技术特征：
1.一种基于深度学习的多晶硅还原炉反应终点的预测方法，包括以下步骤：步骤一：每隔时间t对还原炉的运行参数进行一次采样，得到生产周期数据；所述生产周期数据包括通过硅棒的电压u以及电流i、还原炉运行时间、三氯氢硅流量、还原炉炉内温度、还原炉尾气温度；步骤二：采集每一个生产周期结束之后生产出的多晶硅中菜花料所占的比例；步骤三：每次对还原炉运行参数采样后，通过公式r＝u/i计算硅棒电阻r，通过公式p＝ui计算硅棒通电功率p；步骤四：计算从生产开始到反应结束的总消耗能量总三氯氢硅消耗量以及反应结束时的电阻变化率以及反应结束时的电阻变化率其中p
i
为第i次采样后计算得到的硅棒通电功率，v
i
为第i次采样时的三氯氢硅流量，n为总的采样次数，r
i
为第i次采样后计算得到的硅棒电阻，m为计算电阻变化率时要考虑的时间长度；步骤五：菜花料占比最低的一部分生产周期数据记为生产周期数据a，通过生产周期数据a构建mlp神经网络模型并训练，mlp神经网络模型的输入变量包括总消耗能量e、总三氯氢硅消耗量q、反应结束时的硅棒电阻、还原炉运行时间、反应结束时电阻变化率k、反应结束时的还原炉炉内温度、反应结束时的还原炉尾气温度，输出变量为菜花料占比；步骤六：生产周期数据a中的最短反应时间记为t
min
、最长反应时间为t
max
；实际生产过程中，当反应时间大于t
min
，且mlp神经网络模型预测出的所述菜花料占比低于占比设定值时，则控制反应继续进行；当反应时间大于t
max
、或者当mlp神经网络模型预测出的所述菜花料占比大于或者等于占比设定值时，则控制反应停止。2.根据权利要求1所述的基于深度学习的多晶硅还原炉反应终点的预测方法，其特征在于，所述占比设定值根据当前的菜花料价格与非菜花料价格的差值确定：当菜花料价格与非菜花料价格之差值小于或者等于时所述占比设定值为40％，否则所述占比设定值为30％；其中m为成品多晶硅质量，t1为按照40％菜花料占比生产质量为m的多晶硅所需要的时间，t2为按照30％菜花料占比生产质量为m的多晶硅所需要的时间，i1为按照40％菜花料占比进行生产时所需要的电流的平均值，i2为按照30％菜花料占比进行生产时所需要的电流的平均值，p为生产用电的价格，c为生产多晶硅所需要的原料价格，w1为按照40％菜花料占比生产时的原料转化率，w2为按照30％菜花料占比生产时的原料转化率。3.根据权利要求1所述的基于深度学习的多晶硅还原炉反应终点的预测方法，其特征在于：步骤五中，生产周期数据a为菜花料占比最低的前30％的生产周期数据。
技术总结
本发明涉及多晶硅生产技术领域，公开了一种基于深度学习的多晶硅还原炉反应终点的预测方法。包括以下步骤：每隔一段时间对还原炉的运行参数进行一次采样，采集每一个生产周期结束之后菜花料所占的比例；每次对还原炉运行参数采样后，计算硅棒电阻和硅棒通电功率；计算从生产开始到反应结束的总消耗能量总三氯氢硅消耗量，以及反应结束时的电阻变化率；通过菜花料占比最低的部分生产周期数据，构建mlp神经网络模型并训练，根据最短反应时间、最长反应时间以及菜花料占比设定值，自动控制反应结束时间点。应结束时间点。应结束时间点。
技术研发人员：张永强 孙铁 蒋淡宁 冯恺睿 刘伟 钟智敏
受保护的技术使用者：科大智能物联技术股份有限公司
技术研发日：2022.09.29
技术公布日：2023/3/24