CN115688539A - 基于大数据的结晶检测方法、系统、设备和存储介质 - Google Patents

Abstract

基于大数据的结晶检测方法、系统、设备和存储介质，通过对直拉单晶等径和收尾过程中结晶节点的基础源数据进行处理、筛选、转换为结晶节点中易于识别和标记的若干数据集并建立模型，进行多维度数据清洗并建立维度数据仓库；获取当前节点的基础源数据并转化为工艺参数，将工艺参数与维度数据仓库中的模型进行数据对比，对判定结果进行数据分析，判定当前环节是否有结晶异常，并根据判定结果进行处理。本发明技术方案可在单晶拉制的等径和收尾过程中发生结晶异常情况时，使用结晶识别功能，通过模型，对等径和收尾过程中的结晶异常情况进行检测，减少工作人员巡视监督的工作量和时间，提升工作效率和生产产量，杜绝异常事故发生。

Description

基于大数据的结晶检测方法、系统、设备和存储介质

技术领域

本发明属于光伏单晶拉制生产技术领域，尤其是涉及基于大数据的结晶检测方法、系统、设备和存储介质。

背景技术

直拉单晶生长过程主要包括稳温、引晶、放肩、等径、收尾等工作步骤。在直拉单晶的等径和收尾过程中，会发生结晶的情况，但目前结晶无法及时识别，因此需要工作人员在现场巡视监督，对每一个炉台进行巡检，才能保证及时发现并处理。但这样的检测方法十分浪费人力，增加工作人员的工作量，而且在巡视过程中很难做到对每一个发生异常的炉台进行及时发现和处理。

因此，为了实现在单晶拉制的等径和收尾过程中发生结晶异常情况时，及时识别结晶情况，并根据识别结果进行正常执行下一步骤或是报警输出，本发明提供了一种基于大数据的结晶检测方法、系统、设备和存储介质，使用结晶识别功能，通过模型，对等径和收尾过程中的结晶异常情况进行检测，减少工作人员巡视监督的工作量和时间，提升工作效率和生产产量，杜绝异常事故发生。

发明内容

本发明要解决的问题是提供基于大数据的结晶检测方法、系统、设备和存储介质，尤其是适用于太阳能直拉硅单晶生产，有效地解决背景技术中提出的目前现有技术中，工作人员在现场巡视监督，对每一个炉台进行巡检，发现异常问题并处理的方法十分浪费人力，增加工作人员的工作量，而且在巡视过程中很难做到对每一个发生异常的炉台进行及时发现和处理的问题。

为解决上述技术问题，本发明采用以下技术方案：

基于大数据的结晶检测方法，所述方法包括步骤：

S1：获取在直拉单晶等径和收尾过程中每一不同炉型、每一不同系列、每一不同炉台的结晶节点的基础源数据；

S2：对获取的所述基础源数据进行处理，筛选并转换为每一不同炉型、每一不同系列、每一不同炉台的结晶节点中易于识别和标记的若干参数，并获得每一不同炉型、每一不同系列、每一不同炉台的结晶节点的所有所述参数数值的数据集；

S3：通过深度学习对每一不同炉型、每一不同系列、每一不同炉台的结晶节点中的每一所述参数建立模型；

S4：通过深度学习对所述S3步骤中的每一所述模型进行分析计算和拟合优化，获取单晶拉制等径和收尾过程中结晶的正常晶棒位置范围、正常晶棒直径范围、正常炉内光斑明暗范围；

S5：通过深度学习对所述S3步骤中的每一所述模型进行分析计算，获取当前炉型、当前系列、当前炉台的结晶节点的晶棒位置范围、晶棒直径范围、炉内光斑明暗范围的基础源数据；

S6：对所述S5步骤中获取的所述正常晶棒位置范围、正常晶棒直径范围、正常炉内光斑明暗范围的基础源数据进行处理，筛选并转换为当前炉型、当前系列、当前炉台的结晶节点中所述晶棒位置范围、晶棒直径范围、炉内光斑明暗范围的易于识别和标记的工艺参数；

S7：将S6步骤中的所述晶棒位置范围、晶棒直径范围、炉内光斑明暗范围的易于识别和标记的工艺参数与所述S4步骤中所述正常晶棒位置范围、正常晶棒直径范围、正常炉内光斑明暗范围模型进行对比，根据对比结果判定该单晶所在结晶节点中的所述晶棒位置范围、晶棒直径范围、炉内光斑明暗范围的易于识别和标记的工艺参数数值是否合理；

S8：通过深度学习对所述S7步骤中的判定结果进行数据分析，返回检测值，根据所述检测值判定当前过程中是否发生结晶异常，并根据判定结果进行报警输出或继续执行工艺的处理。

进一步地，所述S2步骤中所有每一不同炉型、每一不同系列、每一不同炉台的结晶节点中的每一所述参数与所述S6步骤中所有所述工艺参数类型相对应。

进一步地，所述参数根据生产区域、结晶产生的位置和结晶大小特征进行建立。

进一步地，所有所述参数均被配置于所在单晶炉的终端显示器中显示。

进一步地，每一不同炉型、每一不同系列、每一不同炉台的结晶节点的所述基础源数据包括生产过程数据和/或原辅料数据和/或品质数据。

一种结晶检测系统，所述系统包括：

获取源数据单元：用于获取在直拉单晶等径和收尾过程中每一不同炉型、每一不同系列、每一不同炉台的结晶节点的基础源数据；

处理源数据单元：对获取的所述基础源数据进行处理，筛选并转换为每一不同炉型、每一不同系列、每一不同炉台的结晶节点中易于识别和标记的若干参数，并获得每一不同炉型、每一不同系列、每一不同炉台的结晶节点的所有所述参数数值的数据集；

建立模型单元：用于通过深度学习对每一不同炉型、每一不同系列、每一不同炉台的结晶节点中的每一所述参数建立模型；

数据清洗单元：用于对每一所述模型进行多维度数据清洗，建立直拉单晶等径和收尾过程的维度数据仓库；

数据对比单元：用于将当前炉型、当前系列、当前炉台的结晶节点中的工艺参数与每一不同炉型、每一不同系列、每一不同炉台的结晶节点中的每一所述模型进行对比；

大数据平台单元：用于对当前炉型、当前系列、当前炉台的结晶节点中的工艺参数与每一不同炉型、每一不同系列、每一不同炉台的结晶节点中的每一所述模型进行对比的判定结果进行大数据分析，返回检测值，根据所述检测值判定当前过程中是否发生结晶异常，并根据判定结果进行报警输出或继续执行工艺的处理。

进一步地，所述获取源数据单元中所有每一不同炉型、每一不同系列、每一不同炉台的结晶节点中的每一所述参数与所述数据处理单元中所有所述工艺参数类型相对应；

所述参数根据生产区域、结晶产生的位置和结晶大小特征进行建立；

所有所述参数均被配置于所在单晶炉的终端显示器中显示。

进一步地，每一不同炉型、每一不同系列、每一不同炉台的结晶节点的所述基础源数据包括生产过程数据和/或原辅料数据和/或品质数据。

一种计算机设备，包括存储器和处理器；所述存储器存储有计算机程序；所述处理器用于执行所述计算机程序，并在执行所述计算机程序时，使得所述处理器执行如上任一项所述的结晶检测方法的步骤。

一种计算机可读存储介质，存储有计算机程序，当所述计算机程序被处理器执行时，使所述处理器执行如上任一项所述的结晶检测方法的步骤。

与现有技术相比，采用本发明设计的基于大数据的结晶检测方法、系统、设备和存储介质，通过对直拉单晶等径和收尾过程中每一不同炉型、每一不同系列、每一不同炉台的结晶节点的基础源数据进行处理、筛选、转换为每一不同炉型、每一不同系列、每一不同炉台结晶节点中易于识别和标记的若干与模型中相对应的参数数值的数据集；同时通过深度学习对每一不同炉型、每一不同系列、每一不同炉台的结晶节点中的每一参数建立模型，并对每一模型进行多维度数据清洗，建立直拉单晶等径和收尾过程的维度数据仓库，通过计算获取当前炉型、当前系列、当前炉台的结晶节点的当前基础源数据，筛选并转换为当前炉型、当前系列、当前炉台的结晶节点中易于识别和标记的工艺参数，并与维度数据仓库中的每一模型进行数据对比，以判定该单晶所在节点中的所述易于识别和标记的工艺参数数值是否合理，通过深度学习对判定结果进行数据分析，返回检测值，根据检测值判定当前过程中是否发生结晶异常，并根据判定结果进行报警输出或继续执行工艺的处理。

本发明技术方案可在单晶拉制的等径和收尾过程中，对结晶情况进行检测，一旦发生结晶异常情况时，能够及时自动给出判定，返回检测值，根据检测值判定当前过程中是否发生结晶异常，并根据判定结果进行报警输出或继续执行工艺的处理，减少工作人员巡视监督的工作量和时间，提升工作效率和生产产量，杜绝异常事故发生。

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，下面将对实施例或现有技术描述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是本发明一实施例的基于大数据的结晶检测方法的流程图；

图2是本发明一实施例的结晶检测系统的结构示意图；

具体实施方式

下面结合实施例和附图对本发明作进一步说明。

为使本发明的目的、技术方案和优点更加清楚明了，下面结合具体实施方式并参照附图，对本发明进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。

如图1所示，本发明实施例提供基于大数据的结晶检测方法，方法包括以下步骤：

S1：获取在直拉单晶等径和收尾过程中每一不同炉型、每一不同系列、每一不同炉台的结晶节点的基础源数据；

具体地，在直拉单晶等径和收尾过程中每一不同炉型、每一不同系列、每一不同炉台的结晶节点中，每个单晶炉均具有个体化特性，每一不同炉型、每一不同系列、每一不同炉台的结晶节点的基础源数据包括生产过程数据和/或原辅料数据和/或品质数据。

其中，生产过程数据包括设备名称、起止时间、批次编号、工艺模式、配方名称、直径测量值、热场温度值、主加热器功率测量、底部加热器功率测量、实际晶体拉速等。

原辅料数据包括备料日期、配料序号、人员班次、炉次、工件规格、坩埚类型、坩埚产地、原生多晶重量、回收料占比、整体重量等。

品质数据包括单晶编号、长度、重量、直径、电阻率、寿命、氧含量、碳含量、缺陷等。

S2：对获取的基础源数据进行处理，筛选并转换为每一不同炉型、每一不同系列、每一不同炉台的结晶节点中易于识别和标记的若干参数，并获得每一不同炉型、每一不同系列、每一不同炉台的结晶节点的所有所述参数数值的数据集；

具体地，将基础源数据经过处理、筛选并转换为每一不同炉型、每一不同系列、每一不同炉台结晶节点中易于识别和标记的若干参数，以获得每一不同炉型、每一不同系列、每一不同炉台的结晶节点的所有参数数值的数据集，也就是将输入的基础源数据中分散、凌乱、标准不统一的源数据整合，再转换为工件制程节点中的常用参数数据集，为后续参数对比，判定分析提供依据。

进一步地，所有参数根据生产区域、结晶产生的位置和结晶大小特征进行建立。

进一步地，所有参数均被配置于所在单晶炉的终端显示器中显示。

S3：通过深度学习对每一不同炉型、每一不同系列、每一不同炉台的结晶节点中的每一参数建立模型；

具体地，采用深度学习的方法对每一不同炉型、每一不同系列、每一不同炉台的结晶节点中的每一参数均建立一个模型，以监控所有炉型、系列、炉台的所有的工件在等径和收尾过程中的节点分析和判断，以期获得质量符合标准的单晶工件。

S4：通过深度学习对S3步骤中的每一模型进行分析计算和拟合优化，获取单晶拉制等径和收尾过程中结晶的正常晶棒位置范围、正常晶棒直径范围、正常炉内光斑明暗范围；

具体地，采用深度学习的方法对S3步骤中的每一模型进行分析计算和拟合优化，综合每一不同炉型、每一不同系列、每一不同炉台的结晶节点中的晶棒位置范围、晶棒直径范围、炉内光斑明暗范围，以获取正常晶棒位置范围、正常晶棒直径范围、正常炉内光斑明暗范围。

S5：通过深度学习对S3步骤中的每一模型进行分析计算，获取当前炉型、当前系列、当前炉台的结晶节点的晶棒位置范围、晶棒直径范围、炉内光斑明暗范围的基础源数据；

S6：对S5步骤中获取的正常晶棒位置范围、正常晶棒直径范围、正常炉内光斑明暗范围的基础源数据进行处理，筛选并转换为当前炉型、当前系列、当前炉台的结晶节点中晶棒位置范围、晶棒直径范围、炉内光斑明暗范围的易于识别和标记的工艺参数；

进一步地，S2步骤中所有每一不同炉型、每一不同系列、每一不同炉台的结晶节点中的每一参数与S6步骤中所有工艺参数类型相对应。

S7：将S6步骤中的晶棒位置范围、晶棒直径范围、炉内光斑明暗范围的易于识别和标记的工艺参数与S4步骤中正常晶棒位置范围、正常晶棒直径范围、正常炉内光斑明暗范围模型进行对比，根据对比结果判定该单晶所在结晶节点中的晶棒位置范围、晶棒直径范围、炉内光斑明暗范围的易于识别和标记的工艺参数数值是否合理；

S8：通过深度学习对S7步骤中的判定结果进行数据分析，返回检测值，根据检测值判定当前过程中是否发生结晶异常，并根据判定结果进行报警输出或继续执行工艺的处理。

具体地，每一个数据识别分析周期包括检测期和作图期，检测期为等径和收尾过程，作图期CCD程序每10秒发送一张等径收尾过程图像以及相关信息到服务器以供检测。

具体地，对于每一张图像，返回检测值的结果可以为0或1,0表示正常状态，没有结晶异常，1表示出现结晶异常状态。然后再根据检测值的判定结果，判断是进行报警输出还是继续执行工艺。

一种结晶检测系统，如图2所示，系统包括：

获取源数据单元：用于获取在直拉单晶等径和收尾过程中每一不同炉型、每一不同系列、每一不同炉台的结晶节点的基础源数据；

处理源数据单元：对获取的基础源数据进行处理，筛选并转换为每一不同炉型、每一不同系列、每一不同炉台的结晶节点中易于识别和标记的若干参数，并获得每一不同炉型、每一不同系列、每一不同炉台的结晶节点的所有参数数值的数据集；

建立模型单元：用于通过深度学习对每一不同炉型、每一不同系列、每一不同炉台的结晶节点中的每一参数建立模型；

数据清洗单元：用于对每一所述模型进行多维度数据清洗，建立直拉单晶等径和收尾过程的维度数据仓库；

数据对比单元：用于将当前炉型、当前系列、当前炉台的结晶节点中的工艺参数与每一不同炉型、每一不同系列、每一不同炉台的结晶节点中的每一模型进行对比；

大数据平台单元：用于对当前炉型、当前系列、当前炉台的结晶节点中的工艺参数与每一不同炉型、每一不同系列、每一不同炉台的结晶节点中的每一模型进行对比的判定结果进行大数据分析，返回检测值，根据检测值判定当前过程中是否发生结晶异常，并根据判定结果进行报警输出或继续执行工艺的处理。

进一步地，获取源数据单元中所有每一不同炉型、每一不同系列、每一不同炉台的结晶节点中的每一参数与数据处理单元中所有工艺参数类型相对应；

参数根据生产区域、结晶产生的位置和结晶大小特征进行建立；

所有参数均被配置于所在单晶炉的终端显示器中显示。

进一步地，每一不同炉型、每一不同系列、每一不同炉台的结晶节点的基础源数据包括生产过程数据和/或原辅料数据和/或品质数据。

一种计算机设备，包括存储器和处理器；存储器存储有计算机程序；处理器用于执行计算机程序，并在执行计算机程序时，使得处理器执行如上任一项的结晶检测方法的步骤。

一种计算机可读存储介质，存储有计算机程序，当计算机程序被处理器执行时，使处理器执行如上任一项的结晶检测方法的步骤。

本发明实现的优点和有益效果是：

1.本发明设计的基于大数据的结晶检测方法、系统、设备和存储介质，通过对直拉单晶等径和收尾过程中每一不同炉型、每一不同系列、每一不同炉台的结晶节点的基础源数据进行处理、筛选、转换为每一不同炉型、每一不同系列、每一不同炉台结晶节点中易于识别和标记的若干与模型中相对应的参数数值的数据集；同时通过深度学习对每一不同炉型、每一不同系列、每一不同炉台的结晶节点中的每一参数建立模型，并对每一模型进行多维度数据清洗，建立直拉单晶等径和收尾过程的维度数据仓库，通过计算获取当前炉型、当前系列、当前炉台的结晶节点的当前基础源数据，筛选并转换为当前炉型、当前系列、当前炉台的结晶节点中易于识别和标记的工艺参数，并与维度数据仓库中的每一模型进行数据对比，以判定该单晶所在节点中的所述易于识别和标记的工艺参数数值是否合理，通过深度学习对判定结果进行数据分析，返回检测值，根据检测值判定当前过程中是否发生结晶异常，并根据判定结果进行报警输出或继续执行工艺的处理。

2.本发明技术方案可在单晶拉制的等径和收尾过程中发生结晶异常情况时，使用结晶识别功能，通过模型，对等径和收尾过程中的结晶异常情况进行检测，减少工作人员巡视监督的工作量和时间，提升工作效率和生产产量，杜绝异常事故发生。

应当理解的是，本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理，而不构成对本发明的限制。因此，在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。此外，本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。

Claims (10)

1.基于大数据的结晶检测方法，其特征在于，所述方法包括步骤：

S1：获取在直拉单晶等径和收尾过程中每一不同炉型、每一不同系列、每一不同炉台的结晶节点的基础源数据；

S2：对获取的所述基础源数据进行处理，筛选并转换为每一不同炉型、每一不同系列、每一不同炉台的结晶节点中易于识别和标记的若干参数，并获得每一不同炉型、每一不同系列、每一不同炉台的结晶节点的所有所述参数数值的数据集；

S3：通过深度学习对每一不同炉型、每一不同系列、每一不同炉台的结晶节点中的每一所述参数建立模型；

S4：通过深度学习对所述S3步骤中的每一所述模型进行分析计算和拟合优化，获取单晶拉制等径和收尾过程中结晶的正常晶棒位置范围、正常晶棒直径范围、正常炉内光斑明暗范围；

S5：通过深度学习对所述S3步骤中的每一所述模型进行分析计算，获取当前炉型、当前系列、当前炉台的结晶节点的晶棒位置范围、晶棒直径范围、炉内光斑明暗范围的基础源数据；

S6：对所述S5步骤中获取的所述正常晶棒位置范围、正常晶棒直径范围、正常炉内光斑明暗范围的基础源数据进行处理，筛选并转换为当前炉型、当前系列、当前炉台的结晶节点中所述晶棒位置范围、晶棒直径范围、炉内光斑明暗范围的易于识别和标记的工艺参数；

S7：将S6步骤中的所述晶棒位置范围、晶棒直径范围、炉内光斑明暗范围的易于识别和标记的工艺参数与所述S4步骤中所述正常晶棒位置范围、正常晶棒直径范围、正常炉内光斑明暗范围模型进行对比，根据对比结果判定该单晶所在结晶节点中的所述晶棒位置范围、晶棒直径范围、炉内光斑明暗范围的易于识别和标记的工艺参数数值是否合理；

S8：通过深度学习对所述S7步骤中的判定结果进行数据分析，返回检测值，根据所述检测值判定当前过程中是否发生结晶异常，并根据判定结果进行报警输出或继续执行工艺的处理。

2.根据权利要求1所述的基于大数据的结晶检测方法，其特征在于：所述S2步骤中所有每一不同炉型、每一不同系列、每一不同炉台的结晶节点中的每一所述参数与所述S6步骤中所有所述工艺参数类型相对应。

3.根据权利要求2所述的基于大数据的结晶检测方法，其特征在于：所述参数根据生产区域、结晶产生的位置和结晶大小特征进行建立。

4.根据权利要求3所述的基于大数据的结晶检测，其特征在于：

所有所述参数均被配置于所在单晶炉的终端显示器中显示。

5.根据权利要求1-4任一所述的基于大数据的结晶检测方法，其特征在于：每一不同炉型、每一不同系列、每一不同炉台的结晶节点的所述基础源数据包括生产过程数据和/或原辅料数据和/或品质数据。

6.一种结晶检测系统，其特征在于，所述系统包括：

获取源数据单元：用于获取在直拉单晶等径和收尾过程中每一不同炉型、每一不同系列、每一不同炉台的结晶节点的基础源数据；

处理源数据单元：对获取的所述基础源数据进行处理，筛选并转换为每一不同炉型、每一不同系列、每一不同炉台的结晶节点中易于识别和标记的若干参数，并获得每一不同炉型、每一不同系列、每一不同炉台的结晶节点的所有所述参数数值的数据集；

建立模型单元：用于通过深度学习对每一不同炉型、每一不同系列、每一不同炉台的结晶节点中的每一所述参数建立模型；

数据清洗单元：用于对每一所述模型进行多维度数据清洗，建立直拉单晶等径和收尾过程的维度数据仓库；

数据对比单元：用于将当前炉型、当前系列、当前炉台的结晶节点中的工艺参数与每一不同炉型、每一不同系列、每一不同炉台的结晶节点中的每一所述模型进行对比；

大数据平台单元：用于对当前炉型、当前系列、当前炉台的结晶节点中的工艺参数与每一不同炉型、每一不同系列、每一不同炉台的结晶节点中的每一所述模型进行对比的判定结果进行大数据分析，返回检测值，根据所述检测值判定当前过程中是否发生结晶异常，并根据判定结果进行报警输出或继续执行工艺的处理。

7.根据权利要求6所述的一种结晶检测系统，其特征在于：所述获取源数据单元中所有每一不同炉型、每一不同系列、每一不同炉台的结晶节点中的每一所述参数与所述数据处理单元中所有所述工艺参数类型相对应；

所述参数根据生产区域、结晶产生的位置和结晶大小特征进行建立；

所有所述参数均被配置于所在单晶炉的终端显示器中显示。

8.根据权利要求6或7所述的一种结晶检测系统，其特征在于：每一不同炉型、每一不同系列、每一不同炉台的结晶节点的所述基础源数据包括生产过程数据和/或原辅料数据和/或品质数据。

9.一种计算机设备，其特征在于：包括存储器和处理器；所述存储器存储有计算机程序；所述处理器用于执行所述计算机程序，并在执行所述计算机程序时，使得所述处理器执行如权利要求1-7中任一项所述的结晶检测方法的步骤。

10.一种计算机可读存储介质，其特征在于：存储有计算机程序，当所述计算机程序被处理器执行时，使所述处理器执行如权利要求1-7中任一项所述的结晶检测方法的步骤。

Images