CN115097884B - 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 - Google Patents

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 Download PDF

Info

Publication number
CN115097884B
CN115097884B CN202210582570.0A CN202210582570A CN115097884B CN 115097884 B CN115097884 B CN 115097884B CN 202210582570 A CN202210582570 A CN 202210582570A CN 115097884 B CN115097884 B CN 115097884B
Authority
CN
China
Prior art keywords
feature vector
matrix
feature
parameters
classification
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
CN202210582570.0A
Other languages
English (en)
Other versions
CN115097884A (zh
Inventor
雷游生
吴仕显
黄明新
邱秋生
袁海明
华钟
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 CN202210582570.0A priority Critical patent/CN115097884B/zh
Priority to PCT/CN2022/117711 priority patent/WO2023226236A1/zh
Publication of CN115097884A publication Critical patent/CN115097884A/zh
Application granted granted Critical
Publication of CN115097884B publication Critical patent/CN115097884B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D27/00—Simultaneous control of variables covered by two or more of main groups G05D1/00 - G05D25/00
    • G05D27/02—Simultaneous control of variables covered by two or more of main groups G05D1/00 - G05D25/00 characterised by the use of electric means
    • 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
    • B01D—SEPARATION
    • B01D53/00—Separation of gases or vapours; Recovering vapours of volatile solvents from gases; Chemical or biological purification of waste gases, e.g. engine exhaust gases, smoke, fumes, flue gases, aerosols
    • B01D53/14—Separation of gases or vapours; Recovering vapours of volatile solvents from gases; Chemical or biological purification of waste gases, e.g. engine exhaust gases, smoke, fumes, flue gases, aerosols by absorption
    • B01D53/1456—Removing acid components
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01D—SEPARATION
    • B01D2257/00—Components to be removed
    • B01D2257/20—Halogens or halogen compounds
    • B01D2257/204—Inorganic halogen compounds
    • B01D2257/2047—Hydrofluoric acid
    • 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

  • Chemical & Material Sciences (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Engineering & Computer Science (AREA)
  • Analytical Chemistry (AREA)
  • General Chemical & Material Sciences (AREA)
  • Oil, Petroleum & Natural Gas (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Feedback Control In General (AREA)
  • Vaporization, Distillation, Condensation, Sublimation, And Cold Traps (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能源管理控制系统及其控制方法，其通过利用人工智能技术的智能控制方法来对电子级氢氟酸制备系统的控制参数进行全局动态地控制，进而实现所述电子级氢氟酸制备系统的能源管控，这样，不仅能够提高所述电子级氢氟酸产品的制备良率，且能够使得所述制备系统的整体能耗满足能耗最优原则。

Description

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
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能源管理控制系统及其控制方法。
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。目前，电子级氢氟酸的主要生产方法为：首先将工业无水氢氟酸进行化学预处理，接着进行精馏，再将得到的氟化氢气体冷却，用纯水吸收，最后过滤，灌装。由于杂质砷的存在对电子器件的性能有严重影响，因此砷的脱除是氢氟酸提纯过程中的关键问题，通常采用的方法是使用氧化剂把三价砷杂质转化成高沸点的五价砷化合物，常用的氧化剂有KMnO4、CrO3、过硫酸盐等。
专利103991847揭露了一种电子级氢氟酸的制备方法，其使用过氧化氢作为氧化剂把三价砷杂质转化成高沸点的五价砷化合物，且不引入额外杂质，制备出产量高、品质好、成本低的电子级氢氟酸产品，并对尾气中的氟化氢气体进行回收。
但在实际制备过程中发现，虽然通过专利103991847所揭露的技术方案能够制得纯度较高的电子级氢氟酸产品，但产品良率不稳定，且整个用于电子级氢氟酸制备系统的能耗较高，不利于节能环保。
因此，期待一种新型的用于电子级氢氟酸制备的能源管理控制系统，其不仅能够提高电子级氢氟酸产品的制备良率，且能够使得制备系统的整体能耗满足能耗最优原则。
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能源管理控制系统及其控制方法，其通过利用人工智能技术的智能控制方法来对电子级氢氟酸制备系统的控制参数进行全局动态地控制，进而实现所述电子级氢氟酸制备系统的能源管控，这样，不仅能够提高所述电子级氢氟酸产品的制备良率，且能够使得所述制备系统的整体能耗满足能耗最优原则。
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能源管理控制系统，其包括：能耗参数获取单元，用于获取包含当前时间点在内的多个预定时间点的精馏塔参数和吸收塔参数，其中，所述精馏塔参数包括：塔釜温度，塔身温度，塔顶温度，塔釜压力，塔顶压力，回流温度，和回流比，所述吸收塔参数包括吸收塔温度和吸收塔压力；产物结果数据获取单元，用于获取所述包含当前时间点在内的多个预定时间点的第一次过滤前的氟化氢液体的液相色谱图；第一卷积编码单元，用于将所述包含当前时间点在内的多个预定时间点的第一次过滤前的氟化氢液体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精馏塔参数和吸收塔参数按照参数样本维度和时间维度构造二维的控制参数矩阵后通过第二卷积神经网络以获得第二特征向量；特征向量融合单元，用于对所述第一特征向量和所述第二特征向量进行基于迁移确定性的特征向量融合以得到分类特征矩阵，所述基于迁移确定性的特征向量融合基于所述第一特征向量与所述第二特征向量的矩阵乘积得到的特征矩阵，以及，所述第一特征向量与所述第二特征向量的矩阵乘积得到的特征矩阵的Frobenius范数来进行；以及能源管理结果生成单元，用于将所述分类特征矩阵通过分类器以获得分类结果，所述分类结果用于表示当前时间点的参数控制策略是否满足能耗最优策略。
在上述用于电子级氢氟酸制备的能源管理控制系统中，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以如下公式对所述包含当前时间点在内的多个预定时间点的第一次过滤前的氟化氢液体的液相色谱图进行处理以生成所述第一特征向量；其中，所述公式为：
Figure 671929DEST_PATH_IMAGE001
其中，
Figure 499071DEST_PATH_IMAGE002
、
Figure 315848DEST_PATH_IMAGE003
和
Figure 39085DEST_PATH_IMAGE004
分别表示三维卷积核的长度、宽度和高度，m表示第
Figure 698736DEST_PATH_IMAGE005
层特征图的个数，
Figure 927637DEST_PATH_IMAGE006
是与
Figure 723555DEST_PATH_IMAGE007
层的第m个特征图相连的卷积核，
Figure 617693DEST_PATH_IMAGE008
为偏置，
Figure 374427DEST_PATH_IMAGE009
表示激活函数。
在上述用于电子级氢氟酸制备的能源管理控制系统中，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精馏塔参数和吸收塔参数按照参数样本维度和时间维度构造二维的所述控制参数矩阵；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控制参数矩阵。
在上述用于电子级氢氟酸制备的能源管理控制系统中，所述特征向量融合单元，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迁移确定性的特征向量融合以得到所述分类特征矩阵；其中，所述公式为：
Figure 277792DEST_PATH_IMAGE010
其中
Figure 334741DEST_PATH_IMAGE011
表示所述第一特征向量，
Figure 258835DEST_PATH_IMAGE012
表示所述第二特征向量，
Figure 34024DEST_PATH_IMAGE013
表示所述分类矩阵，
Figure 944342DEST_PATH_IMAGE014
表示矩阵的Frobenius范数，并且所述第一特征向量
Figure 386956DEST_PATH_IMAGE011
和所述第二特征向量
Figure 888476DEST_PATH_IMAGE015
为列向量。
在上述用于电子级氢氟酸制备的能源管理控制系统中，所述能源管理结果生成单元，进一步用于：所述分类器以如下公式对所述分类特征矩阵进行处理以生成分类结果，其中，所述公式为：
Figure 619802DEST_PATH_IMAGE016
，其中
Figure 396128DEST_PATH_IMAGE017
表示将所述分类特征矩阵投影为向量，
Figure 427669DEST_PATH_IMAGE018
至
Figure 568932DEST_PATH_IMAGE019
为各层全连接层的权重矩阵，
Figure 787555DEST_PATH_IMAGE020
至
Figure 164310DEST_PATH_IMAGE021
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能源管理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精馏塔参数和吸收塔参数，其中，所述精馏塔参数包括：塔釜温度，塔身温度，塔顶温度，塔釜压力，塔顶压力，回流温度，和回流比，所述吸收塔参数包括吸收塔温度和吸收塔压力；获取所述包含当前时间点在内的多个预定时间点的第一次过滤前的氟化氢液体的液相色谱图；将所述包含当前时间点在内的多个预定时间点的第一次过滤前的氟化氢液体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精馏塔参数和吸收塔参数按照参数样本维度和时间维度构造二维的控制参数矩阵后通过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迁移确定性的特征向量融合以得到分类特征矩阵，所述基于迁移确定性的特征向量融合基于所述第一特征向量与所述第二特征向量的矩阵乘积得到的特征矩阵，以及，所述第一特征向量与所述第二特征向量的矩阵乘积得到的特征矩阵的Frobenius范数来进行；以及将所述分类特征矩阵通过分类器以获得分类结果，所述分类结果用于表示当前时间点的参数控制策略是否满足能耗最优策略。
在上述用于电子级氢氟酸制备的能源管理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第一次过滤前的氟化氢液体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包含当前时间点在内的多个预定时间点的第一次过滤前的氟化氢液体的液相色谱图进行处理以生成所述第一特征向量；其中，所述公式为：
Figure 734180DEST_PATH_IMAGE022
其中，
Figure 311923DEST_PATH_IMAGE023
、
Figure 876896DEST_PATH_IMAGE024
和
Figure 198287DEST_PATH_IMAGE025
分别表示三维卷积核的长度、宽度和高度，m表示第
Figure 735579DEST_PATH_IMAGE026
层特征图的个数，
Figure 484223DEST_PATH_IMAGE027
是与
Figure 411859DEST_PATH_IMAGE028
层的第m个特征图相连的卷积核，
Figure 536941DEST_PATH_IMAGE029
为偏置，
Figure 397581DEST_PATH_IMAGE030
表示激活函数。
在上述用于电子级氢氟酸制备的能源管理控制系统的控制方法中，将所述多个预定时间点的精馏塔参数和吸收塔参数按照参数样本维度和时间维度构造二维的控制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精馏塔参数和吸收塔参数按照参数样本维度和时间维度构造二维的所述控制参数矩阵；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控制参数矩阵。
在上述用于电子级氢氟酸制备的能源管理控制系统的控制方法中，对所述第一特征向量和所述第二特征向量进行基于迁移确定性的特征向量融合以得到分类特征矩阵，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迁移确定性的特征向量融合以得到所述分类特征矩阵；
其中，所述公式为：
Figure 848285DEST_PATH_IMAGE010
其中
Figure 263217DEST_PATH_IMAGE011
表示所述第一特征向量，
Figure 51044DEST_PATH_IMAGE012
表示所述第二特征向量，
Figure 766190DEST_PATH_IMAGE013
表示所述分类矩阵，
Figure 856637DEST_PATH_IMAGE014
表示矩阵的Frobenius范数，并且所述第一特征向量
Figure 24445DEST_PATH_IMAGE011
和所述第二特征向量
Figure 84805DEST_PATH_IMAGE015
为列向量。
在上述用于电子级氢氟酸制备的能源管理控制系统的控制方法中，将所述分类特征矩阵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分类特征矩阵进行处理以生成分类结果，其中，所述公式为：
Figure 654457DEST_PATH_IMAGE031
，其中
Figure 576191DEST_PATH_IMAGE032
表示将所述分类特征矩阵投影为向量，
Figure 824769DEST_PATH_IMAGE033
至
Figure 829766DEST_PATH_IMAGE034
为各层全连接层的权重矩阵，
Figure 112979DEST_PATH_IMAGE035
至
Figure 951753DEST_PATH_IMAGE036
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能源管理控制系统及其控制方法，其通过利用人工智能技术的智能控制方法来对电子级氢氟酸制备系统的控制参数进行全局动态地控制，进而实现所述电子级氢氟酸制备系统的能源管控，这样，不仅能够提高所述电子级氢氟酸产品的制备良率，且能够使得所述制备系统的整体能耗满足能耗最优原则。
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能源管理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氢氟酸制备的能源管理控制系统的框图。
图3为根据本申请实施例的用于电子级氢氟酸制备的能源管理控制系统的控制方法的流程图。
图4为根据本申请实施例的用于电子级氢氟酸制备的能源管理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，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。目前，电子级氢氟酸的主要生产方法为：首先将工业无水氢氟酸进行化学预处理，接着进行精馏，再将得到的氟化氢气体冷却，用纯水吸收，最后过滤，灌装。由于杂质砷的存在对电子器件的性能有严重影响，因此砷的脱除是氢氟酸提纯过程中的关键问题，通常采用的方法是使用氧化剂把三价砷杂质转化成高沸点的五价砷化合物，常用的氧化剂有KMnO4、CrO3、过硫酸盐等。
专利103991847揭露了一种电子级氢氟酸的制备方法，其使用过氧化氢作为氧化剂把三价砷杂质转化成高沸点的五价砷化合物，且不引入额外杂质，制备出产量高、品质好、成本低的电子级氢氟酸产品，并对尾气中的氟化氢气体进行回收。
但在实际制备过程中发现，虽然通过专利103991847所揭露的技术方案能够制得纯度较高的电子级氢氟酸产品，但产品良率不稳定，且整个用于电子级氢氟酸制备系统的能耗较高，不利于节能环保。
因此，期待一种新型的用于电子级氢氟酸制备的能源管理控制系统，其不仅能够提高电子级氢氟酸产品的制备良率，且能够使得制备系统的整体能耗满足能耗最优原则。
应可以理解，对电子级氢氟酸制备系统的能源管控本质上是对电子级氢氟酸制备系统的控制参数的控制，例如，控制温度高，意味着能耗高。但在对电子级氢氟酸制备系统的控制参数进行调控时，因控制参数之间存在关联，如果仅针对于单一的控制参数进行优化很难在做到能耗最优的同时兼顾氢氟酸产物的良率和一致性。
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能源管理提供了新的解决思路和方案。
在现行的一种电子级氢氟酸的制备产线中，其制备原理如下：
S1：将工业无水氟化氢液体和纯水通入精馏塔中，形成第一浓度的氢氟酸；在第一浓度的氢氟酸中，加入过氧化氢溶液，进行氧化处理，氧化其中的砷、硅杂质；接着在精馏塔中进行精馏，杂质留在精馏塔的塔釜，在精馏塔塔顶得到纯化的氟化氢气体 ；
S2：将纯化的氟化氢气体通入吸收塔中，进行冷凝处理，得到氟化氢液体；
S3：将步骤（2）中得到的氟化氢液体进行第一次过滤，以除去大颗粒杂质；
S4：将第一次过滤后除去大颗粒杂质的氟化氢液体从成品中间槽底部通入成品中间槽，在成品中间槽中用纯水吸收，得到第二浓度的氢氟酸 ；
S5：将第二浓度的氢氟酸进行第二次过滤，以除去小颗粒杂质，然后进行无尘罐装，得到电子级氢氟酸产品；
S6：将制备电子级氢氟酸过程中产生的尾气用纯水吸收，以制成工业级氢氟酸。
也就是说，在该电子级氢氟酸的智慧产线中，需控制的与能耗相关的参数包括塔釜温度、塔身温度、塔顶温度、塔釜压力、塔顶压力、回流温度、回流比、吸收塔温度和吸收塔压力。
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，将获取的包含当前时间点在内的多个预定时间点的精馏塔参数和吸收塔参数按照样本维度和时间维度排列为二维的控制参数矩阵。通过构造所述控制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基本目的是为了获得满足预设要求的产物，因此，还必须结合电子级氢氟酸的实时产物情况信息来对当前的能耗控制策略来进行判断。具体地，以使用三维卷积核的卷积神经网络模型对包含当前时间点在内的多个预定时间点的第一次过滤前的氟化氢液体的液相色谱图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。这样，融合所述第一特征向量和所述第二特征向量就可以进行分类判断。
然而，考虑到第一特征向量表征液相色谱图的图像语义的过滤器提取表示，且第二特征向量表征参数的关联语义的过滤器提取表示，考虑到两者之间既有关联性又有差异性，为了在融合表达中更好地保留关联性信息并排除差异性的负面影响，进行基于迁移确定性的特征向量融合，即：
Figure 687628DEST_PATH_IMAGE010
Figure 496315DEST_PATH_IMAGE037
表示矩阵的Frobenius范数，并且第一特征向量
Figure 774981DEST_PATH_IMAGE038
和第二特征向量
Figure 502766DEST_PATH_IMAGE039
为列向量，
Figure 538986DEST_PATH_IMAGE040
表示计算以矩阵中各个位置的特征值为幂的自然指数函数值，矩阵除法表示以分子矩阵中各个位置的特征值分别除以分母的特征值；
这样，所获得的分类矩阵
Figure 151364DEST_PATH_IMAGE041
可以通过第一特征向量
Figure 409170DEST_PATH_IMAGE011
和第二特征向量
Figure 183222DEST_PATH_IMAGE042
之间的相对位置空间迁移来保留特征向量间的关联信息，并基于矩阵的Frobenius范数来进行矩阵整体数值的低秩近似，从而在向量的空间迁移的过程中约束其高维特征空间内的远程（long range）关系，以限制差异性而在一定程度上保持概率分布的一致。通过这样的方式，来提高分类判断的精准，即，提高判断当前时间点的参数控制策略是否满足能耗最优的管理策略。
基于此，本申请提出了一种用于电子级氢氟酸制备的能源管理控制系统，其包括：能耗参数获取单元，用于获取包含当前时间点在内的多个预定时间点的精馏塔参数和吸收塔参数，其中，所述精馏塔参数包括：塔釜温度，塔身温度，塔顶温度，塔釜压力，塔顶压力，回流温度，和回流比，所述吸收塔参数包括吸收塔温度和吸收塔压力；产物结果数据获取单元，用于获取所述包含当前时间点在内的多个预定时间点的第一次过滤前的氟化氢液体的液相色谱图；第一卷积编码单元，用于将所述包含当前时间点在内的多个预定时间点的第一次过滤前的氟化氢液体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精馏塔参数和吸收塔参数按照参数样本维度和时间维度构造二维的控制参数矩阵后通过第二卷积神经网络以获得第二特征向量；特征向量融合单元，用于对所述第一特征向量和所述第二特征向量进行基于迁移确定性的特征向量融合以得到分类特征矩阵，所述基于迁移确定性的特征向量融合基于所述第一特征向量与所述第二特征向量的矩阵乘积得到的特征矩阵，以及，所述第一特征向量与所述第二特征向量的矩阵乘积得到的特征矩阵的Frobenius范数来进行；以及，能源管理结果生成单元，用于将所述分类特征矩阵通过分类器以获得分类结果，所述分类结果用于表示当前时间点的参数控制策略是否满足能耗最优策略。
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能源管理控制系统的应用场景图。如图1所示，在该应用场景中，首先，通过部署于精馏塔（例如，如图1中所示意的D）和吸收塔（例如，如图1中所示意的A）的各个传感器（例如，如图1中所示意的传感器T1-Tn）分别获取包含当前时间点在内的多个预定时间点的精馏塔参数和吸收塔参数，其中，所述精馏塔参数包括：塔釜温度，塔身温度，塔顶温度，塔釜压力，塔顶压力，回流温度，和回流比，所述吸收塔参数包括吸收塔温度和吸收塔压力,并且通过部署于电子级氢氟酸制备的能源管理控制系统设备（例如，如图1中所示意的Q）内的摄像头（例如，如图1中所示意的C）获取所述包含当前时间点在内的多个预定时间点的第一次过滤前的氟化氢液体（例如，如图1中所示意的H）的液相色谱图。然后，将获得的所述多个预定时间点的精馏塔参数和吸收塔参数以及氟化氢液体的液相色谱图输入至部署有用于电子级氢氟酸制备的能源管理控制算法的服务器中（例如，如图1中所示意的服务器S），其中，所述服务器能够以用于电子级氢氟酸制备的能源管理控制算法对所述多个预定时间点的精馏塔参数和吸收塔参数以及氟化氢液体的液相色谱图进行处理，以获得用于表示当前时间点的参数控制策略是否满足能耗最优策略的分类结果。
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能源管理控制系统的框图。如图2所示，根据本申请实施例的用于电子级氢氟酸制备的能源管理控制系统 200，包括：能耗参数获取单元 210，用于获取包含当前时间点在内的多个预定时间点的精馏塔参数和吸收塔参数，其中，所述精馏塔参数包括：塔釜温度，塔身温度，塔顶温度，塔釜压力，塔顶压力，回流温度，和回流比，所述吸收塔参数包括吸收塔温度和吸收塔压力；产物结果数据获取单元 220，用于获取所述包含当前时间点在内的多个预定时间点的第一次过滤前的氟化氢液体的液相色谱图；第一卷积编码单元 230，用于将所述包含当前时间点在内的多个预定时间点的第一次过滤前的氟化氢液体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 240，用于将所述多个预定时间点的精馏塔参数和吸收塔参数按照参数样本维度和时间维度构造二维的控制参数矩阵后通过第二卷积神经网络以获得第二特征向量；特征向量融合单元 250，用于对所述第一特征向量和所述第二特征向量进行基于迁移确定性的特征向量融合以得到分类特征矩阵，所述基于迁移确定性的特征向量融合基于所述第一特征向量与所述第二特征向量的矩阵乘积得到的特征矩阵，以及，所述第一特征向量与所述第二特征向量的矩阵乘积得到的特征矩阵的Frobenius范数来进行；以及，能源管理结果生成单元 260，用于将所述分类特征矩阵通过分类器以获得分类结果，所述分类结果用于表示当前时间点的参数控制策略是否满足能耗最优策略。
具体地，在本申请实施例中，所述能耗参数获取单元 210，用于获取包含当前时间点在内的多个预定时间点的精馏塔参数和吸收塔参数，其中，所述精馏塔参数包括：塔釜温度，塔身温度，塔顶温度，塔釜压力，塔顶压力，回流温度，和回流比，所述吸收塔参数包括吸收塔温度和吸收塔压力。如前所述，应可以理解，对电子级氢氟酸制备系统的能源管控本质上是对所述电子级氢氟酸制备系统的控制参数的控制，例如，控制温度高，意味着能耗高。但在对所述电子级氢氟酸制备系统的控制参数进行调控时，因控制参数之间存在关联，如果仅针对于单一的控制参数进行优化很难在做到能耗最优的同时兼顾氢氟酸产物的良率和一致性。
并且，考虑到在所述电子级氢氟酸的智慧产线中，需控制的与能耗相关的参数包括塔釜温度、塔身温度、塔顶温度、塔釜压力、塔顶压力、回流温度、回流比、吸收塔温度和吸收塔压力。因此，具体地，在本申请的技术方案中，首先，通过部署于精馏塔和吸收塔的各个温度传感器和压力传感器分别获取包含当前时间点在内的多个预定时间点的精馏塔参数和吸收塔参数，其中，所述精馏塔参数包括：塔釜温度，塔身温度，塔顶温度，塔釜压力，塔顶压力，回流温度，和回流比，所述吸收塔参数包括吸收塔温度和吸收塔压力。
具体地，在本申请实施例中，所述产物结果数据获取单元 220和所述第一卷积编码单元 230，用于获取所述包含当前时间点在内的多个预定时间点的第一次过滤前的氟化氢液体的液相色谱图，并将所述包含当前时间点在内的多个预定时间点的第一次过滤前的氟化氢液体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基本目的是为了获得满足预设要求的产物，因此，还必须结合所述电子级氢氟酸的实时产物情况信息来对当前的能耗控制策略来进行判断。
也就是，具体地，通过部署于所述能源管理控制系统设备中的摄像头获取所述包含当前时间点在内的多个预定时间点的第一次过滤前的氟化氢液体的液相色谱图。然后，使用所述三维卷积核的第一卷积神经网络模型对包含当前时间点在内的多个预定时间点的第一次过滤前的氟化氢液体的液相色谱图进行处理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，所述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，以获得所述第一特征向量。
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以如下公式对所述包含当前时间点在内的多个预定时间点的第一次过滤前的氟化氢液体的液相色谱图进行处理以生成所述第一特征向量；
其中，所述公式为：
Figure 565793DEST_PATH_IMAGE043
其中，
Figure 122808DEST_PATH_IMAGE044
、
Figure 641645DEST_PATH_IMAGE045
和
Figure 117756DEST_PATH_IMAGE046
分别表示三维卷积核的长度、宽度和高度，m表示第
Figure 468184DEST_PATH_IMAGE047
层特征图的个数，
Figure 422364DEST_PATH_IMAGE048
是与
Figure 123604DEST_PATH_IMAGE047
层的第m个特征图相连的卷积核，
Figure 770617DEST_PATH_IMAGE049
为偏置，
Figure 862201DEST_PATH_IMAGE050
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 240，用于将所述多个预定时间点的精馏塔参数和吸收塔参数按照参数样本维度和时间维度构造二维的控制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，在获得所述多个预定时间点的精馏塔参数和吸收塔参数后，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，在本申请的技术方案中，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，首先，将获取的所述包含当前时间点在内的多个预定时间点的精馏塔参数和吸收塔参数按照样本维度和时间维度排列为二维的控制参数矩阵，以通过构造所述控制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，由于所述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。相应地，在一个具体示例中，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控制参数矩阵。
具体地，在本申请实施例中，所述特征向量融合单元 250，用于对所述第一特征向量和所述第二特征向量进行基于迁移确定性的特征向量融合以得到分类特征矩阵，所述基于迁移确定性的特征向量融合基于所述第一特征向量与所述第二特征向量的矩阵乘积得到的特征矩阵，以及，所述第一特征向量与所述第二特征向量的矩阵乘积得到的特征矩阵的Frobenius范数来进行。应可以理解，在得到所述第一特征向量和所述第二特征向量后，融合所述第一特征向量和所述第二特征向量就可以进行分类判断。然而，考虑到所述第一特征向量表征所述液相色谱图的图像语义的过滤器提取表示，且所述第二特征向量表征所述参数的关联语义的过滤器提取表示，考虑到两者之间既有关联性又有差异性，为了在融合表达中更好地保留关联性信息并排除差异性的负面影响，进行基于迁移确定性的特征向量融合。
更具体地，在本申请实施例中，所述特征向量融合单元，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迁移确定性的特征向量融合以得到所述分类特征矩阵；其中，所述公式为：
Figure 88914DEST_PATH_IMAGE051
其中
Figure 51185DEST_PATH_IMAGE052
表示所述第一特征向量，
Figure 462575DEST_PATH_IMAGE053
表示所述第二特征向量，
Figure 775876DEST_PATH_IMAGE054
表示所述分类矩阵，
Figure 743963DEST_PATH_IMAGE055
表示矩阵的Frobenius范数，并且所述第一特征向量
Figure 419795DEST_PATH_IMAGE052
和所述第二特征向量
Figure 143031DEST_PATH_IMAGE056
为列向量，
Figure 678049DEST_PATH_IMAGE057
表示计算以矩阵中各个位置的特征值为幂的自然指数函数值，矩阵除法表示以分子矩阵中各个位置的特征值分别除以分母的特征值。应可以理解，这样，所获得的所述分类矩阵
Figure 43303DEST_PATH_IMAGE058
可以通过所述第一特征向量
Figure 839220DEST_PATH_IMAGE059
和所述第二特征向量
Figure 467779DEST_PATH_IMAGE060
之间的相对位置空间迁移来保留特征向量间的关联信息，并基于矩阵的Frobenius范数来进行矩阵整体数值的低秩近似，从而在向量的空间迁移的过程中约束其高维特征空间内的远程（longrange）关系，以限制差异性而在一定程度上保持概率分布的一致。通过这样的方式，来提高分类判断的精准，即，提高判断当前时间点的参数控制策略是否满足能耗最优的管理策略。
具体地，在本申请实施例中，所述能源管理结果生成单元 260，用于将所述分类特征矩阵通过分类器以获得分类结果，所述分类结果用于表示当前时间点的参数控制策略是否满足能耗最优策略。也就是，在本申请的技术方案中，在得到所述分类特征矩阵后，进一步将所述分类特征矩阵通过分类器以获得用于表示当前时间点的参数控制策略是否满足能耗最优策略的分类结果。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矩阵进行处理以生成分类结果，其中，所述公式为：
Figure 490093DEST_PATH_IMAGE061
，其中
Figure 647318DEST_PATH_IMAGE062
表示将所述分类特征矩阵投影为向量，
Figure 438688DEST_PATH_IMAGE063
至
Figure 362781DEST_PATH_IMAGE064
为各层全连接层的权重矩阵，
Figure 606812DEST_PATH_IMAGE065
至
Figure 782710DEST_PATH_IMAGE066
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能源管理控制系统200被阐明，其通过利用人工智能技术的智能控制方法来对电子级氢氟酸制备系统的控制参数进行全局动态地控制，进而实现所述电子级氢氟酸制备系统的能源管控，这样，不仅能够提高所述电子级氢氟酸产品的制备良率，且能够使得所述制备系统的整体能耗满足能耗最优原则。
如上所述，根据本申请实施例的用于电子级氢氟酸制备的能源管理控制系统 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能源管理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氢氟酸制备的能源管理控制系统 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，该用于电子级氢氟酸制备的能源管理控制系统 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，该用于电子级氢氟酸制备的能源管理控制系统 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，该用于电子级氢氟酸制备的能源管理控制系统 200与该终端设备也可以是分立的设备，并且该用于电子级氢氟酸制备的能源管理控制系统 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图示了用于电子级氢氟酸制备的能源管理控制系统的控制方法的流程图。如图3所示，根据本申请实施例的用于电子级氢氟酸制备的能源管理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精馏塔参数和吸收塔参数，其中，所述精馏塔参数包括：塔釜温度，塔身温度，塔顶温度，塔釜压力，塔顶压力，回流温度，和回流比，所述吸收塔参数包括吸收塔温度和吸收塔压力；S120，获取所述包含当前时间点在内的多个预定时间点的第一次过滤前的氟化氢液体的液相色谱图；S130，将所述包含当前时间点在内的多个预定时间点的第一次过滤前的氟化氢液体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；S140，将所述多个预定时间点的精馏塔参数和吸收塔参数按照参数样本维度和时间维度构造二维的控制参数矩阵后通过第二卷积神经网络以获得第二特征向量；S150，对所述第一特征向量和所述第二特征向量进行基于迁移确定性的特征向量融合以得到分类特征矩阵，所述基于迁移确定性的特征向量融合基于所述第一特征向量与所述第二特征向量的矩阵乘积得到的特征矩阵，以及，所述第一特征向量与所述第二特征向量的矩阵乘积得到的特征矩阵的Frobenius范数来进行；以及，S160，将所述分类特征矩阵通过分类器以获得分类结果，所述分类结果用于表示当前时间点的参数控制策略是否满足能耗最优策略。
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能源管理控制系统的控制方法的架构示意图。如图4所示，在所述用于电子级氢氟酸制备的能源管理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第一次过滤前的氟化氢液体的液相色谱图（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，将获得的所述多个预定时间点的精馏塔参数和吸收塔参数（例如，如图4中所示意的P2）按照参数样本维度和时间维度构造二维的控制参数矩阵（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，对所述第一特征向量和所述第二特征向量进行基于迁移确定性的特征向量融合以得到分类特征矩阵（例如，如图4中所示意的MF）；以及，最后，将所述分类特征矩阵通过分类器（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当前时间点的参数控制策略是否满足能耗最优策略。
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精馏塔参数和吸收塔参数，其中，所述精馏塔参数包括：塔釜温度，塔身温度，塔顶温度，塔釜压力，塔顶压力，回流温度，和回流比，所述吸收塔参数包括吸收塔温度和吸收塔压力，并获取所述包含当前时间点在内的多个预定时间点的第一次过滤前的氟化氢液体的液相色谱图。应可以理解，对电子级氢氟酸制备系统的能源管控本质上是对所述电子级氢氟酸制备系统的控制参数的控制，例如，控制温度高，意味着能耗高。但在对所述电子级氢氟酸制备系统的控制参数进行调控时，因控制参数之间存在关联，如果仅针对于单一的控制参数进行优化很难在做到能耗最优的同时兼顾氢氟酸产物的良率和一致性。
并且，考虑到在所述电子级氢氟酸的智慧产线中，需控制的与能耗相关的参数包括塔釜温度、塔身温度、塔顶温度、塔釜压力、塔顶压力、回流温度、回流比、吸收塔温度和吸收塔压力。因此，具体地，在本申请的技术方案中，首先，通过部署于精馏塔和吸收塔的各个温度传感器和压力传感器分别获取包含当前时间点在内的多个预定时间点的精馏塔参数和吸收塔参数，其中，所述精馏塔参数包括：塔釜温度，塔身温度，塔顶温度，塔釜压力，塔顶压力，回流温度，和回流比，所述吸收塔参数包括吸收塔温度和吸收塔压力。
同时，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基本目的是为了获得满足预设要求的产物，因此，还必须结合所述电子级氢氟酸的实时产物情况信息来对当前的能耗控制策略来进行判断。也就是，具体地，通过部署于所述能源管理控制系统设备中的摄像头获取所述包含当前时间点在内的多个预定时间点的第一次过滤前的氟化氢液体的液相色谱图。
更具体地，在步骤S130中，将所述包含当前时间点在内的多个预定时间点的第一次过滤前的氟化氢液体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。也就是，在本申请的技术方案中，进一步使用所述三维卷积核的第一卷积神经网络模型对包含当前时间点在内的多个预定时间点的第一次过滤前的氟化氢液体的液相色谱图进行处理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，所述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，以获得所述第一特征向量。
具体地，在本申请实施例中，将所述包含当前时间点在内的多个预定时间点的第一次过滤前的氟化氢液体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的过程，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包含当前时间点在内的多个预定时间点的第一次过滤前的氟化氢液体的液相色谱图进行处理以生成所述第一特征向量；
其中，所述公式为：
Figure 959744DEST_PATH_IMAGE067
其中，
Figure 461264DEST_PATH_IMAGE068
、
Figure 51645DEST_PATH_IMAGE069
和
Figure 765654DEST_PATH_IMAGE070
分别表示三维卷积核的长度、宽度和高度，m表示第
Figure 328354DEST_PATH_IMAGE071
层特征图的个数，
Figure 469616DEST_PATH_IMAGE072
是与
Figure 688239DEST_PATH_IMAGE073
层的第m个特征图相连的卷积核，
Figure 330573DEST_PATH_IMAGE074
为偏置，
Figure 951041DEST_PATH_IMAGE075
表示激活函数。
更具体地，在步骤S140中，将所述多个预定时间点的精馏塔参数和吸收塔参数按照参数样本维度和时间维度构造二维的控制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，在获得所述多个预定时间点的精馏塔参数和吸收塔参数后，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，在本申请的技术方案中，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，首先，将获取的所述包含当前时间点在内的多个预定时间点的精馏塔参数和吸收塔参数按照样本维度和时间维度排列为二维的控制参数矩阵，以通过构造所述控制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，由于所述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。相应地，在一个具体示例中，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控制参数矩阵。
更具体地，在步骤S150中，对所述第一特征向量和所述第二特征向量进行基于迁移确定性的特征向量融合以得到分类特征矩阵，所述基于迁移确定性的特征向量融合基于所述第一特征向量与所述第二特征向量的矩阵乘积得到的特征矩阵，以及，所述第一特征向量与所述第二特征向量的矩阵乘积得到的特征矩阵的Frobenius范数来进行。应可以理解，在得到所述第一特征向量和所述第二特征向量后，融合所述第一特征向量和所述第二特征向量就可以进行分类判断。然而，考虑到所述第一特征向量表征所述液相色谱图的图像语义的过滤器提取表示，且所述第二特征向量表征所述参数的关联语义的过滤器提取表示，考虑到两者之间既有关联性又有差异性，为了在融合表达中更好地保留关联性信息并排除差异性的负面影响，进行基于迁移确定性的特征向量融合。
具体地，在本申请实施例中，对所述第一特征向量和所述第二特征向量进行基于迁移确定性的特征向量融合以得到分类特征矩阵的过程，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迁移确定性的特征向量融合以得到所述分类特征矩阵；
其中，所述公式为：
Figure 528784DEST_PATH_IMAGE010
其中
Figure 500283DEST_PATH_IMAGE011
表示所述第一特征向量，
Figure 821674DEST_PATH_IMAGE012
表示所述第二特征向量，
Figure 93386DEST_PATH_IMAGE013
表示所述分类矩阵，
Figure 384908DEST_PATH_IMAGE014
表示矩阵的Frobenius范数，并且所述第一特征向量
Figure 843702DEST_PATH_IMAGE011
和所述第二特征向量
Figure 703205DEST_PATH_IMAGE015
为列向量，
Figure 891741DEST_PATH_IMAGE076
表示计算以矩阵中各个位置的特征值为幂的自然指数函数值，矩阵除法表示以分子矩阵中各个位置的特征值分别除以分母的特征值。应可以理解，这样，所获得的所述分类矩阵
Figure 217811DEST_PATH_IMAGE077
可以通过所述第一特征向量
Figure 757376DEST_PATH_IMAGE078
和所述第二特征向量
Figure 420570DEST_PATH_IMAGE012
之间的相对位置空间迁移来保留特征向量间的关联信息，并基于矩阵的Frobenius范数来进行矩阵整体数值的低秩近似，从而在向量的空间迁移的过程中约束其高维特征空间内的远程（longrange）关系，以限制差异性而在一定程度上保持概率分布的一致。通过这样的方式，来提高分类判断的精准，即，提高判断当前时间点的参数控制策略是否满足能耗最优的管理策略。
更具体地，在步骤S160中，将所述分类特征矩阵通过分类器以获得分类结果，所述分类结果用于表示当前时间点的参数控制策略是否满足能耗最优策略。也就是，在本申请的技术方案中，在得到所述分类特征矩阵后，进一步将所述分类特征矩阵通过分类器以获得用于表示当前时间点的参数控制策略是否满足能耗最优策略的分类结果。
综上，基于本申请实施例的所述用于电子级氢氟酸制备的能源管理控制系统的控制方法被阐明，其通过利用人工智能技术的智能控制方法来对电子级氢氟酸制备系统的控制参数进行全局动态地控制，进而实现所述电子级氢氟酸制备系统的能源管控，这样，不仅能够提高所述电子级氢氟酸产品的制备良率，且能够使得所述制备系统的整体能耗满足能耗最优原则。
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 (4)

1.一种用于电子级氢氟酸制备的能源管理控制系统，其特征在于，包括：
能耗参数获取单元，用于获取包含当前时间点在内的多个预定时间点的精馏塔参数和吸收塔参数，其中，所述精馏塔参数包括：塔釜温度，塔身温度，塔顶温度，塔釜压力，塔顶压力，回流温度，和回流比，所述吸收塔参数包括吸收塔温度和吸收塔压力；
产物结果数据获取单元，用于获取所述包含当前时间点在内的多个预定时间点的第一次过滤前的氟化氢液体的液相色谱图；
第一卷积编码单元，用于将所述包含当前时间点在内的多个预定时间点的第一次过滤前的氟化氢液体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精馏塔参数和吸收塔参数按照参数样本维度和时间维度构造二维的控制参数矩阵后通过第二卷积神经网络以获得第二特征向量；
特征向量融合单元，用于对所述第一特征向量和所述第二特征向量进行基于迁移确定性的特征向量融合以得到分类特征矩阵，所述基于迁移确定性的特征向量融合基于所述第一特征向量与所述第二特征向量的矩阵乘积得到的特征矩阵，以及，所述第一特征向量与所述第二特征向量的矩阵乘积得到的特征矩阵的Frobenius范数来进行；
能源管理结果生成单元，用于将所述分类特征矩阵通过分类器以获得分类结果，所述分类结果用于表示当前时间点的参数控制策略是否满足能耗最优策略；
其中，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以如下公式对所述包含当前时间点在内的多个预定时间点的第一次过滤前的氟化氢液体的液相色谱图进行处理以生成所述第一特征向量；
其中，所述公式为：
Figure FDA0003928746510000011
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 FDA0003928746510000012
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，所述特征向量融合单元，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迁移确定性的特征向量融合以得到所述分类特征矩阵；
其中，所述公式为：
Figure FDA0003928746510000021
其中V1表示所述第一特征向量，V2表示所述第二特征向量，Mc表示所述分类特征矩阵，||·||F表示矩阵的Frobenius范数，并且所述第一特征向量V1和所述第二特征向量V2为列向量；
其中，所述能源管理结果生成单元，进一步用于：所述分类器以如下公式对所述分类特征矩阵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矩阵投影为向量，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能源管理控制系统，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精馏塔参数和吸收塔参数按照参数样本维度和时间维度构造二维的所述控制参数矩阵；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控制参数矩阵。
3.一种用于电子级氢氟酸制备的能源管理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精馏塔参数和吸收塔参数，其中，所述精馏塔参数包括：塔釜温度，塔身温度，塔顶温度，塔釜压力，塔顶压力，回流温度，和回流比，所述吸收塔参数包括吸收塔温度和吸收塔压力；
获取所述包含当前时间点在内的多个预定时间点的第一次过滤前的氟化氢液体的液相色谱图；
将所述包含当前时间点在内的多个预定时间点的第一次过滤前的氟化氢液体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精馏塔参数和吸收塔参数按照参数样本维度和时间维度构造二维的控制参数矩阵后通过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迁移确定性的特征向量融合以得到分类特征矩阵，所述基于迁移确定性的特征向量融合基于所述第一特征向量与所述第二特征向量的矩阵乘积得到的特征矩阵，以及，所述第一特征向量与所述第二特征向量的矩阵乘积得到的特征矩阵的Frobenius范数来进行；以及
将所述分类特征矩阵通过分类器以获得分类结果，所述分类结果用于表示当前时间点的参数控制策略是否满足能耗最优策略；
其中，将所述包含当前时间点在内的多个预定时间点的第一次过滤前的氟化氢液体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包含当前时间点在内的多个预定时间点的第一次过滤前的氟化氢液体的液相色谱图进行处理以生成所述第一特征向量；
其中，所述公式为：
Figure FDA0003928746510000031
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 FDA0003928746510000032
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，对所述第一特征向量和所述第二特征向量进行基于迁移确定性的特征向量融合以得到分类特征矩阵，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迁移确定性的特征向量融合以得到所述分类特征矩阵；
其中，所述公式为：
Figure FDA0003928746510000041
其中V1表示所述第一特征向量，V2表示所述第二特征向量，Mc表示所述分类特征矩阵，||·||F表示矩阵的Frobenius范数，并且所述第一特征向量V1和所述第二特征向量V2为列向量；
将所述分类特征矩阵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分类特征矩阵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矩阵投影为向量，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。
4.根据权利要求3所述的用于电子级氢氟酸制备的能源管理控制系统的控制方法，其中，将所述多个预定时间点的精馏塔参数和吸收塔参数按照参数样本维度和时间维度构造二维的控制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精馏塔参数和吸收塔参数按照参数样本维度和时间维度构造二维的所述控制参数矩阵；
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控制参数矩阵。
CN202210582570.0A 2022-05-26 2022-05-26 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 Active CN115097884B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210582570.0A CN115097884B (zh) 2022-05-26 2022-05-26 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
PCT/CN2022/117711 WO2023226236A1 (zh) 2022-05-26 2022-09-08 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210582570.0A CN115097884B (zh) 2022-05-26 2022-05-26 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

Publications (2)

Publication Number Publication Date
CN115097884A CN115097884A (zh) 2022-09-23
CN115097884B true CN115097884B (zh) 2022-12-30

Family

ID=83289057

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210582570.0A Active CN115097884B (zh) 2022-05-26 2022-05-26 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

Country Status (2)

Country Link
CN (1) CN115097884B (zh)
WO (1) WO2023226236A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115903705B (zh) * 2022-11-30 2023-07-14 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
WO2024138944A1 (zh) * 2022-12-29 2024-07-04 福建德尔科技股份有限公司 用于电子级四氟化碳的废气回收再利用方法及其系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4197576A (en) * 1976-08-04 1980-04-08 Juan Martin Sanchez Adaptive-predictive control system
CN103991847A (zh) * 2013-02-18 2014-08-20 福建省邵武市永晶化工有限公司 电子级氢氟酸制备方法
CN107261541A (zh) * 2017-08-23 2017-10-20 广州百兴网络科技有限公司 一种精馏装置及精馏控制方法
CN113762331A (zh) * 2021-07-16 2021-12-07 北京旷视科技有限公司 关系型自蒸馏方法、装置和系统及存储介质
CN113778256A (zh) * 2021-07-30 2021-12-10 怀美电子科技(上海)有限公司 具有触摸屏的电子设备及其触摸解锁方法

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6154686A (en) * 1996-07-18 2000-11-28 Innovex Technologies Distributed architecture
CN102339040B (zh) * 2010-07-15 2013-06-19 清华大学 精馏塔优化控制方法
WO2014153570A2 (en) * 2013-03-15 2014-09-25 Transtar Group, Ltd New and improved system for processing various chemicals and materials
US9897985B2 (en) * 2013-06-12 2018-02-20 David Zeltzer Energy exchange systems having actuators with multi-parametric control
CN206214815U (zh) * 2016-11-22 2017-06-06 福建龙氟化工有限公司 列管式氟化氢蒸馏装置
US11531328B2 (en) * 2020-04-17 2022-12-20 Accenture Global Solutions Limited Monitoring and controlling an operation of a distillation column
CN111914471B (zh) * 2020-06-13 2024-09-17 深圳万知达科技有限公司 一种基于快速核独立成分分析的精馏塔故障检测方法
US11815875B2 (en) * 2020-09-30 2023-11-14 Gm Global Technology Operations, Llc Methods, systems, and apparatuses of purge content estimation logic for improved fuel control
CN112597430B (zh) * 2020-12-22 2024-04-05 浙江中控技术股份有限公司 一种用于复杂精馏塔的操作参数优化方法
CN113947202A (zh) * 2021-09-18 2022-01-18 北京化工大学 一种工业过程多状态感知预测控制器设计方法
US20220036194A1 (en) * 2021-10-18 2022-02-03 Intel Corporation Deep neural network optimization system for machine learning model scaling
CN114191953B (zh) * 2021-12-07 2024-02-20 国网河北能源技术服务有限公司 一种基于卷积神经网络和XGBoost的烟气脱硫脱硝控制方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4197576A (en) * 1976-08-04 1980-04-08 Juan Martin Sanchez Adaptive-predictive control system
CN103991847A (zh) * 2013-02-18 2014-08-20 福建省邵武市永晶化工有限公司 电子级氢氟酸制备方法
CN107261541A (zh) * 2017-08-23 2017-10-20 广州百兴网络科技有限公司 一种精馏装置及精馏控制方法
CN113762331A (zh) * 2021-07-16 2021-12-07 北京旷视科技有限公司 关系型自蒸馏方法、装置和系统及存储介质
CN113778256A (zh) * 2021-07-30 2021-12-10 怀美电子科技(上海)有限公司 具有触摸屏的电子设备及其触摸解锁方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于径向基函数神经网络和NLJ优化算法的精馏塔控制;毕士强等;《工业仪表与自动化装置》;20060615(第03期);34-37 *

Also Published As

Publication number Publication date
WO2023226236A1 (zh) 2023-11-30
CN115097884A (zh) 2022-09-23

Similar Documents

Publication Publication Date Title
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
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
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
Song et al. Constructing stronger and faster baselines for skeleton-based action recognition
CN115356434B (zh) 六氟丁二烯储放场所的气体监测系统及其监测方法
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
Qiu et al. Spatio-temporal tuples transformer for skeleton-based action recognition
CN115599049A (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
CN115688592A (zh) 用于电子级四氟化碳制备的精馏控制系统及其方法
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
CN115430344B (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
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
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
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
CN114202740A (zh) 一种基于多尺度特征融合的行人重识别方法
CN111127401B (zh) 一种基于深度学习的机器人立体视觉机械零件检测方法
CN117523498B (zh) 危险废物的处理回收系统及方法
CN117710841A (zh) 一种无人机航拍图像的小目标检测方法、装置
CN117115855A (zh) 基于多尺度Transformer学习丰富视觉特征的人体姿态估计方法及系统
CN112733751A (zh) 用于余热回收的智能进水控制方法
WO2024036690A1 (zh) 用于剥膜液生产的自动配料系统及其配料方法
CN116659516A (zh) 基于双目视差机制的深度立体注意力视觉导航方法及装置
CN115091211B (zh) 数控车磨复合机床及其生产控制方法

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
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