用于电子级六氟磷酸锂制备的自动配料系统的制作方法

1.本技术涉及智能控制领域，且更为具体地，涉及一种用于电子级六氟磷酸锂制备的自动配料系统。


背景技术：

2.近年来，电子级六氟磷酸锂(lipf6)被选定为锂离子二次电池的电解质，电子级六氟磷酸锂被溶于某些非水有机溶剂中形成锂离子二次电池的电解液。
3.在电子级六氟磷酸锂产品的制备过程中，需要将五氧化磷气体通过装有氟化钾的无水氟化氢溶液中，经反应,结晶、分离、干燥得到纯净的六氟磷酸理产品。但是，如果五氧化磷气体与装有氟化钾的无水氟化氢溶液反应不完全时，不仅会导致原材料的浪费，还会导致造成副产物的产生，影响后续的结晶、分离、干燥。并且，因五氟化磷是一种活性极大的化合物，其在常温常压下为无色恶臭气体，会对皮肤、眼睛、粘膜有强烈刺激性，在潮湿空气中会剧烈产生有毒和腐蚀性的氟化氢白色烟雾。在不完全反应时，若五氟化磷过量会对于后续反应设备造成腐蚀，同时存在安全隐患。
4.然而，在实际的电子级六氟磷酸锂产品的生产过程中，却难以将五氧化磷气体与装有氟化钾的无水氟化氢溶液反应控制在恰好完全反应的节点上，其原因为：如果从原料端（也就是，五氧化磷气体与含有氟化锂的无水氟化氢溶液）来控制，原料中可能存在杂质，且反应的状态难以通过传统方法进行监测。
5.因此，期望一种优化的用于电子级六氟磷酸锂制备的自动配料系统。


技术实现要素：

6.为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种用于电子级六氟磷酸锂制备的自动配料系统，其通过采用基于深度学习的神经网络模型挖掘出反应液的ph值的时序动态变化特征信息，以基于反应液的ph值的时序变化情况来自适应地调整当前时间点的五氟化磷气体的流速值，以使得反应能够完全进行，避免原料端的偏差给反应带来不良影响，提高电子级六氟磷酸锂的制备质量和制备安全性。
7.根据本技术的一个方面，提供了一种用于电子级六氟磷酸锂制备的自动配料系统，其包括：数据采集模块，用于获取预定时间段内包含当前时间点在内的多个预定时间点的反应液的ph值和当前时间点的五氟化磷气体的气体流速值；数据时序分布模块，用于将所述预定时间段内包含当前时间点在内的多个预定时间点的反应液的ph值按照时间维度排列为ph值时序输入向量；第一尺度ph值时序变化模块，用于将所述ph值时序输入向量通过使用具有第一尺度的一维卷积核的第一卷积神经网络模型以得到第一尺度ph时序特征向量；第二尺度ph值时序变化模块，用于将所述ph值时序输入向量通过使用具有第二尺度的一维卷积核的第二卷积神经网络模型以得到第二尺度ph时序特征向量；多尺度特征融合模块，用于融合所述第一尺度ph时序特征向量和所述第二尺度ph时序特征向量以得到解码特征向量；气体流速推荐模块，用于将所述解码特征向量通过解码器进行解码回归以得到
解码值，所述解码值用于表示当前时间点的五氟化磷气体的气体流速值的推荐值；以及控制模块，用于基于所述解码值和所述当前时间点的五氟化磷气体的气体流速值，生成五氟化磷气体的流速控制指令。
8.在上述用于电子级六氟磷酸锂制备的自动配料系统中，所述第一尺度ph值时序变化模块，用于：使用所述具有第一尺度的一维卷积核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：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特征矩阵的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，所述具有第一尺度的一维卷积核的第一卷积神经网络的最后一层的输出为所述第一尺度ph时序特征向量，所述具有第一尺度的一维卷积核的第一卷积神经网络的第一层的输入为所述ph值时序输入向量。
9.在上述用于电子级六氟磷酸锂制备的自动配料系统中，所述第二尺度ph值时序变化模块，用于：使用所述具有第二尺度的一维卷积核的第二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：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特征矩阵的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，所述具有第二尺度的一维卷积核的第二卷积神经网络的最后一层的输出为所述第二尺度ph时序特征向量，所述具有第二尺度的一维卷积核的第二卷积神经网络的第一层的输入为所述ph值时序输入向量。
10.在上述用于电子级六氟磷酸锂制备的自动配料系统中，所述多尺度特征融合模块，包括：优化因数计算单元，用于计算所述第一尺度ph时序特征向量和所述第二尺度ph时序特征向量的关联-概率密度分布仿射映射因数以得到第一关联-概率密度分布仿射映射因数和第二关联-概率密度分布仿射映射因数；加权优化单元，用于以所述第一关联-概率密度分布仿射映射因数和所述第二关联-概率密度分布仿射映射因数作为权重，分别对所述第一尺度ph时序特征向量和所述第二尺度ph时序特征向量进行加权以得到校正后第一尺度ph时序特征向量和校正后第二尺度ph时序特征向量；以及，ph值时序特征融合单元，用于融合所述校正后第一尺度ph时序特征向量和所述校正后第二尺度ph时序特征向量以得到所述解码特征向量。
11.在上述用于电子级六氟磷酸锂制备的自动配料系统中，所述优化因数计算单元，用于：以如下优化公式计算所述第一尺度ph时序特征向量和所述第二尺度ph时序特征向量的关联-概率密度分布仿射映射因数以得到所述第一关联-概率密度分布仿射映射因数和所述第二关联-概率密度分布仿射映射因数；其中，所述公式为：，其中表示所述第一尺度ph时序特征向量， 表示所述第二尺度ph时序特征向量， 为所述第一尺度ph时序特征向量和所述第二尺度ph时序特征向量之间的逐位置关联得到的关联矩阵，和是所述第一尺度ph时序特征向量和所述第二尺度ph时序特征向量构
成的高斯密度图的均值向量和逐位置方差矩阵，表示矩阵乘法，表示表示矩阵的指数运算，所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值，表示所述第一关联-概率密度分布仿射映射因数，表示所述第二关联-概率密度分布仿射映射因数中。
12.在上述用于电子级六氟磷酸锂制备的自动配料系统中，所述ph值时序特征融合单元，用于：以如下级联公式来融合所述校正后第一尺度ph时序特征向量和所述校正后第二尺度ph时序特征向量以得到所述解码特征向量；其中，所述级联公式为：其中， 表示所述校正后第一尺度ph时序特征向量，表示所述校正后第二尺度ph时序特征向量，表示级联函数， 表示所述解码特征向量。
13.在上述用于电子级六氟磷酸锂制备的自动配料系统中，所述气体流速推荐模块，用于：使用所述解码器以如下解码公式将所述解码特征向量进行解码回归以获得用于表示当前时间点的五氟化磷气体的气体流速值的推荐值的解码值；其中，所述公式为：，其中表示所述解码特征向量，是所述解码值，是权重矩阵，表示矩阵相乘。
14.根据本技术的另一方面，提供了一种用于电子级六氟磷酸锂制备的自动配料方法，其包括：获取预定时间段内包含当前时间点在内的多个预定时间点的反应液的ph值和当前时间点的五氟化磷气体的气体流速值；将所述预定时间段内包含当前时间点在内的多个预定时间点的反应液的ph值按照时间维度排列为ph值时序输入向量；将所述ph值时序输入向量通过使用具有第一尺度的一维卷积核的第一卷积神经网络模型以得到第一尺度ph时序特征向量；将所述ph值时序输入向量通过使用具有第二尺度的一维卷积核的第二卷积神经网络模型以得到第二尺度ph时序特征向量；融合所述第一尺度ph时序特征向量和所述第二尺度ph时序特征向量以得到解码特征向量；将所述解码特征向量通过解码器进行解码回归以得到解码值，所述解码值用于表示当前时间点的五氟化磷气体的气体流速值的推荐值；以及基于所述解码值和所述当前时间点的五氟化磷气体的气体流速值，生成五氟化磷气体的流速控制指令。
15.根据本技术的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的用于电子级六氟磷酸锂制备的自动配料方法。
16.根据本技术的又一方面，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电子级六氟磷酸锂制备的自动配料方法。
17.与现有技术相比，本技术提供的一种用于电子级六氟磷酸锂制备的自动配料系统，其通过采用基于深度学习的神经网络模型挖掘出反应液的ph值的时序动态变化特征信
息，以基于反应液的ph值的时序变化情况来自适应地调整当前时间点的五氟化磷气体的流速值，以使得反应能够完全进行，避免原料端的偏差给反应带来不良影响，提高电子级六氟磷酸锂的制备质量和制备安全性。
附图说明
18.通过结合附图对本技术实施例进行更详细的描述，本技术的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本技术实施例的进一步理解，并且构成说明书的一部分，与本技术实施例一起用于解释本技术，并不构成对本技术的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
19.图1为根据本技术实施例的用于电子级六氟磷酸锂制备的自动配料系统的场景示意图。
20.图2为根据本技术实施例的用于电子级六氟磷酸锂制备的自动配料系统的框图。
21.图3为根据本技术实施例的用于电子级六氟磷酸锂制备的自动配料系统的系统架构图。
22.图4为根据本技术实施例的用于电子级六氟磷酸锂制备的自动配料系统中第一卷积神经网络编码的流程图。
23.图5为根据本技术实施例的用于电子级六氟磷酸锂制备的自动配料系统中多尺度特征融合模块的框图。
24.图6为根据本技术实施例的用于电子级六氟磷酸锂制备的自动配料方法的流程图。
25.图7为根据本技术实施例的电子设备的框图。
具体实施方式
26.下面，将参考附图详细地描述根据本技术的示例实施例。显然，所描述的实施例仅仅是本技术的一部分实施例，而不是本技术的全部实施例，应理解，本技术不受这里描述的示例实施例的限制。
27.申请概述：如前背景技术所言，在实际的电子级六氟磷酸锂产品的生产过程中，难以将五氧化磷气体与装有氟化钾的无水氟化氢溶液反应控制在恰好完全反应的节点上，其原因为：如果从原料端（也就是，五氧化磷气体与含有氟化锂的无水氟化氢溶液）来控制，原料中可能存在杂质，且反应的状态难以通过传统方法进行监测。因此，期望一种优化的用于电子级六氟磷酸锂制备的自动配料系统。
28.相应地，考虑到在实际进行电子级六氟磷酸锂的制备过程中，是将五氟化磷气体通过装有氟化锂的无水氟化氢溶液中来制得电子级六氟磷酸锂，若想使得反应完全进行，以避免原材料浪费以及五氟化磷气体对于人体产生危害，需要对于反应进行监测，以此来实时地控制五氟化磷气体的通入流速值。但是，由于在实际进行反应监测时，考虑到五氟化磷气体和装有氟化锂的无水氟化氢溶液反应的状态难以进行监测捕捉，因此，在本技术的技术方案中，从反应液的结局指标（即，ph值）来自动进行配料控制以使得控制能够基于终局指标来进行自适应调整。也就是说，对于五氟化磷气体的流速值控制应适配于反应液的ph值的时序变化情况。在此过程中，难点在于如何充分地挖掘出所述反应液的ph值的时序
动态变化特征信息，以基于反应液的ph值的时序变化情况来自适应地调整当前时间点的五氟化磷气体的流速值，以使得反应能够完全进行，避免原料端的偏差给反应带来不良影响，提高电子级六氟磷酸锂的制备质量和制备安全性。
29.近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。
30.深度学习以及神经网络的发展为挖掘所述反应液的ph值的时序动态变化特征信息提供了新的解决思路和方案。
31.具体地，在本技术的技术方案中，首先，获取预定时间段内包含当前时间点在内的多个预定时间点的反应液的ph值和当前时间点的五氟化磷气体的气体流速值。接着，考虑到由于所述反应液的ph值反映了反应液的结局指标，若想精准地进行配料控制，需要对于结局指标在时序上的变化情况进行捕捉，也就是说，由于所述反应液的ph值在时间维度上有着动态性的变化规律，这种变化规律对于五氟化磷气体的流速控制以使得反应完全进行有着重要的影响。因此，在本技术的技术方案中，将所述预定时间段内包含当前时间点在内的多个预定时间点的反应液的ph值按照时间维度排列为ph值时序输入向量，以此来整合所述反应液的ph值在时序上的分布信息。
32.然后，由于所述反应液的ph值在时序上具有着动态性的关联特征信息，因此，使用在局部隐含关联特征提取方面具有优异表现的卷积神经网络模型来进行所述ph值时序输入向量的特征挖掘。特别地，考虑到由于所述反应液的ph值在时间维度上的不同时间周期跨度下具有着不同的模式状态变化特征，也就是说，所述反应液的ph值在时序上具有着波动性和不确定性，难以进行时序动态特征捕捉。因此，为了能够提高所述反应液的ph值的时序动态变化特征的表达能力，以此来充分地进行所述反应液的ph值的时序变化特征提取，在本技术的技术方案中，进一步使用具有不同尺度的一维卷积核的卷积神经网络模型来进行所述ph值时序输入向量的特征挖掘，以提取出在时间维度上的不同尺度的关于所述反应液的ph值的时序变化特征。
33.具体地，将所述ph值时序输入向量通过使用具有第一尺度的一维卷积核的第一卷积神经网络模型，以提取出所述反应液的ph值在时间维度上的第一尺度时序动态变化特征，从而得到第一尺度ph时序特征向量。接着，进一步再将所述ph值时序输入向量通过使用具有第二尺度的一维卷积核的第二卷积神经网络模型，以提取出所述反应液的ph值在时间维度上的第二尺度时序动态变化特征，从而得到第二尺度ph时序特征向量。特别地，这里，所述第一尺度与所述第二尺度不同。
34.然后，融合所述第一尺度ph时序特征向量和所述第二尺度ph时序特征向量，以此来融合所述反应液的ph值在不同时间跨度下的多尺度时序动态变化特征信息，即所述五氟化磷气体通过装有氟化锂的无水氟化氢溶液中的反应状态的多尺度时序变化特征信息，并以此作为解码特征向量。
35.进一步地，将所述解码特征向量通过解码器进行解码回归以得到用于表示当前时间点的五氟化磷气体的气体流速值的推荐值的解码值。也就是，以所述五氟化磷气体通过装有氟化锂的无水氟化氢溶液中的反应状态的多尺度时序变化特征来进行解码，从而对于反应状态进行实时监测，以反应状态的时序变化情况来自适应地调整当前时间点的五氟化
磷气体的流速值，使得反应能够完全进行。具体地，在得到所述解码值后，基于所述解码值和所述当前时间点的五氟化磷气体的气体流速值，生成五氟化磷气体的流速控制指令。相应地，在本技术的一个具体示例中，将所述推荐值与所述当前时间点的五氟化磷气体的气体流速值进行比较，以此来确定五氟化磷气体的流速值应增大或减小的数值信息，进而生成五氟化磷气体的流速控制指令。
36.特别地，在本技术的技术方案中，这里，在通过例如点加的方式融合所述第一尺度ph时序特征向量和所述第二尺度ph时序特征向量以得到解码特征向量时，考虑到所述第一尺度ph时序特征向量和所述第二尺度ph时序特征向量分别表示不同尺度下的ph值时序关联特征，如果能够在增强所述第一尺度ph时序特征向量和所述第二尺度ph时序特征向量的逐位置关联性的同时，提升所述第一尺度ph时序特征向量和所述第二尺度ph时序特征向量整体相对于解码器的回归概率密度的向量级关联性，则能够提升所述解码特征向量对所述第一尺度ph时序特征向量和所述第二尺度ph时序特征向量在解码回归目标域下的融合效果，从而提升所述解码特征向量通过解码器得到的解码值的准确性。
37.因此，本技术的申请人分别计算所述第一尺度ph时序特征向量和所述第二尺度ph时序特征向量的关联-概率密度分布仿射映射因数，表示为：，为所述第一尺度ph时序特征向量和所述第二尺度ph时序特征向量之间的逐位置关联得到的关联矩阵，和是所述第一尺度ph时序特征向量和所述第二尺度ph时序特征向量构成的高斯密度图的均值向量和协方差矩阵。
38.也就是，通过构造所述第一尺度ph时序特征向量和所述第二尺度ph时序特征向量之间的关联特征空间和由高斯概率密度表示的概率密度空间，可以通过将所述第一尺度ph时序特征向量和所述第二尺度ph时序特征向量分别映射到关联特征空间和回归概率密度空间内的仿射单应性子空间中，来提取特征表示在关联特征域和回归概率密度域内的符合仿射单应性的表示，通过以所述关联-概率密度分布仿射映射因数值和分别对所述第一尺度ph时序特征向量和所述第二尺度ph时序特征向量进行加权，就可以提升所述第一尺度ph时序特征向量和所述第二尺度ph时序特征向量相对于其关联表示在回归概率密度分布上向量粒度的一致性，从而提升所述解码特征向量对所述第一尺度ph时序特征向量和所述第二尺度ph时序特征向量在解
码回归目标域下的融合效果，从而提升所述解码特征向量通过解码器得到的解码值的准确性。这样，能够实时准确地基于反应液的状态变化情况来自适应地调整当前时间点的五氟化磷气体的流速值，以使得反应能够完全进行，避免原料端的偏差给反应带来不良影响，提高电子级六氟磷酸锂的制备质量和制备安全性。
39.基于此，本技术提出了一种用于电子级六氟磷酸锂制备的自动配料系统，其包括：数据采集模块，用于获取预定时间段内包含当前时间点在内的多个预定时间点的反应液的ph值和当前时间点的五氟化磷气体的气体流速值；数据时序分布模块，用于将所述预定时间段内包含当前时间点在内的多个预定时间点的反应液的ph值按照时间维度排列为ph值时序输入向量；第一尺度ph值时序变化模块，用于将所述ph值时序输入向量通过使用具有第一尺度的一维卷积核的第一卷积神经网络模型以得到第一尺度ph时序特征向量；第二尺度ph值时序变化模块，用于将所述ph值时序输入向量通过使用具有第二尺度的一维卷积核的第二卷积神经网络模型以得到第二尺度ph时序特征向量；多尺度特征融合模块，用于融合所述第一尺度ph时序特征向量和所述第二尺度ph时序特征向量以得到解码特征向量；气体流速推荐模块，用于将所述解码特征向量通过解码器进行解码回归以得到解码值，所述解码值用于表示当前时间点的五氟化磷气体的气体流速值的推荐值；以及，控制模块，用于基于所述解码值和所述当前时间点的五氟化磷气体的气体流速值，生成五氟化磷气体的流速控制指令。
40.图1为根据本技术实施例的用于电子级六氟磷酸锂制备的自动配料系统的场景示意图。如图1所示，在该应用场景中，通过ph值传感器（例如，如图1中所示意的p）获取预定时间段内包含当前时间点在内的多个预定时间点的反应液的ph值，以及，通过流速传感器（例如，如图1中所示意的v）获取当前时间点的五氟化磷气体的气体流速值。接着，将上述信息输入至部署有用于电子级六氟磷酸锂制备的自动配料算法的服务器（例如，图1中的s）中，其中，所述服务器能够以所述电子级六氟磷酸锂制备的自动配料算法对上述输入的信息进行处理，以生成解码值，所述解码值用于表示当前时间点的五氟化磷气体的气体流速值的推荐值。
41.在介绍了本技术的基本原理之后，下面将参考附图来具体介绍本技术的各种非限制性实施例。
42.示例性系统：图2为根据本技术实施例的用于电子级六氟磷酸锂制备的自动配料系统的框图。如图2所示，根据本技术实施例的用于电子级六氟磷酸锂制备的自动配料系统300，包括：数据采集模块310；数据时序分布模块320；第一尺度ph值时序变化模块330；第二尺度ph值时序变化模块340；多尺度特征融合模块350；气体流速推荐模块360；以及，控制模块370。
43.其中，所述数据采集模块310，用于获取预定时间段内包含当前时间点在内的多个预定时间点的反应液的ph值和当前时间点的五氟化磷气体的气体流速值；所述数据时序分布模块320，用于将所述预定时间段内包含当前时间点在内的多个预定时间点的反应液的ph值按照时间维度排列为ph值时序输入向量；所述第一尺度ph值时序变化模块330，用于将所述ph值时序输入向量通过使用具有第一尺度的一维卷积核的第一卷积神经网络模型以得到第一尺度ph时序特征向量；所述第二尺度ph值时序变化模块340，用于将所述ph值时序输入向量通过使用具有第二尺度的一维卷积核的第二卷积神经网络模型以得到第二尺度
ph时序特征向量；所述多尺度特征融合模块350，用于融合所述第一尺度ph时序特征向量和所述第二尺度ph时序特征向量以得到解码特征向量；所述气体流速推荐模块360，用于将所述解码特征向量通过解码器进行解码回归以得到解码值，所述解码值用于表示当前时间点的五氟化磷气体的气体流速值的推荐值；以及，所述控制模块370，用于基于所述解码值和所述当前时间点的五氟化磷气体的气体流速值，生成五氟化磷气体的流速控制指令。
44.图3为根据本技术实施例的用于电子级六氟磷酸锂制备的自动配料系统的系统架构图。如图3所示，在该网络架构中，首先通过所述数据采集模块310获取预定时间段内包含当前时间点在内的多个预定时间点的反应液的ph值和当前时间点的五氟化磷气体的气体流速值；接着，所述数据时序分布模块320将所述数据采集模块310获取的预定时间段内包含当前时间点在内的多个预定时间点的反应液的ph值按照时间维度排列为ph值时序输入向量；所述第一尺度ph值时序变化模块330将所述数据时序分布模块320得到的ph值时序输入向量通过使用具有第一尺度的一维卷积核的第一卷积神经网络模型以得到第一尺度ph时序特征向量；所述第二尺度ph值时序变化模块340将所述数据时序分布模块320得到的ph值时序输入向量通过使用具有第二尺度的一维卷积核的第二卷积神经网络模型以得到第二尺度ph时序特征向量；然后，所述多尺度特征融合模块350融合所述第一尺度ph值时序变化模块330得到的第一尺度ph时序特征向量和所述第二尺度ph值时序变化模块340得到的第二尺度ph时序特征向量以得到解码特征向量；所述气体流速推荐模块360将所述多尺度特征融合模块350融合所得的解码特征向量通过解码器进行解码回归以得到解码值，所述解码值用于表示当前时间点的五氟化磷气体的气体流速值的推荐值；进而，所述控制模块370基于所述解码值和所述当前时间点的五氟化磷气体的气体流速值，生成五氟化磷气体的流速控制指令。
45.具体地，在所述用于电子级六氟磷酸锂制备的自动配料系统300的运行过程中，所述数据采集模块310，用于获取预定时间段内包含当前时间点在内的多个预定时间点的反应液的ph值和当前时间点的五氟化磷气体的气体流速值。应可以理解，在实际的电子级六氟磷酸锂产品的制备过程中，是将五氟化磷气体通过通过装有氟化锂的无水氟化氢溶液中来制得电子级六氟磷酸锂，而实际往往无法将五氧化磷气体与装有氟化钾的无水氟化氢溶液反应控制在恰好完全反应的节点上，因此，需要对其反应进行监测，以此来实时地控制五氟化磷气体的通入流速值。因此，在本技术的一个具体示例中，首先，可通过ph值传感器来获取预定时间段内包含当前时间点在内的多个预定时间点的反应液的ph值，以及，通过流速传感器来获取当前时间点的五氟化磷气体的气体流速值；并基于提取出的反应液的ph值的时序变化情况来自适应地调整当前时间点的五氟化磷气体的流速值，以使得反应能够完全进行，避免原料端的偏差给反应带来不良影响，提高电子级六氟磷酸锂的制备质量和制备安全性。
46.具体地，在所述用于电子级六氟磷酸锂制备的自动配料系统300的运行过程中，所述数据时序分布模块320，用于将所述预定时间段内包含当前时间点在内的多个预定时间点的反应液的ph值按照时间维度排列为ph值时序输入向量。考虑到由于所述反应液的ph值反映了反应液的结局指标，若想精准地进行配料控制，需要对于结局指标在时序上的变化情况进行捕捉，也就是说，由于所述反应液的ph值在时间维度上有着动态性的变化规律，这种变化规律对于五氟化磷气体的流速控制以使得反应完全进行有着重要的影响。因此，在
本技术的技术方案中，将所述预定时间段内包含当前时间点在内的多个预定时间点的反应液的ph值按照时间维度排列为ph值时序输入向量，以此来整合所述反应液的ph值在时序上的分布信息。
47.具体地，在所述用于电子级六氟磷酸锂制备的自动配料系统300的运行过程中，所述第一尺度ph值时序变化模块330，用于将所述ph值时序输入向量通过使用具有第一尺度的一维卷积核的第一卷积神经网络模型以得到第一尺度ph时序特征向量。也就是，使用在局部隐含关联特征提取方面具有优异表现的卷积神经网络模型来进行所述ph值时序输入向量的特征挖掘。考虑到由于所述反应液的ph值在时间维度上的不同时间周期跨度下具有着不同的模式状态变化特征，也就是说，所述反应液的ph值在时序上具有着波动性和不确定性，难以进行时序动态特征捕捉。因此，为了能够提高所述反应液的ph值的时序动态变化特征的表达能力，以此来充分地进行所述反应液的ph值的时序变化特征提取，在本技术的技术方案中，进一步使用具有不同尺度的一维卷积核的卷积神经网络模型来进行所述ph值时序输入向量的特征挖掘，以提取出在时间维度上的不同尺度的关于所述反应液的ph值的时序变化特征。具体地，将所述ph值时序输入向量通过使用具有第一尺度的一维卷积核的第一卷积神经网络模型，以提取出所述反应液的ph值在时间维度上的第一尺度时序动态变化特征，从而得到第一尺度ph时序特征向量。在一个具体示例中，所述第一卷积神经网络包括相互级联的多个神经网络层，其中各个神经网络层包括卷积层、池化层和激活层。其中，在所述第一卷积神经网络的编码过程中，所述第一卷积神经网络的各层在层的正向传递过程中对输入数据使用所述卷积层进行基于卷积核的卷积处理、使用所述池化层对由所述卷积层输出的卷积特征图进行池化处理和使用所述激活层对由所述池化层输出的池化特征图进行激活处理。
48.图4为根据本技术实施例的用于电子级六氟磷酸锂制备的自动配料系统中第一卷积神经网络编码的流程图。如图4所示，在所述第一卷积神经网络的编码过程中，包括：使用所述具有第一尺度的一维卷积核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：s210，对输入数据进行卷积处理以得到卷积特征图；s220，对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图；以及，s230，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，所述具有第一尺度的一维卷积核的第一卷积神经网络的最后一层的输出为所述第一尺度ph时序特征向量，所述具有第一尺度的一维卷积核的第一卷积神经网络的第一层的输入为所述ph值时序输入向量。
49.具体地，在所述用于电子级六氟磷酸锂制备的自动配料系统300的运行过程中，所述第二尺度ph值时序变化模块340，用于将所述ph值时序输入向量通过使用具有第二尺度的一维卷积核的第二卷积神经网络模型以得到第二尺度ph时序特征向量。也就是，使用在局部隐含关联特征提取方面具有优异表现的第二卷积神经网络模型来进行所述ph值时序输入向量的特征挖掘以得到所述第二尺度ph时序特征向量。特别地，这里，所述第一尺度与所述第二尺度不同。更具体地，使用所述具有第二尺度的一维卷积核的第二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：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特征矩阵的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，所述具有第二尺度的一维卷积核的第二卷积神经网络的最后一层的输出为所述第二尺度ph时序特征向量，所述具有第二尺度的一
维卷积核的第二卷积神经网络的第一层的输入为所述ph值时序输入向量。
50.具体地，在所述用于电子级六氟磷酸锂制备的自动配料系统300的运行过程中，所述多尺度特征融合模块350，用于融合所述第一尺度ph时序特征向量和所述第二尺度ph时序特征向量以得到解码特征向量。也就是，在得到所述第一尺度ph时序特征向量和所述第二尺度ph时序特征向量后，进一步将两者进行特征融合，以此来融合所述反应液的ph值在不同时间跨度下的多尺度时序动态变化特征信息，即所述五氟化磷气体通过装有氟化锂的无水氟化氢溶液中的反应状态的多尺度时序变化特征信息，并以此作为解码特征向量。在本技术的技术方案中，这里，在通过例如点加的方式融合所述第一尺度ph时序特征向量和所述第二尺度ph时序特征向量以得到解码特征向量时，考虑到所述第一尺度ph时序特征向量和所述第二尺度ph时序特征向量分别表示不同尺度下的ph值时序关联特征，如果能够在增强所述第一尺度ph时序特征向量和所述第二尺度ph时序特征向量的逐位置关联性的同时，提升所述第一尺度ph时序特征向量和所述第二尺度ph时序特征向量整体相对于解码器的回归概率密度的向量级关联性，则能够提升所述解码特征向量对所述第一尺度ph时序特征向量和所述第二尺度ph时序特征向量在解码回归目标域下的融合效果，从而提升所述解码特征向量通过解码器得到的解码值的准确性。因此，本技术的申请人分别计算所述第一尺度ph时序特征向量和所述第二尺度ph时序特征向量的关联-概率密度分布仿射映射因数，表示为：，其中表示所述第一尺度ph时序特征向量， 表示所述第二尺度ph时序特征向量， 为所述第一尺度ph时序特征向量和所述第二尺度ph时序特征向量之间的逐位置关联得到的关联矩阵，和是所述第一尺度ph时序特征向量和所述第二尺度ph时序特征向量构成的高斯密度图的均值向量和逐位置方差矩阵，表示矩阵乘法，表示表示矩阵的指数运算，所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值，表示所述第一关联-概率密度分布仿射映射因数，表示所述第二关联-概率密度分布仿射映射因数。也就是，通过构造所述第一尺度ph时序特征向量和所述第二尺度ph时序特征向量之间的关联特征空间和由高斯概率密度表示的概率密度空间，可以通过将所述第一尺度ph时序特征向量和所述第二尺度ph时序特征向量分别映射到关联特征空间和回归概率密度空间内的仿射单应性子空间中，来提取特征表示在关联特征域和回归概率密度域内的符合仿射单应性的表示，通过以所述关联-概率密度分布仿射映射因数值和分
别对所述第一尺度ph时序特征向量和所述第二尺度ph时序特征向量进行加权，就可以提升所述第一尺度ph时序特征向量和所述第二尺度ph时序特征向量相对于其关联表示在回归概率密度分布上向量粒度的一致性，从而提升所述解码特征向量对所述第一尺度ph时序特征向量和所述第二尺度ph时序特征向量在解码回归目标域下的融合效果，从而提升所述解码特征向量通过解码器得到的解码值的准确性。这样，能够实时准确地基于反应液的状态变化情况来自适应地调整当前时间点的五氟化磷气体的流速值，以使得反应能够完全进行，避免原料端的偏差给反应带来不良影响，提高电子级六氟磷酸锂的制备质量和制备安全性。
51.图5为根据本技术实施例的用于电子级六氟磷酸锂制备的自动配料系统中多尺度特征融合模块的框图。如图5所示，所述多尺度特征融合模块350，包括：优化因数计算单元351，用于计算所述第一尺度ph时序特征向量和所述第二尺度ph时序特征向量的关联-概率密度分布仿射映射因数以得到第一关联-概率密度分布仿射映射因数和第二关联-概率密度分布仿射映射因数；加权优化单元352，用于以所述第一关联-概率密度分布仿射映射因数和所述第二关联-概率密度分布仿射映射因数作为权重，分别对所述第一尺度ph时序特征向量和所述第二尺度ph时序特征向量进行加权以得到校正后第一尺度ph时序特征向量和校正后第二尺度ph时序特征向量；以及，ph值时序特征融合单元353，用于融合所述校正后第一尺度ph时序特征向量和所述校正后第二尺度ph时序特征向量以得到所述解码特征向量。其中，所述ph值时序特征融合单元353，包括：以如下级联公式来融合所述校正后第一尺度ph时序特征向量和所述校正后第二尺度ph时序特征向量以得到所述解码特征向量；其中，所述级联公式为：其中， 表示所述校正后第一尺度ph时序特征向量，表示所述校正后第二尺度ph时序特征向量，表示级联函数， 表示所述解码特征向量。
52.具体地，在所述用于电子级六氟磷酸锂制备的自动配料系统300的运行过程中，所述气体流速推荐模块360和所述控制模块370，用于将所述解码特征向量通过解码器进行解码回归以得到解码值，所述解码值用于表示当前时间点的五氟化磷气体的气体流速值的推荐值；并基于所述解码值和所述当前时间点的五氟化磷气体的气体流速值，生成五氟化磷气体的流速控制指令。也就是，将所述解码特征向量通过解码器进行解码回归以得到解码值。在本技术的技术方案中，以所述五氟化磷气体通过装有氟化锂的无水氟化氢溶液中的反应状态的多尺度时序变化特征来进行解码，从而对于反应状态进行实时监测，以反应状态的时序变化情况来自适应地调整当前时间点的五氟化磷气体的流速值，使得反应能够完全进行。更具体地，使用所述解码器以如下解码公式将所述解码特征向量进行解码回归以获得用于表示当前时间点的五氟化磷气体的气体流速值的推荐值的解码值；其中，所述公式为：，其中表示所述解码特征向量，是所述解码值，是权重矩阵，表示矩阵相乘。
53.相应地，在本技术的一个具体示例中，将所述推荐值与所述当前时间点的五氟化磷气体的气体流速值进行比较，以此来确定五氟化磷气体的流速值应增大或减小的数值信息，进而生成五氟化磷气体的流速控制指令。
54.综上，根据本技术实施例的用于电子级六氟磷酸锂制备的自动配料系统300被阐明，其通过采用基于深度学习的神经网络模型挖掘出反应液的ph值的时序动态变化特征信息，以基于反应液的ph值的时序变化情况来自适应地调整当前时间点的五氟化磷气体的流速值，以使得反应能够完全进行，避免原料端的偏差给反应带来不良影响，提高电子级六氟磷酸锂的制备质量和制备安全性。
55.如上所述，根据本技术实施例的用于电子级六氟磷酸锂制备的自动配料系统可以实现在各种终端设备中。在一个示例中，根据本技术实施例的用于电子级六氟磷酸锂制备的自动配料系统300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，该用于电子级六氟磷酸锂制备的自动配料系统300可以是该终端设备的操作系统中的一个软件模块，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，该用于电子级六氟磷酸锂制备的自动配料系统300同样可以是该终端设备的众多硬件模块之一。
56.替换地，在另一示例中，该用于电子级六氟磷酸锂制备的自动配料系统300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磷酸锂制备的自动配料系统300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。
57.示例性方法：图6为根据本技术实施例的用于电子级六氟磷酸锂制备的自动配料方法的流程图。如图6所示，根据本技术实施例的用于电子级六氟磷酸锂制备的自动配料方法，包括步骤：s110，获取预定时间段内包含当前时间点在内的多个预定时间点的反应液的ph值和当前时间点的五氟化磷气体的气体流速值；s120，将所述预定时间段内包含当前时间点在内的多个预定时间点的反应液的ph值按照时间维度排列为ph值时序输入向量；s130，将所述ph值时序输入向量通过使用具有第一尺度的一维卷积核的第一卷积神经网络模型以得到第一尺度ph时序特征向量；s140，将所述ph值时序输入向量通过使用具有第二尺度的一维卷积核的第二卷积神经网络模型以得到第二尺度ph时序特征向量；s150，融合所述第一尺度ph时序特征向量和所述第二尺度ph时序特征向量以得到解码特征向量；s160，将所述解码特征向量通过解码器进行解码回归以得到解码值，所述解码值用于表示当前时间点的五氟化磷气体的气体流速值的推荐值；以及，s170，基于所述解码值和所述当前时间点的五氟化磷气体的气体流速值，生成五氟化磷气体的流速控制指令。
58.在一个示例中，在上述用于电子级六氟磷酸锂制备的自动配料方法中，所述步骤s130，包括：使用所述具有第一尺度的一维卷积核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：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特征矩阵的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，所述具有第一尺度的一维卷积核的第一卷积神经网络的最后一层的输出为所述第一尺度ph时序特征向量，所述具有第一尺度的一维卷积核的第一卷积神经网络的第一层的输入为所述ph值时序输入向量。
59.在一个示例中，在上述用于电子级六氟磷酸锂制备的自动配料方法中，所述步骤s140，包括：使用所述具有第二尺度的一维卷积核的第二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：对输入数据进行卷积处理以得到卷积特征图；对所述卷
积特征图进行基于特征矩阵的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，所述具有第二尺度的一维卷积核的第二卷积神经网络的最后一层的输出为所述第二尺度ph时序特征向量，所述具有第二尺度的一维卷积核的第二卷积神经网络的第一层的输入为所述ph值时序输入向量。
60.在一个示例中，在上述用于电子级六氟磷酸锂制备的自动配料方法中，所述步骤s150，包括：计算所述第一尺度ph时序特征向量和所述第二尺度ph时序特征向量的关联-概率密度分布仿射映射因数以得到第一关联-概率密度分布仿射映射因数和第二关联-概率密度分布仿射映射因数；以所述第一关联-概率密度分布仿射映射因数和所述第二关联-概率密度分布仿射映射因数作为权重，分别对所述第一尺度ph时序特征向量和所述第二尺度ph时序特征向量进行加权以得到校正后第一尺度ph时序特征向量和校正后第二尺度ph时序特征向量；以及，融合所述校正后第一尺度ph时序特征向量和所述校正后第二尺度ph时序特征向量以得到所述解码特征向量。其中，计算所述第一尺度ph时序特征向量和所述第二尺度ph时序特征向量的关联-概率密度分布仿射映射因数以得到第一关联-概率密度分布仿射映射因数和第二关联-概率密度分布仿射映射因数，包括：以如下优化公式计算所述第一尺度ph时序特征向量和所述第二尺度ph时序特征向量的关联-概率密度分布仿射映射因数以得到所述第一关联-概率密度分布仿射映射因数和所述第二关联-概率密度分布仿射映射因数；其中，所述公式为：，其中表示所述第一尺度ph时序特征向量， 表示所述第二尺度ph时序特征向量， 为所述第一尺度ph时序特征向量和所述第二尺度ph时序特征向量之间的逐位置关联得到的关联矩阵，和是所述第一尺度ph时序特征向量和所述第二尺度ph时序特征向量构成的高斯密度图的均值向量和逐位置方差矩阵，表示矩阵乘法，表示表示矩阵的指数运算，所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值，表示所述第一关联-概率密度分布仿射映射因数，表示所述第二关联-概率密度分布仿射映射因数；更具体地，融合所述校正后第一尺度ph时序特征向量和所述校正后第二尺度ph时序特征向量以得到所述解码特征向量，包括：以如下级联公式来融合所述校正后第一尺度ph时序特征向量和所述校正后第二尺度ph时序特征向量以得到所述解码特征向量；其中，所述级联公式为：其中， 表示所述校正后第一尺度ph时序特征向量，表示所述校正后第二尺度ph时序特征向量，表示级联函数， 表示所述解码特征向量。
61.在一个示例中，在上述用于电子级六氟磷酸锂制备的自动配料方法中，所述步骤s160，包括：使用所述解码器以如下解码公式将所述解码特征向量进行解码回归以获得用于表示当前时间点的五氟化磷气体的气体流速值的推荐值的解码值；其中，所述公式为：，其中表示所述解码特征向量，是所述解码值，是权重矩阵，表示矩阵相乘。
62.综上，根据本技术实施例的用于电子级六氟磷酸锂制备的自动配料方法被阐明，其通过采用基于深度学习的神经网络模型挖掘出反应液的ph值的时序动态变化特征信息，以基于反应液的ph值的时序变化情况来自适应地调整当前时间点的五氟化磷气体的流速值，以使得反应能够完全进行，避免原料端的偏差给反应带来不良影响，提高电子级六氟磷酸锂的制备质量和制备安全性。
63.示例性电子设备：下面，参考图7来描述根据本技术实施例的电子设备。
64.图7图示了根据本技术实施例的电子设备的框图。
65.如图7所示，电子设备10包括一个或多个处理器11和存储器12。
66.处理器11可以是中央处理单元（cpu）或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
67.存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器（ram）和/或高速缓冲存储器（cache）等。所述非易失性存储器例如可以包括只读存储器（rom）、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本技术的各个实施例的用于电子级六氟磷酸锂制备的自动配料系统中的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如解码特征向量等各种内容。
68.在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构（未示出）互连。
69.该输入装置13可以包括例如键盘、鼠标等等。
70.该输出装置14可以向外部输出各种信息，包括解码值等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
71.当然，为了简化，图7中仅示出了该电子设备10中与本技术有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。
72.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，本技术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“示例性系统”部分中描述的根据本技术各种实施例的用于电子级六氟磷酸锂制备的自动配料方法中的功能中的步骤。
73.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技术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。
74.此外，本技术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“示例性系统”部分中描述的根据本技术各种实施例的用于电子级六氟磷酸锂制备的自动配料方法中的功能中的步骤。
75.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、或半导体的系统、装置或器件，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。
76.以上结合具体实施例描述了本技术的基本原理，但是，需要指出的是，在本技术中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本技术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技术为必须采用上述具体的细节来实现。
77.本技术中涉及的器件、装置、设备、系统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、系统。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。
78.还需要指出的是，在本技术的装置、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技术的等效方案。
79.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技术。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技术的范围。因此，本技术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。
80.为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本技术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。

技术特征：
1.一种用于电子级六氟磷酸锂制备的自动配料系统，其特征在于，包括：数据采集模块，用于获取预定时间段内包含当前时间点在内的多个预定时间点的反应液的ph值和当前时间点的五氟化磷气体的气体流速值；数据时序分布模块，用于将所述预定时间段内包含当前时间点在内的多个预定时间点的反应液的ph值按照时间维度排列为ph值时序输入向量；第一尺度ph值时序变化模块，用于将所述ph值时序输入向量通过使用具有第一尺度的一维卷积核的第一卷积神经网络模型以得到第一尺度ph时序特征向量；第二尺度ph值时序变化模块，用于将所述ph值时序输入向量通过使用具有第二尺度的一维卷积核的第二卷积神经网络模型以得到第二尺度ph时序特征向量；多尺度特征融合模块，用于融合所述第一尺度ph时序特征向量和所述第二尺度ph时序特征向量以得到解码特征向量；气体流速推荐模块，用于将所述解码特征向量通过解码器进行解码回归以得到解码值，所述解码值用于表示当前时间点的五氟化磷气体的气体流速值的推荐值；以及控制模块，用于基于所述解码值和所述当前时间点的五氟化磷气体的气体流速值，生成五氟化磷气体的流速控制指令。2.根据权利要求1所述的用于电子级六氟磷酸锂制备的自动配料系统，其特征在于，所述第一尺度ph值时序变化模块，用于：使用所述具有第一尺度的一维卷积核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：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特征矩阵的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，所述具有第一尺度的一维卷积核的第一卷积神经网络的最后一层的输出为所述第一尺度ph时序特征向量，所述具有第一尺度的一维卷积核的第一卷积神经网络的第一层的输入为所述ph值时序输入向量。3.根据权利要求2所述的用于电子级六氟磷酸锂制备的自动配料系统，其特征在于，所述第二尺度ph值时序变化模块，用于：使用所述具有第二尺度的一维卷积核的第二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：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特征矩阵的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，所述具有第二尺度的一维卷积核的第二卷积神经网络的最后一层的输出为所述第二尺度ph时序特征向量，所述具有第二尺度的一维卷积核的第二卷积神经网络的第一层的输入为所述ph值时序输入向量。4.根据权利要求3所述的用于电子级六氟磷酸锂制备的自动配料系统，其特征在于，所述多尺度特征融合模块，包括：优化因数计算单元，用于计算所述第一尺度ph时序特征向量和所述第二尺度ph时序特征向量的关联-概率密度分布仿射映射因数以得到第一关联-概率密度分布仿射映射因数和第二关联-概率密度分布仿射映射因数；加权优化单元，用于以所述第一关联-概率密度分布仿射映射因数和所述第二关联-概率密度分布仿射映射因数作为权重，分别对所述第一尺度ph时序特征向量和所述第二尺度ph时序特征向量进行加权以得到校正后第一尺度ph时序特征向量和校正后第二尺度ph时序特征向量；以及ph值时序特征融合单元，用于融合所述校正后第一尺度ph时序特征向量和所述校正后第二尺度ph时序特征向量以得到所述解码特征向量。5.根据权利要求4所述的用于电子级六氟磷酸锂制备的自动配料系统，其特征在于，所述优化因数计算单元，用于：以如下优化公式计算所述第一尺度ph时序特征向量和所述第二尺度ph时序特征向量的关联-概率密度分布仿射映射因数以得到所述第一关联-概率密
度分布仿射映射因数和所述第二关联-概率密度分布仿射映射因数；其中，所述公式为：，其中表示所述第一尺度ph时序特征向量， 表示所述第二尺度ph时序特征向量， 为所述第一尺度ph时序特征向量和所述第二尺度ph时序特征向量之间的逐位置关联得到的关联矩阵，和是所述第一尺度ph时序特征向量和所述第二尺度ph时序特征向量构成的高斯密度图的均值向量和逐位置方差矩阵，表示矩阵乘法，表示表示矩阵的指数运算，所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值，表示所述第一关联-概率密度分布仿射映射因数，表示所述第二关联-概率密度分布仿射映射因数。6.根据权利要求5所述的用于电子级六氟磷酸锂制备的自动配料系统，其特征在于，所述ph值时序特征融合单元，用于：以如下级联公式来融合所述校正后第一尺度ph时序特征向量和所述校正后第二尺度ph时序特征向量以得到所述解码特征向量； 其中，所述级联公式为：其中， 表示所述校正后第一尺度ph时序特征向量，表示所述校正后第二尺度ph时序特征向量，表示级联函数， 表示所述解码特征向量。7.根据权利要求6所述的用于电子级六氟磷酸锂制备的自动配料系统，其特征在于，所述气体流速推荐模块，用于：使用所述解码器以如下解码公式将所述解码特征向量进行解码回归以获得用于表示当前时间点的五氟化磷气体的气体流速值的推荐值的解码值；其中，所述公式为：，其中表示所述解码特征向量，是所述解码值，是权重矩阵，表示矩阵相乘。

技术总结
本申请涉及智能控制领域，其具体地公开了一种用于电子级六氟磷酸锂制备的自动配料系统，其通过采用基于深度学习的神经网络模型挖掘出反应液的PH值的时序动态变化特征信息，以基于反应液的PH值的时序变化情况来自适应地调整当前时间点的五氟化磷气体的流速值，以使得反应能够完全进行，避免原料端的偏差给反应带来不良影响，提高电子级六氟磷酸锂的制备质量和制备安全性。量和制备安全性。量和制备安全性。


技术研发人员：谢光明 蓝茂炜 温思成
受保护的技术使用者：福建省龙德新能源有限公司
技术研发日：2023.04.28
技术公布日：2023/9/23