CN117107355A - 一种基于人工智能对拉晶工艺参数进行自动调节的拉晶方法及系统 - Google Patents

Abstract

本发明公开一种基于人工智能对拉晶工艺参数进行自动调节的拉晶方法及系统，包括：采集炉台内晶棒的等径状态相片并进行数据标注，得到标注等径状态相片；根据标注等径状态相片对计算机进行深度学习，得出不同长度晶棒的最佳状态，并建立变元函数，从而得到拉晶识别模型；拉晶开始时AI自动检测晶棒状态；符合标准，则保持当前的拉晶工艺参数进行拉晶，同时拉晶识别模型继续进行判断，直至拉晶结束；不符合标准，则根据变元函数对当前的拉晶工艺参数进行调节，直至晶棒状态恢复到标准状态后，按照标准拉晶工艺参数进行拉晶，同时拉晶识别模型继续进行判断，直至拉晶结束。本发明达到使整个拉晶过程省时省力，并且完全消除异常的目的。

Description

一种基于人工智能对拉晶工艺参数进行自动调节的拉晶方法 及系统

技术领域

本发明涉及直拉单晶技术领域，具体涉及一种基于人工智能对拉晶工艺参数进行自动调节的拉晶方法及系统。

背景技术

随着太阳能光伏工业的迅速发展，作为太阳能电池片主要衬底材料-单晶硅片的产量也呈现出逐年上升的趋势，同时由于下游电池片生产技术的快速迭代，对单晶硅片以及单晶硅棒的质量提出更高的要求，促使直拉单晶生产工艺的优化与创新。为保障单晶硅棒的质量，晶体等径生长过程中固液生长界面在热系统中的相对位置要始终保持不变。为满足此要求，需要控制熔体液面位置在热系统中的相对稳定。现有技术在单晶生长过程中，会根据提前设置好的功率、埚跟比以及生长的晶体直径来调节单晶的生长。但在预备拉晶过程中，因每台单晶炉的热场老化程度、机械偏差等因素无法做到单晶设备参数全部统一，因此在单晶生长过程中当晶体提前出现异常且未到达设定参数时，便需要操作人员调节，才能保证消除异常使晶体正常生长。

但是上述通过人工的方式发现异常并对拉晶参数进行调整的技术方案，首先存在一定的滞后性，而滞后性所带来弊端是：当操作人员发现晶体出现生长异常时，该异常情况已经持续一段时间，此时对拉晶参数进行调整，不一定能完全消除异常。另外，上述技术方案还存在强制性，即操作人员必须在进行拉晶时，时刻关注晶体的生长情况，才能够发现晶体出现生长异常。最后，上述技术方案还存在误差性，操作人员仅仅是凭借操作经验发现晶体异常和调整参数，没有标准化的调试方案及解决办法，存在较大的误差。

综上所述，现有通过人工方式识别晶体生长异常以及对拉晶参数进行调整的技术方案，所存在的滞后性、强制性以及误差性，使得整个拉晶过程费时费力，并且无法完全消除异常。

发明内容

为了克服现有技术的不足，本发明提供一种基于人工智能对拉晶工艺参数进行自动调节的拉晶方法及系统，用于解决现有通过人工方式识别晶体生长异常以及对拉晶参数进行调整的技术方案，存在滞后性、强制性以及误差性的技术问题，从而达到使得整个拉晶过程省时省力，并且完全消除异常的目的。

为解决上述问题，本发明所采用的技术方案如下：

一种基于人工智能对拉晶工艺参数进行自动调节的拉晶方法，包括以下步骤：

采集炉台内晶棒的等径状态相片，并对所述等径状态相片进行数据标注，得到标注等径状态相片；

根据所述标注等径状态相片对计算机进行深度学习，得出不同长度晶棒的最佳状态，并根据所述最佳状态，建立功率P与时间T的变元函数，从而得到拉晶识别模型；

拉晶开始时AI自动检测晶棒状态，并根据所述拉晶识别模型进行判断；

晶棒符合标准状态，则保持当前的拉晶工艺参数进行拉晶，同时所述拉晶识别模型继续进行判断，直至拉晶结束；

晶棒不符合标准状态，则根据所述变元函数对当前的拉晶工艺参数进行调节，直至所述晶棒状态恢复到标准状态后，按照标准拉晶工艺参数进行拉晶，同时所述拉晶识别模型继续进行判断，直至拉晶结束。

作为本发明优选的实施方式，在采集炉台内晶棒的等径状态相片时，包括：

通过所述炉台自带的CCD相机对拉晶时所述晶棒的状态进行实时采集，并记录此时的功率。

作为本发明优选的实施方式，在得到标注等径状态相片时，包括：

根据收集到的所述等径状态相片，通过经验丰富的技术人员对所述晶棒的光圈大小、晶线粗细结合当前状态进行数据标注，分类出标准的晶棒和不标准的晶棒。

作为本发明优选的实施方式，在根据所述标注等径状态相片对计算机进行深度学习时，包括：

当不同长度晶棒的当前状态与所述标注等径状态相片中标准的晶棒状态存在偏差时，则根据所述标准的晶棒状态调整功率和埚跟比，直至所述不同长度晶棒达到最佳状态。

作为本发明优选的实施方式，在直至所述不同长度晶棒达到最佳状态时，包括：

通过技术人员对多张所述标注等径状态相片共同进行判定，得出所述不同长度晶棒的最佳状态。

作为本发明优选的实施方式，在得出所述不同长度晶棒的最佳状态时，包括：

得出所述不同长度晶棒的光圈不内缩、光圈不外扩以及晶线饱满均匀的状态。

作为本发明优选的实施方式，在建立功率P与时间T的变元函数时，包括：

若当前晶棒状态与所述最佳状态不符时，根据历史收集的不同长度晶棒的标注等径状态相片，通过调整所述功率P，直至所述当前晶棒状态恢复到所述最佳状态后，并记录下作用时间T，从而建立功率P与时间T的变元函数。

作为本发明优选的实施方式，在建立功率P与时间T的变元函数时，还包括：

基于埚跟比得到所述变元函数，如公式1所示：

式中，P为功率，t为时间，G为埚跟比，ΔS为动态偏差系数。

作为本发明优选的实施方式，在根据所述拉晶识别模型进行判断后，还包括：

不符合，则根据所述变元函数对所述加热器的功率进行调节，直至晶棒恢复到标准状态。

一种基于人工智能对拉晶工艺参数进行自动调节的拉晶系统，包括：

数据收集与标注单元：用于采集炉台内晶棒的等径状态相片，并对所述等径状态相片进行数据标注，得到标注等径状态相片；

识别模型构建单元：用于根据所述标注等径状态相片对计算机进行深度学习，得出不同长度晶棒的最佳状态，并根据所述最佳状态，建立功率P与时间T的变元函数，从而得到拉晶识别模型；

判断与执行单元：拉晶开始时AI自动检测晶棒状态，并根据所述拉晶识别模型进行判断；晶棒符合标准状态，则保持当前的拉晶工艺参数进行拉晶，同时所述拉晶识别模型继续进行判断，直至拉晶结束；晶棒不符合标准状态，则根据所述变元函数对当前的拉晶工艺参数进行调节，直至所述晶棒状态恢复到标准状态后，按照标准的拉晶工艺参数进行拉晶，同时所述拉晶识别模型继续进行判断，直至拉晶结束。

相比现有技术，本发明的有益效果在于：

(1)本发明从拉晶开始时，便通过拉晶识别模型对晶棒状态进行实时判断，从而能够及时发现晶体出现生长异常，有效解决现有技术所存在的滞后性问题；

(2)本发明基于不同长度晶棒的最佳状态建立功率P与时间T的变元函数，从而在当前晶棒状态不符合标准的晶棒状态时，能够根据建立的变元函数对当前的拉晶工艺参数进行调节，做到无需操作人员凭经验调整拉晶工艺参数，以达到自动识别自动调节的效果，保证晶体正常生长，有效解决现有技术所存在的误差性问题；

(3)本发明在通过拉晶识别模型判断当前晶棒状态符合标准的晶棒状态时，会自动保持当前的拉晶工艺参数进行拉晶，同时拉晶识别模型继续进行判断，直至拉晶结束；而在判断当前晶棒状态不符合标准的晶棒状态时，会自动根据变元函数对当前的拉晶工艺参数进行调节，直至晶棒状态符合标准的晶棒状态后，恢复标准的拉晶工艺参数进行拉晶，同时拉晶识别模型继续进行判断，直至拉晶结束；从而无需操作人员时刻晶体的生长情况，便可完成拉晶，并且得到高质量的单晶硅，有效解决现有技术所存在的强制性问题；

(4)本发明实现AI拉晶后，可规避参数设置的偏差，并减少一线员工的劳动强度，实现较高的自动化程度，减少人员成本。

下面结合附图和具体实施方式对本发明作进一步详细说明。

附图说明

图1-是本发明实施例的基于人工智能对拉晶工艺参数进行自动调节的拉晶方法的步骤图；

图2-是本发明实施例的炉台自带的CCD相机的安装方式展示图；

图3-是本发明实施例的标准的晶棒的展示图；

图4-是本发明实施例的基于人工智能对拉晶工艺参数进行自动调节的拉晶方法的逻辑框图；

图5-是本发明实施例的温度过低的晶棒状态图；

图6-是本发明实施例的温度偏低的晶棒状态图；

图7-是本发明实施例的温度合适的晶棒状态图；

图8-是本发明实施例的温度偏高的晶棒状态图；

图9-是本发明实施例的温度过高的晶棒状态图。

附图标号说明：1、直杆；2、滑块。

具体实施方式

本发明所提供的基于人工智能对拉晶工艺参数进行自动调节的拉晶方法，如图1所示，包括以下步骤：

步骤S1：采集炉台内晶棒的等径状态相片，并对等径状态相片进行数据标注，得到标注等径状态相片；

步骤S2：根据标注等径状态相片对计算机进行深度学习，得出不同长度晶棒的最佳状态，并根据最佳状态，建立功率P与时间T的变元函数，从而得到拉晶识别模型；

步骤S3：拉晶开始时AI自动检测晶棒状态，并根据拉晶识别模型进行判断；

步骤S4：晶棒符合标准状态，则保持当前的拉晶工艺参数进行拉晶，同时拉晶识别模型继续进行判断，直至拉晶结束；

步骤S5：晶棒不符合标准状态，则根据变元函数对当前的拉晶工艺参数进行调节，直至晶棒状态恢复到标准的晶棒状态后，按照标准的拉晶工艺参数进行拉晶，同时拉晶识别模型继续进行判断，直至拉晶结束。

在上述步骤S1中，在采集炉台内晶棒的等径状态相片时，包括：

通过炉台自带的CCD相机对拉晶时晶棒的状态进行实时采集，并记录此时的功率。

具体地，在通过炉台自带的CCD相机进行实时采集时，必须确认滑块2与CCD相机的直杆1齐平并固定牢固，具体如图2所示。

在上述步骤S1中，在得到标注等径状态相片时，包括：

根据收集到的等径状态相片，通过经验丰富的技术人员对晶棒的光圈大小、晶线粗细结合当前状态进行数据标注，分类出标准的晶棒和不标准的晶棒。

标准的晶棒，具体如图3所示。

具体地，经验丰富的技术人员对晶棒的光圈大小、晶线粗细结合当前状态进行数据标注时，具体过程如下：

根据光圈大小、晶线粗细，可将晶棒状态分为：温度过低、温度偏低、温度合适、温度偏高、温度过高。其中，温度过低状态图像如图5所示，温度偏低状态图像如图6所示，温度合适状态图像如图7所示，温度偏高状态图像如图8所示，温度过高状态图像如图9所示。

在上述步骤S2中，在根据标注等径状态相片对计算机进行深度学习时，包括：

当不同长度晶棒的当前状态与标注等径状态相片中标准的晶棒状态存在偏差时，则根据标准的晶棒状态调整功率和埚跟比，直至不同长度晶棒达到最佳状态。

进一步地，在直至不同长度晶棒达到最佳状态时，包括：

通过技术人员对多张标注等径状态相片共同进行判定，得出不同长度晶棒的最佳状态。

具体地，技术人员对多张标注等径状态相片共同进行判定时，具体过程如下：

通过炉台相机拍照功能得到庞大的照片数据库，由技术人员指导，数据标注员标注晶棒状态，分为过低，偏低，合适，偏高，过高。将大量标注好特征的图片交于计算机进行深度训练，形成标准图库存入计算机内，计算机模型识别如下：

给定分类训练集(x_i，y_i)，i＝1，…，N，其中x_i∈R^N为训练样本，y_i为样本相对应的类别，使用LSSVM优化问题为：

约束条件：

y_i[w^T-φ(x_i)+b]＝1-e_i,i＝1，…，N

式中：γ为正则化参数，e_i为误差，为x_i的集合。引入Lagrange函数来求解最优问题：

分别对各个变量求偏导得到最优条件：

将LSSVM的求解问题转化为下列的线性方程组问题：

式中：q_ij为核函数。

LSSVM训练样本集的样本包含一个目标值和几个“属性”(即特征或观察到的变量)，本发明的LSSVM模型训练样本集包含5个类属标签，分别为过高、偏高、合适、偏低、过低，包含5个属性，分别为亮度、宽度、厚度、高度、凸起面积。对训练样本集图像进行图像预处理，得到图像5个外部特征的特征值矩阵。将此特征值矩阵构造为LSSVM的属性进行训练，解决上述问题即可得出分类决策函数为：

计算机经过训练后将实时图像与标准图像比较，计算标准值偏差范围(合适，动态偏差系数为1)、(偏低，动态偏差系数为1-2)、(偏高，动态偏差系数为0-1)。

更进一步地，在得出不同长度晶棒的最佳状态时，包括：

得出不同长度晶棒的光圈不内缩、光圈不外扩以及晶线饱满均匀的状态。

在上述步骤S2中，在建立功率P与时间T的变元函数时，包括：

若当前晶棒状态与最佳状态不符时，根据历史收集的不同长度晶棒的标注等径状态相片，通过调整功率P，直至当前晶棒状态恢复到最佳状态后，并记录下作用时间T，从而建立功率P与时间T的变元函数。

进一步地，在建立功率P与时间T的变元函数时，还包括：

基于埚跟比得到变元函数，如公式1所示：

式中，P为功率，t为时间，G为埚跟比，ΔS为动态偏差系数。

具体地，当计算机判断出当前晶棒状态与标准图库中符合，将动态偏差系数Δs为1代入上述公式1中即得到当前功率，当温度低，动态偏差系数Δs为1-2，当温度高，动态偏差系数Δs为0-1。

在上述步骤S4和步骤S5中，在根据拉晶识别模型进行判断后，如图4所示，还包括：

不符合，则根据变元函数对加热器的功率进行调节，直至晶棒恢复到标准状态。

本发明所提供的基于人工智能对拉晶工艺参数进行自动调节的拉晶系统，包括：数据收集与标注单元、识别模型构建单元以及判断与执行单元。

数据收集与标注单元：用于采集炉台内晶棒的等径状态相片，并对等径状态相片进行数据标注，得到标注等径状态相片。

识别模型构建单元：用于根据标注等径状态相片对计算机进行深度学习，得出不同长度晶棒的最佳状态，并根据最佳状态，建立功率P与时间T的变元函数，从而得到拉晶识别模型。

判断与执行单元：拉晶开始时AI自动检测晶棒状态，并根据拉晶识别模型进行判断；晶棒符合标准状态，则保持当前的拉晶工艺参数进行拉晶，同时拉晶识别模型继续进行判断，直至拉晶结束；晶棒不符合标准状态，则根据变元函数对当前的拉晶工艺参数进行调节，直至晶棒状态恢复到标准状态后，按照标准的拉晶工艺参数进行拉晶，同时拉晶识别模型继续进行判断，直至拉晶结束。

上述实施方式仅为本发明的优选实施方式，不能以此来限定本发明保护的范围，本领域的技术人员在本发明的基础上所做的任何非实质性的变化及替换均属于本发明所要求保护的范围。

Claims (10)

1.一种基于人工智能对拉晶工艺参数进行自动调节的拉晶方法，其特征在于，包括以下步骤：

采集炉台内晶棒的等径状态相片，并对所述等径状态相片进行数据标注，得到标注等径状态相片；

根据所述标注等径状态相片对计算机进行深度学习，得出不同长度晶棒的最佳状态，并根据所述最佳状态，建立功率P与时间T的变元函数，从而得到拉晶识别模型；

拉晶开始时AI自动检测晶棒状态，并根据所述拉晶识别模型进行判断；

晶棒符合标准状态，则保持当前的拉晶工艺参数进行拉晶，同时所述拉晶识别模型继续进行判断，直至拉晶结束；

晶棒不符合标准状态，则根据所述变元函数对当前的拉晶工艺参数进行调节，直至所述晶棒状态恢复到标准状态后，按照标准拉晶工艺参数进行拉晶，同时所述拉晶识别模型继续进行判断，直至拉晶结束。

2.根据权利要求1所述的基于人工智能对拉晶工艺参数进行自动调节的拉晶方法，其特征在于，在采集炉台内晶棒的等径状态相片时，包括：

通过所述炉台自带的CCD相机对拉晶时所述晶棒的状态进行实时采集，并记录此时的功率。

3.根据权利要求1所述的基于人工智能对拉晶工艺参数进行自动调节的拉晶方法，其特征在于，在得到标注等径状态相片时，包括：

根据收集到的所述等径状态相片，通过经验丰富的技术人员对所述晶棒的光圈大小、晶线粗细结合当前状态进行数据标注，分类出标准的晶棒和不标准的晶棒。

4.根据权利要求3所述的基于人工智能对拉晶工艺参数进行自动调节的拉晶方法，其特征在于，在根据所述标注等径状态相片对计算机进行深度学习时，包括：

当不同长度晶棒的当前状态与所述标注等径状态相片中标准的晶棒状态存在偏差时，则根据所述标准的晶棒状态调整功率和埚跟比，直至所述不同长度晶棒达到最佳状态。

5.根据权利要求4所述的基于人工智能对拉晶工艺参数进行自动调节的拉晶方法，其特征在于，在直至所述不同长度晶棒达到最佳状态时，包括：

通过技术人员对多张所述标注等径状态相片共同进行判定，得出所述不同长度晶棒的最佳状态。

6.根据权利要求5所述的基于人工智能对拉晶工艺参数进行自动调节的拉晶方法，其特征在于，在得出所述不同长度晶棒的最佳状态时，包括：

得出所述不同长度晶棒的光圈不内缩、光圈不外扩以及晶线饱满均匀的状态。

7.根据权利要求1所述的基于人工智能对拉晶工艺参数进行自动调节的拉晶方法，其特征在于，在建立功率P与时间T的变元函数时，包括：

若当前晶棒状态与所述最佳状态不符时，根据历史收集的不同长度晶棒的标注等径状态相片，通过调整所述功率P，直至所述当前晶棒状态恢复到所述最佳状态后，并记录下作用时间T，从而建立功率P与时间T的变元函数。

8.根据权利要求7所述的基于人工智能对拉晶工艺参数进行自动调节的拉晶方法，其特征在于，在建立功率P与时间T的变元函数时，还包括：

基于埚跟比得到所述变元函数，如公式1所示：

式中，P为功率，t为时间，G为埚跟比，ΔS为动态偏差系数。

9.根据权利要求1所述的基于人工智能对拉晶工艺参数进行自动调节的拉晶方法，其特征在于，在根据所述拉晶识别模型进行判断后，还包括：

不符合，则根据所述变元函数对所述加热器的功率进行调节，直至晶棒恢复到标准状态。

10.一种基于人工智能对拉晶工艺参数进行自动调节的拉晶系统，其特征在于，包括：

数据收集与标注单元：用于采集炉台内晶棒的等径状态相片，并对所述等径状态相片进行数据标注，得到标注等径状态相片；

识别模型构建单元：用于根据所述标注等径状态相片对计算机进行深度学习，得出不同长度晶棒的最佳状态，并根据所述最佳状态，建立功率P与时间T的变元函数，从而得到拉晶识别模型；

判断与执行单元：拉晶开始时AI自动检测晶棒状态，并根据所述拉晶识别模型进行判断；晶棒符合标准状态，则保持当前的拉晶工艺参数进行拉晶，同时所述拉晶识别模型继续进行判断，直至拉晶结束；晶棒不符合标准状态，则根据所述变元函数对当前的拉晶工艺参数进行调节，直至所述晶棒状态恢复到标准状态后，按照标准的拉晶工艺参数进行拉晶，同时所述拉晶识别模型继续进行判断，直至拉晶结束。