CN115090200B - 用于电子级氢氟酸制备的自动配料系统及其配料方法 - Google Patents

用于电子级氢氟酸制备的自动配料系统及其配料方法 Download PDF

Info

Publication number
CN115090200B
CN115090200B CN202210585503.4A CN202210585503A CN115090200B CN 115090200 B CN115090200 B CN 115090200B CN 202210585503 A CN202210585503 A CN 202210585503A CN 115090200 B CN115090200 B CN 115090200B
Authority
CN
China
Prior art keywords
density map
gaussian density
feature
matrix
vector
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
Application number
CN202210585503.4A
Other languages
English (en)
Other versions
CN115090200A (zh
Inventor
林庆鑫
黄宗发
华钟
黄明新
邱秋生
袁海明
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 Longfu New Material Co ltd
Original Assignee
Fujian Longfu New Material Co ltd
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 Longfu New Material Co ltd filed Critical Fujian Longfu New Material Co ltd
Priority to CN202210585503.4A priority Critical patent/CN115090200B/zh
Priority to PCT/CN2022/116222 priority patent/WO2023226227A1/zh
Publication of CN115090200A publication Critical patent/CN115090200A/zh
Application granted granted Critical
Publication of CN115090200B publication Critical patent/CN115090200B/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
    • B01F—MIXING, e.g. DISSOLVING, EMULSIFYING OR DISPERSING
    • B01F35/00—Accessories for mixers; Auxiliary operations or auxiliary devices; Parts or details of general application
    • B01F35/20—Measuring; Control or regulation
    • B01F35/22—Control or regulation
    • B01F35/2201—Control or regulation characterised by the type of control technique used
    • B01F35/2207—Use of data, i.e. barcodes, 3D codes or similar type of tagging information, as instruction or identification codes for controlling the computer programs, e.g. for manipulation, handling, production or compounding in mixing plants
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Chemical & Material Sciences (AREA)
  • Organic Low-Molecular-Weight Compounds And Preparation Thereof (AREA)

Abstract

本申请涉及智能制造的领域，其具体地公开了一种用于电子级氢氟酸制备的自动配料系统及其配料方法，其采用人工智能技术的智能控制方法来从控制端，以基于全局的动态角度来动态地调整计量槽中的无水氢氟酸的流入速率，进而对所述电子级氢氟酸的智能制造产线的制备效率和提纯精度进行优化。

Description

用于电子级氢氟酸制备的自动配料系统及其配料方法
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氢氟酸制备的自动配料系统及其配料方法。
背景技术
电子级氢氟酸为强酸性清洗剂、腐蚀剂，主要用于超大规模集成电路生产。随着半导体芯片制造业和LCD制造业向我国转移，国内电子级氢氟酸的用量将随之猛增，电子级氢氟酸市场无疑将具有广阔的发展前景。
目前，电子级氢氟酸的制备一般可采用精馏、亚沸蒸馏、气体吸收等工艺来制备，但是这些制备工艺复杂、生产成本很高。现有的对于电子级氢氟酸的改进主要是对用于制备电子级氢氟酸的设备进行改进，例如，采用多级精馏塔来替代一级精馏塔，但这种物理结构层面的改进成本高且周期长。因此，期望一种优化的用于电子级氢氟酸制备的自动配料系统，以对电子级氢氟酸的智能制造产线的制备效率和提纯精度进行优化。
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电子级氢氟酸的智能制造产线的搭建提供了技术支持，也就是，深度学习以及神经网络的发展为电子级氢氟酸的自动配料与生产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氢氟酸制备的自动配料系统及其配料方法，其采用人工智能技术的智能控制方法来从控制端，以基于全局的动态角度来动态地调整计量槽中的无水氢氟酸的流入速率，进而对所述电子级氢氟酸的智能制造产线的制备效率和提纯精度进行优化。
根据本申请的一个方面，提供了一种用于电子级氢氟酸制备的自动配料系统，其包括：
控制参数数据获取单元，用于获取多个预定时间点的缓冲槽中的液位、计量槽中无水氢氟酸的流入速率、塔釜中的液位、通入所述塔釜的热水的温度和冷凝器的温度，以及，所述多个预定时间点的经所述冷凝器冷凝后的产物的液相色谱图；
第一卷积编码单元，用于将所述多个预定时间点的经所述冷凝器冷凝后的产物的液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向量；
第二卷积编码单元，用于将所述多个预定时间点的所述缓冲槽中的液位、所述计量槽中无水氢氟酸的流入速率、所述塔釜中的液位、所述通入所述塔釜的热水的温度和所述冷凝器的温度按照样本维度和时间维度排列为二维的参数矩阵后通过第二卷积神经网络以获得第二特征向量；
第一高斯密度图构造单元，用于构造所述第一特征向量的第一高斯密度图，其中，所述第一高斯密度图的均值向量为所述第一特征向量，所述第一高斯密度图的协方差矩阵中各个位置的值对应于所述第一特征向量中相应两个位置的特征值之间的方差；
第二高斯密度图构造单元，用于构造所述第二特征向量的第二高斯密度图，其中，所述第二高斯密度图的均值向量为所述第二特征向量，所述第二高斯密度图的协方差矩阵中各个位置的值对应于所述第二特征向量中相应两个位置的特征值之间的方差；
响应性估计单元，用于计算所述第一高斯密度图相对于所述第二高斯密度图的响应性估计以获得响应性高斯密度图，所述响应性高斯密度图的均值向量为所述第一高斯密度图的均值向量与所述第二高斯密度图的向量的逐点做除法所得的向量，所述响应性密度图的协方差矩阵为所述第一高斯密度图的协方差矩阵乘以所述第二高斯密度图的协方差矩阵的逆矩阵；
高斯离散单元，用于对所述响应性高斯密度图进行高斯离散化处理以得到分类特征矩阵；
特征矩阵校正单元，用于对所述分类特征矩阵进行基于所述分类特征矩阵的整体概率分布的均衡修正以生成校正后分类特征图，其中，所述基于所述分类特征矩阵的整体概率分布的均衡修正基于以所述分类特征图中各个位置的特征值为幂的自然指数函数值与以所述分类特征图中所有位置的特征值的均值为幂的自然指数函数值之间的差值来进行；以及
控制结果生成单元，用于将所述校正后分类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计量槽中无水氢氟酸的流入速率应增大或应减小。
在上述用于电子级氢氟酸制备的自动配料系统中，所述第一卷积编码单元，进一步用于：使用所述三维卷积核的第一卷积神经网络对所述多个预定时间点的经所述冷凝器冷凝后的产物的液相色谱图进行处理，以获得所述第一特征向量；其中，所述公式为：
Figure GDA0003806463240000031
其中，Hj、Wj和Rj分别表示三维卷积核的长度、宽度和高度，m表示第(l-1)层特征图的个数，
Figure GDA0003806463240000032
是与(l-1)层的第m个特征图相连的卷积核，blj为偏置，f(·)表示激活函数。
在上述用于电子级氢氟酸制备的自动配料系统中，所述第二卷积编码单元，进一步用于：将所述多个预定时间点的所述缓冲槽中的液位、所述计量槽中无水氢氟酸的流入速率、所述塔釜中的液位、所述通入所述塔釜的热水的温度和所述冷凝器的温度按照样本维度和时间维度排列为二维的参数矩阵；使用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、沿特征矩阵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向量，其中，所述第二卷积神经网络的第一层的输入为所述参数矩阵。
在上述用于电子级氢氟酸制备的自动配料系统中，所述第一高斯密度图构造单元，进一步用于：以如下公式构造所述第一特征向量的所述第一高斯密度图；
其中，所述公式为：
Figure GDA0003806463240000033
其中x1表示合成后的高斯向量，μ1为所述第一特征向量，且∑1中各个位置的值对应于所述第一特征向量中相应两个位置的特征值之间的方差。
在上述用于电子级氢氟酸制备的自动配料系统中，所述第二高斯密度图构造单元，进一步用于：以如下公式构造所述第二特征向量的所述第二高斯密度图；
其中，所述公式为：
Figure GDA0003806463240000041
其中x2表示合成后的高斯向量，μ2为所述第二特征向量，且∑2中各个位置的值对应于所述第二特征向量中相应两个位置的特征值之间的方差。
在上述用于电子级氢氟酸制备的自动配料系统中，所述响应性估计单元，进一步用于：以如下公式计算所述第一高斯密度图相对于所述第二高斯密度图的响应性估计以获得所述响应性高斯密度图；
其中，所述公式为：
Figure GDA0003806463240000042
其中⊙表示向量点乘，⊙-1表示对向量的每个位置的值取倒数，且
Figure GDA0003806463240000043
表示矩阵乘法。
在上述用于电子级氢氟酸制备的自动配料系统中，所述特征矩阵校正单元，进一步用于：以如下公式对所述分类特征矩阵进行基于所述分类特征矩阵的整体概率分布的均衡修正以生成所述校正后分类特征图；
其中，所述公式为：
Figure GDA0003806463240000044
其中mi,j为所述分类矩阵的第i行和第j列对应位置的特征值，且
Figure GDA0003806463240000045
是所述分类矩阵的各个位置的特征值的全局均值。
在上述用于电子级氢氟酸制备的自动配料系统中，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校正后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)表示将所述校正后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，一种用于电子级氢氟酸制备的自动配料系统的配料方法，其包括：
获取多个预定时间点的缓冲槽中的液位、计量槽中无水氢氟酸的流入速率、塔釜中的液位、通入所述塔釜的热水的温度和冷凝器的温度，以及，所述多个预定时间点的经所述冷凝器冷凝后的产物的液相色谱图；
将所述多个预定时间点的经所述冷凝器冷凝后的产物的液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向量；
将所述多个预定时间点的所述缓冲槽中的液位、所述计量槽中无水氢氟酸的流入速率、所述塔釜中的液位、所述通入所述塔釜的热水的温度和所述冷凝器的温度按照样本维度和时间维度排列为二维的参数矩阵后通过第二卷积神经网络以获得第二特征向量；
构造所述第一特征向量的第一高斯密度图，其中，所述第一高斯密度图的均值向量为所述第一特征向量，所述第一高斯密度图的协方差矩阵中各个位置的值对应于所述第一特征向量中相应两个位置的特征值之间的方差；
构造所述第二特征向量的第二高斯密度图，其中，所述第二高斯密度图的均值向量为所述第二特征向量，所述第二高斯密度图的协方差矩阵中各个位置的值对应于所述第二特征向量中相应两个位置的特征值之间的方差；
计算所述第一高斯密度图相对于所述第二高斯密度图的响应性估计以获得响应性高斯密度图，所述响应性高斯密度图的均值向量为所述第一高斯密度图的均值向量与所述第二高斯密度图的向量的逐点做除法所得的向量，所述响应性密度图的协方差矩阵为所述第一高斯密度图的协方差矩阵乘以所述第二高斯密度图的协方差矩阵的逆矩阵；
对所述响应性高斯密度图进行高斯离散化处理以得到分类特征矩阵；
对所述分类特征矩阵进行基于所述分类特征矩阵的整体概率分布的均衡修正以生成校正后分类特征图，其中，所述基于所述分类特征矩阵的整体概率分布的均衡修正基于以所述分类特征图中各个位置的特征值为幂的自然指数函数值与以所述分类特征图中所有位置的特征值的均值为幂的自然指数函数值之间的差值来进行；以及
将所述校正后分类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计量槽中无水氢氟酸的流入速率应增大或应减小。
在上述用于电子级氢氟酸制备的自动配料系统的配料方法中，将所述多个预定时间点的经所述冷凝器冷凝后的产物的液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向量，包括：使用所述三维卷积核的第一卷积神经网络对所述多个预定时间点的经所述冷凝器冷凝后的产物的液相色谱图进行处理，以获得所述第一特征向量；
其中，所述公式为：
Figure GDA0003806463240000061
其中，Hj、Wj和Rj分别表示三维卷积核的长度、宽度和高度，m表示第(l-1)层特征图的个数，
Figure GDA0003806463240000062
是与(l-1)层的第m个特征图相连的卷积核，blj为偏置，f(·)表示激活函数。
在上述用于电子级氢氟酸制备的自动配料系统的配料方法中，将所述多个预定时间点的所述缓冲槽中的液位、所述计量槽中无水氢氟酸的流入速率、所述塔釜中的液位、所述通入所述塔釜的热水的温度和所述冷凝器的温度按照样本维度和时间维度排列为二维的参数矩阵后通过第二卷积神经网络以获得第二特征向量，包括：将所述多个预定时间点的所述缓冲槽中的液位、所述计量槽中无水氢氟酸的流入速率、所述塔釜中的液位、所述通入所述塔釜的热水的温度和所述冷凝器的温度按照样本维度和时间维度排列为二维的参数矩阵；使用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、沿特征矩阵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向量，其中，所述第二卷积神经网络的第一层的输入为所述参数矩阵。
在上述用于电子级氢氟酸制备的自动配料系统的配料方法中，构造所述第一特征向量的第一高斯密度图，包括：以如下公式构造所述第一特征向量的所述第一高斯密度图；
其中，所述公式为：
Figure GDA0003806463240000063
其中x1表示合成后的高斯向量，μ1为所述第一特征向量，且∑1中各个位置的值对应于所述第一特征向量中相应两个位置的特征值之间的方差。
在上述用于电子级氢氟酸制备的自动配料系统的配料方法中，构造所述第二特征向量的第二高斯密度图，包括：以如下公式构造所述第二特征向量的所述第二高斯密度图；
其中，所述公式为：
Figure GDA0003806463240000064
其中x2表示合成后的高斯向量，μ2为所述第二特征向量，且∑2中各个位置的值对应于所述第二特征向量中相应两个位置的特征值之间的方差。
在上述用于电子级氢氟酸制备的自动配料系统的配料方法中，计算所述第一高斯密度图相对于所述第二高斯密度图的响应性估计以获得响应性高斯密度图，包括：以如下公式计算所述第一高斯密度图相对于所述第二高斯密度图的响应性估计以获得所述响应性高斯密度图；
其中，所述公式为：
Figure GDA0003806463240000071
其中⊙表示向量点乘，⊙-1表示对向量的每个位置的值取倒数，且
Figure GDA0003806463240000072
表示矩阵乘法。
在上述用于电子级氢氟酸制备的自动配料系统的配料方法中，对所述分类特征矩阵进行基于所述分类特征矩阵的整体概率分布的均衡修正以生成校正后分类特征图，包括：以如下公式对所述分类特征矩阵进行基于所述分类特征矩阵的整体概率分布的均衡修正以生成所述校正后分类特征图；
其中，所述公式为：
Figure GDA0003806463240000073
其中mi,j为所述分类矩阵的第i行和第j列对应位置的特征值，且
Figure GDA0003806463240000074
是所述分类矩阵的各个位置的特征值的全局均值。
在上述用于电子级氢氟酸制备的自动配料系统的配料方法中，将所述校正后分类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计量槽中无水氢氟酸的流入速率应增大或应减小，包括：所述分类器以如下公式对所述校正后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)表示将所述校正后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氢氟酸制备的自动配料系统及其配料方法，其采用人工智能技术的智能控制方法来从控制端，以基于全局的动态角度来动态地调整计量槽中的无水氢氟酸的流入速率，进而对所述电子级氢氟酸的智能制造产线的制备效率和提纯精度进行优化。
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氢氟酸制备的自动配料系统的应用场景图。
图2为根据本申请实施例的用于电子级氢氟酸制备的自动配料系统的框图。
图3为根据本申请实施例的用于电子级氢氟酸制备的自动配料系统的配料方法的流程图。
图4为根据本申请实施例的用于电子级氢氟酸制备的自动配料系统的配料方法的架构示意图。
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，电子级氢氟酸为强酸性清洗剂、腐蚀剂，主要用于超大规模集成电路生产。随着半导体芯片制造业和LCD制造业向我国转移，国内电子级氢氟酸的用量将随之猛增，电子级氢氟酸市场无疑将具有广阔的发展前景。
目前，电子级氢氟酸的制备一般可采用精馏、亚沸蒸馏、气体吸收等工艺来制备，但是这些制备工艺复杂、生产成本很高。现有的对于电子级氢氟酸的改进主要是对用于制备电子级氢氟酸的设备进行改进，例如，采用多级精馏塔来替代一级精馏塔，但这种物理结构层面的改进成本高且周期长。
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电子级氢氟酸的智能制造产线的搭建提供了技术支持，也就是，深度学习以及神经网络的发展为电子级氢氟酸的自动配料与生产提供了新的解决思路和方案。
例如，在现行的一种电子级氢氟酸的制备工艺中，其包括步骤：
S1、将无水氢氟酸输送到缓冲槽中待用；
S2、从所述缓冲槽中输送一定量的无水氢氟酸到投料槽中，再通过重力作用使所述无水氢氟酸流经缓冲塔进入到计量槽中准确计量；
S3、将所述计量槽中的无水氢氟酸以预定速率流经初级过滤器后进入塔釜；
S4、在塔釜中通入50～60℃的热水，采用低温蒸发，得到高纯度无水氢氟酸气体；
S5、将所述高纯度无水氢氟酸气体通入纯化塔中，并通入氧化气体与所述高纯度无水氢氟酸气体反应得到超纯无水氢氟酸气体，从所述纯化塔顶部排出，其中所述氧化气体为氟气和氮气的混合物；
S6、将所述超纯无水氢氟酸气体经冷凝器冷凝后，进入调配槽中调整浓度。
经研究本申请发明人发现：在现有的配料方案中，计量槽中的无水氢氟酸以预定速率流经初级过滤器后进入塔釜，这种配料方式由于没有充分考虑计量槽中的无水氢氟酸的流入速率与后续的控制参数息息相关而导致现有的用于电子级氢氟酸制备的制备效率和提纯精度难以提高。也就是，如果能够基于全局的动态角度来动态地调整计量槽中的无水氢氟酸的流入速率，可对电子级氢氟酸的智能制造产线的制备效率和提纯精度进行优化。这可以通过基于深度神经网络的人工智能控制技术来实现。
具体地，所述电子级氢氟酸的智慧产线的多个控制参数和一个实时结果参数，所述多个控制参数包括缓冲槽中的液位、计量槽中无水氢氟酸的流入速率、塔釜中的液位、在塔釜中通入的热水的温度和冷凝器的温度，另外在本申请实施例中，以超纯无水氢氟酸气体经冷凝器冷凝后的产物的液相色谱图作为所述实时结果参数。
考虑到所述电子级氢氟酸的智慧产线中的所述多个控制参数之间存在关联，因此，使用卷积神经网络模型对所述电子级氢氟酸的智慧产线中的所述多个控制参数进行编码。具体地，将获取的多个预定时间点的缓冲槽中的液位、计量槽中无水氢氟酸的流入速率、塔釜中的液位、通入所述塔釜的热水的温度和冷凝器的温度按照样本维度和时间维度排列为二维的参数矩阵。通过构造所述参数矩阵建立起同一预定时间点的各项控制参数之间的关联，不同预定时间点的不同控制参数之间的关联，以及，同一控制参数在不同预定时间点之间的关联。卷积神经网络在提取局部特征方面具有优异表现，因此，使用所述卷积神经网络模型能够提取出所述参数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，以得到所述第二特征向量。
应可以理解，在本申请实施例中，对所述电子级氢氟酸的智慧产线的控制参数进行调控的目的是为了获得满足预设要求的产物，因此，可利用结果数据从实时响应的角度来对当前的控制效果进行评估以此来提高参数控制的准度和精度。
具体地，以使用三维卷积核的卷积神经网络模型对所述多个预定时间点的经所述冷凝器冷凝后的产物的液相色谱图进行编码以捕捉所述产物在时序维度上的高维绝对特征和高维绝对特征，也就是，氢氟酸的纯度的绝对值和相对变化值的高维隐含特征表示。
考虑到所述多个控制参数和实时结果参数之间的数据模态、数据尺度和数据量都不同，即，所述多个控制参数为离散数据而所述实时结果参数为图像数据，因此，在本申请实施例中，使用基于高斯密度图来对所述第一特征向量和所述第二特征向量进行数据增强以使得两者在高维特征空间中的数据流形的位置和形状能够更为邻近。
具体地，构造所述第一特征图的第一高斯密度图和构造所述第二特征图的第二密度图，其中，所述第一高斯密度图用公式可表示为
Figure GDA0003806463240000101
其中，μ1为所述第一特征向量，且∑1的各个位置的值为所述第一特征向量中相应两个位置的特征值的方差，所述第二高斯密度图用公式可表示为
Figure GDA0003806463240000102
其中，μ2为所述第二特征向量，且∑2的各个位置的值为所述第二特征向量中相应两个位置的特征值的方差。
考虑到所述多个控制参数和所述实时结果参数之间存在响应性关系，因此，进一步计算所述第一高斯密度图相对于所述第二高斯密度图的响应性估计以获得响应性高斯密度图。接着，对所述响应性高斯密度图进行高斯离散化以生成分类特征矩阵，并将所述分类特征矩阵通过分类器后就可以获得相应的控制结果。应可以理解，所述分类特征矩阵包含多个控制参数之间的高维隐含关联，所述多个控制参数在时序维度上的高维关联信息、所述产物在时序维度上的高维变化特征，以及，所述产物相对于所述多个控制参数的高维关联信息，因此，以所述分类特征矩阵进行分类可提高控制的精度和准度。
进一步地，由于卷积网络的卷积核作为过滤器，对于源数据进行了小尺度的像素级别的关联特征提取，因此特征向量作为高斯密度图下的概率分布会存在扰动。而在构造特征向量的高斯密度图时，由于协方差矩阵是每两个位置的特征值之间的方差，这又会放大个别概率分布的扰动性，并且，这种扰动性可能在计算响应性密度图和高斯离散化的过程中进一步放大，从而影响分类矩阵的整体概率分布的均衡性。
基于此，对高斯离散化后得到的分类矩阵进行修正，表示为：
Figure GDA0003806463240000111
mi,j为分类矩阵的第i行和第j列对应位置的特征值，且
Figure GDA0003806463240000112
是分类矩阵的各个位置的特征值的全局均值。
该修正方式是通过以高斯离散化后得到的分类矩阵的单个位置的特征值作为单变量，计算其归属于类别概率下的差分的柯西损失形式负对数，从而将单个特征值分布的特殊性进行泛化，从而对整体分布内的个别概率分布的扰动性进行掩蔽，以改进分类矩阵的整体概率分布的均衡性。这样，进一步地提高参数控制的精度和准度。
基于此，本申请提出了一种用于电子级氢氟酸制备的自动配料系统，其包括：控制参数数据获取单元，用于获取多个预定时间点的缓冲槽中的液位、计量槽中无水氢氟酸的流入速率、塔釜中的液位、通入所述塔釜的热水的温度和冷凝器的温度，以及，所述多个预定时间点的经所述冷凝器冷凝后的产物的液相色谱图；第一卷积编码单元，用于将所述多个预定时间点的经所述冷凝器冷凝后的产物的液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向量；第二卷积编码单元，用于将所述多个预定时间点的所述缓冲槽中的液位、所述计量槽中无水氢氟酸的流入速率、所述塔釜中的液位、所述通入所述塔釜的热水的温度和所述冷凝器的温度按照样本维度和时间维度排列为二维的参数矩阵后通过第二卷积神经网络以获得第二特征向量；第一高斯密度图构造单元，用于构造所述第一特征向量的第一高斯密度图，其中，所述第一高斯密度图的均值向量为所述第一特征向量，所述第一高斯密度图的协方差矩阵中各个位置的值对应于所述第一特征向量中相应两个位置的特征值之间的方差；第二高斯密度图构造单元，用于构造所述第二特征向量的第二高斯密度图，其中，所述第二高斯密度图的均值向量为所述第二特征向量，所述第二高斯密度图的协方差矩阵中各个位置的值对应于所述第二特征向量中相应两个位置的特征值之间的方差；响应性估计单元，用于计算所述第一高斯密度图相对于所述第二高斯密度图的响应性估计以获得响应性高斯密度图，所述响应性高斯密度图的均值向量为所述第一高斯密度图的均值向量与所述第二高斯密度图的向量的逐点做除法所得的向量，所述响应性密度图的协方差矩阵为所述第一高斯密度图的协方差矩阵乘以所述第二高斯密度图的协方差矩阵的逆矩阵；高斯离散单元，用于对所述响应性高斯密度图进行高斯离散化处理以得到分类特征矩阵；特征矩阵校正单元，用于对所述分类特征矩阵进行基于所述分类特征矩阵的整体概率分布的均衡修正以生成校正后分类特征图，其中，所述基于所述分类特征矩阵的整体概率分布的均衡修正基于以所述分类特征图中各个位置的特征值为幂的自然指数函数值与以所述分类特征图中所有位置的特征值的均值为幂的自然指数函数值之间的差值来进行；以及，控制结果生成单元，用于将所述校正后分类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计量槽中无水氢氟酸的流入速率应增大或应减小。
图1图示了根据本申请实施例的用于电子级氢氟酸制备的自动配料系统的应用场景图。如图1所示，在该应用场景中，首先，通过部署于所述自动配料系统中的各个传感器(例如，如图1中所示意的T1-Tn)获取多个预定时间点的缓冲槽(例如，如图1中所示意的B)中的液位、计量槽(例如，如图1中所示意的M)中无水氢氟酸的流入速率、塔釜(例如，如图1中所示意的K)中的液位、通入所述塔釜的热水的温度和冷凝器的温度，以及通过部署于所述自动配料系统中的摄像头(例如，如图1中所示意的C)所述多个预定时间点的经所述冷凝器(例如，如图1中所示意的N)冷凝后的产物的液相色谱图。然后，将获取的所述多个预定时间点的缓冲槽中的液位、计量槽中无水氢氟酸的流入速率、塔釜中的液位、通入所述塔釜的热水的温度和冷凝器的温度，以及，所述多个预定时间点的经所述冷凝器冷凝后的产物的液相色谱图输入至部署有用于电子级氢氟酸制备的自动配料算法的服务器中(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氢氟酸制备的自动配料算法对所述多个预定时间点的缓冲槽中的液位、计量槽中无水氢氟酸的流入速率、塔釜中的液位、通入所述塔釜的热水的温度和冷凝器的温度，以及，所述多个预定时间点的经所述冷凝器冷凝后的产物的液相色谱图进行处理，以生成用于表示计量槽中无水氢氟酸的流入速率应增大或应减小的分类结果。
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氢氟酸制备的自动配料系统的框图。如图2所示，根据本申请实施例的用于电子级氢氟酸制备的自动配料系统200，包括：控制参数数据获取单元210，用于获取多个预定时间点的缓冲槽中的液位、计量槽中无水氢氟酸的流入速率、塔釜中的液位、通入所述塔釜的热水的温度和冷凝器的温度，以及，所述多个预定时间点的经所述冷凝器冷凝后的产物的液相色谱图；第一卷积编码单元220，用于将所述多个预定时间点的经所述冷凝器冷凝后的产物的液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向量；第二卷积编码单元230，用于将所述多个预定时间点的所述缓冲槽中的液位、所述计量槽中无水氢氟酸的流入速率、所述塔釜中的液位、所述通入所述塔釜的热水的温度和所述冷凝器的温度按照样本维度和时间维度排列为二维的参数矩阵后通过第二卷积神经网络以获得第二特征向量；第一高斯密度图构造单元240，用于构造所述第一特征向量的第一高斯密度图，其中，所述第一高斯密度图的均值向量为所述第一特征向量，所述第一高斯密度图的协方差矩阵中各个位置的值对应于所述第一特征向量中相应两个位置的特征值之间的方差；第二高斯密度图构造单元250，用于构造所述第二特征向量的第二高斯密度图，其中，所述第二高斯密度图的均值向量为所述第二特征向量，所述第二高斯密度图的协方差矩阵中各个位置的值对应于所述第二特征向量中相应两个位置的特征值之间的方差；响应性估计单元260，用于计算所述第一高斯密度图相对于所述第二高斯密度图的响应性估计以获得响应性高斯密度图，所述响应性高斯密度图的均值向量为所述第一高斯密度图的均值向量与所述第二高斯密度图的向量的逐点做除法所得的向量，所述响应性密度图的协方差矩阵为所述第一高斯密度图的协方差矩阵乘以所述第二高斯密度图的协方差矩阵的逆矩阵；高斯离散单元270，用于对所述响应性高斯密度图进行高斯离散化处理以得到分类特征矩阵；特征矩阵校正单元280，用于对所述分类特征矩阵进行基于所述分类特征矩阵的整体概率分布的均衡修正以生成校正后分类特征图，其中，所述基于所述分类特征矩阵的整体概率分布的均衡修正基于以所述分类特征图中各个位置的特征值为幂的自然指数函数值与以所述分类特征图中所有位置的特征值的均值为幂的自然指数函数值之间的差值来进行；以及，控制结果生成单元290，用于将所述校正后分类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计量槽中无水氢氟酸的流入速率应增大或应减小。
具体地，在本申请实施例中，所述控制参数数据获取单元210和所述第一卷积编码单元220，用于获取多个预定时间点的缓冲槽中的液位、计量槽中无水氢氟酸的流入速率、塔釜中的液位、通入所述塔釜的热水的温度和冷凝器的温度，以及，所述多个预定时间点的经所述冷凝器冷凝后的产物的液相色谱图，并将所述多个预定时间点的经所述冷凝器冷凝后的产物的液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向量。如前所述，在现有的配料方案中，计量槽中的无水氢氟酸以预定速率流经初级过滤器后进入塔釜，这种配料方式由于没有充分考虑所述计量槽中的无水氢氟酸的流入速率与后续的控制参数息息相关而导致现有的用于电子级氢氟酸制备的制备效率和提纯精度难以提高。也就是，如果能够基于全局的动态角度来动态地调整所述计量槽中的无水氢氟酸的流入速率，可对所述电子级氢氟酸的智能制造产线的制备效率和提纯精度进行优化。这可以通过基于深度神经网络的人工智能控制技术来实现。
具体地，通过对于所述电子级氢氟酸的智慧产线的多个控制参数和一个实时结果参数的分析来进行动态控制，所述多个控制参数包括缓冲槽中的液位、计量槽中无水氢氟酸的流入速率、塔釜中的液位、在塔釜中通入的热水的温度和冷凝器的温度，另外在本申请实施例中，以超纯无水氢氟酸气体经冷凝器冷凝后的产物的液相色谱图作为所述实时结果参数。
然后，应可以理解，在本申请的技术方案中，对所述电子级氢氟酸的智慧产线的控制参数进行调控的目的是为了获得满足预设要求的产物，因此，可利用结果数据从实时响应的角度来对当前的控制效果进行评估以此来提高参数控制的准度和精度。具体地，接着，进一步使用三维卷积核的卷积神经网络模型对所述多个预定时间点的经所述冷凝器冷凝后的产物的液相色谱图进行编码以捕捉所述产物在时序维度上的高维绝对特征和高维绝对特征，也就是，氢氟酸的纯度的绝对值和相对变化值的高维隐含特征表示。
更具体地，在本申请实施例中，所述第一卷积编码单元，进一步用于：使用所述三维卷积核的第一卷积神经网络对所述多个预定时间点的经所述冷凝器冷凝后的产物的液相色谱图进行处理，以获得所述第一特征向量；
其中，所述公式为：
Figure GDA0003806463240000151
其中，Hj、Wj和Rj分别表示三维卷积核的长度、宽度和高度，m表示第(l-1)层特征图的个数，
Figure GDA0003806463240000152
是与(l-1)层的第m个特征图相连的卷积核，blj为偏置，f(·)表示激活函数。
具体地，在本申请实施例中，所述第二卷积编码单元230，用于将所述多个预定时间点的所述缓冲槽中的液位、所述计量槽中无水氢氟酸的流入速率、所述塔釜中的液位、所述通入所述塔釜的热水的温度和所述冷凝器的温度按照样本维度和时间维度排列为二维的参数矩阵后通过第二卷积神经网络以获得第二特征向量。应可以理解，考虑到所述电子级氢氟酸的智慧产线中的所述多个控制参数之间存在关联，因此，使用卷积神经网络模型对所述电子级氢氟酸的智慧产线中的所述多个控制参数进行编码。具体地，将获取的多个预定时间点的缓冲槽中的液位、计量槽中无水氢氟酸的流入速率、塔釜中的液位、通入所述塔釜的热水的温度和冷凝器的温度按照样本维度和时间维度排列为二维的参数矩阵，进而通过构造所述参数矩阵建立起同一预定时间点的各项控制参数之间的关联，不同预定时间点的不同控制参数之间的关联，以及，同一控制参数在不同预定时间点之间的关联。然后，由于卷积神经网络在提取局部特征方面具有优异表现，因此，使用所述卷积神经网络模型能够提取出所述参数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，以得到所述第二特征向量。
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：将所述多个预定时间点的所述缓冲槽中的液位、所述计量槽中无水氢氟酸的流入速率、所述塔釜中的液位、所述通入所述塔釜的热水的温度和所述冷凝器的温度按照样本维度和时间维度排列为二维的参数矩阵；使用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、沿特征矩阵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向量，其中，所述第二卷积神经网络的第一层的输入为所述参数矩阵。
具体地，在本申请实施例中，所述第一高斯密度图构造单元240和所述第二高斯密度图构造单元250，用于构造所述第一特征向量的第一高斯密度图，其中，所述第一高斯密度图的均值向量为所述第一特征向量，所述第一高斯密度图的协方差矩阵中各个位置的值对应于所述第一特征向量中相应两个位置的特征值之间的方差，并构造所述第二特征向量的第二高斯密度图，其中，所述第二高斯密度图的均值向量为所述第二特征向量，所述第二高斯密度图的协方差矩阵中各个位置的值对应于所述第二特征向量中相应两个位置的特征值之间的方差。应可以理解，考虑到所述多个控制参数和实时结果参数之间的数据模态、数据尺度和数据量都不同，即，所述多个控制参数为离散数据而所述实时结果参数为图像数据，因此，在本申请实施例中，使用基于高斯密度图来对所述第一特征向量和所述第二特征向量进行数据增强以使得两者在高维特征空间中的数据流形的位置和形状能够更为邻近。
具体地，在本申请的技术方案方案中，进一步构造所述第一特征图的第一高斯密度图和构造所述第二特征图的第二密度图，其中，所述第一高斯密度图用公式可表示为
Figure GDA0003806463240000161
其中，μ1为所述第一特征向量，且∑1的各个位置的值为所述第一特征向量中相应两个位置的特征值的方差，所述第二高斯密度图用公式可表示为
Figure GDA0003806463240000162
其中，μ2为所述第二特征向量，且∑2的各个位置的值为所述第二特征向量中相应两个位置的特征值的方差。
更具体地，在本申请实施例中，所述第一高斯密度图构造单元，进一步用于：以如下公式构造所述第一特征向量的所述第一高斯密度图；
其中，所述公式为：
Figure GDA0003806463240000163
其中x1表示合成后的高斯向量，μ1为所述第一特征向量，且∑1中各个位置的值对应于所述第一特征向量中相应两个位置的特征值之间的方差。
更具体地，在本申请实施例中，所述第二高斯密度图构造单元，进一步用于：以如下公式构造所述第二特征向量的所述第二高斯密度图；
其中，所述公式为：
Figure GDA0003806463240000171
其中x2表示合成后的高斯向量，μ2为所述第二特征向量，且∑2中各个位置的值对应于所述第二特征向量中相应两个位置的特征值之间的方差。
具体地，在本申请实施例中，所述响应性估计单元260和所述高斯离散单元270，用于计算所述第一高斯密度图相对于所述第二高斯密度图的响应性估计以获得响应性高斯密度图，所述响应性高斯密度图的均值向量为所述第一高斯密度图的均值向量与所述第二高斯密度图的向量的逐点做除法所得的向量，所述响应性密度图的协方差矩阵为所述第一高斯密度图的协方差矩阵乘以所述第二高斯密度图的协方差矩阵的逆矩阵，并对所述响应性高斯密度图进行高斯离散化处理以得到分类特征矩阵。应可以理解，考虑到所述多个控制参数和所述实时结果参数之间存在响应性关系，因此，在本申请的技术方案中，进一步计算所述第一高斯密度图相对于所述第二高斯密度图的响应性估计以获得响应性高斯密度图。接着，对所述响应性高斯密度图进行高斯离散化以生成分类特征矩阵，并将所述分类特征矩阵通过分类器后就可以获得相应的控制结果。应可以理解，这样，所述分类特征矩阵包含多个控制参数之间的高维隐含关联，所述多个控制参数在时序维度上的高维关联信息、所述产物在时序维度上的高维变化特征，以及，所述产物相对于所述多个控制参数的高维关联信息，因此，以所述分类特征矩阵进行分类可提高控制的精度和准度。
更具体地，在本申请实施例中，所述响应性估计单元，进一步用于：以如下公式计算所述第一高斯密度图相对于所述第二高斯密度图的响应性估计以获得所述响应性高斯密度图；
其中，所述公式为：
Figure GDA0003806463240000172
其中⊙表示向量点乘，⊙-1表示对向量的每个位置的值取倒数，且
Figure GDA0003806463240000173
表示矩阵乘法。
具体地，在本申请实施例中，所述特征矩阵校正单元280，用于对所述分类特征矩阵进行基于所述分类特征矩阵的整体概率分布的均衡修正以生成校正后分类特征图，其中，所述基于所述分类特征矩阵的整体概率分布的均衡修正基于以所述分类特征图中各个位置的特征值为幂的自然指数函数值与以所述分类特征图中所有位置的特征值的均值为幂的自然指数函数值之间的差值来进行。应可以理解，由于所述卷积网络的卷积核作为过滤器，对于源数据进行了小尺度的像素级别的关联特征提取，因此所述特征向量作为高斯密度图下的概率分布会存在扰动。而在构造所述特征向量的高斯密度图时，由于所述协方差矩阵是每两个位置的特征值之间的方差，这又会放大个别概率分布的扰动性，并且，这种扰动性可能在计算所述响应性密度图和所述高斯离散化的过程中进一步放大，从而影响所述分类矩阵的整体概率分布的均衡性。因此，在本申请的技术方案中，进一步对高斯离散化后得到的所述分类矩阵进行修正。
更具体地，在本申请实施例中所述特征矩阵校正单元，进一步用于：以如下公式对所述分类特征矩阵进行基于所述分类特征矩阵的整体概率分布的均衡修正以生成所述校正后分类特征图；
其中，所述公式为：
Figure GDA0003806463240000181
其中mi,j为所述分类矩阵的第i行和第j列对应位置的特征值，且
Figure GDA0003806463240000182
是所述分类矩阵的各个位置的特征值的全局均值。应可以理解，该所述修正方式是通过以高斯离散化后得到的所述分类矩阵的单个位置的特征值作为单变量，计算其归属于类别概率下的差分的柯西损失形式负对数，从而将单个特征值分布的特殊性进行泛化，从而对整体分布内的个别概率分布的扰动性进行掩蔽，以改进所述分类矩阵的整体概率分布的均衡性。这样，进一步地提高参数控制的精度和准度。
具体地，在本申请实施例中，所述控制结果生成单元290，用于将所述校正后分类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计量槽中无水氢氟酸的流入速率应增大或应减小。也就是，在本申请的技术方案中，进一步将所述校正后分类特征图通过分类器以获得用于表示计量槽中无水氢氟酸的流入速率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校正后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)表示将所述校正后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氢氟酸制备的自动配料系统200被阐明，其采用人工智能技术的智能控制方法来从控制端，以基于全局的动态角度来动态地调整计量槽中的无水氢氟酸的流入速率，进而对所述电子级氢氟酸的智能制造产线的制备效率和提纯精度进行优化。
如上所述，根据本申请实施例的用于电子级氢氟酸制备的自动配料系统200可以实现在各种终端设备中，例如用于电子级氢氟酸制备的自动配料算法的服务器等。在一个示例中，根据本申请实施例的用于电子级氢氟酸制备的自动配料系统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，该用于电子级氢氟酸制备的自动配料系统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，该用于电子级氢氟酸制备的自动配料系统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，该用于电子级氢氟酸制备的自动配料系统200与该终端设备也可以是分立的设备，并且该用于电子级氢氟酸制备的自动配料系统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图示了用于电子级氢氟酸制备的自动配料系统的配料方法的流程图。如图3所示，根据本申请实施例的用于电子级氢氟酸制备的自动配料系统的配料方法，包括步骤：S110，获取多个预定时间点的缓冲槽中的液位、计量槽中无水氢氟酸的流入速率、塔釜中的液位、通入所述塔釜的热水的温度和冷凝器的温度，以及，所述多个预定时间点的经所述冷凝器冷凝后的产物的液相色谱图；S120，将所述多个预定时间点的经所述冷凝器冷凝后的产物的液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向量；S130，将所述多个预定时间点的所述缓冲槽中的液位、所述计量槽中无水氢氟酸的流入速率、所述塔釜中的液位、所述通入所述塔釜的热水的温度和所述冷凝器的温度按照样本维度和时间维度排列为二维的参数矩阵后通过第二卷积神经网络以获得第二特征向量；S140，构造所述第一特征向量的第一高斯密度图，其中，所述第一高斯密度图的均值向量为所述第一特征向量，所述第一高斯密度图的协方差矩阵中各个位置的值对应于所述第一特征向量中相应两个位置的特征值之间的方差；S150，构造所述第二特征向量的第二高斯密度图，其中，所述第二高斯密度图的均值向量为所述第二特征向量，所述第二高斯密度图的协方差矩阵中各个位置的值对应于所述第二特征向量中相应两个位置的特征值之间的方差；S160，计算所述第一高斯密度图相对于所述第二高斯密度图的响应性估计以获得响应性高斯密度图，所述响应性高斯密度图的均值向量为所述第一高斯密度图的均值向量与所述第二高斯密度图的向量的逐点做除法所得的向量，所述响应性密度图的协方差矩阵为所述第一高斯密度图的协方差矩阵乘以所述第二高斯密度图的协方差矩阵的逆矩阵；S170，对所述响应性高斯密度图进行高斯离散化处理以得到分类特征矩阵；S180，对所述分类特征矩阵进行基于所述分类特征矩阵的整体概率分布的均衡修正以生成校正后分类特征图，其中，所述基于所述分类特征矩阵的整体概率分布的均衡修正基于以所述分类特征图中各个位置的特征值为幂的自然指数函数值与以所述分类特征图中所有位置的特征值的均值为幂的自然指数函数值之间的差值来进行；以及，S190，将所述校正后分类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计量槽中无水氢氟酸的流入速率应增大或应减小。
图4图示了根据本申请实施例的用于电子级氢氟酸制备的自动配料系统的配料方法的架构示意图。如图4所示，在所述用于电子级氢氟酸制备的自动配料系统的配料方法的网络架构中，首先，将获得的所述多个预定时间点的经所述冷凝器冷凝后的产物的液相色谱图(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所述缓冲槽中的液位、所述计量槽中无水氢氟酸的流入速率、所述塔釜中的液位、所述通入所述塔釜的热水的温度和所述冷凝器的温度(例如，如图4中所示意的P2)按照样本维度和时间维度排列为二维的参数矩阵(例如，如图4中所示意的M)后通过第二卷积神经网络(例如，如图4中所示意的CNN2)以获得第二特征向量(例如，如图4中所示意的VF2)；然后，构造所述第一特征向量的第一高斯密度图(例如，如图4中所示意的GD1)；接着，构造所述第二特征向量的第二高斯密度图(例如，如图4中所示意的GD2)；然后，计算所述第一高斯密度图相对于所述第二高斯密度图的响应性估计以获得响应性高斯密度图(例如，如图4中所示意的GD)；接着，对所述响应性高斯密度图进行高斯离散化处理以得到分类特征矩阵(例如，如图4中所示意的MF)；然后，对所述分类特征矩阵进行基于所述分类特征矩阵的整体概率分布的均衡修正以生成校正后分类特征图(例如，如图4中所示意的FC)；以及，最后，将所述校正后分类特征图通过分类器(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计量槽中无水氢氟酸的流入速率应增大或应减小。
更具体地，在步骤S110和步骤S120中，获取多个预定时间点的缓冲槽中的液位、计量槽中无水氢氟酸的流入速率、塔釜中的液位、通入所述塔釜的热水的温度和冷凝器的温度，以及，所述多个预定时间点的经所述冷凝器冷凝后的产物的液相色谱图，并将所述多个预定时间点的经所述冷凝器冷凝后的产物的液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向量。应可以理解，在现有的配料方案中，计量槽中的无水氢氟酸以预定速率流经初级过滤器后进入塔釜，这种配料方式由于没有充分考虑所述计量槽中的无水氢氟酸的流入速率与后续的控制参数息息相关而导致现有的用于电子级氢氟酸制备的制备效率和提纯精度难以提高。也就是，如果能够基于全局的动态角度来动态地调整所述计量槽中的无水氢氟酸的流入速率，可对所述电子级氢氟酸的智能制造产线的制备效率和提纯精度进行优化。这可以通过基于深度神经网络的人工智能控制技术来实现。
具体地，通过对于所述电子级氢氟酸的智慧产线的多个控制参数和一个实时结果参数的分析来进行动态控制，所述多个控制参数包括缓冲槽中的液位、计量槽中无水氢氟酸的流入速率、塔釜中的液位、在塔釜中通入的热水的温度和冷凝器的温度，另外在本申请实施例中，以超纯无水氢氟酸气体经冷凝器冷凝后的产物的液相色谱图作为所述实时结果参数。
然后，应可以理解，在本申请的技术方案中，对所述电子级氢氟酸的智慧产线的控制参数进行调控的目的是为了获得满足预设要求的产物，因此，可利用结果数据从实时响应的角度来对当前的控制效果进行评估以此来提高参数控制的准度和精度。具体地，接着，进一步使用三维卷积核的卷积神经网络模型对所述多个预定时间点的经所述冷凝器冷凝后的产物的液相色谱图进行编码以捕捉所述产物在时序维度上的高维绝对特征和高维绝对特征，也就是，氢氟酸的纯度的绝对值和相对变化值的高维隐含特征表示。
更具体地，在步骤S130中，将所述多个预定时间点的所述缓冲槽中的液位、所述计量槽中无水氢氟酸的流入速率、所述塔釜中的液位、所述通入所述塔釜的热水的温度和所述冷凝器的温度按照样本维度和时间维度排列为二维的参数矩阵后通过第二卷积神经网络以获得第二特征向量。应可以理解，考虑到所述电子级氢氟酸的智慧产线中的所述多个控制参数之间存在关联，因此，使用卷积神经网络模型对所述电子级氢氟酸的智慧产线中的所述多个控制参数进行编码。具体地，将获取的多个预定时间点的缓冲槽中的液位、计量槽中无水氢氟酸的流入速率、塔釜中的液位、通入所述塔釜的热水的温度和冷凝器的温度按照样本维度和时间维度排列为二维的参数矩阵，进而通过构造所述参数矩阵建立起同一预定时间点的各项控制参数之间的关联，不同预定时间点的不同控制参数之间的关联，以及，同一控制参数在不同预定时间点之间的关联。然后，由于卷积神经网络在提取局部特征方面具有优异表现，因此，使用所述卷积神经网络模型能够提取出所述参数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，以得到所述第二特征向量。
更具体地，在不在S140和步骤S150中，构造所述第一特征向量的第一高斯密度图，其中，所述第一高斯密度图的均值向量为所述第一特征向量，所述第一高斯密度图的协方差矩阵中各个位置的值对应于所述第一特征向量中相应两个位置的特征值之间的方差，并构造所述第二特征向量的第二高斯密度图，其中，所述第二高斯密度图的均值向量为所述第二特征向量，所述第二高斯密度图的协方差矩阵中各个位置的值对应于所述第二特征向量中相应两个位置的特征值之间的方差应可以理解，考虑到所述多个控制参数和实时结果参数之间的数据模态、数据尺度和数据量都不同，即，所述多个控制参数为离散数据而所述实时结果参数为图像数据，因此，在本申请实施例中，使用基于高斯密度图来对所述第一特征向量和所述第二特征向量进行数据增强以使得两者在高维特征空间中的数据流形的位置和形状能够更为邻近。
具体地，在本申请的技术方案方案中，进一步构造所述第一特征图的第一高斯密度图和构造所述第二特征图的第二密度图，其中，所述第一高斯密度图用公式可表示为
Figure GDA0003806463240000221
其中，μ1为所述第一特征向量，且∑1的各个位置的值为所述第一特征向量中相应两个位置的特征值的方差，所述第二高斯密度图用公式可表示为
Figure GDA0003806463240000222
其中，μ2为所述第二特征向量，且∑2的各个位置的值为所述第二特征向量中相应两个位置的特征值的方差。
更具体地，在步骤S160和步骤S170中，计算所述第一高斯密度图相对于所述第二高斯密度图的响应性估计以获得响应性高斯密度图，所述响应性高斯密度图的均值向量为所述第一高斯密度图的均值向量与所述第二高斯密度图的向量的逐点做除法所得的向量，所述响应性密度图的协方差矩阵为所述第一高斯密度图的协方差矩阵乘以所述第二高斯密度图的协方差矩阵的逆矩阵，并对所述响应性高斯密度图进行高斯离散化处理以得到分类特征矩阵。应可以理解，考虑到所述多个控制参数和所述实时结果参数之间存在响应性关系，因此，在本申请的技术方案中，进一步计算所述第一高斯密度图相对于所述第二高斯密度图的响应性估计以获得响应性高斯密度图。接着，对所述响应性高斯密度图进行高斯离散化以生成分类特征矩阵，并将所述分类特征矩阵通过分类器后就可以获得相应的控制结果。应可以理解，这样，所述分类特征矩阵包含多个控制参数之间的高维隐含关联，所述多个控制参数在时序维度上的高维关联信息、所述产物在时序维度上的高维变化特征，以及，所述产物相对于所述多个控制参数的高维关联信息，因此，以所述分类特征矩阵进行分类可提高控制的精度和准度。
更具体地，在步骤S180中，对所述分类特征矩阵进行基于所述分类特征矩阵的整体概率分布的均衡修正以生成校正后分类特征图，其中，所述基于所述分类特征矩阵的整体概率分布的均衡修正基于以所述分类特征图中各个位置的特征值为幂的自然指数函数值与以所述分类特征图中所有位置的特征值的均值为幂的自然指数函数值之间的差值来进行。应可以理解，由于所述卷积网络的卷积核作为过滤器，对于源数据进行了小尺度的像素级别的关联特征提取，因此所述特征向量作为高斯密度图下的概率分布会存在扰动。而在构造所述特征向量的高斯密度图时，由于所述协方差矩阵是每两个位置的特征值之间的方差，这又会放大个别概率分布的扰动性，并且，这种扰动性可能在计算所述响应性密度图和所述高斯离散化的过程中进一步放大，从而影响所述分类矩阵的整体概率分布的均衡性。因此，在本申请的技术方案中，进一步对高斯离散化后得到的所述分类矩阵进行修正。
更具体地，在步骤S190中，将所述校正后分类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计量槽中无水氢氟酸的流入速率应增大或应减小。也就是，在本申请的技术方案中，进一步将所述校正后分类特征图通过分类器以获得用于表示计量槽中无水氢氟酸的流入速率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校正后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Projext(F)表示将所述校正后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氢氟酸制备的自动配料系统的配料方法被阐明，其采用人工智能技术的智能控制方法来从控制端，以基于全局的动态角度来动态地调整计量槽中的无水氢氟酸的流入速率，进而对所述电子级氢氟酸的智能制造产线的制备效率和提纯精度进行优化。
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 (3)

1.一种用于电子级氢氟酸制备的自动配料系统，其特征在于，包括：
控制参数数据获取单元，用于获取多个预定时间点的缓冲槽中的液位、计量槽中无水氢氟酸的流入速率、塔釜中的液位、通入所述塔釜的热水的温度和冷凝器的温度，以及，所述多个预定时间点的经所述冷凝器冷凝后的产物的液相色谱图；
第一卷积编码单元，用于将所述多个预定时间点的经所述冷凝器冷凝后的产物的液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向量；
第二卷积编码单元，用于将所述多个预定时间点的所述缓冲槽中的液位、所述计量槽中无水氢氟酸的流入速率、所述塔釜中的液位、所述通入所述塔釜的热水的温度和所述冷凝器的温度按照样本维度和时间维度排列为二维的参数矩阵后通过第二卷积神经网络以获得第二特征向量；
第一高斯密度图构造单元，用于构造所述第一特征向量的第一高斯密度图，其中，所述第一高斯密度图的均值向量为所述第一特征向量，所述第一高斯密度图的协方差矩阵中各个位置的值对应于所述第一特征向量中相应两个位置的特征值之间的方差；
第二高斯密度图构造单元，用于构造所述第二特征向量的第二高斯密度图，其中，所述第二高斯密度图的均值向量为所述第二特征向量，所述第二高斯密度图的协方差矩阵中各个位置的值对应于所述第二特征向量中相应两个位置的特征值之间的方差；
响应性估计单元，用于计算所述第一高斯密度图相对于所述第二高斯密度图的响应性估计以获得响应性高斯密度图，所述响应性高斯密度图的均值向量为所述第一高斯密度图的均值向量与所述第二高斯密度图的向量的逐点做除法所得的向量，所述响应性高斯密度图的协方差矩阵为所述第一高斯密度图的协方差矩阵乘以所述第二高斯密度图的协方差矩阵的逆矩阵；
高斯离散单元，用于对所述响应性高斯密度图进行高斯离散化处理以得到分类特征矩阵；
特征矩阵校正单元，用于对所述分类特征矩阵进行基于所述分类特征矩阵的整体概率分布的均衡修正以生成校正后分类特征图，其中，所述基于所述分类特征矩阵的整体概率分布的均衡修正基于以所述分类特征图中各个位置的特征值为幂的自然指数函数值与以所述分类特征图中所有位置的特征值的均值为幂的自然指数函数值之间的差值来进行；以及
控制结果生成单元，用于将所述校正后分类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计量槽中无水氢氟酸的流入速率应增大或应减小；
其中，所述第一卷积编码单元，用于：使用所述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经所述冷凝器冷凝后的产物的液相色谱图进行处理，以获得所述第一特征向量；
其中，所述公式为：
Figure FDA0004057127440000021
其中，Hj、Wj和Rj分别表示三维卷积核的长度、宽度和高度，m表示第(l-1)层特征图的个数，
Figure FDA0004057127440000022
是与(l-1)层的第m个特征图相连的卷积核，blj为偏置，f(·)表示激活函数；
其中，所述第一高斯密度图构造单元，用于：以如下公式构造所述第一特征向量的所述第一高斯密度图；
其中，所述公式为：
Figure FDA0004057127440000023
其中x1表示合成后的高斯向量，μ1为所述第一特征向量，且∑1中各个位置的值对应于所述第一特征向量中相应两个位置的特征值之间的方差；
其中，所述第二高斯密度图构造单元，用于：以如下公式构造所述第二特征向量的所述第二高斯密度图；
其中，所述公式为：
Figure FDA0004057127440000024
其中x2表示合成后的高斯向量，μ2为所述第二特征向量，且∑2中各个位置的值对应于所述第二特征向量中相应两个位置的特征值之间的方差；
其中，所述响应性估计单元，用于：以如下公式计算所述第一高斯密度图相对于所述第二高斯密度图的响应性估计以获得所述响应性高斯密度图；
其中，所述公式为：
Figure FDA0004057127440000025
其中⊙表示向量点乘，⊙-1表示对向量的每个位置的值取倒数，且
Figure FDA0004057127440000033
表示矩阵乘法；
其中，所述特征矩阵校正单元，用于：以如下公式对所述分类特征矩阵进行基于所述分类特征矩阵的整体概率分布的均衡修正以生成所述校正后分类特征图；
其中，所述公式为：
Figure FDA0004057127440000031
其中mi,j为所述分类特征矩阵的第i行和第j列对应位置的特征值，且
Figure FDA0004057127440000032
是所述分类特征矩阵的各个位置的特征值的全局均值；
其中，所述控制结果生成单元，用于：所述分类器以如下公式对所述校正后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)表示将所述校正后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。
2.根据权利要求1所述的用于电子级氢氟酸制备的自动配料系统，其中，所述第二卷积编码单元，进一步用于：将所述多个预定时间点的所述缓冲槽中的液位、所述计量槽中无水氢氟酸的流入速率、所述塔釜中的液位、所述通入所述塔釜的热水的温度和所述冷凝器的温度按照样本维度和时间维度排列为二维的参数矩阵；使用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、沿特征矩阵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向量，其中，所述第二卷积神经网络的第一层的输入为所述参数矩阵。
3.一种用于电子级氢氟酸制备的自动配料系统的配料方法，其特征在于，包括：
获取多个预定时间点的缓冲槽中的液位、计量槽中无水氢氟酸的流入速率、塔釜中的液位、通入所述塔釜的热水的温度和冷凝器的温度，以及，所述多个预定时间点的经所述冷凝器冷凝后的产物的液相色谱图；
将所述多个预定时间点的经所述冷凝器冷凝后的产物的液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向量；
将所述多个预定时间点的所述缓冲槽中的液位、所述计量槽中无水氢氟酸的流入速率、所述塔釜中的液位、所述通入所述塔釜的热水的温度和所述冷凝器的温度按照样本维度和时间维度排列为二维的参数矩阵后通过第二卷积神经网络以获得第二特征向量；
构造所述第一特征向量的第一高斯密度图，其中，所述第一高斯密度图的均值向量为所述第一特征向量，所述第一高斯密度图的协方差矩阵中各个位置的值对应于所述第一特征向量中相应两个位置的特征值之间的方差；
构造所述第二特征向量的第二高斯密度图，其中，所述第二高斯密度图的均值向量为所述第二特征向量，所述第二高斯密度图的协方差矩阵中各个位置的值对应于所述第二特征向量中相应两个位置的特征值之间的方差；
计算所述第一高斯密度图相对于所述第二高斯密度图的响应性估计以获得响应性高斯密度图，所述响应性高斯密度图的均值向量为所述第一高斯密度图的均值向量与所述第二高斯密度图的向量的逐点做除法所得的向量，所述响应性高斯密度图的协方差矩阵为所述第一高斯密度图的协方差矩阵乘以所述第二高斯密度图的协方差矩阵的逆矩阵；
对所述响应性高斯密度图进行高斯离散化处理以得到分类特征矩阵；
对所述分类特征矩阵进行基于所述分类特征矩阵的整体概率分布的均衡修正以生成校正后分类特征图，其中，所述基于所述分类特征矩阵的整体概率分布的均衡修正基于以所述分类特征图中各个位置的特征值为幂的自然指数函数值与以所述分类特征图中所有位置的特征值的均值为幂的自然指数函数值之间的差值来进行；以及
将所述校正后分类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计量槽中无水氢氟酸的流入速率应增大或应减小；
其中，将所述多个预定时间点的经所述冷凝器冷凝后的产物的液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向量，包括：使用所述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经所述冷凝器冷凝后的产物的液相色谱图进行处理，以获得所述第一特征向量；
其中，所述公式为：
Figure FDA0004057127440000051
其中，Hj、Wj和Rj分别表示三维卷积核的长度、宽度和高度，m表示第(l-1)层特征图的个数，
Figure FDA0004057127440000052
是与(l-1)层的第m个特征图相连的卷积核，blj为偏置，f(·)表示激活函数；
其中，构造所述第一特征向量的第一高斯密度图，包括：以如下公式构造所述第一特征向量的所述第一高斯密度图；
其中，所述公式为：
Figure FDA0004057127440000053
其中x1表示合成后的高斯向量，μ1为所述第一特征向量，且∑1中各个位置的值对应于所述第一特征向量中相应两个位置的特征值之间的方差；
其中，构造所述第二特征向量的第二高斯密度图，包括：以如下公式构造所述第二特征向量的所述第二高斯密度图；
其中，所述公式为：
Figure FDA0004057127440000054
其中x2表示合成后的高斯向量，μ2为所述第二特征向量，且∑2中各个位置的值对应于所述第二特征向量中相应两个位置的特征值之间的方差；
其中，计算所述第一高斯密度图相对于所述第二高斯密度图的响应性估计以获得响应性高斯密度图，包括：以如下公式计算所述第一高斯密度图相对于所述第二高斯密度图的响应性估计以获得所述响应性高斯密度图；
其中，所述公式为：
Figure FDA0004057127440000055
其中⊙表示向量点乘，⊙-1表示对向量的每个位置的值取倒数，且
Figure FDA0004057127440000056
表示矩阵乘法；
其中，对所述分类特征矩阵进行基于所述分类特征矩阵的整体概率分布的均衡修正以生成校正后分类特征图，包括：以如下公式对所述分类特征矩阵进行基于所述分类特征矩阵的整体概率分布的均衡修正以生成所述校正后分类特征图；
其中，所述公式为：
Figure FDA0004057127440000057
其中mi,j为所述分类特征矩阵的第i行和第j列对应位置的特征值，且
Figure FDA0004057127440000061
是所述分类特征矩阵的各个位置的特征值的全局均值；
其中，将所述校正后分类特征图通过分类器以获得分类结果，包括：所述分类器以如下公式对所述校正后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)表示将所述校正后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。
CN202210585503.4A 2022-05-27 2022-05-27 用于电子级氢氟酸制备的自动配料系统及其配料方法 Active CN115090200B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210585503.4A CN115090200B (zh) 2022-05-27 2022-05-27 用于电子级氢氟酸制备的自动配料系统及其配料方法
PCT/CN2022/116222 WO2023226227A1 (zh) 2022-05-27 2022-08-31 用于电子级氢氟酸制备的自动配料系统及其配料方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210585503.4A CN115090200B (zh) 2022-05-27 2022-05-27 用于电子级氢氟酸制备的自动配料系统及其配料方法

Publications (2)

Publication Number Publication Date
CN115090200A CN115090200A (zh) 2022-09-23
CN115090200B true CN115090200B (zh) 2023-04-07

Family

ID=83289719

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210585503.4A Active CN115090200B (zh) 2022-05-27 2022-05-27 用于电子级氢氟酸制备的自动配料系统及其配料方法

Country Status (2)

Country Link
CN (1) CN115090200B (zh)
WO (1) WO2023226227A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115350640B (zh) * 2022-10-20 2023-03-14 济宁九德半导体科技有限公司 基于半导体扩散炉用氮氧混合设备及其控制方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108549789A (zh) * 2018-04-19 2018-09-18 中南大学 一种三元正极材料配料系统的集成建模方法
CN114036810A (zh) * 2021-11-04 2022-02-11 江南大学 一种细胞培养状态在线估计及优化补料调控方法

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7933849B2 (en) * 2006-10-31 2011-04-26 Rockwell Automation Technologies, Inc. Integrated model predictive control of batch and continuous processes in a biofuel production process
CN104217214B (zh) * 2014-08-21 2017-09-19 广东顺德中山大学卡内基梅隆大学国际联合研究院 基于可配置卷积神经网络的rgb‑d人物行为识别方法
CN105088595B (zh) * 2015-09-11 2017-03-08 河海大学常州校区 基于神经网络模型的印染在线配色设备及方法
CN109597449A (zh) * 2019-01-30 2019-04-09 杭州庆睿科技有限公司 一种基于神经网络的超声波分散仪温度控制方法
EP3966695A4 (en) * 2019-05-06 2023-01-25 Strong Force TX Portfolio 2018, LLC PLATFORM TO FACILITATE THE DEVELOPMENT OF INTELLIGENCE IN AN INDUSTRIAL INTERNET OF THINGS SYSTEM
CN111994874B (zh) * 2020-09-03 2022-07-19 福建天甫电子材料有限公司 电子级氢氟酸的制备方法
CN112651986B (zh) * 2020-12-25 2024-05-24 北方工业大学 环境识别方法、识别装置、识别系统、电子设备及介质
CN113837046A (zh) * 2021-09-17 2021-12-24 西北工业大学 一种基于迭代特征分布学习的小样本遥感图像场景分类方法
CN114118355A (zh) * 2021-10-08 2022-03-01 天津一重电气自动化有限公司 基于神经网络的不锈钢酸洗工艺参数控制方法
CN114211975A (zh) * 2021-11-28 2022-03-22 厦门任鑫实业有限公司 用于电动汽车的充电报警系统及其工作方法
CN114417522A (zh) * 2021-12-23 2022-04-29 鞍山浦项特种耐火材料有限公司 一种铝锆碳滑板的工艺参数优化方法、系统和电子设备
CN114265885A (zh) * 2021-12-28 2022-04-01 中南大学 一种烧结返粉料的水分自动控制方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108549789A (zh) * 2018-04-19 2018-09-18 中南大学 一种三元正极材料配料系统的集成建模方法
CN114036810A (zh) * 2021-11-04 2022-02-11 江南大学 一种细胞培养状态在线估计及优化补料调控方法

Also Published As

Publication number Publication date
WO2023226227A1 (zh) 2023-11-30
CN115090200A (zh) 2022-09-23

Similar Documents

Publication Publication Date Title
CN115688592B (zh) 用于电子级四氟化碳制备的精馏控制系统及其方法
WO2024045247A1 (zh) 用于氟化铵生产的生产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
WO2024021259A1 (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
WO2024045243A1 (zh) 用于六氟磷酸锂制备的自动配料系统及其配料方法
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
Xing et al. Manifold learning for the emulation of spatial fields from computational models
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
WO2024021254A1 (zh) 电子级三氟化氯的智能分离纯化系统
CN109754018A (zh) 一种基于f范数的低秩局部保持投影的图像识别方法
CN105740212A (zh) 一种基于正则化向量自回归模型的传感器异常检测方法
CN115935276A (zh) 环境水质监测系统及其监测方法
CN115144312A (zh) 基于物联网的室内空气细颗粒测量方法及其系统
CN114611795A (zh) 基于水位联动的水位预测方法及其系统
Li et al. Development of a Novel Soft Sensor with Long Short‐Term Memory Network and Normalized Mutual Information Feature Selection
CN109754008B (zh) 基于矩阵分解的高维对称稀疏网络缺失信息的估计方法
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
CN103699436A (zh) 基于局部线性约束和全局结构信息的图像编码方法
Chen et al. An enhanced DPCA fault diagnosis method based on hierarchical cluster analysis
CN115409617B (zh) 基于区块链的外币兑换方法及其系统
CN116796248A (zh) 森林康养环境评估系统及其方法
CN116678258A (zh) 用于压力容器的冷热交换器及其控制方法
CN115456259A (zh) 基于中尺度数据的风电场选址优化系统及其方法
CN109447237A (zh) 基于统计异常值的池化计算方法、电子设备、存储介质
CN115187660A (zh) 一种基于知识蒸馏的多人人体姿态估计方法及系统

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
CB02 Change of applicant information

Address after: 364200 No. 9, Gongye Road, Pingpu village, Jiaoyang Town, Shanghang County, Longyan City, Fujian Province

Applicant after: Fujian Longfu New Material Co.,Ltd.

Address before: 364200 No. 9, Gongye Road, Pingpu village, Jiaoyang Town, Shanghang County, Longyan City, Fujian Province

Applicant before: FUJIAN LONGFU CHEMICAL Co.,Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant