CN114768279A - 用于电子级二氟甲烷制备的精馏控制系统及其控制方法 - Google Patents

用于电子级二氟甲烷制备的精馏控制系统及其控制方法 Download PDF

Info

Publication number
CN114768279A
CN114768279A CN202210465413.1A CN202210465413A CN114768279A CN 114768279 A CN114768279 A CN 114768279A CN 202210465413 A CN202210465413 A CN 202210465413A CN 114768279 A CN114768279 A CN 114768279A
Authority
CN
China
Prior art keywords
feature
feature map
rectification
difluoromethane
responsiveness
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202210465413.1A
Other languages
English (en)
Other versions
CN114768279B (zh
Inventor
张朝春
林百志
刘志强
李卫国
黄华华
邱玲
赖甜华
廖耀东
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fujian Deer Technology Corp
Original Assignee
Fujian Deer Technology Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Fujian Deer Technology Corp filed Critical Fujian Deer Technology Corp
Priority to CN202210465413.1A priority Critical patent/CN114768279B/zh
Priority to PCT/CN2022/097770 priority patent/WO2023206724A1/zh
Publication of CN114768279A publication Critical patent/CN114768279A/zh
Application granted granted Critical
Publication of CN114768279B publication Critical patent/CN114768279B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01D—SEPARATION
    • B01D3/00—Distillation or related exchange processes in which liquids are contacted with gaseous media, e.g. stripping
    • B01D3/009—Distillation or related exchange processes in which liquids are contacted with gaseous media, e.g. stripping in combination with chemical reactions
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01D—SEPARATION
    • B01D3/00—Distillation or related exchange processes in which liquids are contacted with gaseous media, e.g. stripping
    • B01D3/14—Fractional distillation or use of a fractionation or rectification column
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01D—SEPARATION
    • B01D3/00—Distillation or related exchange processes in which liquids are contacted with gaseous media, e.g. stripping
    • B01D3/42—Regulation; Control
    • C—CHEMISTRY; METALLURGY
    • C07—ORGANIC CHEMISTRY
    • C07C—ACYCLIC OR CARBOCYCLIC COMPOUNDS
    • C07C17/00—Preparation of halogenated hydrocarbons
    • C07C17/093—Preparation of halogenated hydrocarbons by replacement by halogens
    • C07C17/20—Preparation of halogenated hydrocarbons by replacement by halogens of halogen atoms by other halogen atoms
    • C07C17/202—Preparation of halogenated hydrocarbons by replacement by halogens of halogen atoms by other halogen atoms two or more compounds being involved in the reaction
    • C07C17/206—Preparation of halogenated hydrocarbons by replacement by halogens of halogen atoms by other halogen atoms two or more compounds being involved in the reaction the other compound being HX
    • C—CHEMISTRY; METALLURGY
    • C07—ORGANIC CHEMISTRY
    • C07C—ACYCLIC OR CARBOCYCLIC COMPOUNDS
    • C07C17/00—Preparation of halogenated hydrocarbons
    • C07C17/38—Separation; Purification; Stabilisation; Use of additives
    • C07C17/383—Separation; Purification; Stabilisation; Use of additives by distillation

Landscapes

  • Chemical & Material Sciences (AREA)
  • Organic Chemistry (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Organic Low-Molecular-Weight Compounds And Preparation Thereof (AREA)

Abstract

本申请涉及电子气体的智能制备领域，其具体地公开了一种用于电子级二氟甲烷制备的精馏控制系统及其控制方法，所述用于电子级二氟甲烷制备的精馏控制系统包括反应器、回流塔、脱气塔、精馏塔和控制器。所述控制器内部署有基于人工智能的参数控制算法以基于所述精馏控制系统的全局情况来动态地调整所述精馏塔的精馏控制参数，通过这样的方式，从优化控制的角度来提高电子级二氟甲烷的提纯精度。

Description

用于电子级二氟甲烷制备的精馏控制系统及其控制方法
技术领域
本发明涉及智能制造的领域，且更为具体地，涉及一种用于电子级二氟甲烷制备的精馏控制系统及其控制方法。
背景技术
二氟甲烷（R32）是一种热力学性能良好的氟利昂替代物。R32的ODP为0，GWP值很低，R32与其他组份形成的共沸物、近共沸混合物（如R407C、R410A 等）被看作是最具潜力的R22的替代品。目前R32生产广泛使用液相氟化法，反应混合气中除主反应生成的HCl和R32外，还有中间产物R31，其他副反应生成的R23，R22，R40，R21，R143a，R50，以及夹带的少量原料R30和HF。
电子级的二氟甲烷的纯度高达99.9999%，这对现有的二氟甲烷的制备工艺提出了更高的要求。现有的厂商主要通过两个技术路线来提高二氟甲烷的纯度，一个技术方向为改变二氟甲烷的制备原理（本质上是化学方向），另一个技术方向是优化二氟甲烷的提纯工艺（本质上是物理方向），但不管是化学方向还是物理方向，最终都需要提纯工艺的优化（尤其是精馏工艺）才能够制备出满足纯度要求的电子级二氟甲烷。
在现有的精馏工艺中，精馏系统中各个部分的控制参数往往基于预定值来设定，无法基于实际的情况来动态调整优化。同时，精馏系统中各个部分的控制参数之间存在关联，单一考虑各个部分的情况无法做到全局最优，即，无法使得最终获得的二氟甲烷的纯度满足预设要求。因此，为了能够确保二氟甲烷的纯度满足预设要求，期待一种用于电子级二氟甲烷制备的精馏控制系统。
近年来，目前，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、语音信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。
深度学习以及神经网络的发展为精馏塔的参数动态控制提供了新的解决思路和方案。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种用于电子级二氟甲烷制备的精馏控制系统及其控制方法，其中，所述用于电子级二氟甲烷制备的精馏控制系统包括反应器、回流塔、脱气塔、精馏塔和控制器。所述控制器内部署有基于人工智能的参数控制算法以基于所述精馏控制系统的全局情况来动态地调整所述精馏塔的精馏控制参数，通过这样的方式，从优化控制的角度来提高电子级二氟甲烷的提纯精度。
根据本申请的一个方面，提供了一种用于电子级二氟甲烷制备的精馏控制系统，其包括：反应器，用于接收二氯甲烷和氟化氢，其中，所述二氯甲烷和所述氟化氢在催化剂的催化作用下发生反应以生成包含二氟甲烷的第一生成混合气，所述催化剂被装填于所述反应器内；回流塔，用于接收所述包含二氟甲烷的第一生成混合气并从所述包含二氟甲烷的生成混合气中分离出所述氟化氢、所述二氟甲烷和所述一氟一氯甲烷以得到第二生成混合气；脱气塔，用于接收所述第二生成混合气并除去所述第二生成混合气中的三氟甲烷和甲烷以得到第三生成混合气；精馏塔，用于接收所述第三生成混合气并对所述第三生成混合气进行精馏以得到精馏产物，所述精馏产物为纯度大于等于99.9999%的电子级二氟甲烷；以及控制器，用于基于所述精馏控制系统的全局参数来动态地控制所述精馏塔的温度和压力，所述精馏控制系统的全局参数包括所述回流塔的压力、所述回流塔的温度、所述脱气塔的压力、所述脱气塔的温度、所述精馏塔的压力和所述精馏塔的温度。
在根据本申请的用于电子级二氟甲烷制备的精馏控制系统中，所述控制器，用于：获取多个预定时间点的所述精馏系统的多个控制参数，所述多个控制参数包括：所述回流塔的压力、所述回流塔的温度、所述脱气塔的压力、所述脱气塔的温度、所述精馏塔的压力和所述精馏塔的温度；获取所述多个预定时间点的所述精馏产物的气相色谱图；将所述多个预定时间点的精馏产物的气相色谱图通过使用三维卷积核的第一卷积神经网络以获得第一特征图；将各个所述预定时间点的多个控制参数通过包含嵌入层的上下文编码器以获得多个特征向量，并将多个特征向量进行级联以获得对应于各个预定时间点的第一特征向量；将所述各个预定时间点的第一特征向量进行二维排列为特征矩阵后通过第二卷积神经网络以获得第二特征图；使用基于局部和整体之间的表征信息关系的归一化来计算所述第一特征图和第二特征图之间的响应性估计以获得响应性特征图，其中，所述使用基于局部和整体之间的表征信息关系的归一化为以所述第一特征图中各个位置的特征值与一之和的对数函数值除以所述第二特征图中所有位置的特征值的求和与一之和的对数函数值；以及将所述响应性特征图通过分类器以获得分类结果，所述分类结果用于表示所述精馏塔的压力应增大或应减小，所述精馏塔的温度应增大或应减小。
在根据本申请的用于电子级二氟甲烷制备的精馏控制系统中，所述控制器，进一步用于：使用所述使用三维卷积核的第一卷积神经网络以如下公式对所述多个预定时间点的精馏产物的气相色谱图进行编码以获得所述第一特征图；其中，所述公式为：
Figure 246559DEST_PATH_IMAGE001
其中，
Figure 429279DEST_PATH_IMAGE002
、
Figure 192704DEST_PATH_IMAGE003
和
Figure 853493DEST_PATH_IMAGE004
分别表示三维卷积核的长度、宽度和高度，m表示第
Figure 74390DEST_PATH_IMAGE005
层特征图的个数，
Figure 539263DEST_PATH_IMAGE006
是与
Figure 822608DEST_PATH_IMAGE007
层的第m个特征图相连的卷积核，
Figure 660988DEST_PATH_IMAGE008
为偏置，f表示激活函数。
在根据本申请的用于电子级二氟甲烷制备的精馏控制系统中，所述控制器，包括：嵌入转化单元，用于使用所述包含嵌入层的上下文的编码器模型的嵌入层分别将各个所述预定时间点的多个控制参数转化为输入向量以获得参数输入向量的序列；上下文编码单元，用于使用所述包含嵌入层的上下文的编码器模型的转换器对所述参数输入向量的序列进行基于全局的上下文语义编码以获得所述多个特征向量；以及级联单元，用于将多个特征向量进行级联以获得对应于各个预定时间点的第一特征向量。
在根据本申请的用于电子级二氟甲烷制备的精馏控制系统中，所述控制器，进一步用于：将所述各个预定时间点的第一特征向量进行二维排列以获得特征矩阵；通过所述第二卷积神经网络的各层在层的正向传递中分别对输入数据进行卷积处理、沿通道维度的池化处理和激活处理以由所述第二卷积神经网络的最后一层生成所述第二特征图，其中，所述第二卷积神经网络的第一层的输入为所述特征矩阵。
在根据本申请的用于电子级二氟甲烷制备的精馏控制系统中，所述控制器，进一步用于：使用基于局部和整体之间的表征信息关系的归一化以如下公式来计算所述第一特征图和第二特征图之间的响应性估计以获得所述响应性特征图；其中，所述公式为：
Figure 736392DEST_PATH_IMAGE009
其中
Figure 995335DEST_PATH_IMAGE010
、
Figure 645935DEST_PATH_IMAGE011
和
Figure 101056DEST_PATH_IMAGE012
分别是所述第一特征图
Figure 890020DEST_PATH_IMAGE013
、所述第二特征图
Figure 726389DEST_PATH_IMAGE014
和所述响应性特征图的每个位置的特征值。
在根据本申请的用于电子级二氟甲烷制备的精馏控制系统中，所述控制器，进一步用于：使用所述分类器以如下公式对所述响应性特征图进行处理以生成分类结果；其中，所述公式为：
Figure 485791DEST_PATH_IMAGE015
，其中
Figure 760915DEST_PATH_IMAGE016
表示将所述响应性特征图投影为向量，
Figure 653653DEST_PATH_IMAGE017
至
Figure 660924DEST_PATH_IMAGE018
为各层全连接层的权重矩阵，
Figure 501097DEST_PATH_IMAGE019
至
Figure 376649DEST_PATH_IMAGE020
表示各层全连接层的偏置矩阵。
根据本申请的另一方面，还提供了一种控制方法，其包括：获取多个预定时间点的精馏系统的多个控制参数，所述多个控制参数包括：回流塔的压力、所述回流塔的温度、脱气塔的压力、所述脱气塔的温度、精馏塔的压力和所述精馏塔的温度；获取所述多个预定时间点的精馏产物的气相色谱图；将所述多个预定时间点的精馏产物的气相色谱图通过使用三维卷积核的第一卷积神经网络以获得第一特征图；将各个所述预定时间点的多个控制参数通过包含嵌入层的上下文编码器以获得多个特征向量，并将多个特征向量进行级联以获得对应于各个预定时间点的第一特征向量；将所述各个预定时间点的第一特征向量进行二维排列为特征矩阵后通过第二卷积神经网络以获得第二特征图；使用基于局部和整体之间的表征信息关系的归一化来计算所述第一特征图和第二特征图之间的响应性估计以获得响应性特征图，其中，所述使用基于局部和整体之间的表征信息关系的归一化为以所述第一特征图中各个位置的特征值与一之和的对数函数值除以所述第二特征图中所有位置的特征值的求和与一之和的对数函数值；以及将所述响应性特征图通过分类器以获得分类结果，所述分类结果用于表示所述精馏塔的压力应增大或应减小，所述精馏塔的温度应增大或应减小。
在根据本申请的用于电子级二氟甲烷制备的精馏控制系统的控制方法中，将各个所述预定时间点的多个控制参数通过包含嵌入层的上下文编码器以获得多个特征向量，并将多个特征向量进行级联以获得对应于各个预定时间点的第一特征向量，包括：使用所述包含嵌入层的上下文的编码器模型的嵌入层分别将各个所述预定时间点的多个控制参数转化为输入向量以获得参数输入向量的序列；使用所述包含嵌入层的上下文的编码器模型的转换器对所述参数输入向量的序列进行基于全局的上下文语义编码以获得所述多个特征向量；以及将多个特征向量进行级联以获得对应于各个预定时间点的第一特征向量。
在根据本申请的用于电子级二氟甲烷制备的精馏控制系统的控制方法中，使用基于局部和整体之间的表征信息关系的归一化来计算所述第一特征图和第二特征图之间的响应性估计以获得响应性特征图，包括：使用基于局部和整体之间的表征信息关系的归一化以如下公式来计算所述第一特征图和第二特征图之间的响应性估计以获得响应性特征图；其中，所述公式为：
Figure 592736DEST_PATH_IMAGE009
其中
Figure 895541DEST_PATH_IMAGE021
、
Figure 987125DEST_PATH_IMAGE022
和
Figure 512041DEST_PATH_IMAGE023
分别是所述第一特征图
Figure 474312DEST_PATH_IMAGE024
、所述第二特征图
Figure 790761DEST_PATH_IMAGE025
和所述响应性特征图的每个位置的特征值。
与现有技术相比，本申请提供的用于电子级二氟甲烷制备的精馏控制系统及其控制方法，所述用于电子级二氟甲烷制备的精馏控制系统包括反应器、回流塔、脱气塔、精馏塔和控制器，其中，所述控制器内部署有基于人工智能的参数控制算法以基于所述精馏控制系统的全局情况来动态地调整所述精馏塔的精馏控制参数，通过这样的方式，从优化控制的角度来提高电子级二氟甲烷的提纯精度。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的用于电子级二氟甲烷制备的精馏控制系统的框图示意图。
图2图示了根据本申请实施例的所述用于电子级二氟甲烷制备的精馏控制系统中控制器的框图示意图。
图3为根据本申请实施例的用于电子级二氟甲烷制备的精馏控制系统的控制方法的流程图。
图4为根据本申请实施例的用于电子级二氟甲烷制备的精馏控制系统的控制方法的架构示意图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
场景概述
如前所述，二氟甲烷（R32）是一种热力学性能良好的氟利昂替代物。R32的ODP为0，GWP值很低，R32与其他组份形成的共沸物、近共沸混合物（如R407C、R410A 等）被看作是最具潜力的R22的替代品。目前R32生产广泛使用液相氟化法，反应混合气中除主反应生成的HCl和R32外，还有中间产物R31，其他副反应生成的R23，R22，R40，R21，R143a，R50，以及夹带的少量原料R30和HF。
电子级的二氟甲烷的纯度高达99.9999%，这对现有的二氟甲烷的制备工艺提出了更高的要求。现有的厂商主要通过两个技术路线来提高二氟甲烷的纯度，一个技术方向为改变二氟甲烷的制备原理（本质上是化学方向），另一个技术方向是优化二氟甲烷的提纯工艺（本质上是物理方向），但不管是化学方向还是物理方向，最终都需要提纯工艺的优化（尤其是精馏工艺）才能够制备出满足纯度要求的电子级二氟甲烷。
在现有的精馏工艺中，精馏系统中各个部分的控制参数往往基于预定值来设定，无法基于实际的情况来动态调整优化。同时，精馏系统中各个部分的控制参数之间存在关联，单一考虑各个部分的情况无法做到全局最优，即，无法使得最终获得的二氟甲烷的纯度满足预设要求。因此，为了能够确保二氟甲烷的纯度满足预设要求，期待一种用于电子级二氟甲烷制备的精馏控制系统。
近年来，目前，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、语音信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。
深度学习以及神经网络的发展为精馏塔的参数动态控制提供了新的解决思路和方案。
具体地，在本申请的技术方案中，首先获取多个预定时间点的所述精馏系统的多个控制参数，所述多个控制参数包括：所述回流塔的压力、所述回流塔的温度、所述脱气塔的压力、所述脱气塔的温度、所述精馏塔的压力和所述精馏塔的温度，同时，获取所述多个预定时间点的所述精馏产物的气相色谱图。然后，将所述多个预定时间点的精馏产物的气相色谱图通过使用三维卷积核的第一卷积神经网络以获得第一特征图，特别地，使用三维卷积核的所述第一卷积神经网络能够有效地提取所述精馏产物的动态变化特征。同时，将各个所述预定时间点的多个控制参数通过包含嵌入层的上下文编码器以获得多个特征向量，并将多个特征向量进行级联以获得对应于各个预定时间点的第一特征向量。特别地，所述上下文编码器能够对各项参数进行基于上下文语义的全局编码以提取出各项参数的高维隐含特征和各项参数之间的全局高维隐含特征。然后，将所述各个预定时间点的第一特征向量进行二维排列为特征矩阵后通过第二卷积神经网络以获得第二特征图，也就是，使用第二卷积神经网络来提取出各个时间点之间的参数之间的隐性关联。接着，融合第一特征图和第二特征图并通过分类器就可以获得当期待控制参数的控制结果。
然而，在计算所述第一特征图
Figure 369641DEST_PATH_IMAGE026
对所述第二特征图
Figure 585333DEST_PATH_IMAGE027
的响应性估计时，由于第一特征图
Figure 933268DEST_PATH_IMAGE028
所表达的气相色谱特征是以三维卷积核的局部三维关联特征提取为基础的，其更聚焦于局部特征表达，因此在计算响应性时容易导致对全局响应性的依赖度低。基于此，使用基于局部和整体之间的表征信息关系的归一化表达来计算，具体为：
Figure 14095DEST_PATH_IMAGE009
其中
Figure 955637DEST_PATH_IMAGE029
、
Figure 87934DEST_PATH_IMAGE030
和
Figure 946169DEST_PATH_IMAGE031
分别是第一特征图
Figure 840307DEST_PATH_IMAGE032
、第二特征图
Figure 892314DEST_PATH_IMAGE033
和响应性特征图的每个位置的特征值。
这样，通过向响应性估计引入围绕表征信息最小化损失的鲁棒性，来实现特征局部相当于特征整体的响应性的聚合性，从而提高响应性特征图对于所述第一特征图
Figure 61259DEST_PATH_IMAGE034
对所述第二特征图
Figure 619672DEST_PATH_IMAGE035
的期望响应性的全局依赖度，进而提高最终分类的准确度。
基于此，本申请提出了一种用于电子级二氟甲烷制备的精馏控制系统，其包括：反应器，用于接收二氟甲烷和氟化氢，其中，所述二氟甲烷和所述氟化氢在催化剂的催化作用下发生反应以生成包含二氟甲烷的第一生成混合气，所述催化剂被装填于所述反应器内；回流塔，用于接收所述包含二氟甲烷的第一生成混合气并从所述包含二氟甲烷的生成混合气中分离出所述氟化氢、所述二氟甲烷和所述一氟一氯甲烷以得到第二生成混合气；脱气塔，用于接收所述第二生成混合气并除去所述第二生成混合气中的三氟甲烷和甲烷以得到第三生成混合气；精馏塔，用于接收所述第三生成混合气并对所述第三生成混合气进行精馏以得到精馏产物，所述精馏产物为纯度大于等于99.9999%的电子级二氟甲烷；以及，控制器，用于：获取多个预定时间点的所述精馏系统的多个控制参数，所述多个控制参数包括：所述回流塔的压力、所述回流塔的温度、所述脱气塔的压力、所述脱气塔的温度、所述精馏塔的压力和所述精馏塔的温度；获取所述多个预定时间点的所述精馏产物的气相色谱图；将所述多个预定时间点的精馏产物的气相色谱图通过使用三维卷积核的第一卷积神经网络以获得第一特征图；将各个所述预定时间点的多个控制参数通过包含嵌入层的上下文编码器以获得多个特征向量，并将多个特征向量进行级联以获得对应于各个预定时间点的第一特征向量；将所述各个预定时间点的第一特征向量进行二维排列为特征矩阵后通过第二卷积神经网络以获得第二特征图；使用基于局部和整体之间的表征信息关系的归一化来计算所述第一特征图和第二特征图之间的响应性估计以获得响应性特征图，其中，所述使用基于局部和整体之间的表征信息关系的归一化为以所述第一特征图中各个位置的特征值与一之和的对数函数值除以所述第二特征图中所有位置的特征值的求和与一之和的对数函数值；以及，将所述响应性特征图通过分类器以获得分类结果，所述分类结果用于表示所述精馏塔的压力应增大或应减小，所述精馏塔的温度应增大或应减小。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性系统
图2图示了根据本申请实施例的用于电子级二氟甲烷制备的精馏控制系统的流程图。如图2所示，根据本申请实施例的用于电子级二氟甲烷制备的精馏控制系统 200，包括：反应器 210、回流塔 220、脱气塔 230和精馏塔 240和控制器 250。
相应地，所述反应器 210，用于接收二氯甲烷和氟化氢，其中，所述二氯甲烷和所述氟化氢在催化剂的催化作用下发生反应以生成包含二氟甲烷的第一生成混合气，所述催化剂被装填于所述反应器内。也就是说，所述反应器 210是通过化学反应生成二氟甲烷的粗制品的场所。特别地，在本申请一个具体的示例张艳红，所述二氟甲烷采用气相氟化工艺制程，其化学反应过程包括：
CH2Cl2 + HF → CH2ClF + HCl
CH2ClF+ HF →CH2F2 + HCL；
当然，在本申请其他示例中，所述二氟甲烷还可以通过其他原理制程，对此，并不为本申请所局限。
所述回流塔 220，用于接收所述包含二氟甲烷的第一生成混合气并从所述包含二氟甲烷的生成混合气中分离出所述氟化氢、所述二氟甲烷和所述一氟一氯甲烷以得到第二生成混合气。也就是说，从所述反应器 210输出的所述所述包含二氟甲烷的第一生成混合气在输入所述回流塔 220后，所述回流塔 220通过其酸气分离系统依次分离出HF和HCl。
所述脱气塔 230，用于接收所述第二生成混合气并除去所述第二生成混合气中的三氟甲烷和甲烷以得到第三生成混合气。具体地，考虑到所述三氟甲烷和甲烷具有相对较低的沸点，因此，在所述第二生成混合气进入所述脱气塔 230内后，所述脱气塔能够通过利用所述第二生成混合气中不同成分具有不同的沸点来滤除低沸杂质三氟甲烷和甲烷（即，R23和R50）。
所述精馏塔 240，用于接收所述第三生成混合气并对所述第三生成混合气进行精馏以得到精馏产物，所述精馏产物为纯度大于等于99.9999%的电子级二氟甲烷。也就是说，利用所述精馏塔 240对所述第三生成混合气进行提纯以制得所述电子级二氟甲烷。
值得一提的是，在本申请实施例中，所述反应器 210、所述回流塔 220、所述脱气塔 230和所述精馏塔 240可采用任何现有的设备来构建所述精馏控制系统。相较于传统的精馏控制系统，本申请发明人从控制端的角度来优化一氟甲烷的精馏提纯精度。
如前所述，电子级的二氟甲烷的纯度高达99.9999%，这对现有的二氟甲烷的制备工艺提出了更高的要求。现有的厂商主要通过两个技术路线来提高二氟甲烷的纯度，一个技术方向为改变二氟甲烷的制备原理（本质上是化学方向），另一个技术方向是优化二氟甲烷的提纯工艺（本质上是物理方向），但不管是化学方向还是物理方向，最终都需要提纯工艺的优化（尤其是精馏工艺）才能够制备出满足纯度要求的电子级二氟甲烷。
然而，在现有的精馏工艺中，精馏系统中各个部分的控制参数往往基于预定值来设定，无法基于实际的情况来动态调整优化。同时，精馏系统中各个部分的控制参数之间存在关联，单一考虑各个部分的情况无法做到全局最优，即，无法使得最终获得的二氟甲烷的纯度满足预设要求。因此，为了能够确保二氟甲烷的纯度满足预设要求，本申请发明人尝试从优化控制的角度来提高电子级二氟甲烷的提纯精度。
具体地，如图1所示，根据本申请实施例的所述用于电子级二氟甲烷制备的精馏控制系统 200，进一步包括所述控制器 250，其中，所述控制器内部署有基于人工智能的参数控制算法以基于所述精馏控制系统的全局情况来动态地调整所述精馏塔的精馏控制参数，通过这样的方式，从优化控制的角度来提高电子级二氟甲烷的提纯精度。
相应地，在本申请实施例中，所述控制器 250，用于：获取多个预定时间点的所述精馏系统的多个控制参数，所述多个控制参数包括：所述回流塔的压力、所述回流塔的温度、所述脱气塔的压力、所述脱气塔的温度、所述精馏塔的压力和所述精馏塔的温度；获取所述多个预定时间点的所述精馏产物的气相色谱图；将所述多个预定时间点的精馏产物的气相色谱图通过使用三维卷积核的第一卷积神经网络以获得第一特征图；将各个所述预定时间点的多个控制参数通过包含嵌入层的上下文编码器以获得多个特征向量，并将多个特征向量进行级联以获得对应于各个预定时间点的第一特征向量；将所述各个预定时间点的第一特征向量进行二维排列为特征矩阵后通过第二卷积神经网络以获得第二特征图；使用基于局部和整体之间的表征信息关系的归一化来计算所述第一特征图和第二特征图之间的响应性估计以获得响应性特征图，其中，所述使用基于局部和整体之间的表征信息关系的归一化为以所述第一特征图中各个位置的特征值与一之和的对数函数值除以所述第二特征图中所有位置的特征值的求和与一之和的对数函数值；以及，将所述响应性特征图通过分类器以获得分类结果，所述分类结果用于表示所述精馏塔的压力应增大或应减小，所述精馏塔的温度应增大或应减小。
图2图示了根据本申请实施例的所述用于电子级二氟甲烷制备的精馏控制系统中控制器的框图示意图。如图2所示，所述控制器 250，包括：参数获取单元 251，用于获取多个预定时间点的所述精馏系统的多个控制参数，所述多个控制参数包括：所述回流塔的压力、所述回流塔的温度、所述脱气塔的压力、所述脱气塔的温度、所述精馏塔的压力和所述精馏塔的温度；产物数据获取单元 252，用于获取所述多个预定时间点的所述精馏产物的气相色谱图；卷积编码单元 253，用于将所述多个预定时间点的精馏产物的气相色谱图通过使用三维卷积核的第一卷积神经网络以获得第一特征图；上下文编码单元 254，用于将各个所述预定时间点的多个控制参数通过包含嵌入层的上下文编码器以获得多个特征向量，并将多个特征向量进行级联以获得对应于各个预定时间点的第一特征向量；关联模式提取单元 255，用于将所述各个预定时间点的第一特征向量进行二维排列为特征矩阵后通过第二卷积神经网络以获得第二特征图；多感受野归一化单元256，用于使用基于局部和整体之间的表征信息关系的归一化来计算所述第一特征图和第二特征图之间的响应性估计以获得响应性特征图，其中，所述使用基于局部和整体之间的表征信息关系的归一化为以所述第一特征图中各个位置的特征值与一之和的对数函数值除以所述第二特征图中所有位置的特征值的求和与一之和的对数函数值；以及，控制结果生成单元 257，用于将所述响应性特征图通过分类器以获得分类结果，所述分类结果用于表示所述精馏塔的压力应增大或应减小，所述精馏塔的温度应增大或应减小。
具体地，在本申请实施例中，在所述控制器 250的参数获取单元 251和所述产物数据获取单元 252中，所述精馏控制系统的多个控制参数和精馏产物数据被采集。在具体实施中，可通过设置于精馏系统的多个温度和压力传感器获取多个预定时间点的所述精馏系统的多个控制参数，且通过气相色谱仪获取所述多个预定时间点的所述精馏塔排出的精馏产物的气相色谱图，也就是说，获取所述精馏控制系统的全局参数。
具体地，在本申请实施例中，在所述控制器 250的卷积编码单元 253，中，将所述多个预定时间点的精馏产物的气相色谱图通过使用三维卷积核的第一卷积神经网络以获得第一特征图。也就是，在本申请的技术方案中，进一步将所述多个预定时间点的精馏产物的气相色谱图通过使用三维卷积核的第一卷积神经网络中进行处理，以提取出所述精馏产物的气相色谱图在时序维度上的局部关联特征，从而获得第一特征图。特别地，这里，使用三维卷积核的所述第一卷积神经网络能够有效地提取所述精馏产物的动态变化特征。
更具体地，在本申请实施例中，将所述多个预定时间点的精馏产物的气相色谱图通过使用三维卷积核的第一卷积神经网络以获得第一特征图的过程，包括：以如下公式将所述多个预定时间点的精馏产物的气相色谱图通过使用三维卷积核的第一卷积神经网络以获得第一特征图；其中，所述公式为：
Figure 419132DEST_PATH_IMAGE001
其中，
Figure 958436DEST_PATH_IMAGE002
、
Figure 806437DEST_PATH_IMAGE003
和
Figure 16095DEST_PATH_IMAGE004
分别表示三维卷积核的长度、宽度和高度，m表示第
Figure 173407DEST_PATH_IMAGE005
层特征图的个数，
Figure 278635DEST_PATH_IMAGE006
是与
Figure 179595DEST_PATH_IMAGE007
层的第m个特征图相连的卷积核，
Figure 883240DEST_PATH_IMAGE036
为偏置，f表示激活函数。
具体地，在本申请实施例中，在所述控制器 250的上下文编码单元 254中，用于将各个所述预定时间点的多个控制参数通过包含嵌入层的上下文编码器以获得多个特征向量，并将多个特征向量进行级联以获得对应于各个预定时间点的第一特征向量。应可以理解，所述精馏系统中各个部分的控制参数之间存在关联，单一考虑各个所述部分的情况无法做到全局最优。因此，在本申请的技术方案中，进一步将各个所述预定时间点的多个控制参数通过包含嵌入层的上下文编码器中进行全局编码处理，以提取出各项参数的高维隐含特征和各项参数之间的全局高维隐含特征，从而获得多个特征向量。这样，就可以将多个特征向量进行级联以获得对应于各个预定时间点的第一特征向量，进而便于后续的特征提取。
更具体地，在本申请实施例中，将各个所述预定时间点的多个控制参数通过包含嵌入层的上下文编码器以获得多个特征向量，并将多个特征向量进行级联以获得对应于各个预定时间点的第一特征向量的过程，包括：首先，使用所述包含嵌入层的上下文的编码器模型的嵌入层分别将各个所述预定时间点的多个控制参数转化为输入向量以获得参数输入向量的序列。然后，使用所述包含嵌入层的上下文的编码器模型的转换器对所述参数输入向量的序列进行基于全局的上下文语义编码以获得所述多个特征向量。最后，将多个特征向量进行级联以获得对应于各个预定时间点的第一特征向量。
具体地，在本申请实施例中，在所述控制器 250的关联模式提取单元 255中，用于将所述各个预定时间点的第一特征向量进行二维排列为特征矩阵后通过第二卷积神经网络以获得第二特征图。也就是，在本申请的技术方案中，在得到所述第一特征向量后，将所述各个预定时间点的第一特征向量进行二维排列为特征矩阵后通过第二卷积神经网络中进行处理，以提取出所述各个时间点之间的参数之间的隐性关联特征，从而获得第二特征图。相应地，在一个具体示例中，通过所述第二卷积神经网络的各层在层的正向传递中对输入数据进行卷积处理、沿通道维度的池化处理和激活处理以由所述第二卷积神经网络的最后一层生成所述第二特征图，其中，所述第二卷积神经网络的第一层的输入为所述特征矩阵。
具体地，在本申请实施例中，在所述控制器 250的多感受野归一化单元256中，用于使用基于局部和整体之间的表征信息关系的归一化来计算所述第一特征图和第二特征图之间的响应性估计以获得响应性特征图，其中，所述使用基于局部和整体之间的表征信息关系的归一化为以所述第一特征图中各个位置的特征值与一之和的对数函数值除以所述第二特征图中所有位置的特征值的求和与一之和的对数函数值。应可以理解，在得到所述第一特征图和所述第二特征图后，就可以进一步融合所述第一特征图和所述第二特征图并通过分类器以获得当期待控制参数的控制结果。但是，在计算所述第一特征图
Figure 576565DEST_PATH_IMAGE037
对所述第二特征图
Figure 326346DEST_PATH_IMAGE038
的响应性估计时，由于第一特征图
Figure 608161DEST_PATH_IMAGE037
所表达的气相色谱特征是以三维卷积核的局部三维关联特征提取为基础的，其更聚焦于局部特征表达，因此在计算响应性时容易导致对全局响应性的依赖度低。因此，在本申请的技术方案中，进一步使用基于局部和整体之间的表征信息关系的归一化表达来计算所述第一特征图和第二特征图之间的响应性估计以获得响应性特征图。
更具体地，在本申请实施例中，使用基于局部和整体之间的表征信息关系的归一化来计算所述第一特征图和第二特征图之间的响应性估计以获得响应性特征图的过程，包括：使用基于局部和整体之间的表征信息关系的归一化以如下公式来计算所述第一特征图和第二特征图之间的响应性估计以获得响应性特征图；
其中，所述公式为：
Figure 884422DEST_PATH_IMAGE009
其中
Figure 993323DEST_PATH_IMAGE039
、
Figure 731865DEST_PATH_IMAGE040
和
Figure 725360DEST_PATH_IMAGE041
分别是所述第一特征图
Figure 964449DEST_PATH_IMAGE042
、所述第二特征图
Figure 837727DEST_PATH_IMAGE043
和所述响应性特征图的每个位置的特征值。应可以理解，这样，通过向所述响应性估计引入围绕表征信息最小化损失的鲁棒性，来实现特征局部相当于特征整体的响应性的聚合性，从而提高所述响应性特征图对于所述第一特征图
Figure 797987DEST_PATH_IMAGE037
对所述第二特征图
Figure 188648DEST_PATH_IMAGE043
的期望响应性的全局依赖度，进而提高分类的准确度。
具体地，在本申请实施例中，在所述控制器 250的控制结果生成单元 257中，用于将所述响应性特征图通过分类器以获得分类结果，所述分类结果用于表示所述精馏塔的压力应增大或应减小，所述精馏塔的温度应增大或应减小。也就是，在本申请的技术方案中，在得到所述响应性特征图后，进一步将所述响应性特征图通过分类器以获得用于表示所述精馏塔的压力应增大或应减小，所述精馏塔的温度应增大或应减小的分类结果。相应地，在一个具体示例中，所述分类器以如下公式对所述响应性特征图进行处理以生成分类结果，其中，所述公式为：
Figure 423189DEST_PATH_IMAGE044
，其中
Figure 139472DEST_PATH_IMAGE045
表示将所述响应性特征图投影为向量，
Figure 741355DEST_PATH_IMAGE046
至
Figure 702751DEST_PATH_IMAGE047
为各层全连接层的权重矩阵，
Figure 683476DEST_PATH_IMAGE048
至
Figure 944562DEST_PATH_IMAGE049
表示各层全连接层的偏置矩阵。
综上，基于本申请实施例的所述用于电子级二氟甲烷制备的精馏控制系统 200被阐明，其通过使用三维卷积核的第一卷积神经网络从多个预定时间点的所述精馏产物的气相色谱图中提取所述精馏产物的动态变化特征，并使用上下文编码器提取出所述多个预定时间点的各项控制参数的高维隐含特征和各项参数之间的全局高维隐含特征，进一步使用基于局部和整体之间的表征信息关系的归一化表达来融合这两个特征信息，这样，通过向响应性估计引入围绕表征信息最小化损失的鲁棒性，来实现特征局部相当于特征整体的响应性的聚合性，从而提高响应性特征图对于所述第一特征图对所述第二特征图的期望响应性的全局依赖度。进而，就能够提高分类的准确度。
如上所述，根据本申请实施例的用于电子级二氟甲烷制备的精馏控制系统 200中的控制器 250可以实现在各种终端设备中，例如用于电子级二氟甲烷制备的精馏控制算法的服务器等。在一个示例中，根据本申请实施例的所述控制器 250可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，所述控制器 250可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，所述控制器 250同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，所述控制器 250与该终端设备也可以是分立的设备，并且所述控制器 250可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
示例性方法
图3图示了用于电子级二氟甲烷制备的精馏控制系统的控制方法的流程图。如图3所示，根据本申请实施例的用于电子级二氟甲烷制备的精馏控制系统的控制方法，包括步骤：S110，获取多个预定时间点的所述精馏系统的多个控制参数，所述多个控制参数包括：所述回流塔的压力、所述回流塔的温度、所述脱气塔的压力、所述脱气塔的温度、所述精馏塔的压力和所述精馏塔的温度；S120，获取所述多个预定时间点的所述精馏产物的气相色谱图；S130，将所述多个预定时间点的精馏产物的气相色谱图通过使用三维卷积核的第一卷积神经网络以获得第一特征图；S140，将各个所述预定时间点的多个控制参数通过包含嵌入层的上下文编码器以获得多个特征向量，并将多个特征向量进行级联以获得对应于各个预定时间点的第一特征向量；S150，将所述各个预定时间点的第一特征向量进行二维排列为特征矩阵后通过第二卷积神经网络以获得第二特征图；S160，使用基于局部和整体之间的表征信息关系的归一化来计算所述第一特征图和第二特征图之间的响应性估计以获得响应性特征图，其中，所述使用基于局部和整体之间的表征信息关系的归一化为以所述第一特征图中各个位置的特征值与一之和的对数函数值除以所述第二特征图中所有位置的特征值的求和与一之和的对数函数值；以及，S170，将所述响应性特征图通过分类器以获得分类结果，所述分类结果用于表示所述精馏塔的压力应增大或应减小，所述精馏塔的温度应增大或应减小。
图4图示了根据本申请实施例的用于电子级二氟甲烷制备的精馏控制系统的控制方法的架构示意图。如图4所示，在所述用于电子级二氟甲烷制备的精馏控制系统的控制方法的网络架构中，首先，将获得的所述多个预定时间点的精馏产物的气相色谱图（例如，如图4中所示意的P1）通过使用三维卷积核的第一卷积神经网络（例如，如图4中所示意的CNN1）以获得第一特征图（例如，如图4中所示意的F1）；S140，将各个所述预定时间点的多个控制参数（例如，如图4中所示意的P2）通过包含嵌入层的上下文编码器（例如，如图4中所示意的E）以获得多个特征向量（例如，如图4中所示意的VF1），并将多个特征向量进行级联以获得对应于各个预定时间点的第一特征向量（例如，如图4中所示意的VF2）；S150，将所述各个预定时间点的第一特征向量进行二维排列为特征矩阵（例如，如图4中所示意的MF）后通过第二卷积神经网络（例如，如图4中所示意的CNN2）以获得第二特征图（例如，如图4中所示意的F2）；S160，使用基于局部和整体之间的表征信息关系的归一化来计算所述第一特征图和第二特征图之间的响应性估计以获得响应性特征图（例如，如图4中所示意的F）；以及，最后，将所述响应性特征图通过分类器（例如，如图4中所示意的分类器）以获得分类结果，所述分类结果用于表示所述精馏塔的压力应增大或应减小，所述精馏塔的温度应增大或应减小。
更具体地，在步骤S110和S120中，获取多个预定时间点的所述精馏系统的多个控制参数，所述多个控制参数包括：所述回流塔的压力、所述回流塔的温度、所述脱气塔的压力、所述脱气塔的温度、所述精馏塔的压力和所述精馏塔的温度，并获取所述多个预定时间点的所述精馏产物的气相色谱图。应可以理解，在现有的精馏工艺中，精馏系统中各个部分的控制参数往往基于预定值来设定，无法基于实际的情况来动态调整优化。同时，所述精馏系统中各个部分的控制参数之间存在关联，单一考虑各个部分的情况无法做到全局最优，即，无法使得最终获得的二氟甲烷的纯度满足预设要求。
因此，在本申请的技术方案中，首先，通过气相色谱仪获取所述多个预定时间点的所述精馏塔排出的精馏产物的气相色谱图，并且通过设置于精馏系统的多个温度和压力传感器获取多个预定时间点的所述精馏系统的多个控制参数，这里，所述多个控制参数包括：所述回流塔的压力、所述回流塔的温度、所述脱气塔的压力、所述脱气塔的温度、所述精馏塔的压力和所述精馏塔的温度。
更具体地，在步骤S130中，将所述多个预定时间点的精馏产物的气相色谱图通过使用三维卷积核的第一卷积神经网络以获得第一特征图。也就是，在本申请的技术方案中，进一步将所述多个预定时间点的精馏产物的气相色谱图通过使用三维卷积核的第一卷积神经网络中进行处理，以提取出所述精馏产物的气相色谱图在时序维度上的局部关联特征，从而获得第一特征图。特别地，这里，使用三维卷积核的所述第一卷积神经网络能够有效地提取所述精馏产物的动态变化特征。
更具体地，在步骤S140和步骤S150中，将各个所述预定时间点的多个控制参数通过包含嵌入层的上下文编码器以获得多个特征向量，并将多个特征向量进行级联以获得对应于各个预定时间点的第一特征向量，再将所述各个预定时间点的第一特征向量进行二维排列为特征矩阵后通过第二卷积神经网络以获得第二特征图。应可以理解，所述精馏系统中各个部分的控制参数之间存在关联，单一考虑各个所述部分的情况无法做到全局最优。因此，在本申请的技术方案中，进一步将各个所述预定时间点的多个控制参数通过包含嵌入层的上下文编码器中进行全局编码处理，以提取出各项参数的高维隐含特征和各项参数之间的全局高维隐含特征，从而获得多个特征向量。这样，就可以将多个特征向量进行级联以获得对应于各个预定时间点的第一特征向量，进而便于后续的特征提取。
进一步地，将所述各个预定时间点的第一特征向量进行二维排列为特征矩阵后通过第二卷积神经网络中进行处理，以提取出所述各个时间点之间的参数之间的隐性关联特征，从而获得第二特征图。相应地，在一个具体示例中，通过所述第二卷积神经网络的各层在层的正向传递中对输入数据进行卷积处理、沿通道维度的池化处理和激活处理以由所述第二卷积神经网络的最后一层生成所述第二特征图，其中，所述第二卷积神经网络的第一层的输入为所述特征矩阵。
更具体地，在步骤S160中，使用基于局部和整体之间的表征信息关系的归一化来计算所述第一特征图和第二特征图之间的响应性估计以获得响应性特征图，其中，所述使用基于局部和整体之间的表征信息关系的归一化为以所述第一特征图中各个位置的特征值与一之和的对数函数值除以所述第二特征图中所有位置的特征值的求和与一之和的对数函数值。应可以理解，在得到所述第一特征图和所述第二特征图后，就可以进一步融合所述第一特征图和所述第二特征图并通过分类器以获得当期待控制参数的控制结果。但是，在计算所述第一特征图
Figure 643528DEST_PATH_IMAGE050
对所述第二特征图
Figure 623596DEST_PATH_IMAGE051
的响应性估计时，由于第一特征图
Figure 458828DEST_PATH_IMAGE052
所表达的气相色谱特征是以三维卷积核的局部三维关联特征提取为基础的，其更聚焦于局部特征表达，因此在计算响应性时容易导致对全局响应性的依赖度低。因此，在本申请的技术方案中，进一步使用基于局部和整体之间的表征信息关系的归一化表达来计算所述第一特征图和第二特征图之间的响应性估计以获得响应性特征图。应可以理解，这样，通过向所述响应性估计引入围绕表征信息最小化损失的鲁棒性，来实现特征局部相当于特征整体的响应性的聚合性，从而提高所述响应性特征图对于所述第一特征图
Figure 812187DEST_PATH_IMAGE042
对所述第二特征图
Figure 608236DEST_PATH_IMAGE053
的期望响应性的全局依赖度，进而提高分类的准确度。
更具体地，在步骤S170中，将所述响应性特征图通过分类器以获得分类结果，所述分类结果用于表示所述精馏塔的压力应增大或应减小，所述精馏塔的温度应增大或应减小。也就是，在本申请的技术方案中，在得到所述响应性特征图后，进一步将所述响应性特征图通过分类器以获得用于表示所述精馏塔的压力应增大或应减小，所述精馏塔的温度应增大或应减小的分类结果。相应地，在一个具体示例中，所述分类器以如下公式对所述响应性特征图进行处理以生成分类结果，其中，所述公式为：
Figure 645855DEST_PATH_IMAGE054
，其中
Figure 397911DEST_PATH_IMAGE055
表示将所述响应性特征图投影为向量，
Figure 938482DEST_PATH_IMAGE056
至
Figure 51188DEST_PATH_IMAGE057
为各层全连接层的权重矩阵，
Figure 656613DEST_PATH_IMAGE058
至
Figure 433814DEST_PATH_IMAGE059
表示各层全连接层的偏置矩阵。
综上，基于本申请实施例的所述用于电子级二氟甲烷制备的精馏控制系统的控制方法被阐明，其通过使用三维卷积核的第一卷积神经网络从多个预定时间点的所述精馏产物的气相色谱图中提取所述精馏产物的动态变化特征，并使用上下文编码器提取出所述多个预定时间点的各项控制参数的高维隐含特征和各项参数之间的全局高维隐含特征，进一步使用基于局部和整体之间的表征信息关系的归一化表达来融合这两个特征信息，这样，通过向响应性估计引入围绕表征信息最小化损失的鲁棒性，来实现特征局部相当于特征整体的响应性的聚合性，从而提高响应性特征图对于所述第一特征图对所述第二特征图的期望响应性的全局依赖度。进而，就能够提高分类的准确度。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。

Claims (10)

1.一种用于电子级二氟甲烷制备的精馏控制系统，其特征在于，包括：反应器，用于接收二氯甲烷和氟化氢，其中，所述二氯甲烷和所述氟化氢在催化剂的催化作用下发生反应以生成包含二氟甲烷的第一生成混合气，所述催化剂被装填于所述反应器内；回流塔，用于接收所述包含二氟甲烷的第一生成混合气并从所述包含二氟甲烷的生成混合气中分离出所述氟化氢、所述二氟甲烷和所述一氟一氯甲烷以得到第二生成混合气；脱气塔，用于接收所述第二生成混合气并除去所述第二生成混合气中的三氟甲烷和甲烷以得到第三生成混合气；精馏塔，用于接收所述第三生成混合气并对所述第三生成混合气进行精馏以得到精馏产物，所述精馏产物为纯度大于等于99.9999%的电子级二氟甲烷；以及控制器，用于基于所述精馏控制系统的全局参数来动态地控制所述精馏塔的温度和压力，所述精馏控制系统的全局参数包括所述回流塔的压力、所述回流塔的温度、所述脱气塔的压力、所述脱气塔的温度、所述精馏塔的压力和所述精馏塔的温度。
2.根据权利要求1所述的用于电子级二氟甲烷制备的精馏控制系统，其中，所述控制器，用于：获取多个预定时间点的所述精馏系统的多个控制参数，所述多个控制参数包括：所述回流塔的压力、所述回流塔的温度、所述脱气塔的压力、所述脱气塔的温度、所述精馏塔的压力和所述精馏塔的温度；获取所述多个预定时间点的所述精馏产物的气相色谱图；将所述多个预定时间点的精馏产物的气相色谱图通过使用三维卷积核的第一卷积神经网络以获得第一特征图；将各个所述预定时间点的多个控制参数通过包含嵌入层的上下文编码器以获得多个特征向量，并将多个特征向量进行级联以获得对应于各个预定时间点的第一特征向量；将所述各个预定时间点的第一特征向量进行二维排列为特征矩阵后通过第二卷积神经网络以获得第二特征图；使用基于局部和整体之间的表征信息关系的归一化来计算所述第一特征图和第二特征图之间的响应性估计以获得响应性特征图，其中，所述使用基于局部和整体之间的表征信息关系的归一化为以所述第一特征图中各个位置的特征值与一之和的对数函数值除以所述第二特征图中所有位置的特征值的求和与一之和的对数函数值；以及将所述响应性特征图通过分类器以获得分类结果，所述分类结果用于表示所述精馏塔的压力应增大或应减小，所述精馏塔的温度应增大或应减小。
3.根据权利要求2所述的用于电子级二氟甲烷制备的精馏控制系统，其中，所述控制器，进一步用于：使用所述使用三维卷积核的第一卷积神经网络以如下公式对所述多个预定时间点的精馏产物的气相色谱图进行编码以获得所述第一特征图；其中，所述公式为：
Figure 856305DEST_PATH_IMAGE001
其中，
Figure 32202DEST_PATH_IMAGE002
、
Figure 863366DEST_PATH_IMAGE003
和
Figure 630465DEST_PATH_IMAGE004
分别表示三维卷积核的长度、宽度和高度，m表示第
Figure 391485DEST_PATH_IMAGE005
层特征图的个数，
Figure 292445DEST_PATH_IMAGE006
是与
Figure 855144DEST_PATH_IMAGE007
层的第m个特征图相连的卷积核，
Figure 435555DEST_PATH_IMAGE008
为偏置，f表示激活函数。
4.根据权利要求2所述的用于电子级二氟甲烷制备的精馏控制系统，其中，所述控制器，包括：嵌入转化单元，用于使用所述包含嵌入层的上下文的编码器模型的嵌入层分别将各个所述预定时间点的多个控制参数转化为输入向量以获得参数输入向量的序列；上下文编码单元，用于使用所述包含嵌入层的上下文的编码器模型的转换器对所述参数输入向量的序列进行基于全局的上下文语义编码以获得所述多个特征向量；以及级联单元，用于将多个特征向量进行级联以获得对应于各个预定时间点的第一特征向量。
5.根据权利要求4所述的用于电子级二氟甲烷制备的精馏控制系统，其中，所述控制器，进一步用于：将所述各个预定时间点的第一特征向量进行二维排列以获得特征矩阵；通过所述第二卷积神经网络的各层在层的正向传递中分别对输入数据进行卷积处理、沿通道维度的池化处理和激活处理以由所述第二卷积神经网络的最后一层生成所述第二特征图，其中，所述第二卷积神经网络的第一层的输入为所述特征矩阵。
6.根据权利要求5所述的用于电子级二氟甲烷制备的精馏控制系统，其中，所述控制器，进一步用于：使用基于局部和整体之间的表征信息关系的归一化以如下公式来计算所述第一特征图和第二特征图之间的响应性估计以获得所述响应性特征图；其中，所述公式为：
Figure 450915DEST_PATH_IMAGE009
其中
Figure 467151DEST_PATH_IMAGE010
、
Figure 884357DEST_PATH_IMAGE011
和
Figure 229144DEST_PATH_IMAGE012
分别是所述第一特征图
Figure 590855DEST_PATH_IMAGE013
、所述第二特征图
Figure 286147DEST_PATH_IMAGE014
和所述响应性特征图的每个位置的特征值。
7.根据权利要求6所述的用于电子级二氟甲烷制备的精馏控制系统，其中，所述控制器，进一步用于：使用所述分类器以如下公式对所述响应性特征图进行处理以生成分类结果；
其中，所述公式为：
Figure 948073DEST_PATH_IMAGE015
，其中
Figure 493455DEST_PATH_IMAGE016
表示将所述响应性特征图投影为向量，
Figure 594659DEST_PATH_IMAGE017
至
Figure 250900DEST_PATH_IMAGE018
为各层全连接层的权重矩阵，
Figure 610075DEST_PATH_IMAGE019
至
Figure 60779DEST_PATH_IMAGE020
表示各层全连接层的偏置矩阵。
8.一种控制方法，其特征在于，包括：获取多个预定时间点的精馏系统的多个控制参数，所述多个控制参数包括：回流塔的压力、所述回流塔的温度、脱气塔的压力、所述脱气塔的温度、精馏塔的压力和所述精馏塔的温度；获取所述多个预定时间点的精馏产物的气相色谱图；将所述多个预定时间点的精馏产物的气相色谱图通过使用三维卷积核的第一卷积神经网络以获得第一特征图；将各个所述预定时间点的多个控制参数通过包含嵌入层的上下文编码器以获得多个特征向量，并将多个特征向量进行级联以获得对应于各个预定时间点的第一特征向量；将所述各个预定时间点的第一特征向量进行二维排列为特征矩阵后通过第二卷积神经网络以获得第二特征图；使用基于局部和整体之间的表征信息关系的归一化来计算所述第一特征图和第二特征图之间的响应性估计以获得响应性特征图，其中，所述使用基于局部和整体之间的表征信息关系的归一化为以所述第一特征图中各个位置的特征值与一之和的对数函数值除以所述第二特征图中所有位置的特征值的求和与一之和的对数函数值；以及将所述响应性特征图通过分类器以获得分类结果，所述分类结果用于表示所述精馏塔的压力应增大或应减小，所述精馏塔的温度应增大或应减小。
9.根据权利要求8所述的用于电子级二氟甲烷制备的精馏控制系统的控制方法，其中，将各个所述预定时间点的多个控制参数通过包含嵌入层的上下文编码器以获得多个特征向量，并将多个特征向量进行级联以获得对应于各个预定时间点的第一特征向量，包括：使用所述包含嵌入层的上下文的编码器模型的嵌入层分别将各个所述预定时间点的多个控制参数转化为输入向量以获得参数输入向量的序列；使用所述包含嵌入层的上下文的编码器模型的转换器对所述参数输入向量的序列进行基于全局的上下文语义编码以获得所述多个特征向量；以及将多个特征向量进行级联以获得对应于各个预定时间点的第一特征向量。
10.根据权利要求8所述的用于电子级二氟甲烷制备的精馏控制系统的控制方法，其中，使用基于局部和整体之间的表征信息关系的归一化来计算所述第一特征图和第二特征图之间的响应性估计以获得响应性特征图，包括：使用基于局部和整体之间的表征信息关系的归一化以如下公式来计算所述第一特征图和第二特征图之间的响应性估计以获得响应性特征图；
其中，所述公式为：
Figure 397082DEST_PATH_IMAGE009
其中
Figure 346760DEST_PATH_IMAGE010
、
Figure 61906DEST_PATH_IMAGE011
和
Figure 57413DEST_PATH_IMAGE021
分别是所述第一特征图
Figure 21957DEST_PATH_IMAGE022
、所述第二特征图
Figure 255886DEST_PATH_IMAGE023
和所述响应性特征图的每个位置的特征值。
CN202210465413.1A 2022-04-29 2022-04-29 用于电子级二氟甲烷制备的精馏控制系统及其控制方法 Active CN114768279B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210465413.1A CN114768279B (zh) 2022-04-29 2022-04-29 用于电子级二氟甲烷制备的精馏控制系统及其控制方法
PCT/CN2022/097770 WO2023206724A1 (zh) 2022-04-29 2022-06-09 用于电子级二氟甲烷制备的精馏控制系统及其控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210465413.1A CN114768279B (zh) 2022-04-29 2022-04-29 用于电子级二氟甲烷制备的精馏控制系统及其控制方法

Publications (2)

Publication Number Publication Date
CN114768279A true CN114768279A (zh) 2022-07-22
CN114768279B CN114768279B (zh) 2022-11-11

Family

ID=82435571

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210465413.1A Active CN114768279B (zh) 2022-04-29 2022-04-29 用于电子级二氟甲烷制备的精馏控制系统及其控制方法

Country Status (2)

Country Link
CN (1) CN114768279B (zh)
WO (1) WO2023206724A1 (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115238591A (zh) * 2022-08-12 2022-10-25 杭州国辰智企科技有限公司 动态参数校验与驱动cad自动建模引擎系统
CN115599049A (zh) * 2022-08-31 2023-01-13 福建省龙氟新材料有限公司（Cn） 用于无水氟化氢生产的能源管理控制系统及其控制方法
CN116825217A (zh) * 2023-03-15 2023-09-29 福建省德旭新材料有限公司 制备高纯五氟化磷的方法
WO2024021258A1 (zh) * 2022-07-29 2024-02-01 福建天甫电子材料有限公司 电子级氢氧化钾的智慧产线的控制系统及其控制方法
WO2024098604A1 (zh) * 2022-11-09 2024-05-16 福建德尔科技股份有限公司 用于电子级四氟化碳制备的精馏控制系统及其方法

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117180952B (zh) * 2023-11-07 2024-02-02 湖南正明环保股份有限公司 多向气流料层循环半干法烟气脱硫系统及其方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6413378B1 (en) * 1998-04-07 2002-07-02 Nippon Zeon Co., Ltd. Apparatus for separation and purification of saturated hydrocarbon and method for separation and purification
CN107261541A (zh) * 2017-08-23 2017-10-20 广州百兴网络科技有限公司 一种精馏装置及精馏控制方法
CN108929193A (zh) * 2018-06-28 2018-12-04 江苏三美化工有限公司 一种高纯度二氟甲烷的精馏工艺
CN111144490A (zh) * 2019-12-26 2020-05-12 南京邮电大学 一种基于轮替知识蒸馏策略的细粒度识别方法
KR102139358B1 (ko) * 2020-04-22 2020-07-29 한국생산기술연구원 머신러닝 기반 플랫폼을 이용한 공정제어방법, 그를 수행하기 위한 컴퓨터 프로그램 매체 및 공정제어장치
AU2020104006A4 (en) * 2020-12-10 2021-02-18 Naval Aviation University Radar target recognition method based on feature pyramid lightweight convolutional neural network
CN113987937A (zh) * 2021-10-27 2022-01-28 北京航空航天大学 基于卷积神经网络的热强化sve有害气体浓度检测方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1962015B (zh) * 2006-10-30 2010-04-21 浙江大学 高纯精馏的动态矩阵控制系统和方法
CN100490930C (zh) * 2006-12-26 2009-05-27 浙江大学 基于广义预测控制的精馏塔高纯度精馏控制系统及方法
CN102339040B (zh) * 2010-07-15 2013-06-19 清华大学 精馏塔优化控制方法
CN104635493B (zh) * 2015-01-13 2015-11-18 中国石油大学(华东) 基于温度波模型预测控制的内部热耦合精馏控制方法及装置
US20200108327A1 (en) * 2018-10-08 2020-04-09 Uop Llc High Purity Distillation Process Control
CN112919419B (zh) * 2021-01-29 2022-08-23 福建德尔科技股份有限公司 电子级三氟化氯的精馏纯化系统控制方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6413378B1 (en) * 1998-04-07 2002-07-02 Nippon Zeon Co., Ltd. Apparatus for separation and purification of saturated hydrocarbon and method for separation and purification
CN107261541A (zh) * 2017-08-23 2017-10-20 广州百兴网络科技有限公司 一种精馏装置及精馏控制方法
CN108929193A (zh) * 2018-06-28 2018-12-04 江苏三美化工有限公司 一种高纯度二氟甲烷的精馏工艺
CN111144490A (zh) * 2019-12-26 2020-05-12 南京邮电大学 一种基于轮替知识蒸馏策略的细粒度识别方法
KR102139358B1 (ko) * 2020-04-22 2020-07-29 한국생산기술연구원 머신러닝 기반 플랫폼을 이용한 공정제어방법, 그를 수행하기 위한 컴퓨터 프로그램 매체 및 공정제어장치
AU2020104006A4 (en) * 2020-12-10 2021-02-18 Naval Aviation University Radar target recognition method based on feature pyramid lightweight convolutional neural network
CN113987937A (zh) * 2021-10-27 2022-01-28 北京航空航天大学 基于卷积神经网络的热强化sve有害气体浓度检测方法

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024021258A1 (zh) * 2022-07-29 2024-02-01 福建天甫电子材料有限公司 电子级氢氧化钾的智慧产线的控制系统及其控制方法
CN115238591A (zh) * 2022-08-12 2022-10-25 杭州国辰智企科技有限公司 动态参数校验与驱动cad自动建模引擎系统
CN115238591B (zh) * 2022-08-12 2022-12-27 杭州国辰智企科技有限公司 动态参数校验与驱动cad自动建模引擎系统
CN115599049A (zh) * 2022-08-31 2023-01-13 福建省龙氟新材料有限公司（Cn） 用于无水氟化氢生产的能源管理控制系统及其控制方法
WO2024045244A1 (zh) * 2022-08-31 2024-03-07 福建省龙氟新材料有限公司 用于无水氟化氢生产的能源管理控制系统及其控制方法
WO2024098604A1 (zh) * 2022-11-09 2024-05-16 福建德尔科技股份有限公司 用于电子级四氟化碳制备的精馏控制系统及其方法
CN116825217A (zh) * 2023-03-15 2023-09-29 福建省德旭新材料有限公司 制备高纯五氟化磷的方法
CN116825217B (zh) * 2023-03-15 2024-05-14 福建省德旭新材料有限公司 制备高纯五氟化磷的方法

Also Published As

Publication number Publication date
CN114768279B (zh) 2022-11-11
WO2023206724A1 (zh) 2023-11-02

Similar Documents

Publication Publication Date Title
CN114768279B (zh) 用于电子级二氟甲烷制备的精馏控制系统及其控制方法
CN114870416B (zh) 用于电子级一氟甲烷制备的精馏控制系统及精馏控制方法
CN115259089B (zh) 用于电子级氢氟酸制备的生产管理控制系统及其控制方法
CN115231525B (zh) 电子级三氟化氯的智能分离纯化系统
Qiu et al. Spatio-temporal tuples transformer for skeleton-based action recognition
CN115688592B (zh) 用于电子级四氟化碳制备的精馏控制系统及其方法
WO2024045244A1 (zh) 用于无水氟化氢生产的能源管理控制系统及其控制方法
CN116047987B (zh) 用于电子级缓冲氧化物蚀刻液生产的智能控制系统
CN115291646B (zh) 用于氟化锂制备的能源管理控制系统及其控制方法
CN115240046A (zh) 用于缓冲氧化物蚀刻液生产的自动配料系统及其配料方法
CN115601318B (zh) 快吸收低反渗纸尿裤智能生产方法及其系统
CN115324843A (zh) 基于监测数据的风力发电机组的故障诊断系统及其方法
CN115845428A (zh) 用于诱导六氟磷酸结晶的超声波装置及其控制方法
CN115600140A (zh) 基于多源数据融合的风机变桨系统故障识别方法及其系统
CN106529435A (zh) 基于张量量化的动作识别方法
CN115097884B (zh) 用于电子级氢氟酸制备的能源管理控制系统及其控制方法
CN116768206A (zh) 石墨的纯化工艺及其系统
CN116166072A (zh) 电子级六氟丙烯裂解温度控制系统
CN115146676A (zh) 电路故障检测方法及其系统
CN115144312A (zh) 基于物联网的室内空气细颗粒测量方法及其系统
CN108929193A (zh) 一种高纯度二氟甲烷的精馏工艺
CN114037648A (zh) 基于类Softmax函数信息熵的智能速率参数控制方法
CN115754108B (zh) 一种电子级六氟丁二烯的酸度测定系统及其方法
CN115090200A (zh) 用于电子级氢氟酸制备的自动配料系统及其配料方法
CN116301166A (zh) 一种非带隙基准电压源电路

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant