本发明属于磷酸一铵生产，尤其涉及一种磷酸一铵生产系统。
背景技术：
1、磷酸二氢铵，又名磷酸一铵，是一种无机化合物，化学式为nh4h2po4，为白色结晶性粉末，微溶于乙醇，不溶于丙酮，主要用作木材、织物、纸张的防火剂，也可用作化肥、面包改进剂、食品添加剂；然而，现有磷酸一铵生产系统磷酸一铵生产设备采集的信息往往不够全面，也无法整合多种类型的信息对设备进行控制，导致控制系统的智能化不足；生产效率低；同时，对生产设备故障处理不够专业，影响处理效率。
2、通过上述分析，现有技术存在的问题及缺陷为：
3、(1)现有磷酸一铵生产系统磷酸一铵生产设备采集的信息往往不够全面，也无法整合多种类型的信息对设备进行控制，导致控制系统的智能化不足；生产效率低。
4、(2)对生产设备故障处理不够专业，影响处理效率。
技术实现思路
1、针对现有技术存在的问题，本发明提供了一种磷酸一铵生产系统。
2、本发明是这样实现的，一种磷酸一铵生产系统包括：
3、生产设备监测模块、生产设备控制模块、粉碎模块、原料混合模块、萃取模块、脱硫模块、除杂过滤模块、雾化模块、故障处理模块；
4、生产设备监测模块，与生产设备控制模块连接，用于对磷酸一铵生产设备进行监测；
5、生产设备控制模块，与生产设备监测模块、粉碎模块、原料混合模块、萃取模块、脱硫模块、除杂过滤模块、雾化模块、故障处理模块连接，用于对各个模块磷酸一铵生产设备进行控制；
6、粉碎模块，与生产设备控制模块连接，用于对磷矿原矿进行粉碎磨矿；
7、原料混合模块，与生产设备控制模块连接，用于将矿浆、三氧化硫试剂和浓缩废酸混合；
8、萃取模块，与生产设备控制模块连接，用于对混合物进行萃取反应，过滤萃取料浆，得到湿法磷酸；
9、脱硫模块，与生产设备控制模块连接，用于将湿法磷酸用矿粉进行脱硫，分离，得到脱硫磷酸；
10、除杂过滤模块，与生产设备控制模块连接，用于将脱硫磷酸与乙醇进行混合反应，再加入氟化铵进行除杂反应，过滤；
11、雾化模块，与生产设备控制模块连接，用于将过滤得到的滤液进行精馏，回收有机溶剂，得到除杂磷酸，除杂磷酸通入氨气中和，雾化，干燥，得到高含量磷酸一铵；
12、故障处理模块，与生产设备控制模块连接，用于对磷酸一铵生产设备故障进行处理。
13、进一步，所述生产设备控制模块控制方法如下：
14、(1)通过监测设备获取磷酸一铵生产设备生产的磷酸一铵产生预设缺陷类型时对应的传感数据、视觉数据及设备参数；将所述传感数据、视觉数据及设备参数通过设备控制模型的嵌入层转换为单模态特征向量；
15、(2)将所述传感数据、视觉数据及设备参数的单模态特征向量输入所述设备控制模型的深度学习层，并通过多模态隐式对齐的神经网络方法计算所述设备参数与所述传感数据和视觉数据的特征之间的相关性系数，以形成完成训练的深度学习层；将所述磷酸一铵生产设备实时采集并转换的传感数据、视觉数据及设备参数的单模态特征向量输入所述完成训练的深度学习层，计算缺陷概率；
16、(3)根据计算得到的所述缺陷概率判断所述磷酸一铵生产设备生产的磷酸一铵是否存在所述预设缺陷类型；及当判定所述磷酸一铵生产设备生产的磷酸一铵存在所述预设缺陷类型时，根据所述传感数据和视觉数据的单模态特征向量与标准单模态特征向量的差值及所述相关性系数确定跟踪误差，并通过迭代学习控制调整所述传感数据和视觉数据相关的设备参数。
17、进一步，所述将所述传感数据、视觉数据及设备参数通过设备控制模型的嵌入层转换为单模态特征向量包括：
18、在所述嵌入层对所述传感数据进行傅里叶变换以获取传感信号的特征频率和振幅；及根据所述特征频率和振幅转换得到所述传感数据的多个单模态特征向量。
19、进一步，所述述将所述传感数据、视觉数据及设备参数通过设备控制模型的嵌入层转换为单模态特征向量的步骤还包括：
20、在所述嵌入层采用主成分分析算法对所述视觉数据进行降维，以获取所述视觉数据对应的图像处理特征，从而转换所述视觉数据的单模态特征向量。
21、进一步，所述将所述传感数据、视觉数据及设备参数通过设备控制模型的嵌入层转换为单模态特征向量的步骤还包括：
22、通过所述嵌入层提取所述设备参数的最大值、最小值、平均值或均方值，以将所述设备参数转换为对应的单模态特征向量。
23、进一步，所述通过多模态隐式对齐的神经网络方法计算所述设备参数与所述传感数据和视觉数据的特征之间的相关性系数，并对所述设备控制模型的深度学习层进行训练的步骤包括：
24、根据所述传感数据、视觉数据及设备参数的单模态特征向量及对应的所述预设缺陷类型创建训练集；
25、根据所述训练集，通过所述多模态隐式对齐的神经网络方法计算所述预设缺陷类型所对应的所述设备参数与所述传感数据和视觉数据的特征之间的相关性系数；及对所述相关性系数进行归一化处理以得到每个预设缺陷类型所对应的缺陷概率，形成所述完成训练的深度学习层。
26、进一步，所述通过多模态隐式对齐的神经网络方法计算所述设备参数与所述传感数据和视觉数据的特征之间的相关性系数，并对所述设备控制模型的深度学习层进行训练的步骤还包括：
27、根据所述磷酸一铵生产设备生产已知缺陷类型的磷酸一铵时的所述传感数据、视觉数据及设备参数的单模态特征向量创建训练集；
28、将所述训练集输入所述深度学习层，判断所述深度学习层输出的缺陷概率是否与所述已知缺陷类型所对应的预设缺陷概率相同或与所述已知缺陷类型所对应的预设缺陷类型的差值小于预设值；
29、若判定所述深度学习层输出的缺陷概率与所述已知缺陷类型所对应的预设缺陷概率相同或与所述已知缺陷类型所对应的预设缺陷类型的差值小于预设值，则形成所述完成训练的深度学习层；及
30、若判定所述深度学习层输出的缺陷概率与所述已知缺陷类型所对应的预设缺陷概率不同或与所述已知缺陷类型所对应的预设缺陷类型的差值大于或等于预设值，继续通过所述训练集对所述深度学习层进行训练，直至形成所述完成训练的深度学习层；
31、所述计算缺陷概率的步骤包括：
32、通过所述完成训练的深度学习层基于输入的所述传感数据、视觉数据及设备参数的单模态特征向量计算所述设备参数与所述传感数据和视觉数据的特征之间的相关性系数；及通过softmax函数将所述相关性系数转换为所述缺陷概率；
33、所述根据计算得到的所述缺陷概率判断所述磷酸一铵生产设备生产的磷酸一铵是否存在缺陷的步骤包括：
34、判断计算得到的所述缺陷概率是否与任一预设缺陷类型对应的预设缺陷概率相同或与任一预设缺陷概率的差值小于预设值；
35、在判定计算得到的所述缺陷概率与所有预设缺陷概率都不同且与所有预设缺陷概率的差值都大于或等于所述预设值时，判定所述磷酸一铵生产设备生产的磷酸一铵不存在所述预设缺陷类型；及在判定计算得到的所述缺陷概率与至少一预设缺陷概率不同或与至少一预设缺陷概率的差值小于所述预设值时，判定所述磷酸一铵生产设备生产的磷酸一铵存在所述预设缺陷概率所对应的预设缺陷类型；
36、对所述确定的设备参数进行调整的步骤包括：
37、确定与所述传感数据和视觉数据相关的设备参数，通过迭代学习控制调整所述确定的设备参数；
38、在所述传感数据和视觉数据的单模态特征向量不同于所述标准单模态特征向量时，若所述相关性系数大于或小于零，则对所述确定的设备参数进行反向或正向调整，调整所述设备参数直至所述跟踪误差为零，使得所述磷酸一铵生产设备生产的磷酸一铵不存在缺陷。
39、进一步，所述故障处理模块处理方法如下：
40、1)根据磷酸一铵生产设备故障描述语法规范，确定描述磷酸一铵生产设备故障的专家规则描述文档；所述语法规范是一种接近自然语言的磷酸一铵生产设备故障描述语法规范；根据所述专家规则描述文档通过源到源编译手段进行模型转换，确定专家规则的转换模型；
41、2)根据所述转换模型，获得专家规则的模型包；其中，所述磷酸一铵生产设备故障描述语法规范包括：故障名称、场景名称、场景中出现的至少一个征兆以及每个征兆对应的至少一个变量，一个故障名称对应至少一个场景名称，一个场景对应至少一个征兆，一个征兆对应至少一个变量和一个计算方法，转换模型为一个故障描述中，变量、征兆的对应关系，以及征兆与场景的对应关系；
42、其中，根据所述专家规则描述文档进行模型转换，确定专家规则的转换模型，包括：
43、将所述专家规则描述文档中，各故障名称、场景、场景中出现的至少一个征兆以及每个征兆对应的至少一个变量，进行语法分析，确定语法树；
44、根据所述语法树，按照变量、征兆的对应关系，以及征兆与场景的对应关系，确定转换模型；
45、其中，根据所述转换模型，获得专家规则的模型包，包括：
46、根据所述转换模型，按照预设编程语言，生成故障、场景、征兆以及变量的代码骨架；
47、将不同故障下，相同的场景、征兆和/或变量的代码骨架存储于一数据库；
48、根据所述代码骨架，进行实现开发，生成代码文件；
49、根据所述代码文件和模型描述信息，获得专家规则的模型包。
50、进一步，所述处理方法还包括：
51、按照调用的次数，将在第一预设时间段内调用次数大于第一预设值的代码骨架用预设标记进行标注，调用时，优先从有预设标记的代码骨架中查询和匹配；进一步地，将在第二预设时间段内调用次数小于第二预设值的代码骨架删除；所述代码骨架是所述数据库中的代码骨架。
52、进一步，所述处理方法还包括：
53、在生成代码文件时，查找所述数据库，若存在目标故障对应的场景、征兆和/或变量的代码骨架，则直接调用所述数据库中的目标故障对应的场景、征兆和/或变量的代码骨架。
54、结合上述的技术方案和解决的技术问题，请从以下几方面分析本发明所要保护的技术方案所具备的优点及积极效果为：
55、第一、针对上述现有技术存在的技术问题以及解决该问题的难度，紧密结合本发明的所要保护的技术方案以及研发过程中结果和数据等，详细、深刻地分析本发明技术方案如何解决的技术问题，解决问题之后带来的一些具备创造性的技术效果。具体描述如下：
56、本发明通过生产设备控制模块可以对磷酸一铵生产设备的传感数据、视觉数据及设备参数进行多模态信息融合，并基于多模态信息对磷酸一铵生产设备进行控制，对磷酸一铵生产设备的设备参数进行优化，有效提高了设备控制的智能化；提高生产效率；同时，通过故障处理模块确定描述磷酸一铵生产设备故障的专家规则描述文档；根据所述专家规则描述文档进行模型转换，确定专家规则的转换模型；根据所述转换模型，获得专家规则的模型包。从而实现磷酸一铵生产设备故障的专家规则的描述的程序化，提高故障处理的专业化。
57、第二，把技术方案看做一个整体或者从产品的角度，本发明所要保护的技术方案具备的技术效果和优点，具体描述如下：
58、本发明通过生产设备控制模块可以对磷酸一铵生产设备的传感数据、视觉数据及设备参数进行多模态信息融合，并基于多模态信息对磷酸一铵生产设备进行控制，对磷酸一铵生产设备的设备参数进行优化，有效提高了设备控制的智能化；提高生产效率；同时，通过故障处理模块确定描述磷酸一铵生产设备故障的专家规则描述文档；根据所述专家规则描述文档进行模型转换，确定专家规则的转换模型；根据所述转换模型，获得专家规则的模型包。从而实现磷酸一铵生产设备故障的专家规则的描述的程序化，提高故障处理的专业化。
1.一种磷酸一铵生产系统，其特征在于，所述磷酸一铵生产系统包括：
2.如权利要求1所述磷酸一铵生产系统，其特征在于，所述生产设备控制模块控制方法如下：
3.如权利要求2所述磷酸一铵生产系统，其特征在于，所述将所述传感数据、视觉数据及设备参数通过设备控制模型的嵌入层转换为单模态特征向量包括：
4.如权利要求2所述磷酸一铵生产系统，其特征在于，所述述将所述传感数据、视觉数据及设备参数通过设备控制模型的嵌入层转换为单模态特征向量的步骤还包括：
5.如权利要求2所述磷酸一铵生产系统，其特征在于，所述将所述传感数据、视觉数据及设备参数通过设备控制模型的嵌入层转换为单模态特征向量的步骤还包括：
6.如权利要求2所述磷酸一铵生产系统，其特征在于，所述通过多模态隐式对齐的神经网络方法计算所述设备参数与所述传感数据和视觉数据的特征之间的相关性系数，并对所述设备控制模型的深度学习层进行训练的步骤包括：
7.如权利要求2所述磷酸一铵生产系统，其特征在于，所述通过多模态隐式对齐的神经网络方法计算所述设备参数与所述传感数据和视觉数据的特征之间的相关性系数，并对所述设备控制模型的深度学习层进行训练的步骤还包括：
8.如权利要求1所述磷酸一铵生产系统，其特征在于，所述故障处理模块处理方法如下：
9.如权利要求8所述磷酸一铵生产系统，其特征在于，所述处理方法还包括：
10.如权利要求8所述磷酸一铵生产系统，其特征在于，所述处理方法还包括：
