[发明专利]一种GaN衬底生长加热炉温度自整定方法及系统

说明书

本发明提供一种GaN衬底生长加热炉温度自整定方法及系统，构建神经网络，设置神经网络的转移函数、性能指标、学习率、α因子以及权值初始矩阵；加热炉实际运行时，根据加热炉系统返回现场实际温度，确定神经网络的输入层节点；当加热炉温度超出偏差允许范围时，利用神经网络调整PID控制器的控制参数，实现对加热炉温度的自适应整定。本发明实现了加热炉温度的自适应整定；采用在线调整方式，利用BP神经网络实现了对加热炉温度的实时控制；采用神经网络改进PID控制器的控制效果，提高了系统温度控制的精确性和抗干扰性。

技术领域

本发明属于GaN衬底生长设备自动化领域，尤其涉及一种GaN衬底生长加热炉温度自整定方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

随着半导体工业技术的发展，半导体工业材料生长领域的产品不断更新，生长过程对温度场控制要求越来越高，加热炉在半导体材料生长领域，尤其是在氢化物气相外延(HVPE)材料生长领域中被广泛应用。其关键技术是保证加热炉的温场恒定和高精度控制，因此高精度恒温场加热方式的研究成为重点。

在垂直式HVPE生长设备中，现有加热炉存在温度均匀性较差(温度梯度很大)、加热精度控制低、控温方式不合理等缺陷，在温度控制过程中，存在大滞后、强耦合、未知干扰和不确定性等非线性控制难题。传统的PID控制适应性差，导致GaN衬底材料生长质量不高，控制效果很不理想。

发明内容

为了解决上述问题，本发明提供一种GaN衬底生长加热炉温度自整定方法及系统，本发明可以在GaN衬底生长过程中进行自适应运算，自动调节加热炉温度PID控制器的参数，从而调整加热炉的温度，为GaN衬底材料的生长提供一个稳定的温度环境。

为了实现上述目的，本发明采用如下技术方案：

本发明的第一个方面提供一种GaN衬底生长加热炉温度自整定方法，包括以下步骤：

构建神经网络，设置神经网络的转移函数、性能指标、学习率、α因子以及权值初始矩阵；

加热炉实际运行时，根据加热炉系统返回现场实际温度，确定神经网络的输入层节点；

当加热炉温度超出偏差允许范围时，利用神经网络调整PID控制器的控制参数，实现对加热炉温度的自适应整定。

作为可选择的实施方式，构建3-5-3的神经网络结构，确定神经网络的输入和输出，神经网络输入层的节点为系统输入、系统输出和系统偏差；神经网络输出层的节点为PID控制器的控制参数。

作为可选择的实施方式，神经网络的转移函数为sigmoid函数，神经网络隐含层的转移函数选取正负对称的sigmoid函数，神经网络输出层的转移函数选取非负的sigmoid函数。

作为可选择的实施方式，选取现场加热炉的温度设定值与实际输出值的差值作为性能指标。

作为可选择的实施方式，神经网络的初始权值矩阵选取[-1,1]间随机数值。

作为可选择的实施方式，利用神经网络调整PID控制器的控制参数的具体过程包括：采用增量式PID控制算法，得到输入矩阵，输入分别为系统输入、系统输出和系统偏差，由输入层到隐含层的权值矩阵可得隐含层的输入矩阵。

作为可选择的实施方式，利用神经网络调整PID控制器的控制参数的具体过程包括：由反向传播算法的调整原理，先进行隐含层至输出层的权值调整，再进行输入层至隐含层的权值调整，储存输出层本次调整后的权值，储存隐层本次调整后的权值，更新偏差，进行下一次的BP神经网络调整。

本发明的第二个方面提供一种GaN衬底生长加热炉温度自整定系统，包括：