Q-Wafer – Entwicklung einer inline-fähigen Qualitätsbewertung für multikristalline Siliciumwafer für die Solarzellenproduktion

Laufzeit: August 2011 - Dezember 2015
Auftraggeber / Zuwendungsgeber:
Bundesministerium für Bildung und Forschung (BMBF)
Kooperationspartner: PV Crystalox
Projektfokus:
© Fraunhofer ISE

Abb. 1: Erscheinungsbild struktureller Kristalldefekte in Si-Wafern.

© Fraunhofer ISE

Abb. 2: Vorhersageergebnisse der Spannung von PERC und Al-BSF Solarzellen anhand der Bewertung der as-cut PL-Bilder für Material zweier unbekannter Hersteller, deren Material nicht im Trainingsdatensatz enthalten war.

Die Qualitätsbewertung von multikristallinen (mc-Si) und high-performance multikristallinen (HPM) Wafern in den Eingangstests industrieller Solarzellenproduktionen erfordert eine reproduzierbare Beschreibung der relevanten Materialdefekte und ein Klassierschema, das auch Material unbekannter Hersteller bewerten kann. Dazu wurde am Fraunhofer ISE eine Bildverarbeitungssoftware entwickelt, die es ermöglicht, die verschiedenen kristallisationsbedingten Defekte in Photolumineszenz (PL)-Bildern zu erkennen und quantitativ zu klassieren. Dabei wird die Relevanz der einzelnen Bildmerkmale über ihre Bedeutung für die Vorhersage der Spannung (Voc) der fertigen Solarzelle (Al-BSF und PERC) bestimmt. Das entstandene Klassierschema wurde erfolgreich auf 7500 Wafern angewendet, die nahezu das komplette Spektrum an kommerziell verfügbarem Material abdecken.

Ziel dieses Projekts war, ein Vorhersagemodell für Solarzellenqualität zu etablieren, das auf der Bewertung von PL-Bildern an as-cut Wafern basiert. Als Zielgröße diente dabei die Spannung (Voc) der Solarzelle. Dazu wurde ein breiter Wafersatz von über 7500 Wafern verwendet, der aus 72 Bricks von neun verschiedenen Herstellern gezielt zusammengestellt wurde. Davon wurden 1050 Wafer zu Al-BSF Solarzellen und 6450 Wafer zu PERC Solarzellen prozessiert. Für die Bewertung haben wir PL-Bilder aufgenommen, die Defekte mit Methoden der Mustererkennung extrahiert und quantifiziert und schließlich verschiedene Bewertungsmodelle mit Methoden des maschinellen Lernens trainiert. In Abb. 1 sind PL-Bilder von HPM Wafern und mc-Si Wafern mit detektierten Defekten dargestellt.

Für die Entwicklung der Bewertungsmodelle wurden die Messergebnisse in einen Trainings- und einen Testdatensatz aufgeteilt. Die Aufteilung kann beliebig erfolgen, wobei der schwierigste Fall derjenige ist, bei dem Wafer eines Herstellers bewertet werden, dessen Material überhaupt nicht im Trainigsdatensatz enthalten war. Das einfachste Bewertungsmodell ist das »2-feature-model«, das lediglich die Gewichtung von Versetzungslinien und Randbereichen beinhaltet. Die hier entwickelten komplexeren Modelle beinhalten mehr Bildmerkmale und eine aufwendigere Verknüpfung der Informationen. Diese kann allerdings zu einer Überanpassung an die Trainingsdaten führen. Ein ausgeglichenes Modell wurde mit dem Verfahren der »elastic-net« Regression erreicht.

Die Ergebnisse der Waferbewertung eines unbekannten Herstellers sind in Abb. 2 gezeigt. Die Überlegenheit des hier entwickelten »elastic-net« Modells gegenüber dem »2-feature« Modell zeigt sich an der deutlich besseren Korrelation der vorhergesagten und gemessenen Voc Werte für PERC-Solarzellen mit einem mittleren Vorhersagefehler von 2,5 mV gegenüber 5,1 mV. Das schlechte Abschneiden des »2-feature« Modells zeigt, dass eine zuverlässige Qualitätsbewertung von Wafern für die PERC-Solarzellenproduktion zwingend Bewertungsmodelle erfordert, die über den aktuellen industriellen Stand hinausgehen.