直拉硅单晶生长中晶体直径模型辨识方法研究

阅读量：

28

作者：

杨曼

展开

摘要：

太阳能光伏产业和大规模集成电路的快速发展,对半导体行业提出能够生产直径更大、质量更高单晶硅的要求,目前制备高品质硅单晶的最常用方法为直拉法(CZ法)。在实际使用直拉法生长硅单晶时,通常通过改变两个关键变量-拉速和热场温度来控制晶体直径。并且,由于晶体生长过程中存在三个特性:一是晶体直径对拉速和热场温度变化的响应存在时间滞后的特性,二是晶体生长过程体现非线性特性,三是晶体生长过程中的各种参数随时间缓慢变化特性。为获得等直径、高品质的硅单晶,通过建立两个变量和晶体直径之间的模型,以此对晶体直径进行控制是较为有效的办法。因此,本文研究重点是:通过数据分析得到直径受拉速和热场温度影响的模型。由于晶体生长过程中涉及多个变化过程和多个变量,使用机理建模方法所建立的模型变量较多并且难以准确求解,因此本文采用基于系统真实数据建立系统模型的思想。在模型辨识方面,分为三部分,分别为拉速-晶体直径模型辨识,热场温度-晶体直径模型辨识和同时考虑热场温度和提拉速度对晶体直径影响的模型辨识。辨识步骤为:第一步确定模型阶次和输出对输入量变化响应的时间滞后,第二步进行模型参数辨识。首先,在晶体生长过程中,采集由两个变量变化引起的晶体直径明显改变阶段的数据,并对数据进行预处理操作;其次,辨识模型的结构,第一步利用三层前馈网络和模糊逼近分别确定提拉速度和热场温度的模型阶次,第二步利用行列式比值法确定滞后阶次;最后,在确定模型结构后,基于改进深度信念网络算法辨识提拉速度-晶体直径和热场温度-晶体直径的模型参数。将提拉速度和热场温度作为输入,晶体直径作为输出的非线性模型,基于改进的卷积神经网络算法辨识模型参数。仿真实验表明,本文辨识所得的滞后阶次和模型阶次均符合经验值,并且本文所改进的深度信念网络辨识方法和卷积神经网络辨识方法较传统辨识方法而言,具有更高的模型辨识精度。

展开

关键词：

硅单晶 模型辨识 深度信念网络 连续受限玻尔兹曼机 卷积神经网络