基于BP神经网络的SiC外延炉加热电源动态匹配智能算法研究

张威

(中国电子科技集团公司第四十八研究所，湖南 长沙 410111)

基于BP神经网络的SiC外延炉加热电源动态匹配智能算法研究

张威

(中国电子科技集团公司第四十八研究所，湖南 长沙 410111)

智能控制算法已普遍应用于各个领域，但是在SiC外延炉中却极少用到。将目前使用最为广泛的BP神经网络模型引入到SiC外延炉加热系统中，对SiC外延炉加热电源匹配电感量进行预测，结合基于变步长搜索最大电流值的方法对频率进行自动跟踪，实现了SiC外延炉加热电源的动态匹配功能。对预测过程和电源系统进行了基于MATLAB的仿真研究，结果验证了匹配电感量预测的精确性和动态匹配算法的有效性，符合设计要求。

BP神经网络；SiC外延；加热电源；智能算法；动态匹配

化学气相沉积(CVD)是目前生长SiC外延片的主要方法，而在SiC材料的生长过程中，反应室温度是影响SiC生长质量和速度的主要因素之一。用于外延生长LPCVD设备中采用了感应加热的方式。由于反应室内的传热条件基本保持不变，因此，反应室内的线圈参数和基座厚度就很大程度上决定了温度场的分布。SiC外延对温度非常敏感，要求温度稳定性、重复性都要好。这些条件都是由感应加热电源保证的，因此SiC外延炉加热电源的性能对铸件外延片的质量起着决定性作用。由于一些外部因素会对超声换能器加热电源的内部动态参数造成影响，进而导致谐振系统失谐。因此，为了使SiC外延炉加热电源超声换能器工作在最佳谐振状态，必须对其进行合理的动态匹配。目前，在工业实践中已经普遍应用到各种智能控制算法，而在SiC外延铸锭工艺中却应用极少，因此，在SiC外延炉超声波铸锭中引入神经网络，将其用于换能器的动态匹配控制具有非常重要的意义。

1 BP神经网络原理

1.1 网络结构

目前SiC外延主要是采用CVD法，它是两种气体在高温下分解、复合成新的物质。其工艺过程温度很高，达到1 600℃，且要求能快速升降温，温度稳定性在±1℃以内。本设备的加热系统采用了中频感应加热[1]。BP神经网络也是首次应用在该类设备中。BP神经网络的预测具有非常高的精度，且只需通过对合适样本数据进行学习[2，3]。它是一种基于误差反馈的人工神经网络，其基本结构如图1所示，主要由输入层、输出层和隐层构成[4]，前层到后层的节点通过权连接。输入层、隐层和输出层节点数分别为n、l和m；输入变量为xi（p）（i=1，2，…，n），隐层节点的阈值为θj（j=1，2，…，l），输出为yj（p），隐层节点与输入层节点之间的连接权值为wji（i=1，2，…，n；j=1，2，…，l）；输出层节点的阈值为ψk（k=1，2，…，m），输出为Ok（p），输出层节点与隐层节点之间的连接权值为vkj（j=1，2，…，l；k=1，2，…，m）。输入与输出节点可以采用线性函数或者Sigmoid型函数，隐层节点通常采用Sigmoid型函数。

1.2 算法原理

图1 BP神经网络结构

BP算法的正向传播过程中，信息从输入层传向输出层，中间经过隐层单元的处理。输出层在未得到期望输出时就转为反向传播，为使误差信号最小，通过反复修改连接权值[5]，BP模型用一个非线性优化问题来替代一组输入输出样本的函数问题。

假设网络有M层，第一层为输入节点，第M层只含输出节点，Sigmoid型函数为：

式(1)在0和1之间取值，反应了神经元的饱和特性。Q称为调节参数，是表示神经元非线性的参数。

若某一输入为 x（p），输出为 O（p），节点 i的输出为xi，节点j的输入为：

节点j的输出为：

定义误差函数为：

式中：Tp为目标输出，定义且 yj=f(netj)，有：

当输出节点为j时，yj=0

当隐层节点为j时，有：

式中，yj输入到下层（l+1）层，从（l+1）层返回来计算

（l+1）层第m个节点：

由式(7)和式(8)可得：

又因为：

具体的BP算法可概括为以下两步：

第一步，选取初始权值和阈值。

第二步，1）对于学习样本P=1到N，正向过程，计算每层各点j的yj、netj和O的值；反向过程，对每层各节点反向计算δj。

2）修正权值

t为迭代次数。重复以上过程到满足性能要求为止。

2 加热电源动态匹配智能算法

实现中频电源换能系统的动态匹配包括两个部分，一个是动态调节匹配电感、另一个是自动跟踪频率。换能器的内部动态参数在外延过程中容易受到外界因素的影响造成振动系统失谐，为避免这种情况产生，必须相应的调整可控电抗器的电感量和电源的工作频率。

2.1 匹配电感量动态调节的实现

2.1.1 样本数据的标准化处理

在SiC外延炉加热过程中，必须先确定神经网络的输入和输出参数，才能确定不同工况下的匹配电感量。换能器的内部参数决定着电感量的大小，而导致换能器内部参数变化的因素包括熔体温度、变幅杆插入深度、电压和电流幅值以及频率，将这些作为输入层的变量，将匹配电感量的大小作为输出层变量，输入、输出变量设置如表1所示。

表1 变量设置

对输入输出数据进行预处理，通过变化将数据限制在区间（0，1）或者（-1，1）内；为了消除各变量的量纲差别，方便后续处理，加快网络收敛速度，还需对数据进行归一化处理。

2.1.2 训练与测试

图2所示为利用BP神经网络对匹配电感进行预测的第一阶段，即训练阶段，这个阶段的目的是减小输出误差，达到满意的结构，手段是通过对多个样本数据的学习不断调整网络权值。需注意的是训练前要收集一定数量具有代表性的样本数据，且要保证数据类别的均衡。

图2 BP神经网络训练过程

图3所示为第二阶段，即测试阶段，这个阶段，训练阶段获得的权值不变，测试样本数据用于检测神经网络的泛化能力，调整隐含层神经元的个数及权值，使预测效果到达最佳为止。

2.1.3 匹配电感量预测

将 5 个影响因素分别由 x1、x2、x3、x4、x5表示，

图3 BP神经网络测试过程

则有：

图4所示为预测示意图，由图可知，预测的整个过程主要由4个部分组成。包括数据的收集和处理，神经网络的预测和结果输出。在SiC外延工艺的实验过程中，匹配电感量会随着外延工艺条件的改变而发生变化，所以应该先进行离线训练获得初始权值后再正式实验。

图4 匹配电感量预测示意图

2.2 电流最大值的频率自动跟踪算法

为了保证换能系统一直工作在谐振状态，当外延系统工况条件发生变化时，需要同时调节匹配电感量和实现频率的自动跟踪。图5所示为电流与换能器工作频率之间的关系示意图，由图可知，在谐振频率附近，换能器负载的电流特性表现为图中实线；换能器在不同的匹配电感量下谐振时达到的电流强度表现为图中虚线。为使谐振频率工作在fs点，就必须对匹配电感量进行适当的调整，且这种调整需在频率跟踪之前，这便是进行匹配电感量预测的目的。

在SiC外延工艺过程中，有很多因素会造成振动系统谐振频率fs的变化，一部分引起的fs变化为缓慢频率变化，还有一部分引起的fs的变化为瞬间频率变化。因为瞬间频率变化为时间的突变量，所以本文采用的频率跟踪方法为变步长法，以满足频率跟踪的迅速和准确。

图5 电流与换能器工作频率关系

根据负载电压电流的相位关系来确定频率变化的步长，而电压电流的相位差P可经计算得到。首先设定L和K（L＞K）作为相位差的参数值，当P＜K或P＞L时，采用大步距的频率方式，大步长Δf＝40 Hz；当K＜P＜L时，采用小步距调节方式，小步长Δf＝4 Hz。外延工艺开始后，使中心频率右移 Δf，由 f=f1+ Δf，若此时电流值 i＞ i1，则令f1=f，i1=i，频率继续右移；如果 i＜i1，频率左移。重复上述过程，直到换能器的谐振频率稳定，实现频率自动跟踪。

3 系统仿真分析

3.1 匹配电感量预测仿真

仿真分析在MATLAB7.0环境下进行，利用BP神经网络对匹配电感量的预测仿真分为三个步骤：第一步进行网络创建，为了简化网络结构，采用单层隐层的BP网络，对输入输出量经归一化处理，将处理后的值都限制在0～1之间；第二步进行网络训练，学习和修正网络的阈值和权值，实现给定的映射关系；第三步进行模型仿真，在前面步骤的基础上，对训练好的网络模型进行仿真验证。

表2所示为经BP神经网络预测后的电感量值与实际标准电感量值的对比，由表可知，预测值和标准值十分接近，最大误差为0.008，最小误差为0。表明应用BP神经网络进行匹配电感量预测 的方法可行，并且具有极高的预测精度。

表2 标准值与预测值对比mH

3.2 SiC外延炉加热电源仿真

在MATLAB中，根据设计的主电路拓扑结构，选取合适的元件搭建电源系统的仿真模型，省去主电路中的高频变压器以便简化模型。设置好所有参数后进行仿真，图6、图7所示分别为匹配电感量合适且f=fs时负载的电压电流波形图、匹配电感量偏移后负载谐振状态下的电压电流波形图。由图可知，匹配电感量偏移后，系统相当于工作在图5中f1点附近。通过对比可知，频率自动跟踪之前应调节匹配电感量到合适位置。图8所示为匹配电感量合适且f＞fs时负载的电压电流波形图，此时负载呈感性，由图可知，电流幅值为2 A，表明换能器负载的电流变小，等效阻抗变大。这也证明，采用电流最大值的频率自动跟踪算法是有效的。

图6 匹配电感量合适且f=fs时负载的电压电流波形图

4 结 论

阐述了BP神经网络的基本结构及算法原理，针对SiC外延炉需求，将其运用于SiC外延炉加热电源，实现匹配电感量的动态调节；采用基于变步长搜索最大电流值的方法对频率进行自动跟踪；MATLAB仿真结果验证了BP神经网络对匹配电感量预测的准确性及频率自动跟踪算法的可行性，符合设计要求，结合两种算法可以达到SiC外延炉加热电源动态匹配的目的。

图7 匹配电感偏移后负载谐振状态下的电压电流波形图

图8 匹配电感量合适且f＞fs时负载的电压电流波形图

[1]李哲洋，董逊，张岚，等.75 mm、4°偏轴4H-SiC水平热壁式CVD外延生长[J].半导体学报，2008，l29(7)：1347-1349.

[2]范志刚，邱贵宝，贾娟鱼，等.基于BP神经网络的高炉焦比预测方法[J].重庆大学学报，2002，25(6)：85-87.

[3]林新波，张质良，阮雪榆.利用BP神经网络预测材料温锻流动应力[J].上海交通大学学报，2002，36(4)：459-462.

[4]胡剑策，吴国平.基于K-L变换的BP神经网络遥感图像分类[J].测绘科学，2009，34(3)：138-139.

[5]贺清碧.BP神经网络及应用研究[D].重庆：重庆交通学院，2004.

Intelligent Algorithm for Dynamic Matching of Heating Power Supply of SiC Epitaxial Furnace Based on BP Neural Network

ZHANG Wei

(The 48thResearch Institute of CETC，Changsha 410111，China)

Intelligent control algorithm has been widely used in various fields，but it is rarely used in SiC epitaxial furnace.The currently used the BP neural network is widely introduced into the SiC epitaxial furnace heating system，the inductance of the SiC epitaxial furnace heating power，to predict the maximum current value method with a variable step search for frequency automatic tracking based on realizing dynamic SiC epitaxial furnace heating power matching function.The prediction process and the power system are simulated based on MATLAB.The results verified the accuracy of the prediction and the effectiveness of the dynamic matching algorithm，and meet the design requirements.

BP neural network；SiC epitaxy；Heating power；Intelligent algorithm；Dynamic matching

TN304.55

A

1004-4507(2017)06-0017-05

2017-10-09