一种多晶硅生产控制方法、装置、服务器及存储介质与流程

1.本技术涉及设备健康管理技术领域，特别涉及一种多晶硅生产控制方法、装置、服务器及存储介质。


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，不仅在于能保证设备的安全运行以及在异常状态下的及时检修，更在于保障化工工艺流程的安全和稳定。
3.在多晶硅生产工艺中，针对各压缩机、加热器等设备的健康管理，除了依据肉眼可见的运行状态外，主要依靠厂家制定的警戒值、连锁值，以及设备相关的计算方程(比如换热系数等)来判断。但是，设备发生故障的原因，多数来自于工艺工况的问题。在统计曾经发生的故障中，因工艺工况异常造成的设备故障案例较多，因此，需要建立工艺工况与设备参数之间的关系。
4.目前，有不少公开专利使用传统的多元线性回归方式直接建立多个参数之间的关系，涉及股票、建筑、焊接控制、隐私保护等。但是，单纯的多元线性回归方式容易忽视多晶硅工艺等化工工艺中参数的动态特性。因此，需要通过一种方式，兼顾到各个参数的动态特性。
5.此外，现有的多元线性回归方式是基于现有的正常数据进行建立的，不过，这与理想状态下的各参数之间的关系有所偏差，因而，同样需要理想状态的模型作为参考，并据此给出指导意见。


技术实现要素：

6.本技术实施例要达到的技术目的是提供一种多晶硅生产控制方法、装置、服务器及存储介质，用以解决当前通过传统的多元线性回归方式直接建立的工艺流程中的参数之间的关系，无法兼顾参数的动态特性及参数之间的关系，且与理想状态下的各参数之间的关系有所偏差的问题。
7.为解决上述技术问题，本技术实施例提供了一种多晶硅生产控制方法，包括：
8.对历史参数样本进行动态主成分分析(dynamic principal component analysis，dpca)，得到动态主成分分析模型，所述动态主成分分析模型包括动态主成分分析方程以及所述动态主成分分析方程中各主成分参数的霍特林统计量检验值(t2)和平方预测误差(squared prediction error，spe)检验值，所述历史参数样本中的参数包括：多晶硅设备的设备参数及其上下游工艺的工艺参数；
9.根据所述主成分参数的样本时序图，获取目标时间段内各所述主成分参数对应的平均值，其中，所述目标时间段为各所述主成分参数对应的参数波动最小时的公共时间段；
10.根据所述目标时间段内各所述主成分参数对应的平均值以及所述动态主成分分析方程，得到所述多晶硅设备与其上下游工艺耦合的历史耦合模型；
11.根据所述动态主成分分析模型，得到基于多元线性回归的第一耦合模型以及基于
主成分分析和多元线性回归的第二耦合模型；
12.对所述历史耦合模型、所述第一耦合模型以及所述第二耦合模型进行有效性校验，获取校验通过的目标耦合模型；
13.根据所述目标耦合模型，对所述多晶硅设备的设备参数和/或所述多晶硅设备的上下游工艺的工艺参数进行控制。
14.具体地，如上所述的方法，根据所述目标耦合模型，对所述多晶硅设备的设备参数和/或所述多晶硅设备的上下游工艺的工艺参数进行控制，包括：
15.获取所述多晶硅设备及其上下游工艺的实时参数样本；
16.根据所述目标耦合模型对所述实时参数样本进行误差分析，得到分析结果；
17.根据所述分析结果控制所述多晶硅设备和/或所述多晶硅设备对应的上下游工艺的工艺设备。
18.具体地，如上所述的方法，所述对获取到的历史参数样本进行动态主成分分析，得到动态主成分分析模型，包括：
19.对所述历史参数样本进行动态主成分分析，确定各主成分参数、各所述主成分参数对应的特征值和由所述主成分参数构成的得分矩阵；
20.根据各所述主成分参数对应的所述特征值，得到载荷矩阵；
21.根据所述得分矩阵、所述载荷矩阵以及所述历史参数样本，得到所述动态主成分方程以及各所述主成分参数的所述霍特林统计量检验值和所述spe检验值，并作为所述动态主成分分析模型。
22.具体地，如上所述的方法，所述根据所述目标时间段内各所述主成分参数对应的平均值以及所述动态主成分分析方程，得到所述多晶硅设备与其上下游工艺耦合的历史耦合模型，包括：
23.将所述主成分参数对应的平均值代入所述动态主成分分析方程中，得到各所述主成分参数对应的数值；
24.根据所述数值的绝对值，确定各所述主成分参数中的第一重要参数；
25.基于所述第一重要参数，对对应的所述动态主成分方程进行转换，得到所述历史耦合模型，在所述历史耦合模型中，所述第一重要参数为第一目标参数，其他参数为第一响应参数。
26.进一步的，如上所述的方法，所述根据所述动态主成分分析模型，分别得到基于多元线性回归的第一耦合模型以及基于主成分分析和多元线性回归的第二耦合模型，包括：
27.根据所述动态主成分分析模型中各所述主成分参数的所述霍特林统计量检验值和所述spe检验值及其对应的f分布，确定各所述动态主成分分析模型对应的霍特林统计量检验阈值和spe检验阈值；
28.根据所述霍特林统计量检验阈值和所述spe检验阈值，对所述得分矩阵中的所述各主成分参数进行筛除，得到筛除后的目标得分矩阵；
29.根据所述目标得分矩阵、所述载荷矩阵以及所述历史参数样本，得到目标动态主成分方程；
30.根据所述目标动态主成分方程进行多元线性回归，得到所述第一耦合模型；
31.根据所述目标动态主成分方程进行主成分分析和多元线性回归，得到所述第二耦
合模型。
32.具体地，如上所述的方法，所述根据所述目标动态主成分方程进行多元线性回归，得到所述第一耦合模型，包括：
33.根据所述目标动态主成分方程中各所述主成分参数的绝对值，确定各所述主成分参数中的第二重要参数以及与所述第二重要参数对应的第二响应参数；
34.将所述第二重要参数作为第二目标参数，并与对应的所述第二响应参数进行所述多元线性回归，得到所述第一耦合模型。
35.具体地，如上所述的方法，所述根据所述目标动态主成分方程进行主成分分析和多元线性回归，得到所述第二耦合模型，包括：
36.根据所述目标动态主成分方程中各所述主成分参数的绝对值，确定各所述主成分参数中的第三重要参数以及与所述第三重要参数对应的第三响应参数；
37.对各所述第三响应参数进行主成分分析，得到各所述第三响应参数对应的参考主成分参数；
38.将所述第三重要参数作为目标参数，并与对应的所述参考主成分参数进行所述多元线性回归，得到所述第二耦合模型。
39.本技术的另一实施例还提供了一种多晶硅生产控制装置，包括：
40.第一处理模块，用于对历史参数样本进行动态主成分分析，得到动态主成分分析模型，所述动态主成分分析模型包括动态主成分分析方程以及所述动态主成分分析方程中各主成分参数的霍特林统计量检验值和spe检验值，所述历史参数样本中的参数包括：多晶硅设备的设备参数及其上下游工艺的工艺参数；
41.第二处理模块，用于根据所述主成分参数的样本时序图，获取目标时间段内各所述主成分参数对应的平均值，其中，所述目标时间段为各所述主成分参数对应的参数波动最小时的公共时间段；
42.第三处理模块，用于根据所述目标时间段内各所述主成分参数对应的平均值以及所述动态主成分分析方程，得到所述多晶硅设备与其上下游工艺耦合的历史耦合模型；
43.第四处理模块，用于根据所述动态主成分分析模型，得到基于多元线性回归的第一耦合模型以及基于主成分分析和多元线性回归的第二耦合模型；
44.第五处理模块，用于对所述历史耦合模型、所述第一耦合模型以及所述第二耦合模型进行有效性校验，获取校验通过的目标耦合模型；
45.第六处理模块，用于根据所述目标耦合模型，对所述多晶硅设备的设备参数和/或所述多晶硅设备的上下游工艺的工艺参数进行控制。
46.本技术的再一实施例还提供了一种服务器，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控制方法的步骤。
47.本技术的又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控制方法的步骤。
48.与现有技术相比，本技术实施例提供的一种多晶硅生产控制方法、装置、服务器及存储介质，至少具有以下有益效果：
49.本技术通过动态主成分分析建立了工艺流程中各参数间的关系，打破了参数信息孤岛的情况，同时兼顾参数的动态特性，有利于辅助于监测和工艺分析，且可对接时序预测；同时，本技术在通过现有直接通过多元线性回归方式构建第一耦合模型之外，还基于“理想状态”构建历史耦合模型，且集合主成分分析降维和多元线性回归构建第二耦合模型，补充了当前无理想模型的技术空白，同时，使得本技术的方法可在样本数量不同、聚合度不同的情况下使用，提高了适用性。
附图说明
50.图1为本技术的多晶硅生产控制方法的流程示意图之一；
51.图2为本技术的多晶硅生产控制方法的流程示意图之二；
52.图3为本技术的多晶硅生产控制方法的流程示意图之三；
53.图4为本技术的多晶硅生产控制方法的流程示意图之四；
54.图5为本技术的多晶硅生产控制方法的流程示意图之五；
55.图6为本技术的多晶硅生产控制方法的流程示意图之六；
56.图7为本技术的多晶硅生产控制方法的流程示意图之七；
57.图8为本技术的多晶硅生产控制装置的一结构示意图；
58.图9为本技术的多晶硅生产控制装置的另一结构示意图。
具体实施方式
59.为使本技术要解决的技术问题、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技术的实施例。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技术的范围和精神。另外，为了清楚和简洁，省略了对已知功能和构造的描述。
60.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技术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。
61.在本技术的各种实施例中，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，而不应对本技术实施例的实施过程构成任何限定。
62.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。
63.在本技术所提供的实施例中，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。
64.需要说明的是，为便于本技术领域人员理解，以下以多晶硅生产过程中的一冷却塔循环泵设备及其上下游工艺为示例进行说明，但并非限制本技术仅能用于多晶硅生产中
的冷却塔循环泵，将其应用在其他产品的生产过程中，也应属于本技术的保护范围。
65.参见图1，本技术的一实施例提供了一种多晶硅生产控制方法，包括：
66.步骤s101，对历史参数样本进行动态主成分分析，得到动态主成分分析模型，所述动态主成分分析模型包括动态主成分分析方程以及所述动态主成分分析方程中各主成分参数的霍特林统计量检验值(t2)和spe检验值，所述历史参数样本中的参数包括：多晶硅设备的设备参数及其上下游工艺的工艺参数；
67.步骤s102，根据所述主成分参数的样本时序图，获取目标时间段内各所述主成分参数对应的平均值，其中，所述目标时间段为各所述主成分参数对应的参数波动最小时的公共时间段；
68.步骤s103，根据所述目标时间段内各所述主成分参数对应的平均值以及所述动态主成分分析方程，得到所述多晶硅设备与其上下游工艺耦合的历史耦合模型；
69.步骤s104，根据所述动态主成分分析模型，得到基于多元线性回归的第一耦合模型以及基于主成分分析和多元线性回归的第二耦合模型；
70.步骤s105，对所述历史耦合模型、所述第一耦合模型以及所述第二耦合模型进行有效性校验，获取校验通过的目标耦合模型；
71.步骤s106，根据所述目标耦合模型，对所述多晶硅设备的设备参数和/或所述多晶硅设备的上下游工艺的工艺参数进行控制。
72.在本实施例中，现在对以多晶硅为例的生产控制方法中，会首先获取进行生产的工艺对应的至少一个历史参数样本(本实施例中优选为从工艺进程开始至进行当前控制时的所有历史参数样本)，该历史参数样本为在工艺进程中对预设的多晶硅设备及各工艺测点进行检测得到的参数的集合，其中，工艺测点用于检测现场化工仪表采集的流量、温度以及装置液位等参数。需要说明的是，该检测为周期性检测，每一个历史参数样本对应一个检测周期或检测时间点。
73.获取到历史参数样本后，会对历史参数样本进行动态主成分分析，其中，动态主成分分析与主成分分析(静态主成分分析)类似，区别在于，动态主成分分析会建立样本参数的增广矩阵，并在对应区域补充时间向前推移l步(l即为滞后因子)的参数样本，在一具体实施例中，增广矩阵表示为：
74.x＝[x
t
，x
t-1
，
…
，x
t-l
]
[0075]
其中，x
t
为第t时刻或周期的参数样本；
[0076]
x
t-l
为第t-l时刻或周期的参数样本，其中，l值的确定较为复杂，在一实施例中，可以根据实际的工艺经验确定，例如确定l＝2，而x
t-1
，x
t-2
等均为x
t
时序向前错位的参数样本，体现了参数样本的动态特性。
[0077]
参见图2，具体地，获取动态主成分分析模型的步骤包括：
[0078]
步骤s201，对所述历史参数样本进行动态主成分分析，确定各主成分参数、各所述主成分参数对应的特征值和由所述主成分参数构成的得分矩阵；其中，主成分参数的数量为k；其中，在进行动态主成分分析时，优选的累计贡献率阈值为85％；
[0079]
步骤s202，根据各所述主成分参数对应的所述特征值，得到载荷矩阵；
[0080]
步骤s203，根据所述得分矩阵、所述载荷矩阵以及所述历史参数样本，得到所述动态主成分方程以及各所述主成分参数的所述霍特林统计量检验值和所述spe检验值，并作
为所述动态主成分分析模型。
[0081]
其中，求取动态主成分分析方程以及所述动态主成分分析方程中各主成分参数的霍特林统计量检验值(t2)和spe检验值的方法与主成分分析的获取方式相同，由于主成分分析方法的应用较为广泛，故在此不再对各步骤中的具体细节进行赘述。其中，得到的动态主成分方程可以表示为：主成分方程可以表示为：
[0082]
其中，a
ij
为载荷矩阵中的元素；xj为多晶硅设备的设备参数及其上下游工艺的工艺参数中的第j个参数；n为参与计算的所有参数的数量；pci为第i各主成分参数；k为所有主成分参数的数量；其中需要说明的是，xj中含有各自参数时序向前错误的参数，故称为动态主成分方程。
[0083]
需要说明的是，本步骤得到的动态主成分分析模型包括：动态主成分方程以及各主成分参数对应的霍特林统计量检验值和spe检验值，其中的霍特林统计量检验值和spe检验值用于后续对主成分参数进行进一步的筛选，从而有利于提高控制结果准确性。
[0084]
在得到上述的动态主成分分析模型后，会基于各主成分参数的样本时序图，判断各主成分参数的参数波动最小的时间段，并选取其中各主成分参数均包含的公共时间段为一目标时间段，用于表示整个工艺流程处于“理想状态”。通过获取该目标时间段内各主成分参数对应的平均值，并基于该平均值以及动态主成分分析方程进行参数间的耦合，即可得到“理想状态”的耦合模型，也就是本实施例中所述的历史耦合模型。
[0085]
进一步的，会基于动态主成分分析模型通过直接进行多元线性回归得到第一耦合模型，通过进行主成分分析和多元线性回归的第二耦合模型，需要说明的是，第一耦合模型和第二耦合模型均为基于所有历史参数样本得到的耦合模型，其在时序上与当前时刻连续，便于进行实时检测和预测等。
[0086]
更进一步的，为保证通过上述三种获取方式进行耦合，得到历史耦合模型、第一耦合模型和第二耦合模型的有效性，还会对历史耦合模型、第一耦合模型和第二耦合模型进行有效校验，例如：进行显著性校验和拟合程度校验；其中，显著性检验，是通过系数分析的t分布检验值和方差分析的f分布检验值实现，判断对应的p值是否大于预设p值(例如：0.05)，如果大于预设p值，则视为不显著，需要重新建立方程；拟合程度通过拟合优度r-sq判断，如果大于预设r-sq(例如：0.8)，即视为拟合较好，否则，认为拟合较差。当任一耦合模型通过了有效性校验，即可确定其为一目标耦合模型，即，目标耦合模型可以包括历史耦合模型、第一耦合模型和第二耦合模型中的至少一种。需要说明的是，历史耦合模型均为有效的目标耦合模型。
[0087]
通过该目标耦合模型即可通过对多晶硅设备及其上下游工艺设备中的至少一项的控制，实现对多晶硅设备的设备参数和/或多晶硅设备的上下游工艺的工艺参数的控制，从而保证多晶硅的正常生产。
[0088]
综上所述，本技术通过动态主成分分析建立了工艺流程中各参数间的关系，打破了参数信息孤岛的情况，同时兼顾参数的动态特性，有利于辅助于监测和工艺分析，且可对接时序预测；同时，本技术在通过现有直接通过多元线性回归方式构建第一耦合模型之外，还基于“理想状态”构建历史耦合模型，且集合主成分分析降维和多元线性回归构建第二耦合模型，补充了当前无理想模型的技术空白，同时，使得本技术的方法可在样本数量不同、聚合度不同的情况下使用，提高了适用性。
[0089]
需要说明的是，在获取所述历史参数样本时，所述方法还包括：
[0090]
根据获取到的历史数据，确定各检测时间点对应的历史参数初始样本；
[0091]
对所述历史参数初始样本进行预处理，得到所述历史参数样本，其中，所述预处理包括：样本稀疏处理、相关性分析、初步降噪处理中的至少一项。
[0092]
其中，样本稀疏处理，是针对样本量较大的情况而言，一般导入的样本量均在10000以上，甚至有十万样本，因而需要在不影响整体趋势的情况下进行抽样筛选，并构成新的样本矩阵。例如：当参数样本的数量大于最大样本阈值时，根据预设时间间隔抽样筛选所述参数样本。
[0093]
相关性分析为将所有参数两两对比，通过相关系数r2描述其相关性。如果两个参数之间存在强相关(例如r2大于0.9)，则根据实际情况减少两个参数中的一个参数。
[0094]
初步降噪处理为借助工艺经验和各参数的警戒值、连锁值，对各参数样本进行筛选。
[0095]
需要说明的是，该预处理的目的是得到健康的参数样本，因此在除进行样本稀疏处理、相关性分析和/或初步降噪处理之外，还通过其他方式进行预处理，也属于本技术的保护范围。
[0096]
参见图3，具体地，如上所述的方法，根据所述目标耦合模型，对所述多晶硅设备的设备参数和/或所述多晶硅设备的上下游工艺的工艺参数进行控制，包括：
[0097]
步骤s301，获取所述多晶硅设备及其上下游工艺的实时参数样本；
[0098]
步骤s302，根据所述目标耦合模型对所述实时参数样本进行误差分析，得到分析结果；
[0099]
步骤s303，根据所述分析结果控制所述多晶硅设备和/或所述多晶硅设备对应的上下游工艺的工艺设备。
[0100]
在本实施例中，在根据目标耦合模型，对所述多晶硅设备的设备参数和/或所述多晶硅设备的上下游工艺的工艺参数进行控制时，会首先获取当前检测时间点对应的实时参数样本，并通过上述得到的目标耦合模型对所述实时参数样本进行误差分析，得到分析结果，在一具体实施例中为判断目标耦合模型基于该实施参数样本得到的对应参数的解析值与其实际值的相对误差，若该相对误差大于预设误差阈值(例如：5％)，则确定该参数异常，进而输出该信息(异常参数即对应的相对误差)，并根据异常参数对相关的多晶硅设备和/或多晶硅设备对应的上下游工艺的工艺设备进行调整，从而实现对参数的控制或调整。
[0101]
需要说明的是，基于目标耦合模型的类型(历史耦合模型、第一耦合模型和第二耦合模型)和数量的不同，得到的分析结果中，包括各目标耦合模型对应的相对误差。
[0102]
参见图4，具体地，如上所述的方法，所述根据所述目标时间段内各所述主成分参数对应的平均值以及所述动态主成分分析方程，得到所述多晶硅设备与其上下游工艺耦合的历史耦合模型，包括：
[0103]
步骤s401，将所述主成分参数对应的平均值代入所述动态主成分分析方程中，得到各所述主成分参数对应的数值；
[0104]
步骤s402，根据所述数值的绝对值，确定各所述主成分参数中的第一重要参数；
[0105]
步骤s403，基于所述第一重要参数，对对应的所述动态主成分方程进行转换，得到所述历史耦合模型，在所述历史耦合模型中，所述第一重要参数为第一目标参数，其他参数
为第一响应参数。
[0106]
在本实施例中，对如何得到历史耦合模型进行了简单描述，其中，会先将上述获取到的目标时间段内各主成分参数对应的平均值，代入上述得到的动态主成分分析方程中，即可确定动态主成分分析方程中各主成分参数对应的数值；根据各数值的绝对值，确定最大的绝对值对应的参数为第一重要参数，需要说明的是，该第一重要参数的数量可以为多个。进而基于各第一重要参数对对应的动态主成分方程进行转换，得到目标参数用响应参数和主成分参数值表示的形式，即历史耦合模型。其中，对于各第一重要参数而言，其对应的历史耦合模型中，该第一重要参数为第一目标参数，除该第一重要参数之外的其他主成分参数均为对应的第一响应参数。
[0107]
还需要说明的是，在一实施中，由于增广矩阵的滞后因子l设定为2，一个参数的历史参数样本将在增广矩阵中对应存在三个存在时间位移的参数，因而确定各自贡献最大的参数需要综合上述三个参数进行判断，一般取对应的三个a
ij
的平均值并进行比较，并以参考的时间点为基准，取对应的一个参数作为目标参数，并将对应的主成分方程转换成目标参数用响应参数和主成分值表示的形式，直接作为基于“理想状态”的历史耦合模型。
[0108]
需要说明的是，由于82％的设备故障来自于工艺工况，贡献最大的参数往往不是设备参数；由于工艺参数具有滞后性等特征，贡献最大的参数也并不是对应滞后因子为0的参数(即以当下时间为基准，无时间位移的参数)。
[0109]
参见图5，进一步的，如上所述的方法，所述根据所述动态主成分分析模型，分别得到基于多元线性回归的第一耦合模型以及基于主成分分析和多元线性回归的第二耦合模型，包括：
[0110]
步骤s501，根据所述动态主成分分析模型中各所述主成分参数的所述霍特林统计量检验值和所述spe检验值及其对应的f分布，确定各所述动态主成分分析模型对应的霍特林统计量检验阈值和spe检验阈值；
[0111]
步骤s502，根据所述霍特林统计量检验阈值和所述spe检验阈值，对所述得分矩阵中的所述各主成分参数进行筛除，得到筛除后的目标得分矩阵；
[0112]
步骤s503，根据所述目标得分矩阵、所述载荷矩阵以及所述历史参数样本，得到目标动态主成分方程；
[0113]
步骤s504，根据所述目标动态主成分方程进行多元线性回归，得到所述第一耦合模型；
[0114]
步骤s505，根据所述目标动态主成分方程进行主成分分析和多元线性回归，得到所述第二耦合模型。
[0115]
在本实施例中，在获取第一耦合模型和第二耦合模型时，预先根据动态主成分分析模型中各主成分参数的霍特林统计量检验值和spe检验值及其对应的f分布，计算得到各主成分参数对应的霍特林统计量检验阈值和spe检验阈值；其中，霍特林统计量检验阈值和spe检验阈值可结合多晶硅设备及其上下游工艺各测点的联锁台账中设定为警戒值和连锁值进行修正。此外，由于上述确定的阈值为根据动态主成分分析模型确定，因此其也属于动态阈值(即不作为单参数的阈值)。
[0116]
在得到霍特林统计量检验阈值和spe检验阈值后，会据此对得分矩阵中的主成分参数进行筛除，将不满足阈值的主成分参数作为噪点或离群点进行去除，得到目标得分矩
阵。需要说明的是，在筛除时同步筛除作为噪点或离群点的主成分参数对应的参数样本。
[0117]
进一步的，根据该目标得分矩阵、所述载荷矩阵以及所述历史参数样本，即可得到两次降噪后的目标动态主成分方程，从而基于该目标动态主成分方程，通过进行多元线性回归即可得到第一耦合模型，以及通过进行主成分分析和多元线性回归即可得到第二耦合模型。从而有利于提高第一耦合模型和第二耦合模型运算的准确性。
[0118]
在本技术的另一实施例中，所述确定霍特林统计量检验阈值和spe检验阈值以及进而进行筛除的操作可以基于上述得到的历史耦合模型进行，即确定的阈值为结合历史耦合模型得到，即以“理想状态”为参考，得到动态阈值，以便给出更好的指导意见。
[0119]
参见图6，具体地，如上所述的方法，所述根据所述目标动态主成分方程进行多元线性回归，得到所述第一耦合模型，包括：
[0120]
步骤s601，根据所述目标动态主成分方程中各所述主成分参数的绝对值，确定各所述主成分参数中的第二重要参数以及与所述第二重要参数对应的第二响应参数；
[0121]
步骤s602，将所述第二重要参数作为第二目标参数，并与对应的所述第二响应参数进行所述多元线性回归，得到所述第一耦合模型。
[0122]
在本实施例中，在获取第一耦合模型时，首先基于目标动态主成分方程中各主成分参数的绝对值，确定其中最大绝对值对应的主成分参数为第二重要参数(包括至少一个)，并确定除目标第二重要参数之外的其他主成分参数为对应目标第二重要参数的第二响应参数，进一步的，分别将各第二重要参数作为第二目标参数，进行多元线性回归，即可得到该第一耦合模型。其中，通过多元线性回归进行拟合的方式应用较为广泛，故在此不再对具体的多元回归过程进行赘述。
[0123]
参见图7，具体地，如上所述的方法，所述根据所述目标动态主成分方程进行主成分分析和多元线性回归，得到所述第二耦合模型，包括：
[0124]
步骤s701，根据所述目标动态主成分方程中各所述主成分参数的绝对值，确定各所述主成分参数中的第三重要参数以及与所述第三重要参数对应的第三响应参数；
[0125]
步骤s702，对各所述第三响应参数进行主成分分析，得到各所述第三响应参数对应的参考主成分参数；
[0126]
步骤s703，将所述第三重要参数作为目标参数，并与对应的所述参考主成分参数进行所述多元线性回归，得到所述第二耦合模型。
[0127]
在本实施例中，在获取第二耦合模型时，首先基于目标动态主成分方程中各主成分参数的绝对值，确定其中最大绝对值对应的主成分参数为第三重要参数(包括至少一个)，并确定除目标第三重要参数之外的其他主成分参数为对应目标第三重要参数的第三响应参数，进一步的，分别对各所述第三响应参数进行主成分分析，得到各第三响应参数对应的参考主成分参数；进而，分别将各第三重要参数作为第三目标参数，进行多元线性回归，即可得到该第二耦合模型。其中，通过多元线性回归进行拟合的方式应用较为广泛，故在此不再对具体的多元回归过程进行赘述。
[0128]
需要说明的是，本实施例中所述的参考主成分参数为对主成分参数进行主成分分析降维后主成分方程中的主成分参数，在此将其记为参考主成分参数以便于与动态主成分方程中的主成分参数区分。需要说明的是，由于在动态主成分方程中，同一个参数对应有三个不同时间段的参数，因此本技术在进行多元线性回归时不对不同时间段的参数进行合
并，可能同时存在不同时间段的同一个参数为目标参数的情况，有利于反映参数的动态特性。
[0129]
为便于理解，以下以一具体时间段的参数样本进行示例，其中时间段为：2022年4月20日-2022年9月14日，涉及15个参数，共计215402个参数样本，其中，15个参数分别用xa1、xa2、xa3、xa4、xa5、xa6、xa7、xa8、xa9、xa10、xa11、xa12、xa13、xa14、xa15表示，急冷塔循环泵的设备参数为电流(xa6)，剩余参数中xa1为压力1、xa2为压力2、xa3为压力3、xa4为压力4、xa5为压力5、xa7为液位4、xa8为液位5、xa9为回流温度1、xa10为回流温度2、xa11为回流温度3、xa12为回流温度4、xa13为回流温度5、xa14为流量控制1、xa15为流量控制3)。下标a代表对应第a个滞后因子的参数，滞后因子总数l取2。在进行上述的预处理操作和筛除操作后，剩余样本个数为116179。由于不考虑时序预测，所以不进行插值补充。其中，增广矩阵的l值为2，得到的增广矩阵中共有15*3＝45个参数，在累计贡献率85％阈值下，得到的主成分参数的个数为5，求得的霍特林统计量检验值(t2)阈值为11.0709，spe校验值阈值为20.3550。
[0130]
通过主成分分析的载荷矩阵，判断出pc1(第一主成分)、pc2(第二主成分)、pc3(第三主成分)、pc4(第四主成分)、pc5(第五主成分)贡献最大的参数分别为xa11、xa1、xa7、xa13、xa8。(a后缀指代该参数在增广矩阵中所有时间位移的参数，其中最大的参数分别为x211、x11、x17、x113、x28)。可以发现，五个主成分中，没有对应贡献最大的参数是唯一的设备参数(电流)。与此同时，得到5个主成分方程(由于主成分方程较长，以第一个主成分参数为主)：pc1＝0.1579x11-0.09589x12+0.1508x13+0.1533x14+0.1499x15-0.05113x16-0.0146x17-0.0175x18+0.2035x19+0.2025x110+0.2038x111+0.2028x112+0.1734x113+0.1072x114+0.1439x115+0.1580x21-0.0958x22+0.1509x23+0.1533x24+0.1500x25-0.0511x26-0.0146x27-0.0176x28+0.2034x29+0.2025x210+0.2038x211+0.2028x212+0.1734x213+0.1071x214+0.1439x215+0.1580x31
ꢀ‑
0.0957x32+0.1510x33+0.1533x34+0.1501x35
ꢀ‑
0.0512x36-0.0147x37
ꢀ‑
0.0176x38+0.2034x39+0.2024x310+0.2038x311+0.2027x312+0.1734x313+0.1070x314+0.1438x315。
[0131]
通过第一主成分pc1方程，可以发现，各参数前的系数绝对值最大为0.2038，对应参数为x211。其余主要参数同样按照此方法寻找。
[0132]
在得知主要参数x211、x11、x17、x113、x28作为目标参数以及对应的动态主成分方程的情况下，直接从5个主成分的样本中提取“历史最佳或理想状态”值，此处是通过挑选5个主成分共同的最平稳的一段样本区间并确定各主成分值的，分别为：pc1＝2.1301、pc2＝1.6731、pc3＝-0.1771、pc4＝-1.0310、pc5＝1.4254。代入上述主成分方程，并转化成表示目标参数的形式，即可得到上述的历史耦合模型。
[0133]
对于该模型来说，其对应的霍特林统计量检验值(t2)阈值为动态的，具体为：
[0134][0135]
其中各个主要参数的信息包含在pci里(根据主成分方程)，所述各分母的值为各主成分对应的贡献率的平方，所述11.0709为霍特林t2阈值。
[0136]
上述模型一般用于理想状态的参考，可以看出与实际状态的差距，并在该实施例中急冷塔循环泵对应的参数调整(回流温度3、压力1、液位4、回流温度5、液位5的直接调整，
其他参数的间接调整)给出建议。
[0137]
使用基于多元线性回归的耦合模型建立方法，直接通过多元线性回归模型得到五个响应值包含目标值另外两个时间位移下参数(例如x211、x111、x311为不同时间范围但属于同一物理量的参数)的方程，以第一个参数为例，其方程的r-sq为99.98％，各参数t检验值和f检验值对应的p值均小于0.05。根据实际建模情况，所有方程检验值均小于0.05，r-sq均大于0.8，因而作为该方法下模型的输出，不仅反映出目标参数和其他参数的关系，也可反映出目标参数的线性动态关系。该模型反映出急冷塔循环泵在健康状态下的实际运行情况，并不与理想状态下的模型重合。
[0138]
使用基于多元线性回归的耦合模型建立方法，在单个目标值的情况下，将其他所有响应值经过主成分分析降维(依据累计贡献率90％阈值的标准，这个标准是经过实验验证得到的，即保证r-sq值在0.8以上时累计贡献率的阈值)，5个目标值分别进行上述操作，均得到6个主成分值，并将各自降维得到的主成分值作为响应参数，进行多元线性回归，得到五个方程，第一个重要参数对应的方程为
[0139]
x211＝150.000+0.223219tps[1]+0.343820tps[2]-0.180084tps[3[
[0140]
+0.125817tps[4]
±
0.113285tps[5]+0.13480tps[6]
[0141]
其中方程的r-sq为91.78％，各参数t检验值和f检验值对应的p值均小于0.05；tps[i]为各自响应参数主成分分析降维得到的第i个主成分(i＝1，2，3，...)
[0142]
需要说明的是，各自方程中的主成分值并不是同一种主成分值，而是通过各自降维得到的主成分值(例如，在目标值x113的情况下对其他所有值(响应值)降维得到的第一主成分tps1与目标值x28的情况下得到的第一主成分tps1并不是同一个参数)。
[0143]
可以发现，经过累计贡献率阈值90％情况下对响应值降维，可以通过较少参数量进行线性回归拟合，并且能够达到各个阈值的要求。此外，该法建立的模型同样能反映出目标参数本身的动态特性，因为降维过程是包含所有响应参数信息的。
[0144]
参见图8，本技术的另一实施例还提供了一种多晶硅生产控制装置，包括：
[0145]
第一处理模块801，用于对历史参数样本进行动态主成分分析，得到动态主成分分析模型，所述动态主成分分析模型包括动态主成分分析方程以及所述动态主成分分析方程中各主成分参数的霍特林统计量检验值和spe检验值，所述历史参数样本中的参数包括：多晶硅设备的设备参数及其上下游工艺的工艺参数；
[0146]
第二处理模块802，用于根据所述主成分参数的样本时序图，获取目标时间段内各所述主成分参数对应的平均值，其中，所述目标时间段为各所述主成分参数对应的参数波动最小时的公共时间段；
[0147]
第三处理模块803，用于根据所述目标时间段内各所述主成分参数对应的平均值以及所述动态主成分分析方程，得到所述多晶硅设备与其上下游工艺耦合的历史耦合模型；
[0148]
第四处理模块804，用于根据所述动态主成分分析模型，得到基于多元线性回归的第一耦合模型以及基于主成分分析和多元线性回归的第二耦合模型；
[0149]
第五处理模块805，用于对所述历史耦合模型、所述第一耦合模型以及所述第二耦合模型进行有效性校验，获取校验通过的目标耦合模型；
[0150]
第六处理模块806，用于根据所述目标耦合模型，对所述多晶硅设备的设备参数
和/或所述多晶硅设备的上下游工艺的工艺参数进行控制。
[0151]
具体地，如上所述的装置，第六处理模块，包括：
[0152]
第一处理单元，用于获取所述多晶硅设备及其上下游工艺的实时参数样本；
[0153]
第二处理单元，用于根据所述目标耦合模型对所述实时参数样本进行误差分析，得到分析结果；
[0154]
第三处理单元，用于根据所述分析结果控制所述多晶硅设备和/或所述多晶硅设备对应的上下游工艺的工艺设备。
[0155]
具体地，如上所述的装置，第一处理模块，包括：
[0156]
第四处理单元，用于对所述历史参数样本进行动态主成分分析，确定各主成分参数、各所述主成分参数对应的特征值和由所述主成分参数构成的得分矩阵；
[0157]
第五处理单元，用于根据各所述主成分参数对应的所述特征值，得到载荷矩阵；
[0158]
第六处理单元，用于根据所述得分矩阵、所述载荷矩阵以及所述历史参数样本，得到所述动态主成分方程以及各所述主成分参数的所述霍特林统计量检验值和所述spe检验值，并作为所述动态主成分分析模型。
[0159]
具体地，如上所述的装置，第三处理模块，包括：
[0160]
第七处理单元，用于将所述主成分参数对应的平均值代入所述动态主成分分析方程中，得到各所述主成分参数对应的数值；
[0161]
第八处理单元，用于根据所述数值的绝对值，确定各所述主成分参数中的第一重要参数；
[0162]
第九处理单元，用于基于所述第一重要参数，对对应的所述动态主成分方程进行转换，得到所述历史耦合模型，在所述历史耦合模型中，所述第一重要参数为第一目标参数，其他参数为第一响应参数。
[0163]
进一步的，如上所述的装置，所述第四处理模块，包括：
[0164]
第十处理单元，用于根据所述动态主成分分析模型中各所述主成分参数的所述霍特林统计量检验值和所述spe检验值及其对应的f分布，确定各所述动态主成分分析模型对应的霍特林统计量检验阈值和spe检验阈值；
[0165]
第十一处理单元，用于根据所述霍特林统计量检验阈值和所述spe检验阈值，对所述得分矩阵中的所述各主成分参数进行筛除，得到筛除后的目标得分矩阵；
[0166]
第十二处理单元，用于根据所述目标得分矩阵、所述载荷矩阵以及所述历史参数样本，得到目标动态主成分方程；
[0167]
第十三处理单元，用于根据所述目标动态主成分方程进行多元线性回归，得到所述第一耦合模型；
[0168]
第十四处理单元，用于根据所述目标动态主成分方程进行主成分分析和多元线性回归，得到所述第二耦合模型。
[0169]
具体地，如上所述的装置，所述第十三处理单元，包括：
[0170]
第一子处理单元，用于根据所述目标动态主成分方程中各所述主成分参数的绝对值，确定各所述主成分参数中的第二重要参数以及与所述第二重要参数对应的第二响应参数；
[0171]
第二子处理单元，用于将所述第二重要参数作为第二目标参数，并与对应的所述
第二响应参数进行所述多元线性回归，得到所述第一耦合模型。
[0172]
具体地，如上所述的装置，所述第十四处理单元，包括：
[0173]
第三子处理单元，用于根据所述目标动态主成分方程中各所述主成分参数的绝对值，确定各所述主成分参数中的第三重要参数以及与所述第三重要参数对应的第三响应参数；
[0174]
第四子处理单元，用于对各所述第三响应参数进行主成分分析，得到各所述第三响应参数对应的参考主成分参数；
[0175]
第五子处理单元，用于将所述第三重要参数作为目标参数，并与对应的所述参考主成分参数进行所述多元线性回归，得到所述第二耦合模型。
[0176]
本技术的装置实施例是与上述多晶硅生产控制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。
[0177]
参见图9，在本技术的另一实施例中，还公开了一种多晶硅生产控制装置，包括：
[0178]
存储模块901，包括：用于存储现场各个参数信息的检测点位存储模块9011、用于存储现场各个参数的样本的参数样本存储模块9012、用于存储模型和监测结果等全流程信息的样例存储模块9013；其中，样例存储模块9013起到类似“黑匣子”的效果；
[0179]
预处理模块902，包括：初始降噪模块、抽样模块，其中，初始降噪模块用于收集警戒值、连锁值或自定义阈值等阈值信息，并用于筛选输入的历史数据；抽样模块用于大样本量的数据等距抽样，减少样本量；
[0180]
动态主成分分析模块903，包括：增广矩阵模块9031、主成分分析模块9032，其中，增广矩阵模块9031用于构建动态数据矩阵；主成分分析模块9032用于构建动态主成分方程，并针对第一耦合模块和第二耦合模块而言还有进一步降噪的作用；
[0181]
建模模块904，包括：历史耦合模块9041、第一耦合模块9042、第二耦合模块9043、校验模块9044；其中，历史耦合模块9041采用本技术中基于“理想状态”的历史耦合模型的建立方法来构建模型；第一耦合模块9042采用本技术中基于多元线性回归的第一耦合模型的建立方法来构建模型；第二耦合模块9043采用本技术中基于主成分分析和多元线性回归的第二耦合模型的建立方法来构建模型；校验模块9044采用显著性检验和拟合程度来判断上述得到的模型是否有效；
[0182]
输出监测模块905，包括：模型输出模块9051、实时监测模块9052；其中，模型输出模块9051用于接收校验模块9044判断有效的模型，实时监测模块9052用于结合有效的模型和各参数对应的实施输入的数据进行监测，该模块可同时运行多个种类的模型。用户将输出的模型可以用于工艺工况运行参数调整的指导。
[0183]
特殊地，针对基于第一耦合模型的建立方法和基于第二耦合模型的建立方法构建出的模型，在实时监测中设定阈值，通常设定为实时解析值和实时真值的相对误差。
[0184]
进一步需要解释的是，图9中实线箭头表示通过历史数据进行建模并输出模型的过程；而虚线箭头表示实时输入的数据用于监测的流向，大致过程为：
[0185]
实施输入的样本加入到原历史数据的增广矩阵中；
[0186]
如果实时监测模块9052运行的是基于“理想状态”的历史耦合模型或基于多元线性回归的第一耦合模型，则将增广矩阵中的新样本代入其中，并求出对应的解析值，并与设定的误差阈值比较；
[0187]
如果实时监测模块9052运行的是基于主成分分析-多元线性回归的第二耦合模型，则需要在第二耦合模块9043中结合历史数据进行主成分降维，得到新的主成分样本，并带入其中，求出对应的解析值，并与设定的误差阈值比较。
[0188]
本技术的再一实施例还提供了一种服务器，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控制方法的步骤。
[0189]
本技术的又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控制方法的步骤。
[0190]
此外，本技术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。
[0191]
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。
[0192]
以上所述是本技术的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本技术所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本技术的保护范围。

技术特征：
1.一种多晶硅生产控制方法，其特征在于，包括：对历史参数样本进行动态主成分分析，得到动态主成分分析模型，所述动态主成分分析模型包括动态主成分分析方程以及所述动态主成分分析方程中各主成分参数的霍特林统计量检验值和平方预测误差spe检验值，所述历史参数样本中的参数包括：多晶硅设备的设备参数及其上下游工艺的工艺参数；根据所述主成分参数的样本时序图，获取目标时间段内各所述主成分参数对应的平均值，其中，所述目标时间段为各所述主成分参数对应的参数波动最小时的公共时间段；根据所述目标时间段内各所述主成分参数对应的平均值以及所述动态主成分分析方程，得到所述多晶硅设备与其上下游工艺耦合的历史耦合模型；根据所述动态主成分分析模型，得到基于多元线性回归的第一耦合模型以及基于主成分分析和多元线性回归的第二耦合模型；对所述历史耦合模型、所述第一耦合模型以及所述第二耦合模型进行有效性校验，获取校验通过的目标耦合模型；根据所述目标耦合模型，对所述多晶硅设备的设备参数和/或所述多晶硅设备的上下游工艺的工艺参数进行控制。2.根据权利要求1所述的方法，其特征在于，根据所述目标耦合模型，对所述多晶硅设备的设备参数和/或所述多晶硅设备的上下游工艺的工艺参数进行控制，包括：获取所述多晶硅设备及其上下游工艺的实时参数样本；根据所述目标耦合模型对所述实时参数样本进行误差分析，得到分析结果；根据所述分析结果控制所述多晶硅设备和/或所述多晶硅设备对应的上下游工艺的工艺设备。3.根据权利要求1所述的方法，其特征在于，所述对获取到的历史参数样本进行动态主成分分析，得到动态主成分分析模型，包括：对所述历史参数样本进行动态主成分分析，确定各主成分参数、各所述主成分参数对应的特征值和由所述主成分参数构成的得分矩阵；根据各所述主成分参数对应的所述特征值，得到载荷矩阵；根据所述得分矩阵、所述载荷矩阵以及所述历史参数样本，得到所述动态主成分方程以及各所述主成分参数的所述霍特林统计量检验值和所述spe检验值，并作为所述动态主成分分析模型。4.根据权利要求1所述的方法，其特征在于，所述根据所述目标时间段内各所述主成分参数对应的平均值以及所述动态主成分分析方程，得到所述多晶硅设备与其上下游工艺耦合的历史耦合模型，包括：将所述主成分参数对应的平均值代入所述动态主成分分析方程中，得到各所述主成分参数对应的数值；根据所述数值的绝对值，确定各所述主成分参数中的第一重要参数；基于所述第一重要参数，对对应的所述动态主成分方程进行转换，得到所述历史耦合模型，在所述历史耦合模型中，所述第一重要参数为第一目标参数，其他参数为第一响应参数。5.根据权利要求3所述的方法，其特征在于，所述根据所述动态主成分分析模型，分别
得到基于多元线性回归的第一耦合模型以及基于主成分分析和多元线性回归的第二耦合模型，包括：根据所述动态主成分分析模型中各所述主成分参数的所述霍特林统计量检验值和所述spe检验值及其对应的f分布，确定各所述动态主成分分析模型对应的霍特林统计量检验阈值和spe检验阈值；根据所述霍特林统计量检验阈值和所述spe检验阈值，对所述得分矩阵中的所述各主成分参数进行筛除，得到筛除后的目标得分矩阵；根据所述目标得分矩阵、所述载荷矩阵以及所述历史参数样本，得到目标动态主成分方程；根据所述目标动态主成分方程进行多元线性回归，得到所述第一耦合模型；根据所述目标动态主成分方程进行主成分分析和多元线性回归，得到所述第二耦合模型。6.根据权利要求5所述的方法，其特征在于，所述根据所述目标动态主成分方程进行多元线性回归，得到所述第一耦合模型，包括：根据所述目标动态主成分方程中各所述主成分参数的绝对值，确定各所述主成分参数中的第二重要参数以及与所述第二重要参数对应的第二响应参数；将所述第二重要参数作为第二目标参数，并与对应的所述第二响应参数进行所述多元线性回归，得到所述第一耦合模型。7.根据权利要求5所述的方法，其特征在于，所述根据所述目标动态主成分方程进行主成分分析和多元线性回归，得到所述第二耦合模型，包括：根据所述目标动态主成分方程中各所述主成分参数的绝对值，确定各所述主成分参数中的第三重要参数以及与所述第三重要参数对应的第三响应参数；对各所述第三响应参数进行主成分分析，得到各所述第三响应参数对应的参考主成分参数；将所述第三重要参数作为目标参数，并与对应的所述参考主成分参数进行所述多元线性回归，得到所述第二耦合模型。8.一种多晶硅生产控制装置，其特征在于，包括：第一处理模块，用于对历史参数样本进行动态主成分分析，得到动态主成分分析模型，所述动态主成分分析模型包括动态主成分分析方程以及所述动态主成分分析方程中各主成分参数的霍特林统计量检验值和平方预测误差spe检验值，所述历史参数样本中的参数包括：多晶硅设备的设备参数及其上下游工艺的工艺参数；第二处理模块，用于根据所述主成分参数的样本时序图，获取目标时间段内各所述主成分参数对应的平均值，其中，所述目标时间段为各所述主成分参数对应的参数波动最小时的公共时间段；第三处理模块，用于根据所述目标时间段内各所述主成分参数对应的平均值以及所述动态主成分分析方程，得到所述多晶硅设备与其上下游工艺耦合的历史耦合模型；第四处理模块，用于根据所述动态主成分分析模型，得到基于多元线性回归的第一耦合模型以及基于主成分分析和多元线性回归的第二耦合模型；第五处理模块，用于对所述历史耦合模型、所述第一耦合模型以及所述第二耦合模型
进行有效性校验，获取校验通过的目标耦合模型；第六处理模块，用于根据所述目标耦合模型，对所述多晶硅设备的设备参数和/或所述多晶硅设备的上下游工艺的工艺参数进行控制。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计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至7中任一项所述的多晶硅生产控制方法的步骤。10.一种计算机可读存储介质，其特征在于，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权利要求1至7中任一项所述的多晶硅生产控制方法的步骤。

技术总结
本申请提供了一种多晶硅生产控制方法、装置、服务器及存储介质，应用于设备健康管理，其中，方法包括：对关于多晶硅设备及其上下游工艺的历史参数样本进行动态主成分分析，得到动态主成分分析模型，包括动态主成分分析方程以及各主成分参数的霍特林统计量检验值和SPE检验值；根据参数波动最小时的公共时间段内各主成分参数对应的平均值以及动态主成分分析方程，得到多晶硅设备与其上下游工艺耦合的历史耦合模型；且根据动态主成分分析模型，得到基于多元线性回归的第一耦合模型以及基于主成分分析和多元线性回归的第二耦合模型；根据通过有效性校验后的目标耦合模型，对多晶硅设备的设备参数和/或多晶硅设备的上下游工艺的工艺参数进行控制。艺参数进行控制。艺参数进行控制。


技术研发人员：吴雪佼 呼维军 陈国辉 杨文文 李军 杨宝辉 宋永刚 蒋建武
受保护的技术使用者：新特能源股份有限公司
技术研发日：2023.06.21
技术公布日：2023/9/20