CN115491652A - 管式pecvd硅片颜色值预测方法及镀膜时间控制方法 - Google Patents

Abstract

本发明揭示一种管式PECVD硅片颜色值预测方法及镀膜时间控制方法，包括以下步骤：采集炉管的运行大数据，构建大数据训练集，所述运行大数据包括炉管参数、镀膜工艺参数和硅片颜色值y，所述镀膜工艺参数包括镀膜时间t；以所述炉管参数和镀膜工艺参数为输入，以硅片颜色值为输出，通过机器学习算法对所述大数据训练集进行训练，得到映射函数y＝f(x)；以包括k倍的镀膜时间t的炉管参数和镀膜工艺参数为输入，以硅片颜色值y为输出，构建硅片颜色值预测模型，其中0.5＜k＜0.9，技术效果：基于炉管的运行大数据实现实时地预测在镀膜过程中的硅片颜色值，进而实时预测镀膜厚度，有助于在镀膜完成前，实时调整镀膜时间t，以调整镀膜的厚度。

Description

管式PECVD硅片颜色值预测方法及镀膜时间控制方法

技术领域

本发明涉及光伏管式设备控制技术领域，尤其涉及一种管式PECVD硅片颜色值预测方法及镀膜时间控制方法。

背景技术

管式PECVD是完成半成品硅片的镀膜的关键工艺，是影响镀膜厚度的关键环节，而硅片的镀膜厚度将对成品硅片的光转化效率产生决定性影响。PECVD是通过沉积的方式在硅片表面进行镀膜，膜厚是衡量该工艺的重要指标；膜厚与硅片的颜色值具有一一对应的关系，当前，在硅片镀膜完成后，通过AOI设备检测硅片的颜色值，从而通过颜色值计算出膜厚，因此，硅片的颜色值成为了衡量PECVD工艺的重要指标之一。

在硅片表面镀膜过程中，影响硅片镀膜后颜色值的因素具有多重性，例如石墨舟使用次数、炉管使用次数或时长、传感器退化、工艺参数等，当PECVD的工艺参数固定后，理论上来说，硅片镀膜后的膜厚会保持恒定，但是，随着石墨舟使用次数增加、炉管使用次数或时长增加以及传感器退化，甚至工艺参数也会存在波动的情况下，膜厚会发生变化，进而硅片的颜色值也会发生变化，产生镀膜过厚或过薄的技术缺陷，一旦膜厚的波动超出了公差范围，将产生废品，造成严重浪费。

有鉴于此，如何控制膜厚始终保持在预定的公差范围内，是行业目前需要克服的技术难题。

发明内容

本发明的目的在于揭示一种管式PECVD硅片颜色值预测方法及镀膜时间控制方法，基于管式PECVD的运行大数据，构建以所述炉管参数和镀膜工艺参数为输入，以硅片颜色值为输出的预测模型，准确预测硅片颜色，进而预测镀膜厚度，以便实时地调整镀膜时间，使镀膜厚度始终保持在预定目标范围内。

本发明的第一个发明目的，在于提供一种管式PECVD硅片颜色值预测方法。

本发明的第二个发明目的，在于提供一种基于大数据的管式PECVD镀膜时间控制方法。

为实现上述第一个发明目的，本发明提供了一种管式PECVD硅片颜色值预测方法，包括以下步骤：

采集炉管的运行大数据，构建大数据训练集，所述运行大数据包括炉管参数、镀膜工艺参数和硅片颜色值y，所述镀膜工艺参数包括镀膜时间t；

以所述炉管参数和镀膜工艺参数为输入，以硅片颜色值为输出，通过机器学习算法对所述大数据训练集进行训练，得到映射函数y＝f(x)，其中x为炉管参数和镀膜工艺参数；

以包括k倍的镀膜时间t的炉管参数和镀膜工艺参数为输入，以硅片颜色值y为输出，构建硅片颜色值预测模型，其中0.5＜k＜0.9。

优选地，所述炉管参数包括石墨舟使用次数和炉管使用次数。

优选地，所述镀膜工艺参数还包括氨气流量、硅烷流量、A舟射频功率、B舟射频功率、第一温区温度、第二温区温度、第三温区温度、第四温区温度、第五温区温度和第六温区温度。

优选地，所述硅片颜色值y是A舟和B舟承载的各硅片颜色的平均值。

优选地，所述镀膜工艺参数是时间序列参数，在一个完整的镀膜周期内，所述镀膜工艺参数均采集中位数。

优选地，对所述大数据训练集进行超参数调整。

为实现上述第二个发明目的，本发明提供了一种基于大数据的管式PECVD镀膜时间控制方法包括以下步骤：

建立映射函数h＝f(y)，其中y为硅片颜色值，h为硅片镀膜厚度；

设定镀膜时间为T，硅片的目标颜色值为Y，硅片的目标镀膜厚度为H；

以k倍的镀膜时间为T为输入，其中0.5＜k＜0.9，通过第一发明创造所述的管式PECVD硅片颜色值预测方法预测得到硅片颜色值y_k，再通过映射函数h＝f(y)得到镀膜厚度h_k；

若h_k＝k*H，则镀膜时间T无需调整；

若h_k＜k*H，则镀膜时间T按比例延长；

若h_k＞k*H，则镀膜时间T按比例缩短。

优选地，所述k＝0.8。

优选地，所述k＝0.85。

优选地，所述k＝0.75。

与现有技术相比，本发明的有益效果是：

基于炉管的运行大数据构建大数据训练集，运行大数据包括炉管参数、镀膜工艺参数和硅片颜色值y，以所述炉管参数和镀膜工艺参数为输入，以硅片颜色值为输出，通过机器学习算法对所述大数据训练集进行训练，得到映射函数y＝f(x)，再以包括k倍的镀膜时间t的炉管参数和镀膜工艺参数为输入，实现实时地预测在镀膜过程中的硅片颜色值，进而实时预测镀膜厚度，当颜色值出现偏差时，也就是镀膜厚度出现偏差时，在镀膜完成前，实时调整镀膜时间t，以调整镀膜的厚度，使镀膜厚度始终保持在一定的偏差范围内，防止因镀膜厚度出现偏差而导致硅片报废。

附图说明

图1为本发明管式PECVD硅片颜色值预测方法的流程图；

图2为本发明炉管截面示意图；

图3是本发明基于大数据的管式PECVD镀膜时间控制方法流程图。

其中，1、石墨舟；2、电阻加热圈；21、第一温区；22、第二温区；23、第三温区；24、第四温区；25、第五温区；26、第六温区；3、炉管。

具体实施方式

下面结合附图所示的各实施方式对本发明进行详细说明，但应当说明的是，这些实施方式并非对本发明的限制，本领域普通技术人员根据这些实施方式所作的功能、方法、或者结构上的等效变换或替代，均属于本发明的保护范围之内。

以下通过多个实施例对本发明的具体实现过程予以阐述。

实施例一：

参图1所示，本实施例揭示了一种管式PECVD硅片颜色值预测方法(以下简称“方法”)的一种具体实施方式。

参图1所示，在本实施例中，该方法包括以下步骤S1至步骤S3，在本实施例中，通过机器学习算法对由炉管的运行大数据形成的训练数据集进行训练，以所述炉管参数和镀膜工艺参数为输入，以硅片颜色值为输出，得到硅片颜色值预测模型，实现预测硅片在镀膜过程中的颜色值，从而为预测硅片在镀膜过程中的厚度提供基础。

步骤S1、采集炉管的运行大数据，构建大数据训练集，所述运行大数据包括炉管参数、镀膜工艺参数和硅片颜色值y，所述镀膜工艺参数包括镀膜时间t。

具体地，管式PECVD硅片镀膜工艺过程，实际上是对若干硅片表面进行镀膜的过程，参见图2所示，图2是炉管的截面图，图2中的炉管3内一次性可放置两个石墨舟1，具体分为石墨舟A和B，每个石墨舟分为五个栏，图2中编号为1-5栏为石墨舟A，图2中编号为6-10栏为石墨舟B，每栏上面可承载一个硅片；炉管3还设置有若干电阻加热圈2，每个电阻加热圈为一个温区，图2中具体包括七个温区。

经研究发现，硅片的镀膜厚度与硅片颜色值之间存在着一一对应的关系，甚至在一定厚度值范围内，镀膜厚度与硅片颜色值之间存在着线性关系，因此，通常通过检测硅片颜色值来计算硅片的镀膜厚度。

采用管式PECVD工艺对硅片进行镀膜过程中，硅片颜色值会随着镀膜的进行而不断变化，硅片颜色值会受到炉管参数、镀膜工艺参数的共同影响，每一次镀膜时，即便镀膜工艺参数设定相同，但炉管参数因石墨舟使用次数炉管使用次数的变化，硅片颜色值也会发生改变；为了将影响硅片颜色值的各种因素考虑在内，通过大数据分析手段，采集炉管的运行大数据，构建大数据训练集，所述运行大数据包括炉管参数、镀膜工艺参数和硅片颜色值y，所述镀膜工艺参数包括镀膜时间t，上述大数据训练集为后续机器学习及构建硅片颜色值预测模型奠定了基础。

步骤S2、以所述炉管参数和镀膜工艺参数为输入，以硅片颜色值为输出，通过机器学习算法对所述大数据训练集进行训练，得到映射函数y＝f(x)，其中x为炉管参数和镀膜工艺参数。

具体地，步骤S1中采集的炉管参数、镀膜工艺参数、硅片颜色值形成了大数据训练集，硅片颜色值会受到炉管参数、镀膜工艺参数的影响，为了使这种影响呈现映射规律并利用该映射规律，以所述炉管参数和镀膜工艺参数为输入，以硅片颜色值为输出，通过机器学习算法对所述大数据训练集进行训练，得到映射函数y＝f(x)，其中x为炉管参数和镀膜工艺参数。

在步骤S2中，所述炉管参数包括石墨舟使用次数和炉管使用次数；所述镀膜工艺参数包括镀膜时间t、氨气流量、硅烷流量、A舟射频功率、B舟射频功率、第一温区21温度、第二温区22温度、第三温区23温度、第四温区24温度、第五温区25温度和第六温区26温度；为了简化镀膜工艺参数，镀膜工艺参数是时间序列参数，在一个完整的镀膜周期内，所述镀膜工艺参数均采集中位数；而硅片颜色值y是A舟和B舟承载的各硅片颜色的平均值；步骤S2所采集的数据参见表1。

表1步骤S2所采集的数据表

步骤S3、以包括k倍的镀膜时间t的炉管参数和镀膜工艺参数为输入，以硅片颜色值y为输出，构建硅片颜色值预测模型，其中0.5＜k＜0.9。

具体地，因硅片颜色值y的检测是在镀膜结束后进行，因此最终的硅片颜色值y具有滞后性，镀膜结束后检测硅片颜色值y，尽管能够反映镀膜的厚度，但此时硅片已经镀膜完成，若硅片颜色值y不在预定的范围内，则已经造成了硅片浪费，对硅片进行返工会使镀膜成本大幅提升，经济上并不可行；鉴于此，以步骤2已经得到的映射函数y＝f(x)为基础，在实际的某次硅片镀膜时，除镀膜时间外的其他参数固定情况下，以包括k倍的镀膜时间t的炉管参数和镀膜工艺参数为输入，以硅片颜色值y为输出，构建硅片颜色值预测模型，其中0.5＜k＜0.9，也就是，在尚未完成镀膜的情况下，预测小于镀膜时间t时间对应的硅片颜色值，具体预测镀膜时间0.5t-0.9t范围内的硅片颜色值，若预测的硅片颜色值与该时间点的目标硅片颜色值的差异超出误差范围，则延长或缩短镀膜时间t，以使最终的硅片颜色值始终处于合理范围内。

为了使硅片颜色值预测模型的参数更加符合实际，寻找最佳的模型参数，以对所述大数据训练集进行超参数调整。

通过上述实施步骤，在充分利用已有的炉管运行大数据的基础上，通过机器学习得到硅片颜色值映射函数y＝f(x)为，再以映射函数y＝f(x)为基础，构建预测镀膜时间0.5t-0.9t范围内的硅片颜色值预测模型，实现了在未完成镀膜情况下，预测出硅片颜色值，为实时调整镀膜时间提供科学依据。

实施例二：

参图3所示，本实施例揭示了一种基于大数据的管式PECVD镀膜时间控制方法的一种具体实施方式。

参图3所示，在本实施例中，该方法包括以下步骤S4至步骤S6，在本实施例中，以实施例一提供的硅片颜色值预测模型为基础，构建镀膜厚度与硅片颜色值之间的映射函数，也就是构建镀膜厚度与硅片颜色值之间的一一对应关系，实现预测镀膜时间0.5t-0.9t范围内的镀膜厚度，当镀膜厚度超出偏差时，则实时调整镀膜时间t，以使最终的镀膜厚度始终处于合理范围内。

步骤S4、建立映射函数h＝f(y)，其中y为硅片颜色值，h为硅片镀膜厚度。具体地，经研究发现，硅片的镀膜厚度h与硅片颜色值y之间存在着一一对应的关系，甚至在一定厚度值范围内，镀膜厚度与硅片颜色值之间存在着线性关系，基于此，建立映射函数h＝f(y)。

步骤S5、设定镀膜时间为T，硅片的目标颜色值为Y，硅片的目标镀膜厚度为H；具体地，在实际每次硅片镀膜时，除镀膜时间外的其他参数固定情况下，为达到目标镀膜厚度为H，则硅片镀膜时间应为T，二硅片的目标颜色值应为Y。

步骤S6、以k倍的镀膜时间为T为输入，其中0.5＜k＜0.9，通过实施例一所述的管式PECVD硅片颜色值预测方法预测得到硅片颜色值y_k，再通过映射函数h＝f(y)得到镀膜厚度h_k。当0.5＜k＜0.9时，尚未完成镀膜，此时预测镀膜厚度，有利于在尚未镀膜情况下调整镀膜时间，实现实时地调整镀膜时间，保障镀膜厚度始终处于合理的范围内；具体地，在尚未完成镀膜的情况下，预测小于镀膜时间T时间对应的硅片颜色值，具体预测镀膜时间0.5T-0.9T范围内的硅片颜色值，进而再通过映射函数h＝f(y)，预测预测镀膜时间0.5T-0.9T范围内的镀膜厚度h_k。在具体的kT时间点，理论上来说，h_k＝k*H，但实际镀膜过程中，因炉管参数及工艺参数的波动，通常h_k≠k*H。

具体而言，根据比较h_k与k*H之间的大小关系，若h_k＝k*H，则镀膜时间T无需调整；

若h_k＜k*H，也就是在应该达到镀膜厚度k*H情况下，实际未达到预设的镀膜厚度，则镀膜时间T按比例延长；

若h_k＞k*H，也就是在应该达到镀膜厚度k*H情况下，实际超出了预设的镀膜厚度，则镀膜时间T按比例缩短。

作为优选实施例，当所述k＝0.8时，预测镀膜时间0.8T的硅片颜色值，进而再通过映射函数h＝f(y)，预测预测镀膜时间0.8T镀膜厚度h_0.8。在具体的0.8T时间点，理论上来说，h_0.8＝0.8*H，但实际镀膜过程中，因炉管参数及工艺参数的波动，通常h_0.8≠0.8*H。

具体而言，根据比较h_0.8与0.8*H之间的大小关系，若h_0.8＝0.8*H，则镀膜时间T无需调整；

若h_0.8＜0.8*H，也就是在应该达到镀膜厚度0.8*H情况下，实际未达到预设的镀膜厚度，则镀膜时间T按比例延长；

若h_0.8＞0.8*H，也就是在应该达到镀膜厚度0.8*H情况下，实际超出了预设的镀膜厚度，则镀膜时间T按比例缩短。

作为优选实施例，当所述k＝0.85时，预测镀膜时间0.85T的硅片颜色值，进而再通过映射函数h＝f(y)，预测预测镀膜时间0.85T镀膜厚度h_0.85。在具体的0.85T时间点，理论上来说，h_0.85＝0.85*H，但实际镀膜过程中，因炉管参数及工艺参数的波动，通常h_0.85≠0.85*H。

具体而言，根据比较h_0.85与0.85*H之间的大小关系，若h_0.85＝0.85*H，则镀膜时间T无需调整；

若h_0.85＜0.85*H，也就是在应该达到镀膜厚度0.85*H情况下，实际未达到预设的镀膜厚度，则镀膜时间T按比例延长；

若h_0.85＞0.85*H，也就是在应该达到镀膜厚度0.85*H情况下，实际超出了预设的镀膜厚度，则镀膜时间T按比例缩短。

作为优选实施例，当所述k＝0.75时，预测镀膜时间0.75T的硅片颜色值，进而再通过映射函数h＝f(y)，预测预测镀膜时间0.75T镀膜厚度h_0.75。在具体的0.75T时间点，理论上来说，h_0.75＝0.75*H，但实际镀膜过程中，因炉管参数及工艺参数的波动，通常h_0.75≠0.75*H。

具体而言，根据比较h_0.75与0.75*H之间的大小关系，若h_0.75＝0.75*H，则镀膜时间T无需调整；

若h_0.75＜0.75*H，也就是在应该达到镀膜厚度0.75*H情况下，实际未达到预设的镀膜厚度，则镀膜时间T按比例延长；

若h_0.75＞0.75*H，也就是在应该达到镀膜厚度0.75*H情况下，实际超出了预设的镀膜厚度，则镀膜时间T按比例缩短。

通过上述实施步骤，在充分利用已有的炉管运行大数据的基础上，通过机器学习得到硅片颜色值映射函数y＝f(x)为，再以映射函数y＝f(x)为基础，构建预测镀膜时间0.5T-0.9T范围内的硅片颜色值预测模型，再根据映射函数h＝f(y)，实现了在未完成镀膜情况下，预测出硅片颜色值及对应的镀膜厚度，为实时调整镀膜时间提供科学依据，避免硅片镀膜不达标而造成废品。

上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施方式的具体说明，它们并非用以限制本发明的保护范围，凡未脱离本发明技艺精神所作的等效实施方式或变更均应包含在本发明的保护范围之内。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (10)

1.管式PECVD硅片颜色值预测方法，其特征在于，包括以下步骤：

采集炉管的运行大数据，构建大数据训练集，所述运行大数据包括炉管参数、镀膜工艺参数和硅片颜色值y，所述镀膜工艺参数包括镀膜时间t；

以所述炉管参数和镀膜工艺参数为输入，以硅片颜色值为输出，通过机器学习算法对所述大数据训练集进行训练，得到映射函数y＝f(x)，其中x为炉管参数和镀膜工艺参数；

以包括k倍的镀膜时间t的炉管参数和镀膜工艺参数为输入，以硅片颜色值y为输出，构建硅片颜色值预测模型，其中0.5＜k＜0.9。

2.如权利要求1所述的管式PECVD硅片颜色值预测方法，其特征在于，所述炉管参数包括石墨舟使用次数和炉管使用次数。

3.如权利要求1或2所述的管式PECVD硅片颜色值预测方法，其特征在于，所述镀膜工艺参数还包括氨气流量、硅烷流量、A舟射频功率、B舟射频功率、第一温区温度、第二温区温度、第三温区温度、第四温区温度、第五温区温度和第六温区温度。

4.如权利要求3所述的管式PECVD硅片颜色值预测方法，其特征在于，所述硅片颜色值y是A舟和B舟承载的各硅片颜色的平均值。

5.如权利要求3所述的管式PECVD硅片颜色值预测方法，其特征在于，所述镀膜工艺参数是时间序列参数，在一个完整的镀膜周期内，所述镀膜工艺参数均采集中位数。

6.如权利要求3所述的管式PECVD硅片颜色值预测方法，其特征在于，对所述大数据训练集进行超参数调整。

7.基于大数据的管式PECVD镀膜时间控制方法，其特征在于，包括以下步骤：

建立映射函数h＝f(y)，其中y为硅片颜色值，h为硅片镀膜厚度；

设定镀膜时间为T，硅片的目标颜色值为Y，硅片的目标镀膜厚度为H；

以k倍的镀膜时间为T为输入，其中0.5＜k＜0.9，通过权利要求1-6任一所述的管式PECVD硅片颜色值预测方法预测得到硅片颜色值y_k，再通过映射函数h＝f(y)得到镀膜厚度h_k；

若h_k＝k*H，则镀膜时间T无需调整；

若h_k＜k*H，则镀膜时间T按比例延长；

若h_k＞k*H，则镀膜时间T按比例缩短。

8.如权利要求7所述的基于大数据的管式PECVD镀膜时间控制方法，其特征在于，所述k＝0.8。

9.如权利要求7所述的基于大数据的管式PECVD镀膜时间控制方法，其特征在于，所述k＝0.85。

10.如权利要求7所述的基于大数据的管式PECVD镀膜时间控制方法，其特征在于，所述k＝0.75。

Images