CN117364231B - 基于多参数协同控制的硅棒含氧量调控方法及系统 - Google Patents

基于多参数协同控制的硅棒含氧量调控方法及系统 Download PDF

Info

Publication number
CN117364231B
CN117364231B CN202311678001.7A CN202311678001A CN117364231B CN 117364231 B CN117364231 B CN 117364231B CN 202311678001 A CN202311678001 A CN 202311678001A CN 117364231 B CN117364231 B CN 117364231B
Authority
CN
China
Prior art keywords
oxygen content
silicon rod
furnace
data
model
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.)
Active
Application number
CN202311678001.7A
Other languages
English (en)
Other versions
CN117364231A (zh
Inventor
王全志
陈伟
李林东
毛亮亮
陈志军
丁云飞
高伟杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Suzhou Chenhui Intelligent Equipment Co ltd
Original Assignee
Suzhou Chenhui Intelligent Equipment Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Suzhou Chenhui Intelligent Equipment Co ltd filed Critical Suzhou Chenhui Intelligent Equipment Co ltd
Priority to CN202311678001.7A priority Critical patent/CN117364231B/zh
Publication of CN117364231A publication Critical patent/CN117364231A/zh
Application granted granted Critical
Publication of CN117364231B publication Critical patent/CN117364231B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • C—CHEMISTRY; METALLURGY
    • C30—CRYSTAL GROWTH
    • C30B—SINGLE-CRYSTAL GROWTH; UNIDIRECTIONAL SOLIDIFICATION OF EUTECTIC MATERIAL OR UNIDIRECTIONAL DEMIXING OF EUTECTOID MATERIAL; REFINING BY ZONE-MELTING OF MATERIAL; PRODUCTION OF A HOMOGENEOUS POLYCRYSTALLINE MATERIAL WITH DEFINED STRUCTURE; SINGLE CRYSTALS OR HOMOGENEOUS POLYCRYSTALLINE MATERIAL WITH DEFINED STRUCTURE; AFTER-TREATMENT OF SINGLE CRYSTALS OR A HOMOGENEOUS POLYCRYSTALLINE MATERIAL WITH DEFINED STRUCTURE; APPARATUS THEREFOR
    • C30B15/00—Single-crystal growth by pulling from a melt, e.g. Czochralski method
    • C30B15/20—Controlling or regulating
    • C—CHEMISTRY; METALLURGY
    • C30—CRYSTAL GROWTH
    • C30B—SINGLE-CRYSTAL GROWTH; UNIDIRECTIONAL SOLIDIFICATION OF EUTECTIC MATERIAL OR UNIDIRECTIONAL DEMIXING OF EUTECTOID MATERIAL; REFINING BY ZONE-MELTING OF MATERIAL; PRODUCTION OF A HOMOGENEOUS POLYCRYSTALLINE MATERIAL WITH DEFINED STRUCTURE; SINGLE CRYSTALS OR HOMOGENEOUS POLYCRYSTALLINE MATERIAL WITH DEFINED STRUCTURE; AFTER-TREATMENT OF SINGLE CRYSTALS OR A HOMOGENEOUS POLYCRYSTALLINE MATERIAL WITH DEFINED STRUCTURE; APPARATUS THEREFOR
    • C30B29/00—Single crystals or homogeneous polycrystalline material with defined structure characterised by the material or by their shape
    • C30B29/02—Elements
    • C30B29/06—Silicon
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Mathematical Optimization (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Mathematics (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Mathematical Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Pure & Applied Mathematics (AREA)
  • Organic Chemistry (AREA)
  • Metallurgy (AREA)
  • Materials Engineering (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Crystals, And After-Treatments Of Crystals (AREA)

Abstract

本发明涉及硅棒含氧量控制的技术领域，特别是涉及一种基于多参数协同控制的硅棒含氧量调控方法及系统，其能够有效解决单晶炉使用时间延长和环境变化对硅棒含氧量控制的挑战，提高硅棒的质量和性能；方法包括：获取硅棒生产要求，并对硅棒生产要求进行含氧量数据识别、提取，获得硅棒含氧量规定值；根据预先设定的数据采集时间频率对单晶炉内硅棒拉制环境数据进行持续采集，并将每次采集的环境数据与采集时间戳相关联，获得炉内拉制环境数据集合；炉内拉制环境数据集合包括结晶温度、拉制速度、气氛流速以及炉内气压；按照采集时间戳的先后顺序，将设定数量的炉内拉制环境数据集合进行数据排序、对齐，获得炉内拉制环境特征矩阵。

Description

基于多参数协同控制的硅棒含氧量调控方法及系统
技术领域
本发明涉及硅棒含氧量控制的技术领域，特别是涉及一种基于多参数协同控制的硅棒含氧量调控方法及系统。
背景技术
单晶炉主要使用拉晶法来生产单晶硅；在这个过程中，一根小的单晶硅棒通过液态硅中缓慢拉制的方式来形成单晶硅棒；这个过程需要非常高的温度，通常在硅的熔点以上，而且需要在无氧气氛下进行，以保持硅的纯净度。在拉制过程中需要确保硅棒的含氧量低于特定水平，特别是在半导体和太阳能电池等高科技领域，高含氧量的硅会对材料的电学和光学性质产生负面影响，降低材料的质量和性能。
现有的对硅棒含氧量的控制方法，多是通过根据硅棒的生产要求，在生产之前确定好单晶炉的可调控参数，而在生产过程中也不再对参数进行自适应调整；由于随着单晶炉使用时间的延长，单晶炉存在密封性降低、保温性下降等影响因素，仅仅通过控制生产参数不变已难以满足对硅棒含氧量的要求，因此，亟需一种能够自适应校正硅棒含氧量的调控方法。
发明内容
为解决上述技术问题，本发明提供一种能够有效解决单晶炉使用时间延长和环境变化对硅棒含氧量控制的挑战，提高硅棒的质量和性能的基于多参数协同控制的硅棒含氧量调控方法。
第一方面，本发明提供了基于多参数协同控制的硅棒含氧量调控方法，所述方法包括：
获取硅棒生产要求，并对硅棒生产要求进行含氧量数据识别、提取，获得硅棒含氧量规定值；
根据预先设定的数据采集时间频率对单晶炉内硅棒拉制环境数据进行持续采集，并将每次采集的环境数据与采集时间戳相关联，获得炉内拉制环境数据集合；所述炉内拉制环境数据集合包括结晶温度、拉制速度、气氛流速以及炉内气压；
按照采集时间戳的先后顺序，将设定数量的炉内拉制环境数据集合进行数据排序、对齐，获得炉内拉制环境特征矩阵；
将炉内拉制环境特征矩阵输入至预先构建的硅棒含氧量评测模型中，获得硅棒含氧量评测值；
根据硅棒含氧量评测值与硅棒含氧量规定值，计算得到硅棒含氧量偏差值；
将硅棒含氧量偏差值与预设含氧量误差范围进行比对：
若硅棒含氧量偏差值位于预设含氧量误差范围内，则无动作；
若硅棒含氧量偏差值超出预设含氧量误差范围，则将硅棒含氧量偏差值输入至单晶炉控制参数生成模型中，获得单晶炉调控参数，并根据单晶炉调控参数进行参数调节，驱使硅棒含氧量偏差值位于预设含氧量误差范围内。
进一步地，所述炉内拉制环境特征矩阵为：
其中，表示第n个采集时间节点下的结晶温度；/>表示第n个采集时间节点下的拉制速度；/>表示第n个采集时间节点下的气氛流速；/>表示第n个采集时间节点下的炉内气压。
进一步地，所述炉内拉制环境特征矩阵获取方法包括：
获取炉内拉制环境数据集合，数据包括结晶温度、拉制速度、气氛流速以及炉内气压参数；
将数据按照采集时间戳的先后顺序进行排序；
对数据进行对齐，使每个参数在相同的时间点上都有对应的数值；
将对齐后的数据整理成矩阵形式，获得炉内拉制环境特征矩阵。
进一步地，所述硅棒含氧量评测模型的构建方法包括：
收集历史硅棒生产数据，包括硅棒的含氧量和炉内拉制环境数据；
对数据进行处理，包括数据清洗、去噪、处理缺失值；
从历史硅棒生产数据中提取关键特征，特征包括结晶温度、拉制速度、气氛流速、炉内气压；
选择基础模型结构，包括决策树、支持向量机、神经网络；
将数据集分为训练集和测试集，训练集用于模型的训练，测试集用于评估模型的性能；
使用训练集对选定的模型进行训练；
使用测试集评估模型的性能；
根据评估结果，对模型进行调优和优化，包括调整模型的超参数、增加特征、尝试不同的模型；
在模型通过评估后，将其部署该模型用于实际生产环境中。
进一步地，所述单晶炉控制参数生成模型的构建方法包括：
收集与单晶炉操作和硅棒含氧量历史数据；
对收集到的数据进行清洗和预处理，包括处理缺失数据、异常值和噪声数据；
从原始数据中提取特征；
选择模型架构，包括线性回归、决策树回归、随机森林回归、支持向量回归；
将数据集分为训练集和测试集，训练集用于模型的训练，测试集用于评估模型的性能；
使用训练集对选定的模型进行训练；
使用测试集评估模型的性能；
模型被训练和验证完成后，将模型部署到实际的生产环境中。
进一步地，所述硅棒含氧量偏差值计算公式为：
D=E-S；
其中，D表示硅棒含氧量的偏差值，E表示硅棒含氧量的评测值，S表示硅棒含氧量的规定值。
进一步地，所述预设含氧量误差范围设定影响因素包括产品用途和标准、生产工艺的稳定性、设备性能和维护、生产成本因素和技术可行性。
另一方面，本申请还提供了基于多参数协同控制的硅棒含氧量调控系统，所述系统包括：
需求分析模块，用于获取硅棒生产要求，对硅棒生产要求进行含氧量数据识别、提取，获得硅棒含氧量规定值，并发送；
数据采集模块，根据预先设定的数据采集时间频率对单晶炉内硅棒拉制环境数据进行持续采集，将每次采集的环境数据与采集时间戳相关联，获得炉内拉制环境数据集合，并发送；所述炉内拉制环境数据集合包括结晶温度、拉制速度、气氛流速以及炉内气压；
数据处理模块，用于接收炉内拉制环境数据集合，按照采集时间戳的先后顺序，将设定数量的炉内拉制环境数据集合进行数据排序、对齐，获得炉内拉制环境特征矩阵，并发送；
硅棒含氧量评测模块，用于接收炉内拉制环境特征矩阵，将炉内拉制环境特征矩阵输入至预先构建的硅棒含氧量评测模型中，获得硅棒含氧量评测值，并发送；
含氧量偏差计算模块，用于接收硅棒含氧量评测值和硅棒含氧量规定值，根据硅棒含氧量评测值与硅棒含氧量规定值，计算得到硅棒含氧量偏差值，并发送；
控制参数生成模块，用于接收硅棒含氧量偏差值，将硅棒含氧量偏差值与预设含氧量误差范围进行比对；若硅棒含氧量偏差值位于预设含氧量误差范围内，则无动作；若硅棒含氧量偏差值超出预设含氧量误差范围，则将硅棒含氧量偏差值输入至单晶炉控制参数生成模型中，获得单晶炉调控参数，并发送；
参数调整模块，用于接收单晶炉调控参数，根据单晶炉调控参数进行参数调节，驱使硅棒含氧量偏差值位于预设含氧量误差范围内。
第三方面，本申请提供了一种电子设备，包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述收发器、所述存储器和所述处理器通过所述总线相连，所述计算机程序被所述处理器执行时实现上述任意一项所述方法中的步骤。
第四方面，本申请还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一项所述方法中的步骤。
与现有技术相比本发明的有益效果为：该方法能够自适应地校正硅棒的含氧量，通过实时采集和处理炉内拉制环境数据，并将其输入到硅棒含氧量评测模型中，能够根据实际环境情况评测硅棒的含氧量，在单晶炉使用时间延长、密封性降低或保温性下降等影响因素的情况下，仍能够根据最新的评测结果进行参数调节，实现对硅棒含氧量的自适应控制；
该方法采集的炉内拉制环境数据包括结晶温度、拉制速度、气氛流速以及炉内气压等多个参数，通过将这些参数综合考虑，并构建炉内拉制环境特征矩阵，能够准确地评测硅棒的含氧量，这种多参数协同控制的方法能够提高评测的准确性和稳定性，从而有效地满足对硅棒含氧量的要求；
该方法通过数据采集和处理，实时监测炉内拉制环境数据，并将其与时间戳相关联，能够及时检测到环境参数的变化，并将其作为输入进行评测和调控，实时监测和反馈的特性有助于快速发现问题并采取相应的控制措施，提高硅棒含氧量控制的灵活性和精度；
该方法通过计算硅棒含氧量偏差值，并与预设的含氧量误差范围进行比对，确定是否需要进行参数调节，当偏差值超出误差范围时，根据硅棒含氧量偏差值生成单晶炉的调控参数，驱使硅棒含氧量偏差值恢复到预设范围内，优化生产过程，提高硅棒的品质和性能；
综上所述，基于多参数协同控制的硅棒含氧量调控方法具有自适应性、多参数协同控制、实时监测和反馈以及优化生产过程的优点，它能够有效解决单晶炉使用时间延长和环境变化对硅棒含氧量控制的挑战，提高硅棒的质量和性能。
附图说明
图1是本发明的流程图；
图2是炉内拉制环境特征矩阵获取方法的流程图；
图3是硅棒含氧量评测模型的构建方法的流程图；
图4是单晶炉控制参数生成模型的构建方法的流程图；
图5是基于多参数协同控制的硅棒含氧量调控系统的结构图。
具体实施方式
在本申请的描述中，所属技术领域的技术人员应当知道，本申请可以实现为方法、装置、电子设备及计算机可读存储介质。因此，本申请可以具体实现为以下形式：完全的硬件、完全的软件（包括固件、驻留软件、微代码等）、硬件和软件结合的形式。此外，在一些实施例中，本申请还可以实现为在一个或多个计算机可读存储介质中的计算机程序产品的形式，该计算机可读存储介质中包含计算机程序代码。
上述计算机可读存储介质可以采用一个或多个计算机可读存储介质的任意组合。计算机可读存储介质包括：电、磁、光、电磁、红外或半导体的系统、装置或器件，或者以上任意的组合。计算机可读存储介质更具体的例子包括：便携式计算机磁盘、硬盘、随机存取存储器、只读存储器、可擦除可编程只读存储器、闪存、光纤、光盘只读存储器、光存储器件、磁存储器件或以上任意组合。在本申请中，计算机可读存储介质可以是任意包含或存储程序的有形介质，该程序可以被指令执行系统、装置、器件使用或与其结合使用。
本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律的相关规定。
本申请通过流程图和/或方框图描述所提供的方法、装置、电子设备。
应当理解，流程图和/或方框图的每个方框以及流程图和/或方框图中各方框的组合，都可以由计算机可读程序指令实现。这些计算机可读程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，从而生产出一种机器，这些计算机可读程序指令通过计算机或其他可编程数据处理装置执行，产生了实现流程图和/或方框图中的方框规定的功能/操作的装置。
也可以将这些计算机可读程序指令存储在能使得计算机或其他可编程数据处理装置以特定方式工作的计算机可读存储介质中。这样，存储在计算机可读存储介质中的指令就产生出一个包括实现流程图和/或方框图中的方框规定的功能/操作的指令装置产品。
也可以将计算机可读程序指令加载到计算机、其他可编程数据处理装置或其他设备上，使得在计算机、其他可编程数据处理装置或其他设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机或其他可编程数据处理装置上执行的指令能够提供实现流程图和/或方框图中的方框规定的功能/操作的过程。
下面结合本申请中的附图对本申请进行描述。
实施例一
如图1至图4所示，本发明的基于多参数协同控制的硅棒含氧量调控方法，具体包括以下步骤：
S1、获取硅棒生产要求，并对硅棒生产要求进行含氧量数据识别、提取，获得硅棒含氧量规定值；
步骤S1是获取硅棒生产要求，并对硅棒生产要求进行含氧量数据识别和提取，以获得硅棒含氧量规定值；
在实际生产中，硅棒含氧量的要求是根据技术和应用需求确定的；该要求以参数化的形式给出，这些要求可以在生产前进行规定，并作为目标来进行硅棒的含氧量控制；以下是S1步骤的详细解释：
S11、获取硅棒生产要求，包括硅棒的规格、用途以及对含氧量的要求；
S12、识别和提取与硅棒含氧量相关的数据，对生产要求文档、技术规范和相关记录的分析解读，通过正确的识别和提取，得到硅棒含氧量的要求；
S13、通过对获取的数据进行分析和整理，确定硅棒的含氧量规定值；规定值的确定综合考虑技术可行性、产品规格要求和质量控制要求。
在本步骤中，通过获取硅棒生产要求，并对其进行含氧量数据识别和提取，能够确保硅棒的含氧量符合技术和应用需求，满足产品的性能要求，并提高产品的可靠性和稳定性；
通过对生产要求文档、技术规范和相关记录进行分析解读，并进行正确的数据识别和提取，确保硅棒含氧量规定值的准确性和可追溯性，进而确保质量控制的一致性，并允许对生产过程进行追溯和调整；
硅棒含氧量规定值以参数化的形式给出，这使其更易于在生产前规定，并作为目标来进行硅棒的含氧量控制；在确定硅棒的含氧量规定值时，综合考虑技术可行性、产品规格要求和质量控制要求，使得规定值更具可操作性和实际可行性，同时保证了产品的质量和性能；
综上所述，S1步骤的优点包括确保符合技术和应用需求、准确性和可追溯性、参数化的规定以及综合考虑技术和质量要求，保证了产品的质量和性能。
S2、根据预先设定的数据采集时间频率对单晶炉内硅棒拉制环境数据进行持续采集，并将每次采集的环境数据与采集时间戳相关联，获得炉内拉制环境数据集合；所述炉内拉制环境数据集合包括结晶温度、拉制速度、气氛流速以及炉内气压；
S2步骤是根据预先设定的数据采集时间频率对单晶炉内的硅棒拉制环境数据进行持续采集，并将每次采集的环境数据与采集时间戳相关联，以获得炉内拉制环境数据集合；以下是对S2步骤的详细介绍：
S21、预先设定数据采集时间频率，确定在一定时间间隔内采集一次单晶炉内的硅棒拉制环境数据，采集时间频率的选择应兼顾数据的实时性和采集成本；
S22、根据设定的时间频率，在单晶炉内持续采集硅棒拉制过程中的环境数据，这些环境数据包括结晶温度、拉制速度、气氛流速以及炉内气压，采集的过程确保准确性和可靠性；
S23、每次采集的环境数据需要与采集时间戳相关联，确保数据的时间顺序，获得炉内拉制环境数据集合；
在本步骤中，通过根据预先设定的数据采集时间频率进行持续采集，能够获取到实时的硅棒拉制环境数据，实时性和连续性能够更好地反映拉制过程中的环境变化和趋势，提供准确的数据基础；
通过持续采集环境数据，并将每次采集的数据与时间戳相关联，使得数据能够按照时间顺序进行排序和分析，避免了数据的混淆和错乱，提高了数据分析的可靠性；
炉内拉制环境数据集合包括结晶温度、拉制速度、气氛流速以及炉内气压等多个关键参数，通过持续采集和关联时间戳，能够获取到这些环境参数的连续变化情况，有助于全面了解和分析拉制过程中各个环境因素的影响；
综上所述，S2步骤为后续的含氧量调控方法提供了可靠的数据支持，有助于提高硅棒生产的质量和性能。
S3、按照采集时间戳的先后顺序，将设定数量的炉内拉制环境数据集合进行数据排序、对齐，获得炉内拉制环境特征矩阵；在所述炉内拉制环境特征矩阵中，同一炉内拉制环境数据集合内的不同参数位于同一行，不同炉内拉制环境数据集合内的相同参数位于同一列；
所述炉内拉制环境特征矩阵获取方法包括：
S31、获取炉内拉制环境数据集合，数据包括结晶温度、拉制速度、气氛流速以及炉内气压参数；
S32、由于数据是在不同时间点采集的，因此需要将这些数据按照采集时间戳的先后顺序进行排序，确保数据的时间序列是按照实际发生的顺序排列的；
S33、对数据进行对齐，使每个参数在相同的时间点上都有对应的数值，确保在相同的时间点上有完整的炉内拉制环境数据；
S34、将对齐后的数据整理成矩阵形式，在这个矩阵中，同一炉内拉制环境数据集合内的不同参数位于同一行，不同炉内拉制环境数据集合内的相同参数位于同一列；
所述炉内拉制环境特征矩阵为：
其中，表示第n个采集时间节点下的结晶温度；/>表示第n个采集时间节点下的拉制速度；/>表示第n个采集时间节点下的气氛流速；/>表示第n个采集时间节点下的炉内气压。
在本步骤中，通过按照采集时间戳的先后顺序进行排序，确保了数据的时序准确性；对数据进行对齐，使每个参数在相同的时间点上都有对应的数值，构建具有一致时间戳的炉内拉制环境数据集合，提高评估模型的准确性；
整理数据成矩阵形式，使得同一炉内拉制环境数据集合内的不同参数位于同一行，不同炉内拉制环境数据集合内的相同参数位于同一列，对数据进行直观的分析和理解，使得后续的评估模型能够更有效地从中提取特征；通过将相同参数放置在同一列，具体到矩阵的形式，有序结构使得数据更易于管理和分析，有助于后续的数据处理和建模；
综上所述，本步骤能够为后续的硅棒含氧量评估提供准确、有序的输入数据，从而提高了整个控制系统的效能；
S4、将炉内拉制环境特征矩阵输入至预先构建的硅棒含氧量评测模型中，获得硅棒含氧量评测值；所述硅棒含氧量评测模型的输入为炉内拉制环境特征矩阵，所述硅棒含氧量评测模型的输出为硅棒含氧量评测值；
所述硅棒含氧量评测模型的构建方法包括：
S41、收集历史硅棒生产数据，包括硅棒的含氧量和与之相关的炉内拉制环境数据；
S42、对数据进行处理，包括数据清洗、去噪、处理缺失值，确保数据的质量；
S43、从历史硅棒生产数据中提取关键特征，特征包括结晶温度、拉制速度、气氛流速、炉内气压；
S44、选择基础模型结构，包括决策树、支持向量机、神经网络；
S45、将数据集分为训练集和测试集，训练集用于模型的训练，测试集用于评估模型的性能；
S46、使用训练集对选定的模型进行训练，训练的目标是通过调整模型参数使其能够准确地预测硅棒的含氧量；
S47、使用测试集评估模型的性能，评估结果反映了模型对新数据的泛化能力；
S48、根据评估结果，对模型进行调优和优化，包括调整模型的超参数、增加特征、尝试不同的模型；
S49、在模型通过评估后，将其部署该模型用于实际生产环境中的含氧量控制。
在本步骤中，通过收集历史硅棒生产数据，充分利用了大量的实际生产数据，使得模型更能反映真实生产环境的复杂性；选择了基础模型结构，包括决策树、支持向量机、神经网络等，这种多模型选择的方法有助于找到适用于问题的最佳模型结构，提高了模型的适应性；
采用训练集和测试集的分割方法，有助于评估模型在新数据上的泛化能力，防止过拟合，通过评估模型的性能，能够及时发现并解决模型可能存在的问题；通过根据评估结果对模型进行调优和优化，包括调整模型的超参数、增加特征、尝试不同的模型等，有助于提高模型的预测性能；
一旦模型通过评估，就可以部署到实际生产环境中，实现对硅棒含氧量的实时控制，这使得生产过程更加自动化和精准化；
综上所述，本步骤通过全面的数据处理、特征工程、模型选择、训练、评估和优化步骤，建立了一个在实际生产环境中应用的硅棒含氧量评测模型，具备较好的泛化能力和实用性。
S5、根据硅棒含氧量评测值与硅棒含氧量规定值，计算得到硅棒含氧量偏差值；
在步骤S5中，硅棒含氧量偏差值反映了实际含氧量与规定值之间的差异，硅棒含氧量偏差值的计算方法通常会考虑到实际应用中的准确性和可操作性，用数学公式表示：
D=E-S；
其中，D表示硅棒含氧量的偏差值，E表示硅棒含氧量的评测值，S表示硅棒含氧量的规定值；
公式中的偏差值表示实际含氧量与规定值之间的差异，而不考虑方向，因为在控制应用中，通常更关心含氧量的绝对差异而不是其方向，如果实际含氧量小于规定值，差异仍然为正数；
硅棒含氧量的计算也会考虑硅棒拉制过程中的动态变化，考虑到炉内拉制环境数据的时序性，更准确地反映实际生产过程中的含氧量变化。
通过计算含氧量偏差值，能够直观地反映出实际硅棒的含氧量与规定值之间的差异，便于及时识别潜在的质量问题或生产异常，使生产过程更加可控；使用简单的数学公式D=E-S进行计算，使得计算方法直观、易于理解和实施，这对于生产现场的操作人员和质量控制人员来说，提高了计算的可操作性；采用绝对值表示含氧量的偏差，不考虑方向，更符合实际生产中对含氧量绝对差异的关注，而不必过分关注偏差的正负方向；
由于计算方法不涉及具体的工艺参数或细节，因此具有较强的通用性，适用于不同硅棒生产工艺和环境条件；考虑到硅棒拉制过程中的动态变化，通过时序性的炉内拉制环境数据，更准确地反映实际生产过程中的含氧量变化，有助于及时发现和纠正生产中的波动或异常情况；通过时序性数据的考虑，该方法具有更好的实时性，能够实时监测含氧量的变化，并在必要时触发相应的生产过程调整，以保持硅棒的含氧量在规定范围内；
综上所述，S5步骤的含氧量偏差值计算方法通过简单而有效的方式，考虑了实际生产中的动态变化，提供了一种直观、通用且实时的手段，有助于保障硅棒生产的质量和稳定性。
S6、将硅棒含氧量偏差值与预设含氧量误差范围进行比对：
若硅棒含氧量偏差值位于预设含氧量误差范围内，则无动作；
若硅棒含氧量偏差值超出预设含氧量误差范围，则将硅棒含氧量偏差值输入至单晶炉控制参数生成模型中，获得单晶炉调控参数，并根据单晶炉调控参数进行参数调节，驱使硅棒含氧量偏差值位于预设含氧量误差范围内。
所述单晶炉控制参数生成模型的构建方法包括：
S61、收集与单晶炉操作和硅棒含氧量相关的历史数据；
S62、对收集到的数据进行清洗和预处理，包括处理缺失数据、异常值和噪声数据；
S63、从原始数据中提取特征，以供模型使用；
S64、选择模型架构，包括线性回归、决策树回归、随机森林回归、支持向量回归；
S65、将数据集分为训练集和测试集，训练集用于模型的训练，测试集用于评估模型的性能；
S66、使用训练集对选定的模型进行训练，训练的目标是通过调整模型参数使其能够生成单晶炉控制参数；
S67、使用测试集评估模型的性能，评估结果反映了模型对新数据的泛化能力；
S68、一旦模型被训练和验证，它可以部署到实际的生产环境中；
所述预设含氧量误差范围设定影响因素包括：
A、考虑产品用途和标准，不同的应用领域对硅棒的含氧量要求不同；
B、考虑生产工艺的稳定性，若生产过程本身具有较高的稳定性，可以接受较小的含氧量误差范围，反之，如果生产过程容易受到环境、设备老化等因素的影响，则需要设定较大的误差范围以适应这些变化；
C、考虑设备性能和维护，单晶炉的密封性、保温性等性能随着时间的推移会发生变化，设定合理的含氧量误差范围需要考虑到设备的实际性能和维护状况；
D、考虑生产成本因素，更为严格的含氧量控制通常会涉及更高的成本，包括设备维护、监测设备投资、人力成本，在设定误差范围时，需要综合考虑生产成本与产品质量之间的平衡；
E、考虑技术可行性，如果现有技术无法满足较小的误差范围，则需要进行技术升级或改进。
在本步骤中，通过比对硅棒含氧量偏差值与预设含氧量误差范围，系统能够实时监测生产过程中硅棒含氧量的偏差情况，一旦偏差超出设定范围，系统会自动采取行动，将偏差值输入到单晶炉控制参数生成模型中，生成新的单晶炉调控参数，从而实现对硅棒含氧量的实时调节；
通过构建单晶炉控制参数生成模型，系统实现了对控制参数的自动生成和调整，降低了人工干预的需求，提高了生产线的自动化水平，减少了人为误差的可能性；构建单晶炉控制参数生成模型的方法采用了数据驱动的方式，通过使用历史数据，清洗、预处理、提取特征，并选择合适的模型架构，系统能够更好地适应实际生产环境的复杂性和变化性；通过将数据集分为训练集和测试集，并评估模型的性能，确保模型具有良好的泛化能力，使得模型在面对新数据时能够做出准确的预测和调整，提高了系统的稳健性；
在预设含氧量误差范围的设定中，综合考虑了产品用途和标准、生产工艺的稳定性、设备性能和维护、生产成本因素以及技术可行性等多个方面的因素，有助于制定合理和可行的预设范围，平衡了质量要求和生产成本；
综上所述，该步骤通过结合实时监测、数据分析和自动化调控，提高了硅棒生产过程的效率和质量控制水平。
实施例二
如图5所示，本发明的基于多参数协同控制的硅棒含氧量调控系统，具体包括以下模块；
需求分析模块，用于获取硅棒生产要求，对硅棒生产要求进行含氧量数据识别、提取，获得硅棒含氧量规定值，并发送；
数据采集模块，根据预先设定的数据采集时间频率对单晶炉内硅棒拉制环境数据进行持续采集，将每次采集的环境数据与采集时间戳相关联，获得炉内拉制环境数据集合，并发送；所述炉内拉制环境数据集合包括结晶温度、拉制速度、气氛流速以及炉内气压；
数据处理模块，用于接收炉内拉制环境数据集合，按照采集时间戳的先后顺序，将设定数量的炉内拉制环境数据集合进行数据排序、对齐，获得炉内拉制环境特征矩阵，并发送；
硅棒含氧量评测模块，用于接收炉内拉制环境特征矩阵，将炉内拉制环境特征矩阵输入至预先构建的硅棒含氧量评测模型中，获得硅棒含氧量评测值，并发送；
含氧量偏差计算模块，用于接收硅棒含氧量评测值和硅棒含氧量规定值，根据硅棒含氧量评测值与硅棒含氧量规定值，计算得到硅棒含氧量偏差值，并发送；
控制参数生成模块，用于接收硅棒含氧量偏差值，将硅棒含氧量偏差值与预设含氧量误差范围进行比对；若硅棒含氧量偏差值位于预设含氧量误差范围内，则无动作；若硅棒含氧量偏差值超出预设含氧量误差范围，则将硅棒含氧量偏差值输入至单晶炉控制参数生成模型中，获得单晶炉调控参数，并发送；
参数调整模块，用于接收单晶炉调控参数，根据单晶炉调控参数进行参数调节，驱使硅棒含氧量偏差值位于预设含氧量误差范围内。
该系统能够自适应地校正硅棒的含氧量，通过实时采集和处理炉内拉制环境数据以及评测硅棒含氧量，实现对阶段性变化和使用时间延长造成的影响的动态调控，即使单晶炉的密封性降低或保温性下降，系统仍能够根据实际情况进行参数调节，提高硅棒的含氧量控制精度；
数据采集模块和硅棒含氧量评测模块实时采集和处理数据，并根据评测结果计算出含氧量偏差值，使得系统能够及时检测到含氧量偏差，为后续的参数调整提供准确的基础；
系统采集的炉内拉制环境数据包括结晶温度、拉制速度、气氛流速以及炉内气压等多个参数，通过将这些参数综合考虑并输入到硅棒含氧量评测模型中，实现了多参数的协同控制，能够准确地评测硅棒含氧量，并根据偏差值进行相应的参数调整，提高整个系统的控制效果和稳定性；
系统能够根据硅棒含氧量规定值和评测值计算含氧量偏差值，并根据预设的误差范围进行判断和决策，当偏差值超出误差范围时，系统通过生成新的单晶炉调控参数来调整炉内操作，使硅棒含氧量恢复到预设范围内，有效控制生产过程，提高硅棒的品质和性能；
综上所述，该系统通过自适应校正，实时监测和反馈以及优化生产过程等手段，能够有效解决单晶炉使用时间延长和环境变化对硅棒含氧量控制的挑战，提高硅棒的质量和性能。
前述实施例一中的基于多参数协同控制的硅棒含氧量调控方法的各种变化方式和具体实施例同样适用于本实施例的基于多参数协同控制的硅棒含氧量调控系统,通过前述对基于多参数协同控制的硅棒含氧量调控方法的详细描述,本领域技术人员可以清楚的知道本实施例中基于多参数协同控制的硅棒含氧量调控系统的实施方法,所以为了说明书的简洁,在此不再详述。
此外,本申请还提供了一种电子设备,包括总线、收发器、存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,该收发器、该存储器和处理器分别通过总线相连，计算机程序被处理器执行时实现上述控制输出数据的方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。

Claims (6)

1.一种基于多参数协同控制的硅棒含氧量调控方法，其特征在于，所述方法包括：
获取硅棒生产要求，并对硅棒生产要求进行含氧量数据识别、提取，获得硅棒含氧量规定值；
根据预先设定的数据采集时间频率对单晶炉内硅棒拉制环境数据进行持续采集，并将每次采集的环境数据与采集时间戳相关联，获得炉内拉制环境数据集合；所述炉内拉制环境数据集合包括结晶温度、拉制速度、气氛流速以及炉内气压；
按照采集时间戳的先后顺序，将设定数量的炉内拉制环境数据集合进行数据排序、对齐，获得炉内拉制环境特征矩阵；
将炉内拉制环境特征矩阵输入至预先构建的硅棒含氧量评测模型中，获得硅棒含氧量评测值；
根据硅棒含氧量评测值与硅棒含氧量规定值，计算得到硅棒含氧量偏差值；
将硅棒含氧量偏差值与预设含氧量误差范围进行比对：
若硅棒含氧量偏差值位于预设含氧量误差范围内，则无动作；
若硅棒含氧量偏差值超出预设含氧量误差范围，则将硅棒含氧量偏差值输入至单晶炉控制参数生成模型中，获得单晶炉调控参数，并根据单晶炉调控参数进行参数调节，驱使硅棒含氧量偏差值位于预设含氧量误差范围内；
所述炉内拉制环境特征矩阵为：
;
其中，表示第n个采集时间节点下的结晶温度；/>表示第n个采集时间节点下的拉制速度；/>表示第n个采集时间节点下的气氛流速；/>表示第n个采集时间节点下的炉内气压；
所述炉内拉制环境特征矩阵获取方法包括：
获取炉内拉制环境数据集合，数据包括结晶温度、拉制速度、气氛流速以及炉内气压参数；
将数据按照采集时间戳的先后顺序进行排序；
对数据进行对齐，使每个参数在相同的时间点上都有对应的数值；
将对齐后的数据整理成矩阵形式，获得炉内拉制环境特征矩阵；
所述硅棒含氧量评测模型的构建方法包括：
收集历史硅棒生产数据，包括硅棒的含氧量和炉内拉制环境数据；
对数据进行处理，包括数据清洗、去噪、处理缺失值；
从历史硅棒生产数据中提取关键特征，特征包括结晶温度、拉制速度、气氛流速、炉内气压；
选择基础模型结构，包括决策树、支持向量机、神经网络；
将数据集分为训练集和测试集，训练集用于模型的训练，测试集用于评估模型的性能；
使用训练集对选定的模型进行训练；
使用测试集评估模型的性能；
根据评估结果，对模型进行调优和优化，包括调整模型的超参数、增加特征、尝试不同的模型；
在模型通过评估后，将其部署该模型用于实际生产环境中；
所述单晶炉控制参数生成模型的构建方法包括：
收集与单晶炉操作和硅棒含氧量历史数据；
对收集到的数据进行清洗和预处理，包括处理缺失数据、异常值和噪声数据；
从原始数据中提取特征；
选择模型架构，包括线性回归、决策树回归、随机森林回归、支持向量回归；
将数据集分为训练集和测试集，训练集用于模型的训练，测试集用于评估模型的性能；
使用训练集对选定的模型进行训练；
使用测试集评估模型的性能；
模型被训练和验证完成后，将模型部署到实际的生产环境中。
2.如权利要求1所述的基于多参数协同控制的硅棒含氧量调控方法，其特征在于，所述硅棒含氧量偏差值计算公式为：
D=E-S；
其中，D表示硅棒含氧量的偏差值，E表示硅棒含氧量的评测值，S表示硅棒含氧量的规定值。
3.如权利要求1所述的基于多参数协同控制的硅棒含氧量调控方法，其特征在于，所述预设含氧量误差范围设定影响因素包括产品用途和标准、生产工艺的稳定性、设备性能和维护、生产成本因素和技术可行性。
4.一种基于多参数协同控制的硅棒含氧量调控系统，其特征在于，所述系统包括：
需求分析模块，用于获取硅棒生产要求，对硅棒生产要求进行含氧量数据识别、提取，获得硅棒含氧量规定值，并发送；
数据采集模块，根据预先设定的数据采集时间频率对单晶炉内硅棒拉制环境数据进行持续采集，将每次采集的环境数据与采集时间戳相关联，获得炉内拉制环境数据集合，并发送；所述炉内拉制环境数据集合包括结晶温度、拉制速度、气氛流速以及炉内气压；
数据处理模块，用于接收炉内拉制环境数据集合，按照采集时间戳的先后顺序，将设定数量的炉内拉制环境数据集合进行数据排序、对齐，获得炉内拉制环境特征矩阵，并发送；
硅棒含氧量评测模块，用于接收炉内拉制环境特征矩阵，将炉内拉制环境特征矩阵输入至预先构建的硅棒含氧量评测模型中，获得硅棒含氧量评测值，并发送；
含氧量偏差计算模块，用于接收硅棒含氧量评测值和硅棒含氧量规定值，根据硅棒含氧量评测值与硅棒含氧量规定值，计算得到硅棒含氧量偏差值，并发送；
控制参数生成模块，用于接收硅棒含氧量偏差值，将硅棒含氧量偏差值与预设含氧量误差范围进行比对；若硅棒含氧量偏差值位于预设含氧量误差范围内，则无动作；若硅棒含氧量偏差值超出预设含氧量误差范围，则将硅棒含氧量偏差值输入至单晶炉控制参数生成模型中，获得单晶炉调控参数，并发送；
参数调整模块，用于接收单晶炉调控参数，根据单晶炉调控参数进行参数调节，驱使硅棒含氧量偏差值位于预设含氧量误差范围内；
所述炉内拉制环境特征矩阵为：
;
其中，表示第n个采集时间节点下的结晶温度；/>表示第n个采集时间节点下的拉制速度；/>表示第n个采集时间节点下的气氛流速；/>表示第n个采集时间节点下的炉内气压；
所述炉内拉制环境特征矩阵获取方法包括：
获取炉内拉制环境数据集合，数据包括结晶温度、拉制速度、气氛流速以及炉内气压参数；
将数据按照采集时间戳的先后顺序进行排序；
对数据进行对齐，使每个参数在相同的时间点上都有对应的数值；
将对齐后的数据整理成矩阵形式，获得炉内拉制环境特征矩阵；
所述硅棒含氧量评测模型的构建方法包括：
收集历史硅棒生产数据，包括硅棒的含氧量和炉内拉制环境数据；
对数据进行处理，包括数据清洗、去噪、处理缺失值；
从历史硅棒生产数据中提取关键特征，特征包括结晶温度、拉制速度、气氛流速、炉内气压；
选择基础模型结构，包括决策树、支持向量机、神经网络；
将数据集分为训练集和测试集，训练集用于模型的训练，测试集用于评估模型的性能；
使用训练集对选定的模型进行训练；
使用测试集评估模型的性能；
根据评估结果，对模型进行调优和优化，包括调整模型的超参数、增加特征、尝试不同的模型；
在模型通过评估后，将其部署该模型用于实际生产环境中；
所述单晶炉控制参数生成模型的构建方法包括：
收集与单晶炉操作和硅棒含氧量历史数据；
对收集到的数据进行清洗和预处理，包括处理缺失数据、异常值和噪声数据；
从原始数据中提取特征；
选择模型架构，包括线性回归、决策树回归、随机森林回归、支持向量回归；
将数据集分为训练集和测试集，训练集用于模型的训练，测试集用于评估模型的性能；
使用训练集对选定的模型进行训练；
使用测试集评估模型的性能；
模型被训练和验证完成后，将模型部署到实际的生产环境中。
5.一种基于多参数协同控制的硅棒含氧量调控电子设备，包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述收发器、所述存储器和所述处理器通过所述总线相连，其特征在于，所述计算机程序被所述处理器执行时实现如权利要求1-3中任一项所述方法中的步骤。
6.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-3中任一项所述方法中的步骤。
CN202311678001.7A 2023-12-08 2023-12-08 基于多参数协同控制的硅棒含氧量调控方法及系统 Active CN117364231B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311678001.7A CN117364231B (zh) 2023-12-08 2023-12-08 基于多参数协同控制的硅棒含氧量调控方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311678001.7A CN117364231B (zh) 2023-12-08 2023-12-08 基于多参数协同控制的硅棒含氧量调控方法及系统

Publications (2)

Publication Number Publication Date
CN117364231A CN117364231A (zh) 2024-01-09
CN117364231B true CN117364231B (zh) 2024-04-12

Family

ID=89389661

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311678001.7A Active CN117364231B (zh) 2023-12-08 2023-12-08 基于多参数协同控制的硅棒含氧量调控方法及系统

Country Status (1)

Country Link
CN (1) CN117364231B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111893563A (zh) * 2020-08-25 2020-11-06 连城凯克斯科技有限公司 可自动调节放肩工艺参数的单晶炉及控制方法
CN116180213A (zh) * 2023-04-27 2023-05-30 苏州晨晖智能设备有限公司 一种单晶炉硅棒拉制用降氧装置
CN116522804A (zh) * 2023-06-30 2023-08-01 苏州晨晖智能设备有限公司 一种单晶炉底部加热器使用寿命的预测方法及系统
CN116843949A (zh) * 2023-06-01 2023-10-03 浙江晶盛机电股份有限公司 一种单晶硅生长变形检测方法、装置、设备及存储介质
WO2023221576A1 (zh) * 2022-05-20 2023-11-23 隆基绿能科技股份有限公司 氧含量控制方法、装置、电子设备及存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111893563A (zh) * 2020-08-25 2020-11-06 连城凯克斯科技有限公司 可自动调节放肩工艺参数的单晶炉及控制方法
WO2023221576A1 (zh) * 2022-05-20 2023-11-23 隆基绿能科技股份有限公司 氧含量控制方法、装置、电子设备及存储介质
CN117127252A (zh) * 2022-05-20 2023-11-28 隆基绿能科技股份有限公司 氧含量控制方法、装置、电子设备及存储介质
CN116180213A (zh) * 2023-04-27 2023-05-30 苏州晨晖智能设备有限公司 一种单晶炉硅棒拉制用降氧装置
CN116843949A (zh) * 2023-06-01 2023-10-03 浙江晶盛机电股份有限公司 一种单晶硅生长变形检测方法、装置、设备及存储介质
CN116522804A (zh) * 2023-06-30 2023-08-01 苏州晨晖智能设备有限公司 一种单晶炉底部加热器使用寿命的预测方法及系统

Also Published As

Publication number Publication date
CN117364231A (zh) 2024-01-09

Similar Documents

Publication Publication Date Title
JP6163526B2 (ja) バッチプロセスのオンラインプロセスランの分析を実行する方法
JP5111719B2 (ja) 時系列なリアルタイムのデータおよび非リアルタイムのデータを収集し検索する方法およびシステム
EP3361330B1 (en) Event analyzing device, event analyzing system, event analyzing method, event analyzing program, and non-transitory computer readable storage medium
US9646111B2 (en) Process monitoring system and method
CN109933019B (zh) 工业控制系统及其支持装置、控制支持方法和存储介质
CN107831736B (zh) 使用用于造纸机或其它系统的模型参数数据群集的模型-工厂失配检测
CN113128764A (zh) 烘丝机出口含水率预测模型的生成及基于其的调控方法
CN109827004A (zh) 对调节阀特性分析的方法及装置
CN117008557B (zh) 共混型互穿网络热塑性弹性体的生产控制方法及系统
CN110705042A (zh) 基于t-s模糊模型的汽轮机阀门流量特性辨识方法、系统及介质
CN115439003A (zh) 基于智慧燃气物联网的燃气表更换提示方法和系统
CN111340269B (zh) 用于流程工业过程的实时优化方法
CN117364231B (zh) 基于多参数协同控制的硅棒含氧量调控方法及系统
CN114861522A (zh) 一种基于人工智能元学习技术的精密制造质量监测方法和装置
CN117346129A (zh) 锅炉高温过热器外包低温受热面的温度调控系统
JP7413742B2 (ja) 予測システム、情報処理装置および情報処理プログラム
CN114580712A (zh) 一种冶金副产煤气产耗量的在线预测方法及系统
CN114065460A (zh) 火电发电系统中模型处理方法、存储介质和电子装置
US20060277094A1 (en) Data processing system and method for regulating an installation
CN108733859B (zh) 蒸汽发生器热处理过程中支撑板形变预警方法
CN112132428A (zh) 基于大数据的蒸汽热网配汽站预测性调控决策方法
WO2022176375A1 (ja) 予測システム、情報処理装置および情報処理プログラム
CN117272844B (zh) 配电盘工作寿命的预测方法及系统
CN117554218B (zh) 直馏沥青浇筑式钢桥面复合梁试件疲劳试验装置及方法
CN117389220A (zh) 一种生物质燃料的生产质量控制方法及系统

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