买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉西安理工大学申请的专利一种直拉硅单晶生长过程多变量监测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN120892973B 。

龙图腾网通过国家知识产权局官网在2026-02-06发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202511420873.2，技术领域涉及：G06F18/2433；该发明授权一种直拉硅单晶生长过程多变量监测方法是由任俊超;刘丁;万银设计研发完成，并于2025-09-30向国家知识产权局提交的专利申请。

本一种直拉硅单晶生长过程多变量监测方法在说明书摘要公布了：本申请提出一种直拉硅单晶生长过程多变量监测方法，属于直拉硅单晶生长技术领域。包括：对直拉硅单晶生长过程中的多种工艺变量时间序列数据进行同步采集和预处理，得到多变量时间序列矩阵；利用多尺度滑动窗口策略，对多变量时间序列矩阵进行慢特征提取，依次构建静态慢特征矩阵和动态慢特征矩阵；分别将每个时间步的静态慢特征向量和动态慢特征向量拼接为融合慢特征向量，所有融合慢特征向量组成融合慢特征矩阵，并将融合慢特征矩阵划分为融合训练集和融合测试集；构建自编码器网络模型，并对自编码器网络模型进行训练和测试，获得多变量监测结果。本申请能够实现在复杂环境下对直拉硅单晶生长过程进行精准化实时监测。

本发明授权一种直拉硅单晶生长过程多变量监测方法在权利要求书中公布了：1.一种直拉硅单晶生长过程多变量监测方法，其特征在于，该方法包括以下步骤： 同步采集直拉硅单晶生长过程中的多种工艺变量时间序列数据，并分别对所有所述工艺变量时间序列数据进行预处理，得到多变量时间序列矩阵； 利用多尺度滑动窗口策略，对所述多变量时间序列矩阵进行慢特征提取，依次构建静态慢特征矩阵和动态慢特征矩阵，包括： 根据所述多变量时间序列矩阵中时间序列的总长度和所有所述工艺变量时间序列数据的类型，分别设置多种窗口标准长度，并分别在每种所述窗口标准长度下，将所述时间序列划分为多个依次首尾连接的滑动窗口，分别得到每种所述窗口标准长度下所有所述滑动窗口的数量，以及每个所述滑动窗口内的样本矩阵； 所述样本矩阵表示为：，其中，表示第种窗口标准长度下，第个滑动窗口内的样本矩阵，表示维实数向量空间，表示第种窗口标准长度，表示所有工艺变量时间序列数据的类型；所述窗口标准长度下所有所述滑动窗口的数量表示为：，其中，表示第种窗口标准长度下所有滑动窗口的数量，表示时间序列的总长度； 对于每种所述窗口标准长度，分别利用所述窗口标准长度下的每个所述滑动窗口内的所述样本矩阵求解一个投影矩阵，并分别利用每个所述投影矩阵对对应的所述滑动窗口的最后一个时间步的样本向量进行投影，分别得到所述窗口标准长度下每个所述滑动窗口对应的未对齐的所述静态慢特征向量； 所述投影矩阵表示为：，其中，表示第种窗口标准长度下第个滑动窗口对应的投影矩阵，表示第种窗口标准长度对应的所有未对齐的静态慢特征的数量，表示维实数向量空间；未对齐的所述静态慢特征向量表示为：，，其中，表示第种窗口标准长度下第个滑动窗口对应的未对齐的静态慢特征向量，表示第种窗口标准长度下第个滑动窗口内最后一个时间步的样本向量，表示维实数向量空间； 将所有所述窗口标准长度的集合定义为，将集合中的最大值记为，将所述集合中的最小值记为； 根据最大值和最小值，确定公共区间的起始索引和结束索引，所述公共区间的所述起始索引用表示，，所述公共区间的所述结束索引用表示，，所述公共区间的长度用表示，； 根据每种所述窗口标准长度下所有所述滑动窗口对应的未对齐的所述静态慢特征向量，分别获取每个未对齐的所述静态慢特征向量对应的所述滑动窗口的结束时间步； 筛选出所述结束时间步落在所述公共区间内所对应的所有未对齐的所述静态慢特征向量，并将这些未对齐的所述静态慢特征向量按照各自对应的所述结束时间步进行对齐排序，分别得到每种所述窗口标准长度下，每个所述时间步对应的对齐的所述静态慢特征向量； 分别将每种所述窗口标准长度下的所有对齐的所述静态慢特征向量按时间维度进行垂直堆叠，分别得到每种所述窗口标准长度对应的所述静态慢特征矩阵； 所述静态慢特征矩阵的表达式为： 2 其中，表示第种窗口标准长度对应的静态慢特征矩阵，表示第种窗口标准长度对应的静态慢特征矩阵中所有对齐的静态慢特征的数量，，表示所有窗口标准长度的种类，表示维实数向量空间； 对于每种所述窗口标准长度，分别计算每个对齐的所述静态慢特征向量的一阶差分，分别得到每个对齐的所述静态慢特征向量对应的动态慢特征向量； 所述动态慢特征向量的表达式： 3 其中，表示第种窗口标准长度下第个时间步的动态慢特征向量，表示第种窗口标准长度下第个时间步的对齐的静态慢特征向量，表示第种窗口标准长度下第个时间步的对齐的静态慢特征向量； 分别将每种所述窗口标准长度下的所有所述动态慢特征向量按时间维度进行垂直堆叠，分别得到每种所述窗口标准长度对应的所述动态慢特征矩阵； 所述动态慢特征矩阵的表达式为： 4 其中，表示第种窗口标准长度对应的动态慢特征矩阵，表示第种窗口标准长度对应的动态慢特征矩阵中所有动态慢特征的数量，表示维实数向量空间； 分别将每个时间步的静态慢特征向量和动态慢特征向量拼接为融合慢特征向量，所有所述融合慢特征向量组成融合慢特征矩阵，并将所述融合慢特征矩阵划分为融合训练集和融合测试集； 构建自编码器网络模型，利用所述融合训练集对所述自编码器网络模型进行训练，并利用所述融合测试集对训练后的所述自编码器网络模型进行测试； 将所有测试结果作为所述直拉硅单晶生长过程的多变量监测结果； 其中，所述静态慢特征矩阵包含多个所述静态慢特征向量，所述动态慢特征矩阵包含多个所述动态慢特征向量； 所述融合训练集中的所有训练样本均为正常工况时的所述融合慢特征向量；所述融合测试集中一部分测试样本均为正常工况时的所述融合慢特征向量，另一部分所述测试样本均为异常工况时的所述融合慢特征向量。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人西安理工大学，其通讯地址为：710048 陕西省西安市碑林区金花南路5号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。