用于电子级氟化铵生产的生产管理控制系统的制作方法

本技术涉及智能控制领域，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：

1、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。

2、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。

3、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。

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。

2、根据本技术的一个方面，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。

3、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。

4、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。

5、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。

6、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。

7、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。

8、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。

9、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。

10、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。

11、根据本技术的另一方面，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。

12、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电子级氟化铵生产的生产管理控制方法。

13、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电子级氟化铵生产的生产管理控制方法。

14、与现有技术相比，本技术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。