DE19824838A1 - Verfahren zum Herstellen von Kristallen - Google Patents
Verfahren zum Herstellen von KristallenInfo
- Publication number
- DE19824838A1 DE19824838A1 DE19824838A DE19824838A DE19824838A1 DE 19824838 A1 DE19824838 A1 DE 19824838A1 DE 19824838 A DE19824838 A DE 19824838A DE 19824838 A DE19824838 A DE 19824838A DE 19824838 A1 DE19824838 A1 DE 19824838A1
- Authority
- DE
- Germany
- Prior art keywords
- fuzzy
- controller
- crystal
- control
- data
- 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.)
- Withdrawn
Links
- 239000013078 crystal Substances 0.000 title claims abstract description 59
- 238000004519 manufacturing process Methods 0.000 title claims description 11
- 238000000034 method Methods 0.000 claims abstract description 72
- 230000001537 neural effect Effects 0.000 claims abstract description 4
- 230000008569 process Effects 0.000 claims description 45
- 238000013528 artificial neural network Methods 0.000 claims description 34
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000002844 melting Methods 0.000 claims description 8
- 230000008018 melting Effects 0.000 claims description 8
- 239000000463 material Substances 0.000 claims description 6
- 230000033228 biological regulation Effects 0.000 claims description 5
- 238000013179 statistical model Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 claims description 4
- 230000006641 stabilisation Effects 0.000 claims description 4
- 238000011105 stabilization Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000011144 upstream manufacturing Methods 0.000 claims description 2
- 230000007704 transition Effects 0.000 claims 1
- 210000002569 neuron Anatomy 0.000 description 48
- 239000000155 melt Substances 0.000 description 15
- 239000007789 gas Substances 0.000 description 13
- 230000006870 function Effects 0.000 description 11
- 230000006399 behavior Effects 0.000 description 6
- 238000010438 heat treatment Methods 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 239000002994 raw material Substances 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 241000196324 Embryophyta Species 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 3
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 229910052760 oxygen Inorganic materials 0.000 description 3
- 239000001301 oxygen Substances 0.000 description 3
- 238000002231 Czochralski process Methods 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 230000008094 contradictory effect Effects 0.000 description 2
- 238000002425 crystallisation Methods 0.000 description 2
- 230000008025 crystallization Effects 0.000 description 2
- 230000003111 delayed effect Effects 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006698 induction Effects 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- JBRZTFJDHDCESZ-UHFFFAOYSA-N AsGa Chemical compound [As]#[Ga] JBRZTFJDHDCESZ-UHFFFAOYSA-N 0.000 description 1
- 240000002627 Cordeauxia edulis Species 0.000 description 1
- 229910001218 Gallium arsenide Inorganic materials 0.000 description 1
- 241001397173 Kali <angiosperm> Species 0.000 description 1
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 210000003298 dental enamel Anatomy 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005485 electric heating Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 229910052732 germanium Inorganic materials 0.000 description 1
- GNPVGFCGXDBREM-UHFFFAOYSA-N germanium atom Chemical compound [Ge] GNPVGFCGXDBREM-UHFFFAOYSA-N 0.000 description 1
- 238000001746 injection moulding Methods 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007620 mathematical function Methods 0.000 description 1
- 230000005015 neuronal process Effects 0.000 description 1
- 229910052756 noble gas Inorganic materials 0.000 description 1
- 230000005693 optoelectronics Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 239000010453 quartz Substances 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000010408 sweeping Methods 0.000 description 1
- 238000002255 vaccination Methods 0.000 description 1
- 235000012431 wafers Nutrition 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-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
- C30B15/20—Controlling or regulating
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B11/00—Automatic controllers
- G05B11/01—Automatic controllers electric
- G05B11/36—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential
- G05B11/42—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential for obtaining a characteristic which is both proportional and time-dependent, e.g. P. I., P. I. D.
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
- G05B13/0285—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks and fuzzy logic
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Metallurgy (AREA)
- Materials Engineering (AREA)
- Organic Chemistry (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Crystallography & Structural Chemistry (AREA)
- Automation & Control Theory (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Feedback Control In General (AREA)
- Crystals, And After-Treatments Of Crystals (AREA)
- Liquid Deposition Of Substances Of Which Semiconductor Devices Are Composed (AREA)
Abstract
Die Erfindung betrifft eine Einrichtung und ein Verfahren zum Züchten von Kristallen, bei denen den Regelsignalen für PID-Regler solche Signale überlagert werden, die aus einem neuronalen Netzwerk kommen. Hierdurch wird eine sehr hohe Qualität von Ein- und Polykristallen hinsichtlich der äußeren Form und inneren Beschaffenheit erzielt.
Description
Die Erfindung betrifft ein Verfahren zum Herstellen von Kristallen nach dem Ober
begriff des Patentanspruchs 1.
In der Halbleiter-, Optoelektronik-, Mikrowellen- und anderen Technologien genügen
polykristalline oder amorphe Stoffe vielfach nicht den gestellten Anforderungen.
Man ist deshalb bestrebt, in einem solchen Fall Einkristalle einzusetzen, deren Her
stellung allerdings aufwendig ist. Da Einkristalle in der Natur praktisch nicht vor
kommen, müssen sie künstlich hergestellt werden.
Bekannte Verfahren zum Herstellen von Einkristallen sind das Czochralski-Veffah
ren, das Kyropoulos-Verfahren, der vertikale Bridgman-Prozeß oder der tiegelfreie
Prozeß der sich vertikal ändernden Zone.
Beim Czochralski-Verfahren, das für die Produktion von großer Bedeutung ist, wird
das Rohmaterial, z. B. Silizium, Germanium oder Gallium-Arsenid, in einen Tiegel
gegeben, der sich in einem evakuierten oder mit Edelgas gefüllten Raum befindet.
Nachdem das Rohmaterial geschmolzen ist, wird ein Keim-Element in die Schmelze
getaucht und unter Drehung hochgezogen. An diesem Keim-Element wächst dann
der gewünschte Einkristall.
Die übrigen Verfahren beschränken sich mehr auf den Labor-Betrieb. Beim Kyro
poulos-Verfahren wird, ähnlich wie beim Czochralski-Verfahren, zunächst das Roh
material in einem Tiegel geschmolzen. Der Keim-Kristall wird an einer wasserge
kühlten Stange gehalten, um die Kristallisationswärme zu beseitigen, und in die
Schmelze eingebracht. Die Temperatur der Schmelze wird dann erniedrigt, so daß am
Keim-Kristall ein Einkristall in die Schmelze hineinwächst.
Beim Bridgman-Verfahren wird das Rohmaterial in einem Tiegel geschmolzen, des
sen unteres Ende konisch zuläuft und am unteren Ende einen Keim-Kristall aufweist.
Indem dieser Bereich einem Temperaturgradienten ausgesetzt wird, wächst ein Ein
kristall vom Keim-Kristall nach oben in die Schmelze.
Mit dem Prozeß der sich vertikal ändernden Zone können ohne Tiegel Einkristalle
gezüchtet werden. Es sind hierbei zwei Ziehstäbe vorgesehen, von denen jeder eine
Halterung aufweist. Mit der unteren Halterung wird ein Keim-Kristall verbunden,
während ein polykristalliner Stab mit der oberen Halterung in Verbindung gebracht
wird. Sodann wird das untere Ende des polykristallinen Stabs mittels einer hochfre
quenten Induktionsspule bis zum Schmelzpunkt aufgeheizt. Hierauf wird der Keim-
Kristall allmählich von unten in den Schmelzbereich eingeführt. Der obere Ziehstab
und der Keim-Kristall können jetzt nach unten bewegt werden, wobei sie über eine
Schmelzzone innerhalb der Induktionsspule miteinander in Verbindung stehen und
sich in jeweils umgekehrter Richtung drehen.
Bei allen diesen Einkristall-Herstellungsverfahren kommen Regelungen zur Anwen
dung, welche die einzelnen Prozesse automatisch durchführen. Geregelt werden hier
bei folgende geometrische Größen: Kristall-Halslänge, Kristall-Schulter-Form, Kri
stall-Durchmesser sowie - falls möglich - innere Festkörpergröße wie Kristallorien
tierung, Sauerstoffgehalt, Widerstandsgradient und Dotierung. Bei diesen Größen
handelt es sich somit um die Regelgrößen. Diese Regelgrößen werden beeinflußt
durch die physikalischen Größen Temperatur, Gasfluß und Gasdruck im Gehäuse,
das den Tiegel umgibt, sowie gegebenenfalls durch die Rotationsgeschwindigkeit
eines Gestänges, an dem der Kristall hängt, bzw. durch die Drehgeschwindigkeit
eines Tiegels, in dem sich die Schmelze befindet. Diese physikalischen Größen stel
len folglich die Störgrößen des Regelkreises dar.
Für die Herstellung eines einwandfreien Einkristalls ist es wichtig, daß das Schmelz
bad, aus dem oder in dem der Kristall wächst, eine bestimmtes Temperaturprofil hat.
Derartige Temperaturprofile können beispielsweise durch Thermokameras erfaßt
werden (vgl. DE 39 19 920 A1). Mittels besonderer Regeleinrichtungen ist es dann
möglich, bestimmte Temperaturgradienten zu erzeugen, die für eine Kristallbildung
erforderlich sind.
Bei geschlossenen Regelkreisen werden sogenannte Rückführungen eingesetzt, d. h.
das Ausgangssignal eines Verstärkers wird wieder auf den Eingang dieses Verstär
kers zurückgeführt. Erfolgt diese Rückführung proportional, spricht man von einem
P-Regler, erfolgt sie differential, spricht man von einem I-Regler. Die Kombination
aus P- und I-Rückführung wird "nachgebend" genannt. Der entsprechende Regler
heißt dann PI-Regler. In analoger Weise wird ein PD-Regler als verzögerter Regler
bezeichnet. Bei Kristallzüchtungsprozessen werden allerdings am häufigsten PID-
Regler eingesetzt, also Regler mit nachgebenden und verzögerten Rückführungen.
Soll ein Regler lediglich stabil betrieben werden, genügt ein PI-Regler. Er liefert eine
sehr gute stationäre Genauigkeit und bei richtiger Einstellung seiner Parameter eine
gute Stabilisierung bei mäßiger Schnelligkeit. Ein PI-Regler reicht jedoch nicht mehr
aus, wenn bei guter Stabilisierung hohe Ansprüche an die Schnelligkeit der Regelung
gestellt werden. In diesem Fall wird ein PID-Regler eingesetzt.
Mit PID-Reglern ist es möglich, Temperaturprofile schnell und genau zu regeln, um
einen gleichmäßigen Kristall zu erhalten. Ob und inwieweit sich die Qualität des Kri
stalls hierbei ändert, wird bei dem PID-Regler nicht berücksichtigt. Dies bedeutet,
daß ein mittels eines PID-Reglers hergestellter Einkristall zwar einen sehr gleich
mäßigen äußeren Körper hat, aber seine inneren Werte, z. B. Sauerstoffgehalt und
ohmscher Widerstand, ungleichmäßig verteilt sein können.
Bei komplexen Systemen, zu denen die Herstellungsprozesse von Ein- oder Poly
kristallen zählen, können auch sogenannte unscharfe Regler eingesetzt werden. Der
artige Regler kommen in der Fuzzy-Technik zur Anwendung (vgl. K. Goser, Fuzzy-
Technik: Unscharfe Regler für komplexe Systeme, Phys. Bl. 50, 1994, Nr. 11, S.
1064-1067; Preuß: Fuzzy-Control-heuristische Regelung mittels unscharfer "Logik",
atp-Automatisierungstechnische Praxis, 4/92, Seiten 176 bis 184 und 5/92, Seiten 239-
244).
Im Unterschied zur zufälligen Unschärfe, die mit den Hilfsmitteln der Wahrschein
lichkeitstheorie behandelt werden kann, geht es bei der Fuzzy-Theorie um die sprach
liche Unschärfe in der Beschreibung von Eigenschaften wie schnell, groß, klein etc.
Der Begriff "Fuzzy-Logik" (fuzzy (engl.) = undeutlich, verschwommen) wird als
Sammelbegriff der Fuzzy-Mengenlehre und Fuzzy-Logik verwendet. Während bei
klassischen Regelverfahren etwa die Vorschrift gilt: Wenn der Druck < 3 bar, dann
Kühlung einschalten, gilt bei der Fuzzy-Regelung die "verschwommene" Vorschrift:
Wenn Temperatur hoch, dann stark kühlen. Nach der Fuzzy-Logik nimmt die Prämis
se also nicht entweder den Wert "0" oder "1" an, sondern Wahrheitswerte zwischen
"0" und "1".
Ein intelligenter Regler auf der Basis der Fuzzy-Logik weist mehrere Vorteile auf, zu
denen der einfache Aufbau und der einfache Entwurf zählen. Die Tatsache, daß
Fuzzy-Regler gegen ungenau gemessene Eingangskenngrößen weitestgehend un
empfindlich sind, macht es möglich, bei der Gewinnung der Eingangskenngrößen mit
einfachster Meßsensorik zu arbeiten.
Die Fuzzy-Technik ist auch im Zusammenhang mit dem Ziehen von Einkristallen aus
einer Schmelze bekannt (DE 43 01 072 A1 = US-PS 5 485 802). Hierbei werden die
mit Hilfe von Meßfühlern oder Meßgeräten ermittelten Größen des Kristall-Ziehpro
zesses, wie beispielsweise die Schmelzenbadhöhe und die Schmelzentemperatur, als
Eingangssignale laufend einem Regler zugeführt, dem ein Fuzzy-Prozessor imple
mentiert ist, der entlang einer empirisch ermittelte Größen berücksichtigenden Regel
struktur das Stellsignal für einen Förderer ausgibt. Hierbei wird ein empirisch ermit
teltes Datenfeld verwendet, das wenigstens zwei Parameter aus einer ersten Gruppe
und wenigstens einen Parameter aus einer zweiten Gruppe enthält, wobei die erste
Gruppe die Schmelztemperatur, den Schmelzpegel und den Kristalldurchmesser ein
schließt, während die zweite Gruppe die Materialzuführungsrate, die Ziehrate und die
Heizungsleistung umfaßt. Die beiden Parameter aus der ersten Gruppe werden dann
gemessen, und es wird der besagte wenigstens eine Parameter aus der zweiten Grup
pe mittels eines Fuzzy-Prozessors geregelt, so daß die beiden wenigstens zwei ge
messenen Parameter aus der ersten Gruppe und der besagte wenigstens eine Para
meter aus der zweiten Gruppe dem empirisch ermittelten Datenfeld entsprechen.
Obgleich die Fuzzy-Logik eine Reihe von Vorteilen aufweist, besitzt sie auch einige
Nachteile. Wenn die Komplexität des Regelsystems zunimmt, wird es sehr schnell
schwierig, den richtigen Satz von Regeln - die sog. "Experten-Regeln, die auf Erfah
rungen von Fachleuten beruhen - und Mitgliedsfunktionen zu bestimmen, um das
Systemverhalten genau zu beschreiben. Zudem ist auch ein Experte nicht immer in
der Lage, sein Wissen explizit zu formulieren.
Nimmt die Komplexität weiter zu, kann es äußerst schwierig und zeitaufwendig wer
den, die linguistischen Variablen und einen bestehenden Regelsatz bezüglich eines
vorgegebenen Optimierungsziels zu verbessern. Manchmal versagt die Trial-and-
Error-Methode zur Bestimmung der Fuzzy-Regeln und der Zugehörigkeitsfunktionen
sogar ganz.
Weiterhin ist insbesondere bei eine "Feedforward System" keine wiederkehrende
Information eingeschlossen. Anders ausgedrückt herkömmliche Fuzzy-Logik-
Regeln halten keine Informationen über frühere Ergebnisse oder Entscheidungen zu
rück. Folglich ist die Fähigkeit, ein Systemverhalten zu beschreiben, begrenzt.
Man hat deshalb versucht, dieses Problem mit Hilfe von lernfähigen Anordnungen zu
lösen. Derartige lernfähige Anordnungen sind die künstlichen neuronalen Netze
(KNN). Sie werden insbesondere dann eingesetzt, wenn kein Algorithmus zwischen
einer gesuchten und einer vorhandenen Größe vorhanden ist oder nur mit großem
Aufwand ermittelt werden kann. In solchen Fällen sind allgemeine Algorithmen not
wendig, die einen Vektor - z. B. aus Druck und Temperatur - auf einen anderen Vek
tor - z. B. die Konzentration bestimmter Substanzen - abbilden.
Mit dem Algorithmus der neuronalen Netze kann ein Zusammenhang zwischen be
stimmten Größen erlernt werden.
Ein neuronales Netz ist die mathematische Modellierung von Nervenzellen und deren
Verbindungen, wie sie etwa im menschlichen Gehirn zu finden sind. Neuronale
Netze sind unter den Netzwerken durch die beiden Eigenschaften "Adaption" und
"Assoziation" gekennzeichnet. Die Adaption besteht in der Fähigkeit, Wissen zu er
kennen und zu speichern. Die Assoziation befähigt ein Netzwerk, Informationen mit
gespeichertem Wissen zu vergleichen, so daß Bekanntes wiedererkannt werden kann.
Ein neuronales Netz ist ein Netzwerk, dessen Knoten Neuronen genannt werden und
dessen Verbindungen der Neuronen Schwellenwerte, auch Gewichte genannt, tragen.
Diese Neuronen können zwei Zustände annehmen, nämlich den Ruhezustand und den
Erregungszustand. Ein Neuron kann außerdem mehrere Eingänge besitzen, aber nur
genau einen Ausgang. Der Ausgang eines Neurons ist mit Eingängen anderer Neuro
nen oder mit der Außenwelt verbunden. Ein Neuron geht in den Erregungszustand
über, wenn eine genügende Anzahl der Eingänge über dem jeweiligen Schwellenwert
des Neurons erregt sind. Ein bekanntes neuronales Netz ist das Feedforward Netz, ein
Netz, dessen Neuronen in drei Schichten (Layer) organisiert sind. Die Eingangsinfor
mation fließt dabei von der Eingabeschicht (Input Layer) der Neuronen über die Ver
bindungen zur verborgenen Zwischenschicht (Hidden Layer) und von dort weiter zur
Ausgabeschicht (Output Layer). Die Gewichte der Verbindungen können jeweils an
den Eingängen der Neuronen angebracht werden.
Es ist bereits ein neuronales Netzwerk für die Regelung eines CVD-Prozesses zur
Herstellung von Halbleiter-Wafern bekannt (US 5 649 063). Dieses neuronale Netz
werk wirkt mit einem Signal-Prozessor zusammen, und zwar in der Weise, daß eine
Rückkopplungs-Regelung realisiert wird, welche die Prozeßschwankungen reduziert.
Neuronale Netzwerke sind indessen nicht immer der effektivste Weg, einen intelli
genten Regler einzusetzen, da die Implementation eines neuronalen Netzwerks teurer
als die Implementation einer Fuzzy-Logik ist. Beispielsweise ist die Fuzzy-Logik für
bestimmte Anwendungsfälle effektiver und - bei geeigneter Programmierung - kann
ein herkömmlicher Regler verwendet werden, um die Fuzzy-Logik einzusetzen. Die
Implementierung eines neuronalen Netzwerks durch Programmierung eines her
kömmlichen eingefügten Reglers ist zwar ebenfalls möglich, doch ist es sehr viel
langsamer. Außerdem ist der Einsatz von Hardware bei der Fuzzy-Logik leichter als
bei der neuronalen Logik.
Man ist deshalb bestrebt, die Fuzzy-Logik mit neuronalen Netzwerken zu kombinie
ren (vgl. B. Kosko: Neural Networks and Fuzzy Systems, Prentice-Hall, 1992;
Mahyon et al.: Neural Network and Fuzzy, Models For Real Time Control of a CVD
Epitacral Reactor, Proc. SPIE-Int. Soc. Opt. Eng., 1992). Unter dem Fuzzy-Aspekt
werden die Gewichte des Netzwerks als Fuzzy-Mengen der linguistischen Terme ge
wählt, die in den Regeln des Fuzzy-Reglers stehen. Ein Neuro-Fuzzy-Regler ist somit
die Realisierung eines Fuzzy-Reglers auf einem neuronalen Netz, so daß die Netz
werkfunktion durch ein Fuzzy-Inferenz-Schema bestimmt wird.
Es ist bereits ein Fuzzy-Logic-System bekannt, das auf einem sich wiederholenden
neuronalen Netzwerk beruht (US 5 606 646). Dieses System weist Neuronen in einer
Regel-Grundschicht auf, wobei jedes Neuron eine sich wiederholende Architektur
mit einem Ausgang-Eingang-Rückkopplungszweig besitzt, der ein Zeitverzögerungs
element und ein neurales Gewicht enthält. Weiterhin weist dieses System eine neura
le, auf einem Netzwerk basierende Fuzzy-Logik-Maschine im finiten Zustand auf,
wobei das auf dem neuralen Netzwerk beruhende Fuzzy-Logik-System eine wieder
kehrende Architektur mit einem Ausgangs-Eingangs-Rückkopplungspfad aufweist,
der wenigstens ein Verzögerungselement enthält. Ferner eingeschlossen ist ein wie
derkehrender Fuzzy-Logik-Regel-Generator, der auf einem neuralen Netzwerk be
ruht, wobei ein neurales Netzwerk die Eingangsdaten empfängt und fuzzifiziert und
Daten bereitstellt, die den Fuzzy-Logik-Mitgliedsfunktionen und den wiederkehren
den Fuzzy-Logik-Regeln entsprechen.
Weiterhin ist eine Prozeßoptimierung bekannt, die ein neuronales Netzwerk verwen
det (US 5 671 335). Bei diesem Prozeß handelt es sich um einen komplexen Prozeß
mit mehreren Eingängen, beispielsweise um ein Spritzgußverfahren, der so optimiert
wird, daß er aufgrund eines auf den Prozeß hin trainierten neuralen Netzwerks ein
Target abgibt. Ein Versuchs-Eingang wird über das neurale Netzwerk nach vorne
ausgebreitet und der Ausgang des Netzwerks mit dem Targetausgang verglichen. Die
Differenz wird über das Netzwerk zurückübertragen, um einen Eingangsfehlerwert
im Netzwerk zu bestimmen. Dieser Fehlerwert wird dazu verwendet, den Versuchs
eingang zu korrigieren. Der Korrektur-Prozeß wird solange wiederholt, bis der Ver
suchseingang den Targetausgang innerhalb eines vorgegebenen Genauigkeitsgrades
erzeugt.
Der Erfindung liegt die Aufgabe zugrunde, die Qualität von Ein- und/oder Polykri
stallen durch den Einsatz besonderer Regler zu verbessern.
Diese Aufgabe wird gemäß den Merkmalen des Patentanspruchs 1 gelöst.
Der mit der Erfindung erzielte Vorteil besteht insbesondere darin, daß eine sehr hohe
Qualität von Ein- und Polykristallen hinsichtlich der äußeren Form und der inneren
Beschaffenheit erzielt wird, weil Prozeßfehler sofort erkannt und korrigiert werden.
Außerdem kann die Erfindung leicht in einen computerintegrierten Herstellungspro
zeß eingebunden werden.
Weiterhin ist es möglich, die Verhältnisse bei der Herstellung von Kristallen durch
mehrstufige künstliche neuronale Netze abzubilden und damit frühzeitig während des
Herstellungsprozesses zu erkennen, ob der Kristall Fehlerlagen aufweist. Die entspre
chende Parameterkorrektur kann dann rechtzeitig über einen Fuzzy-Regler vorge
nommen werden. Außerdem ist eine Operatorschulung am kalten Modell durchführ
bar.
Ferner können zusätzliche Qualitätsdaten der Hilfsmittel, wie Blasenprofil des Quarz
tiegels, Standzeit der Heizeinrichtungsteile, Grad der Alterung, Anzahl der Dips pro
Impfling, Charge und Dotiermaterial etc., als Softsensoren verwendet werden. Es ist
auch möglich, virtuelle Analysatoren, z. B. für die Schmelzbadviskosität, zu bilden,
um das Zeitverhalten des Regelkreises entsprechend zu korrigieren. Der Einfluß von
unterschiedlich langen Sequenzen oder Zeitscheiben wie Stabilisierung, Dip, Neck,
Shoulder, Body, Endcone und Shut Down auf den Folgeschritt, wie z. B. Durchmes
serüberschwingen bei der Transition von Shoulder zu Body, werden in der Regel
strategie entsprechend der Modellanalyse durch überlagerte Fuzzy-Regler und Ro
bustheitsfilter korrigiert. Bei entsprechenden Prozeßdaten kann eine Vorhersage von
Meßwerten wie Temperatur, Durchmesser, Ziehgeschwindigkeit etc. gemacht wer
den. Die Prognose sagt z. B. aus: Wenn der Prozeß weiter in diesem Zustand läuft,
wird das Produkt einen bestimmten Gütewert erhalten.
Ein Ausführungsbeispiel der Erfindung ist in der Zeichnung dargestellt und wird im
folgenden näher beschrieben. Es zeigen:
Fig. 1 eine Prinzipdarstellung einer Einrichtung zum Ziehen von Einkristallen
nach dem Czochralski-Verfahren mit Neuro-Fuzzy-Regelung;
Fig. 2 eine Prinzipdarstellung der Verknüpfungen zwischen einem Neuro-Fuzzy-
Regler und einem PID-Regler;
Fig. 3 ein künstliches neuronales Netzwerk;
Fig. 4 ein Neuron mit mehreren Eingängen und einem Ausgang;
Fig. 5 einen Fuzzy-Regler;
Fig. 6 eine PID-Regler-Anordnung mit überlagerter Neuro-Fuzzy-Regelung.
In der Fig. 1 ist eine Vorrichtung 1 dargestellt, mit der es möglich ist, einen Kristall
2, dessen Unterseite 3 mit der Oberfläche 4 einer Schmelze 5 in Verbindung steht,
aus dieser Schmelze 5 zu ziehen. Der Kristall 2 wird hierbei im Sinne eines Pfeils 6
gedreht bzw. im Sinne eines Pfeils 6a gehoben bzw. gesenkt. Die Schmelze 5 befin
det sich in einem Tiegel 7, der mittels einer Welle 8 von einem Elektromotor 9 ange
trieben wird. Welle 8 und Motor 9 sind über Flansche 10, 11 miteinander verbunden.
Der Tiegel 7 befindet sich in einem Gehäuse, das aus einem oberen Teil 12, einem
mittleren Teil 13 und einem unteren Teil 14 besteht. Er ist im Sinne eines Pfeils 15
drehbar und im Sinne eines Pfeils 6b heb- und senkbar. Um den Tiegel 7 herum ist
eine elektrische Heizeinrichtung 16 gelegt, die von einer speicherprogrammlerbaren
Steuerung 17 (= SPS) gesteuert wird.
Die Drehung des Kristalls 2 erfolgt mittels einer Stange oder eines Seils 18, z. B. ei
ner Gewindestange, die von einem Elektromotor 19 angetrieben wird. Dieser Motor
19 wird ebenfalls von der SPS 17 aus gesteuert.
Die Stange 18, deren vertikale Achse mit 22 bezeichnet ist, ist von einem Rohr 23
umgeben, welches mit dem oberen Teil 12 des Gehäuses 12, 13, 14 in Verbindung
steht. Dieses Rohr 23, das mit dem Teil 12 über einen Flansch 180 verbunden ist,
weist eine Gaseinlaßöffnung 24 auf. Im Bodenteil 14 des Gehäuses 12, 13, 14 sind
Gasauslaßöffnungen 25, 26 vorgesehen sind, die von Ventilen 31, 32 abgeriegelt
werden können. Die Ventile können mit Absaugpumpen kombiniert sein, so daß die
im Gehäuse 12, 13, 14 befindlichen Gase nicht nur abgeriegelt, sondern auch abge
saugt werden können.
Die Stange 18 kann, wie sich aus den Pfeilen 6 und 6a ergibt, mittels des Elektromo
tors 19 nicht nur gedreht, sondern auch angehoben werden. Die Steuerung des Elek
tromotors 19 erfolgt über die SPS 17, die mit verschiedenen Betriebszustands-Infor
mationen versorgt wird. Diese Betriebszustands-Informationen werden von verschie
denen Sensoren geliefert, beispielsweise von einem Sensor 43 zur Erfassung des
Pegelstands der Schmelze 5, einem Sensor 44 zur Erfassung der Temperatur über der
Schmelze 5, einem Sensor 45 zur Erfassung des Gasdrucks und einem Sensor 47, bei
spielsweise einer Kamera, zur Erfassung der Gestalt des Kristalls 2. Ihre Daten wer
den der SPS 17 und von dort aus über Leitungen 60 bis 64 einer Neuro-Fuzzy-Logik
52 zugeführt, die als Software in einem Computer 50 realisiert ist.
Die Sensoren 43 bis 47 sind in der Fig. 1 nur schematisch dargestellt. Es versteht
sich, daß weitere Sensoren, z. B. zur Erfassung des Gasflusses oder zur Erfassung der
Wärme der Heizspule 16, vorgesehen werden können.
Mit der SPS 17 läßt sich auch ein Ventil 27 steuern, welches zwischen einem Gas-
Reservoir 28 und der Gaseinlaßöffnung 24 angeordnet ist. Mit diesem Ventil 27 kann
der Zustrom eines Gases in das Rohr 23 und damit in den Behälter 12, 13, 14 gesteu
ert werden. Die Steuerung der Pumpen bzw. Ventile 31, 32 erfolgt ebenfalls über die
SPS 17.
Die SPS 17 arbeitet mit dem Computer 50, vorzugsweise einem PC, zusammen, der
wiederum mit einem Monitor 51 in Verbindung steht. Zwischen PC 50 und SPS 17
erfolgt ein Datenaustausch, was durch die Datenleitung 20 angedeutet ist. Desglei
chen erfolgt ein Datenaustausch zwischen der Neuro-Fuzzy-Logik 52 und der SPS 17
über die Datenleitungen 60 bis 64 bzw. 65, 66.
Eine etwas mehr ins Detail gehende Darstellung der hier wichtigen Regelungsvorgän
ge ist in der Fig. 2 gezeigt. Man erkennt bei dieser Darstellung, daß die Neuro-Fuzzy-
Logik 52 einen Neuro-Teil 53 und einen Fuzzy-Teil 54 aufweist und daß beide Teile
53, 54 im Computer 50 enthalten sind. Außerdem erkennt man, daß die speicherpro
grammierbare Steuerung 17 einen PID-Regler 55 enthält, der vom Computer 50 an
gesteuert wird. Dieser PID-Regler ist durch einfaches Umschalten in einen P- oder D-
oder ID- oder PD- oder PID-Regler verwandelbar. Eine detailliertere Darstellung der
Anordnung gemäß Fig. 2 findet sich in der weiter unten noch beschriebenen Fig. 6.
PID-Regler werden in herkömmlichen Anlagen überwiegend eingesetzt. Sie besitzen
überhaupt den höchsten Verbreitungsgrad. Dieser Tatbestand hat verschiedene Ursa
chen. So ist der Einsatz von PID-Reglern nicht auf eine spezielle Klasse von Regel
strecken beschränkt, sondern für nahezu alle Prozeßtypen möglich. Praktisch alle
klassischen Entwurfsverfahren sind für PID-Regler geeignet. Dabei zeichnen sich
PID-Regler insbesondere durch ihre Robustheit aus. Strukturell läßt sich ein PID-
Regler darstellen als Parallelschaltung aus P-, I- und D-Anteil, wobei der P-Anteil für
ein allgemein günstiges Regelverhalten, der I-Anteil für stationäre Genauigkeit und
der D-Anteil für eine schnelle Ausregelung sorgt. Ein moderner Hardware-PID-Reg
ler arbeitet mittels eines Operationsverstärkers, der im Rückkopplungssinn eine Rei
hen-RC-Schaltung aufweist und an dem einen Eingang einer Parallelschaltung aus
Widerstand und Kondensator liegt.
Immer häufiger wird der PID-Algorithmus softwaremäßig realisiert, beispielsweise
auf einer speicherprogrammlerbaren Steuerung (SPS) oder einem Digitalrechner.
Diese Realisierungsform zeichnet sich insbesondere durch ihre Flexibilität aus.
In der Fig. 3 ist dargestellt, daß die von den Sensoren 43 bis 47 über die Leitungen 33
bis 37 auf die SPS 17 gegebenen Daten über die Leitungen 60 bis 64 auf den Neuro-
Teil 53 des Computers 50 gelangen. Dieser Neuro-Teil 53 weist ein Netzwerk 70 mit
Neuronen 72 bis 76, eine erste verborgene Zwischenschicht 77 (Hidden Layer) mit
sechs Neuronen 78 bis 83, eine zweite verborgene Zwischenschicht 84 mit fünf Neu
ronen 85, 86, 87, 88, 89 und eine Ausgabeschicht 90 mit zwei Neuronen 91, 92 auf.
Die Neuronen 91, 92 sind mit den Ausgangsleitungen 65, 66 verbunden.
Die Fig. 3 stellt ein sogenanntes Feed-Forward-Netz dar. Neuronale Netze sind nor
mierte Strukturen und können daher nur Werte zwischen 0 und 1 oder zwischen -l
und +1 verarbeiten. Realzahlen müssen umgewandelt werden.
Wie die Fig. 4 zeigt, können die Gewichte w1, w2, w3 der Verbindungen jeweils an
den Eingängen x1, x2, x3 der Neuronen angebracht werden. In den Gewichten der
Eingänge eines Neurons und dem Schwellenwert des Neurons selbst ist das Wissen
durch Adaption abgespeichert. Die Assoziation einer Eingangsinformation zu den ab
gespeicherten Informationen findet durch einen Vergleichsalgorithmus im Neuron
statt. Dieser Vergleichsalgorithmus zusammen mit den Gewichten definiert eine
Netzwerkfunktion. Ist z. B. w1 = 0, dann besteht keine Verbindung zwischen dem
vorangegangenen und dem nachfolgenden Neuron. Bei w1 = 0 hemmt das Neuron
das Nachfolgeneuron, und bei w < 0 aktiviert das Neuron das Nachfolgeneuron. Die
möglichen Arten des Lernens mittels künstlicher Neuronen sind: Entwicklung neuer
Verbindungen, Löschen existierender Verbindungen, Modifikation der Stärke w von
Verbindungen, Modifikation des Schwellwertes von Neuronen, Modifikation der
Aktivierungs- und Ausgabefunktion, Einfügen neuer Neuronen und Löschen von
Neuronen.
Die modellhafte Widerspiegelung eines natürlichen Neurons wird als Hebb'sches
Perceptron bezeichnet. Die Eingänge x1, x2, x3, welche Ausgänge von vorgeschalte
ten Datenquellen wie Sensoren sein können, werden innerhalb des Neurons mit den
sogenannten Gewichten w1, w2, w3 (z. B. 2; 0,1; 0,5) multipliziert. Die daraus resul
tierenden gewichteten Eingaben werden dann über eine sogenannte Transferfunktion
verarbeitet und ergeben den Gesamtausgang y. Da künstliche Neuronen im Computer
in Form mathematischer Gleichungssysteme simuliert werden, ist es notwendig, die
kompletten Funktionen des Neurons als Gleichungen auszudrücken, deren Eingänge
zu einem Ausgang umgerechnet werden.
Werden mehrere Perceptrons hinter- und nebeneinander geschaltet, wie es die Fig. 3
zeigt, kann bei entsprechender Einstellung der Gewichte w1, w2, w3 und entspre
chender Komplexität des Netzwerks theoretisch jede mathematische Funktion und je
der formale Zusammenhang dargestellt werden. Das ganze künstliche neuronale
Netzwerk stellt sich dann als große Gleichung mit bis zu Hunderten von Koeffizien
ten (Gewichten) dar und kann - innerhalb bestimmter Wertebereiche - damit auch
jede andere Gleichung abbilden.
Eine exponentielle Transferfunktion, die das einzelne Neuron erst ab einem bestimm
ten Summenwert aktiv werden läßt, sorgt dafür, daß bestimmte Neuronen-Cluster
jeweils bei einem bestimmten Schwellwert aktiv werden und somit auch starr nicht
lineare Zusammenhänge durch ein Netz gemäß Fig. 3 abgebildet werden können.
Die Gewichte des neuronalen Netzes 70 können in einem Lernvorgang trainiert - d. h.
adaptiert - werden. Es gibt eine Reihe von Lernverfahren, von denen eines der be
kanntesten das Backpropagation-Verfahren ist. Durch den Lernvorgang werden die
Gewichte an den Verbindungen, welche die Neuronen der aufeinanderfolgenden
Schichten miteinander verbinden, entsprechend den Eingangssignalen in den Prozeß
und den Ausgangssignalen aus dem Prozeß gesetzt. Wenn das Neuro-Netzwerk ord
nungsgemäß trainiert ist, funktioniert es wie ein inverses Modell des Kristallzieh-
Prozesses. Als Reaktion auf Eingangssignale, welche Prozeßausgangskalkulatoren
darstellen, erzeugt das künstliche Neuro-Netzwerk mehrere Signale, die den Kristalli
sationsprozeß bestimmen. Werden diese Signale in den Prozeß gegeben, bewirken
sie, daß eine Gruppe von Ausgangssignalen erzeugt wird, die der gewünschten
Gruppe von Ausgangssignalen mehr angenähert ist.
Bei Multi-Layer-Backpropagation-Verfahren strebt der mathematische Algorithmus
durch Gewichtsänderung Null-Fehler an.
Jedes Neuron berechnet zunächst die gewichtete Summe der Ausgänge der vor ihm
liegenden Neuronen. Dann berechnet es den Ausgangswert, indem es die gewichtete
Summe über eine Transferfunktion umrechnet. Dieser Ausgangswert wird dann zum
nächsten Neuron oder aber zum Ausgang weitergegeben.
Außer dem von Rummelhard entwickelten Backpropagation-Verfahren gibt es auch
noch andere Verfahren, welche neuronale Netze verwenden, z. B. die sogenannten
Kohonen-Netze, die um 1988 von T. Kohonen entwickelt wurden. Hierbei sind alle
Neuronen mit den Eingängen und allen anderen Neuronen verknüpft, benachbarte
Neuronen verstärken sich, entfernte Neuronen hemmen sich und jedes Eingabemuster
korreliert mit einem aktiven Zentrum. Im Vergleich zu dem von David Rummelhard
u. a. etwa um 1985 vorgeschlagenen verallgemeinerten Backpropagation-Algorith
mus mit Delta-Regel bei mehrschichtigen künstlichen neuronalen Netzen sind diese
Alternativen in der Praxis jedoch nur von geringer Bedeutung geblieben.
Bei dem Backpropagation-Algorithmus wird zunächst ein Trainingsdatensatz ausge
sucht, auf den man das neuronale Netz trainiert. Ein solcher Trainingsdatensatz be
steht im allgemeinen aus einer endlichen Zahl von einander zugeordneten Eingangs-
und Ausgangsvektoren (Zahlenreihen). Jeder Eingangsvektor besteht z. B. aus drei
Zahlen (drei Eingänge!) und jeder Ausgangsvektor aus jeweils einer Zahl (ein Aus
gang).
Anschließend wird ein Error-Backpropation-Algorithmus ermittelt. Hierbei wird der
mittlere Fehler aller Ausgänge der letzten Schicht des Netzwerks berechnet. Die Ge
wichte der einzelnen Neuronen werden dann in der Weise eingestellt, daß der er
wähnte Fehler iterativ zu Null wird. Das künstliche neuronale Netz nach Rummel
hard ist somit eine Art Iterationsmaschine, welche sich durch kleine gezielte Verän
derungen der Gewichte an ein Optimum, das Fehlerminimum, herantastet.
Rechenprogramme, welche die vorstehend geschilderten Handlungen ausführen, sind
bereits bekannt und werden von verschiedenen Firmen angeboten, z. B. von den kali
fornischen Firmen Neuro DynamX (DynaMind) bzw. CSS (Brain-Maker).
In der Fig. 5 ist die logische Struktur eines Fuzzy-Reglers 54 mit einer Ausgangsgrö
ße und mehreren Eingangsgrößen dargestellt. Von außen betrachtet weist dieser Reg
ler keinerlei Unschärfe auf, d. h. sowohl Eingangs- als auch Stellgrößen sind scharfe
Werte. Die Unschärfe liegt vielmehr im Innenleben des Reglers begründet. Sowohl
die Eingangs- als auch die Stellgrößen sind linguistische Variablen und durch die Zu
gehörigkeitsfunktionen, d. h. Fuzzy-Mengen der einzelnen linguistischen Terme, cha
rakterisiert. Durch die Fuzzifizierungseinheiten 100, 101, 102 werden die scharfen
Eingangsgrößen auf den Leitungen 65, 66 in unscharfe Größen überführt. Eine Infe
renzmaschine 103 generiert im zweiten Schritt, basierend auf einem vorgegebenen
Regelwert, aus diesen fuzzifizierten Eingangsgrößen eine unscharfe Stellgröße. Diese
wird schließlich durch eine Defuzzifizierungseinheit 104 wieder in ein scharfes
Signal zurückverwandelt.
Bei der Fuzzifizierung werden also die Eingangsgrößen des Fuzzy-Reglers den
linguistischen Variablen und linguistischen Termen zugeordnet. Eine Temperatur
wird so z. B. mit unterschiedlich hohen Zugehörigkeitsgraden den linguistischen Ter
men "hohe Temperatur", "mittlere Temperatur" und "niedrige Temperatur" zugeord
net. So kann eine Temperatur von 900°C zu 0,26 (26%) der Menge der "mittleren
Temperatur" und gleichzeitig auch zu 0,68 der Menge der "hohen Temperatur" ange
hören. Diese Unsicherheit des Wissens entspricht der sprachlichen Unsicherheit.
Zwei Regeln, welche mit den Prämissen "Wenn Temperatur hoch" und "Wenn
Temperatur mittel" versehen sind, würden in diesem Fall beide auf den Prozeß wir
ken, würden aber unterschiedlich stark gewichtet werden.
Diese Gewichtung wird beim zweiten Schritt der Informationsverarbeitung, der soge
nannten Inferenz, durchgeführt. Die Inferenzmaschine eines Fuzzy-Reglers zieht die
linguistischen Variablen aus der Fuzzifizierung heran, betrachtet alle sprachlichen
Regeln und bildet aus widersprüchlichen Regeln eindeutige Aussagen. Kommt z. B.
eine Regel mit der Plausibilität 0,36 zu dem Schluß, daß ein Ventil geschlossen wer
den muß und schließt eine andere Regel mit der Plausibilität 0,65, daß ein Ventil nur
halb geschlossen werden müsse, so bildet die Inferenzmaschine in dem Fuzzy-Regler
nach verschiedenen möglichen Verfahren einen Kompromisswert und schließt das
Ventil z. B. auf 60% Totalöffnung.
Die Defuzzifizierung wird im letzten Schritt der Informationsverarbeitung des Fuzzy-
Reglers 54 angewendet, um die linguistischen Aussagen wieder in physikalische
(Stell-)Größen umzuwandeln und um die widersprüchlichen Folgerungen dieser Re
geln nun zu einem eindeutigen Ergebnis zu führen. Man kann hierbei unscharfe Aus
sagen wie "weit öffnen", "geringe Öffnung" oder "hoher Durchfluß" wieder in physi
kalische Größen umwandeln und hiermit z. B. Sollwerte von PID-Reglern führen.
In der Fig. 6 ist ein Blockschaltbild dargestellt, welches das Prinzip der Neuro-
Fuzzy-Regelung der Kristallziehanlagen noch einmal im Prinzip zeigt.
Der Kristallziehprozeß ist ein typisches Mehrgrößenproblem, da verschiedene
Größen wie Kristallrotation, Tiegelrotation, Kristall- bzw. Tiegelhub- oder -senk
geschwindigkeit, Gasfluß, Gaskammerdruck, Heiztemperatur, Schmelztemperatur,
Kristalldurchmesser, Schmelzbadhöhe etc. zu berücksichtigen sind. Bei solchen Pro
zessen werden im Zusammenhang mit dem künstlichen neuronalen Netzwerk modell
gestützte Verfahren eingesetzt. Hierbei geht man im wesentlichen in zwei Schritten
vor: Es wird zunächst das Modell gebildet und dann der Regler entworfen. Bei der
Modellbildung bieten sich wiederum zwei Möglichkeiten an: die Bildung eines rege
lungstechnischen Beobachtermodells oder die Entwicklung eines reaktionskineti
schen Modells. Die Bildung kinetischer Modelle zum Zwecke der Regelung ist indes
sen verhältnismäßig aufwendig, denn es müssen alle bekannten Stoffumwandlungen,
Wärmeübergänge, Diffusionsvorgänge und Bilanzgleichungen erfaßt, quantifiziert
und in Form von Differentialgleichungen formuliert werden, welche dann in ihrer
Gesamtheit den modellierten Prozeß in seinem Verhalten abbilden. Bei der Erstellung
der regelungstechnischen Modelle wird dagegen der betrachtete Prozeß als "Black
Box" angesehen, wobei aus der Analyse der Reaktionen des Prozesses auf Störungen
Rückschlüsse auf das dynamische Streckenverhalten gezogen werden. Die beobach
teten Reaktionen werden wiederum in Differentialgleichungen höherer Ordnung for
muliert und bilden das Modell. Da die meisten Modelle nicht aus geschlossenen
mathematischen Gleichungen bestehen, sondern z. B. partielle Differentialgleichun
gen beinhalten, ist eine geschlossene Reglerentwicklung selten möglich.
Das Ziehen eines Kristalls nach dem Czochralski-Verfahren besteht aus mehreren
Schritten. Ziel der Prozeßführung ist es letztendlich, den Prozeß so zu betreiben, daß
bestimmte Qualitätsgrößen auf einem Niveau gehalten werden, welche eine konstante
Produktqualität garantieren. Zu diesen Qualitätsgrößen zählen z. B. die Kristallorien
tierung, der Sauerstoffgehalt des Kristalls, der elektrische Widerstandsgradient und
die Dotierung.
Beim Ziehen des Kristalls können sich die Probleme einer zu großen Totzeit bzw.
einer ungenauen Erfaßbarkeit von Größen ergeben.
Man hat verschiedentlich versucht, diese Probleme mit empirischen Regelungssyste
men auf der Basis reiner Fuzzy-Regler zu lösen. Das Problem eines reinen Fuzzy-
Reglers - wie auch eines klassischen Reglers - besteht im wesentlichen darin, daß die
ser ebenso wie der Anlagenfahrer den oben beschriebenen Problemen durch die lan
gen Totzeiten unterworfen ist.
Um einen Fuzzy-Regler an einer solchen Anlage für jede Situation richtig zu parame
trieren, muß ein sehr großer Aufwand betrieben werden, so daß ein solches System
letztendlich mit einem zu hohen Wartungs- und Konfigurationsaufwand belastet ist.
Gemäß der vorliegenden Erfindung werden deshalb alle relevanten Daten der Kri
stallziehanlage 1 zyklisch erfaßt und in einer Datenbank abgelegt. Neben den Tempe
raturwerten der Heizzonen 16 werden hier auch Gasfluß, Zieh-Geschwindigkeit etc.
abgelegt.
Mit Hilfe des Neuromodells 202 wird nun aus diesen Daten ein neuronales Prozeß
modell erzeugt, welches die Eigenschaften des Kristalls vorhersagt. Durch Eingabe
bestimmter Größen in das Neuromodell 202 können verschiedene Eigenschaften des
zu ziehenden Kristalls bestimmt werden.
Das auf diese Weise fertiggestellte Neuromodell 202 wird z. B. in einem Prozeßrech
ner, etwa in dem Rechner 50 gemäß Fig. 1, implementiert und mit dem Prozeß on
line verbunden. Ein überlagerten Fuzzy-Regler 201 registriert auf der Basis der Vor
hersagen des Neuromodells 202 ständig die zu erwartende Qualität des Kristalls und
wirkt somit Qualitätseinbrüchen bereits entgegen, bevor diese überhaupt meßbar wer
den.
Bevor der Fuzzy-Regler 201 Änderungen auf die Sollwerte der unterlagerten Prozeß
regler schreibt, probiert er Änderungen z. B. an dem Temperaturregler für die Hei
zung 16 am Neuromodell 202 aus. Es gibt sogenannte Testsollwerte auf das Neuro
modell.
Das Neuromodell 202 läuft gewissermaßen neben dem Prozeß her und wird über eine
statistische Modellüberwachung 200 und einen Robustheitsfilter 203 korrigiert. Die
Filterung des Robustheitsfilters 203, bei dem es sich um ein Tiefpaßfilter handelt, ist
dabei so träge wie nötig, aber so flink wie möglich. Die Signal- und Rauschanteile
der Daten werden dabei getrennt. Hierfür können systemtheoretische Verfahren der
Autokorrelationsanalyse verwendet werden, da diese Verfahren den Rauschanteil und
den Signalanteil der kontinuierlich aufgezeichneten Daten identifizieren können.
In der statistischen Modellüberwachung 200, der Material- und Analysedaten 94 zu
geführt werden, wird das KNN mit Testdaten überprüft, die nicht Bestandteil des
Trainingsdatenbestands waren. Jede Empfehlung des Fuzzy-Reglers 201 geht also
zunächst auf das Neuromodell 202, wird vom Fuzzy-Regler wieder bewertet und erst
dann über das Robustheitsfilter 203 auf den Prozeß geschrieben. Das Neuromodell
202, dem Material- und Analysedaten der Kristallziehanlage (1) zugeführt werden,
stellt sogenannte Qualitätsdaten (QA (t+1); QB (t+1)) zur Verfügung.
Die herkömmlichen PID-Regler 204 bis 206, die in der SPS 17 realisiert sind, bleiben
bestehen. Sie werden durch die vom Robustheitsfilter 203 kommenden Signale ledig
lich korrigiert. Würde man nur die Regler 204 bis 206 einsetzen, ergäbe sich wegen
der Mehrgrößenprobleme keine optimale Regelung. Die Einzelregler 204 bis 206
müßten per Hand durch den Anlagenbetreiber korrigiert werden.
Manuelle Regler sind jedoch immer mit dem Nachteil verbunden, daß neben einer
geringen Reproduzierbarkeit der Operationen des Bedienpersonals immer mit Zeit
verzug und damit wenig exakt gearbeitet wird.
Das Erfahrenswissen der Anlagenfahrer ist im Fuzzy-Regler 201 festgehalten.
Die konventionellen Regler 204 bis 206 sind allerdings schon in der Lage, eine Anla
ge zu betreiben, wenn auch nicht optimal. Deshalb wird der Fuzzy-Regler 201 zur
Sollwertführung oder Parametrierung den PID-Reglern 204 bis 206 als Optimie
rungsregler überlagert. Kommt es zu nicht definierten Zuständen eines Reglers, ist
damit sichergestellt, daß die konventionelle Regelungstechnik den Prozeß wenigstens
innerhalb unkritischer Grenzwerte halten kann. Mit 93 ist ein Netzwerk und mit 94
das Datenlogging für Material- und Analysedaten bezeichnet. Bei dem Netzwerk 93
kann es sich um ein QS-Netzwerk handeln.
Claims (13)
1. Verfahren zum Herstellen von Kristallen, insbesondere von Einkristallen, bei dem
die Prozeß-Daten, z. B. Schmelztemperatur, Gasdruck, Schmelzpegel, Gasfluß und
dergleichen, erfaßt und verarbeitet und Stelleinrichtungen, z. B. Heizungen, Pumpen
und dergleichen, über PID-Regler gesteuert werden, dadurch gekennzeichnet, daß
einem PID-Regler (55; 204 bis 206) eine Regelung mit einem künstlichen neuronalen
Netz (53, 202) überlagert wird.
2. Verfahren nach Anspruch 1, dadurch gekennzeichnet, daß der Regelung des PID-
Reglers (55, 204 bis 206) eine Regelung des Fuzzy-Reglers (54, 201) überlagert wird.
3. Verfahren nach Anspruch 1, dadurch gekennzeichnet, daß dem PID-Regler (55,
204 bis 206) ein Robustheitsfilter (203) vorgeschaltet wird.
4. Verfahren nach Anspruch 1, dadurch gekennzeichnet, daß die überlagerte Neuro-
Fuzzy-Regelung durch die Software eines Computers (50) realisiert wird.
5. Verfahren nach Anspruch 1, dadurch gekennzeichnet, daß die PID-
Regler P-, PI-, PD- etc. Regler sind.
6. Verfahren nach Anspruch 1, dadurch gekennzeichnet, daß die aus einer Kristall
ziehanlage (1) kommenden Prozeßdaten über Leitungen (33 bis 37) einem Neuro
modell (202) zugeführt werden, welches aus diesen Daten ein neuronales Modell
eines Kristalltyps erzeugt.
7. Verfahren nach Anspruch 6, dadurch gekennzeichnet, daß die Modellbildung
durch Trainieren optimiert wird.
8. Verfahren nach Anspruch 2, dadurch gekennzeichnet, daß der Fuzzy-Regler
(201) auf der Basis der Vorhersagen des Neuromodells (202) ständig auf die zu er
wartende Qualität des Kristalls einwirkt.
9. Verfahren nach Anspruch 1, dadurch gekennzeichnet, daß eine statistische Mo
dellüberwachung (202) vorgesehen ist, welche das künstliche neuronale Netz (202)
mit Testdaten überprüft.
10. Verfahren nach Anspruch 9, dadurch gekennzeichnet, daß die Material- und
Analysedaten (94) der statistischen Modellüberwachung (202) zugeführt werden.
11. Verfahren nach Anspruch 1, dadurch gekennzeichnet, daß das Neuromodell
(202) Qualitätsdaten (QA (t+1); QB (t+1)) abgibt, die dem Regelungsprozeß zur Ver
fügung gestellt werden.
12. Verfahren nach Anspruch 1, dadurch gekennzeichnet, daß der Einfluß der un
terschiedlich langen Sequenzen wie Stabilisierung, Dip, Neck, Shoulder, Body, End
cone und Shut Down auf den Folgeschritt, wie z. B. Durchmesserüberschwingen bei
der Transition von Shoulder zu Body, entsprechend der Modellanalyse durch überge
lagerte Fuzzy-Regler und Robustheitsfilter korrigiert wird.
13. Verfahren nach einem oder mehreren der vorangegangenen Ansprüche, dadurch
gekennzeichnet, daß durch die überlagerte Fuzzy-Regelung eine Korrektur des Mo
dells des Kristalltyps eingeleitet wird, wenn eine SPS (17) und/oder eine statistische
Modellüberwachung (200) über einen Robustheitsfilter in die Regelung eingreifen.
Priority Applications (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE19824838A DE19824838A1 (de) | 1998-06-04 | 1998-06-04 | Verfahren zum Herstellen von Kristallen |
JP2000552324A JP2002517367A (ja) | 1998-06-04 | 1999-06-01 | 結晶成長装置および方法 |
KR1020007001200A KR20010022606A (ko) | 1998-06-04 | 1999-06-01 | 결정 성장 장치 및 프로세스 |
PCT/EP1999/003788 WO1999063134A1 (de) | 1998-06-04 | 1999-06-01 | Einrichtung und verfahren zum züchten von kristallen |
EP99926496A EP1007769A1 (de) | 1998-06-04 | 1999-06-01 | Einrichtung und verfahren zum züchten von kristallen |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE19824838A DE19824838A1 (de) | 1998-06-04 | 1998-06-04 | Verfahren zum Herstellen von Kristallen |
Publications (1)
Publication Number | Publication Date |
---|---|
DE19824838A1 true DE19824838A1 (de) | 1999-12-09 |
Family
ID=7869801
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE19824838A Withdrawn DE19824838A1 (de) | 1998-06-04 | 1998-06-04 | Verfahren zum Herstellen von Kristallen |
Country Status (5)
Country | Link |
---|---|
EP (1) | EP1007769A1 (de) |
JP (1) | JP2002517367A (de) |
KR (1) | KR20010022606A (de) |
DE (1) | DE19824838A1 (de) |
WO (1) | WO1999063134A1 (de) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10103691A1 (de) * | 2001-01-26 | 2002-08-08 | Crystal Growing Systems Gmbh | Elektrische Energieversorgung für eine elektrische Heizung |
US8150784B2 (en) | 2005-08-12 | 2012-04-03 | Sumco Techxiv Corporation | Control system and method for controlled object in time variant system with dead time, such as single crystal production device by czochralski method |
DE102012202111A1 (de) * | 2012-02-13 | 2013-08-14 | Krones Ag | Verfahren zur Steuerung und/oder Regelung von Filteranlagen zur Ultrafiltration |
EP4050333A4 (de) * | 2020-12-31 | 2022-12-07 | Hangzhou Fujia Gallium Technology Co. Ltd. | Qualitätsvorhersageverfahren für galliumoxid des hochwiderstandstyps und herstellungsverfahren und -system basierend auf deep learning und kantendefinierter schichtwachstumstechnik |
US12024791B2 (en) | 2020-12-31 | 2024-07-02 | Hangzhou Fujia Gallium Technology Co. Ltd. | Quality prediction method, preparation method and system of high resistance gallium oxide based on deep learning and edge-defined film-fed growth method |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20030020474A (ko) * | 2001-08-29 | 2003-03-10 | 주식회사 실트론 | 잉곳 성장 장치 제어 시스템 |
DE102007041632A1 (de) * | 2006-09-18 | 2008-04-03 | Sms Demag Ag | Verfahren zum Betreiben eines schmelzmetallurgischen Ofens und Ofen |
JP5073257B2 (ja) * | 2006-09-27 | 2012-11-14 | Sumco Techxiv株式会社 | 単結晶製造装置及び方法 |
KR100958530B1 (ko) * | 2008-01-17 | 2010-05-19 | 케이엔디티앤아이 주식회사 | 연속공정이 가능한 용융 결정화 반응장치 및 이를 포함하는시스템 |
US8221545B2 (en) * | 2008-07-31 | 2012-07-17 | Sumco Phoenix Corporation | Procedure for in-situ determination of thermal gradients at the crystal growth front |
JP5170061B2 (ja) * | 2009-11-02 | 2013-03-27 | 信越半導体株式会社 | 抵抗率計算プログラム及び単結晶の製造方法 |
JP2017124498A (ja) * | 2016-01-12 | 2017-07-20 | 財團法人精密機械研究發展中心 | 射出成形に用いられる製造パラメータの取得方法 |
CN111984044A (zh) * | 2020-07-21 | 2020-11-24 | 航天晨光股份有限公司 | 水平管外冷凝换热试验中双管流量和出口压力协同控制方法 |
CN112863618A (zh) * | 2020-12-31 | 2021-05-28 | 杭州富加镓业科技有限公司 | 一种基于深度学习和热交换法的高阻型氧化镓制备方法 |
CN112863617A (zh) * | 2020-12-31 | 2021-05-28 | 杭州富加镓业科技有限公司 | 一种基于深度学习和坩埚下降法的高阻型氧化镓制备方法 |
CN112863619A (zh) * | 2020-12-31 | 2021-05-28 | 杭州富加镓业科技有限公司 | 一种基于深度学习和坩埚下降法的导电型氧化镓制备方法 |
CN112734009A (zh) * | 2020-12-31 | 2021-04-30 | 杭州富加镓业科技有限公司 | 一种基于深度学习和坩埚下降法的氧化镓制备方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE3919920A1 (de) * | 1989-06-19 | 1991-01-03 | Leybold Ag | Einrichtung zum messtechnischen erfassen des temperaturverlaufs einer metall- oder metallegierungsschmelze |
DE4301072A1 (de) * | 1993-01-16 | 1994-07-21 | Leybold Ag | Verfahren und Vorrichtung zum Ziehen von Einkristallen aus einer Schmelze |
JPH07118090A (ja) * | 1993-10-20 | 1995-05-09 | Sumitomo Metal Ind Ltd | 単結晶成長方法及びその装置 |
US5606646A (en) * | 1993-03-24 | 1997-02-25 | National Semiconductor Corporation | Recurrent neural network-based fuzzy logic system |
US5649063A (en) * | 1993-10-12 | 1997-07-15 | Lucent Technologies Inc. | Feedback process control using a neural network parameter estimator |
US5671335A (en) * | 1991-05-23 | 1997-09-23 | Allen-Bradley Company, Inc. | Process optimization using a neural network |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2621053A1 (fr) * | 1987-09-29 | 1989-03-31 | Commissariat Energie Atomique | Procede de commande d'une machine de tirage de monocristaux |
JPH03177396A (ja) * | 1989-12-07 | 1991-08-01 | Nissin Electric Co Ltd | 半導体製造装置の温度制御装置 |
JPH0637021A (ja) * | 1992-07-17 | 1994-02-10 | Fuji Electric Co Ltd | 学習予測・指示機能付半導体製造装置 |
-
1998
- 1998-06-04 DE DE19824838A patent/DE19824838A1/de not_active Withdrawn
-
1999
- 1999-06-01 EP EP99926496A patent/EP1007769A1/de not_active Withdrawn
- 1999-06-01 WO PCT/EP1999/003788 patent/WO1999063134A1/de not_active Application Discontinuation
- 1999-06-01 KR KR1020007001200A patent/KR20010022606A/ko not_active Application Discontinuation
- 1999-06-01 JP JP2000552324A patent/JP2002517367A/ja not_active Withdrawn
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE3919920A1 (de) * | 1989-06-19 | 1991-01-03 | Leybold Ag | Einrichtung zum messtechnischen erfassen des temperaturverlaufs einer metall- oder metallegierungsschmelze |
US5671335A (en) * | 1991-05-23 | 1997-09-23 | Allen-Bradley Company, Inc. | Process optimization using a neural network |
DE4301072A1 (de) * | 1993-01-16 | 1994-07-21 | Leybold Ag | Verfahren und Vorrichtung zum Ziehen von Einkristallen aus einer Schmelze |
US5606646A (en) * | 1993-03-24 | 1997-02-25 | National Semiconductor Corporation | Recurrent neural network-based fuzzy logic system |
US5649063A (en) * | 1993-10-12 | 1997-07-15 | Lucent Technologies Inc. | Feedback process control using a neural network parameter estimator |
JPH07118090A (ja) * | 1993-10-20 | 1995-05-09 | Sumitomo Metal Ind Ltd | 単結晶成長方法及びその装置 |
Non-Patent Citations (6)
Title |
---|
B. Kosko: Neural Networks and Fuzzy Systems (1992)Mahyon et al., "Neural Network and Fuzzy...", Proc. SPIE, 1992 * |
H.P. Preuß et al., atp 5/94, S. 10 * |
K. Korn et al at 1/96, S. 10 * |
O. Nelles et al at 6/97, S. 251 * |
T. Hrycej: Neurocontrol, Kap. 7 (1997) * |
W. Pedrycz: Fuzzy Control and Fuzzy Systems, Kap. 9 (1992) * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10103691A1 (de) * | 2001-01-26 | 2002-08-08 | Crystal Growing Systems Gmbh | Elektrische Energieversorgung für eine elektrische Heizung |
US8150784B2 (en) | 2005-08-12 | 2012-04-03 | Sumco Techxiv Corporation | Control system and method for controlled object in time variant system with dead time, such as single crystal production device by czochralski method |
DE112006002130B4 (de) * | 2005-08-12 | 2012-04-19 | Sumco Techxiv Corporation | Verfahren und Vorrichtung zur Herstellung eines Einkristallblocks aus einer spezifischen Substanz durch dasCzochralski-Verfahren |
DE102012202111A1 (de) * | 2012-02-13 | 2013-08-14 | Krones Ag | Verfahren zur Steuerung und/oder Regelung von Filteranlagen zur Ultrafiltration |
EP4050333A4 (de) * | 2020-12-31 | 2022-12-07 | Hangzhou Fujia Gallium Technology Co. Ltd. | Qualitätsvorhersageverfahren für galliumoxid des hochwiderstandstyps und herstellungsverfahren und -system basierend auf deep learning und kantendefinierter schichtwachstumstechnik |
US12024791B2 (en) | 2020-12-31 | 2024-07-02 | Hangzhou Fujia Gallium Technology Co. Ltd. | Quality prediction method, preparation method and system of high resistance gallium oxide based on deep learning and edge-defined film-fed growth method |
Also Published As
Publication number | Publication date |
---|---|
EP1007769A1 (de) | 2000-06-14 |
WO1999063134A1 (de) | 1999-12-09 |
JP2002517367A (ja) | 2002-06-18 |
KR20010022606A (ko) | 2001-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE19824838A1 (de) | Verfahren zum Herstellen von Kristallen | |
DE4129559C2 (de) | Temperaturregelverfahren für eine Spritzgießmaschine | |
DE112006002130B4 (de) | Verfahren und Vorrichtung zur Herstellung eines Einkristallblocks aus einer spezifischen Substanz durch dasCzochralski-Verfahren | |
DE69728256T2 (de) | Modellgestützte prädiktive regelung für thermische behandlungen | |
DE69909838T2 (de) | Steuerungsgeräte zur einstellung von optimalen parametern in prozessteuersystemen und verfahren zur anwendung derselben | |
DE2735012C2 (de) | ||
DE69823633T2 (de) | Nichtlineare modellgestützte prädiktive Regelungsmethode zur Regelung eines Gasphasenreaktors. | |
WO1996028771A1 (de) | Intelligentes rechner-leitsystem | |
DE102012108009B4 (de) | Modellprädiktive Regelung des Zonenschmelz-Verfahrens | |
DE10341764A1 (de) | Integrierte Modell-Vorhersagesteuerung und -Optimierung innerhalb eines Prozesssteuerungssystems | |
EP0813701A1 (de) | Leitsystem für eine anlage der grundstoff- oder der verarbeitenden industrie o.ä. | |
DE10341574A1 (de) | Konfiguration und Betrachtungsanzeige für einen integrierten prädiktiven Modellsteuerungs- und Optimierungsfunktionsblock | |
EP3891561A1 (de) | Steuereinrichtung zur steuerung einer fertigungsanlage sowie fertigungsanlage und verfahren | |
EP0762245B1 (de) | Verfahren zur Erkennung von fehlerhaften Vorhersagen in einer neuromodellgestützten oder neuronalen Prozessregelung | |
DE10304973B4 (de) | Vorrichtungen, Regelvorrichtung und Regelverfahren für die Läuterung von Glas | |
EP3542229B1 (de) | Einrichtung und verfahren zur bestimmung der parameter einer regeleinrichtung | |
EP2225953B1 (de) | Temperiermaschine zum kontinuierlichen Aufbereiten von fetthaltigen Massen mit konstantem Temperiergrad | |
EP2510806B1 (de) | Anlernen einer Temperiermaschine für die direkte Einstellbarkeit des Temperiergrads | |
DE19643884A1 (de) | Verfahren und Anordnung zur Optimierung der Prozeßführung von Produktionsvorgängen | |
EP3918116A1 (de) | Verfahren zum ziehen eines zylindrischen kristalls aus einer schmelze | |
DE102020105279A1 (de) | Verfahren zur Herstellung mindestens einer Elektrode für eine Batteriezelle | |
DE10041439A1 (de) | Automatische Abstimmungseinrichtung für einen Regelkreis basierend auf nicht linearen Schätzern der Abstimmregeln | |
DE112021002285T5 (de) | Vorrichtung für maschinelles Lernen, Steuervorrichtung und Verfahren für maschinelles Lernen | |
EP0796457A1 (de) | Verfahren zum betrieb neuronaler netze in industrieanlagen und zugehöriges neuronales netz | |
DE102007017592B4 (de) | Verfahren zur Regelung eines Epitaxieaufwachsverfahrens in einem Epitaxiereaktor, Regler und Datenanlysemodul für Epitaxieaufwachsverfahren |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
OP8 | Request for examination as to paragraph 44 patent law | ||
8139 | Disposal/non-payment of the annual fee |