一种用于滚磨机定向仪的晶棒质量评估方法技术

本发明专利技术提供一种用于滚磨机定向仪的晶棒质量评估方法，涉及单晶材料加工技术领域。该方法首先建立含有M个晶棒检测数据的样本集，并将样本集划分为训练集和测试集；再采用改进的Canopy算法和K‑means算法对训练集样本进行精确聚类，确定用于晶棒质量评估的改进的Canopy‑K‑means模型的聚类中心；将测试集样本数据用于改进的Canopy‑K‑means模型，通过计算测试集样本与每一个聚类中心的距离来实现晶棒质量的评估；同时，采用k‑NN算法对与两个聚类中心的距离差的绝对值小于设定阈值ε的样本及对应的两个聚类中心所在Canopy簇中的训练样本进一步进行聚类计算，完成高相似度晶棒的质量评估。

【技术实现步骤摘要】
一种用于滚磨机定向仪的晶棒质量评估方法
本专利技术涉及单晶材料加工
，尤其涉及一种用于滚磨机定向仪的晶棒质量评估方法。
技术介绍
在单晶生长过程中，由于其生长技术固有的局限性不可避免的产生各种缺陷，导致加工出来的晶棒质量也参差不齐。然而，晶棒的质量也直接影响到相应产品的技术性能，为了生产出高质量的晶棒，研究者们需要不断改进晶体的生长方法，寻求更加有效的加工手段。目前常见的晶棒加工方法有磨削、机械抛光、干式机械化学抛光、湿式机械化学和化学机械抛光、水合抛光、浮法抛光等。但是除了寻求更加有效的加工方法外，对加工过程中晶棒的质量评估也是一个不容忽视的关键问题。滚磨机定向仪是单晶晶棒加工与定向一体化的设备，实现了晶锭外圆磨削和晶棒定向两个工艺流程的综合化和一体化，从而提高生产效率和定向精度。对于滚磨机定向仪而言，一般来说在完成最佳晶面的定向选择进而进行基准面定位加工就算完成了工序任务。但是现在考虑的问题是：既然通过前述过程得到了单晶晶棒各个晶面的品质指标，能否根据这些指标进行晶棒质量的整体评估呢？虽然仅仅根据晶面品质对晶棒进行质量评估可能本文档来自技高网...

【技术保护点】
1.一种用于滚磨机定向仪的晶棒质量评估方法，其特征在于：包括以下步骤；/n步骤1：建立含有M个晶棒检测数据的样本集，每个晶棒检测数据包括s个晶面质量的检测等级及对应得分；/n步骤2：将含有M个晶棒检测数据的样本集划分为训练集与测试集；训练集包括N个样本，测试集包括M-N个样本；/n步骤3：采用改进的Canopy算法对训练集中样本进行粗聚类；/n步骤4：在改进的Canopy算法对训练样本进行粗聚类的基础上再运用K-means算法对训练集样本进行精确聚类，确定用于晶棒质量评估的改进的Canopy-K-means模型的聚类中心；/n步骤5：将测试集样本数据用于改进的Canopy-K-means模型，...

【技术特征摘要】
1.一种用于滚磨机定向仪的晶棒质量评估方法，其特征在于：包括以下步骤；
步骤1：建立含有M个晶棒检测数据的样本集，每个晶棒检测数据包括s个晶面质量的检测等级及对应得分；
步骤2：将含有M个晶棒检测数据的样本集划分为训练集与测试集；训练集包括N个样本，测试集包括M-N个样本；
步骤3：采用改进的Canopy算法对训练集中样本进行粗聚类；
步骤4：在改进的Canopy算法对训练样本进行粗聚类的基础上再运用K-means算法对训练集样本进行精确聚类，确定用于晶棒质量评估的改进的Canopy-K-means模型的聚类中心；
步骤5：将测试集样本数据用于改进的Canopy-K-means模型，通过计算测试集样本与每一个改进的Canopy-K-means模型的聚类中心的距离来实现晶棒质量的评估，并计算评估平均准确率；
步骤6：判断测试集中是否存在某一样本，其与两个聚类中心的距离差的绝对值小于设定阈值ε，若不存在，则步骤5为测试集样本的最终评估结果；若存在，则采用k-NN算法对该测试样本及对应的两个聚类中心所在Canopy簇中的训练样本进一步进行聚类计算，完成高相似度晶棒的质量评估。


2.根据权利要求1所述的一种用于滚磨机定向仪的晶棒质量评估方法，其特征在于：步骤1所述晶面质量的检测等级及对应得分的确定方法为：
在滚磨机定向仪的磨削与定向阶段，将晶棒晶面的质量检测划分为n个等级，若晶面一等品为A等级，对应得分为n分；晶面二等品为B等级，对应得分为n-1分；其余等级及得分依次类推。


3.根据权利要求1所述的一种用于滚磨机定向仪的晶棒质量评估方法，其特征在于：所述步骤3的具体方法为：
步骤3.1：将训练集中样本随机排列，即X＝[X1,X2,...,Xi,...,XN]，其中，X1,X2,...,Xi,...,XN为训练集中的样本数据，N为训练集中样本总数，Xi＝[xi1,xi2,...,xir...,xis]为训练集X中第i个样本关于晶棒晶面检测得分的特征向量，包括s维数据点，即表示晶棒有s个晶面，xir表示第i个训练样本的第r个晶面的检测得分；并且训练集中每一个样本数据都存在标签Y＝[y1,y2,...,yi,...,yN]，用于表示训练集中每一个样本数据所属类别；再选择两个距离阈值T1、T2，并且T1>T2；
步骤3.2：从训练集样本X中随机选择一个样本数据Xi，当作第一个Canopy中心点，并将样本数据Xi从X中删除；
步骤3.3：再从训练集样本X中选取一个样本数据Xj(j≠i)，采用Bray-Curtis方法计算Xj到已经产生的Canopy中心点的最小距离dBCD，并将其与两个距离阈值T1、T2进行比较：
(a)如果dBCD≤T1，则给Xj弱标记，表示其属于当前Canopy簇，将Xj加入当前Canopy簇中，Xj不从训练集X中删除；
(b)如果dBCD<T2，则给Xj强标记，表示其属于当前Canopy簇，并将Xj从训练集X中删除；
(c)如果dBCD>T1，则Xj不属于当前的Canopy簇，Xj形成一个新的Canopy中心点，并将Xj从训练集X中删除；
采用Bray-Curtis方法计算Xj到已经产生的Canopy中心点Xi的最小距离dBCD的计算，如...

【专利技术属性】
技术研发人员：关守平，王文奇，宋阳，
申请(专利权)人：东北大学，
类型：发明
国别省市：辽宁;21