技术新讯 > 无机化学及其化合物制造及其合成,应用技术 > 一种磷酸铁的制备设备控制方法及系统与流程  >  正文

一种磷酸铁的制备设备控制方法及系统与流程

  • 国知局
  • 2024-06-20 12:28:17

本发明涉及生产设备控制,尤其涉及一种磷酸铁的制备设备控制方法及系统。

背景技术:

1、当前一些工业化学用品的生产设备的优化方案,主要是采集设备的参数信息,通过设备参数进行人工预判存在的问题,并进行粗品的数据采集,然后再进行模型的构建及优化,以对制备设备进行智能化控制。

2、但是这种方法中,并不能排除工作人员的主观意识,在初步引导样品采集时,如果样品采集偏差会导致该次设备参数调整及优化的方向偏差,另外也进行神经学习时,也并没有考虑劣化样品对制备设备的模型优化参数时的损失贡献,在磷酸铁的制备设备上,总体会导致对制备设备的优化不够全面,并且错误率较高,会导致设备的机械故障,甚至生成毒害副产物,如磷酸或氯化铁等,存在安全隐患。

技术实现思路

1、本发明旨在至少解决相关技术中存在的技术问题之一。为此,本发明提供一种磷酸铁的制备设备控制方法及系统。

2、本发明提供一种磷酸铁的制备设备控制方法,包括:

3、s1:对生产线的磷酸铁样品采集并进行元素分析,获得样品属性;

4、s2:预设目标属性,对所述样品属性及所述目标属性进行神经学习,分别获得目标特征及样品特征;

5、s3:计算所述目标特征及样品特征的斯皮尔曼秩相关系数,以进行所述目标特征及样品特征的相关性分析,获得待修改目标属性;

6、s4:将除所述待修改目标属性外的样品属性对应的样品特征,送入神经网络进行学习,获得第一标签,将所述待修改目标属性送入神经网络进行学习,获得第二标签;

7、s5:采集磷酸铁制备设备的运行参数,基于所述第一标签与所述第二标签对所述运行参数进行监督学习,获得优化控制参数;

8、s6:将所述优化控制参数输入磷酸铁的制备设备,以完成控制。

9、根据本发明提供的一种磷酸铁的制备设备控制方法,步骤s1中的所述样品属性通过元素分析法进行检定分析获得,所述样品属性包括样品纯度、反应产率及样品稳定度。

10、根据本发明提供的一种磷酸铁的制备设备控制方法,步骤s3进一步包括:

11、s31:对所述目标特征及所述样品特征分别进行预处理,获得预处理目标特征及预处理样品特征;

12、s32:选取所述预处理目标特征及所述预处理样品特征中的同类属性进行一一对应,组建获得多个特征对;

13、s33:基于多个特征对计算获得目标特征及样品特征的斯皮尔曼秩相关系数;

14、s34:选取斯皮尔曼秩相关系数最小的特征对对应的样品属性,作为待修改目标属性。

15、根据本发明提供的一种磷酸铁的制备设备控制方法,步骤s33中的所述斯皮尔曼秩相关系数的表达式为:

16、

17、其中,ρsr为目标特征及样品特征的斯皮尔曼秩相关系数,i为特征对索引值,n为特征对总数,xi为第i个预处理目标特征,yi为第i个预处理样品特征。

18、根据本发明提供的一种磷酸铁的制备设备控制方法,步骤s4中学习获得第一标签时的训练损失函数为:

19、

20、其中,为学习获得第一标签时的训练损失函数,b为除所述待修改目标属性外的样品属性对应的样品特征索引值,b为除所述待修改目标属性外的样品属性对应的样品特征总数,h(·)表示交叉熵,yb为第一标签,p(·)表示条件概率,为第b个除所述待修改目标属性外的样品属性对应的样品特征对应的弱数据增强实例,第b个除所述待修改目标属性外的样品属性对应的样品特征对应的强数据增强实例。

21、根据本发明提供的一种磷酸铁的制备设备控制方法,步骤s5中,通过ovr-svm支持向量机模型用于获得优化控制参数的监督学习。

22、根据本发明提供的一种磷酸铁的制备设备控制方法,步骤s6还包括:

23、通过所述优化控制参数对磷酸铁的制备设备进行控制后,继续采集优化控制后的磷酸铁制备设备获得的磷酸铁粗品,获得粗品属性,直至所述粗品属性满足所述目标属性。

24、本发明还提供一种磷酸铁的制备设备控制系统,用以执行如以上任一项所述的一种磷酸铁的制备设备控制方法,包括:

25、样品属性分析模块:用于对生产线的磷酸铁样品采集并进行元素分析,获得样品属性;

26、特征学习模块:用于对所述样品属性分析模块获得的样品属性及预设的目标属性进行神经学习,分别获得目标特征及样品特征;

27、待修改属性分析模块:用于计算所述目标特征及样品特征的斯皮尔曼秩相关系数,以进行所述目标特征及样品特征的相关性分析,获得待修改目标属性;

28、标签获得模块:用于将除所述待修改目标属性外的样品属性对应的样品特征,送入神经网络进行学习,获得第一标签,还用于将所述待修改目标属性送入神经网络进行学习,获得第二标签;

29、控制参数优化模块:用于采集磷酸铁制备设备的运行参数,基于所述第一标签与所述第二标签对所述运行参数进行监督学习,获得优化控制参数;还用于将所述优化控制参数输入磷酸铁的制备设备,以完成控制。

30、本发明提供的一种磷酸铁的制备设备控制方法及系统,通过实时采集磷酸铁的样品并对样品进行属性分析,然后根据分析得到的样本属性与目标属性的关联度分析,获取到当次优化亟需进行优化的第一秩次属性,然后根据该属性与除该属性以外的其他属性,进行参数的多标签学习,将获得的学习结果用以对磷酸铁的制备设备进行优化,在对磷酸铁的制备过程中的质量提升,纯度提升等均有明显效果,其次本发明对制备设备参数提升时的因素的选取,均客观化,避免了主观因素对设备控制的影响,从而保证了制备设备的机械和生成的粗品的安全性,另外在对参数进行监督学习时,我们考虑了神经网络在早期训练时使用嘈杂样本能够拥有更大的损失,所以我们在进行监督学习时,将待修改属性以外的属性当做第一标签,将待修改属性作为第二标签,对参数进行双层标签的分类训练,可以学习到参数与文本不同的关系,在拥有第一秩次的属性目标后,还不失其他属性,以提升磷酸铁的制备设备控制的精确度。

31、本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。

技术特征:

1.一种磷酸铁的制备设备控制方法,其特征在于,包括:

2.根据权利要求1所述的一种磷酸铁的制备设备控制方法,其特征在于,步骤s1中的所述样品属性通过元素分析法进行检定分析获得,所述样品属性包括样品纯度、反应产率及样品稳定度。

3.根据权利要求1所述的一种磷酸铁的制备设备控制方法,其特征在于,步骤s3进一步包括:

4.根据权利要求3所述的一种磷酸铁的制备设备控制方法,其特征在于,步骤s33中的所述斯皮尔曼秩相关系数的表达式为:

5.根据权利要求1所述的一种磷酸铁的制备设备控制方法,其特征在于,步骤s4中学习获得第一标签时的训练损失函数为:

6.根据权利要求1所述的一种磷酸铁的制备设备控制方法,其特征在于,步骤s5中,通过ovr-svm支持向量机模型用于获得优化控制参数的监督学习。

7.根据权利要求1所述的一种磷酸铁的制备设备控制方法,其特征在于,步骤s6还包括:

8.一种磷酸铁的制备设备控制系统,用以执行如权利要求1-7任一项所述的一种磷酸铁的制备设备控制方法,其特征在于,包括:

技术总结本发明提供一种磷酸铁的制备设备控制方法及系统,属生产设备控制技术领域,具体包括:对磷酸铁样品采集并进行元素分析,获得样品属性;预设目标属性,对样品属性及目标属性进行神经学习,分别获得目标特征及样品特征;对目标特征及样品特征进行相关性分析,获得待修改目标属性;将除待修改目标属性外的样品属性对应的样品特征,送入神经网络进行学习,获得第一标签,将待修改目标属性送入神经网络进行学习,获得第二标签;采集磷酸铁制备设备的运行参数,基于第一标签与所述第二标签进行监督学习,获得优化控制参数对磷酸铁的制备设备控制。本发明能够避免主观因素影响对设备优化控制,提升了磷酸铁的制备的质量、纯度及制备过程中的安全性。技术研发人员:朱泽安,唐琪,姚小婷受保护的技术使用者:广东聚力胜智能科技有限公司技术研发日:技术公布日:2024/5/19

本文地址:https://www.jishuxx.com/zhuanli/20240619/5928.html

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。