一种基于时间序列预测的多晶硅还原炉控制方法技术

本发明专利技术涉及多晶硅还原炉孔控制领域，公开了一种基于时间序列预测的多晶硅还原炉控制方法，通过LSTM神经网络对还原炉未来一段时间的电阻进行预测，当预测的结果显示还原炉电阻将要偏离最优电阻曲线时，通过模糊PID控制器对硅棒的电流进行控制，不依赖还原炉内的温度传感器；能够提前对未来的还原炉内状态进行预测，从而减少调控的滞后性；调控基于传感器数据，精度较人工观察更高。精度较人工观察更高。精度较人工观察更高。

【技术实现步骤摘要】
一种基于时间序列预测的多晶硅还原炉控制方法


[0001]本专利技术涉及多晶硅还原炉孔控制领域，具体涉及一种基于时间序列预测的多晶硅还原炉控制方法。

技术介绍

[0002]多晶硅作为生产光伏器件的重要原料之一，是光伏产业的基石。近年来，随着新能源行业的发展，多晶硅的生产也越来越受到重视。目前主流的生产多晶硅的方法为改良西门子法，该方法利用化学气相沉积的原理，当还原炉温度在1100度左右时，氢气和三氯氢硅在预先处理好的硅棒上发生气相沉积反应生成多晶硅。还原炉的温度通过对硅棒通电使其发热来维持。在反应的过程中，随着生产的硅在硅棒表面沉积，会导致硅棒的电阻发生变化，为了保持还原炉内温度的稳定，硅棒的电流也要做出相应的调整。电流控制的好坏将直接影响还原炉生产的电耗，以及产物的质量。例如如果电流值较大，会导致炉内温度偏高，不仅能耗增加，同时生成的多晶硅质量会下降。由于设备的原因，在实际的生产场景中，还原炉内的温度往往无法测得，对电流的调节主要依赖人工通过观测窗口对硅棒的情况进行观察，或者在当前的电阻偏离实际的最优电阻之后在进行调整，前者精度较差，而后者存在一定的滞后性，当电阻偏离最优电阻曲线时已经对产物的质量产生了影响。目前一些基于实际状态的控制方法往往需要炉内的温度作为反馈变量，不能够适应没有温度传感器的还原炉。

技术实现思路

[0003]为解决上述技术问题，本专利技术提供一种基于时间序列预测的多晶硅还原炉控制方法。
[0004]为解决上述技术问题，本专利技术采用如下技术方案：一种基于时间序列预测的多晶硅还原炉控制方法，包括以下步骤：步骤一：在多晶硅还原炉正常运行时的各生产周期中，每隔第一周期T1采集一次生产数据；生产数据包括氢气流量v
H2
、三氯氢硅流量v
TCS
、运行时间、还原炉尾气温度、冷却水升高温度差
△
T、冷却水流量v
water
，以及硅棒两端的电压U和电流I；步骤二：计算得到第二周期T2内氢气消耗总量的时间序列C
H2
以及第二周期T2内三氯氢硅消耗总量的时间序列C
TCS
；，n1为设定的整数；步骤三：根据冷却水升高温度差
△
T和冷却水流量v
water
，得到第二周期T2内冷却水吸收能量的时间序列E；步骤四：根据硅棒两端的电压U以及电流I，计算出硅棒电阻R=U/I；将还原炉尾气温度以及硅棒电阻R从第一周期级别的时间序列转变为第二周期级别的时间序列；步骤五：将步骤二到步骤四中的时间序列作为训练数据对LSTM神经网络进行训练，训练的输入为当前时刻以及当前时刻之前的T3时间内的训练数据，输出为当前时刻之后的T4时间内的硅棒电阻；，，为设定的整数；
步骤六：将多晶硅还原炉所有生产周期中产品质量达标且能耗位于最低的前30%的生产周期记为生产周期B，将生产周期B中各周期内同一时刻的硅棒电阻R取平均值，得到最优电阻曲线；步骤七：将生产周期B中各周期内同一时刻的硅棒电流I取平均值，得到最优电流曲线，将最优电流曲线作为多晶硅还原炉控制的基准曲线，在还原炉的生产过程中，最优电流曲线上对应时间的电流作为基准电流I1；步骤八：计算步骤五中输出的T4时间内的硅棒电阻的平均值R1，并计算最优电阻曲线中对应时间的平均电阻R2，计算二者的差值R1‑
R2；步骤九：将差值R1‑
R2作为模糊PID控制器的输入，通过模糊PID控制器得到修正电流I2；步骤十：在多晶硅还原炉运行的过程中，每隔第五周期T5重复一次步骤七至步骤九，得到修正电流I2,将修正电流I2与基准电流I1相加作为最终的控制电流；，n4为设定的整数。
[0005]具体地，如果步骤一中的一个或者若干个生产数据缺失，则通过临近生产数据的平均值代替缺失的生产数据。
[0006]具体地，第一周期T1=1s；n1=60，即第二周期T2=1min；n2=n3=n4=30，即T3=T4=T5=30min。
[0007]具体地，第二周期T2=1min；步骤二中计算每分钟内氢气消耗总量的时间序列C
H2
时，将氢气流量乘时间做积分得到第i分钟消耗的氢气体积：其中为第i分钟第j秒的氢气流量，单位为；将前k分钟每分钟输入的氢气体积相加，得到前k分钟总的氢气消耗量：取不同的k值得到时间序列，其中n为多晶硅还原炉最终反应耗时。
[0008]具体地，第二周期T2=1min；步骤二中计算每分钟内三氯氢硅消耗总量的时间序列C
TCS
时，将三氯氢硅流量乘时间做积分得到第i分钟消耗的三氯氢硅体积：其中为第i分钟第j秒的三氯氢硅流量，单位为；将前k分钟每分钟输入的三氯氢硅体积相加，得到前k分钟总的三氯氢硅消耗量：取不同的k值得到时间序列，其中n为多晶硅还原炉最终反应耗时。
[0009]具体地，第二周期T2=1min；步骤三中，根据冷却水升高温度差
△
T和冷却水流量v
water
，得到每分钟内冷却水吸收能量的时间序列E时，计算第i分钟冷却水吸收的能量E
i
：其中c为冷却水比热容，ρ为冷却水密度，V
water
为第i分钟的冷却水流量，
△
T为第i分钟冷却水升高温度差，最后得到时间序列。
[0010]与现有技术相比，本专利技术的有益技术效果是：本专利技术通过LSTM神经网络对还原炉未来一段时间的电阻进行预测，当预测的结果显示还原炉电阻将要偏离最优电阻曲线时，通过模糊PID控制器对硅棒的电流进行控制；本专利技术中的控制方法不依赖还原炉内的温度传感器，能够提前对未来的还原炉内状态进行预测，从而减少调控的滞后性；调控基于传感器数据，精度较人工观察更高。
附图说明
[0011]图1为本专利技术控制方法的整体流程图。
具体实施方式
[0012]下面结合附图对本专利技术的一种优选实施方式作详细的说明。
[0013]一种基于时间序列预测的多晶硅还原炉控制方法，包括以下步骤：S1：获取多晶硅还原炉正常运行时每个生产周期中每秒钟的生产数据，用于LSTM神经网络的训练；生产数据包括氢气流量v
H2
、三氯氢硅流量v
TCS
、运行时间、还原炉尾气温度、冷却水升高温度差
△
T、冷却水流量v
water
，以及硅棒两端的电压U和电流I。
[0014]如遇到设备异常、通信异常或其他原因导致某几秒的生产数据缺失，可以用临近生产数据的平均值代替。
[0015]S2：计算得到每分钟氢气消耗总量的时间序列C
H2
，以及每分钟三氯氢硅消耗总量的时间序列C
TCS
。
[0016]以计算C
H2
为例，将氢气流量乘时间做积分得到第i分钟消耗的氢气体积：；其中为第i分钟第j秒的氢气流量，单位为；将前k分钟每分钟输入的氢气体积相加，得到前k分钟总的氢气消耗量：取不同的k值得到时间序列，其中n为多晶硅还原本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于时间序列预测的多晶硅还原炉控制方法，包括以下步骤：步骤一：在多晶硅还原炉正常运行时的各生产周期中，每隔第一周期T1采集一次生产数据；生产数据包括氢气流量v
H2
、三氯氢硅流量v
TCS
、运行时间、还原炉尾气温度、冷却水升高温度差
△
T、冷却水流量v
water
，以及硅棒两端的电压U和电流I；步骤二：计算得到第二周期T2内氢气消耗总量的时间序列C
H2
以及第二周期T2内三氯氢硅消耗总量的时间序列C
TCS
；，n1为设定的整数；步骤三：根据冷却水升高温度差
△
T和冷却水流量v
water
，得到第二周期T2内冷却水吸收能量的时间序列E；步骤四：根据硅棒两端的电压U以及电流I，计算出硅棒电阻R=U/I；将还原炉尾气温度以及硅棒电阻R从第一周期级别的时间序列转变为第二周期级别的时间序列；步骤五：将步骤二到步骤四中的时间序列作为训练数据对LSTM神经网络进行训练，训练的输入为当前时刻以及当前时刻之前的T3时间内的训练数据，输出为当前时刻之后的T4时间内的硅棒电阻；，，为设定的整数；步骤六：将多晶硅还原炉所有生产周期中产品质量达标且能耗位于最低的前30%的生产周期记为生产周期B，将生产周期B中各周期内同一时刻的硅棒电阻R取平均值，得到最优电阻曲线；步骤七：将生产周期B中各周期内同一时刻的硅棒电流I取平均值，得到最优电流曲线，将最优电流曲线作为多晶硅还原炉控制的基准曲线，在还原炉的生产过程中，最优电流曲线上对应时间的电流作为基准电流I1；步骤八：计算步骤五中输出的T4时间内的硅棒电阻的平均值R1，并计算最优电阻曲线中对应时间的平均电阻R2，计算二者的差值R1‑
R2；步骤九：将差值R1‑
R2作为模糊PID控制器的输入，通过模糊PID控制器得到修正电流I2；步骤十：在多晶硅还原炉运行的过程中，每隔第五周期T5重复一次步骤七至步骤九，得...

【专利技术属性】
技术研发人员：孙铁，蒋淡宁，冯恺睿，张永强，刘伟，钟智敏，
申请(专利权)人：科大智能物联技术股份有限公司，
类型：发明
国别省市：