CN117512767A - 基于大数据的熔接自决策方法、系统、设备和存储介质 - Google Patents

基于大数据的熔接自决策方法、系统、设备和存储介质 Download PDF

Info

Publication number
CN117512767A
CN117512767A CN202210906932.7A CN202210906932A CN117512767A CN 117512767 A CN117512767 A CN 117512767A CN 202210906932 A CN202210906932 A CN 202210906932A CN 117512767 A CN117512767 A CN 117512767A
Authority
CN
China
Prior art keywords
welding
different
data
furnace
series
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
Application number
CN202210906932.7A
Other languages
English (en)
Inventor
李越峰
柴国良
董恩慧
闫铭
沈瑞川
李雪峰
张世超
高润飞
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.)
Inner Mongolia Zhonghuan Crystal Materials Co Ltd
Original Assignee
Inner Mongolia Zhonghuan Crystal Materials 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 Inner Mongolia Zhonghuan Crystal Materials Co Ltd filed Critical Inner Mongolia Zhonghuan Crystal Materials Co Ltd
Priority to CN202210906932.7A priority Critical patent/CN117512767A/zh
Priority to PCT/CN2023/103927 priority patent/WO2024021992A1/en
Publication of CN117512767A publication Critical patent/CN117512767A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/283—Multi-dimensional databases or data warehouses, e.g. MOLAP or ROLAP
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/06—Power analysis or power optimisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Organic Chemistry (AREA)
  • Metallurgy (AREA)
  • Materials Engineering (AREA)
  • General Physics & Mathematics (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Factory Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Crystals, And After-Treatments Of Crystals (AREA)

Abstract

基于大数据的熔接自决策方法、系统、设备和存储介质，通过对直拉单晶熔接过程中熔接节点的基础源数据进行处理、筛选、转换为熔接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，判定当前熔接过程环节是否有异常，并根据判定结果进行自决策。本发明技术方案能够在熔接过程出现需要判断的问题时，及时主动给出最优的评估和决策，实现自动决策，提高工艺的自动化水平，能够节省工时，降本增效，更加实时、全面、准确、标准地处理生产中的问题，提升生产效率和产品品质。

Description

基于大数据的熔接自决策方法、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熔接自决策方法、系统、设备和存储介质。
背景技术
在直拉单晶生产拉制过程中，熔接过程是加大加热功率，使多晶硅完全融化并挥发一定时间后，将籽晶下降与液面接触，以除去籽晶表面的挥发性杂质，再稍作降温使之温度稳定的过程。在实际生产过程中，为了监督生产和防止发生意外，需要由人工判定熔接状态是否满足下一步的引晶工艺条件，需要人工重复巡检炉台，满足条件后进行手动决策。这种方式效率较低，且人员巡检时效性较差，存在工时浪费情况。
发明内容
本发明要解决的问题是提供基于大数据的熔接自决策方法、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，在直拉单晶熔接过程中，为了监督生产和防止发生意外，需要由人工判定熔接状态是否满足下一步的引晶工艺条件，需要人工重复巡检炉台，满足条件后进行手动决策。这种方式效率较低，且人员巡检时效性较差，存在工时浪费情况的问题。该方法能够及时主动给出最优的评估和决策，实现自动决策，提高工艺的自动化水平，能够节省工时，降本增效，更加实时、全面、准确、标准地处理生产中的问题，提升生产效率和产品品质。
为解决上述技术问题，本发明采用以下技术方案：
基于大数据的熔接自决策方法，其特征在于，所述方法包括步骤：
S1：获取在直拉单晶熔接过程中每一不同炉型、每一不同系列、每一不同炉台的熔接节点的基础源数据；
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、每一不同炉台的熔接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、每一不同炉台的熔接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、每一不同炉台的熔接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，获取单晶拉制熔接过程中最优熔接时间、最优熔接功率、最优熔接温度模型；
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、当前炉台的熔接节点的熔接时间、熔接功率、熔接温度的基础源数据；
S6：对所述S5步骤中获取的所述熔接时间、熔接功率、熔接温度的基础源数据进行处理，筛选并转换为当前炉型、当前系列、当前炉台的熔接节点中所述熔接时间、熔接功率、熔接温度的易于识别和标记的工艺参数；
S7：将S6步骤中的所述熔接时间、熔接功率、熔接温度的易于识别和标记的工艺参数与所述S4步骤中所述最优熔接时间、最优熔接功率、最优熔接温度模型进行对比，根据对比结果判定该单晶所在熔接节点中的所述熔接时间、熔接功率、熔接温度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，判定当前熔接过程环节是否在最优范围内，并根据判定结果进行自决策。
进一步地，所述S2步骤中所有每一不同炉型、每一不同系列、每一不同炉台的熔接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、熔接节点的工步信息和剩料重量信息进行建立。
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、每一不同炉台的熔接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。
一种熔接自决策系统，所述系统包括：
获取源数据单元：用于获取在直拉单晶熔接过程中每一不同炉型、每一不同系列、每一不同炉台的熔接的基础源数据；
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、每一不同炉台的熔接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、每一不同炉台的熔接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、每一不同炉台的熔接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，建立直拉单晶熔接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、当前炉台的熔接节点中的工艺参数与每一不同炉型、每一不同系列、每一不同炉台的熔接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、当前炉台的熔接节点中的工艺参数与每一不同炉型、每一不同系列、每一不同炉台的熔接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，判定当前熔接过程环节是否在最优范围内，并根据判定结果进行自决策。
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、每一不同炉台的熔接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、熔接节点的工步信息和剩料重量信息进行建立；
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、每一不同炉台的熔接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熔接自决策方法的步骤。
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熔接自决策方法的步骤。
与现有技术相比，采用本发明设计的基于大数据的熔接自决策方法、系统、设备和存储介质，通过对直拉单晶熔接过程中每一不同炉型、每一不同系列、每一不同炉台的熔接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、每一不同炉台熔接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、每一不同炉台的熔接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，建立直拉单晶熔接过程的维度数据仓库，通过计算获取当前炉型、当前系列、当前炉台的熔接节点的当前基础源数据，筛选并转换为当前炉型、当前系列、当前炉台的熔接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，判定当前熔接过程环节是否有异常，并根据判定结果进行自决策。
本发明技术方案在直拉单晶熔接过程中，满足触发条件时，能够及时主动给出最优的评估和决策，模型对获取的数据与决策条件进行对比，判定炉台是否达到决策条件，满足决策条件时进行决策动作，完成决策。该方法能够实现自动决策，提高工艺的自动化水平，能够节省工时，降本增效，更加实时、全面、准确、标准地处理生产中的问题，提升生产效率和产品品质。
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熔接自决策方法的流程图；
图2是本发明一实施例的熔接自决策方法的执行逻辑图；
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-图2所示，本发明实施例提供基于大数据的熔接自决策方法，方法包括以下步骤：
S1：获取在直拉单晶熔接过程中每一不同炉型、每一不同系列、每一不同炉台的熔接节点的基础源数据；
具体地，在直拉单晶熔接过程中每一不同炉型、每一不同系列、每一不同炉台的熔接节点中，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、每一不同炉台的熔接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、每一不同炉台的熔接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、每一不同炉台的熔接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、每一不同炉台熔接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、每一不同炉台的熔接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、熔接节点的工步信息和剩料重量信息进行建立。
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、每一不同炉台的熔接节点中的每一所述参数建立模型；
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、每一不同炉台的熔接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熔接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，获取单晶拉制熔接过程中最优熔接时间、最优熔接功率、最优熔接温度模型；
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、每一不同炉台的熔接节点中的熔接时间、熔接功率、熔接温度，以获取最优熔接时间、最优熔接功率、最优熔接温度模型。
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、当前炉台的熔接节点的熔接时间、熔接功率、熔接温度的基础源数据；
S6：对所述S5步骤中获取的所述熔接时间、熔接功率、熔接温度的基础源数据进行处理，筛选并转换为当前炉型、当前系列、当前炉台的熔接节点中所述熔接时间、熔接功率、熔接温度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、每一不同炉台的熔接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步骤中的所述熔接时间、熔接功率、熔接温度的易于识别和标记的工艺参数与所述S4步骤中所述最优熔接时间、最优熔接功率、最优熔接温度模型进行对比，根据对比结果判定该单晶所在熔接节点中的所述熔接时间、熔接功率、熔接温度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，判定当前熔接过程环节是否在最优范围内，并根据判定结果进行自决策。
一种熔接自决策系统，系统包括：
获取源数据单元：用于获取在直拉单晶熔接过程中每一不同炉型、每一不同系列、每一不同炉台的熔接的基础源数据；
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、每一不同炉台的熔接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、每一不同炉台的熔接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、每一不同炉台的熔接节点中的每一参数建立模型；
数据清洗单元：用于对每一模型进行多维度数据清洗，建立直拉单晶熔接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、当前炉台的熔接节点中的工艺参数与每一不同炉型、每一不同系列、每一不同炉台的熔接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、当前炉台的熔接节点中的工艺参数与每一不同炉型、每一不同系列、每一不同炉台的熔接节点中的每一模型进行对比的判定结果进行大数据分析，判定当前熔接过程环节是否在最优范围内，并根据判定结果进行自决策。
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、每一不同炉台的熔接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、熔接节点的工步信息和剩料重量信息进行建立；
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、每一不同炉台的熔接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所述的熔接自决策方法的步骤。
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熔接自决策方法的步骤。
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熔接自决策方法、系统、设备和存储介质，通过对直拉单晶熔接过程中每一不同炉型、每一不同系列、每一不同炉台的熔接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、每一不同炉台熔接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、每一不同炉台的熔接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，建立直拉单晶熔接过程的维度数据仓库，通过计算获取当前炉型、当前系列、当前炉台的熔接节点的当前基础源数据，筛选并转换为当前炉型、当前系列、当前炉台的熔接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，判定当前熔接过程环节是否有异常，并根据判定结果进行自决策。
2.本发明技术方案可在直拉单晶熔接过程中，满足触发条件时，能够及时主动给出最优的评估和决策，模型对获取的数据与决策条件进行对比，判定炉台是否达到决策条件，满足决策条件时进行决策动作，完成决策。该方法能够实现自动决策，提高工艺的自动化水平，能够节省工时，降本增效，更加实时、全面、准确、标准地处理生产中的问题，提升生产效率和产品品质。
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.基于大数据的熔接自决策方法，其特征在于，所述方法包括步骤：
S1：获取在直拉单晶熔接过程中每一不同炉型、每一不同系列、每一不同炉台的熔接节点的基础源数据；
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、每一不同炉台的熔接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、每一不同炉台的熔接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、每一不同炉台的熔接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，获取单晶拉制熔接过程中最优熔接时间、最优熔接功率、最优熔接温度模型；
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、当前炉台的熔接节点的熔接时间、熔接功率、熔接温度的基础源数据；
S6：对所述S5步骤中获取的所述熔接时间、熔接功率、熔接温度的基础源数据进行处理，筛选并转换为当前炉型、当前系列、当前炉台的熔接节点中所述熔接时间、熔接功率、熔接温度的易于识别和标记的工艺参数；
S7：将S6步骤中的所述熔接时间、熔接功率、熔接温度的易于识别和标记的工艺参数与所述S4步骤中所述最优熔接时间、最优熔接功率、最优熔接温度模型进行对比，根据对比结果判定该单晶所在熔接节点中的所述熔接时间、熔接功率、熔接温度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，判定当前熔接过程环节是否在最优范围内，并根据判定结果进行自决策。
2.根据权利要求1所述的基于大数据的熔接自决策方法，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、每一不同炉台的熔接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熔接自决策方法，其特征在于：所述参数根据生产区域、熔接节点的工步信息和剩料重量信息进行建立。
4.根据权利要求3所述的基于大数据的熔接自决策方法，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熔接自决策方法，其特征在于：每一不同炉型、每一不同系列、每一不同炉台的熔接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。
6.一种熔接自决策系统，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熔接过程中每一不同炉型、每一不同系列、每一不同炉台的熔接的基础源数据；
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、每一不同炉台的熔接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、每一不同炉台的熔接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、每一不同炉台的熔接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，建立直拉单晶熔接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、当前炉台的熔接节点中的工艺参数与每一不同炉型、每一不同系列、每一不同炉台的熔接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、当前炉台的熔接节点中的工艺参数与每一不同炉型、每一不同系列、每一不同炉台的熔接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，判定当前熔接过程环节是否在最优范围内，并根据判定结果进行自决策。
7.根据权利要求6所述的一种引晶自决策系统，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、每一不同炉台的熔接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、熔接节点的工步信息和剩料重量信息进行建立；
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所述的一种熔接自决策系统，其特征在于：每一不同炉型、每一不同系列、每一不同炉台的熔接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中任一项所述的熔接自决策方法的步骤。
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中任一项所述的熔接自决策方法的步骤。
CN202210906932.7A 2022-07-29 2022-07-29 基于大数据的熔接自决策方法、系统、设备和存储介质 Pending CN117512767A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210906932.7A CN117512767A (zh) 2022-07-29 2022-07-29 基于大数据的熔接自决策方法、系统、设备和存储介质
PCT/CN2023/103927 WO2024021992A1 (en) 2022-07-29 2023-06-29 Automatic decision-making for welding

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210906932.7A CN117512767A (zh) 2022-07-29 2022-07-29 基于大数据的熔接自决策方法、系统、设备和存储介质

Publications (1)

Publication Number Publication Date
CN117512767A true CN117512767A (zh) 2024-02-06

Family

ID=89705278

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210906932.7A Pending CN117512767A (zh) 2022-07-29 2022-07-29 基于大数据的熔接自决策方法、系统、设备和存储介质

Country Status (2)

Country Link
CN (1) CN117512767A (zh)
WO (1) WO2024021992A1 (zh)

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100912345B1 (ko) * 2008-01-07 2009-08-14 주식회사 실트론 단결정 성장 공정 파라미터를 이용한 산소농도 예측방법 및그 프로그램이 기록된 기록매체
JP2016121023A (ja) * 2014-12-24 2016-07-07 株式会社Sumco 単結晶の製造方法
CN113344439B (zh) * 2021-06-29 2024-04-26 蓝思系统集成有限公司 一种晶体生长控制方法、装置、系统及可读存储介质
CN114318533A (zh) * 2021-12-28 2022-04-12 安徽科瑞思创晶体材料有限责任公司 一种用于晶体生长的智能化控制系统

Also Published As

Publication number Publication date
WO2024021992A1 (en) 2024-02-01

Similar Documents

Publication Publication Date Title
CN107122832A (zh) 一种质量控制与可靠性分析的制造系统预防性维修方法
KR100700082B1 (ko) 결정 성장된 잉곳의 품질평가 방법
CN105159239B (zh) 一种spc策略自动更新方法及spc自动策略系统
CN110334957A (zh) 生产工艺质量信息化管理方法、系统、设备及存储介质
CN112486111B (zh) 一种基于数据分析的食用油碱炼工艺智能调节方法
CN111126206B (zh) 基于深度学习的冶炼状态检测系统及检测方法
CN112330233B (zh) 一种基于数据模型的注塑产品质量检测方法
CN110047771A (zh) 基于多次称重获得单晶硅片切割损伤层厚度的测试方法
CN115358575B (zh) 一种基于工业互联网的建材生产制造智能管理系统
CN117512767A (zh) 基于大数据的熔接自决策方法、系统、设备和存储介质
CN113608510A (zh) 一种选煤单机设备智能控制系统控制方法
CN117512768A (zh) 基于大数据的拉料自决策方法、系统、设备和存储介质
CN112183876B (zh) 一种基于信息融合的良率损失根因分析方法
CN116862322A (zh) 一种蜡烛生产质量监测系统以及监测方法
CN116662729A (zh) 一种低硼硅玻璃上料控制数据智能监测方法
CN117661098A (zh) 基于大数据的复投自决策方法、系统、设备和存储介质
CN116930423A (zh) 一种空气质量模型模拟效果的自动验证评估方法及系统
CN114841484A (zh) 基于大数据的等径自决策方法、系统、设备和存储介质
CN115857448A (zh) 一种在线监测海绵钛生产过程工艺参数的方法
Sunadi et al. Statistical Process Control (SPC) method to improve the capability process of drop impact resistance: a case study at aluminum cans manufacturing industry in Indonesia
CN114840961A (zh) 基于大数据分析的拉晶方法、系统、计算机设备和存储介质
Zhang et al. A novel defect diagnosis method for kyropoulos process-based sapphire growth
CN114841485A (zh) 基于大数据的等径sop设定方法、系统、设备和存储介质
CN113537356A (zh) 一种基于Map图的不良根因分析方法
CN112362438A (zh) 一种连续铸钢坯低倍组织及缺陷冷蚀显示试剂的使用方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication