用于氟化铵生产的生产管理控制系统及其控制方法与流程

1.本发明涉及智能生产管理的领域，且更为具体地，涉及一种用于氟化铵生产的生产管理控制系统及其控制方法。


背景技术：

2.氟化铵，分子式为nh4f，相对分子质量37.04，相对密度为1.015(25℃)，无色叶状或针状结晶，升华后为六角柱状晶体；易潮解易结块，可溶于冷水，微溶于醇，不溶于丙酮和液氨。受热或遇热水即分解失去氨转化成更稳定的氟化铵。氟化铵用途广泛，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。
3.传统的氟化铵生产方法为液相法：在铅制或塑料容器中，投入定量氢氟酸。在容器外用水冷却，在搅拌下缓慢通入氨气，直至反应液ph值达4左右为止。反应液经冷却结晶、离心分离、气流干燥，制得氟化铵产品。传统液相法生产的氟化铵存在产品含水量高、易结块、不能长期储存等缺点。
4.因此，期待一种优化的用于氟化铵的制备方案。


技术实现要素：

5.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氟化铵生产的生产管理控制系统及其控制方法，其采用人工智能控制技术，通过对于预定时间段内多个预定时间点的液氨的加入流速值、无水氟化氢的加入流速值、反应温度值、冷却水的流速值以及反应液的ph值作为输入数据，使用深度神经网络模型作为特征提取器，以根据液氨与无水氟化氢加入反应槽中的流速实时动态特征与反应温度的变化特征的协同来进行冷却水的流速动态智能控制，并在此过程中还加入了反应液的ph值变化特征信息作为最终的结果依据，以提高反应效率和产品质量。
6.根据本技术的一个方面，提供了一种用于氟化铵生产的生产管理控制系统，其包括：生产参数采集模块，用于获取预定时间段内多个预定时间点的液氨的加入流速值、无水氟化氢的加入流速值、反应温度值、冷却水的流速值以及反应液的ph值；加入速度结构化关联模块，用于将所述预定时间段内多个预定时间点的液氨的加入流速值和无水氟化氢的加入流速值分别按照时间维度排列为第一加入流速向量和第二加入流速向量后，计算所述第一加入流速向量和所述第二加入流速向量之间的流速控制关联矩阵；加入速度特征提取模块，用于将所述流速控制关联矩阵通过相邻层使用互为转置的卷积核的第一卷积神经网络以得到流速控制特征矩阵；反应数据编码模块，用于将所述预定时间段内多个预定时间点的反应温度值和冷却水的流速值分别按照时间维度排列为输入向量后通过包含一维卷积层的第一时序编码器以得到温度特征向量和冷却特征向量；差分模块，用于计算所述温度特征向量和所述冷却特征向量之间的差分特征向量；状态数据编码模块，用于将所述预定
时间段内多个预定时间点的反应液的ph值通过包含一维卷积层的第二时序编码器以得到ph时序特征向量；融合模块，用于将所述差分特征向量与所述流速控制特征矩阵进行相乘以得到反应特征向量；响应性估计模块，用于计算所述ph时序特征向量相对于所述反应特征向量的响应性估计以得到分类特征向量；以及生产管理控制结果生成模块，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的冷却水的流速值应增大或应减小。
7.在上述用于氟化铵生产的生产管理控制系统中，所述加入速度结构化关联模块，包括：向量关联单元，用于以如下公式来计算所述第一加入流速向量和所述第二加入流速向量之间的所述流速控制关联矩阵；其中，所述公式为：
[0008][0009]
其中v1表示所述第一加入流速向量，表示所述第一加入流速向量的转置向量，v2表示所述第二加入流速向量，m表示所述流速控制关联矩阵，表示向量相乘。
[0010]
在上述用于氟化铵生产的生产管理控制系统中，所述加入速度特征提取模块，包括：矩阵校正单元，用于基于所述流速控制关联矩阵中各个位置的位置信息，对所述流速控制关联矩阵进行修正以得到校正后流速控制关联矩阵；卷积编码单元，用于将所述校正后流速控制关联矩阵通过所述相邻层使用互为转置的卷积核的第一卷积神经网络以得到所述流速控制特征矩阵。
[0011]
在上述用于氟化铵生产的生产管理控制系统中，所述矩阵校正单元，进一步用于：基于所述流速控制关联矩阵中各个位置的位置信息，以如下公式对所述流速控制关联矩阵进行修正以得到所述校正后流速控制关联矩阵；
[0012]
其中，所述公式为：
[0013][0014]
其中m表示所述流速控制关联矩阵,m
′
表示所述校正后流速控制关联矩阵，cov1()和cov2()均为单个卷积层，用于将二维位置坐标映射为一维数值，pm表示矩阵m的(x,y)坐标矩阵，表示特征矩阵的按位置加法，
⊙
表示按位置点乘。
[0015]
在上述用于氟化铵生产的生产管理控制系统中，所述卷积编码单元，包括：浅层特征图提取子单元，用于从所述第一卷积神经网络的第m层提取浅层特征矩阵，m是偶数；深层特征图提取子单元，用于从所述第一卷积神经网络的第n层提取深层特征矩阵，其中，n为偶数，且n大于m的2倍；以及，特征图融合子单元，用于融合所述浅层特征图和所述深层特征图以生成所述流速控制特征矩阵。
[0016]
在上述用于氟化铵生产的生产管理控制系统中，所述反应数据编码模块，包括：输入向量构造单元，用于将所述预定时间段内多个预定时间点的反应温度值和冷却水的流速值分别按照时间维度排列为温度输入向量和流速输入向量；全连接编码单元，用于使用所述第一时序编码器的全连接层以如下公式分别对所述温度输入向量和所述流速输入向量进行全连接编码以分别提取出所述温度输入向量和所述流速输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为：其中x是所述输入向量，y是输出向量，w是权重矩阵，b是偏置向量，表示矩阵乘；一维卷积编码单元，用于使用所述第一时序编码器的一维卷积层以如下公式分别对所述温度输入向量和所述流速输入向量进行一维
卷积编码以分别提取出所述温度输入向量和所述流速输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述公式为：
[0017][0018]
其中，a为卷积核在x方向上的宽度、f为卷积核参数向量、g为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸，x表示所述输入向量。
[0019]
在上述用于氟化铵生产的生产管理控制系统中，所述差分模块，进一步用于：以如下公式计算所述温度特征向量和所述冷却特征向量之间的所述差分特征向量；其中，所述公式为：
[0020][0021]
其中v
t
表示所述温度特征向量，vc表示所述冷却特征向量，vd表示所述差分特征向量，表示特征向量的按位置减法。
[0022]
在上述用于氟化铵生产的生产管理控制系统中，所述状态数据编码模块，进一步用于：将所述预定时间段内多个预定时间点的反应液的ph值按照时间维度排列为一维的输入向量；使用所述第二时序编码器的全连接层以如下公式对所述输入向量进行全连接编码以提取出所述输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为：其中x是所述输入向量，y是输出向量，w是权重矩阵，b是偏置向量，表示矩阵乘；使用所述第二时序编码器的一维卷积层以如下公式对所述输入向量进行一维卷积编码以提取出所述输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述公式为：
[0023][0024]
其中，a为卷积核在x方向上的宽度、f为卷积核参数向量、g为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸，x表示所述输入向量。
[0025]
在上述用于氟化铵生产的生产管理控制系统中，所述响应性估计模块，进一步用于：以如下公式计算所述ph时序特征向量相对于所述反应特征向量的响应性估计以得到所述分类特征向量；
[0026]
其中，所述公式为
[0027]
s3＝s2⊙
s1⊙‑1[0028]
其中s1表示所述ph时序特征向量，s2表示所述反应特征向量，s3表示所述分类特征向量，
⊙
表示向量点乘，
⊙‑
1表示对向量的每个位置的值取倒数。
[0029]
在上述用于氟化铵生产的生产管理控制系统中，所述生产管理控制结果生成模块，进一步用于：使用所述分类器以如下公式对所述分类特征向量进行处理以获得所述分类结果，其中，所述公式为：softmax{(wn,bn):
…
:(w1,b1)|x}，其中，w1到wn为权重矩阵，b1到bn为偏置向量，x为所述分类特征向量。
[0030]
根据本技术的另一方面，一种用于氟化铵生产的生产管理控制系统的控制方法，其包括：获取预定时间段内多个预定时间点的液氨的加入流速值、无水氟化氢的加入流速值、反应温度值、冷却水的流速值以及反应液的ph值；将所述预定时间段内多个预定时间点的液氨的加入流速值和无水氟化氢的加入流速值分别按照时间维度排列为第一加入流速
向量和第二加入流速向量后，计算所述第一加入流速向量和所述第二加入流速向量之间的流速控制关联矩阵；将所述流速控制关联矩阵通过相邻层使用互为转置的卷积核的第一卷积神经网络以得到流速控制特征矩阵；将所述预定时间段内多个预定时间点的反应温度值和冷却水的流速值分别按照时间维度排列为输入向量后通过包含一维卷积层的第一时序编码器以得到温度特征向量和冷却特征向量；计算所述温度特征向量和所述冷却特征向量之间的差分特征向量；将所述预定时间段内多个预定时间点的反应液的ph值通过包含一维卷积层的第二时序编码器以得到ph时序特征向量；将所述差分特征向量与所述流速控制特征矩阵进行相乘以得到反应特征向量；计算所述ph时序特征向量相对于所述反应特征向量的响应性估计以得到分类特征向量；以及将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的冷却水的流速值应增大或应减小。
[0031]
在上述用于氟化铵生产的生产管理控制系统的控制方法中，计算所述第一加入流速向量和所述第二加入流速向量之间的流速控制关联矩阵，包括：以如下公式来计算所述第一加入流速向量和所述第二加入流速向量之间的所述流速控制关联矩阵；
[0032]
其中，所述公式为：
[0033][0034]
其中v1表示所述第一加入流速向量，表示所述第一加入流速向量的转置向量，v2表示所述第二加入流速向量，m表示所述流速控制关联矩阵，表示向量相乘。
[0035]
在上述用于氟化铵生产的生产管理控制系统的控制方法中，将所述流速控制关联矩阵通过相邻层使用互为转置的卷积核的第一卷积神经网络以得到流速控制特征矩阵，包括：基于所述流速控制关联矩阵中各个位置的位置信息，对所述流速控制关联矩阵进行修正以得到校正后流速控制关联矩阵；将所述校正后流速控制关联矩阵通过所述相邻层使用互为转置的卷积核的第一卷积神经网络以得到所述流速控制特征矩阵。
[0036]
在上述用于氟化铵生产的生产管理控制系统的控制方法中，基于所述流速控制关联矩阵中各个位置的位置信息，对所述流速控制关联矩阵进行修正以得到校正后流速控制关联矩阵，包括：基于所述流速控制关联矩阵中各个位置的位置信息，以如下公式对所述流速控制关联矩阵进行修正以得到所述校正后流速控制关联矩阵；
[0037]
其中，所述公式为：
[0038][0039]
其中m表示所述流速控制关联矩阵,m
′
表示所述校正后流速控制关联矩阵，cov1()和cov2()均为单个卷积层，用于将二维位置坐标映射为一维数值，pm表示矩阵m的(x,y)坐标矩阵，表示特征矩阵的按位置加法，
⊙
表示按位置点乘。
[0040]
在上述用于氟化铵生产的生产管理控制系统的控制方法中，将所述校正后流速控制关联矩阵通过所述相邻层使用互为转置的卷积核的第一卷积神经网络以得到所述流速控制特征矩阵，包括：从所述第一卷积神经网络的第m层提取浅层特征矩阵，m是偶数；从所述第一卷积神经网络的第n层提取深层特征矩阵，其中，n为偶数，且n大于m的2倍；以及，融合所述浅层特征图和所述深层特征图以生成所述流速控制特征矩阵。
[0041]
在上述用于氟化铵生产的生产管理控制系统的控制方法中，将所述预定时间段内多个预定时间点的反应温度值和冷却水的流速值分别按照时间维度排列为输入向量后通
过包含一维卷积层的第一时序编码器以得到温度特征向量和冷却特征向量，包括：将所述预定时间段内多个预定时间点的反应温度值和冷却水的流速值分别按照时间维度排列为温度输入向量和流速输入向量；使用所述第一时序编码器的全连接层以如下公式分别对所述温度输入向量和所述流速输入向量进行全连接编码以分别提取出所述温度输入向量和所述流速输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为：其中x是所述输入向量，y是输出向量，w是权重矩阵，b是偏置向量，表示矩阵乘；使用所述第一时序编码器的一维卷积层以如下公式分别对所述温度输入向量和所述流速输入向量进行一维卷积编码以分别提取出所述温度输入向量和所述流速输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述公式为：
[0042][0043]
其中，a为卷积核在x方向上的宽度、f为卷积核参数向量、g为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸，x表示所述输入向量。
[0044]
在上述用于氟化铵生产的生产管理控制系统的控制方法中，计算所述温度特征向量和所述冷却特征向量之间的差分特征向量，包括：以如下公式计算所述温度特征向量和所述冷却特征向量之间的所述差分特征向量；
[0045]
其中，所述公式为：
[0046][0047]
其中v
t
表示所述温度特征向量，vc表示所述冷却特征向量，vd表示所述差分特征向量，表示特征向量的按位置减法。
[0048]
在上述用于氟化铵生产的生产管理控制系统的控制方法中，将所述预定时间段内多个预定时间点的反应液的ph值通过包含一维卷积层的第二时序编码器以得到ph时序特征向量，包括：将所述预定时间段内多个预定时间点的反应液的ph值按照时间维度排列为一维的输入向量；使用所述第二时序编码器的全连接层以如下公式对所述输入向量进行全连接编码以提取出所述输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为：其中x是所述输入向量，y是输出向量，w是权重矩阵，b是偏置向量，表示矩阵乘；使用所述第二时序编码器的一维卷积层以如下公式对所述输入向量进行一维卷积编码以提取出所述输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述公式为：
[0049][0050]
其中，a为卷积核在x方向上的宽度、f为卷积核参数向量、g为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸，x表示所述输入向量。
[0051]
在上述用于氟化铵生产的生产管理控制系统的控制方法中，计算所述ph时序特征向量相对于所述反应特征向量的响应性估计以得到分类特征向量，包括：以如下公式计算所述ph时序特征向量相对于所述反应特征向量的响应性估计以得到所述分类特征向量；
[0052]
其中，所述公式为
[0053]
s3＝s2⊙
s1⊙‑1[0054]
其中s1表示所述ph时序特征向量，s2表示所述反应特征向量，s3表示所述分类特征
向量，
⊙
表示向量点乘，
⊙‑
1表示对向量的每个位置的值取倒数。
[0055]
在上述用于氟化铵生产的生产管理控制系统的控制方法中，将所述分类特征向量通过分类器以得到分类结果，包括：使用所述分类器以如下公式对所述分类特征向量进行处理以获得所述分类结果，其中，所述公式为：softmax{(wn,bn):
…
:(w1,b1)|x}，其中，w1到wn为权重矩阵，b1到bn为偏置向量，x为所述分类特征向量。
[0056]
与现有技术相比，本技术提供的用于氟化铵生产的生产管理控制系统及其控制方法，其采用人工智能控制技术，通过对于预定时间段内多个预定时间点的液氨的加入流速值、无水氟化氢的加入流速值、反应温度值、冷却水的流速值以及反应液的ph值作为输入数据，使用深度神经网络模型作为特征提取器，以根据液氨与无水氟化氢加入反应槽中的流速实时动态特征与反应温度的变化特征的协同来进行冷却水的流速动态智能控制，并在此过程中还加入了反应液的ph值变化特征信息作为最终的结果依据，以提高反应效率和产品质量。
附图说明
[0057]
通过结合附图对本技术实施例进行更详细的描述，本技术的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本技术实施例的进一步理解，并且构成说明书的一部分，与本技术实施例一起用于解释本技术，并不构成对本技术的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
[0058]
图1a为根据本技术实施例的用于氟化铵生产的生产管理控制系统的制备过程的流程图。
[0059]
图1b为根据本技术实施例的用于氟化铵生产的生产管理控制系统的应用场景图。
[0060]
图2为根据本技术实施例的用于氟化铵生产的生产管理控制系统的框图。
[0061]
图3为根据本技术实施例的用于氟化铵生产的生产管理控制系统中加入速度特征提取模块的框图。
[0062]
图4为根据本技术实施例的用于氟化铵生产的生产管理控制系统的控制方法的流程图。
[0063]
图5为根据本技术实施例的用于氟化铵生产的生产管理控制系统的控制方法的架构示意图。
具体实施方式
[0064]
下面，将参考附图详细地描述根据本技术的示例实施例。显然，所描述的实施例仅仅是本技术的一部分实施例，而不是本技术的全部实施例，应理解，本技术不受这里描述的示例实施例的限制。
[0065]
场景概述
[0066]
如前所述，氟化铵，分子式为nh4f，相对分子质量37.04，相对密度为1.015(25℃)，无色叶状或针状结晶，升华后为六角柱状晶体；易潮解易结块，可溶于冷水，微溶于醇，不溶于丙酮和液氨。受热或遇热水即分解失去氨转化成更稳定的氟化铵。氟化铵用途广泛，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。
[0067]
传统的氟化铵生产方法为液相法：在铅制或塑料容器中，投入定量氢氟酸。在容器外用水冷却，在搅拌下缓慢通入氨气，直至反应液ph值达4左右为止。反应液经冷却结晶、离心分离、气流干燥，制得氟化铵产品。传统液相法生产的氟化铵存在产品含水量高、易结块、不能长期储存等缺点。
[0068]
因此，期待一种优化的用于氟化铵的制备方案。
[0069]
如图1a所示，在一种制备方案中，其制备过程为：
[0070]
步骤1：在反应槽中加入母液，然后在搅拌状态下加入液氨和无水氟化氢进行反应；
[0071]
步骤2：将反应液经过冷却结晶、离心分离和干燥后制得氟化铵。
[0072]
所述母液为步骤2中的反应液经离心分离后得到的液体。制得的氟化铵具有产品含水量低、不易结块、耐储存、品质高等优点。所述母液是反应液在离心分离后得到的液体，其主要成分是氟化铵和氨水。在制备初期，可预先配制好一定量的母液以启动制备流程，然后在制备过程中即可循环利用反应液离心分离后得到的液体作为母液，制备结束后，反应液离心分离得到的液体可留作下次制备所需的母液，无需再另行配制母液。
[0073]
这样，通过在反应槽中加入母液，避免设备损坏和杜绝污染，因为空槽时直接加入无水氟化氢，会产生污染，损坏设备。且由于所述母液只需在制备初期配制一次，制备过程中及后续制备均可循环利用，无需另行配制，因此大大降低了生产成本，简化生产工艺。
[0074]
加入母液后，在搅拌状态下向反应槽中加入液氨与无水氟化氢进行反应，由于反应生成的氟化铵容易产生分层现象，导致酸度不均匀，因此在反应过程中不断对反应槽内的反应液进行搅拌，防止不合格产品的产生及取样分析不准确。搅拌可由反应槽中自带的电动搅拌装置完成，也可另行增加搅拌装置以加强搅拌效果。
[0075]
特别地，液氨与无水氟化氢按照以下加入顺序效果最佳：先加入50～60kg的液氨，再加入100～110kg的无水氟化氢，最后同时加入剩余的液氨和无水氟化氢。这是因为无水氟化氢密度大，先加入会沉入底部，导致反应不均匀，而先加入一定量的液氨再加入一定量的无水氟化氢则可以有效地避免反应不均匀的现象，在确保反应均匀的情况下，最后将剩余的液氨和无水氟化氢同时加入则有利于提高生产效率，避免生产周期过长而提高生产成本。在反应过程中，液氨与无水氟化氢的加入要缓慢，以控制反应温度在90～110℃之间为最佳，反应槽上还可设置冷却水管，辅以冷却水进行降温，如果反应温升过快，则可以采用减少进料量或开大冷却水来调节，反应压力控制在常压为宜，使反应在连续、均匀、缓慢、稳定中进行。反应终点的ph值控制在5～6为宜，具体控制方法可按照以下方式进行：在离投料终点还差5％时(以液氨计)，用ph试纸或其他ph检测装置检测反应液的ph值，然后根据检测结果对液氨和无水氟化氢的剩余加入量进行相应的调整，使反应终点的ph值控制在5～6。
[0076]
基于此，本技术发明人发现在上述制备方案中，液氨与无水氟化氢加入反应槽中的流速控制与反应温度的协同对于提高反应效率和提高产品质量具有重要意义。因此，在本技术的技术方案中，期望通过液氨的加入流速值、无水氟化氢的加入流速值和冷却水的流速值以及反应温度值来综合进行反应的实时动态控制，并通过ph检测装置检测反应液的ph值来确定最终的结束时间，进而来提高生产的效率和产品的质量。
[0077]
具体地，在本技术的技术方案中，首先，通过各个传感器，例如流速传感器、温度传
感器和ph值传感器获取预定时间段内多个预定时间点的液氨的加入流速值、无水氟化氢的加入流速值、反应温度值、冷却水的流速值以及反应液的ph值。然后，对于所述多个预定时间点的液氨的加入流速值和无水氟化氢的加入流速值，由于所述液氨的加入流速和所述无水氟化氢的加入流速之间存在着某种隐藏的关联，因此为了深层挖掘出这种关联关系，将所述预定时间段内多个预定时间点的液氨的加入流速值和无水氟化氢的加入流速值分别按照时间维度排列为第一加入流速向量和第二加入流速向量以整合所述各个时间点的液氨的加入流速值和无水氟化氢的加入流速值信息，进一步再计算所述第一加入流速向量和所述第二加入流速向量之间的流速控制关联矩阵，例如计算所述第一加入流速向量的转置向量和所述第二加入流速向量之间的乘积以得到所述流速控制关联矩阵。
[0078]
这样，就可以将具有所述各个时间点的液氨的加入流速值和无水氟化氢的加入流速值的关联信息的所述流速控制关联矩阵通过相邻层使用互为转置的卷积核的第一卷积神经网络中进行特征提取，以得到流速控制特征矩阵。应可以理解，使用邻卷积层为互为转置的卷积核的卷积神经网络模型进行处理，能够在训练时能够同时更新网络参数的更新和适合特定数据结构的网络参数结构的搜索，以更提取出更适于表达所述液氨的加入流速值所述无水氟化氢的加入流速的关联特征，进而提高后续分类的准确性。
[0079]
但是，由于相邻层使用互为转置的卷积核的所述第一卷积神经网络能够对所述流速控制关联矩阵中的特定局部数据结构进行适于其的网络参数结构的搜索，这也使得所述第一卷积神经网络的卷积核的参数配置更聚焦于所述流速控制关联矩阵中的局部流速关联值，使得所述流速控制特征矩阵可能在所述液氨的加入流速值和所述无水氟化氢的加入流速值的全局关联特性上表达不足。
[0080]
因此，针对所述流速控制特征矩阵的每个位置的特征值对所述液氨的加入流速值和所述无水氟化氢的加入流速值的预定数值关联的关联特征表达特性，对流速控制特征矩阵进行优化，即：
[0081][0082]
cov1()和cov2()均为单个卷积层，用于将二维位置坐标映射为一维数值，pm表示矩阵m的(x,y)坐标矩阵。
[0083]
也就是，为了全面融合所述流速控制特征矩阵内由所述第一卷积神经网络的互为转置的卷积核所捕获的局部语义，并进一步从其衍生全局语义，使用由坐标转换函数φ得到的位置信息作为提议，通过卷积层的局部感知场来对所述流速控制特征矩阵的全局场景语义进行推理，并且通过添加结构转置的偏置，来实现关联特征信息的结构分布的局部-全局迁移。这样，优化后的所述流速控制特征矩阵可以获得更好的所述液氨的加入流速值和所述无水氟化氢的加入流速值的特征关联特性的全局表达能力。
[0084]
对于所述预定时间段内多个预定时间点的反应温度值和冷却水的流速值，考虑到所述反应温度值和所述冷却水的流速值在时间维度上具有着隐含的特征信息，因此为了更为充分地提取出这种动态变化的隐含关联特征，使用包含一维卷积层的第一时序编码器分别对所述预定时间段内多个预定时间点的反应温度值和冷却水的流速值进行编码，以得到温度特征向量和冷却特征向量。相应地，在一个具体示例中，所述时序编码器由交替设置的全连接层和一维卷积层组成，其通过一维卷积编码分别提取出所述反应温度值和所述冷却水的流速值在时序维度上的关联和通过全连接编码分别提取所述反应温度值和所述冷却
水的流速值的高维隐含特征。
[0085]
然后，考虑到由于本技术辅以冷却水进行降温，如果反应温度上升过快，可以采用增大冷却水的流速来调节，因此所述反应温度和所述冷却水的流速之间存在着相反的特征关系，因此，进一步计算所述温度特征向量和所述冷却特征向量之间的差分特征向量。
[0086]
对于所述预定时间段内多个预定时间点的反应液的ph值，由于其在时序维度上也存在着隐含的动态关联特征，因此，同样地，将所述预定时间段内多个预定时间点的反应液的ph值通过包含一维卷积层的第二时序编码器以得到ph时序特征向量。
[0087]
进一步地，就可以将所述差分特征向量与所述流速控制特征矩阵进行相乘以融合这两者的特征信息得到反应特征向量。应可以理解，由于所述反应液的ph值的动态变化特征与所述参数关联的隐含动态特征之间的特征尺度不同，并且所述反应液的ph值的动态特征在高维特征空间中可以看作是对于所述参数关联变化的响应性特征，因此为了更好地融合所述ph时序特征向量和所述反应特征向量，进一步计算所述ph时序特征向量相对于所述反应特征向量的响应性估计以得到分类特征向量。这样，就可以将所述分类特征向量通过分类器以得到用于表示当前时间点的冷却水的流速值应增大或应减小的分类结果。
[0088]
基于此，本技术提出了一种用于氟化铵生产的生产管理控制系统，其包括：生产参数采集模块，用于获取预定时间段内多个预定时间点的液氨的加入流速值、无水氟化氢的加入流速值、反应温度值、冷却水的流速值以及反应液的ph值；加入速度结构化关联模块，用于将所述预定时间段内多个预定时间点的液氨的加入流速值和无水氟化氢的加入流速值分别按照时间维度排列为第一加入流速向量和第二加入流速向量后，计算所述第一加入流速向量和所述第二加入流速向量之间的流速控制关联矩阵；加入速度特征提取模块，用于将所述流速控制关联矩阵通过相邻层使用互为转置的卷积核的第一卷积神经网络以得到流速控制特征矩阵；反应数据编码模块，用于将所述预定时间段内多个预定时间点的反应温度值和冷却水的流速值分别按照时间维度排列为输入向量后通过包含一维卷积层的第一时序编码器以得到温度特征向量和冷却特征向量；差分模块，用于计算所述温度特征向量和所述冷却特征向量之间的差分特征向量；状态数据编码模块，用于将所述预定时间段内多个预定时间点的反应液的ph值通过包含一维卷积层的第二时序编码器以得到ph时序特征向量；融合模块，用于将所述差分特征向量与所述流速控制特征矩阵进行相乘以得到反应特征向量；响应性估计模块，用于计算所述ph时序特征向量相对于所述反应特征向量的响应性估计以得到分类特征向量；以及，生产管理控制结果生成模块，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的冷却水的流速值应增大或应减小。
[0089]
图1b图示了根据本技术实施例的用于氟化铵生产的生产管理控制系统的应用场景图。如图1b所示，在该应用场景中，首先，通过部署于反应槽(例如，如图1b中所示意的r)的各个传感器(例如，如图1b中所示意的流速传感器t1、温度传感器t2和ph值传感器t3)获取预定时间段内多个预定时间点的液氨的加入流速值、无水氟化氢的加入流速值、反应温度值、冷却水的流速值以及反应液的ph值。然后，将获取的所述预定时间段内多个预定时间点的液氨的加入流速值、无水氟化氢的加入流速值、反应温度值、冷却水的流速值以及反应液的ph值输入至部署有用于氟化铵生产的生产管理控制算法的服务器中(例如，如图1b中所示意的云服务器s)，其中，所述服务器能够以用于氟化铵生产的生产管理控制算法对所
述预定时间段内多个预定时间点的液氨的加入流速值、无水氟化氢的加入流速值、反应温度值、冷却水的流速值以及反应液的ph值进行处理，以生成用于表示当前时间点的冷却水的流速值应增大或应减小的分类结果。
[0090]
在介绍了本技术的基本原理之后，下面将参考附图来具体介绍本技术的各种非限制性实施例。
[0091]
示例性系统
[0092]
图2图示了根据本技术实施例的用于氟化铵生产的生产管理控制系统的框图。如图2所示，根据本技术实施例的用于氟化铵生产的生产管理控制系统200，包括：生产参数采集模块210，用于获取预定时间段内多个预定时间点的液氨的加入流速值、无水氟化氢的加入流速值、反应温度值、冷却水的流速值以及反应液的ph值；加入速度结构化关联模块220，用于将所述预定时间段内多个预定时间点的液氨的加入流速值和无水氟化氢的加入流速值分别按照时间维度排列为第一加入流速向量和第二加入流速向量后，计算所述第一加入流速向量和所述第二加入流速向量之间的流速控制关联矩阵；加入速度特征提取模块230，用于将所述流速控制关联矩阵通过相邻层使用互为转置的卷积核的第一卷积神经网络以得到流速控制特征矩阵；反应数据编码模块240，用于将所述预定时间段内多个预定时间点的反应温度值和冷却水的流速值分别按照时间维度排列为输入向量后通过包含一维卷积层的第一时序编码器以得到温度特征向量和冷却特征向量；差分模块250，用于计算所述温度特征向量和所述冷却特征向量之间的差分特征向量；状态数据编码模块260，用于将所述预定时间段内多个预定时间点的反应液的ph值通过包含一维卷积层的第二时序编码器以得到ph时序特征向量；融合模块270，用于将所述差分特征向量与所述流速控制特征矩阵进行相乘以得到反应特征向量；响应性估计模块280，用于计算所述ph时序特征向量相对于所述反应特征向量的响应性估计以得到分类特征向量；以及，生产管理控制结果生成模块290，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的冷却水的流速值应增大或应减小。
[0093]
具体地，在本技术实施例中，所述生产参数采集模块210和所述加入速度结构化关联模块220，用于获取预定时间段内多个预定时间点的液氨的加入流速值、无水氟化氢的加入流速值、反应温度值、冷却水的流速值以及反应液的ph值，并将所述预定时间段内多个预定时间点的液氨的加入流速值和无水氟化氢的加入流速值分别按照时间维度排列为第一加入流速向量和第二加入流速向量后，计算所述第一加入流速向量和所述第二加入流速向量之间的流速控制关联矩阵。如前所述，由于液氨与无水氟化氢加入反应槽中的流速控制与反应温度的协同对于提高反应效率和提高产品质量具有重要意义。因此，在本技术的技术方案中，期望通过液氨的加入流速值、无水氟化氢的加入流速值和冷却水的流速值以及反应温度值来综合进行反应的实时动态控制，并通过ph检测装置检测反应液的ph值来确定最终的结束时间，进而来提高生产的效率和产品的质量。
[0094]
也就是，具体地，在本技术的技术方案中，首先，通过各个传感器，例如流速传感器、温度传感器和ph值传感器获取预定时间段内多个预定时间点的液氨的加入流速值、无水氟化氢的加入流速值、反应温度值、冷却水的流速值以及反应液的ph值。然后，对于所述多个预定时间点的液氨的加入流速值和无水氟化氢的加入流速值，由于所述液氨的加入流速和所述无水氟化氢的加入流速之间存在着某种隐藏的关联，因此为了深层挖掘出这种关
联关系，将所述预定时间段内多个预定时间点的液氨的加入流速值和无水氟化氢的加入流速值分别按照时间维度排列为第一加入流速向量和第二加入流速向量以整合所述各个时间点的液氨的加入流速值和无水氟化氢的加入流速值信息，进一步再计算所述第一加入流速向量和所述第二加入流速向量之间的流速控制关联矩阵，例如计算所述第一加入流速向量的转置向量和所述第二加入流速向量之间的乘积以得到所述流速控制关联矩阵。
[0095]
更具体地，在本技术实施例中，所述加入速度结构化关联模块，包括：向量关联单元，用于以如下公式来计算所述第一加入流速向量和所述第二加入流速向量之间的所述流速控制关联矩阵；
[0096]
其中，所述公式为：
[0097][0098]
其中v1表示所述第一加入流速向量，表示所述第一加入流速向量的转置向量，v2表示所述第二加入流速向量，m表示所述流速控制关联矩阵，表示向量相乘。
[0099]
具体地，在本技术实施例中，所述加入速度特征提取模块230，用于将所述流速控制关联矩阵通过相邻层使用互为转置的卷积核的第一卷积神经网络以得到流速控制特征矩阵。也就是，在本技术的技术方案中，进一步就可以将具有所述各个时间点的液氨的加入流速值和无水氟化氢的加入流速值的关联信息的所述流速控制关联矩阵通过相邻层使用互为转置的卷积核的第一卷积神经网络中进行特征提取，以得到流速控制特征矩阵。应可以理解，使用邻卷积层为互为转置的卷积核的卷积神经网络模型进行处理，能够在训练时能够同时更新网络参数的更新和适合特定数据结构的网络参数结构的搜索，以更提取出更适于表达所述液氨的加入流速值所述无水氟化氢的加入流速的关联特征，进而提高后续分类的准确性。
[0100]
更具体地，在本技术实施例中，所述加入速度特征提取模块，包括：首先，基于所述流速控制关联矩阵中各个位置的位置信息，对所述流速控制关联矩阵进行修正以得到校正后流速控制关联矩阵。应可以理解，由于相邻层使用互为转置的卷积核的所述第一卷积神经网络能够对所述流速控制关联矩阵中的特定局部数据结构进行适于其的网络参数结构的搜索，这也使得所述第一卷积神经网络的卷积核的参数配置更聚焦于所述流速控制关联矩阵中的局部流速关联值，使得所述流速控制特征矩阵可能在所述液氨的加入流速值和所述无水氟化氢的加入流速值的全局关联特性上表达不足。因此，在本技术的技术方案中，针对所述流速控制特征矩阵的每个位置的特征值对所述液氨的加入流速值和所述无水氟化氢的加入流速值的预定数值关联的关联特征表达特性，对所述流速控制特征矩阵进行优化。
[0101]
相应地，在一个具体示例中，基于所述流速控制关联矩阵中各个位置的位置信息，以如下公式对所述流速控制关联矩阵进行修正以得到所述校正后流速控制关联矩阵；
[0102]
其中，所述公式为：
[0103][0104]
其中m表示所述流速控制关联矩阵,m
′
表示所述校正后流速控制关联矩阵，cov1()和cov2()均为单个卷积层，用于将二维位置坐标映射为一维数值，pm表示矩阵m的(x,y)坐标矩阵，表示特征矩阵的按位置加法，
⊙
表示按位置点乘。也就是，为了全面
融合所述流速控制特征矩阵内由所述第一卷积神经网络的互为转置的卷积核所捕获的局部语义，并进一步从其衍生全局语义，使用由坐标转换函数φ得到的位置信息作为提议，通过卷积层的局部感知场来对所述流速控制特征矩阵的全局场景语义进行推理，并且通过添加结构转置的偏置，来实现关联特征信息的结构分布的局部-全局迁移。这样，优化后的所述流速控制特征矩阵可以获得更好的所述液氨的加入流速值和所述无水氟化氢的加入流速值的特征关联特性的全局表达能力。
[0105]
然后，将所述校正后流速控制关联矩阵通过所述相邻层使用互为转置的卷积核的第一卷积神经网络以得到所述流速控制特征矩阵。具体地，在本技术实施例中，所述卷积编码单元，包括：浅层特征图提取子单元，用于从所述第一卷积神经网络的第m层提取浅层特征矩阵，m是偶数；深层特征图提取子单元，用于从所述第一卷积神经网络的第n层提取深层特征矩阵，其中，n为偶数，且n大于m的2倍；以及，特征图融合子单元，用于融合所述浅层特征图和所述深层特征图以生成所述流速控制特征矩阵。
[0106]
图3图示了根据本技术实施例的用于六氟磷酸锂制备的自动配料系统中加入速度特征提取模块的框图。如图3所示，所述加入速度特征提取模块230，包括：矩阵校正单元231，用于基于所述流速控制关联矩阵中各个位置的位置信息，对所述流速控制关联矩阵进行修正以得到校正后流速控制关联矩阵；卷积编码单元232，用于将所述校正后流速控制关联矩阵通过所述相邻层使用互为转置的卷积核的第一卷积神经网络以得到所述流速控制特征矩阵。
[0107]
具体地，在本技术实施例中，所述反应数据编码模块240，用于将所述预定时间段内多个预定时间点的反应温度值和冷却水的流速值分别按照时间维度排列为输入向量后通过包含一维卷积层的第一时序编码器以得到温度特征向量和冷却特征向量。应可以理解，对于所述预定时间段内多个预定时间点的反应温度值和冷却水的流速值，考虑到所述反应温度值和所述冷却水的流速值在时间维度上具有着隐含的特征信息，因此为了更为充分地提取出这种动态变化的隐含关联特征，在本技术的技术方案中，使用包含一维卷积层的第一时序编码器分别对所述预定时间段内多个预定时间点的反应温度值和冷却水的流速值进行编码，以得到温度特征向量和冷却特征向量。相应地，在一个具体示例中，所述时序编码器由交替设置的全连接层和一维卷积层组成，其通过一维卷积编码分别提取出所述反应温度值和所述冷却水的流速值在时序维度上的关联和通过全连接编码分别提取所述反应温度值和所述冷却水的流速值的高维隐含特征
[0108]
更具体地，在本技术实施例中，所述反应数据编码模块，包括：输入向量构造单元，用于将所述预定时间段内多个预定时间点的反应温度值和冷却水的流速值分别按照时间维度排列为温度输入向量和流速输入向量；全连接编码单元，用于使用所述第一时序编码器的全连接层以如下公式分别对所述温度输入向量和所述流速输入向量进行全连接编码以分别提取出所述温度输入向量和所述流速输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为：其中x是所述输入向量，y是输出向量，w是权重矩阵，b是偏置向量，表示矩阵乘；一维卷积编码单元，用于使用所述第一时序编码器的一维卷积层以如下公式分别对所述温度输入向量和所述流速输入向量进行一维卷积编码以分别提取出所述温度输入向量和所述流速输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述公式为：
[0109][0110]
其中，a为卷积核在x方向上的宽度、f为卷积核参数向量、g为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸，x表示所述输入向量。
[0111]
具体地，在本技术实施例中，所述差分模块250，用于计算所述温度特征向量和所述冷却特征向量之间的差分特征向量。应可以理解，考虑到由于本技术辅以冷却水进行降温，如果反应温度上升过快，可以采用增大冷却水的流速来调节，因此所述反应温度和所述冷却水的流速之间存在着相反的特征关系，因此，在本技术的技术方案中，进一步计算所述温度特征向量和所述冷却特征向量之间的差分特征向量。
[0112]
更具体地，在本技术实施例中，所述差分模块，进一步用于：以如下公式计算所述温度特征向量和所述冷却特征向量之间的所述差分特征向量；
[0113]
其中，所述公式为：
[0114][0115]
其中v
t
表示所述温度特征向量，vc表示所述冷却特征向量，vd表示所述差分特征向量，表示特征向量的按位置减法。
[0116]
具体地，在本技术实施例中，所述状态数据编码模块260，用于将所述预定时间段内多个预定时间点的反应液的ph值通过包含一维卷积层的第二时序编码器以得到ph时序特征向量。应可以理解，对于所述预定时间段内多个预定时间点的反应液的ph值，由于其在时序维度上也存在着隐含的动态关联特征，因此，同样地，将所述预定时间段内多个预定时间点的反应液的ph值通过包含一维卷积层的第二时序编码器以得到ph时序特征向量。
[0117]
更具体地，在本技术实施例中，所述状态数据编码模块，进一步用于：将所述预定时间段内多个预定时间点的反应液的ph值按照时间维度排列为一维的输入向量；使用所述第二时序编码器的全连接层以如下公式对所述输入向量进行全连接编码以提取出所述输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为：其中x是所述输入向量，y是输出向量，w是权重矩阵，b是偏置向量，表示矩阵乘；使用所述第二时序编码器的一维卷积层以如下公式对所述输入向量进行一维卷积编码以提取出所述输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述公式为：
[0118][0119]
其中，a为卷积核在x方向上的宽度、f为卷积核参数向量、g为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸，x表示所述输入向量。
[0120]
具体地，在本技术实施例中，所述融合模块270、所述响应性估计模块280和所述生产管理控制结果生成模块290，用于将所述差分特征向量与所述流速控制特征矩阵进行相乘以得到反应特征向量，并计算所述ph时序特征向量相对于所述反应特征向量的响应性估计以得到分类特征向量，再将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的冷却水的流速值应增大或应减小。也就是，在本技术的技术方案中，进一步地，就可以将所述差分特征向量与所述流速控制特征矩阵进行相乘以融合这两者的特征信息得到反应特征向量。应可以理解，由于所述反应液的ph值的动态变化特征与
所述参数关联的隐含动态特征之间的特征尺度不同，并且所述反应液的ph值的动态特征在高维特征空间中可以看作是对于所述参数关联变化的响应性特征，因此为了更好地融合所述ph时序特征向量和所述反应特征向量，进一步计算所述ph时序特征向量相对于所述反应特征向量的响应性估计以得到分类特征向量。这样，就可以将所述分类特征向量通过分类器以得到用于表示当前时间点的冷却水的流速值应增大或应减小的分类结果。
[0121]
相应地，在一个具体示例中，使用所述分类器以如下公式对所述分类特征向量进行处理以获得所述分类结果，其中，所述公式为：softmax{(wn,bn):
…
:(w1,b1)|x}，其中，w1到wn为权重矩阵，b1到bn为偏置向量，x为所述分类特征向量。
[0122]
更具体地，在本技术实施例中，所述响应性估计模块，进一步用于：以如下公式计算所述ph时序特征向量相对于所述反应特征向量的响应性估计以得到所述分类特征向量；
[0123]
其中，所述公式为
[0124]
s3＝s2⊙
s1⊙‑1[0125]
其中s1表示所述ph时序特征向量，s2表示所述反应特征向量，s3表示所述分类特征向量，
⊙
表示向量点乘，
⊙‑
1表示对向量的每个位置的值取倒数。
[0126]
综上，基于本技术实施例的所述用于氟化铵生产的生产管理控制系统200被阐明，其采用人工智能控制技术，通过对于预定时间段内多个预定时间点的液氨的加入流速值、无水氟化氢的加入流速值、反应温度值、冷却水的流速值以及反应液的ph值作为输入数据，使用深度神经网络模型作为特征提取器，以根据液氨与无水氟化氢加入反应槽中的流速实时动态特征与反应温度的变化特征的协同来进行冷却水的流速动态智能控制，并在此过程中还加入了反应液的ph值变化特征信息作为最终的结果依据，以提高反应效率和产品质量。
[0127]
如上所述，根据本技术实施例的用于氟化铵生产的生产管理控制系统200可以实现在各种终端设备中，例如用于氟化铵生产的生产管理控制算法的服务器等。在一个示例中，根据本技术实施例的用于氟化铵生产的生产管理控制系统200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，该用于氟化铵生产的生产管理控制系统200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，该用于氟化铵生产的生产管理控制系统200同样可以是该终端设备的众多硬件模块之一。
[0128]
替换地，在另一示例中，该用于氟化铵生产的生产管理控制系统200与该终端设备也可以是分立的设备，并且该用于氟化铵生产的生产管理控制系统200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。
[0129]
示例性方法
[0130]
图4图示了用于氟化铵生产的生产管理控制系统的控制方法的流程图。如图4所示，根据本技术实施例的用于氟化铵生产的生产管理控制系统的控制方法，包括步骤：s110，获取预定时间段内多个预定时间点的液氨的加入流速值、无水氟化氢的加入流速值、反应温度值、冷却水的流速值以及反应液的ph值；s120，将所述预定时间段内多个预定时间点的液氨的加入流速值和无水氟化氢的加入流速值分别按照时间维度排列为第一加入流速向量和第二加入流速向量后，计算所述第一加入流速向量和所述第二加入流速向量之间的流速控制关联矩阵；s130，将所述流速控制关联矩阵通过相邻层使用互为转置的卷积核
的第一卷积神经网络以得到流速控制特征矩阵；s140，将所述预定时间段内多个预定时间点的反应温度值和冷却水的流速值分别按照时间维度排列为输入向量后通过包含一维卷积层的第一时序编码器以得到温度特征向量和冷却特征向量；s150，计算所述温度特征向量和所述冷却特征向量之间的差分特征向量；s160，将所述预定时间段内多个预定时间点的反应液的ph值通过包含一维卷积层的第二时序编码器以得到ph时序特征向量；s170，将所述差分特征向量与所述流速控制特征矩阵进行相乘以得到反应特征向量；s180，计算所述ph时序特征向量相对于所述反应特征向量的响应性估计以得到分类特征向量；以及，s190，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的冷却水的流速值应增大或应减小。
[0131]
图5图示了根据本技术实施例的用于氟化铵生产的生产管理控制系统的控制方法的架构示意图。如图5所示，在所述用于氟化铵生产的生产管理控制系统的控制方法的网络架构中，首先，将获得的所述预定时间段内多个预定时间点的液氨的加入流速值(例如，如图5中所示意的p1)和无水氟化氢的加入流速值(例如，如图5中所示意的p2)分别按照时间维度排列为第一加入流速向量(例如，如图5中所示意的v1)和第二加入流速向量(例如，如图5中所示意的v2)后，计算所述第一加入流速向量和所述第二加入流速向量之间的流速控制关联矩阵(例如，如图5中所示意的m1)；接着，将所述流速控制关联矩阵通过相邻层使用互为转置的卷积核的第一卷积神经网络(例如，如图5中所示意的cnn1)以得到流速控制特征矩阵(例如，如图5中所示意的mf1)；然后，将获得的所述预定时间段内多个预定时间点的反应温度值(例如，如图5中所示意的p3)和冷却水的流速值(例如，如图5中所示意的p4)分别按照时间维度排列为输入向量后通过包含一维卷积层的第一时序编码器(例如，如图5中所示意的e1)以得到温度特征向量(例如，如图5中所示意的vf1)和冷却特征向量(例如，如图5中所示意的vf2)；接着，计算所述温度特征向量和所述冷却特征向量之间的差分特征向量(例如，如图5中所示意的vf3)；然后，将所述预定时间段内多个预定时间点的反应液的ph值(例如，如图5中所示意的p5)通过包含一维卷积层的第二时序编码器(例如，如图5中所示意的e2)以得到ph时序特征向量(例如，如图5中所示意的vf4)；接着，将所述差分特征向量与所述流速控制特征矩阵进行相乘以得到反应特征向量(例如，如图5中所示意的vf5)；然后，计算所述ph时序特征向量相对于所述反应特征向量的响应性估计以得到分类特征向量(例如，如图5中所示意的vf)；以及，最后，将所述分类特征向量通过分类器(例如，如图5中所示意的圈s)以得到分类结果，所述分类结果用于表示当前时间点的冷却水的流速值应增大或应减小。
[0132]
更具体地，在步骤s110和步骤s120中，获取预定时间段内多个预定时间点的液氨的加入流速值、无水氟化氢的加入流速值、反应温度值、冷却水的流速值以及反应液的ph值，并将所述预定时间段内多个预定时间点的液氨的加入流速值和无水氟化氢的加入流速值分别按照时间维度排列为第一加入流速向量和第二加入流速向量后，计算所述第一加入流速向量和所述第二加入流速向量之间的流速控制关联矩阵。应可以理解，由于液氨与无水氟化氢加入反应槽中的流速控制与反应温度的协同对于提高反应效率和提高产品质量具有重要意义。因此，在本技术的技术方案中，期望通过液氨的加入流速值、无水氟化氢的加入流速值和冷却水的流速值以及反应温度值来综合进行反应的实时动态控制，并通过ph检测装置检测反应液的ph值来确定最终的结束时间，进而来提高生产的效率和产品的质
量。
[0133]
也就是，具体地，在本技术的技术方案中，首先，通过各个传感器，例如流速传感器、温度传感器和ph值传感器获取预定时间段内多个预定时间点的液氨的加入流速值、无水氟化氢的加入流速值、反应温度值、冷却水的流速值以及反应液的ph值。然后，对于所述多个预定时间点的液氨的加入流速值和无水氟化氢的加入流速值，由于所述液氨的加入流速和所述无水氟化氢的加入流速之间存在着某种隐藏的关联，因此为了深层挖掘出这种关联关系，将所述预定时间段内多个预定时间点的液氨的加入流速值和无水氟化氢的加入流速值分别按照时间维度排列为第一加入流速向量和第二加入流速向量以整合所述各个时间点的液氨的加入流速值和无水氟化氢的加入流速值信息，进一步再计算所述第一加入流速向量和所述第二加入流速向量之间的流速控制关联矩阵，例如计算所述第一加入流速向量的转置向量和所述第二加入流速向量之间的乘积以得到所述流速控制关联矩阵。
[0134]
更具体地，在步骤s130中，将所述流速控制关联矩阵通过相邻层使用互为转置的卷积核的第一卷积神经网络以得到流速控制特征矩阵。也就是，在本技术的技术方案中，进一步就可以将具有所述各个时间点的液氨的加入流速值和无水氟化氢的加入流速值的关联信息的所述流速控制关联矩阵通过相邻层使用互为转置的卷积核的第一卷积神经网络中进行特征提取，以得到流速控制特征矩阵。应可以理解，使用邻卷积层为互为转置的卷积核的卷积神经网络模型进行处理，能够在训练时能够同时更新网络参数的更新和适合特定数据结构的网络参数结构的搜索，以更提取出更适于表达所述液氨的加入流速值所述无水氟化氢的加入流速的关联特征，进而提高后续分类的准确性。
[0135]
更具体地，在步骤s140中，将所述预定时间段内多个预定时间点的反应温度值和冷却水的流速值分别按照时间维度排列为输入向量后通过包含一维卷积层的第一时序编码器以得到温度特征向量和冷却特征向量。应可以理解，对于所述预定时间段内多个预定时间点的反应温度值和冷却水的流速值，考虑到所述反应温度值和所述冷却水的流速值在时间维度上具有着隐含的特征信息，因此为了更为充分地提取出这种动态变化的隐含关联特征，在本技术的技术方案中，使用包含一维卷积层的第一时序编码器分别对所述预定时间段内多个预定时间点的反应温度值和冷却水的流速值进行编码，以得到温度特征向量和冷却特征向量。相应地，在一个具体示例中，所述时序编码器由交替设置的全连接层和一维卷积层组成，其通过一维卷积编码分别提取出所述反应温度值和所述冷却水的流速值在时序维度上的关联和通过全连接编码分别提取所述反应温度值和所述冷却水的流速值的高维隐含特征
[0136]
更具体地，在步骤s150中，计算所述温度特征向量和所述冷却特征向量之间的差分特征向量。应可以理解，考虑到由于本技术辅以冷却水进行降温，如果反应温度上升过快，可以采用增大冷却水的流速来调节，因此所述反应温度和所述冷却水的流速之间存在着相反的特征关系，因此，在本技术的技术方案中，进一步计算所述温度特征向量和所述冷却特征向量之间的差分特征向量。
[0137]
更具体地，在步骤s160中，将所述预定时间段内多个预定时间点的反应液的ph值通过包含一维卷积层的第二时序编码器以得到ph时序特征向量。应可以理解，对于所述预定时间段内多个预定时间点的反应液的ph值，由于其在时序维度上也存在着隐含的动态关联特征，因此，同样地，将所述预定时间段内多个预定时间点的反应液的ph值通过包含一维
卷积层的第二时序编码器以得到ph时序特征向量。
[0138]
更具体地，在步骤s170、步骤s180和步骤s190中，将所述差分特征向量与所述流速控制特征矩阵进行相乘以得到反应特征向量，并计算所述ph时序特征向量相对于所述反应特征向量的响应性估计以得到分类特征向量，再将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的冷却水的流速值应增大或应减小。也就是，在本技术的技术方案中，进一步地，就可以将所述差分特征向量与所述流速控制特征矩阵进行相乘以融合这两者的特征信息得到反应特征向量。应可以理解，由于所述反应液的ph值的动态变化特征与所述参数关联的隐含动态特征之间的特征尺度不同，并且所述反应液的ph值的动态特征在高维特征空间中可以看作是对于所述参数关联变化的响应性特征，因此为了更好地融合所述ph时序特征向量和所述反应特征向量，进一步计算所述ph时序特征向量相对于所述反应特征向量的响应性估计以得到分类特征向量。这样，就可以将所述分类特征向量通过分类器以得到用于表示当前时间点的冷却水的流速值应增大或应减小的分类结果。
[0139]
综上，基于本技术实施例的所述用于氟化铵生产的生产管理控制系统的控制方法被阐明，其采用人工智能控制技术，通过对于预定时间段内多个预定时间点的液氨的加入流速值、无水氟化氢的加入流速值、反应温度值、冷却水的流速值以及反应液的ph值作为输入数据，使用深度神经网络模型作为特征提取器，以根据液氨与无水氟化氢加入反应槽中的流速实时动态特征与反应温度的变化特征的协同来进行冷却水的流速动态智能控制，并在此过程中还加入了反应液的ph值变化特征信息作为最终的结果依据，以提高反应效率和产品质量。
[0140]
以上结合具体实施例描述了本技术的基本原理，但是，需要指出的是，在本技术中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本技术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技术为必须采用上述具体的细节来实现。
[0141]
本技术中涉及的器件、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。
[0142]
还需要指出的是，在本技术的装置、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技术的等效方案。
[0143]
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技术。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技术的范围。因此，本技术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。
[0144]
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本技术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。