CN117166042A - 断线控制方法、装置、电子设备及存储介质 - Google Patents
断线控制方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117166042A CN117166042A CN202210565426.6A CN202210565426A CN117166042A CN 117166042 A CN117166042 A CN 117166042A CN 202210565426 A CN202210565426 A CN 202210565426A CN 117166042 A CN117166042 A CN 117166042A
- Authority
- CN
- China
- Prior art keywords
- data
- characteristic data
- prediction model
- broken line
- sample
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 189
- 238000003860 storage Methods 0.000 title claims description 15
- 230000008569 process Effects 0.000 claims abstract description 128
- 238000012544 monitoring process Methods 0.000 claims abstract description 57
- 239000013078 crystal Substances 0.000 claims abstract description 49
- 238000012549 training Methods 0.000 claims abstract description 42
- 230000015654 memory Effects 0.000 claims description 21
- 238000004891 communication Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 9
- 230000000875 corresponding effect Effects 0.000 description 74
- 238000012545 processing Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 10
- 238000012360 testing method Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 238000010899 nucleation Methods 0.000 description 8
- 238000006243 chemical reaction Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 238000012216 screening Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 4
- 238000000540 analysis of variance Methods 0.000 description 4
- 238000002425 crystallisation Methods 0.000 description 4
- 230000008025 crystallization Effects 0.000 description 4
- 230000005291 magnetic effect Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 229910021421 monocrystalline silicon Inorganic materials 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 230000001276 controlling effect Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 239000002994 raw material Substances 0.000 description 3
- XKRFYHLGVUSROY-UHFFFAOYSA-N Argon Chemical compound [Ar] XKRFYHLGVUSROY-UHFFFAOYSA-N 0.000 description 2
- 238000002231 Czochralski process Methods 0.000 description 2
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 229910021420 polycrystalline silicon Inorganic materials 0.000 description 2
- 229910052710 silicon Inorganic materials 0.000 description 2
- 239000010703 silicon Substances 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 229910052786 argon Inorganic materials 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000007600 charging Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 229920005591 polysilicon Polymers 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000002210 silicon-based material Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000005496 tempering Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Crystals, And After-Treatments Of Crystals (AREA)
Abstract
本发明实施例提供了一种断线控制方法、装置、设备及介质。该方法包括：在本次直拉单晶过程中，获取特征数据，其中，所述特征数据包括控制数据和监测数据，将所述特征数据输入断线预测模型，其中，所述断线预测模型通过特征数据样本，以及对应标记的放肩阶段的样本断线结果训练得到；其中，所述样本断线结果包括断线和未断线，根据所述特征数据，由所述断线预测模型生成所述放肩阶段的预测断线率，在所述预测断线率达到预设阈值的情况下，对工艺参数进行调整，以控制在放肩阶段不发生断线，使得放肩阶段的断线率能够准确的提前预测，并据此及时对工艺参数进行调整，避免了断线判断不准确和不及时的问题，减低断线问题的发生率。
Description
技术领域
本发明涉及晶体制备技术领域，特别是涉及一种断线控制方法、一种断线控制装置、一种电子设备以及一种存储介质。
背景技术
单晶硅材料的制备工艺以直拉法(Czochralski process/CZ)为主，利用直拉法将多晶硅原料提炼成单晶硅。在直拉单晶过程中生成棒状单晶硅晶体的过程分为装料、加热熔料、调温、引晶、放肩、转肩、等径、收尾等步骤。
其中，当多晶硅原料融化完成后，还不能马上开始引晶，因为这时的温度要高于引晶温度，还必须经过降温，将温度调整到引晶的温度。引晶是将事先装到钢丝绳末端的籽晶(也就是加工成一定形状的单晶)与液面接触，在引晶温度下，硅分子将沿着籽晶的晶格方向生长，从而形成单晶。放肩是将晶体直径逐步生长到生成所要求的直径，在放肩的过程中将拉出随着长度逐渐变长，直径逐渐变大到要求的直径左右的一段晶体，以便消除晶体位错。当晶体在放肩过程中生长到生产要求的直径后，进入转肩过程。
在单晶硅棒生产中，现有技术多使用视觉系统判断放肩阶段的断线事实、甚至直接由操作人员肉眼判断是否断线。两种判断方法均属于事后判断，不够及时，而且视觉方法误判率较高。
发明内容
鉴于上述问题，提出了本发明实施例以便提供一种克服上述问题或者至少部分地解决上述问题的一种断线控制方法，以解决断线判断不准确和不及时的问题。
相应的，本发明实施例还提供了一种断线控制装置、一种电子设备以及一种存储介质，用以保证上述方法的实现及应用。
为了解决上述问题，本发明实施例公开了一种断线控制方法，包括：
在本次直拉单晶过程中，获取特征数据，其中，所述特征数据包括控制数据和监测数据；
将所述特征数据输入断线预测模型，其中，所述断线预测模型通过特征数据样本，以及对应标记的放肩阶段的样本断线结果训练得到；其中，所述样本断线结果包括断线和未断线；
根据所述特征数据，由所述断线预测模型生成所述放肩阶段的预测断线率；
在所述预测断线率达到预设阈值的情况下，对工艺参数进行调整，以控制在放肩阶段不发生断线。
可选地，所述特征数据样本为放肩阶段之前的特征数据样本，所述在本次直拉单晶过程中，获取特征数据，包括：
在所述本次直拉单晶过程进入放肩阶段时，获取放肩阶段之前的特征数据。
可选地，所述特征数据包括统计特征数据，所述在本次直拉单晶过程中，获取特征数据，还包括：
根据所述放肩阶段之前的特征数据，生成对应的统计特征数据；
将所述统计特征数据添加到所述特征数据中。
可选地，在所述将所述特征数据输入断线预测模型之前，所述方法还包括：
在通过特征数据样本，以及对应标记的放肩阶段的样本断线结果训练所述断线预测模型之后，获取训练好的所述断线预测模型中各种特征数据对应的特征权重；
确定所述特征权重从高到低排序靠前的第一预设个数的重要特征数据，且所述重要特征数据为可控制的工艺参数对应的特征数据；
所述在所述预测断线率达到预设阈值的情况下，对工艺参数进行调整，以控制在放肩阶段不发生断线，包括：
对所述重要特征数据对应的工艺参数进行调整。
可选地，所述对所述重要特征数据对应的工艺参数进行调整，包括：
针对各种所述重要特征数据对应的工艺参数，确定所述工艺参数在对应的取值范围内的多个候选值；
根据多种所述工艺参数的多个候选值，生成多个所述工艺参数的候选值组合；
根据各个所述候选值组合，采用所述断线预测模型，生成对应的候选预测断线率；
根据所述候选预测断线率最小的第二预设个数的候选值组合，对所述工艺参数进行调整。
可选地，所述在本次直拉单晶过程中，获取特征数据，包括：
在所述放肩阶段中，每隔所述第一设定时长，对所述控制数据和监测数据进行一次采集；
将连续预设次数采集到的所述控制数据和监测数据确定为所述特征数据。
可选地，在所述将所述特征数据输入断线预测模型之前，所述方法还包括：
获取特征数据样本，以及对应标记的放肩阶段的样本断线结果；其中，所述特征数据样本包括连续预设次数采集到的控制数据样本和监测数据样本，所述样本断线结果为连续预设次数采集到控制数据样本和监测数据样本中，最后一次采集后间隔第二预设时长的断线结果；
将所述特征数据样本和对应标记的样本断线结果输入断线预测模型；
采用针对所述特征数据样本标记的样本断线结果，训练所述断线预测模型，直至所述断线预测模型的损失值小于设定损失值，得到训练好的所述断线预测模型。
本发明实施例还公开了一种断线控制装置，包括：
数据获取模块，用于在本次直拉单晶过程中，获取特征数据，其中，所述特征数据包括控制数据和监测数据；
数据输入模块，用于将所述特征数据输入断线预测模型，其中，所述断线预测模型通过特征数据样本，以及对应标记的放肩阶段的样本断线结果训练得到；其中，所述样本断线结果包括断线和未断线；
断线率生成模块，用于根据所述特征数据，由所述断线预测模型生成所述放肩阶段的预测断线率；
参数调整模块，用于在所述预测断线率达到预设阈值的情况下，对工艺参数进行调整，以控制在放肩阶段不发生断线。
可选地，所述特征数据样本为放肩阶段之前的特征数据样本，所述数据获取模块，具体用于在所述本次直拉单晶过程进入放肩阶段时，获取放肩阶段之前的特征数据。
可选地，所述特征数据包括统计特征数据，所述数据获取模块，还包括：
数据生成子模块，用于根据所述放肩阶段之前的特征数据，生成对应的统计特征数据；
数据添加子模块，用于将所述统计特征数据添加到所述特征数据中。
可选地，所述装置还包括：
权重获取模块，用于在所述将所述特征数据输入断线预测模型之前，在通过特征数据样本，以及对应标记的放肩阶段的样本断线结果训练所述断线预测模型之后，获取训练好的所述断线预测模型中各种特征数据对应的特征权重；
重要特征确定模块，用于确定所述特征权重从高到低排序靠前的第一预设个数的重要特征数据，且所述重要特征数据为可控制的工艺参数对应的特征数据；
所述参数调整模块，包括：
参数调整子模块，用于对所述重要特征数据对应的工艺参数进行调整。
可选地，所述参数调整子模块，包括：
候选值确定单元，用于针对各种所述重要特征数据对应的工艺参数，确定所述工艺参数在对应的取值范围内的多个候选值；
组合生成单元，用于根据多种所述工艺参数的多个候选值，生成多个所述工艺参数的候选值组合；
断线率生成单元，用于根据各个所述候选值组合，采用所述断线预测模型，生成对应的候选预测断线率；
参数调整单元，用于根据所述候选预测断线率最小的第二预设个数的候选值组合，对所述工艺参数进行调整。
可选地，所述数据获取模块，包括：
采集子模块，用于在所述放肩阶段中，每隔所述第一设定时长，对所述控制数据和监测数据进行一次采集；
数据确定子模块，用于将连续预设次数采集到的所述控制数据和监测数据确定为所述特征数据。
可选地，所述装置还包括：
样本获取模块，用于在所述将所述特征数据输入断线预测模型之前，获取特征数据样本，以及对应标记的放肩阶段的样本断线结果；其中，所述特征数据样本包括连续预设次数采集到的控制数据样本和监测数据样本，所述样本断线结果为连续预设次数采集到控制数据样本和监测数据样本中，最后一次采集后间隔第二预设时长的断线结果；
样本输入模块，用于将所述特征数据样本和对应标记的样本断线结果输入断线预测模型；
模型训练模块，用于采用针对所述特征数据样本标记的样本断线结果，训练所述断线预测模型，直至所述断线预测模型的损失值小于设定损失值，得到训练好的所述断线预测模型。
本发明实施例还公开了一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现如上所述的方法步骤。
本发明实施例还公开了一种可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行本发明实施例中一个或多个所述的断线控制方法。
本发明实施例包括以下优点：
依据本发明实施例，通过在本次直拉单晶过程中，获取特征数据，其中，所述特征数据包括控制数据和监测数据，将所述特征数据输入断线预测模型，其中，所述断线预测模型通过特征数据样本，以及对应标记的放肩阶段的样本断线结果训练得到；其中，所述样本断线结果包括断线和未断线，根据所述特征数据，由所述断线预测模型生成所述放肩阶段的预测断线率，在所述预测断线率达到预设阈值的情况下，对工艺参数进行调整，以控制在放肩阶段不发生断线，使得放肩阶段的断线率能够准确的提前预测，并据此及时对工艺参数进行调整，避免了断线判断不准确和不及时的问题，减低断线问题的发生率。
附图说明
图1是本发明的一种断线控制方法实施例的步骤流程图；
图2是本发明的一种断线控制方法实施例的步骤流程图；
图3是本发明的一种断线控制方法实施例的步骤流程图；
图4是本发明的一种断线控制装置实施例的结构框图；
图5是根据一示例性实施例示出的一种用于断线控制的计算设备的结构框图。
具体实施方式
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。
参照图1，示出了本发明的一种断线控制方法实施例的步骤流程图，具体可以包括如下步骤：
步骤101，在本次直拉单晶过程中，获取特征数据，其中，所述特征数据包括控制数据和监测数据。
在本发明实施例中，直拉单晶过程是利用直拉法将原料提炼成单晶的过程，例如，直拉单晶硅的过程。直拉单晶过程可以划分为预调温阶段、调温阶段、引晶阶段、放肩阶段等。
在本发明实施例中，在直拉单晶过程的放肩阶段中，可以获取到多种特征数据。特征数据包括控制数据和监测数据。其中，控制数据是为直拉单晶设备输入的控制参数，监测数据是实际运行时监测到的数据，具体可以包括任意适用的特征数据，本发明实施例对此不做限制。
其中，监测数据可以通过工业传感器监测到。控制数据可以从相关控制设备直接采集到。例如，核心特征可以包括：argonflow(氩气流量)，，crystallength(晶体长度)，cruciblerotation(锅转)，mainheatercurrent(主加热器电流)，meltsurftemp(液面亮度)，meltlevel(液口距)，crystalpos(晶体位置)，seedrotation(晶体转速)，cruciblepos(锅位)，avgslspeed(平均拉速)，diameter(晶体直径)，mainheater(主加热器功率)，remainweight(剩料量)等。
在本发明实施例中，对直接获取到的控制数据样本和监测数据样本进行筛选处理，得到特征数据样本；其中，筛选处理包括以下至少一种：文本类型数据剔除、冗余数据剔除、基于箱图法的异常数据剔除、基于相关性分析的特征筛选。
直接获取的控制数据样本和监测数据样本中有很多无法使用的数据。因此需要对控制数据样本和监测数据样本筛选处理。其中，文本类型数据剔除是指将文本类型的数据剔除。冗余数据剔除是指将重复出现的数据剔除。基于箱图法的异常数据剔除是指基于箱形图观察数据整体的分布情况，利用中位数，25/％分位数，75/％分位数，上边界，下边界等统计量来来描述数据的整体分布情况，通过计算这些统计量，生成一个箱体图，箱体包含了大部分的正常数据，而在箱体上边界和下边界之外的，就是异常数据，将这些异常数据剔除。基于相关性分析的特征筛选是指对各种控制数据样本和监测数据样本之间的相关性进行分析，在控制数据样本和监测数据样本中强相关的多个数据中保留一种数据即可。
在本发明实施例中，在对特征数据进行筛选处理之后，还可以生成统计特征数据，还可以生成对数转换后的特征数据。
在本发明的一种可选实施例中，特征数据包括统计特征数据，所述在本次直拉单晶过程中，获取特征数据，还包括：根据所述放肩阶段之前的特征数据，生成对应的统计特征数据。将所述统计特征数据添加到所述特征数据中。
统计特征数据是指对直接获取的特征数据进行统计得到的特征数据。例如，拉速的最小值、最大值、均值、方差等都是拉速对应的统计特征数据。具体可以根据实际需要设置任意适用的统计特征数据，本发明实施例对此不做限制。
将直接获取到的特征数据，和统计特征数据，都作为输入断线预测模型的特征数据。相对应的，在断线预测模型的训练中，也需要统计特征数据样本。将直接获取的特征数据和统计特征数据，作为输入断线预测模型的特征数据样本。
在本发明的一种可选实施例中，特征数据包括对数转换后的特征数据，获取特征数据的一种实现方式中，还可以包括：对直接获取到的多个所述控制数据和监测数据进行对数转换，得到所述对数转换后的特征数据，将直接获取到的所述控制数据和监测数据，和所述对数转换后的特征数据，作为输入所述断线预测模型的特征数据。
在直拉单晶过程中，有的特征数据是可以直接获取到的控制数据和监测数据。另外，还可以通过对数转换的方式，得到一些无法直接获取到的特征数据。对数转换是对控制数据和监测数据取对数，从而将控制数据和监测数据转换成对数数据的操作。基于对数函数在其定义域内是单调增函数，取对数后不会改变数据的相对关系，对数转换可以对大数值的范围进行压缩，对小数值的范围进行扩展。对数转换可以减轻数据分布倾斜的影响，使得断线预测模型可以更准确的生成预测断线率，提高了模型的准确率。
将直接获取到的所述控制数据和监测数据，和对数转换后的特征数据，都作为输入断线预测模型的特征数据。相对应的，在断线预测模型的训练中，也需要对直接获取到的多个控制数据样本和监测数据样本进行对数转换，得到对数转换后的特征数据样本。将直接获取到的控制数据样本和监测数据样本，和对数转换后的特征数据样本，作为输入断线预测模型的特征数据样本。
在本发明实施例中，在将上述的特征数据输入断线预测模型之前，还可以使用方差分析(Analysis of Variance，ANOVA)再次进行筛选。方差分析是通过分析研究不同来源的变异对总变异的贡献大小，从而确定可控因素对研究结果影响力的大小。具体可以从先计算各个特征数据的方差，然后根据阈值，选择方差大于阈值的特征数据，从而将对结果影响更大的特征数据筛选出来。
步骤102，将所述特征数据输入断线预测模型，其中，所述断线预测模型通过特征数据样本，以及对应标记的放肩阶段的样本断线结果训练得到；其中，所述样本断线结果包括断线和未断线。
在本发明实施例中，断线结果分为断线和未断线。预测放肩阶段的断线率可以采用机器学习的方式，根据放肩阶段中的特征数据和断线结果之间的相关关系，得到一个可以预测断线率的断线预测模型。
为了训练断线预测模型，需要准确样本数据以及对应的标签数据，即在放肩阶段和/或放肩阶段之前获取的特征数据样本，以及对应标记的放肩阶段的样本断线结果。具体可以通过多次实验，获得特征数据样本以及样本断线结果，也可以从历史数据中选取特征数据样本以及样本断线结果。样本断线结果是通过对晶体的断线情况进行观察得到实际结果。
在本发明实施例中，断线预测模型可以采用类别梯度提升(CategoricalGradient Boosting，CATboost)模型、长短期记忆(Long short-term memory，LSTM)模型等，具体可以采用任意适用的模型，本发明实施例对此不做限制。
在本发明实施例中，在预测阶段，断线预测模型的输入为放肩阶段或放肩阶段之前获取的特征数据，每次获取到特征数据后，输入断线预测模型。该模型输出为放肩阶段的断线率的预测值，记为预测断线率。
步骤103，根据所述特征数据，由所述断线预测模型生成所述放肩阶段的预测断线率。
在本发明实施例中，断线预测模型根据输入的特征数据进行预测，生成预测断线率。获得断线预测模型的输出，进而将断线预测模型的输出作为放肩阶段的预测断线率。
步骤104，在所述预测断线率达到预设阈值的情况下，对工艺参数进行调整，以控制在放肩阶段不发生断线。
在本发明实施例中，若预测断线率达到预设阈值，表明放肩阶段有很大可能会发生断线，因此，需要对工艺参数进行调整，以便控制在放肩阶段不发生断线。若预测断线率未达到预设阈值，则表明放肩阶段有很大可能不会发生断线，因此，不需要因此原因对工艺参数进行调整。
其中，工艺参数是给设备设定的与工艺有关的参数，包括功率、平均埚转等，或者其他任意适用的工艺参数，本发明实施例对此不做限制。
依据本发明实施例，通过在本次直拉单晶过程中，获取特征数据，其中，所述特征数据包括控制数据和监测数据，将所述特征数据输入断线预测模型，其中，所述断线预测模型通过特征数据样本，以及对应标记的放肩阶段的样本断线结果训练得到；其中，所述样本断线结果包括断线和未断线，根据所述特征数据，由所述断线预测模型生成所述放肩阶段的预测断线率，在所述预测断线率达到预设阈值的情况下，对工艺参数进行调整，以控制在放肩阶段不发生断线，使得放肩阶段的断线率能够准确的提前预测，并据此及时对工艺参数进行调整，避免了断线判断不准确和不及时的问题，减低断线问题的发生率。
在本发明的一种可选实施例中，在将所述特征数据输入断线预测模型之前，还可以包括：在通过特征数据样本，以及对应标记的放肩阶段的样本断线结果训练所述断线预测模型之后，获取训练好的所述断线预测模型中各种特征数据对应的特征权重。确定所述特征权重从高到低排序靠前的第一预设个数的重要特征数据，且所述重要特征数据为可控制的工艺参数对应的特征数据。在所述预测断线率达到预设阈值的情况下，对工艺参数进行调整，以控制在放肩阶段不发生断线，包括：对所述重要特征数据对应的工艺参数进行调整。
断线预测模型的训练过程，就是根据训练数据，确定各种特征数据对应的特征权重的过程。在断线预测模型训练好后，特征权重确定下来。从训练好的断线预测模型中，获取各种特征数据对应的特征权重。其中，特征权重越大，该种特征数据对断线的影响也越大，特征权重越小，该种特征数据对断线的影响也越小。
由于对于特征权重更大的特征数据对应的工艺参数进行调整，对于断线的影响将更明显，因此，按照特征权重从高到低对特征数据进行排序。并从中选出排序靠前的多个特征数据，记为重要特征数据。具体可以选出第一预设个数的重要特征数据。第一预设个数可以根据实际需要进行设置，本发明实施例对此不做限制。并且重要特征数据为可控制的工艺参数对应的特征数据。
在本发明的一种可选实施例中，对所述重要特征数据对应的工艺参数进行调整的一种具体实现方式中，可以包括：针对各种所述重要特征数据对应的工艺参数，确定所述工艺参数在对应的取值范围内的多个候选值。根据多种所述工艺参数的多个候选值，生成多个所述工艺参数的候选值组合。根据各个所述候选值组合，采用所述断线预测模型，生成对应的候选预测断线率。根据所述候选预测断线率最小的第二预设个数的候选值组合，对所述工艺参数进行调整。
针对各种重要特征数据对应的工艺参数，先获取该工艺参数的取值范围。再在每种工艺参数的取值范围内取多个候选值。确定多个候选值的方式可以包括多种，例如，每隔预设量取一个数值，或者将取多个常用值等，或者其他任意适用的方式，本发明实施例对此不做限制。
根据多种工艺参数的多个候选值，生成多个工艺参数的候选值组合的方式可以包括多种。例如，每个候选值组合中仅有一种工艺参数，每种工艺参数的多个候选值，分别为一个候选值组合。又例如，每个候选值组合可以有多种工艺参数，将多种工艺参数的多个候选值进行组合，每种组合方式都可以得到一个候选值组合。又例如，生成所有工艺参数的所有候选值的所有组合。具体可以采用一种或多种组合方式，本发明实施例对此不做限制。例如，根据多种工艺参数的多个候选值，按照笛卡尔积的方式，生成多种候选值组合。
将各个候选值组合作为特征数据输入到断线预测模型，对于输入断线预测模型的其他特征数据则仍采用原本的值。断线预测模型根据输入的数据，生成预测断线率，记为候选预测断线率。选出候选预测断线率最小的多个候选值组合，具体可以选出第二预设个数的候选值组合。第二预设个数可以根据实际需要设置，本发明实施例对此不做限制。例如，第二预设个数为5。
根据第二预设个数的候选值组合，对工艺参数进行调整的方式可以包括多种。例如，直接采用候选预测断线率最小的候选值组合，将工艺参数调整为该候选值组合的值。又例如，将选出的第二预设个数的候选值组合提供给工作人员，以便工作人员选择最合适的候选值组合，将工艺参数调整为该候选值组合的值。具体可以采用任意适用的方式，本发明实施例对此不做限制。
参照图2，示出了本发明的一种断线控制方法实施例的步骤流程图，具体可以包括如下步骤：
步骤201，在所述本次直拉单晶过程进入放肩阶段时，获取放肩阶段之前的特征数据。
在本发明实施例中，在一种具体实现方式中，断线预测模型是在本次直拉单晶过程进入放肩阶段时启动，对整个放肩阶段的断线结果进行一次预测。因此，特征数据是放肩阶段之前采集的特征数据。具体可以在放肩阶段之前多次采集控制数据和监测数据。例如，基于直拉单晶过程中对断线影响的认识，主要对调温阶段和引晶阶段中的控制数据和监测数据进行多次采集。
在本发明实施例中，由于训练过程和预测过程所采用的特征数据应该一致，因此，特征数据样本也是放肩阶段之前的特征数据样本，其种类和所采集的时间也与预测过程中特征数据的种类和所采集的时间一致。
例如，断线预测模型可以采用Catboost模型。在模型训练过程中，可以对特征数据样本进行划分、其中训练集占总体的80％，测试集占总体的20％。用训练集的数据训练模型，再用测试集的数据对模型进行测试，当测试结果的Accuracy(准确率)指标达到0.95，AUC(Area under curve，曲线下面区域的面积)指标达到0.86，表明断线预测模型对测试集数据有较好的效果，断线预测模型的准确率满足要求。
步骤202，将所述特征数据输入断线预测模型，其中，所述断线预测模型通过特征数据样本，以及对应标记的放肩阶段的样本断线结果训练得到；其中，所述样本断线结果包括断线和未断线。
步骤203，根据所述特征数据，由所述断线预测模型生成所述放肩阶段的预测断线率。
步骤204，在所述预测断线率达到预设阈值的情况下，对工艺参数进行调整，以控制在放肩阶段不发生断线。
依据本发明实施例，通过在所述本次直拉单晶过程进入放肩阶段时，获取放肩阶段之前的特征数据，将所述特征数据输入断线预测模型，其中，所述断线预测模型通过特征数据样本，以及对应标记的放肩阶段的样本断线结果训练得到；其中，所述样本断线结果包括断线和未断线，根据所述特征数据，由所述断线预测模型生成所述放肩阶段的预测断线率，在所述预测断线率达到预设阈值的情况下，对工艺参数进行调整，以控制在放肩阶段不发生断线，使得放肩阶段的断线率能够准确的提前预测，并据此及时对工艺参数进行调整，避免了断线判断不准确和不及时的问题，减低断线问题的发生率。
参照图3，示出了本发明的一种断线控制方法实施例的步骤流程图，具体可以包括如下步骤：
步骤301，在所述放肩阶段中，每隔所述第一设定时长，对所述控制数据和监测数据进行一次采集。
在本发明实施例中，在一种具体实现方式中，断线预测模型是在放肩阶段中每隔第一设定时长，对之后第二设定时长后的断线结果进行一次预测。因此，特征数据是在放肩阶段中，每个第一设定时长对控制数据和监测数据进行一次采集。其中，第一设定时长可以根据实际需要进行设定，本发明实施例对此不做限制。例如，第一设定时长为30秒。第二设定时长可以根据试验结果的准确性进行设定，本发明实施例对此不做限制。例如，第二设定时长为5分钟。
步骤302，将连续预设次数采集到的所述控制数据和监测数据确定为所述特征数据。
在本发明实施例中，每次输入断线预测模型的特征数据是连续多次采集的数据。其中，预设次数可以根据实际需要进行设置，本发明实施例对此不做限制。例如，预设次数设置为5次。
在本发明的一种可选实施例中，在将所述特征数据输入断线预测模型之前，还可以包括：获取特征数据样本，以及对应标记的放肩阶段的样本断线结果；其中，所述特征数据样本包括连续预设次数采集到的控制数据样本和监测数据样本，所述样本断线结果为连续预设次数采集到控制数据样本和监测数据样本中，最后一次采集后间隔第二预设时长的断线结果。将所述特征数据样本和对应标记的样本断线结果输入断线预测模型。采用针对所述特征数据样本标记的样本断线结果，训练所述断线预测模型，直至所述断线预测模型的损失值小于设定损失值，得到训练好的所述断线预测模型。
预测过程是与训练过程对应的。特征数据样本是连续预设次数采集到的控制数据样本和监测数据样本。为了让断线预测模型能够提前预测到断线率。样本断线结果为连续预设次数采集到控制数据样本和监测数据样本中，最后一次采集后间隔第二预设时长的断线结果，以便让断线预测模型能够提前第二预设时长预测到断线率。
对断线预测模型进行训练时，输入为特征数据样本，以及对应标记的样本断线结果。采用标记的样本断线结果，对断线预测模型的神经网络进行训练。也就是说，模型每次输出断线率的预测值后，与实际值(即标记的样本断线结果，断线为1，未断线为0)进行比较，并将比较的结果输入到损失函数中，计算得到损失值。模型的收敛条件可以有：损失值小于设定损失值，或者达到最大迭代次数。例如，设定一个比较小的设定损失值，每一次训练的时候，都同时计算一下损失值的大小，当损失值小于设定损失值，就可以认为模型收敛了，那么就可以结束训练。预先设定一个比较大的最大迭代次数，比如迭代100次，或者10000次，或者1000000次等，需要根据实际情况来选择，本发明实施例对此不做限制。模型完成规定次数的训练之后，就可以认为模型训练完毕。
在模型训练过程中，可以对特征数据样本进行划分、其中训练集占总体的80％，测试集占总体的20％。例如，使用LSTM模型构建一个时序预测模型预测断线率。用训练集的数据训练模型，再用测试集的数据对模型进行测试，当测试结果的Accuracy指标达到0.94，AUC指标达到0.8，表明断线预测模型对测试集数据有较好的效果，断线预测模型的准确率满足要求。
步骤303，将所述特征数据输入断线预测模型，其中，所述断线预测模型通过特征数据样本，以及对应标记的放肩阶段的样本断线结果训练得到；其中，所述样本断线结果包括断线和未断线。
步骤304，根据所述特征数据，由所述断线预测模型生成所述放肩阶段的预测断线率。
步骤305，在所述预测断线率达到预设阈值的情况下，对工艺参数进行调整，以控制在放肩阶段不发生断线。
依据本发明实施例，通过在所述放肩阶段中，每隔所述第一设定时长，对所述控制数据和监测数据进行一次采集，将连续预设次数采集到的所述控制数据和监测数据确定为所述特征数据，将所述特征数据输入断线预测模型，其中，所述断线预测模型通过特征数据样本，以及对应标记的放肩阶段的样本断线结果训练得到；其中，所述样本断线结果包括断线和未断线，根据所述特征数据，由所述断线预测模型生成所述放肩阶段的预测断线率，在所述预测断线率达到预设阈值的情况下，对工艺参数进行调整，以控制在放肩阶段不发生断线，使得放肩阶段的断线率能够准确的提前预测，并据此及时对工艺参数进行调整，避免了断线判断不准确和不及时的问题，减低断线问题的发生率。
需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明实施例并不受所描述的动作顺序的限制，因为依据本发明实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明实施例所必须的。
参照图4，示出了本发明的一种断线控制装置实施例的结构框图，具体可以包括如下模块：
数据获取模块401，用于在本次直拉单晶过程中，获取特征数据，其中，所述特征数据包括控制数据和监测数据；
数据输入模块402，用于将所述特征数据输入断线预测模型，其中，所述断线预测模型通过特征数据样本，以及对应标记的放肩阶段的样本断线结果训练得到；其中，所述样本断线结果包括断线和未断线；
断线率生成模块403，用于根据所述特征数据，由所述断线预测模型生成所述放肩阶段的预测断线率；
参数调整模块404，用于在所述预测断线率达到预设阈值的情况下，对工艺参数进行调整，以控制在放肩阶段不发生断线。
可选地，所述特征数据样本为放肩阶段之前的特征数据样本，所述数据获取模块，具体用于在所述本次直拉单晶过程进入放肩阶段时，获取放肩阶段之前的特征数据。
可选地，所述特征数据包括统计特征数据，所述数据获取模块，还包括：
数据生成子模块，用于根据所述放肩阶段之前的特征数据，生成对应的统计特征数据；
数据添加子模块，用于将所述统计特征数据添加到所述特征数据中。
可选地，所述装置还包括：
权重获取模块，用于在所述将所述特征数据输入断线预测模型之前，在通过特征数据样本，以及对应标记的放肩阶段的样本断线结果训练所述断线预测模型之后，获取训练好的所述断线预测模型中各种特征数据对应的特征权重；
重要特征确定模块，用于确定所述特征权重从高到低排序靠前的第一预设个数的重要特征数据，且所述重要特征数据为可控制的工艺参数对应的特征数据；
所述参数调整模块，包括：
参数调整子模块，用于对所述重要特征数据对应的工艺参数进行调整。
可选地，所述参数调整子模块，包括：
候选值确定单元，用于针对各种所述重要特征数据对应的工艺参数，确定所述工艺参数在对应的取值范围内的多个候选值；
组合生成单元，用于根据多种所述工艺参数的多个候选值，生成多个所述工艺参数的候选值组合；
断线率生成单元，用于根据各个所述候选值组合，采用所述断线预测模型，生成对应的候选预测断线率；
参数调整单元，用于根据所述候选预测断线率最小的第二预设个数的候选值组合，对所述工艺参数进行调整。
可选地，所述数据获取模块，包括：
采集子模块，用于在所述放肩阶段中，每隔所述第一设定时长，对所述控制数据和监测数据进行一次采集；
数据确定子模块，用于将连续预设次数采集到的所述控制数据和监测数据确定为所述特征数据。
可选地，所述装置还包括：
样本获取模块，用于在所述将所述特征数据输入断线预测模型之前，获取特征数据样本，以及对应标记的放肩阶段的样本断线结果；其中，所述特征数据样本包括连续预设次数采集到的控制数据样本和监测数据样本，所述样本断线结果为连续预设次数采集到控制数据样本和监测数据样本中，最后一次采集后间隔第二预设时长的断线结果；
样本输入模块，用于将所述特征数据样本和对应标记的样本断线结果输入断线预测模型；
模型训练模块，用于采用针对所述特征数据样本标记的样本断线结果，训练所述断线预测模型，直至所述断线预测模型的损失值小于设定损失值，得到训练好的所述断线预测模型。
依据本发明实施例，通过在本次直拉单晶过程中，获取特征数据，其中，所述特征数据包括控制数据和监测数据，将所述特征数据输入断线预测模型，其中，所述断线预测模型通过特征数据样本，以及对应标记的放肩阶段的样本断线结果训练得到；其中，所述样本断线结果包括断线和未断线，根据所述特征数据，由所述断线预测模型生成所述放肩阶段的预测断线率，在所述预测断线率达到预设阈值的情况下，对工艺参数进行调整，以控制在放肩阶段不发生断线，使得放肩阶段的断线率能够准确的提前预测，并据此及时对工艺参数进行调整，避免了断线判断不准确和不及时的问题，减低断线问题的发生率。
对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
图5是根据一示例性实施例示出的一种用于转肩启动的电子设备400的结构框图。例如，电子设备400可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。
参照图5，电子设备400可以包括以下一个或多个组件：处理组件402，存储器404，电源组件406，多媒体组件408，音频组件410，输入/输出(I/O)的接口412，传感器组件414，以及通信组件416。
处理组件402通常控制电子设备400的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件402可以包括一个或多个处理器420来执行指令，以完成上述的断线控制方法的全部或部分步骤。此外，处理组件402可以包括一个或多个模块，便于处理组件402和其他组件之间的交互。例如，处理部件402可以包括多媒体模块，以方便多媒体组件408和处理组件402之间的交互。
存储器404被配置为存储各种类型的数据以支持在设备400的操作。这些数据的示例包括用于在电子设备400上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器404可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电力组件404为电子设备400的各种组件提供电力。电力组件404可以包括电源管理系统，一个或多个电源，及其他与为电子设备400生成、管理和分配电力相关联的组件。
多媒体组件408包括在所述电子设备400和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件408包括一个前置摄像头和/或后置摄像头。当电子设备400处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件410被配置为输出和/或输入音频信号。例如，音频组件410包括一个麦克风(MIC)，当电子设备400处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器404或经由通信组件416发送。在一些实施例中，音频组件410还包括一个扬声器，用于输出音频信号。
I/O接口412为处理组件402和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件414包括一个或多个传感器，用于为电子设备400提供各个方面的状态评估。例如，传感器组件414可以检测到设备400的打开/关闭状态，组件的相对定位，例如所述组件为电子设备400的显示器和小键盘，传感器组件414还可以检测电子设备400或电子设备400一个组件的位置改变，用户与电子设备400接触的存在或不存在，电子设备400方位或加速/减速和电子设备400的温度变化。传感器组件414可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件414还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件414还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件416被配置为便于电子设备400和其他设备之间有线或无线方式的通信。电子设备400可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信部件414经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信部件414还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，电子设备400可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述断线控制方法。
在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器404，上述指令可由电子设备400的处理器420执行以完成上述断线控制方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
一种非临时性计算机可读存储介质，当所述存储介质中的指令由终端的处理器执行时，使得终端能够执行一种断线控制方法，所述方法包括：
在本次直拉单晶过程中，获取特征数据，其中，所述特征数据包括控制数据和监测数据；
将所述特征数据输入断线预测模型，其中，所述断线预测模型通过特征数据样本，以及对应标记的放肩阶段的样本断线结果训练得到；其中，所述样本断线结果包括断线和未断线；
根据所述特征数据，由所述断线预测模型生成所述放肩阶段的预测断线率；
在所述预测断线率达到预设阈值的情况下，对工艺参数进行调整，以控制在放肩阶段不发生断线。
可选地，所述特征数据样本为放肩阶段之前的特征数据样本，所述在本次直拉单晶过程中，获取特征数据，包括：
在所述本次直拉单晶过程进入放肩阶段时，获取放肩阶段之前的特征数据。
可选地，所述特征数据包括统计特征数据，所述在本次直拉单晶过程中，获取特征数据，还包括：
根据所述放肩阶段之前的特征数据，生成对应的统计特征数据；
将所述统计特征数据添加到所述特征数据中。
可选地，在所述将所述特征数据输入断线预测模型之前，所述方法还包括：
在通过特征数据样本，以及对应标记的放肩阶段的样本断线结果训练所述断线预测模型之后，获取训练好的所述断线预测模型中各种特征数据对应的特征权重；
确定所述特征权重从高到低排序靠前的第一预设个数的重要特征数据，且所述重要特征数据为可控制的工艺参数对应的特征数据；
所述在所述预测断线率达到预设阈值的情况下，对工艺参数进行调整，以控制在放肩阶段不发生断线，包括：
对所述重要特征数据对应的工艺参数进行调整。
可选地，所述对所述重要特征数据对应的工艺参数进行调整，包括：
针对各种所述重要特征数据对应的工艺参数，确定所述工艺参数在对应的取值范围内的多个候选值；
根据多种所述工艺参数的多个候选值，生成多个所述工艺参数的候选值组合；
根据各个所述候选值组合，采用所述断线预测模型，生成对应的候选预测断线率；
根据所述候选预测断线率最小的第二预设个数的候选值组合，对所述工艺参数进行调整。
可选地，所述在本次直拉单晶过程中，获取特征数据，包括：
在所述放肩阶段中，每隔所述第一设定时长，对所述控制数据和监测数据进行一次采集；
将连续预设次数采集到的所述控制数据和监测数据确定为所述特征数据。
可选地，在所述将所述特征数据输入断线预测模型之前，所述方法还包括：
获取特征数据样本，以及对应标记的放肩阶段的样本断线结果；其中，所述特征数据样本包括连续预设次数采集到的控制数据样本和监测数据样本，所述样本断线结果为连续预设次数采集到控制数据样本和监测数据样本中，最后一次采集后间隔第二预设时长的断线结果；
将所述特征数据样本和对应标记的样本断线结果输入断线预测模型；
采用针对所述特征数据样本标记的样本断线结果，训练所述断线预测模型，直至所述断线预测模型的损失值小于设定损失值，得到训练好的所述断线预测模型。
本说明书中的各个实施例均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的部分互相参见即可。
本领域内的技术人员应明白，本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以预测方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本发明所提供的一种断线控制方法和装置、一种电子设备以及一种可读储存介质，进行了详细介绍，本文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 (10)
1.一种断线控制方法，其特征在于，包括：
在本次直拉单晶过程中，获取特征数据，其中，所述特征数据包括控制数据和监测数据；
将所述特征数据输入断线预测模型，其中，所述断线预测模型通过特征数据样本，以及对应标记的放肩阶段的样本断线结果训练得到；其中，所述样本断线结果包括断线和未断线；
根据所述特征数据，由所述断线预测模型生成所述放肩阶段的预测断线率；
在所述预测断线率达到预设阈值的情况下，对工艺参数进行调整，以控制在放肩阶段不发生断线。
2.根据权利要求1所述的方法，其特征在于，所述特征数据样本为放肩阶段之前的特征数据样本，所述在本次直拉单晶过程中，获取特征数据，包括：
在所述本次直拉单晶过程进入放肩阶段时，获取放肩阶段之前的特征数据。
3.根据权利要求2所述的方法，其特征在于，所述特征数据包括统计特征数据，所述在本次直拉单晶过程中，获取特征数据，还包括：
根据所述放肩阶段之前的特征数据，生成对应的统计特征数据；
将所述统计特征数据添加到所述特征数据中。
4.根据权利要求1所述的方法，其特征在于，在所述将所述特征数据输入断线预测模型之前，所述方法还包括：
在通过特征数据样本，以及对应标记的放肩阶段的样本断线结果训练所述断线预测模型之后，获取训练好的所述断线预测模型中各种特征数据对应的特征权重；
确定所述特征权重从高到低排序靠前的第一预设个数的重要特征数据，且所述重要特征数据为可控制的工艺参数对应的特征数据；
所述在所述预测断线率达到预设阈值的情况下，对工艺参数进行调整，以控制在放肩阶段不发生断线，包括：
对所述重要特征数据对应的工艺参数进行调整。
5.根据权利要求4所述的方法，其特征在于，所述对所述重要特征数据对应的工艺参数进行调整，包括：
针对各种所述重要特征数据对应的工艺参数，确定所述工艺参数在对应的取值范围内的多个候选值；
根据多种所述工艺参数的多个候选值，生成多个所述工艺参数的候选值组合；
根据各个所述候选值组合，采用所述断线预测模型，生成对应的候选预测断线率；
根据所述候选预测断线率最小的第二预设个数的候选值组合，对所述工艺参数进行调整。
6.根据权利要求1所述的方法，其特征在于，所述在本次直拉单晶过程中，获取特征数据，包括：
在所述放肩阶段中，每隔所述第一设定时长，对所述控制数据和监测数据进行一次采集；
将连续预设次数采集到的所述控制数据和监测数据确定为所述特征数据。
7.根据权利要求6所述的方法，其特征在于，在所述将所述特征数据输入断线预测模型之前，所述方法还包括：
获取特征数据样本，以及对应标记的放肩阶段的样本断线结果；其中，所述特征数据样本包括连续预设次数采集到的控制数据样本和监测数据样本，所述样本断线结果为连续预设次数采集到控制数据样本和监测数据样本中，最后一次采集后间隔第二预设时长的断线结果；
将所述特征数据样本和对应标记的样本断线结果输入断线预测模型；
采用针对所述特征数据样本标记的样本断线结果，训练所述断线预测模型，直至所述断线预测模型的损失值小于设定损失值，得到训练好的所述断线预测模型。
8.一种断线控制装置，其特征在于，包括：
数据获取模块，用于在本次直拉单晶过程中，获取特征数据，其中，所述特征数据包括控制数据和监测数据；
数据输入模块，用于将所述特征数据输入断线预测模型，其中，所述断线预测模型通过特征数据样本，以及对应标记的放肩阶段的样本断线结果训练得到；其中，所述样本断线结果包括断线和未断线；
断线率生成模块，用于根据所述特征数据，由所述断线预测模型生成所述放肩阶段的预测断线率；
参数调整模块，用于在所述预测断线率达到预设阈值的情况下，对工艺参数进行调整，以控制在放肩阶段不发生断线。
9.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现权利要求1-7任一所述的方法步骤。
10.一种可读存储介质，其特征在于，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行如方法权利要求1-7中一个或多个所述的断线控制方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210565426.6A CN117166042A (zh) | 2022-05-23 | 2022-05-23 | 断线控制方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210565426.6A CN117166042A (zh) | 2022-05-23 | 2022-05-23 | 断线控制方法、装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117166042A true CN117166042A (zh) | 2023-12-05 |
Family
ID=88943659
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210565426.6A Pending CN117166042A (zh) | 2022-05-23 | 2022-05-23 | 断线控制方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117166042A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117552085A (zh) * | 2024-01-11 | 2024-02-13 | 苏州晨晖智能设备有限公司 | 单晶硅放肩调整方法、装置、电子设备及存储介质 |
-
2022
- 2022-05-23 CN CN202210565426.6A patent/CN117166042A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117552085A (zh) * | 2024-01-11 | 2024-02-13 | 苏州晨晖智能设备有限公司 | 单晶硅放肩调整方法、装置、电子设备及存储介质 |
| CN117552085B (zh) * | 2024-01-11 | 2024-04-02 | 苏州晨晖智能设备有限公司 | 单晶硅放肩调整方法、装置、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110827253A (zh) | 一种目标检测模型的训练方法、装置及电子设备 | |
| EP3855360A1 (en) | Method and device for training image recognition model, and storage medium | |
| CN111160448B (zh) | 一种图像分类模型的训练方法及装置 | |
| CN111210844B (zh) | 语音情感识别模型的确定方法、装置、设备及存储介质 | |
| CN117166042A (zh) | 断线控制方法、装置、电子设备及存储介质 | |
| CN112445832B (zh) | 数据异常检测方法、装置、电子设备及存储介质 | |
| CN114722238B (zh) | 视频推荐方法、装置、电子设备、存储介质及程序产品 | |
| WO2023221576A1 (zh) | 氧含量控制方法、装置、电子设备及存储介质 | |
| CN112712385B (zh) | 广告推荐方法、装置、电子设备及存储介质 | |
| CN111209429B (zh) | 用于度量语音数据库覆盖性的无监督模型训练方法及装置 | |
| CN117144464A (zh) | 转肩启动时机确定方法、装置、电子设备及存储介质 | |
| CN111601377A (zh) | 温度的控制方法、装置及存储介质 | |
| CN117626409A (zh) | 熔接控制方法、装置、电子设备及存储介质 | |
| CN114840761B (zh) | 推送模型的训练方法、装置、设备、存储介质及程序产品 | |
| CN116356417A (zh) | 转肩启动方法、装置、电子设备及存储介质 | |
| CN116024649A (zh) | 拉速控制方法、装置、电子设备及存储介质 | |
| CN116189814A (zh) | 功率设定方法、装置、电子设备及存储介质 | |
| CN116167454A (zh) | 智能化的二分类模型训练方法及装置 | |
| CN116145237A (zh) | 拉速调整方法、装置、电子设备及存储介质 | |
| CN117904704A (zh) | 断线控制方法、装置、电子设备及存储介质 | |
| EP4068202A1 (en) | Method and repair apparatus for repairing flexible panel, device and storage medium | |
| CN117286565A (zh) | 参数设定方法、装置、电子设备及存储介质 | |
| CN116361637A (zh) | 氧含量预测方法、装置、电子设备及存储介质 | |
| CN111898019B (zh) | 信息推送方法及装置 | |
| CN118521524A (zh) | 晶线状态确定方法、装置、电子设备及存储介质 |
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 |