CN116859830A - 用于电子级氟化铵生产的生产管理控制系统 - Google Patents
用于电子级氟化铵生产的生产管理控制系统 Download PDFInfo
- Publication number
- CN116859830A CN116859830A CN202310306872.XA CN202310306872A CN116859830A CN 116859830 A CN116859830 A CN 116859830A CN 202310306872 A CN202310306872 A CN 202310306872A CN 116859830 A CN116859830 A CN 116859830A
- Authority
- CN
- China
- Prior art keywords
- value
- training
- time sequence
- matrix
- flow rate
- 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
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 151
- DDFHBQSCUXNBSA-UHFFFAOYSA-N 5-(5-carboxythiophen-2-yl)thiophene-2-carboxylic acid Chemical compound S1C(C(=O)O)=CC=C1C1=CC=C(C(O)=O)S1 DDFHBQSCUXNBSA-UHFFFAOYSA-N 0.000 title claims abstract description 90
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 claims abstract description 118
- 239000012295 chemical reaction liquid Substances 0.000 claims abstract description 76
- 238000009826 distribution Methods 0.000 claims abstract description 40
- KRHYYFGTRYWZRS-UHFFFAOYSA-N Fluorane Chemical compound F KRHYYFGTRYWZRS-UHFFFAOYSA-N 0.000 claims abstract description 36
- 229910000040 hydrogen fluoride Inorganic materials 0.000 claims abstract description 36
- 239000013598 vector Substances 0.000 claims description 249
- 238000012549 training Methods 0.000 claims description 140
- 239000011159 matrix material Substances 0.000 claims description 130
- 238000013527 convolutional neural network Methods 0.000 claims description 40
- 238000000605 extraction Methods 0.000 claims description 21
- 238000010586 diagram Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 19
- 230000000903 blocking effect Effects 0.000 claims description 16
- 238000011176 pooling Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 abstract description 42
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 abstract description 20
- 239000002994 raw material Substances 0.000 abstract description 19
- 230000000694 effects Effects 0.000 abstract description 16
- 230000002411 adverse Effects 0.000 abstract description 12
- 239000012535 impurity Substances 0.000 abstract description 12
- 239000007788 liquid Substances 0.000 abstract description 10
- 229910052757 nitrogen Inorganic materials 0.000 abstract description 10
- 238000013135 deep learning Methods 0.000 abstract description 9
- 238000003062 neural network model Methods 0.000 abstract description 8
- 238000002360 preparation method Methods 0.000 abstract description 8
- 238000000034 method Methods 0.000 description 25
- 230000008859 change Effects 0.000 description 21
- 230000006870 function Effects 0.000 description 18
- 238000003860 storage Methods 0.000 description 13
- 238000004590 computer program Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 6
- 238000000638 solvent extraction Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000007792 addition Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 239000003795 chemical substances by application Substances 0.000 description 3
- 230000000670 limiting effect Effects 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 239000000047 product Substances 0.000 description 3
- 239000000645 desinfectant Substances 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000003755 preservative agent Substances 0.000 description 2
- 230000002335 preservative effect Effects 0.000 description 2
- 238000004886 process control Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000017105 transposition Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- LDDQLRUQCUTJBB-UHFFFAOYSA-N ammonium fluoride Chemical compound [NH4+].[F-] LDDQLRUQCUTJBB-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000002425 crystallisation Methods 0.000 description 1
- 230000008025 crystallization Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000018044 dehydration Effects 0.000 description 1
- 238000006297 dehydration reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 150000002500 ions Chemical class 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 230000001902 propagating effect Effects 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
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 239000002023 wood Substances 0.000 description 1
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]
- G05B19/41885—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 modeling, simulation of the manufacturing system
-
- 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
- G05B2219/32339—Object oriented modeling, design, analysis, implementation, simulation language
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本申请涉及智能控制领域，其具体地公开了一种用于电子级氟化铵生产的生产管理控制系统，其通过采用基于深度学习的神经网络模型挖掘出液氨的流速和反应液的PH值的时序协同关联特征分布信息，以提高这两者的的时序关联特征表达，从而基于实际的液氮流速值和反应液的PH值的时序协同变化情况来自适应地调整无水氟化氢的流速值，以此来使得反应完全且不引入杂质，以避免原料端自身的偏差而给反应带来的不良影响，提高电子级氟化铵的制备质量。
Description
技术领域
本申请涉及智能控制领域，且更为具体地，涉及一种用于电子级氟化铵生产的生产管理控制系统。
背景技术
电子级氟化铵，分子式为NH4F，其用途广泛，如作为玻璃刻蚀剂、金属表面的化学抛光剂、木材及酿酒防腐剂、消毒剂、纤维的媒染剂及提取稀有元素的溶剂等，还可作为化学分析中离子检测的掩蔽剂、酿酒的消毒剂、防腐剂、纤维的媒染剂等。
在生产电子级氟化铵的过程中，无水氟化氢与液氨需反应完全，如果无水氟化氢或是液氨存在过量的问题，不仅会导致原材料的浪费，还会导致造成副产物的产生，影响后续的冷却结晶、离心脱水。然而，在实际的电子级氟化铵的生产过程中，却难以将氟化氢与液氨的反应量控制在恰好完全反应的节点上，其原因为：如果从原料端（也就是，无水氟化氢与液氨）来控制，原料中可能存在杂质且原料浓度会随着存放发生波动。
因此，为了控制无水氟化氢的投入量，期待一种优化的用于电子级氟化铵生产的生产管理控制系统。
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氟化铵生产的生产管理控制系统，其通过采用基于深度学习的神经网络模型挖掘出液氨的流速和反应液的PH值的时序协同关联特征分布信息，以提高这两者的的时序关联特征表达，从而基于实际的液氮流速值和反应液的PH值的时序协同变化情况来自适应地调整无水氟化氢的流速值，以此来使得反应完全且不引入杂质，以避免原料端自身的偏差而给反应带来的不良影响，提高电子级氟化铵的制备质量。
根据本申请的一个方面，提供了一种用于电子级氟化铵生产的生产管理控制系统，其包括：数据采集模块，用于获取预定时间段内的多个预定时间点的反应液的PH值和所述多个预定时间点的液氨的流速值；数据时序分布模块，用于将所述多个预定时间点的反应液的PH值和所述多个预定时间点的液氨的流速值分别按照时间维度排列为PH值时序输入向量和液氨流速值时序输入向量；时序关联编码模块，用于对所述PH值时序输入向量和所述液氨流速值时序输入向量进行关联编码以得到全时序PH值-液氨流速关联矩阵；矩阵分块模块，用于对所述全时序PH值-液氨流速关联矩阵进行分块处理以得到多个局部关联矩阵；关联特征提取模块，用于将所述多个局部关联矩阵分别通过作为过滤器的卷积神经网络模型以得到多个局部关联特征向量；全局上下文关联模块，用于将所述多个局部关联特征向量通过基于转换器的上下文编码器以得到全局语义关联特征向量；流速推荐模块，用于将所述全局语义关联特征向量通过解码器以得到解码值，所述解码值用于表示当前时间点的无水氟化氢的流速推荐值。
在上述用于电子级氟化铵生产的生产管理控制系统中，所述时序关联编码模块，用于：以如下编码公式对所述PH值时序输入向量和所述液氨流速值时序输入向量进行关联编码以得到全时序PH值-液氨流速关联矩阵；其中，所述编码公式为：其中/>表示所述 PH 值时序输入向量，/>表示所述PH值时序输入向量的转置向量，/>表示所述液氨流速值时序输入向量，/>表示所述全时序PH值-液氨流速关联矩阵，/>表示向量相乘。
在上述用于电子级氟化铵生产的生产管理控制系统中，所述关联特征提取模块，用于：使用所述作为过滤器的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：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为过滤器的卷积神经网络的最后一层的输出为所述多个局部关联特征向量，所述作为过滤器的卷积神经网络的第一层的输入为所述多个局部关联矩阵。
在上述用于电子级氟化铵生产的生产管理控制系统中，所述全局上下文关联模块，包括：词嵌入单元，用于使用所述包含嵌入层的上下文编码器的嵌入层分别将所述多个局部关联特征向量中各个局部关联特征向量映射为词嵌入向量以得到词嵌入向量的序列；上下文编码单元，用于使用所述包含嵌入层的上下文编码器的转换器对所述词嵌入向量的序列进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义特征向量；以及，级联单元，用于将所述多个全局上下文语义特征向量进行级联以得到所述全局语义关联特征向量。
在上述用于电子级氟化铵生产的生产管理控制系统中，所述上下文编码单元，包括：查询向量构造子单元，用于将所述词嵌入向量的序列进行一维排列以得到全局特征向量；自注意子单元，用于计算所述全局特征向量与所述词嵌入向量的序列中各个词向量的转置向量之间的乘积以得到多个自注意力关联矩阵；标准化子单元，用于分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；关注度计算子单元，用于将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；注意力施加子单元，用于分别以所述多个概率值中各个概率值作为权重对所述词嵌入向量的序列中各个词向量进行加权以得到所述多个上下文语义特征向量；以及，级联子单元，用于将所述多个上下文语义特征向量进行级联以得到所述多个全局上下文语义特征向量。
在上述用于电子级氟化铵生产的生产管理控制系统中，还包括用于对所述作为过滤器的卷积神经网络模型、所述基于转换器的上下文编码器和所述解码器进行训练的训练模块。
在上述用于电子级氟化铵生产的生产管理控制系统中，所述训练模块，包括：训练数据采集模块，用于获取预定时间段内的多个预定时间点的反应液的训练PH值和所述多个预定时间点的液氨的训练流速值；训练数据时序分布模块，用于将所述多个预定时间点的反应液的训练PH值和所述多个预定时间点的液氨的训练流速值分别按照时间维度排列为训练PH值时序输入向量和训练液氨流速值时序输入向量；训练时序关联编码模块，用于对所述训练PH值时序输入向量和所述训练液氨流速值时序输入向量进行关联编码以得到训练全时序PH值-液氨流速关联矩阵；训练矩阵分块模块，用于对所述训练全时序PH值-液氨流速关联矩阵进行分块处理以得到多个训练局部关联矩阵；训练关联特征提取模块，用于将所述多个训练局部关联矩阵分别通过所述作为过滤器的卷积神经网络模型以得到多个训练局部关联特征向量；训练全局上下文关联模块，用于将所述多个训练局部关联特征向量通过所述基于转换器的上下文编码器以得到训练全局语义关联特征向量；解码损失模块，用于将所述训练全局语义关联特征向量通过所述解码器以得到解码损失函数值；以及，训练模块，用于基于所述解码损失函数值并通过梯度下降的方向传播来对所述作为过滤器的卷积神经网络模型、所述基于转换器的上下文编码器和所述解码器进行训练，其中，在所述训练的每一轮迭代中，对所述解码器的权重矩阵进行权重矩阵的空间正则化约束迭代。
在上述用于电子级氟化铵生产的生产管理控制系统中，所述解码损失模块，用于：使用所述解码器以如下公式将所述训练全局语义关联特征向量进行解码回归以获得解码损失函数值；其中，所述公式为：，其中/>表示所述训练全局语义关联特征向量，/>是所述解码值，/>是权重矩阵，/>表示矩阵相乘。
在上述用于电子级氟化铵生产的生产管理控制系统中，在所述训练的每一轮迭代中，以如下优化公式对所述解码器的权重矩阵进行权重矩阵的空间正则化约束迭代；其中，所述公式为：其中/>是所述解码器的权重矩阵，/>表示矩阵的Frobenius范数，/>是偏置矩阵，/> 表示矩阵乘法，/>表示矩阵加法，/>表示按位置点乘，/>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，/>表示迭代后的所述解码器的权重矩阵。
根据本申请的另一方面，提供了一种用于电子级氟化铵生产的生产管理控制方法，其包括：获取预定时间段内的多个预定时间点的反应液的PH值和所述多个预定时间点的液氨的流速值；将所述多个预定时间点的反应液的PH值和所述多个预定时间点的液氨的流速值分别按照时间维度排列为PH值时序输入向量和液氨流速值时序输入向量；对所述PH值时序输入向量和所述液氨流速值时序输入向量进行关联编码以得到全时序PH值-液氨流速关联矩阵；对所述全时序PH值-液氨流速关联矩阵进行分块处理以得到多个局部关联矩阵；将所述多个局部关联矩阵分别通过作为过滤器的卷积神经网络模型以得到多个局部关联特征向量；将所述多个局部关联特征向量通过基于转换器的上下文编码器以得到全局语义关联特征向量；将所述全局语义关联特征向量通过解码器以得到解码值，所述解码值用于表示当前时间点的无水氟化氢的流速推荐值。
根据本申请的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的用于电子级氟化铵生产的生产管理控制方法。
根据本申请的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的用于电子级氟化铵生产的生产管理控制方法。
与现有技术相比，本申请提供的一种用于电子级氟化铵生产的生产管理控制系统，其通过采用基于深度学习的神经网络模型挖掘出液氨的流速和反应液的PH值的时序协同关联特征分布信息，以提高这两者的的时序关联特征表达，从而基于实际的液氮流速值和反应液的PH值的时序协同变化情况来自适应地调整无水氟化氢的流速值，以此来使得反应完全且不引入杂质，以避免原料端自身的偏差而给反应带来的不良影响，提高电子级氟化铵的制备质量。
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电子级氟化铵生产的生产管理控制系统的场景示意图；
图2为根据本申请实施例的用于电子级氟化铵生产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电子级氟化铵生产的生产管理控制系统的框图；
图4为根据本申请实施例的用于电子级氟化铵生产的生产管理控制系统中推断模块的系统架构图；
图5为根据本申请实施例的用于电子级氟化铵生产的生产管理控制系统中训练模块的系统架构图；
图6为根据本申请实施例的用于电子级氟化铵生产的生产管理控制系统中卷积神经网络编码的流程图；
图7为根据本申请实施例的用于电子级氟化铵生产的生产管理控制系统中全局上下文关联模块的框图；
图8为根据本申请实施例的用于电子级氟化铵生产的生产管理控制方法的流程图；
图9为根据本申请实施例的电子设备的框图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
场景概述：如前背景技术所言，在实际的电子级氟化铵的生产过程中，难以将氟化氢与液氨的反应量控制在恰好完全反应的节点上，其原因为：如果从原料端（也就是，无水氟化氢与液氨）来控制，原料中可能存在杂质且原料浓度会随着存放发生波动。因此，为了控制无水氟化氢的投入量，期待一种优化的用于电子级氟化铵生产的生产管理控制系统。
具体地，在本申请的技术方案中，期望基于反应液的结局指标（即，PH值）来从结果端调控无水氟化氢的流速值，这样可以避免原料端自身的偏差而给反应带来的不良影响。也就是说，基于反应液的PH值的时序变化情况来自适应地调整当前时间点的无水氟化氢的流速值。相应地，考虑到由于在实际进行电子级氟化铵的制备过程中，电子级氟化铵是通过将氟化氢和液氨进行反应来制得的，因此，液氨的流速值也是反应中的变量因素，并且，液氨的流速和反应液的PH值不仅都在时序上有着动态性的变化规律，而且液氨流速值的时序变化特征和反应液的PH值的时序变化协同关联特征共同决定了氟化氢的反应完全性。基于此，在本申请的技术方案中，对于所述无水氟化氢的流速值控制应适配于所述液氨的流速时序变化和所述反应液的PH值的时序变化间的协同关联特征分布信息。因此，在此过程中，难点在于如何充分挖掘出所述液氨的流速和所述反应液的PH值的时序协同关联特征分布信息，以提高这两者的的时序关联特征表达，从而基于实际的液氮流速值和反应液的PH值的时序协同变化情况来自适应地调整无水氟化氢的流速值，以此来使得反应完全且不引入杂质，以避免原料端自身的偏差而给反应带来的不良影响，提高电子级氟化铵的制备质量。
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挖掘所述液氨的流速和所述反应液的PH值的时序协同关联特征分布信息提供了新的解决思路和方案。本领域普通技术人员应知晓，基于深度学习的深度神经网络模型可以通过适当的训练策略，例如通过梯度下降的反向传播算法来调整所述深度神经网络模型的参数以使之能够模拟事物之间的复杂的非线性关联，而这显然适合于模拟并挖掘所述液氨的流速和所述反应液的PH值的时序协同关联特征分布信息。
具体地，在本申请的技术方案中，首先，获取预定时间段内的多个预定时间点的反应液的PH值和所述多个预定时间点的液氨的流速值。接着，考虑到由于所述反应液的PH值和所述液氨的流速值在时间维度上不仅都具有着时序动态变化规律，而且所述反应液的PH值和所述液氨的流速值之间也具有着时序关联特征分布信息，因此，为了后续能够进行所述反应液的PH值和所述液氨的流速值的时序协同变化特征的充分表达，在本申请的技术方案中，进一步将所述多个预定时间点的反应液的PH值和所述多个预定时间点的液氨的流速值分别按照时间维度排列为PH值时序输入向量和液氨流速值时序输入向量，以此来分别整合所述反应液的PH值和所述液氨的流速值在时间维度上的数据分布信息。然后，进一步再对所述PH值时序输入向量和所述液氨流速值时序输入向量进行关联编码，以此来建立所述反应液的PH值的时序变化信息和所述液氨的流速值的时序变化信息之间的关联性关系，从而得到全时序PH值-液氨流速关联矩阵。
进一步地，考虑到在使反应完全进行的技术目的前景下，所述反应液的PH值和所述液氨的流速值都对于无水氟化氢的流速控制有影响，并且所述反应液的PH值和所述液氨的流速值之间还具有着时序的协同变化特征信息。并且，由于所述反应液的PH值和所述液氨的流速值的时序协同变化特征相对于来说为小尺度的特征变化信息，难以进行实际的捕捉提取。因此，在本申请的技术方案中，进一步对所述全时序PH值-液氨流速关联矩阵进行分块处理以得到多个局部关联矩阵。特别地，在本申请的一个具体示例中，可以对所述全时序PH值-液氨流速关联矩阵进行均匀分块处理来得到多个局部关联矩阵。应可以理解，所述各个局部关联矩阵中关于所述反应液的PH值和所述液氨的流速值的时序协同变化特征不再是小尺度的特征信息，有利于对于所述反应液的PH值和所述液氨的流速值的时序协同变化特征进行精准表达。
接着，进一步使用在局部隐含关联特征提取方面具有优异表现的作为过滤器的卷积神经网络模型来进行所述多个局部关联矩阵的特征挖掘，以分别提取出所述各个局部关联矩阵中关于所述反应液的PH值和所述液氨的流速值的时序协同关联特征分布信息，从而得到多个局部关联特征向量。
然后，对于所述各个局部关联特征向量中关于所述反应液的PH值和所述液氨的流速值的时序协同关联特征来说，其具有着全局的关联性关系。也就是说，所述反应液的PH值和所述液氨的流速值的时序协同关联特征不仅存在于所述各个局部关联矩阵中，还存在于所述全时序PH值-液氨流速关联矩阵的整体特征分布上。因此，在本申请的技术方案中，进一步将所述多个局部关联特征向量通过基于转换器的上下文编码器中进行编码，以提取出所述各个局部关联矩阵中关于所述反应液的PH值和所述液氨的流速值的时序协同关联特征基于全局的上下文语义隐含关联特征分布信息，即基于所述全时序PH值-液氨流速关联矩阵整体的关于所述反应液的PH值和所述液氨的流速值的时序协同关联语义特征信息，以得到全局语义关联特征向量。
进一步地，再将所述全局语义关联特征向量通过解码器以得到解码值，所述解码值用于表示当前时间点的无水氟化氢的流速推荐值。也就是，基于所述反应液的PH值和所述液氨的流速值的时序协同全局关联语义特征信息来进行解码回归，从而基于实际的液氮流速值和反应液的PH值的时序协同变化情况来自适应地调整无水氟化氢的流速值，以此来使得反应完全且不引入杂质，以避免原料端自身的偏差而给反应带来的不良影响。
特别地，在本申请的技术方案中，这里，将所述多个局部关联特征向量通过基于转换器的上下文编码器以得到全局语义关联特征向量时，是将所述多个局部关联特征向量通过基于转换器的上下文编码器得到的多个上下文局部关联特征向量直接级联以得到所述全局语义关联特征向量，虽然基于转换器的上下文编码器能够提升所述多个上下文局部关联特征向量之间的语义分布的上下文关联性，但是无法消除所述多个上下文局部关联特征向量的特征分布的显式差异，因此在直接级联的情况下，会导致在训练过程中所述解码器的权重矩阵的收敛速度慢，影响了解码器以至于模型整体的训练速度。
因此，在本申请的技术方案中，本申请的申请人在每次解码器的权重矩阵的迭代时进行权重矩阵的空间正则化约束，表示为：，/>是解码器的权重矩阵，/>表示矩阵的Frobenius范数，/>是偏置矩阵，例如可以初始设置为单位矩阵。
所述权重矩阵的空间正则化约束在权重矩阵与其自身转置进行空间嵌入得到的内生相关性矩阵的基础上，对所述解码器的权重矩阵进行基于其欧式空间的内生相关分布的L2正则化，从而与待加权特征的数值分布和按位置数值大小无关地，反映出权重空间对于待解码回归的特征所表达的特定回归表达模式的语义依赖程度，从而使得权重空间反应出模型所提取的特征的内在本质知识的传递效果，加快权重矩阵的收敛，从而提升解码器以至于模型整体的训练速度。这样，能够实时准确地基于实际的液氮流速值和反应液的PH值的时序协同变化情况来自适应地调整无水氟化氢的流速值，以此来使得反应完全且不引入杂质，以避免原料端自身的偏差而给反应带来的不良影响，提高电子级氟化铵的制备质量。
基于此，本申请提出了一种用于电子级氟化铵生产的生产管理控制系统，其包括：数据采集模块，用于获取预定时间段内的多个预定时间点的反应液的PH值和所述多个预定时间点的液氨的流速值；数据时序分布模块，用于将所述多个预定时间点的反应液的PH值和所述多个预定时间点的液氨的流速值分别按照时间维度排列为PH值时序输入向量和液氨流速值时序输入向量；时序关联编码模块，用于对所述PH值时序输入向量和所述液氨流速值时序输入向量进行关联编码以得到全时序PH值-液氨流速关联矩阵；矩阵分块模块，用于对所述全时序PH值-液氨流速关联矩阵进行分块处理以得到多个局部关联矩阵；关联特征提取模块，用于将所述多个局部关联矩阵分别通过作为过滤器的卷积神经网络模型以得到多个局部关联特征向量；全局上下文关联模块，用于将所述多个局部关联特征向量通过基于转换器的上下文编码器以得到全局语义关联特征向量；流速推荐模块，用于将所述全局语义关联特征向量通过解码器以得到解码值，所述解码值用于表示当前时间点的无水氟化氢的流速推荐值。
图1为根据本申请实施例的用于电子级氟化铵生产的生产管理控制系统的场景示意图。如图1所示，在该应用场景中，通过PH传感器（例如，如图1中所示意的V1）获取预定时间段内的多个预定时间点的反应液的PH值；以及，通过流速传感器（例如，如图1中所示意的V2）获取所述多个预定时间点的液氨的流速值。接着，将上述信息输入至部署有用于电子级氟化铵生产的生产管理控制算法的服务器（例如，图1中的S）中，其中，所述服务器能够以所述电子级氟化铵生产的生产管理控制算法对上述输入的信息进行处理，以生成解码值，所述解码值用于表示当前时间点的无水氟化氢的流速推荐值。
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氟化铵生产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电子级氟化铵生产的生产管理控制系统300包括推断模块，其中，所述推断模块包括：数据采集模块310；数据时序分布模块320；时序关联编码模块330；矩阵分块模块340；关联特征提取模块350；全局上下文关联模块360；流速推荐模块370。
其中，所述数据采集模块310，用于获取预定时间段内的多个预定时间点的反应液的PH值和所述多个预定时间点的液氨的流速值；所述数据时序分布模块320，用于将所述多个预定时间点的反应液的PH值和所述多个预定时间点的液氨的流速值分别按照时间维度排列为PH值时序输入向量和液氨流速值时序输入向量；所述时序关联编码模块330，用于对所述PH值时序输入向量和所述液氨流速值时序输入向量进行关联编码以得到全时序PH值-液氨流速关联矩阵；所述矩阵分块模块340，用于对所述全时序PH值-液氨流速关联矩阵进行分块处理以得到多个局部关联矩阵；所述关联特征提取模块350，用于将所述多个局部关联矩阵分别通过作为过滤器的卷积神经网络模型以得到多个局部关联特征向量；所述全局上下文关联模块360，用于将所述多个局部关联特征向量通过基于转换器的上下文编码器以得到全局语义关联特征向量；所述流速推荐模块370，用于将所述全局语义关联特征向量通过解码器以得到解码值，所述解码值用于表示当前时间点的无水氟化氢的流速推荐值。
图4为根据本申请实施例的用于电子级氟化铵生产的生产管理控制系统中推断模块的系统架构图。如图4所示，在所述用于电子级氟化铵生产的生产管理控制系统300的系统架构中，在推断过程中，首先通过所述数据采集模块310获取预定时间段内的多个预定时间点的反应液的PH值和所述多个预定时间点的液氨的流速值；接着，所述数据时序分布模块320将所述数据采集模块310获取的多个预定时间点的反应液的PH值和所述多个预定时间点的液氨的流速值分别按照时间维度排列为PH值时序输入向量和液氨流速值时序输入向量；所述时序关联编码模块330对所述数据时序分布模块320得到的PH值时序输入向量和所述液氨流速值时序输入向量进行关联编码以得到全时序PH值-液氨流速关联矩阵；所述矩阵分块模块340对所述时序关联编码模块330计算所得的全时序PH值-液氨流速关联矩阵进行分块处理以得到多个局部关联矩阵；然后，所述关联特征提取模块350将所述矩阵分块模块340得到的多个局部关联矩阵分别通过作为过滤器的卷积神经网络模型以得到多个局部关联特征向量；所述全局上下文关联模块360将所述关联特征提取模块350得到的多个局部关联特征向量通过基于转换器的上下文编码器以得到全局语义关联特征向量；进而，所述流速推荐模块370将所述全局上下文关联模块360得到的全局语义关联特征向量通过解码器以得到解码值，所述解码值用于表示当前时间点的无水氟化氢的流速推荐值。
具体地，在所述用于电子级氟化铵生产的生产管理控制系统300的运行过程中，所述数据采集模块310，用于获取预定时间段内的多个预定时间点的反应液的PH值和所述多个预定时间点的液氨的流速值。应可以理解，在电子级氟化铵的实际生产过程中，可通过基于反应液的PH值的时序变化情况来自适应地调整当前时间点的无水氟化氢的流速值，以此来避免原料端自身的偏差而给反应带来的不良影响，因此，在本申请的一个具体示例中，首先，可通过PH传感器来获取预定时间段内的多个预定时间点的反应液的PH值；以及，通过流速传感器来获取所述多个预定时间点的液氨的流速值。
具体地，在所述用于电子级氟化铵生产的生产管理控制系统300的运行过程中，所述数据时序分布模块320，用于将所述多个预定时间点的反应液的PH值和所述多个预定时间点的液氨的流速值分别按照时间维度排列为PH值时序输入向量和液氨流速值时序输入向量。考虑到由于所述反应液的PH值和所述液氨的流速值在时间维度上不仅都具有着时序动态变化规律，而且所述反应液的PH值和所述液氨的流速值之间也具有着时序关联特征分布信息，因此，为了后续能够进行所述反应液的PH值和所述液氨的流速值的时序协同变化特征的充分表达，在本申请的技术方案中，进一步将所述多个预定时间点的反应液的PH值和所述多个预定时间点的液氨的流速值分别按照时间维度排列为PH值时序输入向量和液氨流速值时序输入向量，以此来分别整合所述反应液的PH值和所述液氨的流速值在时间维度上的数据分布信息。
具体地，在所述用于电子级氟化铵生产的生产管理控制系统300的运行过程中，所述时序关联编码模块330，用于对所述PH值时序输入向量和所述液氨流速值时序输入向量进行关联编码以得到全时序PH值-液氨流速关联矩阵。也就是，在得到所述PH值时序输入向量和所述液氨流速值时序输入向量后，进一步对两者进行关联编码，以此来建立所述反应液的PH值的时序变化信息和所述液氨的流速值的时序变化信息之间的关联性关系，在本申请的一个具体示例中，以如下编码公式对所述PH值时序输入向量和所述液氨流速值时序输入向量进行关联编码以得到全时序PH值-液氨流速关联矩阵；其中，所述编码公式为：其中/>表示所述 PH 值时序输入向量，/>表示所述PH值时序输入向量的转置向量，/>表示所述液氨流速值时序输入向量，/>表示所述全时序PH值-液氨流速关联矩阵，/>表示向量相乘。
具体地，在所述用于电子级氟化铵生产的生产管理控制系统300的运行过程中，所述矩阵分块模块340，用于对所述全时序PH值-液氨流速关联矩阵进行分块处理以得到多个局部关联矩阵。考虑到在使反应完全进行的技术目的前景下，所述反应液的PH值和所述液氨的流速值都对于无水氟化氢的流速控制有影响，并且所述反应液的PH值和所述液氨的流速值之间还具有着时序的协同变化特征信息。并且，由于所述反应液的PH值和所述液氨的流速值的时序协同变化特征相对于来说为小尺度的特征变化信息，难以进行实际的捕捉提取。因此，在本申请的技术方案中，进一步对所述全时序PH值-液氨流速关联矩阵进行分块处理以得到多个局部关联矩阵。特别地，在本申请的一个具体示例中，可以对所述全时序PH值-液氨流速关联矩阵进行均匀分块处理来得到多个局部关联矩阵。应可以理解，所述各个局部关联矩阵中关于所述反应液的PH值和所述液氨的流速值的时序协同变化特征不再是小尺度的特征信息，有利于对于所述反应液的PH值和所述液氨的流速值的时序协同变化特征进行精准表达。
具体地，在所述用于电子级氟化铵生产的生产管理控制系统300的运行过程中，所述关联特征提取模块350，用于将所述多个局部关联矩阵分别通过作为过滤器的卷积神经网络模型以得到多个局部关联特征向量。也就是，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对所述多个局部关联矩阵进行特征提取以此来挖掘出各个局部关联矩阵中关于所述反应液PH值和所述液氨的流速值的时序协同关联特征分布信息，从而得到多个局部关联特征向量。特别地，在本申请的一个具体示例中，所述作为过滤器的卷积神经网络包括相互级联的多个神经网络层，其中各个神经网络层包括卷积层、池化层和激活层。其中，在所述卷积神经网络的编码过程中，所述卷积神经网络的各层在层的正向传递过程中对输入数据使用所述卷积层进行基于卷积核的卷积处理、使用所述池化层对由所述卷积层输出的卷积特征图进行池化处理和使用所述激活层对由所述池化层输出的池化特征图进行激活处理。
图6为根据本申请实施例的用于电子级氟化铵生产的生产管理控制系统中卷积神经网络编码的流程图。如图6所示，在所述卷积神经网络编码过程中，包括：使用所述作为过滤器的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：S210，对输入数据进行卷积处理以得到卷积特征图；S220，对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图；以及，S230，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为过滤器的卷积神经网络的最后一层的输出为所述多个局部关联特征向量，所述作为过滤器的卷积神经网络的第一层的输入为所述多个局部关联矩阵。
具体地，在所述用于电子级氟化铵生产的生产管理控制系统300的运行过程中，所述全局上下文关联模块360，用于将所述多个局部关联特征向量通过基于转换器的上下文编码器以得到全局语义关联特征向量。应可以理解，对于所述各个局部关联特征向量中关于所述反应液的PH值和所述液氨的流速值的时序协同关联特征来说，其具有着全局的关联性关系。也就是说，所述反应液的PH值和所述液氨的流速值的时序协同关联特征不仅存在于所述各个局部关联矩阵中，还存在于所述全时序PH值-液氨流速关联矩阵的整体特征分布上。因此，在本申请的技术方案中，进一步将所述多个局部关联特征向量通过基于转换器的上下文编码器中进行编码，以提取出所述各个局部关联矩阵中关于所述反应液的PH值和所述液氨的流速值的时序协同关联特征基于全局的上下文语义隐含关联特征分布信息，即基于所述全时序PH值-液氨流速关联矩阵整体的关于所述反应液的PH值和所述液氨的流速值的时序协同关联语义特征信息，以得到全局语义关联特征向量。
图7为根据本申请实施例的用于电子级氟化铵生产的生产管理控制系统中全局上下文关联模块的框图。如图7所示，所述全局上下文关联模块360，包括：词嵌入单元361，用于使用所述包含嵌入层的上下文编码器的嵌入层分别将所述多个局部关联特征向量中各个局部关联特征向量映射为词嵌入向量以得到词嵌入向量的序列；上下文编码单元362，用于使用所述包含嵌入层的上下文编码器的转换器对所述词嵌入向量的序列进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义特征向量；以及，级联单元363，用于将所述多个全局上下文语义特征向量进行级联以得到所述全局语义关联特征向量。其中，所述上下文编码单元362，包括：查询向量构造子单元，用于将所述词嵌入向量的序列进行一维排列以得到全局特征向量；自注意子单元，用于计算所述全局特征向量与所述词嵌入向量的序列中各个词向量的转置向量之间的乘积以得到多个自注意力关联矩阵；标准化子单元，用于分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；关注度计算子单元，用于将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；注意力施加子单元，用于分别以所述多个概率值中各个概率值作为权重对所述词嵌入向量的序列中各个词向量进行加权以得到所述多个上下文语义特征向量；以及，级联子单元，用于将所述多个上下文语义特征向量进行级联以得到所述多个全局上下文语义特征向量。
具体地，在所述用于电子级氟化铵生产的生产管理控制系统300的运行过程中，所述流速推荐模块370，用于将所述全局语义关联特征向量通过解码器以得到解码值，所述解码值用于表示当前时间点的无水氟化氢的流速推荐值。也就是，将所述全局语义关联特征向量作为解码特征向量通过解码器进行解码回归以得到解码值，也就是，基于所述反应液的PH值和所述液氨的流速值的时序协同全局关联语义特征信息来进行解码回归，从而基于实际的液氮流速值和反应液的PH值的时序协同变化情况来自适应地调整无水氟化氢的流速值，以此来使得反应完全且不引入杂质，以避免原料端自身的偏差而给反应带来的不良影响。更具体地，使用所述解码器以如下公式将所述全局语义关联特征向量进行解码回归以获得解码损失函数值；
其中，所述公式为：，其中/>表示所述训练全局语义关联特征向量，/>是所述解码值，/>是权重矩阵，/>表示矩阵相乘。
应可以理解，在利用上述神经网络模型进行推断之前，需要对所述作为过滤器的卷积神经网络模型、所述基于转换器的上下文编码器和所述解码器进行训练。也就是说，在本申请的用于电子级氟化铵生产的生产管理控制系统中，还包括训练模块，用于对所述作为过滤器的卷积神经网络模型、所述基于转换器的上下文编码器和所述解码器进行训练。深度神经网络的训练大多采用反向传播算法，反向传播算法利用链式法则通过后面一层传来的误差来对当前层参数进行更新，这在网络很深的时候会遭遇梯度消失的问题，或者更广义地称为不稳定梯度问题。
图3为根据本申请实施例的用于电子级氟化铵生产的生产管理控制系统的框图。如图3所示，根据本申请实施例的用于电子级氟化铵生产的生产管理控制系统300，还包括训练模块400，所述训练模块包括：训练数据采集模块410；训练数据时序分布模块420；训练时序关联编码模块430；训练矩阵分块模块440；训练关联特征提取模块450；训练全局上下文关联模块460；解码损失模块470；以及，训练模块480。
其中，所述训练数据采集模块410，用于获取预定时间段内的多个预定时间点的反应液的训练PH值和所述多个预定时间点的液氨的训练流速值；所述训练数据时序分布模块420，用于将所述多个预定时间点的反应液的训练PH值和所述多个预定时间点的液氨的训练流速值分别按照时间维度排列为训练PH值时序输入向量和训练液氨流速值时序输入向量；所述训练时序关联编码模块430，用于对所述训练PH值时序输入向量和所述训练液氨流速值时序输入向量进行关联编码以得到训练全时序PH值-液氨流速关联矩阵；所述训练矩阵分块模块440，用于对所述训练全时序PH值-液氨流速关联矩阵进行分块处理以得到多个训练局部关联矩阵；所述训练关联特征提取模块450，用于将所述多个训练局部关联矩阵分别通过所述作为过滤器的卷积神经网络模型以得到多个训练局部关联特征向量；所述训练全局上下文关联模块460，用于将所述多个训练局部关联特征向量通过所述基于转换器的上下文编码器以得到训练全局语义关联特征向量；所述解码损失模块470，用于将所述训练全局语义关联特征向量通过所述解码器以得到解码损失函数值；以及，所述训练模块480，用于基于所述解码损失函数值并通过梯度下降的方向传播来对所述作为过滤器的卷积神经网络模型、所述基于转换器的上下文编码器和所述解码器进行训练，其中，在所述训练的每一轮迭代中，对所述解码器的权重矩阵进行权重矩阵的空间正则化约束迭代。
图5为根据本申请实施例的用于电子级氟化铵生产的生产管理控制系统中训练模块的系统架构图。如图5所示，在所述用于电子级氟化铵生产的生产管理控制系统300的系统架构中，在训练模块400中，首先通过所述训练数据采集模块410获取预定时间段内的多个预定时间点的反应液的训练PH值和所述多个预定时间点的液氨的训练流速值；接着，所述训练数据时序分布模块420将所述训练数据采集模块410获取的多个预定时间点的反应液的训练PH值和所述多个预定时间点的液氨的训练流速值分别按照时间维度排列为训练PH值时序输入向量和训练液氨流速值时序输入向量；所述训练时序关联编码模块430对所述训练数据时序分布模块420得到的训练PH值时序输入向量和所述训练液氨流速值时序输入向量进行关联编码以得到训练全时序PH值-液氨流速关联矩阵；所述训练矩阵分块模块440对所述训练时序关联编码模块430计算所得的训练全时序PH值-液氨流速关联矩阵进行分块处理以得到多个训练局部关联矩阵；然后，所述训练关联特征提取模块450将所述训练矩阵分块模块440得到的多个训练局部关联矩阵分别通过所述作为过滤器的卷积神经网络模型以得到多个训练局部关联特征向量；所述训练全局上下文关联模块460将所述训练关联特征提取模块450得到的多个训练局部关联特征向量通过所述基于转换器的上下文编码器以得到训练全局语义关联特征向量；然后，所述解码损失模块470将所述训练全局上下文关联模块460得到的训练全局语义关联特征向量通过所述解码器以得到解码损失函数值；进而，所述训练模块480基于所述解码损失函数值并通过梯度下降的方向传播来对所述作为过滤器的卷积神经网络模型、所述基于转换器的上下文编码器和所述解码器进行训练，其中，在所述训练的每一轮迭代中，对所述解码器的权重矩阵进行权重矩阵的空间正则化约束迭代。
在本申请的技术方案中，这里，将所述多个局部关联特征向量通过基于转换器的上下文编码器以得到全局语义关联特征向量时，是将所述多个局部关联特征向量通过基于转换器的上下文编码器得到的多个上下文局部关联特征向量直接级联以得到所述全局语义关联特征向量，虽然基于转换器的上下文编码器能够提升所述多个上下文局部关联特征向量之间的语义分布的上下文关联性，但是无法消除所述多个上下文局部关联特征向量的特征分布的显式差异，因此在直接级联的情况下，会导致在训练过程中所述解码器的权重矩阵的收敛速度慢，影响了解码器以至于模型整体的训练速度。因此，在本申请的技术方案中，本申请的申请人在每次解码器的权重矩阵的迭代时进行权重矩阵的空间正则化约束，表示为：其中/>是所述解码器的权重矩阵，/>表示矩阵的Frobenius范数，/>是偏置矩阵，/> 表示矩阵乘法，/>表示矩阵加法，/>表示按位置点乘，/>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，/>表示迭代后的所述解码器的权重矩阵。所述权重矩阵的空间正则化约束在权重矩阵与其自身转置进行空间嵌入得到的内生相关性矩阵的基础上，对所述解码器的权重矩阵进行基于其欧式空间的内生相关分布的L2正则化，从而与待加权特征的数值分布和按位置数值大小无关地，反映出权重空间对于待解码回归的特征所表达的特定回归表达模式的语义依赖程度，从而使得权重空间反应出模型所提取的特征的内在本质知识的传递效果，加快权重矩阵的收敛，从而提升解码器以至于模型整体的训练速度。这样，能够实时准确地基于实际的液氮流速值和反应液的PH值的时序协同变化情况来自适应地调整无水氟化氢的流速值，以此来使得反应完全且不引入杂质，以避免原料端自身的偏差而给反应带来的不良影响，提高电子级氟化铵的制备质量。
综上，根据本申请实施例的用于电子级氟化铵生产的生产管理控制系统300被阐明，其通过采用基于深度学习的神经网络模型挖掘出液氨的流速和反应液的PH值的时序协同关联特征分布信息，以提高这两者的的时序关联特征表达，从而基于实际的液氮流速值和反应液的PH值的时序协同变化情况来自适应地调整无水氟化氢的流速值，以此来使得反应完全且不引入杂质，以避免原料端自身的偏差而给反应带来的不良影响，提高电子级氟化铵的制备质量。
如上所述，根据本申请实施例的用于电子级氟化铵生产的生产管理控制系统可以实现在各种终端设备中。在一个示例中，根据本申请实施例的用于电子级氟化铵生产的生产管理控制系统300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，该用于电子级氟化铵生产的生产管理控制系统300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，该用于电子级氟化铵生产的生产管理控制系统300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，该用于电子级氟化铵生产的生产管理控制系统300与该终端设备也可以是分立的设备，并且该用于电子级氟化铵生产的生产管理控制系统300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8为根据本申请实施例的用于电子级氟化铵生产的生产管理控制方法的流程图。如图8所示，根据本申请实施例的用于电子级氟化铵生产的生产管理控制方法，包括步骤：S110，获取预定时间段内的多个预定时间点的反应液的PH值和所述多个预定时间点的液氨的流速值；S120，将所述多个预定时间点的反应液的PH值和所述多个预定时间点的液氨的流速值分别按照时间维度排列为PH值时序输入向量和液氨流速值时序输入向量；S130，对所述PH值时序输入向量和所述液氨流速值时序输入向量进行关联编码以得到全时序PH值-液氨流速关联矩阵；S140，对所述全时序PH值-液氨流速关联矩阵进行分块处理以得到多个局部关联矩阵；S150，将所述多个局部关联矩阵分别通过作为过滤器的卷积神经网络模型以得到多个局部关联特征向量；S160，将所述多个局部关联特征向量通过基于转换器的上下文编码器以得到全局语义关联特征向量；S170，将所述全局语义关联特征向量通过解码器以得到解码值，所述解码值用于表示当前时间点的无水氟化氢的流速推荐值。
在一个示例中，在上述用于电子级氟化铵生产的生产管理控制方法中，所述步骤S130，包括：所述第一图像编码器和所述第二图像编码器为深度残差网络模型。以如下编码公式对所述PH值时序输入向量和所述液氨流速值时序输入向量进行关联编码以得到全时序PH值-液氨流速关联矩阵；其中，所述编码公式为：其中/>表示所述 PH 值时序输入向量，/>表示所述PH值时序输入向量的转置向量，/>表示所述液氨流速值时序输入向量，/>表示所述全时序PH值-液氨流速关联矩阵，/>表示向量相乘。
在一个示例中，在上述用于电子级氟化铵生产的生产管理控制方法中，所述步骤S150，包括：使用所述作为过滤器的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：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为过滤器的卷积神经网络的最后一层的输出为所述多个局部关联特征向量，所述作为过滤器的卷积神经网络的第一层的输入为所述多个局部关联矩阵。
在一个示例中，在上述用于电子级氟化铵生产的生产管理控制方法中，所述步骤S160，包括：使用所述包含嵌入层的上下文编码器的嵌入层分别将所述多个局部关联特征向量中各个局部关联特征向量映射为词嵌入向量以得到词嵌入向量的序列；使用所述包含嵌入层的上下文编码器的转换器对所述词嵌入向量的序列进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义特征向量；以及，将所述多个全局上下文语义特征向量进行级联以得到所述全局语义关联特征向量。其中，使用所述包含嵌入层的上下文编码器的转换器对所述词嵌入向量的序列进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义特征向量，包括：将所述词嵌入向量的序列进行一维排列以得到全局特征向量；计算所述全局特征向量与所述词嵌入向量的序列中各个词向量的转置向量之间的乘积以得到多个自注意力关联矩阵；分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；分别以所述多个概率值中各个概率值作为权重对所述词嵌入向量的序列中各个词向量进行加权以得到所述多个上下文语义特征向量；以及，将所述多个上下文语义特征向量进行级联以得到所述多个全局上下文语义特征向量。
综上，根据本申请实施例的用于电子级氟化铵生产的生产管理控制方法被阐明，其通过采用基于深度学习的神经网络模型挖掘出液氨的流速和反应液的PH值的时序协同关联特征分布信息，以提高这两者的的时序关联特征表达，从而基于实际的液氮流速值和反应液的PH值的时序协同变化情况来自适应地调整无水氟化氢的流速值，以此来使得反应完全且不引入杂质，以避免原料端自身的偏差而给反应带来的不良影响，提高电子级氟化铵的制备质量。
示例性电子设备：下面，参考图9来描述根据本申请实施例的电子设备。
图9图示了根据本申请实施例的电子设备的框图。
如图9所示，电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元（CPU）或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器（RAM）和/或高速缓冲存储器（cache）等。所述非易失性存储器例如可以包括只读存储器（ROM）、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的用于电子级氟化铵生产的生产管理控制系统中的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如全局语义关联特征向量等各种内容。
在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构（未示出）互连。
该输入装置13可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息，包括解码值等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图9中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质：除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性系统”部分中描述的根据本申请各种实施例的用于电子级氟化铵生产的生产管理控制方法中的功能中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性系统”部分中描述的根据本申请各种实施例的用于电子级氟化铵生产的生产管理控制方法中的功能中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (9)
1.一种用于电子级氟化铵生产的生产管理控制系统，其特征在于，包括：数据采集模块，用于获取预定时间段内的多个预定时间点的反应液的PH值和所述多个预定时间点的液氨的流速值；数据时序分布模块，用于将所述多个预定时间点的反应液的PH值和所述多个预定时间点的液氨的流速值分别按照时间维度排列为PH值时序输入向量和液氨流速值时序输入向量；时序关联编码模块，用于对所述PH值时序输入向量和所述液氨流速值时序输入向量进行关联编码以得到全时序PH值-液氨流速关联矩阵；矩阵分块模块，用于对所述全时序PH值-液氨流速关联矩阵进行分块处理以得到多个局部关联矩阵；关联特征提取模块，用于将所述多个局部关联矩阵分别通过作为过滤器的卷积神经网络模型以得到多个局部关联特征向量；全局上下文关联模块，用于将所述多个局部关联特征向量通过基于转换器的上下文编码器以得到全局语义关联特征向量；流速推荐模块，用于将所述全局语义关联特征向量通过解码器以得到解码值，所述解码值用于表示当前时间点的无水氟化氢的流速推荐值。
2.根据权利要求1所述的用于电子级氟化铵生产的生产管理控制系统，其特征在于，所述时序关联编码模块，用于：以如下编码公式对所述PH值时序输入向量和所述液氨流速值时序输入向量进行关联编码以得到全时序PH值-液氨流速关联矩阵；其中，所述编码公式为：其中/>表示所述 PH 值时序输入向量，/>表示所述PH值时序输入向量的转置向量，/>表示所述液氨流速值时序输入向量，/>表示所述全时序PH值-液氨流速关联矩阵，/>表示向量相乘。
3.根据权利要求2所述的用于电子级氟化铵生产的生产管理控制系统，其特征在于，所述关联特征提取模块，用于：使用所述作为过滤器的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：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图；以及对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为过滤器的卷积神经网络的最后一层的输出为所述多个局部关联特征向量，所述作为过滤器的卷积神经网络的第一层的输入为所述多个局部关联矩阵。
4.根据权利要求3所述的用于电子级氟化铵生产的生产管理控制系统，其特征在于，所述全局上下文关联模块，包括：词嵌入单元，用于使用所述包含嵌入层的上下文编码器的嵌入层分别将所述多个局部关联特征向量中各个局部关联特征向量映射为词嵌入向量以得到词嵌入向量的序列；上下文编码单元，用于使用所述包含嵌入层的上下文编码器的转换器对所述词嵌入向量的序列进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义特征向量；以及级联单元，用于将所述多个全局上下文语义特征向量进行级联以得到所述全局语义关联特征向量。
5.根据权利要求4所述的用于电子级氟化铵生产的生产管理控制系统，其特征在于，所述上下文编码单元，包括：查询向量构造子单元，用于将所述词嵌入向量的序列进行一维排列以得到全局特征向量；自注意子单元，用于计算所述全局特征向量与所述词嵌入向量的序列中各个词向量的转置向量之间的乘积以得到多个自注意力关联矩阵；标准化子单元，用于分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；关注度计算子单元，用于将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；注意力施加子单元，用于分别以所述多个概率值中各个概率值作为权重对所述词嵌入向量的序列中各个词向量进行加权以得到所述多个上下文语义特征向量；以及级联子单元，用于将所述多个上下文语义特征向量进行级联以得到所述多个全局上下文语义特征向量。
6.根据权利要求5所述的用于电子级氟化铵生产的生产管理控制系统，其特征在于，还包括用于对所述作为过滤器的卷积神经网络模型、所述基于转换器的上下文编码器和所述解码器进行训练的训练模块。
7.根据权利要求6所述的用于电子级氟化铵生产的生产管理控制系统，其特征在于，所述训练模块，包括：训练数据采集模块，用于获取预定时间段内的多个预定时间点的反应液的训练PH值和所述多个预定时间点的液氨的训练流速值；训练数据时序分布模块，用于将所述多个预定时间点的反应液的训练PH值和所述多个预定时间点的液氨的训练流速值分别按照时间维度排列为训练PH值时序输入向量和训练液氨流速值时序输入向量；训练时序关联编码模块，用于对所述训练PH值时序输入向量和所述训练液氨流速值时序输入向量进行关联编码以得到训练全时序PH值-液氨流速关联矩阵；训练矩阵分块模块，用于对所述训练全时序PH值-液氨流速关联矩阵进行分块处理以得到多个训练局部关联矩阵；训练关联特征提取模块，用于将所述多个训练局部关联矩阵分别通过所述作为过滤器的卷积神经网络模型以得到多个训练局部关联特征向量；训练全局上下文关联模块，用于将所述多个训练局部关联特征向量通过所述基于转换器的上下文编码器以得到训练全局语义关联特征向量；解码损失模块，用于将所述训练全局语义关联特征向量通过所述解码器以得到解码损失函数值；以及训练模块，用于基于所述解码损失函数值并通过梯度下降的方向传播来对所述作为过滤器的卷积神经网络模型、所述基于转换器的上下文编码器和所述解码器进行训练，其中，在所述训练的每一轮迭代中，对所述解码器的权重矩阵进行权重矩阵的空间正则化约束迭代。
8.根据权利要求7所述的用于电子级氟化铵生产的生产管理控制系统，其特征在于，所述解码损失模块，用于：使用所述解码器以如下公式将所述训练全局语义关联特征向量进行解码回归以获得解码损失函数值；其中，所述公式为：，其中/>表示所述训练全局语义关联特征向量，/>是所述解码值，/>是权重矩阵，/>表示矩阵相乘。
9. 根据权利要求8所述的用于电子级氟化铵生产的生产管理控制系统，其特征在于，在所述训练的每一轮迭代中，以如下优化公式对所述解码器的权重矩阵进行权重矩阵的空间正则化约束迭代；其中，所述公式为：其中/>是所述解码器的权重矩阵，/>表示矩阵的Frobenius范数，/>是偏置矩阵，/> 表示矩阵乘法，/>表示矩阵加法，/>表示按位置点乘，/>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，/>表示迭代后的所述解码器的权重矩阵。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310306872.XA CN116859830B (zh) | 2023-03-27 | 2023-03-27 | 用于电子级氟化铵生产的生产管理控制系统 |
| PCT/CN2023/120033 WO2024198266A1 (zh) | 2023-03-27 | 2023-09-20 | 用于电子级氟化铵生产的生产管理控制系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310306872.XA CN116859830B (zh) | 2023-03-27 | 2023-03-27 | 用于电子级氟化铵生产的生产管理控制系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116859830A true CN116859830A (zh) | 2023-10-10 |
| CN116859830B CN116859830B (zh) | 2024-01-26 |
Family
ID=88223982
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310306872.XA Active CN116859830B (zh) | 2023-03-27 | 2023-03-27 | 用于电子级氟化铵生产的生产管理控制系统 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN116859830B (zh) |
| WO (1) | WO2024198266A1 (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117055451A (zh) * | 2023-10-12 | 2023-11-14 | 浙江大学 | 污水处理智能监控系统及其方法 |
| CN117311298A (zh) * | 2023-11-29 | 2023-12-29 | 江苏一家园健康科技有限公司 | 结合pH值控制的产品优化生产方法与系统 |
Citations (39)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| ES439061A1 (es) * | 1974-06-25 | 1977-02-01 | Mitsui Mining & Smelting Co | Instalacion para la lixiviacion automatica en la obtencion hidrometalurgica de cinc. |
| US5586033A (en) * | 1992-09-10 | 1996-12-17 | Deere & Company | Control system with neural network trained as general and local models |
| EP0947625A1 (de) * | 1998-03-31 | 1999-10-06 | Siemens Aktiengesellschaft | Verfahren und Vorrichtung zur Prozessführung und zur Prozessoptimierung der Chemikalienrückgewinnung bei der Herstellung von Zellstoff |
| US6050283A (en) * | 1995-07-07 | 2000-04-18 | Air Liquide America Corporation | System and method for on-site mixing of ultra-high-purity chemicals for semiconductor processing |
| CN1955115A (zh) * | 2005-10-27 | 2007-05-02 | 上海三爱思试剂有限公司 | 电子工业专用氟化铵的合成方法 |
| US20070129917A1 (en) * | 2002-10-22 | 2007-06-07 | Fisher-Rosemount Systems, Inc. | Updating and Utilizing Dynamic Process Simulation in an Operating Process Environment |
| CN102906925A (zh) * | 2010-03-18 | 2013-01-30 | 布莱克光电有限公司 | 电化学氢催化剂动力系统 |
| CN102924285A (zh) * | 2012-11-01 | 2013-02-13 | 江苏富淼科技股份有限公司 | 一种二甲基二烯丙基氯化铵的制备方法 |
| CN103303941A (zh) * | 2013-05-30 | 2013-09-18 | 福建省邵武市永飞化工有限公司 | 一种氟化铵制备方法 |
| CN103838209A (zh) * | 2013-12-09 | 2014-06-04 | 浙江大学 | 丙烯聚合生产过程自适应最优预报系统和方法 |
| CN106215798A (zh) * | 2016-08-26 | 2016-12-14 | 奥特斯维能源（太仓）有限公司 | 一种精确配制和实时监控氧化物刻蚀缓冲液浓度的方法 |
| CN107391851A (zh) * | 2017-07-26 | 2017-11-24 | 江南大学 | 一种基于核岭回归的谷氨酸发酵过程软测量建模方法 |
| US20180024512A1 (en) * | 2016-07-25 | 2018-01-25 | General Electric Company | System modeling, control and optimization |
| US20180268284A1 (en) * | 2017-03-15 | 2018-09-20 | Samsung Electronics Co., Ltd. | System and method for designing efficient super resolution deep convolutional neural networks by cascade network training, cascade network trimming, and dilated convolutions |
| CN108793192A (zh) * | 2018-08-20 | 2018-11-13 | 福建永晶科技股份有限公司 | 一种氟化铵的制备方法及其制备系统 |
| US20190048306A1 (en) * | 2017-08-11 | 2019-02-14 | Bioelectron Technology Corporation | Redox-related context adjustments to a bioprocess monitored by learning systems and methods based on redox indicators |
| CN112213994A (zh) * | 2019-07-12 | 2021-01-12 | 爱默生过程管理电力和水解决方案公司 | 在过程工厂的控制系统内使用指导的预测仿真的实时控制 |
| CN112947617A (zh) * | 2021-02-01 | 2021-06-11 | 陕西中良智能科技有限公司 | 机器学习装置、pH值智能微调控制系统及其控制方法 |
| US20210181374A1 (en) * | 2017-12-08 | 2021-06-17 | Solution Seeker As | Modelling of oil and gas networks |
| CN113111576A (zh) * | 2021-03-30 | 2021-07-13 | 北京工业大学 | 一种基于混合编码粒子群-长短期记忆神经网络出水氨氮软测量方法 |
| CN113723002A (zh) * | 2021-09-02 | 2021-11-30 | 大唐环境产业集团股份有限公司 | 全工况下脱硫系统浆液pH值预测模型建立方法及系统 |
| JP2022028696A (ja) * | 2013-09-05 | 2022-02-16 | 日新化成株式会社 | 水素製造装置、水素製造方法、及び水素製造用シリコン微細粒子の製造方法 |
| CN114218723A (zh) * | 2021-11-16 | 2022-03-22 | 华南理工大学 | 多维度信息传播网络社区可视化方法、系统、装置及介质 |
| CN114380381A (zh) * | 2021-10-24 | 2022-04-22 | 深圳市深水龙华水务有限公司 | 一种二氧化氯发生器残液的无害化处理方法及装置 |
| CN114503134A (zh) * | 2019-10-08 | 2022-05-13 | 纳米电子成像有限公司 | 工厂工序、设备和自动化系统的动态监控和保护 |
| 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 |
| CN115018068A (zh) * | 2022-05-30 | 2022-09-06 | 福建天甫电子材料有限公司 | 用于光阻洗净液生产的自动配料系统及其配料方法 |
| WO2022194688A1 (en) * | 2021-03-15 | 2022-09-22 | Basf Se | Chemical process modeling |
| CN115097886A (zh) * | 2022-06-29 | 2022-09-23 | 上海市政工程设计研究总院（集团）有限公司 | 污水处理中溶解氧浓度的控制方法及系统、设备及介质 |
| CN115100456A (zh) * | 2022-05-27 | 2022-09-23 | 福建天甫电子材料有限公司 | 用于电子级双氧水制备的智能化有毒有害气体报警系统 |
| CN115309215A (zh) * | 2022-08-05 | 2022-11-08 | 福建龙氟化工有限公司 | 氟化铵制备用的自动配料控制系统及其控制方法 |
| WO2022236064A2 (en) * | 2021-05-06 | 2022-11-10 | Strong Force Iot Portfolio 2016, Llc | Quantum, biological, computer vision, and neural network systems for industrial internet of things |
| CN115438577A (zh) * | 2022-08-23 | 2022-12-06 | 浙江东成生物科技股份有限公司 | 酵母水解物智能化制备方法及其系统 |
| CN115430344A (zh) * | 2022-08-31 | 2022-12-06 | 福建省龙德新能源有限公司 | 用于六氟磷酸锂制备的自动配料系统及其配料方法 |
| CN115453990A (zh) * | 2022-08-31 | 2022-12-09 | 福建天甫电子材料有限公司 | 用于氟化铵生产的生产管理控制系统及其控制方法 |
| CN115586755A (zh) * | 2022-10-28 | 2023-01-10 | 福建省龙德新能源有限公司 | 用于六氟磷酸锂制备的生产管理控制系统及其方法 |
| CN115620846A (zh) * | 2022-11-02 | 2023-01-17 | 广东星帮尼科技股份有限公司 | 一种活性锰材料制备及控制方法 |
| CN115630101A (zh) * | 2022-10-24 | 2023-01-20 | 淮阴工学院 | 水文参数智能化监控与水资源大数据管理系统 |
| CN115688592A (zh) * | 2022-11-09 | 2023-02-03 | 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 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112380098B (zh) * | 2020-11-19 | 2024-03-19 | 平安科技（深圳）有限公司 | 一种时序异常检测方法、装置、计算机设备及存储介质 |
| CN115599049B (zh) * | 2022-08-31 | 2023-04-07 | 福建省龙氟新材料有限公司 | 用于无水氟化氢生产的能源管理控制系统及其控制方法 |
| CN115571656B (zh) * | 2022-09-28 | 2023-06-02 | 华能伊敏煤电有限责任公司 | 基于料位检测的自动排土控制方法及其系统 |
| CN116185099A (zh) * | 2023-04-25 | 2023-05-30 | 福建天甫电子材料有限公司 | 用于电子级双氧水制备的温度自动控制系统 |
-
2023
- 2023-03-27 CN CN202310306872.XA patent/CN116859830B/zh active Active
- 2023-09-20 WO PCT/CN2023/120033 patent/WO2024198266A1/zh unknown
Patent Citations (39)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| ES439061A1 (es) * | 1974-06-25 | 1977-02-01 | Mitsui Mining & Smelting Co | Instalacion para la lixiviacion automatica en la obtencion hidrometalurgica de cinc. |
| US5586033A (en) * | 1992-09-10 | 1996-12-17 | Deere & Company | Control system with neural network trained as general and local models |
| US6050283A (en) * | 1995-07-07 | 2000-04-18 | Air Liquide America Corporation | System and method for on-site mixing of ultra-high-purity chemicals for semiconductor processing |
| EP0947625A1 (de) * | 1998-03-31 | 1999-10-06 | Siemens Aktiengesellschaft | Verfahren und Vorrichtung zur Prozessführung und zur Prozessoptimierung der Chemikalienrückgewinnung bei der Herstellung von Zellstoff |
| US20070129917A1 (en) * | 2002-10-22 | 2007-06-07 | Fisher-Rosemount Systems, Inc. | Updating and Utilizing Dynamic Process Simulation in an Operating Process Environment |
| CN1955115A (zh) * | 2005-10-27 | 2007-05-02 | 上海三爱思试剂有限公司 | 电子工业专用氟化铵的合成方法 |
| CN102906925A (zh) * | 2010-03-18 | 2013-01-30 | 布莱克光电有限公司 | 电化学氢催化剂动力系统 |
| CN102924285A (zh) * | 2012-11-01 | 2013-02-13 | 江苏富淼科技股份有限公司 | 一种二甲基二烯丙基氯化铵的制备方法 |
| CN103303941A (zh) * | 2013-05-30 | 2013-09-18 | 福建省邵武市永飞化工有限公司 | 一种氟化铵制备方法 |
| JP2022028696A (ja) * | 2013-09-05 | 2022-02-16 | 日新化成株式会社 | 水素製造装置、水素製造方法、及び水素製造用シリコン微細粒子の製造方法 |
| CN103838209A (zh) * | 2013-12-09 | 2014-06-04 | 浙江大学 | 丙烯聚合生产过程自适应最优预报系统和方法 |
| US20180024512A1 (en) * | 2016-07-25 | 2018-01-25 | General Electric Company | System modeling, control and optimization |
| CN106215798A (zh) * | 2016-08-26 | 2016-12-14 | 奥特斯维能源（太仓）有限公司 | 一种精确配制和实时监控氧化物刻蚀缓冲液浓度的方法 |
| US20180268284A1 (en) * | 2017-03-15 | 2018-09-20 | Samsung Electronics Co., Ltd. | System and method for designing efficient super resolution deep convolutional neural networks by cascade network training, cascade network trimming, and dilated convolutions |
| CN107391851A (zh) * | 2017-07-26 | 2017-11-24 | 江南大学 | 一种基于核岭回归的谷氨酸发酵过程软测量建模方法 |
| US20190048306A1 (en) * | 2017-08-11 | 2019-02-14 | Bioelectron Technology Corporation | Redox-related context adjustments to a bioprocess monitored by learning systems and methods based on redox indicators |
| US20210181374A1 (en) * | 2017-12-08 | 2021-06-17 | Solution Seeker As | Modelling of oil and gas networks |
| CN108793192A (zh) * | 2018-08-20 | 2018-11-13 | 福建永晶科技股份有限公司 | 一种氟化铵的制备方法及其制备系统 |
| CN112213994A (zh) * | 2019-07-12 | 2021-01-12 | 爱默生过程管理电力和水解决方案公司 | 在过程工厂的控制系统内使用指导的预测仿真的实时控制 |
| CN114503134A (zh) * | 2019-10-08 | 2022-05-13 | 纳米电子成像有限公司 | 工厂工序、设备和自动化系统的动态监控和保护 |
| CN112947617A (zh) * | 2021-02-01 | 2021-06-11 | 陕西中良智能科技有限公司 | 机器学习装置、pH值智能微调控制系统及其控制方法 |
| WO2022194688A1 (en) * | 2021-03-15 | 2022-09-22 | Basf Se | Chemical process modeling |
| CN113111576A (zh) * | 2021-03-30 | 2021-07-13 | 北京工业大学 | 一种基于混合编码粒子群-长短期记忆神经网络出水氨氮软测量方法 |
| WO2022236064A2 (en) * | 2021-05-06 | 2022-11-10 | Strong Force Iot Portfolio 2016, Llc | Quantum, biological, computer vision, and neural network systems for industrial internet of things |
| CN113723002A (zh) * | 2021-09-02 | 2021-11-30 | 大唐环境产业集团股份有限公司 | 全工况下脱硫系统浆液pH值预测模型建立方法及系统 |
| CN114380381A (zh) * | 2021-10-24 | 2022-04-22 | 深圳市深水龙华水务有限公司 | 一种二氧化氯发生器残液的无害化处理方法及装置 |
| CN114218723A (zh) * | 2021-11-16 | 2022-03-22 | 华南理工大学 | 多维度信息传播网络社区可视化方法、系统、装置及介质 |
| 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 |
| CN115100456A (zh) * | 2022-05-27 | 2022-09-23 | 福建天甫电子材料有限公司 | 用于电子级双氧水制备的智能化有毒有害气体报警系统 |
| CN115018068A (zh) * | 2022-05-30 | 2022-09-06 | 福建天甫电子材料有限公司 | 用于光阻洗净液生产的自动配料系统及其配料方法 |
| CN115097886A (zh) * | 2022-06-29 | 2022-09-23 | 上海市政工程设计研究总院（集团）有限公司 | 污水处理中溶解氧浓度的控制方法及系统、设备及介质 |
| CN115309215A (zh) * | 2022-08-05 | 2022-11-08 | 福建龙氟化工有限公司 | 氟化铵制备用的自动配料控制系统及其控制方法 |
| CN115438577A (zh) * | 2022-08-23 | 2022-12-06 | 浙江东成生物科技股份有限公司 | 酵母水解物智能化制备方法及其系统 |
| CN115430344A (zh) * | 2022-08-31 | 2022-12-06 | 福建省龙德新能源有限公司 | 用于六氟磷酸锂制备的自动配料系统及其配料方法 |
| CN115453990A (zh) * | 2022-08-31 | 2022-12-09 | 福建天甫电子材料有限公司 | 用于氟化铵生产的生产管理控制系统及其控制方法 |
| CN115630101A (zh) * | 2022-10-24 | 2023-01-20 | 淮阴工学院 | 水文参数智能化监控与水资源大数据管理系统 |
| CN115586755A (zh) * | 2022-10-28 | 2023-01-10 | 福建省龙德新能源有限公司 | 用于六氟磷酸锂制备的生产管理控制系统及其方法 |
| CN115620846A (zh) * | 2022-11-02 | 2023-01-17 | 广东星帮尼科技股份有限公司 | 一种活性锰材料制备及控制方法 |
| CN115688592A (zh) * | 2022-11-09 | 2023-02-03 | 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 |
Non-Patent Citations (5)
| Title |
|---|
| 付泰然;刘广鑫;万全元;吴霆;赵丽娟;林蠡;杨灵;: "基于栈式自编码BP神经网络预测水体亚硝态氮浓度模型", 水产学报, no. 04 * |
| 傅惠;徐建闽;卢凯;: "基于粒子群优化的关联交叉口群信号控制策略研究", 交通与计算机, no. 03 * |
| 刘万军;梁雪剑;曲海成;: "不同池化模型的卷积神经网络学习性能研究", 中国图象图形学报, no. 09 * |
| 张志扬;张凤荔;陈学勤;王瑞锦;: "基于分层注意力的信息级联预测模型", 计算机科学, no. 06 * |
| 朱湘临;杨建宁;孙谧;王跃军;孙玉坤;: "基于非线性核脊回归算法的海洋微生物发酵参数软测量", 化工自动化及仪表, no. 02 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117055451A (zh) * | 2023-10-12 | 2023-11-14 | 浙江大学 | 污水处理智能监控系统及其方法 |
| CN117055451B (zh) * | 2023-10-12 | 2024-01-05 | 浙江大学 | 污水处理智能监控系统及其方法 |
| CN117311298A (zh) * | 2023-11-29 | 2023-12-29 | 江苏一家园健康科技有限公司 | 结合pH值控制的产品优化生产方法与系统 |
| CN117311298B (zh) * | 2023-11-29 | 2024-02-09 | 江苏一家园健康科技有限公司 | 结合pH值控制的产品优化生产方法与系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116859830B (zh) | 2024-01-26 |
| WO2024198266A1 (zh) | 2024-10-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116859830B (zh) | 用于电子级氟化铵生产的生产管理控制系统 | |
| CN111797589B (zh) | 一种文本处理网络、神经网络训练的方法以及相关设备 | |
| CN110619124B (zh) | 一种结合注意力机制与双向lstm的命名实体识别方法及系统 | |
| CN116307624B (zh) | 一种erp系统的资源调度方法及其系统 | |
| CN114926835A (zh) | 文本生成、模型训练方法和装置 | |
| CN116579618B (zh) | 基于风险管理的数据处理方法、装置、设备及存储介质 | |
| CN116185099A (zh) | 用于电子级双氧水制备的温度自动控制系统 | |
| CN114360502A (zh) | 语音识别模型的处理方法、语音识别方法及装置 | |
| CN116768206A (zh) | 石墨的纯化工艺及其系统 | |
| CN116341564A (zh) | 基于语义理解的问题推理方法和装置 | |
| CN110705279A (zh) | 一种词汇表的选择方法、装置及计算机可读存储介质 | |
| CN114691897A (zh) | 一种深度自适应多模态哈希检索方法及相关设备 | |
| CN115525263A (zh) | 代码补全模型的训练方法、代码补全方法和装置 | |
| CN116167833B (zh) | 基于联邦学习的互联网金融风险控制系统及其方法 | |
| CN113762503A (zh) | 数据处理方法、装置、设备及计算机可读存储介质 | |
| CN117079264A (zh) | 场景文本图像识别方法、系统、设备及存储介质 | |
| CN116467485B (zh) | 一种视频图像检索构建系统及其方法 | |
| CN116785967A (zh) | 用于电子级六氟磷酸锂制备的自动配料系统 | |
| CN117273143A (zh) | 基于马尔可夫逻辑网络的时序知识图谱推理方法及系统 | |
| CN116644180A (zh) | 文本匹配模型的训练方法、训练系统和文本标签确定方法 | |
| CN114120245B (zh) | 基于深度神经网络的人群图像分析方法、装置以及设备 | |
| CN114691836B (zh) | 文本的情感倾向性分析方法、装置、设备及介质 | |
| CN113886520B (zh) | 一种基于图神经网络的代码检索方法、系统及计算机可读存储介质 | |
| CN115795005A (zh) | 一种融合对比学习去噪优化的会话推荐方法及装置 | |
| CN115713670A (zh) | 基于图预测网络和自动编码器的异常检测方法及系统 |
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 |