CN111639065A - 一种基于配料数据的多晶硅铸锭质量预测方法及系统 - Google Patents

Abstract

本发明涉及一种基于配料数据的多晶硅铸锭质量预测方法及系统。方法包括获取多晶硅铸锭的配料数据；对所述配料数据进行预处理；所述预处理包括进行数据清洗，删除缺失数值的数据；利用扩散映射算法对预处理后的配料数据进行降维处理；以设定比例的降维处理后的配料数据构建支持向量数据描述模型；利用训练好的支持向量数据描述模型对降维处理后的配料数据进行质量预测分类，得到产品质量预测分类结果。本发明所提供得一种基于配料数据的多晶硅铸锭质量预测方法及系统，能够快速、准确、低成本的实现多晶硅铸锭质量的预测。

Description

一种基于配料数据的多晶硅铸锭质量预测方法及系统

技术领域

本发明涉及多晶硅铸锭质量预测领域，特别是涉及一种基于配料数据的多晶硅铸锭质量预测方法及系统。

背景技术

多晶硅是单质硅的一种形态，熔融的单质硅在过冷条件下凝固时，硅原子以金刚石晶格形态排列成许多晶核，如这些晶核长成晶面取向不同的晶粒，则这些晶粒结合起来，就结晶成多晶硅。多晶硅铸锭完整的一个循环主要包括：喷涂及装料、铸锭前检查、铸锭运行过程、开方、硅片加工和硅片检测等工艺流程。

在多晶硅铸锭过程中，其状态可根据系统变量或参数的实际测量物理量或其数理统计量的形式来描述，而过程状态即系统运行状态，能够反映出产品的质量状态。因此，多晶硅铸锭质量预测旨在不增加投入的基础上，通过对铸锭生产关键点的有效监测和控制，提高设备产能，在多晶硅生产全部工艺完成前，实现对产品质量预测的目的，以在产品质量预测结果异常时，达到提前干预并矫正的效果。

目前对于多晶硅铸锭质量的预测主要是进行半熔或全熔的工艺试验或是利用计算机进行数值模拟。

前者的工作流程为：装料、抽真空及加热、充气及熔化、长晶、退火、冷却及出炉等阶段，与目前工业中常用的生产工艺相同，工艺流程相对成熟。

后者在数值模拟过程中，主要利用的是专业晶体生产模拟软件CGSim，该软件可以对晶体生长过程中炉内的温场、流场、晶体内部热应力等一系列的参数进行分析计算。基本的操作流程如下：创建几何模型、定义材料物性参数、加热器功率和模型边界条件的设置、晶体特性调整、求解器设置和收敛性判断。

工艺试验是模拟实际生产过程中的完整流程，需要对所有配料进行模拟，实验成本很高，且对于多种不同厂家、批次的配料，需要进行多次不同试验，单一的试验结果不具有普遍性，同时它对于整个试验流程的准确性要求较高，并且由于在多晶硅生长炉中，存在高温、密封等一系列不可抗拒因素，使得原位试验测量不仅成本昂贵，而且很难具体实现，故这种方法并不具有实用性。计算机数值模拟过程中，需要提前了解实验装置及流程，设计实验的几何模型，定义加热器功率、设置模型边界条件等一系列操作，复杂度较高，所需时间久。

在多晶硅铸锭实际工业生产中，工艺设计及环境是确定不变的，因此，产品质量的关键影响因素在于配料数据，配料数据的不同会直接导致产品质量的优劣，且在实际生产过程中，异常类产品数据量相对较小，这会造成数据类别不平衡，使得现有两类分类方法易发生类别偏移而难以有效使用。

目前传统的二分类器，例如SVM，已经在图像质量监测等领域得到广泛应用，但其在数据不平衡的情况下，只能区分出作为多数类的正常类数据，而对于少数类的异常类数据，SVM分类器的识别率很低，不符合实际工业生产的需求。

可见，现有的方法还不能快速、准确、低成本的实现多晶硅铸锭质量的有效预测。

发明内容

本发明的目的是提供一种基于配料数据的多晶硅铸锭质量预测方法及系统，能够快速、准确、低成本的实现多晶硅铸锭质量的预测。

为实现上述目的，本发明提供了如下方案：

一种基于配料数据的多晶硅铸锭质量预测方法，包括：

获取多晶硅铸锭的配料数据；所述配料数据包括原生多晶块料质量、碎多晶质量、碎片质量、自产提纯锭芯质量、外购提纯锭芯质量、顶皮质量、边料质量、尾料质量以及少子寿命值；

对所述配料数据进行预处理；所述预处理包括进行数据清洗，删除缺失数值的数据；

利用扩散映射算法对预处理后的配料数据进行降维处理；

以设定比例的降维处理后的配料数据构建支持向量数据描述模型；

利用训练好的支持向量数据描述模型对降维处理后的配料数据进行质量预测分类，得到产品质量预测分类结果；所述产品质量预测分类结果包括质量正常的多晶硅锭和质量异常的多晶硅锭；所述训练好的支持向量数据描述模型以所述降维处理后的配料数据为输入，以所述产品质量预测分类结果为输出。

可选的，所述利用扩散映射算法对预处理后的配料数据进行降维处理，之前还包括：

对预处理后的数据进行划分得到数值型数据和字符型数据。

可选的，所述以设定比例的降维处理后的配料数据构建支持向量数据描述模型，之后还包括：

利用蒙特卡洛算法优化所述支持向量数据描述模型，得到所述训练好的支持向量数据描述模型。

一种基于配料数据的多晶硅铸锭质量预测系统，包括：

配料数据获取模块，用于获取多晶硅铸锭的配料数据；所述配料数据包括原生多晶块料质量、碎多晶质量、碎片质量、自产提纯锭芯质量、外购提纯锭芯质量、顶皮质量、边料质量、尾料质量以及少子寿命值；

预处理模块，用于对所述配料数据进行预处理；

所述预处理包括进行数据清洗，删除缺失数值的数据；

降维处理模块，用于利用扩散映射算法对预处理后的配料数据进行降维处理；

模型构建模块，以设定比例的降维处理后的配料数据构建支持向量数据描述模型；

产品质量预测分类模块，用于利用训练好的支持向量数据描述模型对降维处理后的配料数据进行质量预测分类，得到产品质量预测分类结果；所述产品质量预测分类结果包括质量正常的多晶硅锭和质量异常的多晶硅锭；所述训练好的支持向量数据描述模型以所述降维处理后的配料数据为输入，以所述产品质量预测分类结果为输出。

可选的，还包括：

数据划分模块，用于对预处理后的数据进行划分得到数值型数据和字符型数据。

可选的，还包括：

训练好的支持向量数据描述模型确定模块，用于利用蒙特卡洛算法优化所述支持向量数据描述模型，得到所述训练好的支持向量数据描述模型。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明所提供的一种基于配料数据的多晶硅铸锭质量预测方法及系统，通过扩散映射算法对配料数据特征进行降维处理，实现属性约减，除去冗余特征，进而通过训练好的支持向量数据描述模型在不需要先验知识的前提下实现对多晶硅铸锭质量预测，即快速、准确且成本低的确定质量正常的多晶硅锭和质量异常的多晶硅锭。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明所提供的一种基于配料数据的多晶硅铸锭质量预测方法流程示意图；

图2为本发明所提供的一种基于配料数据的多晶硅铸锭质量预测系统结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的目的是提供一种基于配料数据的多晶硅铸锭质量预测方法及系统，能够快速、准确、低成本的实现多晶硅铸锭质量的预测。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

图1为本发明所提供的一种基于配料数据的多晶硅铸锭质量预测方法流程示意图，如图1所示，本发明所提供的一种基于配料数据的多晶硅铸锭质量预测方法，包括：

S101，获取多晶硅铸锭的配料数据；所述配料数据包括原生多晶块料质量、碎多晶质量、碎片质量、自产提纯锭芯质量、外购提纯锭芯质量、顶皮质量、边料质量、尾料质量以及少子寿命值。

S102，对所述配料数据进行预处理；所述预处理包括进行数据清洗，删除缺失数值的数据。

对预处理后的数据进行划分得到数值型数据和字符型数据。数值型数据为配料数据中配料质量的数据；字符型数据为配料数据中标注的批号的数据。

S103，利用扩散映射算法对所述配料数据进行降维处理。扩散映射算法通过尽可能保持扩散过程中的扩散距离来实现降维，旨在通过样本点的局部关系定义全局关系。

扩散映射算法的具体过程为：

构造近邻图，对于本发明所使用的数据集X_S＝{x₁,x₂,…,x_N}，x_i∈R^D，i＝1,2,…,N。在本算法中采用的是改进的k近邻标准，针对存在的字符型和数值型两种数据，利用欧式距离计算字符型数据特征之间的距离，利用马氏距离计算数值型数据特征之间的距离。若x_i与x_j两点是近邻点，则将两点连线构成一条边，来反映点之间的局部关系。其中，欧氏距离和马氏距离的公式分别如下式所示，其中S为对应的协方差矩阵：

D(x_i,x_j)²＝(x_i-x_j)^T(x_i-x_j)

D_M(x_i,x_j)²＝(x_i-x_j)^TS^-1(x_i-x_j)

构造稀疏权值矩阵A。对于给定的两个x_i和x_j，利用Gaussian核函数来定义两个样本点间的相似度矩阵，即：

式中的μ为高斯核的方差，σ为稀疏矩阵的临界值，一般为5，低于σ的元素值设为0。在稀疏权值矩阵中元素A_ij反映了样本点x_i和x_j之间的相似程度，满足非负性和对称性条件。

构造扩散核矩阵K^m。利用加权的图Laplacian归一化方法，通过下式得到矩阵元素：

代表从样本点x_i到另一点x_j的一步转移概率，

代表t步随机游走情况下的转移概率。

基于扩散距离降维。基于上述定义，构造扩散距离

如下所示。

保持扩散距离不变，对核矩阵K^m进行特征分解，求特征值以及对应的特征向量，由于λ₀＝1是平凡的，故将对应的特征向量υ₀舍去，将剩余d个最大的特征值λ₁，λ₂，…，λ_d对应的特征向量υ₁，υ₂，…，υ_d作为低维嵌入结果，得到降维后的数据为X＝[λ₁υ₁，λ₂υ₂，…，λ_dυ_d]^T。

S104，以设定比例的降维处理后的配料数据构建支持向量数据描述模型。首先通过核函数将正常类数据映射到高维空间中，进而在高维空间中构造一个包含尽可能多的正常类数据的球形描述边界，对于未知的样本点，判断它距离球心的距离，位于描述边界内的被认为是正常类数据，反之则被判断为异常类数据，从而实现异常数据的预测。

构造最优化问题。利用降维处理后的质量正常的多晶硅铸锭正常类配料数据X＝{x₁，x₂，…，x_l},0＜l＜N作为训练数据，构造最优化问题如下式所示：

s.t.||φ(x_i)-a||²≤R²+ξ_i,

ξ_i≥0,i＝1,2,…,l

式中R和a分别为对应高维特征空间中超球面的半径和球心，ξ_i为松弛变量，C>0为惩罚参数，φ(·)为映射函数。通过求解Lagrange对偶问题可将上述优化问题转换为：

求解上式的二次规划问题可得Lagrange乘子α_i，进而可求得对应超球体的球心a和半径R，得到超球面的信息。

由决策函数实现异常数据预测。定义决策函数为：

f(x)＝||φ(x)-a||²-R²

对于未知的目标点x，计算它到球心的距离，当f(x)≤0时，即目标点位于球形边界内，定义为质量正常的多晶硅锭；反之，则为质量异常的多晶硅锭。

其中，获取训练好的支持向量数据描述模型的具体过程为：

利用蒙特卡洛算法优化所述支持向量数据描述模型，得到所述训练好的支持向量数据描述模型。

S105，利用训练好的支持向量数据描述模型对降维处理后的配料数据进行质量预测分类，得到产品质量预测分类结果；所述产品质量预测分类结果包括质量正常的多晶硅锭和质量异常的多晶硅锭；所述训练好的支持向量数据描述模型以所述降维处理后的配料数据为输入，以所述产品质量预测分类结果为输出。

图2为本发明所提供的一种基于配料数据的多晶硅铸锭质量预测系统结构示意图，如图2所示，本发明所提供的一种基于配料数据的多晶硅铸锭质量预测系统，包括：配料数据获取模块201、预处理模块202、降维处理模块203、模型构建模块204和产品质量预测分类模块205。

配料数据获取模块201用于获取多晶硅铸锭的配料数据；所述配料数据包括原生多晶块料质量、碎多晶质量、碎片质量、自产提纯锭芯质量、外购提纯锭芯质量、顶皮质量、边料质量、尾料质量以及少子寿命值。

预处理模块202用于对所述配料数据进行预处理；所述预处理包括进行数据清洗，删除缺失数值的数据。

降维处理模块203用于利用扩散映射算法对预处理后的配料数据进行降维处理。

模型构建模块204用于以设定比例的降维处理后的配料数据构建支持向量数据描述模型；

产品质量预测分类模块205用于利用训练好的支持向量数据描述模型对降维处理后的配料数据进行质量预测分类，得到产品质量预测分类结果；所述产品质量预测分类结果包括质量正常的多晶硅锭和质量异常的多晶硅锭；所述训练好的支持向量数据描述模型以所述降维处理后的配料数据为输入，以所述产品质量预测分类结果为输出。

本发明所提供的一种基于配料数据的多晶硅铸锭质量预测系统，还包括：数据划分模块和训练好的支持向量数据描述模型确定模块。

数据划分模块用于对预处理后的数据进行划分得到数值型数据和字符型数据。

训练好的支持向量数据描述模型确定模块用于利用蒙特卡洛算法优化所述支持向量数据描述模型，得到所述训练好的支持向量数据描述模型。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本发明中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (6)

1.一种基于配料数据的多晶硅铸锭质量预测方法，其特征在于，包括：

获取多晶硅铸锭的配料数据；所述配料数据包括原生多晶块料质量、碎多晶质量、碎片质量、自产提纯锭芯质量、外购提纯锭芯质量、顶皮质量、边料质量、尾料质量以及少子寿命值；

对所述配料数据进行预处理；所述预处理包括进行数据清洗，删除缺失数值的数据；

利用扩散映射算法对预处理后的配料数据进行降维处理；

以设定比例的降维处理后的配料数据构建支持向量数据描述模型；

利用训练好的支持向量数据描述模型对降维处理后的配料数据进行产品预测分类，得到产品质量预测分类结果；所述产品质量预测分类结果包括质量正常的多晶硅锭和质量异常的多晶硅锭；所述训练好的支持向量数据描述模型以所述降维处理后的配料数据为输入，以所述产品质量预测分类结果为输出。

2.根据权利要求1所述的一种基于配料数据的多晶硅铸锭质量预测方法，其特征在于，所述预处理包括进行数据清洗，删除缺失数值的数据，之后还包括：

对预处理后的数据进行划分得到数值型数据和字符型数据。

3.根据权利要求1所述的一种基于配料数据的多晶硅铸锭质量预测方法，其特征在于，所述以设定比例的降维处理后的配料数据构建支持向量数据描述模型，之后还包括：

利用蒙特卡洛算法优化所述支持向量数据描述模型，得到所述训练好的支持向量数据描述模型。

4.一种基于配料数据的多晶硅铸锭质量预测系统，其特征在于，包括：

配料数据获取模块，用于获取多晶硅铸锭的配料数据；所述配料数据包括原生多晶块料质量、碎多晶质量、碎片质量、自产提纯锭芯质量、外购提纯锭芯质量、顶皮质量、边料质量、尾料质量以及少子寿命值；

预处理模块，用于对所述配料数据进行预处理；所述预处理包括进行数据清洗，删除缺失数值的数据；

降维处理模块，用于利用扩散映射算法对预处理后的配料数据进行降维处理；

模型构建模块，用于以设定比例的降维处理后的配料数据构建支持向量数据描述模型；

产品质量预测分类模块，用于利用训练好的支持向量数据描述模型对降维处理后的配料数据进行质量预测分类，得到产品质量预测分类结果；所述产品质量预测分类结果包括质量正常的多晶硅锭和质量异常的多晶硅锭；所述训练好的支持向量数据描述模型以所述降维处理后的配料数据为输入，以所述产品质量预测分类结果为输出。

5.根据权利要求4所述的一种基于配料数据的多晶硅铸锭质量预测系统，其特征在于，还包括：

数据划分模块，用于对预处理后的数据进行划分得到数值型数据和字符型数据。

6.根据权利要求4所述的一种基于配料数据的多晶硅铸锭质量预测系统，其特征在于，还包括：

训练好的支持向量数据描述模型确定模块，用于利用蒙特卡洛算法优化所述支持向量数据描述模型，得到所述训练好的支持向量数据描述模型。

Images