【技术实现步骤摘要】
本专利技术涉及太阳能硅片制造领域，特别是一种基于粒子群算法指导太阳能单晶硅片加工工艺优化，提高良率的方法。
技术介绍
1、得益于单晶硅片价格生产成本的降低使得全球太阳能装机容量逐年上升，截至目前，硅片成本仍占到太阳能电池片生产成本的60％～70％，在“降本增效”的行业逻辑之下，大尺寸、细线化已然成为业界主流，生产受入良率也理所当然的成为降本过程中至关重要的指标。随着太阳能单晶硅片产品规格要求的提高和产能规模的扩大，导致单晶硅片受入检测数据呈现高维度、大体量的数据特征，使得根据数据呈现出的宏观良率无法直观地体现出切片、清洗相关工艺对其造成的影响，与此同时良率可能同时受多种因素的影响，单一因素也可能对不同的良率指标造成影响。面对庞大的数据量，仅凭人工计算或经验判断已无法对生产过程受入良率进行预估，也更没有科学的指导优化生产工艺以提高产品良率。
技术实现思路
1、基于上述问题，本专利技术提出一种基于粒子群算法提升太阳能单晶硅片良率的方法，基于反向传播神经网络(bpnn)和粒子群算法(pso)构建产品良率与硅片受入数据的映射关系，计算良率提升幅度与工艺调整幅度之间的线性关系，利用深度置信网络(dbn)评估受入数据与良率的相关度，从而对生产工艺参数优化起到方向性的指导性的作用，从而提升太阳能单晶硅片产品良率的方法。
2、本专利技术的技术方案是：一种基于粒子群算法提升太阳能单晶硅片良率的方法，具体步骤如下：
3、步骤1、原始数据预处理，所述原始数据为太阳能单晶硅片的历史
4、步骤2、对步骤一中预处理后的原始数据进行函数归一化处理，每枚太阳能单晶硅片对应m个检测项目，将经过函数处理后任意一枚硅片的m个检测项目作为单一训练集，即检测指标中的项目1，项目2，…，项目i，…，项目m对应x1，x2，…，xi，…，xm；
5、步骤3、建立反向传播神经网络模型；
6、步骤4、使用步骤二中函数归一化处理后的多枚硅片产品受入检测数据于步骤三中所建立的反向传播神经网络模型中进行学习，对反向传播神经网络模型进行训练，得到产品良率预测模型，找出产品良率与实际检测参数的映射关系；
7、步骤5、建立粒子群优化算法，并以步骤四中得到的产品良率预测模型作为粒子适应度的评价依据，建立产品良率与总体工艺调控幅度之间的关系曲线；
8、步骤6、利用深度置信网络评估各检测指标与良率的相关度，建立深度置信网络模型；基于步骤五中所述粒子群优化算法，选取指标进行相关工艺的优化调整。
9、进一步的，步骤1中所述原始数据为单台多线切片机一年时间内生产的全部太阳能单晶硅片的受入检测数据；所述原始数据预处理，包括：对其结构和内容进行修整，排除掉因人为因素造成的产品不良和存在数据缺失的数据行，并将单台多线切割机一年时间内生产的全部太阳能单晶硅片的受入检测数据以单个硅片为单位分别列出。
10、进一步的，步骤2中采用premnmx函数对预处理后的原始数据进行函数归一化处理。
11、进一步的，步骤4具体步骤如下：
12、以单台多线切片机一年时间内生产的全部太阳能单晶硅片的受入检测数据作为输入，将单机台良率作为输出，其中任意一枚硅片的m个检测项目作为单一训练集，即x1，x2，…，xi，…，xm对应m个神经元，硅片枚数代表训练次数；
13、(41)输入层向量x＝(x1，x2，…，xi，…，xm)，选用relu函数作为激活函数fi；
14、
15、其中，第s层隐藏层向量和分别为第s隐藏层的网络权重和阈值，n为隐藏层神经元个数；
16、(42)选用sigmoid函数作为激活函数fo；
17、
18、其中，y为良率预测模型输出值，hj为隐藏层第j个神经元，υoj和boj分别为隐藏层中第j个神经元hj到输出层的网络权重和阈值；
19、反向传播过程误差函数为：
20、
21、其中，dj为期望输出值yt为实际值；
22、(43)通过l-bfgs算法调整权重的大小，权重反向更新；
23、δνj＝λδj，νj＝δνj+νj
24、其中，λ为学习因子，学习因子的大小直接决定了单次迭代的变化幅度，vj为网络权重，δνj为一次迭代网络权重的变化幅度，δj为第j个神经元反向传播的误差值；
25、(44)设置迭代次数，满足条件后输出y值。
26、进一步的，步骤5具体步骤如下：
27、(51)初始化粒子群模型：设置种群规模、最大迭代次数、学习因子、惯性系数以及速度上限/下限；
28、(52)计算各个粒子的适应度fitness(i)；
29、(53)将fitness(i)值与个体极值p(i)进行比较，通过迭代寻优得到最优个体极值pbesti；
30、将fitness(i)值与群体极值g(i)进行比较，通过迭代寻优得到最优群体极值gbesti；
31、(54)设定目标函数，良率提高区间：
32、y＝1-y
33、其中，y为良率预测模型输出值；
34、总体工艺调控幅度：
35、
36、其中，δxi表示单个检测项目变化幅度，能够理解为某一检测项目需要优化的幅度；
37、根据目标函数对fitness(i)取值进行评价；
38、(55)各粒子速度和位置更新公式为：
39、vi+1＝ω·vi+c1·r1·(pbesti-xi)+c2·r2·(gbesti-xi)
40、xi+1＝xi+vi
41、其中，ω为惯性系数，惯性系数在实施过程中从初始到结尾递减进行设置，r1、r2为(0，1)之间的随机数，学习因子c1、c2为非负常数且选用较小数值；
42、(56)设置迭代次数，满足条件后输出结果并绘制产品良率与总体工艺调控幅度之间的关系曲线y＝f(x)。
43、进一步的，步骤6具体步骤如下：
44、(61)采用步骤2中进行函数处理后的数据x1，x2，…，xi，…，xm作为输入数据，将x赋值给显层v，进入rbm网络(rbm即受限玻尔兹曼模型，是一种可以用于降维、分类、回归、协同过滤、特征学习以及主题建模的算法，是深度置信网络的基础构建块)，分别单独无监督的训练每一层rbm网络，确保特征向量映射到不同特征空间，都尽可能的保留特征信息；
45、(62)定义能量函数：
46、
47、其中，m为可见层神经元个数，n为隐藏层神经元个数，ωij为可见层第i个神经元到隐藏层第j个神经元的连接权重，hj为隐层中第j个神经元，bi、cj为网络连接阈值；
48、bi＝bi+λ(vi-vi+1)，cj＝cj+λ(hj-hj+1)
49、(63)隐藏层在可见层上的最大似然分布为：
5本文档来自技高网...
【技术保护点】
1.一种基于粒子群算法提升太阳能单晶硅片良率的方法，其特征在于，具体步骤如下：
2.根据权利要求1所述的一种基于粒子群算法提升太阳能单晶硅片良率的方法，其特征在于：步骤1中所述原始数据为单台多线切片机一年时间内生产的全部太阳能单晶硅片的受入检测数据；所述原始数据预处理，包括：对其结构和内容进行修整，排除掉因人为因素造成的产品不良和存在数据缺失的数据行，并将单台多线切割机一年时间内生产的全部太阳能单晶硅片的受入检测数据以单个硅片为单位分别列出。
3.根据权利要求1所述的一种基于粒子群算法提升太阳能单晶硅片良率的方法，其特征在于：步骤2中采用premnmx函数对预处理后的原始数据进行函数归一化处理。
4.根据权利要求1所述的一种基于粒子群算法提升太阳能单晶硅片良率的方法，其特征在于：步骤4具体步骤如下：
5.根据权利要求1所述的一种基于粒子群算法提升太阳能单晶硅片良率的方法，其特征在于：步骤5具体步骤如下：
6.根据权利要求1所述的一种基于粒子群算法提升太阳能单晶硅片良率的方法，其特征在于：步骤6具体步骤如下：
【技术特征摘要】
1.一种基于粒子群算法提升太阳能单晶硅片良率的方法，其特征在于，具体步骤如下：
2.根据权利要求1所述的一种基于粒子群算法提升太阳能单晶硅片良率的方法，其特征在于：步骤1中所述原始数据为单台多线切片机一年时间内生产的全部太阳能单晶硅片的受入检测数据；所述原始数据预处理，包括：对其结构和内容进行修整，排除掉因人为因素造成的产品不良和存在数据缺失的数据行，并将单台多线切割机一年时间内生产的全部太阳能单晶硅片的受入检测数据以单个硅片为单位分别列出。
3.根据权利要求1...
【专利技术属性】
技术研发人员：林博洋，贺贤汉，蔡建华，
申请(专利权)人：上海申和投资有限公司，
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。