目前,随着半导体行业迅猛发展,用于半导体产业的硅材料需求不断增加。同时,对芯片集成度要求也日益增长,这对硅单晶品质提出了更高的要求。Cz法是制备硅单晶过程中最主要的技术方法。为了生长出大尺寸、高品质的电子级硅单晶,研究Cz法硅单晶批次生产过程中直径和热场温度的建模与控制过程具有重要意义。硅单晶生长过程是典型的批次生产过程,存在批量化、品种多样、工艺复杂、技术密集等特征,且该生长过程是处于高温、多场、多相严重耦合的强非线性动态时变过程。故对其进行精确建模及精准控制具有一定的挑战性,同时也是本领域的研究重点和难点。1、分析了 Cz法制备硅单晶生长过程的关键变量加热器功率和提拉速度对晶体直径和热场温度的影响,提出一种基于VMD-SEAE-TL的非线性系统建模方法。在本研究中,我们首先对原始数据进行异常值剔除、数据规范化等一系列操作。其中,考虑到实际测量数据中不可避免的存在噪声,我们对输出的热场温度和晶体直径分别进行VMD分解,使用峭度准则进行信号重构以削弱噪声影响;其次在堆栈自编码网络提取数据深层特征的过程中,在每一个隐层中引入原始数据,通过对原始数据的重新构建,最大限度地减少特征提取过程中的信息损失;最后,在模型中引入迁移学习,以适应工况发生变化的情况,增加晶体生长模型的普适性。仿真结果表明,相较于传统的SAE网络,本研究所建立的模型具有更高的精度和普适性。2、针对一类多场多相耦合严重的强非线性时变过程设计了一种基于SEAE的非线性模型预测控制策略,并将此算法应用于Cz法硅单晶生长过程。其中,考虑到硅单晶生长过程中变量之间存在强耦合的特点设计了提拉速度和加热器功率双MPC控制器,并与PID控制进行对比,仿真结果表明,所提算法能够更快到达稳态且稳态误差更小,当给系统分别加入脉冲、高斯、三角函数三种干扰时,也具有更好的抗干扰能力。3、针对一类包括不可控扰动和不确定因素的非线性系统,本研究提出了一种基于状态观测器的迭代学习控制方法,该控制策略使用自抗扰控制器的扩张状态观测器部分来估计系统的不确定性和外部干扰,并据此设计批次间迭代学习控制率。本研究首先将该算法应用在数值案例中,仿真结果表明,无论对模型加入重复性扰动还是非重复性扰动,随着迭代次数增加,误差均会呈现逐步减少的特点。最后,将此算法应用于Cz法硅单晶生长过程,对于该部分内容,我们对于单一批次的硅单晶生长过程,使用第4章所提基于SEAE的非线性模型预测控制策略,对于批次轴使用基于状态观测器的迭代学习控制方法,将时间轴和批次轴控制量线性叠加后作用于硅单晶生长过程,仿真结果表明给系统加入扰动后,当迭代次数增加,响应时间变短,误差减小,证明了该控制方法的有效性。