用于无水氟化氢生产的能源管理控制系统及其控制方法与流程

1.本发明涉及生产能源的智能管理的领域，且更为具体地，涉及一种用于无水氟化氢生产的能源管理控制系统及其控制方法。


背景技术：

2.无水氟化氢广泛应用于原子能、化工、石油等行业，是强氧化剂，可用来制取元素氟、各种氟制冷剂、无机氟化物、有机氟化物，也可配制成各种用途的有水氢氟酸。传统的无水氟化氢制备方法主要是将氟石粉和硫酸混合，在加热的条件下，直接产生氟化氢。
3.传统的无水氟化氢制备方法直接将物料进行加热处理，物料混合不均匀，不仅增加了不必要的反应能耗，而且主反应进行不充分，产品得率和纯度较低。
4.因此，期待一种优化的用于生产无水氟化氢的方案。


技术实现要素：

5.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无水氟化氢生产的能源管理控制系统及其控制方法，其采用人工智能控制技术，通过基于深度神经网络模型来对于转炉反应器的转速值、炉内压力值、反应温度值和产物的气相色谱图进行时序维度上的隐含关联特征提取，并根据产物的实时生成状态特征以及炉内压力和反应温度的变化特征来实时动态地对于所述转炉反应器的转速进行调整以提高反应的效率，进而提高反应物料的利用率与产品的质量。
6.根据本技术的一个方面，提供了一种用于无水氟化氢生产的能源管理控制系统，其包括：
7.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转炉反应器的转速值、炉内压力值、反应温度值和产物的气相色谱图；
8.结构化模块，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炉内压力值和反应温度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和所述压力输入向量之间的温度-压力关联矩阵；
9.数据级关联模块，用于将所述温度-压力关联矩阵通过相邻层使用互为转置的卷积核的第一卷积神经网络以得到温度-压力关联特征矩阵；
10.转速编码模块，用于将预定时间段内包含当前时间点在内的多个预定时间点的转炉反应器的转速值通过包含一维卷积层的时序编码器以得到转速特征向量；
11.全局控制特征生成模块，用于将所述转速特征向量与所述温度-压力关联特征矩阵进行相乘以得到参数全局控制特征向量；
12.产物数据编码模块，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产物的气相色谱图通过使用三维卷积核的第二卷积神经网络以得到产物特征向量；
13.校正模块，用于对所述产物特征向量中各个位置的特征值进行修正以得到校正后产物特征向量；
14.作用表示模块，用于计算所述参数全局控制特征向量相对于所述产物特征向量的转移矩阵作为分类特征矩阵；以及
15.能源控制结果生成模块，用于将所述分类特征矩阵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转炉反应器的转速值应增大或应减小。
16.在上述用于无水氟化氢生产的能源管理控制系统中，所述结构化模块，包括：数据级关联单元，用于以如下公式来计算所述温度输入向量和所述压力输入向量之间的所述温度-压力关联矩阵；
17.其中，所述公式为：
[0018][0019]
其中表示向量相乘，v1表示所述温度输入向量，表示所述温度输入向量的转置向量，v2表示所述压力输入向量，m表示所述温度-压力关联矩阵。
[0020]
在上述用于无水氟化氢生产的能源管理控制系统中，所述数据级关联模块，包括：浅层特征图提取子单元，用于从所述第一卷积神经网络的第m层提取浅层特征矩阵，m是偶数；深层特征图提取子单元，用于从所述第一卷积神经网络的第n层提取深层特征矩阵，其中，n为偶数，且n大于m的2倍；以及，特征图融合子单元，用于融合所述浅层特征图和所述深层特征图以生成所述温度-压力关联特征矩阵。
[0021]
在上述用于无水氟化氢生产的能源管理控制系统中，所述转速编码模块，包括：输入向量构造单元，用于将预定时间段内包含当前时间点在内的多个预定时间点的转炉反应器的转速值按照时间维度排列为一维的输入向量；全连接编码单元，用于使用所述时序编码器的全连接层以如下公式对所述输入向量进行全连接编码以提取出所述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x是所述输入向量，y是输出向量，w是权重矩阵，b是偏置向量，表示矩阵乘；一维卷积编码单元，用于使用所述时序编码器的一维卷积层以如下公式对所述输入向量进行一维卷积编码以提取出所述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：
[0022][0023]
其中，a为卷积核在x方向上的宽度、f为卷积核参数向量、g为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸，x表示所述输入向量。
[0024]
在上述用于无水氟化氢生产的能源管理控制系统中，所述产物数据编码模块，进一步用于：所述使用三维卷积核的第二卷积神经网络在层的正向传递中对输入数据分别进行：基于所述三维卷积核对所述输入数据进行三维卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化处理以得到池化特征图；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，所述第二卷积神经网络的最后一层的输出为所述产物特征向量，所述第二卷积神经网络的第一层的输入为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产物的气相色谱图。
[0025]
在上述用于无水氟化氢生产的能源管理控制系统中，所述校正模块，进一步用于：以如下公式对所述产物特征向量中各个位置的特征值进行修正以得到所述校正后产物特
征向量；
[0026]
其中，所述公式为：
[0027][0028]
其中v表示所述产物特征向量，∑表示所述产物特征向量的自协方差矩阵，即矩阵的每个位置的值是所述产物特征向量的每两个位置的特征值之间的方差，μ和σ分别是所述产物特征向量的全局均值和方差，和分别表示特征向量的按位置减法和加法，||
·
||2表示特征向量的二范数，exp(
·
)表示向量的指数运算，以向量为幂的指数运算表示以向量的每个位置的特征值作为幂的自然指数函数值。
[0029]
在上述用于无水氟化氢生产的能源管理控制系统中，所述作用表示模块，进一步用于：以如下公式计算所述参数全局控制特征向量相对于所述产物特征向量的转移矩阵作为所述分类特征矩阵；
[0030]
其中，所述公式为：
[0031]v1
＝m*v2[0032]
其中v1表示所述参数全局控制特征向量，m表示所述分类特征矩阵，v2表示所述产物特征向量。
[0033]
在上述用于无水氟化氢生产的能源管理控制系统中，所述能源控制结果生成模块，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：softmax{(wn,bn):
…
:(w1,b1)|project(f)}，其中projecet(f)表示将所述分类特征矩阵投影为向量，w1至wn为各层全连接层的权重矩阵，b1至bn表示各层全连接层的偏置矩阵。
[0034]
根据本技术的另一方面，一种用于无水氟化氢生产的能源管理控制系统的控制方法，其包括：
[0035]
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转炉反应器的转速值、炉内压力值、反应温度值和产物的气相色谱图；
[0036]
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炉内压力值和反应温度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和所述压力输入向量之间的温度-压力关联矩阵；
[0037]
将所述温度-压力关联矩阵通过相邻层使用互为转置的卷积核的第一卷积神经网络以得到温度-压力关联特征矩阵；
[0038]
将预定时间段内包含当前时间点在内的多个预定时间点的转炉反应器的转速值通过包含一维卷积层的时序编码器以得到转速特征向量；
[0039]
将所述转速特征向量与所述温度-压力关联特征矩阵进行相乘以得到参数全局控制特征向量；
[0040]
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产物的气相色谱图通过使用三维卷积核的第二卷积神经网络以得到产物特征向量；
[0041]
对所述产物特征向量中各个位置的特征值进行修正以得到校正后产物特征向量；
[0042]
计算所述参数全局控制特征向量相对于所述产物特征向量的转移矩阵作为分类特征矩阵；以及
[0043]
将所述分类特征矩阵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转炉反应器的转速值应增大或应减小。
[0044]
在上述用于无水氟化氢生产的能源管理控制系统的控制方法中，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炉内压力值和反应温度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和所述压力输入向量之间的温度-压力关联矩阵，包括：以如下公式来计算所述温度输入向量和所述压力输入向量之间的所述温度-压力关联矩阵；
[0045]
其中，所述公式为：
[0046][0047]
其中表示向量相乘，v1表示所述温度输入向量，表示所述温度输入向量的转置向量，v2表示所述压力输入向量，m表示所述温度-压力关联矩阵。
[0048]
在上述用于无水氟化氢生产的能源管理控制系统的控制方法中，将所述温度-压力关联矩阵通过相邻层使用互为转置的卷积核的第一卷积神经网络以得到温度-压力关联特征矩阵，包括：从所述第一卷积神经网络的第m层提取浅层特征矩阵，m是偶数；从所述第一卷积神经网络的第n层提取深层特征矩阵，其中，n为偶数，且n大于m的2倍；以及，融合所述浅层特征图和所述深层特征图以生成所述温度-压力关联特征矩阵。
[0049]
在上述用于无水氟化氢生产的能源管理控制系统的控制方法中，将预定时间段内包含当前时间点在内的多个预定时间点的转炉反应器的转速值通过包含一维卷积层的时序编码器以得到转速特征向量，包括：将预定时间段内包含当前时间点在内的多个预定时间点的转炉反应器的转速值按照时间维度排列为一维的输入向量；使用所述时序编码器的全连接层以如下公式对所述输入向量进行全连接编码以提取出所述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x是所述输入向量，y是输出向量，w是权重矩阵，b是偏置向量，表示矩阵乘；使用所述时序编码器的一维卷积层以如下公式对所述输入向量进行一维卷积编码以提取出所述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：
[0050][0051]
其中，a为卷积核在x方向上的宽度、f为卷积核参数向量、g为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸，x表示所述输入向量。
[0052]
在上述用于无水氟化氢生产的能源管理控制系统的控制方法中，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产物的气相色谱图通过使用三维卷积核的第二卷积神经网络以得到产物特征向量，包括：所述使用三维卷积核的第二卷积神经网络在层的正向传递中对输入数据分别进行：基于所述三维卷积核对所述输入数据进行三维卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化处理以得到池化特征图；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，所述第二卷积神经网络的最后一层的输出为所述产物特征向量，所述第二卷积神经网络的第一层的输入为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产物的气相色谱图。
[0053]
在上述用于无水氟化氢生产的能源管理控制系统的控制方法中，对所述产物特征向量中各个位置的特征值进行修正以得到校正后产物特征向量，包括：以如下公式对所述产物特征向量中各个位置的特征值进行修正以得到所述校正后产物特征向量；
[0054]
其中，所述公式为：
[0055][0056]
其中v表示所述产物特征向量，∑表示所述产物特征向量的自协方差矩阵，即矩阵的每个位置的值是所述产物特征向量的每两个位置的特征值之间的方差，μ和σ分别是所述产物特征向量的全局均值和方差，和分别表示特征向量的按位置减法和加法，||
·
||2表示特征向量的二范数，exp(
·
)表示向量的指数运算，以向量为幂的指数运算表示以向量的每个位置的特征值作为幂的自然指数函数值。
[0057]
在上述用于无水氟化氢生产的能源管理控制系统的控制方法中，计算所述参数全局控制特征向量相对于所述产物特征向量的转移矩阵作为分类特征矩阵，包括：以如下公式计算所述参数全局控制特征向量相对于所述产物特征向量的转移矩阵作为所述分类特征矩阵；
[0058]
其中，所述公式为：
[0059]v1
＝m*v2[0060]
其中v1表示所述参数全局控制特征向量，m表示所述分类特征矩阵，v2表示所述产物特征向量。
[0061]
在上述用于无水氟化氢生产的能源管理控制系统的控制方法中，将所述分类特征矩阵通过分类器以得到分类结果，包括：使用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： softmax{(wn,bn):
…
:(w1,b1)|project(f)}，其中project(f)表示将所述分类特征矩阵投影为向量，w1至wn为各层全连接层的权重矩阵，b1至bn表示各层全连接层的偏置矩阵。
[0062]
与现有技术相比，本技术提供的用于无水氟化氢生产的能源管理控制系统及其控制方法，其采用人工智能控制技术，通过基于深度神经网络模型来对于转炉反应器的转速值、炉内压力值、反应温度值和产物的气相色谱图进行时序维度上的隐含关联特征提取，并根据产物的实时生成状态特征以及炉内压力和反应温度的变化特征来实时动态地对于所述转炉反应器的转速进行调整以提高反应的效率，进而提高反应物料的利用率与产品的质量。
附图说明
[0063]
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。
[0064]
图1为根据本技术实施例的用于无水氟化氢生产的能源管理控制系统的应用场景图。
[0065]
图2为根据本技术实施例的用于无水氟化氢生产的能源管理控制系统的框图。
[0066]
图3为根据本技术实施例的用于无水氟化氢生产的能源管理控制系统的控制方法的流程图。
[0067]
图4为根据本技术实施例的用于无水氟化氢生产的能源管理控制系统的控制方法的架构示意图。
具体实施方式
[0068]
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。
[0069]
场景概述
[0070]
如前所述，无水氟化氢广泛应用于原子能、化工、石油等行业，是强氧化剂，可用来制取元素氟、各种氟制冷剂、无机氟化物、有机氟化物，也可配制成各种用途的有水氢氟酸。传统的无水氟化氢制备方法主要是将氟石粉和硫酸混合，在加热的条件下，直接产生氟化氢。
[0071]
传统的无水氟化氢制备方法直接将物料进行加热处理，物料混合不均匀，不仅增加了不必要的反应能耗，而且主反应进行不充分，产品得率和纯度较低。因此，期待一种优化的用于生产无水氟化氢的方案。
[0072]
在本技术的制备方案中，制备流程如下：
[0073]
s1：将混合硫酸和氟石粉分别加热后，按照一定投料重量比在预反应器中混合进行预反应，得到混合物料；
[0074]
s2：将混合物料连续进料到转炉反应器中，在转炉反应器转速为 1.0r/min～2.0r/min和炉内压力为-0.55～-0.45kpa的条件下，依次采用 550～650℃和700～800℃两种温度对混合物料进行反应，反应50～70分钟，得到粗氟化氢气体和固体物料，将得到的固体物料的一部分通过返料装置进料到转炉反应器再次反应，剩余固体物料进入二水石膏生产装置；
[0075]
s3：粗氟化氢气体经洗涤塔、冷凝器、精馏塔和脱气塔处理，得到纯净的氟化氢气体及剩余气体；
[0076]
s4：使用硫酸对剩余气体进行循环回收，以吸收氟化氢气体；
[0077]
s5：未被循环回收的剩余气体经水洗塔处理和尾气塔处理后，从尾气塔顶部排出。
[0078]
基于此，本技术发明人发现在步骤s2中，对于转炉反应器的转速控制、炉内压力控制以及反应温度控制不仅关乎于反应效率和反应充分度，还关乎于无水氟化氢生产产线的能耗。因此，本技术发明人期望能够根据产物的生成状态特征来实时动态地对于所述转炉反应器的转速、炉内压力以及反应温度进行控制，以提高反应的效率，进而能够提高反应物料的利用率。
[0079]
具体地，在本技术的技术方案中，首先，通过各个传感器，例如转速传感器、压力传感器和温度传感器分别采集预定时间段内包含当前时间点在内的多个预定时间点的转炉反应器的转速值、炉内压力值和反应温度值，并且通过气相色谱仪采集所述多个预定时间点的产物的气相色谱图。
[0080]
应可以理解，由于所述炉内压力值和所述反应温度值之间具有着关联关系，其会
相互产生影响，例如当炉内压力值升高时，反应温度也会随着增大，因此，在本技术的技术方案中，需要进一步挖掘出这种关联性特征来进行实际转炉反应器的转速控制。具体地，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炉内压力值和反应温度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和所述压力输入向量之间的温度-压力关联矩阵，以整合所述炉内压力值和所述反应温度值的关联性，便于后续对其特征进行提取。
[0081]
然后，将所述温度-压力关联矩阵通过相邻层使用互为转置的卷积核的第一卷积神经网络中进行处理以得到温度-压力关联特征矩阵。应可以理解，使用邻卷积层为互为转置的卷积核的卷积神经网络模型进行处理，能够在训练时能够同时更新网络参数的更新和适合特定数据结构的网络参数结构的搜索，进而提高分类的准确性。
[0082]
对于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转炉反应器的转速值，考虑到其在时序上具有着动态的隐含规律，因此，为了更为充分地提取出这种动态变化的隐含特征规律，使用包含一维卷积层的时序编码器对其进行编码，以提取出所述转炉反应器的转速值在时间维度上的动态变化特征，从而得到转速特征向量。在一个具体示例中，所述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提取出所述转炉反应器的转速值在时序维度上的关联和通过全连接编码提取所述转炉反应器的转速值的高维隐含特征。
[0083]
在得到具有所述炉内压力值和所述反应温度值之间关联特征的所述温度
‑ꢀ
压力关联特征矩阵以及所述转炉反应器的转速值的动态变化特征的所述转速特征向量后，进一步将所述转速特征向量与所述温度-压力关联特征矩阵进行相乘以整合变化参数的特征关联信息，从而得到参数全局控制特征向量。
[0084]
对于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产物的气相色谱图，考虑到所述产物的气相色谱图在时间维度上也是动态变化的，因此若想基于产物的变化状态特征信息来对于所述转炉反应器的转速值进行实时动态地控制，还需要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产物的气相色谱图通过使用三维卷积核的第二卷积神经网络中进行处理，以提取出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产物的气相色谱图的局部动态隐含特征分布，从而得到产物特征向量。
[0085]
但是，注意到对所述产物特征图进行沿通道维度的全局均值池化是基于图像语义的像素级的前向全局下采样，这会导致所述产物特征向量的各个位置的特征值之间的相关性较差，从而影响其对所述产物特征图沿通道维度上的分布的表达能力。
[0086]
因此，在本技术的技术方案中，进一步还需对产物特征向量进行前向传播相关性的引导修正，具体为：
[0087][0088]
其中v表示所述产物特征向量，∑表示所述产物特征向量的自协方差矩阵，即矩阵的每个位置的值是所述产物特征向量的每两个位置的特征值之间的方差，μ和σ分别是所述产物特征向量的全局均值和方差，和分别表示特征向量的按位置减法和加法，||
·
||2表示特征向量的二范数，exp(
·
)表示向量的指数运算，以向量为幂的指数运算表示以向量的每个位置的特征值作为幂的自然指数函数值。
[0089]
这里，该前向传播相关性的引导修正通过对产物特征向量的可学习的正态采样偏移引导特征工程来有效地建模其长度方向上的各个特征值之间的长程依赖关系，以进一步考虑特征值的局部和非局部邻域来进行特征值之间的相关性的修复。这样，在继续计算其与所述参数全局控制特征向量的转移矩阵作为分类特征矩阵并进行分类时，可以提高其在模型中继续随深度流式传播时对于类概率的预测能力，进而提高分类的准确性。
[0090]
进一步地，由于所述产物的气相色谱图的动态变化特征与所述参数关联的隐含特征之间的特征尺度不同，并且所述产物的气相色谱图的动态特征在高维特征空间中可以看作是对于所述参数关联变化的响应性特征，因此为了更好地融合所述参数全局控制特征向量和所述产物特征向量，进一步计算所述参数全局控制特征向量相对于所述产物特征向量的转移矩阵作为分类特征矩阵。这样，就可以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转炉反应器的转速值应增大或应减小的分类结果。
[0091]
基于此，本技术提出了一种用于无水氟化氢生产的能源管理控制系统，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转炉反应器的转速值、炉内压力值、反应温度值和产物的气相色谱图；结构化模块，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炉内压力值和反应温度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和所述压力输入向量之间的温度-压力关联矩阵；数据级关联模块，用于将所述温度-压力关联矩阵通过相邻层使用互为转置的卷积核的第一卷积神经网络以得到温度-压力关联特征矩阵；转速编码模块，用于将预定时间段内包含当前时间点在内的多个预定时间点的转炉反应器的转速值通过包含一维卷积层的时序编码器以得到转速特征向量；全局控制特征生成模块，用于将所述转速特征向量与所述温度-压力关联特征矩阵进行相乘以得到参数全局控制特征向量；产物数据编码模块，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产物的气相色谱图通过使用三维卷积核的第二卷积神经网络以得到产物特征向量；校正模块，用于对所述产物特征向量中各个位置的特征值进行修正以得到校正后产物特征向量；作用表示模块，用于计算所述参数全局控制特征向量相对于所述产物特征向量的转移矩阵作为分类特征矩阵；以及，能源控制结果生成模块，用于将所述分类特征矩阵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转炉反应器的转速值应增大或应减小。
[0092]
图1图示了根据本技术实施例的用于无水氟化氢生产的能源管理控制系统的应用场景图。如图1所示，在该应用场景中，首先，通过部署于转炉反应器 (例如，如图1中所示意的r)的各个传感器(例如，如图1中所示意的转速传感器t1、压力传感器t2和温度传感器t3)分别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转炉反应器的转速值、炉内压力值和反应温度值，并且通过气相色谱仪(例如，如图1中所示意的g)采集所述预定时间段内多个预定时间点的产物的气相色谱图。然后，将获取的所述多个预定时间点的转炉反应器的转速值、炉内压力值、反应温度值和产物的气相色谱图输入至部署有用于无水氟化氢生产的能源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无水氟化氢生产的能源管理控制算法对所述多个预定时间点的转炉反应器的转速值、炉内压力值、反应温度值和产物的气相色谱图进行处理，以生成用于表示当前时间点的转炉反应器的转速值应增大或应减小的分类结果。
[0093]
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。
[0094]
示例性系统
[0095]
图2图示了根据本技术实施例的用于无水氟化氢生产的能源管理控制系统的框图。如图2所示，根据本技术实施例的用于无水氟化氢生产的能源管理控制系统200，包括：数据采集模块210，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转炉反应器的转速值、炉内压力值、反应温度值和产物的气相色谱图；结构化模块220，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炉内压力值和反应温度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和所述压力输入向量之间的温度-压力关联矩阵；数据级关联模块230，用于将所述温度-压力关联矩阵通过相邻层使用互为转置的卷积核的第一卷积神经网络以得到温度-压力关联特征矩阵；转速编码模块240，用于将预定时间段内包含当前时间点在内的多个预定时间点的转炉反应器的转速值通过包含一维卷积层的时序编码器以得到转速特征向量；全局控制特征生成模块250，用于将所述转速特征向量与所述温度-压力关联特征矩阵进行相乘以得到参数全局控制特征向量；产物数据编码模块260，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产物的气相色谱图通过使用三维卷积核的第二卷积神经网络以得到产物特征向量；校正模块270，用于对所述产物特征向量中各个位置的特征值进行修正以得到校正后产物特征向量；作用表示模块280，用于计算所述参数全局控制特征向量相对于所述产物特征向量的转移矩阵作为分类特征矩阵；以及，能源控制结果生成模块290，用于将所述分类特征矩阵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转炉反应器的转速值应增大或应减小。
[0096]
具体地，在本技术实施例中，所述数据采集模块210和所述结构化模块220，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转炉反应器的转速值、炉内压力值、反应温度值和产物的气相色谱图，并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炉内压力值和反应温度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和所述压力输入向量之间的温度-压力关联矩阵。如前所述，由于对于转炉反应器的转速控制、炉内压力控制以及反应温度控制不仅关乎于反应效率和反应充分度，还关乎于无水氟化氢生产产线的能耗。因此，在本技术的技术方案中，期望能够根据产物的生成状态特征来实时动态地对于所述转炉反应器的转速、炉内压力以及反应温度进行控制，以提高反应的效率，进而能够提高反应物料的利用率。
[0097]
也就是，具体地，在本技术的技术方案中，首先，通过各个传感器，例如转速传感器、压力传感器和温度传感器分别采集预定时间段内包含当前时间点在内的多个预定时间点的转炉反应器的转速值、炉内压力值和反应温度值，并且通过气相色谱仪采集所述多个预定时间点的产物的气相色谱图。应可以理解，由于所述炉内压力值和所述反应温度值之间具有着关联关系，其会相互产生影响，例如当炉内压力值升高时，反应温度也会随着增大，因此，在本技术的技术方案中，需要进一步挖掘出这种关联性特征来进行实际转炉反应器的转速控制。具体地，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炉内压力值和反应温度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和所述压力输入向量之间的温度-压力关联矩阵，以整合所述炉内压力值
和所述反应温度值的关联性，便于后续对其特征进行提取。
[0098]
更具体地，在本技术实施例中，所述结构化模块，包括：数据级关联单元，用于以如下公式来计算所述温度输入向量和所述压力输入向量之间的所述温度
ꢀ‑
压力关联矩阵；
[0099]
其中，所述公式为：
[0100][0101]
其中表示向量相乘，v1表示所述温度输入向量，表示所述温度输入向量的转置向量，v2表示所述压力输入向量，m表示所述温度-压力关联矩阵。
[0102]
具体地，在本技术实施例中，所述数据级关联模块230，用于将所述温度
‑ꢀ
压力关联矩阵通过相邻层使用互为转置的卷积核的第一卷积神经网络以得到温度-压力关联特征矩阵。也就是，在本技术的技术方案中，进一步将所述温度
‑ꢀ
压力关联矩阵通过相邻层使用互为转置的卷积核的第一卷积神经网络中进行处理以得到温度-压力关联特征矩阵。应可以理解，使用邻卷积层为互为转置的卷积核的卷积神经网络模型进行处理，能够在训练时能够同时更新网络参数的更新和适合特定数据结构的网络参数结构的搜索，进而提高分类的准确性。
[0103]
更具体地，在本技术实施例中，所述数据级关联模块，包括：浅层特征图提取子单元，用于从所述第一卷积神经网络的第m层提取浅层特征矩阵，m是偶数；深层特征图提取子单元，用于从所述第一卷积神经网络的第n层提取深层特征矩阵，其中，n为偶数，且n大于m的2倍；以及，特征图融合子单元，用于融合所述浅层特征图和所述深层特征图以生成所述温度-压力关联特征矩阵。
[0104]
具体地，在本技术实施例中，所述转速编码模块240，用于将预定时间段内包含当前时间点在内的多个预定时间点的转炉反应器的转速值通过包含一维卷积层的时序编码器以得到转速特征向量。应可以理解，对于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转炉反应器的转速值，考虑到其在时序上具有着动态的隐含规律，因此，在本技术的技术方案中，为了更为充分地提取出这种动态变化的隐含特征规律，使用包含一维卷积层的时序编码器对其进行编码，以提取出所述转炉反应器的转速值在时间维度上的动态变化特征，从而得到转速特征向量。相应地，在一个具体示例中，所述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提取出所述转炉反应器的转速值在时序维度上的关联和通过全连接编码提取所述转炉反应器的转速值的高维隐含特征。
[0105]
更具体地，在本技术实施例中，所述转速编码模块，包括：输入向量构造单元，用于将预定时间段内包含当前时间点在内的多个预定时间点的转炉反应器的转速值按照时间维度排列为一维的输入向量；全连接编码单元，用于使用所述时序编码器的全连接层以如下公式对所述输入向量进行全连接编码以提取出所述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：维隐含特征，其中，所述公式为：其中x是所述输入向量，y是输出向量，w是权重矩阵，b是偏置向量，表示矩阵乘；一维卷积编码单元，用于使用所述时序编码器的一维卷积层以如下公式对所述输入向量进行一维卷积编码以提取出所述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：
[0106][0107]
其中，a为卷积核在x方向上的宽度、f为卷积核参数向量、g为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸，x表示所述输入向量。
[0108]
具体地，在本技术实施例中，所述全局控制特征生成模块250，用于将所述转速特征向量与所述温度-压力关联特征矩阵进行相乘以得到参数全局控制特征向量。也就是，在本技术的技术方案中，在得到具有所述炉内压力值和所述反应温度值之间关联特征的所述温度-压力关联特征矩阵以及所述转炉反应器的转速值的动态变化特征的所述转速特征向量后，进一步将所述转速特征向量与所述温度-压力关联特征矩阵进行相乘以整合变化参数的特征关联信息，从而得到参数全局控制特征向量。
[0109]
具体地，在本技术实施例中，所述产物数据编码模块260，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产物的气相色谱图通过使用三维卷积核的第二卷积神经网络以得到产物特征向量。应可以理解，对于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产物的气相色谱图，考虑到所述产物的气相色谱图在时间维度上也是动态变化的，因此若想基于产物的变化状态特征信息来对于所述转炉反应器的转速值进行实时动态地控制，在本技术的技术方案中，还需要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产物的气相色谱图通过使用三维卷积核的第二卷积神经网络中进行处理，以提取出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产物的气相色谱图的局部动态隐含特征分布，从而得到产物特征向量。
[0110]
更具体地，在本技术实施例中，所述产物数据编码模块，进一步用于：所述使用三维卷积核的第二卷积神经网络在层的正向传递中对输入数据分别进行：基于所述三维卷积核对所述输入数据进行三维卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化处理以得到池化特征图；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，所述第二卷积神经网络的最后一层的输出为所述产物特征向量，所述第二卷积神经网络的第一层的输入为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产物的气相色谱图。
[0111]
具体地，在本技术实施例中，所述校正模块270，用于对所述产物特征向量中各个位置的特征值进行修正以得到校正后产物特征向量。应可以理解，注意到对所述产物特征图进行沿通道维度的全局均值池化是基于图像语义的像素级的前向全局下采样，这会导致所述产物特征向量的各个位置的特征值之间的相关性较差，从而影响其对所述产物特征图沿通道维度上的分布的表达能力。因此，在本技术的技术方案中，进一步还需对产物特征向量进行前向传播相关性的引导修正。
[0112]
更具体地，在本技术实施例中，所述校正模块，进一步用于：以如下公式对所述产物特征向量中各个位置的特征值进行修正以得到所述校正后产物特征向量；
[0113]
其中，所述公式为：
[0114][0115]
其中v表示所述产物特征向量，∑表示所述产物特征向量的自协方差矩阵，即矩阵
的每个位置的值是所述产物特征向量的每两个位置的特征值之间的方差，μ和σ分别是所述产物特征向量的全局均值和方差，和分别表示特征向量的按位置减法和加法，||
·
||2表示特征向量的二范数，exp(
·
)表示向量的指数运算，以向量为幂的指数运算表示以向量的每个位置的特征值作为幂的自然指数函数值。应可以理解，这里，该前向传播相关性的引导修正通过对所述产物特征向量的可学习的正态采样偏移引导特征工程来有效地建模其长度方向上的各个特征值之间的长程依赖关系，以进一步考虑特征值的局部和非局部邻域来进行特征值之间的相关性的修复。这样，在继续计算其与所述参数全局控制特征向量的转移矩阵作为分类特征矩阵并进行分类时，可以提高其在模型中继续随深度流式传播时对于类概率的预测能力，进而提高分类的准确性。
[0116]
具体地，在本技术实施例中，所述作用表示模块280和所述能源控制结果生成模块290，用于计算所述参数全局控制特征向量相对于所述产物特征向量的转移矩阵作为分类特征矩阵，并将所述分类特征矩阵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转炉反应器的转速值应增大或应减小。应可以理解，由于所述产物的气相色谱图的动态变化特征与所述参数关联的隐含特征之间的特征尺度不同，并且所述产物的气相色谱图的动态特征在高维特征空间中可以看作是对于所述参数关联变化的响应性特征，因此为了更好地融合所述参数全局控制特征向量和所述产物特征向量，进一步计算所述参数全局控制特征向量相对于所述产物特征向量的转移矩阵作为分类特征矩阵。这样，就可以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转炉反应器的转速值应增大或应减小的分类结果。
[0117]
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： softmax{(wn,bn):
…
:(w1,b1)|project(f)}，其中project(f)表示将所述分类特征矩阵投影为向量，w1至wn为各层全连接层的权重矩阵，b1至bn表示各层全连接层的偏置矩阵。
[0118]
更具体地，在本技术实施例中，所述作用表示模块，进一步用于：以如下公式计算所述参数全局控制特征向量相对于所述产物特征向量的转移矩阵作为所述分类特征矩阵；
[0119]
其中，所述公式为：
[0120]v1
＝m*v2[0121]
其中v1表示所述参数全局控制特征向量，m表示所述分类特征矩阵，v2表示所述产物特征向量。
[0122]
综上，基于本技术实施例的所述用于无水氟化氢生产的能源管理控制系统 200被阐明，其采用人工智能控制技术，通过基于深度神经网络模型来对于转炉反应器的转速值、炉内压力值、反应温度值和产物的气相色谱图进行时序维度上的隐含关联特征提取，并根据产物的实时生成状态特征以及炉内压力和反应温度的变化特征来实时动态地对于所述转炉反应器的转速进行调整以提高反应的效率，进而提高反应物料的利用率与产品的质量。
[0123]
如上所述，根据本技术实施例的用于无水氟化氢生产的能源管理控制系统 200可以实现在各种终端设备中，例如用于无水氟化氢生产的能源管理控制算法的服务器等。在一个示例中，根据本技术实施例的用于无水氟化氢生产的能源管理控制系统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，该用于无水氟化氢生产的能源管
理控制系统200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，该用于无水氟化氢生产的能源管理控制系统200同样可以是该终端设备的众多硬件模块之一。
[0124]
替换地，在另一示例中，该用于无水氟化氢生产的能源管理控制系统200 与该终端设备也可以是分立的设备，并且该用于无水氟化氢生产的能源管理控制系统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。
[0125]
示例性方法
[0126]
图3图示了用于无水氟化氢生产的能源管理控制系统的控制方法的流程图。如图3所示，根据本技术实施例的用于无水氟化氢生产的能源管理控制系统的控制方法，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转炉反应器的转速值、炉内压力值、反应温度值和产物的气相色谱图；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炉内压力值和反应温度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和所述压力输入向量之间的温度-压力关联矩阵；s130，将所述温度-压力关联矩阵通过相邻层使用互为转置的卷积核的第一卷积神经网络以得到温度-压力关联特征矩阵；s140，将预定时间段内包含当前时间点在内的多个预定时间点的转炉反应器的转速值通过包含一维卷积层的时序编码器以得到转速特征向量；s150，将所述转速特征向量与所述温度-压力关联特征矩阵进行相乘以得到参数全局控制特征向量；s160，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产物的气相色谱图通过使用三维卷积核的第二卷积神经网络以得到产物特征向量；s170，对所述产物特征向量中各个位置的特征值进行修正以得到校正后产物特征向量；s180，计算所述参数全局控制特征向量相对于所述产物特征向量的转移矩阵作为分类特征矩阵；以及，s190，将所述分类特征矩阵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转炉反应器的转速值应增大或应减小。
[0127]
图4图示了根据本技术实施例的用于无水氟化氢生产的能源管理控制系统的控制方法的架构示意图。如图4所示，在所述用于无水氟化氢生产的能源管理控制系统的控制方法的网络架构中，首先，将获得的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炉内压力值(例如，如图4中所示意的p1) 和反应温度值(例如，如图4中所示意的p2)分别按照时间维度排列为温度输入向量(例如，如图4中所示意的v1)和压力输入向量(例如，如图4中所示意的v2)后，计算所述温度输入向量和所述压力输入向量之间的温度-压力关联矩阵(例如，如图4中所示意的m1)；接着，将所述温度-压力关联矩阵通过相邻层使用互为转置的卷积核的第一卷积神经网络(例如，如图4中所示意的 cnn1)以得到温度-压力关联特征矩阵(例如，如图4中所示意的mf1)；然后，将获得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转炉反应器的转速值(例如，如图4中所示意的p3)通过包含一维卷积层的时序编码器(例如，如图4中所示意的e)以得到转速特征向量(例如，如图4中所示意的vf1)；接着，将所述转速特征向量与所述温度-压力关联特征矩阵进行相乘以得到参数全局控制特征向量(例如，如图4中所示意的vf2)；然后，将获得的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产物的气相色谱图(例如，如图4中所示意的p4)通过使用三维卷积核的第二卷积神经网络(例如，如图 4中所示意的cnn2)以得到产物特征向量(例如，如图4中所示意的vf3)；接着，对所述产物特征向量中各个位置的特征值进行修正以得到校
正后产物特征向量(例如，如图4中所示意的vf4)；然后，计算所述参数全局控制特征向量相对于所述产物特征向量的转移矩阵作为分类特征矩阵(例如，如图4中所示意的mf)；以及，最后，将所述分类特征矩阵通过分类器(例如，如图4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转炉反应器的转速值应增大或应减小。
[0128]
更具体地，在步骤s110和步骤s120中，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转炉反应器的转速值、炉内压力值、反应温度值和产物的气相色谱图，并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炉内压力值和反应温度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和所述压力输入向量之间的温度-压力关联矩阵。应可以理解，由于对于转炉反应器的转速控制、炉内压力控制以及反应温度控制不仅关乎于反应效率和反应充分度，还关乎于无水氟化氢生产产线的能耗。因此，在本技术的技术方案中，期望能够根据产物的生成状态特征来实时动态地对于所述转炉反应器的转速、炉内压力以及反应温度进行控制，以提高反应的效率，进而能够提高反应物料的利用率。
[0129]
也就是，具体地，在本技术的技术方案中，首先，通过各个传感器，例如转速传感器、压力传感器和温度传感器分别采集预定时间段内包含当前时间点在内的多个预定时间点的转炉反应器的转速值、炉内压力值和反应温度值，并且通过气相色谱仪采集所述多个预定时间点的产物的气相色谱图。应可以理解，由于所述炉内压力值和所述反应温度值之间具有着关联关系，其会相互产生影响，例如当炉内压力值升高时，反应温度也会随着增大，因此，在本技术的技术方案中，需要进一步挖掘出这种关联性特征来进行实际转炉反应器的转速控制。具体地，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炉内压力值和反应温度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和所述压力输入向量之间的温度-压力关联矩阵，以整合所述炉内压力值和所述反应温度值的关联性，便于后续对其特征进行提取。
[0130]
更具体地，在步骤s130中，将所述温度-压力关联矩阵通过相邻层使用互为转置的卷积核的第一卷积神经网络以得到温度-压力关联特征矩阵。也就是，在本技术的技术方案中，进一步将所述温度-压力关联矩阵通过相邻层使用互为转置的卷积核的第一卷积神经网络中进行处理以得到温度-压力关联特征矩阵。应可以理解，使用邻卷积层为互为转置的卷积核的卷积神经网络模型进行处理，能够在训练时能够同时更新网络参数的更新和适合特定数据结构的网络参数结构的搜索，进而提高分类的准确性。
[0131]
更具体地，在步骤s140中，将预定时间段内包含当前时间点在内的多个预定时间点的转炉反应器的转速值通过包含一维卷积层的时序编码器以得到转速特征向量。应可以理解，对于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转炉反应器的转速值，考虑到其在时序上具有着动态的隐含规律，因此，在本技术的技术方案中，为了更为充分地提取出这种动态变化的隐含特征规律，使用包含一维卷积层的时序编码器对其进行编码，以提取出所述转炉反应器的转速值在时间维度上的动态变化特征，从而得到转速特征向量。相应地，在一个具体示例中，所述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提取出所述转炉反应器的转速值在时序维度上的关联和通过全连接编码提取所述转炉反应器的转速值的高维隐含特征。
[0132]
更具体地，在步骤s150中，将所述转速特征向量与所述温度-压力关联特征矩阵进
行相乘以得到参数全局控制特征向量。也就是，在本技术的技术方案中，在得到具有所述炉内压力值和所述反应温度值之间关联特征的所述温度-压力关联特征矩阵以及所述转炉反应器的转速值的动态变化特征的所述转速特征向量后，进一步将所述转速特征向量与所述温度-压力关联特征矩阵进行相乘以整合变化参数的特征关联信息，从而得到参数全局控制特征向量。
[0133]
更具体地，在步骤s160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产物的气相色谱图通过使用三维卷积核的第二卷积神经网络以得到产物特征向量。应可以理解，对于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产物的气相色谱图，考虑到所述产物的气相色谱图在时间维度上也是动态变化的，因此若想基于产物的变化状态特征信息来对于所述转炉反应器的转速值进行实时动态地控制，在本技术的技术方案中，还需要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产物的气相色谱图通过使用三维卷积核的第二卷积神经网络中进行处理，以提取出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产物的气相色谱图的局部动态隐含特征分布，从而得到产物特征向量。
[0134]
更具体地，在步骤s170中，对所述产物特征向量中各个位置的特征值进行修正以得到校正后产物特征向量。应可以理解，注意到对所述产物特征图进行沿通道维度的全局均值池化是基于图像语义的像素级的前向全局下采样，这会导致所述产物特征向量的各个位置的特征值之间的相关性较差，从而影响其对所述产物特征图沿通道维度上的分布的表达能力。因此，在本技术的技术方案中，进一步还需对产物特征向量进行前向传播相关性的引导修正。
[0135]
更具体地，在步骤s180和步骤s190中，计算所述参数全局控制特征向量相对于所述产物特征向量的转移矩阵作为分类特征矩阵，并将所述分类特征矩阵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转炉反应器的转速值应增大或应减小。应可以理解，由于所述产物的气相色谱图的动态变化特征与所述参数关联的隐含特征之间的特征尺度不同，并且所述产物的气相色谱图的动态特征在高维特征空间中可以看作是对于所述参数关联变化的响应性特征，因此为了更好地融合所述参数全局控制特征向量和所述产物特征向量，进一步计算所述参数全局控制特征向量相对于所述产物特征向量的转移矩阵作为分类特征矩阵。这样，就可以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转炉反应器的转速值应增大或应减小的分类结果。
[0136]
综上，基于本技术实施例的所述用于无水氟化氢生产的能源管理控制系统的控制方法被阐明，其采用人工智能控制技术，通过基于深度神经网络模型来对于转炉反应器的转速值、炉内压力值、反应温度值和产物的气相色谱图进行时序维度上的隐含关联特征提取，并根据产物的实时生成状态特征以及炉内压力和反应温度的变化特征来实时动态地对于所述转炉反应器的转速进行调整以提高反应的效率，进而提高反应物料的利用率与产品的质量。
[0137]
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。
[0138]
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。
[0139]
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。
[0140]
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。
[0141]
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。