多晶硅生产原料的参数优选配置方法、装置、系统及设备

技术领域

本申请涉及多晶硅生产控制技术领域，特别涉及多晶硅生产原料的参数优选配置方法、装置、系统及设备。

背景技术

电子级多晶硅的生产第一步也是至关重要的一步就是三氯氢硅的生产，然而这一步生产的原材料、催化剂都是选择外采的形式。外采入场的固体原材料：硅粉、氯化亚铜催化剂存在供货商不同、产地不同、目数偏差大、纯度水分差异大等问题，外采的液体四氯化硅液体的纯度对生产的影响也至关重要，氯化氢气体的纯度、水分也会对生产转换率造成影响。为降低成本和提高经济效益，按照历史经验选择相对固定的供应商和相对固定的参数是传统企业应对外部市场的必然和长期举措。但在竞争激烈的当下环境，不同参数不同厂家的原料若是能进一步提升冷氢化车间的转换氯、降低其能耗，对多晶硅生产降本的终极目标将做出巨大贡献。因此，原料选择最优参数配比环节亟需一套将全成本配料模型与系统化实施体系相结合的原料决策配比管理解决方案，其对推进多晶硅生产节能降耗具有重要意义。

发明内容

本申请实施例要达到的技术目的是提供一种多晶硅生产原料的参数优选配置方法、装置、系统及设备，用以解决当前多晶硅生产厂家的原料配比无法满足节能降耗需求的问题。

为解决上述技术问题，本申请实施例提供了一种多晶硅生产原料的参数优选配置方法，包括：

获取当前多晶硅生产中的实时反应数据；

根据所述实时反应数据以及预先构建的产物模型，得到预选原料数据，其中，所述产物模型基于历史原料数据和历史反应数据构建，且所述产物模型以产物纯度、产物量、反应能耗和成本中的至少一项为模型目标；

根据所述预选原料数据以及预先构建的参数优选预测模型，得到至少一种原料参数配置信息，其中，所述参数优选预测模型为基于各原料参数之间的关联关系构建，所述至少一种原料参数配置信息根据生产工艺、设备状态以及发电负荷中的至少一项区分；

根据当前的生产工艺信息、设备状态信息以及供电需求信息，确定并输出所述至少一种原料参数配置信息中的一种为参数优选配置信息。

具体地，如上所述的方法，构建所述产物模型包括：

获取所述历史原料数据、所述历史反应数据以及历史产物数据，其中，所述历史原料数据包括：原料参数以及原料供应信息，所述原料参数包括：类型和品质中的至少一项，所述原料供应信息包括：供应商、产地、批次和供应价格中的至少一项；

根据所述模型目标以及预设约束条件，构建初始神经网络模型，其中，所述预设约束条件包括：各原料的配比极值、各原料的最大使用量以及各原料的最小品质限定值中的至少一项；

根据所述历史原料数据、所述历史反应数据以及所述历史产物数据对所述初始神经网络模型进行训练和测试，得到所述产物模型。

具体地，如上所述的方法，所述反应数据和/或所述历史反应数据包括：反应温度、反应速率、热值、水分、挥发分、产物纯度、能源利用率、脱杂能力中的至少一项。

具体地，如上所述的方法，构建所述参数优选预测模型，包括：

根据各原料参数对生产工艺的影响程度，确定各所述原料参数的特征值；

根据各所述原料参数之间的关联关系以及所述特征值，基于支持向量机构建初始预测模型；

根据预设的多种原料配比以及历史原料数据，对所述初始预测模型进行训练优化，得到所述参数优选预测模型。

进一步的，如上所述的方法，在确定各所述原料参数的特征值后，所述方法还包括：

根据所述特征值确定所述特征值大于预设值的所述原料参数为关键参数；

根据预设的多种关键参数配比以及所述历史原料数据，对所述初始预测模型进行训练优化，得到所述参数优选预测模型。

可选地，如上所述的方法，还包括：

接收数字化交付平台提供的原料供应信息；

获取通过质量检测工序检测后原料的原料参数；

对同一原料对应的所述原料参数以及所述原料供应信息进行绑定，得到原料数据。

本申请的另一实施例还提供了一种控制装置，包括：

第一处理模块，用于获取当前多晶硅生产中的实时反应数据；

第二处理模块，用于根据所述实时反应数据以及预先构建的产物模型，得到预选原料数据，其中，所述产物模型基于历史原料数据和历史反应数据构建，且所述产物模型以产物纯度、产物量、反应能耗和成本中的至少一项为模型目标；

第三处理模块，用于根据所述预选原料数据以及预先构建的参数优选预测模型，得到至少一种原料参数配置信息，其中，所述参数优选预测模型为基于各原料参数之间的关联关系构建，所述至少一种原料参数配置信息根据生产工艺、设备状态以及发电负荷中的至少一项区分；

第四处理模块，用于根据当前的生产工艺信息、设备状态信息以及供电需求信息，确定并输出所述至少一种原料参数配置信息中的一种为参数优选配置信息。

本申请的再一实施例还提供了一种控制系统，包括：

设备层，用于获取多晶硅生产中各设备采集的信息；

边缘层，用于提供连接即服务能力以及实时计算处理的工业物联；

平台层，用于集成包括平台即服务、数据及服务以及工业物联网平台在内的基础能力；

应用层，用于实现如上所述的多晶硅生产原料的参数优选配置方法的步骤。

本申请的又一实施例还提供了一种电子设备，包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如上所述的多晶硅生产原料的参数优选配置方法的步骤。

本申请的另一实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如上所述的多晶硅生产原料的参数优选配置方法的步骤。

与现有技术相比，本申请实施例提供的多晶硅生产原料的参数优选配置方法、装置、系统及设备，至少具有以下有益效果：

本申请通过预先构建的产物模型和参数优选预测模型，并基于实时反应数据进行计算，确定符合当前生产的参数优选配置信息，以便于基于该参数优选配置信息进行生产，通过数字化精益管控，减少原料中物料反应、催化剂效率差波动较大带来的设备反应不稳定、不充分等实际问题，提升设备内部充分反应的经济性和安全性，有效缓解了生产成本上涨带来的压力。

附图说明

图1为本申请中多晶硅生产原料的参数优选配置方法的流程示意图之一；

图2为本申请中多晶硅生产原料的参数优选配置方法的流程示意图之二；

图3为本申请中多晶硅生产原料的参数优选配置方法的流程示意图之三；

图4为本申请中多晶硅生产原料的参数优选配置方法的流程示意图之四；

图5为本申请中多晶硅生产原料的参数优选配置方法的流程示意图之五；

图6为本申请中的控制装置的结构示意图。

具体实施方式

为使本申请要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。在下面的描述中，提供诸如具体的配置和组件的特定细节仅仅是为了帮助全面理解本申请的实施例。因此，本领域技术人员应该清楚，可以对这里描述的实施例进行各种改变和修改而不脱离本申请的范围和精神。另外，为了清楚和简洁，省略了对已知功能和构造的描述。

应理解，说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本申请的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。

在本申请的各种实施例中，应理解，下述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

应理解，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

在本申请所提供的实施例中，应理解，“与A相应的B”表示B与A相关联，根据A可以确定B。但还应理解，根据A确定B并不意味着仅仅根据A确定B，还可以根据A和/或其它信息确定B。

需要说明的是，本申请以多晶硅生产中的生产三氯氢硅的步骤进行示例。

参见图1，本申请的一实施例提供了一种多晶硅生产原料的参数优选配置方法，包括：

步骤S101，获取当前多晶硅生产中的实时反应数据；

步骤S102，根据所述实时反应数据以及预先构建的产物模型，得到预选原料数据，其中，所述产物模型基于历史原料数据和历史反应数据构建，且所述产物模型以产物纯度、产物量、反应能耗和成本中的至少一项为模型目标；

步骤S103，根据所述预选原料数据以及预先构建的参数优选预测模型，得到至少一种原料参数配置信息，其中，所述参数优选预测模型为基于各原料参数之间的关联关系构建，所述至少一种原料参数配置信息根据生产工艺、设备状态以及发电负荷中的至少一项区分；

步骤S104，根据当前的生产工艺信息、设备状态信息以及供电需求信息，确定并输出所述至少一种原料参数配置信息中的一种为参数优选配置信息。

在本实施例中，在确定原料的参数优选配置时，会将当前多晶硅生产中的实时反应数据作为指标参数，带入预先构建的产物模型中进行计算，得到当前情况下的预选原料数据，其中，由于产物模型以产物纯度、产物量、反应能耗和成本中的至少一项为模型目标，可以使得根据预选原料数据对应的原料进行生产时，可以得到最经济的的产物；在获取到预选原料数据后，为进一步的提高原料参数配置的经济性，还会将其代入预先构建的参数优选预测模型中，对预选原料数据进行预测，并基于生产工艺、设备状态以及发电负荷中的至少一项得到多种原料参数配置信息，进一步的，基于用户当前的生产工艺信息、设备状态信息以及供电需求信息，从多种原料参数配置信息中确定最经济的一种原料参数配置信息为参数优选配置信息，并输出该参数优选配置信息以便于用户基于该参数优选配置信息进行生产。

综上所述，本申请通过预先构建的产物模型和参数优选预测模型，并基于实时反应数据进行计算，确定符合当前生产的参数优选配置信息，以便于基于该参数优选配置信息进行生产，通过数字化精益管控，减少原料中物料反应、催化剂效率差波动较大带来的设备反应不稳定、不充分等实际问题，提升设备内部充分反应的经济性和安全性，有效缓解了生产成本上涨带来的压力。

参见图2，具体地，如上所述的方法，构建所述产物模型包括：

步骤S201，获取所述历史原料数据、所述历史反应数据以及历史产物数据，其中，所述历史原料数据包括：原料参数以及原料供应信息，所述原料参数包括：类型和品质中的至少一项，所述原料供应信息包括：供应商、产地、批次和供应价格中的至少一项；

步骤S202，根据所述模型目标以及预设约束条件，构建初始神经网络模型，其中，所述预设约束条件包括：各原料的配比极值、各原料的最大使用量以及各原料的最小品质限定值中的至少一项；

步骤S203，根据所述历史原料数据、所述历史反应数据以及所述历史产物数据对所述初始神经网络模型进行训练和测试，得到所述产物模型。

在本实施例中，在预先构建产物模型时，会先获取生产过程中的所涉及的历史数据，包括：历史原料数据、历史反应数据以及历史产物数据，其中，历史原料数据包括：原料参数以及原料供应信息，所述原料参数包括：类型(生产原料或催化剂的具体名称)和品质(包括纯度、水分和目数中的至少一项)中的至少一项，所述原料供应信息包括：供应商、产地、批次和供应价格中的至少一项。反应数据和/或历史反应数据包括：反应温度、反应速率、热值、水分、挥发分、产物纯度、能源利用率、脱杂能力中的至少一项。历史产物数据包括：产物数量、产物纯度、产物反应能耗以及产物生产成本中的至少一项。

基于原料数据、反应数据以及产物数据之间反应的关系，在确定模型目标以及预设约束条件后，构建初始神经网络模型，其中，模型目标包括：产物纯度、产物量、反应能耗和成本中的至少一项。预设约束条件包括：各原料的配比极值、各原料的最大使用量以及各原料的最小品质限定值中的至少一项。

进而，将历史数据根据预设比例划分训练集和测试集，并先基于训练集中的数据对初始神经网络模型进行训练，在训练完成后，再次基于测试集中的数据对训练后的初始神经网络模型进行测试和优化，以保证最终得到的产物模型满足经济性和安全性的需求。

需要说明的是，原料数据中各原料对应的原料参数和原料供应信息绑定。

参见图3，具体地，如上所述的方法，构建所述参数优选预测模型，包括：

步骤S301，根据各原料参数对生产工艺的影响程度，确定各所述原料参数的特征值；

步骤S302，根据各所述原料参数之间的关联关系以及所述特征值，基于支持向量机构建初始预测模型；

步骤S303，根据预设的多种原料配比以及历史原料数据，对所述初始预测模型进行训练优化，得到所述参数优选预测模型。

在本实施例中，在构建参数优选预测模型时，根据各原料参数对生产工艺的影响程度，确定各原料参数对应的特征值，其中原料的原料参数对生产工艺的影响程度越大，则确定的特征值的数值越大；进而，根据各所述原料参数之间的关联关系以及特征值，构建基于支持向量机的初始预测模型。进而，根据预设的多种原料配比以及历史原料数据，对初始预测模型进行训练和优化，即可得到所需的参数优选预测模型。

需要说明的是，对初始预测模型进行训练和优化的步骤与上述对产物模型进行训练的测试的步骤类似，即将历史数据分为训练集和测试集，通过训练集中的数据进行训练，通过测试集中的数据进行测试优化，以得到所需的参数优选预测模型。进一步的，在优化参数优选预测模型时，基于群体进化算法进行优化。

参见图4，进一步的，如上所述的方法，在确定各所述原料参数的特征值后，所述方法还包括：

步骤S401，根据所述特征值确定所述特征值大于预设值的所述原料参数为关键参数；

步骤S402，根据预设的多种关键参数配比以及所述历史原料数据，对所述初始预测模型进行训练优化，得到所述参数优选预测模型。

在本实施例中，在确定各所述原料参数的特征值后，会基于特征值对原料参数进行筛选，确定特征值大于预设值的所述原料参数为关键参数，进而在进行训练优化时，主要基于多种关键参数配比进行训练优化，从而有利于减少计算过程中设计的参数数量，从而有利于提高计算效率。

参见图5，可选地，如上所述的方法，还包括：

步骤S501，接收数字化交付平台提供的原料供应信息；

步骤S502，获取通过质量检测工序检测后原料的原料参数；

步骤S503，对同一原料对应的所述原料参数以及所述原料供应信息进行绑定，得到原料数据。

在本实施例中，在获取原料数据时，会接收数字化交付平台提供的如上所述的原料供应信息，同时为保证原料的参数信息的准确性，会通过质量检测工序对原料进行检测，以确定所需的原料参数。其中质量检测工序优选为通过工业互联网平台集成的实验室信息管理系统(Laboratory Information Management System，LIMS)进行质量检测。再获取到原料参数后，会对同一原料对应的原料参数以及原料供应信息进行绑定，得到上述的原料数据。

其中数字化交付平台，包括但不限于：仓储管理系统(Warehouse ManagementSystem，WMS)、采购管理系统等。

参见图6，本申请的另一实施例还提供了一种控制装置，包括：

第一处理模块601，用于获取当前多晶硅生产中的实时反应数据；

第二处理模块602，用于根据所述实时反应数据以及预先构建的产物模型，得到预选原料数据，其中，所述产物模型基于历史原料数据和历史反应数据构建，且所述产物模型以产物纯度、产物量、反应能耗和成本中的至少一项为模型目标；

第三处理模块603，用于根据所述预选原料数据以及预先构建的参数优选预测模型，得到至少一种原料参数配置信息，其中，所述参数优选预测模型为基于各原料参数之间的关联关系构建，所述至少一种原料参数配置信息根据生产工艺、设备状态以及发电负荷中的至少一项区分；

第四处理模块604，用于根据当前的生产工艺信息、设备状态信息以及供电需求信息，确定并输出所述至少一种原料参数配置信息中的一种为参数优选配置信息。

具体地，如上所述的装置，包括：

第五处理模块，用于获取所述历史原料数据、所述历史反应数据以及历史产物数据，其中，所述历史原料数据包括：原料参数以及原料供应信息，所述原料参数包括：类型和品质中的至少一项，所述原料供应信息包括：供应商、产地、批次和供应价格中的至少一项；

第六处理模块，用于根据所述模型目标以及预设约束条件，构建初始神经网络模型，其中，所述预设约束条件包括：各原料的配比极值、各原料的最大使用量以及各原料的最小品质限定值中的至少一项；

第七处理模块，用于根据所述历史原料数据、所述历史反应数据以及所述历史产物数据对所述初始神经网络模型进行训练和测试，得到所述产物模型。

具体地，如上所述的装置，所述反应数据和/或所述历史反应数据包括：反应温度、反应速率、热值、水分、挥发分、产物纯度、能源利用率、脱杂能力中的至少一项。

具体地，如上所述的装置，包括：

第八处理模块，用于根据各原料参数对生产工艺的影响程度，确定各所述原料参数的特征值；

第九处理模块，用于根据各所述原料参数之间的关联关系以及所述特征值，基于支持向量机构建初始预测模型；

第十处理模块，用于根据预设的多种原料配比以及历史原料数据，对所述初始预测模型进行训练优化，得到所述参数优选预测模型。

进一步的，如上所述的装置，还包括：

第十一处理模块，用于根据所述特征值确定所述特征值大于预设值的所述原料参数为关键参数；

第十二处理模块，用于根据预设的多种关键参数配比以及所述历史原料数据，对所述初始预测模型进行训练优化，得到所述参数优选预测模型。

可选地，如上所述的装置，还包括：

第十三处理模块，用于接收数字化交付平台提供的原料供应信息；

第十四处理模块，用于获取通过质量检测工序检测后原料的原料参数；

第十五处理模块，用于对同一原料对应的所述原料参数以及所述原料供应信息进行绑定，得到原料数据。

本申请的装置实施例是与上述多晶硅生产原料的参数优选配置方法的实施例对应的装置，上述方法实施例中的所有实现手段均适用于该装置的实施例中，也能达到相同的技术效果。

以工业互联网平台为基础，数字化智能多晶硅生产原料最优参数分析配置解决方案整体部署分为四层：设备层、边缘层、平台层和应用层

本申请的再一实施例还提供了一种控制系统，该控制系统以工业互联网平台为基础，将多晶硅生产原料的参数优选配置方法整体部署分为四层，包括：

设备层，用于获取多晶硅生产中各设备采集的信息。例如，在生产三氯氢硅的步骤中，连接冷氢化生产工艺中的智能设备、集成系统和信息系统。

边缘层，用于提供连接即服务能力以及实时计算处理的工业物联，其可连接超融合服务器资源部署的数采网关、协议转换网关等边缘计算设备。

平台层，用于集成包括平台即服务(Platform as a Server，PASS)、数据及服务(Date as a Server，DAAS)以及工业物联网(Industrial Internet of Things，IIOT)平台在内的基础能力。其中PASS层提供部署、资源弹性伸缩等服务，IIOT平台汇聚数据并给DAAS层提供基础数据支持，DAAS层通过数据仓库进行数据资源集中管理，并提供人工智能(Artificial Intelligence，AI)模型接口。

应用层，用于实现如上所述的多晶硅生产原料的参数优选配置方法的步骤，其中，应用层聚焦多晶硅生产行业全场景、全生命周期，提供可独立部署的若干工业应用，如冷氢化工业生产用料分析系统、还原工业配比优化应用、精馏工艺分析系统等。

本申请的又一实施例还提供了一种电子设备，包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如上所述的多晶硅生产原料的参数优选配置方法的步骤。

本申请的另一实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如上所述的多晶硅生产原料的参数优选配置方法的步骤。

此外，本申请可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施例和/或设置之间的关系。

还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含。

以上所述是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。