CN114870416A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN114870416A
CN114870416A CN202210459556.1A CN202210459556A CN114870416A CN 114870416 A CN114870416 A CN 114870416A CN 202210459556 A CN202210459556 A CN 202210459556A CN 114870416 A CN114870416 A CN 114870416A
Authority
CN
China
Prior art keywords
vector
feature vector
rectification
temperature
monofluoromethane
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
CN202210459556.1A
Other languages
English (en)
Other versions
CN114870416B (zh
Inventor
刘志强
华辉
林百志
张朝春
王凤侠
黄琦琦
赖金香
阙祥育
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 CN202210459556.1A priority Critical patent/CN114870416B/zh
Publication of CN114870416A publication Critical patent/CN114870416A/zh
Priority to PCT/CN2022/118438 priority patent/WO2023206914A1/zh
Application granted granted Critical
Publication of CN114870416B publication Critical patent/CN114870416B/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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01J—CHEMICAL OR PHYSICAL PROCESSES, e.g. CATALYSIS OR COLLOID CHEMISTRY; THEIR RELEVANT APPARATUS
    • B01J19/00—Chemical, physical or physico-chemical processes in general; Their relevant apparatus
    • B01J19/0006—Controlling or regulating processes
    • 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
    • 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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01J—CHEMICAL OR PHYSICAL PROCESSES, e.g. CATALYSIS OR COLLOID CHEMISTRY; THEIR RELEVANT APPARATUS
    • B01J2219/00—Chemical, physical or physico-chemical processes in general; Their relevant apparatus
    • B01J2219/00002—Chemical plants
    • B01J2219/00004—Scale aspects
    • B01J2219/00006—Large-scale industrial plants
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P20/00—Technologies relating to chemical industry
    • Y02P20/10—Process efficiency
    • Y02P20/129—Energy recovery, e.g. by cogeneration, H2recovery or pressure recovery turbines

Landscapes

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

Abstract

本申请涉及电子级气体的智能制造领域，其具体地公开了一种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。所述精馏控制系统包括预混器、反应器、分离塔、水洗塔和碱洗塔、干燥塔、精馏塔和精馏控制塔系统，其中，所述精馏塔控制系统使用基于人工智能技术的智能控制方法来动态地调控精馏塔的压力和温度以从控制端来优化电子级一氟甲烷的提纯精度。

Description

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
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一氟甲烷制备的精馏控制系统及精馏控制方法。
背景技术
一氟甲烷，化学式为CH3F，代号R41或HFC-41，是一种无毒、无色、无嗅、可燃的存储在钢瓶中的液化气体。一氟甲烷用在半导体及电子产品的制程中，也是低温热泵的理想工质之一，一氟甲烷受到越来越多的研究和应用。
目前关于一氟甲烷的合成路线主要是气相加氢脱氯法。气相催化加氢脱氯路线的原料HCFC-21或HCFC-31将随着国际社会对臭氧层消耗物质以及高温室效应气体(GWP100>150)的禁止生产而难以获得，而且该路线的催化剂比较昂贵，选择性较低。
因此，期待一种新型的电子级一氟甲烷的制备方案。
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一氟甲烷制备的精馏控制系统及精馏控制方法，所述精馏控制系统包括预混器、反应器、分离塔、水洗塔和碱洗塔、干燥塔、精馏塔和精馏塔控制系统，其中，所述精馏塔控制系统使用基于人工智能技术的智能控制方法来动态地调控精馏塔的压力和温度以从控制端来优化电子级一氟甲烷的提纯精度。
根据本申请的一个方面，提供了一种用于电子级一氟甲烷制备的精馏控制系统，其包括：预混器，用于对由一氯甲烷和氟化氢组成的混合物进行预热；反应器，用于接收来自所述预混器的预热后的所述由一氯甲烷和氟化氢组成的混合物，其中，所述由一氯甲烷和氟化氢组成的混合物在催化剂的作用下发生反应以生成包含一氟甲烷的反应后物料；分离塔，用于从所述包含一氟甲烷的反应后物料中分离出一氯甲烷和氟化氢至预混器；水洗塔和碱洗塔，用于接收来自所述分离塔的被分离出一氯甲烷和氟化氢的所述反应后物料，并除去所述反应后物料中的氯化氢；干燥塔，用于接收被除去氯化氢的所述反应后物料并除去所述反应后物料中的水分以得到粗品一氟甲烷；精馏塔，用于对所述粗品一氟甲烷进行精馏以获得精馏产物；以及精馏塔控制系统，用于对所述精馏塔的温度和压力进行动态控制。
在根据本申请的用于电子级一氟甲烷制备的精馏控制系统中，所述精馏塔控制系统，包括：实时参数获取单元，用于获取所述精馏塔的多个预定时间点的压力和温度；向量构造单元，用于将所述多个预定时间点的压力排列为第一输入向量且将所述多个预定时间点的温度排列为第二输入向量；关联矩阵构造单元，用于将所述第一输入向量与所述第二输入向量的转置进行向量相乘以获得温度-压力关联矩阵；第一卷积编码单元，用于将所述温度-压力关联矩阵通过第一卷积神经网络以获得第一特征向量；产物数据获取单元，用于通过气相色谱仪获取所述多个预定时间点的从所述精馏塔排出的精馏产物的气相色谱图；第二卷积编码单元，用于将所述多个预定时间点的气相色谱图通过使用三维卷积核的第二卷积神经网络以获得第二特征向量；特征级融合单元，用于对所述第一特征向量和所述第二特征向量进行基于平滑过渡的融合以获得分类特征向量，所述基于平滑过渡的融合基于所述第一特征向量与所述第二特征向量之间的差分向量来进行；以及控制参数调整单元，用于将所述分类特征向量通过分类器以获得分类结果，所述分类结果用于表示当前温度应增大或减小，且当前压力应增大或减小。
在根据本申请的用于电子级一氟甲烷制备的精馏控制系统中，所述关联矩阵构造单元，进一步用于：以如下公式将所述第一输入向量与所述第二输入向量的转置进行向量相乘以获得所述温度-压力关联矩阵；
其中，所述公式为：
Figure 641500DEST_PATH_IMAGE001
其中
Figure 624369DEST_PATH_IMAGE002
表示向量相乘，
Figure 800398DEST_PATH_IMAGE003
表示所述第一输入向量，
Figure 885028DEST_PATH_IMAGE004
表示所述第二输入向量，
Figure 506502DEST_PATH_IMAGE005
表示所述第二输入向量的转置。
在根据本申请的用于电子级一氟甲烷制备的精馏控制系统中，所述第一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、基于特征矩阵的全局池化处理和非线性激活处理以由所述第一卷积神经网络的最后一层输出所述第一特征向量，其中，所述第一卷积神经网络的第一层的输入为所述温度-压力关联矩阵。
在根据本申请的用于电子级一氟甲烷制备的精馏控制系统中，所述第二卷积编码单元，进一步用于：使用所述使用三维卷积核的第二卷积神经网络以如下公式对所述多个预定时间点的气相色谱图进行处理以获得所述第二特征向量；
其中，所述公式为：
Figure 845342DEST_PATH_IMAGE006
其中，
Figure 753124DEST_PATH_IMAGE007
、
Figure 59472DEST_PATH_IMAGE008
和
Figure 782839DEST_PATH_IMAGE009
分别表示三维卷积核的长度、宽度和高度，m表示第
Figure 677983DEST_PATH_IMAGE010
层特征图的个数，
Figure 258131DEST_PATH_IMAGE011
是与
Figure 786196DEST_PATH_IMAGE012
层的第m个特征图相连的卷积核，
Figure 546210DEST_PATH_IMAGE013
为偏置，f表示激活函数。
在根据本申请的用于电子级一氟甲烷制备的精馏控制系统中，所述特征级融合单元，进一步用于：以如下公式对所述第一特征向量和所述第二特征向量进行基于平滑过渡的融合以获得所述分类特征向量；
其中，所述公式为：
Figure 656380DEST_PATH_IMAGE014
其中
Figure 578068DEST_PATH_IMAGE015
表示以向量为幂的指数运算，其中，以向量为幂的指数运算表示以向量的每个位置的值作为幂求指数，再将结果填入向量的各个位置以得到向量运算结果，
Figure 327849DEST_PATH_IMAGE016
和
Figure 658599DEST_PATH_IMAGE017
分别表示向量的按位置减法和加法，且
Figure 121810DEST_PATH_IMAGE018
表示数与向量的点乘，
Figure 230712DEST_PATH_IMAGE019
为超参数。
在根据本申请的用于电子级一氟甲烷制备的精馏控制系统中，所述控制参数调整单元，进一步用于：使用所述分类器以如下公式对所述分类特征向量进行处理以获得所述分类结果，其中，所述公式为：
Figure 472382DEST_PATH_IMAGE020
，其中，
Figure 839778DEST_PATH_IMAGE021
到
Figure 862223DEST_PATH_IMAGE022
为权重矩阵，
Figure 673184DEST_PATH_IMAGE023
到
Figure 646825DEST_PATH_IMAGE024
为偏置向量，
Figure 319377DEST_PATH_IMAGE025
为所述分类特征向量。
根据本申请的另一方面，还提供了一种精馏控制方法，其包括：获取精馏塔的多个预定时间点的压力和温度；将所述多个预定时间点的压力排列为第一输入向量且将所述多个预定时间点的温度排列为第二输入向量；将所述第一输入向量与所述第二输入向量的转置进行向量相乘以获得温度-压力关联矩阵；将所述温度-压力关联矩阵通过第一卷积神经网络以获得第一特征向量；通过气相色谱仪获取所述多个预定时间点的从所述精馏塔排出的精馏产物的气相色谱图；将所述多个预定时间点的气相色谱图通过使用三维卷积核的第二卷积神经网络以获得第二特征向量；对所述第一特征向量和所述第二特征向量进行基于平滑过渡的融合以获得分类特征向量，所述基于平滑过渡的融合基于所述第一特征向量与所述第二特征向量之间的差分向量来进行；以及将所述分类特征向量通过分类器以获得分类结果，所述分类结果用于表示当前温度应增大或减小，且当前压力应增大或减小。
在根据本申请的精馏控制方法中，将所述多个预定时间点的气相色谱图通过使用三维卷积核的第二卷积神经网络以获得第二特征向量，包括：以所述使用三维卷积核的第二卷积神经网络以如下公式对所述所述多个预定时间点的气相色谱图进行编码以生成所述第二特征向量；
其中，所述公式为：
Figure 163706DEST_PATH_IMAGE006
其中，
Figure 630721DEST_PATH_IMAGE026
、
Figure 107970DEST_PATH_IMAGE027
和
Figure 613907DEST_PATH_IMAGE028
分别表示三维卷积核的长度、宽度和高度，m表示第
Figure 610944DEST_PATH_IMAGE029
层特征图的个数，
Figure 950658DEST_PATH_IMAGE030
是与
Figure 915203DEST_PATH_IMAGE031
层的第m个特征图相连的卷积核，
Figure 929558DEST_PATH_IMAGE032
为偏置，f表示激活函数。
在根据本申请的精馏控制方法中，对所述第一特征向量和所述第二特征向量进行基于平滑过渡的融合以获得分类特征向量，包括：以如下公式对所述第一特征向量和所述第二特征向量进行基于平滑过渡的融合以获得所述分类特征向量；其中，所述公式为：
Figure 436894DEST_PATH_IMAGE014
其中
Figure 213089DEST_PATH_IMAGE033
表示以向量为幂的指数运算，其中，以向量为幂的指数运算表示以向量的每个位置的值作为幂求指数，再将结果填入向量的各个位置以得到向量运算结果，
Figure 399350DEST_PATH_IMAGE034
和
Figure 217396DEST_PATH_IMAGE035
分别表示向量的按位置减法和加法，且
Figure 421981DEST_PATH_IMAGE036
表示数与向量的点乘，
Figure 225920DEST_PATH_IMAGE037
为超参数。
与现有技术相比，本申请提供的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，所述精馏控制系统包括预混器、反应器、分离塔、水洗塔和碱洗塔、干燥塔、精馏塔和精馏塔控制系统，其中，所述精馏塔控制系统使用基于人工智能技术的智能控制方法来动态地调控精馏塔的压力和温度以从控制端来优化电子级一氟甲烷的提纯精度。
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一氟甲烷制备的精馏控制系统的流程图。
图2为根据本申请实施例的用于电子级一氟甲烷制备的精馏控制系统中精馏塔控制系统的框图。
图3为根据本申请实施例的用于电子级一氟甲烷制备的精馏控制系统的精馏塔控制方法的流程图。
图4为根据本申请实施例的用于电子级一氟甲烷制备的精馏控制系统的精馏塔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。
申请概述：如前所述，一氟甲烷，化学式为CH3F，代号R41或HFC-41，是一种无毒、无色、无嗅、可燃的存储在钢瓶中的液化气体。一氟甲烷用在半导体及电子产品的制程中，也是低温热泵的理想工质之一，一氟甲烷受到越来越多的研究和应用。
目前关于一氟甲烷的合成路线主要是气相加氢脱氯法。气相催化加氢脱氯路线的原料HCFC-21或HCFC-31将随着国际社会对臭氧层消耗物质以及高温室效应气体(GWP100>150)的禁止生产而难以获得，而且该路线的催化剂比较昂贵，选择性较低。
为此，本申请发明人尝试从一种新型的技术路线来制备电子级一氟甲烷。具体地，以一氯甲烷为原料在特定催化剂的作用下与氟化氢反应生成一氟甲烷，其化学反应原理如下：
Figure 899478DEST_PATH_IMAGE038
基于此反应原理搭建的制备系统，包括如下主要部件：预混器、反应器、分离塔、水洗塔、碱洗塔、干燥塔、精馏塔等。本领域普通技术人员应知晓，电子级的一氟甲烷的纯度高达99.9999%，因此，对制备系统的控制提出了更高的要求，尤其是对精馏塔的控制提出了更高的要求。
精馏塔的主要控制参数包括压力和温度，通过控制压力和温度来提高一氟甲烷的纯度。但是，传统的控制方法大多基于预设阈值来调整，也就是，当触发预设条件时，将压力增大或者减小，或者，将温度增大或减小，这种控制方式简化了精馏过程的复杂性，导致最后精馏产物的纯度难以达到电子级的要求。
本申请发明人考虑到对于精馏塔的压力和温度的控制是一个连续的动态过程，也就是，在调整当前温度和压力时需考虑当前时间点之前的预设时间段内的控制情况，这里的控制情况包括当前时间点之前的温度和压力控制值，还包括了当前时间点之前的精馏产物的实时状况。同时，本申请发明人还考虑到温度和压力之间会产生相互影响而导致温度测量值和压力测量值产生偏差，因此，在控制时还需要将两者之间的隐形关联考虑在内。
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，首先获取所述精馏塔的多个预定时间点的压力和温度。然后，将所述多个预定时间点的压力排列为第一输入向量且将所述多个预定时间点的温度排列为第二输入向量，并将所述第一输入向量与所述第二输入向量的转置进行向量相乘以获得温度-压力关联矩阵。接着，将所述温度-压力关联矩阵通过第一卷积神经网络以获得第一特征向量，这里应特别注意，卷积神经网络在提取局部关联隐形特征方面具有优异的性能表现。接着，通过气相色谱仪获取所述多个预定时间点的从所述精馏塔排出的精馏产物的气相色谱图，也就是，以气相色谱图来表征精馏产物的实时状况。接着，将所述多个预定时间点的气相色谱图通过使用三维卷积核的第二卷积神经网络以获得第二特征向量，所述使用三维卷积核的第二卷积神经网络能够提取所述气相色谱图的在时序维度上的局部关联特征，即，表征所述精馏产物的成分动态变化特征。这样融合第一特征向量和第二特征向量并通过分类器就可以获得精馏塔的实时参数控制结果。
在融合第一特征向量
Figure 957432DEST_PATH_IMAGE039
和第二特征向量
Figure 580306DEST_PATH_IMAGE040
时，基于第一特征向量
Figure 229462DEST_PATH_IMAGE041
用于表达作为环境因素的温度-压力关联特征，而第二特征向量
Figure 921474DEST_PATH_IMAGE042
用于表达作为以环境因素的条件的气相色谱特征，因此如果简单地计算两个向量的加权和，则可能无法获得第一特征向量
Figure 81322DEST_PATH_IMAGE043
和第二特征向量
Figure 463762DEST_PATH_IMAGE044
之间的响应信息。并且，由于第一特征向量
Figure 831290DEST_PATH_IMAGE045
和第二特征向量
Figure 964593DEST_PATH_IMAGE046
均由各自的参数化模型映射到高维特征空间，因此也期望高维特征空间内的向量融合能够获得在高空间复杂性上的两者之间的平滑的响应信息。
基于此，对第一特征向量
Figure 161088DEST_PATH_IMAGE047
和第二特征向量
Figure 742242DEST_PATH_IMAGE048
进行基于平滑过渡的融合，表示为：
Figure 234666DEST_PATH_IMAGE049
其中，
Figure 353800DEST_PATH_IMAGE050
表示以向量为幂的指数运算，以向量为幂的指数运算表示以向量的每个位置的值作为幂求指数，再将结果填入向量的各个位置以得到向量运算结果。
Figure 855451DEST_PATH_IMAGE051
，
Figure 291111DEST_PATH_IMAGE052
分别表示向量的按位置减法和加法，且
Figure 452971DEST_PATH_IMAGE053
表示数与向量的点乘，即数乘以向量的每个位置的特征值，
Figure 872451DEST_PATH_IMAGE054
为控制后验权重的超参数。
通过基于平滑过渡的融合，实质上是表示当以与第一特征向量
Figure 912214DEST_PATH_IMAGE055
对应的参数化模型作为先验时，与第二特征向量
Figure 654911DEST_PATH_IMAGE056
对应的参数化模型作为隐特征表达的后验性分布关系，这样，当以该融合特征向量作为模型整体的特殊形式的目标函数时，就可以通过模型整体的训练过程使得各个向量的参数化模型之间得到更加平滑的响应一致性的优化。
基于此，本申请提出了一种用于电子级一氟甲烷制备的精馏控制系统，其包括：所述精馏控制系统包括预混器、反应器、分离塔、水洗塔和碱洗塔、干燥塔、精馏塔和精馏塔控制系统，其中，所述精馏塔控制系统使用基于人工智能技术的智能控制方法来动态地调控精馏塔的压力和温度以从控制端来优化电子级一氟甲烷的提纯精度。
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1图示了根据本申请实施例的用于电子级一氟甲烷制备的精馏控制系统的流程图。如图1所示，根据本申请实施例的用于电子级一氟甲烷制备的精馏控制系统 200，包括：预混器 201、反应器 202、分离塔 203、水洗塔 204和碱洗塔 205、干燥塔 206和精馏塔207。
相应地，在本申请实施例中，所述预混器 201，用于对由一氯甲烷和氟化氢组成的混合物进行预热，也就是说，所述预混器 201的作用在于接收一氯甲烷和氟化氢并对所述由氟化氢和一氯甲烷组成的混合物进行预热至预定温度以便于后续的化学反应。
所述反应器 202，用于接收来自所述预混器的预热后的所述由一氯甲烷和氟化氢组成的混合物，其中，所述由一氯甲烷和氟化氢组成的混合物在催化剂的作用下发生反应以生成包含一氟甲烷的反应后物料。如前所述，现有的关于一氟甲烷的合成路线主要是气相加氢脱氯法。但这种制备原理存在一定的缺陷，为此，本申请发明人尝试从一种新型的技术路线来制备电子级一氟甲烷。
具体地，以一氯甲烷为原料在特定催化剂的作用下与氟化氢反应生成一氟甲烷，其化学反应原理如下：
Figure 489137DEST_PATH_IMAGE057
在本申请的一些实施例中，所述催化剂为复合氟化催化剂，其包括但不限于由二氧化锰和三氯化铬负载在活性炭和三氟化铝的混合物等。本领域普通技术人员应知晓，不同的化学反应温度会产生不同的反应效果。在本申请实施例中，所述反应器的反应温度设置为大于200°，例如，210°至250°，对于反应温度的选择，并不为本申请所局限。
所述分离塔 203，用于从所述包含一氟甲烷的反应后物料中分离出一氯甲烷和氟化氢至所述预混器 201。也就是说，所述分离塔 203的作用在于从所述包含一氟甲烷的反应后物料中分离出有用的部分至所述预混器 201。所述水洗塔 204和碱洗塔 205，用于接收来自所述分离塔的被分离出一氯甲烷和氟化氢的所述反应后物料，并除去所述反应后物料中的氯化氢。所述干燥塔 206，用于接收被除去氯化氢的所述反应后物料并除去所述反应后物料中的水分以得到粗品一氟甲烷。所述精馏塔 207，用于对所述粗品一氟甲烷进行精馏以获得精馏产物。
值得一提的是，在本申请实施例中，所述预混器 201、所述反应器 202、所述分离塔 203、所述水洗塔 204、所述碱洗塔 205、所述干燥塔 206和所述精馏塔 207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。
相应地，所述精馏塔 207的主要控制参数包括压力和温度，通过控制压力和温度来提高一氟甲烷的纯度。如前所述，传统的控制方法大多基于预设阈值来调整，也就是，当触发预设条件时，将压力增大或者减小，或者，将温度增大或减小，这种控制方式简化了精馏过程的复杂性，导致最后精馏产物的纯度难以达到电子级的要求。
本申请发明人考虑到对于所述精馏塔 207的压力和温度的控制是一个连续的动态过程，也就是，在调整当前温度和压力时需考虑当前时间点之前的预设时间段内的控制情况，这里的控制情况包括当前时间点之前的温度和压力控制值，还包括了当前时间点之前的精馏产物的实时状况。同时，本申请发明人还考虑到温度和压力之间会产生相互影响而导致温度测量值和压力测量值产生偏差，因此，在控制时还需要将两者之间的隐形关联考虑在内。
基于此，除了硬件设备外，根据本申请实施例的所述用于电子级一氟甲烷制备的精馏控制系统还包括软件控制部分，即，所述精馏塔控制系统 208，其中，所述精馏塔控制系统 208用于对所述精馏塔的压力和温度参数进行动态地且实时地控制以优化所述用于电子级一氟甲烷的提纯精度。
图2图示了根据本申请实施例的用于电子级一氟甲烷制备的精馏控制系统中精馏塔控制系统的框图。如图2所示，根据本申请实施例的用于电子级一氟甲烷制备的精馏控制系统中精馏塔控制系统 208，包括：实时参数获取单元 210，用于获取所述精馏塔的多个预定时间点的压力和温度；向量构造单元 220，用于将所述多个预定时间点的压力排列为第一输入向量且将所述多个预定时间点的温度排列为第二输入向量；关联矩阵构造单元230，用于将所述第一输入向量与所述第二输入向量的转置进行向量相乘以获得温度-压力关联矩阵；第一卷积编码单元 240，用于将所述温度-压力关联矩阵通过第一卷积神经网络以获得第一特征向量；产物数据获取单元 250，用于通过气相色谱仪获取所述多个预定时间点的从所述精馏塔排出的精馏产物的气相色谱图；第二卷积编码单元 260，用于将所述多个预定时间点的气相色谱图通过使用三维卷积核的第二卷积神经网络以获得第二特征向量；特征级融合单元 270，用于对所述第一特征向量和所述第二特征向量进行基于平滑过渡的融合以获得分类特征向量，所述基于平滑过渡的融合基于所述第一特征向量与所述第二特征向量之间的差分向量来进行；以及，控制参数调整单元 280，用于将所述分类特征向量通过分类器以获得分类结果，所述分类结果用于表示当前温度应增大或减小，且当前压力应增大或减小。
具体地，在本申请实施例中，所述实时参数获取单元 210和所述向量构造单元220，用于获取所述精馏塔的多个预定时间点的压力和温度，并将所述多个预定时间点的压力排列为第一输入向量且将所述多个预定时间点的温度排列为第二输入向量。如前所述，应可以理解，由于精馏塔的主要控制参数包括压力和温度，通过控制所述压力和所述温度来提高一氟甲烷的纯度。但是，传统的控制方法大多基于预设阈值来调整，也就是，当触发预设条件时，将所述压力增大或者减小，或者，将所述温度增大或减小，这种控制方式简化了精馏过程的复杂性，导致最后精馏产物的纯度难以达到电子级的要求。
并且考虑到对于所述精馏塔的压力和温度的控制是一个连续的动态过程，也就是，在调整当前温度和压力时需考虑当前时间点之前的预设时间段内的控制情况，这里的所述控制情况包括当前时间点之前的温度和压力控制值，还包括了所述当前时间点之前的精馏产物的实时状况。同时，还考虑到所述温度和所述压力之间会产生相互影响而导致温度测量值和压力测量值产生偏差，因此，在控制时还需要将两者之间的隐形关联考虑在内。
因此，在本申请的技术方案中，具体地，首先通过设置于精馏塔的各个传感器获取所述精馏塔的多个预定时间点的压力和温度数据。然后，将所述多个预定时间点的压力排列为第一输入向量且将所述多个预定时间点的温度排列为第二输入向量，以便于后续对其进行特征提取。
具体地，在本申请实施例中，所述关联矩阵构造单元 230和所述第一卷积编码单元 240，用于将所述第一输入向量与所述第二输入向量的转置进行向量相乘以获得温度-压力关联矩阵，并将所述温度-压力关联矩阵通过第一卷积神经网络以获得第一特征向量。也就是，在本申请的技术方案中，进一步将所述第一输入向量与所述第二输入向量的转置进行向量相乘以获得温度-压力关联矩阵，从而整合温度和压力的关联信息。然后，将得到的所述温度-压力关联矩阵通过第一卷积神经网络中进行处理，以获得第一特征向量。应可以理解，由于所述卷积神经网络在提取局部关联隐形特征方面具有优异的性能表现，使用所述卷积神经网络来进行特征提取可以更好地挖掘出所述温度和压力的局部高维隐含关联特征。相应地，在一个具体示例中，所述第一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一卷积神经网络的最后一层生成所述第一特征向量，其中，所述第一卷积神经网络的第一层的输入为所述温度-压力关联矩阵。
更具体地，在本申请实施例中，所述关联矩阵构造单元，进一步用于：以如下公式将所述第一输入向量与所述第二输入向量的转置进行向量相乘以获得温度-压力关联矩阵；
其中，所述公式为：
Figure 130334DEST_PATH_IMAGE001
其中
Figure 206743DEST_PATH_IMAGE058
表示矩阵相乘，
Figure 559272DEST_PATH_IMAGE059
表示所述第一输入向量，
Figure 344825DEST_PATH_IMAGE060
表示所述第二输入向量，
Figure 925848DEST_PATH_IMAGE061
表示所述第二输入向量的转置。
具体地，在本申请实施例中，所述产物数据获取单元 250和所述第二卷积编码单元 260，用于通过气相色谱仪获取所述多个预定时间点的从所述精馏塔排出的精馏产物的气相色谱图，并将所述多个预定时间点的气相色谱图通过使用三维卷积核的第二卷积神经网络以获得第二特征向量。应可以理解，在本申请的技术方案中，为了提高最后精馏产物的纯度，考虑到对于所述精馏塔的压力和温度的控制是一个连续的动态过程，也就是，在调整所述当前温度和压力时需考虑当前时间点之前的预设时间段内的控制情况，这里的控制情况包括当前时间点之前的温度和压力控制值，还包括了当前时间点之前的精馏产物的实时状况。因此，在本申请的技术方案中，进一步通过气相色谱仪获取所述多个预定时间点的从所述精馏塔排出的精馏产物的气相色谱图。也就是，以所述气相色谱图来表征精馏产物的实时状况。接着，将所述多个预定时间点的气相色谱图通过使用三维卷积核的第二卷积神经网络中进行处理以获得第二特征向量，所述使用三维卷积核的第二卷积神经网络能够提取所述气相色谱图的在时序维度上的局部关联特征，即，表征所述精馏产物的成分动态变化特征。
更具体地，在本申请实施例中，所述第二卷积编码单元，进一步用于：以如下公式将所述多个预定时间点的气相色谱图通过使用三维卷积核的第二卷积神经网络以获得第二特征向量；其中，所述公式为：
Figure 838572DEST_PATH_IMAGE006
其中，
Figure 572172DEST_PATH_IMAGE062
、
Figure 43474DEST_PATH_IMAGE063
和
Figure 550941DEST_PATH_IMAGE064
分别表示三维卷积核的长度、宽度和高度，m表示第
Figure 703573DEST_PATH_IMAGE065
层特征图的个数，
Figure 88418DEST_PATH_IMAGE030
是与
Figure 435348DEST_PATH_IMAGE066
层的第m个特征图相连的卷积核，
Figure 787701DEST_PATH_IMAGE067
为偏置，f表示激活函数。
具体地，在本申请实施例中，所述特征级融合单元 270，用于对所述第一特征向量和所述第二特征向量进行基于平滑过渡的融合以获得分类特征向量，所述基于平滑过渡的融合基于所述第一特征向量与所述第二特征向量之间的差分向量来进行。应可以理解，在得到所述第一特征向量
Figure 494757DEST_PATH_IMAGE068
和所述第二特征向量
Figure 688103DEST_PATH_IMAGE069
后，原本融合所述第一特征向量和所述第二特征向量并通过分类器就可以获得精馏塔的实时参数控制结果。但是考虑到在融合所述第一特征向量
Figure 235628DEST_PATH_IMAGE070
和所述第二特征向量
Figure 514425DEST_PATH_IMAGE071
时，基于所述第一特征向量
Figure 25172DEST_PATH_IMAGE072
用于表达作为环境因素的温度-压力关联特征，而所述第二特征向量
Figure 102718DEST_PATH_IMAGE056
用于表达作为以环境因素的条件的气相色谱特征，因此如果简单地计算两个向量的加权和，则可能无法获得所述第一特征向量
Figure 525872DEST_PATH_IMAGE073
和所述第二特征向量
Figure 462604DEST_PATH_IMAGE074
之间的响应信息。并且，由于所述第一特征向量
Figure 527774DEST_PATH_IMAGE075
和所述第二特征向量
Figure 990985DEST_PATH_IMAGE074
均由各自的参数化模型映射到高维特征空间，因此也期望高维特征空间内的向量融合能够获得在高空间复杂性上的两者之间的平滑的响应信息。因此，在本申请的技术方案中，进一步对所述第一特征向量和所述第二特征向量进行基于平滑过渡的融合以获得分类特征向量。
更具体地，在本申请实施例中，所述特征级融合单元，进一步用于：以如下公式对所述第一特征向量和所述第二特征向量进行基于平滑过渡的融合以获得分类特征向量；
其中，所述公式为：
Figure 99887DEST_PATH_IMAGE014
其中以向量为幂的指数运算表示以向量的每个位置的值作为幂求指数，再将结果填入向量的各个位置以得到向量运算结果，并且
Figure 161732DEST_PATH_IMAGE034
，
Figure 201232DEST_PATH_IMAGE076
分别表示向量的按位置减法和加法，且
Figure 489256DEST_PATH_IMAGE077
表示数与向量的点乘，即数乘以向量的每个位置的特征值，
Figure 831376DEST_PATH_IMAGE078
为控制后验权重的超参数。应可以理解，通过基于平滑过渡的融合，实质上是表示当以与所述第一特征向量
Figure 539438DEST_PATH_IMAGE073
对应的参数化模型作为先验时，与所述第二特征向量
Figure 8728DEST_PATH_IMAGE079
对应的参数化模型作为隐特征表达的后验性分布关系，这样，当以该所述融合特征向量作为模型整体的特殊形式的目标函数时，就可以通过模型整体的训练过程使得各个向量的参数化模型之间得到更加平滑的响应一致性的优化，进而提高后续分类的准确性。
具体地，在本申请实施例中，所述控制参数调整单元 280，用于将所述分类特征向量通过分类器以获得分类结果，所述分类结果用于表示当前温度应增大或减小，且当前压力应增大或减小。也就是，在本申请的技术方案中，在得到所述分类特征向量后，进一步将所述分类特征向量通过分类器中进行处理，进而获得用于表示当前温度应增大或减小，且当前压力应增大或减小的分类结果。
更具体地，在本申请实施例中，所述控制参数调整单元，进一步用于：使用所述分类器以如下公式对所述分类特征向量进行处理以获得所述分类结果；其中，所述公式为：
Figure 400526DEST_PATH_IMAGE080
，其中，
Figure 366077DEST_PATH_IMAGE081
到
Figure 62899DEST_PATH_IMAGE082
为权重矩阵，
Figure 319568DEST_PATH_IMAGE083
到
Figure 815141DEST_PATH_IMAGE084
为偏置向量，
Figure 187478DEST_PATH_IMAGE085
为所述分类特征向量。
综上，基于本申请实施例的所述用于电子级一氟甲烷制备的精馏控制系统 200被阐明，所述精馏控制系统包括预混器、反应器、分离塔、水洗塔和碱洗塔、干燥塔、精馏塔和精馏控制系统，其中，所述精馏控制系统使用基于人工智能技术的智能控制方法来动态地调控精馏塔的压力和温度以从控制端来优化电子级一氟甲烷的提纯精度。
如上所述，根据本申请实施例的用于电子级一氟甲烷制备的精馏控制系统 200可以实现在各种终端设备中，例如用于电子级一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用于电子级一氟甲烷制备的精馏控制系统 200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，该用于电子级一氟甲烷制备的精馏控制系统 200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，该用于电子级一氟甲烷制备的精馏控制系统 200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，该用于电子级一氟甲烷制备的精馏控制系统 200与该终端设备也可以是分立的设备，并且该用于电子级一氟甲烷制备的精馏控制系统 200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图示了用于电子级一氟甲烷制备的精馏控制系统的精馏塔控制方法的流程图。如图3所示，根据本申请实施例的用于电子级一氟甲烷制备的精馏控制系统的精馏塔控制方法，包括步骤：S110，获取所述精馏塔的多个预定时间点的压力和温度；S120，将所述多个预定时间点的压力排列为第一输入向量且将所述多个预定时间点的温度排列为第二输入向量；S130，将所述第一输入向量与所述第二输入向量的转置进行向量相乘以获得温度-压力关联矩阵；S140，将所述温度-压力关联矩阵通过第一卷积神经网络以获得第一特征向量；S150，通过气相色谱仪获取所述多个预定时间点的从所述精馏塔排出的精馏产物的气相色谱图；S160，将所述多个预定时间点的气相色谱图通过使用三维卷积核的第二卷积神经网络以获得第二特征向量；S170，对所述第一特征向量和所述第二特征向量进行基于平滑过渡的融合以获得分类特征向量，所述基于平滑过渡的融合基于所述第一特征向量与所述第二特征向量之间的差分向量来进行；以及，S180，将所述分类特征向量通过分类器以获得分类结果，所述分类结果用于表示当前温度应增大或减小，且当前压力应增大或减小。
图4图示了根据本申请实施例的用于电子级一氟甲烷制备的精馏控制系统的精馏塔控制方法的架构示意图。如图4所示，在所述用于电子级一氟甲烷制备的精馏控制系统的精馏塔控制方法的网络架构中，首先，将所述多个预定时间点的压力（例如，如图4中所示意的P1）排列为第一输入向量（例如，如图4中所示意的V1）且将所述多个预定时间点的温度（例如，如图4中所示意的P2）排列为第二输入向量（例如，如图4中所示意的V2）；接着，将所述第一输入向量与所述第二输入向量的转置进行向量相乘以获得温度-压力关联矩阵（例如，如图4中所示意的M）；然后，将所述温度-压力关联矩阵通过第一卷积神经网络（例如，如图4中所示意的CNN1）以获得第一特征向量（例如，如图4中所示意的VF1）；接着，将所述多个预定时间点的气相色谱图（例如，如图4中所示意的Q）通过使用三维卷积核的第二卷积神经网络（例如，如图4中所示意的CNN2）以获得第二特征向量（例如，如图4中所示意的VF2）；然后，对所述第一特征向量和所述第二特征向量进行基于平滑过渡的融合以获得分类特征向量（例如，如图4中所示意的VF）；以及，最后，将所述分类特征向量通过分类器（例如，如图4中所示意的圈S）以获得分类结果，所述分类结果用于表示当前温度应增大或减小，且当前压力应增大或减小。
更具体地，在步骤S110和S120中，获取所述精馏塔的多个预定时间点的压力和温度，并将所述多个预定时间点的压力排列为第一输入向量且将所述多个预定时间点的温度排列为第二输入向量。应可以理解，由于精馏塔的主要控制参数包括压力和温度，通过控制所述压力和所述温度来提高一氟甲烷的纯度。但是，传统的控制方法大多基于预设阈值来调整，也就是，当触发预设条件时，将所述压力增大或者减小，或者，将所述温度增大或减小，这种控制方式简化了精馏过程的复杂性，导致最后精馏产物的纯度难以达到电子级的要求。
并且考虑到对于所述精馏塔的压力和温度的控制是一个连续的动态过程，也就是，在调整当前温度和压力时需考虑当前时间点之前的预设时间段内的控制情况，这里的所述控制情况包括当前时间点之前的温度和压力控制值，还包括了所述当前时间点之前的精馏产物的实时状况。同时，还考虑到所述温度和所述压力之间会产生相互影响而导致温度测量值和压力测量值产生偏差，因此，在控制时还需要将两者之间的隐形关联考虑在内。
因此，在本申请的技术方案中，具体地，首先通过设置于精馏塔的各个传感器获取所述精馏塔的多个预定时间点的压力和温度数据。然后，将所述多个预定时间点的压力排列为第一输入向量且将所述多个预定时间点的温度排列为第二输入向量，以便于后续对其进行特征提取。
更具体地，在步骤S130和步骤S140中，将所述第一输入向量与所述第二输入向量的转置进行向量相乘以获得温度-压力关联矩阵，并将所述温度-压力关联矩阵通过第一卷积神经网络以获得第一特征向量。也就是，在本申请的技术方案中，进一步将所述第一输入向量与所述第二输入向量的转置进行向量相乘以获得温度-压力关联矩阵，从而整合温度和压力的关联信息。然后，将得到的所述温度-压力关联矩阵通过第一卷积神经网络中进行处理，以获得第一特征向量。应可以理解，由于所述卷积神经网络在提取局部关联隐形特征方面具有优异的性能表现，使用所述卷积神经网络来进行特征提取可以更好地挖掘出所述温度和压力的局部高维隐含关联特征。相应地，在一个具体示例中，所述第一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一卷积神经网络的最后一层生成所述第一特征向量，其中，所述第一卷积神经网络的第一层的输入为所述温度-压力关联矩阵。
更具体地，在步骤S150和步骤S160中，通过气相色谱仪获取所述多个预定时间点的从所述精馏塔排出的精馏产物的气相色谱图，并将所述多个预定时间点的气相色谱图通过使用三维卷积核的第二卷积神经网络以获得第二特征向量。应可以理解，在本申请的技术方案中，为了提高最后精馏产物的纯度，考虑到对于所述精馏塔的压力和温度的控制是一个连续的动态过程，也就是，在调整所述当前温度和压力时需考虑当前时间点之前的预设时间段内的控制情况，这里的控制情况包括当前时间点之前的温度和压力控制值，还包括了当前时间点之前的精馏产物的实时状况。因此，在本申请的技术方案中，进一步通过气相色谱仪获取所述多个预定时间点的从所述精馏塔排出的精馏产物的气相色谱图。也就是，以所述气相色谱图来表征精馏产物的实时状况。接着，将所述多个预定时间点的气相色谱图通过使用三维卷积核的第二卷积神经网络中进行处理以获得第二特征向量，所述使用三维卷积核的第二卷积神经网络能够提取所述气相色谱图的在时序维度上的局部关联特征，即，表征所述精馏产物的成分动态变化特征。
更具体地，在步骤S170中，对所述第一特征向量和所述第二特征向量进行基于平滑过渡的融合以获得分类特征向量，所述基于平滑过渡的融合基于所述第一特征向量与所述第二特征向量之间的差分向量来进行。应可以理解，在得到所述第一特征向量
Figure 870133DEST_PATH_IMAGE073
和所述第二特征向量
Figure 664913DEST_PATH_IMAGE086
后，原本融合所述第一特征向量和所述第二特征向量并通过分类器就可以获得精馏塔的实时参数控制结果。但是考虑到在融合所述第一特征向量
Figure 516457DEST_PATH_IMAGE087
和所述第二特征向量
Figure 620548DEST_PATH_IMAGE086
时，基于所述第一特征向量
Figure 541230DEST_PATH_IMAGE088
用于表达作为环境因素的温度-压力关联特征，而所述第二特征向量
Figure 93697DEST_PATH_IMAGE079
用于表达作为以环境因素的条件的气相色谱特征，因此如果简单地计算两个向量的加权和，则可能无法获得所述第一特征向量
Figure 563861DEST_PATH_IMAGE089
和所述第二特征向量
Figure 809160DEST_PATH_IMAGE071
之间的响应信息。并且，由于所述第一特征向量
Figure 217139DEST_PATH_IMAGE089
和所述第二特征向量
Figure 868569DEST_PATH_IMAGE090
均由各自的参数化模型映射到高维特征空间，因此也期望高维特征空间内的向量融合能够获得在高空间复杂性上的两者之间的平滑的响应信息。因此，在本申请的技术方案中，进一步对所述第一特征向量和所述第二特征向量进行基于平滑过渡的融合以获得分类特征向量。
更具体地，在步骤S180中，将所述分类特征向量通过分类器以获得分类结果，所述分类结果用于表示当前温度应增大或减小，且当前压力应增大或减小。也就是，在本申请的技术方案中，在得到所述分类特征向量后，进一步将所述分类特征向量通过分类器中进行处理，进而获得用于表示当前温度应增大或减小，且当前压力应增大或减小的分类结果。相应地，在一个具体示例中，使用所述分类器以如下公式对所述分类特征向量进行处理以获得所述分类结果；其中，所述公式为：
Figure 417407DEST_PATH_IMAGE091
，其中，
Figure 817295DEST_PATH_IMAGE092
到
Figure 227417DEST_PATH_IMAGE093
为权重矩阵，
Figure 387265DEST_PATH_IMAGE094
到
Figure 566442DEST_PATH_IMAGE095
为偏置向量，
Figure 933970DEST_PATH_IMAGE096
为所述分类特征向量。
综上，基于本申请实施例的所述用于电子级一氟甲烷制备的精馏控制系统的精馏塔控制方法被阐明，所述精馏控制系统使用基于人工智能技术的智能控制方法来动态地调控精馏塔的压力和温度以从控制端来优化电子级一氟甲烷的提纯精度。
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。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (10)

1.一种用于电子级一氟甲烷制备的精馏控制系统，其特征在于，包括：预混器，用于对由一氯甲烷和氟化氢组成的混合物进行预热；反应器，用于接收来自所述预混器的预热后的所述由一氯甲烷和氟化氢组成的混合物，其中，所述由一氯甲烷和氟化氢组成的混合物在催化剂的作用下发生反应以生成包含一氟甲烷的反应后物料；分离塔，用于从所述包含一氟甲烷的反应后物料中分离出一氯甲烷和氟化氢至预混器；水洗塔和碱洗塔，用于接收来自所述分离塔的被分离出一氯甲烷和氟化氢的所述反应后物料，并除去所述反应后物料中的氯化氢；干燥塔，用于接收被除去氯化氢的所述反应后物料并除去所述反应后物料中的水分以得到粗品一氟甲烷；精馏塔，用于对所述粗品一氟甲烷进行精馏以获得精馏产物；以及精馏塔控制系统，用于对所述精馏塔的温度和压力进行动态控制。
2.根据权利要求1所述的电子级一氟甲烷制备的精馏控制系统，其中，所述精馏塔控制系统，包括：实时参数获取单元，用于获取所述精馏塔的多个预定时间点的压力和温度；向量构造单元，用于将所述多个预定时间点的压力排列为第一输入向量且将所述多个预定时间点的温度排列为第二输入向量；关联矩阵构造单元，用于将所述第一输入向量与所述第二输入向量的转置进行向量相乘以获得温度-压力关联矩阵；第一卷积编码单元，用于将所述温度-压力关联矩阵通过第一卷积神经网络以获得第一特征向量；产物数据获取单元，用于通过气相色谱仪获取所述多个预定时间点的从所述精馏塔排出的精馏产物的气相色谱图；第二卷积编码单元，用于将所述多个预定时间点的气相色谱图通过使用三维卷积核的第二卷积神经网络以获得第二特征向量；特征级融合单元，用于对所述第一特征向量和所述第二特征向量进行基于平滑过渡的融合以获得分类特征向量，所述基于平滑过渡的融合基于所述第一特征向量与所述第二特征向量之间的差分向量来进行；以及控制参数调整单元，用于将所述分类特征向量通过分类器以获得分类结果，所述分类结果用于表示当前温度应增大或减小，且当前压力应增大或减小。
3.根据权利要求2所述的用于电子级一氟甲烷制备的精馏控制系统，其中，所述关联矩阵构造单元，进一步用于：以如下公式将所述第一输入向量与所述第二输入向量的转置进行向量相乘以获得所述温度-压力关联矩阵；其中，所述公式为：
Figure 899879DEST_PATH_IMAGE001
其中
Figure 42410DEST_PATH_IMAGE002
表示向量相乘，
Figure 742381DEST_PATH_IMAGE003
表示所述第一输入向量，
Figure 219630DEST_PATH_IMAGE004
表示所述第二输入向量，
Figure 164715DEST_PATH_IMAGE005
表示所述第二输入向量的转置。
4.根据权利要求3所述的用于电子级一氟甲烷制备的精馏控制系统，其中，所述第一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、基于特征矩阵的全局池化处理和非线性激活处理以由所述第一卷积神经网络的最后一层输出所述第一特征向量，其中，所述第一卷积神经网络的第一层的输入为所述温度-压力关联矩阵。
5.根据权利要求4所述的用于电子级一氟甲烷制备的精馏控制系统，其中，所述第二卷积编码单元，进一步用于：使用所述使用三维卷积核的第二卷积神经网络以如下公式对所述多个预定时间点的气相色谱图进行处理以获得所述第二特征向量；其中，所述公式为：
Figure 660287DEST_PATH_IMAGE006
其中，
Figure 563783DEST_PATH_IMAGE007
、
Figure 262749DEST_PATH_IMAGE008
和
Figure 978901DEST_PATH_IMAGE009
分别表示三维卷积核的长度、宽度和高度，m表示第
Figure 627182DEST_PATH_IMAGE010
层特征图的个数，
Figure 668956DEST_PATH_IMAGE011
是与
Figure 120797DEST_PATH_IMAGE012
层的第m个特征图相连的卷积核，
Figure 458283DEST_PATH_IMAGE013
为偏置，
Figure 662868DEST_PATH_IMAGE014
表示激活函数。
6.根据权利要求5所述的用于电子级一氟甲烷制备的精馏控制系统，其中，所述特征级融合单元，进一步用于：以如下公式对所述第一特征向量和所述第二特征向量进行基于平滑过渡的融合以获得所述分类特征向量；其中，所述公式为：
Figure 157434DEST_PATH_IMAGE015
其中
Figure 316145DEST_PATH_IMAGE016
表示以向量为幂的指数运算，其中，以向量为幂的指数运算表示以向量的每个位置的值作为幂求指数，再将结果填入向量的各个位置以得到向量运算结果，
Figure 170838DEST_PATH_IMAGE017
和
Figure 511820DEST_PATH_IMAGE018
分别表示向量的按位置减法和加法，且
Figure 724758DEST_PATH_IMAGE019
示数与向量的点乘，
Figure 338142DEST_PATH_IMAGE020
为超参数。
7.根据权利要求6所述的用于电子级一氟甲烷制备的精馏控制系统，其中，所述控制参数调整单元，进一步用于：使用所述分类器以如下公式对所述分类特征向量进行处理以获得所述分类结果，其中，所述公式为：
Figure 278416DEST_PATH_IMAGE021
，其中，
Figure 490217DEST_PATH_IMAGE022
到
Figure 575854DEST_PATH_IMAGE023
为权重矩阵，
Figure 692845DEST_PATH_IMAGE024
到
Figure 390805DEST_PATH_IMAGE025
为偏置向量，
Figure 955648DEST_PATH_IMAGE026
为所述分类特征向量。
8.一种精馏控制方法，其特征在于，包括：获取精馏塔的多个预定时间点的压力和温度；将所述多个预定时间点的压力排列为第一输入向量且将所述多个预定时间点的温度排列为第二输入向量；将所述第一输入向量与所述第二输入向量的转置进行向量相乘以获得温度-压力关联矩阵；将所述温度-压力关联矩阵通过第一卷积神经网络以获得第一特征向量；通过气相色谱仪获取所述多个预定时间点的从所述精馏塔排出的精馏产物的气相色谱图；将所述多个预定时间点的气相色谱图通过使用三维卷积核的第二卷积神经网络以获得第二特征向量；对所述第一特征向量和所述第二特征向量进行基于平滑过渡的融合以获得分类特征向量，所述基于平滑过渡的融合基于所述第一特征向量与所述第二特征向量之间的差分向量来进行；以及将所述分类特征向量通过分类器以获得分类结果，所述分类结果用于表示当前温度应增大或减小，且当前压力应增大或减小。
9.根据权利要求8所述的精馏控制方法，其中，将所述多个预定时间点的气相色谱图通过使用三维卷积核的第二卷积神经网络以获得第二特征向量，包括：以所述使用三维卷积核的第二卷积神经网络以如下公式对所述所述多个预定时间点的气相色谱图进行编码以生成所述第二特征向量；其中，所述公式为：
Figure 182492DEST_PATH_IMAGE027
其中，
Figure 317938DEST_PATH_IMAGE028
、
Figure 849283DEST_PATH_IMAGE029
和
Figure 238938DEST_PATH_IMAGE030
分别表示三维卷积核的长度、宽度和高度，m表示第
Figure 135219DEST_PATH_IMAGE031
层特征图的个数，
Figure 492382DEST_PATH_IMAGE032
是与
Figure 532144DEST_PATH_IMAGE033
层的第m个特征图相连的卷积核，
Figure 540420DEST_PATH_IMAGE034
为偏置，f表示激活函数。
10.根据权利要求7所述的精馏控制方法，其中，对所述第一特征向量和所述第二特征向量进行基于平滑过渡的融合以获得分类特征向量，包括：以如下公式对所述第一特征向量和所述第二特征向量进行基于平滑过渡的融合以获得所述分类特征向量；其中，所述公式为：
Figure 420652DEST_PATH_IMAGE035
其中
Figure 636800DEST_PATH_IMAGE036
表示以向量为幂的指数运算，其中，以向量为幂的指数运算表示以向量的每个位置的值作为幂求指数，再将结果填入向量的各个位置以得到向量运算结果，
Figure 385313DEST_PATH_IMAGE037
和
Figure 811877DEST_PATH_IMAGE038
分别表示向量的按位置减法和加法，且
Figure 66272DEST_PATH_IMAGE039
表示数与向量的点乘，
Figure 381716DEST_PATH_IMAGE040
为超参数。
CN202210459556.1A 2022-04-28 2022-04-28 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 Active CN114870416B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210459556.1A CN114870416B (zh) 2022-04-28 2022-04-28 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
PCT/CN2022/118438 WO2023206914A1 (zh) 2022-04-28 2022-09-13 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210459556.1A CN114870416B (zh) 2022-04-28 2022-04-28 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

Publications (2)

Publication Number Publication Date
CN114870416A true CN114870416A (zh) 2022-08-09
CN114870416B CN114870416B (zh) 2023-01-24

Family

ID=82671174

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210459556.1A Active CN114870416B (zh) 2022-04-28 2022-04-28 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

Country Status (2)

Country Link
CN (1) CN114870416B (zh)
WO (1) WO2023206914A1 (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115328228A (zh) * 2022-10-13 2022-11-11 新乡市合力鑫电源有限公司 一种高频开关电源
CN115453990A (zh) * 2022-08-31 2022-12-09 福建天甫电子材料有限公司 用于氟化铵生产的生产管理控制系统及其控制方法
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
CN115688592A (zh) * 2022-11-09 2023-02-03 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
CN115903705A (zh) * 2022-11-30 2023-04-04 福建省杭氟电子材料有限公司 用于电子级六氟丁二烯制备的生产管理控制系统
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
WO2023206914A1 (zh) * 2022-04-28 2023-11-02 福建德尔科技股份有限公司 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
WO2024000800A1 (zh) * 2022-06-30 2024-01-04 福建省龙德新能源有限公司 用于六氟磷酸锂制备的能源管理控制系统及其控制方法
CN117406817A (zh) * 2023-12-13 2024-01-16 福建德尔科技股份有限公司 一种用于制备一氟甲烷的氟化反应控制系统及方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102375936A (zh) * 2011-10-10 2012-03-14 上海师范大学 一种乙烯精馏塔塔顶乙烷浓度的实时测量仪表
CN109034366A (zh) * 2018-07-18 2018-12-18 北京化工大学 基于多激活函数的elm集成模型在化工建模中的应用
CN110204414A (zh) * 2019-06-25 2019-09-06 福建省杭氟电子材料有限公司 一种一氟甲烷的制备方法
US20200340941A1 (en) * 2019-04-23 2020-10-29 Toyota Research Institute, Inc. Methods and systems for machine-learning-assisted discovery of dark electrocatalysts and photo-electrocatalysts
CN112101467A (zh) * 2020-09-17 2020-12-18 哈尔滨理工大学 一种基于深度学习的高光谱图像分类方法
CN112712117A (zh) * 2020-12-30 2021-04-27 银江股份有限公司 一种基于全卷积注意力的多元时间序列分类方法及系统
CN113111543A (zh) * 2021-05-14 2021-07-13 杭州贺鲁科技有限公司 物联网服务系统
CN113626646A (zh) * 2021-07-19 2021-11-09 杭州晶谷富完科技有限公司 智能电表数据压缩方法、装置和电子设备
CN113947739A (zh) * 2021-10-15 2022-01-18 深圳市铠硕达科技有限公司 基于物联网的小区安全管理监控系统及其监控方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU66216U1 (ru) * 2007-05-07 2007-09-10 Марат Абдуллович Ураксеев Система автоматического управления процессом ректификации
CN106542959B (zh) * 2016-11-01 2019-05-14 北京宇极科技发展有限公司 一氟甲烷的制备方法
CN113816826B (zh) * 2021-11-03 2023-05-02 中船(邯郸)派瑞特种气体股份有限公司 一种电子级一氟甲烷的纯化方法
CN114870416B (zh) * 2022-04-28 2023-01-24 福建德尔科技股份有限公司 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

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102375936A (zh) * 2011-10-10 2012-03-14 上海师范大学 一种乙烯精馏塔塔顶乙烷浓度的实时测量仪表
CN109034366A (zh) * 2018-07-18 2018-12-18 北京化工大学 基于多激活函数的elm集成模型在化工建模中的应用
US20200340941A1 (en) * 2019-04-23 2020-10-29 Toyota Research Institute, Inc. Methods and systems for machine-learning-assisted discovery of dark electrocatalysts and photo-electrocatalysts
CN110204414A (zh) * 2019-06-25 2019-09-06 福建省杭氟电子材料有限公司 一种一氟甲烷的制备方法
CN112101467A (zh) * 2020-09-17 2020-12-18 哈尔滨理工大学 一种基于深度学习的高光谱图像分类方法
CN112712117A (zh) * 2020-12-30 2021-04-27 银江股份有限公司 一种基于全卷积注意力的多元时间序列分类方法及系统
CN113111543A (zh) * 2021-05-14 2021-07-13 杭州贺鲁科技有限公司 物联网服务系统
CN113626646A (zh) * 2021-07-19 2021-11-09 杭州晶谷富完科技有限公司 智能电表数据压缩方法、装置和电子设备
CN113947739A (zh) * 2021-10-15 2022-01-18 深圳市铠硕达科技有限公司 基于物联网的小区安全管理监控系统及其监控方法

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023206914A1 (zh) * 2022-04-28 2023-11-02 福建德尔科技股份有限公司 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
WO2024000800A1 (zh) * 2022-06-30 2024-01-04 福建省龙德新能源有限公司 用于六氟磷酸锂制备的能源管理控制系统及其控制方法
WO2024045247A1 (zh) * 2022-08-31 2024-03-07 福建天甫电子材料有限公司 用于氟化铵生产的生产管理控制系统及其控制方法
CN115453990A (zh) * 2022-08-31 2022-12-09 福建天甫电子材料有限公司 用于氟化铵生产的生产管理控制系统及其控制方法
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
CN115599049B (zh) * 2022-08-31 2023-04-07 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
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
CN115328228A (zh) * 2022-10-13 2022-11-11 新乡市合力鑫电源有限公司 一种高频开关电源
CN115688592A (zh) * 2022-11-09 2023-02-03 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
CN115903705A (zh) * 2022-11-30 2023-04-04 福建省杭氟电子材料有限公司 用于电子级六氟丁二烯制备的生产管理控制系统
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
CN117406817B (zh) * 2023-12-13 2024-03-01 福建德尔科技股份有限公司 一种用于制备一氟甲烷的氟化反应控制系统及方法
CN117406817A (zh) * 2023-12-13 2024-01-16 福建德尔科技股份有限公司 一种用于制备一氟甲烷的氟化反应控制系统及方法

Also Published As

Publication number Publication date
WO2023206914A1 (zh) 2023-11-02
CN114870416B (zh) 2023-01-24

Similar Documents

Publication Publication Date Title
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
WO2023206724A1 (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
CN115599049B (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
CN115079572B (zh) 用于六氟磷酸锂制备的能源管理控制系统及其控制方法
CN113408455B (zh) 一种基于多流信息增强图卷积网络的动作识别方法、系统及存储介质
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
WO2023226228A1 (zh) 用于电子级双氧水制备的智能化有毒有害气体报警系统
WO2023226226A1 (zh) 用于电子级三氟甲烷制备的精馏控制系统及其控制方法
CN115688592A (zh) 用于电子级四氟化碳制备的精馏控制系统及其方法
CN115291646B (zh) 用于氟化锂制备的能源管理控制系统及其控制方法
WO2024021254A1 (zh) 电子级三氟化氯的智能分离纯化系统
CN115202265A (zh) 电子级氢氧化钾的智慧产线的控制系统及其控制方法
CN116092701B (zh) 基于健康数据分析管理平台的控制系统及其方法
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
CN116086133A (zh) 化学链空气分离技术制备高纯氧气的装置及方法
CN116768206A (zh) 石墨的纯化工艺及其系统
CN114529085A (zh) 基于大数据的居民收入预测系统及其预测方法
CN115983126A (zh) 异麦芽糖酐铁1000的智能化制备方法
CN116143127A (zh) 石英砂的自动化生产系统及其方法
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
CN115219845A (zh) 电网故障诊断系统及其方法
CN114611795A (zh) 基于水位联动的水位预测方法及其系统
CN112733751A (zh) 用于余热回收的智能进水控制方法
CN115090200B (zh) 用于电子级氢氟酸制备的自动配料系统及其配料方法
CN115456259A (zh) 基于中尺度数据的风电场选址优化系统及其方法

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