CN115688592B - 用于电子级四氟化碳制备的精馏控制系统及其方法 - Google Patents
用于电子级四氟化碳制备的精馏控制系统及其方法 Download PDFInfo
- Publication number
- CN115688592B CN115688592B CN202211397761.6A CN202211397761A CN115688592B CN 115688592 B CN115688592 B CN 115688592B CN 202211397761 A CN202211397761 A CN 202211397761A CN 115688592 B CN115688592 B CN 115688592B
- Authority
- CN
- China
- Prior art keywords
- feature
- training
- matrix
- vector
- flow velocity
- 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
- TXEYQDLBPFQVAA-UHFFFAOYSA-N tetrafluoromethane Chemical compound FC(F)(F)F TXEYQDLBPFQVAA-UHFFFAOYSA-N 0.000 title claims abstract description 76
- 238000000034 method Methods 0.000 title claims abstract description 36
- 239000013598 vector Substances 0.000 claims abstract description 334
- 238000000605 extraction Methods 0.000 claims abstract description 91
- 238000007670 refining Methods 0.000 claims abstract description 61
- 238000012546 transfer Methods 0.000 claims abstract description 40
- 239000011159 matrix material Substances 0.000 claims description 216
- 238000012549 training Methods 0.000 claims description 202
- 238000003062 neural network model Methods 0.000 claims description 70
- 238000004519 manufacturing process Methods 0.000 claims description 42
- 238000013527 convolutional neural network Methods 0.000 claims description 32
- 230000006870 function Effects 0.000 claims description 31
- 230000004044 response Effects 0.000 claims description 31
- 238000012545 processing Methods 0.000 claims description 29
- 238000002360 preparation method Methods 0.000 claims description 21
- 238000013528 artificial neural network Methods 0.000 claims description 20
- 230000003247 decreasing effect Effects 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 9
- 230000003213 activating effect Effects 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 8
- 230000001105 regulatory effect Effects 0.000 claims description 8
- 230000001788 irregular Effects 0.000 claims description 6
- 238000012512 characterization method Methods 0.000 claims 4
- 230000008859 change Effects 0.000 abstract description 12
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000013473 artificial intelligence Methods 0.000 abstract description 5
- 238000013135 deep learning Methods 0.000 abstract description 5
- 238000009826 distribution Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 8
- 238000005265 energy consumption Methods 0.000 description 6
- 238000000746 purification Methods 0.000 description 4
- 230000004043 responsiveness Effects 0.000 description 3
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 2
- 230000001364 causal effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 238000000547 structure data Methods 0.000 description 2
- 230000002195 synergetic effect Effects 0.000 description 2
- 229910052581 Si3N4 Inorganic materials 0.000 description 1
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 238000003723 Smelting Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000003599 detergent Substances 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000000314 lubricant Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000004377 microelectronic Methods 0.000 description 1
- 239000005360 phosphosilicate glass Substances 0.000 description 1
- 238000001020 plasma etching Methods 0.000 description 1
- 239000004033 plastic Substances 0.000 description 1
- 229920003023 plastic Polymers 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 235000012239 silicon dioxide Nutrition 0.000 description 1
- 239000000377 silicon dioxide Substances 0.000 description 1
- HQVNEWCFYHHQES-UHFFFAOYSA-N silicon nitride Chemical compound N12[Si]34N5[Si]62N3[Si]51N64 HQVNEWCFYHHQES-UHFFFAOYSA-N 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000010409 thin film Substances 0.000 description 1
- WFKWXMTUELFFGS-UHFFFAOYSA-N tungsten Chemical compound [W] WFKWXMTUELFFGS-UHFFFAOYSA-N 0.000 description 1
- 229910052721 tungsten Inorganic materials 0.000 description 1
- 239000010937 tungsten Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Feedback Control In General (AREA)
Abstract
本申请公开了一种用于电子级四氟化碳制备的精馏控制系统及其方法。其采用基于深度学习的人工智能控制技术，以对于精制段的不同区域的温度和压力的关联协同特征和流量介质的流速多尺度变化特征进行特征提取，进一步以这两者的转移向量来表示温度和压力的协同关联性特征和流量介质流速的动态变化特征之间的关联性特征信息，并以此来进行流量介质的阀门开度的自适应实时控制，并且在此过程中，引入了所述精制段的不同区域的空间拓扑特征来进一步加强其在空间位置上的温度和压力的协同关联的特征提取，以提高对于流量介质的阀门开度的控制精准度。通过这样的方式，可以提高精馏的效率和减少冷量消耗。
Description
技术领域
本申请涉及智能控制技术领域，且更为具体地，涉及一种用于电子级四氟化碳制备的精馏控制系统及其方法。
背景技术
四氟化碳(CF4)是目前微电子工业中用量最大的等离子体蚀刻气体，广泛用于硅、二氧化硅、氮化硅、磷硅玻璃及钨等薄膜材料的蚀刻，在电子器件表面清洗、太阳能电池的生产、激光技术、低温制冷、气体绝缘、泄漏检测剂、控制宇宙火箭姿态、印刷电路生产中的去污剂、润滑剂及制动液等方面也有大量应用。由于它的化学稳定性极强，CF4还可用于金属冶炼和塑料行业等。
近些年，由于电子行业的发展，国内市场对高纯度四氟化碳的需求不断增长，国内也有企业建立了生产提纯装置，但工艺稳定性，产品纯度等存在一定的差距，故而提升四氟化碳精馏提纯稳定操作性有重大的意义，并且鉴于四氟化碳特性，使用低温精馏方式，冷量消耗大，如何改进装置，减少冷量消耗，也成为一个有待优化的关键问题。
因此，期望一种优化的用于电子级四氟化碳制备的精馏控制系统。
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四氟化碳制备的精馏控制系统及其方法。其采用基于深度学习的人工智能控制技术，以对于精制段的不同区域的温度和压力的关联协同特征和流量介质的流速多尺度变化特征进行特征提取，进一步以这两者的转移向量来表示温度和压力的协同关联性特征和流量介质流速的动态变化特征之间的关联性特征信息，并以此来进行流量介质的阀门开度的自适应实时控制，并且在此过程中，引入了所述精制段的不同区域的空间拓扑特征来进一步加强其在空间位置上的温度和压力的协同关联的特征提取，以提高对于流量介质的阀门开度的控制精准度。通过这样的方式，可以提高精馏的效率和减少冷量消耗。
根据本申请的一个方面，提供了一种用于电子级四氟化碳制备的精馏控制系统，其包括：精馏参数采集单元，用于获取由压力传感器和温度传感器采集的精制段的多个区域在预定时间段内多个预定时间点的温度值和压力值，以及，所述多个预定时间点的流量介质的流速值；温度和压力协同单元，用于将所述精制段的各个区域在预定时间段内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的转置和所述压力输入向量之间的乘积以得到多个协同矩阵；温度-压力协同特征提取单元，用于将所述多个协同矩阵通过作为过滤器的第一卷积神经网络模型以得到多个协同特征向量；矩阵化单元，用于将所述多个协同特征向量进行二维矩阵化以得到协同特征矩阵；空间拓扑构造单元，用于构造所述多个区域的拓扑矩阵，所述拓扑矩阵的非对角线位置上各个位置的值为相应两个区域之间的距离，所述拓扑矩阵的对角线位置上各个位置的值为零；拓扑特征提取单元，用于将所述拓扑矩阵通过作为特征提取器的第二卷积神经网络模型以得到拓扑特征矩阵；图神经网络单元，用于将所述协同特征矩阵和所述拓扑特征矩阵通过图神经网络模型以得到拓扑协同特征矩阵；流速特征提取单元，用于将所述多个预定时间点的流量介质的流速值按照时间维度排列为流量介质输入向量通过多尺度邻域特征提取模块以得到流速特征向量；响应性单元，用于计算所述流速特征向量相对于所述拓扑协同特征矩阵的转移向量作为分类特征向量；以及精馏控制结果生成单元，用于将所述分类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用于调节流量介质的阀门开度值应增大或应减小。
在上述的用于电子级四氟化碳制备的精馏控制系统中，所述温度-压力协同特征提取单元，进一步用于：使用所述作为过滤器的第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述作为过滤器的第一卷积神经网络模型的最后一层输出所述多个协同特征向量，其中，所述作为过滤器的第一卷积神经网络模型的第一层的输入为所述多个协同特征矩阵。
在上述的用于电子级四氟化碳制备的精馏控制系统中，所述拓扑特征提取单元，进一步用于：使用所述作为特征提取器的第二卷积神经网络模型的各层在层的正向传递中对输入数据分别进行二维卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述作为特征提取器的第二卷积神经网络模型的最后一层输出所述拓扑特征矩阵，其中，所述作为特征提取器的第二卷积神经网络模型的第一层的输入为所述拓扑矩阵。
在上述的用于电子级四氟化碳制备的精馏控制系统中，所述图神经网络单元，进一步用于使用所述图神经网络模型以可学习的神经网络参数对所述协同特征矩阵和所述拓扑特征矩阵进行处理以得到包含不规则的空间拓扑特征和温度-压力协同特征的所述拓扑协同特征矩阵。
在上述的用于电子级四氟化碳制备的精馏控制系统中，所述流速特征提取单元，包括：第一尺度特征提取单元，用于将所述流量介质输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一尺度流速特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；第二尺度特征提取单元，用于将所述流量介质输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二尺度流速特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及多尺度级联单元，用于将所述第一尺度流速特征向量和所述第二尺度流速特征向量进行级联以得到所述流速特征向量。
在上述的用于电子级四氟化碳制备的精馏控制系统中，所述响应性单元，进一步用于：以如下公式计算所述流速特征向量相对于所述拓扑协同特征矩阵的转移向量作为分类特征向量；其中，所述公式为：，其中表示所述流速特征向量，表示所述拓扑协同特征矩阵，表示所述分类特征向量，表示矩阵相乘。
在上述的用于电子级四氟化碳制备的精馏控制系统中，所述精馏控制结果生成单元，进一步用于：使用所述分类器以如下公式对所述分类特征向量进行处理以生成分类结果；其中，所述公式为：，其中，表示所述分类特征向量，为全连接层的权重矩阵，表示全连接层的偏向向量。
在上述的用于电子级四氟化碳制备的精馏控制系统中，还包括对所述作为过滤器的第一卷积神经网络模型、所述作为特征提取器的第二卷积神经网络模型、所述图神经网络模型、所述多尺度邻域特征提取模块和所述分类器进行训练的训练模块；其中，所述训练模块包括：训练参数采集单元，用于获取训练数据，所述训练数据包括所述精制段的多个区域在预定时间段内多个预定时间点的训练温度值和训练压力值，所述多个预定时间点的流量介质的训练流速值，以及，所述当前时间点的用于调节流量介质的阀门开度值应增大或应减小的真实值；训练温度和压力协同单元，用于将所述精制段的各个区域在预定时间段内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的转置和所述训练压力输入向量之间的乘积以得到多个训练协同矩阵；训练温度-压力协同特征提取单元，用于将所述多个训练协同矩阵通过所述作为过滤器的第一卷积神经网络模型以得到多个训练协同特征向量；训练矩阵化单元，用于将所述多个训练协同特征向量进行二维矩阵化以得到训练协同特征矩阵；训练空间拓扑构造单元，用于构造所述多个区域的训练拓扑矩阵，所述训练拓扑矩阵的非对角线位置上各个位置的值为相应两个区域之间的距离，所述训练拓扑矩阵的对角线位置上各个位置的值为零；训练拓扑特征提取单元，用于将所述训练拓扑矩阵通过所述作为特征提取器的第二卷积神经网络模型以得到训练拓扑特征矩阵；训练图神经网络单元，用于将所述训练协同特征矩阵和所述训练拓扑特征矩阵通过所述图神经网络模型以得到训练拓扑协同特征矩阵；训练流速特征提取单元，用于将所述多个预定时间点的流量介质的训练流速值按照时间维度排列为训练流量介质输入向量通过所述多尺度邻域特征提取模块以得到训练流速特征向量；训练响应性单元，用于计算所述训练流速特征向量相对于所述训练拓扑协同特征矩阵的转移向量作为训练分类特征向量；分类损失单元，用于将所述训练分类特征向量通过所述分类器以得到分类损失函数值；内在化学习损失单元，用于基于所述训练流速特征向量和所述训练分类特征向量之间的距离计算序列对序列响应规则内在化学习损失函数值；以及训练单元，用于计算所述分类损失函数值和所述序列对序列响应规则内在化学习损失函数值的加权和作为损失函数值来对所述作为过滤器的第一卷积神经网络模型、所述作为特征提取器的第二卷积神经网络模型、所述图神经网络模型、所述多尺度邻域特征提取模块和所述分类器进行训练。
在上述的用于电子级四氟化碳制备的精馏控制系统中，所述内在化学习损失单元，进一步用于：基于所述训练流速特征向量和所述训练分类特征向量之间的距离以如下公式计算所述序列对序列响应规则内在化学习损失函数值；其中，所述公式为：，
其中，是所述训练流速特征向量，是所述训练分类特征向量，且和分别是所述分类器对于所述训练流速特征向量和所述训练分类特征向量的权重矩阵，表示激活函数，表示激活函数，表示矩阵相乘，表示两个向量之间的欧式距离。
根据本申请的另一个方面，提供了一种用于电子级四氟化碳制备的精馏控制方法，其包括：获取由压力传感器和温度传感器采集的精制段的多个区域在预定时间段内多个预定时间点的温度值和压力值，以及，所述多个预定时间点的流量介质的流速值；将所述精制段的各个区域在预定时间段内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的转置和所述压力输入向量之间的乘积以得到多个协同矩阵；将所述多个协同矩阵通过作为过滤器的第一卷积神经网络模型以得到多个协同特征向量；将所述多个协同特征向量进行二维矩阵化以得到协同特征矩阵；构造所述多个区域的拓扑矩阵，所述拓扑矩阵的非对角线位置上各个位置的值为相应两个区域之间的距离，所述拓扑矩阵的对角线位置上各个位置的值为零；将所述拓扑矩阵通过作为特征提取器的第二卷积神经网络模型以得到拓扑特征矩阵；将所述协同特征矩阵和所述拓扑特征矩阵通过图神经网络模型以得到拓扑协同特征矩阵；将所述多个预定时间点的流量介质的流速值按照时间维度排列为流量介质输入向量通过多尺度邻域特征提取模块以得到流速特征向量；计算所述流速特征向量相对于所述拓扑协同特征矩阵的转移向量作为分类特征向量；以及将所述分类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用于调节流量介质的阀门开度值应增大或应减小。
与现有技术相比，本申请提供的一种用于电子级四氟化碳制备的精馏控制系统及其方法。其采用基于深度学习的人工智能控制技术，以对于精制段的不同区域的温度和压力的关联协同特征和流量介质的流速多尺度变化特征进行特征提取，进一步以这两者的转移向量来表示温度和压力的协同关联性特征和流量介质流速的动态变化特征之间的关联性特征信息，并以此来进行流量介质的阀门开度的自适应实时控制，并且在此过程中，引入了所述精制段的不同区域的空间拓扑特征来进一步加强其在空间位置上的温度和压力的协同关联的特征提取，以提高对于流量介质的阀门开度的控制精准度。通过这样的方式，可以提高精馏的效率和减少冷量消耗。
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四氟化碳制备的精馏控制系统的应用场景图。
图2为根据本申请实施例的用于电子级四氟化碳制备的精馏控制系统的框图示意图。
图3为根据本申请实施例的用于电子级四氟化碳制备的精馏控制系统中的所述流速特征提取单元的框图示意图。
图4为根据本申请实施例的用于电子级四氟化碳制备的精馏控制系统中进一步包括的训练模块的框图示意图。
图5为根据本申请实施例的用于电子级四氟化碳制备的精馏控制方法的流程图。
图6为根据本申请实施例的用于电子级四氟化碳制备的精馏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，近些年，由于电子行业的发展，国内市场对高纯度四氟化碳的需求不断增长，国内也有企业建立了生产提纯装置，但工艺稳定性，产品纯度等存在一定的差距，故而提升四氟化碳精馏提纯稳定操作性有重大的意义，并且鉴于四氟化碳特性，使用低温精馏方式，冷量消耗大，如何改进装置，减少冷量消耗，也成为一个有待优化的关键问题。因此，期望一种优化的用于电子级四氟化碳制备的精馏控制系统。
针对上述技术问题，本申请提出了一种用于制备电子级四氟化碳精馏装置，其包括塔顶冷凝器、再沸器，以及，设置于所述塔顶冷凝器和所述再沸器之间的精制段，其中，所述精制段由制备电子级四氟化碳精馏装置的控制系统进行控制，其通过PID控制来控制电子调节阀以控制流量介质的流量，以此提高精馏的效率和减少冷量消耗。
在实际的对于流量介质的流量进行控制时，考虑到所述精制段由制备电子级四氟化碳精馏装置的控制系统进行控制，以此来控制流量介质的电子调节阀开度以控制流量，在此过程中，精制段内的压力和温度会影响精馏的效率和冷量的消耗。因此，在对于流量介质的阀门开度进行调控以提高精馏的效率和减少冷量消耗时，需要根据实际的精制段的温度值和压力值来进行。然而，由于现有的控制方案具有一定的滞后性，也就是说，在对于当前时间点的流量介质的流速进行控制时是根据前一时刻的精制段的温度值和压力值来进行的，这会导致提高精馏效率和降低冷量的效果并不明显。并且由于温度和压力具有一定的关联关系，同时精制段的不同区域具有不同的温度和压力特征，这给控制端增加了控制难度。
基于此，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，以对于精制段的不同区域的温度和压力的关联协同特征和流量介质的流速多尺度变化特征进行特征提取，进一步以这两者的转移向量来表示温度和压力的协同关联性特征和流量介质流速的动态变化特征之间的关联性特征信息，并以此来进行流量介质的阀门开度的自适应实时控制。并且在此过程中，引入了所述精制段的不同区域的空间拓扑特征来进一步加强其在空间位置上的温度和压力的协同关联的特征提取，以提高对于流量介质的阀门开度的控制精准度。这样，能够提高精馏的效率和减少冷量消耗。
具体地，在本申请的技术方案中，首先，通过压力传感器和温度传感器采集精制段的多个区域在预定时间段内多个预定时间点的温度值和压力值，并且，通过流速传感器采集所述多个预定时间点的流量介质的流速值。接着，将所述精制段的各个区域在预定时间段内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以整合所述温度值和压力值在时间维度上的信息分布后，计算所述温度输入向量的转置和所述压力输入向量之间的乘积以得到具有温度和压力关联信息分布的多个协同特征矩阵。
然后，使用在隐含特征提取方面具有优异表现的作为过滤器的第一卷积神经网络模型来对于所述多个协同特征矩阵进行特征提取，以分别提取出所述精制段的各个区域的温度和压力协同关联的隐藏特征分布信息，从而得到多个协同特征向量。进一步再将所述多个协同特征向量进行二维矩阵化以得到具有所述精制段的多个区域整体的温度和压力协同关联特征的协同特征矩阵。
进一步地，考虑到在所述精制段的多个区域中，所述各个区域的温度和压力关联协同特征之间具有着关联性，且这种关联性的特征分布是在空间位置上的，因此，在本申请的技术方案中，进一步基于所述各个区域的空间拓扑特征加强以提取更为充分的温度和压力的关联协同特征。具体地，首先，构造所述多个区域的拓扑矩阵，这里，所述拓扑矩阵的非对角线位置上各个位置的值为相应两个区域之间的距离，所述拓扑矩阵的对角线位置上各个位置的值为零。然后，将所述拓扑矩阵通过作为特征提取器的第二卷积神经网络模型中进行特征挖掘，以提取出所述精制段的各个区域的空间拓扑特征分布，从而得到拓扑特征矩阵。
然后，以所述各个区域的协同特征向量作为节点的特征表示，而以所述拓扑特征矩阵作为节点与节点之间的边的特征表示，将由所述多个协同特征向量经二维排列得到的协同特征矩阵和所述拓扑特征矩阵通过图神经网络以得到拓扑协同特征矩阵。具体地，所述图神经网络通过可学习的神经网络参数对所述协同特征矩阵和所述拓扑特征矩阵进行图结构数据编码以得到包含不规则的逻辑拓扑特征和各个区域的温度和压力关联协同特征的所述拓扑协同特征矩阵。
接着，再将所述多个预定时间点的流量介质的流速值按照时间维度排列为流量介质输入向量以整合所述流量介质的流速在时间维度上的信息分布后，将其通过多尺度邻域特征提取模块中进行编码以得到流速特征向量。应可以理解，由于所述流量介质的流速值在不同的时间周期跨度下具有不同的流速模式特征，因此，使用多尺度邻域特征提取模块对其进行特征编码能够提取数在所述预定时间段内的不同时间跨度下的所述流量介质的流速值的多尺度邻域关联特征信息。
进一步地，计算所述流速特征向量相对于所述拓扑协同特征矩阵的转移向量作为分类特征向量，以此来表示所述温度和压力的协同关联拓扑特征和所述流量介质流速的动态多尺度变化特征之间的关联性特征信息，并以此来进行流量介质的阀门开度的自适应控制，以提高精馏的效率和减少冷量消耗。
特别地，在本申请的技术方案中，通过计算所述流速特征向量相对于所述拓扑协同特征矩阵的转移向量作为分类特征向量，可以获得所述流速特征向量在各个传感器的协同特征拓扑关联空间内的转移响应特征。并且，为了进一步优化所述转移响应特征对于所述流速特征向量的内在特征分布的表达能力，在分类损失函数之外，引入序列对序列响应规则内在化学习损失函数，表示为：，
其中，是所述流速特征向量，是所述分类特征向量，且和分别是分类器对于和的权重矩阵。
这里，所述序列对序列响应规则内在化学习损失函数可以通过分类器对于不同序列的权重矩阵的压榨-激励式通道注意力机制，来获取序列之间的加强的区分性能力。这样，通过以此损失函数训练网络，就可以实现所述流速特征向量和所述分类特征向量之间的具有更好区分性的因果关系特征（causality feature）的恢复，以对向量序列之间的原因-结果式响应规则进行内在化学习（internalizing learning），增强了所述转移响应特征对于所述流速特征向量的内在特征分布的表达能力，进而提高分类的准确性和精度。这样，能够实时精准地对于流量介质的阀门开度进行自适应控制，进而提高精馏的效率和减少冷量消耗。
基于此，本申请提供了一种用于电子级四氟化碳制备的精馏控制系统，其包括：精馏参数采集单元，用于获取由压力传感器和温度传感器采集的精制段的多个区域在预定时间段内多个预定时间点的温度值和压力值，以及，所述多个预定时间点的流量介质的流速值；温度和压力协同单元，用于将所述精制段的各个区域在预定时间段内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的转置和所述压力输入向量之间的乘积以得到多个协同矩阵；温度-压力协同特征提取单元，用于将所述多个协同矩阵通过作为过滤器的第一卷积神经网络模型以得到多个协同特征向量；矩阵化单元，用于将所述多个协同特征向量进行二维矩阵化以得到协同特征矩阵；空间拓扑构造单元，用于构造所述多个区域的拓扑矩阵，所述拓扑矩阵的非对角线位置上各个位置的值为相应两个区域之间的距离，所述拓扑矩阵的对角线位置上各个位置的值为零；拓扑特征提取单元，用于将所述拓扑矩阵通过作为特征提取器的第二卷积神经网络模型以得到拓扑特征矩阵；图神经网络单元，用于将所述协同特征矩阵和所述拓扑特征矩阵通过图神经网络模型以得到拓扑协同特征矩阵；流速特征提取单元，用于将所述多个预定时间点的流量介质的流速值按照时间维度排列为流量介质输入向量通过多尺度邻域特征提取模块以得到流速特征向量；响应性单元，用于计算所述流速特征向量相对于所述拓扑协同特征矩阵的转移向量作为分类特征向量；以及，精馏控制结果生成单元，用于将所述分类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用于调节流量介质的阀门开度值应增大或应减小。
图1为根据本申请实施例的用于电子级四氟化碳制备的精馏控制系统的应用场景图。如图1所示，在该应用场景中，用于制备电子级四氟化碳精馏装置包括塔顶冷凝器11、再沸器13，以及设置于所述塔顶冷凝器11和所述再沸器13之间的精制段12，通过压力传感器和温度传感器采集精制段的多个区域在预定时间段内多个预定时间点的温度值（例如，如图1中所示意的D1）和压力值（例如，如图1中所示意的D2），并且，通过流速传感器采集所述多个预定时间点的流量介质的流速值（例如，如图1中所示意的D3），然后，将获取的所述精制段的各个区域在预定时间段内多个预定时间点的温度值和压力值和所述多个预定时间点的流量介质的流速值输入至部署有用于电子级四氟化碳制备的精馏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所述用于电子级四氟化碳制备的精馏控制算法对所述精制段的各个区域在预定时间段内多个预定时间点的温度值和压力值和所述多个预定时间点的流量介质的流速值进行处理以生成用于表示当前时间点的用于调节流量介质的阀门开度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为根据本申请实施例的用于电子级四氟化碳制备的精馏控制系统的框图示意图。如图2所示，根据本申请实施例的用于电子级四氟化碳制备的精馏控制系统100，包括：精馏参数采集单元101，用于获取由压力传感器和温度传感器采集的精制段的多个区域在预定时间段内多个预定时间点的温度值和压力值，以及，所述多个预定时间点的流量介质的流速值；温度和压力协同单元102，用于将所述精制段的各个区域在预定时间段内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的转置和所述压力输入向量之间的乘积以得到多个协同矩阵；温度-压力协同特征提取单元103，用于将所述多个协同矩阵通过作为过滤器的第一卷积神经网络模型以得到多个协同特征向量；矩阵化单元104，用于将所述多个协同特征向量进行二维矩阵化以得到协同特征矩阵；空间拓扑构造单元105，用于构造所述多个区域的拓扑矩阵，所述拓扑矩阵的非对角线位置上各个位置的值为相应两个区域之间的距离，所述拓扑矩阵的对角线位置上各个位置的值为零；拓扑特征提取单元106，用于将所述拓扑矩阵通过作为特征提取器的第二卷积神经网络模型以得到拓扑特征矩阵；图神经网络单元107，用于将所述协同特征矩阵和所述拓扑特征矩阵通过图神经网络模型以得到拓扑协同特征矩阵；流速特征提取单元108，用于将所述多个预定时间点的流量介质的流速值按照时间维度排列为流量介质输入向量通过多尺度邻域特征提取模块以得到流速特征向量；响应性单元109，用于计算所述流速特征向量相对于所述拓扑协同特征矩阵的转移向量作为分类特征向量；以及，精馏控制结果生成单元110，用于将所述分类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用于调节流量介质的阀门开度值应增大或应减小。
更具体地，在本申请实施例中，所述精馏参数采集单元101，用于获取由压力传感器和温度传感器采集的精制段的多个区域在预定时间段内多个预定时间点的温度值和压力值，以及，所述多个预定时间点的流量介质的流速值。考虑到所述精制段由制备电子级四氟化碳精馏装置的控制系统进行控制，以此来控制流量介质的电子调节阀开度以控制流量，在此过程中，精制段内的压力和温度会影响精馏的效率和冷量的消耗。因此，在对于流量介质的阀门开度进行调控以提高精馏的效率和减少冷量消耗时，需要根据实际的精制段的温度值和压力值来进行。然而，由于现有的控制方案具有一定的滞后性，也就是说，在对于当前时间点的流量介质的流速进行控制时是根据前一时刻的精制段的温度值和压力值来进行的，这会导致提高精馏效率和降低冷量的效果并不明显。并且由于温度和压力具有一定的关联关系，同时精制段的不同区域具有不同的温度和压力特征，这给控制端增加了控制难度。因此，获取由压力传感器和温度传感器采集的精制段的多个区域在预定时间段内多个预定时间点的温度值和压力值，以及所述多个预定时间点的流量介质的流速值，并以此作为判断当前时间点的用于调节流量介质的阀门开度值应增大或应减小的数据基础。
更具体地，在本申请实施例中，所述温度和压力协同单元102，用于将所述精制段的各个区域在预定时间段内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的转置和所述压力输入向量之间的乘积以得到多个协同矩阵。分别按照时间维度排列所述精制段的各个区域在预定时间段内多个预定时间点的温度值和压力值可以整合所述温度值和压力值在时间维度上的信息分布。
更具体地，在本申请实施例中，所述温度-压力协同特征提取单元103，用于将所述多个协同矩阵通过作为过滤器的第一卷积神经网络模型以得到多个协同特征向量。作为过滤器的第一卷积神经网络模型在隐含特征提取方面具有优异的表现，使用的作为过滤器的第一卷积神经网络模型来对于所述多个协同特征矩阵进行特征提取，可以分别提取出所述精制段的各个区域的温度和压力协同关联的隐藏特征分布信息。
相应地，在一个具体示例中，所述温度-压力协同特征提取单元103，进一步用于：使用所述作为过滤器的第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述作为过滤器的第一卷积神经网络模型的最后一层输出所述多个协同特征向量，其中，所述作为过滤器的第一卷积神经网络模型的第一层的输入为所述多个协同特征矩阵。
更具体地，在本申请实施例中，所述矩阵化单元104，用于将所述多个协同特征向量进行二维矩阵化以得到协同特征矩阵。将所述多个协同特征向量进行二维矩阵化可以得到具有所述精制段的多个区域整体的温度和压力协同关联特征的协同特征矩阵。
进一步地，考虑到在所述精制段的多个区域中，所述各个区域的温度和压力关联协同特征之间具有着关联性，且这种关联性的特征分布是在空间位置上的，因此，在本申请的技术方案中，进一步基于所述各个区域的空间拓扑特征加强以提取更为充分的温度和压力的关联协同特征。
更具体地，在本申请实施例中，所述空间拓扑构造单元105，用于构造所述多个区域的拓扑矩阵，所述拓扑矩阵的非对角线位置上各个位置的值为相应两个区域之间的距离，所述拓扑矩阵的对角线位置上各个位置的值为零。
更具体地，在本申请实施例中，所述拓扑特征提取单元106，用于将所述拓扑矩阵通过作为特征提取器的第二卷积神经网络模型以得到拓扑特征矩阵。将所述拓扑矩阵通过作为特征提取器的第二卷积神经网络模型中进行特征挖掘，以提取出所述精制段的各个区域的空间拓扑特征分布。
相应地，在一个具体示例中，所述拓扑特征提取单元106，进一步用于：使用所述作为特征提取器的第二卷积神经网络模型的各层在层的正向传递中对输入数据分别进行二维卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述作为特征提取器的第二卷积神经网络模型的最后一层输出所述拓扑特征矩阵，其中，所述作为特征提取器的第二卷积神经网络模型的第一层的输入为所述拓扑矩阵。
更具体地，在本申请实施例中，所述图神经网络单元107，用于将所述协同特征矩阵和所述拓扑特征矩阵通过图神经网络模型以得到拓扑协同特征矩阵。具体地，所述图神经网络通过可学习的神经网络参数对所述协同特征矩阵和所述拓扑特征矩阵进行图结构数据编码以得到包含不规则的逻辑拓扑特征和各个区域的温度和压力关联协同特征的所述拓扑协同特征矩阵。
相应地，在一个具体示例中，所述图神经网络单元107，进一步用于使用所述图神经网络模型以可学习的神经网络参数对所述协同特征矩阵和所述拓扑特征矩阵进行处理以得到包含不规则的空间拓扑特征和温度-压力协同特征的所述拓扑协同特征矩阵。
更具体地，在本申请实施例中，所述流速特征提取单元108，用于将所述多个预定时间点的流量介质的流速值按照时间维度排列为流量介质输入向量通过多尺度邻域特征提取模块以得到流速特征向量。应可以理解，由于所述流量介质的流速值在不同的时间周期跨度下具有不同的流速模式特征，因此，使用多尺度邻域特征提取模块对其进行特征编码能够提取数在所述预定时间段内的不同时间跨度下的所述流量介质的流速值的多尺度邻域关联特征信息。
相应地，如图3所示，在一个具体示例中，所述流速特征提取单元108，包括：第一尺度特征提取单元1081，用于将所述流量介质输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一尺度流速特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；第二尺度特征提取单元1082，用于将所述流量介质输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二尺度流速特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及，多尺度级联单元1083，用于将所述第一尺度流速特征向量和所述第二尺度流速特征向量进行级联以得到所述流速特征向量。
相应的，在一个具体示例中，所述第一尺度特征提取单元，进一步用于：使用所述多尺度邻域特征提取模块的第一卷积层以如下公式对所述流量介质输入向量进行一维卷积编码以得到所述第一尺度流速特征向量；其中，所述公式为：，其中，
a为第一卷积核在
x方向上的宽度、 为第一卷积核参数向量、为与卷积核函数运算的局部向量矩阵，
w为第一卷积核的尺寸，表示所述流量介质输入向量；
所述第二尺度特征提取单元，进一步用于：使用所述多尺度邻域特征提取模块的第二卷积层以如下公式对所述流量介质输入向量进行一维卷积编码以得到所述第二尺度流速特征向量；其中，所述公式为：，其中，
b为第二卷积核在
x方向上的宽度、为第二卷积核参数向量、为与卷积核函数运算的局部向量矩阵，
m为第二卷积核的尺寸，表示所述流量介质输入向量。
更具体地，在本申请实施例中，所述响应性单元109，用于计算所述流速特征向量相对于所述拓扑协同特征矩阵的转移向量作为分类特征向量。
相应地，在一个具体示例中，所述响应性单元109，进一步用于：以如下公式计算所述流速特征向量相对于所述拓扑协同特征矩阵的转移向量作为分类特征向量；其中，所述公式为：，其中表示所述流速特征向量，表示所述拓扑协同特征矩阵，表示所述分类特征向量，表示矩阵相乘。
计算所述流速特征向量相对于所述拓扑协同特征矩阵的转移向量作为分类特征向量，以此来表示所述温度和压力的协同关联拓扑特征和所述流量介质流速的动态多尺度变化特征之间的关联性特征信息，并以此来进行流量介质的阀门开度的自适应控制，以提高精馏的效率和减少冷量消耗。
更具体地，在本申请实施例中，所述精馏控制结果生成单元110，用于将所述分类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用于调节流量介质的阀门开度值应增大或应减小。
相应地，在一个具体示例中，所述精馏控制结果生成单元110，进一步用于：使用所述分类器以如下公式对所述分类特征向量进行处理以生成分类结果；其中，所述公式为：，其中，表示所述分类特征向量，为全连接层的权重矩阵，表示全连接层的偏向向量。
相应地，在一个具体示例中，所述的用于电子级四氟化碳制备的精馏控制系统，还包括对所述作为过滤器的第一卷积神经网络模型、所述作为特征提取器的第二卷积神经网络模型、所述图神经网络模型、所述多尺度邻域特征提取模块和所述分类器进行训练的训练模块；如图4所示，其中，所述训练模块200包括：训练参数采集单元201，用于获取训练数据，所述训练数据包括所述精制段的多个区域在预定时间段内多个预定时间点的训练温度值和训练压力值，所述多个预定时间点的流量介质的训练流速值，以及，所述当前时间点的用于调节流量介质的阀门开度值应增大或应减小的真实值；训练温度和压力协同单元202，用于将所述精制段的各个区域在预定时间段内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的转置和所述训练压力输入向量之间的乘积以得到多个训练协同矩阵；训练温度-压力协同特征提取单元203，用于将所述多个训练协同矩阵通过所述作为过滤器的第一卷积神经网络模型以得到多个训练协同特征向量；训练矩阵化单元204，用于将所述多个训练协同特征向量进行二维矩阵化以得到训练协同特征矩阵；训练空间拓扑构造单元205，用于构造所述多个区域的训练拓扑矩阵，所述训练拓扑矩阵的非对角线位置上各个位置的值为相应两个区域之间的距离，所述训练拓扑矩阵的对角线位置上各个位置的值为零；训练拓扑特征提取单元206，用于将所述训练拓扑矩阵通过所述作为特征提取器的第二卷积神经网络模型以得到训练拓扑特征矩阵；训练图神经网络单元207，用于将所述训练协同特征矩阵和所述训练拓扑特征矩阵通过所述图神经网络模型以得到训练拓扑协同特征矩阵；训练流速特征提取单元208，用于将所述多个预定时间点的流量介质的训练流速值按照时间维度排列为训练流量介质输入向量通过所述多尺度邻域特征提取模块以得到训练流速特征向量；训练响应性单元209，用于计算所述训练流速特征向量相对于所述训练拓扑协同特征矩阵的转移向量作为训练分类特征向量；分类损失单元210，用于将所述训练分类特征向量通过所述分类器以得到分类损失函数值；内在化学习损失单元211，用于基于所述训练流速特征向量和所述训练分类特征向量之间的距离计算序列对序列响应规则内在化学习损失函数值；以及，训练单元212，用于计算所述分类损失函数值和所述序列对序列响应规则内在化学习损失函数值的加权和作为损失函数值来对所述作为过滤器的第一卷积神经网络模型、所述作为特征提取器的第二卷积神经网络模型、所述图神经网络模型、所述多尺度邻域特征提取模块和所述分类器进行训练。
特别地，在本申请的技术方案中，通过计算所述流速特征向量相对于所述拓扑协同特征矩阵的转移向量作为分类特征向量，可以获得所述流速特征向量在各个传感器的协同特征拓扑关联空间内的转移响应特征。并且，为了进一步优化所述转移响应特征对于所述流速特征向量的内在特征分布的表达能力，在分类损失函数之外，引入序列对序列响应规则内在化学习损失函数。
相应地，在一个具体示例中，所述内在化学习损失单元211，进一步用于：基于所述训练流速特征向量和所述训练分类特征向量之间的距离以如下公式计算所述序列对序列响应规则内在化学习损失函数值；其中，所述公式为：，
其中，是所述训练流速特征向量，是所述训练分类特征向量，且和分别是所述分类器对于所述训练流速特征向量和所述训练分类特征向量的权重矩阵，表示激活函数，表示激活函数，表示矩阵相乘，表示两个向量之间的欧式距离。
这里，所述序列对序列响应规则内在化学习损失函数可以通过分类器对于不同序列的权重矩阵的压榨-激励式通道注意力机制，来获取序列之间的加强的区分性能力。这样，通过以此损失函数训练网络，就可以实现所述流速特征向量和所述分类特征向量之间的具有更好区分性的因果关系特征（causality feature）的恢复，以对向量序列之间的原因-结果式响应规则进行内在化学习（internalizing learning），增强了所述转移响应特征对于所述流速特征向量的内在特征分布的表达能力，进而提高分类的准确性和精度。这样，能够实时精准地对于流量介质的阀门开度进行自适应控制，进而提高精馏的效率和减少冷量消耗。
综上，基于本申请实施例的用于电子级四氟化碳制备的精馏控制系统100被阐明，其采用基于深度学习的人工智能控制技术，以对于精制段的不同区域的温度和压力的关联协同特征和流量介质的流速多尺度变化特征进行特征提取，进一步以这两者的转移向量来表示温度和压力的协同关联性特征和流量介质流速的动态变化特征之间的关联性特征信息，并以此来进行流量介质的阀门开度的自适应实时控制，并且在此过程中，引入了所述精制段的不同区域的空间拓扑特征来进一步加强其在空间位置上的温度和压力的协同关联的特征提取，以提高对于流量介质的阀门开度的控制精准度。通过这样的方式，可以提高精馏的效率和减少冷量消耗。
如上所述，根据本申请实施例的所述用于电子级四氟化碳制备的精馏控制系统100可以实现在各种终端设备中，例如具有用于电子级四氟化碳制备的精馏控制算法的服务器等。在一个示例中，用于电子级四氟化碳制备的精馏控制系统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，该用于电子级四氟化碳制备的精馏控制系统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，该用于电子级四氟化碳制备的精馏控制系统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，该用于电子级四氟化碳制备的精馏控制系统100与该终端设备也可以是分立的设备，并且用于电子级四氟化碳制备的精馏控制系统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电子级四氟化碳制备的精馏控制方法的流程图。如图5所示，根据本申请实施例的用于电子级四氟化碳制备的精馏控制方法，其包括：S101，获取由压力传感器和温度传感器采集的精制段的多个区域在预定时间段内多个预定时间点的温度值和压力值，以及，所述多个预定时间点的流量介质的流速值；S102，将所述精制段的各个区域在预定时间段内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的转置和所述压力输入向量之间的乘积以得到多个协同矩阵；S103，将所述多个协同矩阵通过作为过滤器的第一卷积神经网络模型以得到多个协同特征向量；S104，将所述多个协同特征向量进行二维矩阵化以得到协同特征矩阵；S105，构造所述多个区域的拓扑矩阵，所述拓扑矩阵的非对角线位置上各个位置的值为相应两个区域之间的距离，所述拓扑矩阵的对角线位置上各个位置的值为零；S106，将所述拓扑矩阵通过作为特征提取器的第二卷积神经网络模型以得到拓扑特征矩阵；S107，将所述协同特征矩阵和所述拓扑特征矩阵通过图神经网络模型以得到拓扑协同特征矩阵；S108，将所述多个预定时间点的流量介质的流速值按照时间维度排列为流量介质输入向量通过多尺度邻域特征提取模块以得到流速特征向量；S109，计算所述流速特征向量相对于所述拓扑协同特征矩阵的转移向量作为分类特征向量；以及，S110，将所述分类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用于调节流量介质的阀门开度值应增大或应减小。
图6为根据本申请实施例的用于电子级四氟化碳制备的精馏控制方法的系统架构的示意图。如图6所示，在所述用于电子级四氟化碳制备的精馏控制方法的系统架构中，首先，获取由压力传感器和温度传感器采集的精制段的多个区域在预定时间段内多个预定时间点的温度值和压力值，以及，所述多个预定时间点的流量介质的流速值；然后，将所述精制段的各个区域在预定时间段内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的转置和所述压力输入向量之间的乘积以得到多个协同矩阵；接着，将所述多个协同矩阵通过作为过滤器的第一卷积神经网络模型以得到多个协同特征向量；然后，将所述多个协同特征向量进行二维矩阵化以得到协同特征矩阵；接着，构造所述多个区域的拓扑矩阵，所述拓扑矩阵的非对角线位置上各个位置的值为相应两个区域之间的距离，所述拓扑矩阵的对角线位置上各个位置的值为零；然后，将所述拓扑矩阵通过作为特征提取器的第二卷积神经网络模型以得到拓扑特征矩阵；接着，将所述协同特征矩阵和所述拓扑特征矩阵通过图神经网络模型以得到拓扑协同特征矩阵；然后，将所述多个预定时间点的流量介质的流速值按照时间维度排列为流量介质输入向量通过多尺度邻域特征提取模块以得到流速特征向量；接着，计算所述流速特征向量相对于所述拓扑协同特征矩阵的转移向量作为分类特征向量；最后，将所述分类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用于调节流量介质的阀门开度值应增大或应减小。
在一个具体示例中，在上述用于电子级四氟化碳制备的精馏控制方法中，所述将所述多个协同矩阵通过作为过滤器的第一卷积神经网络模型以得到多个协同特征向量，进一步包括：使用所述作为过滤器的第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述作为过滤器的第一卷积神经网络模型的最后一层输出所述多个协同特征向量，其中，所述作为过滤器的第一卷积神经网络模型的第一层的输入为所述多个协同特征矩阵。
在一个具体示例中，在上述用于电子级四氟化碳制备的精馏控制方法中，所述将所述拓扑矩阵通过作为特征提取器的第二卷积神经网络模型以得到拓扑特征矩阵，进一步包括：使用所述作为特征提取器的第二卷积神经网络模型的各层在层的正向传递中对输入数据分别进行二维卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述作为特征提取器的第二卷积神经网络模型的最后一层输出所述拓扑特征矩阵，其中，所述作为特征提取器的第二卷积神经网络模型的第一层的输入为所述拓扑矩阵。
在一个具体示例中，在上述用于电子级四氟化碳制备的精馏控制方法中，所述将所述协同特征矩阵和所述拓扑特征矩阵通过图神经网络模型以得到拓扑协同特征矩阵，进一步包括：使用所述图神经网络模型以可学习的神经网络参数对所述协同特征矩阵和所述拓扑特征矩阵进行处理以得到包含不规则的空间拓扑特征和温度-压力协同特征的所述拓扑协同特征矩阵。
在一个具体示例中，在上述用于电子级四氟化碳制备的精馏控制方法中，所述将所述多个预定时间点的流量介质的流速值按照时间维度排列为流量介质输入向量通过多尺度邻域特征提取模块以得到流速特征向量，包括：将所述流量介质输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一尺度流速特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；将所述流量介质输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二尺度流速特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及，将所述第一尺度流速特征向量和所述第二尺度流速特征向量进行级联以得到所述流速特征向量。
相应的，在一个具体示例中，所述将所述流量介质输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一尺度流速特征向量，进一步包括：使用所述多尺度邻域特征提取模块的第一卷积层以如下公式对所述流量介质输入向量进行一维卷积编码以得到所述第一尺度流速特征向量；其中，所述公式为：，
其中，
a为第一卷积核在
x方向上的宽度、为第一卷积核参数向量、为与卷积核函数运算的局部向量矩阵，
w为第一卷积核的尺寸，表示所述流量介质输入向量；
所述将所述流量介质输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二尺度流速特征向量，进一步包括：使用所述多尺度邻域特征提取模块的第二卷积层以如下公式对所述流量介质输入向量进行一维卷积编码以得到所述第二尺度流速特征向量；其中，所述公式为：，
其中，
b为第二卷积核在
x方向上的宽度、为第二卷积核参数向量、为与卷积核函数运算的局部向量矩阵，
m为第二卷积核的尺寸，表示所述流量介质输入向量。
在一个具体示例中，在上述用于电子级四氟化碳制备的精馏控制方法中，所述计算所述流速特征向量相对于所述拓扑协同特征矩阵的转移向量作为分类特征向量，进一步包括：以如下公式计算所述流速特征向量相对于所述拓扑协同特征矩阵的转移向量作为分类特征向量；其中，所述公式为：，
其中表示所述流速特征向量，表示所述拓扑协同特征矩阵，表示所述分类特征向量，表示矩阵相乘。
在一个具体示例中，在上述用于电子级四氟化碳制备的精馏控制方法中，所述将所述分类特征向量通过分类器以得到分类结果，进一步包括：使用所述分类器以如下公式对所述分类特征向量进行处理以生成分类结果；其中，所述公式为：，其中，表示所述分类特征向量，为全连接层的权重矩阵，表示全连接层的偏向向量。
在一个具体示例中，在上述用于电子级四氟化碳制备的精馏控制方法中，还包括：对所述作为过滤器的第一卷积神经网络模型、所述作为特征提取器的第二卷积神经网络模型、所述图神经网络模型、所述多尺度邻域特征提取模块和所述分类器进行训练；其中，所述对所述作为过滤器的第一卷积神经网络模型、所述作为特征提取器的第二卷积神经网络模型、所述图神经网络模型、所述多尺度邻域特征提取模块和所述分类器进行训练，进一步包括：获取训练数据，所述训练数据包括所述精制段的多个区域在预定时间段内多个预定时间点的训练温度值和训练压力值，所述多个预定时间点的流量介质的训练流速值，以及，所述当前时间点的用于调节流量介质的阀门开度值应增大或应减小的真实值；将所述精制段的各个区域在预定时间段内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的转置和所述训练压力输入向量之间的乘积以得到多个训练协同矩阵；将所述多个训练协同矩阵通过所述作为过滤器的第一卷积神经网络模型以得到多个训练协同特征向量；将所述多个训练协同特征向量进行二维矩阵化以得到训练协同特征矩阵；构造所述多个区域的训练拓扑矩阵，所述训练拓扑矩阵的非对角线位置上各个位置的值为相应两个区域之间的距离，所述训练拓扑矩阵的对角线位置上各个位置的值为零；将所述训练拓扑矩阵通过所述作为特征提取器的第二卷积神经网络模型以得到训练拓扑特征矩阵；将所述训练协同特征矩阵和所述训练拓扑特征矩阵通过所述图神经网络模型以得到训练拓扑协同特征矩阵；将所述多个预定时间点的流量介质的训练流速值按照时间维度排列为训练流量介质输入向量通过所述多尺度邻域特征提取模块以得到训练流速特征向量；计算所述训练流速特征向量相对于所述训练拓扑协同特征矩阵的转移向量作为训练分类特征向量；将所述训练分类特征向量通过所述分类器以得到分类损失函数值；基于所述训练流速特征向量和所述训练分类特征向量之间的距离计算序列对序列响应规则内在化学习损失函数值；以及，计算所述分类损失函数值和所述序列对序列响应规则内在化学习损失函数值的加权和作为损失函数值来对所述作为过滤器的第一卷积神经网络模型、所述作为特征提取器的第二卷积神经网络模型、所述图神经网络模型、所述多尺度邻域特征提取模块和所述分类器进行训练。
在一个具体示例中，在上述用于电子级四氟化碳制备的精馏控制方法中，所述基于所述训练流速特征向量和所述训练分类特征向量之间的距离计算序列对序列响应规则内在化学习损失函数值，进一步包括：基于所述训练流速特征向量和所述训练分类特征向量之间的距离以如下公式计算所述序列对序列响应规则内在化学习损失函数值；其中，所述公式为：，
其中，是所述训练流速特征向量，是所述训练分类特征向量，且和分别是所述分类器对于所述训练流速特征向量和所述训练分类特征向量的权重矩阵，表示激活函数，表示激活函数，表示矩阵相乘，表示两个向量之间的欧式距离。
这里，本领域技术人员可以理解，上述用于电子级四氟化碳制备的精馏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的用于电子级四氟化碳制备的精馏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)
1.一种用于电子级四氟化碳制备的精馏控制系统，其特征在于，包括：精馏参数采集单元，用于获取由压力传感器和温度传感器采集的精制段的多个区域在预定时间段内多个预定时间点的温度值和压力值，以及，所述多个预定时间点的流量介质的流速值；温度和压力协同单元，用于将所述精制段的各个区域在预定时间段内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的转置和所述压力输入向量之间的乘积以得到多个协同矩阵；温度-压力协同特征提取单元，用于将所述多个协同矩阵通过作为过滤器的第一卷积神经网络模型以得到多个协同特征向量；矩阵化单元，用于将所述多个协同特征向量进行二维矩阵化以得到协同特征矩阵；空间拓扑构造单元，用于构造所述多个区域的拓扑矩阵，所述拓扑矩阵的非对角线位置上各个位置的值为相应两个区域之间的距离，所述拓扑矩阵的对角线位置上各个位置的值为零；拓扑特征提取单元，用于将所述拓扑矩阵通过作为特征提取器的第二卷积神经网络模型以得到拓扑特征矩阵；图神经网络单元，用于将所述协同特征矩阵和所述拓扑特征矩阵通过图神经网络模型以得到拓扑协同特征矩阵；流速特征提取单元，用于将所述多个预定时间点的流量介质的流速值按照时间维度排列为流量介质输入向量通过多尺度邻域特征提取模块以得到流速特征向量；响应性单元，用于计算所述流速特征向量相对于所述拓扑协同特征矩阵的转移向量作为分类特征向量；以及精馏控制结果生成单元，用于将所述分类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用于调节流量介质的阀门开度值应增大或应减小。
2.根据权利要求1所述的用于电子级四氟化碳制备的精馏控制系统，其特征在于，所述温度-压力协同特征提取单元，进一步用于：使用所述作为过滤器的第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述作为过滤器的第一卷积神经网络模型的最后一层输出所述多个协同特征向量，其中，所述作为过滤器的第一卷积神经网络模型的第一层的输入为所述多个协同矩阵。
3.根据权利要求2所述的用于电子级四氟化碳制备的精馏控制系统，其特征在于，所述拓扑特征提取单元，进一步用于：使用所述作为特征提取器的第二卷积神经网络模型的各层在层的正向传递中对输入数据分别进行二维卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述作为特征提取器的第二卷积神经网络模型的最后一层输出所述拓扑特征矩阵，其中，所述作为特征提取器的第二卷积神经网络模型的第一层的输入为所述拓扑矩阵。
4.根据权利要求3所述的用于电子级四氟化碳制备的精馏控制系统，其特征在于，所述图神经网络单元，进一步用于使用所述图神经网络模型以可学习的神经网络参数对所述协同特征矩阵和所述拓扑特征矩阵进行处理以得到包含不规则的空间拓扑特征和温度-压力协同特征的所述拓扑协同特征矩阵。
5.根据权利要求4所述的用于电子级四氟化碳制备的精馏控制系统，其特征在于，所述流速特征提取单元，包括：第一尺度特征提取单元，用于将所述流量介质输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一尺度流速特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；第二尺度特征提取单元，用于将所述流量介质输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二尺度流速特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及多尺度级联单元，用于将所述第一尺度流速特征向量和所述第二尺度流速特征向量进行级联以得到所述流速特征向量。
6.根据权利要求5所述的用于电子级四氟化碳制备的精馏控制系统，其特征在于，所述响应性单元，进一步用于：以如下公式计算所述流速特征向量相对于所述拓扑协同特征矩阵的转移向量作为分类特征向量；其中，所述公式为：
，
其中表示所述流速特征向量，表示所述拓扑协同特征矩阵，表示所述分类特征向量，表示矩阵相乘。
7.根据权利要求6所述的用于电子级四氟化碳制备的精馏控制系统，其特征在于，所述精馏控制结果生成单元，进一步用于：使用所述分类器以如下公式对所述分类特征向量进行处理以生成分类结果；其中，所述公式为：，其中表示所述分类特征向量，为全连接层的权重矩阵，表示全连接层的偏向向量。
8.根据权利要求1所述的用于电子级四氟化碳制备的精馏控制系统，其特征在于，还包括对所述作为过滤器的第一卷积神经网络模型、所述作为特征提取器的第二卷积神经网络模型、所述图神经网络模型、所述多尺度邻域特征提取模块和所述分类器进行训练的训练模块；其中，所述训练模块包括：训练参数采集单元，用于获取训练数据，所述训练数据包括所述精制段的多个区域在预定时间段内多个预定时间点的训练温度值和训练压力值，所述多个预定时间点的流量介质的训练流速值，以及，所述当前时间点的用于调节流量介质的阀门开度值应增大或应减小的真实值；训练温度和压力协同单元，用于将所述精制段的各个区域在预定时间段内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的转置和所述训练压力输入向量之间的乘积以得到多个训练协同矩阵；训练温度-压力协同特征提取单元，用于将所述多个训练协同矩阵通过所述作为过滤器的第一卷积神经网络模型以得到多个训练协同特征向量；训练矩阵化单元，用于将所述多个训练协同特征向量进行二维矩阵化以得到训练协同特征矩阵；训练空间拓扑构造单元，用于构造所述多个区域的训练拓扑矩阵，所述训练拓扑矩阵的非对角线位置上各个位置的值为相应两个区域之间的距离，所述训练拓扑矩阵的对角线位置上各个位置的值为零；训练拓扑特征提取单元，用于将所述训练拓扑矩阵通过所述作为特征提取器的第二卷积神经网络模型以得到训练拓扑特征矩阵；训练图神经网络单元，用于将所述训练协同特征矩阵和所述训练拓扑特征矩阵通过所述图神经网络模型以得到训练拓扑协同特征矩阵；训练流速特征提取单元，用于将所述多个预定时间点的流量介质的训练流速值按照时间维度排列为训练流量介质输入向量通过所述多尺度邻域特征提取模块以得到训练流速特征向量；训练响应性单元，用于计算所述训练流速特征向量相对于所述训练拓扑协同特征矩阵的转移向量作为训练分类特征向量；分类损失单元，用于将所述训练分类特征向量通过所述分类器以得到分类损失函数值；内在化学习损失单元，用于基于所述训练流速特征向量和所述训练分类特征向量之间的距离计算序列对序列响应规则内在化学习损失函数值；以及训练单元，用于计算所述分类损失函数值和所述序列对序列响应规则内在化学习损失函数值的加权和作为损失函数值来对所述作为过滤器的第一卷积神经网络模型、所述作为特征提取器的第二卷积神经网络模型、所述图神经网络模型、所述多尺度邻域特征提取模块和所述分类器进行训练。
9.根据权利要求8所述的用于电子级四氟化碳制备的精馏控制系统，其特征在于，所述内在化学习损失单元，进一步用于：基于所述训练流速特征向量和所述训练分类特征向量之间的距离以如下公式计算所述序列对序列响应规则内在化学习损失函数值；其中，所述公式为：
，
其中，是所述训练流速特征向量，是所述训练分类特征向量，且和分别是所述分类器对于所述训练流速特征向量和所述训练分类特征向量的权重矩阵，表示激活函数，表示激活函数，表示矩阵相乘，示两个向量之间的欧式距离。
10.一种用于电子级四氟化碳制备的精馏控制方法，其特征在于，包括：获取由压力传感器和温度传感器采集的精制段的多个区域在预定时间段内多个预定时间点的温度值和压力值，以及，所述多个预定时间点的流量介质的流速值；将所述精制段的各个区域在预定时间段内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的转置和所述压力输入向量之间的乘积以得到多个协同矩阵；将所述多个协同矩阵通过作为过滤器的第一卷积神经网络模型以得到多个协同特征向量；将所述多个协同特征向量进行二维矩阵化以得到协同特征矩阵；构造所述多个区域的拓扑矩阵，所述拓扑矩阵的非对角线位置上各个位置的值为相应两个区域之间的距离，所述拓扑矩阵的对角线位置上各个位置的值为零；将所述拓扑矩阵通过作为特征提取器的第二卷积神经网络模型以得到拓扑特征矩阵；将所述协同特征矩阵和所述拓扑特征矩阵通过图神经网络模型以得到拓扑协同特征矩阵；将所述多个预定时间点的流量介质的流速值按照时间维度排列为流量介质输入向量通过多尺度邻域特征提取模块以得到流速特征向量；计算所述流速特征向量相对于所述拓扑协同特征矩阵的转移向量作为分类特征向量；以及将所述分类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用于调节流量介质的阀门开度值应增大或应减小。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211397761.6A CN115688592B (zh) | 2022-11-09 | 2022-11-09 | 用于电子级四氟化碳制备的精馏控制系统及其方法 |
| PCT/CN2023/080744 WO2024098604A1 (zh) | 2022-11-09 | 2023-03-10 | 用于电子级四氟化碳制备的精馏控制系统及其方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211397761.6A CN115688592B (zh) | 2022-11-09 | 2022-11-09 | 用于电子级四氟化碳制备的精馏控制系统及其方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115688592A CN115688592A (zh) | 2023-02-03 |
| CN115688592B true CN115688592B (zh) | 2023-05-09 |
Family
ID=85049070
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211397761.6A Active CN115688592B (zh) | 2022-11-09 | 2022-11-09 | 用于电子级四氟化碳制备的精馏控制系统及其方法 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN115688592B (zh) |
| WO (1) | WO2024098604A1 (zh) |
Families Citing this family (14)
| 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 |
| 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 |
| CN117046140B (zh) * | 2023-02-28 | 2024-03-08 | 福建天甫电子材料有限公司 | 用于电子级氢氟酸精馏的装置 |
| 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 |
| CN116101958A (zh) * | 2023-03-22 | 2023-05-12 | 德玛克(浙江)精工科技有限公司 | 大桶饮用水智能化灌装方法及其系统 |
| 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 |
| 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 |
| CN116935586B (zh) * | 2023-03-29 | 2024-06-04 | 福建天甫电子材料有限公司 | 用于硝酸的制备的智能化有毒有害气体报警系统 |
| CN116086790B (zh) * | 2023-04-11 | 2023-06-23 | 杭州鄂达精密机电科技有限公司 | 氢燃料电池高压阀的性能检测方法及其系统 |
| CN116149397B (zh) * | 2023-04-20 | 2023-06-23 | 福建天甫电子材料有限公司 | 电子级双氧水存储的温度自适应控制系统 |
| CN116392930B (zh) * | 2023-04-24 | 2023-08-29 | 浙江浙能迈领环境科技有限公司 | 船舶尾气脱硫工艺及其系统 |
| CN116551466B (zh) * | 2023-05-24 | 2024-05-14 | 深圳市捷辉创科技有限公司 | Cnc加工过程中的智能监控系统及其方法 |
| CN116477663A (zh) * | 2023-05-31 | 2023-07-25 | 江西江钒科技实业有限公司 | 电池级五氧化二钒的提纯制备方法及其系统 |
| CN117964029B (zh) * | 2024-03-28 | 2024-06-14 | 内蒙古莱科作物保护有限公司 | 基于溴虫腈生产中产生的废液制备对氯苯甘氨酸的方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111344710A (zh) * | 2017-09-26 | 2020-06-26 | 沙特阿拉伯石油公司 | 使用基于机器学习的模型进行成本有效的热力学流体特性预测的方法 |
| CN115259089A (zh) * | 2022-07-01 | 2022-11-01 | 福建龙氟化工有限公司 | 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 |
Family Cites Families (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| MY174446A (en) * | 2010-06-25 | 2020-04-19 | Petroliam Nasional Berhad Petronas | A method and system for validating energy measurement in a high pressure gas distribution network |
| EP2599031A4 (en) * | 2010-07-29 | 2014-01-08 | Exxonmobil Upstream Res Co | METHOD AND SYSTEMS FOR A FLOW SIMULATION BASED ON MACHINERY LEARNING |
| CN102503765B (zh) * | 2011-10-21 | 2013-10-09 | 四川众力氟业有限责任公司 | 四氟化碳提取方法 |
| GB201511343D0 (en) * | 2015-06-29 | 2015-08-12 | Rolls Royce Plc | Fluid flow feature identification methods and tools |
| CN105542147B (zh) * | 2016-01-27 | 2017-11-03 | 江苏苏博特新材料股份有限公司 | 具有超支化拓扑结构的减水剂的制备方法及其应用 |
| US11235260B2 (en) * | 2016-08-04 | 2022-02-01 | Covestro Deutschland Ag | Method for controlling a rectification column |
| US9996074B2 (en) * | 2016-09-21 | 2018-06-12 | International Business Machines Corporation | System and predictive modeling method for smelting process control based on multi-source information with heterogeneous relatedness |
| CN111039749B (zh) * | 2019-12-26 | 2022-06-07 | 福建德尔科技有限公司 | 一种电子级四氟化碳的制备系统及方法 |
| CN112919419B (zh) * | 2021-01-29 | 2022-08-23 | 福建德尔科技股份有限公司 | 电子级三氟化氯的精馏纯化系统控制方法 |
| CN114639881B (zh) * | 2022-02-22 | 2024-04-12 | 重庆工商大学 | 一种深度学习的锂离子电池热失控预警方法 |
| CN114470842B (zh) * | 2022-04-15 | 2022-06-17 | 中建安装集团有限公司 | 基于人工智能的精馏塔冷凝器智能调试方法及调试装置 |
| CN114870416B (zh) * | 2022-04-28 | 2023-01-24 | 福建德尔科技股份有限公司 | 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 |
| CN114768279B (zh) * | 2022-04-29 | 2022-11-11 | 福建德尔科技股份有限公司 | 用于电子级二氟甲烷制备的精馏控制系统及其控制方法 |
| CN114995131B (zh) * | 2022-05-25 | 2023-02-03 | 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 |
| CN115309215B (zh) * | 2022-08-05 | 2023-03-07 | 福建省龙氟新材料有限公司 | 氟化铵制备用的自动配料控制系统及其控制方法 |
| CN115688592B (zh) * | 2022-11-09 | 2023-05-09 | 福建德尔科技股份有限公司 | 用于电子级四氟化碳制备的精馏控制系统及其方法 |
-
2022
- 2022-11-09 CN CN202211397761.6A patent/CN115688592B/zh active Active
-
2023
- 2023-03-10 WO PCT/CN2023/080744 patent/WO2024098604A1/zh unknown
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111344710A (zh) * | 2017-09-26 | 2020-06-26 | 沙特阿拉伯石油公司 | 使用基于机器学习的模型进行成本有效的热力学流体特性预测的方法 |
| CN115259089A (zh) * | 2022-07-01 | 2022-11-01 | 福建龙氟化工有限公司 | 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 |
Non-Patent Citations (1)
| Title |
|---|
| 应用ICA的加油机系统油气两相流中气体含量的识别方法;李程鹏;刘亚俊;范彦斌;刘俊;;现代制造工程(06);108-113 * |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2024098604A1 (zh) | 2024-05-16 |
| CN115688592A (zh) | 2023-02-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115688592B (zh) | 用于电子级四氟化碳制备的精馏控制系统及其方法 | |
| CN108665481B (zh) | 多层深度特征融合的自适应抗遮挡红外目标跟踪方法 | |
| WO2022089077A1 (zh) | 一种基于自适应候选视差预测网络的实时双目立体匹配方法 | |
| CN108876796A (zh) | 一种基于全卷积神经网络和条件随机场的道路分割系统及方法 | |
| Cheng et al. | Yolo-world: Real-time open-vocabulary object detection | |
| CN114995131B (zh) | 用于电子级三氟甲烷制备的精馏控制系统及其控制方法 | |
| CN114202740A (zh) | 一种基于多尺度特征融合的行人重识别方法 | |
| CN113361560A (zh) | 一种基于语义的多姿势虚拟试衣方法 | |
| CN106529378B (zh) | 一种亚裔人脸的年龄特征模型生成方法及年龄估计方法 | |
| WO2024021259A1 (zh) | 用于缓冲氧化物蚀刻液生产的自动配料系统及其配料方法 | |
| WO2024021254A1 (zh) | 电子级三氟化氯的智能分离纯化系统 | |
| Liu et al. | Geometrymotion-transformer: An end-to-end framework for 3d action recognition | |
| CN113554679A (zh) | 一种面向计算机视觉应用的无锚框目标跟踪算法 | |
| CN114048818A (zh) | 一种基于加速Transformer模型的视频分类方法 | |
| CN116164497A (zh) | 液氧制备过程中的精馏控制系统及其方法 | |
| Dan et al. | PF‐ViT: Parallel and Fast Vision Transformer for Offline Handwritten Chinese Character Recognition | |
| 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 | |
| WO2023226236A1 (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 | |
| CN116342879A (zh) | 任意人体姿态下的虚拟试衣方法 | |
| Yang et al. | A novel convolutional neural network based approach to predictions of process dynamic time delay sequences | |
| CN116027874A (zh) | 笔记本电脑功耗控制方法及其系统 | |
| CN115456259A (zh) | 基于中尺度数据的风电场选址优化系统及其方法 | |
| CN101339615B (zh) | 一种基于相似矩阵逼近的图像分割方法 | |
| Fang et al. | Network Traffic Prediction Model Based on Catfish-PSO-SVM. | |
| CN116825217B (zh) | 制备高纯五氟化磷的方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |