1.本发明涉及设备智能监测的领域，且更为具体地，涉及一种用于电子级氢氟酸制备的生产管理控制系统及其控制方法。
背景技术：2.电子级氢氟酸为强酸性清洗剂、腐蚀剂，主要用于超大规模集成电路生产。目前，电子级氢氟酸的主要生产方法为：首先将工业无水氢氟酸进行化学预处理，接着进行精馏，再将得到的氟化氢气体冷却，用纯水吸收，最后过滤，灌装。由于杂质砷的存在对电子器件的性能有严重影响，因此砷的脱除是氢氟酸提纯过程中的关键问题，通常采用的方法是使用氧化剂把三价砷杂质转化成高沸点的五价砷化合物，常用的氧化剂有kmno4、cro3、过硫酸盐等。
3.专利103991847揭露了一种电子级氢氟酸的制备方法，其使用过氧化氢作为氧化剂把三价砷杂质转化成高沸点的五价砷化合物，且不引入额外杂质，制备出产量高、品质好、成本低的电子级氢氟酸产品，并对尾气中的氟化氢气体进行回收。
4.但在实际制备过程中发现，虽然通过专利103991847所揭露的技术方案能够制得纯度较高的电子级氢氟酸产品，但是由于制备电子级氢氟酸的产线包括多个设备，一旦其中某个设备出现故障或者某个设备的性能下降，都会影响最终电子级氢氟酸产品的制备良率。
5.因此，期待一种用于电子级氢氟酸制备的设备生产管理控制系统，以对产线中各个设备的性能进行在线监测。
技术实现要素：6.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氢氟酸制备的生产管理控制系统及其控制方法，其采用基于人工智能的监测技术，通过对于电子级氢氟酸制备过程中精馏塔和吸收塔的各个参数进行监测来保证最终电子级氢氟酸产品的制备良率，并且在此过程中，还使用产物的动态变化特征来进行响应性估计，以更准确地对所述精馏塔和所述吸收塔的设备性能是否正常进行监测。
7.根据本技术的一个方面，提供了一种用于电子级氢氟酸制备的生产管理控制系统，其包括：设备参数采集模块，用于获取多个预定时间点的精馏塔的多项第一参数和吸收塔的多项第二参数，其中，所述多项第一参数包括所述精馏塔的塔釜温度，所述精馏塔的塔身温度，所述精馏塔的塔顶温度，所述精馏塔的塔釜压力，所述精馏塔的塔顶压力，所述精馏塔的的塔中回流温度和回流比，所述多项第二参数包括所述吸收塔的温度和所述吸收塔的压力；产物状态采集模块，用于通过液相色谱仪获取所述多个预定时间点的第一次过滤前的氟化氢液体的多个液相色谱图；产物跟踪编码模块，用于将所述多个预定时间点的第一次过滤前的氟化氢液体的多个液相色谱图通过使用三维卷积核的第一卷积神经网络以得到产物跟踪特征向量；精馏塔参数编码模块，用于将所述多个预定时间点的精馏塔的多
项第一参数按照时间维度和参数样本维度排列为精馏塔参数输入矩阵后通过作为过滤器的第二卷积神经网络以得到精馏塔特征向量；吸收塔参数编码模块，用于将所述多个预定时间点的吸收塔的多项第二参数按照时间维度和参数样本维度排列为吸收塔参数输入矩阵后通过作为过滤器的第三卷积神经网络以得到吸收塔特征向量；参数特征融合模块，用于融合所述精馏塔特征向量和所述吸收塔特征向量以得到协同特征向量；响应性估计模块，用于计算所述产物跟踪特征向量相对于所述协同特征向量的响应性估计以得到分类特征向量；以及设备管理结果生成模块，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精馏塔和吸收塔的设备性能是否正常。
8.在上述用于电子级氢氟酸制备的生产管理控制系统中，所述产物跟踪编码模块，包括：特征动态捕捉单元，用于使用所述第一卷积神经网络的各层在层的正向传递过程中对输入数据分别进行基于所述三维卷积核的卷积处理、池化处理和非线性激活处理以由所述第一卷积神经网络的最后一层输出跟踪特征图，其中，所述第一卷积神经网络的输入为所述多个预定时间点的第一次过滤前的氟化氢液体的多个液相色谱图；以及，全局池化单元，用于对所述跟踪特征图进行基于特征矩阵的全局均值池化以得到所述跟踪特征向量。
9.在上述用于电子级氢氟酸制备的生产管理控制系统中，所述精馏塔参数编码模块，包括：第一矩阵构造单元，用于将所述多个预定时间点的精馏塔的多项第一参数按照时间维度排列为对应于所述精馏塔的多项第一参数行向量，并将所述多项第一参数行向量按照参数样本维度排列为所述精馏塔参数输入矩阵；第一过滤器单元，用于使用所述第二卷积神经网络的各层在层的正向传递中对输入数据进行卷积处理、沿特征矩阵的池化处理和激活处理以由所述第二卷积神经网络的最后一层生成所述精馏塔特征向量，其中，所述第二卷积神经网络的第一层的输入为所述精馏塔参数输入矩阵。
10.在上述用于电子级氢氟酸制备的生产管理控制系统中，所述吸收塔参数编码模块，包括：第二矩阵构造单元，用于将所述多个预定时间点的吸收塔的多项第二参数按照时间维度排列为对应于所述吸收塔的多项第二参数行向量，并将所述多项第二参数行向量按照参数样本维度排列为所述吸收塔参数输入矩阵；第二过滤器单元，用于使用所述第三卷积神经网络的各层在层的正向传递中对输入数据进行卷积处理、沿特征矩阵的池化处理和激活处理以由所述第三卷积神经网络的最后一层生成所述吸收塔特征向量，其中，所述第三卷积神经网络的第一层的输入为所述吸收塔参数输入矩阵。
11.在上述用于电子级氢氟酸制备的生产管理控制系统中，所述参数特征融合模块，用于计算所述精馏塔特征向量和所述吸收塔特征向量的按位置加权和以得到所述协同特征向量。
12.在上述用于电子级氢氟酸制备的生产管理控制系统中，所述精馏塔特征向量的加权权重以如下公式计算而得，其中，所述公式为：其中，表示所述精馏塔特征向量的各个位置的特征值，表示所述精馏塔特征向量和所述吸收塔特征向量在融合时所述精馏塔特征向量的加权系数。
13.在上述用于电子级氢氟酸制备的生产管理控制系统中，所述吸收塔特征向量的加
权权重以如下公式计算而得，其中，所述公式为：其中，表示所述吸收塔特征向量的各个位置的特征值，表示所述精馏塔特征向量和所述吸收塔特征向量在融合时所述吸收塔特征向量的加权系数。
14.在上述用于电子级氢氟酸制备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产物跟踪特征向量相对于所述协同特征向量的响应性估计以得到所述分类特征向量；其中，所述公式为：其中表示所述产物跟踪特征向量，表示所述协同特征向量，表示所述分类特征向量，表示向量点乘，表示对向量的每个位置的值取倒数。
15.在上述用于电子级氢氟酸制备的生产管理控制系统中，所述设备管理结果生成模块，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：，其中，到为权重矩阵，到为偏置向量，为所述分类特征向量。
16.根据本技术的另一方面，一种用于电子级氢氟酸制备的生产管理控制系统的控制方法，其包括：获取多个预定时间点的精馏塔的多项第一参数和吸收塔的多项第二参数，其中，所述多项第一参数包括所述精馏塔的塔釜温度，所述精馏塔的塔身温度，所述精馏塔的塔顶温度，所述精馏塔的塔釜压力，所述精馏塔的塔顶压力，所述精馏塔的的塔中回流温度和回流比，所述多项第二参数包括所述吸收塔的温度和所述吸收塔的压力；通过液相色谱仪获取所述多个预定时间点的第一次过滤前的氟化氢液体的多个液相色谱图；将所述多个预定时间点的第一次过滤前的氟化氢液体的多个液相色谱图通过使用三维卷积核的第一卷积神经网络以得到产物跟踪特征向量；将所述多个预定时间点的精馏塔的多项第一参数按照时间维度和参数样本维度排列为精馏塔参数输入矩阵后通过作为过滤器的第二卷积神经网络以得到精馏塔特征向量；将所述多个预定时间点的吸收塔的多项第二参数按照时间维度和参数样本维度排列为吸收塔参数输入矩阵后通过作为过滤器的第三卷积神经网络以得到吸收塔特征向量；融合所述精馏塔特征向量和所述吸收塔特征向量以得到协同特征向量；计算所述产物跟踪特征向量相对于所述协同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精馏塔和吸收塔的设备性能是否正常。
17.在上述用于电子级氢氟酸制备的生产管理控制系统的控制方法中，通过液相色谱仪获取所述多个预定时间点的第一次过滤前的氟化氢液体的多个液相色谱图，包括：使用所述第一卷积神经网络的各层在层的正向传递过程中对输入数据分别进行基于所述三维卷积核的卷积处理、池化处理和非线性激活处理以由所述第一卷积神经网络的最后一层输出跟踪特征图，其中，所述第一卷积神经网络的输入为所述多个预定时间点的第一次过滤前的氟化氢液体的多个液相色谱图；以及，对所述跟踪特征图进行基于特征矩阵的全局均
值池化以得到所述跟踪特征向量。
18.在上述用于电子级氢氟酸制备的生产管理控制系统的控制方法中，将所述多个预定时间点的精馏塔的多项第一参数按照时间维度和参数样本维度排列为精馏塔参数输入矩阵后通过作为过滤器的第二卷积神经网络以得到精馏塔特征向量，包括：将所述多个预定时间点的精馏塔的多项第一参数按照时间维度排列为对应于所述精馏塔的多项第一参数行向量，并将所述多项第一参数行向量按照参数样本维度排列为所述精馏塔参数输入矩阵；第一过滤器单元，用于使用所述第二卷积神经网络的各层在层的正向传递中对输入数据进行卷积处理、沿特征矩阵的池化处理和激活处理以由所述第二卷积神经网络的最后一层生成所述精馏塔特征向量，其中，所述第二卷积神经网络的第一层的输入为所述精馏塔参数输入矩阵。
19.在上述用于电子级氢氟酸制备的生产管理控制系统的控制方法中，将所述多个预定时间点的吸收塔的多项第二参数按照时间维度和参数样本维度排列为吸收塔参数输入矩阵后通过作为过滤器的第三卷积神经网络以得到吸收塔特征向量，包括：将所述多个预定时间点的吸收塔的多项第二参数按照时间维度排列为对应于所述吸收塔的多项第二参数行向量，并将所述多项第二参数行向量按照参数样本维度排列为所述吸收塔参数输入矩阵；使用所述第三卷积神经网络的各层在层的正向传递中对输入数据进行卷积处理、沿特征矩阵的池化处理和激活处理以由所述第三卷积神经网络的最后一层生成所述吸收塔特征向量，其中，所述第三卷积神经网络的第一层的输入为所述吸收塔参数输入矩阵。
20.在上述用于电子级氢氟酸制备的生产管理控制系统的控制方法中，融合所述精馏塔特征向量和所述吸收塔特征向量以得到协同特征向量，包括：计算所述精馏塔特征向量和所述吸收塔特征向量的按位置加权和以得到所述协同特征向量。
21.在上述用于电子级氢氟酸制备的生产管理控制系统的控制方法中，所述精馏塔特征向量的加权权重以如下公式计算而得，其中，所述公式为：其中，表示所述精馏塔特征向量的各个位置的特征值，表示所述精馏塔特征向量和所述吸收塔特征向量在融合时所述精馏塔特征向量的加权系数。
22.在上述用于电子级氢氟酸制备的生产管理控制系统的控制方法中，所述吸收塔特征向量的加权权重以如下公式计算而得，其中，所述公式为：其中，表示所述吸收塔特征向量的各个位置的特征值，表示所述精馏塔特征向量和所述吸收塔特征向量在融合时所述吸收塔特征向量的加权系数。
23.在上述用于电子级氢氟酸制备的生产管理控制系统的控制方法中，计算所述产物跟踪特征向量相对于所述协同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产物跟踪特征向量相对于所述协同特征向量的响应性估计以得到所述分类特征向量；其中，所述公式为：
其中表示所述产物跟踪特征向量，表示所述协同特征向量，表示所述分类特征向量，表示向量点乘，表示对向量的每个位置的值取倒数。
[0024] 在上述用于电子级氢氟酸制备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： ，其中，到为权重矩阵，到为偏置向量，为所述分类特征向量。
[0025]
根据本技术的再又一方面，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氢氟酸制备的生产管理控制系统的控制方法。
[0026]
与现有技术相比，本技术提供的用于电子级氢氟酸制备的生产管理控制系统及其控制方法，其采用基于人工智能的监测技术，通过对于电子级氢氟酸制备过程中精馏塔和吸收塔的各个参数进行监测来保证最终电子级氢氟酸产品的制备良率，并且在此过程中，还使用产物的动态变化特征来进行响应性估计，以更准确地对所述精馏塔和所述吸收塔的设备性能是否正常进行监测。
附图说明
[0027]
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。
[0028]
图1为根据本技术实施例的用于电子级氢氟酸制备的生产管理控制系统的应用场景图。
[0029]
图2为根据本技术实施例的用于电子级氢氟酸制备的生产管理控制系统的框图。
[0030]
图3为根据本技术实施例的用于电子级氢氟酸制备的生产管理控制系统中产物跟踪编码模块的框图。
[0031]
图4为根据本技术实施例的用于电子级氢氟酸制备的生产管理控制系统中精馏塔参数编码模块的框图。
[0032]
图5为根据本技术实施例的用于电子级氢氟酸制备的生产管理控制系统的控制方法的流程图。
[0033]
图6为根据本技术实施例的用于电子级氢氟酸制备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
[0034]
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。
[0035]
场景概述如前所述，电子级氢氟酸为强酸性清洗剂、腐蚀剂，主要用于超大规模集成电路生产。目前，电子级氢氟酸的主要生产方法为：首先将工业无水氢氟酸进行化学预处理，接着进行精馏，再将得到的氟化氢气体冷却，用纯水吸收，最后过滤，灌装。由于杂质砷的存在对电子器件的性能有严重影响，因此砷的脱除是氢氟酸提纯过程中的关键问题，通常采用的方法是使用氧化剂把三价砷杂质转化成高沸点的五价砷化合物，常用的氧化剂有kmno4、cro3、过硫酸盐等。
[0036]
专利103991847揭露了一种电子级氢氟酸的制备方法，其使用过氧化氢作为氧化剂把三价砷杂质转化成高沸点的五价砷化合物，且不引入额外杂质，制备出产量高、品质好、成本低的电子级氢氟酸产品，并对尾气中的氟化氢气体进行回收。
[0037]
但在实际制备过程中发现，虽然通过专利103991847所揭露的技术方案能够制得纯度较高的电子级氢氟酸产品，但是由于制备电子级氢氟酸的产线包括多个设备，一旦其中某个设备出现故障或者某个设备的性能下降，都会影响最终电子级氢氟酸产品的制备良率。
[0038]
因此，期待一种用于电子级氢氟酸制备的设备生产管理控制系统，以对产线中各个设备的性能进行在线监测。
[0039]
相应地，所述电子级氢氟酸的制备方法如下：（1）将工业无水氟化氢液体和纯水通入精馏塔中，形成第一浓度的氢氟酸；在第一浓度的氢氟酸中，加入过氧化氢溶液，进行氧化处理，氧化其中的砷、硅杂质；接着在精馏塔中进行精馏，杂质留在精馏塔的塔釜，在精馏塔塔顶得到纯化的氟化氢气体；（2）将纯化的氟化氢气体通入吸收塔中，进行冷凝处理，得到氟化氢液体；（3）将步骤（2）中得到的氟化氢液体进行第一次过滤，以除去大颗粒杂质；（4）将第一次过滤后除去大颗粒杂质的氟化氢液体从成品中间槽底部通入成品中间槽，在成品中间槽中用纯水吸收，得到第二浓度的氢氟酸；（5）将第二浓度的氢氟酸进行第二次过滤，以除去小颗粒杂质，然后进行无尘罐装，得到电子级氢氟酸产品；（6）将制备电子级氢氟酸过程中产生的尾气用纯水吸收，以制成工业级氢氟酸。
[0040]
基于此，本技术发明人考虑到若想保证最终电子级氢氟酸产品的制备良率，就需要对产线上制备电子级氢氟酸的各个设备的性能进行在线监测，而在所述电子级氢氟酸制备的方法中，本技术发明人发现对于所述各个设备的性能进行监测的主要部分是对于精馏塔和吸收塔进行监测，并且，在对于精馏塔和吸收塔进行监测时，将第一次过滤前的氟化氢液体的液相色谱图来作为产物的响应性参照，能够进一步提高对于精馏塔和吸收塔的设备性能判断的准确性。
[0041]
具体地，在本技术的技术方案中，首先，通过部署于精馏塔和吸收塔的各个传感器获取多个预定时间点的精馏塔的多项第一参数和吸收塔的多项第二参数。这里，考虑到其主要需要监控的设备部分为所述精馏塔塔釜的温度、塔身的温度、塔顶温度、塔釜压力、塔顶压力、精馏塔中回流温度和回流比以及所述吸收塔的温度和吸收塔的压力，因此，所述多项第一参数包括所述精馏塔的塔釜温度，所述精馏塔的塔身温度，所述精馏塔的塔顶温度，所述精馏塔的塔釜压力，所述精馏塔的塔顶压力，所述精馏塔的的塔中回流温度和回流比，
所述多项第二参数包括所述吸收塔的温度和所述吸收塔的压力。
[0042]
同时，通过液相色谱仪获取所述多个预定时间点的第一次过滤前的氟化氢液体的多个液相色谱图，来作为产物的动态变化响应性特征。然后，使用在图像的局部隐含特征提取方面具有优异表现的卷积神经网络模型来对所述第一次过滤前的氟化氢液体的液相色谱图进行处理。应可以理解，由于在对所述第一次过滤前的氟化氢液体的液相色谱图进行特征挖掘时，考虑到所述液相色谱图在时间维度上具有动态地特征信息，因此，为了提取到这种动态的变化特征信息，进一步使用三维卷积核的第一卷积神经网络来对所述多个预定时间点的第一次过滤前的氟化氢液体的多个液相色谱图进行处理以得到产物跟踪特征向量。
[0043]
而对于所述多项第一参数和所述多项第二参数，分别将其按照时间维度和参数样本维度排列为精馏塔参数输入矩阵和吸收塔参数输入矩阵后通过作为过滤器的卷积神经网络以得到精馏塔特征向量和吸收塔特征向量，这样，就可以分别挖掘出整合了时间维度和样本维度的所述精馏塔参数矩阵和所述吸收塔参数矩阵中的所述多项第一参数以及所述多项第二参数的在时序上的高维隐含关联特征信息。
[0044]
应可以理解，在使用作为过滤器的卷积神经网络对时间和数据样本维度上的数据矩阵进行特征提取以获得精馏塔特征向量和吸收塔特征向量时，由于卷积神经网络的过滤器是针对局部特征维度进行的特征提取，但是由于在特征向量融合时，是基于精馏塔特征向量和吸收塔特征向量的全局特征分布进行融合，因此对于精馏塔特征向量和吸收塔特征向量在融合时计算系数为：在融合时计算系数为：在融合时计算系数为：和分别是精馏塔特征向量和吸收塔特征向量的每个位置的特征值。
[0045]
这里，该系数通过对特征值所对应的语义概念自下而上地进行显式泛化，来进行语义推理信息的显式泛化，从而通过对特征语义的自下而上地信息化推理来获得特征所对应的高维流形在高维语义空间内的空间复杂度的信息可塑性，从而促进精馏塔特征向量和吸收塔特征向量基于全局特征分布的特征融合以获得协同特征向量，从而能够提高后续分类的准确性。
[0046]
考虑到在对于所述电子级氢氟酸进行制备的过程中，所述产物随时间的动态变化特征是关于所述精馏塔和所述吸收塔控制的响应性特征，因此，为了更准确地对于所述精馏塔和所述吸收塔进行监测控制，计算所述产物跟踪特征向量相对于所述协同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进行分类处理，以获得用于表示精馏塔和吸收塔的设备性能是否正常的分类结果。
[0047]
基于此，本技术提出了一种用于电子级氢氟酸制备的生产管理控制系统，其包括：设备参数采集模块，用于获取多个预定时间点的精馏塔的多项第一参数和吸收塔的多项第
二参数，其中，所述多项第一参数包括所述精馏塔的塔釜温度，所述精馏塔的塔身温度，所述精馏塔的塔顶温度，所述精馏塔的塔釜压力，所述精馏塔的塔顶压力，所述精馏塔的的塔中回流温度和回流比，所述多项第二参数包括所述吸收塔的温度和所述吸收塔的压力；产物状态采集模块，用于通过液相色谱仪获取所述多个预定时间点的第一次过滤前的氟化氢液体的多个液相色谱图；产物跟踪编码模块，用于将所述多个预定时间点的第一次过滤前的氟化氢液体的多个液相色谱图通过使用三维卷积核的第一卷积神经网络以得到产物跟踪特征向量；精馏塔参数编码模块，用于将所述多个预定时间点的精馏塔的多项第一参数按照时间维度和参数样本维度排列为精馏塔参数输入矩阵后通过作为过滤器的第二卷积神经网络以得到精馏塔特征向量；吸收塔参数编码模块，用于将所述多个预定时间点的吸收塔的多项第二参数按照时间维度和参数样本维度排列为吸收塔参数输入矩阵后通过作为过滤器的第三卷积神经网络以得到吸收塔特征向量；参数特征融合模块，用于融合所述精馏塔特征向量和所述吸收塔特征向量以得到协同特征向量；响应性估计模块，用于计算所述产物跟踪特征向量相对于所述协同特征向量的响应性估计以得到分类特征向量；以及，设备管理结果生成模块，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精馏塔和吸收塔的设备性能是否正常。
[0048]
图1图示了根据本技术实施例的用于电子级氢氟酸制备的生产管理控制系统的应用场景图。如图1所示，在该应用场景中，首先，通过部署于精馏塔（例如，如图1中所示意的r）和吸收塔（例如，如图1中所示意的a）的多个传感器（例如，如图1中所示意的t1-tn）获取多个预定时间点的所述精馏塔的多项第一参数和所述吸收塔的多项第二参数，并且通过液相色谱仪（例如，如图1中所示意的l）获取所述多个预定时间点的第一次过滤前的氟化氢液体（例如，如图1中所示意的h）的多个液相色谱图。这里，所述多项第一参数包括所述精馏塔的塔釜温度，所述精馏塔的塔身温度，所述精馏塔的塔顶温度，所述精馏塔的塔釜压力，所述精馏塔的塔顶压力，所述精馏塔的的塔中回流温度和回流比，所述多项第二参数包括所述吸收塔的温度和所述吸收塔的压力。然后，将所述多个预定时间点的所述精馏塔的多项第一参数和所述吸收塔的多项第二参数以及所述多个预定时间点的第一次过滤前的氟化氢液体的多个液相色谱图输入至部署有用于电子级氢氟酸制备的生产管理控制算法的服务器中（例如，如图1中所示意的云服务器s），其中，所述服务器能够以用于电子级氢氟酸制备的生产管理控制算法对所述多个预定时间点的所述精馏塔的多项第一参数和所述吸收塔的多项第二参数以及所述多个预定时间点的第一次过滤前的氟化氢液体的多个液相色谱图进行处理，以生成用于表示精馏塔和吸收塔的设备性能是否正常的分类结果。
[0049]
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。
[0050]
示例性系统图2图示了根据本技术实施例的用于电子级氢氟酸制备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电子级氢氟酸制备的生产管理控制系统 200，包括：设备参数采集模块 210，用于获取多个预定时间点的精馏塔的多项第一参数和吸收塔的多项第二参数，其中，所述多项第一参数包括所述精馏塔的塔釜温度，所述精馏塔的塔身温度，所述精馏塔的塔顶温度，所述精馏塔的塔釜压力，所述精馏塔的塔顶压力，所述精馏塔的的塔中回流温度和回流比，所述多项第二参数包括所述吸收塔的温度和所述吸收塔的
压力；产物状态采集模块 220，用于通过液相色谱仪获取所述多个预定时间点的第一次过滤前的氟化氢液体的多个液相色谱图；产物跟踪编码模块 230，用于将所述多个预定时间点的第一次过滤前的氟化氢液体的多个液相色谱图通过使用三维卷积核的第一卷积神经网络以得到产物跟踪特征向量；精馏塔参数编码模块 240，用于将所述多个预定时间点的精馏塔的多项第一参数按照时间维度和参数样本维度排列为精馏塔参数输入矩阵后通过作为过滤器的第二卷积神经网络以得到精馏塔特征向量；吸收塔参数编码模块 250，用于将所述多个预定时间点的吸收塔的多项第二参数按照时间维度和参数样本维度排列为吸收塔参数输入矩阵后通过作为过滤器的第三卷积神经网络以得到吸收塔特征向量；参数特征融合模块 260，用于融合所述精馏塔特征向量和所述吸收塔特征向量以得到协同特征向量；响应性估计模块 270，用于计算所述产物跟踪特征向量相对于所述协同特征向量的响应性估计以得到分类特征向量；以及，设备管理结果生成模块 280，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精馏塔和吸收塔的设备性能是否正常。
[0051]
具体地，在本技术实施例中，所述设备参数采集模块 210、所述产物状态采集模块 220和所述产物跟踪编码模块 230，用于获取多个预定时间点的精馏塔的多项第一参数和吸收塔的多项第二参数，其中，所述多项第一参数包括所述精馏塔的塔釜温度，所述精馏塔的塔身温度，所述精馏塔的塔顶温度，所述精馏塔的塔釜压力，所述精馏塔的塔顶压力，所述精馏塔的的塔中回流温度和回流比，所述多项第二参数包括所述吸收塔的温度和所述吸收塔的压力，并通过液相色谱仪获取所述多个预定时间点的第一次过滤前的氟化氢液体的多个液相色谱图，再将所述多个预定时间点的第一次过滤前的氟化氢液体的多个液相色谱图通过使用三维卷积核的第一卷积神经网络以得到产物跟踪特征向量。如前所述，由于考虑到若想保证最终电子级氢氟酸产品的制备良率，就需要对产线上制备电子级氢氟酸的各个设备的性能进行在线监测。而在所述电子级氢氟酸制备的方法中，由于对于所述各个设备的性能进行监测的主要部分是对于精馏塔和吸收塔进行监测。并且，在对于所述精馏塔和所述吸收塔进行监测时，将第一次过滤前的氟化氢液体的液相色谱图来作为产物的响应性参照，能够进一步提高对于所述精馏塔和所述吸收塔的设备性能判断的准确性。
[0052]
也就是，具体地，在本技术的技术方案中，首先，通过部署于精馏塔和吸收塔的各个传感器获取多个预定时间点的精馏塔的多项第一参数和吸收塔的多项第二参数。这里，考虑到其主要需要监控的设备部分为所述精馏塔塔釜的温度、塔身的温度、塔顶温度、塔釜压力、塔顶压力、精馏塔中回流温度和回流比以及所述吸收塔的温度和吸收塔的压力，因此，所述多项第一参数包括所述精馏塔的塔釜温度，所述精馏塔的塔身温度，所述精馏塔的塔顶温度，所述精馏塔的塔釜压力，所述精馏塔的塔顶压力，所述精馏塔的的塔中回流温度和回流比，所述多项第二参数包括所述吸收塔的温度和所述吸收塔的压力。
[0053]
同时，通过液相色谱仪获取所述多个预定时间点的第一次过滤前的氟化氢液体的多个液相色谱图，来作为产物的动态变化响应性特征。然后，使用在图像的局部隐含特征提取方面具有优异表现的卷积神经网络模型来对所述第一次过滤前的氟化氢液体的液相色谱图进行处理。应可以理解，由于在对所述第一次过滤前的氟化氢液体的液相色谱图进行特征挖掘时，考虑到所述液相色谱图在时间维度上具有动态地特征信息，因此，在本技术的技术方案中，为了提取到这种动态的变化特征信息，进一步使用三维卷积核的第一卷积神
经网络来对所述多个预定时间点的第一次过滤前的氟化氢液体的多个液相色谱图进行处理以得到产物跟踪特征向量。
[0054]
更具体地，在本技术实施例中，所述产物跟踪编码模块，包括：首先，使用所述第一卷积神经网络的各层在层的正向传递过程中对输入数据分别进行基于所述三维卷积核的卷积处理、池化处理和非线性激活处理以由所述第一卷积神经网络的最后一层输出跟踪特征图，其中，所述第一卷积神经网络的输入为所述多个预定时间点的第一次过滤前的氟化氢液体的多个液相色谱图。然后，对所述跟踪特征图进行基于特征矩阵的全局均值池化以得到所述跟踪特征向量。应可以理解，池化操作可用于特征降维，缓解过拟合风险，降低卷积层对检测信息的过度敏感性，而所述全局均值池化能够保留每个所述跟踪特征图的重要信息，以用于突出所述跟踪特征图中响应最重要的部分。
[0055]
图3图示了根据本技术实施例的用于电子级氢氟酸制备的生产管理控制系统中产物跟踪编码模块的框图。如图3所示，所述产物跟踪编码模块 230，包括：特征动态捕捉单元 231，用于使用所述第一卷积神经网络的各层在层的正向传递过程中对输入数据分别进行基于所述三维卷积核的卷积处理、池化处理和非线性激活处理以由所述第一卷积神经网络的最后一层输出跟踪特征图，其中，所述第一卷积神经网络的输入为所述多个预定时间点的第一次过滤前的氟化氢液体的多个液相色谱图；以及，全局池化单元 232，用于对所述跟踪特征图进行基于特征矩阵的全局均值池化以得到所述跟踪特征向量。
[0056]
具体地，在本技术实施例中，所述精馏塔参数编码模块 240和所述吸收塔参数编码模块 250，用于将所述多个预定时间点的精馏塔的多项第一参数按照时间维度和参数样本维度排列为精馏塔参数输入矩阵后通过作为过滤器的第二卷积神经网络以得到精馏塔特征向量，并将所述多个预定时间点的吸收塔的多项第二参数按照时间维度和参数样本维度排列为吸收塔参数输入矩阵后通过作为过滤器的第三卷积神经网络以得到吸收塔特征向量。也就是，在本技术的技术方案中，对于所述多项第一参数和所述多项第二参数，分别将其按照时间维度和参数样本维度排列为精馏塔参数输入矩阵和吸收塔参数输入矩阵后通过作为过滤器的卷积神经网络以得到精馏塔特征向量和吸收塔特征向量，这样，就可以分别挖掘出整合了时间维度和样本维度的所述精馏塔参数矩阵和所述吸收塔参数矩阵中的所述多项第一参数以及所述多项第二参数的在时序上的高维隐含关联特征信息。
[0057]
更具体地，在本技术实施例中，所述精馏塔参数编码模块，包括：首先，将所述多个预定时间点的精馏塔的多项第一参数按照时间维度排列为对应于所述精馏塔的多项第一参数行向量，并将所述多项第一参数行向量按照参数样本维度排列为所述精馏塔参数输入矩阵；然后，使用所述第二卷积神经网络的各层在层的正向传递中对输入数据进行卷积处理、沿特征矩阵的池化处理和激活处理以由所述第二卷积神经网络的最后一层生成所述精馏塔特征向量，其中，所述第二卷积神经网络的第一层的输入为所述精馏塔参数输入矩阵。
[0058]
更具体地，在本技术实施例中，所述吸收塔参数编码模块，包括：首先，将所述多个预定时间点的吸收塔的多项第二参数按照时间维度排列为对应于所述吸收塔的多项第二参数行向量，并将所述多项第二参数行向量按照参数样本维度排列为所述吸收塔参数输入矩阵；然后，使用所述第三卷积神经网络的各层在层的正向传递中对输入数据进行卷积处理、沿特征矩阵的池化处理和激活处理以由所述第三卷积神经网络的最后一层生成所述吸收塔特征向量，其中，所述第三卷积神经网络的第一层的输入为所述吸收塔参数输入矩阵。
[0059]
图4图示了根据本技术实施例的用于电子级氢氟酸制备的生产管理控制系统中精馏塔参数编码模块的框图。如图4所示，所述精馏塔参数编码模块 240，包括：第一矩阵构造单元 241，用于将所述多个预定时间点的精馏塔的多项第一参数按照时间维度排列为对应于所述精馏塔的多项第一参数行向量，并将所述多项第一参数行向量按照参数样本维度排列为所述精馏塔参数输入矩阵；第一过滤器单元 242，用于使用所述第二卷积神经网络的各层在层的正向传递中对输入数据进行卷积处理、沿特征矩阵的池化处理和激活处理以由所述第二卷积神经网络的最后一层生成所述精馏塔特征向量，其中，所述第二卷积神经网络的第一层的输入为所述精馏塔参数输入矩阵。
[0060]
具体地，在本技术实施例中，所述参数特征融合模块 260，用于融合所述精馏塔特征向量和所述吸收塔特征向量以得到协同特征向量。应可以理解，在使用作为过滤器的所述卷积神经网络对时间和数据样本维度上的数据矩阵进行特征提取以获得所述精馏塔特征向量和所述吸收塔特征向量时，由于所述卷积神经网络的过滤器是针对局部特征维度进行的特征提取，但是由于在特征向量融合时，是基于所述精馏塔特征向量和所述吸收塔特征向量的全局特征分布进行融合，因此，在本技术的技术方案中，需要在对于所述精馏塔特征向量和所述吸收塔特征向量在融合时计算各自的系数对其各自本身进行加权修正。然后，计算所述精馏塔特征向量和所述吸收塔特征向量的按位置加权和就可以得到所述协同特征向量。
[0061]
更具体地，在本技术实施例中，所述参数特征融合模块，进一步用于：所述精馏塔特征向量的加权权重以如下公式计算而得，其中，所述公式为：其中，表示所述精馏塔特征向量的各个位置的特征值，表示所述精馏塔特征向量和所述吸收塔特征向量在融合时所述精馏塔特征向量的加权系数。所述吸收塔特征向量的加权权重以如下公式计算而得，其中，所述公式为：其中，表示所述吸收塔特征向量的各个位置的特征值，表示所述精馏塔特征向量和所述吸收塔特征向量在融合时所述吸收塔特征向量的加权系数。应可以理解，该所述系数通过对特征值所对应的语义概念自下而上地进行显式泛化，来进行语义推理信息的显式泛化，从而通过对特征语义的自下而上地信息化推理来获得特征所对应的高维流形在高维语义空间内的空间复杂度的信息可塑性，从而促进所述精馏塔特征向量和所述吸收塔特征向量基于全局特征分布的特征融合以获得所述协同特征向量，从而能够提高后续分类的准确性。
[0062] 具体地，在本技术实施例中，所述响应性估计模块 270和所述设备管理结果生成
模块 280，用于计算所述产物跟踪特征向量相对于所述协同特征向量的响应性估计以得到分类特征向量，并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精馏塔和吸收塔的设备性能是否正常。应可以理解，考虑到在对于所述电子级氢氟酸进行制备的过程中，所述产物随时间的动态变化特征是关于所述精馏塔和所述吸收塔控制的响应性特征，因此，为了更准确地对于所述精馏塔和所述吸收塔进行监测控制，计算所述产物跟踪特征向量相对于所述协同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进行分类处理，以获得用于表示精馏塔和吸收塔的设备性能是否正常的分类结果。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：，其中，到为权重矩阵，到为偏置向量，为所述分类特征向量。
[0063] 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产物跟踪特征向量相对于所述协同特征向量的响应性估计以得到所述分类特征向量；其中，所述公式为：其中表示所述产物跟踪特征向量，表示所述协同特征向量，表示所述分类特征向量，表示向量点乘，表示对向量的每个位置的值取倒数。
[0064]
综上，基于本技术实施例的所述用于电子级氢氟酸制备的生产管理控制系统 200被阐明，其采用基于人工智能的监测技术，通过对于电子级氢氟酸制备过程中精馏塔和吸收塔的各个参数进行监测来保证最终电子级氢氟酸产品的制备良率，并且在此过程中，还使用产物的动态变化特征来进行响应性估计，以更准确地对所述精馏塔和所述吸收塔的设备性能是否正常进行监测。
[0065]
如上所述，根据本技术实施例的用于电子级氢氟酸制备的生产管理控制系统 200可以实现在各种终端设备中，例如用于电子级氢氟酸制备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电子级氢氟酸制备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，该用于电子级氢氟酸制备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，该用于电子级氢氟酸制备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。
[0066]
替换地，在另一示例中，该用于电子级氢氟酸制备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，并且该用于电子级氢氟酸制备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。
[0067]
示例性方法图5图示了用于电子级氢氟酸制备的生产管理控制系统的控制方法的流程图。如图5所示，根据本技术实施例的用于电子级氢氟酸制备的生产管理控制系统的控制方法，包括步骤：s110，获取多个预定时间点的精馏塔的多项第一参数和吸收塔的多项第二参数，其中，所述多项第一参数包括所述精馏塔的塔釜温度，所述精馏塔的塔身温度，所述精馏塔的塔顶温度，所述精馏塔的塔釜压力，所述精馏塔的塔顶压力，所述精馏塔的的塔中回流温度
和回流比，所述多项第二参数包括所述吸收塔的温度和所述吸收塔的压力；s120，通过液相色谱仪获取所述多个预定时间点的第一次过滤前的氟化氢液体的多个液相色谱图；s130，将所述多个预定时间点的第一次过滤前的氟化氢液体的多个液相色谱图通过使用三维卷积核的第一卷积神经网络以得到产物跟踪特征向量；s140，将所述多个预定时间点的精馏塔的多项第一参数按照时间维度和参数样本维度排列为精馏塔参数输入矩阵后通过作为过滤器的第二卷积神经网络以得到精馏塔特征向量；s150，将所述多个预定时间点的吸收塔的多项第二参数按照时间维度和参数样本维度排列为吸收塔参数输入矩阵后通过作为过滤器的第三卷积神经网络以得到吸收塔特征向量；s160，融合所述精馏塔特征向量和所述吸收塔特征向量以得到协同特征向量；s170，计算所述产物跟踪特征向量相对于所述协同特征向量的响应性估计以得到分类特征向量；以及，s180，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精馏塔和吸收塔的设备性能是否正常。
[0068]
图6图示了根据本技术实施例的用于电子级氢氟酸制备的生产管理控制系统的控制方法的架构示意图。如图6所示，在所述用于电子级氢氟酸制备的生产管理控制系统的控制方法的网络架构中，首先，将获得的所述多个预定时间点的第一次过滤前的氟化氢液体的多个液相色谱图（例如，如图6中所示意的p）通过使用三维卷积核的第一卷积神经网络（例如，如图6中所示意的cnn1）以得到产物跟踪特征向量（例如，如图6中所示意的vf）；接着，将获得的所述多个预定时间点的精馏塔的多项第一参数（例如，如图6中所示意的q1）按照时间维度和参数样本维度排列为精馏塔参数输入矩阵（例如，如图6中所示意的m1）后通过作为过滤器的第二卷积神经网络（例如，如图6中所示意的cnn2）以得到精馏塔特征向量（例如，如图6中所示意的vf1）；然后，将获得的所述多个预定时间点的吸收塔的多项第二参数（例如，如图6中所示意的q2）按照时间维度和参数样本维度排列为吸收塔参数输入矩阵（例如，如图6中所示意的m2）后通过作为过滤器的第三卷积神经网络（例如，如图6中所示意的cnn3）以得到吸收塔特征向量（例如，如图6中所示意的vf2）；接着，融合所述精馏塔特征向量和所述吸收塔特征向量以得到协同特征向量（例如，如图6中所示意的vf3）；然后，计算所述产物跟踪特征向量相对于所述协同特征向量的响应性估计以得到分类特征向量（例如，如图6中所示意的v）；以及，最后，将所述分类特征向量通过分类器（例如，如图6中所示意的圈s）以得到分类结果，所述分类结果用于表示精馏塔和吸收塔的设备性能是否正常。
[0069]
更具体地，在步骤s110、步骤s120和步骤s130中，获取多个预定时间点的精馏塔的多项第一参数和吸收塔的多项第二参数，其中，所述多项第一参数包括所述精馏塔的塔釜温度，所述精馏塔的塔身温度，所述精馏塔的塔顶温度，所述精馏塔的塔釜压力，所述精馏塔的塔顶压力，所述精馏塔的的塔中回流温度和回流比，所述多项第二参数包括所述吸收塔的温度和所述吸收塔的压力，并通过液相色谱仪获取所述多个预定时间点的第一次过滤前的氟化氢液体的多个液相色谱图。应可以理解，由于考虑到若想保证最终电子级氢氟酸产品的制备良率，就需要对产线上制备电子级氢氟酸的各个设备的性能进行在线监测。而在所述电子级氢氟酸制备的方法中，由于对于所述各个设备的性能进行监测的主要部分是对于精馏塔和吸收塔进行监测。并且，在对于所述精馏塔和所述吸收塔进行监测时，将第一次过滤前的氟化氢液体的液相色谱图来作为产物的响应性参照，能够进一步提高对于所述精馏塔和所述吸收塔的设备性能判断的准确性。
[0070]
也就是，具体地，在本技术的技术方案中，首先，通过部署于精馏塔和吸收塔的各
个传感器获取多个预定时间点的精馏塔的多项第一参数和吸收塔的多项第二参数。这里，考虑到其主要需要监控的设备部分为所述精馏塔塔釜的温度、塔身的温度、塔顶温度、塔釜压力、塔顶压力、精馏塔中回流温度和回流比以及所述吸收塔的温度和吸收塔的压力，因此，所述多项第一参数包括所述精馏塔的塔釜温度，所述精馏塔的塔身温度，所述精馏塔的塔顶温度，所述精馏塔的塔釜压力，所述精馏塔的塔顶压力，所述精馏塔的的塔中回流温度和回流比，所述多项第二参数包括所述吸收塔的温度和所述吸收塔的压力。
[0071]
同时，通过液相色谱仪获取所述多个预定时间点的第一次过滤前的氟化氢液体的多个液相色谱图，来作为产物的动态变化响应性特征。然后，使用在图像的局部隐含特征提取方面具有优异表现的卷积神经网络模型来对所述第一次过滤前的氟化氢液体的液相色谱图进行处理。应可以理解，由于在对所述第一次过滤前的氟化氢液体的液相色谱图进行特征挖掘时，考虑到所述液相色谱图在时间维度上具有动态地特征信息，因此，在本技术的技术方案中，为了提取到这种动态的变化特征信息，进一步使用三维卷积核的第一卷积神经网络来对所述多个预定时间点的第一次过滤前的氟化氢液体的多个液相色谱图进行处理以得到产物跟踪特征向量。
[0072]
更具体地，在步骤s140和步骤s150中，将所述多个预定时间点的精馏塔的多项第一参数按照时间维度和参数样本维度排列为精馏塔参数输入矩阵后通过作为过滤器的第二卷积神经网络以得到精馏塔特征向量，并将所述多个预定时间点的吸收塔的多项第二参数按照时间维度和参数样本维度排列为吸收塔参数输入矩阵后通过作为过滤器的第三卷积神经网络以得到吸收塔特征向量。也就是，在本技术的技术方案中，对于所述多项第一参数和所述多项第二参数，分别将其按照时间维度和参数样本维度排列为精馏塔参数输入矩阵和吸收塔参数输入矩阵后通过作为过滤器的卷积神经网络以得到精馏塔特征向量和吸收塔特征向量，这样，就可以分别挖掘出整合了时间维度和样本维度的所述精馏塔参数矩阵和所述吸收塔参数矩阵中的所述多项第一参数以及所述多项第二参数的在时序上的高维隐含关联特征信息。
[0073]
更具体地，在步骤s160中，融合所述精馏塔特征向量和所述吸收塔特征向量以得到协同特征向量。应可以理解，应可以理解，在使用作为过滤器的所述卷积神经网络对时间和数据样本维度上的数据矩阵进行特征提取以获得所述精馏塔特征向量和所述吸收塔特征向量时，由于所述卷积神经网络的过滤器是针对局部特征维度进行的特征提取，但是由于在特征向量融合时，是基于所述精馏塔特征向量和所述吸收塔特征向量的全局特征分布进行融合，因此，在本技术的技术方案中，需要在对于所述精馏塔特征向量和所述吸收塔特征向量在融合时计算各自的系数对其各自本身进行加权修正。然后，计算所述精馏塔特征向量和所述吸收塔特征向量的按位置加权和就可以得到所述协同特征向量。
[0074]
更具体地，在步骤s170和步骤s180中，计算所述产物跟踪特征向量相对于所述协同特征向量的响应性估计以得到分类特征向量，并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精馏塔和吸收塔的设备性能是否正常。应可以理解，考虑到在对于所述电子级氢氟酸进行制备的过程中，所述产物随时间的动态变化特征是关于所
述精馏塔和所述吸收塔控制的响应性特征，因此，为了更准确地对于所述精馏塔和所述吸收塔进行监测控制，计算所述产物跟踪特征向量相对于所述协同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进行分类处理，以获得用于表示精馏塔和吸收塔的设备性能是否正常的分类结果。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：，其中，到为权重矩阵，到为偏置向量，为所述分类特征向量。
[0075]
综上，基于本技术实施例的所述用于电子级氢氟酸制备的生产管理控制系统的控制方法被阐明，其采用基于人工智能的监测技术，通过对于电子级氢氟酸制备过程中精馏塔和吸收塔的各个参数进行监测来保证最终电子级氢氟酸产品的制备良率，并且在此过程中，还使用产物的动态变化特征来进行响应性估计，以更准确地对所述精馏塔和所述吸收塔的设备性能是否正常进行监测。
[0076]
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，本技术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技术各种实施例的用于电子级氢氟酸制备的生产管理控制系统的控制方法中的功能中的步骤。
[0077]
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技术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。
[0078]
此外，本技术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”部分中描述的用于电子级氢氟酸制备的生产管理控制系统的控制方法中的步骤。
[0079]
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、系统或器件，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。
[0080]
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。
[0081]
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。
[0082]
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。
[0083]
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。
[0084]
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。
技术特征：1.一种用于电子级氢氟酸制备的生产管理控制系统，其特征在于，包括：设备参数采集模块，用于获取多个预定时间点的精馏塔的多项第一参数和吸收塔的多项第二参数，其中，所述多项第一参数包括所述精馏塔的塔釜温度，所述精馏塔的塔身温度，所述精馏塔的塔顶温度，所述精馏塔的塔釜压力，所述精馏塔的塔顶压力，所述精馏塔的的塔中回流温度和回流比，所述多项第二参数包括所述吸收塔的温度和所述吸收塔的压力；产物状态采集模块，用于通过液相色谱仪获取所述多个预定时间点的第一次过滤前的氟化氢液体的多个液相色谱图；产物跟踪编码模块，用于将所述多个预定时间点的第一次过滤前的氟化氢液体的多个液相色谱图通过使用三维卷积核的第一卷积神经网络以得到产物跟踪特征向量；精馏塔参数编码模块，用于将所述多个预定时间点的精馏塔的多项第一参数按照时间维度和参数样本维度排列为精馏塔参数输入矩阵后通过作为过滤器的第二卷积神经网络以得到精馏塔特征向量；吸收塔参数编码模块，用于将所述多个预定时间点的吸收塔的多项第二参数按照时间维度和参数样本维度排列为吸收塔参数输入矩阵后通过作为过滤器的第三卷积神经网络以得到吸收塔特征向量；参数特征融合模块，用于融合所述精馏塔特征向量和所述吸收塔特征向量以得到协同特征向量；响应性估计模块，用于计算所述产物跟踪特征向量相对于所述协同特征向量的响应性估计以得到分类特征向量；以及设备管理结果生成模块，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精馏塔和吸收塔的设备性能是否正常。2.根据权利要求1所述的用于电子级氢氟酸制备的生产管理控制系统，其中，所述产物跟踪编码模块，包括：特征动态捕捉单元，用于使用所述第一卷积神经网络的各层在层的正向传递过程中对输入数据分别进行基于所述三维卷积核的卷积处理、池化处理和非线性激活处理以由所述第一卷积神经网络的最后一层输出跟踪特征图，其中，所述第一卷积神经网络的输入为所述多个预定时间点的第一次过滤前的氟化氢液体的多个液相色谱图；以及全局池化单元，用于对所述跟踪特征图进行基于特征矩阵的全局均值池化以得到所述跟踪特征向量。3.根据权利要求2所述的用于电子级氢氟酸制备的生产管理控制系统，其中，所述精馏塔参数编码模块，包括：第一矩阵构造单元，用于将所述多个预定时间点的精馏塔的多项第一参数按照时间维度排列为对应于所述精馏塔的多项第一参数行向量，并将所述多项第一参数行向量按照参数样本维度排列为所述精馏塔参数输入矩阵；第一过滤器单元，用于使用所述第二卷积神经网络的各层在层的正向传递中对输入数据进行卷积处理、沿特征矩阵的池化处理和激活处理以由所述第二卷积神经网络的最后一层生成所述精馏塔特征向量，其中，所述第二卷积神经网络的第一层的输入为所述精馏塔参数输入矩阵。4.根据权利要求3所述的用于电子级氢氟酸制备的生产管理控制系统，其中，所述吸收塔参数编码模块，包括：第二矩阵构造单元，用于将所述多个预定时间点的吸收塔的多项第二参数按照时间维度排列为对应于所述吸收塔的多项第二参数行向量，并将所述多项第二参数行向量按照参数样本维度排列为所述吸收塔参数输入矩阵；第二过滤器单元，用于使用所述第三卷积神经网络的各层在层的正向传递中对输入数据进行卷积处理、沿特征矩阵的池化处理和激活处理以由所述第三卷积神经网络的最后一层生成所述吸收塔特征向量，其中，所述第三卷积神经网络的第一层的输入为所述吸收塔参数输入矩阵。5.根据权利要求4所述的用于电子级氢氟酸制备的生产管理控制系统，其中，所述参数
特征融合模块，用于计算所述精馏塔特征向量和所述吸收塔特征向量的按位置加权和以得到所述协同特征向量。6.根据权利要求5所述的用于电子级氢氟酸制备的生产管理控制系统，其中，所述精馏塔特征向量的加权权重以如下公式计算而得，其中，所述公式为：其中，表示所述精馏塔特征向量的各个位置的特征值，表示所述精馏塔特征向量和所述吸收塔特征向量在融合时所述精馏塔特征向量的加权系数。7.根据权利要求6所述的用于电子级氢氟酸制备的生产管理控制系统，其中，所述吸收塔特征向量的加权权重以如下公式计算而得，其中，所述公式为：其中，表示所述吸收塔特征向量的各个位置的特征值，表示所述精馏塔特征向量和所述吸收塔特征向量在融合时所述吸收塔特征向量的加权系数。8.根据权利要求7所述的用于电子级氢氟酸制备的生产管理控制系统，其中，所述响应性估计模块，进一步用于以如下公式计算所述产物跟踪特征向量相对于所述协同特征向量的响应性估计以得到所述分类特征向量；其中，所述公式为：其中表示所述产物跟踪特征向量，表示所述协同特征向量，表示所述分类特征向量，表示向量点乘，表示对向量的每个位置的值取倒数。9.根据权利要求8所述的用于电子级氢氟酸制备的生产管理控制系统，其中，所述设备管理结果生成模块，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：，其中，到为权重矩阵，到为偏置向量，为所述分类特征向量。10.一种用于电子级氢氟酸制备的生产管理控制系统的控制方法，其特征在于，包括：获取多个预定时间点的精馏塔的多项第一参数和吸收塔的多项第二参数，其中，所述多项第一参数包括所述精馏塔的塔釜温度，所述精馏塔的塔身温度，所述精馏塔的塔顶温度，所述精馏塔的塔釜压力，所述精馏塔的塔顶压力，所述精馏塔的的塔中回流温度和回流比，所述多项第二参数包括所述吸收塔的温度和所述吸收塔的压力；通过液相色谱仪获取所述多个预定时间点的第一次过滤前的氟化氢液体的多个液相色谱图；将所述多个预定时间点的第一次过滤前的氟化氢液体的多个液相色谱图通过使用三维卷积核的第一卷积神经网络以得到产物跟踪特征向量；将所述多个预定时间点的精馏塔的多项第一参数按照时间维度和参数样本维度排列为精馏塔参数输入矩阵后通过作为过滤器的第二卷积神经网络以得到精馏塔特征向量；将所述多个预定时间点的吸收塔的多项第二参数按照时间维度和参数
样本维度排列为吸收塔参数输入矩阵后通过作为过滤器的第三卷积神经网络以得到吸收塔特征向量；融合所述精馏塔特征向量和所述吸收塔特征向量以得到协同特征向量；计算所述产物跟踪特征向量相对于所述协同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精馏塔和吸收塔的设备性能是否正常。
技术总结本申请涉及设备智能监测的领域，其具体地公开了一种用于电子级氢氟酸制备的生产管理控制系统及其控制方法，其采用基于人工智能的监测技术，通过对于电子级氢氟酸制备过程中精馏塔和吸收塔的各个参数进行监测来保证最终电子级氢氟酸产品的制备良率，并且在此过程中，还使用产物的动态变化特征来进行响应性估计，以更准确地对所述精馏塔和所述吸收塔的设备性能是否正常进行监测。备性能是否正常进行监测。备性能是否正常进行监测。
技术研发人员：丘添明 雷游生 黄明新 廖鸿辉 邱汉林 郑宏慎 丘赞文
受保护的技术使用者：福建龙氟化工有限公司
技术研发日：2022.07.01
技术公布日：2022/11/1
