CN115079572B - 用于六氟磷酸锂制备的能源管理控制***及其控制方法 - Google Patents
用于六氟磷酸锂制备的能源管理控制***及其控制方法 Download PDFInfo
- Publication number
- CN115079572B CN115079572B CN202210772608.0A CN202210772608A CN115079572B CN 115079572 B CN115079572 B CN 115079572B CN 202210772608 A CN202210772608 A CN 202210772608A CN 115079572 B CN115079572 B CN 115079572B
- Authority
- CN
- China
- Prior art keywords
- vector
- temperature
- pressure
- convolution
- feature
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Secondary Cells (AREA)
Abstract
本申请涉及智能生产控制的领域,其具体地公开了一种用于六氟磷酸锂制备的能源管理控制***及其控制方法,其通过采用人工智能控制技术,来从固体析出监控视频、蒸馏器内的温度值和压强值三个方面进行动态地特征分析,进而在对于当前时间点的温度和压强的控制中能够基于被蒸馏对象的实际情况来自适应地调整温度和压强,以提高能源利用率且提高析出固体的效率和纯度。
Description
技术领域
本发明涉智能生产控制的领域,且更为具体地,涉及一种用于六氟磷酸锂制备的能源管理控制***及其控制方法。
背景技术
锂离子电池具有平台电压高、循环性能好、工作温度范围宽、能量密度大、无记忆效应等优点,广泛应用于移动通讯、便携式电子产品、电动工具、武器装配等领域,目前在动力汽车中也具有广阔的应用前景。电解液和其中的电解质是锂电池的关键原材料,并且直接影响所制备电池的性能,因此电解质必须满足:电导率高、化学及电化学性能稳定、可使用温度范围宽和价格低。六氟磷酸锂满足以上要求,并可作为优良的电解质。
由于材料科学的不断发展,制备六氟磷酸锂的方案不断涌现。在不同的制备方案中,制备方案的能源管理问题是近年来逐渐被关注的话题,其一方面要求制备方案能够满足节能要求,另一方面,受限于制备工艺自身,需制备出满足质量要求的六氟磷酸锂。也就是,在六氟磷酸锂的制备方案中,期待提供一种能源管理控制***,其能够在满足制备出满足质量要求的产物的前提下,尽可能地节约能耗。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种用于六氟磷酸锂制备的能源管理控制***及其控制方法,其通过采用人工智能控制技术,来从固体析出监控视频、蒸馏器内的温度值和压强值三个方面进行动态地特征分析,进而在对于当前时间点的温度和压强的控制中能够基于被蒸馏对象的实际情况来自适应地调整温度和压强,以提高能源利用率且提高析出固体的效率和纯度。
根据本申请的一个方面,提供了一种用于六氟磷酸锂制备的能源管理控制***,其包括:
固体析出监控视频采集模块,用于获取由部署于所述蒸馏器内的水下摄像头采集的预定时间段的固体析出监控视频;
蒸馏器内状态数据采集模块,用于获取由部署于蒸馏器内的温度传感器和压强传感器采集的所述预定时间段的多个预定时间点的温度值和压强值;
温度和压强数据编码模块,用于将所述多个预定时间点的温度值和所述多个预定时间点的压强值分别排列为温度输入向量和压强输入向量后,计算所述温度输入向量和所述压强输入向量的转置向量之间的向量乘积以得到温度-压强时序关联矩阵;
关联编码模块,用于将所述温度-压强时序关联矩阵通过作为过滤器的第一卷积神经网络以得到关联特征向量;
视频编码模块,用于将所述预定时间段的固体析出监控视频通过使用三维卷积核的第二卷积神经网络以得到析出特征向量;
特征分布融合模块,用于融合所述关联特征向量和所述析出特征向量以得到分类特征向量;以及
能源管理结果生成模块,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当前时间点的温度应增大或应减小,以及,当前时间点的压强应增大或应减小。
在上述用于六氟磷酸锂制备的能源管理控制***中,所述关联编码模块,进一步用于所述第一卷积神经网络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,所述第一卷积神经网络的最后一层的输出为所述关联特征向量,所述第一卷积神经网络的第一层的输入为所述温度-压强时序关联矩阵。
在上述用于六氟磷酸锂制备的能源管理控制***中,所述视频编码模块,包括:采样单元,用于以预定采样频率从所述预定时间段的固体析出监控视频中提取多个关键帧;多层卷积单元,用于将所述多个关键帧通过所述第二卷积神经网络的多层卷积层以得到析出特征图;以及,全局均值池化单元,用于对所述析出特征图进行基于特征矩阵的全局均值池化处理以得到所述析出特征向量。
在上述用于六氟磷酸锂制备的能源管理控制***中,所述多层卷积单元,进一步用于使用所述第二卷积神经网络的多层卷积层在层的正向传递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多层卷积层的最后一层卷积层输出所述析出特征图。
在上述用于六氟磷酸锂制备的能源管理控制***中,所述多层卷积层的各层使用的非线性激活函数为Mish函数,所述Mish函数用公式表示为:f(x)=x.tanh(ln(1+ex))。
在上述用于六氟磷酸锂制备的能源管理控制***中,所述特征分布融合模块,进一步用于:以如下公式融合所述关联特征向量和所述析出特征向量以得到所述分类特征向量;
其中,所述公式为:
其中,Vc表示所述分类特征向量,V1表示所述关联特征向量,V2表示所述析出特征向量,||·||1表示向量的一范数,且||·||F表示矩阵的Frobenius范数,⊙表示按位置点乘、表示按位置相加,表示按位置相减。
在上述用于六氟磷酸锂制备的能源管理控制***中,所述能源管理结果生成模块,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: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。
根据本申请的另一方面,一种用于六氟磷酸锂制备的能源管理控制***的控制方法,其包括:
获取由部署于所述蒸馏器内的水下摄像头采集的预定时间段的固体析出监控视频;
获取由部署于蒸馏器内的温度传感器和压强传感器采集的所述预定时间段的多个预定时间点的温度值和压强值;
将所述多个预定时间点的温度值和所述多个预定时间点的压强值分别排列为温度输入向量和压强输入向量后,计算所述温度输入向量和所述压强输入向量的转置向量之间的向量乘积以得到温度-压强时序关联矩阵;
将所述温度-压强时序关联矩阵通过作为过滤器的第一卷积神经网络以得到关联特征向量;
将所述预定时间段的固体析出监控视频通过使用三维卷积核的第二卷积神经网络以得到析出特征向量;
融合所述关联特征向量和所述析出特征向量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温度应增大或应减小,以及,当前时间点的压强应增大或应减小。
在上述用于六氟磷酸锂制备的能源管理控制***的控制方法中,将所述温度-压强时序关联矩阵通过作为过滤器的第一卷积神经网络以得到关联特征向量,包括:所述第一卷积神经网络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,所述第一卷积神经网络的最后一层的输出为所述关联特征向量,所述第一卷积神经网络的第一层的输入为所述温度-压强时序关联矩阵。
在上述用于六氟磷酸锂制备的能源管理控制***的控制方法中,将所述预定时间段的固体析出监控视频通过使用三维卷积核的第二卷积神经网络以得到析出特征向量,包括:以预定采样频率从所述预定时间段的固体析出监控视频中提取多个关键帧;将所述多个关键帧通过所述第二卷积神经网络的多层卷积层以得到析出特征图;对所述析出特征图进行基于特征矩阵的全局均值池化处理以得到所述析出特征向量。
在上述用于六氟磷酸锂制备的能源管理控制***的控制方法中,将所述多个关键帧通过所述第二卷积神经网络的多层卷积层以得到析出特征图,包括:使用所述第二卷积神经网络的多层卷积层在层的正向传递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多层卷积层的最后一层卷积层输出所述析出特征图。
在上述用于六氟磷酸锂制备的能源管理控制***的控制方法中,所述多层卷积层的各层使用的非线性激活函数为Mish函数,所述Mish函数用公式表示为:f(x)=x.tanh(ln(1+ex))。
在上述用于六氟磷酸锂制备的能源管理控制***的控制方法中,融合所述关联特征向量和所述析出特征向量以得到分类特征向量,包括:以如下公式融合所述关联特征向量和所述析出特征向量以得到所述分类特征向量;
其中,所述公式为:
其中,Vc表示所述分类特征向量,V1表示所述关联特征向量,V2表示所述析出特征向量,||·||1表示向量的一范数,且||·||F表示矩阵的Frobenius范数,⊙表示按位置点乘、表示按位置相加,表示按位置相减。
在上述用于六氟磷酸锂制备的能源管理控制***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。
根据本申请的又一方面,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能源管理控制***的控制方法。
与现有技术相比,本申请提供的用于六氟磷酸锂制备的能源管理控制***及其控制方法,其通过采用人工智能控制技术,来从固体析出监控视频、蒸馏器内的温度值和压强值三个方面进行动态地特征分析,进而在对于当前时间点的温度和压强的控制中能够基于被蒸馏对象的实际情况来自适应地调整温度和压强,以提高能源利用率且提高析出固体的效率和纯度。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的用于六氟磷酸锂制备的能源管理控制***的应用场景图。
图2为根据本申请实施例的用于六氟磷酸锂制备的能源管理控制***的框图。
图3为根据本申请实施例的用于六氟磷酸锂制备的能源管理控制***中视频编码模块的框图。
图4为根据本申请实施例的用于六氟磷酸锂制备的能源管理控制***的控制方法的流程图。
图5为根据本申请实施例的用于六氟磷酸锂制备的能源管理控制***的控制方法的架构示意图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
场景概述
如前所述,锂离子电池具有平台电压高、循环性能好、工作温度范围宽、能量密度大、无记忆效应等优点,广泛应用于移动通讯、便携式电子产品、电动工具、武器装配等领域,目前在动力汽车中也具有广阔的应用前景。电解液和其中的电解质是锂电池的关键原材料,并且直接影响所制备电池的性能,因此电解质必须满足:电导率高、化学及电化学性能稳定、可使用温度范围宽和价格低。六氟磷酸锂满足以上要求,并可作为优良的电解质。
由于材料科学的不断发展,制备六氟磷酸锂的方案不断涌现。在不同的制备方案中,制备方案的能源管理问题是近年来逐渐被关注的话题,其一方面要求制备方案能够满足节能要求,另一方面,受限于制备工艺自身,需制备出满足质量要求的六氟磷酸锂。也就是,在六氟磷酸锂的制备方案中,期待提供一种能源管理控制***,其能够在满足制备出满足质量要求的产物的前提下,尽可能地节约能耗。
在现有的六氟磷酸锂的制备方案中,其包括以下步骤:
S1:将五氧化二磷固体溶解分散在有机溶剂当中,配置成五氧化二磷为1wt%~100wt%的混合溶液,再加入F:P物质的量比为4.0~6.0:1的氟化合物,反应温度控制在-30℃~240℃,制得五氟化磷气体,干燥;
S2:将氟化锂固体悬浮在有机溶剂中,配置成F:P物质的量比为1:0.5~2的氟化锂悬浮液,并将温度控制在5℃~120℃;
S3:将制得的五氟化磷气体与氟化锂悬浮液持续反应富集并保持搅拌0.5~10小时,得到澄清溶液;
S4:将澄清溶液蒸发浓缩,通过分离,得到大量固体,并在10℃~120℃,0.01MPa~0.99MPa条件下干燥该固体0.5~10小时;
S5:将干燥后固体饱和溶解在有机溶剂中,得到澄清溶液;
S6:重复步骤S4,得到高纯六氟磷酸锂。
其中,上述的有机溶剂为碳酸酯类、烷烃类、醚类、含氮有机物中的至少一种。
相应地,本申请发明人考虑到在该制备方案中,步骤S4中的温度和压强控制是该制备方案的能源控制的关键步骤。应可以理解,在适当的温度和压强控制下,固体析出的效率会提高且析出固体的纯度会更优。但是,在现有的温度和压强控制策略中,采用预定控制程序来设定不同阶段的温度和压强值,也就是,在现有的能源管理控制策略中,以固定的程序来控制各个阶段的压强和温度,而没有基于被蒸馏对象的实际情况来自适应地采取温度和压强,以提高能源利用率且提高析出固体的效率和纯度。
基于此,在本申请的技术方案中,通过使用析出固体的监控视频来判断被蒸馏对象的实际动态情况,并通过温度传感器和压强传感器来采集实际环境的温度和压强的动态变化特征信息,这样在能源管理的控制策略中,能够基于被蒸馏对象的实际情况来自适应地调整温度和压强,以提高能源利用率且提高析出固体的效率和纯度。
也就是,具体地,首先,通过部署于所述蒸馏器内的水下摄像头采集预定时间段的固体析出监控视频,并且通过部署于蒸馏器内的温度传感器和压强传感器采集所述预定时间段的多个预定时间点的温度值和压强值。应可以理解,考虑到温度和压强会相互影响,也就是,例如根据理想气体状态方程PV=NTR,温度和压强成正比的关系。因此,在本申请的技术方案中,为了挖掘出这种实际的关联特征信息,将所述多个预定时间点的温度值和所述多个预定时间点的压强值分别排列为温度输入向量和压强输入向量后,计算所述温度输入向量和所述压强输入向量的转置向量之间的向量乘积以得到温度-压强时序关联矩阵。进一步地,再将所述温度-压强时序关联矩阵通过作为过滤器的第一卷积神经网络中进行处理,以提取出所述多个预定时间点的温度值和所述多个预定时间点的压强值的隐含关联特征分布信息,从而得到关联特征向量。
并且,考虑到所述预定时间段的固体析出监控视频是在时序维度上具有固体析出的隐含动态变化特征,因此为了提取出这种动态的隐含特征,将所述预定时间段的固体析出监控视频通过使用三维卷积核的第二卷积神经网络进行处理,以得到析出特征向量。
应可以理解,考虑到无论是提取温度-压强关联的所述第一卷积神经网络的作为过滤器的二维卷积核,还是提取视频中的图像语义-时序关联特征的所述第二卷积神经网络的三维卷积核,都获得作为深层关联语义特征表达的特征向量,而由于特征维度和语义表达上的差异,在特征融合之前,优选地将所述关联特征向量V1和所述析出特征向量V2进行深度单应对齐。
基于此,获得融合后的分类特征向量为:
其中,Vc表示所述分类特征向量,V1表示所述关联特征向量,V2表示所述析出特征向量,||·||1表示向量的一范数,且||·||F表示矩阵的Frobenius范数,⊙表示按位置点乘、表示按位置相加,表示按位置相减。
这样,该融合后的所述分类特征向量通过根据融合向量表征的特征深度信息特性,将特征向量进行基于场景深度流的单应性对齐,并添加基于向量的全场景单应关联矩阵的深度感知的偏置项,从而将特征向量在可能存在特征分布差异的基础上进行稠密的深度融合,以获得具有更好的分类效果的分类特征向量Vc,进而也就能够提高分类的准确性。
基于此,本申请提出了一种用于六氟磷酸锂制备的能源管理控制***,其包括:固体析出监控视频采集模块,用于获取由部署于所述蒸馏器内的水下摄像头采集的预定时间段的固体析出监控视频;蒸馏器内状态数据采集模块,用于获取由部署于蒸馏器内的温度传感器和压强传感器采集的所述预定时间段的多个预定时间点的温度值和压强值;温度和压强数据编码模块,用于将所述多个预定时间点的温度值和所述多个预定时间点的压强值分别排列为温度输入向量和压强输入向量后,计算所述温度输入向量和所述压强输入向量的转置向量之间的向量乘积以得到温度-压强时序关联矩阵;关联编码模块,用于将所述温度-压强时序关联矩阵通过作为过滤器的第一卷积神经网络以得到关联特征向量;视频编码模块,用于将所述预定时间段的固体析出监控视频通过使用三维卷积核的第二卷积神经网络以得到析出特征向量;特征分布融合模块,用于融合所述关联特征向量和所述析出特征向量以得到分类特征向量;以及,能源管理结果生成模块,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当前时间点的温度应增大或应减小,以及,当前时间点的压强应增大或应减小。
图1图示了根据本申请实施例的用于六氟磷酸锂制备的能源管理控制***的应用场景图。如图1所示,在该应用场景中,首先,通过部署于所述蒸馏器(例如,如图1中所示意的D)内的水下摄像头(例如,如图1中所示意的C)采集预定时间段的固体析出监控视频,并且通过部署于蒸馏器内的温度传感器(例如,如图1中所示意的T)和压强传感器(例如,如图1中所示意的P)采集所述预定时间段的多个预定时间点的温度值和压强值。然后,将获得的所述预定时间段的固体析出监控视频以及所述预定时间段的多个预定时间点的温度值和压强值输入至部署有用于六氟磷酸锂制备的能源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六氟磷酸锂制备的能源管理控制算法对所述预定时间段的固体析出监控视频以及所述预定时间段的多个预定时间点的温度值和压强值进行处理,以生成用于表示当前时间点的温度应增大或应减小,以及,当前时间点的压强应增大或应减小的分类结果。
在介绍了本申请的基本原理之后,下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性***
图2图示了根据本申请实施例的用于六氟磷酸锂制备的能源管理控制***的框图。如图2所示,根据本申请实施例的用于六氟磷酸锂制备的能源管理控制***200,包括:固体析出监控视频采集模块210,用于获取由部署于所述蒸馏器内的水下摄像头采集的预定时间段的固体析出监控视频;蒸馏器内状态数据采集模块220,用于获取由部署于蒸馏器内的温度传感器和压强传感器采集的所述预定时间段的多个预定时间点的温度值和压强值;温度和压强数据编码模块230,用于将所述多个预定时间点的温度值和所述多个预定时间点的压强值分别排列为温度输入向量和压强输入向量后,计算所述温度输入向量和所述压强输入向量的转置向量之间的向量乘积以得到温度-压强时序关联矩阵;关联编码模块240,用于将所述温度-压强时序关联矩阵通过作为过滤器的第一卷积神经网络以得到关联特征向量;视频编码模块250,用于将所述预定时间段的固体析出监控视频通过使用三维卷积核的第二卷积神经网络以得到析出特征向量;特征分布融合模块260,用于融合所述关联特征向量和所述析出特征向量以得到分类特征向量;以及,能源管理结果生成模块270,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温度应增大或应减小,以及,当前时间点的压强应增大或应减小。
具体地,在本申请实施例中,所述固体析出监控视频采集模块210和所述蒸馏器内状态数据采集模块220,用于获取由部署于所述蒸馏器内的水下摄像头采集的预定时间段的固体析出监控视频,并获取由部署于蒸馏器内的温度传感器和压强传感器采集的所述预定时间段的多个预定时间点的温度值和压强值。如前所述,考虑到在现有的制备方案中,温度和压强的控制是该所述制备方案的能源控制的关键步骤。应可以理解,在适当的温度和压强控制下,固体析出的效率会提高且析出固体的纯度会更优。但是,在现有的温度和压强控制策略中,采用预定控制程序来设定不同阶段的温度和压强值,也就是,在现有的能源管理控制策略中,以固定的程序来控制各个阶段的压强和温度,而没有基于被蒸馏对象的实际情况来自适应地采取温度和压强,以提高能源利用率且提高析出固体的效率和纯度。
因此,在本申请的技术方案中,通过使用析出固体的监控视频来判断被蒸馏对象的实际动态情况,并通过温度传感器和压强传感器来采集实际环境的温度和压强的动态变化特征信息,这样在能源管理的控制策略中,能够基于被蒸馏对象的实际情况来自适应地调整温度和压强,以提高能源利用率且提高析出固体的效率和纯度。也就是,具体地,首先,通过部署于所述蒸馏器内的水下摄像头采集预定时间段的固体析出监控视频,并且通过部署于蒸馏器内的温度传感器和压强传感器采集所述预定时间段的多个预定时间点的温度值和压强值。
具体地,在本申请实施例中,所述温度和压强数据编码模块230和所述关联编码模块240,用于将所述多个预定时间点的温度值和所述多个预定时间点的压强值分别排列为温度输入向量和压强输入向量后,计算所述温度输入向量和所述压强输入向量的转置向量之间的向量乘积以得到温度-压强时序关联矩阵,并将所述温度-压强时序关联矩阵通过作为过滤器的第一卷积神经网络以得到关联特征向量。应可以理解,考虑到温度和压强会相互影响,也就是,例如根据理想气体状态方程PV=NTR,温度和压强成正比的关系。因此,在本申请的技术方案中,为了挖掘出这种实际的关联特征信息,将所述多个预定时间点的温度值和所述多个预定时间点的压强值分别排列为温度输入向量和压强输入向量后,计算所述温度输入向量和所述压强输入向量的转置向量之间的向量乘积以得到温度-压强时序关联矩阵。进一步地,再将所述温度-压强时序关联矩阵通过作为过滤器的第一卷积神经网络中进行处理,以提取出所述多个预定时间点的温度值和所述多个预定时间点的压强值的隐含关联特征分布信息,从而得到关联特征向量。
更具体地,在本申请实施例中,所述关联编码模块,进一步用于:所述第一卷积神经网络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,所述第一卷积神经网络的最后一层的输出为所述关联特征向量,所述第一卷积神经网络的第一层的输入为所述温度-压强时序关联矩阵。
具体地,在本申请实施例中,所述视频编码模块250,用于将所述预定时间段的固体析出监控视频通过使用三维卷积核的第二卷积神经网络以得到析出特征向量。应可以理解,考虑到所述预定时间段的固体析出监控视频是在时序维度上具有固体析出的隐含动态变化特征,因此为了提取出这种动态的隐含特征,在本申请的技术方案中,进一步将所述预定时间段的固体析出监控视频通过使用三维卷积核的第二卷积神经网络进行处理,以得到析出特征向量。
更具体地,在本申请实施例中,所述视频编码模块,包括:首先,以预定采样频率从所述预定时间段的固体析出监控视频中提取多个关键帧。然后,将所述多个关键帧通过所述第二卷积神经网络的多层卷积层以得到析出特征图。相应地,在一个具体示例中,使用所述第二卷积神经网络的多层卷积层在层的正向传递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多层卷积层的最后一层卷积层输出所述析出特征图。特别地,所述多层卷积层的各层使用的非线性激活函数为Mish函数,所述Mish函数用公式表示为:f(x)=x.tanh(ln(1+ex))。应可以理解,与ReLU函数相比,Mish对负值的轻微允许会通过更好的梯度流,而不像ReLU中那样存在硬性的零边界。不同于ReLU,Mish在零处的导数存在,平滑的函数曲线会允许更好的信息进入神经网络,从而得到更好的准确性和泛化性。最后,对所述析出特征图进行基于特征矩阵的全局均值池化处理以得到所述析出特征向量。
图3图示了根据本申请实施例的用于六氟磷酸锂制备的能源管理控制***中视频编码模块的框图。如图3所示,所述视频编码模块250,包括:采样单元251,用于以预定采样频率从所述预定时间段的固体析出监控视频中提取多个关键帧;多层卷积单元252,用于将所述多个关键帧通过所述第二卷积神经网络的多层卷积层以得到析出特征图;以及,全局均值池化单元253,用于对所述析出特征图进行基于特征矩阵的全局均值池化处理以得到所述析出特征向量。
具体地,在本申请实施例中,所述特征分布融合模块260和所述能源管理结果生成模块270,用于融合所述关联特征向量和所述析出特征向量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当前时间点的温度应增大或应减小,以及,当前时间点的压强应增大或应减小。应可以理解,考虑到无论是提取温度-压强关联的所述第一卷积神经网络的作为过滤器的二维卷积核,还是提取视频中的图像语义-时序关联特征的所述第二卷积神经网络的三维卷积核,都获得作为深层关联语义特征表达的特征向量,而由于特征维度和语义表达上的差异,在特征融合之前,优选地将所述关联特征向量V1和所述析出特征向量V2进行深度单应对齐。也就是,在本申请的技术方案中,融合所述关联特征向量和所述析出特征向量以得到分类特征向量。进一步地,就可以将所述分类特征向量通过分类器中进行处理,以获得用于表示当前时间点的温度应增大或应减小,以及,当前时间点的压强应增大或应减小的分类结果。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: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。
更具体地,在本申请实施例中,所述特征分布融合模块,进一步用于:以如下公式融合所述关联特征向量和所述析出特征向量以得到所述分类特征向量;
其中,所述公式为:
其中,Vc表示所述分类特征向量,V1表示所述关联特征向量,V2表示所述析出特征向量,||·||1表示向量的一范数,且||·||F表示矩阵的Frobenius范数,⊙表示按位置点乘、表示按位置相加,表示按位置相减。应可以理解,这样,该融合后的所述分类特征向量通过根据融合向量表征的特征深度信息特性,将所述特征向量进行基于场景深度流的单应性对齐,并添加基于向量的全场景单应关联矩阵的深度感知的偏置项,从而将所述特征向量在可能存在特征分布差异的基础上进行稠密的深度融合,以获得具有更好的分类效果的分类特征向量Vc,进而也就能够提高分类的准确性。
综上,基于本申请实施例的所述用于六氟磷酸锂制备的能源管理控制***200被阐明,其通过采用人工智能控制技术,来从固体析出监控视频、蒸馏器内的温度值和压强值三个方面进行动态地特征分析,进而在对于当前时间点的温度和压强的控制中能够基于被蒸馏对象的实际情况来自适应地调整温度和压强,以提高能源利用率且提高析出固体的效率和纯度。
如上所述,根据本申请实施例的用于六氟磷酸锂制备的能源管理控制***200可以实现在各种终端设备中,例如用于六氟磷酸锂制备的能源管理控制算法的服务器等。在一个示例中,根据本申请实施例的用于六氟磷酸锂制备的能源管理控制***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,该用于六氟磷酸锂制备的能源管理控制***200可以是该终端设备的操作***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,该用于六氟磷酸锂制备的能源管理控制***200同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该用于六氟磷酸锂制备的能源管理控制***200与该终端设备也可以是分立的设备,并且该用于六氟磷酸锂制备的能源管理控制***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。
示例性方法
图4图示了用于六氟磷酸锂制备的能源管理控制***的控制方法的流程图。如图4所示,根据本申请实施例的用于六氟磷酸锂制备的能源管理控制***的控制方法,包括步骤:S110,获取由部署于所述蒸馏器内的水下摄像头采集的预定时间段的固体析出监控视频;S120,获取由部署于蒸馏器内的温度传感器和压强传感器采集的所述预定时间段的多个预定时间点的温度值和压强值;S130,将所述多个预定时间点的温度值和所述多个预定时间点的压强值分别排列为温度输入向量和压强输入向量后,计算所述温度输入向量和所述压强输入向量的转置向量之间的向量乘积以得到温度-压强时序关联矩阵;S140,将所述温度-压强时序关联矩阵通过作为过滤器的第一卷积神经网络以得到关联特征向量;S150,将所述预定时间段的固体析出监控视频通过使用三维卷积核的第二卷积神经网络以得到析出特征向量;S160,融合所述关联特征向量和所述析出特征向量以得到分类特征向量;以及,S170,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温度应增大或应减小,以及,当前时间点的压强应增大或应减小。
图5图示了根据本申请实施例的用于六氟磷酸锂制备的能源管理控制***的控制方法的架构示意图。如图5所示,在所述用于六氟磷酸锂制备的能源管理控制***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温度值(例如,如图5中所示意的P1)和所述多个预定时间点的压强值(例如,如图5中所示意的P2)分别排列为温度输入向量(例如,如图5中所示意的V1)和压强输入向量(例如,如图5中所示意的V2)后,计算所述温度输入向量和所述压强输入向量的转置向量之间的向量乘积以得到温度-压强时序关联矩阵(例如,如图5中所示意的M);接着,将所述温度-压强时序关联矩阵通过作为过滤器的第一卷积神经网络(例如,如图5中所示意的CNN1)以得到关联特征向量(例如,如图5中所示意的VF1);然后,将获得的所述预定时间段的固体析出监控视频(例如,如图5中所示意的Q)通过使用三维卷积核的第二卷积神经网络(例如,如图5中所示意的CNN2)以得到析出特征向量(例如,如图5中所示意的VF2);接着,融合所述关联特征向量和所述析出特征向量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温度应增大或应减小,以及,当前时间点的压强应增大或应减小。
更具体地,在步骤S110和步骤S120中,获取由部署于所述蒸馏器内的水下摄像头采集的预定时间段的固体析出监控视频,并获取由部署于蒸馏器内的温度传感器和压强传感器采集的所述预定时间段的多个预定时间点的温度值和压强值。应可以理解,考虑到在现有的制备方案中,温度和压强的控制是该所述制备方案的能源控制的关键步骤。应可以理解,在适当的温度和压强控制下,固体析出的效率会提高且析出固体的纯度会更优。但是,在现有的温度和压强控制策略中,采用预定控制程序来设定不同阶段的温度和压强值,也就是,在现有的能源管理控制策略中,以固定的程序来控制各个阶段的压强和温度,而没有基于被蒸馏对象的实际情况来自适应地采取温度和压强,以提高能源利用率且提高析出固体的效率和纯度。
因此,在本申请的技术方案中,通过使用析出固体的监控视频来判断被蒸馏对象的实际动态情况,并通过温度传感器和压强传感器来采集实际环境的温度和压强的动态变化特征信息,这样在能源管理的控制策略中,能够基于被蒸馏对象的实际情况来自适应地调整温度和压强,以提高能源利用率且提高析出固体的效率和纯度。也就是,具体地,首先,通过部署于所述蒸馏器内的水下摄像头采集预定时间段的固体析出监控视频,并且通过部署于蒸馏器内的温度传感器和压强传感器采集所述预定时间段的多个预定时间点的温度值和压强值。
更具体地,在步骤S130和步骤S140中,将所述多个预定时间点的温度值和所述多个预定时间点的压强值分别排列为温度输入向量和压强输入向量后,计算所述温度输入向量和所述压强输入向量的转置向量之间的向量乘积以得到温度-压强时序关联矩阵,并将所述温度-压强时序关联矩阵通过作为过滤器的第一卷积神经网络以得到关联特征向量。应可以理解,考虑到温度和压强会相互影响,也就是,例如根据理想气体状态方程PV=NTR,温度和压强成正比的关系。因此,在本申请的技术方案中,为了挖掘出这种实际的关联特征信息,将所述多个预定时间点的温度值和所述多个预定时间点的压强值分别排列为温度输入向量和压强输入向量后,计算所述温度输入向量和所述压强输入向量的转置向量之间的向量乘积以得到温度-压强时序关联矩阵。进一步地,再将所述温度-压强时序关联矩阵通过作为过滤器的第一卷积神经网络中进行处理,以提取出所述多个预定时间点的温度值和所述多个预定时间点的压强值的隐含关联特征分布信息,从而得到关联特征向量。
更具体地,在步骤S150中,将所述预定时间段的固体析出监控视频通过使用三维卷积核的第二卷积神经网络以得到析出特征向量。应可以理解,考虑到所述预定时间段的固体析出监控视频是在时序维度上具有固体析出的隐含动态变化特征,因此为了提取出这种动态的隐含特征,在本申请的技术方案中,进一步将所述预定时间段的固体析出监控视频通过使用三维卷积核的第二卷积神经网络进行处理,以得到析出特征向量。
更具体地,在步骤S160和步骤S170中,融合所述关联特征向量和所述析出特征向量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当前时间点的温度应增大或应减小,以及,当前时间点的压强应增大或应减小。应可以理解,考虑到无论是提取温度-压强关联的所述第一卷积神经网络的作为过滤器的二维卷积核,还是提取视频中的图像语义-时序关联特征的所述第二卷积神经网络的三维卷积核,都获得作为深层关联语义特征表达的特征向量,而由于特征维度和语义表达上的差异,在特征融合之前,优选地将所述关联特征向量V1和所述析出特征向量V2进行深度单应对齐。也就是,在本申请的技术方案中,融合所述关联特征向量和所述析出特征向量以得到分类特征向量。进一步地,就可以将所述分类特征向量通过分类器中进行处理,以获得用于表示当前时间点的温度应增大或应减小,以及,当前时间点的压强应增大或应减小的分类结果。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: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。
综上,基于本申请实施例的所述用于六氟磷酸锂制备的能源管理控制***的控制方法被阐明,其通过采用人工智能控制技术,来从固体析出监控视频、蒸馏器内的温度值和压强值三个方面进行动态地特征分析,进而在对于当前时间点的温度和压强的控制中能够基于被蒸馏对象的实际情况来自适应地调整温度和压强,以提高能源利用率且提高析出固体的效率和纯度。
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,本申请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申请各种实施例的用于六氟磷酸锂制备的能源管理控制***的控制方法中的功能中的步骤。
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申请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。
此外,本申请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”部分中描述的用于六氟磷酸锂制备的能源管理控制***的控制方法中的步骤。
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***、***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。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请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申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、***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、***。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。
还需要指出的是,在本申请的装置、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申请的等效方案。
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申请。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申请的范围。因此,本申请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。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请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。
Claims (4)
1.一种用于六氟磷酸锂制备的能源管理控制***,其特征在于,包括:
固体析出监控视频采集模块,用于获取由部署于蒸馏器内的水下摄像头采集的预定时间段的固体析出监控视频;
蒸馏器内状态数据采集模块,用于获取由部署于蒸馏器内的温度传感器和压强传感器采集的所述预定时间段的多个预定时间点的温度值和压强值;
温度和压强数据编码模块,用于将所述多个预定时间点的温度值和所述多个预定时间点的压强值分别排列为温度输入向量和压强输入向量后,计算所述温度输入向量和所述压强输入向量的转置向量之间的向量乘积以得到温度-压强时序关联矩阵;
关联编码模块,用于将所述温度-压强时序关联矩阵通过作为过滤器的第一卷积神经网络以得到关联特征向量;
视频编码模块,用于将所述预定时间段的固体析出监控视频通过使用三维卷积核的第二卷积神经网络以得到析出特征向量;
特征分布融合模块,用于融合所述关联特征向量和所述析出特征向量以得到分类特征向量;以及
能源管理结果生成模块,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当前时间点的温度应增大或应减小,以及,当前时间点的压强应增大或应减小;
其中,所述关联编码模块,进一步用于所述第一卷积神经网络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,所述第一卷积神经网络的最后一层的输出为所述关联特征向量,所述第一卷积神经网络的第一层的输入为所述温度-压强时序关联矩阵;
其中,所述视频编码模块,包括:
采样单元,用于以预定采样频率从所述预定时间段的固体析出监控视频中提取多个关键帧;
多层卷积单元,用于将所述多个关键帧通过所述第二卷积神经网络的多层卷积层以得到析出特征图;以及
全局均值池化单元,用于对所述析出特征图进行基于特征矩阵的全局均值池化处理以得到所述析出特征向量;
其中,所述多层卷积单元,进一步用于使用所述第二卷积神经网络的多层卷积层在层的正向传递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多层卷积层的最后一层卷积层输出所述析出特征图;
其中,所述特征分布融合模块,进一步用于:以如下公式融合所述关联特征向量和所述析出特征向量以得到所述分类特征向量;
其中,所述公式为:
2.根据权利要求1所述的用于六氟磷酸锂制备的能源管理控制***,其中,所述多层卷积层的各层使用的非线性激活函数为Mish函数,所述Mish函数用公式表示为:f(x)=x.tanh(ln(1+ex))。
3.根据权利要求2所述的用于六氟磷酸锂制备的能源管理控制***,其中,所述能源管理结果生成模块,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: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。
4.一种用于六氟磷酸锂制备的能源管理控制***的控制方法,其特征在于,包括:
获取由部署于所述蒸馏器内的水下摄像头采集的预定时间段的固体析出监控视频;
获取由部署于蒸馏器内的温度传感器和压强传感器采集的所述预定时间段的多个预定时间点的温度值和压强值;
将所述多个预定时间点的温度值和所述多个预定时间点的压强值分别排列为温度输入向量和压强输入向量后,计算所述温度输入向量和所述压强输入向量的转置向量之间的向量乘积以得到温度-压强时序关联矩阵;
将所述温度-压强时序关联矩阵通过作为过滤器的第一卷积神经网络以得到关联特征向量;
将所述预定时间段的固体析出监控视频通过使用三维卷积核的第二卷积神经网络以得到析出特征向量;
融合所述关联特征向量和所述析出特征向量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温度应增大或应减小,以及,当前时间点的压强应增大或应减小;
其中,将所述温度-压强时序关联矩阵通过作为过滤器的第一卷积神经网络以得到关联特征向量,包括:
所述第一卷积神经网络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,所述第一卷积神经网络的最后一层的输出为所述关联特征向量,所述第一卷积神经网络的第一层的输入为所述温度-压强时序关联矩阵;
其中,所述将所述预定时间段的固体析出监控视频通过使用三维卷积核的第二卷积神经网络以得到析出特征向量,包括:
以预定采样频率从所述预定时间段的固体析出监控视频中提取多个关键帧;
将所述多个关键帧通过所述第二卷积神经网络的多层卷积层以得到析出特征图;以及
对所述析出特征图进行基于特征矩阵的全局均值池化处理以得到所述析出特征向量;
其中,所述将所述多个关键帧通过所述第二卷积神经网络的多层卷积层以得到析出特征图,包括:使用所述第二卷积神经网络的多层卷积层在层的正向传递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多层卷积层的最后一层卷积层输出所述析出特征图;
其中,融合所述关联特征向量和所述析出特征向量以得到分类特征向量,包括:
以如下公式融合所述关联特征向量和所述析出特征向量以得到所述分类特征向量;
其中,所述公式为:
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210772608.0A CN115079572B (zh) | 2022-06-30 | 2022-06-30 | 用于六氟磷酸锂制备的能源管理控制***及其控制方法 |
PCT/CN2022/116744 WO2024000800A1 (zh) | 2022-06-30 | 2022-09-02 | 用于六氟磷酸锂制备的能源管理控制***及其控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210772608.0A CN115079572B (zh) | 2022-06-30 | 2022-06-30 | 用于六氟磷酸锂制备的能源管理控制***及其控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115079572A CN115079572A (zh) | 2022-09-20 |
CN115079572B true CN115079572B (zh) | 2023-02-03 |
Family
ID=83258636
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210772608.0A Active CN115079572B (zh) | 2022-06-30 | 2022-06-30 | 用于六氟磷酸锂制备的能源管理控制***及其控制方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN115079572B (zh) |
WO (1) | WO2024000800A1 (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115328228B (zh) * | 2022-10-13 | 2023-04-07 | 新乡市合力鑫电源有限公司 | 一种高频开关电源 |
CN115586755B (zh) * | 2022-10-28 | 2023-05-30 | 福建省龙德新能源有限公司 | 用于六氟磷酸锂制备的生产管理控制***及其方法 |
CN115754107B (zh) * | 2022-11-08 | 2023-06-23 | 福建省龙德新能源有限公司 | 用于六氟磷酸锂制备的自动化采样分析***及其方法 |
CN115903705B (zh) * | 2022-11-30 | 2023-07-14 | 福建省杭氟电子材料有限公司 | 用于电子级六氟丁二烯制备的生产管理控制*** |
CN115936682B (zh) * | 2022-12-21 | 2023-11-07 | 江西有源工业废物回收处理有限公司 | 印制线路板的废料回收***及其方法 |
CN116000297A (zh) * | 2023-01-03 | 2023-04-25 | 赣州市光华有色金属有限公司 | 高强度钨镧丝的制备装置及其方法 |
CN116110507B (zh) * | 2023-02-15 | 2024-02-06 | 浙江宏丰炉料有限公司 | 镁碳砖智能化生产方法及*** |
CN116059681B (zh) * | 2023-03-07 | 2023-06-09 | 福建省龙德新能源有限公司 | 用于控制结晶成核的超声控制方法及其*** |
CN116785967B (zh) * | 2023-04-28 | 2024-03-08 | 福建省龙德新能源有限公司 | 用于电子级六氟磷酸锂制备的自动配料*** |
CN116907214B (zh) * | 2023-05-09 | 2024-03-08 | 广东夏和瓷业有限公司 | 环保日用陶瓷的制备工艺及其*** |
CN116854111B (zh) * | 2023-05-23 | 2024-05-14 | 福建省龙德新能源有限公司 | 电子级六氟磷酸锂的纯化方法及其*** |
CN116859848B (zh) * | 2023-07-12 | 2024-01-26 | 普洛赛斯工程技术(宁波)有限公司 | 甲基异丁基酮生产装置的控制***及其方法 |
CN117669838B (zh) * | 2024-01-31 | 2024-05-10 | 江西荧光磁业有限公司 | 钕铁硼磁铁生产的优化控制***及方法 |
Family Cites Families (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07182009A (ja) * | 1993-12-22 | 1995-07-21 | Kobe Steel Ltd | 制御装置 |
CN102380220A (zh) * | 2011-10-10 | 2012-03-21 | 上海师范大学 | 一种乙烯精馏塔塔釜乙烯浓度的测量方法 |
JP2015523951A (ja) * | 2012-05-25 | 2015-08-20 | ランクセス・ドイチュランド・ゲーエムベーハー | 高純度ヘキサフルオロリン酸リチウム |
WO2014156995A1 (ja) * | 2013-03-25 | 2014-10-02 | 三井化学株式会社 | 五フッ化リンの製造方法、六フッ化リン酸リチウムの製造方法、六フッ化リン酸リチウム、電池用非水電解液、及びリチウム二次電池 |
CN104965967B (zh) * | 2015-03-26 | 2018-02-13 | 华东理工大学 | 一种常减压蒸馏装置的收率实时预测方法 |
CN106882819B (zh) * | 2017-03-29 | 2018-12-25 | 东营石大胜华新能源有限公司 | 一种六氟磷酸锂的制备纯化方法 |
CN110052050B (zh) * | 2019-04-29 | 2021-03-16 | 中国石油大学(华东) | 基于塔板温度的内部热耦合精馏塔全局状态观测器及方法 |
CN112295255B (zh) * | 2020-10-24 | 2021-11-02 | 四川泸天化创新研究院有限公司 | 一种甲醇精馏装置智能控制***及控制方法 |
CN112365045A (zh) * | 2020-11-09 | 2021-02-12 | 上海明华电力科技有限公司 | 一种基于大数据的主蒸汽温度智能预测方法 |
CN112486686A (zh) * | 2020-11-30 | 2021-03-12 | 之江实验室 | 基于云边协同的定制化深度神经网络模型压缩方法及*** |
CN113139436B (zh) * | 2021-03-31 | 2023-12-15 | 哈尔滨端点科技发展有限公司 | 基于图像识别的火锅温度自动控制方法、***及介质 |
CN113783527A (zh) * | 2021-09-26 | 2021-12-10 | 中机国能电力工程有限公司 | 一种基于光伏组件温度和辐照度校验的数据挖掘方法 |
CN113856235A (zh) * | 2021-09-29 | 2021-12-31 | 浙江大华技术股份有限公司 | 降温结晶控制方法、装置、电子设备和*** |
CN113731321A (zh) * | 2021-10-08 | 2021-12-03 | 广西埃索凯循环科技有限公司 | 一种基于多传感技术的硫酸锌的生产*** |
CN114548246A (zh) * | 2022-02-11 | 2022-05-27 | 杭州吾好科技有限公司 | 智能设备的控制方法、***和电子设备 |
CN114475350A (zh) * | 2022-02-14 | 2022-05-13 | 杭州鸽然科技有限公司 | 智能充电***及其工作方法 |
CN114870416B (zh) * | 2022-04-28 | 2023-01-24 | 福建德尔科技股份有限公司 | 用于电子级一氟甲烷制备的精馏控制***及精馏控制方法 |
-
2022
- 2022-06-30 CN CN202210772608.0A patent/CN115079572B/zh active Active
- 2022-09-02 WO PCT/CN2022/116744 patent/WO2024000800A1/zh unknown
Also Published As
Publication number | Publication date |
---|---|
WO2024000800A1 (zh) | 2024-01-04 |
CN115079572A (zh) | 2022-09-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115079572B (zh) | 用于六氟磷酸锂制备的能源管理控制***及其控制方法 | |
CN115453990B (zh) | 用于氟化铵生产的生产管理控制***及其控制方法 | |
CN115586755B (zh) | 用于六氟磷酸锂制备的生产管理控制***及其方法 | |
WO2024045243A1 (zh) | 用于六氟磷酸锂制备的自动配料***及其配料方法 | |
WO2024021258A1 (zh) | 电子级氢氧化钾的智慧产线的控制***及其控制方法 | |
CN114475350A (zh) | 智能充电***及其工作方法 | |
WO2022151819A1 (zh) | 一种基于聚类分析的电池***在线故障诊断方法和*** | |
CN115291646B (zh) | 用于氟化锂制备的能源管理控制***及其控制方法 | |
Park et al. | Probabilistic representations for video contrastive learning | |
CN115896817A (zh) | 氟氮混合气的生产方法及其*** | |
CN114870416A (zh) | 用于电子级一氟甲烷制备的精馏控制***及精馏控制方法 | |
CN115097884B (zh) | 用于电子级氢氟酸制备的能源管理控制***及其控制方法 | |
WO2024021254A1 (zh) | 电子级三氟化氯的智能分离纯化*** | |
WO2024113599A1 (zh) | 用于电子级六氟丁二烯制备的生产管理控制*** | |
CN115259089A (zh) | 用于电子级氢氟酸制备的生产管理控制***及其控制方法 | |
CN115754107B (zh) | 用于六氟磷酸锂制备的自动化采样分析***及其方法 | |
CN115013298A (zh) | 污水泵的实时性能在线监测***及其监测方法 | |
CN110826500A (zh) | 基于运动链接空间的对抗性网络估计3d人体姿态的方法 | |
CN116086133A (zh) | 化学链空气分离技术制备高纯氧气的装置及方法 | |
CN115861807A (zh) | 建筑机械领域的墙面粉刷设备及其控制方法 | |
CN115938505A (zh) | 基于图神经网络块结构与多头注意力机制融合的药物分子筛选方法及*** | |
CN114860462A (zh) | 双路机架式服务器的计算资源智能分配***及其分配方法 | |
CN111428795A (zh) | 一种改进的非凸鲁棒主成分分析方法 | |
Peng et al. | Pixelwise adaptive discretization with uncertainty sampling for depth completion | |
Yang et al. | Study of algorithm for aerial target detection based on lightweight neural network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |