN101059658B）及三份对比文件（D1: US20040238758A1, D2: US6856191B2, D3: JP2005123220A）原文的专利无效宣告/创造性分析报告。

---

### 一、 目标专利权利要求1与说明书的相互对应关系

在分析对比文件之前，需先结合目标专利说明书（CN101059658B）对权利要求1的技术特征进行法律与技术含义的准确界定：

1. **“前馈控制系统”与“部件”的移动（特征A、D、I）：**

* 说明书[0003]、[0008]及[0038]-[0040]界定：部件（Component）特指平版印刷设备中的**分划板台（图形制造装置台 MT）**或**衬底台（晶片台 WT）**；前馈控制系统（12）用于克服标准PID反馈响应慢的问题，实现纳米级位置准确度与毫秒级的建立时间。

2. **“设定点分布轮廓”（特征A、B、C）：**

* 说明书[0004]、[0012]及[0037]（图2a-c）界定：设定点分布轮廓（Setpoint profile）包含加速度阶段（2）、恒速阶段（4）和减速阶段（6），定义了部件在特定目标时间序列上预期的位置、速度或加速度（目标状态序列）。

3. **“非线性滤波器”及滤波过程（特征G）：**

* 说明书[0005]、[0019]、[0045]-[0052]（图4框58、图5、图6矩阵$\Phi$）重点强调：在迭代学习控制（ILC）中，测量误差中包含随机噪声等**非重复性影响（Non-repetitive effects）**。若直接学习，噪声会被放大注入系统导致失稳。非线性滤波器（如**死区非线性滤波器/依赖于幅度的滤波器**）的作用是：幅度小于死区（阈值 $\delta$）的噪声不参与学习，仅对大于死区的重复性误差进行迭代学习，从而在提高学习增益的同时保证系统稳定性。

4. **“迭代重复”与“阈值条件”（特征J、K、L）：**

* 说明书[0042]-[0044]（图4框54、56、62）：将测量误差与预定阈值条件比较，若满足条件（如误差低于目标值）则停止迭代并输出当前改进的前馈数据，用于后续实际运行。

---

### 二、 对比文件原文公开情况分析

#### 1. 对比文件1：D1（US20040238758A1）

* **公开号：** US 2004/0238758 A1

* **技术领域：** 平版印刷投影设备中部件定位（工件台/掩模台）的控制系统。

* **公开特征分析：**

* **特征A、B、C：** [0011]段公开了根据期望的位置、速度、加速度（即设定点分布轮廓的目标状态及目标时间）控制定位装置移动。

* **特征D、E、F：** [0011]-[0016]段及图2、图6公开了基于设定点（Setpoint generator SG）使用前馈控制（速度前馈$v_{ff}$、加速度前馈$a_{ff}$、加加速度前馈$j_{ff}$）移动部件，并使用传感器（如干涉仪12/IF）测量位置/电流状态，与目标状态比较产生误差信号。

* **特征G、H、I、J、K、L（未公开/仅公开部分）：** D1使用的是**传统的前馈计算公式（基于确定的物理模型参数如质量、电阻、电感等进行静态计算）**，结合陷波滤波器（Notch filter 26, 36）抑制特定频段响应。**D1完全没有公开“非线性滤波器”、没有公开“迭代学习控制（ILC）机制”、没有公开“根据经过滤波的误差产生改进的前馈数据”及“迭代重复直至满足阈值条件”**。

#### 2. 对比文件2：D2（US6856191B2）

* **公开号：** US 6,856,191 B2

* **技术领域：** 数字信号处理中的非线性滤波器及其在模数转换器（ADC）误差消除或通道建模中的应用。

* **公开特征分析：**

* **特征G：** [0018]、[0021]-[0028]、[0030]-[0037]（图1B、图2A-2B、图3A-3C）公开了利用分段线性函数/绝对值算子/极小极大（Min-Max）选择网络构建的非线性滤波器，用于对输入信号或误差信号进行非线性滤波。

* **特征H（部分技术手段）：** [0052]-[0058]（图5、图7A-7B）公开了在训练阶段，将系统误差（$\varepsilon$）输入非线性滤波器进行自适应训练（LMS算法），输出估计的误差信号，用于校正/改进后续信号。

* **特征A-F、I-L（未公开）：** D2属于通用电子信号处理领域（尤其是ADC矫正），**完全未涉及平版印刷设备或运动部件的“设定点分布轮廓（位置/速度/加速度时序控制）”、“前馈控制系统”以及“迭代学习控制前馈数据的更新与替换迭代循环”**。

#### 3. 对比文件3：D3（JP2005123220A）

* **公开号：** JP 2005-123220 A

* **技术领域：** 平版印刷扫描露光装置中的台（Stage，掩模台与晶片台）控制方法及速度轮廓生成。

* **公开特征分析：**

* **特征A、B、C、D、E、F：** [0002]、[0020]-[0028]、[0035]-[0038]（图3, 图4A-4C, 图5）公开了按照给定的速度轮廓（包含加速度、加加速度Jerk等目标状态时序）控制晶片台（WST）和掩模台（RST）移动；通过干涉仪（48、40）实时测量台的位置状态，计算与目标指令的偏差（误差）。

* **特征J、K、L（部分理念）：** [0039]-[0048]、[0054]-[0063]公开了通过监测台是否到达指定位置，对速度指令/轮廓进行算法修改与补正计算，通过サンプリング（采样）迭代和阈值/条件判定（如判断采样偏差$N_{rot}=0$或满足加速/减速时间边界条件）来输出更新后的速度轮廓。

* **特征G、H（未公开）：** D3侧重于解决双台同步中的减速/加速时序对齐与补正问题，其滤波或控制不包含“对测量误差应用非线性滤波器（如死区/幅度敏感滤波器）以抑制非重复性噪声”以及“据此提取可学习成分生成改进的前馈数据”。

---

### 三、 权利要求1技术特征与对比文件对比表

---

### 四、 最接近对比文件的选择与创造性分析

#### 1. 最接近对比文件的选择

在创造性分析（三步法）中，**D1（US20040238758A1）** 或 **D3（JP2005123220A）** 均可作为**最接近的对比文件（第一最接近对比文件）**：

* **选D1/D3作为最接近对比文件的理由：**

1. **技术领域完全相同：** D1、D3与目标专利同属于“平版印刷设备中工件台/掩模台的前馈运动控制系统”领域。

2. **解决的技术问题重合度高：** 均致力于解决高精度的纳米级快速定位、消除运动过程中的跟踪误差以及提高系统响应速度与吞吐量问题。

3. **技术特征覆盖度极高：** D1和D3均公开了权利要求1中关于运动控制的绝大部分基础框架（特征A、B、C、D、E、F，以及D3中的K、L）。

#### 2. 最接近对比文件未公开的技术特征及分布

以 **D1** 为最接近对比文件时：

* **区别技术特征为：特征G、H、I、J、K、L。**

* 即：利用“非线性滤波器”对误差进行滤波，基于滤波后的误差产生改进的前馈数据（迭代学习控制ILC），并以迭代更新、满足阈值条件后输出改进前馈数据的方式来控制部件。

以 **D3** 为最接近对比文件时：

* **区别技术特征为：特征G、H。**

* 即：在迭代产生/改进控制数据的过程中，**“使用非线性滤波器对误差进行滤波”**（特征G），并“根据该**经过非线性滤波的误差**产生改进的前馈数据”（特征H）。

#### 3. 区别特征在其他对比文件中的公开情况与结合逻辑

* **特征G（非线性滤波器对误差滤波）被对比文件D2（US6856191B2）公开：**

* **D2原文出处：** [0018]、[0021]-[0028]、[0052]-[0058]、图2A-2B、图7A-7B。

* **D2技术教导：** D2明确教导了在控制系统或信号处理系统中，针对存在非线性噪声/误差的情况，可以使用分段线性或非线性算子构成的非线性滤波器对误差信号进行滤波提取，从而避免高阶非线性失真，并在自适应训练/更新中输出更精确的校正信号。

* **技术问题的映射与结合动机：**

* **目标专利实际解决的技术问题：** 如何在迭代学习控制（ILC）过程中，防止非重复性噪声（如随机噪声）被学习算法放大而注入控制系统，从而在保证系统稳定性的前提下提高学习增益和控制精度。

* **结合逻辑：** 当本领域技术人员在面对D1（或D3）的前馈控制系统时，为了解决重复运行中的噪声干扰与信号校正问题，引入本领域公知的“迭代学习控制（ILC）”是极为常见的技术手段（特征J、K、L属于ILC常规步骤）。而在实施ILC时，面对非重复性噪声导致系统不稳的问题，技术人员有明确的动机引入 **D2** 中所教导的“非线性滤波器（如死区/幅度敏感滤波）”来处理误差信号（特征G），将非重复噪声剥离后再生成改进的前馈数据（特征H）。

* 因此，**D1 (或D3) + D2 + 本领域公知常识（ILC基本架构）** 的结合足以破坏权利要求1的创造性。

---

### 五、 无效宣告请求中最薄弱的技术特征

如果在无效宣告程序中遭遇专利权人的强力辩驳，**最薄弱（即最容易被专利权人克服、最难被对比文件完全摧毁）的技术特征是：**

> **特征G结合特征H的特定协同关系：**“用非线性滤波器滤波所述这组误差，并根据经过滤波的误差产生改进的前馈数据”。

* **薄弱/争论点原因：**

1. **D2的技术领域跨度：** D2虽然公开了非线性滤波器及对误差的滤波，但其应用场景主要为**ADC（模数转换器）信号矫正和通道建模**，并未直接结合“机械部件的设定点轮廓前馈跟踪（ILC）”。专利权人可能会抗辩：本领域技术人员没有动机将电子信号处理领域的ADC非线性滤波技术迁移至高动态机械台的迭代学习控制中。

2. **“非线性滤波”在ILC中的特定物理效果：** 目标专利说明书[0045]-[0051]明确限定了该非线性滤波器在ILC中产生了“死区效应（幅度小于$\delta$的噪声不学习，大于$\delta$的才学习）”，解决了“学习增益（收敛速度）与系统稳定性的矛盾”（图9）。如果对比文件中没有明确提及“非线性滤波器用于剥离ILC中的非重复性噪声以提高学习增益”，专利权人容易借此强调预料不到的技术效果。

---

### 六、 进一步的对比文件检索策略建议

为了彻底压制上述薄弱点，建议开展第二轮精准补充检索，重点寻找**直接将“非线性/死区滤波”应用在“迭代学习控制（ILC）”或“前馈控制（Feedforward Control）”中的现有技术**：

#### 1. 核心检索要素组合（Block Building）

* **主题词 A（应用场景/运动控制）：**

* `Lithography` / `Wafer stage` / `Reticle stage` / `Motion control` / `Positioning stage` / `Setpoint profile`（平版印刷、晶片台、运动控制、设定点轮廓）

* **主题词 B（核心算法 - 迭代学习控制）：**

* `Iterative Learning Control` / `ILC` / `Learning feedforward` / `Iterative update`（迭代学习控制、学习前馈）

* **主题词 C（核心特征 - 非线性/死区滤波/噪声抑制）：**

* `Nonlinear filter` / `Dead-zone` / `Deadband` / `Threshold filtering` / `Non-repetitive noise` / `Amplitude-dependent`（非线性滤波器、死区、阈值滤波、非重复性噪声）

#### 2. 推荐的分类号（IPC / CPC）

* **G03F 7/70716**：(Lithographic apparatus - Control or drive mechanisms for stages) 平版印刷设备中台的控制或驱动机制。

* **G05B 13/02** / **G05B 13/04**：(Adaptive control systems / Learning control) 自适应控制与学习控制系统。

* **G05D 3/12**：(Control of position based on feedback/feedforward) 基于反馈/前馈的位置控制。

#### 3. 针对性检索表达式示例（以EPO/Derwent/Google Patents为例）

* **策略一（直接击穿特征G+H）：**

`CPC=(G03F7/70716 OR G05B13/02) AND TAC=("Iterative Learning" OR "ILC") AND TAC=("dead zone" OR "deadband" OR "non-linear filter" OR "threshold")`

* **策略二（追溯优先权日前的学术文献/专利）：**

重点检索 **Tom Oomen**、**Maarten Steinbuch** 或 **ASML** 在 2000 年–2006 年期间发表的关于 *“Iterative Learning Control with dead-zone / nonlinear filtering in precision motion systems”* 的论文或专利（目标专利优先权日为2003-2006年左右，ASML与荷兰埃因霍温理工大学在该领域有大量底层ILC专利布局）。若能检索到一篇在ILC框架中直接使用死区非线性滤波（Dead-zone ILC）的同类专利，即可作为完美的 **D2（第一代对比文件）**，一举封杀目标专利的创造性空间。

这是一份针对目标专利及三份对比文件的专业对比分析报告。

作为专利代理师，我将根据《专利审查指南》及相关规定，严格结合**目标专利说明书**的解释、**权利要求1**的技术特征以及**各对比文件原文**进行比对分析。

---

## 一、 目标专利说明书对权利要求1的解释与澄清

在分析对比文件之前，需结合目标专利说明书（CN101059658B）对权利要求1的技术特征进行明确的技术含义界定：

1. **整体技术框架（迭代学习控制，ILC）**：

* **前馈控制系统与设定点**（特征A~D）：部件（如平版印刷设备中的分划板台MT或衬底台WT）通过预设的设定点分布轮廓（包含各目标时间下的目标状态，如位置/速度/加速度）进行运动，控制系统使用前馈数据进行控制。

* **迭代学习**（特征J）：如说明书 [0004]、[0016] 和 [0038] 所述，系统基于“尝试/运行（Trial/Run）”按迭代方式重复操作，在前一次运行获得的误差基础上产生校正的前馈力/前馈数据，并用于下一次运行。

2. **“非线性滤波器”的技术内涵（特征G）**：

* 依据说明书 [0005]、[0045]~[0052] 及 [0057]~[0065]：在迭代学习过程中，误差信号中混杂有**非重复性噪声（如随机噪声）**。传统的线性ILC会将非重复性噪声放大并注入系统。

* 本发明的非线性滤波器（例如具有死区非线性的死区滤波器、基于幅度的滤波器或基于光谱/小波分析的频带死区滤波器），其核心作用是**减小误差信号中非重复性分量的比例**（如限制绝对值小于阈值 $\delta$ 的噪声参与学习）。

3. **技术效果（特征I、K、L及整体效果）**：

* 解决了传统线性ILC在“高学习增益（快速收敛）”与“系统稳定性”之间无法兼顾的矛盾（说明书 [0039]、[0067]~[0069]、图9）。通过非线性滤波阻断噪声注入，使得系统可以在保持高稳定性的同时施加大幅度的学习增益，实现快速收敛并高精度输出满阈值条件的前馈数据。

---

## 二、 各对比文件公开技术特征分析及特征比对表

### 1. 对比文件基本信息与代号指代

* **D1**: US6751602B2 (授权公告日: 2004-06-15) —— *Neural net controller for noise and vibration reduction*

* **D2**: WO2004074951A1 (国际公布日: 2004-09-02) —— *METHOD AND DEVICE FOR CONTROLLING A PHYSICAL QUANTITY...*

* **D3**: EP1480093A1 (公开日: 2004-11-24) —— *Control system, lithographic apparatus, device manufacturing method...*

---

### 2. 详细特征比对表（结合对比文件原文及出处）

---

## 三、 对比文件技术特征公开性深度分析（毫无异议公开 vs 实质公开）

1. **D1 (US6751602B2)**：

* **公开情况**：D1针对非线性系统的主动降噪与防振（AAVNAS），公开了传感器测量（特征E）、误差计算（特征F）以及神经网络自适应控制。

* **未公开内容**：D1**完全未公开**通过设定点分布轮廓移动部件（特征A~D），也**未公开迭代学习控制（ILC）框架（特征J~L）**。虽然D1使用了神经网络（内含非线性S型激活函数），但这是用于神经网络自身的隐层前向传播，**并非对测量得到的“这组误差”施加“非线性滤波器”以滤除非重复噪声（特征G）**。

2. **D2 (WO2004074951A1)**：

* **公开情况**：D2**实质公开了特征A、B、C、D、E、F**。D2明确记载了机器人手臂或机床部件按照插值器生成的设定点轨迹（$Q_i(t)$，位置与速度）移动，通过传感器测量实际位置 $Q_m(t)$ 并计算误差 $e(t)$。

* **未公开内容**：D2的前馈信号是通过**FIR滤波器**对设定点导数进行处理得到的（[p0035]、[p0064]），该FIR滤波器是**线性滤波器**。D2未对误差施加非线性滤波（特征G），且D2的系数更新是基于时间序列上的滑动窗口或在线自适应（Online Adaptive），**并非“按迭代方式（Run-to-Run）重复步骤(a)到(e)”的迭代学习控制（特征J~L）**。

3. **D3 (EP1480093A1)**：

* **公开情况**：D3在平版印刷设备背景下，**实质公开了特征A、B、C、D、E、F**。公开了衬底台/掩模台按设定点运动，并结合了速度、加速度及加加速度（Jerk）的前馈控制。

* **未公开内容**：D3使用的是线性的陷波滤波器（Notch Filter，[0010]）来消除特定谐振频率，**未公开非线性滤波器（特征G）**；D3是传统的实时反馈+前馈控制，**完全未公开迭代学习控制机制（特征J~L）**。

---

## 四、 创造性分析：最接近对比文件的选择与技术问题/效果分析

### 1. 最接近对比文件的选择

在创造性分析中，**D2 (WO2004074951A1)** 和 **D3 (EP1480093A1)** 均适合作为最接近的对比文件（其中 **D3** 在技术领域上最为契合，**D2** 在设定点前馈控制机制上最为契合）：

* **选择D3作为最接近对比文件**：

* **理由**：D3同样出自平版印刷设备（Lithographic Apparatus）技术领域，同样致力于解决精密运动台（晶片台/掩模台）在高速运动下的纳米级高精度定位问题。

* **技术领域与问题重合度**：极高。

* **选择D2作为最接近对比文件**：

* **理由**：D2详细揭示了基于设定点分布轮廓（$Q_i(t)$及速度 $v_i(t)$）进行多轴机械部件高精度运动控制的技术方案，涵盖了特征A~F的全套轨迹控制架构。

### 2. 区别技术特征与实际解决的技术问题（以D3或D2为最接近对比文件）

对比权利要求1与D3（或D2），权利要求1的区别技术特征在于：

* **特征G**：用非线性滤波器滤波所述这组误差；

* **特征J~L**（及H、I）：基于迭代学习控制（ILC）架构，使用滤波后的误差产生改进前馈数据，并按迭代方式重复运行直到满足阈值条件后输出。

**实际解决的技术问题**：

如何在利用迭代学习控制（ILC）提升部件运动轨迹追踪精度的过程中，防止随机噪声等非重复性干扰被学习算法放大而导致系统不稳定，从而实现在高学习增益下快速且稳定地收敛并获得高精度前馈数据。

### 3. 其他对比文件是否公开了区别特征？

* **特征G（非线性滤波误差）**：D1、D2、D3**均未公开**。D1仅为神经网络内部激活函数；D2为FIR线性滤波器；D3为线性陷波滤波器。

* **特征J~L（迭代学习及阈值输出）**：D1、D2、D3**均未公开**。三份对比文件均采用传统的实时自适应或前馈补偿，没有揭示“多次运行（Run-to-Run）—误差计算—非线性滤波—更新前馈—下一次运行重复—达到阈值输出”的迭代学习闭环。

---

## 五、 无效宣告请求中的薄弱技术特征与风险评估

如果发起针对目标专利CN101059658B权利要求1的无效宣告请求，以下特征是**攻击难度最高、最难被攻破的薄弱环节（即专利权的“强防线”特征）**：

1. **特征G（用非线性滤波器滤波所述这组误差）—— 最难攻破特征**：

* **原因**：本领域的公知常识通常是在频域采用线性低通或陷波滤波器处理误差。目标专利巧妙地认识到“非重复性噪声通常幅度较小”，通过“非线性滤波器（如死区非线性）”截断小幅度噪声，打破了传统线性ILC中“高学习增益”与“稳定性”不可兼得的瓶颈。现有对比文件D1~D3均未给出将非线性滤波器应用于ILC误差处理的教导。

2. **特征J~L（迭代学习控制ILC的完整闭环）**：

* **原因**：D1~D3均属于传统的连续时间/离散采样实时控制，缺乏ILC中“在同一步长轨迹上按Run多次重复迭代”的思想。

---

## 六、 进一步对比文件检索策略（检索建议）

鉴于现有对比文件D1~D3未能覆盖**“非线性滤波 + 迭代学习控制（ILC）”**的结合，若要成功无效权利要求1，需调整检索策略，补充针对特征G与J~L的对比文件：

### 1. 核心检索要素表达（Keywords & IPC/CPC）

* **核心概念1（迭代学习控制）**：

* Keywords: Iterative Learning Control, ILC, iterative updating, run-to-run, trial-to-trial, feedforward learning.

* IPC/CPC: `G05B13/02`, `G05B19/404`, `G03F7/70`

* **核心概念2（非线性滤波/死区滤波处理噪声）**：

* Keywords: Non-linear filter, dead-zone, deadband, amplitude-dependent filter, threshold, non-repetitive noise, noise attenuation in ILC.

* IPC/CPC: `H03H`, `G05B11/00`

### 2. 结合检索组合策略

* **策略一：追溯ILC学术与专利先驱机构（ASML / 荷兰代尔夫特理工 / 埃因霍温理工）**：

* 目标专利申请人为ASML。ASML与荷兰Eindhoven University of Technology (TU/e) 或 Delft University of Technology 在 2000–2006 年间发表了大量关于“ILC in Lithography”的论文与专利。

* **建议检索数据库**：IEEE Xplore, ScienceDirect, Google Patents。

* **重点搜寻**：2006年前关于“Dead-zone Iterative Learning Control”、“Nonlinear filtering in ILC”、“Iterative learning control with noise threshold”等文献。

* **策略二：组合对比文件构建显而易见性（结合公知常识/二次文献）**：

* **最接近对比文件（D2/D3）**：提供轨迹前馈与精密运动台控制框架（特征A~F）。

* **补强对比文件（D-Supp）**：寻找一份在控制领域公开了“在迭代学习控制（ILC）中对轨迹/跟踪误差应用死区非线性（Dead-zone）或非线性滤波器以抑制随机噪声”的通用控制专利或期刊论文。

* **结合逻辑**：主引证（D3或D2）+ 辅引证（D-Supp，公开ILC+非线性滤波误差）+ 本领域公知常识 $\rightarrow$ 权利要求1不具备创造性。

---

<ElicitationsGroup message="针对本专利无效案，您可以选择以下进一步的操作方向：">

<Elicitation label="撰写针对权利要求1的完整创造性无效意见书文本" query="请结合D3作为最接近对比文件，帮我撰写一份针对目标专利权利要求1的专利无效宣告意见书草案，包含具体的对比分析和逻辑推导。"/>

<Elicitation label="制定针对特征G（非线性滤波ILC）的精准专利/学术文献检索表达式" query="请帮我设计一套针对特征G（迭代学习控制中的非线性死区滤波）的组合检索式，包含中英文逻辑算子、分类号及推荐数据库。"/>

</ElicitationsGroup>

这份关于目标专利（CN101059658B）权利要求1的技术特征对比分析与无效检索策略，紧密结合了目标专利说明书及三份对比文件原文。

---

### 一、 权利要求1的技术特征拆解与说明书解释

根据目标专利说明书【CN101059658B】，对权利要求1的各项技术特征解释如下：

* **前馈控制系统与设定点分布轮廓（特征A、B、C、D）：** 目标专利主要应用于平版印刷设备（如衬底台WT或掩模台MT）的高精度移动控制。说明书第[0037]-[0038]段及图2a-c解释说明，设定点分布轮廓（Setpoint profile）由目标状态序列（位置、速度、加速度）及其对应的目标时间序列构成。第一组前馈数据（如惯性前馈信号）用于驱动部件按预定轮廓移动。

* **误差采集与对比（特征E、F）：** 在部件移动过程中，通过位置传感器/测量装置测量其实际状态，与设定点分布轮廓确定的期望目标状态进行比较，得到一组采样误差信号（对应说明书[0040]、[0054]段及图6中的 $e_y(k)$）。

* **非线性滤波（特征G - 关键核心特征）：** 说明书[0045]-[0053]段明确解释，该非线性滤波器**优先为死区非线性滤波器（Dead-zone nonlinearity filter）**或基于幅度的非线性滤波器。其核心机制在于：将幅度较小、跨运行批次不重复的随机噪声限制在死区阈值（如 $\delta$）内，使其不参与后续学习；而对超出死区阈值的重复性误差进行比例调整。

* **产生改进的前馈数据与迭代学习（特征H、I、J、K、L）：** 结合说明书[0054]-[0068]段及图6，滤波后的误差乘以学习增益矩阵 $L$，产生修正的前馈作用力（迭代学习控制 ILC）。该过程按运行批次按迭代方式（Run-to-run / Iterative manner）重复，直到误差满足阈值条件（如误差范数低于目标值），最后输出优化后的前馈数据用于实际生产，以实现高收敛速度与高稳定性的统一。

---

### 二、 对比文件技术特征比对表格

以下为三份对比文件对权利要求1技术特征（特征A~L）的公开情况比对表：

---

### 三、 各对比文件详细分析与原文出处

#### 1. D1：US6453206B1

* **对比文件公开号：** US 6,453,206 B1

* **技术领域：** 用于预测非线性映射值的单隐层人工神经网络算法。

* **公开的技术特征：**

* **特征F：** 对应原文 Column 1, lines 17-21：“Once the correct value of a predicted value becomes known, it is compared with the predicted value to produce an error. The error is a measure of the accuracy of the prediction function...”公开了比较测量值/真实值与预期值以获得误差。

* **未公开的技术特征：** D1未公开涉及通过设定点分布轮廓移动物理部件（特征A-D），更**未公开用非线性滤波器滤波误差（特征G）**。D1明确指出其采用的是标准的**线性回归技术（linear regression techniques）**（参阅 Column 2, lines 20-30），且其迭代是神经网络权重的训练过程，并非针对物理部件重复运行（Run-to-run）的迭代学习控制（ILC）。

#### 2. D2：EP1265106A2

* **对比文件公开号：** EP 1,265,106 A2

* **技术领域：** 平版印刷设备及其器件制造方法（控制系统）。

* **公开的技术特征：**

* **特征A、B、C、D、E、F、I：** 对应原文 说明书 [0011] 及 [0023]-[0024] 段，图2：“...first driving means, for moving the support structure... second driving means, for moving the substrate table... second measuring means, for determining the momentary position... means for comparing the measured momentary position with a desired momentary position... to generate a position error signal...”。公开了在光刻机中使用设定点、测量部件状态、对比产生位置误差信号 $e_{WS}$ 并进行前馈补偿控制。

* **未公开的技术特征：**

* **特征G（非线性滤波）：** D2采用的是**正弦拟合预测器（Sine-fit predictor）或多项式外推法**，其本质是通过有限冲激响应滤波器（FIR filter，线性滤波器）对连续时间采样进行滤波或导数预测（参阅 [0012], [0029], [0034] 段：“Implemented as a 4th-order FIR filter”）。D2中没有出现非线性滤波（如死区滤波）的教导。

* **特征J、K、L（迭代学习控制机制）：** D2的预测器是在单次运行过程中，根据过去的 $n$ 个采样点预测下一个采样点的**实时在线预测（On-line real-time prediction）**，而非在多次重复运行（Run-to-run）之间替换前馈数据阵列并判断阈值终止的**迭代学习控制（Iterative Learning Control）**。

#### 3. D3：US20030043354A1

* **对比文件公开号：** US 2003/0043354 A1

* **技术领域：** 平版印刷设备及器件制造方法。

* **分析情况：** D3与D2属于同一技术家族/同源申请（同为ASML关于光刻机台位置误差预测前馈的技术方案）。

* **公开与未公开技术特征：** 其对特征A-F、I的公开程度与D2一致（参照D3说明书[0020]段、[0046]-[0053]段及图2）。同样**未公开特征G（非线性滤波）**以及**特征J、K、L（基于批次运行的迭代学习控制及阈值终止机制）**。

---

### 四、 最接近对比文件的选择与技术问题/效果分析

#### 1. 最接近对比文件的确定

在创造性分析中，**D2 (EP1265106A2)** 和 **D3 (US20030043354A1)** 均非常适合作为最接近的对比文件（两者实质等同，下以 **D2** 为代表进行分析）：

* **技术领域相同：** D2与目标专利均属于**平版印刷设备（光刻机）中活动台（衬底台/掩模台）的高精度前馈控制系统**。

* **解决的技术问题相同：** 两者均旨在解决光刻机高速移动过程中，由于机械振动、扰动导致的位置测量误差，进而提升同步运动精度和纳米级定位准确度的技术问题（D2说明书[0007]-[0010]段 vs 目标专利[0003]段）。

* **技术特征重合度最高：** D2公开了权利要求1中绝大部分关于光刻机控制系统的架构特征（特征A、B、C、D、E、F、I）。

#### 2. 区别技术特征与技术效果

将目标专利权利要求1与最接近对比文件D2进行对比，区别特征主要在于：

1. **特征G：** 对获得的这组误差应用“非线性滤波器”进行滤波（而不是线性FIR滤波器）。

2. **特征J、K、L：** 采用了“批次间迭代学习控制（ILC）”机制，即重复使用改进的前馈数据代替第一组前馈数据，直到误差满足阈值条件后输出。

**实际解决的技术问题：**

如何在迭代学习前馈控制中，防止非重复性噪声（如随机测量噪声）被放大注入系统，从而在保障控制系统稳定性的同时实现高增益和快速收敛。

**达到的技术效果：**

结合目标专利说明书第[0045]及[0067]-[0068]段，非线性滤波（如死区滤波）将幅度较小的随机噪声滤除在学习过程之外，**打破了传统线性迭代学习控制中“高增益（快速收敛）与稳定性不可兼得”的瓶颈**，实现了高学习增益下的稳定收敛（如图9曲线90所示）。

---

### 五、 无效请求中最薄弱的技术特征及检索策略

#### 1. 最薄弱的技术特征（目标专利的核心防线）

经过上述比对，现有三份对比文件（D1-D3）**均未能公开特征G（用非线性滤波器滤波这组误差）** 以及 **特征J-L（迭代学习控制的批次循环与阈值终止）**。

因此，**最薄弱（即最难被无效掉、防线最强）的技术特征是：特征G（在迭代学习控制中对误差应用非线性滤波器/死区滤波器）**。

* *原因：* 光刻领域传统控制多采用线性控制（PID、线性FIR、状态反馈）。在ILC（迭代学习控制）中引入非线性滤波器（特别是死区非线性 $\delta$）来抑制噪声放大的技术手段，在D1-D3中完全不存在。

#### 2. 进一步的对比文件检索策略（针对特征G及J-L）

若要对本专利提起无效宣告请求，必须补充检索能够公开**“非线性滤波 + 迭代学习控制（ILC）”**组合的技术文献。建议采取以下检索策略：

1. **扩展技术领域（打破光刻机局限）：**

* 目标专利说明书[0069]段提到了该方法的通用性（如“ MagLev 台”、“重复移动系统”、“超高功率灯控制”）。

* **策略：** 将检索领域从“光刻（G03F）”拓宽至**通用控制工程（G05B）**、**机器人轨迹控制（B25J）**、**电机/精密定位台控制（H02P, G05D）**。

2. **关键词与分类号组合检索（聚焦核心控制算法）：**

* **核心关键词组合1（ILC + 死区非线性）：**

`("Iterative Learning Control" OR "ILC" OR "迭代学习")` AND `("dead zone" OR "deadband" OR "non-linear filter" OR "amplitude dependent" OR "死区" OR "非线性滤波" OR "阈值滤波")`

* **核心关键词组合2（ILC + 噪声抑制/收敛性）：**

`("Iterative Learning" OR "Run-to-run")` AND `("Feedforward" OR "前馈")` AND `("Noise rejection" OR "non-repetitive" OR "非重复性噪声")` AND `("Dead-zone")`

* **推荐IPC/CPC分类号：**

* `G05B19/042` / `G05B19/404`（数控系统的误差补偿与学习控制）

* `G05B13/02` / `G05B13/04`（自适应或学习控制系统）

* `G03F7/70716`（光刻机台位置控制）

3. **针对性学术文献/专利追溯：**

* 重点检索 **2006年1月（目标专利优先权日）之前** 发表的控制领域顶刊及会议（如 *IEEE Transactions on Control Systems Technology*, *Automatica*, *American Control Conference (ACC)*, *IEEE CDC*）。

* 重点关注 1990s - 2005年间关于 **“Dead-zone Iterative Learning Control”（死区迭代学习控制）** 或 **“Robust Iterative Learning Control with dead-zone”** 的基础理论论文。只要能证明在ILC算法中加入死区非线性滤波器来抑制非重复性噪声属于控制领域的公知常识或常规技术手段，即可结合D2/D3拼凑出创造性无效证据链（D2/D3 + 领域公知常识/补充对比文件）。

作为一名经验丰富的专利代理师，我将紧密结合目标专利说明书（授权公告号：CN101059658B）及对比文件原文，对权利要求1的各个技术特征进行逐一比对分析，并评估各对比文件的公开程度、最接近对比文件的选择、最薄弱特征及后续检索策略。

---

## 一、 权利要求1技术特征结合目标专利说明书的理解与解释

* **技术特征A（前言/主题）**：*“一种用于获得用于前馈控制系统的改进的前馈数据的方法，从而通过设定点分布轮廓移动一个部件；”*

* **说明书解释**：参见说明书[0001]、[0003]及[0013]。目标部件特别指平版印刷设备中的衬底台（晶片台WT）或掩模台（MT）。前馈控制用于在纳米级位置准确度要求下实现短建立时间。设定点分布轮廓（Setpoint Profile）确定了部件状态的预期时间演变。

* **技术特征B与C**：*“所述设定点分布轮廓包括所述部件的多个目标状态；每个目标状态是在对应序列的目标时间之一上获得的；”*

* **说明书解释**：参见说明书[0037]及图2a-2c。目标状态包括部件在特定目标时间将要达到的目标位置（图2c）、速度（图2b）或加速度（图2a）序列。

* **技术特征D**：*“所述的方法包括按照设定点分布轮廓使用第一组前馈数据并且使用前馈控制系统来移动所述部件；”*

* **说明书解释**：参见说明书[0040]及图5。第一组前馈数据可为初始的惯性前馈信号（如根据部件质量计算的力），或前一次运行获得的学习前馈信号（图5中的30）。

* **技术特征E**：*“在所述移动期间在多个时间上测量所述部件的状态；”*

* **说明书解释**：参见说明书[0040]及图3。利用位置传感器/测量装置14（如干涉仪或编码器）实时测量部件在运动过程中的实际位置、速度或加速度状态。

* **技术特征F**：*“比较测量的状态与通过所述设定点分布轮廓确定的对应目标状态，以获得一组误差；”*

* **说明书解释**：参见说明书[0041]及图3中的误差确定装置13。通过将测量状态与设定点分布轮廓的目标状态对比，导出误差数据阵列 $e_y(k)$。

* **技术特征G**：*“用非线性滤波器滤波所述这组误差；”*

* **说明书解释（核心特征）**：参见说明书[0045]-[0052]、[0057]-[0065]及图4（步骤58）、图6（函数 $\Phi$）。非线性滤波器特别指**依赖于幅度的死区非线性滤波器（Dead-zone Filter）**。其核心机制在于：将随机噪声/非重复性影响与物理重复性误差区别开，绝对值小于预定阈值 $\delta$ 的误差被滤除（不参与学习），从而防止噪声在迭代学习中被放大。

* **技术特征H与I**：*“根据经过滤波的误差产生改进的前馈数据；所述改进的前馈数据可以由所述前馈控制系统使用来更加准确地通过设定点分布轮廓移动所述部件；”*

* **说明书解释**：参见说明书[0041]、[0054]及图6。经过滤波的误差阵列乘以学习增益矩阵 $L$，计算出校正的前馈作用力（改进的前馈数据 $F_{ilc}$），使随后的运行更准确。

* **技术特征J、K与L**：*“所述方法进一步包括使用最近获得的改进的前馈数据代替第一组前馈数据按迭代方式重复步骤(a)到(e)；直到确定在步骤(c)获得的这组误差满足一个阈值条件时为止；输出满足阈值条件的改进的前馈数据。”*

* **说明书解释**：参见说明书[0042]-[0044]、[0055]及图4（步骤56、62）。基于迭代学习控制（ILC），不断替代更新前馈力，直至误差阵列或其子集满足预定目标阈值（如全低于预定值），停止迭代并输出最终前馈数据供后续运行使用。

---

## 二、 对比文件特征比对与公开情况分析

针对三份对比文件（用公开号标示）：

1. **D1**：`US5521036A` (Positioning method and apparatus)

2. **D2**：`US5757149A` (Drive control apparatus)

3. **D3**：`US5831739A` (Alignment method)

### 1. 对比文件原文分析及特征比对表格

---

## 三、 最接近对比文件的选择及创造性分析

### 1. 最接近对比文件的确定

**最接近对比文件为：D2 (`US5757149A`)**。

* **整体解决的技术问题与效果比较**：

* **目标专利**：旨在解决在平版印刷设备部件（如晶片台/掩模台）的高速高精度运动控制中，迭代学习控制（ILC）易将非重复性噪声注入系统导致不稳定或收敛慢的问题。

* **D2 (`US5757149A`)**：同样聚焦于同步扫描曝光机中晶片台/掩模台的高精度控制，解决由于电机推力不均匀性（thrust nonuniformity）或摩擦等干扰导致的扫描偏差问题。D2采用了“预扫描（preliminary scan）— 收集偏差数据 — 滤波修正前馈/增益表 — 应用于实际扫描”的技术路线，其技术领域、控制框架和解决的技术问题与目标专利最为契合。

* **D1 (`US5521036A`)** 与 **D3 (`US5831739A`)**：主要涉及曝光机的静态对准（Alignment）、套刻偏差（EGA算法）及对焦（Focusing）方法，属于测量与对准技术领域，并不涉及运动控制系统中的**前馈控制数据迭代修正与非线性滤波**。

### 2. 未被最接近对比文件（D2）公开的技术特征

尽管D2构成了最接近的对比文件，但权利要求1相对于D2仍具备明显的区别技术特征：

1. **特征G（核心区别）**：D2使用的是**线性低通滤波器**（"high-frequency cutoff type filter" / FIR filter，参见D2 Col. 12, l. 15-25, Col. 13, l. 25-35），用于滤除高频噪声；而权利要求1明确限定采用**非线性滤波器**（如死区非线性滤波器，根据误差幅度区分噪声与重复性物理特征）。

2. **特征J、K、L（迭代收敛机制）**：D2公开的是基于预扫描建立修正表（Look-up table）的控制，并非按照前馈数据替代的**迭代学习控制（Iterative Learning Control, ILC）机制**，且未公开“重复执行迭代直到误差满足预设阈值条件为止才终止并输出数据”的闭环迭代终止判断。

### 3. 其他对比文件是否公开了上述未公开特征？

* **特征G（非线性滤波器）**：D1与D3均未涉及运动控制中的误差滤波。D3虽然在对准算法中使用了加权最小二乘法，但这属于数据处理算法，并非对时域/频域运动误差信号施加非线性滤波。因此，**特征G未被D1、D2、D3中的任何一份对比文件公开**。

* **特征J、K、L（迭代及阈值条件）**：D1和D3均未公开运动控制的前馈数据迭代学习与阈值判断机制。

---

## 四、 无效请求中最薄弱的技术特征分析与检索策略

### 1. 最薄弱的技术特征（即目标专利的核心创新点）

**最薄弱的技术特征为：特征G（用非线性滤波器滤波所述这组误差）结合特征J-K（迭代学习控制ILC框架）。**

* **薄弱性分析**：

* 特征A-F及H-I属于传统前馈控制及测量反馈的基础架构，已被D2高度公开。

* 单纯的“迭代学习控制（ILC）”在控制工程领域属于通用技术。

* 目标专利的核心专利性（与D2的本质区别）完全建立在“**在前馈迭代学习控制中引入非线性滤波器（尤其是死区非线性滤波器）**”这一手段上（如目标专利说明书[0045]-[0052]所述，死区非线性滤波能完美隔离低于阈值的随机噪声，同时允许大增益迭代，解决了收敛速度与稳定性的矛盾）。

* 若想成功无效权利要求1，必须寻找将**非线性滤波器（Dead-zone / Amplitude-dependent filter）**应用于**迭代学习控制（ILC / Iterative Learning Control）**或前馈修正中的对比文件。

### 2. 进一步对比文件检索策略

为了克服现有对比文件（D1-D3）未公开核心特征G的缺陷，建议采取以下补充检索策略：

1. **检索主题扩展与组合（Keywords & IPC/CPC）**：

* **控制算法类（重点突破）**：结合“迭代学习控制/ILC”与“非线性滤波/死区滤波”。

* *关键词*：`Iterative Learning Control` OR `ILC` OR `feedforward learning`；配合 `Nonlinear filter` OR `Dead zone` OR `Deadband` OR `Amplitude dependent` OR `Threshold filter`。

* **应用领域分类号（CPC/IPC）**：

* `G03F 7/70716`（平版印刷设备中台控制系统的技术分类）。

* `G05B 13/02` / `G05B 19/404`（自适应或迭代控制、运动补偿系统）。

2. **重点检索文献类型与来源**：

* **专利文献**：重点检索ASML、Nikon、Canon等平版印刷巨头在2006年3月（目标专利优先权日）之前申请的关于晶片台/掩模台ILC（迭代学习控制）的专利。

* **非专利文献（NPL）**：迭代学习控制（ILC）中的死区非线性滤波属于典型的控制理论交叉应用，极可能优先发表于顶级控制期刊或会议（如 *IEEE Transactions on Automatic Control*, *IEEE Transactions on Control Systems Technology*, *Automatica*, *American Control Conference (ACC)*, *IEEE CDC*）。

3. **补充组合立案（结合D2）**：

* 利用 **D2 (`US5757149A`)** 作为最接近对比文件（提供前馈控制、运动平台偏差测量与滤波修正的主干架构）。

* 补充检索一份公开“在迭代学习控制（ILC）中使用死区/非线性滤波器处理误差信号”的控制领域对比文件（D4）。

* **无效逻辑**：主张“在D2的前馈控制预扫描/迭代修正体系中，引入控制领域公知的死区非线性滤波器（D4）来消除随机噪声对学习过程的干扰，属于本领域技术人员结合D4的教导解决噪声放大问题的显而易见的技术手段”，从而击毁权利要求1的创造性。

根据权利要求1所述的方法，其中所述的滤波取决于所述这组误差的幅度。

根据权利要求2所述的方法，其中所述的滤波包括抑制小幅度误差的量大于抑制较大幅度误差的量。

根据权利要求1所述的方法，其中所述的滤波包括分解误差信号使之成为多个分立的频带；对于每个频带单独地施加一个选择的滤波操作。

根据权利要求1所述的方法，其中在移动期间测量部件状态的多个时间对应于所述多个目标时间的至少一个子组。

根据权利要求1所述的方法，其中所述目标状态包括以下所述的至少一个：所述部件的目标位置、所述部件的目标速度、所述部件的目标加速度。

根据权利要求1所述的方法，其中对于所述滤波器进行配置；使其可以传递幅度大于预定的噪声带的误差的成分并且排斥其它的成分。

根据权利要求1所述的方法，其中所述的这组误差由数据点ey(i)的一个阵列表示；其中0≤i≤n；n是组中的采样数；所述的滤波器由一个依赖于幅度的滤波器矩阵Φ(ey(i))表示；步骤(d)对应于Φ(ey(i))和ey(i)的乘积。

根据权利要求8所述的方法，其中所述的Φ(ey(i))的定义如下： $$\Phi(e_y(i)) = \begin{bmatrix} \phi(e_y(0)) & 0 & \cdots & 0 \\ 0 & \phi(e_y(1)) & \cdots & 0 \\ \vdots & \vdots & \ddots & \vdots \\ 0 & 0 & \cdots & \phi(e_y(n)) \end{bmatrix}$$ 和 $$\phi(e_y(i)) = 1 - \text{att}(e_y(i))$$ 和 $$\text{att}(e_y(i)) = \max\left(0, 1 - \frac{(|e_y(i)| - \delta)^2}{|e_y(i)|^2}\right)$$ 其中δ为所述滤波器的上噪声带。

一种平版印刷投影设备，所述平版印刷投影设备设置成使其可以将图形从一个图形制造装置投影到一个衬底上；所述设备包括配置成支撑部件的一个活动支撑；通过设定点分布轮廓移动活动支撑的一个系统；所述设定点分布轮廓包括所述活动支撑的多个目标状态；每个目标状态是在对应序列的目标时间之一获得的；所述的系统包括配置成按照所述设定点分布轮廓移动所述活动支撑的移动装置；配置成使用第一组前馈数据控制移动装置的前馈控制系统；配置成在所述活动支撑的移动期间在多个时间测量所述部件的状态的测量系统；比较装置，配置成比较测量的状态与对应的目标状态以获得一组误差；非线性滤波器，配置成滤波这组误差；前馈数据产生装置，配置成根据滤波的这组误差产生改进的前馈数据；所述改进的前馈数据可由前馈控制系统使用以控制所述移动装置；从而可以通过设定点分布轮廓更加准确地移动所述活动支撑。

根据权利要求10所述的平版印刷投影设备，其中所述的部件是衬底或图形制造装置中的至少一个。

一种器件制造方法，所述的方法包括如下步骤将图形从图形制造装置投影到衬底上；为一个部件提供活动支撑；利用前馈控制系统并使用第一组前馈数据通过设定点分布轮廓移动活动支撑；所述设定点分布轮廓包括所述活动支撑的多个目标状态；每个目标状态是在对应序列的目标时间之一获得的；在所述移动期间在多个时间测量部件的状态；比较测量的状态与对应的目标状态，从而获得一组误差；利用非线性滤波器滤波这组误差；根据经过滤波的这组误差产生改进的前馈数据；使用改进的前馈数据通过设定点分布轮廓移动活动支撑；所述方法进一步包括使用最近获得的改进的前馈数据代替第一组前馈数据按迭代方式重复前述步骤(c)到(h)；直到确定在步骤(e)获得的这组误差满足一个阈值条件时为止；输出满足阈值条件的改进的前馈数据。

根据权利要求12所述的方法，其中部件是衬底或者图形制造装置。