CN117512768A - 基于大数据的拉料自决策方法、系统、设备和存储介质 - Google Patents

基于大数据的拉料自决策方法、系统、设备和存储介质 Download PDF

Info

Publication number
CN117512768A
CN117512768A CN202210915273.3A CN202210915273A CN117512768A CN 117512768 A CN117512768 A CN 117512768A CN 202210915273 A CN202210915273 A CN 202210915273A CN 117512768 A CN117512768 A CN 117512768A
Authority
CN
China
Prior art keywords
pulling
different
data
furnace
single crystal
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
CN202210915273.3A
Other languages
English (en)
Inventor
沈瑞川
高润飞
张世超
李雪峰
董恩慧
闫铭
李越峰
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 CN202210915273.3A priority Critical patent/CN117512768A/zh
Priority to PCT/CN2023/103935 priority patent/WO2024021993A1/en
Publication of CN117512768A publication Critical patent/CN117512768A/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
    • G06F2119/08—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)
  • Crystals, And After-Treatments Of Crystals (AREA)
  • General Factory Administration (AREA)

Abstract

基于大数据的拉料自决策方法、系统、设备和存储介质，通过对直拉单晶拉料过程中拉料节点的基础源数据进行处理、筛选、转换为拉料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，判定当前拉料过程环节是否有异常，并根据判定结果进行自决策。本发明技术方案可在单晶拉制的拉料过程中发生异常情况时，能够及时自动给出最优的评估和决策，减少工作人员干预，降低工时浪费，提升生产产量，实现自动决策，更加实时、全面、准确、标准地处理异常问题，提升生产效率和产品品质。无需人工巡检和手动处理，增强时效性和效率，降低安全隐患。

Description

基于大数据的拉料自决策方法、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拉料自决策方法、系统、设备和存储介质。
背景技术
在直拉单晶生产过程中发生断苞时,需要执行不同类别的拉料动作。发生断苞的单晶硅末端继续生长，由于晶体本体结构发生变化，稳定性低于单晶硅，容易发生直径波动等异常，且拉料长度超出一定区间后，造成成本浪费，且因晶体内部热应力原因，容易发生炸单晶现象。
在实际生产过程中，拉料炉台的异常情况决策由人工工程师进行判定和决策，并需要人工重复巡检炉台直至决策时间点，进行手动决策，时效性和效率较低，且人工检测存在漏检风险，具有较大的安全隐患。
发明内容
本发明要解决的问题是提供基于大数据的拉料自决策方法、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，拉料炉台的异常情况决策由人工工程师进行判定和决策，并需要人工重复巡检炉台直至决策时间点，进行手动决策，时效性和效率较低，且人工检测存在漏检风险，具有较大的安全隐患的问题。
为解决上述技术问题，本发明采用以下技术方案：
基于大数据的拉料自决策方法，所述方法包括步骤：
S1：获取在直拉单晶拉料过程中每一不同炉型、每一不同系列、每一不同炉台的拉料节点的基础源数据；
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、每一不同炉台的拉料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、每一不同炉台的拉料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、每一不同炉台的拉料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，获取单晶拉制拉料过程中最优单晶温度和最优拉料长度模型；
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、当前炉台的拉料节点的单晶温度和拉料长度的基础源数据；
S6：对所述S5步骤中获取的所述单晶温度和拉料长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、当前炉台的拉料节点中所述单晶温度和所述拉料长度的易于识别和标记的工艺参数；
S7：将S6步骤中的所述单晶温度和所述拉料长度的易于识别和标记的工艺参数与所述S4步骤中所述最优单晶温度和最优拉料长度模型进行对比，根据对比结果判定该单晶所在拉料节点中的所述单晶温度和拉料长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，判定当前拉料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、每一不同炉台的拉料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、拉料动作的持续时间和拉料功能进行建立。
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、每一不同炉台的拉料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。
一种拉料自决策系统，所述系统包括：
获取源数据单元：用于获取在直拉单晶拉料过程中每一不同炉型、每一不同系列、每一不同炉台的拉料节点的基础源数据；
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、每一不同炉台的拉料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、每一不同炉台的拉料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、每一不同炉台的拉料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，建立直拉单晶拉料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、当前炉台的拉料节点中的工艺参数与每一不同炉型、每一不同系列、每一不同炉台的拉料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、当前炉台的拉料节点中的工艺参数与每一不同炉型、每一不同系列、每一不同炉台的拉料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，判定当前拉料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、每一不同炉台的拉料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、拉料动作的持续时间和拉料功能进行建立；
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、每一不同炉台的拉料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拉料自决策方法的步骤。
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上任一项所述的拉料自决策方法的步骤。
与现有技术相比，采用本发明设计的基于大数据的拉料自决策方法、系统、设备和存储介质，通过对直拉单晶拉料过程中每一不同炉型、每一不同系列、每一不同炉台的拉料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、每一不同炉台拉料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、每一不同炉台的拉料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，建立直拉单晶拉料过程的维度数据仓库，通过计算获取当前炉型、当前系列、当前炉台的拉料节点的当前基础源数据，筛选并转换为当前炉型、当前系列、当前炉台的拉料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，判定当前拉料过程环节是否有异常，并根据判定结果进行自决策。
本发明技术方案可在单晶拉制的拉料过程中发生异常情况时，能够及时自动给出最优的评估和决策，减少工作人员干预，降低工时浪费，提升生产产量，实现自动决策，更加实时、全面、准确、标准地处理异常问题，提升生产效率和产品品质。无需人工巡检和手动处理，增强时效性和效率，降低安全隐患。
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拉料自决策方法的流程图；
图2是本发明一实施例的拉料自决策系统的流程示意图；
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拉料自决策方法，方法包括以下步骤：
S1：获取在直拉单晶拉料过程中每一不同炉型、每一不同系列、每一不同炉台的拉料节点的基础源数据；
具体地，在直拉单晶拉料过程中每一不同炉型、每一不同系列、每一不同炉台的拉料节点中，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、每一不同炉台的拉料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、每一不同炉台的拉料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、每一不同炉台的拉料节点的所有参数数值的数据集；
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、每一不同炉台拉料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、每一不同炉台的拉料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、拉料动作的持续时间和拉料功能进行建立。
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。
通过深度学习对每一不同炉型、每一不同系列、每一不同炉台的拉料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、每一不同炉台的拉料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拉料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，获取单晶拉制拉料过程中最优单晶温度和最优拉料长度模型；
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、每一不同炉台的拉料节点中的单晶温度和拉料长度，以获取最优单晶温度和最优拉料长度模型。
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、当前炉台的拉料节点的单晶温度和拉料长度的基础源数据；
S6：对S5步骤中获取的单晶温度和拉料长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、当前炉台的拉料节点中单晶温度和拉料长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、每一不同炉台的拉料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步骤中的单晶温度和拉料长度的易于识别和标记的工艺参数与S4步骤中最优单晶温度和最优拉料长度模型进行对比，根据对比结果判定该单晶所在拉料节点中的单晶温度和拉料长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S7步骤中的判定结果进行数据分析，判定当前拉料过程环节是否在最优范围内，并根据判定结果进行自决策。
一种拉料自决策系统，系统包括：
获取源数据单元：用于获取在直拉单晶拉料过程中每一不同炉型、每一不同系列、每一不同炉台的拉料节点的基础源数据；
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、每一不同炉台的拉料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、每一不同炉台的拉料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、每一不同炉台的拉料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，建立直拉单晶拉料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、当前炉台的拉料节点中的工艺参数与每一不同炉型、每一不同系列、每一不同炉台的拉料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、当前炉台的拉料节点中的工艺参数与每一不同炉型、每一不同系列、每一不同炉台的拉料节点中的每一模型进行对比的判定结果进行大数据分析，判定当前拉料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、每一不同炉台的拉料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、拉料动作的持续时间和拉料功能进行建立；
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、每一不同炉台的拉料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拉料自决策方法的步骤。
一种计算机可读存储介质，存储有计算机程序，当计算机程序被处理器执行时，使处理器执行如上任一项所述的拉料自决策方法的步骤。
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拉料自决策方法、系统、设备和存储介质，通过对直拉单晶拉料过程中每一不同炉型、每一不同系列、每一不同炉台的拉料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、每一不同炉台拉料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、每一不同炉台的拉料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，建立直拉单晶拉料过程的维度数据仓库，通过计算获取当前炉型、当前系列、当前炉台的拉料节点的当前基础源数据，筛选并转换为当前炉型、当前系列、当前炉台的拉料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，判定当前拉料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单晶拉制的拉料过程中发生异常情况时，能够及时自动给出最优的评估和决策，减少工作人员干预，降低工时浪费，提升生产产量，实现自动决策，更加实时、全面、准确、标准地处理异常问题，提升生产效率和产品品质。无需人工巡检和手动处理，增强时效性和效率，降低安全隐患。
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.基于大数据的拉料自决策方法，其特征在于，所述方法包括步骤：
S1：获取在直拉单晶拉料过程中每一不同炉型、每一不同系列、每一不同炉台的拉料节点的基础源数据；
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、每一不同炉台的拉料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、每一不同炉台的拉料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、每一不同炉台的拉料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，获取单晶拉制拉料过程中最优单晶温度和最优拉料长度模型；
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、当前炉台的拉料节点的单晶温度和拉料长度的基础源数据；
S6：对所述S5步骤中获取的所述单晶温度和拉料长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、当前炉台的拉料节点中所述单晶温度和所述拉料长度的易于识别和标记的工艺参数；
S7：将S6步骤中的所述单晶温度和所述拉料长度的易于识别和标记的工艺参数与所述S4步骤中所述最优单晶温度和最优拉料长度模型进行对比，根据对比结果判定该单晶所在拉料节点中的所述单晶温度和拉料长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，判定当前拉料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拉料自决策方法，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、每一不同炉台的拉料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拉料自决策方法，其特征在于：所述参数根据生产区域、拉料动作的持续时间和拉料功能进行建立。
4.根据权利要求3所述的基于大数据的拉料自决策方法，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拉料自决策方法，其特征在于：每一不同炉型、每一不同系列、每一不同炉台的拉料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。
6.一种拉料自决策系统，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拉料过程中每一不同炉型、每一不同系列、每一不同炉台的拉料节点的基础源数据；
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、每一不同炉台的拉料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、每一不同炉台的拉料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、每一不同炉台的拉料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，建立直拉单晶拉料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、当前炉台的拉料节点中的工艺参数与每一不同炉型、每一不同系列、每一不同炉台的拉料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、当前炉台的拉料节点中的工艺参数与每一不同炉型、每一不同系列、每一不同炉台的拉料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，判定当前拉料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所述的一种拉料自决策系统，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、每一不同炉台的拉料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、拉料动作的持续时间和拉料功能进行建立；
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所述的一种拉料自决策系统，其特征在于：每一不同炉型、每一不同系列、每一不同炉台的拉料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中任一项所述的拉料自决策方法的步骤。
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中任一项所述的拉料自决策方法的步骤。
CN202210915273.3A 2022-07-29 2022-07-29 基于大数据的拉料自决策方法、系统、设备和存储介质 Pending CN117512768A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210915273.3A CN117512768A (zh) 2022-07-29 2022-07-29 基于大数据的拉料自决策方法、系统、设备和存储介质
PCT/CN2023/103935 WO2024021993A1 (en) 2022-07-29 2023-06-29 Automatic decision-making for pulling

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210915273.3A CN117512768A (zh) 2022-07-29 2022-07-29 基于大数据的拉料自决策方法、系统、设备和存储介质

Publications (1)

Publication Number Publication Date
CN117512768A true CN117512768A (zh) 2024-02-06

Family

ID=89705248

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210915273.3A Pending CN117512768A (zh) 2022-07-29 2022-07-29 基于大数据的拉料自决策方法、系统、设备和存储介质

Country Status (2)

Country Link
CN (1) CN117512768A (zh)
WO (1) WO2024021993A1 (zh)

Family Cites Families (5)

* 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
CN109338456A (zh) * 2018-12-03 2019-02-15 上海交通大学 基于数值模拟与神经网络判断的单晶制品生产智能控制技术
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
WO2024021993A1 (en) 2024-02-01

Similar Documents

Publication Publication Date Title
KR100700082B1 (ko) 결정 성장된 잉곳의 품질평가 방법
CN104268416B (zh) 一种冷链物流车厢温度监控方法及系统
CN117512768A (zh) 基于大数据的拉料自决策方法、系统、设备和存储介质
EP2453042A1 (de) Verfahren zur Bestimmung von Verunreinigungen in Silicium
CN106222738A (zh) 一种n型单晶硅生长用籽晶的制备方法
CN103335956B (zh) 一种离心铸造合金炉管的检测方法
CN105425749B (zh) 批量加工晶圆的统计过程控制方法
CN117512767A (zh) 基于大数据的熔接自决策方法、系统、设备和存储介质
CN112094050A (zh) 光纤预制棒棒尾拉丝控制系统及方法
EP2620412B1 (de) Verfahren zur bestimmung einer oberflächen-verunreinigung von polykristallinem silicium
CN116664103B (zh) 一种基于数据分析的航空器运维管理系统
CN117661098A (zh) 基于大数据的复投自决策方法、系统、设备和存储介质
WO2023226313A1 (zh) 晶棒制造管理方法和晶棒制造管理系统
CN114841484A (zh) 基于大数据的等径自决策方法、系统、设备和存储介质
CN115688539A (zh) 基于大数据的结晶检测方法、系统、设备和存储介质
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
CN105759748A (zh) 一种半导体生产机台硬件性能的动态监控系统及监控方法
CN112301421B (zh) 一种适用于大尺寸单晶硅的感光快速收尾方法
JP3984865B2 (ja) 多結晶シリコン製造方法
CN205803320U (zh) 一种用于光纤预制棒拉丝余长监测的装置
CN107255572B (zh) 半熔铸锭工艺中硅锭的少子寿命抽样方法
CN117670313B (zh) 一种电厂巡检方法、电厂巡检系统及可存储介质
CN213591664U (zh) 一种用于锻造上支臂的质量监控系统
CN110783217A (zh) 一种晶圆外延参数异常侦测方法及系统
CN115586756A (zh) 一种多晶硅质量控制评价方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication