基于最优目标肩形的直拉单晶硅放肩自适应拉速控制方法与流程

本技术属于光伏、半导体单晶拉制生产，尤其涉及基于最优目标肩形的直拉单晶硅放肩自适应拉速控制方法。

背景技术：

1、直拉单晶硅晶格完整、机械强度高，是集成电路的基础材料，也是太阳能电池的主要材料之一。放肩工艺作为单晶硅材料拉制的重要环节，易出现晶体拉速控制不准确现象，导致拉速变化迟滞、实际肩形与目标肩形偏差较大或者拉速波动大导致放肩扩断，造成工时浪费，生产资源损失。

2、对于直拉式单晶炉来说，目前放肩阶段普遍依据人工经验加上少量实验验证设定目标肩形，无法做到控制目标的最优选取，在一定程度上限制了控制效果及成晶产量。

技术实现思路

1、针对上述问题，提出了一种基于最优目标肩形的直拉单晶硅放肩自适应拉速控制方法及装置，可以实现在不依赖经验指导的情况下获取放肩最优目标肩形，并实现对放肩肩形的超前调节、对拉速的自适应控制。

2、本技术第一方面提出一种基于最优目标肩形的直拉单晶硅放肩自适应拉速控制方法，包括：

3、从拉晶历史状态数据筛选数据集，并对所述数据集进行预处理与放肩初始剩料重量划分，得到不同剩料重量下的放肩扩断数据集和放肩非扩断数据集；

4、在同一剩料重量区间内，采用相似度衡量指标对所述放肩扩断数据集进行补全，并基于补全数据获得该剩料重量区间内的最优目标肩形；

5、根据所述最优目标肩形与晶体直径预测模型，获取所述最优目标肩形的设定直径变化率与晶体的预测直径变化率；

6、建立拉速推荐适应度约束函数，将所述预测直径变化率与所述设定直径变化率输入所述拉速推荐适应度约束函数，得到推荐拉速输出值。

7、可选的，所述从拉晶历史状态数据筛选数据集，并对所述数据集进行预处理与放肩初始剩料重量划分，得到不同剩料重量下的放肩扩断数据集和放肩非扩断数据集，包括：

8、在历史数据中提取具备引晶-放肩-转肩以及引晶-放肩-非转肩两种不同序列工序的数据，作为所述数据集；

9、根据预设初始规则对所述数据集内的缺失值和异常值进行剔除；

10、对于经过预处理后的所述数据集，按照放肩初始剩料重量划分，得到不同剩料重量下的所述放肩扩断数据集和放肩非扩断数据集。

11、可选的，所述在同一剩料重量区间内，采用相似度衡量指标对放肩扩断数据集进行补全，并基于补全数据获得该剩料重量区间内的最优目标肩形，包括：

12、在同一剩料重量区间内，对每个放肩扩断数据，采用相似度衡量指标匹配到最接近的放肩非扩断数据，基于所述放肩非扩断数据补全相应放肩扩断数据的缺省部分，其中，补全后的数据为所述补全数据；

13、利用聚类分析的方法对所述补全数据的肩形进行分类，并计算不同肩形类别的扩断率；

14、选择扩断率最低的肩形作为该剩料重量区间下的最优目标肩形。

15、可选的，所述晶体直径预测模型基于单晶炉监测变量与晶体直径的相关性构建，并基于所述数据集生成，包括：

16、获取直拉式单晶炉关键参数，并计算各关键参数间的相关系数，选取与晶体直径包括中等相关性往上的监测变量作为构建预测模型的关键变量，其中，对于任意选定的两个关键参数x和y，相关系数的计算公式为：

17、

18、其中,r为x和y的相关系数，n为样本变量，xi和yi分别是x和y在i点的值，和分别是x和y的样本平均数；

19、以选取的所述关键变量为基础，搭建深度学习神经网络，基于所述数据集训练所述深度学习网络，生成所述晶体直径预测模型。

20、可选的，所述根据所述最优目标肩形与晶体直径预测模型，获取所述最优目标肩形的设定直径变化率与晶体的预测直径变化率，包括：

21、进入放肩工步后，实时读取放肩晶体长度和剩料重量，并将读取值代入最优目标肩形计算公式，获取设定直径值，其中，所述最优目标肩形的设定直径值的计算公式为：

22、

23、其中，d为所述设定直径值,x为晶体长度,w为剩料重量,a、b、c、k、j为常数，其余参数为变量系数；

24、根据所述设定直径值获取所述设定直径变化率，公式化为：

25、

26、其中，set_slope为所述设定直径值变化率，st为t时刻的所述设定直径值，m为统计的时间周期；

27、进入放肩工步后，实时读取基于实际晶体拉速和主加热器输出功率优选确定的单晶炉监测变量，将所述单晶炉监测变量输入所述晶体直径预测模型，输出得到预测直径值，并基于所述预测直径值获得所述预测直径变化率，公式化为：

28、

29、其中，pred_slope为所述预测直径值变化率，pt为t时刻的所述预测直径值。

30、可选的，所述建立拉速推荐适应度约束函数，将所述预测直径变化率与所述设定直径变化率输入所述拉速推荐适应度约束函数，得到推荐拉速输出值，包括：

31、以放肩拉速上下限的平均值为基准，获取拉速备选向量，公式化为：

32、v＝{v-c,v-c+1,v-c+2,v-c+3,…vobv*vc-3,vc-2,vc-1,vc}

33、其中，v为所述拉速备选向量，vobv为所述放肩拉速上下限的平均值，c为设定的向量宽度；

34、在所述拉速备选向量中，其余元素根据vobv以及事先设定的向量宽度、以及拉速搜选范围vb递推计算得出，其中，相邻两个元素的递推公式为：

35、

36、基于所述预测直径变化率、所述设定直径变化率、所述拉速备选向量以及所述放肩拉速上下限的平均值，得到所述拉速推荐适应度约束函数输出的适应度值，公式化为：

37、fi＝a(drpre-drset)2+b(vi-vobv)2

38、其中，fi为所述适应度值，a、b为惩罚项系数，drpre为所述预测直径变化率，drset为所述设定直径变化率，vi为拉速备选值，vobv为所述拉速基准值；

39、其中，对于所述拉速备选向量中每一个元素，可获得一组元素(fi,vi)，将最小的fi对应的vi作为所述推荐拉速输出值。

40、本技术第二方面提出一种基于最优目标肩形的直拉单晶硅放肩自适应拉速控制装置，包括：

41、获取模块，从拉晶历史状态数据筛选数据集，并对所述数据集进行预处理与放肩初始剩料重量划分，得到不同剩料重量下的放肩扩断数据集和放肩非扩断数据集；

42、补全模块，在同一剩料重量区间内，采用相似度衡量指标对所述放肩扩断数据集进行补全，并基于补全数据获得该剩料重量区间内的最优目标肩形；

43、计算模块，根据所述最优目标肩形与晶体直径预测模型，获取所述最优目标肩形的设定直径变化率与晶体的预测直径变化率；

44、输出模块，建立拉速推荐适应度约束函数，将所述预测直径变化率与所述设定直径变化率输入所述拉速推荐适应度约束函数，得到推荐拉速输出值。

45、本技术第三方面提出一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如上述第一方面中任一所述的方法。

46、本技术第四方面提出一种非临时性计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面中任一所述的方法。

47、本技术的实施例提供的技术方案至少带来以下有益效果：

48、通过分析设备海量历史数据，挖掘数据特征间的相关性，有效建立数学模型，场景适用性强，可用于不同的单晶硅生长炉，无需依赖人工经验，通过深度学习算法建立晶体直径预测模型，预测误差小，预测直径代替实际直径，实现超前控制，且推荐拉速仅依赖当前时刻数据得到的预测值变化率与设定值变化率之间的偏差，控制灵活、精准，可有效解决时变参数的控制难题，从而实现在不依赖经验指导的情况下获取放肩最优目标肩形，实现对放肩肩形的超前调节、对拉速的自适应控制，可有效提高单晶硅放肩的成活率与肩形一致性，减少工时浪费，达到降本增效的目的。

49、本技术附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本技术的实践了解到。