CN115583654A - 一种基于模仿学习的多晶硅还原炉电流控制方法 - Google Patents
一种基于模仿学习的多晶硅还原炉电流控制方法 Download PDFInfo
- Publication number
- CN115583654A CN115583654A CN202211272595.7A CN202211272595A CN115583654A CN 115583654 A CN115583654 A CN 115583654A CN 202211272595 A CN202211272595 A CN 202211272595A CN 115583654 A CN115583654 A CN 115583654A
- Authority
- CN
- China
- Prior art keywords
- reduction furnace
- temperature
- current
- data
- furnace
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000009467 reduction Effects 0.000 title claims abstract description 93
- 238000000034 method Methods 0.000 title claims abstract description 44
- 229910021420 polycrystalline silicon Inorganic materials 0.000 title claims abstract description 26
- 229920005591 polysilicon Polymers 0.000 title claims description 17
- 238000004088 simulation Methods 0.000 title claims description 10
- 238000004519 manufacturing process Methods 0.000 claims abstract description 76
- 230000008569 process Effects 0.000 claims abstract description 9
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 claims description 42
- 229910052710 silicon Inorganic materials 0.000 claims description 42
- 239000010703 silicon Substances 0.000 claims description 42
- 238000012549 training Methods 0.000 claims description 38
- 238000003062 neural network model Methods 0.000 claims description 30
- 238000005070 sampling Methods 0.000 claims description 29
- 230000009471 action Effects 0.000 claims description 17
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 claims description 7
- 238000005265 energy consumption Methods 0.000 claims description 7
- 239000001257 hydrogen Substances 0.000 claims description 7
- 229910052739 hydrogen Inorganic materials 0.000 claims description 7
- ZDHXKXAHOVTTAH-UHFFFAOYSA-N trichlorosilane Chemical compound Cl[SiH](Cl)Cl ZDHXKXAHOVTTAH-UHFFFAOYSA-N 0.000 claims description 7
- 239000005052 trichlorosilane Substances 0.000 claims description 7
- 239000007789 gas Substances 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 claims 2
- 230000006870 function Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000035484 reaction time Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005229 chemical vapour deposition Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000007740 vapor deposition Methods 0.000 description 1
Images
Classifications
-
- C—CHEMISTRY; METALLURGY
- C01—INORGANIC CHEMISTRY
- C01B—NON-METALLIC ELEMENTS; COMPOUNDS THEREOF; METALLOIDS OR COMPOUNDS THEREOF NOT COVERED BY SUBCLASS C01C
- C01B33/00—Silicon; Compounds thereof
- C01B33/02—Silicon
- C01B33/021—Preparation
- C01B33/027—Preparation by decomposition or reduction of gaseous or vaporised silicon compounds other than silica or silica-containing material
- C01B33/035—Preparation by decomposition or reduction of gaseous or vaporised silicon compounds other than silica or silica-containing material by decomposition or reduction of gaseous or vaporised silicon compounds in the presence of heated filaments of silicon, carbon or a refractory metal, e.g. tantalum or tungsten, or in the presence of heated silicon rods on which the formed silicon is deposited, a silicon rod being obtained, e.g. Siemens process
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05F—SYSTEMS FOR REGULATING ELECTRIC OR MAGNETIC VARIABLES
- G05F1/00—Automatic systems in which deviations of an electric quantity from one or more predetermined values are detected at the output of the system and fed back to a device within the system to restore the detected quantity to its predetermined value or values, i.e. retroactive systems
- G05F1/10—Regulating voltage or current
- G05F1/46—Regulating voltage or current wherein the variable actually regulated by the final control device is dc
- G05F1/56—Regulating voltage or current wherein the variable actually regulated by the final control device is dc using semiconductor devices in series with the load as final control devices
- G05F1/561—Voltage to current converters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Organic Chemistry (AREA)
- Radar, Positioning & Navigation (AREA)
- Electromagnetism (AREA)
- Automation & Control Theory (AREA)
- Inorganic Chemistry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Silicon Compounds (AREA)
Abstract
本发明涉及多晶硅生产技术领域，公开了一种基于模仿学习的多晶硅还原炉电流控制方法，通过对还原炉的历史数据进行采集并训练神经网络模型，通过神经网络模型来输出硅棒的电流。与上述传统方法相比，具有效率高、能够根据还原炉状态进行实时调节的优点。通过模仿学习的方法，减少了模型对数据量的依赖，更加符合实际的工业场景。另外在模型控制过程中可以自动判断是否遇到了数据未包含的意外情况，如遇到会切换到其他控制模型并学习这次的控制经验，以达到模型不断更新优化的目的。
Description
技术领域
本发明涉及多晶硅生产技术领域，具体涉及一种基于模仿学习的多晶硅还原炉电流控制方法。
背景技术
多晶硅作为生产光伏器件的重要原料之一，是光伏产业的基石。近年来，随着新能源行业的发展，多晶硅的生产也越来越受到重视。目前主流的生产多晶硅的方法为改良西门子法，该方法利用化学气相沉积的原理，当还原炉温度在1100度左右时，氢气和三氯氢硅在预先处理好的硅棒上发生气相沉积反应生成多晶硅。还原炉的温度通过对硅棒通电使其发热来维持。在反应的过程中，随着生产的硅在硅棒表面沉积，会导致硅棒的电阻发生变化，为了保持还原炉内温度的稳定，硅棒的电流也要做出相应的调整。电流控制的好坏将直接影响还原炉生产的电耗，以及产物的质量。例如如果电流值较大，会导致炉内温度偏高，不仅能耗增加，同时生成的多晶硅质量会下降。所以对多晶硅还原炉的电流进行控制，一直是多晶硅生产中的重要一环。
传统的控制方法多是基于人工经验，通过观察窗观察硅棒的生产情况对电流进行手动调节或是采取控制程序按照预先设定好的电流曲线进行控制。前者需要人工实时监控硅棒的生长情况，存在效率低的缺点；而后者只能根据预设的曲线去调整，无法实时根据还原炉状态进行调节。
发明内容
为解决上述技术问题，本发明提供一种基于模仿学习的多晶硅还原炉电流控制方法。
为解决上述技术问题，本发明采用如下技术方案：
一种基于模仿学习的多晶硅还原炉电流控制方法，包括以下步骤：
步骤一：在还原炉的每个生产周期内每隔T1时间采样一次运行数据，得到生产周期数据A；其中，生产周期数据A包括还原炉炉内温度、硅棒电流、还原炉控制电流、硅棒电压、硅棒电阻、还原炉运行时间、氢气流量、三氯氢硅流量、还原炉尾气温度；一个生产周期通常为7-10天；硅棒电流与还原炉控制电流的区别在于硅棒电流是当前采样时刻通过硅棒的电流，还原炉控制电流是下一采样时刻通过硅棒的电流；比如生产周期数据中第i次采样的时间为t0，第i+1次采样的时间为t1，那么硅棒电流就是t0时刻通过硅棒的电流，还原炉控制电流是t1时刻通过硅棒的电流；
步骤二：对生产周期数据A进行筛选，保留生产周期数据A中产品质量合格且能耗最低的一部分，记为生产周期数据B，生产周期数据B的中样本数量为N；其中，一个生产周期能耗的计算方式为该生产周期内总电能消耗除以质量合格产品的质量；
步骤三：在生产周期数据B中，对不同生产周期中各个相同的采样时刻的还原炉炉内温度取平均值，则第i次采样的平均温度
其中
表示第j个生产周期中第i次采样时的还原炉炉内温度；将Ti按i从小到大的顺序排列即可得到温度参考曲线；
步骤四：将生产周期数据B分为状态S和行动A，状态S包括还原炉炉内温度、硅棒电流、硅棒电压、硅棒电阻、还原炉运行时间、氢气流量、三氯氢硅流量、还原炉尾气温度，行动A包括还原炉控制电流；通过重复以下过程得到训练数据集P：将第j个生产周期中第i次采样时的状态
与行动
组合为一组训练数据
步骤五：建立一个全连接前馈神经网络模型并通过步骤四中得到的训练数据集进行训练，全连接前馈神经网络模型训练时的输入为一组训练数据中的状态S，输出为该组训练数据中的行动A；全连接前馈神经网络模型由M个隐藏层组成，激活函数选用torchlibrary中的celu函数；在实际使用时，M一般取4，如需要对M的值进行进一步确定，可利用测试数据对训练好的全连接前馈神经网络模型进行测试，当全连接前馈神经网络模型预测的结果与实际结果偏差较大时，适当增加一到两层隐藏层；
步骤六：利用XGBoost算法训练一个还原炉炉内温度预测模型，还原炉炉内温度预测模型根据当前时刻的还原炉的状态S以及该状态下采取的行动A，预测下一时刻的还原炉炉内温度；
步骤七：在还原炉电流控制过程中，将此时的还原炉炉内温度与温度参考曲线对比，如果偏差小于或者等于偏差设定值，运行步骤八；如果偏差大于偏差设定值，运行步骤九；
步骤八：使用全连接前馈神经网络模型，将当前时刻的还原炉的状态作为输入，得到下一时刻的还原炉控制电流；其中，将当前的还原炉的状态作为全连接前馈神经网络模型的输入时，将还原炉炉内温度预测模型预测得到的当前时刻的还原炉炉内温度和当前时刻实际采集的还原炉炉内温度取平均值，作为全连接前馈神经网络模型输入的还原炉炉内温度；
步骤九：切换到人工控制模式；当还原炉炉内温度恢复到正常状态，即还原炉炉内温度与温度参考曲线偏差小于或者等于偏差设定值时，运行步骤八。
进一步地，由于不同的生产周期反应时间存在差异，步骤三中，若第j个生产周期在第i次采样时反应已经结束，则
同时N减少1。
进一步地，步骤四之前，通过取平均值的方式，将T1周期级的生产周期数据B转为T2周期级的生产周期数据C；其中T2＝n*T1，n为大于或者等于2的整数；将步骤四中的生产周期数据B替换为生产周期数据C。
具体地，T1为1分钟，T2为30分钟；通过取平均值的方式，将1分钟级的生产周期数据B转为30分钟级的生产周期数据C。
进一步地，步骤七中，还原炉炉内温度与温度参考曲线的偏差大于偏差设定值时，步骤九中切换到PID控制模式。
具体地，所述偏差设定值为10％。
进一步地，步骤九中，切换到人工控制模式的同时，将在人工控制模式下的状态S以及行动A作为新的训练数据添加到训练数据集P中；用更新后的训练数据集P重新对全连接前馈神经网络模型进行训练，并替换掉旧的全连接前馈神经网络模型。
与现有技术相比，本发明的有益技术效果是：
本发明提供了一种基于模仿学习的多晶硅还原炉控制的方法，该方法通过对还原炉的历史数据进行采集并训练神经网络模型，通过神经网络模型来输出硅棒的电流。与上述传统方法相比，具有不需要人工一直监控、效率高、能够根据还原炉状态进行实时调节、能够在训练过程中为接触的到的场景进行自主学习的优点。通过模仿学习的方法，减少了模型对数据量的依赖，更加符合实际的工业场景。另外在模型控制过程中可以自动判断是否遇到了数据未包含的意外情况，如遇到会切换到其他控制模型并学习这次的控制经验，以达到模型不断更新优化的目的。
附图说明
图1为本发明多晶硅还原炉电流控制方法的流程图。
具体实施方式
下面结合附图对本发明的一种优选实施方式作详细的说明。
如图1所示，一种基于模仿学习的多晶硅还原炉电流控制方法，包括以下步骤：
S1：在还原炉的每个生产周期内每隔T1时间采样一次运行数据，得到生产周期数据A；其中，生产周期数据A包括还原炉炉内温度、硅棒电流、还原炉控制电流、硅棒电压、硅棒电阻、还原炉运行时间、氢气流量、三氯氢硅流量、还原炉尾气温度；一般T1为1分钟。
S2：对采集到的生产周期数据A进行筛选，保留产品质量合格且能耗位于前30％的生产周期数据，记为生产周期数据B，生产周期数据B的中样本数量为N。
S3：得到还原炉炉内温度的温度参考曲线；具体方法为：在生产周期数据B中，对不同生产周期中各个相同的采样时刻的还原炉炉内温度取平均值，则第i次采样的平均温度
其中
表示第j个生产周期中第i次采样时的还原炉炉内温度；将Ti按i从小到大的顺序排列即可得到温度参考曲线；
由于不同的生产周期反应时间存在差异，在使用上述公式计算时，若第j个生产周期在第i次采样时反应已经结束，则在计算中让
为0同时N减少1。
S4：将S2中筛选得到的T1周期级的生产周期数据B，通过取平均值的方式，转为T2周期级的生产周期数据C；T2一般为30分钟。
S5：建立训练模仿学习需要的训练数据集P＝{(S1,A1),(S2,A2)……}；其中S表示系统的状态，A表示在该状态下采取的行动，本发明中行动A为还原炉控制电流，状态S包括：还原炉炉内温度、硅棒电流、硅棒电压、硅棒电阻、还原炉运行时间、氢气流量、三氯氢硅流量和还原炉尾气温度。本次采样时的还原炉控制电流即为下一次采样时的硅棒电流，故硅棒电流与还原炉控制电流的区别在于硅棒电流是当前采样时刻通过硅棒的电流，还原炉控制电流是下一采样时刻通过硅棒的电流；比如生产周期数据中第i次采样的时间为t0，第i+1次采样的时间为t1，那么硅棒电流就是t0时刻通过硅棒的电流，还原炉控制电流是t1时刻通过硅棒的电流。
具体方法为：将生产周期数据C中各生产周期中的数据按照上述的分类方法分为状态S和行动A，将第i次采样的状态数据与行动数据组合，得到一组训练数据(S,A)。对不同生产周期重复上述方法，最终得到一个包含所有生产周期数据的训练数据集P。
S6：建立一个全连接前馈神经网络模型(mlp)并通过训练数据集P进行训练，全连接前馈神经网络模型训练时的输入为一组训练数据中的状态S，输出为该组训练数据中的行动A；
本发明中的全连接前馈神经网络模型由M个隐藏层(hidden layer)组成，激活函数选用torch library中的celu函数；在实际使用时，M一般取4，如需要对M的值进行进一步确定，可利用测试数据对训练好的全连接前馈神经网络模型进行测试，当全连接前馈神经网络模型预测的结果与实际结果偏差较大时，适当增加一到两层隐藏层。
S7：利用XGBoost算法训练一个还原炉炉内温度预测模型，还原炉炉内温度预测模型根据当前时刻的还原炉的状态S以及该状态下采取的行动A，预测下一时刻的还原炉炉内温度；
S8：在还原炉电流控制过程中，将此时的还原炉炉内温度与温度参考曲线对比，如果偏差小于或者等于10％，运行S9；如果偏差大于10％，运行S10；
S9：使用全连接前馈神经网络模型，将当前时刻的还原炉的状态作为输入，得到下一时刻的还原炉控制电流；其中，将当前的还原炉的状态作为全连接前馈神经网络模型的输入时，将还原炉炉内温度预测模型预测得到的当前时刻的还原炉炉内温度和当前时刻实际采集的还原炉炉内温度取平均值，作为全连接前馈神经网络模型输入的还原炉炉内温度；
S10：偏差大于10％，说明此时还原炉遇到了之前数据集未包含特殊的情况，此时提示当前情况切换到人工控制模式或者PID控制模式；切换到人工控制模式或者PID控制模式的同时，将在人工控制模式或者PID控制模式下的状态S以及行动A作为新的训练数据添加到训练数据集P中；
当还原炉炉内温度恢复到正常状态，即还原炉炉内温度与温度参考曲线偏差小于或者等于偏差设定值时，运行S9。
S11：当训练数据集得到新的数据后，用更新后的训练数据集重新对全连接前馈神经网络模型进行训练，得到新的全连接前馈神经网络模型并替换掉旧的模型。
S10至S11这两个步骤的学习过程具有所需数据量小，不需要模拟环境，降低模型开发成本的优势。
在实际生产中，重复S6至S10，不断地对全连接前馈神经网络模型进行升级，逐渐提高模型的适应性，达到最终能够完全通过模型对还原炉电流进行控制的目的。
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技术方案，说明书的这种叙述方式仅仅是为了清楚起见，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 (8)
1.一种基于模仿学习的多晶硅还原炉电流控制方法，包括以下步骤：
步骤一：在还原炉的每个生产周期内每隔T1时间采样一次运行数据，得到生产周期数据A；其中，生产周期数据A包括还原炉炉内温度、硅棒电流、还原炉控制电流、硅棒电压、硅棒电阻、还原炉运行时间、氢气流量、三氯氢硅流量、还原炉尾气温度；本次采样时的还原炉控制电流即为下一次采样时的硅棒电流；
步骤二：对生产周期数据A进行筛选，保留生产周期数据A中产品质量合格且能耗最低的一部分，记为生产周期数据B，生产周期数据B的中样本数量为N；
步骤三：在生产周期数据B中，对不同生产周期中各个相同的采样时刻的还原炉炉内温度取平均值，则第i次采样的平均温度
其中
表示第j个生产周期中第i次采样时的还原炉炉内温度；将Ti按i从小到大的顺序排列即可得到温度参考曲线；
步骤四：将生产周期数据B分为状态S和行动A，状态S包括还原炉炉内温度、硅棒电流、硅棒电压、硅棒电阻、还原炉运行时间、氢气流量、三氯氢硅流量、还原炉尾气温度，行动A包括还原炉控制电流；通过重复以下过程得到训练数据集P：将第j个生产周期中第i次采样时的状态
与行动
组合为一组训练数据
步骤五：建立一个全连接前馈神经网络模型并通过训练数据集P进行训练，全连接前馈神经网络模型训练时的输入为一组训练数据中的状态S，输出为该组训练数据中的行动A；
步骤六：利用XGBoost算法训练一个还原炉炉内温度预测模型，还原炉炉内温度预测模型根据当前时刻的还原炉的状态S以及该状态采取的行动A，预测下一时刻的还原炉炉内温度；
步骤七：在还原炉电流控制过程中，将此时的还原炉炉内温度与温度参考曲线对比，如果偏差小于或者等于偏差设定值，运行步骤八；如果偏差大于偏差设定值，运行步骤九；
步骤八：使用全连接前馈神经网络模型，将当前的还原炉的状态作为输入，得到还原炉控制电流；其中，将当前的还原炉的状态作为全连接前馈神经网络模型的输入时，将还原炉炉内温度预测模型预测得到的当前时刻的还原炉炉内温度和当前时刻实际采集的还原炉炉内温度取平均值，作为全连接前馈神经网络模型输入的还原炉炉内温度；
步骤九：切换到人工控制模式；当还原炉炉内温度恢复到正常状态，即还原炉炉内温度与温度参考曲线偏差小于或者等于偏差设定值时，运行步骤八。
2.根据权利要求1所述的基于模仿学习的多晶硅还原炉电流控制方法，其特征在于：生产周期数据B为生产周期数据A中产品质量合格且能耗位于前30％的生产周期数据。
3.根据权利要求1所述的基于模仿学习的多晶硅还原炉电流控制方法，其特征在于：步骤三中，若第j个生产周期在第i次采样时反应已经结束，则
同时N减少1。
4.根据权利要求1所述的基于模仿学习的多晶硅还原炉电流控制方法，其特征在于：步骤四之前，通过取平均值的方式，将T1周期级的生产周期数据B转为T2周期级的生产周期数据C；其中T2＝n*T1，n为大于或者等于2的整数；将步骤四中的生产周期数据B替换为生产周期数据C。
5.根据权利要求4所述的基于模仿学习的多晶硅还原炉电流控制方法，其特征在于：T1为1分钟，T2为30分钟；通过取平均值的方式，将1分钟级的生产周期数据B转为30分钟级的生产周期数据C。
6.根据权利要求1所述的基于模仿学习的多晶硅还原炉电流控制方法，其特征在于：步骤七中，还原炉炉内温度与温度参考曲线的偏差大于偏差设定值时，步骤九中切换到PID控制模式。
7.根据权利要求1所述的基于模仿学习的多晶硅还原炉电流控制方法，其特征在于：所述偏差设定值为10％。
8.根据权利要求1所述的基于模仿学习的多晶硅还原炉电流控制方法，其特征在于：步骤九中，切换到人工控制模式的同时，将在人工控制模式下的状态S以及行动A作为新的训练数据添加到训练数据集P中；用更新后的训练数据集P重新对全连接前馈神经网络模型进行训练，并替换掉旧的全连接前馈神经网络模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211272595.7A CN115583654B (zh) | 2022-10-18 | 2022-10-18 | 一种基于模仿学习的多晶硅还原炉电流控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211272595.7A CN115583654B (zh) | 2022-10-18 | 2022-10-18 | 一种基于模仿学习的多晶硅还原炉电流控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115583654A true CN115583654A (zh) | 2023-01-10 |
| CN115583654B CN115583654B (zh) | 2023-11-21 |
Family
ID=84780848
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211272595.7A Active CN115583654B (zh) | 2022-10-18 | 2022-10-18 | 一种基于模仿学习的多晶硅还原炉电流控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115583654B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001146499A (ja) * | 1999-11-15 | 2001-05-29 | Sumitomo Sitix Of Amagasaki Inc | 多結晶シリコン製造プロセスにおけるシリコン直径及び温度の推定方法並びにこれを用いた操業管理方法 |
| DE10101040A1 (de) * | 2001-01-11 | 2002-07-25 | Wacker Chemie Gmbh | Vorrichtung und Verfahren zur Herstellung eines polykristallinen Siliciumstabes |
| CN111591997A (zh) * | 2020-06-15 | 2020-08-28 | 亚洲硅业(青海)股份有限公司 | 多晶硅还原炉自动化控制方法 |
| CN113834585A (zh) * | 2021-09-24 | 2021-12-24 | 中国恩菲工程技术有限公司 | 还原炉内硅棒检测方法及系统、装置、介质及电子设备 |
| CN114330647A (zh) * | 2021-12-09 | 2022-04-12 | 浙江中控技术股份有限公司 | 模型训练方法、装置及硅棒重量预测方法 |
| CN114655958A (zh) * | 2020-12-22 | 2022-06-24 | 新疆新特晶体硅高科技有限公司 | 一种多晶硅生产的控制方法、系统 |
| CN115032891A (zh) * | 2022-08-11 | 2022-09-09 | 科大智能物联技术股份有限公司 | 一种基于时间序列预测的多晶硅还原炉控制方法 |
| CN115186582A (zh) * | 2022-07-05 | 2022-10-14 | 科大智能物联技术股份有限公司 | 一种基于机器学习模型的轧钢加热炉控制方法 |
-
2022
- 2022-10-18 CN CN202211272595.7A patent/CN115583654B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001146499A (ja) * | 1999-11-15 | 2001-05-29 | Sumitomo Sitix Of Amagasaki Inc | 多結晶シリコン製造プロセスにおけるシリコン直径及び温度の推定方法並びにこれを用いた操業管理方法 |
| DE10101040A1 (de) * | 2001-01-11 | 2002-07-25 | Wacker Chemie Gmbh | Vorrichtung und Verfahren zur Herstellung eines polykristallinen Siliciumstabes |
| CN111591997A (zh) * | 2020-06-15 | 2020-08-28 | 亚洲硅业(青海)股份有限公司 | 多晶硅还原炉自动化控制方法 |
| CN114655958A (zh) * | 2020-12-22 | 2022-06-24 | 新疆新特晶体硅高科技有限公司 | 一种多晶硅生产的控制方法、系统 |
| CN113834585A (zh) * | 2021-09-24 | 2021-12-24 | 中国恩菲工程技术有限公司 | 还原炉内硅棒检测方法及系统、装置、介质及电子设备 |
| CN114330647A (zh) * | 2021-12-09 | 2022-04-12 | 浙江中控技术股份有限公司 | 模型训练方法、装置及硅棒重量预测方法 |
| CN115186582A (zh) * | 2022-07-05 | 2022-10-14 | 科大智能物联技术股份有限公司 | 一种基于机器学习模型的轧钢加热炉控制方法 |
| CN115032891A (zh) * | 2022-08-11 | 2022-09-09 | 科大智能物联技术股份有限公司 | 一种基于时间序列预测的多晶硅还原炉控制方法 |
Non-Patent Citations (1)
| Title |
|---|
| 郭久俊: "数据驱动的还原炉能耗预测模型研究与应用", 中国优秀硕士学位论文全文数据库 (工程科技Ⅰ辑), no. 02, pages 015 - 203 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115583654B (zh) | 2023-11-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112615379B (zh) | 基于分布式多智能体强化学习的电网多断面功率控制方法 | |
| CN112733462B (zh) | 一种结合气象因素的超短期风电场功率预测方法 | |
| WO2022121944A1 (zh) | 工业过程运行指标智能预报方法、装置、设备及存储介质 | |
| CN105447567B (zh) | 基于bp神经网络与mpso算法的铝电解节能减排控制方法 | |
| CN111680786A (zh) | 一种基于改进权重门控单元的时序预测方法 | |
| CN113935463A (zh) | 一种基于人工智能控制方法的微电网控制器 | |
| CN110347192A (zh) | 基于注意力机制和自编码器的玻璃炉温智能预测控制方法 | |
| CN110276483A (zh) | 基于神经网络的制糖原材料预测方法 | |
| CN115313403A (zh) | 一种基于深度强化学习算法的实时电压调控方法 | |
| CN118331210A (zh) | 一种基于知识蒸馏的炼焦生产过程智能优化方法 | |
| CN115583654B (zh) | 一种基于模仿学习的多晶硅还原炉电流控制方法 | |
| CN117375097A (zh) | 基于多代理协调控制策略与强化学习的光伏协调自治方法 | |
| CN116961115A (zh) | 一种有载调压变压器和光伏逆变器的软协同控制方法 | |
| CN115032891B (zh) | 一种基于时间序列预测的多晶硅还原炉控制方法 | |
| CN114400675B (zh) | 基于权重均值深度双q网络的主动配电网电压控制方法 | |
| Liu et al. | A PSO-RBF neural network for BOD multi-step prediction in wastewater treatment process | |
| CN113703311B (zh) | 一种燃煤机组自组织协同预测控制方法 | |
| CN103558762B (zh) | 基于图形化组态技术的免疫遗传pid控制器的实现方法 | |
| CN117313958B (zh) | 基于迁移学习的低压分布式光伏功率预测方法及系统 | |
| CN118605183B (zh) | 一种基于人工智能的分布式算力引擎优化控制方法 | |
| Jiang et al. | Wind Power Point Prediction Based on VMD-GWO-LSTM | |
| CN116300430B (zh) | Mpc控制参数寻优方法及其在并联平台的应用 | |
| CN117270403B (zh) | 一种龙门式制坨机的优化控制方法 | |
| CN110197022B (zh) | 面向流式大数据的并行概率变分软测量建模方法 | |
| Sekhar et al. | Large Scale Predictive Analytics based Real-Time Energy Management and Enhance Power Quality in Smart Grid |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |