电子级六氟磷酸锂的尾气处理系统及其方法技术方案

本申请涉及尾气处理技术领域，其具体地公开了一种电子级六氟磷酸锂的尾气处理系统及其方法，其首先获取预定时间段内多个预定时间点的水洗液的温度值，然后，将所述多个预定时间点的水洗液的温度值按照时间维度排列为温度输入向量后通过包含多个一维卷积层的多尺度卷积层结构并进行特征增强以得到多尺度温度时序特征矩阵，最后，将所述多尺度温度时序特征矩阵通过解码器以得到解码值，并基于所述解码值和当前时间点的所述冷却器的真实功率值，来生成功率控制指令；其利用深度学习和人工智能技术来从中提取温度隐含关联信息，并基于解码处理来生成功率控制指令。通过这样的方式，来优化水洗液的温度控制，减少能源损耗，提高水洗效率。高水洗效率。高水洗效率。

【技术实现步骤摘要】
电子级六氟磷酸锂的尾气处理系统及其方法


[0001]本申请涉及尾气处理
，且更为具体地，涉及一种电子级六氟磷酸锂的尾气处理系统及其方法。

技术介绍

[0002]电子级六氟磷酸锂生产过程中有大量的氯化氢和氟化氢气体产生，现有的尾气处理系统对这些尾气的吸收效率大约为95%，其中有5%的尾气经过二级水吸收进入后续的碱吸收处。
[0003]在水洗过程中，氯化氢、氟化氢气体溶解于水会释放大量热量，使用冷却器来降低水洗液的温度，防止气体溶解释放热量导致温度升高。在此过程中，需合理地设置冷却器的功率值，一方面避免不必要的能源损耗，另一方面能够适宜地调整水洗液的温度优化水洗效率。
[0004]因此，期待一种优化的电子级六氟磷酸锂的尾气处理方案。

技术实现思路

[0005]本申请提供一种电子级六氟磷酸锂的尾气处理系统及其方法，其获取预定时间段内多个预定时间点的水洗液的温度值，并利用深度学习和人工智能技术来从中提取温度隐含关联信息，并基于解码处理来生成功率控制指令。通过这样的方式，来优化水洗液的温度控制，减少能源损耗，提高水洗效率。
[0006]第一方面，提供了一种电子级六氟磷酸锂的尾气处理系统及其方法，所述系统包括：温度监控单元，用于获取预定时间段内多个预定时间点的水洗液的温度值；数据结构化单元，用于将所述多个预定时间点的水洗液的温度值按照时间维度排列为温度输入向量；多尺度时序特征提取单元，用于将所述温度输入向量通过包含多个一维卷积层的多尺度卷积层结构以得到多尺度温度时序特征向量，其中，所述多个一维卷积层分别使用具有不同尺度的一维卷积核；特征增强单元，用于使用高斯密度图对所述多尺度温度时序特征向量进行特征增强以得到多尺度温度时序特征矩阵；解码回归单元，用于将所述多尺度温度时序特征矩阵通过解码器以得到解码值，所述解码值用于表示当前时间点的推荐冷却器的功率值；以及指令生成单元，用于基于所述解码值和当前时间点的所述冷却器的真实功率值，来生成功率控制指令。
[0007]结合第一方面，在第一方面的一种实现方式中，还包括用于对所述包含多个一维卷积层的多尺度卷积层结构和所述解码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，所述训练数据包括预定时间段内多个预定时间点的水洗液的训练温度值，以及，当前时间点的推荐冷却器的功率值的真实值；训练数据结构化单元，用于将所述多个预定时间点的水洗液的训练温度值按照时间维度排列为训练温度输入向量；训练多尺度时序特征提取单元，用于将所述训练温度输入向量通过所述包含多个一维卷积层的多尺度卷积层结构以得到训练多尺度温度时序特征向量，其中，所述多
个一维卷积层分别使用具有不同尺度的一维卷积核；训练特征增强单元，用于使用高斯密度图对所述训练多尺度温度时序特征向量进行特征增强以得到训练多尺度温度时序特征矩阵；耿贝尔正态周期性重参数化单元，用于对所述训练多尺度温度时序特征矩阵进行耿贝尔正态周期性重参数化以得到优化后训练多尺度温度时序特征矩阵；解码损失单元，用于将所述优化后训练多尺度温度时序特征矩阵通过解码器以得到解码损失函数值；以及训练单元，用于基于所述解码损失函数值并通过梯度下降的方向传播来对所述包含多个一维卷积层的多尺度卷积层结构和所述解码器进行训练。
[0008]结合第一方面，在第一方面的一种实现方式中，所述耿贝尔正态周期性重参数化单元，用于：以如下优化公式对所述训练多尺度温度时序特征矩阵进行耿贝尔正态周期性重参数化以得到优化后训练多尺度温度时序特征矩阵；其中，所述优化公式为：其中，表示所述训练多尺度温度时序特征矩阵，表示所述训练多尺度温度时序特征矩阵的第行第列位置的特征值，表示特征值集合的均值，表示特征值集合的方差，表示圆周率，表示以2为底的对数函数值，表示反正弦函数，表示反余弦函数，表示所述优化后训练多尺度温度时序特征矩阵的第行第列位置的特征值。
[0009]第二方面，提供了一种电子级六氟磷酸锂的尾气处理方法，所述方法包括：获取预定时间段内多个预定时间点的水洗液的温度值；将所述多个预定时间点的水洗液的温度值按照时间维度排列为温度输入向量；将所述温度输入向量通过包含多个一维卷积层的多尺度卷积层结构以得到多尺度温度时序特征向量，其中，所述多个一维卷积层分别使用具有不同尺度的一维卷积核；使用高斯密度图对所述多尺度温度时序特征向量进行特征增强以得到多尺度温度时序特征矩阵；将所述多尺度温度时序特征矩阵通过解码器以得到解码值，所述解码值用于表示当前时间点的推荐冷却器的功率值；以及，基于所述解码值和当前时间点的所述冷却器的真实功率值，来生成功率控制指令。
[0010]本申请提供的一种电子级六氟磷酸锂的尾气处理系统及其方法，其获取预定时间段内多个预定时间点的水洗液的温度值，并利用深度学习和人工智能技术来从中提取温度隐含关联信息，并基于解码处理来生成功率控制指令。通过这样的方式，来优化水洗液的温度控制，减少能源损耗，提高水洗效率。
附图说明
[0011]图1是本申请实施例的电子级六氟磷酸锂的尾气处理系统及其方法的应用场景。
[0012]图2是本申请实施例的电子级六氟磷酸锂的尾气处理系统的示意性框图。
[0013]图3是本申请实施例的电子级六氟磷酸锂的尾气处理系统中训练模块的示意性框图。
[0014]图4是本申请实施例的电子级六氟磷酸锂的尾气处理方法的示意性流程图。
[0015]图5是本申请实施例的电子级六氟磷酸锂的尾气处理方法的模型架构的示意图。
[0016]图6是本申请实施例的电子级六氟磷酸锂的尾气处理方法中训练阶段的示意性流程图。
[0017]图7是本申请实施例的电子级六氟磷酸锂的尾气处理方法中训练阶段的模型架构的示意图。
具体实施方式
[0018]下面将结合附图，对本申请中的技术方案进行描述。
[0019]这里由于涉及到基于深度学习的深度神经网络模型，下面先对本申请实施例可能涉及的深度神经网络模型的相关术语和概念进行介绍。
[0020]在深度神经网络模型中，隐藏层可以是卷积层和池化层。卷积层对应的一组权重值被称为滤波器，也被称为卷积核。滤波器和输入特征值都被表示为一个多维矩阵，对应地，表示成多维矩阵的滤波器也称为滤波器矩阵，表示成多维矩阵的输入特征值也称为输入特征矩阵，当然，除了可以输入特征矩阵，也可以输入特征图像，特征向量，这里只是以输入特征矩阵进行举例。卷积层的运算称为卷积运算，该卷积运算指的是，输入特征矩阵的一部分特征值与滤波器矩阵的权重值进行内积操作。
[0021]深度神经网络模型中每一个卷积层的运算过程可以被编成软件，然后通过在运算装置中运行该软件，得到每层网络的输出结果，即输出特征矩阵。例如，软件通过滑动窗口的方式，以每层网络的输入特征矩阵的左上角为起点，以滤波器大小为窗口，每次从特征值矩阵中提取一个窗口的数据与滤波器进行内积操作。当输入特征矩阵的右下角窗口的数据与滤波器完成内积操作后，便可得到每层网络的一个二维的输出特征矩阵。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电子级六氟磷酸锂的尾气处理系统，其特征在于，包括：温度监控单元，用于获取预定时间段内多个预定时间点的水洗液的温度值；数据结构化单元，用于将所述多个预定时间点的水洗液的温度值按照时间维度排列为温度输入向量；多尺度时序特征提取单元，用于将所述温度输入向量通过包含多个一维卷积层的多尺度卷积层结构以得到多尺度温度时序特征向量，其中，所述多个一维卷积层分别使用具有不同尺度的一维卷积核；特征增强单元，用于使用高斯密度图对所述多尺度温度时序特征向量进行特征增强以得到多尺度温度时序特征矩阵；解码回归单元，用于将所述多尺度温度时序特征矩阵通过解码器以得到解码值，所述解码值用于表示当前时间点的推荐冷却器的功率值；以及指令生成单元，用于基于所述解码值和当前时间点的所述冷却器的真实功率值，来生成功率控制指令。2.据权利要求1所述的电子级六氟磷酸锂的尾气处理系统，其特征在于，所述包含多个一维卷积层的多尺度卷积层结构，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级联层，其中，所述第一卷积层使用具有第一尺度的一维卷积核，所述第二卷积层使用具有第二尺度的一维卷积核。3.根据权利要求2所述的电子级六氟磷酸锂的尾气处理系统，其特征在于，所述多尺度时序特征提取单元，包括：第一尺度卷积编码子单元，用于使用所述多尺度卷积层结构的所述第一卷积层以如下第一卷积公式对所述温度输入向量进行第一尺度的一维卷积编码以得到所述第一尺度特征向量；其中，所述第一卷积公式为：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、为与第一卷积核函数运算的局部向量矩阵，为第一卷积核的尺寸，表示所述温度输入向量，表示对所述温度输入向量进行第一尺度的一维卷积编码；第二尺度卷积编码子单元，用于使用所述多尺度卷积层结构的所述第二卷积层以如下第二卷积公式对所述温度输入向量进行第二尺度的一维卷积编码以得到所述第二尺度特征向量；其中，所述第二卷积公式为：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、为与第二卷积核函数运算的局部向量矩阵，为第二卷积核的尺寸，表示所述温度输入向量，表示对所述温度输入向量进行第二尺度的一维卷积编码；以及级联子单元，用于使用所述级联层对所述第一尺度特征向量和所述第二尺度特征向量进行级联以得到所述多尺度温度时序特征向量。4.根据权利要求3所述的电子级六氟磷酸锂的尾气处理系统，其特征在于，所述特征增强单元，包括：高斯密度图构造子单元，用于以如下公式来构造所述多尺度温度时序特征向量的温度高斯密度图；其中，所述公式为：，其中是所述多尺度温度时序特征向量，而是所述多尺度温度时序特征向量中相应两个位置的特征值之间的方差，表示高斯概率密度函数，表示所述温度高斯密度图的变量；以及高斯离散子单元，用于对所述温度高斯密度图进行高斯分布采样以得到所述多尺度温度时序特征矩阵。5.根据权利要求4所述的电子级六氟磷酸锂的尾气处理系统，其特征在于，还包括用于
对所述包含多个一维卷积层的多尺度卷积层结构和所述解码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，所述训练数据包括预定时间段内多个预定时间点的水洗液的训练温度值，以及，当前时间点的推荐冷却器的功率值的真实值；训练数据结构化单元，用于将所述多个预定时间点的水洗液的训练温度值按照时间维度排列为训练温度输入向量；训练多尺度时序特征提取单元，用于将所述训练温度输入向量通过所述包含多个一维卷积层的多尺度卷积层结构以得到训练多尺度温度时序特征向量，其中，所述多个一维卷积层分别使用具有不同尺度的一维卷积核；训练特征增强单元，用于使用高斯密度图对所述训练多尺度温度时序特征向量进行特征增强以得到训练多尺度温度时序特征矩阵；耿贝尔正态周期性重参数化单元，用于对所述训练多尺度温度时序特征矩阵进行耿贝尔正态周期性重参数化以得到优化后训练多尺度温度时序特征矩阵；解码...

【专利技术属性】
技术研发人员：杨瑞甫，陈颂美，傅俊，
申请(专利权)人：福建省龙德新能源有限公司，
类型：发明
国别省市：