CN117661098A - 基于大数据的复投自决策方法、系统、设备和存储介质 - Google Patents
基于大数据的复投自决策方法、系统、设备和存储介质 Download PDFInfo
- Publication number
- CN117661098A CN117661098A CN202211024756.0A CN202211024756A CN117661098A CN 117661098 A CN117661098 A CN 117661098A CN 202211024756 A CN202211024756 A CN 202211024756A CN 117661098 A CN117661098 A CN 117661098A
- Authority
- CN
- China
- Prior art keywords
- casting
- 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
Links
- 238000005266 casting Methods 0.000 title claims abstract description 110
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000003860 storage Methods 0.000 title claims abstract description 12
- 239000013078 crystal Substances 0.000 claims abstract description 76
- 230000008569 process Effects 0.000 claims abstract description 31
- 238000012545 processing Methods 0.000 claims abstract description 22
- 239000000463 material Substances 0.000 claims abstract description 12
- 238000012216 screening Methods 0.000 claims abstract description 10
- 230000002159 abnormal effect Effects 0.000 claims abstract description 7
- 238000004140 cleaning Methods 0.000 claims abstract description 7
- 238000007405 data analysis Methods 0.000 claims abstract description 7
- 230000005856 abnormality Effects 0.000 claims abstract description 6
- 238000013135 deep learning Methods 0.000 claims description 17
- 238000004519 manufacturing process Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 13
- 238000004891 communication Methods 0.000 description 6
- 238000005259 measurement Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012840 feeding operation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 239000010453 quartz Substances 0.000 description 1
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 1
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
- C30B15/02—Single-crystal growth by pulling from a melt, e.g. Czochralski method adding crystallising materials or reactants forming it in situ to the melt
-
- 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
-
- 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
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- 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
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- Organic Chemistry (AREA)
- Metallurgy (AREA)
- Evolutionary Computation (AREA)
- Materials Engineering (AREA)
- Physics & Mathematics (AREA)
- Crystallography & Structural Chemistry (AREA)
- Medical Informatics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Crystals, And After-Treatments Of Crystals (AREA)
Abstract
基于大数据的复投自决策方法、系统、设备和存储介质,通过对直拉单晶复投过程中复投节点的基础源数据进行处理、筛选、转换为复投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。本发明在直拉单晶的复投过程中,通过对复投过程进行数据采集、数据处理、增加逻辑识别,实现复投器的自动下降功能,并避免控制过程中异常的发生,可提高作业效率,降低异常事故的发生。
Description
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复投自决策方法、系统、设备和存储介质。
背景技术
在直拉单晶生产中,为了节约工时及提高石英埚利用率,提升单炉产量和降低开炉费用,单炉次会多次进行加料操作,即炉台在运行过程中通过多次加料达到单炉次的投料量提升和辅料成本的降低目的。
在实际生产过程中,进行复投时需通过复投器进入副室、副室旋回、自动净化、复投器下降、复投等一系列动作后才能完成,其中复投器自动提升、旋回、净化功能已实现,但自动下降涉及到安全、防呆保护不全面、系统识别等问题,未能实现自动控制。需人工通过手动操作器进行作业,耗时长、作业效率低。
发明内容
本发明要解决的问题是提供基于大数据的复投自决策方法、系统、设备和存储介质,在直拉单晶的复投过程中,通过对复投过程进行数据采集、数据处理、增加逻辑识别,实现复投器的自动下降功能,并避免控制过程中异常的发生,可提高作业效率,降低异常事故的发生。
为解决上述技术问题,本发明采用以下技术方案:
基于大数据的复投自决策方法,其特征在于,所述方法包括步骤:
S1:获取在直拉单晶复投过程中每一不同炉型、每一不同系列、每一不同炉台的复投节点的基础源数据;
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、每一不同炉台的复投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、每一不同炉台的复投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、每一不同炉台的复投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,获取直拉单晶复投过程中临界投料质量、临界晶体位置和临界传感器重量;
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、当前炉台的复投节点的投料质量、晶体位置和传感器重量的基础源数据;
S6:对所述S5步骤中获取的所述投料质量、晶体位置和传感器重量的基础源数据进行处理,筛选并转换为当前炉型、当前系列、当前炉台的复投节点中所述投料质量、所述晶体位置和所述传感器重量的易于识别和标记的工艺参数;
S7:将S6步骤中的所述投料质量、所述晶体位置和所述传感器重量的易于识别和标记的工艺参数与所述S4步骤中所述临界投料质量、临界晶体位置和临界传感器重量模型进行对比,根据对比结果判定该单晶所在复投节点中的所述投料质量、所述晶体位置和所述传感器重量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,判定当前复投过程环节是否出现异常,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、每一不同炉台的复投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,所述参数根据工步、投料质量、晶体位置、传感器重量进行建立。
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、每一不同炉台的复投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。
一种复投自决策系统,所述系统包括:
获取源数据单元:用于获取在直拉单晶复投过程中每一不同炉型、每一不同系列、每一不同炉台的复投节点的基础源数据;
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、每一不同炉台复投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、每一不同炉台的复投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、每一不同炉台的复投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,建立直拉单晶复投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、当前炉台复投节点中的工艺参数与每一不同炉型、每一不同系列、每一不同炉台的复投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、当前炉台的复投节点中的工艺参数与每一不同炉型、每一不同系列、每一不同炉台的复投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,判定当前复投过程环节是否出现异常,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、每一不同炉台复投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;
所述参数根据工步、投料质量、晶体位置、传感器重量进行建立;
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、每一不同炉台的复投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复投自决策方法的步骤。
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复投自决策方法的步骤。
与现有技术相比,采用本发明设计的基于大数据的复投自决策方法、系统、设备和存储介质,通过EAP数据采集器,实现复投生产过程实时数据的采集并存储进入数据库内,使生产过程中工步、投料质量、晶体位置、传感器重量等主要数据均可进行秒级读取和存储;并基于API接口建立单晶炉通讯功能模块,实现模型与单晶炉的实时通讯功能,模型通过打通的数据接口实时读取运行过程数据并实现对单晶炉各设备指令(如晶体上升、晶体下降)的控制能力,通过对数据库采集数据进行处理,配置各项指标条件的控制边界逻辑,并实时对比炉台运行指标状态和设定逻辑进行对比判断是否达到控制条件,实现控制功能,通过实时读取传感器重量、晶体位置等数据,当条件满足时,通过调用炉台通讯功能模块,控制炉台执行复投器下降或停止指令。
本发明技术方案可在在直拉单晶的复投过程中,通过对复投过程进行数据采集、数据处理、增加逻辑识别,实现复投器的自动下降功能,并避免控制过程中异常的发生,可提高作业效率,降低异常事故的发生。模型控制基于对复投过程数据进行数据处理,并针对直拉单晶炉的控制状态进行判断,输出控制信号,实现对复投器自动下降的条件判断、防呆保护、下降控制、报警输出功能。实现自动化控制。
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复投自决策方法的流程图;
图2是本发明一实施例的复投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复投自决策方法,方法包括以下步骤:
S1:获取在直拉单晶复投过程中每一不同炉型、每一不同系列、每一不同炉台的复投节点的基础源数据;
具体地,在直拉单晶复投过程中每一不同炉型、每一不同系列、每一不同炉台的复投节点中,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、每一不同炉台的复投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、每一不同炉台的复投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、每一不同炉台的复投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、每一不同炉台复投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、每一不同炉台的复投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,所有参数根据工步、投料质量、晶体位置、传感器重量进行建立。
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、每一不同炉台的复投节点中的每一参数建立模型;
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、每一不同炉台的复投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复投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,获取直拉单晶复投过程中临界投料质量、临界晶体位置和临界传感器重量;
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、每一不同炉台的复投节点中的临界投料质量、临界晶体位置和临界传感器重量;
S5:通过深度学习对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、当前炉台的复投节点的投料质量、晶体位置和传感器重量的基础源数据;
S6:对S5步骤中获取的投料质量、晶体位置和传感器重量的基础源数据进行处理,筛选并转换为当前炉型、当前系列、当前炉台的复投节点中投料质量、晶体位置和传感器重量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、每一不同炉台的复投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步骤中的投料质量、晶体位置和传感器重量的易于识别和标记的工艺参数与S4步骤中临界投料质量、临界晶体位置和临界传感器重量模型进行对比,根据对比结果判定该单晶所在复投节点中的投料质量、晶体位置和传感器重量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,判定当前复投过程环节是否出现异常,并根据判定结果进行自决策。
一种复投自决策系统,系统包括:
获取源数据单元:用于获取在直拉单晶复投过程中每一不同炉型、每一不同系列、每一不同炉台的复投节点的基础源数据;
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、每一不同炉台复投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、每一不同炉台的复投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、每一不同炉台的复投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,建立直拉单晶复投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、当前炉台复投节点中的工艺参数与每一不同炉型、每一不同系列、每一不同炉台的复投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、当前炉台的复投节点中的工艺参数与每一不同炉型、每一不同系列、每一不同炉台的复投节点中的每一模型进行对比的判定结果进行大数据分析,判定当前复投过程环节是否出现异常,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、每一不同炉台的复投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;
参数根据工步、投料质量、晶体位置、传感器重量进行建立;
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、每一不同炉台的复投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复投自决策方法的步骤。
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复投自决策方法的步骤。
本发明实现的优点和有益效果是:
本发明提供的基于大数据的复投自决策方法、系统、设备和存储介质,通过EAP数据采集器,实现复投生产过程实时数据的采集并存储进入数据库内,使生产过程中工步、投料质量、晶体位置、传感器重量等主要数据均可进行秒级读取和存储;并基于API接口建立单晶炉通讯功能模块,实现模型与单晶炉的实时通讯功能,模型通过打通的数据接口实时读取运行过程数据并实现对单晶炉各设备指令(如晶体上升、晶体下降)的控制能力,通过对数据库采集数据进行处理,配置各项指标条件的控制边界逻辑,并实时对比炉台运行指标状态和设定逻辑进行对比判断是否达到控制条件,实现控制功能,通过实时读取传感器重量、晶体位置等数据,当条件满足时,通过调用炉台通讯功能模块,控制炉台执行复投器下降或停止指令。
本发明技术方案可在在直拉单晶的复投过程中,通过对复投过程进行数据采集、数据处理、增加逻辑识别,实现复投器的自动下降功能,并避免控制过程中异常的发生,可提高作业效率,降低异常事故的发生。模型控制基于对复投过程数据进行数据处理,并针对直拉单晶炉的控制状态进行判断,输出控制信号,实现对复投器自动下降的条件判断、防呆保护、下降控制、报警输出功能。实现自动化控制。
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.基于大数据的复投自决策方法,其特征在于,所述方法包括步骤:
S1:获取在直拉单晶复投过程中每一不同炉型、每一不同系列、每一不同炉台的复投节点的基础源数据;
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、每一不同炉台的复投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、每一不同炉台的复投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、每一不同炉台的复投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,获取直拉单晶复投过程中临界投料质量、临界晶体位置和临界传感器重量;
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、当前炉台的复投节点的投料质量、晶体位置和传感器重量的基础源数据;
S6:对所述S5步骤中获取的所述投料质量、晶体位置和传感器重量的基础源数据进行处理,筛选并转换为当前炉型、当前系列、当前炉台的复投节点中所述投料质量、所述晶体位置和所述传感器重量的易于识别和标记的工艺参数;
S7:将S6步骤中的所述投料质量、所述晶体位置和所述传感器重量的易于识别和标记的工艺参数与所述S4步骤中所述临界投料质量、临界晶体位置和临界传感器重量模型进行对比,根据对比结果判定该单晶所在复投节点中的所述投料质量、所述晶体位置和所述传感器重量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,判定当前复投过程环节是否出现异常,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复投自决策方法,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、每一不同炉台的复投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复投自决策方法,其特征在于:所述参数根据工步、投料质量、晶体位置、传感器重量进行建立。
4.根据权利要求3所述的基于大数据的复投自决策方法,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复投自决策方法,其特征在于:每一不同炉型、每一不同系列、每一不同炉台的复投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。
6.一种复投自决策系统,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复投过程中每一不同炉型、每一不同系列、每一不同炉台的复投节点的基础源数据;
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、每一不同炉台复投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、每一不同炉台的复投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、每一不同炉台的复投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,建立直拉单晶复投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、当前炉台复投节点中的工艺参数与每一不同炉型、每一不同系列、每一不同炉台的复投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、当前炉台的复投节点中的工艺参数与每一不同炉型、每一不同系列、每一不同炉台的复投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,判定当前复投过程环节是否出现异常,并根据判定结果进行自决策。
7.根据权利要求6所述的一种复投自决策系统,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、每一不同炉台复投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;
所述参数根据工步、投料质量、晶体位置、传感器重量进行建立;
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所述的一种复投自决策系统,其特征在于:每一不同炉型、每一不同系列、每一不同炉台的复投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中任一项所述的复投自决策方法的步骤。
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中任一项所述的复投自决策方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211024756.0A CN117661098A (zh) | 2022-08-25 | 2022-08-25 | 基于大数据的复投自决策方法、系统、设备和存储介质 |
PCT/CN2023/110383 WO2024041323A1 (en) | 2022-08-25 | 2023-07-31 | Automatic decision-making for re-feeding |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211024756.0A CN117661098A (zh) | 2022-08-25 | 2022-08-25 | 基于大数据的复投自决策方法、系统、设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117661098A true CN117661098A (zh) | 2024-03-08 |
Family
ID=90012431
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211024756.0A Pending CN117661098A (zh) | 2022-08-25 | 2022-08-25 | 基于大数据的复投自决策方法、系统、设备和存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN117661098A (zh) |
WO (1) | WO2024041323A1 (zh) |
Family Cites Families (5)
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 |
-
2022
- 2022-08-25 CN CN202211024756.0A patent/CN117661098A/zh active Pending
-
2023
- 2023-07-31 WO PCT/CN2023/110383 patent/WO2024041323A1/en unknown
Also Published As
Publication number | Publication date |
---|---|
WO2024041323A1 (en) | 2024-02-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108876015B (zh) | 物联网环境下基于情景的加油站成品油库存动态监测预警方法 | |
CN107480244B (zh) | 一种工业数据汇集与处理系统及其处理方法 | |
CN111910245B (zh) | 一种拉晶尾部控制方法及系统、计算机存储介质 | |
CN110334957A (zh) | 生产工艺质量信息化管理方法、系统、设备及存储介质 | |
CN117661098A (zh) | 基于大数据的复投自决策方法、系统、设备和存储介质 | |
CN116991130A (zh) | 一种石化生产智能化自动化控制系统和方法 | |
CN116542538A (zh) | 一种工业设备能耗监测方法、装置、电子设备及存储介质 | |
Fenning et al. | Darwin at high temperature: advancing solar cell material design using defect kinetics simulations and evolutionary optimization | |
CN112094050A (zh) | 光纤预制棒棒尾拉丝控制系统及方法 | |
WO2024021993A1 (en) | Automatic decision-making for pulling | |
CN117238388A (zh) | 一种基于数据分析的复合电镀用电镀液监管系统 | |
WO2024021992A1 (en) | Automatic decision-making for welding | |
CN115582522A (zh) | 一种高精度铬合金连续铸造成型监测方法及系统 | |
CN114358450A (zh) | 一种基于数据处理的麻薯面包加工用发酵质量预测系统 | |
CN205375179U (zh) | 一种物联网锻件制造监控装置 | |
CN115407735A (zh) | 一种基于数字孪生的植物工厂管理系统 | |
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 | |
CN115688539A (zh) | 基于大数据的结晶检测方法、系统、设备和存储介质 | |
CN206573950U (zh) | 一种基于dcs的硫酸钾反应室内微负压自动控制装置 | |
CN113334553B (zh) | 一种蒸压加气混凝土蒸养工艺监控系统 | |
CN112759133A (zh) | 污水处理厂的水平衡自动控制方法、系统、装置及介质 | |
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 | |
CN105094158B (zh) | 一种水养殖增氧机自动控制方法和系统 | |
JP3984865B2 (ja) | 多結晶シリコン製造方法 | |
CN115213735B (zh) | 一种铣削加工过程刀具状态监测系统及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |