本发明涉及多晶硅片性能检测领域，特别涉及基于机器学习的多晶硅片表面镀膜均匀性检测系统。
背景技术：
1、多晶硅片多用于电子上和太阳能发电，是作为太阳能产业链的重要原料，多晶硅电池因其成本低，占据光伏市场的大量份额，硅片镀膜是太阳能电池的生产工艺中的较为重要工序，通过对硅片进行镀膜处理，能够增加太阳能电池的光吸收能力，提高电池的转换效率，使多晶硅片具有很好的光学和电学性能。多晶硅片表面镀膜时常用的镀膜设备是等离子体增强化学的气相沉积(pecvd)设备，由于多晶硅片表面在不同晶粒之间的晶格取向、绒面特性、表面缺陷，甚至反射率方面都存在较大差别，导致在其表面制备的sinx膜的均匀性较差。
2、目前，对于多晶硅片表面镀膜均匀性的检测主要通过测试镀膜膜层的折射率，以折射率的统计学参数，如方差、标准差等值表征镀膜均匀性，如若测量的折射率的方差值越大，则表明镀膜均匀性越差，上述镀膜均匀性的检测方法是针对于硅片成品进行的，在实际生产过程中，由于硅片加工为流水线作业形式，当成品抽样检测过程中产品均匀性合格率未达到要求时，意味着该批次硅片无法用于太阳电池的制造，只能作为废料重新熔化铸锭，若对产品的均匀性进行大规模检测以降低回炉率，则会导致检测成本和时间成本增加，使得多晶硅片生产成本上升。为此，我们提出基于机器学习的多晶硅片表面镀膜均匀性检测系统。
技术实现思路
1、本发明的主要目的在于提供基于机器学习的多晶硅片表面镀膜均匀性检测系统，可以有效解决背景技术中的问题。
2、为实现上述目的，本发明采取的技术方案为，
3、基于机器学习的多晶硅片表面镀膜均匀性检测系统，包括：
4、用于获取硅片样本未镀膜前的材料特征参数和镀膜加工后的膜性特征参数的硅片参数获取模块；
5、用于获取硅片样本镀膜加工设备的设备特征参数的镀膜设备参数获取模块；
6、用于获取镀膜加工设备对硅片样本进行镀膜过程中的环境特征参数的加工参数获取模块；
7、用于对获取的特征参数进行预处理的数据处理模块，所述数据处理模块还用于根据预处理后的数据构建数据集d＝(di，dj，du，dv)，其中，di表示为第i项材料特征参数值，dj表示为第j项膜性特征参数，du表示为第u项设备特征参数值，dv表示为第v项环境特征参数，i/j/u/v＝1,2，3，...；
8、用于测量获取镀膜加工后的硅片样本的折射率的镀膜均匀性表征模块，所述镀膜均匀性表征模块还用于计算测量的折射率的方差均值作为硅片样本的镀膜均匀性表征值；
9、用于计算特征参数与镀膜均匀性表征值之间的相关系数的相关分析模块；
10、用于构建以特征参数值为输入参数，以镀膜均匀性表征值为输出参数神经网络模型的神经网络模型单元模块，并通过构建的神经网络模型输出特征参数值与镀膜均匀性表征值之间的映射关系，映射关系的表达式为；
11、
12、式中，f表示为特征参数值dα到镀膜均匀性表征值uc的映射关系；
13、将待检测硅片的特征参数输入所述映射关系中，获取待检测硅片的镀膜均匀性表征值。
14、进一步的，所述材料特征参数包括硅片镀膜面积、硅片表面形状缺陷缺陷面积占比、硅片表面颜色缺陷缺陷面积占比、硅片表面纹理缺陷缺陷面积占比中的至少一种；
15、所述膜性特征参数包括膜层厚度、膜层密度、膜层致密性中的至少一种；
16、所述设备特征参数包括加工设备的温控参数、真空参数、流量控制参数、等离子体系统参数中的至少一种；
17、所述环境特征参数包括镀膜过程中硅片周围环境的温度值、湿度值、气压值、空气洁净度等级中的至少一种。
18、进一步的，所述加工设备为等离子体增强化学气相沉积系统；
19、所述温控参数包括沉积系统运行的最高温度、制热功率、温控精度中的至少一种；
20、所述真空参数为沉积系统的真空子系统工作时的真空度；
21、所述流量控制参数包括沉积系统的泄漏率、分辨率、响应时间气特性、响应时间电特性中的至少一种；
22、所述等离子体系统参数包括沉积系统的等离子体子系统的功率输出、信号频率、反射功率、功率稳定度、谐波分量、供电电压中的至少一种。
23、进一步的，所述神经网络模型输入参数的权重根据与镀膜均匀性表征值之间的相关系数进行确定，且满足以下关系式：
24、
25、式中，ωk为第k项特征参数的权重，k为特征参数的种类，且k≤i+j+u+v；rk为第k项特征参数与镀膜均匀性表征值之间的相关系数，rk的取值范围为(-1,1)。
26、进一步的，特征参数与镀膜均匀性表征之间的相关系数的计算公式为：
27、
28、式中，hkq为第k项特征参数的第q个数据值；为第k项特征参数的均值；ucq为镀膜均匀性表征值的第q个数据值；为镀膜均匀性表征值的均值；q为数据总量。
29、进一步的，所述神经网络模型为输入层-隐含层-输出层的三层结构形式，其中，输入层的神经元个数与特征参数的种类数相等，输出层的神经元个数与输出参数的种类数相等，隐含层神经元个数根据经验公式进行确定，公式为：
30、
31、式中，s为隐含层神经元个数；m为输入层的神经元个数，n为输出层的神经元个数，a为1-9的整数，本模型中，m＝k，n＝1。
32、本发明具有如下有益效果，
33、与现有技术相比，本发明技术方案通过获取硅片样本未镀膜前的材料特征参数、镀膜加工后的膜性特征参数、硅片样本镀膜加工设备的设备特征参数及镀膜加工设备对硅片样本进行镀膜过程中的环境特征参数进行预处理，根据预处理后的数据构建数据集，测量获取镀膜加工后的硅片样本的折射率，计算测量的折射率的方差均值作为硅片样本的镀膜均匀性表征值，计算特征参数与镀膜均匀性表征值之间的相关系数，构建以特征参数值为输入参数，以镀膜均匀性表征值为输出参数的神经网络模型，通过构建的神经网络模型输出特征参数值与镀膜均匀性表征值之间的映射关系，根据映射关系获取待检测硅片的镀膜均匀性表征值，通过采集生产流程中的特征参数值作为输入构建神经网络模型，对镀膜均匀性表征值进行预测，能够在硅片成品下线前对其均匀性进行评估，降低检测成本。
1.基于机器学习的多晶硅片表面镀膜均匀性检测系统，其特征在于，包括硅片参数获取模块、镀膜设备参数获取模块、加工参数获取模块、数据处理模块、镀膜均匀性表征模块、相关分析模块、神经网络模型单元模块；
2.根据权利要求1所述的基于机器学习的多晶硅片表面镀膜均匀性检测系统，其特征在于，
3.根据权利要求1所述的基于机器学习的多晶硅片表面镀膜均匀性检测系统，其特征在于，所述神经网络模型输入参数的权重根据与镀膜均匀性表征值之间的相关系数进行确定，且满足以下关系式：
4.根据权利要求1所述的基于机器学习的多晶硅片表面镀膜均匀性检测系统，其特征在于，特征参数与镀膜均匀性表征之间的相关系数的计算公式为：
5.根据权利要求1所述的基于机器学习的多晶硅片表面镀膜均匀性检测系统，其特征在于，所述神经网络模型为输入层-隐含层-输出层的三层结构形式，其中，输入层的神经元个数与特征参数的种类数相等，输出层的神经元个数与输出参数的种类数相等，隐含层神经元个数根据经验公式进行确定，公式为：
6.根据权利要求2所述的基于机器学习的多晶硅片表面镀膜均匀性检测系统，其特征在于，所述加工设备为等离子体增强化学气相沉积系统；
