CN115309215B - 氟化铵制备用的自动配料控制系统及其控制方法 - Google Patents
氟化铵制备用的自动配料控制系统及其控制方法 Download PDFInfo
- Publication number
- CN115309215B CN115309215B CN202210939857.4A CN202210939857A CN115309215B CN 115309215 B CN115309215 B CN 115309215B CN 202210939857 A CN202210939857 A CN 202210939857A CN 115309215 B CN115309215 B CN 115309215B
- Authority
- CN
- China
- Prior art keywords
- vector
- flow rate
- characteristic
- rate control
- values
- 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
- DDFHBQSCUXNBSA-UHFFFAOYSA-N 5-(5-carboxythiophen-2-yl)thiophene-2-carboxylic acid Chemical compound S1C(C(=O)O)=CC=C1C1=CC=C(C(O)=O)S1 DDFHBQSCUXNBSA-UHFFFAOYSA-N 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000002360 preparation method Methods 0.000 claims abstract description 33
- 239000013598 vector Substances 0.000 claims description 529
- 238000006243 chemical reaction Methods 0.000 claims description 221
- 239000011159 matrix material Substances 0.000 claims description 91
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 claims description 76
- KRHYYFGTRYWZRS-UHFFFAOYSA-N Fluorane Chemical compound F KRHYYFGTRYWZRS-UHFFFAOYSA-N 0.000 claims description 73
- 229910000040 hydrogen fluoride Inorganic materials 0.000 claims description 69
- 239000012295 chemical reaction liquid Substances 0.000 claims description 46
- 230000003247 decreasing effect Effects 0.000 claims description 28
- 238000013527 convolutional neural network Methods 0.000 claims description 26
- 238000010586 diagram Methods 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 238000012937 correction Methods 0.000 claims description 13
- 238000001914 filtration Methods 0.000 claims description 11
- 230000004927 fusion Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 239000004615 ingredient Substances 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 238000011176 pooling Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 29
- 239000000243 solution Substances 0.000 description 34
- 238000009826 distribution Methods 0.000 description 16
- 238000003860 storage Methods 0.000 description 11
- 238000002156 mixing Methods 0.000 description 10
- 239000012452 mother liquor Substances 0.000 description 10
- 238000003756 stirring Methods 0.000 description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 7
- 239000003795 chemical substances by application Substances 0.000 description 6
- 238000004590 computer program Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 6
- CSCPPACGZOOCGX-UHFFFAOYSA-N Acetone Chemical compound CC(C)=O CSCPPACGZOOCGX-UHFFFAOYSA-N 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 4
- 239000013078 crystal Substances 0.000 description 4
- 239000000645 desinfectant Substances 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 239000000835 fiber Substances 0.000 description 4
- 239000007791 liquid phase Substances 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 239000003755 preservative agent Substances 0.000 description 4
- 230000002335 preservative effect Effects 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 238000011514 vinification Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000001816 cooling Methods 0.000 description 3
- 239000000498 cooling water Substances 0.000 description 3
- 238000001035 drying Methods 0.000 description 3
- 230000000670 limiting effect Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 238000000926 separation method Methods 0.000 description 3
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 2
- 238000007792 addition Methods 0.000 description 2
- 229910021529 ammonia Inorganic materials 0.000 description 2
- LDDQLRUQCUTJBB-UHFFFAOYSA-N ammonium fluoride Chemical compound [NH4+].[F-] LDDQLRUQCUTJBB-UHFFFAOYSA-N 0.000 description 2
- 238000013329 compounding Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005530 etching Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 150000002500 ions Chemical class 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000000873 masking effect Effects 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000010413 mother solution Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000004033 plastic Substances 0.000 description 2
- 238000005498 polishing Methods 0.000 description 2
- 239000002904 solvent Substances 0.000 description 2
- 239000002023 wood Substances 0.000 description 2
- VHUUQVKOLVNVRT-UHFFFAOYSA-N Ammonium hydroxide Chemical compound [NH4+].[OH-] VHUUQVKOLVNVRT-UHFFFAOYSA-N 0.000 description 1
- 102100033620 Calponin-1 Human genes 0.000 description 1
- 101000945318 Homo sapiens Calponin-1 Proteins 0.000 description 1
- 238000005054 agglomeration Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 235000011114 ammonium hydroxide Nutrition 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000000859 sublimation Methods 0.000 description 1
- 230000008022 sublimation Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Treating Waste Gases (AREA)
- Feedback Control In General (AREA)
Abstract
本申请涉及智能制造领域,其具体地公开了一种氟化铵制备用的自动配料控制系统及其控制方法,其通过采用人工智能控制技术,从液氨的流速值、无水氟化氢的流速值、反应温度值和反应液PH值出发,利用深度神经网络模型来挖掘出各个数据在时序维度上的隐含特征关联信息,并利用贝叶斯来融合所述各个数据的关联特征信息以对于所述液氨与所述无水氟化氢加入反应槽中的流速进行实时动态地控制,进而提高反应的效率以及产品的质量。
Description
技术领域
本发明涉及智能制造领域,且更为具体地,涉及一种氟化铵制备用的自动配料控制系统及其控制方法。
背景技术
氟化铵,分子式为NH4F,相对分子质量37.04,相对密度为1.015(25℃),无色叶状或针状结晶,升华后为六角柱状晶体;易潮解易结块,可溶于冷水,微溶于醇,不溶于丙酮和液氨。受热或遇热水即分解失去氨转化成更稳定的氟化铵。氟化铵用途广泛,如作为玻璃刻蚀剂、金属表面的化学抛光剂、木材及酿酒防腐剂、消毒剂、纤维的媒染剂及提取稀有元素的溶剂等,还可作为化学分析中离子检测的掩蔽剂、酿酒的消毒剂、防腐剂、纤维的媒染剂等。
传统的氟化铵生产方法为液相法:在铅制或塑料容器中,投入定量氢氟酸。在容器外用水冷却,在搅拌下缓慢通入氨气,直至反应液 PH 值达4左右为止。反应液经冷却结晶、离心分离、气流干燥,制得氟化铵产品。传统液相法生产的氟化铵存在产品含水量高、易结块、不能长期储存等缺点。
因此,期待一种优化的用于氟化铵的制备方案。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种氟化铵制备用的自动配料控制系统及其控制方法,其通过采用人工智能控制技术,从液氨的流速值、无水氟化氢的流速值、反应温度值和反应液PH值出发,利用深度神经网络模型来挖掘出各个数据在时序维度上的隐含特征关联信息,并利用贝叶斯来融合所述各个数据的关联特征信息以对于所述液氨与所述无水氟化氢加入反应槽中的流速进行实时动态地控制,进而提高反应的效率以及产品的质量。
根据本申请的一个方面,提供了一种氟化铵制备用的自动配料控制系统,其包括:数据采集模块,用于获取预定时间段内多个预定时间点的液氨的第一流速值、无水氟化氢的第二流速值、反应温度值和反应液PH值;配料速度结构化关联模块,用于将所述预定时间段内多个预定时间点的液氨的第一流速值和无水氟化氢的第二流速值分别排列为第一流速向量和第二流速向量后,计算所述第一流速向量的转置向量与所述第二流速向量之间的乘积以得到流速控制矩阵;配料速度特征过滤模块,用于将所述流速控制矩阵通过作为过滤器的第一卷积神经网络以得到流速控制特征向量;时序编码模块,用于将所述预定时间段内多个预定时间点的反应温度值和反应液PH值分别通过包含一维卷积层的时序编码器以得到反应温度特征向量和PH时序特征向量;特征校正模块,用于基于所述反应温度特征向量和PH时序特征向量,对所述流速控制特征向量中各个位置的特征值进行校正以得到校正后流速控制特征向量;贝叶斯融合模块,用于使用贝叶斯概率模型来融合所述校正后流速控制特征向量、所述反应温度特征向量和所述PH时序特征向量以得到后验特征向量;以及配料控制结果生成模块,用于将所述后验特征向量通过分类器以得到分类结果,所述分类结果用于表示当前时间点的液氨的第一流速值应增大或应减小且无水氟化氢的第二流速值应增大或应减小。
在上述氟化铵制备用的自动配料控制系统中,所述配料速度特征过滤模块,进一步用于:所述第一卷积神经网络的各层在层的正向传递中对输入数据分别进行:对输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图;以及,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述第一卷积神经网络的最后一层的输出为所述流速控制特征向量,所述第一卷积神经网络的第一层的输入为所述流速控制矩阵。
在上述氟化铵制备用的自动配料控制系统中,所述时序编码模块,包括:温度时序编码单元,用于将所述预定时间段内多个预定时间点的反应温度值按照时间维度排列为温度输入向量;使用所述时序编码器的全连接层以如下公式对所述温度输入向量进行全连接编码以提取出所述温度输入向量中各个位置的特征值的高维隐含特征,其中,所述公式为:,其中是所述输入向量,是输出向量,是权重矩阵,是偏置向量,表示矩阵乘;使用所述时序编码器的一维卷积层以如下公式对所述温度输入向量进行一维卷积编码以提取出所述温度输入向量中各个位置的特征值间的高维隐含关联特征,其中,所述公式为:
其中,a为卷积核在x方向上的宽度、F为卷积核参数向量、G为与卷积核函数运算的局部向量矩阵,w为卷积核的尺寸,表示所述输入向量;H时序编码单元,用于将所述预定时间段内多个预定时间点的反应液PH值按照时间维度排列为PH值输入向量;使用所述时序编码器的全连接层以如下公式对所述PH值输入向量进行全连接编码以提取出所述PH值输入向量中各个位置的特征值的高维隐含特征,其中,所述公式为:,其中是所述输入向量,是输出向量,是权重矩阵,是偏置向量,表示矩阵乘;使用所述时序编码器的一维卷积层以如下公式对所述PH值输入向量进行一维卷积编码以提取出所述PH值输入向量中各个位置的特征值间的高维隐含关联特征,其中,所述公式为:
在上述氟化铵制备用的自动配料控制系统中,所述特征校正模块,进一步用于基于预定超参数与所述流速控制特征向量中各个位置的特征值与所述反应温度特征向量中各个位置的特征值之间的第一距离之间的差值与所述第一距离之间的较大者,以及,所述预定超参数与所述流速控制特征向量中各个位置的特征值与所述PH时序特征向量中各个位置的特征值之间的第二距离之间的差值与所述第二距离之间的较大者之间的加和值,对所述流速控制特征向量中各个位置的特征值进行校正以得到所述校正后流速控制特征向量。
在上述氟化铵制备用的自动配料控制系统中,所述特征校正模块,进一步用于:基于所述反应温度特征向量和PH时序特征向量,以如下公式对所述流速控制特征向量中各个位置的特征值进行校正以得到所述校正后流速控制特征向量;其中,所述公式为:
其中,和分别是所述反应温度特征向量、所述PH时序特征向量和所述流速控制特征向量的相应位置的归一化到[0,1]区间内的特征值,表示所述流速控制特征向量中各个位置的特征值与所述反应温度特征向量中各个位置的特征值之间的所述第一距离,表示所述流速控制特征向量中各个位置的特征值与所述PH时序特征向量中各个位置的特征值之间的所述第二距离,是所述预定超参数。
在上述氟化铵制备用的自动配料控制系统中,所述贝叶斯融合模块,进一步用于:使用贝叶斯概率模型以如下公式来融合所述校正后流速控制特征向量、所述反应温度特征向量和所述PH时序特征向量以得到所述后验特征向量;其中,所述公式为:
qi=pi*ai/bi
其中,pi是所述校正后流速控制特征向量中的各个位置的特征值,ai和bi分别是所述反应温度特征向量和所述PH时序特征向量中的各个位置的特征值,而qi是所述后验特征向量中的各个位置的特征值。
在上述氟化铵制备用的自动配料控制系统中,所述配料控制结果生成模块,进一步用于使用所述分类器以如下公式对所述后验特征向量进行处理以获得所述分类结果,其中,所述公式为:,其中,到为权重矩阵,到为偏置向量,为所述后验特征向量。
根据本申请的另一方面,一种氟化铵制备用的自动配料控制系统的控制方法,其包括:获取预定时间段内多个预定时间点的液氨的第一流速值、无水氟化氢的第二流速值、反应温度值和反应液PH值;将所述预定时间段内多个预定时间点的液氨的第一流速值和无水氟化氢的第二流速值分别排列为第一流速向量和第二流速向量后,计算所述第一流速向量的转置向量与所述第二流速向量之间的乘积以得到流速控制矩阵;将所述流速控制矩阵通过作为过滤器的第一卷积神经网络以得到流速控制特征向量;将所述预定时间段内多个预定时间点的反应温度值和反应液PH值分别通过包含一维卷积层的时序编码器以得到反应温度特征向量和PH时序特征向量;基于所述反应温度特征向量和PH时序特征向量,对所述流速控制特征向量中各个位置的特征值进行校正以得到校正后流速控制特征向量;使用贝叶斯概率模型来融合所述校正后流速控制特征向量、所述反应温度特征向量和所述PH时序特征向量以得到后验特征向量;以及将所述后验特征向量通过分类器以得到分类结果,所述分类结果用于表示当前时间点的液氨的第一流速值应增大或应减小且无水氟化氢的第二流速值应增大或应减小。
在上述氟化铵制备用的自动配料控制系统的控制方法中,将所述流速控制矩阵通过作为过滤器的第一卷积神经网络以得到流速控制特征向量,包括:所述第一卷积神经网络的各层在层的正向传递中对输入数据分别进行:对输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图;以及,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述第一卷积神经网络的最后一层的输出为所述流速控制特征向量,所述第一卷积神经网络的第一层的输入为所述流速控制矩阵。
在上述氟化铵制备用的自动配料控制系统的控制方法中,将所述预定时间段内多个预定时间点的反应温度值和反应液PH值分别通过包含一维卷积层的时序编码器以得到反应温度特征向量和PH时序特征向量,包括:将所述预定时间段内多个预定时间点的反应温度值按照时间维度排列为温度输入向量;使用所述时序编码器的全连接层以如下公式对所述温度输入向量进行全连接编码以提取出所述温度输入向量中各个位置的特征值的高维隐含特征,其中,所述公式为:,其中是所述输入向量,是输出向量,是权重矩阵,是偏置向量,表示矩阵乘;使用所述时序编码器的一维卷积层以如下公式对所述温度输入向量进行一维卷积编码以提取出所述温度输入向量中各个位置的特征值间的高维隐含关联特征,其中,所述公式为:
其中,a为卷积核在x方向上的宽度、F为卷积核参数向量、G为与卷积核函数运算的局部向量矩阵,w为卷积核的尺寸,表示所述输入向量;将所述预定时间段内多个预定时间点的反应液PH值按照时间维度排列为PH值输入向量;使用所述时序编码器的全连接层以如下公式对所述PH值输入向量进行全连接编码以提取出所述PH值输入向量中各个位置的特征值的高维隐含特征,其中,所述公式为:,其中是所述输入向量,是输出向量,是权重矩阵,是偏置向量,表示矩阵乘;使用所述时序编码器的一维卷积层以如下公式对所述PH值输入向量进行一维卷积编码以提取出所述PH值输入向量中各个位置的特征值间的高维隐含关联特征,其中,所述公式为:
在上述氟化铵制备用的自动配料控制系统的控制方法中,基于所述反应温度特征向量和PH时序特征向量,对所述流速控制特征向量中各个位置的特征值进行校正以得到校正后流速控制特征向量,包括:基于预定超参数与所述流速控制特征向量中各个位置的特征值与所述反应温度特征向量中各个位置的特征值之间的第一距离之间的差值与所述第一距离之间的较大者,以及,所述预定超参数与所述流速控制特征向量中各个位置的特征值与所述PH时序特征向量中各个位置的特征值之间的第二距离之间的差值与所述第二距离之间的较大者之间的加和值,对所述流速控制特征向量中各个位置的特征值进行校正以得到所述校正后流速控制特征向量。
在上述氟化铵制备用的自动配料控制系统的控制方法中,基于所述反应温度特征向量和PH时序特征向量,对所述流速控制特征向量中各个位置的特征值进行校正以得到校正后流速控制特征向量,包括:基于所述反应温度特征向量和PH时序特征向量,以如下公式对所述流速控制特征向量中各个位置的特征值进行校正以得到所述校正后流速控制特征向量;其中,所述公式为:
其中,和分别是所述反应温度特征向量、所述PH时序特征向量和所述流速控制特征向量的相应位置的归一化到[0,1]区间内的特征值,表示所述流速控制特征向量中各个位置的特征值与所述反应温度特征向量中各个位置的特征值之间的所述第一距离,表示所述流速控制特征向量中各个位置的特征值与所述PH时序特征向量中各个位置的特征值之间的所述第二距离,是所述预定超参数。
在上述氟化铵制备用的自动配料控制系统的控制方法中,使用贝叶斯概率模型来融合所述校正后流速控制特征向量、所述反应温度特征向量和所述PH时序特征向量以得到后验特征向量,包括:使用贝叶斯概率模型以如下公式来融合所述校正后流速控制特征向量、所述反应温度特征向量和所述PH时序特征向量以得到所述后验特征向量;其中,所述公式为:qi=pi*ai/bi
其中,pi是所述校正后流速控制特征向量中的各个位置的特征值,ai和bi分别是所述反应温度特征向量和所述PH时序特征向量中的各个位置的特征值,而qi是所述后验特征向量中的各个位置的特征值。
在上述氟化铵制备用的自动配料控制系统的控制方法中,将所述后验特征向量通过分类器以得到分类结果,包括:使用所述分类器以如下公式对所述后验特征向量进行处理以获得所述分类结果,其中,所述公式为:,其中,到为权重矩阵,到为偏置向量,为所述后验特征向量。
根据本申请的再一方面,提供了一种计算机可读介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的氟化铵制备用的自动配料控制系统的控制方法。
与现有技术相比,本申请提供的氟化铵制备用的自动配料控制系统及其控制方法,其通过采用人工智能控制技术,从液氨的流速值、无水氟化氢的流速值、反应温度值和反应液PH值出发,利用深度神经网络模型来挖掘出各个数据在时序维度上的隐含特征关联信息,并利用贝叶斯来融合所述各个数据的关联特征信息以对于所述液氨与所述无水氟化氢加入反应槽中的流速进行实时动态地控制,进而提高反应的效率以及产品的质量。
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1A为根据本申请实施例的氟化铵制备用的自动配料控制系统的制备过程的流程图。
图1B为根据本申请实施例的氟化铵制备用的自动配料控制系统的应用场景图。
图2为根据本申请实施例的氟化铵制备用的自动配料控制系统的框图。
图3为根据本申请实施例的氟化铵制备用的自动配料控制系统中时序编码模块的框图。
图4为根据本申请实施例的氟化铵制备用的自动配料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氟化铵制备用的自动配料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,氟化铵,分子式为NH4F,相对分子质量37.04,相对密度为1.015(25℃),无色叶状或针状结晶,升华后为六角柱状晶体;易潮解易结块,可溶于冷水,微溶于醇,不溶于丙酮和液氨。受热或遇热水即分解失去氨转化成更稳定的氟化铵。氟化铵用途广泛,如作为玻璃刻蚀剂、金属表面的化学抛光剂、木材及酿酒防腐剂、消毒剂、纤维的媒染剂及提取稀有元素的溶剂等,还可作为化学分析中离子检测的掩蔽剂、酿酒的消毒剂、防腐剂、纤维的媒染剂等。
传统的氟化铵生产方法为液相法:在铅制或塑料容器中,投入定量氢氟酸。在容器外用水冷却,在搅拌下缓慢通入氨气,直至反应液 PH 值达4左右为止。反应液经冷却结晶、离心分离、气流干燥,制得氟化铵产品。传统液相法生产的氟化铵存在产品含水量高、易结块、不能长期储存等缺点。
因此,期待一种优化的用于氟化铵的制备方案。
如图1A所示,在一种制备方案中,其制备过程为:
步骤1:在反应槽中加入母液,然后在搅拌状态下加入液氨和无水氟化氢进行反应;
步骤2:将反应液经过冷却结晶、离心分离和干燥后制得氟化铵。
所述母液为步骤2中的反应液经离心分离后得到的液体。制得的氟化铵具有产品含水量低、不易结块、耐储存、品质高等优点。所述母液是反应液在离心分离后得到的液体,其主要成分是氟化铵和氨水。在制备初期, 可预先配制好一定量的母液以启动制备流程,然后在制备过程中即可循环利用反应液离心分离后得到的液体作为母液,制备结束后,反应液离心分离得到的液体可留作下次制备所需的母液,无需再另行配制母液。
这样,通过在反应槽中加入母液,避免设备损坏和杜绝污染,因为空槽时直接加入无水氟化氢,会产生污染,损坏设备。且由于所述母液只需在制备初期配制一次,制备过程中及后续制备均可循环利用,无需另行配制,因此大大降低了生产成本,简化生产工艺。
加入母液后,在搅拌状态下向反应槽中加入液氨与无水氟化氢进行反应,由于反应生成的氟化铵容易产生分层现象,导致酸度不均匀,因此在反应过程中不断对反应槽内的反应液进行搅拌,防止不合格产品的产生及取样分析不准确。搅拌可由反应槽中自带的电动搅拌装置完成,也可另行增加搅拌装置以加强搅拌效果。
特别地,液氨与无水氟化氢按照以下加入顺序效果最佳:先加入 50 ~ 60kg 的液氨,再加入100 ~ 110kg的无水氟化氢,最后同时加入剩余的液氨和无水氟化氢。这是因为无水氟化氢密度大,先加入会沉入底部,导致反应不均匀,而先加入一定量的液氨再加入一定量的无水氟化氢则可以有效地避免反应不均匀的现象,在确保反应均匀的情况下,最后将剩余的液氨和无水氟化氢同时加入则有利于提高生产效率,避免生产周期过长而提高生产成本。在反应过程中,液氨与无水氟化氢的加入要缓慢,以控制反应温度在 90 ~ 110℃之间为最佳,反应槽上还可设置冷却水管,辅以冷却水进行降温,如果反应温升过快,则可以采用减少进料量或开大冷却水来调节,反应压力控制在常压为宜,使反应在连续、均匀、缓慢、稳定中进行。反应终点的 PH 值控制在5 ~ 6为宜,具体控制方法可按照以下方式进行:在离投料终点还差5% 时(以液氨计),用PH试纸或其他PH检测装置检测反应液的PH值,然后根据检测结果对液氨和无水氟化氢的剩余加入量进行相应的调整,使反应终点的PH值控制在5 ~ 6。
相应地,本申请发明人发现在上述制备方案中,液氨与无水氟化氢加入反应槽中的流速控制与反应温度的协同对于提高反应效率和提高产品质量具有重要意义。因此,期望在对于氟化铵进行制备的过中,基于多个预定时间点的所述液氨与所述无水氟化氢加入的流速值以及反应温度值和反应液PH值来对于所述液氨与所述无水氟化氢加入反应槽中的流速进行实时动态地控制,进而提高反应的效率以及产品的质量。
具体地,在本申请的技术方案中,首先,通过多个传感器获取预定时间段内多个预定时间点的液氨的第一流速值、无水氟化氢的第二流速值、反应温度值和反应液PH值。然后,为了提取出所述第一流速值和所述第二流速值之间的隐藏关联特征信息,进一步将所述预定时间段内多个预定时间点的液氨的第一流速值和无水氟化氢的第二流速值分别排列为第一流速向量和第二流速向量后,计算所述第一流速向量的转置向量与所述第二流速向量之间的乘积以得到流速控制矩阵,以整合流速信息后便于后续的特征挖掘。进一步地,使用在隐含关联特征提取方面具有优异表现的卷积神经网络模型来对所述流速控制矩阵进行特征提取和过滤,从而得到流速控制特征向量。
应可以理解,对于所述预定时间段内多个预定时间点的反应温度值和反应液PH值,考虑到由于所述反应温度值和所述反应液PH值在时间上都具有着特殊的隐含特征信息,因此,为了更为充分地提取出这种隐含特征,在本申请的技术方案中,使用包含一维卷积层的时序编码器分别对所述预定时间段内多个预定时间点的反应温度值和反应液PH值进行编码以得到反应温度特征向量和PH时序特征向量。在一个示例中,所述时序编码器由交替设置的全连接层和一维卷积层组成,其通过一维卷积编码分别提取出所述反应温度值和所述反应液PH值在时序维度上的关联和通过全连接编码分别提取所述反应温度值和所述反应液PH值的高维隐含特征。
应可以理解,由于在将所述流速控制矩阵通过作为过滤器的第一卷积神经网络以得到流速控制特征向量时,所述第一卷积神经网络作为过滤器的特征提取并不能够完全保留所述第一输入向量和所述第二输入向量的时序特征,这使得所述流速控制特征向量与遵循时序分布的所述反应温度特征向量和所述PH时序特征向量之间会存在特征分布上的偏差。
因此,基于所述反应温度特征向量和所述PH时序特征向量的时序分布对所述流速控制特征向量进行校正,具体如下:
其中,和分别是所述反应温度特征向量、所述PH时序特征向量和所述流速控制特征向量的相应位置的归一化到[0,1]区间内的特征值,表示所述流速控制特征向量中各个位置的特征值与所述反应温度特征向量中各个位置的特征值之间的所述第一距离,表示所述流速控制特征向量中各个位置的特征值与所述PH时序特征向量中各个位置的特征值之间的所述第二距离,是所述预定超参数。
也就是,考虑到所述流速控制特征向量与所述反应温度特征向量和所述PH时序特征向量之间由于特征分布的差异而存在各向异性,则体现为其向量表示驻留在高维特征空间的一个狭窄子集中。因此,通过上述校正来进行所述流速控制特征向量相对于所述反应温度特征向量和所述PH时序特征向量的对比搜索空间同向化,因此将所述流速控制特征向量转换到与所述反应温度特征向量和所述PH时序特征向量各向同性且有区分度的表示空间,增强了特征表示的分布一致性,进而提高了分类的准确性。
进一步地,考虑到使用所述校正后流速控制特征向量作为先验概率,在本申请的技术方案的目的是在新的证据,即在有反应温度值和反应液PH值发生变化时,更新先验概率得到后验概率。那么根据贝叶斯公式,后验概率为先验概率乘以事件概率除以证据概率,因此,在本申请的技术方案中,使用贝叶斯概率模型来融合所述校正后流速控制特征向量、所述反应温度特征向量和所述PH时序特征向量以得到后验特征向量,其中所述校正后流速控制特征向量作为先验,所述反应温度特征向量作为事件,且所述PH时序特征向量作为证据。这样,就可以将所述后验特征向量通过分类器以获得用于表示当前时间点的液氨的第一流速值应增大或应减小且无水氟化氢的第二流速值应增大或应减小的分类结果。
基于此,本申请提出了一种氟化铵制备用的自动配料控制系统,其包括:数据采集模块,用于获取预定时间段内多个预定时间点的液氨的第一流速值、无水氟化氢的第二流速值、反应温度值和反应液PH值;配料速度结构化关联模块,用于将所述预定时间段内多个预定时间点的液氨的第一流速值和无水氟化氢的第二流速值分别排列为第一流速向量和第二流速向量后,计算所述第一流速向量的转置向量与所述第二流速向量之间的乘积以得到流速控制矩阵;配料速度特征过滤模块,用于将所述流速控制矩阵通过作为过滤器的第一卷积神经网络以得到流速控制特征向量;时序编码模块,用于将所述预定时间段内多个预定时间点的反应温度值和反应液PH值分别通过包含一维卷积层的时序编码器以得到反应温度特征向量和PH时序特征向量;特征校正模块,用于基于所述反应温度特征向量和PH时序特征向量,对所述流速控制特征向量中各个位置的特征值进行校正以得到校正后流速控制特征向量;贝叶斯融合模块,用于使用贝叶斯概率模型来融合所述校正后流速控制特征向量、所述反应温度特征向量和所述PH时序特征向量以得到后验特征向量;以及,配料控制结果生成模块,用于将所述后验特征向量通过分类器以得到分类结果,所述分类结果用于表示当前时间点的液氨的第一流速值应增大或应减小且无水氟化氢的第二流速值应增大或应减小。
图1B图示了根据本申请实施例的氟化铵制备用的自动配料控制系统的应用场景图。如图1B所示,在该应用场景中,首先,通过各个传感器(例如,如图1B中所示意的流速传感器T1、温度传感器T2和PH值传感器T3)获取预定时间段内多个预定时间点的液氨的第一流速值、无水氟化氢的第二流速值、反应温度值和反应液PH值。然后,将获得的所述预定时间段内多个预定时间点的液氨的第一流速值、无水氟化氢的第二流速值、反应温度值和反应液PH值输入至部署有氟化铵制备用的自动配料控制算法的服务器中(例如,如图1B中所示意的云服务器S),其中,所述服务器能够以氟化铵制备用的自动配料控制算法对所述预定时间段内多个预定时间点的液氨的第一流速值、无水氟化氢的第二流速值、反应温度值和反应液PH值进行处理,以生成用于表示当前时间点的液氨的第一流速值应增大或应减小且无水氟化氢的第二流速值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氟化铵制备用的自动配料控制系统的框图。如图2所示,根据本申请实施例的氟化铵制备用的自动配料控制系统 200,包括:数据采集模块210,用于获取预定时间段内多个预定时间点的液氨的第一流速值、无水氟化氢的第二流速值、反应温度值和反应液PH值;配料速度结构化关联模块 220,用于将所述预定时间段内多个预定时间点的液氨的第一流速值和无水氟化氢的第二流速值分别排列为第一流速向量和第二流速向量后,计算所述第一流速向量的转置向量与所述第二流速向量之间的乘积以得到流速控制矩阵;配料速度特征过滤模块 230,用于将所述流速控制矩阵通过作为过滤器的第一卷积神经网络以得到流速控制特征向量;时序编码模块 240,用于将所述预定时间段内多个预定时间点的反应温度值和反应液PH值分别通过包含一维卷积层的时序编码器以得到反应温度特征向量和PH时序特征向量;特征校正模块 250,用于基于所述反应温度特征向量和PH时序特征向量,对所述流速控制特征向量中各个位置的特征值进行校正以得到校正后流速控制特征向量;贝叶斯融合模块 260,用于使用贝叶斯概率模型来融合所述校正后流速控制特征向量、所述反应温度特征向量和所述PH时序特征向量以得到后验特征向量;以及,配料控制结果生成模块 270,用于将所述后验特征向量通过分类器以得到分类结果,所述分类结果用于表示当前时间点的液氨的第一流速值应增大或应减小且无水氟化氢的第二流速值应增大或应减小。
具体地,在本申请实施例中,所述数据采集模块 210、所述配料速度结构化关联模块 220和所述配料速度特征过滤模块 230,用于获取预定时间段内多个预定时间点的液氨的第一流速值、无水氟化氢的第二流速值、反应温度值和反应液PH值,并将所述预定时间段内多个预定时间点的液氨的第一流速值和无水氟化氢的第二流速值分别排列为第一流速向量和第二流速向量后,计算所述第一流速向量的转置向量与所述第二流速向量之间的乘积以得到流速控制矩阵,再将所述流速控制矩阵通过作为过滤器的第一卷积神经网络以得到流速控制特征向量。如前所述,应可以理解,在制备方案中,液氨与无水氟化氢加入反应槽中的流速控制与反应温度的协同对于提高反应效率和提高产品质量具有重要意义。因此,在本申请的技术方案中,期望在对于氟化铵进行制备的过中,基于多个预定时间点的所述液氨与所述无水氟化氢加入的流速值以及反应温度值和反应液PH值来对于所述液氨与所述无水氟化氢加入反应槽中的流速进行实时动态地控制,进而提高反应的效率以及产品的质量。
也就是,具体地,在本申请的技术方案中,首先,通过多个传感器获取预定时间段内多个预定时间点的液氨的第一流速值、无水氟化氢的第二流速值、反应温度值和反应液PH值。然后,为了提取出所述第一流速值和所述第二流速值之间的隐藏关联特征信息,进一步将所述预定时间段内多个预定时间点的液氨的第一流速值和无水氟化氢的第二流速值分别排列为第一流速向量和第二流速向量后,计算所述第一流速向量的转置向量与所述第二流速向量之间的乘积以得到流速控制矩阵,以整合流速信息后便于后续的特征挖掘。进一步地,使用在隐含关联特征提取方面具有优异表现的卷积神经网络模型来对所述流速控制矩阵进行特征提取和过滤,从而得到流速控制特征向量。
更具体地,在本申请的实施例中,所述配料速度特征过滤模块,进一步用于:所述第一卷积神经网络的各层在层的正向传递中对输入数据分别进行:对输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图;以及,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述第一卷积神经网络的最后一层的输出为所述流速控制特征向量,所述第一卷积神经网络的第一层的输入为所述流速控制矩阵。
具体地,在本申请实施例中,所述时序编码模块 240,用于将所述预定时间段内多个预定时间点的反应温度值和反应液PH值分别通过包含一维卷积层的时序编码器以得到反应温度特征向量和PH时序特征向量。应可以理解,对于所述预定时间段内多个预定时间点的反应温度值和反应液PH值,考虑到由于所述反应温度值和所述反应液PH值在时间上都具有着特殊的隐含特征信息,因此,为了更为充分地提取出这种隐含特征,在本申请的技术方案中,使用包含一维卷积层的时序编码器分别对所述预定时间段内多个预定时间点的反应温度值和反应液PH值进行编码以得到反应温度特征向量和PH时序特征向量。相应地,在一个具体示例中,所述时序编码器由交替设置的全连接层和一维卷积层组成,其通过一维卷积编码分别提取出所述反应温度值和所述反应液PH值在时序维度上的关联和通过全连接编码分别提取所述反应温度值和所述反应液PH值的高维隐含特征。
更具体地,在本申请实施例中,所述时序编码模块,包括:首先,将所述预定时间段内多个预定时间点的反应温度值按照时间维度排列为温度输入向量;接着,使用所述时序编码器的全连接层以如下公式对所述温度输入向量进行全连接编码以提取出所述温度输入向量中各个位置的特征值的高维隐含特征,其中,所述公式为:,其中是所述输入向量,是输出向量,是权重矩阵,是偏置向量,表示矩阵乘;然后,使用所述时序编码器的一维卷积层以如下公式对所述温度输入向量进行一维卷积编码以提取出所述温度输入向量中各个位置的特征值间的高维隐含关联特征,其中,所述公式为:
其中,a为卷积核在x方向上的宽度、F为卷积核参数向量、G为与卷积核函数运算的局部向量矩阵,w为卷积核的尺寸,表示所述输入向量。进一步地,将所述预定时间段内多个预定时间点的反应液PH值按照时间维度排列为PH值输入向量;接着,使用所述时序编码器的全连接层以如下公式对所述PH值输入向量进行全连接编码以提取出所述PH值输入向量中各个位置的特征值的高维隐含特征,其中,所述公式为:,其中是所述输入向量,是输出向量,是权重矩阵,是偏置向量,表示矩阵乘;然后,使用所述时序编码器的一维卷积层以如下公式对所述PH值输入向量进行一维卷积编码以提取出所述PH值输入向量中各个位置的特征值间的高维隐含关联特征,其中,所述公式为:
图3图示了根据本申请实施例的氟化铵制备用的自动配料控制系统中时序编码模块的框图。如图3所示,所述时序编码模块 240,包括:温度时序编码单元 241,用于将所述预定时间段内多个预定时间点的反应温度值按照时间维度排列为温度输入向量;使用所述时序编码器的全连接层以如下公式对所述温度输入向量进行全连接编码以提取出所述温度输入向量中各个位置的特征值的高维隐含特征,其中,所述公式为:,其中是所述输入向量,是输出向量,是权重矩阵,是偏置向量,表示矩阵乘;使用所述时序编码器的一维卷积层以如下公式对所述温度输入向量进行一维卷积编码以提取出所述温度输入向量中各个位置的特征值间的高维隐含关联特征,其中,所述公式为:
其中,a为卷积核在x方向上的宽度、F为卷积核参数向量、G为与卷积核函数运算的局部向量矩阵,w为卷积核的尺寸,表示所述输入向量。PH时序编码单元 242,用于将所述预定时间段内多个预定时间点的反应液PH值按照时间维度排列为PH值输入向量;使用所述时序编码器的全连接层以如下公式对所述PH值输入向量进行全连接编码以提取出所述PH值输入向量中各个位置的特征值的高维隐含特征,其中,所述公式为:,其中是所述输入向量,是输出向量,是权重矩阵,是偏置向量,表示矩阵乘;使用所述时序编码器的一维卷积层以如下公式对所述PH值输入向量进行一维卷积编码以提取出所述PH值输入向量中各个位置的特征值间的高维隐含关联特征,其中,所述公式为:
具体地,在本申请实施例中,所述特征校正模块 250,用于基于所述反应温度特征向量和PH时序特征向量,对所述流速控制特征向量中各个位置的特征值进行校正以得到校正后流速控制特征向量。应可以理解,由于在将所述流速控制矩阵通过作为过滤器的第一卷积神经网络以得到流速控制特征向量时,所述第一卷积神经网络作为过滤器的特征提取并不能够完全保留所述第一输入向量和所述第二输入向量的时序特征,这使得所述流速控制特征向量与遵循时序分布的所述反应温度特征向量和所述PH时序特征向量之间会存在特征分布上的偏差。因此,在本申请的技术方案中,进一步基于所述反应温度特征向量和所述PH时序特征向量的时序分布对所述流速控制特征向量进行校正。也就是,考虑到所述流速控制特征向量与所述反应温度特征向量和所述PH时序特征向量之间由于特征分布的差异而存在各向异性,则体现为其向量表示驻留在高维特征空间的一个狭窄子集中。因此,通过上述校正来进行所述流速控制特征向量相对于所述反应温度特征向量和所述PH时序特征向量的对比搜索空间同向化,因此将所述流速控制特征向量转换到与所述反应温度特征向量和所述PH时序特征向量各向同性且有区分度的表示空间,增强了特征表示的分布一致性,进而提高了分类的准确性。
更具体地,在本申请实施例中,所述特征校正模块,进一步用于:基于预定超参数与所述流速控制特征向量中各个位置的特征值与所述反应温度特征向量中各个位置的特征值之间的第一距离之间的差值与所述第一距离之间的较大者,以及,所述预定超参数与所述流速控制特征向量中各个位置的特征值与所述PH时序特征向量中各个位置的特征值之间的第二距离之间的差值与所述第二距离之间的较大者之间的加和值,对所述流速控制特征向量中各个位置的特征值进行校正以得到所述校正后流速控制特征向量。相应地,在一个具体示例中,基于所述反应温度特征向量和PH时序特征向量,以如下公式对所述流速控制特征向量中各个位置的特征值进行校正以得到所述校正后流速控制特征向量;
其中,所述公式为:
其中,和分别是所述反应温度特征向量、所述PH时序特征向量和所述流速控制特征向量的相应位置的归一化到[0,1]区间内的特征值,表示所述流速控制特征向量中各个位置的特征值与所述反应温度特征向量中各个位置的特征值之间的所述第一距离,表示所述流速控制特征向量中各个位置的特征值与所述PH时序特征向量中各个位置的特征值之间的所述第二距离,是所述预定超参数。
具体地,在本申请实施例中,所述贝叶斯融合模块 260和所述配料控制结果生成模块 270,用于使用贝叶斯概率模型来融合所述校正后流速控制特征向量、所述反应温度特征向量和所述PH时序特征向量以得到后验特征向量,并将所述后验特征向量通过分类器以得到分类结果,所述分类结果用于表示当前时间点的液氨的第一流速值应增大或应减小且无水氟化氢的第二流速值应增大或应减小。应可以理解,考虑到使用所述校正后流速控制特征向量作为先验概率,在本申请的技术方案的目的是在新的证据,即在有反应温度值和反应液PH值发生变化时,更新先验概率得到后验概率。那么根据贝叶斯公式,后验概率为先验概率乘以事件概率除以证据概率,因此,在本申请的技术方案中,使用贝叶斯概率模型来融合所述校正后流速控制特征向量、所述反应温度特征向量和所述PH时序特征向量以得到后验特征向量,其中所述校正后流速控制特征向量作为先验,所述反应温度特征向量作为事件,且所述PH时序特征向量作为证据。这样,就可以将所述后验特征向量通过分类器以获得用于表示当前时间点的液氨的第一流速值应增大或应减小且无水氟化氢的第二流速值应增大或应减小的分类结果。
更具体地,在本申请实施例中,所述贝叶斯融合模块,进一步用于:使用贝叶斯概率模型以如下公式来融合所述校正后流速控制特征向量、所述反应温度特征向量和所述PH时序特征向量以得到所述后验特征向量;
其中,所述公式为:qi=pi*ai/bi
其中,pi是所述校正后流速控制特征向量中的各个位置的特征值,ai和bi分别是所述反应温度特征向量和所述PH时序特征向量中的各个位置的特征值,而qi是所述后验特征向量中的各个位置的特征值。
综上,基于本申请实施例的所述氟化铵制备用的自动配料控制系统 200被阐明,其通过采用人工智能控制技术,从液氨的流速值、无水氟化氢的流速值、反应温度值和反应液PH值出发,利用深度神经网络模型来挖掘出各个数据在时序维度上的隐含特征关联信息,并利用贝叶斯来融合所述各个数据的关联特征信息以对于所述液氨与所述无水氟化氢加入反应槽中的流速进行实时动态地控制,进而提高反应的效率以及产品的质量。
如上所述,根据本申请实施例的氟化铵制备用的自动配料控制系统 200可以实现在各种终端设备中,例如氟化铵制备用的自动配料控制算法的服务器等。在一个示例中,根据本申请实施例的氟化铵制备用的自动配料控制系统 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,该氟化铵制备用的自动配料控制系统 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,该氟化铵制备用的自动配料控制系统 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,该氟化铵制备用的自动配料控制系统 200与该终端设备也可以是分立的设备,并且该氟化铵制备用的自动配料控制系统 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图示了氟化铵制备用的自动配料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氟化铵制备用的自动配料控制系统的控制方法,包括步骤:S110,获取预定时间段内多个预定时间点的液氨的第一流速值、无水氟化氢的第二流速值、反应温度值和反应液PH值;S120,将所述预定时间段内多个预定时间点的液氨的第一流速值和无水氟化氢的第二流速值分别排列为第一流速向量和第二流速向量后,计算所述第一流速向量的转置向量与所述第二流速向量之间的乘积以得到流速控制矩阵;S130,将所述流速控制矩阵通过作为过滤器的第一卷积神经网络以得到流速控制特征向量;S140,将所述预定时间段内多个预定时间点的反应温度值和反应液PH值分别通过包含一维卷积层的时序编码器以得到反应温度特征向量和PH时序特征向量;S150,基于所述反应温度特征向量和PH时序特征向量,对所述流速控制特征向量中各个位置的特征值进行校正以得到校正后流速控制特征向量;S160,使用贝叶斯概率模型来融合所述校正后流速控制特征向量、所述反应温度特征向量和所述PH时序特征向量以得到后验特征向量;以及,S170,将所述后验特征向量通过分类器以得到分类结果,所述分类结果用于表示当前时间点的液氨的第一流速值应增大或应减小且无水氟化氢的第二流速值应增大或应减小。
图5图示了根据本申请实施例的氟化铵制备用的自动配料控制系统的控制方法的架构示意图。如图5所示,在所述氟化铵制备用的自动配料控制系统的控制方法的网络架构中,首先,将获得的所述预定时间段内多个预定时间点的液氨的第一流速值(例如,如图5中所示意的P1)和无水氟化氢的第二流速值(例如,如图5中所示意的P2)分别排列为第一流速向量(例如,如图5中所示意的V1)和第二流速向量(例如,如图5中所示意的V2)后,计算所述第一流速向量的转置向量与所述第二流速向量之间的乘积以得到流速控制矩阵(例如,如图5中所示意的M);接着,将所述流速控制矩阵通过作为过滤器的第一卷积神经网络(例如,如图5中所示意的CNN1)以得到流速控制特征向量(例如,如图5中所示意的VF1);然后,将获得的所述预定时间段内多个预定时间点的反应温度值(例如,如图5中所示意的Q1)和反应液PH值(例如,如图5中所示意的Q2)分别通过包含一维卷积层的时序编码器(例如,如图5中所示意的E)以得到反应温度特征向量(例如,如图5中所示意的VF2)和PH时序特征向量(例如,如图5中所示意的VF3);接着,基于所述反应温度特征向量和PH时序特征向量,对所述流速控制特征向量中各个位置的特征值进行校正以得到校正后流速控制特征向量(例如,如图5中所示意的VF4);然后,使用贝叶斯概率模型来融合所述校正后流速控制特征向量、所述反应温度特征向量和所述PH时序特征向量以得到后验特征向量(例如,如图5中所示意的VF);以及,最后,将所述后验特征向量通过分类器(例如,如图5中所示意的圈S)以得到分类结果,所述分类结果用于表示当前时间点的液氨的第一流速值应增大或应减小且无水氟化氢的第二流速值应增大或应减小。
使用语义理解模型(例如,如图5中所示意的SUM)分别将获取的多个无线AP同时申报注册时的所述多个无线AP的申报注册信息(例如,如图5中所示意的IN1-INn)转化为语义特征向量(例如,如图5中所示意的VS1-VSn);接着,将所述流速控制矩阵通过作为过滤器的第一卷积神经网络以得到流速控制特征向量(例如,如图5中所示意的MR);然后,使用卷积神经网络(例如,如图5中所示意的CNN)从所述注册信息矩阵中提取出注册信息特征图(例如,如图5中所示意的FR),所述注册信息特征图的尺度为L*S*C,L代表语义特征向 量的长度,S代表无线AP的数目,且C代表通道数;接着,将所述注册信息特征图在S维度上的每个L*C的特征矩阵进行特征值分解,以获得对应于每个所述L*C的特征矩阵的对角本征值矩阵(例如,如图5中所示意的MD1-MDn)和本征向量矩阵(例如,如图5中所示意的ME1-MEn);然后,使用贝叶斯概率模型来融合所述校正后流速控制特征向量、所述反应温度特征向量和所述PH时序特征向量以得到后验特征向量(例如,如图5中所示意的VE);以及,最后,将所述本征值向量作为分类向量输入分类器(例如,如图5中所示意的圈S)以获得分类结果,所述分类结果用于表示无线AP的申报注册是否正确。
更具体地,在步骤S110、步骤S120和步骤S130中,获取预定时间段内多个预定时间点的液氨的第一流速值、无水氟化氢的第二流速值、反应温度值和反应液PH值,并将所述预定时间段内多个预定时间点的液氨的第一流速值和无水氟化氢的第二流速值分别排列为第一流速向量和第二流速向量后,计算所述第一流速向量的转置向量与所述第二流速向量之间的乘积以得到流速控制矩阵,再将所述流速控制矩阵通过作为过滤器的第一卷积神经网络以得到流速控制特征向量。应可以理解,在制备方案中,液氨与无水氟化氢加入反应槽中的流速控制与反应温度的协同对于提高反应效率和提高产品质量具有重要意义。因此,在本申请的技术方案中,期望在对于氟化铵进行制备的过中,基于多个预定时间点的所述液氨与所述无水氟化氢加入的流速值以及反应温度值和反应液PH值来对于所述液氨与所述无水氟化氢加入反应槽中的流速进行实时动态地控制,进而提高反应的效率以及产品的质量。
也就是,具体地,在本申请的技术方案中,首先,通过多个传感器获取预定时间段内多个预定时间点的液氨的第一流速值、无水氟化氢的第二流速值、反应温度值和反应液PH值。然后,为了提取出所述第一流速值和所述第二流速值之间的隐藏关联特征信息,进一步将所述预定时间段内多个预定时间点的液氨的第一流速值和无水氟化氢的第二流速值分别排列为第一流速向量和第二流速向量后,计算所述第一流速向量的转置向量与所述第二流速向量之间的乘积以得到流速控制矩阵,以整合流速信息后便于后续的特征挖掘。进一步地,使用在隐含关联特征提取方面具有优异表现的卷积神经网络模型来对所述流速控制矩阵进行特征提取和过滤,从而得到流速控制特征向量。
更具体地,在步骤S140中,将所述预定时间段内多个预定时间点的反应温度值和反应液PH值分别通过包含一维卷积层的时序编码器以得到反应温度特征向量和PH时序特征向量。应可以理解,对于所述预定时间段内多个预定时间点的反应温度值和反应液PH值,考虑到由于所述反应温度值和所述反应液PH值在时间上都具有着特殊的隐含特征信息,因此,为了更为充分地提取出这种隐含特征,在本申请的技术方案中,使用包含一维卷积层的时序编码器分别对所述预定时间段内多个预定时间点的反应温度值和反应液PH值进行编码以得到反应温度特征向量和PH时序特征向量。相应地,在一个具体示例中,所述时序编码器由交替设置的全连接层和一维卷积层组成,其通过一维卷积编码分别提取出所述反应温度值和所述反应液PH值在时序维度上的关联和通过全连接编码分别提取所述反应温度值和所述反应液PH值的高维隐含特征。
更具体地,在步骤S150中,基于所述反应温度特征向量和PH时序特征向量,对所述流速控制特征向量中各个位置的特征值进行校正以得到校正后流速控制特征向量。应可以理解,由于在将所述流速控制矩阵通过作为过滤器的第一卷积神经网络以得到流速控制特征向量时,所述第一卷积神经网络作为过滤器的特征提取并不能够完全保留所述第一输入向量和所述第二输入向量的时序特征,这使得所述流速控制特征向量与遵循时序分布的所述反应温度特征向量和所述PH时序特征向量之间会存在特征分布上的偏差。因此,在本申请的技术方案中,进一步基于所述反应温度特征向量和所述PH时序特征向量的时序分布对所述流速控制特征向量进行校正。也就是,考虑到所述流速控制特征向量与所述反应温度特征向量和所述PH时序特征向量之间由于特征分布的差异而存在各向异性,则体现为其向量表示驻留在高维特征空间的一个狭窄子集中。因此,通过上述校正来进行所述流速控制特征向量相对于所述反应温度特征向量和所述PH时序特征向量的对比搜索空间同向化,因此将所述流速控制特征向量转换到与所述反应温度特征向量和所述PH时序特征向量各向同性且有区分度的表示空间,增强了特征表示的分布一致性,进而提高了分类的准确性。
更具体地,在步骤S160和步骤S170中,使用贝叶斯概率模型来融合所述校正后流速控制特征向量、所述反应温度特征向量和所述PH时序特征向量以得到后验特征向量,并将所述后验特征向量通过分类器以得到分类结果,所述分类结果用于表示当前时间点的液氨的第一流速值应增大或应减小且无水氟化氢的第二流速值应增大或应减小。应可以理解,考虑到使用所述校正后流速控制特征向量作为先验概率,在本申请的技术方案的目的是在新的证据,即在有反应温度值和反应液PH值发生变化时,更新先验概率得到后验概率。那么根据贝叶斯公式,后验概率为先验概率乘以事件概率除以证据概率,因此,在本申请的技术方案中,使用贝叶斯概率模型来融合所述校正后流速控制特征向量、所述反应温度特征向量和所述PH时序特征向量以得到后验特征向量,其中所述校正后流速控制特征向量作为先验,所述反应温度特征向量作为事件,且所述PH时序特征向量作为证据。这样,就可以将所述后验特征向量通过分类器以获得用于表示当前时间点的液氨的第一流速值应增大或应减小且无水氟化氢的第二流速值应增大或应减小的分类结果。
综上,基于本申请实施例的所述氟化铵制备用的自动配料控制系统的控制方法被阐明,其通过采用人工智能控制技术,从液氨的流速值、无水氟化氢的流速值、反应温度值和反应液PH值出发,利用深度神经网络模型来挖掘出各个数据在时序维度上的隐含特征关联信息,并利用贝叶斯来融合所述各个数据的关联特征信息以对于所述液氨与所述无水氟化氢加入反应槽中的流速进行实时动态地控制,进而提高反应的效率以及产品的质量。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外,本申请的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的氟化铵制备用的自动配料控制系统的控制方法中的功能中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本申请的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的氟化铵制备用的自动配料控制系统的控制方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、系统或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
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 (2)
1.一种氟化铵制备用的自动配料控制系统,其特征在于,包括:数据采集模块,用于获取预定时间段内多个预定时间点的液氨的第一流速值、无水氟化氢的第二流速值、反应温度值和反应液PH值;配料速度结构化关联模块,用于将所述预定时间段内多个预定时间点的液氨的第一流速值和无水氟化氢的第二流速值分别排列为第一流速向量和第二流速向量后,计算所述第一流速向量的转置向量与所述第二流速向量之间的乘积以得到流速控制矩阵;配料速度特征过滤模块,用于将所述流速控制矩阵通过作为过滤器的第一卷积神经网络以得到流速控制特征向量;时序编码模块,用于将所述预定时间段内多个预定时间点的反应温度值和反应液PH值分别通过包含一维卷积层的时序编码器以得到反应温度特征向量和PH时序特征向量;特征校正模块,用于基于所述反应温度特征向量和PH时序特征向量,对所述流速控制特征向量中各个位置的特征值进行校正以得到校正后流速控制特征向量;贝叶斯融合模块,用于使用贝叶斯概率模型来融合所述校正后流速控制特征向量、所述反应温度特征向量和所述PH时序特征向量以得到后验特征向量;以及配料控制结果生成模块,用于将所述后验特征向量通过分类器以得到分类结果,所述分类结果用于表示当前时间点的液氨的第一流速值应增大或应减小且无水氟化氢的第二流速值应增大或应减小;
其中,所述配料速度特征过滤模块,用于:所述第一卷积神经网络的各层在层的正向传递中对输入数据分别进行:对输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图;以及
对所述池化特征图进行非线性激活以得到激活特征图;其中,所述第一卷积神经网络的最后一层的输出为所述流速控制特征向量,所述第一卷积神经网络的第一层的输入为所述流速控制矩阵;
其中,所述时序编码模块,包括:温度时序编码单元,用于将所述预定时间段内多个预定时间点的反应温度值按照时间维度排列为温度输入向量;使用所述时序编码器的全连接层以如下公式对所述温度输入向量进行全连接编码以提取出所述温度输入向量中各个位置的特征值的高维隐含特征,其中,所述公式为:其中X是所述输入向量,Y是输出向量,W是权重矩阵,B是偏置向量,表示矩阵乘;以及,使用所述时序编码器的一维卷积层以如下公式对所述温度输入向量进行一维卷积编码以提取出所述温度输入向量中各个位置的特征值间的高维隐含关联特征,其中,所述公式为:
其中,a为卷积核在x方向上的宽度、F为卷积核参数向量、G为与卷积核函数运算的局部向量矩阵,w为卷积核的尺寸,X表示所述输入向量;PH时序编码单元,用于将所述预定时间段内多个预定时间点的反应液PH值按照时间维度排列为PH值输入向量;使用所述时序编码器的全连接层以如下公式对所述PH值输入向量进行全连接编码以提取出所述PH值输入向量中各个位置的特征值的高维隐含特征,其中,所述公式为:其中X是所述输入向量,Y是输出向量,W是权重矩阵,B是偏置向量,表示矩阵乘;以及使用所述时序编码器的一维卷积层以如下公式对所述PH值输入向量进行一维卷积编码以提取出所述PH值输入向量中各个位置的特征值间的高维隐含关联特征,其中,所述公式为:
其中,a为卷积核在x方向上的宽度、F为卷积核参数向量、G为与卷积核函数运算的局部向量矩阵,w为卷积核的尺寸,X表示所述输入向量;
其中,所述特征校正模块,用于基于预定超参数与所述流速控制特征向量中各个位置的特征值与所述反应温度特征向量中各个位置的特征值之间的第一距离之间的差值与所述第一距离之间的较大者,以及,所述预定超参数与所述流速控制特征向量中各个位置的特征值与所述PH时序特征向量中各个位置的特征值之间的第二距离之间的差值与所述第二距离之间的较大者之间的加和值,对所述流速控制特征向量中各个位置的特征值进行校正以得到所述校正后流速控制特征向量;
其中f1,f2和f3分别是所述反应温度特征向量、所述PH时序特征向量和所述流速控制特征向量的相应位置的归一化到[0,1]区间内的特征值,d(f3,f1)表示所述流速控制特征向量中各个位置的特征值与所述反应温度特征向量中各个位置的特征值之间的所述第一距离,d(f3,f2)表示所述流速控制特征向量中各个位置的特征值与所述PH时序特征向量中各个位置的特征值之间的所述第二距离,ρ是所述预定超参数;
其中,所述贝叶斯融合模块,用于:使用贝叶斯概率模型以如下公式来融合所述校正后流速控制特征向量、所述反应温度特征向量和所述PH时序特征向量以得到所述后验特征向量;其中,所述公式为:
qi=pi*ai/bi
其中,pi是所述校正后流速控制特征向量中的各个位置的特征值,ai和bi分别是所述反应温度特征向量和所述PH时序特征向量中的各个位置的特征值,而qi是所述后验特征向量中的各个位置的特征值;
其中,所述配料控制结果生成模块,用于使用所述分类器以如下公式对所述后验特征向量进行处理以获得所述分类结果,其中,所述公式为:softmax{(Wn,Bn):…:(W1,B1)|X},其中,W1到Wn为权重矩阵,B1到Bn为偏置向量,X为所述后验特征向量。
2.一种氟化铵制备用的自动配料控制系统的控制方法,其特征在于,包括:
获取预定时间段内多个预定时间点的液氨的第一流速值、无水氟化氢的第二流速值、反应温度值和反应液PH值;将所述预定时间段内多个预定时间点的液氨的第一流速值和无水氟化氢的第二流速值分别排列为第一流速向量和第二流速向量后,计算所述第一流速向量的转置向量与所述第二流速向量之间的乘积以得到流速控制矩阵;将所述流速控制矩阵通过作为过滤器的第一卷积神经网络以得到流速控制特征向量;将所述预定时间段内多个预定时间点的反应温度值和反应液PH值分别通过包含一维卷积层的时序编码器以得到反应温度特征向量和PH时序特征向量;基于所述反应温度特征向量和PH时序特征向量,对所述流速控制特征向量中各个位置的特征值进行校正以得到校正后流速控制特征向量;使用贝叶斯概率模型来融合所述校正后流速控制特征向量、所述反应温度特征向量和所述PH时序特征向量以得到后验特征向量;以及
将所述后验特征向量通过分类器以得到分类结果,所述分类结果用于表示当前时间点的液氨的第一流速值应增大或应减小且无水氟化氢的第二流速值应增大或应减小;
其中,将所述流速控制矩阵通过作为过滤器的第一卷积神经网络以得到流速控制特征向量,包括:
所述第一卷积神经网络的各层在层的正向传递中对输入数据分别进行:对输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图;以及
对所述池化特征图进行非线性激活以得到激活特征图;
其中,所述第一卷积神经网络的最后一层的输出为所述流速控制特征向量,所述第一卷积神经网络的第一层的输入为所述流速控制矩阵;
其中,将所述预定时间段内多个预定时间点的反应温度值和反应液PH值分别通过包含一维卷积层的时序编码器以得到反应温度特征向量和PH时序特征向量,包括:将所述预定时间段内多个预定时间点的反应温度值按照时间维度排列为温度输入向量;使用所述时序编码器的全连接层以如下公式对所述温度输入向量进行全连接编码以提取出所述温度输入向量中各个位置的特征值的高维隐含特征,其中,所述公式为:其中X是所述输入向量,Y是输出向量,W是权重矩阵,B是偏置向量,表示矩阵乘;以及,使用所述时序编码器的一维卷积层以如下公式对所述温度输入向量进行一维卷积编码以提取出所述温度输入向量中各个位置的特征值间的高维隐含关联特征,其中,所述公式为:
其中,a为卷积核在x方向上的宽度、F为卷积核参数向量、G为与卷积核函数运算的局部向量矩阵,w为卷积核的尺寸,X表示所述输入向量;将所述预定时间段内多个预定时间点的反应液PH值按照时间维度排列为PH值输入向量;使用所述时序编码器的全连接层以如下公式对所述PH值输入向量进行全连接编码以提取出所述PH值输入向量中各个位置的特征值的高维隐含特征,其中,所述公式为: 其中X是所述输入向量,Y是输出向量,W是权重矩阵,B是偏置向量,表示矩阵乘;以及,使用所述时序编码器的一维卷积层以如下公式对所述PH值输入向量进行一维卷积编码以提取出所述PH值输入向量中各个位置的特征值间的高维隐含关联特征,其中,所述公式为:
其中,a为卷积核在x方向上的宽度、F为卷积核参数向量、G为与卷积核函数运算的局部向量矩阵,w为卷积核的尺寸,X表示所述输入向量;
其中,基于所述反应温度特征向量和PH时序特征向量,对所述流速控制特征向量中各个位置的特征值进行校正以得到校正后流速控制特征向量,包括:基于预定超参数与所述流速控制特征向量中各个位置的特征值与所述反应温度特征向量中各个位置的特征值之间的第一距离之间的差值与所述第一距离之间的较大者,以及,所述预定超参数与所述流速控制特征向量中各个位置的特征值与所述PH时序特征向量中各个位置的特征值之间的第二距离之间的差值与所述第二距离之间的较大者之间的加和值,对所述流速控制特征向量中各个位置的特征值进行校正以得到所述校正后流速控制特征向量;
其中,基于所述反应温度特征向量和PH时序特征向量,对所述流速控制特征向量中各个位置的特征值进行校正以得到校正后流速控制特征向量,包括:基于所述反应温度特征向量和PH时序特征向量,以如下公式对所述流速控制特征向量中各个位置的特征值进行校正以得到所述校正后流速控制特征向量;其中,所述公式为:
其中f1,f2和f3分别是所述反应温度特征向量、所述PH时序特征向量和所述流速控制特征向量的相应位置的归一化到[0,1]区间内的特征值,d(f3,f1)表示所述流速控制特征向量中各个位置的特征值与所述反应温度特征向量中各个位置的特征值之间的所述第一距离,d(f3,f2)表示所述流速控制特征向量中各个位置的特征值与所述PH时序特征向量中各个位置的特征值之间的所述第二距离,ρ是所述预定超参数;
其中,使用贝叶斯概率模型来融合所述校正后流速控制特征向量、所述反应温度特征向量和所述PH时序特征向量以得到后验特征向量,包括:使用贝叶斯概率模型以如下公式来融合所述校正后流速控制特征向量、所述反应温度特征向量和所述PH时序特征向量以得到所述后验特征向量;其中,所述公式为:
qi=pi*ai/bi
其中,pi是所述校正后流速控制特征向量中的各个位置的特征值,ai和bi分别是所述反应温度特征向量和所述PH时序特征向量中的各个位置的特征值,而qi是所述后验特征向量中的各个位置的特征值;
其中,将所述后验特征向量通过分类器以得到分类结果,包括:使用所述分类器以如下公式对所述后验特征向量进行处理以获得所述分类结果,其中,所述公式为:softmax{(Wn,Bn):…:(W1,B1)|X},其中,W1到Wn为权重矩阵,B1到Bn为偏置向量,X为所述后验特征向量。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210939857.4A CN115309215B (zh) | 2022-08-05 | 2022-08-05 | 氟化铵制备用的自动配料控制系统及其控制方法 |
PCT/CN2022/119586 WO2024026993A1 (zh) | 2022-08-05 | 2022-09-19 | 氟化铵制备用的自动配料控制系统及其控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210939857.4A CN115309215B (zh) | 2022-08-05 | 2022-08-05 | 氟化铵制备用的自动配料控制系统及其控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115309215A CN115309215A (zh) | 2022-11-08 |
CN115309215B true CN115309215B (zh) | 2023-03-07 |
Family
ID=83860411
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210939857.4A Active CN115309215B (zh) | 2022-08-05 | 2022-08-05 | 氟化铵制备用的自动配料控制系统及其控制方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN115309215B (zh) |
WO (1) | WO2024026993A1 (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
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 |
CN115841644B (zh) * | 2022-12-29 | 2023-12-22 | 吕梁市经开区信息化投资建设有限公司 | 基于物联网的城市基础建设工程设备的控制系统及其方法 |
CN116825215B (zh) * | 2023-02-28 | 2024-04-16 | 福建省龙德新能源有限公司 | 用于六氟磷酸锂制备的流体循环反应控制系统及其方法 |
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 |
CN116047987B (zh) * | 2023-03-31 | 2023-06-16 | 福建天甫电子材料有限公司 | 用于电子级缓冲氧化物蚀刻液生产的智能控制系统 |
CN116562760B (zh) * | 2023-05-09 | 2024-04-26 | 杭州君方科技有限公司 | 纺织化纤供应链监管方法及其系统 |
CN116404212B (zh) * | 2023-05-22 | 2024-02-27 | 中国电建集团江西省电力建设有限公司 | 锌铁液流电池系统容量均衡控制方法及系统 |
CN117018858B (zh) * | 2023-08-11 | 2024-08-23 | 上海希恩环保科技有限公司 | 工业废气净化设备及其控制方法 |
CN117970856B (zh) * | 2024-03-29 | 2024-07-05 | 杭州七所科技有限公司 | 无人值守水洗模块的自动化控制系统及方法 |
CN118244683B (zh) * | 2024-05-27 | 2024-08-09 | 浙江高腾机电制造股份有限公司 | 一种无缝内衣机的精确控制系统及方法 |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB1400862A (en) * | 1972-08-24 | 1975-07-16 | Fitzwilton Ltd | Production of hydrogen fluoride |
US6350425B2 (en) * | 1994-01-07 | 2002-02-26 | Air Liquide America Corporation | On-site generation of ultra-high-purity buffered-HF and ammonium fluoride |
US20060280027A1 (en) * | 2005-06-10 | 2006-12-14 | Battelle Memorial Institute | Method and apparatus for mixing fluids |
CN1955115A (zh) * | 2005-10-27 | 2007-05-02 | 上海三爱思试剂有限公司 | 电子工业专用氟化铵的合成方法 |
CN102557076B (zh) * | 2010-12-08 | 2015-06-24 | 联仕(上海)电子化学材料有限公司 | 一种生产电子级氟化铵水溶液的方法 |
DK2874736T3 (da) * | 2012-07-18 | 2023-05-22 | Accroma Labtec Ltd | Automatiseret opløsningsdispenser |
CN105334884A (zh) * | 2015-11-20 | 2016-02-17 | 福建龙氟化工有限公司 | 氟化氢设备冷却水ph值自动调控装置 |
US20160296902A1 (en) * | 2016-06-17 | 2016-10-13 | Air Liquide Electronics U.S. Lp | Deterministic feedback blender |
CN106348314A (zh) * | 2016-09-12 | 2017-01-25 | 承德莹科精细化工股份有限公司 | 一种湿法生产氟化氢铵的数控生产方法及生产线 |
CN206188624U (zh) * | 2016-11-24 | 2017-05-24 | 宜昌南玻光电玻璃有限公司 | 超薄玻璃配合料温度控制系统 |
CN108910916B (zh) * | 2018-08-20 | 2022-02-15 | 福建永晶科技股份有限公司 | 一种氟化氢铵的制备方法及其制备系统 |
CN209367816U (zh) * | 2018-12-25 | 2019-09-10 | 福建龙氟化工有限公司 | 一种可连续性生产氟化氢铵的设备 |
CN109999527B (zh) * | 2019-04-25 | 2021-10-15 | 青岛杰瑞工控技术有限公司 | 一种多流体智能配料控制方法 |
CN114815930B (zh) * | 2022-06-30 | 2022-09-02 | 烟台黄金职业学院 | 煅烧器的温度控制系统及其温度控制方法 |
-
2022
- 2022-08-05 CN CN202210939857.4A patent/CN115309215B/zh active Active
- 2022-09-19 WO PCT/CN2022/119586 patent/WO2024026993A1/zh unknown
Also Published As
Publication number | Publication date |
---|---|
WO2024026993A1 (zh) | 2024-02-08 |
CN115309215A (zh) | 2022-11-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115309215B (zh) | 氟化铵制备用的自动配料控制系统及其控制方法 | |
WO2024045247A1 (zh) | 用于氟化铵生产的生产管理控制系统及其控制方法 | |
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 | |
CN115586755B (zh) | 用于六氟磷酸锂制备的生产管理控制系统及其方法 | |
Wang et al. | Efficient, multiple-range random walk algorithm to calculate the density of states | |
WO2024021258A1 (zh) | 电子级氢氧化钾的智慧产线的控制系统及其控制方法 | |
Strominger | Faddeev-Popov ghosts and (1+ 1)-dimensional black-hole evaporation | |
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 | |
CN115240046B (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 | |
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 | |
WO2024021254A1 (zh) | 电子级三氟化氯的智能分离纯化系统 | |
WO2024000798A1 (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 | |
CN115133877A (zh) | 一种晶体振荡器的温度补偿方法及其温度补偿系统 | |
CN115903705B (zh) | 用于电子级六氟丁二烯制备的生产管理控制系统 | |
CN116859830B (zh) | 用于电子级氟化铵生产的生产管理控制系统 | |
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 | |
CN115841644B (zh) | 基于物联网的城市基础建设工程设备的控制系统及其方法 | |
CN116768206A (zh) | 石墨的纯化工艺及其系统 | |
CN115983126A (zh) | 异麦芽糖酐铁1000的智能化制备方法 | |
CN116434117A (zh) | 一种复合聚丙烯酰胺驱油剂的制备方法 | |
CN116785967B (zh) | 用于电子级六氟磷酸锂制备的自动配料系统 | |
CN115374822A (zh) | 基于多级特征融合的故障诊断方法及其系统 | |
CN111160811B (zh) | 一种基于多阶段fom-sae的批次过程故障监测方法 | |
WO2024036690A1 (zh) | 用于剥膜液生产的自动配料系统及其配料方法 | |
CN116920739B (zh) | 用于六氟磷酸锂制备的液体循环雾化合成控制系统及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
CB02 | Change of applicant information |
Address after: 364204 No. 9, Gongye Road, Pingpu village, Jiaoyang Town, Shanghang County, Longyan City, Fujian Province Applicant after: Fujian Longfu New Material Co.,Ltd. Address before: 364204 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 | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |