CN115903705A - 用于电子级六氟丁二烯制备的生产管理控制*** - Google Patents
用于电子级六氟丁二烯制备的生产管理控制*** Download PDFInfo
- Publication number
- CN115903705A CN115903705A CN202211513663.4A CN202211513663A CN115903705A CN 115903705 A CN115903705 A CN 115903705A CN 202211513663 A CN202211513663 A CN 202211513663A CN 115903705 A CN115903705 A CN 115903705A
- Authority
- CN
- China
- Prior art keywords
- vector
- matrix
- temperature
- characteristic
- classification
- 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.)
- Granted
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 107
- 238000010438 heat treatment Methods 0.000 claims abstract description 104
- 238000001816 cooling Methods 0.000 claims abstract description 89
- LGPPATCNSOSOQH-UHFFFAOYSA-N 1,1,2,3,4,4-hexafluorobuta-1,3-diene Chemical compound FC(F)=C(F)C(F)=C(F)F LGPPATCNSOSOQH-UHFFFAOYSA-N 0.000 claims abstract description 79
- 239000007818 Grignard reagent Substances 0.000 claims abstract description 66
- 150000004795 grignard reagents Chemical class 0.000 claims abstract description 66
- BUYZGJWCDWUMQK-UHFFFAOYSA-N 1,1,1,2,2,3,3,4-octafluoro-4,4-diiodobutane Chemical compound FC(F)(F)C(F)(F)C(F)(F)C(F)(I)I BUYZGJWCDWUMQK-UHFFFAOYSA-N 0.000 claims abstract description 63
- 238000002360 preparation method Methods 0.000 claims abstract description 21
- 239000013598 vector Substances 0.000 claims description 319
- 239000011159 matrix material Substances 0.000 claims description 212
- 238000012549 training Methods 0.000 claims description 46
- 238000012546 transfer Methods 0.000 claims description 38
- 125000004122 cyclic group Chemical group 0.000 claims description 32
- 238000000034 method Methods 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 14
- 230000003247 decreasing effect Effects 0.000 claims description 11
- 230000004927 fusion Effects 0.000 claims description 11
- 238000012216 screening Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 239000000284 extract Substances 0.000 abstract description 16
- 238000003062 neural network model Methods 0.000 abstract description 8
- 238000005516 engineering process Methods 0.000 abstract description 5
- 230000008859 change Effects 0.000 description 26
- 238000006243 chemical reaction Methods 0.000 description 24
- 230000000694 effects Effects 0.000 description 12
- WYURNTSHIVDZCO-UHFFFAOYSA-N Tetrahydrofuran Chemical compound C1CCOC1 WYURNTSHIVDZCO-UHFFFAOYSA-N 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 239000007789 gas Substances 0.000 description 8
- QVHWOZCZUNPZPW-UHFFFAOYSA-N 1,2,3,3,4,4-hexafluorocyclobutene Chemical compound FC1=C(F)C(F)(F)C1(F)F QVHWOZCZUNPZPW-UHFFFAOYSA-N 0.000 description 6
- 238000005530 etching Methods 0.000 description 6
- 238000009835 boiling Methods 0.000 description 5
- 239000004341 Octafluorocyclobutane Substances 0.000 description 4
- 239000003795 chemical substances by application Substances 0.000 description 4
- 238000010329 laser etching Methods 0.000 description 4
- BCCOBQSFUDVTJQ-UHFFFAOYSA-N octafluorocyclobutane Chemical compound FC1(F)C(F)(F)C(F)(F)C1(F)F BCCOBQSFUDVTJQ-UHFFFAOYSA-N 0.000 description 4
- 235000019407 octafluorocyclobutane Nutrition 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 239000002994 raw material Substances 0.000 description 4
- 238000001308 synthesis method Methods 0.000 description 4
- YLQBMQCUIZJEEH-UHFFFAOYSA-N tetrahydrofuran Natural products C=1C=COC=1 YLQBMQCUIZJEEH-UHFFFAOYSA-N 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 239000003153 chemical reaction reagent Substances 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 239000002904 solvent Substances 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 239000003990 capacitor Substances 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000001312 dry etching Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- WMIYKQLTONQJES-UHFFFAOYSA-N hexafluoroethane Chemical compound FC(F)(F)C(F)(F)F WMIYKQLTONQJES-UHFFFAOYSA-N 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- QYSGYZVSCZSLHT-UHFFFAOYSA-N octafluoropropane Chemical compound FC(F)(F)C(F)(F)C(F)(F)F QYSGYZVSCZSLHT-UHFFFAOYSA-N 0.000 description 2
- 229960004065 perflutren Drugs 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- TXEYQDLBPFQVAA-UHFFFAOYSA-N tetrafluoromethane Chemical compound FC(F)(F)F TXEYQDLBPFQVAA-UHFFFAOYSA-N 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- DGLFZUBOMRZNQX-UHFFFAOYSA-N 1,1,2,2,3,3-hexafluorocyclobutane Chemical compound FC1(F)CC(F)(F)C1(F)F DGLFZUBOMRZNQX-UHFFFAOYSA-N 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- -1 aromatic organic compound Chemical class 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 239000002798 polar solvent Substances 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 238000010926 purge Methods 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及智能生产的领域,其具体地公开了一种用于电子级六氟丁二烯制备的生产管理控制***,其通过人工智能的控制技术,利用深度神经网络模型来分别提取出二碘八氟丁烷的滴加速率和格氏试剂的滴加速率,以及塔釜温度、塔顶冷却温度和热电偶的加热功率在时序维度上的动态隐含关联特征信息,并利用这些特征信息来综合进行热电偶在当前时间点的加热功率值的调整,这样,能够对电子级电子级六氟丁二烯的生产进行有效地管理以提高制备效率和提高能源利用率。
Description
技术领域
本发明涉及智能生产的领域,且更为具体地,涉及一种用于电子级六氟丁二烯制备的生产管理控制***。
背景技术
电子气体电子级六氟丁二烯 (C4F6) 是最新型的激光刻蚀剂,它可取代现在采用的激光刻蚀剂四氟化碳 (CF4)、六氟乙烷 (C2F6)、八氟丙烷 (C3F8)、八氟环丁烷 (C4F8)用于 KrF 激光锐利刻蚀半导体电容器图形(patterns)的干法刻蚀工艺,刻蚀线宽可达到90nm以下。同现在使用效果最好的线宽只达到130nm 的刻蚀气体八氟环丁烷 (C4F8) 相比,电子级六氟丁二烯 (C4F6)具有在大气中降解速度快、温室效应小、纵横比高以及选择性高等优点。
现有诸多用于制备电子级六氟丁二烯的方案,但这些方案或多或少存在一定的缺陷,例如,Gianangelo等报道 (US4654448) 将 11.4gI-CF2-CF2-CF2-CF2-I 与 50ml四氢呋喃 (THF) 混合后,加热至沸腾,缓慢滴加 1M 浓度的格氏试剂 50ml,反应后只得到一种气体2.9g,为全氟丁二烯,收率 71.6%,分析溶液中还有 1g 全氟丁二烯,总收率为 96%。通过实验证实,该过程中生成的气体为全氟丁二烯与全氟环丁烯的混合物,而且异构体全氟环丁烯与全氟丁二烯的沸点相差只有0.8℃,给分离带来很大的困难。同时溶解在溶剂中的全氟环丁烯较难提取,造成产品收率的下降。因此,需要一种用于电子级六氟丁二烯制备的生产管理控制***。
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电子级六氟丁二烯制备的生产管理控制***,其通过人工智能的控制技术,利用深度神经网络模型来分别提取出二碘八氟丁烷的滴加速率和格氏试剂的滴加速率,以及塔釜温度、塔顶冷却温度和热电偶的加热功率在时序维度上的动态隐含关联特征信息,并利用这些特征信息来综合进行热电偶在当前时间点的加热功率值的调整,这样,能够对电子级电子级六氟丁二烯的生产进行有效地管理以提高制备效率和提高能源利用率。
根据本申请的一个方面,提供了一种用于电子级六氟丁二烯制备的生产管理控制***,其包括:实时数据采集单元,用于获取多个预定时间点的二碘八氟丁烷的滴加速率和格氏试剂的滴加速率,以及,所述多个预定时间点的塔釜温度、塔顶冷却温度和热电偶的加热功率;滴加速度编码单元,用于将所述多个预定时间点的二碘八氟丁烷的滴加速率和格氏试剂的滴加速率分别按照时间维度排列为输入向量后通过训练完成的包含一维卷积层的第一时序编码器以得到第一滴速特征向量和第二滴速特征向量;精馏塔数据编码单元,用于将所述多个预定时间点的塔釜温度、塔顶冷却温度和热电偶的加热功率分别排列为输入向量后通过训练完成的包含一维卷积层的第二时序编码器以得到塔釜温度特征向量、加热功率特征向量和冷却温度特征向量;融合单元,用于融合所述塔釜温度特征向量和所述加热功率特征向量以得到温度特征向量;精馏塔全局特征单元,用于计算所述温度特征向量相对于所述冷却温度特征向量的转移矩阵作为循环特征矩阵;滴速关联单元,用于将所述第一滴速特征向量的转置向量与所述第二滴速特征向量进行相乘以得到滴速关联特征矩阵;影响单元,用于计算所述滴速关联特征矩阵相对于所述循环特征矩阵的转移矩阵作为分类特征矩阵;以及生产管理控制结果生成单元,用于将所述分类特征矩阵通过训练完成的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热电偶的加热功率应增大或应减小。
在上述用于电子级六氟丁二烯制备的生产管理控制***中,所述生产管理控制***,用于对所述第一时序编码器、所述第二时序编码器和所述分类器进行训练的训练模块;其中,所述训练模块,包括:训练数据获取单元,用于获取训练数据,所述训练数据包括多个预定时间点的二碘八氟丁烷的滴加速率和格氏试剂的滴加速率,以及,所述多个预定时间点的塔釜温度、塔顶冷却温度和热电偶的加热功率;训练滴加速度编码单元,用于将所述多个预定时间点的二碘八氟丁烷的滴加速率和格氏试剂的滴加速率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第一滴速特征向量和第二滴速特征向量;训练精馏塔数据编码单元,用于将所述多个预定时间点的塔釜温度、塔顶冷却温度和热电偶的加热功率分别排列为输入向量后通过包含一维卷积层的第二时序编码器以得到塔釜温度特征向量、加热功率特征向量和冷却温度特征向量;训练融合单元,用于融合所述塔釜温度特征向量和所述加热功率特征向量以得到温度特征向量;训练精馏塔全局特征单元,用于计算所述温度特征向量相对于所述冷却温度特征向量的转移矩阵作为循环特征矩阵;训练滴速关联单元,将所述第一滴速特征向量的转置向量与所述第二滴速特征向量进行相乘以得到滴速关联特征矩阵;训练影响单元,计算所述滴速关联特征矩阵相对于所述循环特征矩阵的转移矩阵作为分类特征矩阵;分类损失计算单元,用于将所述分类特征矩阵通过分类器以得到分类损失函数值;稀疏性隐式限制损失单元,用于计算所述分类矩阵的稀疏性隐式限制损失函数值;以及,训练单元,用于以所述分类矩阵的稀疏性隐式限制损失函数值和所述分类损失函数值的加权和作为损失函数值对所述第一时序编码器、所述第二时序编码器和所述分类器进行训练。
在上述用于电子级六氟丁二烯制备的生产管理控制***中,所述滴加速度编码单元,进一步用于:第一输入向量排列子单元,用于将所述多个预定时间点的二碘八氟丁烷的滴加速率和格氏试剂的滴加速率按照时间维度排列为第一速率输入向量和第二速率输入向量;第一全连接编码子单元,用于使用所述第一时序编码器的全连接层以如下公式对所述第一速率输入向量和所述第二速率输入向量进行全连接编码以分别提取出所述第一速率输入向量和所述第二速率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:,其中是所述输入向量,是输出向量,是权重矩阵,是偏置向量,表示矩阵乘;第一一维卷积编码子单元,用于使用所述第一时序编码器的一维卷积层以如下公式对所述第一速率输入向量和所述第二速率输入向量进行一维卷积编码以分别提取出所述第一速率输入向量和所述第二速率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:
其中,为卷积核在方向上的宽度、为卷积核参数向量、为与卷积核函数运算的局部向量矩阵,为卷积核的尺寸,表示所述输入向量。
在上述用于电子级六氟丁二烯制备的生产管理控制***中,所述精馏塔数据编码单元,进一步用于:第二输入向量排列子单元,用于将所述多个预定时间点的塔釜温度、塔顶冷却温度和热电偶的加热功率按照时间维度排列为第一温度输入向量、第二温度输入向量和功率输入向量;第二全连接编码子单元,用于使用所述第二时序编码器的全连接层以如下公式对所述第一温度输入向量、所述第二温度输入向量和所述功率输入向量进行全连接编码以分别提取出所述第一温度输入向量、所述第二温度输入向量和所述功率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:,其中是所述输入向量,是输出向量,是权重矩阵,是偏置向量,表示矩阵乘;第二一维卷积编码子单元,用于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第一温度输入向量、所述第二温度输入向量和所述功率输入向量进行一维卷积编码以分别提取出所述第一温度输入向量、所述第二温度输入向量和所述功率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:
其中,为卷积核在方向上的宽度、为卷积核参数向量、为与卷积核函数运算的局部向量矩阵,为卷积核的尺寸,表示所述输入向量。
在上述用于电子级六氟丁二烯制备的生产管理控制***中,所述融合单元,进一步用于:以如下公式融合所述塔釜温度特征向量和所述加热功率特征向量以得到所述温度特征向量;其中,所述公式为:
其中表示所述塔釜温度特征向量,表示所述加热功率特征向量,表示所述温度特征向量,表示按位置点乘。
在上述用于电子级六氟丁二烯制备的生产管理控制***中,所述精馏塔全局特征单元,进一步用于:以如下公式计算所述温度特征向量相对于所述冷却温度特征向量的转移矩阵作为所述循环特征矩阵;其中,所述公式为:
其中表示所述温度特征向量,表示所述循环特征矩阵,表示所述冷却温度特征向量。
在上述用于电子级六氟丁二烯制备的生产管理控制***中,所述影响单元,进一步用于:以如下公式计算所述滴速关联特征矩阵相对于所述循环特征矩阵的转移矩阵作为所述分类特征矩阵;其中,所述公式为:
其中表示所述滴速关联特征矩阵,表示所述分类特征矩阵,表示所述循环特征矩阵。
在上述用于电子级六氟丁二烯制备的生产管理控制***中,所述生产管理控制结果生成单元,进一步用于:所述分类器以如下公式对所述分类特征矩阵进行处理以生成分类结果,其中,所述公式为:,其中表示将所述分类特征矩阵投影为向量,至为各层全连接层的权重矩阵,至表示各层全连接层的偏置矩阵。
在上述用于电子级六氟丁二烯制备的生产管理控制***中,所述稀疏性隐式限制损失单元,进一步用于:以如下公式计算所述分类矩阵的稀疏性隐式限制损失函数值;其中,所述公式为:
其中,是所述分类矩阵的转换到概率空间的特征值,且是所述分类矩阵的所有特征值的均值,表示以2为底的对数函数值,且表示所述分类矩阵的稀疏性隐式限制损失函数值。
与现有技术相比,本申请提供的用于电子级六氟丁二烯制备的生产管理控制***,其通过人工智能的控制技术,利用深度神经网络模型来分别提取出二碘八氟丁烷的滴加速率和格氏试剂的滴加速率,以及塔釜温度、塔顶冷却温度和热电偶的加热功率在时序维度上的动态隐含关联特征信息,并利用这些特征信息来综合进行热电偶在当前时间点的加热功率值的调整,这样,能够对电子级电子级六氟丁二烯的生产进行有效地管理以提高制备效率和提高能源利用率。
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电子级六氟丁二烯制备的生产管理控制***的应用场景图。
图2为根据本申请实施例的用于电子级六氟丁二烯制备的生产管理控制***的框图。
图3为根据本申请实施例的用于电子级六氟丁二烯制备的生产管理控制***中训练模块的框图。
图4为根据本申请实施例的用于电子级六氟丁二烯制备的生产管理控制方法的流程图。
图5为根据本申请实施例的用于电子级六氟丁二烯制备的生产管理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,电子气体电子级六氟丁二烯 (C4F6) 是最新型的激光刻蚀剂,它可取代现在采用的激光刻蚀剂四氟化碳 (CF4)、六氟乙烷 (C2F6)、八氟丙烷 (C3F8)、八氟环丁烷 (C4F8) 用于 KrF 激光锐利刻蚀半导体电容器图形(patterns)的干法刻蚀工艺,刻蚀线宽可达到90nm以下。同现在使用效果最好的线宽只达到130nm 的刻蚀气体八氟环丁烷(C4F8) 相比,电子级六氟丁二烯 (C4F6)具有在大气中降解速度快、温室效应小、纵横比高以及选择性高等优点。
现有诸多用于制备电子级六氟丁二烯的方案,但这些方案或多或少存在一定的缺陷,例如,Gianangelo等报道 (US4654448) 将 11.4gI-CF2-CF2-CF2-CF2-I 与 50ml四氢呋喃 (THF) 混合后,加热至沸腾,缓慢滴加 1M 浓度的格氏试剂 50ml,反应后只得到一种气体2.9g,为全氟丁二烯,收率 71.6%,分析溶液中还有 1g 全氟丁二烯,总收率为 96%。通过实验证实,该过程中生成的气体为全氟丁二烯与全氟环丁烯的混合物,而且异构体全氟环丁烯与全氟丁二烯的沸点相差只有0.8℃,给分离带来很大的困难。同时溶解在溶剂中的全氟环丁烯较难提取,造成产品收率的下降。因此,需要一种用于电子级六氟丁二烯制备的生产管理控制***。
现有的电子级六氟丁二烯的合成方法,例如专利CN101774884B公开的一种方法,其特征是用 I-CF2-CF2-CF2-CF2-I 在极性溶剂存在下,与 Mg、Zn 或 Li 金属与芳香族有机化合物合成的格氏试剂在精馏塔中通过反应精馏的方式进行,反应过程中原料格式试剂和二碘八氟丁烷要分别滴加,控制滴加速率为 5-10 ml/min,反应温度为相应溶剂在反应条件下的沸点温度,反应在真空条件下进行,或者反应在常压下进行同时反应过程中使用氮气吹扫。
相应地,本申请发明人发现在现有的电子级六氟丁二烯的合成方法中,反应过程中原料格氏试剂和二碘八氟丁烷的滴加速率以及反应温度的控制是提高制备效率和提高能源利用率的关键。而对于对电子级电子级六氟丁二烯的生产进行控制管理这本质上也是一个分类的过程,也就是,在本申请的技术方案中,使用深度神经网络模型来挖掘出所述二碘八氟丁烷的滴加速率和格氏试剂的滴加速率的动态变化特征以及反应温度值的动态特征信息,进而再通过分类来综合进行热电偶的加热功率的实时动态控制。
具体地,在本申请的技术方案中,首先,通过部署于用于电子级六氟丁二烯生产制备设备中的各个滴加速度传感器和温度传感器以及功率检测器分别获取多个预定时间点的二碘八氟丁烷的滴加速率和格氏试剂的滴加速率,以及,所述多个预定时间点的塔釜温度、塔顶冷却温度和热电偶的加热功率。
然后,对于所述多个预定时间点的二碘八氟丁烷的滴加速率和格氏试剂的滴加速率来说,考虑到所述二碘八氟丁烷的滴加速率和所述格氏试剂的滴加速率在时间维度上都存在着动态性的变化特征,也就是,由于随着所述二碘八氟丁烷和所述格氏试剂的不断滴加入试剂中,反应的过程也会随之变化,此时只有根据反应的不同过程的变化特征来调整相适应的滴加速率,才能保证制备的效率和能源的利用率。因此,在本申请的技术方案中,为了充分地提取出这种动态性的变化特征,进一步将所述多个预定时间点的二碘八氟丁烷的滴加速率和格氏试剂的滴加速率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第一滴速特征向量和第二滴速特征向量。相应地,在一个具体示例中,所述第一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二碘八氟丁烷的滴加速率和所述格氏试剂的滴加速率在时序维度上的关联,并通过全连接编码分别提取所述二碘八氟丁烷的滴加速率和所述格氏试剂的滴加速率的高维隐含特征。
类似地,对于所述多个预定时间点的塔釜温度、塔顶冷却温度和热电偶的加热功率,考虑到在时间维度上也同样存在着特殊的动态变化特征,因此,在本申请的技术方案中,为了充分地提取出这种特殊的动态变化特征来准确地进行时间维度上的关联特征提取,进一步将所述多个预定时间点的塔釜温度、塔顶冷却温度和热电偶的加热功率分别排列为输入向量后通过训练完成的包含一维卷积层的第二时序编码器以得到塔釜温度特征向量、加热功率特征向量和冷却温度特征向量。
这样,就可以融合所述塔釜温度特征向量和所述加热功率特征向量,例如按位置点乘以得到用于表征所述塔釜温度和加热功率的隐含关联动态变化特征的温度特征向量。应可以理解,由于所述塔釜温度和加热功率的隐含关联动态变化特征与所述塔顶冷却温度的隐含特征之间的特征尺度不同,并且所述塔釜温度和加热功率的隐含关联动态变化特征在高维特征空间中可以看作是对于所述塔顶冷却温度变化的响应性特征,因此为了更好地融合所述温度特征向量和所述冷却温度特征向量,进一步计算所述温度特征向量相对于所述冷却温度特征向量的转移矩阵作为循环特征矩阵。
对于分别对应于所述二碘八氟丁烷的滴加速率和所述格氏试剂的滴加速率的所述第一滴速特征向量和所述第二滴速特征向量,将所述第一滴速特征向量的转置向量与所述第二滴速特征向量进行相乘,以融合这两者的特征信息得到滴速关联特征矩阵。然后,同样地,为了融合温度变化的隐含关联特征信息和所述滴加速率的动态隐含特征信息来进行分类,考虑到这两者的特征尺度不同,因此进一步计算所述滴速关联特征矩阵相对于所述循环特征矩阵的转移矩阵作为分类特征矩阵。再将所述分类特征矩阵通过分类器以得到用于表示当前时间点的热电偶的加热功率应增大或应减小的分类结果。
这里,由于所述循环特征矩阵表达所述温度特征向量相对于所述冷却温度特征向量的转移特征,而所述滴速关联特征矩阵表达所述第一滴速特征向量和所述第二滴速特征向量之间的关联特征,其在特征维度上具有较大的差异性。因此,在继续计算所述滴速关联特征矩阵相对于所述循环特征矩阵的转移矩阵作为分类矩阵时,所述分类矩阵的各个位置的特征值的分布构成的高维空间内的高维特征流形可能在维度上较为发散,从而影响其分类效果。
因此,本申请的申请人对于所述分类矩阵引入稀疏性隐式限制损失函数,表示为:
是所述分类矩阵的转换到概率空间的特征值,且是所述分类矩阵的所有特征值的均值。
这里,所述稀疏性隐式限制损失函数通过类KL散度形式对特征的隐式表达进行稀疏性约束,从而对模型的参数空间进行稀疏限制,这样,通过以其作为损失函数更新模型参数,可以提高模型参数在训练时推断期望特性的激活单元的平均活跃度,从而提高模型的群优化(swarm optimization)能力,改善了所述分类矩阵的分类效果。
基于此,本申请提出了一种用于电子级六氟丁二烯制备的生产管理控制***,其包括:实时数据采集单元,用于获取多个预定时间点的二碘八氟丁烷的滴加速率和格氏试剂的滴加速率,以及,所述多个预定时间点的塔釜温度、塔顶冷却温度和热电偶的加热功率;滴加速度编码单元,用于将所述多个预定时间点的二碘八氟丁烷的滴加速率和格氏试剂的滴加速率分别按照时间维度排列为输入向量后通过训练完成的包含一维卷积层的第一时序编码器以得到第一滴速特征向量和第二滴速特征向量;精馏塔数据编码单元,用于将所述多个预定时间点的塔釜温度、塔顶冷却温度和热电偶的加热功率分别排列为输入向量后通过训练完成的包含一维卷积层的第二时序编码器以得到塔釜温度特征向量、加热功率特征向量和冷却温度特征向量;融合单元,用于融合所述塔釜温度特征向量和所述加热功率特征向量以得到温度特征向量;精馏塔全局特征单元,用于计算所述温度特征向量相对于所述冷却温度特征向量的转移矩阵作为循环特征矩阵;滴速关联单元,用于将所述第一滴速特征向量的转置向量与所述第二滴速特征向量进行相乘以得到滴速关联特征矩阵;影响单元,用于计算所述滴速关联特征矩阵相对于所述循环特征矩阵的转移矩阵作为分类特征矩阵;以及,生产管理控制结果生成单元,用于将所述分类特征矩阵通过训练完成的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热电偶的加热功率应增大或应减小。
图1图示了根据本申请实施例的用于电子级六氟丁二烯制备的生产管理控制***的应用场景图。如图1所示,在该应用场景中,首先,通过部署于用于电子级六氟丁二烯生产制备设备(例如,如图1中所示意的E)中的各个滴加速度传感器(例如,如图1中所示意的D)和温度传感器(例如,如图1中所示意的T)以及功率检测器(例如,如图1中所示意的P)分别获取多个预定时间点的二碘八氟丁烷的滴加速率和格氏试剂的滴加速率,以及,所述多个预定时间点的塔釜温度、塔顶冷却温度和热电偶的加热功率。然后,将获得的所述多个预定时间点的二碘八氟丁烷的滴加速率和格氏试剂的滴加速率,以及,所述多个预定时间点的塔釜温度、塔顶冷却温度和热电偶的加热功率输入至部署有用于电子级六氟丁二烯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六氟丁二烯制备的生产管理控制算法对所述多个预定时间点的二碘八氟丁烷的滴加速率和格氏试剂的滴加速率,以及,所述多个预定时间点的塔釜温度、塔顶冷却温度和热电偶的加热功率进行处理,以生成用于表示当前时间点的热电偶的加热功率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电子级六氟丁二烯制备的生产管理控制***的框图。如图2所示,根据本申请实施例的用于电子级六氟丁二烯制备的生产管理控制***200,包括:实时数据采集单元 210,用于获取多个预定时间点的二碘八氟丁烷的滴加速率和格氏试剂的滴加速率,以及,所述多个预定时间点的塔釜温度、塔顶冷却温度和热电偶的加热功率;滴加速度编码单元 220,用于将所述多个预定时间点的二碘八氟丁烷的滴加速率和格氏试剂的滴加速率分别按照时间维度排列为输入向量后通过训练完成的包含一维卷积层的第一时序编码器以得到第一滴速特征向量和第二滴速特征向量;精馏塔数据编码单元 230,用于将所述多个预定时间点的塔釜温度、塔顶冷却温度和热电偶的加热功率分别排列为输入向量后通过训练完成的包含一维卷积层的第二时序编码器以得到塔釜温度特征向量、加热功率特征向量和冷却温度特征向量;融合单元 240,用于融合所述塔釜温度特征向量和所述加热功率特征向量以得到温度特征向量;精馏塔全局特征单元 250,用于计算所述温度特征向量相对于所述冷却温度特征向量的转移矩阵作为循环特征矩阵;滴速关联单元 260,用于将所述第一滴速特征向量的转置向量与所述第二滴速特征向量进行相乘以得到滴速关联特征矩阵;影响单元 270,用于计算所述滴速关联特征矩阵相对于所述循环特征矩阵的转移矩阵作为分类特征矩阵;以及,生产管理控制结果生成单元 280,用于将所述分类特征矩阵通过训练完成的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热电偶的加热功率应增大或应减小。
具体地,在本申请实施例中,所述实时数据采集单元 210和所述滴加速度编码单元 220,用于获取多个预定时间点的二碘八氟丁烷的滴加速率和格氏试剂的滴加速率,以及,所述多个预定时间点的塔釜温度、塔顶冷却温度和热电偶的加热功率,并将所述多个预定时间点的二碘八氟丁烷的滴加速率和格氏试剂的滴加速率分别按照时间维度排列为输入向量后通过训练完成的包含一维卷积层的第一时序编码器以得到第一滴速特征向量和第二滴速特征向量。如前所述,应可以理解,由于在现有的电子级六氟丁二烯的合成方法中,反应过程中原料格氏试剂和二碘八氟丁烷的滴加速率以及反应温度的控制是提高制备效率和提高能源利用率的关键。而对于对电子级电子级六氟丁二烯的生产进行控制管理这本质上也是一个分类的过程,也就是,在本申请的技术方案中,使用深度神经网络模型来挖掘出所述二碘八氟丁烷的滴加速率和格氏试剂的滴加速率的动态变化特征以及反应温度值的动态特征信息,进而再通过分类来综合进行热电偶的加热功率的实时动态控制。
也就是,具体地,在本申请的技术方案中,首先,通过部署于用于电子级六氟丁二烯生产制备设备中的各个滴加速度传感器和温度传感器以及功率检测器分别获取多个预定时间点的二碘八氟丁烷的滴加速率和格氏试剂的滴加速率,以及,所述多个预定时间点的塔釜温度、塔顶冷却温度和热电偶的加热功率。
然后,对于所述多个预定时间点的二碘八氟丁烷的滴加速率和格氏试剂的滴加速率来说,考虑到所述二碘八氟丁烷的滴加速率和所述格氏试剂的滴加速率在时间维度上都存在着动态性的变化特征,也就是,由于随着所述二碘八氟丁烷和所述格氏试剂的不断滴加入试剂中,反应的过程也会随之变化,此时只有根据反应的不同过程的变化特征来调整相适应的滴加速率,才能保证制备的效率和能源的利用率。因此,在本申请的技术方案中,为了充分地提取出这种动态性的变化特征,进一步将所述多个预定时间点的二碘八氟丁烷的滴加速率和格氏试剂的滴加速率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第一滴速特征向量和第二滴速特征向量。相应地,在一个具体示例中,所述第一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二碘八氟丁烷的滴加速率和所述格氏试剂的滴加速率在时序维度上的关联,并通过全连接编码分别提取所述二碘八氟丁烷的滴加速率和所述格氏试剂的滴加速率的高维隐含特征。
更具体地,在本申请实施例中,所述滴加速度编码单元,进一步用于:第一输入向量排列子单元,用于将所述多个预定时间点的二碘八氟丁烷的滴加速率和格氏试剂的滴加速率按照时间维度排列为第一速率输入向量和第二速率输入向量;第一全连接编码子单元,用于使用所述第一时序编码器的全连接层以如下公式对所述第一速率输入向量和所述第二速率输入向量进行全连接编码以分别提取出所述第一速率输入向量和所述第二速率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:,其中是所述输入向量,是输出向量,是权重矩阵,是偏置向量,表示矩阵乘;第一一维卷积编码子单元,用于使用所述第一时序编码器的一维卷积层以如下公式对所述第一速率输入向量和所述第二速率输入向量进行一维卷积编码以分别提取出所述第一速率输入向量和所述第二速率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:
其中,为卷积核在方向上的宽度、为卷积核参数向量、为与卷积核函数运算的局部向量矩阵,为卷积核的尺寸,表示所述输入向量。
具体地,在本申请实施例中,所述精馏塔数据编码单元 230,用于将所述多个预定时间点的塔釜温度、塔顶冷却温度和热电偶的加热功率分别排列为输入向量后通过训练完成的包含一维卷积层的第二时序编码器以得到塔釜温度特征向量、加热功率特征向量和冷却温度特征向量。也就是,在本申请的技术方案中,类似地,对于所述多个预定时间点的塔釜温度、塔顶冷却温度和热电偶的加热功率,考虑到在时间维度上也同样存在着特殊的动态变化特征,因此,在本申请的技术方案中,为了充分地提取出这种特殊的动态变化特征来准确地进行时间维度上的关联特征提取,进一步将所述多个预定时间点的塔釜温度、塔顶冷却温度和热电偶的加热功率分别排列为输入向量后通过训练完成的包含一维卷积层的第二时序编码器以得到塔釜温度特征向量、加热功率特征向量和冷却温度特征向量。
更具体地,在本申请实施例中,所述精馏塔数据编码单元,进一步用于:第二输入向量排列子单元,用于将所述多个预定时间点的塔釜温度、塔顶冷却温度和热电偶的加热功率按照时间维度排列为第一温度输入向量、第二温度输入向量和功率输入向量;第二全连接编码子单元,用于使用所述第二时序编码器的全连接层以如下公式对所述第一温度输入向量、所述第二温度输入向量和所述功率输入向量进行全连接编码以分别提取出所述第一温度输入向量、所述第二温度输入向量和所述功率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:,其中是所述输入向量,是输出向量,是权重矩阵,是偏置向量,表示矩阵乘;第二一维卷积编码子单元,用于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第一温度输入向量、所述第二温度输入向量和所述功率输入向量进行一维卷积编码以分别提取出所述第一温度输入向量、所述第二温度输入向量和所述功率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:
其中,为卷积核在方向上的宽度、为卷积核参数向量、为与卷积核函数运算的局部向量矩阵,为卷积核的尺寸,表示所述输入向量。具体地,在本申请实施例中,所述融合单元 240和所述精馏塔全局特征单元 250,用于融合所述塔釜温度特征向量和所述加热功率特征向量以得到温度特征向量,并计算所述温度特征向量相对于所述冷却温度特征向量的转移矩阵作为循环特征矩阵。也就是,在本申请的技术方案中,进一步就可以融合所述塔釜温度特征向量和所述加热功率特征向量,例如按位置点乘以得到用于表征所述塔釜温度和加热功率的隐含关联动态变化特征的温度特征向量。应可以理解,由于所述塔釜温度和加热功率的隐含关联动态变化特征与所述塔顶冷却温度的隐含特征之间的特征尺度不同,并且所述塔釜温度和加热功率的隐含关联动态变化特征在高维特征空间中可以看作是对于所述塔顶冷却温度变化的响应性特征,因此为了更好地融合所述温度特征向量和所述冷却温度特征向量,在本申请的技术方案中,进一步计算所述温度特征向量相对于所述冷却温度特征向量的转移矩阵作为循环特征矩阵。
更具体地,在本申请实施例中,所述融合单元,进一步用于:以如下公式融合所述塔釜温度特征向量和所述加热功率特征向量以得到所述温度特征向量;
其中,所述公式为:
其中表示所述塔釜温度特征向量,表示所述加热功率特征向量,表示所述温度特征向量,表示按位置点乘。
更具体地,在本申请实施例中,所述精馏塔全局特征单元,进一步用于:以如下公式计算所述温度特征向量相对于所述冷却温度特征向量的转移矩阵作为所述循环特征矩阵;
其中,所述公式为:
其中表示所述温度特征向量,表示所述循环特征矩阵,表示所述冷却温度特征向量。
具体地,在本申请实施例中,和所述滴速关联单元 260、所述影响单元 270和所述生产管理控制结果生成单元 280,用于将所述第一滴速特征向量的转置向量与所述第二滴速特征向量进行相乘以得到滴速关联特征矩阵,并计算所述滴速关联特征矩阵相对于所述循环特征矩阵的转移矩阵作为分类特征矩阵,再将所述分类特征矩阵通过训练完成的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热电偶的加热功率应增大或应减小。也就是,在本申请的技术方案中,对于分别对应于所述二碘八氟丁烷的滴加速率和所述格氏试剂的滴加速率的所述第一滴速特征向量和所述第二滴速特征向量,将所述第一滴速特征向量的转置向量与所述第二滴速特征向量进行相乘,以融合这两者的特征信息得到滴速关联特征矩阵。然后,同样地,为了融合温度变化的隐含关联特征信息和所述滴加速率的动态隐含特征信息来进行分类,考虑到这两者的特征尺度不同,因此进一步计算所述滴速关联特征矩阵相对于所述循环特征矩阵的转移矩阵作为分类特征矩阵。再将所述分类特征矩阵通过分类器以得到用于表示当前时间点的热电偶的加热功率应增大或应减小的分类结果。相应地,在一个具体示例中,所述分类器以如下公式对所述分类特征矩阵进行处理以生成分类结果,其中,所述公式为:,
其中表示将所述分类特征矩阵投影为向量,至为各层全连接层的权重矩阵,至表示各层全连接层的偏置矩阵。
更具体地,在本申请实施例中,所述精馏塔全局特征单元,进一步用于:以如下公式计算所述温度特征向量相对于所述冷却温度特征向量的转移矩阵作为所述循环特征矩阵;其中,所述公式为:
其中表示所述温度特征向量,表示所述循环特征矩阵,表示所述冷却温度特征向量。
这里,由于所述循环特征矩阵表达所述温度特征向量相对于所述冷却温度特征向量的转移特征,而所述滴速关联特征矩阵表达所述第一滴速特征向量和所述第二滴速特征向量之间的关联特征,其在特征维度上具有较大的差异性。因此,在继续计算所述滴速关联特征矩阵相对于所述循环特征矩阵的转移矩阵作为分类矩阵时,所述分类矩阵的各个位置的特征值的分布构成的高维空间内的高维特征流形可能在维度上较为发散,从而影响其分类效果。因此,在本申请的技术方案中,进一步对所述第一时序编码器、所述第二时序编码器和所述分类器进行训练。
图3图示了根据本申请实施例的用于电子级六氟丁二烯制备的生产管理控制***中训练模块的框图。如图3所示,所述训练模块 300,包括:训练数据获取单元 310,用于获取训练数据,所述训练数据包括多个预定时间点的二碘八氟丁烷的滴加速率和格氏试剂的滴加速率,以及,所述多个预定时间点的塔釜温度、塔顶冷却温度和热电偶的加热功率;训练滴加速度编码单元 320,用于将所述多个预定时间点的二碘八氟丁烷的滴加速率和格氏试剂的滴加速率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第一滴速特征向量和第二滴速特征向量;训练精馏塔数据编码单元 330,用于将所述多个预定时间点的塔釜温度、塔顶冷却温度和热电偶的加热功率分别排列为输入向量后通过包含一维卷积层的第二时序编码器以得到塔釜温度特征向量、加热功率特征向量和冷却温度特征向量;训练融合单元 340,用于融合所述塔釜温度特征向量和所述加热功率特征向量以得到温度特征向量;训练精馏塔全局特征单元 350,用于计算所述温度特征向量相对于所述冷却温度特征向量的转移矩阵作为循环特征矩阵;训练滴速关联单元360,将所述第一滴速特征向量的转置向量与所述第二滴速特征向量进行相乘以得到滴速关联特征矩阵;训练影响单元 370,计算所述滴速关联特征矩阵相对于所述循环特征矩阵的转移矩阵作为分类特征矩阵;分类损失计算单元 380,用于将所述分类特征矩阵通过分类器以得到分类损失函数值;稀疏性隐式限制损失单元 390,用于计算所述分类矩阵的稀疏性隐式限制损失函数值;以及,训练单元 400,用于以所述分类矩阵的稀疏性隐式限制损失函数值和所述分类损失函数值的加权和作为损失函数值对所述第一时序编码器、所述第二时序编码器和所述分类器进行训练。
具体地,在本申请实施例中,所述稀疏性隐式限制损失单元 390,用于计算所述分类矩阵的稀疏性隐式限制损失函数值。应可以理解,由于所述循环特征矩阵表达所述温度特征向量相对于所述冷却温度特征向量的转移特征,而所述滴速关联特征矩阵表达所述第一滴速特征向量和所述第二滴速特征向量之间的关联特征,其在特征维度上具有较大的差异性。因此,在继续计算所述滴速关联特征矩阵相对于所述循环特征矩阵的转移矩阵作为分类矩阵时,所述分类矩阵的各个位置的特征值的分布构成的高维空间内的高维特征流形可能在维度上较为发散,从而影响其分类效果。因此,本申请的申请人对于所述分类矩阵引入稀疏性隐式限制损失函数。
更具体地,在本申请实施例中,所述稀疏性隐式限制损失单元,进一步用于:以如下公式计算所述分类矩阵的稀疏性隐式限制损失函数值;所述稀疏性隐式限制损失单元,进一步用于:以如下公式计算所述分类矩阵的稀疏性隐式限制损失函数值;其中,所述公式为:
其中,是所述分类矩阵的转换到概率空间的特征值,且是所述分类矩阵的所有特征值的均值, 表示以2为底的对数函数值,且表示所述分类矩阵的稀疏性隐式限制损失函数值。应可以理解,所述稀疏性隐式限制损失函数通过类KL散度形式对特征的隐式表达进行稀疏性约束,从而对模型的参数空间进行稀疏限制,这样,通过以其作为损失函数更新模型参数,可以提高模型参数在训练时推断期望特性的激活单元的平均活跃度,从而提高模型的群优化(swarm optimization)能力,改善了所述分类矩阵的分类效果。
综上,基于本申请实施例的所述用于电子级六氟丁二烯制备的生产管理控制***200被阐明,其通过人工智能的控制技术,利用深度神经网络模型来分别提取出二碘八氟丁烷的滴加速率和格氏试剂的滴加速率,以及塔釜温度、塔顶冷却温度和热电偶的加热功率在时序维度上的动态隐含关联特征信息,并利用这些特征信息来综合进行热电偶在当前时间点的加热功率值的调整,这样,能够对电子级电子级六氟丁二烯的生产进行有效地管理以提高制备效率和提高能源利用率。
如上所述,根据本申请实施例的用于电子级六氟丁二烯制备的生产管理控制***200可以实现在各种终端设备中,例如用于电子级六氟丁二烯制备的生产管理控制算法的服务器等。在一个示例中,根据本申请实施例的用于电子级六氟丁二烯制备的生产管理控制*** 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,该用于电子级六氟丁二烯制备的生产管理控制*** 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,该用于电子级六氟丁二烯制备的生产管理控制*** 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,该用于电子级六氟丁二烯制备的生产管理控制*** 200与该终端设备也可以是分立的设备,并且该用于电子级六氟丁二烯制备的生产管理控制*** 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图示了用于电子级六氟丁二烯制备的生产管理控制方法的流程图。如图4所示,根据本申请实施例的用于电子级六氟丁二烯制备的生产管理控制方法,包括步骤:S110,获取多个预定时间点的二碘八氟丁烷的滴加速率和格氏试剂的滴加速率,以及,所述多个预定时间点的塔釜温度、塔顶冷却温度和热电偶的加热功率;S120,将所述多个预定时间点的二碘八氟丁烷的滴加速率和格氏试剂的滴加速率分别按照时间维度排列为输入向量后通过训练完成的包含一维卷积层的第一时序编码器以得到第一滴速特征向量和第二滴速特征向量;S130,将所述多个预定时间点的塔釜温度、塔顶冷却温度和热电偶的加热功率分别排列为输入向量后通过训练完成的包含一维卷积层的第二时序编码器以得到塔釜温度特征向量、加热功率特征向量和冷却温度特征向量;S140,融合所述塔釜温度特征向量和所述加热功率特征向量以得到温度特征向量;S150,计算所述温度特征向量相对于所述冷却温度特征向量的转移矩阵作为循环特征矩阵;S160,将所述第一滴速特征向量的转置向量与所述第二滴速特征向量进行相乘以得到滴速关联特征矩阵;S170,计算所述滴速关联特征矩阵相对于所述循环特征矩阵的转移矩阵作为分类特征矩阵;以及,S180,将所述分类特征矩阵通过训练完成的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热电偶的加热功率应增大或应减小。
图5图示了根据本申请实施例的用于电子级六氟丁二烯制备的生产管理控制方法的架构示意图。如图5所示,在所述用于电子级六氟丁二烯制备的生产管理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二碘八氟丁烷的滴加速率(例如,如图5中所示意的P1)和格氏试剂的滴加速率(例如,如图5中所示意的P2)分别按照时间维度排列为输入向量(例如,如图5中所示意的V1和V2)后通过训练完成的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)以得到第一滴速特征向量(例如,如图5中所示意的VF1)和第二滴速特征向量(例如,如图5中所示意的VF2);接着,将所述多个预定时间点的塔釜温度(例如,如图5中所示意的Q1)、塔顶冷却温度(例如,如图5中所示意的Q2)和热电偶的加热功率(例如,如图5中所示意的Q3)分别排列为输入向量(例如,如图5中所示意的V3、V4和V5)后通过训练完成的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)以得到塔釜温度特征向量(例如,如图5中所示意的VF3)、加热功率特征向量(例如,如图5中所示意的VF5)和冷却温度特征向量(例如,如图5中所示意的VF4);然后,融合所述塔釜温度特征向量和所述加热功率特征向量以得到温度特征向量(例如,如图5中所示意的VF);接着,计算所述温度特征向量相对于所述冷却温度特征向量的转移矩阵作为循环特征矩阵(例如,如图5中所示意的MF1);然后,将所述第一滴速特征向量的转置向量与所述第二滴速特征向量进行相乘以得到滴速关联特征矩阵(例如,如图5中所示意的MF2);接着,计算所述滴速关联特征矩阵相对于所述循环特征矩阵的转移矩阵作为分类特征矩阵(例如,如图5中所示意的MF);以及,最后,将所述分类特征矩阵通过训练完成的分类器(例如,如图5中所示意的分类器)以得到分类结果,所述分类结果用于表示当前时间点的热电偶的加热功率应增大或应减小。
更具体地,在步骤S110和S120中,获取多个预定时间点的二碘八氟丁烷的滴加速率和格氏试剂的滴加速率,以及,所述多个预定时间点的塔釜温度、塔顶冷却温度和热电偶的加热功率,并将所述多个预定时间点的二碘八氟丁烷的滴加速率和格氏试剂的滴加速率分别按照时间维度排列为输入向量后通过训练完成的包含一维卷积层的第一时序编码器以得到第一滴速特征向量和第二滴速特征向量。应可以理解,由于在现有的电子级六氟丁二烯的合成方法中,反应过程中原料格氏试剂和二碘八氟丁烷的滴加速率以及反应温度的控制是提高制备效率和提高能源利用率的关键。而对于对电子级电子级六氟丁二烯的生产进行控制管理这本质上也是一个分类的过程,也就是,在本申请的技术方案中,使用深度神经网络模型来挖掘出所述二碘八氟丁烷的滴加速率和格氏试剂的滴加速率的动态变化特征以及反应温度值的动态特征信息,进而再通过分类来综合进行热电偶的加热功率的实时动态控制。
也就是,具体地,在本申请的技术方案中,首先,通过部署于用于电子级六氟丁二烯生产制备设备中的各个滴加速度传感器和温度传感器以及功率检测器分别获取多个预定时间点的二碘八氟丁烷的滴加速率和格氏试剂的滴加速率,以及,所述多个预定时间点的塔釜温度、塔顶冷却温度和热电偶的加热功率。
然后,对于所述多个预定时间点的二碘八氟丁烷的滴加速率和格氏试剂的滴加速率来说,考虑到所述二碘八氟丁烷的滴加速率和所述格氏试剂的滴加速率在时间维度上都存在着动态性的变化特征,也就是,由于随着所述二碘八氟丁烷和所述格氏试剂的不断滴加入试剂中,反应的过程也会随之变化,此时只有根据反应的不同过程的变化特征来调整相适应的滴加速率,才能保证制备的效率和能源的利用率。因此,在本申请的技术方案中,为了充分地提取出这种动态性的变化特征,进一步将所述多个预定时间点的二碘八氟丁烷的滴加速率和格氏试剂的滴加速率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第一滴速特征向量和第二滴速特征向量。相应地,在一个具体示例中,所述第一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二碘八氟丁烷的滴加速率和所述格氏试剂的滴加速率在时序维度上的关联,并通过全连接编码分别提取所述二碘八氟丁烷的滴加速率和所述格氏试剂的滴加速率的高维隐含特征。
更具体地,在步骤S130中,将所述多个预定时间点的塔釜温度、塔顶冷却温度和热电偶的加热功率分别排列为输入向量后通过训练完成的包含一维卷积层的第二时序编码器以得到塔釜温度特征向量、加热功率特征向量和冷却温度特征向量。也就是,在本申请的技术方案中,类似地,对于所述多个预定时间点的塔釜温度、塔顶冷却温度和热电偶的加热功率,考虑到在时间维度上也同样存在着特殊的动态变化特征,因此,在本申请的技术方案中,为了充分地提取出这种特殊的动态变化特征来准确地进行时间维度上的关联特征提取,进一步将所述多个预定时间点的塔釜温度、塔顶冷却温度和热电偶的加热功率分别排列为输入向量后通过训练完成的包含一维卷积层的第二时序编码器以得到塔釜温度特征向量、加热功率特征向量和冷却温度特征向量。
更具体地,在步骤S140和步骤S150中,融合所述塔釜温度特征向量和所述加热功率特征向量以得到温度特征向量,并计算所述温度特征向量相对于所述冷却温度特征向量的转移矩阵作为循环特征矩阵。也就是,在本申请的技术方案中,进一步就可以融合所述塔釜温度特征向量和所述加热功率特征向量,例如按位置点乘以得到用于表征所述塔釜温度和加热功率的隐含关联动态变化特征的温度特征向量。应可以理解,由于所述塔釜温度和加热功率的隐含关联动态变化特征与所述塔顶冷却温度的隐含特征之间的特征尺度不同,并且所述塔釜温度和加热功率的隐含关联动态变化特征在高维特征空间中可以看作是对于所述塔顶冷却温度变化的响应性特征,因此为了更好地融合所述温度特征向量和所述冷却温度特征向量,在本申请的技术方案中,进一步计算所述温度特征向量相对于所述冷却温度特征向量的转移矩阵作为循环特征矩阵。
更具体地,在步骤S160、步骤S170和步骤S180中,将所述第一滴速特征向量的转置向量与所述第二滴速特征向量进行相乘以得到滴速关联特征矩阵,并计算所述滴速关联特征矩阵相对于所述循环特征矩阵的转移矩阵作为分类特征矩阵,再将所述分类特征矩阵通过训练完成的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热电偶的加热功率应增大或应减小。也就是,在本申请的技术方案中,对于分别对应于所述二碘八氟丁烷的滴加速率和所述格氏试剂的滴加速率的所述第一滴速特征向量和所述第二滴速特征向量,将所述第一滴速特征向量的转置向量与所述第二滴速特征向量进行相乘,以融合这两者的特征信息得到滴速关联特征矩阵。然后,同样地,为了融合温度变化的隐含关联特征信息和所述滴加速率的动态隐含特征信息来进行分类,考虑到这两者的特征尺度不同,因此进一步计算所述滴速关联特征矩阵相对于所述循环特征矩阵的转移矩阵作为分类特征矩阵。再将所述分类特征矩阵通过分类器以得到用于表示当前时间点的热电偶的加热功率应增大或应减小的分类结果。
综上,基于本申请实施例的所述用于电子级六氟丁二烯制备的生产管理控制方法被阐明,其通过人工智能的控制技术,利用深度神经网络模型来分别提取出二碘八氟丁烷的滴加速率和格氏试剂的滴加速率,以及塔釜温度、塔顶冷却温度和热电偶的加热功率在时序维度上的动态隐含关联特征信息,并利用这些特征信息来综合进行热电偶在当前时间点的加热功率值的调整,这样,能够对电子级电子级六氟丁二烯的生产进行有效地管理以提高制备效率和提高能源利用率。
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 (9)
1.一种用于电子级六氟丁二烯制备的生产管理控制***,其特征在于,包括:实时数据采集单元,用于获取多个预定时间点的二碘八氟丁烷的滴加速率和格氏试剂的滴加速率,以及,所述多个预定时间点的塔釜温度、塔顶冷却温度和热电偶的加热功率;滴加速度编码单元,用于将所述多个预定时间点的二碘八氟丁烷的滴加速率和格氏试剂的滴加速率分别按照时间维度排列为输入向量后通过训练完成的包含一维卷积层的第一时序编码器以得到第一滴速特征向量和第二滴速特征向量;精馏塔数据编码单元,用于将所述多个预定时间点的塔釜温度、塔顶冷却温度和热电偶的加热功率分别排列为输入向量后通过训练完成的包含一维卷积层的第二时序编码器以得到塔釜温度特征向量、加热功率特征向量和冷却温度特征向量;融合单元,用于融合所述塔釜温度特征向量和所述加热功率特征向量以得到温度特征向量;精馏塔全局特征单元,用于计算所述温度特征向量相对于所述冷却温度特征向量的转移矩阵作为循环特征矩阵;滴速关联单元,用于将所述第一滴速特征向量的转置向量与所述第二滴速特征向量进行相乘以得到滴速关联特征矩阵;影响单元,用于计算所述滴速关联特征矩阵相对于所述循环特征矩阵的转移矩阵作为分类特征矩阵;以及生产管理控制结果生成单元,用于将所述分类特征矩阵通过训练完成的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热电偶的加热功率应增大或应减小。
2.根据权利要求1所述的用于电子级六氟丁二烯制备的生产管理控制***,其特征在于,所述生产管理控制***,用于对所述第一时序编码器、所述第二时序编码器和所述分类器进行训练的训练模块;其中,所述训练模块,包括:训练数据获取单元,用于获取训练数据,所述训练数据包括多个预定时间点的二碘八氟丁烷的滴加速率和格氏试剂的滴加速率,以及,所述多个预定时间点的塔釜温度、塔顶冷却温度和热电偶的加热功率;训练滴加速度编码单元,用于将所述多个预定时间点的二碘八氟丁烷的滴加速率和格氏试剂的滴加速率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第一滴速特征向量和第二滴速特征向量;训练精馏塔数据编码单元,用于将所述多个预定时间点的塔釜温度、塔顶冷却温度和热电偶的加热功率分别排列为输入向量后通过包含一维卷积层的第二时序编码器以得到塔釜温度特征向量、加热功率特征向量和冷却温度特征向量;训练融合单元,用于融合所述塔釜温度特征向量和所述加热功率特征向量以得到温度特征向量;训练精馏塔全局特征单元,用于计算所述温度特征向量相对于所述冷却温度特征向量的转移矩阵作为循环特征矩阵;训练滴速关联单元,将所述第一滴速特征向量的转置向量与所述第二滴速特征向量进行相乘以得到滴速关联特征矩阵;训练影响单元,计算所述滴速关联特征矩阵相对于所述循环特征矩阵的转移矩阵作为分类特征矩阵;分类损失计算单元,用于将所述分类特征矩阵通过分类器以得到分类损失函数值;稀疏性隐式限制损失单元,用于计算所述分类矩阵的稀疏性隐式限制损失函数值;以及训练单元,用于以所述分类矩阵的稀疏性隐式限制损失函数值和所述分类损失函数值的加权和作为损失函数值对所述第一时序编码器、所述第二时序编码器和所述分类器进行训练。
3.根据权利要求2所述的用于电子级六氟丁二烯制备的生产管理控制***,其特征在于,所述滴加速度编码单元,进一步用于:第一输入向量排列子单元,用于将所述多个预定时间点的二碘八氟丁烷的滴加速率和格氏试剂的滴加速率按照时间维度排列为第一速率输入向量和第二速率输入向量;第一全连接编码子单元,用于使用所述第一时序编码器的全连接层以如下公式对所述第一速率输入向量和所述第二速率输入向量进行全连接编码以分别提取出所述第一速率输入向量和所述第二速率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:,其中是所述输入向量,是输出向量,是权重矩阵,是偏置向量,表示矩阵乘;第一一维卷积编码子单元,用于使用所述第一时序编码器的一维卷积层以如下公式对所述第一速率输入向量和所述第二速率输入向量进行一维卷积编码以分别提取出所述第一速率输入向量和所述第二速率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:
其中,为卷积核在方向上的宽度、为卷积核参数向量、为与卷积核函数运算的局部向量矩阵,为卷积核的尺寸,表示所述输入向量。
4.根据权利要求3所述的用于电子级六氟丁二烯制备的生产管理控制***,其特征在于,所述精馏塔数据编码单元,进一步用于:第二输入向量排列子单元,用于将所述多个预定时间点的塔釜温度、塔顶冷却温度和热电偶的加热功率按照时间维度排列为第一温度输入向量、第二温度输入向量和功率输入向量;第二全连接编码子单元,用于使用所述第二时序编码器的全连接层以如下公式对所述第一温度输入向量、所述第二温度输入向量和所述功率输入向量进行全连接编码以分别提取出所述第一温度输入向量、所述第二温度输入向量和所述功率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:,其中是所述输入向量,是输出向量,是权重矩阵,是偏置向量,表示矩阵乘;第二一维卷积编码子单元,用于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第一温度输入向量、所述第二温度输入向量和所述功率输入向量进行一维卷积编码以分别提取出所述第一温度输入向量、所述第二温度输入向量和所述功率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:
其中,为卷积核在方向上的宽度、为卷积核参数向量、为与卷积核函数运算的局部向量矩阵,为卷积核的尺寸,表示所述输入向量。
5.根据权利要求4所述的用于电子级六氟丁二烯制备的生产管理控制***,其特征在于,所述融合单元,进一步用于:以如下公式融合所述塔釜温度特征向量和所述加热功率特征向量以得到所述温度特征向量;其中,所述公式为:
其中表示所述塔釜温度特征向量,表示所述加热功率特征向量,表示所述温度特征向量,表示按位置点乘。
6.根据权利要求5所述的用于电子级六氟丁二烯制备的生产管理控制***,其特征在于,所述精馏塔全局特征单元,进一步用于:以如下公式计算所述温度特征向量相对于所述冷却温度特征向量的转移矩阵作为所述循环特征矩阵;其中,所述公式为:
其中表示所述温度特征向量,表示所述循环特征矩阵,表示所述冷却温度特征向量。
7.根据权利要求6所述的用于电子级六氟丁二烯制备的生产管理控制***,其特征在于,所述影响单元,进一步用于:以如下公式计算所述滴速关联特征矩阵相对于所述循环特征矩阵的转移矩阵作为所述分类特征矩阵;其中,所述公式为:
其中表示所述滴速关联特征矩阵,表示所述分类特征矩阵,表示所述循环特征矩阵。
8.根据权利要求7所述的用于电子级六氟丁二烯制备的生产管理控制***,其特征在于,所述生产管理控制结果生成单元,进一步用于:所述分类器以如下公式对所述分类特征矩阵进行处理以生成分类结果,其中,所述公式为:,其中表示将所述分类特征矩阵投影为向量,至为各层全连接层的权重矩阵,至表示各层全连接层的偏置矩阵。
9.根据权利要求8所述的用于电子级六氟丁二烯制备的生产管理控制***,其特征在于,所述稀疏性隐式限制损失单元,进一步用于:以如下公式计算所述分类矩阵的稀疏性隐式限制损失函数值;其中,所述公式为:
其中,是所述分类矩阵的转换到概率空间的特征值,且是所述分类矩阵的所有特征值的均值,表示以2为底的对数函数值,且表示所述分类矩阵的稀疏性隐式限制损失函数值。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211513663.4A CN115903705B (zh) | 2022-11-30 | 2022-11-30 | 用于电子级六氟丁二烯制备的生产管理控制*** |
PCT/CN2023/086983 WO2024113599A1 (zh) | 2022-11-30 | 2023-04-07 | 用于电子级六氟丁二烯制备的生产管理控制*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211513663.4A CN115903705B (zh) | 2022-11-30 | 2022-11-30 | 用于电子级六氟丁二烯制备的生产管理控制*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115903705A true CN115903705A (zh) | 2023-04-04 |
CN115903705B CN115903705B (zh) | 2023-07-14 |
Family
ID=86483035
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211513663.4A Active CN115903705B (zh) | 2022-11-30 | 2022-11-30 | 用于电子级六氟丁二烯制备的生产管理控制*** |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN115903705B (zh) |
WO (1) | WO2024113599A1 (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116147130A (zh) * | 2023-04-18 | 2023-05-23 | 杭州行至云起科技有限公司 | 智能家居控制***及其方法 |
CN116659043A (zh) * | 2023-05-24 | 2023-08-29 | 碳次方(河南)科技有限责任公司 | 可减少碳排放的绿色建筑结构的控制***及其方法 |
CN117388893A (zh) * | 2023-12-11 | 2024-01-12 | 深圳市移联通信技术有限责任公司 | 一种基于gps的多设备定位*** |
WO2024113599A1 (zh) * | 2022-11-30 | 2024-06-06 | 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*** |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101774884A (zh) * | 2010-01-14 | 2010-07-14 | 天津大学 | 一种六氟丁二烯的制备方法 |
US20150378372A1 (en) * | 2014-06-27 | 2015-12-31 | Sunedison Semiconductor Limited (Uen201334164H) | Systems and methods for controlling temperatures in an epitaxial reactor |
US20170068261A1 (en) * | 2015-09-08 | 2017-03-09 | Mediatek Inc. | Adaptive Thermal Slope Control |
US20180007771A1 (en) * | 2015-04-23 | 2018-01-04 | Gigaphoton Inc. | Droplet detector and extreme ultraviolet light generating apparatus |
CN109232167A (zh) * | 2018-11-06 | 2019-01-18 | 南通宝凯化工有限公司 | 一种全氟丁二烯的制备工艺 |
WO2021204010A1 (zh) * | 2020-11-19 | 2021-10-14 | 平安科技(深圳)有限公司 | 一种时序异常检测方法、装置、计算机设备及存储介质 |
CN114870416A (zh) * | 2022-04-28 | 2022-08-09 | 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 |
CN115079572A (zh) * | 2022-06-30 | 2022-09-20 | 福建省龙德新能源有限公司 | 用于六氟磷酸锂制备的能源管理控制***及其控制方法 |
CN115097884A (zh) * | 2022-05-26 | 2022-09-23 | 福建龙氟化工有限公司 | 用于电子级氢氟酸制备的能源管理控制***及其控制方法 |
CN115093190A (zh) * | 2022-07-29 | 2022-09-23 | 长兴贝斯德邦建材科技有限公司 | 气凝胶无机保温膏料及其智能化生产*** |
CN115259089A (zh) * | 2022-07-01 | 2022-11-01 | 福建龙氟化工有限公司 | 用于电子级氢氟酸制备的生产管理控制***及其控制方法 |
CN115309215A (zh) * | 2022-08-05 | 2022-11-08 | 福建龙氟化工有限公司 | 氟化铵制备用的自动配料控制***及其控制方法 |
CN115342679A (zh) * | 2022-07-15 | 2022-11-15 | 福建省杭氟电子材料有限公司 | 一种用于六氟丁二烯制备的智能化冷却液循环控制*** |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102357131B1 (ko) * | 2020-04-09 | 2022-01-28 | 한국과학기술연구원 | 함불소 환형 황 화합물의 제조방법 |
CN115346345B (zh) * | 2022-07-28 | 2023-06-06 | 福建省杭氟电子材料有限公司 | 一种用于六氟丁二烯制备的智能化有毒有害气体报警*** |
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*** |
-
2022
- 2022-11-30 CN CN202211513663.4A patent/CN115903705B/zh active Active
-
2023
- 2023-04-07 WO PCT/CN2023/086983 patent/WO2024113599A1/zh unknown
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101774884A (zh) * | 2010-01-14 | 2010-07-14 | 天津大学 | 一种六氟丁二烯的制备方法 |
US20150378372A1 (en) * | 2014-06-27 | 2015-12-31 | Sunedison Semiconductor Limited (Uen201334164H) | Systems and methods for controlling temperatures in an epitaxial reactor |
US20180007771A1 (en) * | 2015-04-23 | 2018-01-04 | Gigaphoton Inc. | Droplet detector and extreme ultraviolet light generating apparatus |
US20170068261A1 (en) * | 2015-09-08 | 2017-03-09 | Mediatek Inc. | Adaptive Thermal Slope Control |
CN109232167A (zh) * | 2018-11-06 | 2019-01-18 | 南通宝凯化工有限公司 | 一种全氟丁二烯的制备工艺 |
WO2021204010A1 (zh) * | 2020-11-19 | 2021-10-14 | 平安科技(深圳)有限公司 | 一种时序异常检测方法、装置、计算机设备及存储介质 |
CN114870416A (zh) * | 2022-04-28 | 2022-08-09 | 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 |
CN115097884A (zh) * | 2022-05-26 | 2022-09-23 | 福建龙氟化工有限公司 | 用于电子级氢氟酸制备的能源管理控制***及其控制方法 |
CN115079572A (zh) * | 2022-06-30 | 2022-09-20 | 福建省龙德新能源有限公司 | 用于六氟磷酸锂制备的能源管理控制***及其控制方法 |
CN115259089A (zh) * | 2022-07-01 | 2022-11-01 | 福建龙氟化工有限公司 | 用于电子级氢氟酸制备的生产管理控制***及其控制方法 |
CN115342679A (zh) * | 2022-07-15 | 2022-11-15 | 福建省杭氟电子材料有限公司 | 一种用于六氟丁二烯制备的智能化冷却液循环控制*** |
CN115093190A (zh) * | 2022-07-29 | 2022-09-23 | 长兴贝斯德邦建材科技有限公司 | 气凝胶无机保温膏料及其智能化生产*** |
CN115309215A (zh) * | 2022-08-05 | 2022-11-08 | 福建龙氟化工有限公司 | 氟化铵制备用的自动配料控制***及其控制方法 |
Non-Patent Citations (3)
Title |
---|
P. G. DATSKOS: ""EFFECT OF TEMPERATURE ON THE ELECTRON ATTACHMENT AND DETACHMENT PROPERTIES OF c-C4 F6"", 《SPRINGER SCIENCE+BUSINESS MEDIA NEW YORK》, pages 13 - 14 * |
李丽 等: ""六氟丁二烯的合成方法研究进展"", 《有机氟工业》, no. 3, pages 51 - 53 * |
李瑜哲 等: ""高纯电子特气六氟丁二烯的纯化技术进展"", 《有机氟工业》, no. 2, pages 25 - 29 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024113599A1 (zh) * | 2022-11-30 | 2024-06-06 | 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*** |
CN116147130A (zh) * | 2023-04-18 | 2023-05-23 | 杭州行至云起科技有限公司 | 智能家居控制***及其方法 |
CN116659043A (zh) * | 2023-05-24 | 2023-08-29 | 碳次方(河南)科技有限责任公司 | 可减少碳排放的绿色建筑结构的控制***及其方法 |
CN117388893A (zh) * | 2023-12-11 | 2024-01-12 | 深圳市移联通信技术有限责任公司 | 一种基于gps的多设备定位*** |
CN117388893B (zh) * | 2023-12-11 | 2024-03-12 | 深圳市移联通信技术有限责任公司 | 一种基于gps的多设备定位*** |
Also Published As
Publication number | Publication date |
---|---|
CN115903705B (zh) | 2023-07-14 |
WO2024113599A1 (zh) | 2024-06-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115903705A (zh) | 用于电子级六氟丁二烯制备的生产管理控制*** | |
CN115079572B (zh) | 用于六氟磷酸锂制备的能源管理控制***及其控制方法 | |
CN115430344A (zh) | 用于六氟磷酸锂制备的自动配料***及其配料方法 | |
CN114870416B (zh) | 用于电子级一氟甲烷制备的精馏控制***及精馏控制方法 | |
CN115309215B (zh) | 氟化铵制备用的自动配料控制***及其控制方法 | |
CN115688592A (zh) | 用于电子级四氟化碳制备的精馏控制***及其方法 | |
WO2024011747A1 (zh) | 一种用于六氟丁二烯制备的智能化冷却液循环控制*** | |
CN115231525B (zh) | 电子级三氟化氯的智能分离纯化*** | |
CN115240046B (zh) | 用于缓冲氧化物蚀刻液生产的自动配料***及其配料方法 | |
CN115393779B (zh) | 用于激光熔覆金属球制造的控制***及其控制方法 | |
CN115202265A (zh) | 电子级氢氧化钾的智慧产线的控制***及其控制方法 | |
CN112200104B (zh) | 一种基于增强主成分分析新型贝叶斯框架的化工故障诊断方法 | |
CN115291646B (zh) | 用于氟化锂制备的能源管理控制***及其控制方法 | |
WO2024000798A1 (zh) | 用于电子级氢氟酸制备的生产管理控制***及其控制方法 | |
WO2023206724A1 (zh) | 用于电子级二氟甲烷制备的精馏控制***及其控制方法 | |
CN114995131A (zh) | 用于电子级三氟甲烷制备的精馏控制***及其控制方法 | |
WO2023226236A1 (zh) | 用于电子级氢氟酸制备的能源管理控制***及其控制方法 | |
CN115235612A (zh) | 伺服电机的故障智能诊断***及其诊断方法 | |
CN116092010A (zh) | 一种膏状荧光颜料生产工艺及其制备装置 | |
CN115470857B (zh) | 变电站全景数字孪生***及其方法 | |
CN115090200A (zh) | 用于电子级氢氟酸制备的自动配料***及其配料方法 | |
CN115456053A (zh) | 海上风力发电机组的风轮散热***及其方法 | |
Himmel et al. | A comparison of statistically-based and neural network models of plasma etch behavior | |
CN106022134B (zh) | 一种设定入侵检测dca算法权值的方法 | |
CN114686324A (zh) | 一种酿制酒、醋的高效发酵装置 |
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 |