电子级氢氧化钾的智能生产系统的制作方法

本技术涉及智能控制领域，且更为具体地，涉及一种电子级氢氧化钾的智能生产系统。

背景技术：

1、目前国内生产电子级氢氧化钾主要从终端入手，将得到的氢氧化钾片碱配制为不同浓度的氢氧化钾溶液，采用冷冻结晶或者离子交换等方法去除重金属及钠离子，但是这样得到氢氧化钾重金属离子仍然很高，钠离子降低并不明显，且产率较低，氢氧化钾损失较大，能耗较高。

2、鉴于上述不足，中国专利cn111910204a揭露了一种电子级氢氧化钾提纯工艺，其通过利用氯化氢气体通入氯化钾溶液中，形成同离子效应，氯化钾结晶析出，同时也利用到钠钾离子在盐酸溶液中的溶解度差异，其他重金属离子更易溶解在酸性溶液中，离心结晶得到高纯度试剂级氯化钾，然后利用双极膜设备进行电解来制得电子级氢氧化钾。

3、但是在该专利所揭露的方案中，在离心得到高纯度试剂级氯化钾时，离心的速率只是固定在某个范围内，并没有充分考虑到离心速率与氯化钾晶体的离心状态适配关系，导致在实际制备的过程中，离心得到的氯化钾晶体较少，大部分的氯化钾溶于溶液中，使得离心的效率和效果并不能满足生产要求所需。

4、因此，期望一种优化的电子级氢氧化钾的智能生产系统。

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电子级氢氧化钾的智能生产系统，其通过采用基于深度学习的神经网络模型挖掘出离心分离的过程中离心速率值的时序变化与分离得到的氯化钾晶体的重量值时序变化间的映射关系，以基于实际氯化钾晶体的分离析出量来进行离心速率的自适应控制，进而优化离心效率和效果，且确保离心分离能够稳定地进行。

2、根据本技术的一个方面，提供了一种电子级氢氧化钾的智能生产系统，其包括：数据采集模块，用于获取预定时间段内多个预定时间点的离心速率值和所述多个预定时间点的分离得到的氯化钾晶体的重量值；相对重量计算模块，用于将所述多个预定时间点的分离得到的氯化钾晶体的重量值按照时间维度排列为重量输入向量后，计算所述重量输入向量中每相邻两个位置的重量值之间的差值以得到增量输入向量；重量时序变化特征提取模块，用于将所述增量输入向量通过多尺度邻域特征提取模块以得到增强时序特征向量；离心速率时序变化特征提取模块，用于将所述多个预定时间点的离心速率值按照时间维度排列为离心速率输入向量后通过所述多尺度邻域特征提取模块以得到离心速率时序特征向量；关联编码模块，用于计算所述增强时序特征向量相对于所述离心速率时序特征向量的响应性估计以得到分类特征矩阵；特征优化模块，用于基于所述增强时序特征向量和所述离心速率时序特征向量，对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵；以及离心速率控制模块，用于将所述优化分类特征矩阵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离心速率值应增大或应减小。

3、在上述电子级氢氧化钾的智能生产系统中，所述多尺度邻域特征提取模块，包括：第一卷积层、与所述第一卷积层并行的第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层，其中，所述第一卷积层使用具有第一长度的一维卷积核，所述第二卷积层使用具有第二长度的一维卷积核。

4、在上述电子级氢氧化钾的智能生产系统中，所述重量时序变化特征提取模块，包括:第一尺度增强时序特征提取单元，用于将所述增量输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度增强时序特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；第二尺度增强时序特征提取单元，用于将所述增量输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度增强时序特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及，第一多尺度级联单元，用于将所述第一邻域尺度增强时序特征向量和所述第二邻域尺度增强时序特征向量进行级联以得到所述增强时序特征向量。其中，所述第一尺度增强时序特征提取单元，用于：使用所述多尺度邻域特征提取模块的第一卷积层以如下公式对所述增量输入向量进行一维卷积编码以得到第一邻域尺度增强时序特征向量；其中，所述公式为：，其中，为第一卷积核在方向上的宽度、为第一卷积核参数向量、为与卷积核函数运算的局部向量矩阵，为第一卷积核的尺寸，  表示所述增量输入向量；以及，所述第二尺度增强时序特征提取单元，用于：使用所述多尺度邻域特征提取模块的第二卷积层以如下公式对所述增量输入向量进行一维卷积编码以得到所述第二邻域尺度增强时序特征向量；其中，所述公式为：，其中，为第二卷积核在方向上的宽度、为第二卷积核参数向量、为与卷积核函数运算的局部向量矩阵，为第二卷积核的尺寸，表示所述增量输入向量。

5、在上述电子级氢氧化钾的智能生产系统中，所述离心速率时序变化特征提取模块，包括：第一尺度离心速率时序特征提取单元，用于将所述离心速率输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度离心速率时序特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；第二尺度离心速率时序特征提取单元，用于将所述离心速率输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度离心速率时序特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及，第二多尺度级联单元，用于将所述第一邻域尺度离心速率时序特征向量和所述第二邻域尺度离心速率时序特征向量进行级联以得到所述离心速率时序特征向量。

6、在上述电子级氢氧化钾的智能生产系统中，所述关联编码模块，包括：高斯密度图构造单元，用于分别构造所述增强时序特征向量和所述离心速率时序特征向量的高斯密度图以得到增强高斯密度图和离心速率高斯密度图；高斯响应性估计单元，用于计算所述增强高斯密度图相对于所述离心速率高斯密度图的响应性估计以得到响应性高斯密度图；以及，高斯离散化单元，用于对所述响应性高斯密度图进行高斯离散化处理以得到所述分类特征矩阵。

7、在上述电子级氢氧化钾的智能生产系统中，所述高斯密度图构造单元，用于：构造所述增强时序特征向量的增强高斯密度图，其中，所述增强高斯密度图的均值向量为所述增强时序特征向量，所述增强高斯密度图的协方差矩阵中各个位置的值为所述增强时序特征向量中相应两个位置的特征值之间的方差；以及，构造所述离心速率时序特征向量的离心速率高斯密度图，其中，所述离心速率高斯密度图的均值向量为所述离心速率时序特征向量，所述离心速率高斯密度图的协方差矩阵中各个位置的值为所述离心速率时序特征向量中相应两个位置的特征值之间的方差；

8、在上述电子级氢氧化钾的智能生产系统中，所述高斯响应性估计单元，用于：以如下公式计算所述增强高斯密度图相对于所述离心速率高斯密度图的响应性估计以得到响应性高斯密度图；其中，所述公式为：，其中表示所述增，表示所述离心速率高斯密度图，表示所述响应性高斯密度图。

9、在上述电子级氢氧化钾的智能生产系统中，所述特征优化模块，包括：特征关联单元，用于计算所述增强时序特征向量和所述离心速率时序特征向量的逐位置关联以获得关联特征矩阵；以及，优化融合单元，用于将所述关联特征矩阵和所述分类特征矩阵进行基于尺度认知的高斯联合密度融合以得到所述优化分类特征图。

10、在上述电子级氢氧化钾的智能生产系统中，所述优化融合单元，用于：以如下优化公式将所述关联特征矩阵和所述分类特征矩阵进行基于尺度认知的高斯联合密度融合以得到所述优化分类特征图；其中，所述优化公式为：其中，和分别表示所述关联特征矩阵和所述分类特征矩阵，和分别是所述关联特征矩阵和所述分类特征矩阵中各个位置的特征值，和分别是所述关联特征矩阵和所述分类特征矩阵的所有特征值的特征集合的均值和方差，和分别是特征矩阵的宽度和高度，表示特征尺度，表示和，且是所述优化分类特征矩阵的各个位置特征值。

11、在上述电子级氢氧化钾的智能生产系统中，所述离心速率控制模块，包括：展开单元，用于将所述优化分类特征矩阵基于行向量或列向量展开为分类特征向量；全连接编码单元，用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，分类结果生成单元，用于将所述编码分类特征向量通过所述分类器的softmax分类函数以得到所述分类结果。

12、根据本技术的另一方面，提供了一种电子级氢氧化钾的智能生产方法，其包括：获取预定时间段内多个预定时间点的离心速率值和所述多个预定时间点的分离得到的氯化钾晶体的重量值；将所述多个预定时间点的分离得到的氯化钾晶体的重量值按照时间维度排列为重量输入向量后，计算所述重量输入向量中每相邻两个位置的重量值之间的差值以得到增量输入向量；将所述增量输入向量通过多尺度邻域特征提取模块以得到增强时序特征向量；将所述多个预定时间点的离心速率值按照时间维度排列为离心速率输入向量后通过所述多尺度邻域特征提取模块以得到离心速率时序特征向量；计算所述增强时序特征向量相对于所述离心速率时序特征向量的响应性估计以得到分类特征矩阵；基于所述增强时序特征向量和所述离心速率时序特征向量，对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵；以及将所述优化分类特征矩阵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离心速率值应增大或应减小。

13、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电子级氢氧化钾的智能生产方法。

14、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电子级氢氧化钾的智能生产方法。

15、与现有技术相比，本技术提供的一种电子级氢氧化钾的智能生产系统，其通过采用基于深度学习的神经网络模型挖掘出离心分离的过程中离心速率值的时序变化与分离得到的氯化钾晶体的重量值时序变化间的映射关系，以基于实际氯化钾晶体的分离析出量来进行离心速率的自适应控制，进而优化离心效率和效果，且确保离心分离能够稳定地进行。