CN115586755A - 用于六氟磷酸锂制备的生产管理控制系统及其方法 - Google Patents

用于六氟磷酸锂制备的生产管理控制系统及其方法 Download PDF

Info

Publication number
CN115586755A
CN115586755A CN202211332988.2A CN202211332988A CN115586755A CN 115586755 A CN115586755 A CN 115586755A CN 202211332988 A CN202211332988 A CN 202211332988A CN 115586755 A CN115586755 A CN 115586755A
Authority
CN
China
Prior art keywords
temperature
pressure
training
matrix
input
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202211332988.2A
Other languages
English (en)
Other versions
CN115586755B (zh
Inventor
杨永淮
郭剑煌
陈颂美
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 Longde New Energy Co ltd
Original Assignee
Fujian Longde New Energy 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 Longde New Energy Co ltd filed Critical Fujian Longde New Energy Co ltd
Priority to CN202211332988.2A priority Critical patent/CN115586755B/zh
Publication of CN115586755A publication Critical patent/CN115586755A/zh
Application granted granted Critical
Publication of CN115586755B publication Critical patent/CN115586755B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32252—Scheduling production, machining, job shop
    • 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
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/10—Energy storage using batteries

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Quality & Reliability (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Secondary Cells (AREA)

Abstract

公开了一种用于六氟磷酸锂制备的生产管理控制系统及其方法，其通过相邻层使用互为转置的卷积核的卷积神经网络模型分别提取六氟磷酸锂反应装置的温度‑压力协同控制特征以及五氟化磷和氟化锂供料参数的协同配料特征，并且基于这两者的响应性估计来对温度和压力进行自适应控制，以使得所得到的温度和压力控制值满足五氟化磷和氟化锂供料参数协同和优化的需求。这样，可以智能且准确地对于六氟磷酸锂反应装置内的温度值和压力值进行实时的自适应控制，进而提高六氟磷酸锂制备的生产质量。

Description

用于六氟磷酸锂制备的生产管理控制系统及其方法
技术领域
本申请涉及智能化控制技术领域，且更为具体地，涉及一种用于六氟磷酸锂制备的生产管理控制系统及其方法。
背景技术
电解液是锂离子二次电池和锂聚合物电池的三大主要构成要素之一。无机氟化物六氟磷酸锂(LiPF6)是制造无水有机电解液的原料。由于六氟磷酸锂为电池级产品，因此，制造技术要求非常高一般产品规格要求纯度大于99.9％，水分含量小于15ppm，HF含量小于70ppm，各种金属成分含量均小于1ppm，氯离子含量小于2ppm，SO42含量小于5ppm，获得的产品还要保证均一的粒径。
同时，在大规模生产过程中还要减少副产物提高产物的转化率和选择性。现有的六氟磷酸锂生产工艺中，通常为无水氢氟酸与五氯化磷反应生成五氟化磷，再将五氟化磷输送至六氟磷酸锂反应器中与氟化锂反应生成六氟磷酸锂。
在六氟磷酸锂的生产制备管理中，六氟磷酸锂反应器的压力和温度控制是提高六氟磷酸锂的制备效率的关键，但在现有的生产管理控制中，往往基于固定的温度和/或压力控制策略来控制六氟磷酸锂反应器的压力和温度，但是各批次的制备情况不同，在生产管理的各个阶段所需的温度和压力也各有不同。
因此，期待一种优化的用于六氟磷酸锂制备的生产管理控制方案。
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六氟磷酸锂制备的生产管理控制系统及其方法，其通过相邻层使用互为转置的卷积核的卷积神经网络模型分别提取六氟磷酸锂反应装置的温度-压力协同控制特征以及五氟化磷和氟化锂供料参数的协同配料特征，并且基于这两者的响应性估计来对温度和压力进行自适应控制，以使得所得到的温度和压力控制值满足五氟化磷和氟化锂供料参数协同和优化的需求。这样，可以智能且准确地对于六氟磷酸锂反应装置内的温度值和压力值进行实时的自适应控制，进而提高六氟磷酸锂制备的生产质量。
根据本申请的一个方面，提供了一种用于六氟磷酸锂制备的生产管理控制系统，其包括：供料数据采集单元，用于获取预定时间段内多个预定时间点的五氟化磷供料装置的第一阀门开度值和氟化锂供料装置的第二阀门开度值；反应数据采集单元，用于获取所述预定时间段内多个预定时间点的六氟磷酸锂反应装置的温度值和压力值；供料数据关联单元，用于将所述多个预定时间点的第一阀门开度值和第二阀门开度值分别按照时间维度排列为第一阀门开度输入向量和第二阀门开度输入向量后，计算所述第一阀门开度输入向量和所述第二阀门开度输入向量之间的供料协同输入矩阵；反应数据关联单元，用于将所述多个预定时间点的温度值和压力值分别按照时间维度排列为温度输入向量和压力输入向量后，计算所述温度输入向量和所述压力输入向量之间的温度-压力协同输入矩阵；特征提取单元，用于将所述供料协同输入矩阵和所述温度-压力协同输入矩阵分别输入相邻层使用互为转置的卷积核的卷积神经网络模型以得到供料协同特征矩阵和温度-压力协同特征矩阵；全参数特征提取单元，用于将所述供料协同特征矩阵和所述温度-压力协同特征矩阵沿着通道维度级联为全参数控制输入张量后通过残差双注意力机制模型以得到全参数控制特征图；全局响应单元，用于计算所述温度-压力协同特征矩阵相对于所述全参数控制特征图的沿通道维度的各个特征矩阵的转移矩阵以得到响应性特征图；以及管理控制结果生成单元，用于将所述响应性特征图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温度值应增大或应减小，且当前时间点的压力值应增大或应减小。
根据本申请的另一方面，提供了一种一种用于六氟磷酸锂制备的生产管理控制方法，其包括：获取预定时间段内多个预定时间点的五氟化磷供料装置的第一阀门开度值和氟化锂供料装置的第二阀门开度值；获取所述预定时间段内多个预定时间点的六氟磷酸锂反应装置的温度值和压力值；将所述多个预定时间点的第一阀门开度值和第二阀门开度值分别按照时间维度排列为第一阀门开度输入向量和第二阀门开度输入向量后，计算所述第一阀门开度输入向量和所述第二阀门开度输入向量之间的供料协同输入矩阵；将所述多个预定时间点的温度值和压力值分别按照时间维度排列为温度输入向量和压力输入向量后，计算所述温度输入向量和所述压力输入向量之间的温度-压力协同输入矩阵；将所述供料协同输入矩阵和所述温度-压力协同输入矩阵分别输入相邻层使用互为转置的卷积核的卷积神经网络模型以得到供料协同特征矩阵和温度-压力协同特征矩阵；将所述供料协同特征矩阵和所述温度-压力协同特征矩阵沿着通道维度级联为全参数控制输入张量后通过残差双注意力机制模型以得到全参数控制特征图；计算所述温度-压力协同特征矩阵相对于所述全参数控制特征图的沿通道维度的各个特征矩阵的转移矩阵以得到响应性特征图；以及将所述响应性特征图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温度值应增大或应减小，且当前时间点的压力值应增大或应减小。
与现有技术相比，本申请提供的用于六氟磷酸锂制备的生产管理控制系统及其方法，其通过相邻层使用互为转置的卷积核的卷积神经网络模型分别提取六氟磷酸锂反应装置的温度-压力协同控制特征以及五氟化磷和氟化锂供料参数的协同配料特征，并且基于这两者的响应性估计来对温度和压力进行自适应控制，以使得所得到的温度和压力控制值满足五氟化磷和氟化锂供料参数协同和优化的需求。这样，可以智能且准确地对于六氟磷酸锂反应装置内的温度值和压力值进行实时的自适应控制，进而提高六氟磷酸锂制备的生产质量。
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1为根据本申请实施例的用于六氟磷酸锂制备的生产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六氟磷酸锂制备的生产管理控制系统的框图。
图3为根据本申请实施例的用于六氟磷酸锂制备的生产管理控制系统中所述全参数特征提取单元的框图。
图4为根据本申请实施例的用于六氟磷酸锂制备的生产管理控制系统中所述训练模块的框图。
图5为根据本申请实施例的用于六氟磷酸锂制备的生产管理控制方法的流程图。
图6为根据本申请实施例的用于六氟磷酸锂制备的生产管理控制方法的系统架构的示意图。
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:
如上所述，电解液是锂离子二次电池和锂聚合物电池的三大主要构成要素之一。无机氟化物六氟磷酸锂(LiPF6)是制造无水有机电解液的原料。由于六氟磷酸锂为电池级产品，因此，制造技术要求非常高一般产品规格要求纯度大于99.9％，水分含量小于15ppm，HF含量小于70ppm，各种金属成分含量均小于1ppm，氯离子含量小于2ppm，SO42含量小于5ppm，获得的产品还要保证均一的粒径。
同时，在大规模生产过程中还要减少副产物提高产物的转化率和选择性。现有的六氟磷酸锂生产工艺中，通常为无水氢氟酸与五氯化磷反应生成五氟化磷，再将五氟化磷输送至六氟磷酸锂反应器中与氟化锂反应生成六氟磷酸锂。
在六氟磷酸锂的生产制备管理中，六氟磷酸锂反应器的压力和温度控制是提高六氟磷酸锂的制备效率的关键，但在现有的生产管理控制中，往往基于固定的温度和/或压力控制策略来控制六氟磷酸锂反应器的压力和温度，但是各批次的制备情况不同，在生产管理的各个阶段所需的温度和压力也各有不同。因此，期待一种优化的用于六氟磷酸锂制备的生产管理控制方案。
目前，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、语音信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。
近年来，深度学习以及神经网络的发展为六氟磷酸锂制备的生产管理控制提供了新的解决思路和方案。
相应地，考虑到在现有的六氟磷酸锂生产工艺中，通常为无水氢氟酸与五氯化磷反应生成五氟化磷，再将五氟化磷输送至六氟磷酸锂反应器中与氟化锂反应生成六氟磷酸锂，在这之中，六氟磷酸锂反应器的压力和温度控制是提高六氟磷酸锂的制备效率的关键。而若想对于六氟磷酸锂反应器的压力和温度进行实时控制来提高六氟磷酸锂的制备效率还需要对于五氟化磷和氟化锂的实际供料量进行监测。具体地，在本申请的技术方案中，采用基于深度学习的人工智能控制技术，以提取出六氟磷酸锂反应装置的温度-压力协同控制特征以及五氟化磷和氟化锂供料参数的协同配料特征，并且基于这两者的响应性估计来对温度和压力进行自适应控制，以使得所得到的温度和压力控制值满足参数协同和优化的需求。这样，能够提高六氟磷酸锂制备的生产质量。
具体地，在本申请的技术方案中，首先，获取预定时间段内多个预定时间点的五氟化磷供料装置的第一阀门开度值和氟化锂供料装置的第二阀门开度值。接着，将所述多个预定时间点的第一阀门开度值和第二阀门开度值分别按照时间维度排列为第一阀门开度输入向量和第二阀门开度输入向量后，计算所述第一阀门开度输入向量和所述第二阀门开度输入向量之间的供料协同输入矩阵，以整合所述五氟化磷供料信息和所述氟化锂供料信息之间的参数协同反应信息。
然后，通过部署于六氟磷酸锂反应装置内的各个传感器获取所述预定时间段内多个预定时间点的所述六氟磷酸锂反应装置的温度值和压力值。接着，将所述多个预定时间点的温度值和压力值分别按照时间维度排列为温度输入向量和压力输入向量后，计算所述温度输入向量和所述压力输入向量之间的温度-压力协同输入矩阵，以整合所述反应装置内的温度和压力协同控制信息。
进一步地，就可以使用在局部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进行所述六氟磷酸锂反应装置内的温度和压力的协同控制特征提取，但是，考虑到由于所述六氟磷酸锂反应装置内的温度和压力具有相当程度的关联。因此为了能够充分地提取出所述六氟磷酸锂反应装置内的温度和压力的协同控制关联特征来进行温度值和压力值的实时准确控制，在本申请的技术方案中，进一步通过相邻层使用互为转置的卷积核的卷积神经网络模型来对于所述温度-压力协同输入矩阵进行特征挖掘，以提取出深层的更为充分的所述六氟磷酸锂反应装置内的温度和压力的协同控制隐含特征信息，从而得到温度-压力协同特征矩阵。特别地，这里，所述卷积神经网络模型的相邻卷积层使用互为转置的卷积核能够在训练时同时进行网络参数的更新和适合特定数据结构的网络参数结构的搜索，进而提高后续分类的准确性。
同样地，考虑到由于在所述六氟磷酸锂的制备过程中，需要将所述五氟化磷输送至所述六氟磷酸锂反应装置中与所述氟化锂反应生成六氟磷酸锂。因此，对于所述五氟化磷供料信息和所述氟化锂供料信息之间的参数协同反应特征分布提取，也应通过使用互为转置的卷积核的卷积神经网络模型来对于所述供料协同输入矩阵进行特征挖掘，以提取出所述五氟化磷和所述氟化锂之间的参数协同反应特征分布信息，从而得到供料协同特征矩阵。
然后，将所述供料协同特征矩阵和所述温度-压力协同特征矩阵沿着通道维度级联为全参数控制输入张量以整合所述温度-压力协同特征和所述供料的参数协同反应特征的特征信息。应可以理解，考虑到在所述六氟磷酸锂的制备生产过程中，由于温度和压力的协同工作状态改变会使得五氟化磷和氟化锂的反应效果产生微弱的变化，所述五氟化磷和所述氟化锂的反应产生的微弱变化属于小尺度的目标对象，同时在反应的过程中还会产生无用的干扰产物，这会对于协同关联特征的提取造成干扰。因此，在本申请的技术方案中，进一步对所述全参数控制输入张量进行特征数据增强以得到全参数控制特征图。
具体地，在本申请的技术方案中，将所述全参数控制输入张量通过残差双注意力机制模型中进行处理以得到全参数控制特征图。应可以理解，由于网络经过一系列卷积之后，会得到部分特征信息，但不会自动区分高低频间的详细信息与各个类别特征间的差异性，网络选择性地使用特征的能力有限，鉴于注意力机制能够选择聚焦位置，产生更具分辨性的特征表示，且加入注意力模块后的特征会随着网络的加深产生适应性的改变。因此，在本申请的技术方案中，引入通道注意力机制和空间注意力机制，并通过引入残差结构，将其与提出的双注意力网络相结合来构造残差双注意力模型，此模型将空间注意力和通道注意力并行组合，使得不同类型的有效信息被大量捕捉到，可有效增强特征辨别学习能力，在网络训练过程中，任务处理系统更专注于找到输入数据中显著的与当前输出相关的有用信息，从而提高输出的质量，且渐增的注意力模块将带来持续的性能提升。这里，所述残差双注意力机制模型通过使用空间注意力和通道注意力并行的组合，使得不同类型的有效信息被大量捕捉到，可有效增强特征辨别学习能力，进而提高后续对于所述六氟磷酸锂反应装置内的温度和压力协同控制。
进一步地，计算所述温度-压力协同特征矩阵相对于所述全参数控制特征图的沿通道维度的各个特征矩阵的转移矩阵来表示所述六氟磷酸锂反应装置内的温度和压力的协同控制关联特征与所述五氟化磷和所述氟化锂的参数协同反应特征之间的关联性特征分布信息，从而得到响应性特征图。也就是，基于所述温度-压力协同矩阵相对于所述全参数控制特征图的响应性估计来对温度和压力进行自适应控制，以使得所得到的温度和压力控制值满足参数协同和优化的需求。然后，再将所述响应性特征图通过分类器以得到用于表示当前时间点的温度值应增大或应减小，且当前时间点的压力值应增大或应减小的分类结果。这样，能够智能且准确地对于所述六氟磷酸锂反应装置内的温度值和压力值进行实时控制。
特别地，在本申请的技术方案中，由于响应性特征图是计算所述温度-压力协同特征矩阵相对于所述全参数控制特征图的沿通道维度的各个特征矩阵的转移矩阵，再将各个转移矩阵排列得到的，因此每个转移矩阵的特征分布对应于所述响应性特征图的局部特征分布。而所述全参数控制特征图是所述供料协同特征矩阵和所述温度-压力协同特征矩阵沿着通道维度级联后通过残差双注意力机制模型得到的，因此所述全参数控制特征图的沿通道维度的各个特征矩阵相对于所述温度-压力协同特征矩阵的关联度具有较大差异，也就是，所述温度-压力协同特征矩阵的提取特征具有较大关联度，而所述供料协同特征矩阵的提取特征具有较小关联度，这就导致所述响应性特征图的局部特征分布之间具有较大差异影响了所述响应性特征图通过分类器进行分类的训练速度和分类结果准确性。
这可以通过对每个转移矩阵引入加权因数作为超参数来解决，此外，本申请的技术方案提供了另一个解决方案，即引入多分布二元分类质量损失函数，表示为：
Figure 462628DEST_PATH_IMAGE002
其中，
Figure 51872DEST_PATH_IMAGE003
到
Figure 300451DEST_PATH_IMAGE004
是各个转移矩阵，
Figure 430081DEST_PATH_IMAGE005
是参考矩阵，例如设置为所有转移矩阵的均值矩阵，
Figure 572349DEST_PATH_IMAGE006
表示矩阵的分类结果，
Figure 739019DEST_PATH_IMAGE007
表示向量的1范数。
这里，为了避免每个待分类的所述响应性特征图在多分布分类时由于各个局部特征分布对应的决策边界的过度碎片化而使得向着目标类别域的收敛困难，通过对于每个局部特征分布的基于预定标签的二元分类的全局偏移类概率信息取平均的方式，来预测每个局部特征分布相对于全局特征分布的连续性质量因数以作为损失函数。这样，通过以此对模型进行训练，就可以将超参数在训练中的优化从反向传播转换为基于多二元分类的分类问题，并改进所述响应性特征图通过分类器进行分类的训练速度和分类结果准确性。这样，能够智能且准确地对于所述六氟磷酸锂反应装置内的温度值和压力值进行实时的自适应控制，以使得所得到的温度和压力控制值满足参数协同和优化的需求，进而提高六氟磷酸锂制备的生产质量。
基于此，本申请提供了一种用于六氟磷酸锂制备的生产管理控制系统，其包括：供料数据采集单元，用于获取预定时间段内多个预定时间点的五氟化磷供料装置的第一阀门开度值和氟化锂供料装置的第二阀门开度值；反应数据采集单元，用于获取所述预定时间段内多个预定时间点的六氟磷酸锂反应装置的温度值和压力值；供料数据关联单元，用于将所述多个预定时间点的第一阀门开度值和第二阀门开度值分别按照时间维度排列为第一阀门开度输入向量和第二阀门开度输入向量后，计算所述第一阀门开度输入向量和所述第二阀门开度输入向量之间的供料协同输入矩阵；反应数据关联单元，用于将所述多个预定时间点的温度值和压力值分别按照时间维度排列为温度输入向量和压力输入向量后，计算所述温度输入向量和所述压力输入向量之间的温度-压力协同输入矩阵；特征提取单元，用于将所述供料协同输入矩阵和所述温度-压力协同输入矩阵分别输入相邻层使用互为转置的卷积核的卷积神经网络模型以得到供料协同特征矩阵和温度-压力协同特征矩阵；全参数特征提取单元，用于将所述供料协同特征矩阵和所述温度-压力协同特征矩阵沿着通道维度级联为全参数控制输入张量后通过残差双注意力机制模型以得到全参数控制特征图；全局响应单元，用于计算所述温度-压力协同特征矩阵相对于所述全参数控制特征图的沿通道维度的各个特征矩阵的转移矩阵以得到响应性特征图；以及，管理控制结果生成单元，用于将所述响应性特征图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温度值应增大或应减小，且当前时间点的压力值应增大或应减小。
图1为根据本申请实施例的用于六氟磷酸锂制备的生产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，获取预定时间段内多个预定时间点的五氟化磷供料装置的第一阀门开度值（例如，图1中所示意的D1）和氟化锂供料装置的第二阀门开度值（例如，图1中所示意的D2），并且，获取所述预定时间段内多个预定时间点的六氟磷酸锂反应装置的温度值（例如，图1中所示意的D3）和压力值（例如，图1中所示意的D4）；然后，将获取的五氟化磷供料装置的第一阀门开度值、氟化锂供料装置的第二阀门开度值、六氟磷酸锂反应装置的温度值和压力值输入至部署有用于六氟磷酸锂制备的生产管理控制算法的服务器中（例如，图1中所示意的S），其中，所述服务器能够使用用于六氟磷酸锂制备的生产管理控制算法对所述五氟化磷供料装置的第一阀门开度值、所述氟化锂供料装置的第二阀门开度值、所述六氟磷酸锂反应装置的温度值和所述压力值进行处理，以生成分类结果，所述分类结果用于表示当前时间点的温度值应增大或应减小，且当前时间点的压力值应增大或应减小。
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为根据本申请实施例的用于六氟磷酸锂制备的生产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六氟磷酸锂制备的生产管理控制系统100，包括：供料数据采集单元110，用于获取预定时间段内多个预定时间点的五氟化磷供料装置的第一阀门开度值和氟化锂供料装置的第二阀门开度值；反应数据采集单元120，用于获取所述预定时间段内多个预定时间点的六氟磷酸锂反应装置的温度值和压力值；供料数据关联单元130，用于将所述多个预定时间点的第一阀门开度值和第二阀门开度值分别按照时间维度排列为第一阀门开度输入向量和第二阀门开度输入向量后，计算所述第一阀门开度输入向量和所述第二阀门开度输入向量之间的供料协同输入矩阵；反应数据关联单元140，用于将所述多个预定时间点的温度值和压力值分别按照时间维度排列为温度输入向量和压力输入向量后，计算所述温度输入向量和所述压力输入向量之间的温度-压力协同输入矩阵；特征提取单元150，用于将所述供料协同输入矩阵和所述温度-压力协同输入矩阵分别输入相邻层使用互为转置的卷积核的卷积神经网络模型以得到供料协同特征矩阵和温度-压力协同特征矩阵；全参数特征提取单元160，用于将所述供料协同特征矩阵和所述温度-压力协同特征矩阵沿着通道维度级联为全参数控制输入张量后通过残差双注意力机制模型以得到全参数控制特征图；全局响应单元170，用于计算所述温度-压力协同特征矩阵相对于所述全参数控制特征图的沿通道维度的各个特征矩阵的转移矩阵以得到响应性特征图；以及，管理控制结果生成单元180，用于将所述响应性特征图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温度值应增大或应减小，且当前时间点的压力值应增大或应减小。
具体地，在本申请实施例中，所述供料数据采集单元110和所述反应数据采集单元120，用于获取预定时间段内多个预定时间点的五氟化磷供料装置的第一阀门开度值和氟化锂供料装置的第二阀门开度值，以及，用于获取所述预定时间段内多个预定时间点的六氟磷酸锂反应装置的温度值和压力值。如前所述，电解液是锂离子二次电池和锂聚合物电池的三大主要构成要素之一。无机氟化物六氟磷酸锂(LiPF6)是制造无水有机电解液的原料。由于六氟磷酸锂为电池级产品，因此，制造技术要求非常高一般产品规格要求纯度大于99.9％，水分含量小于15ppm，HF含量小于70ppm，各种金属成分含量均小于1ppm，氯离子含量小于2ppm，SO42含量小于5ppm，获得的产品还要保证均一的粒径。
同时，在大规模生产过程中还要减少副产物提高产物的转化率和选择性。现有的六氟磷酸锂生产工艺中，通常为无水氢氟酸与五氯化磷反应生成五氟化磷，再将五氟化磷输送至六氟磷酸锂反应器中与氟化锂反应生成六氟磷酸锂。
在六氟磷酸锂的生产制备管理中，六氟磷酸锂反应器的压力和温度控制是提高六氟磷酸锂的制备效率的关键，但在现有的生产管理控制中，往往基于固定的温度和/或压力控制策略来控制六氟磷酸锂反应器的压力和温度，但是各批次的制备情况不同，在生产管理的各个阶段所需的温度和压力也各有不同。因此，期待一种优化的用于六氟磷酸锂制备的生产管理控制方案。
目前，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、语音信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。
近年来，深度学习以及神经网络的发展为六氟磷酸锂制备的生产管理控制提供了新的解决思路和方案。
相应地，考虑到在现有的六氟磷酸锂生产工艺中，通常为无水氢氟酸与五氯化磷反应生成五氟化磷，再将五氟化磷输送至六氟磷酸锂反应器中与氟化锂反应生成六氟磷酸锂，在这之中，六氟磷酸锂反应器的压力和温度控制是提高六氟磷酸锂的制备效率的关键。而若想对于六氟磷酸锂反应器的压力和温度进行实时控制来提高六氟磷酸锂的制备效率还需要对于五氟化磷和氟化锂的实际供料量进行监测。具体地，在本申请的技术方案中，采用基于深度学习的人工智能控制技术，以提取出六氟磷酸锂反应装置的温度-压力协同控制特征以及五氟化磷和氟化锂供料参数的协同配料特征，并且基于这两者的响应性估计来对温度和压力进行自适应控制，以使得所得到的温度和压力控制值满足参数协同和优化的需求。这样，能够提高六氟磷酸锂制备的生产质量。
具体地，在本申请的技术方案中，首先，获取预定时间段内多个预定时间点的五氟化磷供料装置的第一阀门开度值和氟化锂供料装置的第二阀门开度值，以及获取所述预定时间段内多个预定时间点的六氟磷酸锂反应装置的温度值和压力值。这样，通过对于五氟化磷和氟化锂的实际供料量进行监测，以对于六氟磷酸锂反应器的压力和温度进行实时控制来提高六氟磷酸锂的制备效率。
具体地，在本申请实施例中，所述供料数据关联单元130，用于将所述多个预定时间点的第一阀门开度值和第二阀门开度值分别按照时间维度排列为第一阀门开度输入向量和第二阀门开度输入向量后，计算所述第一阀门开度输入向量和所述第二阀门开度输入向量之间的供料协同输入矩阵。也就是，在获取五氟化磷供料装置的第一阀门开度值和氟化锂供料装置的第二阀门开度值后，接着，将所述多个预定时间点的第一阀门开度值和第二阀门开度值分别按照时间维度排列为第一阀门开度输入向量和第二阀门开度输入向量后，计算所述第一阀门开度输入向量和所述第二阀门开度输入向量之间的供料协同输入矩阵，以整合所述五氟化磷供料信息和所述氟化锂供料信息之间的参数协同反应信息。
进一步地，以如下公式来计算所述第一阀门开度输入向量和所述第二阀门开度输入向量之间的所述供料协同输入矩阵；其中，所述公式为：
Figure 474894DEST_PATH_IMAGE008
其中，
Figure 267270DEST_PATH_IMAGE009
表示所述第一阀门开度输入向量，
Figure 139411DEST_PATH_IMAGE010
表示所述第一阀门开度输入向量的转置向量，
Figure 474053DEST_PATH_IMAGE011
表示所述第二阀门开度输入向量，
Figure 697223DEST_PATH_IMAGE012
表示所述供料协同输入矩阵，
Figure 27711DEST_PATH_IMAGE013
表示向量相乘。
具体地，在本申请实施例中，所述反应数据关联单元140，用于将所述多个预定时间点的温度值和压力值分别按照时间维度排列为温度输入向量和压力输入向量后，计算所述温度输入向量和所述压力输入向量之间的温度-压力协同输入矩阵。也就是，在获取所述预定时间段内多个预定时间点的六氟磷酸锂反应装置的温度值和压力值后，接着，通过部署于六氟磷酸锂反应装置内的各个传感器获取所述预定时间段内多个预定时间点的所述六氟磷酸锂反应装置的温度值和压力值。接着，将所述多个预定时间点的温度值和压力值分别按照时间维度排列为温度输入向量和压力输入向量后，计算所述温度输入向量和所述压力输入向量之间的温度-压力协同输入矩阵，以整合所述反应装置内的温度和压力协同控制信息。
进一步地，以如下公式来计算所述温度输入向量和所述压力输入向量之间的所述温度-压力协同输入矩阵；其中，所述公式为：
Figure 285517DEST_PATH_IMAGE014
其中，
Figure 793990DEST_PATH_IMAGE015
表示所述温度输入向量，
Figure 770036DEST_PATH_IMAGE016
表示所述温度输入向量的转置向量，
Figure 638635DEST_PATH_IMAGE017
表示所述压力输入向量，
Figure 750947DEST_PATH_IMAGE018
表示所述温度-压力协同输入矩阵，
Figure 430321DEST_PATH_IMAGE019
表示向量相乘。
应可以理解，通过上述公式，既可以整合所述五氟化磷供料信息和所述氟化锂供料信息之间的参数协同反应信息，又可以整合所述反应装置内的温度和压力协同控制信息，进而通过对于五氟化磷和氟化锂的实际供料量进行监测，以对于六氟磷酸锂反应器的压力和温度进行实时控制来提高六氟磷酸锂的制备效率。
具体地，在本申请实施例中，所述特征提取单元150，用于将所述供料协同输入矩阵和所述温度-压力协同输入矩阵分别输入相邻层使用互为转置的卷积核的卷积神经网络模型以得到供料协同特征矩阵和温度-压力协同特征矩阵。进一步地，就可以使用在局部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进行所述六氟磷酸锂反应装置内的温度和压力的协同控制特征提取。
但是，考虑到由于所述六氟磷酸锂反应装置内的温度和压力具有相当程度的关联。因此为了能够充分地提取出所述六氟磷酸锂反应装置内的温度和压力的协同控制关联特征来进行温度值和压力值的实时准确控制，在本申请的技术方案中，进一步通过相邻层使用互为转置的卷积核的卷积神经网络模型来对于所述温度-压力协同输入矩阵进行特征挖掘，以提取出深层的更为充分的所述六氟磷酸锂反应装置内的温度和压力的协同控制隐含特征信息，从而得到温度-压力协同特征矩阵。特别地，这里，所述卷积神经网络模型的相邻卷积层使用互为转置的卷积核能够在训练时同时进行网络参数的更新和适合特定数据结构的网络参数结构的搜索，进而提高后续分类的准确性。
同样地，考虑到由于在所述六氟磷酸锂的制备过程中，需要将所述五氟化磷输送至所述六氟磷酸锂反应装置中与所述氟化锂反应生成六氟磷酸锂。因此，对于所述五氟化磷供料信息和所述氟化锂供料信息之间的参数协同反应特征分布提取，也应通过使用互为转置的卷积核的卷积神经网络模型来对于所述供料协同输入矩阵进行特征挖掘，以提取出所述五氟化磷和所述氟化锂之间的参数协同反应特征分布信息，从而得到供料协同特征矩阵。
更具体地，在本申请实施例中，使用所述卷积神经网络模型的第一层对输入数据进行基于第一卷积核的卷积处理、池化处理和非线性激活处理以得到第一特征图；以及，使用所述卷积神经网络模型的第二层对所述第一特征图进行基于第二卷积核的卷积处理、池化处理和非线性激活处理以得到第二特征图，其中，所述第二卷积核与所述第一卷积核互为转置。进而提高后续分类的准确性。
具体地，在本申请实施例中，所述全参数特征提取单元160，用于将所述供料协同特征矩阵和所述温度-压力协同特征矩阵沿着通道维度级联为全参数控制输入张量后通过残差双注意力机制模型以得到全参数控制特征图。然后，将所述供料协同特征矩阵和所述温度-压力协同特征矩阵沿着通道维度级联为全参数控制输入张量以整合所述温度-压力协同特征和所述供料的参数协同反应特征的特征信息。
应可以理解，考虑到在所述六氟磷酸锂的制备生产过程中，由于温度和压力的协同工作状态改变会使得五氟化磷和氟化锂的反应效果产生微弱的变化，所述五氟化磷和所述氟化锂的反应产生的微弱变化属于小尺度的目标对象，同时在反应的过程中还会产生无用的干扰产物，这会对于协同关联特征的提取造成干扰。因此，在本申请的技术方案中，进一步对所述全参数控制输入张量进行特征数据增强以得到全参数控制特征图。
具体地，在本申请的技术方案中，将所述全参数控制输入张量通过残差双注意力机制模型中进行处理以得到全参数控制特征图。应可以理解，由于网络经过一系列卷积之后，会得到部分特征信息，但不会自动区分高低频间的详细信息与各个类别特征间的差异性，网络选择性地使用特征的能力有限，鉴于注意力机制能够选择聚焦位置，产生更具分辨性的特征表示，且加入注意力模块后的特征会随着网络的加深产生适应性的改变。
因此，在本申请的技术方案中，引入通道注意力机制和空间注意力机制，并通过引入残差结构，将其与提出的双注意力网络相结合来构造残差双注意力模型，此模型将空间注意力和通道注意力并行组合，使得不同类型的有效信息被大量捕捉到，可有效增强特征辨别学习能力，在网络训练过程中，任务处理系统更专注于找到输入数据中显著的与当前输出相关的有用信息，从而提高输出的质量，且渐增的注意力模块将带来持续的性能提升。这里，所述残差双注意力机制模型通过使用空间注意力和通道注意力并行的组合，使得不同类型的有效信息被大量捕捉到，可有效增强特征辨别学习能力，进而提高后续对于所述六氟磷酸锂反应装置内的温度和压力协同控制。
更具体地，在本申请实施例中，图3为根据本申请实施例的用于六氟磷酸锂制备的生产管理控制系统中所述全参数特征提取单元的框图，如图3所示，所述全参数特征提取单元，包括：空间注意力单元210，用于将所述全参数控制输入张量输入所述残差双注意力机制模型的空间注意力模块以得到空间注意力图；通道注意力单元220，用于将所述全参数控制输入张量输入所述残差双注意力机制模型的通道注意力模块以得到通道注意力图；注意力融合单元230，用于融合所述空间注意力图和所述通道注意力图以得到融合注意力图；激活单元240，用于将所述融合注意力图输入Sigmoid激活函数进行激活以得到融合注意力特征图；注意力施加单元250，用于计算所述融合注意力特征图和所述全参数控制输入张量的按位置点乘以得到加权特征图；以及，残差融合单元260，用于融合所述加权特征图和所述全参数控制输入张量以得到所述全参数控制特征图。
这样，可有效增强特征辨别学习能力，进而提高后续对于所述六氟磷酸锂反应装置内的温度和压力协同控制。
具体地，在本申请实施例中，所述全局响应单元170，用于计算所述温度-压力协同特征矩阵相对于所述全参数控制特征图的沿通道维度的各个特征矩阵的转移矩阵以得到响应性特征图。进一步地，计算所述温度-压力协同特征矩阵相对于所述全参数控制特征图的沿通道维度的各个特征矩阵的转移矩阵来表示所述六氟磷酸锂反应装置内的温度和压力的协同控制关联特征与所述五氟化磷和所述氟化锂的参数协同反应特征之间的关联性特征分布信息，从而得到响应性特征图。也就是，基于所述温度-压力协同矩阵相对于所述全参数控制特征图的响应性估计来对温度和压力进行自适应控制，以使得所得到的温度和压力控制值满足参数协同和优化的需求。
进一步地，以如下公式来计算所述温度-压力协同特征矩阵相对于所述全参数控制特征图的沿通道维度的各个特征矩阵的转移矩阵以得到响应性特征图；其中，所述公式为：
Figure 628084DEST_PATH_IMAGE020
其中，
Figure 300374DEST_PATH_IMAGE021
表示所述温度-压力协同特征矩阵，
Figure 267193DEST_PATH_IMAGE022
表示所述全参数控制特征图的沿通道维度的各个特征矩阵，
Figure 383048DEST_PATH_IMAGE023
表示所述响应性特征图。
通过计算，可以使得所得到的温度和压力控制值满足参数协同和优化的需求，进而使得分类结果更加准确。
具体地，在本申请实施例中，所述管理控制结果生成单元180，用于将所述响应性特征图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温度值应增大或应减小，且当前时间点的压力值应增大或应减小。然后，再将所述响应性特征图通过分类器以得到用于表示当前时间点的温度值应增大或应减小，且当前时间点的压力值应增大或应减小的分类结果。这样，能够智能且准确地对于所述六氟磷酸锂反应装置内的温度值和压力值进行实时控制。
进一步地，使用所述分类器以如下公式对所述响应性特征图进行处理以生成分类结果；其中，所述公式为：
Figure 802528DEST_PATH_IMAGE024
，其中，
Figure 278509DEST_PATH_IMAGE025
表示将所述响应性特征图投影为向量，
Figure 99834DEST_PATH_IMAGE026
为全连接层的权重矩阵，
Figure 776803DEST_PATH_IMAGE027
表示全连接层的偏向向量。
应可以理解，在本申请实施例中，所述用于六氟磷酸锂制备的生产管理控制系统，还包括用于对所述卷积神经网络模型、所述残差双注意力机制模型和所述分类器进行训练的训练模块；图4为根据本申请实施例的用于六氟磷酸锂制备的生产管理控制系统中所述训练模块的框图，如图4所示，所述训练模块300，包括：训练数据获取单元310，用于获取训练数据，所述训练数据包括预定时间段内多个预定时间点的所述五氟化磷供料装置的第一阀门训练开度值和所述氟化锂供料装置的第二阀门训练开度值，所述预定时间段内多个预定时间点的所述六氟磷酸锂反应装置的训练温度值和训练压力值，以及，所述当前时间点的温度值应增大或应减小的真实值和所述当前时间点的压力值应增大或应减小的真实值；训练供料数据关联单元320，用于将所述多个预定时间点的第一阀门训练开度值和第二阀门训练开度值分别按照时间维度排列为第一阀门训练开度输入向量和第二阀门训练开度输入向量后，计算所述第一阀门训练开度输入向量和所述第二阀门训练开度输入向量之间的训练供料协同输入矩阵；训练反应数据关联单元330，用于将所述多个预定时间点的训练温度值和训练压力值分别按照时间维度排列为训练温度输入向量和训练压力输入向量后，计算所述训练温度输入向量和所述训练压力输入向量之间的训练温度-压力协同输入矩阵；训练特征提取单元340，用于将所述训练供料协同输入矩阵和所述训练温度-压力协同输入矩阵分别输入所述相邻层使用互为转置的卷积核的卷积神经网络模型以得到训练供料协同特征矩阵和训练温度-压力协同特征矩阵；训练全参数特征提取单元350，用于将所述训练供料协同特征矩阵和所述训练温度-压力协同特征矩阵沿着通道维度级联为训练全参数控制输入张量后通过所述残差双注意力机制模型以得到训练全参数控制特征图；训练全局响应单元360，用于计算所述训练温度-压力协同特征矩阵相对于所述训练全参数控制特征图的沿通道维度的各个特征矩阵的转移矩阵以得到训练响应性特征图；分类损失单元370，用于将所述训练响应性特征图通过所述分类器以得到分类损失函数值；多分布二元分类质量损失单元380，用于基于所述训练响应性特征图中沿通道维度的各个转移矩阵，计算多分布二元分类质量损失函数值；以及，训练单元390，用于计算所述分类损失函数值和所述多分布二元分类质量损失函数值的加权和作为损失函数值来对所述卷积神经网络模型、所述残差双注意力机制模型和所述分类器进行训练。
特别地，在本申请的技术方案中，由于响应性特征图是计算所述温度-压力协同特征矩阵相对于所述全参数控制特征图的沿通道维度的各个特征矩阵的转移矩阵，再将各个转移矩阵排列得到的，因此每个转移矩阵的特征分布对应于所述响应性特征图的局部特征分布。而所述全参数控制特征图是所述供料协同特征矩阵和所述温度-压力协同特征矩阵沿着通道维度级联后通过残差双注意力机制模型得到的，因此所述全参数控制特征图的沿通道维度的各个特征矩阵相对于所述温度-压力协同特征矩阵的关联度具有较大差异，也就是，所述温度-压力协同特征矩阵的提取特征具有较大关联度，而所述供料协同特征矩阵的提取特征具有较小关联度，这就导致所述响应性特征图的局部特征分布之间具有较大差异影响了所述响应性特征图通过分类器进行分类的训练速度和分类结果准确性。
这可以通过对每个转移矩阵引入加权因数作为超参数来解决，此外，本申请的技术方案提供了另一个解决方案，即引入多分布二元分类质量损失函数，也就是，基于所述训练响应性特征图中沿通道维度的各个转移矩阵，以如下公式计算所述多分布二元分类质量损失函数值；其中，所述公式为：
Figure 284577DEST_PATH_IMAGE029
其中，
Figure 439615DEST_PATH_IMAGE030
到
Figure 240081DEST_PATH_IMAGE031
是所述训练响应性特征图中沿通道维度的各个转移矩阵，
Figure 87951DEST_PATH_IMAGE032
是参考矩阵，
Figure 357390DEST_PATH_IMAGE033
表示矩阵的分类结果，
Figure 909594DEST_PATH_IMAGE034
表示向量的1范数。
这里，为了避免每个待分类的所述响应性特征图在多分布分类时由于各个局部特征分布对应的决策边界的过度碎片化而使得向着目标类别域的收敛困难，通过对于每个局部特征分布的基于预定标签的二元分类的全局偏移类概率信息取平均的方式，来预测每个局部特征分布相对于全局特征分布的连续性质量因数以作为损失函数。这样，通过以此对模型进行训练，就可以将超参数在训练中的优化从反向传播转换为基于多二元分类的分类问题，并改进所述响应性特征图通过分类器进行分类的训练速度和分类结果准确性。这样，能够智能且准确地对于所述六氟磷酸锂反应装置内的温度值和压力值进行实时的自适应控制，以使得所得到的温度和压力控制值满足参数协同和优化的需求，进而提高六氟磷酸锂制备的生产质量。
综上，基于本申请实施例的用于六氟磷酸锂制备的生产管理控制系统100被阐明，其通过相邻层使用互为转置的卷积核的卷积神经网络模型分别提取六氟磷酸锂反应装置的温度-压力协同控制特征以及五氟化磷和氟化锂供料参数的协同配料特征，并且基于这两者的响应性估计来对温度和压力进行自适应控制，以使得所得到的温度和压力控制值满足五氟化磷和氟化锂供料参数协同和优化的需求。这样，可以智能且准确地对于六氟磷酸锂反应装置内的温度值和压力值进行实时的自适应控制，进而提高六氟磷酸锂制备的生产质量。
如上所述，根据本申请实施例的所述用于六氟磷酸锂制备的生产管理控制系统100可以实现在各种终端设备中，例如用于六氟磷酸锂制备的生产管理控制算法的服务器等。在一个示例中，该用于六氟磷酸锂制备的生产管理控制系统100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，该用于六氟磷酸锂制备的生产管理控制系统100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，该用于六氟磷酸锂制备的生产管理控制系统100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，该用于六氟磷酸锂制备的生产管理控制系统100与该终端设备也可以是分立的设备，并且该用于六氟磷酸锂制备的生产管理控制系统100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5为根据本申请实施例的用于六氟磷酸锂制备的生产管理控制方法的流程图。如图5所示，根据本申请实施例的用于六氟磷酸锂制备的生产管理控制方法，其包括：S110，获取预定时间段内多个预定时间点的五氟化磷供料装置的第一阀门开度值和氟化锂供料装置的第二阀门开度值；S120，获取所述预定时间段内多个预定时间点的六氟磷酸锂反应装置的温度值和压力值；S130，将所述多个预定时间点的第一阀门开度值和第二阀门开度值分别按照时间维度排列为第一阀门开度输入向量和第二阀门开度输入向量后，计算所述第一阀门开度输入向量和所述第二阀门开度输入向量之间的供料协同输入矩阵；S140，将所述多个预定时间点的温度值和压力值分别按照时间维度排列为温度输入向量和压力输入向量后，计算所述温度输入向量和所述压力输入向量之间的温度-压力协同输入矩阵；S150，将所述供料协同输入矩阵和所述温度-压力协同输入矩阵分别输入相邻层使用互为转置的卷积核的卷积神经网络模型以得到供料协同特征矩阵和温度-压力协同特征矩阵；S160，将所述供料协同特征矩阵和所述温度-压力协同特征矩阵沿着通道维度级联为全参数控制输入张量后通过残差双注意力机制模型以得到全参数控制特征图；S170，计算所述温度-压力协同特征矩阵相对于所述全参数控制特征图的沿通道维度的各个特征矩阵的转移矩阵以得到响应性特征图；以及，S180，将所述响应性特征图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温度值应增大或应减小，且当前时间点的压力值应增大或应减小。
图6为根据本申请实施例的用于六氟磷酸锂制备的生产管理控制方法的系统架构的示意图。如图6所示，在所述用于六氟磷酸锂制备的生产管理控制方法的系统架构中，首先，获取预定时间段内多个预定时间点的五氟化磷供料装置的第一阀门开度值和氟化锂供料装置的第二阀门开度值；然后，获取所述预定时间段内多个预定时间点的六氟磷酸锂反应装置的温度值和压力值；接着，将所述多个预定时间点的第一阀门开度值和第二阀门开度值分别按照时间维度排列为第一阀门开度输入向量和第二阀门开度输入向量后，计算所述第一阀门开度输入向量和所述第二阀门开度输入向量之间的供料协同输入矩阵；然后，将所述多个预定时间点的温度值和压力值分别按照时间维度排列为温度输入向量和压力输入向量后，计算所述温度输入向量和所述压力输入向量之间的温度-压力协同输入矩阵；接着，将所述供料协同输入矩阵和所述温度-压力协同输入矩阵分别输入相邻层使用互为转置的卷积核的卷积神经网络模型以得到供料协同特征矩阵和温度-压力协同特征矩阵；然后，将所述供料协同特征矩阵和所述温度-压力协同特征矩阵沿着通道维度级联为全参数控制输入张量后通过残差双注意力机制模型以得到全参数控制特征图；接着，计算所述温度-压力协同特征矩阵相对于所述全参数控制特征图的沿通道维度的各个特征矩阵的转移矩阵以得到响应性特征图；以及，最后，将所述响应性特征图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温度值应增大或应减小，且当前时间点的压力值应增大或应减小。
在一个具体示例中，在上述用于六氟磷酸锂制备的生产管理控制方法中，所述将所述多个预定时间点的第一阀门开度值和第二阀门开度值分别按照时间维度排列为第一阀门开度输入向量和第二阀门开度输入向量后，计算所述第一阀门开度输入向量和所述第二阀门开度输入向量之间的供料协同输入矩阵，进一步包括：以如下公式来计算所述第一阀门开度输入向量和所述第二阀门开度输入向量之间的所述供料协同输入矩阵；其中，所述公式为：
Figure 439932DEST_PATH_IMAGE035
其中，
Figure 68491DEST_PATH_IMAGE036
表示所述第一阀门开度输入向量，
Figure 949859DEST_PATH_IMAGE037
表示所述第一阀门开度输入向量的转置向量，
Figure 571333DEST_PATH_IMAGE038
表示所述第二阀门开度输入向量，
Figure 221757DEST_PATH_IMAGE039
表示所述供料协同输入矩阵，
Figure 755638DEST_PATH_IMAGE040
表示向量相乘。
在一个具体示例中，在上述用于六氟磷酸锂制备的生产管理控制方法中，
所述将所述多个预定时间点的温度值和压力值分别按照时间维度排列为温度输入向量和压力输入向量后，计算所述温度输入向量和所述压力输入向量之间的温度-压力协同输入矩阵，进一步包括：以如下公式来计算所述温度输入向量和所述压力输入向量之间的所述温度-压力协同输入矩阵；其中，所述公式为：
Figure 124302DEST_PATH_IMAGE041
其中，
Figure 283888DEST_PATH_IMAGE042
表示所述温度输入向量，
Figure 54398DEST_PATH_IMAGE043
表示所述温度输入向量的转置向量，
Figure 149393DEST_PATH_IMAGE044
表示所述压力输入向量，
Figure 612211DEST_PATH_IMAGE045
表示所述温度-压力协同输入矩阵，
Figure 716433DEST_PATH_IMAGE046
表示向量相乘。
在一个具体示例中，在上述用于六氟磷酸锂制备的生产管理控制方法中，
所述将所述供料协同输入矩阵和所述温度-压力协同输入矩阵分别输入相邻层使用互为转置的卷积核的卷积神经网络模型以得到供料协同特征矩阵和温度-压力协同特征矩阵，进一步包括：使用所述卷积神经网络模型的第一层对输入数据进行基于第一卷积核的卷积处理、池化处理和非线性激活处理以得到第一特征图；以及，使用所述卷积神经网络模型的第二层对所述第一特征图进行基于第二卷积核的卷积处理、池化处理和非线性激活处理以得到第二特征图，其中，所述第二卷积核与所述第一卷积核互为转置。
在一个具体示例中，在上述用于六氟磷酸锂制备的生产管理控制方法中，所述将所述供料协同特征矩阵和所述温度-压力协同特征矩阵沿着通道维度级联为全参数控制输入张量后通过残差双注意力机制模型以得到全参数控制特征图，包括：将所述全参数控制输入张量输入所述残差双注意力机制模型的空间注意力模块以得到空间注意力图；将所述全参数控制输入张量输入所述残差双注意力机制模型的通道注意力模块以得到通道注意力图；融合所述空间注意力图和所述通道注意力图以得到融合注意力图；将所述融合注意力图输入Sigmoid激活函数进行激活以得到融合注意力特征图；计算所述融合注意力特征图和所述全参数控制输入张量的按位置点乘以得到加权特征图；以及，融合所述加权特征图和所述全参数控制输入张量以得到所述全参数控制特征图。
在一个具体示例中，在上述用于六氟磷酸锂制备的生产管理控制方法中，
所述计算所述温度-压力协同特征矩阵相对于所述全参数控制特征图的沿通道维度的各个特征矩阵的转移矩阵以得到响应性特征图，进一步包括：以如下公式来计算所述温度-压力协同特征矩阵相对于所述全参数控制特征图的沿通道维度的各个特征矩阵的转移矩阵以得到响应性特征图；其中，所述公式为：
Figure 934925DEST_PATH_IMAGE047
其中，
Figure 466401DEST_PATH_IMAGE048
表示所述温度-压力协同特征矩阵，
Figure 419444DEST_PATH_IMAGE049
表示所述全参数控制特征图的沿通道维度的各个特征矩阵，
Figure 61778DEST_PATH_IMAGE050
表示所述响应性特征图。
在一个具体示例中，在上述用于六氟磷酸锂制备的生产管理控制方法中，
所述将所述响应性特征图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温度值应增大或应减小，且当前时间点的压力值应增大或应减小，进一步包括：使用所述分类器以如下公式对所述响应性特征图进行处理以生成分类结果；其中，所述公式为：
Figure 665935DEST_PATH_IMAGE051
，其中，
Figure 102732DEST_PATH_IMAGE052
表示将所述响应性特征图投影为向量，
Figure 543072DEST_PATH_IMAGE053
为全连接层的权重矩阵，
Figure 723518DEST_PATH_IMAGE054
表示全连接层的偏向向量。
在一个具体示例中，在上述用于六氟磷酸锂制备的生产管理控制方法中，
还包括用于对所述卷积神经网络模型、所述残差双注意力机制模型和所述分类器进行训练；所述对所述卷积神经网络模型、所述残差双注意力机制模型和所述分类器进行训练，包括：获取训练数据，所述训练数据包括预定时间段内多个预定时间点的所述五氟化磷供料装置的第一阀门训练开度值和所述氟化锂供料装置的第二阀门训练开度值，所述预定时间段内多个预定时间点的所述六氟磷酸锂反应装置的训练温度值和训练压力值，以及，所述当前时间点的温度值应增大或应减小的真实值和所述当前时间点的压力值应增大或应减小的真实值；将所述多个预定时间点的第一阀门训练开度值和第二阀门训练开度值分别按照时间维度排列为第一阀门训练开度输入向量和第二阀门训练开度输入向量后，计算所述第一阀门训练开度输入向量和所述第二阀门训练开度输入向量之间的训练供料协同输入矩阵；将所述多个预定时间点的训练温度值和训练压力值分别按照时间维度排列为训练温度输入向量和训练压力输入向量后，计算所述训练温度输入向量和所述训练压力输入向量之间的训练温度-压力协同输入矩阵；将所述训练供料协同输入矩阵和所述训练温度-压力协同输入矩阵分别输入所述相邻层使用互为转置的卷积核的卷积神经网络模型以得到训练供料协同特征矩阵和训练温度-压力协同特征矩阵；将所述训练供料协同特征矩阵和所述训练温度-压力协同特征矩阵沿着通道维度级联为训练全参数控制输入张量后通过所述残差双注意力机制模型以得到训练全参数控制特征图；计算所述训练温度-压力协同特征矩阵相对于所述训练全参数控制特征图的沿通道维度的各个特征矩阵的转移矩阵以得到训练响应性特征图；将所述训练响应性特征图通过所述分类器以得到分类损失函数值；基于所述训练响应性特征图中沿通道维度的各个转移矩阵，计算多分布二元分类质量损失函数值；以及，计算所述分类损失函数值和所述多分布二元分类质量损失函数值的加权和作为损失函数值来对所述卷积神经网络模型、所述残差双注意力机制模型和所述分类器进行训练。
在一个具体示例中，在上述用于六氟磷酸锂制备的生产管理控制方法中，
所述基于所述训练响应性特征图中沿通道维度的各个转移矩阵，计算多分布二元分类质量损失函数值，进一步包括：基于所述训练响应性特征图中沿通道维度的各个转移矩阵，以如下公式计算所述多分布二元分类质量损失函数值；其中，所述公式为：
Figure 182181DEST_PATH_IMAGE056
其中，
Figure 789880DEST_PATH_IMAGE057
到
Figure 717516DEST_PATH_IMAGE058
是所述训练响应性特征图中沿通道维度的各个转移矩阵，
Figure DEST_PATH_IMAGE059
是参考矩阵，
Figure 295127DEST_PATH_IMAGE060
表示矩阵的分类结果，
Figure DEST_PATH_IMAGE061
表示向量的1范数。
这里，本领域技术人员可以理解，上述用于六氟磷酸锂制备的生产管理控制方法中的各个步骤的具体操作已经在上面参考图1到图4的用于六氟磷酸锂制备的生产管理控制系统的描述中得到了详细介绍，并因此，将省略其重复描述。

Claims (10)

1.一种用于六氟磷酸锂制备的生产管理控制系统，其特征在于，包括：供料数据采集单元，用于获取预定时间段内多个预定时间点的五氟化磷供料装置的第一阀门开度值和氟化锂供料装置的第二阀门开度值；反应数据采集单元，用于获取所述预定时间段内多个预定时间点的六氟磷酸锂反应装置的温度值和压力值；供料数据关联单元，用于将所述多个预定时间点的第一阀门开度值和第二阀门开度值分别按照时间维度排列为第一阀门开度输入向量和第二阀门开度输入向量后，计算所述第一阀门开度输入向量和所述第二阀门开度输入向量之间的供料协同输入矩阵；反应数据关联单元，用于将所述多个预定时间点的温度值和压力值分别按照时间维度排列为温度输入向量和压力输入向量后，计算所述温度输入向量和所述压力输入向量之间的温度-压力协同输入矩阵；特征提取单元，用于将所述供料协同输入矩阵和所述温度-压力协同输入矩阵分别输入相邻层使用互为转置的卷积核的卷积神经网络模型以得到供料协同特征矩阵和温度-压力协同特征矩阵；全参数特征提取单元，用于将所述供料协同特征矩阵和所述温度-压力协同特征矩阵沿着通道维度级联为全参数控制输入张量后通过残差双注意力机制模型以得到全参数控制特征图；全局响应单元，用于计算所述温度-压力协同特征矩阵相对于所述全参数控制特征图的沿通道维度的各个特征矩阵的转移矩阵以得到响应性特征图；以及管理控制结果生成单元，用于将所述响应性特征图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温度值应增大或应减小，且当前时间点的压力值应增大或应减小。
2.根据权利要求1所述的用于六氟磷酸锂制备的生产管理控制系统，其特征在于，所述供料数据关联单元，进一步用于：以如下公式来计算所述第一阀门开度输入向量和所述第二阀门开度输入向量之间的所述供料协同输入矩阵；其中，所述公式为：
Figure 924398DEST_PATH_IMAGE001
其中，
Figure 562053DEST_PATH_IMAGE002
表示所述第一阀门开度输入向量，
Figure 367198DEST_PATH_IMAGE003
表示所述第一阀门开度输入向量的转置向量，
Figure 499233DEST_PATH_IMAGE004
表示所述第二阀门开度输入向量，
Figure 932488DEST_PATH_IMAGE005
表示所述供料协同输入矩阵，
Figure 881990DEST_PATH_IMAGE006
表示向量相乘。
3.根据权利要求2所述的用于六氟磷酸锂制备的生产管理控制系统，其特征在于，所述反应数据关联单元，进一步用于：以如下公式来计算所述温度输入向量和所述压力输入向量之间的所述温度-压力协同输入矩阵；其中，所述公式为：
Figure 250130DEST_PATH_IMAGE007
其中，
Figure 576069DEST_PATH_IMAGE008
表示所述温度输入向量，
Figure 863831DEST_PATH_IMAGE009
表示所述温度输入向量的转置向量，
Figure 984233DEST_PATH_IMAGE010
表示所述压力输入向量，
Figure 373758DEST_PATH_IMAGE011
表示所述温度-压力协同输入矩阵，
Figure 237808DEST_PATH_IMAGE012
表示向量相乘。
4.根据权利要求3所述的用于六氟磷酸锂制备的生产管理控制系统，其特征在于，所述特征提取单元，进一步用于：使用所述卷积神经网络模型的第一层对输入数据进行基于第一卷积核的卷积处理、池化处理和非线性激活处理以得到第一特征图；以及使用所述卷积神经网络模型的第二层对所述第一特征图进行基于第二卷积核的卷积处理、池化处理和非线性激活处理以得到第二特征图，其中，所述第二卷积核与所述第一卷积核互为转置。
5.根据权利要求4所述的用于六氟磷酸锂制备的生产管理控制系统，其特征在于，所述全参数特征提取单元，包括：空间注意力单元，用于将所述全参数控制输入张量输入所述残差双注意力机制模型的空间注意力模块以得到空间注意力图；通道注意力单元，用于将所述全参数控制输入张量输入所述残差双注意力机制模型的通道注意力模块以得到通道注意力图；注意力融合单元，用于融合所述空间注意力图和所述通道注意力图以得到融合注意力图；激活单元，用于将所述融合注意力图输入Sigmoid激活函数进行激活以得到融合注意力特征图；注意力施加单元，用于计算所述融合注意力特征图和所述全参数控制输入张量的按位置点乘以得到加权特征图；以及残差融合单元，用于融合所述加权特征图和所述全参数控制输入张量以得到所述全参数控制特征图。
6.根据权利要求5所述的用于六氟磷酸锂制备的生产管理控制系统，其特征在于，所述全局响应单元，进一步用于：以如下公式来计算所述温度-压力协同特征矩阵相对于所述全参数控制特征图的沿通道维度的各个特征矩阵的转移矩阵以得到响应性特征图；其中，所述公式为：
Figure 380077DEST_PATH_IMAGE013
其中，
Figure 936960DEST_PATH_IMAGE014
表示所述温度-压力协同特征矩阵，
Figure 813780DEST_PATH_IMAGE015
表示所述全参数控制特征图的沿通道维度的各个特征矩阵，
Figure 215943DEST_PATH_IMAGE016
表示所述响应性特征图。
7.根据权利要求6所述的用于六氟磷酸锂制备的生产管理控制系统，其特征在于，所述管理控制结果生成单元，进一步用于：使用所述分类器以如下公式对所述响应性特征图进行处理以生成分类结果；其中，所述公式为：
Figure 478297DEST_PATH_IMAGE017
，其中，
Figure 940502DEST_PATH_IMAGE018
表示将所述响应性特征图投影为向量，
Figure 304619DEST_PATH_IMAGE019
为全连接层的权重矩阵，
Figure 510472DEST_PATH_IMAGE020
表示全连接层的偏向向量。
8.根据权利要求1所述的用于六氟磷酸锂制备的生产管理控制系统，其特征在于，还包括用于对所述卷积神经网络模型、所述残差双注意力机制模型和所述分类器进行训练的训练模块；所述训练模块，包括：训练数据获取单元，用于获取训练数据，所述训练数据包括预定时间段内多个预定时间点的所述五氟化磷供料装置的第一阀门训练开度值和所述氟化锂供料装置的第二阀门训练开度值，所述预定时间段内多个预定时间点的所述六氟磷酸锂反应装置的训练温度值和训练压力值，以及，所述当前时间点的温度值应增大或应减小的真实值和所述当前时间点的压力值应增大或应减小的真实值；训练供料数据关联单元，用于将所述多个预定时间点的第一阀门训练开度值和第二阀门训练开度值分别按照时间维度排列为第一阀门训练开度输入向量和第二阀门训练开度输入向量后，计算所述第一阀门训练开度输入向量和所述第二阀门训练开度输入向量之间的训练供料协同输入矩阵；训练反应数据关联单元，用于将所述多个预定时间点的训练温度值和训练压力值分别按照时间维度排列为训练温度输入向量和训练压力输入向量后，计算所述训练温度输入向量和所述训练压力输入向量之间的训练温度-压力协同输入矩阵；训练特征提取单元，用于将所述训练供料协同输入矩阵和所述训练温度-压力协同输入矩阵分别输入所述相邻层使用互为转置的卷积核的卷积神经网络模型以得到训练供料协同特征矩阵和训练温度-压力协同特征矩阵；训练全参数特征提取单元，用于将所述训练供料协同特征矩阵和所述训练温度-压力协同特征矩阵沿着通道维度级联为训练全参数控制输入张量后通过所述残差双注意力机制模型以得到训练全参数控制特征图；训练全局响应单元，用于计算所述训练温度-压力协同特征矩阵相对于所述训练全参数控制特征图的沿通道维度的各个特征矩阵的转移矩阵以得到训练响应性特征图；分类损失单元，用于将所述训练响应性特征图通过所述分类器以得到分类损失函数值；多分布二元分类质量损失单元，用于基于所述训练响应性特征图中沿通道维度的各个转移矩阵，计算多分布二元分类质量损失函数值；以及训练单元，用于计算所述分类损失函数值和所述多分布二元分类质量损失函数值的加权和作为损失函数值来对所述卷积神经网络模型、所述残差双注意力机制模型和所述分类器进行训练。
9.根据权利要求8所述的用于六氟磷酸锂制备的生产管理控制系统，其特征在于，所述多分布二元分类质量损失单元，进一步用于：基于所述训练响应性特征图中沿通道维度的各个转移矩阵，以如下公式计算所述多分布二元分类质量损失函数值；其中，所述公式为：
Figure 627333DEST_PATH_IMAGE022
其中，
Figure 260439DEST_PATH_IMAGE023
到
Figure 583623DEST_PATH_IMAGE024
是所述训练响应性特征图中沿通道维度的各个转移矩阵，
Figure 593167DEST_PATH_IMAGE025
是参考矩阵，
Figure 830114DEST_PATH_IMAGE026
表示矩阵的分类结果，
Figure DEST_PATH_IMAGE027
表示向量的1范数。
10.一种用于六氟磷酸锂制备的生产管理控制方法，其特征在于，包括：获取预定时间段内多个预定时间点的五氟化磷供料装置的第一阀门开度值和氟化锂供料装置的第二阀门开度值；获取所述预定时间段内多个预定时间点的六氟磷酸锂反应装置的温度值和压力值；将所述多个预定时间点的第一阀门开度值和第二阀门开度值分别按照时间维度排列为第一阀门开度输入向量和第二阀门开度输入向量后，计算所述第一阀门开度输入向量和所述第二阀门开度输入向量之间的供料协同输入矩阵；将所述多个预定时间点的温度值和压力值分别按照时间维度排列为温度输入向量和压力输入向量后，计算所述温度输入向量和所述压力输入向量之间的温度-压力协同输入矩阵；将所述供料协同输入矩阵和所述温度-压力协同输入矩阵分别输入相邻层使用互为转置的卷积核的卷积神经网络模型以得到供料协同特征矩阵和温度-压力协同特征矩阵；将所述供料协同特征矩阵和所述温度-压力协同特征矩阵沿着通道维度级联为全参数控制输入张量后通过残差双注意力机制模型以得到全参数控制特征图；计算所述温度-压力协同特征矩阵相对于所述全参数控制特征图的沿通道维度的各个特征矩阵的转移矩阵以得到响应性特征图；以及将所述响应性特征图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温度值应增大或应减小，且当前时间点的压力值应增大或应减小。
CN202211332988.2A 2022-10-28 2022-10-28 用于六氟磷酸锂制备的生产管理控制系统及其方法 Active CN115586755B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211332988.2A CN115586755B (zh) 2022-10-28 2022-10-28 用于六氟磷酸锂制备的生产管理控制系统及其方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211332988.2A CN115586755B (zh) 2022-10-28 2022-10-28 用于六氟磷酸锂制备的生产管理控制系统及其方法

Publications (2)

Publication Number Publication Date
CN115586755A true CN115586755A (zh) 2023-01-10
CN115586755B CN115586755B (zh) 2023-05-30

Family

ID=84782471

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211332988.2A Active CN115586755B (zh) 2022-10-28 2022-10-28 用于六氟磷酸锂制备的生产管理控制系统及其方法

Country Status (1)

Country Link
CN (1) CN115586755B (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115845428A (zh) * 2023-02-28 2023-03-28 福建省龙德新能源有限公司 用于诱导六氟磷酸结晶的超声波装置及其控制方法
CN115998752A (zh) * 2023-01-18 2023-04-25 南京海鲸药业股份有限公司 一种含亚油酸植物油的维生素d类制剂的制备方法
CN116025765A (zh) * 2023-01-17 2023-04-28 浙江德卡控制阀仪表有限公司 轴流式调节阀及其控制方法
CN116284130A (zh) * 2023-02-22 2023-06-23 森淼(山东)药业有限公司 磷霉素钠的制备工艺
CN116785967A (zh) * 2023-04-28 2023-09-22 福建省龙德新能源有限公司 用于电子级六氟磷酸锂制备的自动配料系统
CN116825217A (zh) * 2023-03-15 2023-09-29 福建省德旭新材料有限公司 制备高纯五氟化磷的方法
CN116819957A (zh) * 2023-03-29 2023-09-29 福建省龙德新能源有限公司 电子级六氟磷酸锂的尾气处理系统及其方法
CN116825215A (zh) * 2023-02-28 2023-09-29 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
CN116835540A (zh) * 2023-04-28 2023-10-03 福建省龙德新能源有限公司 一种五氟化磷的制备方法
CN116854111A (zh) * 2023-05-23 2023-10-10 福建省龙德新能源有限公司 电子级六氟磷酸锂的纯化方法及其系统
CN116859830A (zh) * 2023-03-27 2023-10-10 福建天甫电子材料有限公司 用于电子级氟化铵生产的生产管理控制系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US3607020A (en) * 1970-03-19 1971-09-21 Foote Mineral Co Preparation of lithium hexafluorophosphate
CN109031949A (zh) * 2018-07-06 2018-12-18 广东工业大学 一种智能制造系统协同控制方法
CN110937587A (zh) * 2019-12-30 2020-03-31 湖北迈可凯科技有限公司 一种采用微反应器制备六氟磷酸锂的方法及装置
CN114995131A (zh) * 2022-05-25 2022-09-02 福建德尔科技股份有限公司 用于电子级三氟甲烷制备的精馏控制系统及其控制方法
CN115079572A (zh) * 2022-06-30 2022-09-20 福建省龙德新能源有限公司 用于六氟磷酸锂制备的能源管理控制系统及其控制方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US3607020A (en) * 1970-03-19 1971-09-21 Foote Mineral Co Preparation of lithium hexafluorophosphate
CN109031949A (zh) * 2018-07-06 2018-12-18 广东工业大学 一种智能制造系统协同控制方法
CN110937587A (zh) * 2019-12-30 2020-03-31 湖北迈可凯科技有限公司 一种采用微反应器制备六氟磷酸锂的方法及装置
CN114995131A (zh) * 2022-05-25 2022-09-02 福建德尔科技股份有限公司 用于电子级三氟甲烷制备的精馏控制系统及其控制方法
CN115079572A (zh) * 2022-06-30 2022-09-20 福建省龙德新能源有限公司 用于六氟磷酸锂制备的能源管理控制系统及其控制方法

Cited By (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116025765B (zh) * 2023-01-17 2024-01-19 浙江德卡控制阀仪表有限公司 轴流式调节阀及其控制方法
CN116025765A (zh) * 2023-01-17 2023-04-28 浙江德卡控制阀仪表有限公司 轴流式调节阀及其控制方法
CN115998752B (zh) * 2023-01-18 2024-04-26 南京海鲸药业股份有限公司 一种含亚油酸植物油的维生素d类制剂的制备方法
CN115998752A (zh) * 2023-01-18 2023-04-25 南京海鲸药业股份有限公司 一种含亚油酸植物油的维生素d类制剂的制备方法
CN116284130A (zh) * 2023-02-22 2023-06-23 森淼(山东)药业有限公司 磷霉素钠的制备工艺
CN116284130B (zh) * 2023-02-22 2024-04-19 森淼(山东)药业有限公司 磷霉素钠的制备工艺
CN115845428A (zh) * 2023-02-28 2023-03-28 福建省龙德新能源有限公司 用于诱导六氟磷酸结晶的超声波装置及其控制方法
CN116825215A (zh) * 2023-02-28 2023-09-29 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
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
CN115845428B (zh) * 2023-02-28 2023-04-25 福建省龙德新能源有限公司 用于诱导六氟磷酸结晶的超声波装置及其控制方法
CN116825217A (zh) * 2023-03-15 2023-09-29 福建省德旭新材料有限公司 制备高纯五氟化磷的方法
CN116825217B (zh) * 2023-03-15 2024-05-14 福建省德旭新材料有限公司 制备高纯五氟化磷的方法
CN116859830A (zh) * 2023-03-27 2023-10-10 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
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
CN116819957A (zh) * 2023-03-29 2023-09-29 福建省龙德新能源有限公司 电子级六氟磷酸锂的尾气处理系统及其方法
CN116819957B (zh) * 2023-03-29 2024-03-08 福建省龙德新能源有限公司 电子级六氟磷酸锂的尾气处理系统及其方法
CN116785967A (zh) * 2023-04-28 2023-09-22 福建省龙德新能源有限公司 用于电子级六氟磷酸锂制备的自动配料系统
CN116785967B (zh) * 2023-04-28 2024-03-08 福建省龙德新能源有限公司 用于电子级六氟磷酸锂制备的自动配料系统
CN116835540A (zh) * 2023-04-28 2023-10-03 福建省龙德新能源有限公司 一种五氟化磷的制备方法
CN116835540B (zh) * 2023-04-28 2024-05-21 福建省龙德新能源有限公司 一种五氟化磷的制备方法
CN116854111A (zh) * 2023-05-23 2023-10-10 福建省龙德新能源有限公司 电子级六氟磷酸锂的纯化方法及其系统
CN116854111B (zh) * 2023-05-23 2024-05-14 福建省龙德新能源有限公司 电子级六氟磷酸锂的纯化方法及其系统

Also Published As

Publication number Publication date
CN115586755B (zh) 2023-05-30

Similar Documents

Publication Publication Date Title
CN115586755A (zh) 用于六氟磷酸锂制备的生产管理控制系统及其方法
CN115599049B (zh) 用于无水氟化氢生产的能源管理控制系统及其控制方法
CN111242157A (zh) 联合深度注意力特征和条件对抗的无监督域自适应方法
Sun et al. Long-term spectrum state prediction: An image inference perspective
CN115496263A (zh) 一种基于时空遗传注意力网络的短期光伏发电预测方法
Li et al. The method of reagent control based on time series distribution of bubble size in a gold‐antimony flotation process
CN115744084A (zh) 基于多传感器数据融合的皮带张紧控制系统及其方法
Putra et al. Efficient 3D printer fault classification using a multi-block 2D-convolutional neural network
CN116229112A (zh) 一种基于多重注意力的孪生网络目标跟踪方法
CN115100427A (zh) 锂电池制造的石墨矿石破碎装置及其处理方法
Zhang et al. Feature selection method using BPSO-EA with ENN classifier
CN117308077A (zh) 一种反应堆核电机组蒸发器给水控制系统
CN117079120A (zh) 一种基于改进ga算法的目标识别模型优化方法
CN112285565B (zh) 基于rkhs域匹配的迁移学习预测电池soh方法
Zheng et al. Soft measurement modeling based on temperature prediction of LSSVM and ARMA rotary kiln burning zone
CN113159082A (zh) 一种增量式学习目标检测网络模型构建及权重更新方法
CN115392102A (zh) 能耗预测模型的建立方法及装置、能耗预测方法及系统
CN116825217B (zh) 制备高纯五氟化磷的方法
Hua et al. A novel sampled-data asynchronous CatBoost model with knowledge-based guidance for product quality estimation in the industrial processes
Li et al. Quality prediction of strip in finishing rolling process based on GBDBN-ELM
Wei et al. Metaview: Few-shot active object recognition
CN117140775A (zh) 防水材料自动生产设备
CN116450830B (zh) 一种基于大数据的智慧校园推送方法及系统
Sun et al. An interpretable operating condition partitioning approach based on global spatial structure compensation-local temporal information aggregation self-organizing map for complex industrial processes
Li Improved Hierarchical Architecture for Graph Classification

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant