硅單晶作為半導(dǎo)體行業(yè)發(fā)展的主要原動力,已成為不可或缺的關(guān)鍵性材料,為生長出低缺陷的硅晶圓片,對現(xiàn)有生長工藝過程的研究具有重要意義,與此同時(shí),深度學(xué)習(xí)在模型參數(shù)辨識以及圖像處理方面的迅猛發(fā)展,也成為現(xiàn)階段研究熱點(diǎn)。本文主要研究了晶體生長工藝中的等徑階段以及化料階段,提出了基于深度學(xué)習(xí)的等徑階段辨識模型以及化料階段分類模型。在等徑階段模型辨識方面,選擇在恒拉速生長策略下,結(jié)合深度學(xué)習(xí)在參數(shù)辨識中的應(yīng)用,提出一種基于LSTM神經(jīng)網(wǎng)絡(luò)的直徑模型辨識方法,包括辨識網(wǎng)絡(luò)結(jié)構(gòu)以及訓(xùn)練算法等,從而使模型具有保存過去和現(xiàn)在關(guān)鍵信息的能力。首首先利用等徑階段加熱器功率和直徑數(shù)據(jù)以及支持向量機(jī)算法確定模型輸入輸出階次和滯后階次,進(jìn)而使用本文設(shè)計(jì)的LSTM網(wǎng)絡(luò)結(jié)構(gòu)辨識加熱器功率-直徑的非線性大滯后模型,最后使用三層BP神經(jīng)網(wǎng)絡(luò)模型以及支持向量機(jī)模型作為對比實(shí)驗(yàn)。仿真結(jié)果表明,利用支持向量機(jī)算法確定硅單晶等徑階段直徑模型階次和滯后均滿足理論值,且本文提出的LSTM神經(jīng)網(wǎng)絡(luò)相比于其他方法獲得了更高精度的直徑模型。在化料階段分類模型方面,針對傳統(tǒng)方法通過人工觀察為主,可能造成誤判等一系列不利影響。本文通過深度學(xué)習(xí)方法與化料過程圖像分類相結(jié)合,將卷積神經(jīng)網(wǎng)絡(luò)作為研究對象,使用化料過程采集的圖像數(shù)據(jù),通過使用AlexNet網(wǎng)絡(luò)以及對其在卷積層個(gè)數(shù)、卷積核大小兩方面的調(diào)整,經(jīng)過多次實(shí)驗(yàn)最終確定了一種基于CNN的化料階段分類模型。仿真結(jié)果表明,本文提出的化料階段分類模型取得了更高的準(zhǔn)確率。
【學(xué)位單位】：西安理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2019
【中圖分類】：TP181;O78;O613.72
【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景及意義
    1.2 CZ法硅單晶
        1.2.1 CZ法單晶爐結(jié)構(gòu)
        1.2.2 CZ法硅單晶生長工藝
    1.3 CZ法硅單晶生長建模與化料進(jìn)程研究現(xiàn)狀
        1.3.1 生長過程建模研究現(xiàn)狀
        1.3.2 化料進(jìn)程研究現(xiàn)狀
    1.4 本文主要研究內(nèi)容和章節(jié)安排
2 CZ法硅單晶生長過程原理
    2.1 等徑階段原理分析
        2.1.1 加熱器功率對晶體直徑的影響
        2.1.2 提拉速度對晶體直徑的影響
        2.1.3 CZ法硅單晶恒拉速生長辨識策略
    2.2 化料階段原理分析
        2.2.1 化料檢測與問題分析
        2.2.2 化料階段分類策略
    2.3 本章小結(jié)
3 基于LSTM的等徑階段辨識模型
    3.1 數(shù)據(jù)準(zhǔn)備
        3.1.1 實(shí)驗(yàn)數(shù)據(jù)來源
        3.1.2 數(shù)據(jù)預(yù)處理
        3.1.3 仿真結(jié)果分析
    3.2 模型結(jié)構(gòu)確定
        3.2.1 模型階次確定
        3.2.2 模型滯后確定
        3.2.3 仿真結(jié)果分析
    3.3 基于LSTM的直徑模型辨識
        3.3.1 循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）
        3.3.2 LSTM網(wǎng)絡(luò)模型結(jié)構(gòu)及優(yōu)化算法
        3.3.3 LSTM辨識網(wǎng)絡(luò)設(shè)計(jì)及辨識步驟
    3.4 仿真結(jié)果分析
        3.4.1 不同模型對比實(shí)驗(yàn)
        3.4.2 度量指標(biāo)
        3.4.3 實(shí)驗(yàn)結(jié)果
    3.5 本章小結(jié)
4 基于CNN的化料階段分類模型
    4.1 圖像數(shù)據(jù)集
    4.2 卷積神經(jīng)網(wǎng)絡(luò)簡介
        4.2.1 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
        4.2.2 卷積神經(jīng)網(wǎng)絡(luò)傳播算法
    4.3 CNN分類模型的設(shè)計(jì)
    4.4 仿真結(jié)果分析
    4.5 本章小結(jié)
5 總結(jié)與展望
    5.1 工作總結(jié)
    5.2 研究展望
致謝
參考文獻(xiàn)
攻讀碩士期間主要研究成果

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 李潤澤;付家興;;基于改進(jìn)粒子群算法的熱工模型辨識[J];鍋爐制造;2017年01期

2 趙連惠;;實(shí)船航向運(yùn)動模型辨識通過部級評審[J];船工科技;1987年04期

3 倪維斗,潘永泉;管式換熱器模型辨識的自適應(yīng)跟蹤方法[J];發(fā)電設(shè)備;1988年02期

4 李朝安;電力系統(tǒng)周負(fù)荷模型辨識和預(yù)報(bào)[J];中國電機(jī)工程學(xué)報(bào);1988年03期

5 王遠(yuǎn)贛;黃楠;郝麥海;;微型機(jī)數(shù)學(xué)模型辨識儀[J];機(jī)械與電子;1988年02期

6 胡康萍;袁震東;;徑流過程的廣義Hammersstein模型及其辨識[J];應(yīng)用概率統(tǒng)計(jì);1988年02期

7 鄒宇鵬;吳寶貴;崔學(xué)政;孫少華;;基于硬件在環(huán)仿真的系統(tǒng)模型辨識平臺設(shè)計(jì)[J];實(shí)驗(yàn)室研究與探索;2018年06期

8 王燕;劉洋;;基于遺傳算法的發(fā)動機(jī)控制通道教學(xué)模型辨識[J];民營科技;2016年02期

9 要會娟;浮潔;張麗香;;基于神經(jīng)網(wǎng)絡(luò)的磁流變阻尼器逆向模型辨識研究[J];計(jì)算機(jī)仿真;2015年12期

10 王潔云;;狀態(tài)空間模型的輔助模型辨識方法[J];智能機(jī)器人;2016年06期

相關(guān)博士學(xué)位論文 前10條

1 李賽;基于多模型的狀態(tài)估計(jì)及其組合方法的故障預(yù)報(bào)研究[D];華中科技大學(xué);2018年

2 賀尚紅;連續(xù)動力學(xué)系統(tǒng)參數(shù)模型辨識及工業(yè)試驗(yàn)[D];中南大學(xué);2003年

3 孫冬梅;動態(tài)壓力測量系統(tǒng)非線性模型辨識[D];南京理工大學(xué);2004年

4 劉知貴;雙線性工業(yè)過程的穩(wěn)態(tài)模型辨識[D];西南交通大學(xué);2005年

5 高大遠(yuǎn);非線性系統(tǒng)自組織多模型建模與控制方法[D];國防科學(xué)技術(shù)大學(xué);2006年

6 楊劍鋒;基于組合模型的非線性預(yù)測控制算法及其應(yīng)用研究[D];浙江大學(xué);2007年

7 李衛(wèi);基于核方法的模糊模型辨識研究[D];上海交通大學(xué);2008年

8 李全善;基于數(shù)據(jù)的乙烯裝置過程模型辨識、控制與優(yōu)化的研究及應(yīng)用[D];北京化工大學(xué);2014年

9 趙小鵬;復(fù)雜工業(yè)過程的多模型辨識及控制應(yīng)用研究[D];華北電力大學(xué)(北京);2017年

10 袁明;車輛側(cè)向動力學(xué)模型辨識方法的研究與應(yīng)用[D];上海交通大學(xué);2009年

相關(guān)碩士學(xué)位論文 前10條

1 唐秦偉;基于深度學(xué)習(xí)的CZ法硅單晶生長模型辨識與化料進(jìn)程估計(jì)方法研究[D];西安理工大學(xué);2019年

2 吳征飛;數(shù)據(jù)相容性檢測、重構(gòu)與飛行動力學(xué)模型辨識研究[D];南京航空航天大學(xué);2018年

3 郭俊霖;大型風(fēng)機(jī)非線性動態(tài)模型建立及其應(yīng)用研究[D];華北電力大學(xué)(北京);2018年

4 宋士豹;多變量時(shí)間序列模型辨識方法研究[D];天津理工大學(xué);2018年

5 景雪婷;直拉單晶溫度場中一維受控模型辨識及其模態(tài)控制[D];蘭州大學(xué);2018年

6 劉鯤鵬;基于離散采樣數(shù)據(jù)的連續(xù)模型辨識[D];中國科學(xué)技術(shù)大學(xué);2015年

7 付家興;基于智能優(yōu)化算法的熱工大慣性對象模型辨識研究[D];上海電力學(xué)院;2017年

8 趙曉峰;遺傳算法在模糊模型辨識中的應(yīng)用[D];廈門大學(xué);2001年

9 王志遠(yuǎn);基于遺傳算法的非線性模型辨識[D];華北電力大學(xué)（河北）;2006年

10 賈昊;基于在線模型辨識的預(yù)測控制策略研究[D];華北電力大學(xué);2016年

本文編號：2880259