CN114995131B - 用于电子级三氟甲烷制备的精馏控制系统及其控制方法 - Google Patents
用于电子级三氟甲烷制备的精馏控制系统及其控制方法 Download PDFInfo
- Publication number
- CN114995131B CN114995131B CN202210574978.3A CN202210574978A CN114995131B CN 114995131 B CN114995131 B CN 114995131B CN 202210574978 A CN202210574978 A CN 202210574978A CN 114995131 B CN114995131 B CN 114995131B
- Authority
- CN
- China
- Prior art keywords
- rectification
- trifluoromethane
- feature
- neural network
- time point
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Separation By Low-Temperature Treatments (AREA)
- Vaporization, Distillation, Condensation, Sublimation, And Cold Traps (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三氟甲烷制备的精馏控制系统及其控制方法。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从优化控制算法的角度,进行全局的、高精度的、动态的且自适应的调整控制参数,进而提高所述电子级三氟甲烷的提纯纯度。
Description
技术领域
本发明涉及电子级气体的智能制造领域,且更为具体地,涉及一种用于电子级三氟甲烷制备的精馏控制系统及其控制方法。
背景技术
三氟甲烷,又称三氟甲,是一种无色、微味,不导电的气体,是理想的卤代烷替代物。在半导体工艺中,CHF3常用于等离子刻蚀或反应离子刻蚀二氧化硅工艺,CHF3的特点就是腐蚀二氧化硅的速度快,腐蚀硅的速度慢,即不但选择性好,而且速率差大,满足半导体工艺的要求。作为8-12英寸芯片制造过程中刻蚀剂的高纯三氟甲烷的需求量随着半导体行业的迅猛发展,不断增加。
一般半导体工业用高纯三氟甲烷纯度为99.999%,其纯化涉及多种杂质的深度脱除技术,三氟甲烷极性较高,原料一般含有大量的CHCl3、CCl2F2、CHClF2、O2、N2、CO2等杂质,CHF3和CO2沸点非常接近,和二氟一氯甲烷的沸点和性质极其相近,且两者容易形成共沸物,分离困难。
我国现有的工业化三氟甲烷纯度较低,一般99.8%-99.9%,未达到半导体行业的使用要求。先存一些用于三氟甲烷的提纯方案,例如,专利CN103951543A采用具有多级精馏的纯化装置来提高三氟甲烷的纯度,但这种通过在结构层面优化的提纯方案需采用具有复杂结构的纯化装置,成本高昂。
因此,期待一种新型的用于三氟甲烷的提纯控制方案以使得最终提纯获得的三氟甲烷的纯度能够满足电子级气体的纯度要求。
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三氟甲烷制备的精馏控制系统及其控制方法,其使用基于人工智能技术的智能控制方法来从优化控制算法的角度,进行全局的、高精度的、动态的且自适应的调整控制参数,进而提高所述电子级三氟甲烷的提纯纯度。
根据本申请的一个方面,提供了一种用于电子级三氟甲烷制备的精馏控制系统,其包括:
精馏参数数据获取单元,用于获取包含当前时间点在内的多个预定时间点的分子筛吸附器的温度数据、所述分子筛吸附器的压力数据、三氟甲烷粗制品输入所述分子筛吸附器的流量数据、精馏塔的低温换热器的工作功率;
产物数据获取单元,用于获取包含当前时间点在内的多个预定时间点的精馏产物的气相色谱图;
第一级精馏参数编码单元,用于将所述包含当前时间点在内的多个预定时间点的分子筛吸附器的温度数据、所述分子筛吸附器的压力数据、三氟甲烷粗制品输入所述分子筛吸附器的流量数据排列为二维的输入矩阵后通过第一卷积神经网络以生成第一特征图,其中,所述第一卷积神经网络的相邻层使用互为转置的卷积核;
第二级精馏参数编码单元,用于将所述包含当前时间点在内的多个预定时间点的精馏塔的低温换热器的工作功率通过包含嵌入层的上下文编码器以获得多个特征向量,并将所述多个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;
产物数据编码单元,用于将所述包含当前时间点在内的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三卷积神经网络以获得第三特征图;
特征图校正单元,用于对所述第一至第三特征图中各个特征图进行基于类别差分的特征值校正以生成校正后第一至第三特征图;
特征图融合单元,用于融合所述校正后第一至第三特征图以获得分类特征图;以及
控制结果生成单元,用于将所述分类特征图通过分类器以获得分类结果,所述分类结果为当前时间点的控制参数组合是否合理。
在上述用于电子级三氟甲烷制备的精馏控制系统中,所述第一级精馏参数编码单元,进一步用于:使用所述第一卷积神经网络的第i层的卷积层使用第一卷积核以如下公式对输入数据进行处理以生成第i特征图,所述公式为h=f(wi*x+b),*表示卷积运算,f(.)表示激活函数;以及,使用所述第一卷积神经网络的第i+1层的卷积层使用第二卷积核以如下公式对所述第i特征图进行处理,所述公式为h=f(wi+1*x+b),*表示卷积运算,f(.)表示激活函数,其中,wi+1=wi T。
在上述用于电子级三氟甲烷制备的精馏控制系统中,所述第二级精馏参数编码单元,包括:嵌入层子单元,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所述包含当前时间点在内的多个预定时间点的精馏塔的低温换热器的工作功率转化为输入向量以获得输入向量的序列;上下文编码子单元,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嵌入层子单元获得的所述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;二维排列子单元,用于将所述上下文编码子单元获得的所述多个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。
在上述用于电子级三氟甲烷制备的精馏控制系统中,所述产物数据编码单元,进一步用于:使用所述三维卷积核的第三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、池化处理和激活处理以由所述第三卷积神经网络的最后一层生成所述第三特征图,其中,所述第三卷积神经网络的第一层的输入为所述包含当前时间点在内的多个预定时间点的精馏产物的气相色谱图。
在上述用于电子级三氟甲烷制备的精馏控制系统中,所述特征图校正单元,进一步用于:以如下公式对所述第一至第三特征图中各个特征图进行基于类别差分的特征值校正以生成校正后所述第一至第三特征图;
其中,所述公式为:
在上述用于电子级三氟甲烷制备的精馏控制系统中,所述控制结果生成单元,进一步用于:所述分类器以如下公式对所述分类特征图进行处理以生成分类结果,其中,所述公式为:softmax{(Wn,Bn):...:(W1,B1)|Project(F)},其中Project(F)表示将所述分类特征图投影为向量,W1至Wn为各层全连接层的权重矩阵,B1至Bn表示各层全连接层的偏置矩阵。
根据本申请的另一方面,一种用于电子级三氟甲烷制备的精馏控制系统的控制方法,其包括:
获取包含当前时间点在内的多个预定时间点的分子筛吸附器的温度数据、所述分子筛吸附器的压力数据、三氟甲烷粗制品输入所述分子筛吸附器的流量数据、精馏塔的低温换热器的工作功率;
获取包含当前时间点在内的多个预定时间点的精馏产物的气相色谱图;
将所述包含当前时间点在内的多个预定时间点的分子筛吸附器的温度数据、所述分子筛吸附器的压力数据、三氟甲烷粗制品输入所述分子筛吸附器的流量数据排列为二维的输入矩阵后通过第一卷积神经网络以生成第一特征图,其中,所述第一卷积神经网络的相邻层使用互为转置的卷积核;
将所述包含当前时间点在内的多个预定时间点的精馏塔的低温换热器的工作功率通过包含嵌入层的上下文编码器以获得多个特征向量,并将所述多个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;
将所述包含当前时间点在内的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三卷积神经网络以获得第三特征图;
对所述第一至第三特征图中各个特征图进行基于类别差分的特征值校正以生成校正后第一至第三特征图;
融合所述校正后第一至第三特征图以获得分类特征图;以及
将所述分类特征图通过分类器以获得分类结果,所述分类结果为当前时间点的控制参数组合是否合理。
在上述用于电子级三氟甲烷制备的精馏控制系统的控制方法中,将所述包含当前时间点在内的多个预定时间点的分子筛吸附器的温度数据、所述分子筛吸附器的压力数据、三氟甲烷粗制品输入所述分子筛吸附器的流量数据排列为二维的输入矩阵后通过第一卷积神经网络以生成第一特征图,包括:使用所述第一卷积神经网络的第i层的卷积层使用第一卷积核以如下公式对输入数据进行处理以生成第i特征图,所述公式为h=f(wi*x+b),*表示卷积运算,f(.)表示激活函数;以及,使用所述第一卷积神经网络的第i+1层的卷积层使用第二卷积核以如下公式对所述第i特征图进行处理,所述公式为h=f(wi+1*x+b),*表示卷积运算,f(.)表示激活函数,其中,wi+1=wi T。
在上述用于电子级三氟甲烷制备的精馏控制系统的控制方法中,将所述包含当前时间点在内的多个预定时间点的精馏塔的低温换热器的工作功率通过包含嵌入层的上下文编码器以获得多个特征向量,并将所述多个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,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所述包含当前时间点在内的多个预定时间点的精馏塔的低温换热器的工作功率转化为输入向量以获得输入向量的序列;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嵌入层子单元获得的所述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;将所述上下文编码子单元获得的所述多个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。
在上述用于电子级三氟甲烷制备的精馏控制系统的控制方法中,将所述包含当前时间点在内的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三卷积神经网络以获得第三特征图,包括:使用所述三维卷积核的第三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、池化处理和激活处理以由所述第三卷积神经网络的最后一层生成所述第三特征图,其中,所述第三卷积神经网络的第一层的输入为所述包含当前时间点在内的多个预定时间点的精馏产物的气相色谱图。
在上述用于电子级三氟甲烷制备的精馏控制系统的控制方法中,对所述第一至第三特征图中各个特征图进行基于类别差分的特征值校正以生成校正后第一至第三特征图,包括:以如下公式对所述第一至第三特征图中各个特征图进行基于类别差分的特征值校正以生成校正后所述第一至第三特征图;
其中,所述公式为:
在上述用于电子级三氟甲烷制备的精馏控制系统的控制方法中,将所述分类特征图通过分类器以获得分类结果,所述分类结果为当前时间点的控制参数组合是否合理,包括:所述分类器以如下公式对所述分类特征图进行处理以生成分类结果,其中,所述公式为:softmax{(Wn,Bn):...:(W1,B1)|Project(F)},其中Project(F)表示将所述分类特征图投影为向量,W1至Wn为各层全连接层的权重矩阵,B1至Bn表示各层全连接层的偏置矩阵。
与现有技术相比,本申请提供的用于电子级三氟甲烷制备的精馏控制系统及其控制方法,其使用基于人工智能技术的智能控制方法来从优化控制算法的角度,进行全局的、高精度的、动态的且自适应的调整控制参数,进而提高所述电子级三氟甲烷的提纯纯度。
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三氟甲烷制备的精馏控制系统的应用场景图。
图2为根据本申请实施例的用于电子级三氟甲烷制备的精馏控制系统的框图。
图3为根据本申请实施例的用于电子级三氟甲烷制备的精馏控制系统中第二级精馏参数编码单元的框图。
图4为根据本申请实施例的用于电子级三氟甲烷制备的精馏控制系统的控制方法的流程图。
图5为根据本申请实施例的用于电子级三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,三氟甲烷,又称三氟甲,是一种无色、微味,不导电的气体,是理想的卤代烷替代物。在半导体工艺中,CHF3常用于等离子刻蚀或反应离子刻蚀二氧化硅工艺,CHF3的特点就是腐蚀二氧化硅的速度快,腐蚀硅的速度慢,即不但选择性好,而且速率差大,满足半导体工艺的要求。作为8-12英寸芯片制造过程中刻蚀剂的高纯三氟甲烷的需求量随着半导体行业的迅猛发展,不断增加。
一般半导体工业用高纯三氟甲烷纯度为99.999%,其纯化涉及多种杂质的深度脱除技术,三氟甲烷极性较高,原料一般含有大量的CHCl3、CCl2F2、CHClF2、O2、N2、CO2等杂质,CHF3和CO2沸点非常接近,和二氟一氯甲烷的沸点和性质极其相近,且两者容易形成共沸物,分离困难。
我国现有的工业化三氟甲烷纯度较低,一般99.8%-99.9%,未达到半导体行业的使用要求。先存一些用于三氟甲烷的提纯方案,例如,专利CN103951543A采用具有多级精馏的纯化装置来提高三氟甲烷的纯度,但这种通过在结构层面优化的提纯方案需采用具有复杂结构的纯化装置,成本高昂。
因此,期待一种新型的用于三氟甲烷的提纯控制方案以使得最终提纯获得的三氟甲烷的纯度能够满足电子级气体的纯度要求。
现有方案大多通过多级精馏或者采用多种提纯方式组合的方式来提高三氟甲烷的纯度。例如,在如专利CN201110423419.4揭露的技术方案中,其采用二级精馏系统,包括作为一级精馏的分子筛吸附器和作为二级精馏的精馏塔,其中,原料三氟甲烷在一定温度和压力条件下,以一定流量进入分子筛吸附器(吸附器内装3A分子筛)中。在吸附CHCl3和CCl2F2后,引入低温精馏釜中,在-155℃至-84℃之间进行间歇精馏,除去CHCl3、O2、N2等杂质,从而获得99.99%以上高纯CHF3,用液氮深冷法收集于铝合金容器中。所述精馏塔靠冷凝器提供回流液冷量,靠低温换热器来换热,低温换热器的冷量靠压缩机,真空泵,乙烯缓冲罐来提供冷量,高纯三氟甲烷产品进入产品缓冲罐后进入膜式压缩机充装。
但是,这种技术路线不仅会导致大量设备成本的增加,同时,也存在提纯极限。本申请发明人在实验中发现在多级精馏的方案中,当精馏的级数增加到预定数量后,三氟甲烷的纯度基本上不会发生变化且难以达到电子级气体的纯度要求。
为此,本申请发明人尝试从优化控制算法的技术路线来提高三氟甲烷的纯度。以专利CN201110423419.4揭露的二级精馏系统为例,应可以理解,在实际分子筛吸附器的工作过程中,其内部设置的温度和压力以及三氟甲烷流入的流量在不同阶段都有其优选控制策略,同时,温度、压力和流量三者之间相互关联并协同影响分子筛吸附器的工作效果。此外,从分子筛吸附器流出的第一级提纯产物会流入精馏塔进行精馏,因此,分子筛吸附器的参数控制还需要后续精馏塔的参数控制。同样地,在设定精馏塔的控制策略时,其不仅需要考虑分子筛吸附器的控制情况,还需要考虑精馏产物的实时产生情况。因此,对于三氟甲烷的精馏系统的控制系统而言,期待一种基于全局的、高精度的、动态的且自适应的控制系统。
近年来,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三氟甲烷的精馏系统的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,首先获取包含当前时间点在内的多个预定时间点的控制参数,所述控制参数包括分子筛吸附器的温度数据、所述分子筛吸附器的压力数据、三氟甲烷粗制品输入所述分子筛吸附器的流量数据、精馏塔的低温换热器的工作功率。
然后,对于一级精馏的控制参数,将所述包含当前时间点在内的多个预定时间点的分子筛吸附器的温度数据、所述分子筛吸附器的压力数据、三氟甲烷粗制品输入所述分子筛吸附器的流量数据排列为二维的输入矩阵,并使用卷积神经网络模型对所述输入矩阵进行编码以提取所述输入矩阵中同一预定时间点的各项控制参数之间的高维隐含关联,不同预定时间点的不同控制参数之间的高维隐含关联,以及,同一控制参数在不同预定时间点之间的高维隐含关联。
接着,对于二级精馏的控制参数,使用上下文编码器对所述包含当前时间点在内的多个预定时间点的精馏塔的低温换热器的工作功率进行编码以提取各个预定时间点的工作功率相对于全局的上下文高维语义特征,以获得多个特征向量。并进一步地,使用卷积神经网络模型对由所述多个特征向量组成的特征矩阵进行编码以提取各个预定时间点的工作功率相对于全局的高维隐含关联特征之间的高维关联隐含特征。
另一方面,考虑到所述精馏系统的基本目的是为了获得满足预设要求的电子级三氟甲烷,因此,在对用于电子级三氟甲烷制备的精馏系统进行参数控制时,需将三氟甲烷的实时产物的情况考虑在内。具体地,在本申请实施例中,以使用三维卷积核的卷积神经网络模型对所述包含当前时间点在内的多个预定时间点的精馏产物的气相色谱图进行编码以提取出各个预定时间点的精馏产物的绝对量的高维隐含特征和相对变化量的高维隐含特征以得到第三特征图。
接着,融合所述第一至第三特征图就可以对所述精馏系统的控制参数的组合进行分类判断。但在对特征图进行融合时,考虑到卷积网络的卷积核对于源数据进行了像素级别的关联特征提取,其不可避免地会受到源数据内的微小的数值扰动的影响,从而在特征图中体现为偏离整体分布的离群特征值。而在特征图融合时,由于第一到第三卷积神经网络的卷积核本质上都是小尺度的局部卷积核,这些离群特征值一般无法通过例如点加的融合方式而抵消,从而影响最终得到的融合特征图的分类效果。基于此,对特征图进行修正,表示为:
通过以特征图的每个位置的特征值作为单变量,计算其类别差分的负对数,可以对特征值相对于整体分布的特殊分布进行一般性类别化,从而使得作为特殊示例的离群特征值在整体分布内的隐蔽性增强,以改进融合后的特征图的分类能力。这样,提高对精馏系统的当前时间点的控制参数组合的合理性的分类判断的精准度。
基于此,本申请提出了一种用于电子级三氟甲烷制备的精馏控制系统,其包括:精馏参数数据获取单元,用于获取包含当前时间点在内的多个预定时间点的分子筛吸附器的温度数据、所述分子筛吸附器的压力数据、三氟甲烷粗制品输入所述分子筛吸附器的流量数据、精馏塔的低温换热器的工作功率;产物数据获取单元,用于获取包含当前时间点在内的多个预定时间点的精馏产物的气相色谱图;第一级精馏参数编码单元,用于将所述包含当前时间点在内的多个预定时间点的分子筛吸附器的温度数据、所述分子筛吸附器的压力数据、三氟甲烷粗制品输入所述分子筛吸附器的流量数据排列为二维的输入矩阵后通过第一卷积神经网络以生成第一特征图,其中,所述第一卷积神经网络的相邻层使用互为转置的卷积核;第二级精馏参数编码单元,用于将所述包含当前时间点在内的多个预定时间点的精馏塔的低温换热器的工作功率通过包含嵌入层的上下文编码器以获得多个特征向量,并将所述多个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;产物数据编码单元,用于将所述包含当前时间点在内的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三卷积神经网络以获得第三特征图;特征图校正单元,用于对所述第一至第三特征图中各个特征图进行基于类别差分的特征值校正以生成校正后第一至第三特征图;特征图融合单元,用于融合所述校正后第一至第三特征图以获得分类特征图;以及,控制结果生成单元,用于将所述分类特征图通过分类器以获得分类结果,所述分类结果为当前时间点的控制参数组合是否合理。
图1图示了根据本申请实施例的用于电子级三氟甲烷制备的精馏控制系统的应用场景图。如图1所示,在该应用场景中,首先,通过部署于电子级三氟甲烷制备的精馏控制系统中的各个传感器(例如,如图1中所示意的传感器T1-Tn)获取所述包含当前时间点在内的多个预定时间点的分子筛吸附器(例如,如图1中所示意的M)的温度数据、所述分子筛吸附器的压力数据、三氟甲烷粗制品输入所述分子筛吸附器的流量数据、精馏塔(例如,如图1中所示意的D)的低温换热器(例如,如图1中所示意的E)的工作功率,并且通过部署于精馏塔的气相色谱仪(例如,如图1中所示意的C)获取包含当前时间点在内的多个预定时间点的精馏产物(例如,如图1中所示意的P)的气相色谱图。然后,将获得的所述分子筛吸附器的温度数据、所述分子筛吸附器的压力数据、三氟甲烷粗制品输入所述分子筛吸附器的流量数据、精馏塔的低温换热器的工作功率以及精馏产物的气相色谱图输入至部署有用于电子级三氟甲烷制备的精馏控制算法的服务器中(例如,如图1中所示意的云服务器S),其中,所述服务器能够以用于电子级三氟甲烷制备的精馏控制算法对所述分子筛吸附器的温度数据、所述分子筛吸附器的压力数据、三氟甲烷粗制品输入所述分子筛吸附器的流量数据、精馏塔的低温换热器的工作功率以及精馏产物的气相色谱图进行处理,以生成用于表示当前时间点的控制参数组合是否合理的分类结果。进而,基于所述分类结果对所述精馏系统的不合理的控制参数进行动态调整,以提高电子级三氟甲烷的提纯纯度。
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2图示了根据本申请实施例的用于电子级三氟甲烷制备的精馏控制系统的框图。如图2所示,根据本申请实施例的用于电子级三氟甲烷制备的精馏控制系统200,包括:精馏参数数据获取单元210,用于获取包含当前时间点在内的多个预定时间点的分子筛吸附器的温度数据、所述分子筛吸附器的压力数据、三氟甲烷粗制品输入所述分子筛吸附器的流量数据、精馏塔的低温换热器的工作功率;产物数据获取单元220,用于获取包含当前时间点在内的多个预定时间点的精馏产物的气相色谱图;第一级精馏参数编码单元230,用于将所述包含当前时间点在内的多个预定时间点的分子筛吸附器的温度数据、所述分子筛吸附器的压力数据、三氟甲烷粗制品输入所述分子筛吸附器的流量数据排列为二维的输入矩阵后通过第一卷积神经网络以生成第一特征图,其中,所述第一卷积神经网络的相邻层使用互为转置的卷积核;第二级精馏参数编码单元240,用于将所述包含当前时间点在内的多个预定时间点的精馏塔的低温换热器的工作功率通过包含嵌入层的上下文编码器以获得多个特征向量,并将所述多个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;产物数据编码单元250,用于将所述包含当前时间点在内的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三卷积神经网络以获得第三特征图;特征图校正单元260,用于对所述第一至第三特征图中各个特征图进行基于类别差分的特征值校正以生成校正后第一至第三特征图;特征图融合单元270,用于融合所述校正后第一至第三特征图以获得分类特征图;以及,控制结果生成单元280,用于将所述分类特征图通过分类器以获得分类结果,所述分类结果为当前时间点的控制参数组合是否合理。
具体地,在本申请实施例中,所述精馏参数数据获取单元210和所述产物数据获取单元220,用于获取包含当前时间点在内的多个预定时间点的分子筛吸附器的温度数据、所述分子筛吸附器的压力数据、三氟甲烷粗制品输入所述分子筛吸附器的流量数据、精馏塔的低温换热器的工作功率,并获取包含当前时间点在内的多个预定时间点的精馏产物的气相色谱图。如前所述,在本申请的技术方案中,选择从优化控制算法的技术路线来提高三氟甲烷的纯度。应可以理解,在实际分子筛吸附器的工作过程中,其内部设置的温度和压力以及三氟甲烷流入的流量在不同阶段都有其优选控制策略,同时,所述温度、压力和流量三者之间相互关联并协同影响所述分子筛吸附器的工作效果。此外,从所述分子筛吸附器流出的第一级提纯产物会流入精馏塔进行精馏,因此,所述分子筛吸附器的参数控制还需要后续精馏塔的参数控制。同样地,在设定所述精馏塔的控制策略时,其不仅需要考虑分子筛吸附器的控制情况,还需要考虑精馏产物的实时产生情况。
因此,在本申请的技术方案中,具体地,首先,通过部署于电子级三氟甲烷制备的精馏控制系统中的各个传感器获取包含当前时间点在内的多个预定时间点的控制参数,所述控制参数包括分子筛吸附器的温度数据、所述分子筛吸附器的压力数据、三氟甲烷粗制品输入所述分子筛吸附器的流量数据、精馏塔的低温换热器的工作功率。并且通过部署于所述精馏塔的气相色谱仪获取包含当前时间点在内的多个预定时间点的精馏产物的气相色谱图。
具体地,在本申请实施例中,所述第一级精馏参数编码单元230和所述第二级精馏参数编码单元240,用于将所述包含当前时间点在内的多个预定时间点的分子筛吸附器的温度数据、所述分子筛吸附器的压力数据、三氟甲烷粗制品输入所述分子筛吸附器的流量数据排列为二维的输入矩阵后通过第一卷积神经网络以生成第一特征图,其中,所述第一卷积神经网络的相邻层使用互为转置的卷积核,并将所述包含当前时间点在内的多个预定时间点的精馏塔的低温换热器的工作功率通过包含嵌入层的上下文编码器以获得多个特征向量,并将所述多个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,然后,对于所述一级精馏的控制参数,将所述包含当前时间点在内的多个预定时间点的分子筛吸附器的温度数据、所述分子筛吸附器的压力数据、三氟甲烷粗制品输入所述分子筛吸附器的流量数据排列为二维的输入矩阵,并使用所述卷积神经网络模型对所述输入矩阵进行编码以提取所述输入矩阵中同一预定时间点的所述各项控制参数之间的高维隐含关联,不同预定时间点的不同控制参数之间的高维隐含关联,以及,所述同一控制参数在不同预定时间点之间的高维隐含关联,从而获得所述第一特征图。
接着,对于所述二级精馏的控制参数,使用所述上下文编码器对所述包含当前时间点在内的多个预定时间点的精馏塔的低温换热器的工作功率进行编码以提取所述各个预定时间点的工作功率相对于全局的上下文高维语义特征,以获得所述多个特征向量。并进一步地,使用卷积神经网络模型对由所述多个特征向量组成的特征矩阵进行编码以提取所述各个预定时间点的工作功率相对于全局的高维隐含关联特征之间的高维关联隐含特征,从而获得第二特征图。
更具体地,在本申请实施例中,所述第一级精馏参数编码单元,进一步用于:使用所述第一卷积神经网络的第i层的卷积层使用第一卷积核以如下公式对输入数据进行处理以生成第i特征图,所述公式为h=f(wi*x+b),*表示卷积运算,f(.)表示激活函数;以及,使用所述第一卷积神经网络的第i+1层的卷积层使用第二卷积核以如下公式对所述第i特征图进行处理,所述公式为h=f(wi+1*x+b),*表示卷积运算,f(.)表示激活函数,其中,wi+1=wi T。
更具体地,在本申请实施例中,所述第二级精馏参数编码单元,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所述包含当前时间点在内的多个预定时间点的精馏塔的低温换热器的工作功率转化为输入向量以获得输入向量的序列;接着,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嵌入层子单元获得的所述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;然后,将所述上下文编码子单元获得的所述多个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,由于使用所述转换器的编码器模型能够基于上下文对所述输入向量进行编码,因此所获得的所述多个特征向量具有全局性的工作功率关联特征信息。
图3图示了根据本申请实施例的用于电子级三氟甲烷制备的精馏控制系统中第二级精馏参数编码单元的框图。如图3所示,所述第二级精馏参数编码单元240,包括:嵌入层子单元241,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所述包含当前时间点在内的多个预定时间点的精馏塔的低温换热器的工作功率转化为输入向量以获得输入向量的序列;上下文编码子单元242,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嵌入层子单元241获得的所述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;二维排列子单元243,用于将所述上下文编码子单元242获得的所述多个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。
具体地,在本申请实施例中,所述产物数据编码单元250,用于将所述包含当前时间点在内的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三卷积神经网络以获得第三特征图。应可以理解,考虑到所述精馏系统的基本目的是为了获得满足预设要求的电子级三氟甲烷,因此,在对用于所述电子级三氟甲烷制备的精馏系统进行参数控制时,需将所述三氟甲烷的实时产物的情况考虑在内。具体地,在本申请的技术方案中,以使用所述三维卷积核的卷积神经网络模型对所述包含当前时间点在内的多个预定时间点的精馏产物的气相色谱图进行编码,以提取出所述各个预定时间点的精馏产物的绝对量的高维隐含特征和相对变化量的高维隐含特征以得到第三特征图。
相应地,在一个具体示例中,使用所述三维卷积核的第三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、池化处理和激活处理以由所述第三卷积神经网络的最后一层生成所述第三特征图,其中,所述第三卷积神经网络的第一层的输入为所述包含当前时间点在内的多个预定时间点的精馏产物的气相色谱图。
具体地,在本申请实施例中,所述特征图校正单元260,用于对所述第一至第三特征图中各个特征图进行基于类别差分的特征值校正以生成校正后第一至第三特征图。应可以理解,在本申请的技术方案中,进一步融合所述第一至第三特征图就可以对所述精馏系统的控制参数的组合进行分类判断。但在对所述特征图进行融合时,考虑到所述卷积网络的卷积核对于源数据进行了像素级别的关联特征提取,其不可避免地会受到源数据内的微小的数值扰动的影响,从而在所述特征图中体现为偏离整体分布的离群特征值。而在特征图融合时,由于所述第一到第三卷积神经网络的卷积核本质上都是小尺度的局部卷积核,这些离群特征值一般无法通过例如点加的融合方式而抵消,从而影响最终得到的融合特征图的分类效果。因此,在本申请的技术方案中,还需要进一步对所述第一至第三特征图中各个特征图进行修正。
更具体地,在本申请实施例中,所述特征图校正单元,进一步用于:以如下公式对所述第一至第三特征图中各个特征图进行基于类别差分的特征值校正以生成校正后所述第一至第三特征图;
其中,所述公式为:
其中fi,j,k为所述特征图的第(i,j,k)位置的特征值,且是所述特征图的各个位置的特征值的全局均值。应可以理解,通过以所述特征图的每个位置的特征值作为单变量,计算其类别差分的负对数,可以对所述特征值相对于整体分布的特殊分布进行一般性类别化,从而使得作为特殊示例的离群特征值在整体分布内的隐蔽性增强,以改进融合后的特征图的分类能力。这样,能够提高对精馏系统的当前时间点的控制参数组合的合理性的分类判断的精准度。
具体地,在本申请实施例中,所述特征图融合单元270和所述控制结果生成单元280,用于融合所述校正后第一至第三特征图以获得分类特征图,并将所述分类特征图通过分类器以获得分类结果,所述分类结果为当前时间点的控制参数组合是否合理。也就是,在本申请的技术方案中,进一步就可以融合得到的所述校正后第一至第三特征图以获得分类特征图来进行分类处理,从而得到用于表示所述当前时间点的控制参数组合是否合理的分类结果。相应地,在一个具体示例中,所述分类器以如下公式对所述分类特征图进行处理以生成分类结果,其中,所述公式为:softmax{(Wn,Bn):...:(W1,B1)|Project(F)},其中Project(F)表示将所述分类特征图投影为向量,W1至Wn为各层全连接层的权重矩阵,B1至Bn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三氟甲烷制备的精馏控制系统200被阐明,其使用基于人工智能技术的智能控制方法来从优化控制算法的角度,进行全局的、高精度的、动态的且自适应的调整控制参数,进而提高所述电子级三氟甲烷的提纯纯度。
如上所述,根据本申请实施例的用于电子级三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,例如用于电子级三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三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,该用于电子级三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,该用于电子级三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,该用于电子级三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,并且该用于电子级三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4图示了用于电子级三氟甲烷制备的精馏控制系统的控制方法的流程图。如图4所示,根据本申请实施例的用于电子级三氟甲烷制备的精馏控制系统的控制方法,包括步骤:S110,获取包含当前时间点在内的多个预定时间点的分子筛吸附器的温度数据、所述分子筛吸附器的压力数据、三氟甲烷粗制品输入所述分子筛吸附器的流量数据、精馏塔的低温换热器的工作功率;S120,获取包含当前时间点在内的多个预定时间点的精馏产物的气相色谱图;S130,将所述包含当前时间点在内的多个预定时间点的分子筛吸附器的温度数据、所述分子筛吸附器的压力数据、三氟甲烷粗制品输入所述分子筛吸附器的流量数据排列为二维的输入矩阵后通过第一卷积神经网络以生成第一特征图,其中,所述第一卷积神经网络的相邻层使用互为转置的卷积核;S140,将所述包含当前时间点在内的多个预定时间点的精馏塔的低温换热器的工作功率通过包含嵌入层的上下文编码器以获得多个特征向量,并将所述多个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;S150,将所述包含当前时间点在内的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三卷积神经网络以获得第三特征图;S160,对所述第一至第三特征图中各个特征图进行基于类别差分的特征值校正以生成校正后第一至第三特征图;S170,融合所述校正后第一至第三特征图以获得分类特征图;以及,S180,将所述分类特征图通过分类器以获得分类结果,所述分类结果为当前时间点的控制参数组合是否合理。
图5图示了根据本申请实施例的用于电子级三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5所示,在所述用于电子级三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,将获得的所述包含当前时间点在内的多个预定时间点的分子筛吸附器的温度数据、所述分子筛吸附器的压力数据、三氟甲烷粗制品输入所述分子筛吸附器的流量数据(例如,如图5中所示意的P1)排列为二维的输入矩阵(例如,如图5中所示意的M)后通过第一卷积神经网络(例如,如图5中所示意的CNN1)以生成第一特征图(例如,如图5中所示意的F1);接着,将所述包含当前时间点在内的多个预定时间点的精馏塔的低温换热器的工作功率(例如,如图5中所示意的P2)通过包含嵌入层的上下文编码器(例如,如图5中所示意的E1)以获得多个特征向量(例如,如图5中所示意的VF1),并将所述多个特征向量进行二维排列为特征矩阵(例如,如图5中所示意的MF1)后通过第二卷积神经网络(例如,如图5中所示意的CNN2)以获得第二特征图(例如,如图5中所示意的F2);然后,将所述包含当前时间点在内的多个预定时间点的精馏产物的气相色谱图(例如,如图5中所示意的Q)通过使用三维卷积核的第三卷积神经网络(例如,如图5中所示意的CNN3)以获得第三特征图(例如,如图5中所示意的F3);接着,对所述第一至第三特征图中各个特征图进行基于类别差分的特征值校正以生成校正后第一至第三特征图(例如,如图5中所示意的F4、F5和F6);然后,融合所述校正后第一至第三特征图以获得分类特征图(例如,如图5中所示意的F);以及,最后,将所述分类特征图通过分类器(例如,如图5中所示意的分类器)以获得分类结果,所述分类结果为当前时间点的控制参数组合是否合理。
更具体地,在步骤S110和S120中,获取包含当前时间点在内的多个预定时间点的分子筛吸附器的温度数据、所述分子筛吸附器的压力数据、三氟甲烷粗制品输入所述分子筛吸附器的流量数据、精馏塔的低温换热器的工作功率,并获取包含当前时间点在内的多个预定时间点的精馏产物的气相色谱图。应可以理解,在本申请的技术方案中,选择从优化控制算法的技术路线来提高三氟甲烷的纯度。应可以理解,在实际分子筛吸附器的工作过程中,其内部设置的温度和压力以及三氟甲烷流入的流量在不同阶段都有其优选控制策略,同时,所述温度、压力和流量三者之间相互关联并协同影响所述分子筛吸附器的工作效果。此外,从所述分子筛吸附器流出的第一级提纯产物会流入精馏塔进行精馏,因此,所述分子筛吸附器的参数控制还需要后续精馏塔的参数控制。同样地,在设定所述精馏塔的控制策略时,其不仅需要考虑分子筛吸附器的控制情况,还需要考虑精馏产物的实时产生情况。
因此,在本申请的技术方案中,具体地,首先,通过部署于电子级三氟甲烷制备的精馏控制系统中的各个传感器获取包含当前时间点在内的多个预定时间点的控制参数,所述控制参数包括分子筛吸附器的温度数据、所述分子筛吸附器的压力数据、三氟甲烷粗制品输入所述分子筛吸附器的流量数据、精馏塔的低温换热器的工作功率。并且通过部署于所述精馏塔的气相色谱仪获取包含当前时间点在内的多个预定时间点的精馏产物的气相色谱图。
更具体地,在步骤S130和步骤S140中,将所述包含当前时间点在内的多个预定时间点的分子筛吸附器的温度数据、所述分子筛吸附器的压力数据、三氟甲烷粗制品输入所述分子筛吸附器的流量数据排列为二维的输入矩阵后通过第一卷积神经网络以生成第一特征图,其中,所述第一卷积神经网络的相邻层使用互为转置的卷积核,并将所述包含当前时间点在内的多个预定时间点的精馏塔的低温换热器的工作功率通过包含嵌入层的上下文编码器以获得多个特征向量,并将所述多个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,然后,对于所述一级精馏的控制参数,将所述包含当前时间点在内的多个预定时间点的分子筛吸附器的温度数据、所述分子筛吸附器的压力数据、三氟甲烷粗制品输入所述分子筛吸附器的流量数据排列为二维的输入矩阵,并使用所述卷积神经网络模型对所述输入矩阵进行编码以提取所述输入矩阵中同一预定时间点的所述各项控制参数之间的高维隐含关联,不同预定时间点的不同控制参数之间的高维隐含关联,以及,所述同一控制参数在不同预定时间点之间的高维隐含关联,从而获得所述第一特征图。
接着,对于所述二级精馏的控制参数,使用所述上下文编码器对所述包含当前时间点在内的多个预定时间点的精馏塔的低温换热器的工作功率进行编码以提取所述各个预定时间点的工作功率相对于全局的上下文高维语义特征,以获得所述多个特征向量。并进一步地,使用卷积神经网络模型对由所述多个特征向量组成的特征矩阵进行编码以提取所述各个预定时间点的工作功率相对于全局的高维隐含关联特征之间的高维关联隐含特征,从而获得第二特征图。
更具体地,在步骤S150中,将所述包含当前时间点在内的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三卷积神经网络以获得第三特征图。应可以理解,考虑到所述精馏系统的基本目的是为了获得满足预设要求的电子级三氟甲烷,因此,在对用于所述电子级三氟甲烷制备的精馏系统进行参数控制时,需将所述三氟甲烷的实时产物的情况考虑在内。具体地,在本申请的技术方案中,以使用所述三维卷积核的卷积神经网络模型对所述包含当前时间点在内的多个预定时间点的精馏产物的气相色谱图进行编码,以提取出所述各个预定时间点的精馏产物的绝对量的高维隐含特征和相对变化量的高维隐含特征以得到第三特征图。
相应地,在一个具体示例中,使用所述三维卷积核的第三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、池化处理和激活处理以由所述第三卷积神经网络的最后一层生成所述第三特征图,其中,所述第三卷积神经网络的第一层的输入为所述包含当前时间点在内的多个预定时间点的精馏产物的气相色谱图。
更具体地,在步骤S160中,对所述第一至第三特征图中各个特征图进行基于类别差分的特征值校正以生成校正后第一至第三特征图。应可以理解,在本申请的技术方案中,进一步融合所述第一至第三特征图就可以对所述精馏系统的控制参数的组合进行分类判断。但在对所述特征图进行融合时,考虑到所述卷积网络的卷积核对于源数据进行了像素级别的关联特征提取,其不可避免地会受到源数据内的微小的数值扰动的影响,从而在所述特征图中体现为偏离整体分布的离群特征值。而在特征图融合时,由于所述第一到第三卷积神经网络的卷积核本质上都是小尺度的局部卷积核,这些离群特征值一般无法通过例如点加的融合方式而抵消,从而影响最终得到的融合特征图的分类效果。因此,在本申请的技术方案中,还需要进一步对所述第一至第三特征图中各个特征图进行修正。
更具体地,在步骤S170和步骤S180中,融合所述校正后第一至第三特征图以获得分类特征图,并将所述分类特征图通过分类器以获得分类结果,所述分类结果为当前时间点的控制参数组合是否合理。也就是,在本申请的技术方案中,进一步就可以融合得到的所述校正后第一至第三特征图以获得分类特征图来进行分类处理,从而得到用于表示所述当前时间点的控制参数组合是否合理的分类结果。相应地,在一个具体示例中,所述分类器以如下公式对所述分类特征图进行处理以生成分类结果,其中,所述公式为:softmax{(Wn,Bn):...:(W1,B1)|Project(F)},其中Project(F)表示将所述分类特征图投影为向量,W1至Wn为各层全连接层的权重矩阵,B1至Bn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三氟甲烷制备的精馏控制系统的控制方法被阐明,其使用基于人工智能技术的智能控制方法来从优化控制算法的角度,进行全局的、高精度的、动态的且自适应的调整控制参数,进而提高所述电子级三氟甲烷的提纯纯度。
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 (8)
1.一种用于电子级三氟甲烷制备的精馏控制系统,其特征在于,包括:
精馏参数数据获取单元,用于获取包含当前时间点在内的多个预定时间点的分子筛吸附器的温度数据、所述分子筛吸附器的压力数据、三氟甲烷粗制品输入所述分子筛吸附器的流量数据、精馏塔的低温换热器的工作功率;
产物数据获取单元,用于获取包含当前时间点在内的多个预定时间点的精馏产物的气相色谱图;
第一级精馏参数编码单元,用于将所述包含当前时间点在内的多个预定时间点的分子筛吸附器的温度数据、所述分子筛吸附器的压力数据、三氟甲烷粗制品输入所述分子筛吸附器的流量数据排列为二维的输入矩阵后通过第一卷积神经网络以生成第一特征图,其中,所述第一卷积神经网络的相邻层使用互为转置的卷积核;
第二级精馏参数编码单元,用于将所述包含当前时间点在内的多个预定时间点的精馏塔的低温换热器的工作功率通过包含嵌入层的上下文编码器以获得多个特征向量,并将所述多个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;
产物数据编码单元,用于将所述包含当前时间点在内的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三卷积神经网络以获得第三特征图;
特征图校正单元,用于对所述第一至第三特征图中各个特征图进行基于类别差分的特征值校正以生成校正后第一至第三特征图;
特征图融合单元,用于融合所述校正后第一至第三特征图以获得分类特征图;以及
控制结果生成单元,用于将所述分类特征图通过分类器以获得分类结果,所述分类结果为当前时间点的控制参数组合是否合理;
所述特征图校正单元,进一步用于:以如下公式对所述第一至第三特征图中各个特征图进行基于类别差分的特征值校正以生成校正后所述第一至第三特征图;
其中,所述公式为:
2.根据权利要求1所述的用于电子级三氟甲烷制备的精馏控制系统,其中,所述第一级精馏参数编码单元,进一步用于:使用所述第一卷积神经网络的第i层的卷积层使用第一卷积核以如下公式对输入数据进行处理以生成第i特征图,所述公式为h=f(wi*x+b),*表示卷积运算,f(.)表示激活函数;以及,使用所述第一卷积神经网络的第i+1层的卷积层使用第二卷积核以如下公式对所述第i特征图进行处理,所述公式为h=f(wi+1*x+b),*表示卷积运算,f(.)表示激活函数,其中,wi+1=wi T。
3.根据权利要求2所述的用于电子级三氟甲烷制备的精馏控制系统,其中,所述第二级精馏参数编码单元,包括:
嵌入层子单元,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所述包含当前时间点在内的多个预定时间点的精馏塔的低温换热器的工作功率转化为输入向量以获得输入向量的序列;
上下文编码子单元,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嵌入层子单元获得的所述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;
二维排列子单元,用于将所述上下文编码子单元获得的所述多个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。
4.根据权利要求3所述的用于电子级三氟甲烷制备的精馏控制系统,其中,所述产物数据编码单元,进一步用于:使用所述三维卷积核的第三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、池化处理和激活处理以由所述第三卷积神经网络的最后一层生成所述第三特征图,其中,所述第三卷积神经网络的第一层的输入为所述包含当前时间点在内的多个预定时间点的精馏产物的气相色谱图。
5.根据权利要求4所述的用于电子级三氟甲烷制备的精馏控制系统,其中,所述控制结果生成单元,进一步用于:所述分类器以如下公式对所述分类特征图进行处理以生成分类结果,其中,所述公式为:softmax{(Wn,Bn):…:(W1,B1)Project(F)},其中Project(F)表示将所述分类特征图投影为向量,W1至Wn为各层全连接层的权重矩阵,B1至Bn表示各层全连接层的偏置矩阵。
6.一种用于电子级三氟甲烷制备的精馏控制系统的控制方法,其特征在于,包括:
获取包含当前时间点在内的多个预定时间点的分子筛吸附器的温度数据、所述分子筛吸附器的压力数据、三氟甲烷粗制品输入所述分子筛吸附器的流量数据、精馏塔的低温换热器的工作功率;
获取包含当前时间点在内的多个预定时间点的精馏产物的气相色谱图;
将所述包含当前时间点在内的多个预定时间点的分子筛吸附器的温度数据、所述分子筛吸附器的压力数据、三氟甲烷粗制品输入所述分子筛吸附器的流量数据排列为二维的输入矩阵后通过第一卷积神经网络以生成第一特征图,其中,所述第一卷积神经网络的相邻层使用互为转置的卷积核;
将所述包含当前时间点在内的多个预定时间点的精馏塔的低温换热器的工作功率通过包含嵌入层的上下文编码器以获得多个特征向量,并将所述多个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;
将所述包含当前时间点在内的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三卷积神经网络以获得第三特征图;
对所述第一至第三特征图中各个特征图进行基于类别差分的特征值校正以生成校正后第一至第三特征图;
融合所述校正后第一至第三特征图以获得分类特征图;以及
将所述分类特征图通过分类器以获得分类结果,所述分类结果为当前时间点的控制参数组合是否合理;
对所述第一至第三特征图中各个特征图进行基于类别差分的特征值校正以生成校正后第一至第三特征图,包括:
以如下公式对所述第一至第三特征图中各个特征图进行基于类别差分的特征值校正以生成校正后所述第一至第三特征图;
其中,所述公式为:
7.根据权利要求6所述的用于电子级三氟甲烷制备的精馏控制系统的控制方法,其中,将所述包含当前时间点在内的多个预定时间点的精馏塔的低温换热器的工作功率通过包含嵌入层的上下文编码器以获得多个特征向量,并将所述多个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,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所述包含当前时间点在内的多个预定时间点的精馏塔的低温换热器的工作功率转化为输入向量以获得输入向量的序列;
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;
将所述多个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。
8.根据权利要求7所述的用于电子级三氟甲烷制备的精馏控制系统的控制方法,其中,将所述包含当前时间点在内的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三卷积神经网络以获得第三特征图,包括:
使用所述三维卷积核的第三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、池化处理和激活处理以由所述第三卷积神经网络的最后一层生成所述第三特征图,其中,所述第三卷积神经网络的第一层的输入为所述包含当前时间点在内的多个预定时间点的精馏产物的气相色谱图。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210574978.3A CN114995131B (zh) | 2022-05-25 | 2022-05-25 | 用于电子级三氟甲烷制备的精馏控制系统及其控制方法 |
PCT/CN2022/116148 WO2023226226A1 (zh) | 2022-05-25 | 2022-08-31 | 用于电子级三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 |
---|---|---|---|
CN202210574978.3A CN114995131B (zh) | 2022-05-25 | 2022-05-25 | 用于电子级三氟甲烷制备的精馏控制系统及其控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114995131A CN114995131A (zh) | 2022-09-02 |
CN114995131B true CN114995131B (zh) | 2023-02-03 |
Family
ID=83028301
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210574978.3A Active CN114995131B (zh) | 2022-05-25 | 2022-05-25 | 用于电子级三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) | CN114995131B (zh) |
WO (1) | WO2023226226A1 (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115586755B (zh) * | 2022-10-28 | 2023-05-30 | 福建省龙德新能源有限公司 | 用于六氟磷酸锂制备的生产管理控制系统及其方法 |
CN115688592B (zh) * | 2022-11-09 | 2023-05-09 | 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 |
CN115936682B (zh) * | 2022-12-21 | 2023-11-07 | 江西有源工业废物回收处理有限公司 | 印制线路板的废料回收系统及其方法 |
CN115851332B (zh) * | 2022-12-26 | 2023-07-04 | 新疆凯龙清洁能源股份有限公司 | 从合成氨驰放气膜提氢尾气中制取天然气的方法及系统 |
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 |
CN116859830B (zh) * | 2023-03-27 | 2024-01-26 | 福建天甫电子材料有限公司 | 用于电子级氟化铵生产的生产管理控制系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102183892A (zh) * | 2011-05-10 | 2011-09-14 | 上海交通大学 | 甲醇三塔精馏系统的变负荷能耗优化控制方法 |
KR101939349B1 (ko) * | 2018-07-09 | 2019-04-11 | 장현민 | 기계학습모델을 이용하여 자동차용 어라운드 뷰 영상을 제공하는 방법 |
JP2019515376A (ja) * | 2016-04-21 | 2019-06-06 | ラモット アット テル アビブ ユニバーシティ, リミテッド | 直列畳み込みニューラルネットワーク |
CN111539445A (zh) * | 2020-02-26 | 2020-08-14 | 江苏警官学院 | 一种半监督特征融合的对象分类方法及系统 |
CN111544855A (zh) * | 2020-04-30 | 2020-08-18 | 天津大学 | 基于蒸馏学习和深度学习纯意念控制智能康复方法及应用 |
CN112766463A (zh) * | 2021-01-25 | 2021-05-07 | 上海有个机器人有限公司 | 基于知识蒸馏技术优化神经网络模型的方法 |
CN112898116A (zh) * | 2021-01-27 | 2021-06-04 | 福建德尔科技有限公司 | 电子级chf3的三级精馏方法 |
CN112919419A (zh) * | 2021-01-29 | 2021-06-08 | 福建德尔科技有限公司 | 电子级三氟化氯的精馏纯化系统控制方法 |
CN112920012A (zh) * | 2021-01-29 | 2021-06-08 | 福建德尔科技有限公司 | 一种电子级chf3的新型制备方法 |
JP2021525408A (ja) * | 2018-05-30 | 2021-09-24 | エーアイモーティブ ケーエフティー. | 画像または音声データの入力データセットペアの変位マップの生成 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE3729106A1 (de) * | 1987-09-01 | 1989-03-09 | Hoechst Ag | Verfahren zur gewinnung von reinem tetrafluorethylen |
EP0494994B1 (en) * | 1989-10-04 | 1997-08-27 | E.I. Du Pont De Nemours And Company | Fluorocarbon purification process |
JP4134391B2 (ja) * | 1998-04-07 | 2008-08-20 | 日本ゼオン株式会社 | 不飽和炭化水素の分離精製装置および分離精製方法 |
US7161049B2 (en) * | 2002-12-13 | 2007-01-09 | E. I. Du Pont De Nemours And Company | Process for purifying hydrofluoropropanes |
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 |
CN111144490B (zh) * | 2019-12-26 | 2022-09-06 | 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 |
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 |
CN114133314B (zh) * | 2021-11-02 | 2023-10-27 | 山东东岳化工有限公司 | 电子级三氟甲烷的纯化装置及纯化工艺 |
-
2022
- 2022-05-25 CN CN202210574978.3A patent/CN114995131B/zh active Active
- 2022-08-31 WO PCT/CN2022/116148 patent/WO2023226226A1/zh unknown
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102183892A (zh) * | 2011-05-10 | 2011-09-14 | 上海交通大学 | 甲醇三塔精馏系统的变负荷能耗优化控制方法 |
JP2019515376A (ja) * | 2016-04-21 | 2019-06-06 | ラモット アット テル アビブ ユニバーシティ, リミテッド | 直列畳み込みニューラルネットワーク |
JP2021525408A (ja) * | 2018-05-30 | 2021-09-24 | エーアイモーティブ ケーエフティー. | 画像または音声データの入力データセットペアの変位マップの生成 |
KR101939349B1 (ko) * | 2018-07-09 | 2019-04-11 | 장현민 | 기계학습모델을 이용하여 자동차용 어라운드 뷰 영상을 제공하는 방법 |
CN111539445A (zh) * | 2020-02-26 | 2020-08-14 | 江苏警官学院 | 一种半监督特征融合的对象分类方法及系统 |
CN111544855A (zh) * | 2020-04-30 | 2020-08-18 | 天津大学 | 基于蒸馏学习和深度学习纯意念控制智能康复方法及应用 |
CN112766463A (zh) * | 2021-01-25 | 2021-05-07 | 上海有个机器人有限公司 | 基于知识蒸馏技术优化神经网络模型的方法 |
CN112898116A (zh) * | 2021-01-27 | 2021-06-04 | 福建德尔科技有限公司 | 电子级chf3的三级精馏方法 |
CN112919419A (zh) * | 2021-01-29 | 2021-06-08 | 福建德尔科技有限公司 | 电子级三氟化氯的精馏纯化系统控制方法 |
CN112920012A (zh) * | 2021-01-29 | 2021-06-08 | 福建德尔科技有限公司 | 一种电子级chf3的新型制备方法 |
Non-Patent Citations (2)
Title |
---|
浅述高纯三氟甲烷的生产及应用;何双材;《有机氟工业》;20150331(第1期);第12-18页 * |
烷基咪唑双-三氟甲烷磺酰亚胺室温熔盐物理化学性质的人工神经网络模型训练;鲁宇浩;《复旦学报》;20040831(第4期);第537-544页 * |
Also Published As
Publication number | Publication date |
---|---|
WO2023226226A1 (zh) | 2023-11-30 |
CN114995131A (zh) | 2022-09-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114995131B (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 | |
CN115688592B (zh) | 用于电子级四氟化碳制备的精馏控制系统及其方法 | |
CN115342679B (zh) | 一种用于六氟丁二烯制备的智能化冷却液循环控制系统 | |
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 | |
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 | |
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 | |
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 | |
WO2024045243A1 (zh) | 用于六氟磷酸锂制备的自动配料系统及其配料方法 | |
CN115231525B (zh) | 电子级三氟化氯的智能分离纯化系统 | |
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 | |
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 | |
WO2024113599A1 (zh) | 用于电子级六氟丁二烯制备的生产管理控制系统 | |
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 | |
CN115851332B (zh) | 从合成氨驰放气膜提氢尾气中制取天然气的方法及系统 | |
CN116143127A (zh) | 石英砂的自动化生产系统及其方法 | |
CN109052410A (zh) | 一种三氯氢硅生产方法及其应用 | |
CN210559371U (zh) | 低压液化气体的精馏纯化系统 | |
WO2024036690A1 (zh) | 用于剥膜液生产的自动配料系统及其配料方法 | |
CN110143595A (zh) | 一种多晶硅生产中还原尾气的回收工艺 | |
CN210663574U (zh) | 低压液化气体的精馏纯化系统 | |
WO2019187322A1 (ja) | If7精製ガスの製造方法および保管容器 | |
WO2024138944A1 (zh) | 用于电子级四氟化碳的废气回收再利用方法及其系统 | |
CN103879977A (zh) | 一种高纯硝酸的连续生产方法及生产装置 | |
CN109901398A (zh) | 一种非线性系统冲激响应的峰值上限估算方法 | |
WO2024178960A1 (zh) | 用于电子级氢氟酸精馏的装置 |
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 |