深度学习用于扩大可扩展矿薄膜制造的增强过程监控
Felix Laufer1, Markus Götz2,3, Ulrich W Paetzold1,4
1Light Technology Institute, Karlsruhe Institute of Technology Engesserstrasse 13 76131 Karlsruhe Germany ulrich.paetzold@kit.edu.
Energy & environmental science
|January 20, 2025
概括
深度学习 (DL) 通过分析成像数据来增强矿太阳能电池制造,以确保材料的一致性和预测设备性能,从而使大面积制造更好地控制工艺.
科学领域:
- 材料科学 材料科学 材料科学
- 可再生能源可再生能源是可再生能源.
- 人工智能的人工智能
背景情况:
- 矿光伏的大面积制造面临着可重现性的挑战.
- 图像技术与深度学习 (DL) 结合,提供了在线质量控制的解决方案.
研究的目的:
- 展示DL如何增强对大面积矿薄膜形成的复杂实验数据分析.
- 展示DL应用在材料一致性,早期质量评估和工艺控制建议方面.
主要方法:
- 利用深度学习模型来分析矿薄膜制造中的成像数据.
- 开发了DL方法用于材料组成监测,早期设备性能预测和过程参数预测.
主要成果:
- 成功区分了材料一致性的前体性质变化.
- 从早期薄膜数据准确预测整体设备性能.
- 通过预测监控信号和设备性能,生成过程控制建议.
结论:
- 深度学习显著提高了对矿太阳能电池制造中的实验数据的分析.
- DL 能够实现在线质量控制和预测能力,解决大面积制造的关键挑战.
- 提出的DL框架将实验数据转化为可操作的预测,以改善过程控制.
