CN116086133A - 化学链空气分离技术制备高纯氧气的装置及方法 - Google Patents
化学链空气分离技术制备高纯氧气的装置及方法 Download PDFInfo
- Publication number
- CN116086133A CN116086133A CN202310133395.1A CN202310133395A CN116086133A CN 116086133 A CN116086133 A CN 116086133A CN 202310133395 A CN202310133395 A CN 202310133395A CN 116086133 A CN116086133 A CN 116086133A
- Authority
- CN
- China
- Prior art keywords
- valve opening
- vector
- feature vector
- matrix
- classification
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 title claims abstract description 118
- 239000001301 oxygen Substances 0.000 title claims abstract description 118
- 229910052760 oxygen Inorganic materials 0.000 title claims abstract description 118
- 238000000926 separation method Methods 0.000 title claims abstract description 75
- 238000005516 engineering process Methods 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 36
- 239000000126 substance Substances 0.000 title claims description 58
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 44
- 230000003247 decreasing effect Effects 0.000 claims abstract description 16
- 239000013598 vector Substances 0.000 claims description 410
- 239000011159 matrix material Substances 0.000 claims description 131
- 238000000605 extraction Methods 0.000 claims description 71
- 238000009826 distribution Methods 0.000 claims description 37
- 238000013527 convolutional neural network Methods 0.000 claims description 25
- 230000004927 fusion Effects 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 13
- 238000005457 optimization Methods 0.000 claims description 9
- 238000012544 monitoring process Methods 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 4
- 230000009471 action Effects 0.000 claims description 2
- 238000002360 preparation method Methods 0.000 abstract description 15
- 238000013135 deep learning Methods 0.000 abstract description 8
- 238000013528 artificial neural network Methods 0.000 abstract description 7
- 230000006870 function Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 230000004044 response Effects 0.000 description 10
- 238000004519 manufacturing process Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 230000008901 benefit Effects 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 239000002918 waste heat Substances 0.000 description 4
- 239000000428 dust Substances 0.000 description 3
- 239000007789 gas Substances 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 239000012528 membrane Substances 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000001179 sorption measurement Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
- F25J—LIQUEFACTION, SOLIDIFICATION OR SEPARATION OF GASES OR GASEOUS OR LIQUEFIED GASEOUS MIXTURES BY PRESSURE AND COLD TREATMENT OR BY BRINGING THEM INTO THE SUPERCRITICAL STATE
- F25J3/00—Processes or apparatus for separating the constituents of gaseous or liquefied gaseous mixtures involving the use of liquefaction or solidification
- F25J3/02—Processes or apparatus for separating the constituents of gaseous or liquefied gaseous mixtures involving the use of liquefaction or solidification by rectification, i.e. by continuous interchange of heat and material between a vapour stream and a liquid stream
- F25J3/04—Processes or apparatus for separating the constituents of gaseous or liquefied gaseous mixtures involving the use of liquefaction or solidification by rectification, i.e. by continuous interchange of heat and material between a vapour stream and a liquid stream for air
- F25J3/04006—Providing pressurised feed air or process streams within or from the air fractionation unit
- F25J3/04048—Providing pressurised feed air or process streams within or from the air fractionation unit by compression of cold gaseous streams, e.g. intermediate or oxygen enriched (waste) streams
- F25J3/04066—Providing pressurised feed air or process streams within or from the air fractionation unit by compression of cold gaseous streams, e.g. intermediate or oxygen enriched (waste) streams of oxygen
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Emergency Medicine (AREA)
- Physics & Mathematics (AREA)
- Mechanical Engineering (AREA)
- Thermal Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Separation By Low-Temperature Treatments (AREA)
Abstract
本申请公开了一种化学链空气分离技术制备高纯氧气的装置及方法，其配置控制系统来对所述冷凝器的冷空气流速与固定床释放的水蒸气流速进行协同控制以优化氧气纯度制备。具体的，其挖掘冷凝器的冷空气流速与固定床释放的水蒸气流速之间的协同关联模式，通过深度学习和神经网络技术构建化学链空气分离技术制备高纯氧气的装置的控制系统，将预定时间段内多个预定时间点的固定床的水蒸气流量控制阀的第一阀门开度值以及所述多个预定时间点的冷凝器的空气流量控制阀的第二阀门开度值输入该控制系统，以得到用于表示当前时间点的水蒸气流量控制阀的开度值应增大或应减小的分类结果。通过这样的方式，优化氧气纯度制备，提高氧气的制备纯度。
Description
技术领域
本申请涉及智能控制技术领域，且更为具体地，涉及一种化学链空气分离技术制备高纯氧气的装置及方法。
背景技术
氧气是世界上最重要的化学原料之一，广泛应用于化工、冶金、国防、环境保护、医疗等领域。空气分离是目前最主要的氧气制备技术包括：低温精馏、变压吸附以及膜分离。
但是，不管是低温精馏、变压吸附以及膜分离都或多或少存在一定的缺陷，因此，期待一种更为优化的生产氧气纯度高的制氧技术成为亟待解决的问题。
中国公开专利CN 103043616A揭露了一种化学链空气分离技术制备高纯氧气的装置及方法，所述装置包括流化床、旋风分离器、固定床、余热锅炉、冷凝器、布袋除尘器和储气柜，通过此设备可提高氧气制备的纯度，且能耗更低、操作更加简单。
具体的，采用化学链空气分离技术制备高纯氧气的装置进行氧气制备，包括以下步骤：步骤1、根据流化床工作温度选择金属氧化物和惰性载体制备载氧体，并选出粒度在100μm～500μm范围内的载氧体，通过固定床装料口将载氧体放置于固定床内；步骤2、开启固定床加热保温装置，直至固定床内的温度达到载氧体脱氧反应的反应温度；步骤3、开启固定床的水蒸气流量控制阀，余热锅炉所产生水蒸气通过固定床水蒸气入口进入固定床内，固定床中载氧体发生氧脱氧反应，生成氧气；步骤4、当固定床中载氧体完全脱氧后，开启固定床卸料口流量阀，脱氧后的载氧体进入流化床内；步骤5、开启冷凝器的空气流量控制阀，冷空气进入冷凝器中并与固定床释放的氧气和水蒸气进行热交换，水蒸气冷凝成水流入余热锅炉，氧气通过布袋除尘器进入储气柜中储存；步骤6、换热后的空气通过流化床空气进口进入流化床内，并与脱氧后的载氧体发生氧化反应，生成贫氧空气和再生载氧体；步骤7、开启旋风分离器，分离流化床释放的贫氧空气和再生载氧体颗粒，再生载氧体颗粒通过旋风分离器料腿返回固定床，即返回执行步骤2；装置运行平稳后，根据化学反应所需量，调节卸料口流量阀、水蒸气流量控制阀和空气流量控制阀；若达到氧气需求量，则停止装置，通过放料口清空流化床和固定床，并将多余的水蒸气排入蒸气管网或带动汽轮机发电。
在利用上述化学链空气分离技术制备高纯氧气的装置进行氧气制备的过程中，发现在过程中冷凝器的冷空气流速与固定床释放的水蒸气流速之间的协同是优化氧气纯度的关键控制参数。但是，现有的装置没有配置专门的控制模块来对上述参数进行优化控制。
因此，期待一种更为优化的化学链空气分离技术制备高纯氧气的装置。
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化学链空气分离技术制备高纯氧气的装置及方法，其配置控制系统来对所述冷凝器的冷空气流速与固定床释放的水蒸气流速进行协同控制以优化氧气纯度制备。具体的，其挖掘冷凝器的冷空气流速与固定床释放的水蒸气流速之间的协同关联模式，通过深度学习和神经网络技术构建化学链空气分离技术制备高纯氧气的装置的控制系统，将预定时间段内多个预定时间点的固定床的水蒸气流量控制阀的第一阀门开度值以及所述多个预定时间点的冷凝器的空气流量控制阀的第二阀门开度值输入该控制系统，以得到用于表示当前时间点的水蒸气流量控制阀的开度值应增大或应减小的分类结果。通过这样的方式，优化氧气纯度制备，提高氧气的制备纯度。
根据本申请的一个方面，提供了一种化学链空气分离技术制备高纯氧气的装置，其包括：
阀门开度监控模块，用于获取预定时间段内多个预定时间点的固定床的水蒸气流量控制阀的第一阀门开度值以及所述多个预定时间点的冷凝器的空气流量控制阀的第二阀门开度值；
阀门开度结构化模块，用于将所述多个预定时间点的固定床的水蒸气流量控制阀的第一阀门开度值和所述多个预定时间点的冷凝器的空气流量控制阀的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；
协同模块，用于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全时序阀门开度关联矩阵；
协同隐含特征提取模块，用于将所述全时序阀门开度关联矩阵通过卷积神经网络模型以得到全时序阀门开度关联特征矩阵；
待控制阀门开度时序特征提取模块，用于将所述第一阀门开度输入向量通过多尺度邻域特征提取模块以得到第一阀门开度特征向量；
校正模块，用于以所述第一阀门开度特征向量作为查询特征向量，计算所述第一阀门开度特征向量与所述全时序阀门开度关联特征矩阵之间的乘积以得到分类特征向量；
优化模块，用于基于所述第一阀门开度特征向量，对所述分类特征向量进行特征分布优化以得到优化分类特征向量；以及
控制结果生成模块，用于将所述优化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水蒸气流量控制阀的开度值应增大或应减小。
在上述的化学链空气分离技术制备高纯氧气的装置中，所述协同模块，进一步用于：以如下公式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全时序阀门开度关联矩阵；
其中，所述公式为：
其中
表示所述第一阀门开度输入向量，
表示所述第一阀门开度输入向量的转置向量，
表示所述第二阀门开度输入向量，
表示所述全时序阀门开度关联矩阵，
表示向量相乘。
在上述的化学链空气分离技术制备高纯氧气的装置中，所述协同隐含特征提取模块，进一步用于：
使用所述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卷积处理、沿通道维度的池化处理和非线性激活处理以由所述卷积神经网络模型的最后一层输出所述全时序阀门开度关联特征矩阵，其中，所述卷积神经网络模型的第一层的输入为所述全时序阀门开度关联矩阵。
在上述的化学链空气分离技术制备高纯氧气的装置中，所述多尺度邻域特征提取模块，包括：并行的第一卷积层和第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的多尺度融合层，其中，所述第一卷积层和所述第二卷积层使用具有不同尺度的一维卷积核。
在上述的化学链空气分离技术制备高纯氧气的装置中，所述待控制阀门开度时序特征提取模块，包括：
第一尺度特征提取单元，用于使用所述多尺度邻域特征提取模块的第一卷积层对所述第一阀门开度输入向量进行一维卷积编码以得到第一尺度特征向量，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，用于使用所述多尺度邻域特征提取模块的第二卷积层对所述第一阀门开度输入向量进行一维卷积编码以得到第二尺度特征向量，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
多尺度融合单元，用于使用所述多尺度邻域特征提取模块的多尺度融合层对所述第一尺度特征向量和所述第二尺度特征向量进行级联以得到所述第一阀门开度特征向量。
在上述的化学链空气分离技术制备高纯氧气的装置中，
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第一阀门开度输入向量进行一维卷积编码以得到所述第一尺度特征向量；
其中，所述公式为：
其中，
为第一一维卷积核在
方向上的宽度、
为第一一维卷积核参数向量、
为与卷积核函数运算的局部向量矩阵，
为第一一维卷积核的尺寸，
表示所述第一阀门开度输入向量；以及
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第一阀门开度输入向量进行一维卷积编码以得到所述第二尺度特征向量；
其中，所述公式为：
其中，
为第二一维卷积核在
方向上的宽度、
为第二一维卷积核参数向量、
为与卷积核函数运算的局部向量矩阵，
为第二一维卷积核的尺寸，
表示所述第一阀门开度输入向量。
在上述的化学链空气分离技术制备高纯氧气的装置中，所述优化模块，包括：
关联矩阵生成单元，用于基于所述分类特征向量和所述第一阀门开度特征向量，计算图核游走节点分布关联特征矩阵，所述图核游走节点分布关联特征矩阵与所述分类特征向量和所述第一阀门开度特征向量之间的距离矩阵；以及
作用单元，用于将所述图核游走节点分布关联特征矩阵与所述述分类特征向量进行相乘以得到所述优化分类特征向量。
在上述的化学链空气分离技术制备高纯氧气的装置中，所述关联矩阵生成单元，进一步用于：
基于所述分类特征向量和所述第一阀门开度特征向量，以如下公式计算所述图核游走节点分布关联特征矩阵；
其中，所述公式为：
其中，
为所述分类特征向量，
为所述第一阀门开度特征向量，
为所述分类特征向量和所述第一阀门开度特征向量的距离矩阵，且所述分类特征向量和所述第一阀门开度特征向量均为列向量，
表示矩阵的指数运算，所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值，
表示矩阵相乘。
在上述的化学链空气分离技术制备高纯氧气的装置中，所述控制结果生成模块，进一步用于：
使用所述分类器的多个全连接层对所述优化分类特征向量进行全连接编码以得到编码分类特征向量；以及
将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
根据本申请的另一个方面，提供了一种化学链空气分离技术制备高纯氧气的方法，其包括：
获取预定时间段内多个预定时间点的固定床的水蒸气流量控制阀的第一阀门开度值以及所述多个预定时间点的冷凝器的空气流量控制阀的第二阀门开度值；
将所述多个预定时间点的固定床的水蒸气流量控制阀的第一阀门开度值和所述多个预定时间点的冷凝器的空气流量控制阀的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；
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全时序阀门开度关联矩阵；
将所述全时序阀门开度关联矩阵通过卷积神经网络模型以得到全时序阀门开度关联特征矩阵；
将所述第一阀门开度输入向量通过多尺度邻域特征提取模块以得到第一阀门开度特征向量；
以所述第一阀门开度特征向量作为查询特征向量，计算所述第一阀门开度特征向量与所述全时序阀门开度关联特征矩阵之间的乘积以得到分类特征向量；
基于所述第一阀门开度特征向量，对所述分类特征向量进行特征分布优化以得到优化分类特征向量；以及
将所述优化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水蒸气流量控制阀的开度值应增大或应减小。
与现有技术相比，本申请提供的一种化学链空气分离技术制备高纯氧气的装置及方法，其配置控制系统来对所述冷凝器的冷空气流速与固定床释放的水蒸气流速进行协同控制以优化氧气纯度制备。具体的，其挖掘冷凝器的冷空气流速与固定床释放的水蒸气流速之间的协同关联模式，通过深度学习和神经网络技术构建化学链空气分离技术制备高纯氧气的装置的控制系统，将预定时间段内多个预定时间点的固定床的水蒸气流量控制阀的第一阀门开度值以及所述多个预定时间点的冷凝器的空气流量控制阀的第二阀门开度值输入该控制系统，以得到用于表示当前时间点的水蒸气流量控制阀的开度值应增大或应减小的分类结果。通过这样的方式，优化氧气纯度制备，提高氧气的制备纯度。
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化学链空气分离技术制备高纯氧气的装置的应用场景图。
图2为根据本申请实施例的化学链空气分离技术制备高纯氧气的装置的框图示意图。
图3为根据本申请实施例的化学链空气分离技术制备高纯氧气的装置中所述待控制阀门开度时序特征提取模块的框图示意图。
图4为根据本申请实施例的化学链空气分离技术制备高纯氧气的装置中所述优化模块的框图示意图。
图5为根据本申请实施例的化学链空气分离技术制备高纯氧气的方法的流程图。
图6为根据本申请实施例的化学链空气分离技术制备高纯氧气的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，中国公开专利CN 103043616A揭露了一种化学链空气分离技术制备高纯氧气的装置及方法，所述装置包括流化床、旋风分离器、固定床、余热锅炉、冷凝器、布袋除尘器和储气柜，通过此设备可提高氧气制备的纯度，且能耗更低、操作更加简单。在利用上述化学链空气分离技术制备高纯氧气的装置进行氧气制备的过程中，发现在过程中冷凝器的冷空气流速与固定床释放的水蒸气流速之间的协同是优化氧气纯度的关键控制参数。但是，现有的装置没有配置专门的控制模块来对上述参数进行优化控制。
因此，期待一种更为优化的化学链空气分离技术制备高纯氧气的装置，其配置控制系统来对所述冷凝器的冷空气流速与固定床释放的水蒸气流速进行协同控制以优化氧气纯度制备。
在构建所述控制系统时，关键难度在于挖掘冷凝器的冷空气流速与固定床释放的水蒸气流速之间的协同关联模式。在测试中发现两者之间的协同关联模式难以通过简单的数理模型进行表示，其原因为两者之间存在复杂的非线性关联。
近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。
深度学习以及神经网络的发展为所述控制系统的构建提供了新的解决思路和方案。本领域普通技术人员应知晓，相较于传统的数理模型或传统机器学习模型，基于深度学习的神经网络模型可通过适当的训练策略来模拟任何复杂的映射模型，包括复杂的非线性映射模型。因此，其天然适配于所述控制系统的构建。
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固定床的水蒸气流量控制阀的第一阀门开度值以及所述多个预定时间点的冷凝器的空气流量控制阀的第二阀门开度值。也就是，通过传感器系统来实时监测所述固定床的水蒸气流量控制阀的阀门开度值以及所述冷凝器的空气流量控制阀的阀门开度值。
然后，将所述第一阀门开度输入向量通过多尺度邻域特征提取模块以得到第一阀门开度特征向量。所述多尺度邻域特征提取模块包括并行的第一卷积层和第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的多尺度融合层，其中，所述第一卷积层和所述第二卷积层使用具有不同尺度的一维卷积核。相应地，在编码过程中，所述多尺度邻域特征提取模块使用所述第一卷积层和所述第二卷积层对所述第一阀门开度输入向量进行不同尺度的一维卷积编码以提取所述第一阀门开度输入向量中不同时间宽度内第一阀门开度的局部部分的高维隐含关联模式特征，进而使用所述多尺度融合层将所述第一阀门开度输入向量中不同时间宽度内第一阀门开度的局部部分的高维隐含关联模式特征进行融合以得到所述第一阀门开度特征向量。
接着，将所述多个预定时间点的固定床的水蒸气流量控制阀的第一阀门开度值和所述多个预定时间点的冷凝器的空气流量控制阀的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；然后，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全时序阀门开度关联矩阵。也就是，首先构造所述冷凝器的空气流量控制阀的阀门开度的时序向量以及所述固定床的水蒸气流量控制阀的阀门开度的时序向量，并对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进行关联编码以在源域空间中构建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全时序阀门开度关联矩阵。例如，在本申请一个具体的示例中，计算所述第一阀门开度输入向量的转置向量与所述第二阀门开度输入向量之间的乘积以得到所述全时序阀门开度关联矩阵。
进而，将所述全时序阀门开度关联矩阵通过卷积神经网络模型以得到全时序阀门开度关联特征矩阵。也就是，使用在局部特征提取领域具有优异性能的卷积神经网络模型作为特征提取器对所述全时序阀门开度关联特征矩阵进行深度卷积编码以提取所述全时序阀门开度关联矩阵中第一阀门开度和第二阀门开度之间在局部时序空间内高维隐含关联特征。
特别地，在本申请的技术方案中，以所述第一阀门开度特征向量作为查询特征向量，计算所述第一阀门开度特征向量与所述全时序阀门开度关联特征矩阵之间的乘积以得到分类特征向量。也就是，以所述第一阀门开度值的时序向量和所述第二阀门开度值的时序向量在高维特征空间中的联立表达来对所述第一阀门开度特征向量中各个位置的特征值进行特征值校正以得到所述分类特征向量。应可以理解，所述分类特征向量中融合了所述第一阀门开度的时序分布特征以及所述第一阀门开度和所述第二阀门开度之间的协同特征，进一步在使用分类器对所述分类特征向量进行处理以得到用于表示当前时间点的水蒸气流量控制阀的开度值应增大或应减小的分类结果时，所述分类结果所表示的控制策略考虑到所述冷凝器的冷空气流速与固定床释放的水蒸气流速之间的非线性协同性，通过这样的方式，来优化氧气纯度制备。
特别地，在本申请的技术方案中，通过以所述第一阀门开度特征向量作为查询特征向量，计算其与所述全时序阀门开度关联特征矩阵之间的乘积得到所述分类特征向量，可以使得所述分类特征向量表达所述第一阀门开度值和所述第二阀门开度值之间的关联特征在第一阀门开度值的多尺度时序分布下的特征表示，而如果能够进一步提升所述分类特征向量与所述第一阀门开度特征向量之间的跨所述全时序阀门开度关联特征矩阵的向量级的响应关联，则显然可以提升所述分类特征向量的分类结果的准确性。
因此，基于所述分类特征向量和所述第一阀门开度特征向量计算图核游走节点分布关联特征矩阵，表示为：
所述图核游走节点分布关联特征矩阵模拟图核的思路，将所述分类特征向量
和所述第一阀门开度特征向量
分别视为图中的节点，基于所述分类特征向量
和所述第一阀门开度特征向量
的特征分布在距离拓扑图上进行游走，以将拓扑节点泛化到相对于所述分类特征向量
和所述第一阀门开度特征向量
的类别特征分布具有连续高维类空间属性的场景下，从而表示作为拓扑节点的所述分类特征向量
和所述第一阀门开度特征向量
在关联响应特征的高维特征空间内的局部分布信息，以表达所述分类特征向量
和所述第一阀门开度特征向量
的向量级的响应关联。
进一步，将所述图核游走节点分布关联特征矩阵
与所述分类特征向量
进行矩阵相乘，以将所述分类特征向量
映射到所述分类特征向量
和所述第一阀门开度特征向量
的向量级的响应特征空间内，以表达所述分类特征向量
和所述第一阀门开度特征向量
的向量级的响应关联。
基于此，本申请提供了一种化学链空气分离技术制备高纯氧气的装置，其包括：阀门开度监控模块，用于获取预定时间段内多个预定时间点的固定床的水蒸气流量控制阀的第一阀门开度值以及所述多个预定时间点的冷凝器的空气流量控制阀的第二阀门开度值；阀门开度结构化模块，用于将所述多个预定时间点的固定床的水蒸气流量控制阀的第一阀门开度值和所述多个预定时间点的冷凝器的空气流量控制阀的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；协同模块，用于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全时序阀门开度关联矩阵；协同隐含特征提取模块，用于将所述全时序阀门开度关联矩阵通过卷积神经网络模型以得到全时序阀门开度关联特征矩阵；待控制阀门开度时序特征提取模块，用于将所述第一阀门开度输入向量通过多尺度邻域特征提取模块以得到第一阀门开度特征向量；校正模块，用于以所述第一阀门开度特征向量作为查询特征向量，计算所述第一阀门开度特征向量与所述全时序阀门开度关联特征矩阵之间的乘积以得到分类特征向量；优化模块，用于基于所述第一阀门开度特征向量，对所述分类特征向量进行特征分布优化以得到优化分类特征向量；以及，控制结果生成模块，用于将所述优化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水蒸气流量控制阀的开度值应增大或应减小。
图1为根据本申请实施例的化学链空气分离技术制备高纯氧气的装置的应用场景图。如图1所示，在该应用场景中，获取预定时间段内多个预定时间点的固定床（例如，如图1中所示意的C1）的水蒸气流量控制阀（例如，如图1中所示意的C2）的第一阀门开度值（例如，如图1中所示意的D2）以及所述多个预定时间点的冷凝器（例如，如图1中所示意的L1）的空气流量控制阀（例如，如图1中所示意的L2）的第二阀门开度值（例如，如图1中所示意的D2），然后，将所述多个预定时间点的固定床的水蒸气流量控制阀的第一阀门开度值和所述多个预定时间点的冷凝器的空气流量控制阀的第二阀门开度值输入至部署有化学链空气分离技术制备高纯氧气的算法的服务器中（例如，图1中所示意的S），其中，所述服务器能够使用所述化学链空气分离技术制备高纯氧气的算法对所述多个预定时间点的固定床的水蒸气流量控制阀的第一阀门开度值和所述多个预定时间点的冷凝器的空气流量控制阀的第二阀门开度值进行处理以得到用于表示当前时间点的水蒸气流量控制阀的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。
示例性装置
图2为根据本申请实施例的化学链空气分离技术制备高纯氧气的装置的框图示意图。如图2所示，根据本申请实施例的化学链空气分离技术制备高纯氧气的装置100，包括：阀门开度监控模块110，用于获取预定时间段内多个预定时间点的固定床的水蒸气流量控制阀的第一阀门开度值以及所述多个预定时间点的冷凝器的空气流量控制阀的第二阀门开度值；阀门开度结构化模块120，用于将所述多个预定时间点的固定床的水蒸气流量控制阀的第一阀门开度值和所述多个预定时间点的冷凝器的空气流量控制阀的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；协同模块130，用于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全时序阀门开度关联矩阵；协同隐含特征提取模块140，用于将所述全时序阀门开度关联矩阵通过卷积神经网络模型以得到全时序阀门开度关联特征矩阵；待控制阀门开度时序特征提取模块150，用于将所述第一阀门开度输入向量通过多尺度邻域特征提取模块以得到第一阀门开度特征向量；校正模块160，用于以所述第一阀门开度特征向量作为查询特征向量，计算所述第一阀门开度特征向量与所述全时序阀门开度关联特征矩阵之间的乘积以得到分类特征向量；优化模块170，用于基于所述第一阀门开度特征向量，对所述分类特征向量进行特征分布优化以得到优化分类特征向量；以及，控制结果生成模块180，用于将所述优化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水蒸气流量控制阀的开度值应增大或应减小。
更具体地，在本申请实施例中，所述阀门开度监控模块110，用于获取预定时间段内多个预定时间点的固定床的水蒸气流量控制阀的第一阀门开度值以及所述多个预定时间点的冷凝器的空气流量控制阀的第二阀门开度值。也就是，通过传感器系统来实时监测所述固定床的水蒸气流量控制阀的阀门开度值以及所述冷凝器的空气流量控制阀的阀门开度值。在利用化学链空气分离技术制备高纯氧气的装置进行氧气制备的过程中，发现在过程中冷凝器的冷空气流速与固定床释放的水蒸气流速之间的协同是优化氧气纯度的关键控制参数。
更具体地，在本申请实施例中，所述阀门开度结构化模块120，用于将所述多个预定时间点的固定床的水蒸气流量控制阀的第一阀门开度值和所述多个预定时间点的冷凝器的空气流量控制阀的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。
更具体地，在本申请实施例中，所述协同模块130，用于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全时序阀门开度关联矩阵。也就是，首先构造所述冷凝器的空气流量控制阀的阀门开度的时序向量以及所述固定床的水蒸气流量控制阀的阀门开度的时序向量，并对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进行关联编码以在源域空间中构建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全时序阀门开度关联矩阵。例如，在本申请一个具体的示例中，计算所述第一阀门开度输入向量的转置向量与所述第二阀门开度输入向量之间的乘积以得到所述全时序阀门开度关联矩阵。
相应地，在一个具体示例中，所述协同模块130，进一步用于：以如下公式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全时序阀门开度关联矩阵；其中，所述公式为：
其中
表示所述第一阀门开度输入向量，
表示所述第一阀门开度输入向量的转置向量，
表示所述第二阀门开度输入向量，
表示所述全时序阀门开度关联矩阵，
表示向量相乘。
更具体地，在本申请实施例中，所述协同隐含特征提取模块140，用于将所述全时序阀门开度关联矩阵通过卷积神经网络模型以得到全时序阀门开度关联特征矩阵。使用在局部特征提取领域具有优异性能的卷积神经网络模型作为特征提取器对所述全时序阀门开度关联特征矩阵进行深度卷积编码以提取所述全时序阀门开度关联矩阵中第一阀门开度和第二阀门开度之间在局部时序空间内高维隐含关联特征。
相应地，在一个具体示例中，所述协同隐含特征提取模块140，进一步用于：使用所述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卷积处理、沿通道维度的池化处理和非线性激活处理以由所述卷积神经网络模型的最后一层输出所述全时序阀门开度关联特征矩阵，其中，所述卷积神经网络模型的第一层的输入为所述全时序阀门开度关联矩阵。
更具体地，在本申请实施例中，所述待控制阀门开度时序特征提取模块150，用于将所述第一阀门开度输入向量通过多尺度邻域特征提取模块以得到第一阀门开度特征向量。
相应地，在一个具体示例中，所述多尺度邻域特征提取模块，包括：并行的第一卷积层和第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的多尺度融合层，其中，所述第一卷积层和所述第二卷积层使用具有不同尺度的一维卷积核。相应地，在编码过程中，所述多尺度邻域特征提取模块使用所述第一卷积层和所述第二卷积层对所述第一阀门开度输入向量进行不同尺度的一维卷积编码以提取所述第一阀门开度输入向量中不同时间宽度内第一阀门开度的局部部分的高维隐含关联模式特征，进而使用所述多尺度融合层将所述第一阀门开度输入向量中不同时间宽度内第一阀门开度的局部部分的高维隐含关联模式特征进行融合以得到所述第一阀门开度特征向量。
相应地，在一个具体示例中，如图3所示，所述待控制阀门开度时序特征提取模块150，包括：第一尺度特征提取单元151，用于使用所述多尺度邻域特征提取模块的第一卷积层对所述第一阀门开度输入向量进行一维卷积编码以得到第一尺度特征向量，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152，用于使用所述多尺度邻域特征提取模块的第二卷积层对所述第一阀门开度输入向量进行一维卷积编码以得到第二尺度特征向量，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，多尺度融合单元153，用于使用所述多尺度邻域特征提取模块的多尺度融合层对所述第一尺度特征向量和所述第二尺度特征向量进行级联以得到所述第一阀门开度特征向量。
相应地，在一个具体示例中，所述第一尺度特征提取单元151，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第一阀门开度输入向量进行一维卷积编码以得到所述第一尺度特征向量；其中，所述公式为：
其中，
为第一一维卷积核在
方向上的宽度、
为第一一维卷积核参数向量、
为与卷积核函数运算的局部向量矩阵，
为第一一维卷积核的尺寸，
表示所述第一阀门开度输入向量。
相应地，在一个具体示例中，所述第二尺度特征提取单元152，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第一阀门开度输入向量进行一维卷积编码以得到所述第二尺度特征向量；其中，所述公式为：
其中，
为第二一维卷积核在
方向上的宽度、
为第二一维卷积核参数向量、
为与卷积核函数运算的局部向量矩阵，
为第二一维卷积核的尺寸，
表示所述第一阀门开度输入向量。
更具体地，在本申请实施例中，所述校正模块160，用于以所述第一阀门开度特征向量作为查询特征向量，计算所述第一阀门开度特征向量与所述全时序阀门开度关联特征矩阵之间的乘积以得到分类特征向量。也就是，以所述第一阀门开度值的时序向量和所述第二阀门开度值的时序向量在高维特征空间中的联立表达来对所述第一阀门开度特征向量中各个位置的特征值进行特征值校正以得到所述分类特征向量。应可以理解，所述分类特征向量中融合了所述第一阀门开度的时序分布特征以及所述第一阀门开度和所述第二阀门开度之间的协同特征，进一步在使用分类器对所述分类特征向量进行处理以得到用于表示当前时间点的水蒸气流量控制阀的开度值应增大或应减小的分类结果时，所述分类结果所表示的控制策略考虑到所述冷凝器的冷空气流速与固定床释放的水蒸气流速之间的非线性协同性，通过这样的方式，来优化氧气纯度制备。
更具体地，在本申请实施例中，所述优化模块170，用于基于所述第一阀门开度特征向量，对所述分类特征向量进行特征分布优化以得到优化分类特征向量。
相应地，在一个具体示例中，如图4所示，所述优化模块170，包括：关联矩阵生成单元171，用于基于所述分类特征向量和所述第一阀门开度特征向量，计算图核游走节点分布关联特征矩阵，所述图核游走节点分布关联特征矩阵与所述分类特征向量和所述第一阀门开度特征向量之间的距离矩阵；以及，作用单元172，用于将所述图核游走节点分布关联特征矩阵与所述述分类特征向量进行相乘以得到所述优化分类特征向量。
特别地，在本申请的技术方案中，通过以所述第一阀门开度特征向量作为查询特征向量，计算其与所述全时序阀门开度关联特征矩阵之间的乘积得到所述分类特征向量，可以使得所述分类特征向量表达所述第一阀门开度值和所述第二阀门开度值之间的关联特征在第一阀门开度值的多尺度时序分布下的特征表示，而如果能够进一步提升所述分类特征向量与所述第一阀门开度特征向量之间的跨所述全时序阀门开度关联特征矩阵的向量级的响应关联，则显然可以提升所述分类特征向量的分类结果的准确性。因此，基于所述分类特征向量和所述第一阀门开度特征向量计算图核游走节点分布关联特征矩阵。
相应地，在一个具体示例中，所述关联矩阵生成单元171，进一步用于：基于所述分类特征向量和所述第一阀门开度特征向量，以如下公式计算所述图核游走节点分布关联特征矩阵；其中，所述公式为：
其中，
为所述分类特征向量，
为所述第一阀门开度特征向量，
为所述分类特征向量和所述第一阀门开度特征向量的距离矩阵，且所述分类特征向量和所述第一阀门开度特征向量均为列向量，
表示矩阵的指数运算，所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值，
表示矩阵相乘。
所述图核游走节点分布关联特征矩阵模拟图核的思路，将所述分类特征向量
和所述第一阀门开度特征向量
分别视为图中的节点，基于所述分类特征向量
和所述第一阀门开度特征向量
的特征分布在距离拓扑图上进行游走，以将拓扑节点泛化到相对于所述分类特征向量
和所述第一阀门开度特征向量
的类别特征分布具有连续高维类空间属性的场景下，从而表示作为拓扑节点的所述分类特征向量
和所述第一阀门开度特征向量
在关联响应特征的高维特征空间内的局部分布信息，以表达所述分类特征向量
和所述第一阀门开度特征向量
的向量级的响应关联。
进一步，将所述图核游走节点分布关联特征矩阵
与所述分类特征向量
进行矩阵相乘，以将所述分类特征向量
映射到所述分类特征向量
和所述第一阀门开度特征向量
的向量级的响应特征空间内，以表达所述分类特征向量
和所述第一阀门开度特征向量
的向量级的响应关联。
更具体地，在本申请实施例中，所述控制结果生成模块180，用于将所述优化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水蒸气流量控制阀的开度值应增大或应减小。
相应地，在一个具体示例中，所述控制结果生成模块180，进一步用于：使用所述分类器的多个全连接层对所述优化分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
综上，基于本申请实施例的化学链空气分离技术制备高纯氧气的装置100被阐明，其配置控制系统来对所述冷凝器的冷空气流速与固定床释放的水蒸气流速进行协同控制以优化氧气纯度制备。具体的，其挖掘冷凝器的冷空气流速与固定床释放的水蒸气流速之间的协同关联模式，通过深度学习和神经网络技术构建化学链空气分离技术制备高纯氧气的装置的控制系统，将预定时间段内多个预定时间点的固定床的水蒸气流量控制阀的第一阀门开度值以及所述多个预定时间点的冷凝器的空气流量控制阀的第二阀门开度值输入该控制系统，以得到用于表示当前时间点的水蒸气流量控制阀的开度值应增大或应减小的分类结果。通过这样的方式，优化氧气纯度制备，提高氧气的制备纯度。
如上所述，根据本申请实施例的所述化学链空气分离技术制备高纯氧气的装置100可以实现在各种终端设备中，例如具有化学链空气分离技术制备高纯氧气的算法的服务器等。在一个示例中，化学链空气分离技术制备高纯氧气的装置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，该化学链空气分离技术制备高纯氧气的装置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，该化学链空气分离技术制备高纯氧气的装置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，该化学链空气分离技术制备高纯氧气的装置100与该终端设备也可以是分立的设备，并且该化学链空气分离技术制备高纯氧气的装置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化学链空气分离技术制备高纯氧气的方法的流程图。如图5所示，根据本申请实施例的化学链空气分离技术制备高纯氧气的方法，其包括：S110，获取预定时间段内多个预定时间点的固定床的水蒸气流量控制阀的第一阀门开度值以及所述多个预定时间点的冷凝器的空气流量控制阀的第二阀门开度值；S120，将所述多个预定时间点的固定床的水蒸气流量控制阀的第一阀门开度值和所述多个预定时间点的冷凝器的空气流量控制阀的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；S130，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全时序阀门开度关联矩阵；S140，将所述全时序阀门开度关联矩阵通过卷积神经网络模型以得到全时序阀门开度关联特征矩阵；S150，将所述第一阀门开度输入向量通过多尺度邻域特征提取模块以得到第一阀门开度特征向量；S160，以所述第一阀门开度特征向量作为查询特征向量，计算所述第一阀门开度特征向量与所述全时序阀门开度关联特征矩阵之间的乘积以得到分类特征向量；S170，基于所述第一阀门开度特征向量，对所述分类特征向量进行特征分布优化以得到优化分类特征向量；以及，S180，将所述优化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水蒸气流量控制阀的开度值应增大或应减小。
图6为根据本申请实施例的化学链空气分离技术制备高纯氧气的方法的系统架构的示意图。如图6所示，在所述化学链空气分离技术制备高纯氧气的方法的系统架构中，首先，获取预定时间段内多个预定时间点的固定床的水蒸气流量控制阀的第一阀门开度值以及所述多个预定时间点的冷凝器的空气流量控制阀的第二阀门开度值；接着，将所述多个预定时间点的固定床的水蒸气流量控制阀的第一阀门开度值和所述多个预定时间点的冷凝器的空气流量控制阀的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；然后，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全时序阀门开度关联矩阵；接着，将所述全时序阀门开度关联矩阵通过卷积神经网络模型以得到全时序阀门开度关联特征矩阵；然后，将所述第一阀门开度输入向量通过多尺度邻域特征提取模块以得到第一阀门开度特征向量；接着，以所述第一阀门开度特征向量作为查询特征向量，计算所述第一阀门开度特征向量与所述全时序阀门开度关联特征矩阵之间的乘积以得到分类特征向量；然后，基于所述第一阀门开度特征向量，对所述分类特征向量进行特征分布优化以得到优化分类特征向量；最后，将所述优化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水蒸气流量控制阀的开度值应增大或应减小。
在一个具体示例中，在上述化学链空气分离技术制备高纯氧气的方法中，所述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全时序阀门开度关联矩阵，进一步包括：以如下公式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全时序阀门开度关联矩阵；其中，所述公式为：
其中
表示所述第一阀门开度输入向量，
表示所述第一阀门开度输入向量的转置向量，
表示所述第二阀门开度输入向量，
表示所述全时序阀门开度关联矩阵，
表示向量相乘。
在一个具体示例中，在上述化学链空气分离技术制备高纯氧气的方法中，所述将所述全时序阀门开度关联矩阵通过卷积神经网络模型以得到全时序阀门开度关联特征矩阵，进一步包括：使用所述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卷积处理、沿通道维度的池化处理和非线性激活处理以由所述卷积神经网络模型的最后一层输出所述全时序阀门开度关联特征矩阵，其中，所述卷积神经网络模型的第一层的输入为所述全时序阀门开度关联矩阵。
在一个具体示例中，在上述化学链空气分离技术制备高纯氧气的方法中，所述多尺度邻域特征提取模块，包括：并行的第一卷积层和第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的多尺度融合层，其中，所述第一卷积层和所述第二卷积层使用具有不同尺度的一维卷积核。
在一个具体示例中，在上述化学链空气分离技术制备高纯氧气的方法中，所述将所述第一阀门开度输入向量通过多尺度邻域特征提取模块以得到第一阀门开度特征向量，包括：使用所述多尺度邻域特征提取模块的第一卷积层对所述第一阀门开度输入向量进行一维卷积编码以得到第一尺度特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；使用所述多尺度邻域特征提取模块的第二卷积层对所述第一阀门开度输入向量进行一维卷积编码以得到第二尺度特征向量，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，使用所述多尺度邻域特征提取模块的多尺度融合层对所述第一尺度特征向量和所述第二尺度特征向量进行级联以得到所述第一阀门开度特征向量。
在一个具体示例中，在上述化学链空气分离技术制备高纯氧气的方法中，所述使用所述多尺度邻域特征提取模块的第一卷积层对所述第一阀门开度输入向量进行一维卷积编码以得到第一尺度特征向量，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第一阀门开度输入向量进行一维卷积编码以得到所述第一尺度特征向量；其中，所述公式为：
其中，
为第一一维卷积核在
方向上的宽度、
为第一一维卷积核参数向量、
为与卷积核函数运算的局部向量矩阵，
为第一一维卷积核的尺寸，
表示所述第一阀门开度输入向量。
在一个具体示例中，在上述化学链空气分离技术制备高纯氧气的方法中，所述使用所述多尺度邻域特征提取模块的第二卷积层对所述第一阀门开度输入向量进行一维卷积编码以得到第二尺度特征向量，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第一阀门开度输入向量进行一维卷积编码以得到所述第二尺度特征向量；其中，所述公式为：
其中，
为第二一维卷积核在
方向上的宽度、
为第二一维卷积核参数向量、
为与卷积核函数运算的局部向量矩阵，
为第二一维卷积核的尺寸，
表示所述第一阀门开度输入向量。
在一个具体示例中，在上述化学链空气分离技术制备高纯氧气的方法中，所述基于所述第一阀门开度特征向量，对所述分类特征向量进行特征分布优化以得到优化分类特征向量，包括：基于所述分类特征向量和所述第一阀门开度特征向量，计算图核游走节点分布关联特征矩阵，所述图核游走节点分布关联特征矩阵与所述分类特征向量和所述第一阀门开度特征向量之间的距离矩阵；以及，将所述图核游走节点分布关联特征矩阵与所述述分类特征向量进行相乘以得到所述优化分类特征向量。
在一个具体示例中，在上述化学链空气分离技术制备高纯氧气的方法中，所述基于所述分类特征向量和所述第一阀门开度特征向量，计算图核游走节点分布关联特征矩阵，进一步包括：基于所述分类特征向量和所述第一阀门开度特征向量，以如下公式计算所述图核游走节点分布关联特征矩阵；其中，所述公式为：
其中，
为所述分类特征向量，
为所述第一阀门开度特征向量，
为所述分类特征向量和所述第一阀门开度特征向量的距离矩阵，且所述分类特征向量和所述第一阀门开度特征向量均为列向量，
表示矩阵的指数运算，所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值，
表示矩阵相乘。
在一个具体示例中，在上述化学链空气分离技术制备高纯氧气的方法中，所述将所述优化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水蒸气流量控制阀的开度值应增大或应减小，进一步包括：使用所述分类器的多个全连接层对所述优化分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
这里，本领域技术人员可以理解，上述化学链空气分离技术制备高纯氧气的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的化学链空气分离技术制备高纯氧气的装置的描述中得到了详细介绍，并因此，将省略其重复描述。
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，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 (10)
1.一种化学链空气分离技术制备高纯氧气的装置，其特征在于，包括：
阀门开度监控模块，用于获取预定时间段内多个预定时间点的固定床的水蒸气流量控制阀的第一阀门开度值以及所述多个预定时间点的冷凝器的空气流量控制阀的第二阀门开度值；
阀门开度结构化模块，用于将所述多个预定时间点的固定床的水蒸气流量控制阀的第一阀门开度值和所述多个预定时间点的冷凝器的空气流量控制阀的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；
协同模块，用于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全时序阀门开度关联矩阵；
协同隐含特征提取模块，用于将所述全时序阀门开度关联矩阵通过卷积神经网络模型以得到全时序阀门开度关联特征矩阵；
待控制阀门开度时序特征提取模块，用于将所述第一阀门开度输入向量通过多尺度邻域特征提取模块以得到第一阀门开度特征向量；
校正模块，用于以所述第一阀门开度特征向量作为查询特征向量，计算所述第一阀门开度特征向量与所述全时序阀门开度关联特征矩阵之间的乘积以得到分类特征向量；
优化模块，用于基于所述第一阀门开度特征向量，对所述分类特征向量进行特征分布优化以得到优化分类特征向量；以及
控制结果生成模块，用于将所述优化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水蒸气流量控制阀的开度值应增大或应减小。
2.根据权利要求1所述的化学链空气分离技术制备高纯氧气的装置，其特征在于，所述协同模块，进一步用于：以如下公式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全时序阀门开度关联矩阵；
其中，所述公式为：
其中
表示所述第一阀门开度输入向量，
表示所述第一阀门开度输入向量的转置向量，
表示所述第二阀门开度输入向量，
表示所述全时序阀门开度关联矩阵，
表示向量相乘。
3.根据权利要求2所述的化学链空气分离技术制备高纯氧气的装置，其特征在于，所述协同隐含特征提取模块，进一步用于：
使用所述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卷积处理、沿通道维度的池化处理和非线性激活处理以由所述卷积神经网络模型的最后一层输出所述全时序阀门开度关联特征矩阵，其中，所述卷积神经网络模型的第一层的输入为所述全时序阀门开度关联矩阵。
4.根据权利要求3所述的化学链空气分离技术制备高纯氧气的装置，其特征在于，所述多尺度邻域特征提取模块，包括：并行的第一卷积层和第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的多尺度融合层，其中，所述第一卷积层和所述第二卷积层使用具有不同尺度的一维卷积核。
5.根据权利要求4所述的化学链空气分离技术制备高纯氧气的装置，其特征在于，所述待控制阀门开度时序特征提取模块，包括：
第一尺度特征提取单元，用于使用所述多尺度邻域特征提取模块的第一卷积层对所述第一阀门开度输入向量进行一维卷积编码以得到第一尺度特征向量，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，用于使用所述多尺度邻域特征提取模块的第二卷积层对所述第一阀门开度输入向量进行一维卷积编码以得到第二尺度特征向量，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
多尺度融合单元，用于使用所述多尺度邻域特征提取模块的多尺度融合层对所述第一尺度特征向量和所述第二尺度特征向量进行级联以得到所述第一阀门开度特征向量。
6.根据权利要求5所述的化学链空气分离技术制备高纯氧气的装置，其特征在于，
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第一阀门开度输入向量进行一维卷积编码以得到所述第一尺度特征向量；
其中，所述公式为：
其中，
为第一一维卷积核在
方向上的宽度、
为第一一维卷积核参数向量、
为与卷积核函数运算的局部向量矩阵，
为第一一维卷积核的尺寸，
表示所述第一阀门开度输入向量；以及
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第一阀门开度输入向量进行一维卷积编码以得到所述第二尺度特征向量；
其中，所述公式为：
其中，
为第二一维卷积核在
方向上的宽度、
为第二一维卷积核参数向量、
为与卷积核函数运算的局部向量矩阵，
为第二一维卷积核的尺寸，
表示所述第一阀门开度输入向量。
7.根据权利要求6所述的化学链空气分离技术制备高纯氧气的装置，其特征在于，所述优化模块，包括：
关联矩阵生成单元，用于基于所述分类特征向量和所述第一阀门开度特征向量，计算图核游走节点分布关联特征矩阵，所述图核游走节点分布关联特征矩阵与所述分类特征向量和所述第一阀门开度特征向量之间的距离矩阵；以及
作用单元，用于将所述图核游走节点分布关联特征矩阵与所述述分类特征向量进行相乘以得到所述优化分类特征向量。
8.根据权利要求7所述的化学链空气分离技术制备高纯氧气的装置，其特征在于，所述关联矩阵生成单元，进一步用于：
基于所述分类特征向量和所述第一阀门开度特征向量，以如下公式计算所述图核游走节点分布关联特征矩阵；
其中，所述公式为：
其中，
为所述分类特征向量，
为所述第一阀门开度特征向量，
为所述分类特征向量和所述第一阀门开度特征向量的距离矩阵，且所述分类特征向量和所述第一阀门开度特征向量均为列向量，
表示矩阵的指数运算，所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值，
表示矩阵相乘。
9.根据权利要求8所述的化学链空气分离技术制备高纯氧气的装置，其特征在于，所述控制结果生成模块，进一步用于：
使用所述分类器的多个全连接层对所述优化分类特征向量进行全连接编码以得到编码分类特征向量；以及
将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
10.一种化学链空气分离技术制备高纯氧气的方法，其特征在于，包括：
获取预定时间段内多个预定时间点的固定床的水蒸气流量控制阀的第一阀门开度值以及所述多个预定时间点的冷凝器的空气流量控制阀的第二阀门开度值；
将所述多个预定时间点的固定床的水蒸气流量控制阀的第一阀门开度值和所述多个预定时间点的冷凝器的空气流量控制阀的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；
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全时序阀门开度关联矩阵；
将所述全时序阀门开度关联矩阵通过卷积神经网络模型以得到全时序阀门开度关联特征矩阵；
将所述第一阀门开度输入向量通过多尺度邻域特征提取模块以得到第一阀门开度特征向量；
以所述第一阀门开度特征向量作为查询特征向量，计算所述第一阀门开度特征向量与所述全时序阀门开度关联特征矩阵之间的乘积以得到分类特征向量；
基于所述第一阀门开度特征向量，对所述分类特征向量进行特征分布优化以得到优化分类特征向量；以及
将所述优化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水蒸气流量控制阀的开度值应增大或应减小。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310133395.1A CN116086133A (zh) | 2023-02-20 | 2023-02-20 | 化学链空气分离技术制备高纯氧气的装置及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310133395.1A CN116086133A (zh) | 2023-02-20 | 2023-02-20 | 化学链空气分离技术制备高纯氧气的装置及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116086133A true CN116086133A (zh) | 2023-05-09 |
Family
ID=86204377
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310133395.1A Withdrawn CN116086133A (zh) | 2023-02-20 | 2023-02-20 | 化学链空气分离技术制备高纯氧气的装置及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116086133A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116272363A (zh) * | 2023-05-17 | 2023-06-23 | 浙江浙能迈领环境科技有限公司 | 船舶废气混合式脱硫系统及其方法 |
| CN116647411A (zh) * | 2023-07-17 | 2023-08-25 | 厦门巴掌互动科技有限公司 | 游戏平台网络安全的监测预警方法 |
| CN116736895A (zh) * | 2023-05-25 | 2023-09-12 | 潮州深能城市燃气发展有限公司 | 基于音速喷嘴法气体流量控制系统 |
| CN117018858A (zh) * | 2023-08-11 | 2023-11-10 | 滁州锡安环保科技有限责任公司 | 工业废气净化设备及其控制方法 |
-
2023
- 2023-02-20 CN CN202310133395.1A patent/CN116086133A/zh not_active Withdrawn
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116272363A (zh) * | 2023-05-17 | 2023-06-23 | 浙江浙能迈领环境科技有限公司 | 船舶废气混合式脱硫系统及其方法 |
| CN116272363B (zh) * | 2023-05-17 | 2023-08-01 | 浙江浙能迈领环境科技有限公司 | 船舶废气混合式脱硫系统及其方法 |
| CN116736895A (zh) * | 2023-05-25 | 2023-09-12 | 潮州深能城市燃气发展有限公司 | 基于音速喷嘴法气体流量控制系统 |
| CN116736895B (zh) * | 2023-05-25 | 2024-05-03 | 潮州深能城市燃气发展有限公司 | 基于音速喷嘴法气体流量控制系统 |
| CN116647411A (zh) * | 2023-07-17 | 2023-08-25 | 厦门巴掌互动科技有限公司 | 游戏平台网络安全的监测预警方法 |
| CN116647411B (zh) * | 2023-07-17 | 2023-09-22 | 厦门巴掌互动科技有限公司 | 游戏平台网络安全的监测预警方法 |
| CN117018858A (zh) * | 2023-08-11 | 2023-11-10 | 滁州锡安环保科技有限责任公司 | 工业废气净化设备及其控制方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116086133A (zh) | 化学链空气分离技术制备高纯氧气的装置及方法 | |
| CN115356434B (zh) | 六氟丁二烯储放场所的气体监测系统及其监测方法 | |
| WO2024098604A1 (zh) | 用于电子级四氟化碳制备的精馏控制系统及其方法 | |
| CN115951584B (zh) | 用于滚筒杀青机的温度控制系统及方法 | |
| CN115693918B (zh) | 一种建筑综合智能用电系统及其方法 | |
| Zhang et al. | Reconstruction enhanced multi-view contrastive learning for anomaly detection on attributed networks | |
| WO2024011747A1 (zh) | 一种用于六氟丁二烯制备的智能化冷却液循环控制系统 | |
| CN115947426A (zh) | 一种基于亚氧化钛电极的电催化氧化模块 | |
| CN115834433B (zh) | 基于物联网技术的数据处理方法及系统 | |
| CN116832588A (zh) | 酸再生烟气净化装置及其方法 | |
| CN116067188B (zh) | 一种六氟磷酸锂制备用的余热回收系统 | |
| CN116164497A (zh) | 液氧制备过程中的精馏控制系统及其方法 | |
| CN116627040B (zh) | 烘干器控制系统及其方法 | |
| CN116683092B (zh) | 新能源汽车电池的拆解系统及其方法 | |
| CN116426331A (zh) | 香料油的智能化制备方法及其系统 | |
| CN116184972A (zh) | 空气分离装置的控制系统及其方法 | |
| CN116269351A (zh) | 基于运动姿态变化的脑卒中患者康复效果评估系统 | |
| 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 | |
| CN112149645A (zh) | 基于生成对抗学习和图神经网络的人体姿势关键点识别方法 | |
| CN117968088B (zh) | 用于天然气发电装置的烟气余热回收控制系统及方法 | |
| CN117523498A (zh) | 危险废物的处理回收系统及方法 | |
| CN116844088A (zh) | 在线除尘器控制系统及其方法 | |
| CN115851332A (zh) | 从合成氨驰放气膜提氢尾气中制取天然气的方法及系统 | |
| Ma et al. | GRU-Auto-Encoder neural network based methods for diagnosing abnormal operating conditions of steam drums in coal gasification plants | |
| CN117404853B (zh) | 隧道掘进机外用循环水冷却系统及方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20230509 |
|
| WW01 | Invention patent application withdrawn after publication |