System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于光伏单晶拉制生产,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。
技术介绍
1、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。
2、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。
技术实现思路
1、本专利技术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
技术介绍
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。
2、为解决上述技术问题,本专利技术采用以下技术方案:
3、基于大数据的拉料自决策方法,所述方法包括步骤:
4、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;
5、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、
6、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;
7、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;
8、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;
9、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;
10、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;
11、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。
12、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。
13、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。
14、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。
15、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。
16、一种拉料自决策系统,所述系统包括:
17、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;
18、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;
19、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;
20、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;
21、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;
22、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。
23、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;
24、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;
25、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。
26、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。
27、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。
28、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。
29、与现有技术相比,采用本专利技术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。
30、本专利技术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。
本文档来自技高网...【技术保护点】
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:
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:
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:
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;
8.根据权利要求6或7所
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。
...【技术特征摘要】
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:
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:
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:
7.根据权...
【专利技术属性】
技术研发人员:沈瑞川,高润飞,张世超,李雪峰,董恩慧,闫铭,李越峰,
申请(专利权)人:内蒙古中环晶体材料有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。