多晶硅生产设备控制方法、装置、服务器和存储介质与流程

1.本发明涉及设备健康管理技术领域，特别涉及一种多晶硅生产设备控制方法、装置、服务器和存储介质。


背景技术：

2.设备故障诊断与预警在大化工行业中至关重要，不仅在于保证设备能安全运行以及在异常状态下及时检修，更在于保障化工工艺流程的安全且稳定运行。将关键设备的状态监测与上、下游工艺捆绑分析，有利于将设备管理与工艺管控紧密关联，从而完善设备健康管理体系，加强其可靠性、实用性、安全性、高效性。
3.目前针对设备参数，各行业普遍在已知的历史数据上构建关联模型，并且利用相应模型，可以直接用于各参数实时更新样本的实时监测。然而，对未来状态的预测，尚不能做到精准预测。
4.而在多晶硅工艺中，针对未来预测，目前仅依靠粗略的滞后性以及末端样本的变化趋势来预测未来样本的情况，虽然通过多元线性回归、借助主成分分析降噪等方式可以在一定程度上纠偏，但是终究无法做到精准预测。因此，需要一种全盘方法，实现在未来一定时间段内的精准预测。
5.针对未来预测，长短期记忆(long short-term memory，lstm)模型是最为合适的模型，但是由于设备故障的原因，82％来自于其上游工艺状况的影响，因而必须考虑到设备和工艺的联系，利用该联系进行单参数的优化。
6.专利cn111784068a提供了一种方案：针对电力负荷参数，利用经验模态分解(empirical mode decomposition，emd)和主成分分析(primary component analysis，pca)降维组合进行降噪处理，并在各个分量中，稳定分量采用多元线性回归，而非稳定分量采用lstm预测。该方式可对各个电力负荷采样点的数据进行细化分析，但是，从本质上看，每一个电力负荷参数依旧是一个个“信息孤岛”，即没有建立各电力负荷参数之间的联系，所述多元线性回归也仅限于建立每一个电力负荷参数中的分量之间的联系，无法说明各个电力负荷采样点之间的联系。因此，为了适用于多晶硅工艺等大化工工艺，需要改进方案，以适应需要，提高预测精度。


技术实现要素：

7.本发明实施例提供一种多晶硅生产设备控制方法、装置、服务器和存储介质，用以解决现有技术中，设备参数的预测精度差的问题。
8.为了解决上述技术问题，本发明实施例提供如下技术方案。
9.本发明实施例提供一种多晶硅生产设备控制方法，包括：
10.获取目标参数，所述目标参数包括目标设备的设备参数以及所述目标设备的上游和下游的工艺参数；
11.对所述目标参数进行经验模态分解emd以及主成分分析处理，得到所述目标参数
的平稳参数；
12.获取所述目标参数的主成分参数的预测样本和所述目标参数的稳健距离参数的预测样本；
13.根据所述目标参数的平稳参数、所述目标参数的主成分参数的预测样本和所述目标参数的稳健距离参数的预测样本，确定所述目标设备的设备参数以及所述目标设备的上游和下游的工艺参数的预测结果；
14.根据所述预测结果，对所述目标设备的设备参数和/或所述目标设备的上游和下游的工艺参数进行调整。
15.可选地，获取所述目标参数的主成分参数的预测样本和所述目标参数的稳健距离参数的预测样本，包括：
16.根据所述平稳参数，得到所述平稳参数的载荷矩阵、所述平稳参数的特征值、主成分方程、所述目标设备与所述目标设备的上游和下游之间的关联模型、所述响应参数的未来预测样本和所述主要参数的未来预测样本；
17.根据所述目标参数的稳健距离、所述目标参数的协方差矩阵、所述平稳参数的特征值、所述响应参数的未来预测样本和所述主要参数的未来预测样本，得到所述目标参数的稳健距离参数的预测样本；
18.根据所述平稳参数的载荷矩阵、所述平稳参数的特征值、所述响应参数的未来预测样本、所述主要参数的未来预测样本和所述主成分方程，得到所述目标参数的主成分参数的预测样本；
19.其中，所述主要参数为所述目标参数中影响所述目标设备和所述目标设备的上游和下游工艺的参数；所述响应参数是所述目标参数中除所述主要参数之外的参数。
20.可选地，根据所述平稳参数，得到所述平稳参数的载荷矩阵、所述平稳参数的特征值、主成分方程、所述目标参数中的主要参数、所述目标参数中的响应参数、所述目标设备与所述目标设备的上游和下游之间的关联模型、所述响应参数的未来预测样本和所述主要参数的未来预测样本，包括：
21.对所述平稳参数进行动态稀疏主成分分析处理，得到所述平稳参数的载荷矩阵、所述平稳参数的特征值；
22.根据所述平稳参数的载荷矩阵，得到所述主成分方程，并根据所述主成分方程得到所述主要参数和所述响应参数；
23.根据所述主要参数和所述响应参数，构建所述目标设备与所述目标设备的上游和下游之间的关联模型；
24.根据所述响应参数的剩余分量和长短期记忆lstm模型，得到所述响应参数的未来预测样本；所述响应参数的剩余分量是根据第一预设累积贡献率阈值，对所述响应参数的内涵模态分量imf和所述响应参数的残余分量进行主成分分析降维处理得到的，所述响应参数的imf和所述响应参数的残余分量是对所述响应参数的剩余分量进行emd处理得到的；
25.根据所述响应参数的未来预测样本和所述关联模型，得到所述主要参数的未来预测样本。
26.可选地，对所述平稳参数进行动态稀疏主成分分析处理，得到所述平稳参数的载荷矩阵、所述平稳参数的特征值，包括：
27.根据所述目标工艺参数和历史目标工艺参数，构建增广矩阵；
28.根据第二预设累积贡献率阈值，对所述增广矩阵进行稀疏主成分分析处理，得到所述平稳参数的载荷矩阵和所述平稳参数的特征值。
29.可选地，对所述目标参数进行经验模态分解emd以及主成分分析处理，得到所述目标参数的平稳参数，包括：
30.根据每一所述目标参数中的样本数据进行插值补缺处理以及根据每一所述目标参数中的样本数据进行相关性处理，得到预处理后的目标参数；
31.对所述预处理后的目标参数进行经验模态分解emd以及主成分分析处理，得到所述目标参数的平稳参数。
32.可选地，根据每一所述目标参数中的样本数据进行插值补缺处理，包括：
33.在第一目标参数中连续缺失的样本数据的数量位于第一预设范围数量内的情况下，利用线性插值的方式对所述连续缺失的样本数据进行插值补缺处理；
34.在第一目标参数中连续缺失的样本数据的数量位于第二预设范围数量内的情况下，利用与所述连续缺失的样本数据前相邻的第三预设范围数量的样本数据、与所述连续缺失的样本数据后相邻的第四预设范围数量的样本数据、预设的双向滑动数据窗算法和线性比例算法，对所述连续缺失的样本数据进行插值补缺处理；
35.在第一目标参数中连续缺失的样本数据的数量位于第五预设范围数量内的情况下，将所述第一目标参数舍弃；
36.其中，所述第一目标参数为所述目标参数中的任一参数；
37.所述第一预设范围数量小于所述第二预设范围数量，所述第二预设范围数量小于所述第五预设范围数量。
38.可选地，对所述预处理后的目标参数进行经验模态分解emd以及主成分分析处理，得到所述目标参数的平稳参数，包括：
39.对第二目标参数中的样本数据进行emd处理，得到所述第二目标参数的内涵模态分量imf和所述第二目标参数的残余分量；
40.根据第一预设累积贡献率阈值，对所述第二目标参数的imf和所述第二目标参数的残余分量进行主成分分析降维处理，得到所述第二目标参数的剩余分量；
41.将每一所述第二目标参数的剩余分量进行合并，得到所述第二目标参数的平稳参数；
42.其中，所述第二目标参数是所述预处理后的目标参数中的任一参数；
43.所述第二目标参数的残余分量是所述第二目标参数除去所述第二目标参数的imf的分量。
44.本发明实施例还提供一种多晶硅生产设备控制装置，包括：
45.第一获取模块，用于获取目标参数，所述目标参数包括目标设备的设备参数以及所述目标设备的上游和下游的工艺参数；
46.第一处理模块，用于对所述目标参数进行经验模态分解emd以及主成分分析处理，得到所述目标参数的平稳参数；
47.第二获取模块，用于获取所述目标参数的平稳参数的预测样本、所述目标参数的主成分参数的预测样本和所述目标参数的稳健距离参数的预测样本；
48.确定模块，用于根据所述目标参数的平稳参数的预测样本、所述目标参数的主成分参数的预测样本和所述目标参数的稳健距离参数的预测样本，确定目标设备的设备参数以及所述目标设备的上游和下游的工艺参数的预测结果；
49.调整模块，用于根据所述预测结果，对所述目标设备的设备参数和/或所述目标设备的上游和下游的工艺参数进行调整。
50.本发明实施例还提供一种服务器，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程序，所述程序被所述处理器执行时实现如上中任一项所述的多晶硅生产设备控制方法中的步骤。
51.本发明实施例还提供一种可读存储介质，所述可读存储介质上存储有程序，所述程序被处理器执行时实现如上中任一项所述的多晶硅生产设备控制方法中的步骤。
52.本发明的有益效果是：
53.本发明方案，通过获取目标参数(目标参数包括目标设备的设备参数以及目标设备的上游和下游的工艺参数)，对目标参数进行emd以及主成分分析处理，得到目标参数的平稳参数，根据目标参数的平稳参数的预测样本、目标参数的主成分参数的预测样本和目标参数的稳健距离参数的预测样本，得到目标设备的设备参数以及目标设备的上游和下游的工艺参数的预测结果，可以提高设备参数的预测精度，并根据预测结果，对目标设备的设备参数和/或目标设备的上游和下游的工艺参数进行调整，可以进一步实现对目标设备和/或目标设备的上游和下游的准确控制。
附图说明
54.图1表示本发明实施例提供的多晶硅生产设备控制方法的流程图；
55.图2表示本发明实施例提供的对预处理后的目标参数进行经验模态分解emd处理的流程图；
56.图3表示本发明实施例提供的主要参数x18及其解析值的时序图；
57.图4表示本发明实施例提供的主要参数x111及其解析值的时序图；
58.图5表示本发明实施例提供的主要参数x25及其解析值的时序图；
59.图6表示本发明实施例提供的主要参数x29及其解析值的时序图；
60.图7表示本发明实施例提供的主要参数x310及其解析值的时序图；
61.图8表示本发明实施例提供的主要参数x312及其解析值的时序图；
62.图9表示本发明实施例提供的全样本的稳健距离时序图；
63.图10表示本发明实施例提供的全样本的主成分时序图；
64.图11表示本发明实施例提供的多晶硅生产设备控制方法的具体流程图；
65.图12表示本发明实施例提供的获取所述目标参数的主成分参数的预测样本和所述目标参数的稳健距离参数的预测样本的具体流程图；
66.图13表示本发明实施例提供的基于权设备主数据未来预测的装置的结构示意图；
67.图14表示本发明实施例提供的多晶硅生产设备控制装置的结构示意图；
68.图15表示本发明实施例提供的服务器的结构示意图。
具体实施方式
69.为使本发明的目的、技术方案和优点更加清楚，下面将结合附图及具体实施例对本发明进行详细描述。
70.本技术的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象，而不用于描述特定的顺序或先后次序。应该理解这样使用的术语在适当情况下可以互换，以便本技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施，且“第一”、“第二”所区别的对象通常为一类，并不限定对象的个数，例如第一对象可以是一个，也可以是多个。此外，说明书以及权利要求中“和/或”表示所连接对象的至少其中之一，字符“/”一般表示前后关联对象是一种“或”的关系。
71.本发明针对现有技术中，设备参数的预测精度差的问题，本发明实施例提供一种多晶硅生产设备控制方法、装置、服务器和存储介质。
72.如图1所示，本发明实施例提供一种多晶硅生产设备控制方法，包括：
73.步骤101：获取目标参数，所述目标参数包括目标设备的设备参数以及所述目标设备的上游和下游的工艺参数。
74.在本实施例中，所述目标设备为待预测的回流泵。所述目标设备的上游和下游的工艺参数为回流泵的上游和下游的工艺参数，且目标参数是按照点位和样本数据进行收集的，样本数据是点位上的设备参数和工艺参数在某个时间点上的值的集合。
75.示例性地，以本实施例中限定在冷氢化车间洗涤除尘工艺范围内为例，本步骤分析洗涤除尘工艺中待预测的回流泵的设备参数以及对回流泵的上下游的点位上的工艺参数。
76.所述设备参数可以为回流泵的运行参数，例如电流、振幅等，所述工艺参数可以是物料相关参数，例如是流量、温度、压力、液位等。回流泵的设备参数和回流泵的上游和下游的工艺参数的示意表如下表1所示，包括目标参数x1、x2、x3、...、x12。
77.表1回流泵的设备参数和回流泵的上游和下游的工艺参数
78.[0079][0080]
步骤102：对所述目标参数进行经验模态分解emd以及主成分分析处理，得到所述目标参数的平稳参数。
[0081]
在本实施例中，针对回流泵及整个洗涤除尘工艺运行不稳定造成所有工艺参数、设备参数波动较大的情况，对每一目标参数采用emd和主成分分析结合的方式进行处理，得到所述目标参数的平稳参数x1’
、x2’
、x3’
...、x
n’。
[0082]
步骤103：获取所述目标参数的平稳参数的预测样本、所述目标参数的主成分参数的预测样本和所述目标参数的稳健距离参数的预测样本。
[0083]
其中，所述目标参数的稳健距离参数的预测样本也可以称为目标参数的稳定性的预测样本。
[0084]
步骤104：根据所述目标参数的平稳参数的预测样本、所述目标参数的主成分参数的预测样本和所述目标参数的稳健距离参数的预测样本，确定目标设备的设备参数以及所述目标设备的上游和下游的工艺参数的预测结果。
[0085]
在本步骤中，整合上述的目标参数的平稳参数的预测样本、目标参数的主成分参数的预测样本和目标参数的稳健距离参数的预测样本，共同作为目标设备的设备参数以及所述目标设备的上游和下游的工艺参数的预测结果。
[0086]
通过上述步骤101-步骤104，较为精确地实现对目标设备的设备参数以及所述目标设备的上游和下游的工艺参数的未来预测。
[0087]
步骤105：根据所述预测结果，对所述目标设备的设备参数和/或所述目标设备的上游和下游的工艺参数进行调整。
[0088]
即在本步骤中，根据上述预测结果的变化趋势，对目标设备的设备参数和/或所述目标设备的上游和下游的工艺参数的调整提供指导。
[0089]
需要说明的是，在化工工艺的自动控制过程中，工艺工况参数存在包括滞后性、比例、积分、微分等时序特征，因而需要将设备参数和工艺参数的时序性考虑进去，在本发明一可选实施例中，步骤102，包括：
[0090]
为了保证目标设备的设备参数以及目标设备的上游和下游的工艺参数的时序完整性，根据收集的目标参数中存在的样本缺失、参数之间的相关程度(比如相关程度r2大于0.8)等情况，对目标参数进行预处理操作，即根据每一所述目标参数中的样本数据进行插值补缺处理以及根据每一所述目标参数中的样本数据进行相关性处理，得到预处理后的目标参数，保证目标参数的时序完整性。
[0091]
针对回流泵及整个洗涤除尘工艺运行不稳定造成所有工艺参数、设备参数波动较大的情况，对所述预处理后的目标参数进行经验模态分解emd处理，得到所述目标参数的平稳参数。
[0092]
进一步地，由于现场导出数据时的网络波动等问题，目标参数的样本数据往往存在部分缺失值(在导出文件中，以“*”表示缺失值)，针对样本数据缺失的情况，根据每一所述目标参数中的样本数据进行插值补缺处理，从而保证各个目标参数在时序上的完整性，其中，根据每一所述目标参数中的样本数据进行插值补缺处理，包括：
[0093]
在第一目标参数中连续缺失的样本数据的数量位于第一预设范围数量内的情况下，利用线性插值的方式对所述连续缺失的样本数据进行插值补缺处理，其中，可选地，第一预设范围数量为连续的1个-10个样本数据，即在第一目标参数中连续缺失1个-10个样本数据(样本点)的情况下，直接采用线下插值的方式填充缺失数据；
[0094]
在第一目标参数中连续缺失的样本数据的数量位于第二预设范围数量内的情况下，利用与所述连续缺失的样本数据前相邻的第三预设范围数量的样本数据、与所述连续缺失的样本数据后相邻的第四预设范围数量的样本数据、预设的双向滑动数据窗算法和线性比例算法，对所述连续缺失的样本数据进行插值补缺处理，其中，第一预设范围数量小于第二预设范围数量，可选地，第二预设范围数量为11个-50个样本数据，第三预设范围数量为5个-10个样本数据，第四预设范围数量为5个-10个样本数据，即在第一目标参数中连续缺失11个-50个样本数据的情况下，利用该缺失的样本数据前相邻的5个-10个样本数据和后相邻的5个-10个样本数据，取前相邻的5个-10个样本数据和后相邻的5个-10个样本数据的平均值，并利用双向滑动数据窗的方式，得到每一个缺失的样本数据的预测值，利用线性比例的方式和预测值得到最终的缺失数据的填充值；
[0095]
在第一目标参数中连续缺失的样本数据的数量位于第五预设范围数量内的情况下，将所述第一目标参数舍弃，其中，第二预设范围数量小于第五预设范围数量，可选地，第五预设范围数量为大于50个样本数据，即由于选取的目标参数中，通常会参考样本数据的完整程度如果缺失的样本数据较多的话，该参数就会被删除，因此，在第一目标参数中连续缺失的样本数据为大于50个样本数据的情况下，将第一目标参数舍弃或删除。
[0096]
其中，所述第一目标参数为所述目标参数中的任一参数，针对目标参数中的每一参数，均可以按照上述流程对每一目标参数的样本数据进行插值补缺处理。
[0097]
需要说明的是，之所以要保持时序的完整性，主要是针对未来时序预测而言的。
[0098]
进一步地，对所述预处理后的目标参数进行经验模态分解emd以及主成分分析处理，得到所述目标参数的平稳参数，包括：
[0099]
对第二目标参数中的样本数据进行emd处理，得到所述第二目标参数的内涵模态分量(intrinsic mode functions，imf)和所述第二目标参数的残余分量，即以每一预处理后的目标参数为单位，针对每一预处理后的目标参数(即第二目标参数)进行emd分解，得到若干imf)和若干残余分量，其中，一个目标参数对应一个imf和一个残余分量；
[0100]
根据第一预设累积贡献率阈值，对所述第二目标参数的imf和所述第二目标参数的残余分量进行主成分分析降维处理，得到所述第二目标参数的剩余分量，其中，第一预设累积贡献率阈值为90％，将每一所述第二目标参数的剩余分量进行合并，得到所述第二目标参数的平稳参数，即对第二目标参数的imf和第二目标参数的残余分量分别进行主成分
分析降维处理，在第一预设累积贡献率阈值90％的情况下，去除干扰分量，将剩余分量进行合并，以获得第二目标参数的平稳参数；
[0101]
其中，所述第二目标参数是所述预处理后的目标参数中的任一参数，针对目标参数中的每一参数，均可以按照上述流程对每一目标参数进行emd处理，得到目标参数的平稳参数。
[0102]
具体地，如图2所示，对所述预处理后的目标参数进行经验模态分解emd处理的具体步骤为：
[0103]
步骤201：获取目标参数x1、x2、x3...、xn；
[0104]
步骤202：将各个目标参数的imf分量计为imf
i1
、imf
j2
、imf
k3
、...、imf
qn
(其中，后缀i、j、k、q等为某一目标参数的某一内涵模态分量，后缀1、2、3、...、n分属各个模态所属的目标参数)。除了imf外，每个目标参数还有一个残余分量，计为res1、res2、res3、...、resn。在目标参数的数量为12的情况下，n＝12。
[0105]
步骤203：以目标参数中的每个参数为单位，每一个目标参数的所有imf、残余分量进行主成分分析pca降维，以去除(减少)干扰分量；
[0106]
步骤204：对应得到减少后的imf
i1
、减少后的imf
j2
、减少后的imf
k3
、...、减少后的imf
qn
。
[0107]
所述减少分量的措施，并非直接通过主成分分析合并成若干数量更少的主成分分量，而是通过主成分降维分析，确定每一目标参数的主成分数量，并按照imf分量的顺序，减少imf分量，使每个目标参数的剩余分量个数与目标参数的主成分数量相等。
[0108]
步骤205：以目标参数中的每一个参数为单位，将每一个参数的剩余分量进行合并，得到目标参数的平稳参数，计为x1’
、x2’
、x3’
...、x
n’。
[0109]
需要说明的是，所述第二目标参数的残余分量是所述第二目标参数除去所述第二目标参数的imf的剩余部分，第二目标参数的剩余分量是对第二目标参数除去干扰分量后，剩余的分量(包括残余分量)。
[0110]
在得到目标参数中每个参数的剩余分量后，对每个参数的剩余分量和残余分量进行单独保留，以便后续应用。之所以需要单独保留，是因为部分参数的残余分量将要用于未来时序预测。
[0111]
对所述预处理后的目标参数进行经验模态分解emd处理的步骤可以以一种一劳永逸的方式，解决降噪难题(只需要根据主成分分析的累计贡献率阈值的情况，减少前1-3个imf就可，而被筛除的分量即为干扰分量)。累计贡献率阈值90％时根据实验得出的结果，即保证数据不失真的结果。
[0112]
其中，以每个参数为单位，各自进行主成分分析降维，并非是将所有参数的所有分量形成共同的一个集合进行降维处理，也并非将降维后的主成分直接作为减少后的分量进行使用。例如：对预处理后的x1的样本数据进行emd分解，并且进行降维处理；对预处理后的x2的样本数据进行emd分解，降维处理时只能对预处理后的x2的所有分量进行降维，而不能将预处理后的x2的分量加入其中。对干扰分量的去除，采取从imf1分量开始逐步去除的方式进行，直至剩余分量总数等于降维后主成分数量为止，即所述干扰分量是每个参数前1个-3个分量。
[0113]
通过上述对所述预处理后的目标参数进行经验模态分解emd处理的步骤，可以解
决降噪困难且主观性较强、工作量大的问题，并实现数据降噪，构建健康数据。
[0114]
在基于全设备主数据的未来预测方法的基础上，本发明实施例提供如下基于参数工况交互及动态特性的模型建立及未来时序预测方法，具体地，在本发明一可选实施例中，获取所述目标参数的平稳参数的预测样本、所述目标参数的主成分参数的预测样本和所述目标参数的稳健距离参数的预测样本，包括：
[0115]
根据所述平稳参数，得到所述平稳参数的载荷矩阵、所述平稳参数的特征值、主成分方程、所述目标设备与所述目标设备的上游和下游之间的关联模型、所述响应参数的未来预测样本和所述主要参数的未来预测样本；
[0116]
根据所述目标参数的稳健距离、所述目标参数的协方差矩阵、所述平稳参数的特征值、所述响应参数的未来预测样本和所述主要参数的未来预测样本，得到所述目标参数的稳健距离参数的预测样本；
[0117]
其中，所述目标参数的稳健距离是马氏距离的优化模型，是以快速最小协方差行列式算法为基础的优化模型，在本实施例中，稳健距离的计算公式等同于马氏距离的计算公式：
[0118][0119]
其中，xm为目标参数的平稳参数中的第m个样本，s为协方差矩阵，t为均值矩阵，t代表矩阵转置，n代表历史数据样本个数，也就是说，该稳健距离是基于n个样本的历史数据的基底得到的。
[0120]
利用上述公式得到目标参数的稳健距离后、目标参数的协方差矩阵s、目标参数的均值矩阵t之后，根据目标参数的稳健距离后、目标参数的协方差矩阵s、目标参数的均值矩阵t、响应参数的未来预测样本和主要参数的未来预测样本，得到目标参数的稳健距离参数的预测样本(未来预测结果)，并将该平稳参数的预测样本作为目标设备及其上下游工艺整体稳定性未来预测结果。
[0121]
上述得到目标参数的稳健距离参数的预测样本的步骤为整体稳定性分析的关键步骤。
[0122]
根据所述平稳参数的载荷矩阵、所述平稳参数的特征值、所述响应参数的未来预测样本、所述主要参数的未来预测样本和所述主成分方程，得到所述目标参数的主成分参数的预测样本，具体地，利用平稳参数的载荷矩阵、平稳参数的特征值，将目标参数的主要参数的未来预测样本和目标参数的响应参数的未来预测样本代入主成分方程中，计算出主成分参数，并作为目标参数的主成分参数的预测样本(未来预测结果)。具体操作为通过x
fu
p＝t
fu
，确定未来预测样本的主成分值，其中x
fu
为包含有未来预测样本的原样本矩阵，t
fu
包含有解析得到的未来预测样本的主成分值，p代表载荷矩阵；
[0123]
上述得到目标参数的主成分参数的预测样本的步骤通过间接方式，实现了目标设备及其上下游的主成分参数的未来预测。
[0124]
其中，所述主要参数为所述目标参数中影响所述目标设备和所述目标设备的上游和下游工艺的参数；所述响应参数是所述目标参数中除所述主要参数之外的参数。
[0125]
进一步地，根据所述平稳参数，得到所述平稳参数的载荷矩阵、所述平稳参数的特征值、主成分方程、所述目标设备与所述目标设备的上游和下游之间的关联模型、所述响应
参数的未来预测样本和所述主要参数的未来预测样本，包括：
[0126]
对所述平稳参数进行动态稀疏主成分分析处理，得到所述平稳参数的载荷矩阵、所述平稳参数的特征值；根据所述平稳参数的载荷矩阵，得到所述主成分方程，并根据所述主成分方程得到所述主要参数和所述响应参数；
[0127]
需要说明的是，动态稀疏主成分分析是将动态主成分分析与稀疏主成分分析结合到一块儿实现，前者通过建立增广矩阵，考虑到了数据的动态特性；后者通过将载荷矩阵集中、稀疏化，减少非零元素，不仅实现对重要参数的集中分析，也减少了数据处理量。
[0128]
在本实施例中，对平稳参数进行动态稀疏主成分分析，得到该分析案例的载荷矩阵、特征值，并根据载荷矩阵求出主成分方程，将主成分方程中存在的样本参数确定影响所述目标设备及上下游工艺的主要参数以及除了主要参数之外的响应参数；
[0129]
其中，载荷矩阵、得分矩阵、特征值，属于主成分分析得到的重要结果，载荷矩阵体现对应参数的重要性，得分矩阵体现降维后得到的结果，特征值体现各个主成分对主成分分析模型的重要性。具体而言，确定影响主要参数的方法在于，根据载荷矩阵和得分矩阵得到的主成分方程如下：
[0130][0131]
其中，上述a
ij
为载荷矩阵中的元素，xj为第j个下标的平稳参数，n为所有平稳参数个数，pci为第i个主成分参数，k为所有主成分参数的数量。最终确定每个主成分参数pci中表达式中最大的|a
ij
|对应的参数xj，即为主要参数。而在所述动态稀疏主成分分析的环境下，所述确定主要参数的方式相对主成分分析而言，稍有区别：挑选数值为0的a
ij
对应的平稳参数xj直接作为所述主要参数。
[0132]
根据所述主要参数和所述响应参数，构建所述目标设备与所述目标设备的上游和下游之间的关联模型，具体地，以主要参数为单位，在主要参数与响应参数之间构建多元线性回归模型，并根据显著性和拟合程度进行筛选，以获得目标设备与目标设备的上游和下游之间的关联模型，并对该主要参数、响应参数和关联模型进行备份；之所以要对关联模型进行单独备份，是因为该关联模型同样可以用于对目标参数中的重要参数的分析，具体而言，查看该重要参数偏离解析值的程度，并分析出该重要参数对应点位出现的问题。
[0133]
上述建立关联模型的步骤是建立目标设备及其上下游的参数的联系(即设备与工艺工况耦合)的关键步骤。多元线性回归模型，是通过主要参数与响应参数之间进行线性拟合得到的，其中，根据显著性和拟合程度进行筛选，即根据系数分析的t分布检验值和方差分析的f分布检验值实现显著性判断(相应的p值(即对应的t分布、f分布的概率值)小于第一预设阈值即为显著，可选地，第一预设阈值为0.05)，根据多元线性回归模型误差占总误差的百分比r-sq判断拟合程度，其中，r-sq大于第二预设阈值视为拟合较好，可选地，第二预设阈值为0.8。若上述显著性判断和拟合程度分析均不满足，则对应的多元线性回归模型，如果所有的多元线性回归模型均无效，则重新获取目标参数，即从步骤101重新开始。
[0134]
并且由于该多元线性回归模型是在增广矩阵的基础上建立的，因此，该多元线性模型也包含了参数本身的动态特性，在以目标设备为回流泵的实施例中，建立的多元线性回归模型共6个(分别对应主要参数x18温度1、x111流量控制3、x25a泵电流、x29温度5、x310
流量控制1、x312流量控制4，其中下标前缀指向滞后因子，即下标前缀1指向无滞后状态的参数，下标前缀2指向滞后因子为1的参数，下标前缀3指向滞后因子为2的参数)，并且均符合显著性和拟合程度要求，共同作为目标参数的未来预测的关联模型。
[0135]
根据所述响应参数的剩余分量和长短期记忆lstm模型，得到所述响应参数的未来预测样本，所述响应参数的剩余分量是根据第一预设累积贡献率阈值，对所述响应参数的内涵模态分量imf和所述响应参数的残余分量进行主成分分析降维处理得到的，所述响应参数的imf和所述响应参数的残余分量是对所述响应参数的剩余分量进行emd处理得到的，具体地，对响应参数的所有剩余分量进行lstm时序预测，以获得所述响应参数的所有剩余分量的未来预测样本，并以每个响应参数为单位，对所有剩余分量的未来预测样本进行合并，得到所有响应参数的未来预测样本；其中，响应参数的剩余分量的确定过程与上述的对第二目标参数进行emd处理的步骤一致，在此不再赘述；
[0136]
根据所述响应参数的未来预测样本和所述关联模型，得到所述主要参数的未来预测样本，即将响应参数的未来预测样本代入上述关联模型中，得到主要参数的未来预测样本。
[0137]
其中，lstm模型是利用响应参数的剩余分量的训练集和测试集得到的，具体地，根据响应参数的剩余分量的训练集和测试集的拟合值，通过滑动数据窗的方式得到响应参数的每个剩余分量的未来值，将得到的该剩余分量的未来值进行合并，得到响应参数的未来预测样本。
[0138]
所述训练集和测试集的比例可根据用户自主确定。可选地，比例为8：2。所述响应参数每个剩余分量的未来预测样本不在测试集解析样本之列。
[0139]
特殊地，由于lstm模型拟合结果随机性较大，因而本专利采用多次重复取最优目标指标的方式进行。评价lstm模型的指标有三个，分别为mse均方误差、mae平均绝对误差、拟合程度r2。由于同样的训练样本下，重复多次建立的不同模型之间的mse、mae、r2均不同，并且三者变化趋势相关联，因而此处以拟合程度r2作为目标指标，选取最大r2值对应的lstm模型。
[0140]
需要说明的是，lstm模型是一种特殊的神经网络模型，可以解决长序列训练过程中的梯度消失和梯度爆炸问题。上述步骤对各imf分量和残余分量进行未来预测，相比于各个参数整体未来预测，可减小误差。
[0141]
进一步地，对所述平稳参数进行动态稀疏主成分分析处理，得到所述平稳参数的载荷矩阵、所述平稳参数的特征值，包括：
[0142]
根据所述平稳参数和历史平稳参数，构建增广矩阵；
[0143]
根据第二预设累积贡献率阈值，对所述增广矩阵进行稀疏主成分分析处理，得到所述平稳参数的载荷矩阵和所述平稳参数的特征值。
[0144]
具体地，在获得上述的平稳参数x1’
、x2’
、x3’
...、x
n’之后，将其滞后l步(l为滞后因子，一般情况下，l的取值为2)时间位移的参数样本并入其中，得到目标参数的平稳参数的增广矩阵。所述构建增广矩阵，即为建立历史数据的增广矩阵，并在对应区域补充时间向前推移l步(l为滞后因子)的样本(即历史平稳参数)，具体而言，增广矩阵为：
[0145]
x＝[x
t
,x
t-1
,x
t-2
,...,x
t-l
]
[0146]
其中，x
t
为第t至t+n时刻的平稳参数样本，l值滞后因子的确定较为复杂，但以实
际的工艺经验而言，l值滞后因子取2。
[0147]
可选地，第二预设累积贡献率阈值为85％。
[0148]
对目标参数的平稳参数的增广矩阵进行稀疏主成分分析降维，要求累计贡献率85％。
[0149]
动态稀疏主成分分析是将动态主成分分析与稀疏主成分分析结合到一块儿实现，前者通过建立增广矩阵，考虑到了数据的动态特性；后者通过将载荷矩阵集中、稀疏化，减少非零元素，不仅实现对重要参数的集中分析，也减少了数据处理量。
[0150]
所述稀疏主成分分析降维，是在主成分分析降维的基础上，利用通过岭回归和lasso回归将载荷矩阵稀疏化，得到新的载荷矩阵，在准确提取数据信息的前提下使主成分向量每一列中非零元素最少。可以理解为将参数进行了集中化。
[0151]
从上述的稀疏主成分分析降维中得到所述目标参数的平稳参数的载荷矩阵、特征值作为备份。
[0152]
所述载荷矩阵为通过岭回归和lasso回归处理后的载荷矩阵。另外，增广矩阵得到的均值、方差同样作为备份。
[0153]
特殊地，在建立增广矩阵的过程中，设置的滞后因子l为2，载荷矩阵稀疏化是通过岭回归、lasso回归进行稀疏。在循环泵a泵的实施例中，原参数12个，增广矩阵处理后涉及36个参数，而经过降维之后(累计贡献率阈值85％)，主成分参数有5个。
[0154]
本实施例所述的动态稀疏主成分分析，是将所述平稳参数进行动态稀疏主成分分析，通过载荷矩阵确定主要参数，而动态稀疏主成分分析方法，则是兼顾动态主成分分析的动态特性和稀疏主成分分析对载荷矩阵的岭回归、lasso回归等措施进行主成分分析的。
[0155]
特殊地，确定主要参数的方法并非在每个主成分方程中寻找对应载荷值绝对值最大值，而是直接收集每个非零载荷元素对应的参数，并且整合到一起，去除重复的参数，总结出最终的主要参数。
[0156]
本发明实施例，在各个参数细化预测的基础上，建立各个参数之间的联系，以实现设备与工艺工况的耦合，考虑参数的动态特性，建立其时序上的动态联系，在分析过程中，减少数据处理量。
[0157]
本发明实施例还提供一个具体实施例，具体内容如下：
[0158]
选取冷氢化工艺中某循环泵(回流泵)a泵共计12个目标参数，分别为：x1压力1、x2压力2、x3压力3、x4压力4、x5a泵电流、x6液位4、x7液位5、x8温度1、x9温度5、x10流量控制1、x11流量控制3、x12流量控制4。以小时为间隔，选取2022年4月20日至2022年6月1日共计1032个样本。由于在4月25日-28日之间存在故障，所以出现波动，因而需要降噪处理。经过emd分解和主成分分析pca降维筛除分量(累计贡献率90％，该阈值是经过实验得到的，在累计贡献率阈值低于90％的情况下，历史数据不完全被优化成健康样本数据)，得到优化的参数(预处理后的目标参数)。处理过程如下表2所示。(降噪的效果在后续稳健距离中可明确体现)。
[0159]
表2处理过程示意表
[0160][0161]
在上述参数的基础上，开始进行动态稀疏主成分分析降维：
[0162]
首先构建增广矩阵。具体而言：
[0163]
取滞后因子l为2。参数x
1i
的样本选取x
1i’的第3-1032个样本；参数x
2i
的样本选取x
i’的第2-1031个样本；参数x
3i
的样本选取x
i’的第1-1030个样本(上述参数的前缀1、2、3分别指向第1、2、3个滞后因子的参数(第1个无滞后)，i表示上述原始参数的下标)。共同构建增广矩阵：
[0164]
[x
11 x
12
...x
111 x
112 x
21 x
22
...x
211 x
212 x
31 x
32
...x
311 x
312
]
[0165]
其次，在上述增广矩阵的基础上，进行稀疏主成分分析降维，具体而言，首先进行主成分分析，得到累计贡献率大于85％时的主成分参数为5，对应5个主成分方程。根据载荷矩阵非零元素的分布情况，整理出主要参数，如下表3所示：
[0166]
表3主要成分示意表
[0167]
主成分参数非零元素对应参数pc1x210、x212、x310、x312pc2x15、x25、x35pc3x18、x19、x111、x28、x29、x38、x39pc4x18、x110、x112、x210、x212pc5x18、x110、x111、x28、x210、x211、x38、x310、x311主要参数合计x18、x111、x25、x29、x310、x312
[0168]
根据上述6个主要参数，进行多元线性回归建模，得到的结果(展示一个主要参数的情况)如下：
[0169]
x18＝2.34-2.4x11+5.35x12-5.7x13+4.08x14+0.09x15+0.0038x16-0.137x17+
0.6850x19+0.1371x110+0.1000x111+0.0103x112+9.5x21-11.2x22+1.0x23-0.77x24-0.16x25+0.0173x26+0.205x27+0.1846x28-0.2837x29-0.1709x210-0.2226x211-0.0530x212+2.8x31+7.24x32-4.8x33-1.80x34+0.07x35-0.0421x36-0.055x37+0.2337x38+0.0133x39+0.1247x310+0.1443x311+0.0354x312
[0170]
上述方程的r-sq为97.82％，各参数t检验值和f检验值对应的p值均小于0.05。
[0171]
根据实际六个回归方程计算的r-sq检验结果，选择上述6个主要参数的线性回归模型，并作为备份。
[0172]
针对上述剩余分量(共计324个)，均进行lstm建模，其中1032个样本中，训练集占80％，测试集占20％，并且进行未来时序预测，向后预测24个未来样本(即未来1天的样本)。其中lstm建模过程中，本实施例采用python编程的keras.layers数据库中的lstm(a)函数，其中a取值128，训练集个数指标体现在batch_size上。同时，设置lstm建模重复次数50次，选取拟合程度r2最高的一个模型。实际上，每个分量的lstm建模最高拟合程度r2均在90％以上。
[0173]
将所有未来预测的24个样本的各个分量值按照对应的参数进行合并，将结果代入上述线性回归模型中，得到的每一主要参数及其解析值的时序图，具体地，主要参数x18及其解析值的时序图如图3所示，主要参数x111及其解析值的时序图如图4所示，主要参数x25及其解析值的时序图如图5所示，主要参数x29及其解析值的时序图如图6所示，主要参数x310及其解析值的时序图如图7所示，主要参数x312及其解析值的时序图如图8所示。由图3至图8可见拟合效果较好，拟合结果较好，并且可见未来预测结果，实际上，该结果符合其变化趋势。具体而言：流量3x111的确存在从约75m3/h下降至70m3/h再上升至75m3/h的情况；受流量3x111的影响，温度5x29、流量1x310、流量4x312同样呈现增加的趋势，a泵电流x25呈小幅下降趋势。
[0174]
此外，利用上述响应参数各分量的lstm预测结果的合并，以及主要参数通过线性回归模型解析出的预测结果，建立稳健距离模型，并接入对应的24组未来预测样本，得到全样本(包括24个未来时序预测结果)的稳健距离时序图如图9所示。其中的阈值为p＝36。可以得到，降噪后数据的稳健距离均未超出阈值，说明降噪后的样本均是健康状态。同时也可以发现，末尾24个样本的稳健距离也未超出阈值。实际上，在6月2日当天，没有发生故障和操作失误的情况，设备平稳运行。
[0175]
最后，将合并后的结果(包括24个未来预测样本)代入动态稀疏主成分分析模型中，得到未来预测的主成分样本，如图10所示，图10为全样本(包括24个未来时序预测结果)的主成分时序图，其中框选处为24个未来时序预测结果，未来预测的主成分样本展示了前三个主成分的散点图，针对24个未来预测样本的对应的主成分样本，根据散点图，可以发现，由于pc1偏离0点较多，结合主要参数，说明流量的影响较大。不过，其与相近的时段内的主成分值相似，即表示局部处于平稳状态。
[0176]
通过上述方法，实现了各个参数(主要参数、响应参数)结合动态特性和交互特性的未来预测，以及对应稳定性和主成分值的未来预测，对回流泵运行调整提供了参考。
[0177]
下面结合图11，具体说明本发明实施例提供的多晶硅生产设备控制方法的具体流程：
[0178]
以冷氢化车间的某a泵为主，收集其目标设备的设备参数以及上下游的工艺参数；根据现场故障状况，进行初步筛除异常值操作，对目标参数样本进行预处理操作；通过所有目标参数的emd分解，每个目标参数得到若干分量，以每个目标参数为主，各自进行主成分分析降维，在累计贡献率90％阈值的情况下，减少分量数量，得到平稳参数；所有剩余的分量备份，同时合并每个目标参数的各个分量，并进行动态稀疏主成分分析，确定主要参数，其余参数作为响应参数；同时，确定载荷矩阵和特征值，留作备用；主要参数与响应参数之间构建多元线性回归模型，并根据显著性和拟合程度进行筛选；响应参数的各个备份的分量进行lstm时序预测，得到未来预测样本，并对应各个参数进行合并，代入保留的多元线性回归模型，求出对应响应参数的未来预测样本同时间的主要参数的解析值作为主要参数的未来预测样本；通过训练集样本求取稳健距离以及最终的协方差矩阵s、均值矩阵t，并利用这些参数求取测试集样本以及未来预测样本的稳健距离，并将稳健距离的未来预测样本的结果作为预测结果；利用已确定的载荷矩阵、特征值，将未来预测样本代入主成分分析中，计算出对应的得分样本，并作为主成分参数的未来预测结果；整合平稳参数、各主成分参数的未来预测样本、稳定性(稳健距离)的未来预测样本，共同作为该回流泵上下游工艺未来预测结果，根据其变化趋势，对该回流泵的运行调整提供指导。
[0179]
下面结合图12，具体说明获取所述目标参数的主成分参数的预测样本和所述目标参数的稳健距离参数的预测样本的具体流程：
[0180]
步骤1201：获取目标参数的平稳参数，计为x1’
、x2’
、x3’
...、x
n’；
[0181]
步骤1202：构建增广矩阵，将上两个时间位移的参数样本并入其中；
[0182]
步骤1203：对增广矩阵进行稀疏主成分分析降维，要求累计贡献率85％；
[0183]
步骤1204：从稀疏主成分分析降维中得到所述平稳参数样本的载荷矩阵、特征值作为备份，将所得最终的载荷矩阵、特征值作为备份；
[0184]
步骤1205：根据载荷矩阵求出主成分方程，将主成分方程中存在的样本参数确定为主要参数，并且备份，将用于构建回流泵及上下游工艺的关联模型；
[0185]
步骤1206：得到目标参数中除了主要参数之外的响应参数
[0186]
步骤1207：根据响应参数和主要参数进行多元线性拟合，从而构建出回流泵及上下游工艺的关联模型；
[0187]
步骤1208：获取备份的响应参数的各个剩余分量；
[0188]
步骤1209：得到若干多元线性回归模型，并通过显著性检验和拟合程度检验筛选关联模型；
[0189]
步骤1210：确定每个响应参数每个剩余分量的训练集、测试集，并得出lstm模型，得到该模型下训练集、测试集的拟合值，并通过未来预测得到未来值，将得到的该剩余分量的未来值进行合并，得到回流泵及上下游工艺响应参数的未来预测样本；
[0190]
步骤1211：备份得到的多元线性回归模型和关联模型；
[0191]
步骤1212：代入响应参数的解析结果，得到主要参数的解析结果；
[0192]
步骤1213：合并各分量训练集、测试集的解析值及未来预测值样本，作为响应参数的解析结果；
[0193]
步骤1214：利用备份的最终载荷矩阵、特征值，连同所有参数的未来预测结果样本，代入上述动态稀疏主成分模型中，解出对应样本的主成分值，作为主成分参数的未来预
测结果。
[0194]
在上述实施例的基础上，本发明实施例还提供一种基于权设备主数据未来预测的装置，如图13所示，具体包括：
[0195]
收集模块1301，主要收集现场各个点位的参数样本。
[0196]
预处理模块1302，在保留各个参数联锁值和警戒值的基础上，内置emd分解、pca降维、分量筛除及合并的算法，用于将各个参数进行emd分解，并通过pca降维筛除干扰分量，从而进行降噪处理。
[0197]
动态稀疏主成分分析模块1303，用于将预处理后的历史数据样本构建增广矩阵，并进行稀疏主成分分析，并输出对应的均值、方差、载荷矩阵、得分矩阵、特征值，利用这些值构建动态稀疏主成分模型。
[0198]
建模模块1304，主要内置有多元线性回归算法和lstm算法以及相应的判别模型有效的方法，其中多元线性回归算法只需要接入目标参数的信息及响应参数的样本即可，而lstm算法需要手动调整输入重复次数、训练集数量。
[0199]
预测模块1305，主要接收建模模块1304建立后的模型，并利用该模型以及输入未来时序预测的样本数量进行全参数的未来时序预测。
[0200]
稳定性模块1306，主要通过全参数全样本的稳健距离计算以及阈值设定来判别数据是否稳定。
[0201]
协调、调用模块1307，主要用于根模块1301-模块1306相应指令的需要，从模块1308存储模块中调取资源进行分配。
[0202]
存储模块1308，主要用于存储样本及相应的算例、步骤、故障点标记。
[0203]
展示模块1309，主要用于展示各个参数各个指标的时序图，以及参数的健康状态。
[0204]
输出模块1310，用于将各个模块的处理结果进行输出、导出。
[0205]
本发明实施例提供的方法，在多晶硅工艺中实现较难解决的数据降噪问题，有利于构建健康数据；在各个参数细化预测的基础上，建立各个参数之间的联系；考虑参数的动态特性，建立其时序上的动态联系，最终实现全设备主数据未来精准预测。本发明实施例，运用稳健马氏距离的方式，可以提高故障检测效率，并构建稳健空间进行更准确的预测。该模型为判断整体稳定性的重要模型。针对未来时序预测，不仅限于单一lstm方法，而是通过多元线性回归构建了关联模型，从而使未来预测结果更准确。对降噪后的数据运用动态稀疏主成分分析，不仅考虑到了参数的动态特性，而且利于将重要参数集中分析，还减少数据处理量，便于建模。该过程一经实现，后续处理过程都包含有参数的动态特性。通过间接的方式，实现了主成分的未来预测。具体而言，该预测并非直接对主成分进行时序预测，而是以动态参数的载荷矩阵(或者，主成分方程)为基底，将所需参数进行预测，并带入其中求取解析值，通过这样的过程可以发现，该方式的主成分未来预测结合了各个参数的未来状况，增加了准确性，并且绕过了本身预测的快速失真的情况。考虑了各参数之间的联系，又去除了每个参数各个分量之间关联的建立(即所述平稳的分量采用mlr多元线性回归进行预测)；用动态稀疏主成分分析，考虑到了参数的动态特性，这是进步的重要一点。此外，构建了稳健距离模型，判断了整体的稳定性。
[0206]
如图14所示，本发明实施例还提供一种多晶硅生产设备控制装置，包括：
[0207]
第一获取模块1401，用于获取目标参数，所述目标参数包括目标设备的设备参数
以及所述目标设备的上游和下游的工艺参数；
[0208]
第一处理模块1402，用于对所述目标参数进行经验模态分解emd以及主成分分析处理，得到所述目标参数的平稳参数；
[0209]
第二获取模块1403，用于获取所述目标参数的平稳参数的预测样本、所述目标参数的主成分参数的预测样本和所述目标参数的稳健距离参数的预测样本；
[0210]
确定模块1404，用于根据所述目标参数的平稳参数的预测样本、所述目标参数的主成分参数的预测样本和所述目标参数的稳健距离参数的预测样本，确定目标设备的设备参数以及所述目标设备的上游和下游的工艺参数的预测结果；
[0211]
调整模块1405，用于根据所述预测结果，对所述目标设备的设备参数和/或所述目标设备的上游和下游的工艺参数进行调整。
[0212]
可选地，所述第二获取模块1403，包括：
[0213]
第一处理单元，用于根据所述平稳参数，得到所述平稳参数的载荷矩阵、所述平稳参数的特征值、主成分方程、所述目标设备与所述目标设备的上游和下游之间的关联模型、所述目标参数中的响应参数的未来预测样本和所述目标参数中的主要参数的未来预测样本；
[0214]
第二处理单元，用于根据所述目标参数的稳健距离、所述目标参数的协方差矩阵、所述平稳参数的特征值、所述响应参数的未来预测样本和所述主要参数的未来预测样本，得到所述目标参数的稳健距离参数的预测样本；
[0215]
第三处理单元，用于根据所述平稳参数的载荷矩阵、所述平稳参数的特征值、所述响应参数的未来预测样本、所述主要参数的未来预测样本和所述主成分方程，得到所述目标参数的主成分参数的预测样本；
[0216]
其中，所述主要参数为所述目标参数中影响所述目标设备和所述目标设备的上游和下游工艺的参数；所述响应参数是所述目标参数中除所述主要参数之外的参数。
[0217]
可选地，所述第一处理单元，具体用于：
[0218]
对所述平稳参数进行动态稀疏主成分分析处理，得到所述平稳参数的载荷矩阵、所述平稳参数的特征值；
[0219]
根据所述平稳参数的载荷矩阵，得到所述主成分方程，并根据所述主成分方程得到所述主要参数和所述响应参数；
[0220]
根据所述主要参数和所述响应参数，构建所述目标设备与所述目标设备的上游和下游之间的关联模型；
[0221]
根据所述响应参数的剩余分量和长短期记忆lstm模型，得到所述响应参数的未来预测样本；所述响应参数的剩余分量是根据第一预设累积贡献率阈值，对所述响应参数的内涵模态分量imf和所述响应参数的残余分量进行主成分分析降维处理得到的，所述响应参数的imf和所述响应参数的残余分量是对所述响应参数的剩余分量进行emd处理得到的；
[0222]
根据所述响应参数的未来预测样本和所述关联模型，得到所述主要参数的未来预测样本。
[0223]
可选地，所述第一处理单元，具体用于：
[0224]
根据所述目标工艺参数和历史目标工艺参数，构建增广矩阵；
[0225]
根据第二预设累积贡献率阈值，对所述增广矩阵进行稀疏主成分分析处理，得到
所述平稳参数的载荷矩阵和所述平稳参数的特征值。
[0226]
可选地，所述第一处理模块1402，包括：
[0227]
第四处理单元，用于根据每一所述目标参数中的样本数据进行插值补缺处理以及根据每一所述目标参数中的样本数据进行相关性处理，得到预处理后的目标参数；
[0228]
第五处理单元，用于对所述预处理后的目标参数进行经验模态分解emd以及主成分分析处理，得到所述目标参数的平稳参数。
[0229]
可选地，所述第四处理单元，具体用于：
[0230]
在第一目标参数中连续缺失的样本数据的数量位于第一预设范围数量内的情况下，利用线性插值的方式对所述连续缺失的样本数据进行插值补缺处理；
[0231]
在第一目标参数中连续缺失的样本数据的数量位于第二预设范围数量内的情况下，利用与所述连续缺失的样本数据前相邻的第三预设范围数量的样本数据、与所述连续缺失的样本数据后相邻的第四预设范围数量的样本数据、预设的双向滑动数据窗算法和线性比例算法，对所述连续缺失的样本数据进行插值补缺处理；
[0232]
在第一目标参数中连续缺失的样本数据的数量位于第五预设范围数量内的情况下，将所述第一目标参数舍弃；
[0233]
其中，所述第一目标参数为所述目标参数中的任一参数；
[0234]
所述第一预设范围数量小于所述第二预设范围数量，所述第二预设范围数量小于所述第五预设范围数量。
[0235]
可选地，所述第五处理单元，具体用于：
[0236]
对第二目标参数中的样本数据进行emd处理，得到所述第二目标参数的内涵模态分量imf和所述第二目标参数的残余分量；
[0237]
根据第一预设累积贡献率阈值，对所述第二目标参数的imf和所述第二目标参数的残余分量进行主成分分析降维处理，得到所述第二目标参数的剩余分量；
[0238]
将每一所述第二目标参数的剩余分量进行合并，得到所述第二目标参数的平稳参数；
[0239]
其中，所述第二目标参数是所述预处理后的目标参数中的任一参数；
[0240]
所述第二目标参数的残余分量是所述第二目标参数除去所述第二目标参数的imf的分量。
[0241]
需要说明的是，本发明实施例提供的多晶硅生产设备控制装置，是能够执行上述的多晶硅生产设备控制方法的装置，则上述的多晶硅生产设备控制方法的所有实施例均适用于该装置，且能够达到相同或者相似的技术效果。
[0242]
如图15所示，本发明实施例还提供一种服务器，包括：处理器1501；以及通过总线接口1502与所述处理器1501相连接的存储器1503，所述存储器1503用于存储所述处理器1501在执行操作时所使用的程序和数据，所述处理器1501调用并执行所述存储器1503中所存储的程序和数据。
[0243]
其中，所述收发机1504与所述总线接口1502连接，用于在所述处理器1501的控制下接收和发送数据，具体地，所述处理器1501用于读取所述存储器1503中的程序，所述处理器1501执行下列过程：
[0244]
获取目标参数，所述目标参数包括目标设备的设备参数以及所述目标设备的上游
和下游的工艺参数；
[0245]
对所述目标参数进行经验模态分解emd以及主成分分析处理，得到所述目标参数的平稳参数；
[0246]
获取所述目标参数的主成分参数的预测样本和所述目标参数的稳健距离参数的预测样本；
[0247]
根据所述目标参数的平稳参数、所述目标参数的主成分参数的预测样本和所述目标参数的稳健距离参数的预测样本，确定所述目标设备的设备参数以及所述目标设备的上游和下游的工艺参数的预测结果；
[0248]
根据所述预测结果，对所述目标设备的设备参数和/或所述目标设备的上游和下游的工艺参数进行调整。
[0249]
可选地，所述处理器1501，用于：
[0250]
根据所述平稳参数，得到所述平稳参数的载荷矩阵、所述平稳参数的特征值、主成分方程、所述目标设备与所述目标设备的上游和下游之间的关联模型、所述目标参数中的响应参数的未来预测样本和所述目标参数中的主要参数的未来预测样本；
[0251]
根据所述目标参数的稳健距离、所述目标参数的协方差矩阵、所述平稳参数的特征值、所述响应参数的未来预测样本和所述主要参数的未来预测样本，得到所述目标参数的稳健距离参数的预测样本；
[0252]
根据所述平稳参数的载荷矩阵、所述平稳参数的特征值、所述响应参数的未来预测样本、所述主要参数的未来预测样本和所述主成分方程，得到所述目标参数的主成分参数的预测样本；
[0253]
其中，所述主要参数为所述目标参数中影响所述目标设备和所述目标设备的上游和下游工艺的参数；所述响应参数是所述目标参数中除所述主要参数之外的参数。
[0254]
可选地，所述处理器1501，具体用于：
[0255]
对所述平稳参数进行动态稀疏主成分分析处理，得到所述平稳参数的载荷矩阵、所述平稳参数的特征值；
[0256]
根据所述平稳参数的载荷矩阵，得到所述主成分方程，并根据所述主成分方程得到所述主要参数和所述响应参数；
[0257]
根据所述主要参数和所述响应参数，构建所述目标设备与所述目标设备的上游和下游之间的关联模型；
[0258]
根据所述响应参数的剩余分量和长短期记忆lstm模型，得到所述响应参数的未来预测样本；所述响应参数的剩余分量是根据第一预设累积贡献率阈值，对所述响应参数的内涵模态分量imf和所述响应参数的残余分量进行主成分分析降维处理得到的，所述响应参数的imf和所述响应参数的残余分量是对所述响应参数的剩余分量进行emd处理得到的；
[0259]
根据所述响应参数的未来预测样本和所述关联模型，得到所述主要参数的未来预测样本。
[0260]
可选地，所述处理器1501，具体用于：
[0261]
根据所述目标工艺参数和历史目标工艺参数，构建增广矩阵；
[0262]
根据第二预设累积贡献率阈值，对所述增广矩阵进行稀疏主成分分析处理，得到所述平稳参数的载荷矩阵和所述平稳参数的特征值。
[0263]
可选地，所述处理器1501，用于：
[0264]
根据每一所述目标参数中的样本数据进行插值补缺处理以及根据每一所述目标参数中的样本数据进行相关性处理，得到预处理后的目标参数；
[0265]
对所述预处理后的目标参数进行经验模态分解emd以及主成分分析处理，得到所述目标参数的平稳参数。
[0266]
可选地，所述处理器1501，具体用于：
[0267]
在第一目标参数中连续缺失的样本数据的数量位于第一预设范围数量内的情况下，利用线性插值的方式对所述连续缺失的样本数据进行插值补缺处理；
[0268]
在第一目标参数中连续缺失的样本数据的数量位于第二预设范围数量内的情况下，利用与所述连续缺失的样本数据前相邻的第三预设范围数量的样本数据、与所述连续缺失的样本数据后相邻的第四预设范围数量的样本数据、预设的双向滑动数据窗算法和线性比例算法，对所述连续缺失的样本数据进行插值补缺处理；
[0269]
在第一目标参数中连续缺失的样本数据的数量位于第五预设范围数量内的情况下，将所述第一目标参数舍弃；
[0270]
其中，所述第一目标参数为所述目标参数中的任一参数；
[0271]
所述第一预设范围数量小于所述第二预设范围数量，所述第二预设范围数量小于所述第五预设范围数量。
[0272]
可选地，所述处理器1501，具体用于：
[0273]
对第二目标参数中的样本数据进行emd处理，得到所述第二目标参数的内涵模态分量imf和所述第二目标参数的残余分量；
[0274]
根据第一预设累积贡献率阈值，对所述第二目标参数的imf和所述第二目标参数的残余分量进行主成分分析降维处理，得到所述第二目标参数的剩余分量；
[0275]
将每一所述第二目标参数的剩余分量进行合并，得到所述第二目标参数的平稳参数；
[0276]
其中，所述第二目标参数是所述预处理后的目标参数中的任一参数；
[0277]
所述第二目标参数的残余分量是所述第二目标参数除去所述第二目标参数的imf的分量。
[0278]
其中，在图15中，总线架构可以包括任意数量的互联的总线和桥，具体由处理器1501代表的一个或多个处理器和存储器1503代表的存储器的各种电路链接在一起。总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口提供用户接口1505。收发机1504可以是多个元件，即包括发送机和接收机，提供用于在传输介质上与各种其他装置通信的单元。处理器1501负责管理总线架构和通常的处理，存储器1503可以存储处理器1501在执行操作时所使用的数据。
[0279]
另外，本发明具体实施例还提供一种计算机可读存储介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如上中任一项所述的多晶硅生产设备控制方法中的步骤。
[0280]
以上所述的是本发明的优选实施方式，应当指出对于本技术领域的普通人员来说，在不脱离本发明所述的原理前提下还可以作出若干改进和润饰，这些改进和润饰也在
本发明的保护范围内。

技术特征：
1.一种多晶硅生产设备控制方法，其特征在于，包括：获取目标参数，所述目标参数包括目标设备的设备参数以及所述目标设备的上游和下游的工艺参数；对所述目标参数进行经验模态分解emd以及主成分分析处理，得到所述目标参数的平稳参数；获取所述目标参数的主成分参数的预测样本和所述目标参数的稳健距离参数的预测样本；根据所述目标参数的平稳参数、所述目标参数的主成分参数的预测样本和所述目标参数的稳健距离参数的预测样本，确定所述目标设备的设备参数以及所述目标设备的上游和下游的工艺参数的预测结果；根据所述预测结果，对所述目标设备的设备参数和/或所述目标设备的上游和下游的工艺参数进行调整。2.根据权利要求1所述的方法，其特征在于，获取所述目标参数的主成分参数的预测样本和所述目标参数的稳健距离参数的预测样本，包括：根据所述平稳参数，得到所述平稳参数的载荷矩阵、所述平稳参数的特征值、主成分方程、所述目标设备与所述目标设备的上游和下游之间的关联模型、所述目标参数中的响应参数的未来预测样本和所述目标参数中的主要参数的未来预测样本；根据所述目标参数的稳健距离、所述目标参数的协方差矩阵、所述平稳参数的特征值、所述响应参数的未来预测样本和所述主要参数的未来预测样本，得到所述目标参数的稳健距离参数的预测样本；根据所述平稳参数的载荷矩阵、所述平稳参数的特征值、所述响应参数的未来预测样本、所述主要参数的未来预测样本和所述主成分方程，得到所述目标参数的主成分参数的预测样本；其中，所述主要参数为所述目标参数中影响所述目标设备和所述目标设备的上游和下游工艺的参数；所述响应参数是所述目标参数中除所述主要参数之外的参数。3.根据权利要求2所述的方法，其特征在于，根据所述平稳参数，得到所述平稳参数的载荷矩阵、所述平稳参数的特征值、主成分方程、所述目标参数中的主要参数、所述目标参数中的响应参数、所述目标设备与所述目标设备的上游和下游之间的关联模型、所述目标参数中的响应参数的未来预测样本和所述目标参数中的主要参数的未来预测样本，包括：对所述平稳参数进行动态稀疏主成分分析处理，得到所述平稳参数的载荷矩阵、所述平稳参数的特征值；根据所述平稳参数的载荷矩阵，得到所述主成分方程，并根据所述主成分方程得到所述主要参数和所述响应参数；根据所述主要参数和所述响应参数，构建所述目标设备与所述目标设备的上游和下游之间的关联模型；根据所述响应参数的剩余分量和长短期记忆lstm模型，得到所述响应参数的未来预测样本；所述响应参数的剩余分量是根据第一预设累积贡献率阈值，对所述响应参数的内涵模态分量imf和所述响应参数的残余分量进行主成分分析降维处理得到的，所述响应参数的imf和所述响应参数的残余分量是对所述响应参数的剩余分量进行emd处理得到的；
根据所述响应参数的未来预测样本和所述关联模型，得到所述主要参数的未来预测样本。4.根据权利要求3所述的方法，其特征在于，对所述平稳参数进行动态稀疏主成分分析处理，得到所述平稳参数的载荷矩阵、所述平稳参数的特征值，包括：根据所述目标工艺参数和历史目标工艺参数，构建增广矩阵；根据第二预设累积贡献率阈值，对所述增广矩阵进行稀疏主成分分析处理，得到所述平稳参数的载荷矩阵和所述平稳参数的特征值。5.根据权利要求1所述的方法，其特征在于，对所述目标参数进行经验模态分解emd以及主成分分析处理，得到所述目标参数的平稳参数，包括：根据每一所述目标参数中的样本数据进行插值补缺处理以及根据每一所述目标参数中的样本数据进行相关性处理，得到预处理后的目标参数；对所述预处理后的目标参数进行经验模态分解emd以及主成分分析处理，得到所述目标参数的平稳参数。6.根据权利要求5所述的方法，其特征在于，根据每一所述目标参数中的样本数据进行插值补缺处理，包括：在第一目标参数中连续缺失的样本数据的数量位于第一预设范围数量内的情况下，利用线性插值的方式对所述连续缺失的样本数据进行插值补缺处理；在第一目标参数中连续缺失的样本数据的数量位于第二预设范围数量内的情况下，利用与所述连续缺失的样本数据前相邻的第三预设范围数量的样本数据、与所述连续缺失的样本数据后相邻的第四预设范围数量的样本数据、预设的双向滑动数据窗算法和线性比例算法，对所述连续缺失的样本数据进行插值补缺处理；在第一目标参数中连续缺失的样本数据的数量位于第五预设范围数量内的情况下，将所述第一目标参数舍弃；其中，所述第一目标参数为所述目标参数中的任一参数；所述第一预设范围数量小于所述第二预设范围数量，所述第二预设范围数量小于所述第五预设范围数量。7.根据权利要求5所述的方法，其特征在于，对所述预处理后的目标参数进行经验模态分解emd以及主成分分析处理，得到所述目标参数的平稳参数，包括：对第二目标参数中的样本数据进行emd处理，得到所述第二目标参数的内涵模态分量imf和所述第二目标参数的残余分量；根据第一预设累积贡献率阈值，对所述第二目标参数的imf和所述第二目标参数的残余分量进行主成分分析降维处理，得到所述第二目标参数的剩余分量；将每一所述第二目标参数的剩余分量进行合并，得到所述第二目标参数的平稳参数；其中，所述第二目标参数是所述预处理后的目标参数中的任一参数；所述第二目标参数的残余分量是所述第二目标参数除去所述第二目标参数的imf的分量。8.一种多晶硅生产设备控制装置，其特征在于，包括：第一获取模块，用于获取目标参数，所述目标参数包括目标设备的设备参数以及所述目标设备的上游和下游的工艺参数；
第一处理模块，用于对所述目标参数进行经验模态分解emd以及主成分分析处理，得到所述目标参数的平稳参数；第二获取模块，用于获取所述目标参数的平稳参数的预测样本、所述目标参数的主成分参数的预测样本和所述目标参数的稳健距离参数的预测样本；确定模块，用于根据所述目标参数的平稳参数的预测样本、所述目标参数的主成分参数的预测样本和所述目标参数的稳健距离参数的预测样本，确定目标设备的设备参数以及所述目标设备的上游和下游的工艺参数的预测结果；调整模块，用于根据所述预测结果，对所述目标设备的设备参数和/或所述目标设备的上游和下游的工艺参数进行调整。9.一种服务器，其特征在于，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程序，所述程序被所述处理器执行时实现如权利要求1至8中任一项所述的多晶硅生产设备控制方法中的步骤。10.一种可读存储介质，其特征在于，所述可读存储介质上存储有程序，所述程序被处理器执行时实现如权利要求1至8中任一项所述的多晶硅生产设备控制方法中的步骤。

技术总结
本发明提供了一种多晶硅生产设备控制方法、装置、服务器和存储介质，多晶硅生产设备控制方法，包括：获取目标参数；对目标参数进行经验模态分解EMD以及主成分分析处理，得到目标参数的平稳参数；获取目标参数的主成分参数的预测样本和目标参数的稳健距离参数的预测样本；根据目标参数的平稳参数、目标参数的主成分参数的预测样本和目标参数的稳健距离参数的预测样本，确定目标设备的设备参数以及目标设备的上游和下游的工艺参数的预测结果；根据预测结果，对目标设备的设备参数和/或目标设备的上游和下游的工艺参数进行调整。本发明方案，可以提高设备参数的预测精度，并进一步实现对目标设备和/或目标设备的上游和下游的准确控制。确控制。确控制。


技术研发人员：呼维军 吴雪佼 杨文文 宋永刚 蒋建武 鲜杨玲 海东 葛威起
受保护的技术使用者：新特硅基新材料有限公司
技术研发日：2023.06.21
技术公布日：2023/10/8