用于电子级四氟化碳制备的精馏控制系统及其方法技术方案

本申请公开了一种用于电子级四氟化碳制备的精馏控制系统及其方法。其采用基于深度学习的人工智能控制技术，以对于精制段的不同区域的温度和压力的关联协同特征和流量介质的流速多尺度变化特征进行特征提取，进一步以这两者的转移向量来表示温度和压力的协同关联性特征和流量介质流速的动态变化特征之间的关联性特征信息，并以此来进行流量介质的阀门开度的自适应实时控制，并且在此过程中，引入了所述精制段的不同区域的空间拓扑特征来进一步加强其在空间位置上的温度和压力的协同关联的特征提取，以提高对于流量介质的阀门开度的控制精准度。通过这样的方式，可以提高精馏的效率和减少冷量消耗。馏的效率和减少冷量消耗。馏的效率和减少冷量消耗。

【技术实现步骤摘要】
用于电子级四氟化碳制备的精馏控制系统及其方法


[0001]本申请涉及智能控制
，且更为具体地，涉及一种用于电子级四氟化碳制备的精馏控制系统及其方法。

技术介绍

[0002]四氟化碳(CF4)是目前微电子工业中用量最大的等离子体蚀刻气体，广泛用于硅、二氧化硅、氮化硅、磷硅玻璃及钨等薄膜材料的蚀刻，在电子器件表面清洗、太阳能电池的生产、激光技术、低温制冷、气体绝缘、泄漏检测剂、控制宇宙火箭姿态、印刷电路生产中的去污剂、润滑剂及制动液等方面也有大量应用。由于它的化学稳定性极强，CF4还可用于金属冶炼和塑料行业等。
[0003]近些年，由于电子行业的发展，国内市场对高纯度四氟化碳的需求不断增长，国内也有企业建立了生产提纯装置，但工艺稳定性，产品纯度等存在一定的差距，故而提升四氟化碳精馏提纯稳定操作性有重大的意义，并且鉴于四氟化碳特性，使用低温精馏方式，冷量消耗大，如何改进装置，减少冷量消耗，也成为一个有待优化的关键问题。
[0004]因此，期望一种优化的用于电子级四氟化碳制备的精馏控制系统。

技术实现思路

[0005]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四氟化碳制备的精馏控制系统及其方法。其采用基于深度学习的人工智能控制技术，以对于精制段的不同区域的温度和压力的关联协同特征和流量介质的流速多尺度变化特征进行特征提取，进一步以这两者的转移向量来表示温度和压力的协同关联性特征和流量介质流速的动态变化特征之间的关联性特征信息，并以此来进行流量介质的阀门开度的自适应实时控制，并且在此过程中，引入了所述精制段的不同区域的空间拓扑特征来进一步加强其在空间位置上的温度和压力的协同关联的特征提取，以提高对于流量介质的阀门开度的控制精准度。通过这样的方式，可以提高精馏的效率和减少冷量消耗。
[0006]根据本申请的一个方面，提供了一种用于电子级四氟化碳制备的精馏控制系统，其包括：精馏参数采集单元，用于获取由压力传感器和温度传感器采集的精制段的多个区域在预定时间段内多个预定时间点的温度值和压力值，以及，所述多个预定时间点的流量介质的流速值；温度和压力协同单元，用于将所述精制段的各个区域在预定时间段内多个预定时间点的温度值和压力值分别按照时间维度排列为温度输入向量和压力输入向量后，计算所述温度输入向量的转置和所述压力输入向量之间的乘积以得到多个协同特征矩阵；温度
‑
压力协同特征提取单元，用于将所述多个协同特征矩阵通过作为过滤器的第一卷积神经网络模型以得到多个协同特征向量；矩阵化单元，用于将所述多个协同特征向量进行二维矩阵化以得到协同特征矩阵；空间拓扑构造单元，用于构造所述多个区域的拓扑矩阵，所述拓扑矩阵的非对角线位置上各个位置的值为相应两个区域之间的距离，所述拓扑矩阵的对角线位置上各个位置的值为零；拓扑特征提取单元，用于将所述拓扑矩阵通过作为特
征提取器的第二卷积神经网络模型以得到拓扑特征矩阵；图神经网络单元，用于将所述协同特征矩阵和所述拓扑特征矩阵通过图神经网络模型以得到拓扑协同特征矩阵；流速特征提取单元，用于将所述多个预定时间点的流量介质的流速值按照时间维度排列为流量介质输入向量通过多尺度邻域特征提取模块以得到流速特征向量；响应性单元，用于计算所述流速特征向量相对于所述拓扑协同特征矩阵的转移向量作为分类特征向量；以及精馏控制结果生成单元，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用于调节流量介质的阀门开度值应增大或应减小。
[0007]在上述的用于电子级四氟化碳制备的精馏控制系统中，所述温度
‑
压力协同特征提取单元，进一步用于：使用所述作为过滤器的第一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卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述作为过滤器的第一卷积神经网络模型的最后一层输出所述多个协同特征向量，其中，所述作为过滤器的第一卷积神经网络模型的第一层的输入为所述多个协同特征矩阵。
[0008]在上述的用于电子级四氟化碳制备的精馏控制系统中，所述拓扑特征提取单元，进一步用于：使用所述作为特征提取器的第二卷积神经网络模型的各层在层的正向传递中对输入数据分别进行二维卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述作为特征提取器的第二卷积神经网络模型的最后一层输出所述拓扑特征矩阵，其中，所述作为特征提取器的第二卷积神经网络模型的第一层的输入为所述拓扑矩阵。
[0009]在上述的用于电子级四氟化碳制备的精馏控制系统中，所述图神经网络单元，进一步用于使用所述图神经网络模型以可学习的神经网络参数对所述协同特征矩阵和所述拓扑特征矩阵进行处理以得到包含不规则的空间拓扑特征和温度
‑
压力协同特征的所述拓扑协同特征矩阵。
[0010]在上述的用于电子级四氟化碳制备的精馏控制系统中，所述流速特征提取单元，包括：第一尺度特征提取单元，用于将所述流量介质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尺度流速特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；第二尺度特征提取单元，用于将所述流量介质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尺度流速特征向量，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；以及多尺度级联单元，用于将所述第一尺度流速特征向量和所述第二尺度流速特征向量进行级联以得到所述流速特征向量。
[0011]在上述的用于电子级四氟化碳制备的精馏控制系统中，所述响应性单元，进一步用于：以如下公式计算所述流速特征向量相对于所述拓扑协同特征矩阵的转移向量作为分类特征向量；其中，所述公式为：其中表示所述流速特征向量，表示所述拓扑协同特征矩阵，表示所述分类特征向量，表示矩阵相乘。
[0012]在上述的用于电子级四氟化碳制备的精馏控制系统中，所述精馏控制结果生成单元，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生成分类结果；其中，所述公式为：，其中，表示所述分类特征向量，为全
连接层的权重矩阵，表示全连接层的偏向向量。
[0013]在上述的用于电子级四氟化碳制备的精馏控制系统中，还包括对所述作为过滤器的第一卷积神经网络模型、所述作为特征提取器的第二卷积神经网络模型、所述图神经网络模型、所述多尺度邻域特征提取模块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：训练参数采集单元，用于获取训练数据，所述训练数据包括所述精制段的多个区域在预定时间段内多个预定时间点的训练温度值和训练压力值，所述多个预定时间点的流量介质的训练流速值，以及，所述当前时间点的用于调节流量介质的阀门开度值应增大或应减小的真实值；训练温度和压力协同单元，用于将所述精制段的各个区域在预定时间段内多个预定时间点的训练温度值和训练压力值分别按照时间维度排列为训练温度输入向量和训练压力输入向量后，计算所述训练温度输入向量的转置和所述训练压力输入向量之间的乘积以本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于电子级四氟化碳制备的精馏控制系统，其特征在于，包括：精馏参数采集单元，用于获取由压力传感器和温度传感器采集的精制段的多个区域在预定时间段内多个预定时间点的温度值和压力值，以及，所述多个预定时间点的流量介质的流速值；温度和压力协同单元，用于将所述精制段的各个区域在预定时间段内多个预定时间点的温度值和压力值分别按照时间维度排列为温度输入向量和压力输入向量后，计算所述温度输入向量的转置和所述压力输入向量之间的乘积以得到多个协同特征矩阵；温度
‑
压力协同特征提取单元，用于将所述多个协同特征矩阵通过作为过滤器的第一卷积神经网络模型以得到多个协同特征向量；矩阵化单元，用于将所述多个协同特征向量进行二维矩阵化以得到协同特征矩阵；空间拓扑构造单元，用于构造所述多个区域的拓扑矩阵，所述拓扑矩阵的非对角线位置上各个位置的值为相应两个区域之间的距离，所述拓扑矩阵的对角线位置上各个位置的值为零；拓扑特征提取单元，用于将所述拓扑矩阵通过作为特征提取器的第二卷积神经网络模型以得到拓扑特征矩阵；图神经网络单元，用于将所述协同特征矩阵和所述拓扑特征矩阵通过图神经网络模型以得到拓扑协同特征矩阵；流速特征提取单元，用于将所述多个预定时间点的流量介质的流速值按照时间维度排列为流量介质输入向量通过多尺度邻域特征提取模块以得到流速特征向量；响应性单元，用于计算所述流速特征向量相对于所述拓扑协同特征矩阵的转移向量作为分类特征向量；以及精馏控制结果生成单元，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用于调节流量介质的阀门开度值应增大或应减小。2.根据权利要求1所述的用于电子级四氟化碳制备的精馏控制系统，其特征在于，所述温度
‑
压力协同特征提取单元，进一步用于：使用所述作为过滤器的第一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卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述作为过滤器的第一卷积神经网络模型的最后一层输出所述多个协同特征向量，其中，所述作为过滤器的第一卷积神经网络模型的第一层的输入为所述多个协同特征矩阵。3.根据权利要求2所述的用于电子级四氟化碳制备的精馏控制系统，其特征在于，所述拓扑特征提取单元，进一步用于：使用所述作为特征提取器的第二卷积神经网络模型的各层在层的正向传递中对输入数据分别进行二维卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述作为特征提取器的第二卷积神经网络模型的最后一层输出所述拓扑特征矩阵，其中，所述作为特征提取器的第二卷积神经网络模型的第一层的输入为所述拓扑矩阵。4.根据权利要求3所述的用于电子级四氟化碳制备的精馏控制系统，其特征在于，所述图神经网络单元，进一步用于使用所述图神经网络模型以可学习的神经网络参数对所述协同特征矩阵和所述拓扑特征矩阵进行处理以得到包含不规则的空间拓扑特征和温度
‑
压力协同特征的所述拓扑协同特征矩阵。5.根据权利要求4所述的用于电子级四氟化碳制备的精馏控制系统，其特征在于，所述流速特征提取单元，包括：第一尺度特征提取单元，用于将所述流量介质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尺度流速特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；第二尺度特征提取单元，用于将所述流量介质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尺度流速特征向量，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；以及多尺度级联单元，用于将所述第一尺度流速特征向量和所述第二尺度流速特征向量进行级联以得到所述流速特征向量。6.根据权利要求5所述的用于电子级四氟化碳制备的精馏控制系统，其特征在于，所述响应性单元，进一步用于：以如下公式计算所述流速特征向量相对于所述拓扑协同特征矩阵的转移向量作为分类特征向量；其中，所述公式为：其中表示所述流速特征向量，表示所述拓扑协同特征矩阵，表示所述分类特征向量，表示矩阵相乘。7.根据权利要求6所述的用于电子级四氟化碳制备的精馏控制系统，其特征在于，所述精馏控制结果生成单元，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生成分类结果；其中，所述公式为：，其中，表示所述分类特征向量，为全连接层的权重矩阵，表示全连接层的偏向向量。8.根据权利要求1所述的用于电子级四氟化碳...

【专利技术属性】
技术研发人员：练钢，张国聪，邱桂祥，吴光炘，胡进军，
申请(专利权)人：福建德尔科技股份有限公司，
类型：发明
国别省市：