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与流程

本技术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：

1、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。

2、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。

3、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。

4、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。

技术实现思路

1、为了解决上述技术问题，提出了本技术。本技术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。

2、相应地，根据本技术的一个方面，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。

3、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。

4、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。

5、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。

6、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：

7、

8、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。

9、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。

10、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。

11、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。

12、根据本技术的另一方面，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。

13、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。

14、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。

15、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。

16、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：

17、

18、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。

19、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。

20、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。

21、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。

22、根据本技术的再一方面，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。

23、根据本技术的又一方面，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。

24、与现有技术相比，本技术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。