CN116920739A - 用于六氟磷酸锂制备的液体循环雾化合成控制系统及方法 - Google Patents
用于六氟磷酸锂制备的液体循环雾化合成控制系统及方法 Download PDFInfo
- Publication number
- CN116920739A CN116920739A CN202310189981.8A CN202310189981A CN116920739A CN 116920739 A CN116920739 A CN 116920739A CN 202310189981 A CN202310189981 A CN 202310189981A CN 116920739 A CN116920739 A CN 116920739A
- Authority
- CN
- China
- Prior art keywords
- feature
- state
- atomization
- lif
- vector
- 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
- 238000000889 atomisation Methods 0.000 title claims abstract description 185
- -1 lithium hexafluorophosphate Chemical compound 0.000 title claims abstract description 87
- 239000007788 liquid Substances 0.000 title claims abstract description 72
- 238000002360 preparation method Methods 0.000 title claims abstract description 72
- 230000015572 biosynthetic process Effects 0.000 title claims abstract description 69
- 238000003786 synthesis reaction Methods 0.000 title claims abstract description 69
- 230000004087 circulation Effects 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000010586 diagram Methods 0.000 claims abstract description 86
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 60
- 238000012545 processing Methods 0.000 claims abstract description 19
- 239000013598 vector Substances 0.000 claims description 185
- 239000011159 matrix material Substances 0.000 claims description 72
- 238000010606 normalization Methods 0.000 claims description 28
- 238000011084 recovery Methods 0.000 claims description 26
- 238000009826 distribution Methods 0.000 claims description 24
- 238000000605 extraction Methods 0.000 claims description 15
- 230000004913 activation Effects 0.000 claims description 13
- 238000011176 pooling Methods 0.000 claims description 13
- 238000002663 nebulization Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 claims description 4
- 230000002787 reinforcement Effects 0.000 claims description 4
- 230000009471 action Effects 0.000 claims description 3
- 239000000463 material Substances 0.000 abstract description 11
- 238000013135 deep learning Methods 0.000 abstract description 10
- 230000006978 adaptation Effects 0.000 abstract description 7
- 238000001514 detection method Methods 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000002203 pretreatment Methods 0.000 abstract 1
- 239000007789 gas Substances 0.000 description 50
- 230000008569 process Effects 0.000 description 14
- 238000006243 chemical reaction Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 10
- 238000003860 storage Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 239000000284 extract Substances 0.000 description 5
- 238000012935 Averaging Methods 0.000 description 4
- 239000000203 mixture Substances 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 239000002904 solvent Substances 0.000 description 3
- KRHYYFGTRYWZRS-UHFFFAOYSA-N Fluorane Chemical compound F KRHYYFGTRYWZRS-UHFFFAOYSA-N 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000001364 causal effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 229910000040 hydrogen fluoride Inorganic materials 0.000 description 2
- PQXKHYXIUOZZFA-UHFFFAOYSA-M lithium fluoride Chemical compound [Li+].[F-] PQXKHYXIUOZZFA-UHFFFAOYSA-M 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- OBCUTHMOOONNBS-UHFFFAOYSA-N phosphorus pentafluoride Chemical compound FP(F)(F)(F)F OBCUTHMOOONNBS-UHFFFAOYSA-N 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 229910013872 LiPF Inorganic materials 0.000 description 1
- 229910013870 LiPF 6 Inorganic materials 0.000 description 1
- 101150058243 Lipf gene Proteins 0.000 description 1
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000002425 crystallisation Methods 0.000 description 1
- 230000008025 crystallization Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 239000003792 electrolyte Substances 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000007791 liquid phase Substances 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 229910001416 lithium ion Inorganic materials 0.000 description 1
- 239000012452 mother liquor Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000012071 phase Substances 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000001839 systemic circulation Effects 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
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
- G05B19/0428—Safety, monitoring
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01J—CHEMICAL OR PHYSICAL PROCESSES, e.g. CATALYSIS OR COLLOID CHEMISTRY; THEIR RELEVANT APPARATUS
- B01J19/00—Chemical, physical or physico-chemical processes in general; Their relevant apparatus
- B01J19/0006—Controlling or regulating processes
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01J—CHEMICAL OR PHYSICAL PROCESSES, e.g. CATALYSIS OR COLLOID CHEMISTRY; THEIR RELEVANT APPARATUS
- B01J19/00—Chemical, physical or physico-chemical processes in general; Their relevant apparatus
- B01J19/0053—Details of the reactor
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01J—CHEMICAL OR PHYSICAL PROCESSES, e.g. CATALYSIS OR COLLOID CHEMISTRY; THEIR RELEVANT APPARATUS
- B01J4/00—Feed or outlet devices; Feed or outlet control devices
- B01J4/001—Feed or outlet devices as such, e.g. feeding tubes
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01J—CHEMICAL OR PHYSICAL PROCESSES, e.g. CATALYSIS OR COLLOID CHEMISTRY; THEIR RELEVANT APPARATUS
- B01J4/00—Feed or outlet devices; Feed or outlet control devices
- B01J4/008—Feed or outlet control devices
-
- C—CHEMISTRY; METALLURGY
- C01—INORGANIC CHEMISTRY
- C01B—NON-METALLIC ELEMENTS; COMPOUNDS THEREOF; METALLOIDS OR COMPOUNDS THEREOF NOT COVERED BY SUBCLASS C01C
- C01B25/00—Phosphorus; Compounds thereof
- C01B25/16—Oxyacids of phosphorus; Salts thereof
- C01B25/26—Phosphates
- C01B25/455—Phosphates containing halogen
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24024—Safety, surveillance
Landscapes
- Chemical & Material Sciences (AREA)
- Organic Chemistry (AREA)
- Engineering & Computer Science (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Automation & Control Theory (AREA)
- Materials Engineering (AREA)
- Inorganic Chemistry (AREA)
- Feedback Control In General (AREA)
Abstract
本申请涉及六氟磷酸锂智能化制备领域，其具体地公开了一种用于六氟磷酸锂制备的液体循环雾化合成控制系统及方法，其采用基于深度学习的人工智能检测技术，以通过作为过滤器的卷积神经网络模型和基于转换器的上下文编码器从多个预定时间点的LiF·HF溶液的雾化状态图中提取关于LiF·HF溶液的雾化状态的时序隐含关联特征信息，并进行解码回归处理来推荐适宜的PF5气体的通入流速值。这样，提高PF5气体的通入流速值自适应的适配度，从而使得LiF·HF溶液与PF5气体进行更为充分地反应，进而提高六氟磷酸锂制备效率和物料利用率。
Description
技术领域
本申请涉及六氟磷酸锂智能化制备领域，且更为具体地，涉及一种用于六氟磷酸锂制备的液体循环雾化合成控制系统及方法。
背景技术
六氟磷酸锂（LiPF6）是锂离子电池电解液的关键原料，由于其诸多优良特性，成为高性能电池首选原料，广泛应用于3C、动力电池及储能等领域。
目前六氟磷酸锂最广泛的工业化制备方法是溶剂法。现有溶剂法是将氟化锂溶解在无水氟化氢中形成LiF·HF溶液，通入高纯五氟化磷气体进行反应，母液经过低温结晶、固液分离、干燥等工序得到六氟磷酸锂产品。虽然溶剂法产出的产品纯度高且成本较低，但合成反应PF5（气体）+LiF（溶于无水氟化氢的液体）→LiPF6属于多相反应，反应效率受到五氟化磷在气相中、气液界面、液相中传质速率以及反应速率的影响，因而反应效率和物料利用率受到限制，导致单位时间内PF5与LiF的反应过慢，且部分LiF未能充分反应，未反应LiF夹带入产品中，影响了六氟磷酸锂的纯度。
液体循环雾化合成技术为解决上述技术问题提供了一种方法，其将LiF·HF溶液通过雾化喷头雾化，形成类似气体的极小液滴；同时，LiF·HF溶液一直处于高速流动状态，加大其与PF5（气体）的接触反应面，避免出现反应死区现象，在全流场状态下反应更充分。而在实际采用液体循环雾化合成技术制备六氟磷酸锂的过程中，雾化喷头的磨损、故障或者LiF·HF溶液供给量的变化会造成LiF·HF溶液通过雾化喷头的通入速度产生变化，进而导致LiF·HF溶液的雾化状态产生变化，与此同时，PF5气体的通入流速却是稳定不变的，也就是，不管当前时间点LiF·HF溶液的雾化状态是如何，PF5气体都是以恒定的通入流速一味输入，这就导致LiF·HF溶液依旧无法与PF5气体充分反应，进而未反应完全的LiF降低了六氟磷酸锂的纯度。
因此，期待一种优化的用于六氟磷酸锂制备的液体循环雾化合成控制方案。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种用于六氟磷酸锂制备的液体循环雾化合成控制系统及方法，其采用基于深度学习的人工智能检测技术，以通过作为过滤器的卷积神经网络模型和基于转换器的上下文编码器从多个预定时间点的LiF·HF溶液的雾化状态图中提取关于LiF·HF溶液的雾化状态的时序隐含关联特征信息，并进行解码回归处理来推荐适宜的PF5气体的通入流速值。这样，提高PF5气体的通入流速值自适应的适配度，从而使得LiF·HF溶液与PF5气体进行更为充分地反应，进而提高六氟磷酸锂制备效率和物料利用率。
相应地，根据本申请的一个方面，提供了一种用于六氟磷酸锂制备的液体循环雾化合成控制系统，其包括：雾化状态监控模块，用于获取由摄像头采集的预定时间段内多个预定时间点的LiF·HF溶液的雾化状态图；雾化状态特征提取模块，用于将所述各个预定时间点的LiF·HF溶液的雾化状态图分别通过作为过滤器的卷积神经网络模型以得到多个雾化状态特征向量；雾化特征表达优化模块，用于基于所述各个预定时间点的LiF·HF溶液的雾化状态图，分别对所述各个雾化状态特征向量进行特征分布区分度强化以得到多个校正后雾化状态特征向量；上下文语义理解模块，用于将所述多个校正后雾化状态特征向量通过基于转换器的上下文编码器以得到雾化状态时序特征向量；以及控制结果生成模块，用于将所述雾化状态时序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PF5气体的推荐通入流速值。
在上述用于六氟磷酸锂制备的液体循环雾化合成控制系统中，所述雾化状态特征提取模块，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分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述卷积神经网络模型的最后一层的输出为所述雾化状态特征向量，所述卷积神经网络模型的第一层的输入为所述LiF·HF溶液的雾化状态图。
在上述用于六氟磷酸锂制备的液体循环雾化合成控制系统中，所述雾化特征表达优化模块，包括：附加特征提取单元，用于将所述各个预定时间点的LiF·HF溶液的雾化状态图作为特征提取器的附加卷积神经网络模型以得到多个雾化特征图；因数计算单元，用于计算所述各个雾化特征图的沿通道维度的每个特征矩阵的实例归一化和一致性相关恢复因数以得到由实例归一化和一致性相关恢复因数组成的多个加权特征向量；以及，作用单元，用于分别计算每一组对应的所述加权特征向量和所述雾化状态特征向量之间的按位置点乘以得到所述多个校正后雾化状态特征向量。
在上述用于六氟磷酸锂制备的液体循环雾化合成控制系统中，所述附加特征提取单元，进一步用于：使用所述附加卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述附加卷积神经网络模型的最后一层的输出为所述雾化特征图，所述附加卷积神经网络模型的第一层的输入为所述LiF·HF溶液的雾化状态图。
在上述用于六氟磷酸锂制备的液体循环雾化合成控制系统中，所述因数计算单元，进一步用于：以如下公式计算所述各个雾化特征图的沿通道维度的每个特征矩阵的实例归一化和一致性相关恢复因数以得到由实例归一化和一致性相关恢复因数组成的多个加权特征向量；其中，所述公式为：
其中，为各个特征矩阵的第/>位置的特征值，/>和/>是所述特征矩阵的各个位置特征值集合的均值和方差，且/>和/>分别是特征矩阵的宽度和高度，/>表示以e为底的指数运算，/>表示以2为底的对数运算，/>表示所述实例归一化和一致性相关恢复因数。
在上述用于六氟磷酸锂制备的液体循环雾化合成控制系统中，所述上下文语义理解模块，包括：上下文编码单元，用于将所述多个校正后雾化状态特征向量输入所述基于转换器的上下文编码器以得到所述多个雾化状态上下文特征向量；以及，级联单元，用于将所述多个雾化状态上下文特征向量进行级联以得到所述雾化状态时序特征向量。
在上述用于六氟磷酸锂制备的液体循环雾化合成控制系统中，所述上下文编码单元，进一步用于：将所述多个校正后雾化状态特征向量排列为输入向量；将所述输入向量通过可学习嵌入矩阵分别转化为查询向量和关键向量；计算所述查询向量和所述关键向量的转置向量之间的乘积以得到自注意关联矩阵；对所述自注意关联矩阵进行标准化处理以得到标准化自注意关联矩阵；将所述标准化自注意关联矩阵输入Softmax激活函数进行激活以得到自注意力特征矩阵；以及，将所述自注意力特征矩阵与以所述多个校正后雾化状态特征向量中各个校正后雾化状态特征向量作为值向量分别进行相乘以得到所述多个雾化状态上下文特征向量。
在上述用于六氟磷酸锂制备的液体循环雾化合成控制系统中，所述控制结果生成模块，进一步用于：使用所述解码器以如下公式对所述雾化状态时序特征向量进行解码回归以获得所述解码值；其中，所述公式为：，其中/>是所述雾化状态时序特征向量，/>是所述解码值，/>是权重矩阵，/>表示矩阵乘。
根据本申请的另一方面，还提供了一种用于六氟磷酸锂制备的液体循环雾化合成控制方法，其包括：获取由摄像头采集的预定时间段内多个预定时间点的LiF·HF溶液的雾化状态图；将所述各个预定时间点的LiF·HF溶液的雾化状态图分别通过作为过滤器的卷积神经网络模型以得到多个雾化状态特征向量；基于所述各个预定时间点的LiF·HF溶液的雾化状态图，分别对所述各个雾化状态特征向量进行特征分布区分度强化以得到多个校正后雾化状态特征向量；将所述多个校正后雾化状态特征向量通过基于转换器的上下文编码器以得到雾化状态时序特征向量；以及将所述雾化状态时序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PF5气体的推荐通入流速值。
在上述用于六氟磷酸锂制备的液体循环雾化合成控制方法中，将所述各个预定时间点的LiF·HF溶液的雾化状态图分别通过作为过滤器的卷积神经网络模型以得到多个雾化状态特征向量，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分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述卷积神经网络模型的最后一层的输出为所述雾化状态特征向量，所述卷积神经网络模型的第一层的输入为所述LiF·HF溶液的雾化状态图。
在上述用于六氟磷酸锂制备的液体循环雾化合成控制方法中，基于所述各个预定时间点的LiF·HF溶液的雾化状态图，分别对所述各个雾化状态特征向量进行特征分布区分度强化以得到多个校正后雾化状态特征向量，包括：将所述各个预定时间点的LiF·HF溶液的雾化状态图作为特征提取器的附加卷积神经网络模型以得到多个雾化特征图；计算所述各个雾化特征图的沿通道维度的每个特征矩阵的实例归一化和一致性相关恢复因数以得到由实例归一化和一致性相关恢复因数组成的多个加权特征向量；以及，分别计算每一组对应的所述加权特征向量和所述雾化状态特征向量之间的按位置点乘以得到所述多个校正后雾化状态特征向量。
在上述用于六氟磷酸锂制备的液体循环雾化合成控制方法中，将所述各个预定时间点的LiF·HF溶液的雾化状态图作为特征提取器的附加卷积神经网络模型以得到多个雾化特征图，包括：使用所述附加卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述附加卷积神经网络模型的最后一层的输出为所述雾化特征图，所述附加卷积神经网络模型的第一层的输入为所述LiF·HF溶液的雾化状态图。
在上述用于六氟磷酸锂制备的液体循环雾化合成控制方法中，计算所述各个雾化特征图的沿通道维度的每个特征矩阵的实例归一化和一致性相关恢复因数以得到由实例归一化和一致性相关恢复因数组成的多个加权特征向量，包括：以如下公式计算所述各个雾化特征图的沿通道维度的每个特征矩阵的实例归一化和一致性相关恢复因数以得到由实例归一化和一致性相关恢复因数组成的多个加权特征向量；其中，所述公式为：
其中，为各个特征矩阵的第/>位置的特征值，/>和/>是所述特征矩阵的各个位置特征值集合的均值和方差，且/>和/>分别是特征矩阵的宽度和高度，/>表示以e为底的指数运算，/>表示以2为底的对数运算，/>表示所述实例归一化和一致性相关恢复因数。
在上述用于六氟磷酸锂制备的液体循环雾化合成控制方法中，将所述多个校正后雾化状态特征向量通过基于转换器的上下文编码器以得到雾化状态时序特征向量，包括：将所述多个校正后雾化状态特征向量输入所述基于转换器的上下文编码器以得到所述多个雾化状态上下文特征向量；以及，将所述多个雾化状态上下文特征向量进行级联以得到所述雾化状态时序特征向量。
在上述用于六氟磷酸锂制备的液体循环雾化合成控制方法中，将所述多个校正后雾化状态特征向量输入所述基于转换器的上下文编码器以得到所述多个雾化状态上下文特征向量，包括：将所述多个校正后雾化状态特征向量排列为输入向量；将所述输入向量通过可学习嵌入矩阵分别转化为查询向量和关键向量；计算所述查询向量和所述关键向量的转置向量之间的乘积以得到自注意关联矩阵；对所述自注意关联矩阵进行标准化处理以得到标准化自注意关联矩阵；将所述标准化自注意关联矩阵输入Softmax激活函数进行激活以得到自注意力特征矩阵；以及，将所述自注意力特征矩阵与以所述多个校正后雾化状态特征向量中各个校正后雾化状态特征向量作为值向量分别进行相乘以得到所述多个雾化状态上下文特征向量。
在上述用于六氟磷酸锂制备的液体循环雾化合成控制方法中，将所述雾化状态时序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PF5气体的推荐通入流速值，包括：使用所述解码器以如下公式对所述雾化状态时序特征向量进行解码回归以获得所述解码值；其中，所述公式为：，其中/>是所述雾化状态时序特征向量，/>是所述解码值，/>是权重矩阵，/>表示矩阵乘。
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六氟磷酸锂制备的液体循环雾化合成控制方法。
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六氟磷酸锂制备的液体循环雾化合成控制方法。
与现有技术相比，本申请提供的用于六氟磷酸锂制备的液体循环雾化合成控制系统及方法，其采用基于深度学习的人工智能检测技术，以通过作为过滤器的卷积神经网络模型和基于转换器的上下文编码器从多个预定时间点的LiF·HF溶液的雾化状态图中提取关于LiF·HF溶液的雾化状态的时序隐含关联特征信息，并进行解码回归处理来推荐适宜的PF5气体的通入流速值。这样，提高PF5气体的通入流速值自适应的适配度，从而使得LiF·HF溶液与PF5气体进行更为充分地反应，进而提高六氟磷酸锂制备效率和物料利用率。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的用于六氟磷酸锂制备的液体循环雾化合成控制系统的应用场景图。
图2为根据本申请实施例的用于六氟磷酸锂制备的液体循环雾化合成控制系统的框图。
图3为根据本申请实施例的用于六氟磷酸锂制备的液体循环雾化合成控制系统的架构示意图。
图4为根据本申请实施例的用于六氟磷酸锂制备的液体循环雾化合成控制系统中雾化特征表达优化模块的框图。
图5为根据本申请实施例的用于六氟磷酸锂制备的液体循环雾化合成控制方法的流程图。
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。
申请概述：相应地，考虑到在实际采用液体循环雾化合成技术制备六氟磷酸锂的过程中，可以基于LiF·HF溶液的雾化状态来实时且自适应地对PF5气体的通入流速值进行控制，以使得LiF·HF溶液与PF5气体进行更为充分地反应，进而提高六氟磷酸锂制备效率和物料利用率。在本申请的技术方案中，可以通过对于由摄像头获取的多个预定时间点的LiF·HF溶液的雾化状态图进行分析来捕捉LiF·HF溶液的雾化状态，且通过挖掘LiF·HF溶液的雾化状态与PF5气体的通入流速的隐含状态之间的关联关系来实现对于PF5气体的通入流速值的自适应控制。但是，考虑到由于LiF·HF溶液的雾化状态图中存在大量的数据信息，难以对于图像数据中关于LiF·HF溶液的雾化状态隐含特征信息进行有效地捕捉提取，并且由于LiF·HF溶液的雾化状态信息还在时间维度上具有着隐藏的关联性关系，难以对于LiF·HF溶液的雾化状态信息的变化特征进行深度挖掘捕捉，从而降低LiF·HF溶液的雾化状态与PF5气体的通入流速的隐含状态之间的关联关系挖掘精准度，进而降低PF5气体的通入流速值自适应的适配度。也就是说，在此过程中，难点在于如何挖掘关于LiF·HF溶液的雾化状态隐含特征信息并建立其与PF5气体通入流速的时序变化特征分布信息之间的关联关系，以此来推荐适宜的PF5气体的通入流速值，提高PF5气体的通入流速值自适应的适配度，从而使得LiF·HF溶液与PF5气体进行更为充分地反应，进而提高六氟磷酸锂制备效率和物料利用率。
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构建用于六氟磷酸锂制备的液体循环雾化合成控制方案提供了新的解决思路。
具体地，在本申请的技术方案中，首先，获取由摄像头采集的预定时间段内多个预定时间点的LiF·HF溶液的雾化状态图。
接着，使用在图像特征提取领域具有优异性能表现的卷积神经网络模型作为过滤器来提取所述各个预定时间点的LiF·HF溶液的雾化状态图中所蕴含的高维局部图像隐藏特征。其中，在所述作为过滤器的卷积神经网络模型的编码过程中，对所述LiF·HF溶液的雾化状态图进行基于卷积核的特征过滤以得到雾化状态特征向量，所述卷积核具有可学习的神经网络模型。这里，在通过所述卷积核对所述LiF·HF溶液的雾化状态图进行全域扫描的过程中，同一个卷积核能够捕捉所述LiF·HF溶液的雾化状态图的局部区域模式特征，即，LiF·HF溶液的雾化状态图中关于LiF·HF溶液的雾化状态在局部时间窗口内的高维隐含模式特征，而不同的卷积核能够捕捉所述LiF·HF溶液的雾化状态图的不同局部区域模式特征。
对于所述多个雾化状态特征向量来说，考虑到所述各个雾化状态特征向量之间存在时序上的关联性，也就是，各个预定时间点的LiF·HF溶液的雾化状态图中所蕴含的关于LiF·HF溶液的雾化状态的高维隐含特征信息之间存在时序关联性，为了准确地挖掘这种关联性，将所述多个雾化状态特征向量通过基于转换器的上下文编码器以对于所述多个雾化状态特征向量进行基于上下文的语义理解，从而得到雾化状态时序特征向量。也就是，基于transformer思想，利用转换器能够捕捉长距离上下文依赖的特性，对所述多个雾化状态特征向量中各个雾化状态特征向量进行基于全局的上下文语义编码以得到以所述多个雾化状态特征向量的整体语义关联为上下文背景的上下文语义关联特征表示，即，所述雾化状态时序特征向量。应可以理解，在本申请的技术方案中，通过所述基于转换器的上下文编码器可以捕捉各个雾化状态特征向量的语义隐含特征相对于所述多个雾化状态特征向量整体的基于全局的上下文语义关联特征表示。
得到所述雾化状态时序特征向量后，将其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PF5气体的推荐通入流速值。在本申请的技术方案中，在得到所述解码值后，可以基于所述解码值来自适应地调整PF5气体通入流速值，以使得LiF·HF溶液与PF5气体进行更为充分地反应，进而提高六氟磷酸锂制备效率和物料利用率。
特别地，在本申请的技术方案中，将LiF·HF溶液的雾化状态图通过作为过滤器的卷积神经网络模型得到所述雾化状态特征向量时，作为过滤器的卷积神经网络模型提取所述雾化状态图的图像语义特征作为其通道维度上的特征分布，因此，如果能够进一步对于所述雾化状态特征向量的各个特征值进行基于通道维度的加权，显然能够提升所述雾化状态特征向量的表达效果。
通道维度的权重可以首先将所述LiF·HF溶液的雾化状态图通过作为特征提取器的附加卷积神经网络模型以得到雾化特征图，再通过对所述雾化特征图的沿通道维度排列的各个特征矩阵进行全局均值池化的方式来得到用于表达卷积神经网络模型的通道维度权重的加权特征向量。但是，考虑到特征矩阵的全局均值池化不可避免地损失特征矩阵所表达的区别性特征空间分布信息，即图像特征语义信息，因此期望对于所述加权特征向量进行优化，以尽量恢复所述雾化特征图所表达的由各个特征矩阵之间的整体分布相关而表达的加权特征向量的特征分布信息，从而提升所述加权特征向量对于卷积神经网络模型的各个通道维度的提取特征表示的表达效果。
基于此，代替计算所述雾化特征图的沿通道维度排列的每个特征矩阵的全局均值池化值，计算所述雾化特征图的每个特征矩阵的实例归一化和一致性相关恢复因数，表示为：
和/>是特征集合/>的均值和方差，/>为特征矩阵/>的第/>位置的特征值，且/>和/>分别是特征矩阵的宽度和高度。
这里，所述实例归一化和一致性相关恢复因数针对特征矩阵的全局均值池化不可避免地损失区别性特征信息的问题，在特征矩阵所表达的通道实例的空间分布特征的实例归一化（Instance Normalization：IN）的基础上，通过从类概率的统计残差特征中蒸馏一致性相关（identity-relevant）的特征，来将统计信息中的一致性相关的相干性恢复到特征值表示中。这样，通过以该因数作为用于表达通道维度权重的所述加权特征向量的各个位置的特征值，就可以实现所述加权特征向量相对于所述雾化特征图的由特征矩阵的空间分布引起的通道因果关系约束（causalityconstraint）的恢复，从而提升所述加权特征向量对于卷积神经网络模型的各个通道维度的提取特征表示的表达效果。并且，进一步地，通过以对于每个LiF·HF溶液的雾化状态图得到的所述加权特征向量对相应的雾化状态特征向量进行点乘，就可以改进所述雾化状态特征向量的表达效果，从而最终增强所述雾化状态时序特征向量通过解码器得到的解码结果的准确性。
图1为根据本申请实施例的用于六氟磷酸锂制备的液体循环雾化合成控制系统的应用场景图。如图1所示，在该应用场景中，首先由摄像头（例如，如图1中所示意的C）采集预定时间段内多个预定时间点的LiF·HF溶液（例如，如图1中所示意的L）的雾化状态图。进而，将所述预定时间段内多个预定时间点的LiF·HF溶液的雾化状态图输入至部署有用于六氟磷酸锂制备的液体循环雾化合成控制算法的服务器（例如，如图1所示意的S）中，其中，所述服务器能够基于所述用于六氟磷酸锂制备的液体循环雾化合成控制算法对所述预定时间段内多个预定时间点的LiF·HF溶液的雾化状态图进行处理以得到解码值，所述解码值用于表示当前时间点的PF5气体的推荐通入流速值。
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六氟磷酸锂制备的液体循环雾化合成控制系统的框图。如图2所示，根据本申请实施例的用于六氟磷酸锂制备的液体循环雾化合成控制系统100，包括：雾化状态监控模块110，用于获取由摄像头采集的预定时间段内多个预定时间点的LiF·HF溶液的雾化状态图；雾化状态特征提取模块120，用于将所述各个预定时间点的LiF·HF溶液的雾化状态图分别通过作为过滤器的卷积神经网络模型以得到多个雾化状态特征向量；雾化特征表达优化模块130，用于基于所述各个预定时间点的LiF·HF溶液的雾化状态图，分别对所述各个雾化状态特征向量进行特征分布区分度强化以得到多个校正后雾化状态特征向量；上下文语义理解模块140，用于将所述多个校正后雾化状态特征向量通过基于转换器的上下文编码器以得到雾化状态时序特征向量；以及，控制结果生成模块150，用于将所述雾化状态时序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PF5气体的推荐通入流速值。
图3为根据本申请实施例的用于六氟磷酸锂制备的液体循环雾化合成控制系统的架构示意图。如图3所示，首先，获取由摄像头采集的预定时间段内多个预定时间点的LiF·HF溶液的雾化状态图；接着，将所述各个预定时间点的LiF·HF溶液的雾化状态图分别通过作为过滤器的卷积神经网络模型以得到多个雾化状态特征向量；然后，基于所述各个预定时间点的LiF·HF溶液的雾化状态图，分别对所述各个雾化状态特征向量进行特征分布区分度强化以得到多个校正后雾化状态特征向量；继而，将所述多个校正后雾化状态特征向量通过基于转换器的上下文编码器以得到雾化状态时序特征向量；最后，将所述雾化状态时序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PF5气体的推荐通入流速值。
相应地，考虑到在实际采用液体循环雾化合成技术制备六氟磷酸锂的过程中，可以基于LiF·HF溶液的雾化状态来实时且自适应地对PF5气体的通入流速值进行控制，以使得LiF·HF溶液与PF5气体进行更为充分地反应，进而提高六氟磷酸锂制备效率和物料利用率。在本申请的技术方案中，可以通过对于由摄像头获取的多个预定时间点的LiF·HF溶液的雾化状态图进行分析来捕捉LiF·HF溶液的雾化状态，且通过挖掘LiF·HF溶液的雾化状态与PF5气体的通入流速的隐含状态之间的关联关系来实现对于PF5气体的通入流速值的自适应控制。但是，考虑到由于LiF·HF溶液的雾化状态图中存在大量的数据信息，难以对于图像数据中关于LiF·HF溶液的雾化状态隐含特征信息进行有效地捕捉提取，并且由于LiF·HF溶液的雾化状态信息还在时间维度上具有着隐藏的关联性关系，难以对于LiF·HF溶液的雾化状态信息的变化特征进行深度挖掘捕捉，从而降低LiF·HF溶液的雾化状态与PF5气体的通入流速的隐含状态之间的关联关系挖掘精准度，进而降低PF5气体的通入流速值自适应的适配度。也就是说，在此过程中，难点在于如何挖掘关于LiF·HF溶液的雾化状态隐含特征信息并建立其与PF5气体通入流速的时序变化特征分布信息之间的关联关系，以此来推荐适宜的PF5气体的通入流速值，提高PF5气体的通入流速值自适应的适配度，从而使得LiF·HF溶液与PF5气体进行更为充分地反应，进而提高六氟磷酸锂制备效率和物料利用率。
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构建用于六氟磷酸锂制备的液体循环雾化合成控制方案提供了新的解决思路。
在上述用于六氟磷酸锂制备的液体循环雾化合成控制系统100中，所述雾化状态监控模块110，用于获取由摄像头采集的预定时间段内多个预定时间点的LiF·HF溶液的雾化状态图。
在上述用于六氟磷酸锂制备的液体循环雾化合成控制系统100中，所述雾化状态特征提取模块120，用于将所述各个预定时间点的LiF·HF溶液的雾化状态图分别通过作为过滤器的卷积神经网络模型以得到多个雾化状态特征向量。也就是，使用在图像特征提取领域具有优异性能表现的卷积神经网络模型作为过滤器来提取所述各个预定时间点的LiF·HF溶液的雾化状态图中所蕴含的高维局部图像隐藏特征。其中，在所述作为过滤器的卷积神经网络模型的编码过程中，对所述LiF·HF溶液的雾化状态图进行基于卷积核的特征过滤以得到雾化状态特征向量，所述卷积核具有可学习的神经网络模型。这里，在通过所述卷积核对所述LiF·HF溶液的雾化状态图进行全域扫描的过程中，同一个卷积核能够捕捉所述LiF·HF溶液的雾化状态图的局部区域模式特征，即，LiF·HF溶液的雾化状态图中关于LiF·HF溶液的雾化状态在局部时间窗口内的高维隐含模式特征，而不同的卷积核能够捕捉所述LiF·HF溶液的雾化状态图的不同局部区域模式特征。
更具体地，在本申请实施例中，所述雾化状态特征提取模块120的编码过程，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分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述卷积神经网络模型的最后一层的输出为所述雾化状态特征向量，所述卷积神经网络模型的第一层的输入为所述LiF·HF溶液的雾化状态图。
在上述用于六氟磷酸锂制备的液体循环雾化合成控制系统100中，所述雾化特征表达优化模块130，用于基于所述各个预定时间点的LiF·HF溶液的雾化状态图，分别对所述各个雾化状态特征向量进行特征分布区分度强化以得到多个校正后雾化状态特征向量。特别地，在本申请的技术方案中，将LiF·HF溶液的雾化状态图通过作为过滤器的卷积神经网络模型得到所述雾化状态特征向量时，作为过滤器的卷积神经网络模型提取所述雾化状态图的图像语义特征作为其通道维度上的特征分布，因此，如果能够进一步对于所述雾化状态特征向量的各个特征值进行基于通道维度的加权，显然能够提升所述雾化状态特征向量的表达效果。
通道维度的权重可以首先将所述LiF·HF溶液的雾化状态图通过作为特征提取器的附加卷积神经网络模型以得到雾化特征图，再通过对所述雾化特征图的沿通道维度排列的各个特征矩阵进行全局均值池化的方式来得到用于表达卷积神经网络模型的通道维度权重的加权特征向量。但是，考虑到特征矩阵的全局均值池化不可避免地损失特征矩阵所表达的区别性特征空间分布信息，即图像特征语义信息，因此期望对于所述加权特征向量进行优化，以尽量恢复所述雾化特征图所表达的由各个特征矩阵之间的整体分布相关而表达的加权特征向量的特征分布信息，从而提升所述加权特征向量对于卷积神经网络模型的各个通道维度的提取特征表示的表达效果。
基于此，代替计算所述雾化特征图的沿通道维度排列的每个特征矩阵的全局均值池化值，计算所述雾化特征图的每个特征矩阵的实例归一化和一致性相关恢复因数，表示为：
其中，为各个特征矩阵的第/>位置的特征值，/>和/>是所述特征矩阵的各个位置特征值集合的均值和方差，且/>和/>分别是特征矩阵的宽度和高度，/>表示以e为底的指数运算，/>表示以2为底的对数运算，/>表示所述实例归一化和一致性相关恢复因数。
这里，所述实例归一化和一致性相关恢复因数针对特征矩阵的全局均值池化不可避免地损失区别性特征信息的问题，在特征矩阵所表达的通道实例的空间分布特征的实例归一化（Instance Normalization：IN）的基础上，通过从类概率的统计残差特征中蒸馏一致性相关（identity-relevant）的特征，来将统计信息中的一致性相关的相干性恢复到特征值表示中。这样，通过以该因数作为用于表达通道维度权重的所述加权特征向量的各个位置的特征值，就可以实现所述加权特征向量相对于所述雾化特征图的由特征矩阵的空间分布引起的通道因果关系约束（causalityconstraint）的恢复，从而提升所述加权特征向量对于卷积神经网络模型的各个通道维度的提取特征表示的表达效果。并且，进一步地，通过以对于每个LiF·HF溶液的雾化状态图得到的所述加权特征向量对相应的雾化状态特征向量进行点乘，就可以改进所述雾化状态特征向量的表达效果，从而最终增强所述雾化状态时序特征向量通过解码器得到的解码结果的准确性。
图4为根据本申请实施例的用于六氟磷酸锂制备的液体循环雾化合成控制系统中雾化特征表达优化模块的框图。如图4所示，所述雾化特征表达优化模块130，包括：附加特征提取单元131，用于将所述各个预定时间点的LiF·HF溶液的雾化状态图作为特征提取器的附加卷积神经网络模型以得到多个雾化特征图；因数计算单元132，用于计算所述各个雾化特征图的沿通道维度的每个特征矩阵的实例归一化和一致性相关恢复因数以得到由实例归一化和一致性相关恢复因数组成的多个加权特征向量；以及，作用单元133，用于分别计算每一组对应的所述加权特征向量和所述雾化状态特征向量之间的按位置点乘以得到所述多个校正后雾化状态特征向量。
其中，在本申请的一个具体示例中，所述附加特征提取单元131的编码过程，包括：使用所述附加卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述附加卷积神经网络模型的最后一层的输出为所述雾化特征图，所述附加卷积神经网络模型的第一层的输入为所述LiF·HF溶液的雾化状态图。
在上述用于六氟磷酸锂制备的液体循环雾化合成控制系统100中，所述上下文语义理解模块140，用于将所述多个校正后雾化状态特征向量通过基于转换器的上下文编码器以得到雾化状态时序特征向量。对于所述多个校正后雾化状态特征向量来说，考虑到所述各个校正后雾化状态特征向量之间存在时序上的关联性，也就是，各个预定时间点的LiF·HF溶液的雾化状态图中所蕴含的关于LiF·HF溶液的雾化状态的高维隐含特征信息之间存在时序关联性，为了准确地挖掘这种关联性，将所述多个校正后雾化状态特征向量通过基于转换器的上下文编码器以对于所述多个校正后雾化状态特征向量进行基于上下文的语义理解，从而得到雾化状态时序特征向量。
也就是，基于transformer思想，利用转换器能够捕捉长距离上下文依赖的特性，对所述多个校正后雾化状态特征向量中各个校正后雾化状态特征向量进行基于全局的上下文语义编码以得到以所述多个校正后雾化状态特征向量的整体语义关联为上下文背景的上下文语义关联特征表示，即，所述雾化状态时序特征向量。应可以理解，在本申请的技术方案中，通过所述基于转换器的上下文编码器可以捕捉各个校正后雾化状态特征向量的语义隐含特征相对于所述多个校正后雾化状态特征向量整体的基于全局的上下文语义关联特征表示。
具体地，在本申请实施例中，所述上下文语义理解模块140的编码过程，包括：首先，通过上下文编码单元将所述多个校正后雾化状态特征向量输入所述基于转换器的上下文编码器以得到所述多个雾化状态上下文特征向量；然后，通过级联单元将所述多个雾化状态上下文特征向量进行级联以得到所述雾化状态时序特征向量。
更具体地，在本申请实施例中，所述上下文编码单元的编码过程为：首先，将所述多个校正后雾化状态特征向量排列为输入向量；接着，将所述输入向量通过可学习嵌入矩阵分别转化为查询向量和关键向量；然后，计算所述查询向量和所述关键向量的转置向量之间的乘积以得到自注意关联矩阵；继而，对所述自注意关联矩阵进行标准化处理以得到标准化自注意关联矩阵；再将所述标准化自注意关联矩阵输入Softmax激活函数进行激活以得到自注意力特征矩阵；最后，将所述自注意力特征矩阵与以所述多个校正后雾化状态特征向量中各个校正后雾化状态特征向量作为值向量分别进行相乘以得到所述多个雾化状态上下文特征向量。
在上述用于六氟磷酸锂制备的液体循环雾化合成控制系统100中，所述控制结果生成模块150，用于将所述雾化状态时序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PF5气体的推荐通入流速值。在本申请的技术方案中，在得到所述解码值后，可以基于所述解码值来自适应地调整PF5气体通入流速值，以使得LiF·HF溶液与PF5气体进行更为充分地反应，进而提高六氟磷酸锂制备效率和物料利用率。
具体地，在本申请实施例中，使用所述解码器以如下公式对所述雾化状态时序特征向量进行解码回归以获得所述解码值；其中，所述公式为：，其中/>是所述雾化状态时序特征向量，/>是所述解码值，/>是权重矩阵，/>表示矩阵乘。
综上，基于本申请实施例的用于六氟磷酸锂制备的液体循环雾化合成控制系统100被阐明，其采用基于深度学习的人工智能检测技术，以通过作为过滤器的卷积神经网络模型和基于转换器的上下文编码器从多个预定时间点的LiF·HF溶液的雾化状态图中提取关于LiF·HF溶液的雾化状态的时序隐含关联特征信息，并进行解码回归处理来推荐适宜的PF5气体的通入流速值。这样，提高PF5气体的通入流速值自适应的适配度，从而使得LiF·HF溶液与PF5气体进行更为充分地反应，进而提高六氟磷酸锂制备效率和物料利用率。
如上所述，根据本申请实施例的用于六氟磷酸锂制备的液体循环雾化合成控制系统100可以实现在各种终端设备中，例如用于六氟磷酸锂制备的液体循环雾化合成控制的服务器等。在一个示例中，根据本申请实施例的用于六氟磷酸锂制备的液体循环雾化合成控制系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该用于六氟磷酸锂制备的液体循环雾化合成控制系统100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该用于六氟磷酸锂制备的液体循环雾化合成控制系统100同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该用于六氟磷酸锂制备的液体循环雾化合成控制系统100与该终端设备也可以是分立的设备，并且该用于六氟磷酸锂制备的液体循环雾化合成控制系统100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
示例性方法：图5为根据本申请实施例的用于六氟磷酸锂制备的液体循环雾化合成控制方法的流程图。如图5所示，根据本申请实施例的用于六氟磷酸锂制备的液体循环雾化合成控制方法，包括：S110，获取由摄像头采集的预定时间段内多个预定时间点的LiF·HF溶液的雾化状态图；S120，将所述各个预定时间点的LiF·HF溶液的雾化状态图分别通过作为过滤器的卷积神经网络模型以得到多个雾化状态特征向量；S130，基于所述各个预定时间点的LiF·HF溶液的雾化状态图，分别对所述各个雾化状态特征向量进行特征分布区分度强化以得到多个校正后雾化状态特征向量；S140，将所述多个校正后雾化状态特征向量通过基于转换器的上下文编码器以得到雾化状态时序特征向量；以及，S150，将所述雾化状态时序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PF5气体的推荐通入流速值。
这里，本领域技术人员可以理解，上述用于六氟磷酸锂制备的液体循环雾化合成控制方法中的各个步骤和操作已经在上面参考图1到图4的用于六氟磷酸锂制备的液体循环雾化合成控制系统100的描述中得到了详细介绍，并因此，将省略其重复描述。
示例性计算机程序产品和计算机可读存储介质：除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的用于六氟磷酸锂制备的液体循环雾化合成控制方法中的功能中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的用于六氟磷酸锂制备的液体循环雾化合成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 (10)
1.一种用于六氟磷酸锂制备的液体循环雾化合成控制系统，其特征在于，包括：雾化状态监控模块，用于获取由摄像头采集的预定时间段内多个预定时间点的LiF·HF溶液的雾化状态图；雾化状态特征提取模块，用于将所述各个预定时间点的LiF·HF溶液的雾化状态图分别通过作为过滤器的卷积神经网络模型以得到多个雾化状态特征向量；雾化特征表达优化模块，用于基于所述各个预定时间点的LiF·HF溶液的雾化状态图，分别对所述各个雾化状态特征向量进行特征分布区分度强化以得到多个校正后雾化状态特征向量；上下文语义理解模块，用于将所述多个校正后雾化状态特征向量通过基于转换器的上下文编码器以得到雾化状态时序特征向量；以及控制结果生成模块，用于将所述雾化状态时序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PF5气体的推荐通入流速值。
2.根据权利要求1所述的用于六氟磷酸锂制备的液体循环雾化合成控制系统，其特征在于，所述雾化状态特征提取模块，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分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及对所述池化特征图进行非线性激活以得到激活特征图；其中，所述卷积神经网络模型的最后一层的输出为所述雾化状态特征向量，所述卷积神经网络模型的第一层的输入为所述LiF·HF溶液的雾化状态图。
3.根据权利要求2所述的用于六氟磷酸锂制备的液体循环雾化合成控制系统，其特征在于，所述雾化特征表达优化模块，包括：附加特征提取单元，用于将所述各个预定时间点的LiF·HF溶液的雾化状态图作为特征提取器的附加卷积神经网络模型以得到多个雾化特征图；因数计算单元，用于计算所述各个雾化特征图的沿通道维度的每个特征矩阵的实例归一化和一致性相关恢复因数以得到由实例归一化和一致性相关恢复因数组成的多个加权特征向量；以及作用单元，用于分别计算每一组对应的所述加权特征向量和所述雾化状态特征向量之间的按位置点乘以得到所述多个校正后雾化状态特征向量。
4.根据权利要求3所述的用于六氟磷酸锂制备的液体循环雾化合成控制系统，其特征在于，所述附加特征提取单元，进一步用于：使用所述附加卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及对所述池化特征图进行非线性激活以得到激活特征图；其中，所述附加卷积神经网络模型的最后一层的输出为所述雾化特征图，所述附加卷积神经网络模型的第一层的输入为所述LiF·HF溶液的雾化状态图。
5.根据权利要求4所述的用于六氟磷酸锂制备的液体循环雾化合成控制系统，其特征在于，所述因数计算单元，进一步用于：以如下公式计算所述各个雾化特征图的沿通道维度的每个特征矩阵的实例归一化和一致性相关恢复因数以得到由实例归一化和一致性相关恢复因数组成的多个加权特征向量；其中，所述公式为：
其中，为各个特征矩阵的第/>位置的特征值，/>和/>是所述特征矩阵的各个位置特征值集合的均值和方差，且/>和/>分别是特征矩阵的宽度和高度，/>表示以e为底的指数运算，/>表示以2为底的对数运算，/>表示所述实例归一化和一致性相关恢复因数。
6.根据权利要求5所述的用于六氟磷酸锂制备的液体循环雾化合成控制系统，其特征在于，所述上下文语义理解模块，包括：上下文编码单元，用于将所述多个校正后雾化状态特征向量输入所述基于转换器的上下文编码器以得到所述多个雾化状态上下文特征向量；以及级联单元，用于将所述多个雾化状态上下文特征向量进行级联以得到所述雾化状态时序特征向量。
7.根据权利要求6所述的用于六氟磷酸锂制备的液体循环雾化合成控制系统，其特征在于，所述上下文编码单元，进一步用于：将所述多个校正后雾化状态特征向量排列为输入向量；将所述输入向量通过可学习嵌入矩阵分别转化为查询向量和关键向量；计算所述查询向量和所述关键向量的转置向量之间的乘积以得到自注意关联矩阵；对所述自注意关联矩阵进行标准化处理以得到标准化自注意关联矩阵；将所述标准化自注意关联矩阵输入Softmax激活函数进行激活以得到自注意力特征矩阵；以及将所述自注意力特征矩阵与以所述多个校正后雾化状态特征向量中各个校正后雾化状态特征向量作为值向量分别进行相乘以得到所述多个雾化状态上下文特征向量。
8.根据权利要求7所述的用于六氟磷酸锂制备的液体循环雾化合成控制系统，其特征在于，所述控制结果生成模块，进一步用于：使用所述解码器以如下公式对所述雾化状态时序特征向量进行解码回归以获得所述解码值；其中，所述公式为：，其中/>是所述雾化状态时序特征向量，/>是所述解码值，/>是权重矩阵，/>表示矩阵乘。
9.一种用于六氟磷酸锂制备的液体循环雾化合成控制方法，其特征在于，包括：获取由摄像头采集的预定时间段内多个预定时间点的LiF·HF溶液的雾化状态图；将所述各个预定时间点的LiF·HF溶液的雾化状态图分别通过作为过滤器的卷积神经网络模型以得到多个雾化状态特征向量；基于所述各个预定时间点的LiF·HF溶液的雾化状态图，分别对所述各个雾化状态特征向量进行特征分布区分度强化以得到多个校正后雾化状态特征向量；将所述多个校正后雾化状态特征向量通过基于转换器的上下文编码器以得到雾化状态时序特征向量；以及将所述雾化状态时序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PF5气体的推荐通入流速值。
10.根据权利要求9所述的用于六氟磷酸锂制备的液体循环雾化合成控制方法，其特征在于，将所述各个预定时间点的LiF·HF溶液的雾化状态图分别通过作为过滤器的卷积神经网络模型以得到多个雾化状态特征向量，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分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及对所述池化特征图进行非线性激活以得到激活特征图；其中，所述卷积神经网络模型的最后一层的输出为所述雾化状态特征向量，所述卷积神经网络模型的第一层的输入为所述LiF·HF溶液的雾化状态图。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310189981.8A CN116920739B (zh) | 2023-03-02 | 2023-03-02 | 用于六氟磷酸锂制备的液体循环雾化合成控制系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310189981.8A CN116920739B (zh) | 2023-03-02 | 2023-03-02 | 用于六氟磷酸锂制备的液体循环雾化合成控制系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116920739A true CN116920739A (zh) | 2023-10-24 |
| CN116920739B CN116920739B (zh) | 2024-06-14 |
Family
ID=88393178
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310189981.8A Active CN116920739B (zh) | 2023-03-02 | 2023-03-02 | 用于六氟磷酸锂制备的液体循环雾化合成控制系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116920739B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR2768426A1 (fr) * | 1997-06-06 | 1999-03-19 | Atochem Elf Sa | Procede de fabrication d'hexafluorophosphate de lithium |
| CN115202265A (zh) * | 2022-07-29 | 2022-10-18 | 福建天甫电子材料有限公司 | 电子级氢氧化钾的智慧产线的控制系统及其控制方法 |
| 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 |
| CN115580564A (zh) * | 2022-11-09 | 2023-01-06 | 深圳桥通物联科技有限公司 | 一种物联网通信网关动态调用装置 |
| WO2023014007A1 (ko) * | 2021-08-06 | 2023-02-09 | 주식회사 제이엘케이바이오 | 화합물 정보 추출을 위한 장치 및 방법 |
-
2023
- 2023-03-02 CN CN202310189981.8A patent/CN116920739B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR2768426A1 (fr) * | 1997-06-06 | 1999-03-19 | Atochem Elf Sa | Procede de fabrication d'hexafluorophosphate de lithium |
| WO2023014007A1 (ko) * | 2021-08-06 | 2023-02-09 | 주식회사 제이엘케이바이오 | 화합물 정보 추출을 위한 장치 및 방법 |
| CN115202265A (zh) * | 2022-07-29 | 2022-10-18 | 福建天甫电子材料有限公司 | 电子级氢氧化钾的智慧产线的控制系统及其控制方法 |
| 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 |
| CN115580564A (zh) * | 2022-11-09 | 2023-01-06 | 深圳桥通物联科技有限公司 | 一种物联网通信网关动态调用装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116920739B (zh) | 2024-06-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115309215B (zh) | 氟化铵制备用的自动配料控制系统及其控制方法 | |
| Zhang et al. | Action recognition using 3D histograms of texture and a multi-class boosting classifier | |
| Asadi-Aghbolaghi et al. | A survey on deep learning based approaches for action and gesture recognition in image sequences | |
| WO2024000800A1 (zh) | 用于六氟磷酸锂制备的能源管理控制系统及其控制方法 | |
| WO2024021258A1 (zh) | 电子级氢氧化钾的智慧产线的控制系统及其控制方法 | |
| CN115896817B (zh) | 氟氮混合气的生产方法及其系统 | |
| CN116052050A (zh) | 洗涤剂智能化生产系统及其方法 | |
| Liu et al. | Motion prediction using trajectory cues | |
| Zheng et al. | Prompt vision transformer for domain generalization | |
| CN115936682B (zh) | 印制线路板的废料回收系统及其方法 | |
| WO2024045244A1 (zh) | 用于无水氟化氢生产的能源管理控制系统及其控制方法 | |
| CN114870416A (zh) | 用于电子级一氟甲烷制备的精馏控制系统及精馏控制方法 | |
| CN116149280B (zh) | 电子级氢氧化钾的智能生产系统 | |
| CN116768206A (zh) | 石墨的纯化工艺及其系统 | |
| CN112923523A (zh) | 一种基于物联网数据链的智能型新风系统调控方法 | |
| CN116859830B (zh) | 用于电子级氟化铵生产的生产管理控制系统 | |
| CN117077075A (zh) | 用于环境保护的水质监测系统及其方法 | |
| Xu et al. | UNTIE: Clustering analysis with disentanglement in multi-view information fusion | |
| CN115983126A (zh) | 异麦芽糖酐铁1000的智能化制备方法 | |
| CN116920739B (zh) | 用于六氟磷酸锂制备的液体循环雾化合成控制系统及方法 | |
| CN116785967B (zh) | 用于电子级六氟磷酸锂制备的自动配料系统 | |
| CN117455451A (zh) | 一种草甘膦水解溶剂的回收方法 | |
| CN116624977A (zh) | 一种基于人工智能的楼宇自控系统及其方法 | |
| 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 | |
| CN116385733A (zh) | 用于斗轮机的高精度定位系统及其方法 |
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 |