NRS-SVM两阶段遗传算法的多晶硅铸锭配料质量分析

徐静林，黄丽霞，张雪英，李凤莲，杜海文，于丽君，马 秀

(1.太原理工大学 信息与计算机学院，太原 030024；2.山西省中电科新能源技术有限公司，太原 030024)

随着光伏行业的迅猛发展，多晶硅电池凭借其较高的性价比一直占据着光伏市场的主导地位[1]。铸造多晶硅是多晶硅电池制作过程中的一个重要环节，提高多晶硅的铸造质量是保证电池质量的关键。目前多晶硅铸造生产工艺已经相对成熟，所以生产工艺对最终多晶硅生产质量的影响相对较小，而配料在高效多晶硅铸锭生产过程中起着决定性的作用，对高效多晶硅铸锭的电学性能有着至关重要的影响，同时有效合理的配料工艺对成本也有着关键性的影响。所以，对多晶硅铸锭配料数据的分析有较大的工业价值。

20世纪80年代以前一般都是靠人工对多晶硅铸锭质量进行分析，这种方法效率低且准确率不高。随着大数据技术的发展，许多新的数据分析方法开始用于工业生产中。例如文献[2]利用核主元分析(KPCA)提取特征向量，将提取后的主元作为SVM的输入，对故障进行诊断和分类。文献[3]提出一种DB小波与RBP神经网络的方法对短期电力负荷预测，但训练样本过大时，训练速度会很慢。文献[4]提出将邻域粗糙集与支持向量机结合，进行固结系数预测，减轻了SVM的训练负担，但由于实际数据中，数据变化较大，邻域半径取值及分类器参数基本是凭经验和反复实验来确定，所以如何准确快速得到邻域半径及SVM分类器中惩罚系数c与核函数参数g的取值，在工业生产分析的实用性方面有很大的研究意义。……