[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

摘要

本发明公开了一种基于神经网络的太阳能电池硅片切割参数预测方法，涉及神经网络技术领域。所述方法包括如下步骤：采集样本数据，选择不同的切割参数，用切割机对硅锭进行切割操作，测量硅片表面粗糙度；根据样本选择合适的参数和网络结构训练神经网络，判断误差大小不断更新各神经元之间的权重，实现最优配比，直至误差达到限定标准；使用预测模型进行参数预测，比对表面粗糙度与切割参数的关系，找到表面粗糙度对应切割参数的最优配置。本发明所述方法能够依靠少量样本数据建立神经网络预测模型并进行参数预测，根据预测结果能够在考虑低粗糙度和快速切割的前提下选择最优的切割参数。

主权项

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C_j,k是输入神经元和隐含神经元之间的权重，i_j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，θ_k是隐藏节点的偏置，K为隐藏层神经元的个数，D_k,z是隐藏神经元和输出神经元之间的权重，h_k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。