技术领域
[0001] 本
发明涉及生产过程
质量监测技术，尤其涉及
太阳能电池生产过程中
温度变化的自动检测，提供一种基于曲线长度的太阳能电池生产过程变化的检测方法。
背景技术
[0002] 太阳能电池广泛应用于军事、航天、农业、通讯等各个领域。太阳能电池的光电转化效率是太阳能电池产品的一个重要关键性指标。例如，一个低光电转化效率的太阳能电池产品会严重缩短
飞行器在太空的使用时间，造成飞行器的使用浪费。因此对太阳能电池相关产品来说，保证生产过程中太阳能电池的光电转化效率的
稳定性是极为重要的。
[0003] 太阳能电池生产分为多个工序，其中重要的工序包含：
外延、蒸
镀和
焊接。外延过程主要是实现光伏材料的生长，是核心工序；蒸镀过程主要是实现蒸金属材料到外延生产完毕的光伏材料表面，形成
电极；焊接是焊电池的其他部件，如互联片。目前太阳能电池的光电转化效率主要是在蒸镀环节结束之后进行实验离线测量，具体为利用I-V曲线计算太阳能电池的光电转化效率。当出现较低的光电转化效率电池片，也将无法弥补，只能废弃。所以，如何在太阳能电池生产的第一个阶段(即：外延阶段)进行潜在的太阳能电池的光电转化效率监测是极为重要的。
[0004] 随着
传感器的发展，越来越多的制造系统都安装了传感器。传感器
数据采集包含了大量生产过程的信息，可以用来监测生产过程变化。在外延阶段，双通道高温测量仪可以测量光伏材料生长过程的温度变化数据。
现有技术还无法实现在太阳能电池生产过程中，通过对上述双通道温度进行监测，获取材料生长过程变化信息以及后续太阳能电池光电转化效率的变化信息。
发明内容
[0005] 为了克服上述现有技术的不足，本发明提供一种基于曲线长度的太阳能电池生产过程变化的检测方法，针对双通道温度进行了过程监测，并在实际生产的327批太阳能电池片对本发明方法进行了验证。结果表明，本发明方法可以有效地在外延阶段提前发现过程变化，使工厂可以提前做出相应的补救措施，以避免不必要的浪费。
[0006] 本发明提供的技术方案是：
[0007] 一种基于曲线长度的太阳能电池生产过程变化的检测方法，针对多通道传感器温度
信号通过特征提取与变化检测，自动获得太阳能电池生产过程中的温度变化，由此预测温度显著变化点处太阳能电池的光电转化效率均值变化的方向；包括如下步骤：
[0008] 1)根据工艺曲线对双通道温度数据进行分段；
[0009] 光伏材料的生长往往具有多段材料层，不同材料层的生长温度不同，层与层之间的温度转换过程是没有材料生长的。该步骤就是对有光伏材料层生长的温度曲线段进行分段，提取有光伏材料层生长的温度曲线段。
[0010] 2)根据分段后的温度数据，提取有光伏材料层生长的温度曲线段的长度特征；
[0011] 根据式1所示的弧长公式计算步骤1)中提取的有光伏材料层生长的温度曲线段C(t)的曲线长度l(C)：
[0012]
[0013] 其中，C(t)为温度区间[a,b]上的曲线；
[0014] 3)根据曲线长度特征进行变点检测，包括步骤C1)～C3)：
[0015] C1.对步骤2)中提取的曲线长度特征选择先验分布；
[0016] 作为一种优选方案，步骤C1中样本可选择正态分布。
[0017] C2.通过动态规划计算得到最大边际似然对应的变点
位置；
[0018] 设提取的曲线长度样本点集合为l＝{l1,l2,…,ln},对应的样本位置为t＝{t1,t2,…,tn}。设l＝{l1,l2,…,ln}来自于分布
密度为f(l|θ)的抽样。在该n个样本中有m-1个变点c1:(m-1)＝{c1,c2,…,cm-1}，且cj∈[t1,tn]，则有t∈(cj-1,cj],θ(t)＝θj。设θ1:m是从先验π(·|α)
抽取的独立同分布变量，α为超参数，则最大边际似然为：
[0019]
[0020] 设P(c1:(m-1))∝1,即均匀先验，则最大边际似然等价于最大后验分布，表示为式3：
[0021] P(c1:(m-1))|l)∝P(l|c1:(m-1))P(c1:(m-1))＝P(l|c1:(m-1)) (式3)
[0022] 利用如下的动态规划方法来计算得到最大边际似然对应的变点位置：
[0023]
[0024] 第1步：For 1≤i≤n:H(l1,…,li|1)＝D(l1,…,li|α)
[0025] 第m步：For m≤i≤n:
[0026] 则最大边际似然估计的c1:(m-1)为式5：
[0027]
[0028] C3.根据C2中变点位置计算得到变化前后的曲线长度均值：
[0029] 根据c1:(m-1)位置计算第一个
采样点至第一个变点c1的曲线长度均值G1和ci与ci+1段曲线长度均值Gi+1，1≤i≤m-1。
[0030] 由此获得不同通道和不同温度段曲线的变点前后对应的曲线长度均值。
[0031] 4)根据步骤3)中双通道分段温度数据变点检测结果进行决策层面的数据融合，得到显著的温度变化点，同时可进一步预测温度显著变化点处太阳能电池的光电转化效率变化的方向；包括步骤D1～D2：
[0032] D1.将步骤3)中得到的变点对应的曲线长度均值变化绝对值之和进行排序，通过崖底碎石图得到显著的变化点；
[0033] 设根据工艺曲线每个通道温度传感器信号被分隔成x段光伏生长材料温度曲线，则有共有2x段光伏生长材料温度曲线。对每段温度曲线Ck，利用C2步得到变点个数为qk，对应集合为 k＝1,2,…,2x。利用C3步得到变化前后的曲线长度均值Gki,1≤i≤qk。令Lki＝Gk(i+1)-Gki,1≤i≤qk-1,则对于变点cki,
[0034] Wki＝∑p,jyki×|Lpj|，其中p＝1,2,…,2x,
[0035] 计算所有变点cki的Wki，绘制崖底碎石图，对其进行排序。
[0036] D2.根据变点对应的曲线长度均值变化值之和Tki，预测温度显著变化点处太阳能电池的光电转化效率的均值变化方向。
[0037] 根据D1中的步骤中得到的结果，取yki和Lpi通过式7计算得到Tki：
[0038] Tki＝∑p,jyki×Lpj (式7)
[0039] 根据Tki的正负预测太阳能电池光电转化效率的变化方向，即向上偏移或向下偏移。其中，若Tki>0，说明变点后曲线长度变大，即温度
波动比变点前剧烈，太阳能电池光电转化效率变低，即向下偏移。反之，若Tki<0，太阳能电池光电转化效率变高，即向上偏移。
[0040] 与现有技术相比，本发明的有益效果是：
[0041] 本发明方法针对双通道温度数据进行了过程监测的研究，并使用该方法在实际生产的327批太阳能电池片进行了验证。结果表明，本发明方法可以有效地在外延阶段提前发现过程变化，提前预测太阳能电池光电转化效率均值的上升或下降变化，使工厂可以提前做出相应的补救措施，以避免不必要的浪费。
附图说明
[0042] 图1是本发明
实施例中绘制的崖底碎石图；
[0043] 其中，横坐标是Wki值大小顺序，纵坐标是相应的Wki数值。
[0044] 图2是本发明实施例中获得的327个工厂收集的太阳能电池的光电转化效率值；
[0045] 其中，横坐标是样本顺序，纵坐标为太阳能电池的光电转化效率值；平行x坐标轴的三条线的中间线是均值线，上下两条为3倍样本方差线。
具体实施方式
[0047] 下面结合附图，通过实施例进一步描述本发明，但不以任何方式限制本发明的范围。
[0048] 本发明提供一种太阳能电池生产过程中温度变化的自动检测方法，针对双通道温度进行了过程监测，并在实际生产的327批太阳能电池片对本发明方法进行了验证。结果表明，本发明方法可以有效地在外延阶段提前发现过程变化，使工厂可以提前做出相应的补救措施，以避免不必要的浪费。
[0049] 图3是本发明方法的流程框图。以下实施例利用工厂采集的327批太阳能电池片的外延双通道数据，通过本发明方法对太阳能电池生产过程中的温度变化进行自动检测，具体实施步骤如下：
[0050] A.根据工艺曲线对双通道温度数据进行分段：
[0051] 采集的327组太阳能电池片的外延生产环节中，具有两个通道温度
传感器数据，每个通道的温度工艺曲线为3段，即有光伏材料生长的温度曲线为3段，所以在A步骤，对于每个样本，截取6段外延采集的温度曲线，分别记为Tcar1,Tcar2,Tcar3,Twaf1,Twaf2,Twaf3。其中Tcar1,Tcar2,Tcar3为同一个通道不同光伏材料生长的温度曲线，Twaf1,Twaf2,Twaf3为另一个通道不同光伏材料生长的温度曲线。
[0052] B.根据分段后的温度数据提取曲线长度特征；
[0053] 对每个样本截取的6段外延采集的温度曲线根据如下的弧长公式计算A中提取的有光伏材料层生长的温度曲线段曲线长度。
[0054]
[0055] 其中，C(t)为区间[a,b]上的曲线。注：传感器采样情况下，曲线长度即使采样点之间欧几里得距离求和。所以，对每个样本，有6个曲线长度值对应着A中提取的有光伏材料层生长的温度曲线段。
[0056] C.根据曲线长度特征进行变点检测：
[0057] C1.对B中提取的曲线长度特征选择先验分布；
[0058] 根据经验贝叶斯方法，这里选择先验分布为其中 分别为li的样本均值和方差。
[0059] C2.通过动态规划计算最大边际似然对应的变点位置；
[0060] 设提取的曲线长度样本点集合为l＝{l1,l2,…,ln},对应的样本位置为t＝{t1,t2,…,tn}。设l＝{l1,l2,…,ln}来自于分布密度为f(l|θ)的抽样。在该n个样本中有m-1个变点c1:(m-1)＝{c1,c2,…,cm-1}，且cj∈[t1,tn]，则有t∈(cj-1,cj],θ(t)＝θj。设θ1:m是从先验π(·|α)抽取的独立同分布变量，α为超参数，则最大边际似然为：
[0061]
[0062] 设P(c1:(m-1))∝1,即均匀先验，则：
[0063] P(c1:(m-1))|l)∝P(l|c1:(m-1))P(c1:(m-1))＝P(l|c1:(m-1))
[0064] 即最大边际似然等价于最大后验分布。利用如下的动态规划方法来计算，[0065]
[0066] 第1步：For 1≤i≤n:H(l1,…,li|1)＝D(l1,…,li|α)
[0067] 第m步：For m≤i≤n:
[0068] 则最大边际似然估计的c1:(m-1)为：
[0069]
[0070] 针对同一段温度曲线对应的n＝327个样本，分别做上述变点检测，得到每段温度曲线下的变点集合。对于Tcar1温度曲线段得到变点集合{25,71,84,98,228}；Tcar2温度曲线段得到变点集合{10,30,48,89,93,256}；Tcar3温度曲线段得到变点集合{28,50,84,99,243}；Twaf1温度曲线段得到变点集合{84,133}；Twaf2温度曲线段得到变点集合{84,133}；
Twaf3温度曲线段得到变点集合{28,50,84,102}。
[0071] C3.根据C2中变点位置计算变化前后的曲线长度均值。
[0072] 根据c1:(m-1)位置计算第一个点至c1的曲线长度均值G1和ci与ci+1段曲线长度均值Gi+1，1≤i≤m-1。对于Tcar1温度曲线段得到变点前后对应的曲线长度均值{776.30，776.41，776.49，776.30，776.40，776.46}；Tcar2温度曲线段得到变点前后对应的曲线长度均值{568.16，568.27，568.19，568.12，568.18，568.23，568.19}；Tcar3温度曲线段得到变点前后对应的曲线长度均值{93.26，93.71，94.25，93.24，93.53，93.86}；Twaf1温度曲线段得到变点前后对应的曲线长度均值{779.11，780.18，780.73}；Twaf2温度曲线段得到变点前后对应的曲线长度均值{568.75，568.97，569.24}；Twaf3温度曲线段得到变点前后对应的曲线长度均值{93.49，93.85，94.22，93.66，94.00}。
[0073] D.根据C中双通道分段温度数据变点检测结果进行决策层面的数据融合。
[0074] D1.根据不同通道和不同温度段曲线得到变点对应的曲线长度均值变化绝对值之和Wki进行排序，通过崖底碎石图得到显著的变化点。
[0075] 设根据工艺曲线每个通道温度传感器信号被分隔成x段光伏生长材料温度曲线，则有共有2x段光伏生长材料温度曲线。对每段温度曲线Ck，利用C2步得到变点个数为qk，对应集合为 k＝1,2,…,2x。利用C3步得到变化前后的曲线长度均值Gki,1≤i≤qk。令Lki＝Gk(i+1)-Gki,1≤i≤qk-1,则对于变点cki,Wki＝∑p,jyki×|Lpj|，其中计算所有变点cki的Wki，对其进行排序，如表1所示，绘制崖
底碎石图，如图1所示。
[0076] 表1 所有变点cki的Wki按由大到小进行排序的结果
[0077]
[0078]
[0079] D2.根据变点对应的曲线长度均值变化值之和Tki的正负，预测显著变化点处太阳能电池的光电转化效率变化的方向。
[0080] 根据D1中的步骤中得到的取yki和Lpi计算Tki＝∑p,jyki×Lpj。
[0081] 表2 变点cki的Tki值
[0082]
[0083]
[0084] 根据Tki的正负预测太阳能电池光电转化效率的变化方向，即向大偏移或向下偏移。由崖底碎石图可见，选择前3个变化点是极为显著的，对应的太阳能电池光电转化效率变化图如图2所示。其中平行x坐标轴的三条线的中间线是均值线，上下两条为3倍样本方差线。从图中可以看出28,84,133位置处电池的光电转化效率出现了明显的变化，而且28位置处Tki为正值，光电转化效率均值在28以后下降，84位置处Tki为负值，光电转化效率均值在84以后上升，133位置处Tki为正值，光电转化效率均值在133以后下降。这些结果表明本发明方法可以有效地实现在外延阶段根据双通道温度传感器数据对太阳能电池的光电转化效率进行提前预测。
[0085] 需要注意的是，公布实施例的目的在于帮助进一步理解本发明，但是本领域的技术人员可以理解：在不脱离本发明及所附
权利要求的精神和范围内，各种替换和
修改都是可能的。因此，本发明不应局限于实施例所公开的内容，本发明要求保护的范围以权利要求书界定的范围为准。
