直拉硅单晶生长设备中软轴提拉系统的摆动识别方法

技术领域

本发明属于半导体硅单晶生长设备的智能运维技术领域，具体涉及一种直拉硅单晶生长设备中软轴提拉系统的摆动识别方法。

背景技术

硅单晶是重要的半导体材料，广泛应用于集成电路等领域，如何优化硅单晶生长设备、提高硅单晶品质和良率，是当前产业界面临的关键问题之一。直拉法是制备大尺寸、低缺陷、高品质半导体硅单晶的主要技术方法，直拉硅单晶生长设备中，通过软轴提拉系统平稳地驱动籽晶运动，从而拉制出合格的硅单晶。其中，软轴是提拉系统的重要部件，需要满足摆动小、对中性好的要求，以实现无位错硅单晶生长。

然而，在实际拉制硅单晶的过程中，由于软轴柔性大、阻尼小，且随着晶棒长度的增加而逐渐变短，其共振频率与整个硅单晶生长设备的激扰力相匹配，引发摆动。此外，在整个生长过程中，软轴提拉系统一直处于超低速、负载逐渐变大的运行状态，软轴的共振频率范围变得越来越宽。软轴的摆动会引起硅熔体液面的波动、固液界面形态发生变化，从而导致硅单晶发生位错缺陷，严重时会导致硅单晶断线、拉制失败。因此，对提拉系统的软轴摆动进行实时监测与诊断具有重要的实际工程意义。

综上所述，本发明针对硅单晶生长设备中的关键部件软轴提拉系统，采集其在硅单晶生长过程中的振动信号，对振动信号进行深度挖掘，推演软轴运行状态，为生长工艺提供决策依据，保证设备的平稳性，提高硅单晶品质。但是由于硅单晶生长设备中的软轴提拉系统处于一种超低速、变载荷的状态，超低速导致微小扰动下的振动现象更明显，变载荷导致软轴的共振频率变宽，同时由于提拉系统中各部件相互耦合增加了振动信号分析的难度，如何从中识别摆动现象成为难点，本发明提出一种改进的最大相关峭度反卷积的方法，实现对直拉硅单晶生长设备中软轴提拉系统摆动的识别。

发明内容

本发明的目的是提供一种直拉硅单晶生长设备中软轴提拉系统的摆动识别方法，解决了现有技术中存在的软轴摆动异常未及时发现，导致硅单晶品质下降的问题。

本发明所采用的技术方案是，直拉硅单晶生长设备中软轴提拉系统的摆动识别方法，具体按照以下步骤实施：

步骤1、在控制籽晶提拉的电机上安装振动传感器，获取振动信号x；

步骤2、对采集的振动信号进行预处理，得到经过降噪之后故障成分明显增强的振动信号；

步骤3、根据处理后的振动信号，获取软轴提拉系统在硅单晶生长过程中的特征信息，判断所获取到的信息为提拉系统部件发生故障还是系统自身的振动。

本发明的特点还在于，

步骤2具体按照以下步骤实施：

步骤2.1、对一给定信号y

其中，CK(T)为信号y

设y为软轴提拉系统在发生摆动时产生的信号，h为信号y经过周围环境及路径传输后的响应，x为步骤1实际采集到的振动信号，以上过程用公式(2)表示为

x＝h*y+e(2)

寻找一个有限单位冲激响应滤波器，通过实际输出信号x恢复信号y，即：

式中f＝[f

以信号的相关峭度为评定标准，并将相关峭度最大化作为最终的目标函数，即：

由式(3)-(4)得

为了得到使CK(T)取得最大值的最优滤波器，令

将式(6)以矩阵的形式重新表述为

式中：

/>

β＝[y

其中，r＝0,T,2T,...,mT；

则

2||β||

由于已知

y＝X′

则滤波器系数f通过下式得到

将滤波器系数f代入式(3)中得到软轴提拉系统摆动时产生的信号y；

步骤2.2、多元宇宙优化算法MVO对最大相关峭度反卷积MCKD算法中的两个参数同时进行优化，实现滤波器长度L和移位数M的自适应选取。

步骤2.1中最大相关峭度反卷积MCKD的迭代步骤为：

(1)初始化解卷积周期T、移位数M以及滤波器长度L等参数，计算X

(2)计算滤波后输出y；

(3)根据y计算α

(4)计算更新的滤波器系数f；

(5)若滤波前、后信号的相关峭度值ΔCK(T)小于阈值，结束迭代，否则重复(2)-(4)。

步骤2.2具体如下：

使用包络谱峰值因子E

为了实现对参数L、M的自适应选取，构建算法模型如下：

(1)初始化L、M的取值范围，要实现对L、M两个参数的自适应选取，则变量取值个数为2，对于二维优化问题，创建宇宙矩阵U，如下式

式中，n是宇宙数量，即变量取值个数，

(2)通过轮盘赌机制更新宇宙内的物体：

由于每个宇宙中个体的膨胀率不同，宇宙个体中的物体会通过白洞/黑洞隧道进行转移，这个过程遵循轮盘赌机制，如下所示

其中，NI(U

(3)更新相关参数，计算当前最优宇宙：

宇宙中的个体为了实现局部改变和改进自身膨胀率会激发内部物体向当前最优宇宙移动，如下式

其中，X

l是当前迭代次数，L是最大迭代次数，WEP

根据上述的数学模型，多元宇宙优化算法MVO的具体步骤如下：

(1)根据变量上下界随机初始化一个多元宇宙种群U＝[U

(2)设置重要参数WEP

(3)计算宇宙个体的适应度值，通过比较获得当前最优宇宙；

(4)更新WEP和TDR；

(5)执行轮盘赌机制；

(6)计算更新后的最优宇宙，若优于当前宇宙，则将其替换，反之保留当前最优宇宙；

(7)若达到最大迭代次数或最小精度要求，则输出最优宇宙，反之返回(3)；

MVO优化MCKD的步骤具体为：对最优参数[L,M]寻优，确定最佳影响参数[L

MVO算法最终的最优参数组合为[497,6]，将得到的最优参数组合代入MCKD中得处理后信号y；

步骤3具体按照以下步骤实施：

步骤3.1、对经过处理后的信号y做包络谱分析：先对处理后的信号y进行Hilbert变换，之后取极值，对取极值之后得到的数据取包络线A

步骤3.2、将包络谱中的频率成分f与部件理论故障特征频率f

本发明的有益效果是，直拉硅单晶生长设备中软轴提拉系统的摆动识别方法，首先采集软轴提拉系统的振动信号，并对振动信号进行预处理，提高从信号中获取丰富异常成分的特征信息的能力；然后对处理后的信号进行特征分析并对软轴摆动进行识别，根据处理后信号的包络谱中是否存在提拉系统的自身振动频率或提拉系统中某部件的故障频率来判断软轴提拉系统的运行状态。本发明在现有硅单晶生长技术上，考虑提拉系统的超低速、变载荷状态，实时监测并及时发现软轴摆动现象，降低其对硅单晶生长过程的影响，提高了设备稳定性与硅片品质。

附图说明

图1是硅单晶生长设备的软轴摆动识别方法的整体流程图；

图2是多元宇宙优化算法的具体步骤；

图3是改进最大相关峭度反卷积算法的具体流程图；

图4是原始信号与经过优化MCKD处理之后的信号图；

图5是原始的包络谱图与经过优化MCKD处理后信号的包络谱图。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

本发明直拉硅单晶生长设备中软轴提拉系统的摆动识别方法，整体流程如图1所示，具体按照以下步骤实施：

步骤1、在控制籽晶提拉的电机上安装振动传感器，获取振动信号x；

直拉硅单晶生长设备中的软轴提拉系统是保证籽晶能够平稳的运动以拉制合格硅单晶的关键部件，在硅单晶生长过程中需确保提拉系统无摆动且对中性好。为了避免软轴的摆动造成硅单晶的内部存在位错缺陷，及时对软轴的摆动进行识别。

直拉硅单晶生长设备中的软轴提拉系统采用精度高、稳定度高的电机，同时装有可靠性高的电刷环来保证电机的平稳运行。在拉制硅单晶的过程中，软轴提拉系统是保证籽晶能够平稳的运动以拉制无位错硅单晶的关键部件，必须实现无摆动、对中性好的要求。

为了使采集到的振动信号包含丰富的特征信息，以便于之后对软轴提拉系统的摆动进行识别，同时考虑硅单晶生长过程中可能会对软轴提拉系统的摆动造成影响的各种因素，本专利在硅单晶生长设备中控制籽晶提拉的电机上安装振动传感器，获取其振动信号。

步骤2、对采集的振动信号进行预处理，得到经过降噪之后故障成分明显增强的振动信号，解决了软轴提拉系统各部件相互耦合造成所采集到的振动信号被噪声淹没、超低速旋转导致后续识别所需的特征信息微弱，影响对提拉系统的摆动识别的问题。

步骤2具体按照以下步骤实施：

步骤2.1、采用直拉法生长硅单晶的过程中，籽晶旋转与提升是为了满足直拉法边旋转边提升的生长工艺要求；在拉制硅单晶的过程中，软轴提拉系统是保证籽晶能平稳地运动以拉制满足品质要求的硅单晶的关键部件。硅单晶生长设备中软轴提拉系统发生摆动时，振动信号复杂，各个部件相互耦合使得振动信号易被淹没于噪声之中，从而导致获得的振动信号幅值小，难以获取相关的特征信息对软轴摆动进行分析。因此，为了从软轴提拉系统的振动信号中获取丰富的特征信息对软轴摆动进行识别，使用改进的最大相关峭度反卷积算法对所获取的信号进行处理。

最大相关峭度反卷积(MCKD)算法以相关峭度为评价指标，通过迭代过程实现解卷积运算，突出软轴提拉系统的振动信号中被强噪声所掩盖的部分。对一给定信号y

其中，CK(T)为信号y

设y为软轴提拉系统在发生摆动时产生的信号，h为信号y经过周围环境及路径传输后的响应，x为步骤1实际采集到的振动信号，以上过程用公式(2)表示为

x＝h*y+e(2)

为了便于对信号进行分析，先不考虑噪声e的影响，则最大相关峭度反卷积算法的本质是寻找一个有限单位冲激响应滤波器，通过实际输出信号x恢复信号y，即：

式中f＝[f

为了使解卷积结果中突出软轴提拉系统发生摆动时原始的振动信号，该算法以信号的相关峭度为评定标准，并将相关峭度最大化作为最终的目标函数，即：

由式(3)-(4)得

为了得到使CK(T)取得最大值的最优滤波器，令

将式(6)以矩阵的形式重新表述为

式中：

β＝[y

其中，r＝0,T,2T,...,mT；

则

2||β||

由于已知

y＝X′

则滤波器系数f通过下式得到

将滤波器系数f代入式(3)中得到软轴提拉系统摆动时产生的信号y；

MCKD算法的滤波器长度L和移位数M的选择对解卷积结果有着至关重要的影响，决定着最终是否能从采集到的信号中最大程度的得到软轴提拉系统的原始振动信号，但在实际应用中这两个参数的选取大多为人工指定，不同的应用场景选取方式也大不相同。目前，在此算法的实际应用中大多数只考虑单一参数的自适应选取，从而影响提取异常特征信息的结果。因此，本发明考虑对滤波器长度L和移位数M同时进行自适应选取，提高后续对软轴提拉系统的识别结果。

步骤2.1中最大相关峭度反卷积MCKD的迭代步骤为：

(1)初始化解卷积周期T、移位数M以及滤波器长度L等参数，计算X

(2)计算滤波后输出y；

(3)根据y计算α

(4)计算更新的滤波器系数f；

(5)若滤波前、后信号的相关峭度值ΔCK(T)小于阈值，结束迭代，否则重复(2)-(4)。

步骤2.2、多元宇宙优化算法MVO对最大相关峭度反卷积MCKD算法中的两个参数同时进行优化，实现滤波器长度L和移位数M的自适应选取。

步骤2.2具体如下：

在硅单晶生长过程中，对软轴的摆动进行识别时需要有较好的实时性，从而为生长工艺提供依据。而MVO算法结构简单、受控参数少且具有较强的搜索能力，从而达到快速寻优的效果。MVO算法通过白洞/黑洞隧道和虫洞对初始宇宙进行循环迭代，其中宇宙表征优化问题的可行解，宇宙中的物体为解的分量，宇宙的膨胀率为解的适应度值。此算法中使用包络谱峰值因子E

为了实现对参数L、M的自适应选取，构建算法模型如下：

(1)初始化L、M的取值范围，要实现对L、M两个参数的自适应选取，则变量取值个数为2，对于二维优化问题，创建宇宙矩阵U，如下式

式中，n是宇宙数量，即变量取值个数，

(2)通过轮盘赌机制更新宇宙内的物体：

由于每个宇宙中个体的膨胀率不同，宇宙个体中的物体会通过白洞/黑洞隧道进行转移，这个过程遵循轮盘赌机制，如下所示

其中，NI(U

(3)更新相关参数，计算当前最优宇宙：

宇宙中的个体为了实现局部改变和改进自身膨胀率会激发内部物体向当前最优宇宙移动，如下式

其中，X

l是当前迭代次数，L是最大迭代次数，WEP

根据上述的数学模型，多元宇宙优化算法MVO的具体步骤如下，流程如图2所示

(1)根据变量上下界随机初始化一个多元宇宙种群U＝[U

(2)设置重要参数WEP

(3)计算宇宙个体的适应度值，通过比较获得当前最优宇宙；

(4)更新WEP和TDR；

(5)执行轮盘赌机制；

(6)计算更新后的最优宇宙，若优于当前宇宙，则将其替换，反之保留当前最优宇宙；

(7)若达到最大迭代次数或最小精度要求，则输出最优宇宙，反之返回(3)；

MVO优化MCKD的步骤如图3所示，具体为：对最优参数[L,M]寻优，确定最佳影响参数[L

MVO算法最终的最优参数组合为[497,6]，将得到的最优参数组合代入MCKD中得处理后信号y，处理前后的信号x、y如图4所示。从图中可以看出经过优化MCKD处理的信号y中异常成分更加明显，易于对其进行后续的摆动识别。

步骤3、根据处理后的振动信号，获取软轴提拉系统在硅单晶生长过程中的特征信息，判断所获取到的信息为提拉系统部件发生故障还是系统自身的振动。

步骤3具体按照以下步骤实施：

步骤3.1、对经过处理后的信号y做包络谱分析：先对处理后的信号y进行Hilbert变换，之后取极值，对取极值之后得到的数据取包络线A

包络谱分析是一种基于滤波检波的振动信号处理方法。与传统的FFT分析方法不同，在进行频谱分析之前，需先对信号进行高通或者带通滤波，滤掉低频部分，然后对信号进行包络解调，提取低频调制信号，其中解调分析方法采用Hilbert解调技术。

步骤3.2、将包络谱中的频率成分f与部件理论故障特征频率f

图5分别为处理前后信号的包络谱。由图5可以看出，处理后信号的包络谱中突出频率f＝120.3Hz，与系统部件的理论故障频率f