[发明专利]基于神经网络的太阳能电池硅片切割参数预测方法在审
申请号: | 201810651839.X | 申请日: | 2018-06-22 |
公开(公告)号: | CN108985452A | 公开(公告)日: | 2018-12-11 |
发明(设计)人: | 陈智慧;金尚忠;金怀洲;王洪;黄强;孟彦龙;陈亮 | 申请(专利权)人: | 中国计量大学 |
主分类号: | G06N3/08 | 分类号: | G06N3/08 |
代理公司: | 石家庄轻拓知识产权代理事务所(普通合伙) 13128 | 代理人: | 王占华 |
地址: | 310000 浙江*** | 国省代码: | 浙江;33 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 切割参数 表面粗糙度 太阳能电池硅片 参数预测 神经网络 样本数据 神经网络预测模型 切割机 神经元 神经网络技术 训练神经网络 测量硅片 低粗糙度 快速切割 网络结构 样本选择 预测结果 预测模型 预测 比对 硅锭 配比 权重 切割 采集 更新 配置 | ||
1.一种基于神经网络的太阳能电池硅片切割参数预测方法,其特征在于,实现步骤如下:
采集样本数据:
选择不同的切割参数,利用金刚石线锯切割机对直径为100~120mm的硅锭进行切割操作,测量硅片表面粗糙度Ra,获得样本数据;
其中,所述切割参数包括:金刚线的线速度、Z轴切割进给速度和太阳能硅片切割液纯度;
其中所述样本数据分为三部分,70%的样本数据用作训练神经网络,15%的样本数据用作验证神经网络,15%的样本数据用作测试神经网络;
训练神经网络模型:
隐藏层的输入函数为:
隐藏层的输出函数为:hk=f(net_hidden);
输出层的输入函数为:
输出层的输出函数为:Oz=f(net_output)=Ra
其中,J为输入层神经元的个数,为Cj,k是输入神经元和隐含神经元之间的权重,ij是归一化后的输入参数包括金刚线的线速度、Z轴切割进给速度和太阳能硅片切割液纯度,θk是隐藏节点的偏置,K为隐藏层神经元的个数,Dk,z是隐藏神经元和输出神经元之间的权重,hk是隐藏节点的输出值,是输出节点的偏置,z为输出层神经元个数,f是tansig传递函数
将采集样本数据中收集到的训练数据归一化后用于训练神经网络,利用验证数据调整优化网络的结构,计算期望输出与实际输出的误差,若所有误差都达到标准,则完成神经网络训练,否则进行反向传播计算隐层误差并更新权值,经过反复学习训练直至误差达到限定标准;
其中神经网络具有三层结构,输入层节点个数为3个,隐藏层节点个数为10个,输出层节点个数为1个;
预测切割参数,对比误差并找到最优参数配置:
利用训练完成的神经网络预测模型进行预测,计算样本测量数据与神经网络仿真结果之间的相对误差,并对其他未测量参数进行预测,通过比对表面粗糙度与选择的切割参数的关系,获得表面粗糙度对应切割参数的最优解。
2.如权利要求1所述的基于神经网络的太阳能电池硅片切割参数预测方法,其特征在于,所述采集样本数据中切割参数选择范围为:
金刚线的线速度2.5~5.0m/s,Z轴切割进给速度0.5~2mm/min,金刚线切割液纯度为100%~30%。
3.如权利要求1所述的基于神经网络的太阳能电池硅片切割参数预测方法,其特征在于,所述采集样本数据中每片硅片的表面粗糙度Ra,是通过测量硅片表面九处不同区域后取均值获取,表面粗糙度的计算公式如下:
其中,函数Y(x)为硅片剖面表面粗糙度曲线,L为采样长度,横坐标x为采样点位置,单位为毫米,纵坐标Y为表面粗糙度,单位为微米。
4.如权利要求1所述的一种基于神经网络的太阳能电池硅片切割参数预测方法,其特征在于,所述训练神经网络模型中采用了将切割参数归一化的方法,所用归一化公式为:
其中,ij是归一化后的切割参数数据,dmax是切割参数样本数据的最大值,dmin是切割参数样本数据的最小值,dj是第j个切割参数样本数据。
5.如权利要求1所述的基于神经网络的太阳能电池硅片切割参数预测方法,其特征在于,所述训练神经网络模型中神经网络选择的是前馈反传方法,使用MATLAB的ANN工具箱软件包仿真时的参数选择为:
训练函数选用Trainlm,传递函数选用Tansig,学习函数选用Learngdm,性能评价函数选用均方误差,最大训练次数选择为1000,ANN的学习率为0.01,最初的权重和偏置由MATLAB自动导出。
6.如权利要求1所述的基于神经网络的太阳能电池硅片切割参数预测方法,其特征在于,所述预测切割参数中相对误差的计算公式为:
其中,实验结果为采集样本数据中所测实验数据,预测结果为神经网络的预测数据。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于中国计量大学,未经中国计量大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201810651839.X/1.html,转载请声明来源钻瓜专利网。