CN114815930B - 煅烧器的温度控制系统及其温度控制方法 - Google Patents

煅烧器的温度控制系统及其温度控制方法 Download PDF

Info

Publication number
CN114815930B
CN114815930B CN202210753789.2A CN202210753789A CN114815930B CN 114815930 B CN114815930 B CN 114815930B CN 202210753789 A CN202210753789 A CN 202210753789A CN 114815930 B CN114815930 B CN 114815930B
Authority
CN
China
Prior art keywords
feature map
feature
map
time points
tensors
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202210753789.2A
Other languages
English (en)
Other versions
CN114815930A (zh
Inventor
秦春彬
刘丹丹
张涛
刘永胜
孔令强
张源源
焦磊
刘俊伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
SHANDONG GUODA GOLD CO Ltd
Yantai Gold Vocational College
Original Assignee
SHANDONG GUODA GOLD CO Ltd
Yantai Gold Vocational College
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by SHANDONG GUODA GOLD CO Ltd, Yantai Gold Vocational College filed Critical SHANDONG GUODA GOLD CO Ltd
Priority to CN202210753789.2A priority Critical patent/CN114815930B/zh
Publication of CN114815930A publication Critical patent/CN114815930A/zh
Application granted granted Critical
Publication of CN114815930B publication Critical patent/CN114815930B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D23/00—Control of temperature
    • G05D23/19—Control of temperature characterised by the use of electric means
    • G05D23/20—Control of temperature characterised by the use of electric means with sensing elements having variation of electric or magnetic properties with change of temperature
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P10/00—Technologies related to metal processing
    • Y02P10/20—Recycling

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

本发明涉及煅烧器温度的智能控制的领域，其具体地公开了一种煅烧器的温度控制系统及其温度控制方法，其通过具有时间注意力机制的卷积神经网络模型来对煅烧的过程中的多个预定时间点的气态产物的气相色谱图和固态产物的X射线荧光光谱图以及所述多个预定时间点的温度值进行时间维度上的动态隐含关联特征提取，进一步基于参考特征图的注意力机制来进行时间维度上的特征密集簇的修正，并基于特征图的特征相异性和特征密集对象实例之间的相似度来确定特征密集簇的自适应依赖，从而提升融合后的分类特征图对于分类目标函数的参数自适应性。这样，就能够对煅烧温度进行实时动态地控制，进而可以提高尾渣处理的效率以及优化尾渣处理的效果。

Description

煅烧器的温度控制系统及其温度控制方法
技术领域
本发明涉及煅烧器温度的智能控制的领域，且更为具体地，涉及一种煅烧器的温度控制系统及其温度控制方法。
背景技术
黄金在矿石中的含量极低，为了提取黄金，需要将矿石破碎和磨细并采用选矿方法预先富集或从矿石中使金分离出来。氰化法是处理金矿最主要的方法，但是黄金矿山在开采过程中由于使用氰化提金工艺，会产生大量的含氰尾矿。氰化物有剧毒，浸出后的尾渣污染环境且较难处理。此外，氰化尾渣中往往含有大量有价金属未得到有效利用，造成了资源严重浪费，因此需要对氰化尾渣进行处理。
在公开号为CN110029218B，名称为黄金矿山含氰尾矿渣综合利用方法的中国发明专利方案中，公开了如下步骤：
(1)将5质量份的待处理的黄金矿山含氰尾矿渣与3～7.5质量份的碳酸钠置于耐高温容器中，混合均匀后进入步骤(2)；
(2)将步骤(1)中的耐高温容器在空气气氛下，在700°C～1100°C煅烧1～3小时后，随炉冷却后得到固体产物和气态产物，并收集煅烧过程中产生的气态产物，其中：气态产物包括由含氰化合物氧化分解得到的氮气和二氧化碳、由硫化亚铁氧化分解得到的二氧化硫。
(3)将步骤(2)得到的固体产物放入过量的水中，静置30～120分钟后，过滤得到滤液和滤渣，所述滤液为硅酸钠水溶液。
(4)提取出步骤(3)得到的滤渣中富集的金和银后得到富铁尾矿。
在尾渣处理方案中，其关键的一步就是将氰化尾渣通过煅烧器进行煅烧以分解含氰尾矿，生成固态产物和气态产物。但是目前在煅烧的过程中，煅烧器的温度控制只能是一个大概的范围，其并不能够根据实际的处理过程进行相适应的变化，这样就会使得煅烧后的尾渣处理的不够彻底，又或者对于含氰尾矿中的有价金属的利用率较低。
相应地，在上述氰化尾渣的处理方案中，最关键的是步骤(2)中煅烧温度的控制，其会影响到尾渣处理效率和尾渣处理效果，这里，尾渣处理效果指的在步骤(4)中尾渣中富集的金和银的量。应可以理解，在本发明的技术方案中，煅烧温度应基于固态产物和气态产物的实时变化来自适应地调整。
因此，期待一种煅烧器的温度控制系统，以在煅烧过程中实时动态的调整煅烧器的温度来提高尾渣的处理效率和处理效果。
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。
深度学习以及神经网络的发展，为煅烧温度的实时动态控制提供了新的解决思路和方案。
发明内容
为了解决上述技术问题，提出了本发明。本发明的实施例提供了一种煅烧器的温度控制系统及其温度控制方法，其通过具有时间注意力机制的卷积神经网络模型来对煅烧的过程中的多个预定时间点的气态产物的气相色谱图和固态产物的X射线荧光光谱图以及所述多个预定时间点的温度值进行时间维度上的动态隐含关联特征提取，进一步基于参考特征图的注意力机制来进行时间维度上的特征密集簇的修正，并基于特征图的特征相异性和特征密集对象实例之间的相似度来确定特征密集簇的自适应依赖，从而提升融合后的分类特征图对于分类目标函数的参数自适应性。这样，就能够对煅烧温度进行实时动态地控制，进而可以提高尾渣处理的效率以及优化尾渣处理的效果。
根据本发明的一个方面，提供了一种煅烧器的温度控制系统，其包括：
数据采集模块，用于通过气相色谱仪和X射线荧光分析仪获取黄金矿山含氰尾矿渣和碳酸钠的混合物在煅烧器中被煅烧的过程中的多个预定时间点的气态产物的气相色谱图和固态产物的X射线荧光光谱图，且通过温度传感器获取所述多个预定时间点的温度值；
第一编码模块，用于将所述多个预定时间点的气相色谱图和所述多个预定时间点的温度值通过使用时间注意力机制的第一神经网络模型以得到第一跟踪特征图；
第二编码模块，用于将所述多个预定时间点的X射线荧光光谱图和所述多个预定时间点的温度值通过使用时间注意力机制的第二神经网络模型以得到第二跟踪特征图；
参考特征图生成模块，用于将所述多个预定时间点的气相色谱图和所述多个预定时间点的X射线荧光光谱图分别通过第一卷积神经网络和第二卷积神经网络以得到第一参考特征图和第二参考特征图；
第一时间聚类修正系数模块，用于计算所述第一跟踪特征图相对于所述第一参考特征图的修正系数以得到第一加权向量，其中，所述第一跟踪特征图相对于所述第一参考特征图的修正系数基于所述第一跟踪特征图中各个特征张量通过分类器得到的概率值、所述第一跟踪特征图中各个特征张量与所述第一参考特征图中各个特征张量之间的按位置乘积，以及，所述第一跟踪特征图中各个特征张量与所述第一参考特征图中各个特征张量之间的距离来生成；
第二时间聚类修正系数模块，用于计算所述第二跟踪特征图相对于所述第二参考特征图的修正系数以得到第二加权向量，其中，所述第二跟踪特征图相对于所述第二参考特征图的修正系数基于所述第二跟踪特征图中各个特征张量通过分类器得到的概率值、所述第二跟踪特征图中各个特征张量与所述第二参考特征图中各个特征张量之间的按位置乘积，以及，所述第二跟踪特征图中各个特征张量与所述第二参考特征图中各个特征张量之间的距离来生成；
特征调整模块，用于以所述第一加权向量和所述第二加权向量分别对所述第一跟踪特征图和所述第二跟踪特征图进行加权以得到第一加权后跟踪特征图和第二加权后跟踪特征图；
特征融合模块，用于融合所述第一加权后跟踪特征图和所述第二加权后跟踪特征图以得到分类特征图；以及
控制结果生成模块，用于将所述分类特征图通过所述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温度值应增大或应减小。
根据本发明的另一方面，一种煅烧器的温度控制系统的温度控制方法，其包括：
通过气相色谱仪和X射线荧光分析仪获取黄金矿山含氰尾矿渣和碳酸钠的混合物在煅烧器中被煅烧的过程中的多个预定时间点的气态产物的气相色谱图和固态产物的X射线荧光光谱图，且通过温度传感器获取所述多个预定时间点的温度值；
将所述多个预定时间点的气相色谱图和所述多个预定时间点的温度值通过使用时间注意力机制的第一神经网络模型以得到第一跟踪特征图；
将所述多个预定时间点的X射线荧光光谱图和所述多个预定时间点的温度值通过使用时间注意力机制的第二神经网络模型以得到第二跟踪特征图；
将所述多个预定时间点的气相色谱图和所述多个预定时间点的X射线荧光光谱图分别通过第一卷积神经网络和第二卷积神经网络以得到第一参考特征图和第二参考特征图；
计算所述第一跟踪特征图相对于所述第一参考特征图的修正系数以得到第一加权向量，其中，所述第一跟踪特征图相对于所述第一参考特征图的修正系数基于所述第一跟踪特征图中各个特征张量通过分类器得到的概率值、所述第一跟踪特征图中各个特征张量与所述第一参考特征图中各个特征张量之间的按位置乘积，以及，所述第一跟踪特征图中各个特征张量与所述第一参考特征图中各个特征张量之间的距离来生成；
计算所述第二跟踪特征图相对于所述第二参考特征图的修正系数以得到第二加权向量，其中，所述第二跟踪特征图相对于所述第二参考特征图的修正系数基于所述第二跟踪特征图中各个特征张量通过分类器得到的概率值、所述第二跟踪特征图中各个特征张量与所述第二参考特征图中各个特征张量之间的按位置乘积，以及，所述第二跟踪特征图中各个特征张量与所述第二参考特征图中各个特征张量之间的距离来生成；
以所述第一加权向量和所述第二加权向量分别对所述第一跟踪特征图和所述第二跟踪特征图进行加权以得到第一加权后跟踪特征图和第二加权后跟踪特征图；
融合所述第一加权后跟踪特征图和所述第二加权后跟踪特征图以得到分类特征图；以及
将所述分类特征图通过所述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温度值应增大或应减小。
与现有技术相比，本发明提供的煅烧器的温度控制系统及其温度控制方法，其通过具有时间注意力机制的卷积神经网络模型来对煅烧的过程中的多个预定时间点的气态产物的气相色谱图和固态产物的X射线荧光光谱图以及所述多个预定时间点的温度值进行时间维度上的动态隐含关联特征提取，进一步基于参考特征图的注意力机制来进行时间维度上的特征密集簇的修正，并基于特征图的特征相异性和特征密集对象实例之间的相似度来确定特征密集簇的自适应依赖，从而提升融合后的分类特征图对于分类目标函数的参数自适应性。这样，就能够对煅烧温度进行实时动态地控制，进而可以提高尾渣处理的效率以及优化尾渣处理的效果。
附图说明
通过结合附图对本发明实施例进行更详细的描述，本发明的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与本发明实施例一起用于解释本发明，并不构成对本发明的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为根据本发明实施例的煅烧器的温度控制系统的应用场景图。
图2为根据本发明实施例的煅烧器的温度控制系统的框图。
图3为根据本发明实施例的煅烧器的温度控制系统中第一编码模块的框图。
图4为根据本发明实施例的煅烧器的温度控制系统的温度控制方法的流程图。
图5为根据本发明实施例的煅烧器的温度控制系统的温度控制方法的架构示意图。
具体实施方式
下面，将参考附图详细地描述根据本发明的示例实施例。显然，所描述的实施例仅仅是本发明的一部分实施例，而不是本发明的全部实施例，应理解，本发明不受这里描述的示例实施例的限制。
实施例1
图1图示了根据本发明实施例的煅烧器的温度控制系统的应用场景图。如图1所示，在该应用场景中，首先，通过气相色谱仪（例如，如图1中所示意的G）和X射线荧光分析仪（例如，如图1中所示意的F）获取黄金矿山含氰尾矿渣和碳酸钠的混合物（例如，如图1中所示意的M）在耐高温容器（例如，如图1中所示意的H）中被煅烧的过程中的多个预定时间点的气态产物的气相色谱图和固态产物的X射线荧光光谱图，且通过温度传感器（例如，如图1中所示意的T）获取所述多个预定时间点的温度值。然后，将获取的所述多个预定时间点的气态产物的气相色谱图和固态产物的X射线荧光光谱图以及所述多个预定时间点的温度值输入至部署有尾渣处理监控算法的服务器中（例如，如图1中所示意的云服务器S），其中，所述服务器能够以尾渣处理监控算法对所述多个预定时间点的气态产物的气相色谱图和固态产物的X射线荧光光谱图以及所述多个预定时间点的温度值处理，以生成用于表示当前时间点的温度值应增大或应减小的分类结果。
图2图示了根据本发明实施例的煅烧器的温度控制系统的框图。如图2所示，根据本发明实施例的煅烧器的温度控制系统200，包括：数据采集模块210，用于通过气相色谱仪和X射线荧光分析仪获取黄金矿山含氰尾矿渣和碳酸钠的混合物在煅烧器中被煅烧的过程中的多个预定时间点的气态产物的气相色谱图和固态产物的X射线荧光光谱图，且通过温度传感器获取所述多个预定时间点的温度值；第一编码模块220，用于将所述多个预定时间点的气相色谱图和所述多个预定时间点的温度值通过使用时间注意力机制的第一神经网络模型以得到第一跟踪特征图；第二编码模块230，用于将所述多个预定时间点的X射线荧光光谱图和所述多个预定时间点的温度值通过使用时间注意力机制的第二神经网络模型以得到第二跟踪特征图；参考特征图生成模块240，用于将所述多个预定时间点的气相色谱图和所述多个预定时间点的X射线荧光光谱图分别通过第一卷积神经网络和第二卷积神经网络以得到第一参考特征图和第二参考特征图；第一时间聚类修正系数模块250，用于计算所述第一跟踪特征图相对于所述第一参考特征图的修正系数以得到第一加权向量，其中，所述第一跟踪特征图相对于所述第一参考特征图的修正系数基于所述第一跟踪特征图中各个特征张量通过分类器得到的概率值、所述第一跟踪特征图中各个特征张量与所述第一参考特征图中各个特征张量之间的按位置乘积，以及，所述第一跟踪特征图中各个特征张量与所述第一参考特征图中各个特征张量之间的距离来生成；第二时间聚类修正系数模块260，用于计算所述第二跟踪特征图相对于所述第二参考特征图的修正系数以得到第二加权向量，其中，所述第二跟踪特征图相对于所述第二参考特征图的修正系数基于所述第二跟踪特征图中各个特征张量通过分类器得到的概率值、所述第二跟踪特征图中各个特征张量与所述第二参考特征图中各个特征张量之间的按位置乘积，以及，所述第二跟踪特征图中各个特征张量与所述第二参考特征图中各个特征张量之间的距离来生成；特征调整模块270，用于以所述第一加权向量和所述第二加权向量分别对所述第一跟踪特征图和所述第二跟踪特征图进行加权以得到第一加权后跟踪特征图和第二加权后跟踪特征图；特征融合模块280，用于融合所述第一加权后跟踪特征图和所述第二加权后跟踪特征图以得到分类特征图；以及，控制结果生成模块290，用于将所述分类特征图通过所述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温度值应增大或应减小。
具体地，在本发明实施例中，所述数据采集模块210，用于通过气相色谱仪和X射线荧光分析仪获取黄金矿山含氰尾矿渣和碳酸钠的混合物在煅烧器中被煅烧的过程中的多个预定时间点的气态产物的气相色谱图和固态产物的X射线荧光光谱图，且通过温度传感器获取所述多个预定时间点的温度值。如前所述，氰化法是处理金矿最主要的方法，但是黄金矿山在开采过程中由于使用氰化提金工艺，会产生大量的含氰尾矿，氰化物有剧毒，浸出后的尾渣污染环境且较难处理。并且在现有的处理方法中，最关键的是煅烧温度的控制，其会影响到尾渣处理效率和尾渣处理效果。因此，在本发明的技术方案中，煅烧温度期望基于固态产物和气态产物的实时变化来自适应地调整。也就是，具体地，在本发明的技术方案中，首先，通过气相色谱仪和X射线荧光分析仪获取黄金矿山含氰尾矿渣和碳酸钠的混合物在煅烧器中被煅烧的过程中的多个预定时间点的气态产物的气相色谱图和固态产物的X射线荧光光谱图，且通过温度传感器获取所述多个预定时间点的温度值。
具体地，在本发明实施例中，所述第一编码模块220和所述第二编码模块230，用于将所述多个预定时间点的气相色谱图和所述多个预定时间点的温度值通过使用时间注意力机制的第一神经网络模型以得到第一跟踪特征图，并将所述多个预定时间点的X射线荧光光谱图和所述多个预定时间点的温度值通过使用时间注意力机制的第二神经网络模型以得到第二跟踪特征图。应可以理解，由于考虑到卷积神经网络模型在提取隐含关联特征方面具有优异的表现，因此，在本发明的技术方案中，进一步使用卷积神经网络模型对所述多个预定时间点的气相色谱图以及所述多个预定时间点的X射线荧光光谱图进行高维隐含的关联特征提取。但是，考虑到在煅烧的过程中，煅烧温度是影响气态产物和固态产物的响应性特征，因此为了更准确地描述聚焦于这种关联响应性特征信息，需要对所述多个预定时间点的气态产物的气相色谱图和固态产物的X射线荧光光谱图进行时间维度上的温度值动态关联特征提取。也就是，在本发明的技术方案中，使用时间注意力机制的神经网络模型来分别对所述多个预定时间点的气相色谱图和所述多个预定时间点的温度值，以及所述多个预定时间点的X射线荧光光谱图和所述多个预定时间点的温度值进行时间维度上的动态关联特征提取，以得到所述第一跟踪特征图和所述第二跟踪特征图。
更具体地，在本发明实施例中，所述第一编码模块，包括：首先，将所述多个预定时间点的气相色谱图中各个气相色谱图分别通过第一卷积神经网络，以提取出所述多个预定时间点的气相色谱图中各个气相色谱图的局部高维隐含特征分布，从而得到多个气相色谱特征图。
然后，将所述多个预定时间点的温度值分别通过包含一维卷积层和全连接层的时序编码器中进行编码，以提取出所述多个预定时间点的温度值的高维关联特征，从而得到时序加权特征向量。相应地，在一个具体示例中，将所述多个预定时间点的温度值按照时间维度排列输入向量；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：Y= W
Figure 741095DEST_PATH_IMAGE001
X+B，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，
Figure 348794DEST_PATH_IMAGE001
表示矩阵乘；使用所述时序编码器的一维卷积层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以得到时序特征向量，其中，所述时序特征向量的长度与所述多个预定时间点的时间点的数量相等；将所述时序特征向量通过Sigmoid激活函数以将所述时序特征向量中各个位置的特征值转化到概率空间内以得到所述时序加权特征向量。
最后，以所述时序加权特征向量中各个位置的特征值作为权重分别对所述多个气相色谱特征图中各个气相色谱特征图进行加权以得到所述第一跟踪特征图。相应地，在一个具体示例中，以所述时序加权特征向量中各个位置的特征值对所述多个气相色谱特征图中同一预定时间点的气相色谱特征图进行加权以得到所述多个加权后色相色谱特征图；以及，将所述多个加权后色相色谱特征图按时间维度进行排列以得到所述第一跟踪特征图。
图3图示了根据本发明实施例的煅烧器的温度控制系统中第一编码模块的框图。如图3所示，所述第一编码模块220，包括：第一卷积编码单元221，用于将所述多个预定时间点的气相色谱图中各个气相色谱图分别通过第一卷积神经网络以得到多个气相色谱特征图；第一时序编码单元222，用于将所述多个预定时间点的温度值分别通过包含一维卷积层和全连接层的时序编码器以得到时序加权特征向量；时间注意力单元223，用于以所述时序加权特征向量中各个位置的特征值作为权重分别对所述多个气相色谱特征图中各个气相色谱特征图进行加权以得到所述第一跟踪特征图。
具体地，在本发明实施例中，所述参考特征图生成模块240，用于将所述多个预定时间点的气相色谱图和所述多个预定时间点的X射线荧光光谱图分别通过第一卷积神经网络和第二卷积神经网络以得到第一参考特征图和第二参考特征图。应可以理解，由于所述时间注意力机制在对特征图进行时序维度的加权时，会导致所述特征图在时间维度上的特征分布密集，因此，在本发明的技术方案中，进一步对获得的所述第一跟踪特征图和所述第二跟踪特征图进行时序数据密集度修正。具体地，首先将所述多个预定时间点的气相色谱图和X射线荧光光谱图通过不包含时间注意力机制的第三卷积神经网络和第四卷积神经网络以获得第三特征图F 3 和第四特征图F 4 ，以作为第一参考特征图和第二参考特征图。
更具体地，在本发明实施例中，所述参考特征图生成模块，包括：第一特征提取单元，用于所述第一卷积神经网络的各层在层的正向传递中分别进行：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池化处理以得到池化特征图；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，所述第一卷积神经网络的最后一层的输出为所述第一参考特征图，所述第一卷积神经网络的第一层的输入为所述多个预定时间点的气相色谱图。第二特征提取单元，用于所述第二卷积神经网络的各层在层的正向传递中分别进行：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池化处理以得到池化特征图；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第二参考特征图，所述第二卷积神经网络的第一层的输入为所述多个预定时间点的X射线荧光光谱图。
具体地，在本发明实施例中，所述第一时间聚类修正系数模块250和所述第二时间聚类修正系数模块260，用于计算所述第一跟踪特征图相对于所述第一参考特征图的修正系数以得到第一加权向量，其中，所述第一跟踪特征图相对于所述第一参考特征图的修正系数基于所述第一跟踪特征图中各个特征张量通过分类器得到的概率值、所述第一跟踪特征图中各个特征张量与所述第一参考特征图中各个特征张量之间的按位置乘积，以及，所述第一跟踪特征图中各个特征张量与所述第一参考特征图中各个特征张量之间的距离来生成，并计算所述第二跟踪特征图相对于所述第二参考特征图的修正系数以得到第二加权向量，其中，所述第二跟踪特征图相对于所述第二参考特征图的修正系数基于所述第二跟踪特征图中各个特征张量通过分类器得到的概率值、所述第二跟踪特征图中各个特征张量与所述第二参考特征图中各个特征张量之间的按位置乘积，以及，所述第二跟踪特征图中各个特征张量与所述第二参考特征图中各个特征张量之间的距离来生成。也就是，在本发明的技术方案中，在得到所述第一参考特征图和所述第二参考特征图后，进一步分别计算所述第一跟踪特征图相对于所述第一参考特征图F 3 的修正系数以及所述第二跟踪特征图相对于所述第二参考特征图F 4 的修正系数。应可以理解，这样，就得到了长度为时间点数目T的第一加权向量和第二加权向量，以其分别在时间维度上对所述第一跟踪特征图F 1 和所述第二跟踪特征图F 2 进行加权。由此，通过基于所述参考特征图的注意力机制来进行时间维度上的特征密集簇的修正，并基于特征图的特征相异性和特征密集对象实例之间的相似度来确定特征密集簇的自适应依赖，从而提升融合后的分类特征图对于分类目标函数的参数自适应性。
更具体地，在本发明实施例中，所述第一时间聚类修正系数模块，进一步用于：以如下公式计算所述第一跟踪特征图相对于所述第一参考特征图的修正系数以得到所述第一加权向量；
其中，所述公式为：
Figure 666643DEST_PATH_IMAGE002
其中
Figure DEST_PATH_IMAGE003
表示
Figure 385200DEST_PATH_IMAGE004
将计算得到的三维张量通过分类器得到的概率值，
Figure DEST_PATH_IMAGE005
为所述第一跟踪特征图F 1 时间维度上的各个三维特征张量，
Figure 823003DEST_PATH_IMAGE008
为所述第一参考特征图F 3 在时间维度上的各个三维特征张量，
Figure DEST_PATH_IMAGE009
表示点乘，
Figure 601604DEST_PATH_IMAGE010
表示所述第一跟踪特征图F 1 时间维度上的各个三维特征张量与所述第一参考特征图F 3 在时间维度上的各个三维特征张量之间的距离，
Figure DEST_PATH_IMAGE011
表示将所述第一跟踪特征图F 1 在时间维度上的各个三维特征张量通过分类器得到的概率值。
更具体地，在本发明实施例中，所述第二时间聚类修正系数模块，进一步用于：以如下公式计算所述第二跟踪特征图相对于所述第二参考特征图的修正系数以得到所述第二加权向量；
其中，所述公式为：
Figure 928997DEST_PATH_IMAGE012
其中
Figure DEST_PATH_IMAGE013
表示将
Figure 722772DEST_PATH_IMAGE014
计算得到的三维张量通过分类器得到的概率值，其中
Figure DEST_PATH_IMAGE015
为所述第二跟踪特征图F 2 在时间维度上的各个三维特征张量，
Figure 672273DEST_PATH_IMAGE016
为所述第二参考特征图F 4 在时间维度上的各个三维特征张量，
Figure 699135DEST_PATH_IMAGE009
表示点乘，
Figure DEST_PATH_IMAGE017
表示所述第二跟踪特征图F 2 在时间维度上的各个三维特征张量与所述第二参考特征图F 4 时间维度上的各个三维特征张量之间的距离，
Figure 453781DEST_PATH_IMAGE018
表示将所述第二跟踪特征图F 2 在时间维度上的各个三维特征张量通过分类器得到的概率值。
具体地，在本发明实施例中，所述特征调整模块270和所述特征融合模块280，用于以所述第一加权向量和所述第二加权向量分别对所述第一跟踪特征图和所述第二跟踪特征图进行加权以得到第一加权后跟踪特征图和第二加权后跟踪特征图，并融合所述第一加权后跟踪特征图和所述第二加权后跟踪特征图以得到分类特征图。也就是，在本发明的技术方案中，在得到所述第一加权向量和所述第二加权向量后，进一步以其分别在时间维度上对第一跟踪特征图F 1 和第二跟踪特征图F 2 进行加权。应可以理解，这样，通过基于所述参考特征图的注意力机制来进行时间维度上的特征密集簇的修正，并基于特征图的特征相异性和特征密集对象实例之间的相似度来确定特征密集簇的自适应依赖，从而提升融合后的所述分类特征图对于分类目标函数的参数自适应性。
具体地，在本发明实施例中，所述控制结果生成模块290，用于将所述分类特征图通过所述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温度值应增大或应减小。也就是，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图进行处理以生成分类结果，其中，所述公式为：
Figure DEST_PATH_IMAGE019
，其中
Figure 823452DEST_PATH_IMAGE020
表示将所述分类特征图投影为向量，W 1 至W n 为各层全连接层的权重矩阵，B 1 至B n 表示各层全连接层的偏置矩阵。
综上，基于本发明实施例的所述煅烧器的温度控制系统200被阐明，其通过具有时间注意力机制的卷积神经网络模型来对煅烧的过程中的多个预定时间点的气态产物的气相色谱图和固态产物的X射线荧光光谱图以及所述多个预定时间点的温度值进行时间维度上的动态隐含关联特征提取，进一步基于参考特征图的注意力机制来进行时间维度上的特征密集簇的修正，并基于特征图的特征相异性和特征密集对象实例之间的相似度来确定特征密集簇的自适应依赖，从而提升融合后的分类特征图对于分类目标函数的参数自适应性。这样，就能够对煅烧温度进行实时动态地控制，进而可以提高尾渣处理的效率以及优化尾渣处理的效果。
如上所述，根据本发明实施例的煅烧器的温度控制系统200可以实现在各种终端设备中，例如尾渣处理监控算法的服务器等。在一个示例中，根据本发明实施例的煅烧器的温度控制系统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，该煅烧器的温度控制系统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，该煅烧器的温度控制系统200同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该煅烧器的温度控制系统200与该终端设备也可以是分立的设备，并且该煅烧器的温度控制系统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。
实施例2
图4图示了煅烧器的温度控制系统的温度控制方法的流程图。如图4所示，根据本发明实施例的煅烧器的温度控制系统的温度控制方法，包括步骤：S110，通过气相色谱仪和X射线荧光分析仪获取黄金矿山含氰尾矿渣和碳酸钠的混合物在煅烧器中被煅烧的过程中的多个预定时间点的气态产物的气相色谱图和固态产物的X射线荧光光谱图，且通过温度传感器获取所述多个预定时间点的温度值；S120，将所述多个预定时间点的气相色谱图和所述多个预定时间点的温度值通过使用时间注意力机制的第一神经网络模型以得到第一跟踪特征图；S130，将所述多个预定时间点的X射线荧光光谱图和所述多个预定时间点的温度值通过使用时间注意力机制的第二神经网络模型以得到第二跟踪特征图；S140，将所述多个预定时间点的气相色谱图和所述多个预定时间点的X射线荧光光谱图分别通过第一卷积神经网络和第二卷积神经网络以得到第一参考特征图和第二参考特征图；S150，计算所述第一跟踪特征图相对于所述第一参考特征图的修正系数以得到第一加权向量，其中，所述第一跟踪特征图相对于所述第一参考特征图的修正系数基于所述第一跟踪特征图中各个特征张量通过分类器得到的概率值、所述第一跟踪特征图中各个特征张量与所述第一参考特征图中各个特征张量之间的按位置乘积，以及，所述第一跟踪特征图中各个特征张量与所述第一参考特征图中各个特征张量之间的距离来生成；S160，计算所述第二跟踪特征图相对于所述第二参考特征图的修正系数以得到第二加权向量，其中，所述第二跟踪特征图相对于所述第二参考特征图的修正系数基于所述第二跟踪特征图中各个特征张量通过分类器得到的概率值、所述第二跟踪特征图中各个特征张量与所述第二参考特征图中各个特征张量之间的按位置乘积，以及，所述第二跟踪特征图中各个特征张量与所述第二参考特征图中各个特征张量之间的距离来生成；S170，以所述第一加权向量和所述第二加权向量分别对所述第一跟踪特征图和所述第二跟踪特征图进行加权以得到第一加权后跟踪特征图和第二加权后跟踪特征图；S180，融合所述第一加权后跟踪特征图和所述第二加权后跟踪特征图以得到分类特征图；以及，S190，将所述分类特征图通过所述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温度值应增大或应减小。
图5图示了根据本发明实施例的煅烧器的温度控制系统的温度控制方法的架构示意图。如图5所示，在所述煅烧器的温度控制系统的温度控制方法的网络架构中，首先，将获得的所述多个预定时间点的气相色谱图（例如，如图5中所示意的P1）和所述多个预定时间点的温度值（例如，如图5中所示意的Q）通过使用时间注意力机制的第一神经网络模型（例如，如图5中所示意的CNN1）以得到第一跟踪特征图（例如，如图5中所示意的F1）；接着，将所述多个预定时间点的X射线荧光光谱图（例如，如图5中所示意的P2）和所述多个预定时间点的温度值通过使用时间注意力机制的第二神经网络模型（例如，如图5中所示意的CNN2）以得到第二跟踪特征图（例如，如图5中所示意的F2）；然后，将所述多个预定时间点的气相色谱图和所述多个预定时间点的X射线荧光光谱图分别通过第一卷积神经网络（例如，如图5中所示意的CN1）和第二卷积神经网络（例如，如图5中所示意的CN2）以得到第一参考特征图（例如，如图5中所示意的FR1）和第二参考特征图（例如，如图5中所示意的FR2）；接着，计算所述第一跟踪特征图相对于所述第一参考特征图的修正系数以得到第一加权向量（例如，如图5中所示意的V1）；然后，计算所述第二跟踪特征图相对于所述第二参考特征图的修正系数以得到第二加权向量（例如，如图5中所示意的V2）；接着，以所述第一加权向量和所述第二加权向量分别对所述第一跟踪特征图和所述第二跟踪特征图进行加权以得到第一加权后跟踪特征图（例如，如图5中所示意的FR1）和第二加权后跟踪特征图（例如，如图5中所示意的FR2）；然后，融合所述第一加权后跟踪特征图和所述第二加权后跟踪特征图以得到分类特征图（例如，如图5中所示意的FC）；以及，最后，将所述分类特征图通过所述分类器（例如，如图5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温度值应增大或应减小。
更具体地，在步骤S110中，通过气相色谱仪和X射线荧光分析仪获取黄金矿山含氰尾矿渣和碳酸钠的混合物在煅烧器中被煅烧的过程中的多个预定时间点的气态产物的气相色谱图和固态产物的X射线荧光光谱图，且通过温度传感器获取所述多个预定时间点的温度值。应可以理解，氰化法是处理金矿最主要的方法，但是黄金矿山在开采过程中由于使用氰化提金工艺，会产生大量的含氰尾矿，氰化物有剧毒，浸出后的尾渣污染环境且较难处理。并且在现有的处理方法中，最关键的是煅烧温度的控制，其会影响到尾渣处理效率和尾渣处理效果。因此，在本发明的技术方案中，煅烧温度期望基于固态产物和气态产物的实时变化来自适应地调整。也就是，具体地，在本发明的技术方案中，首先，通过气相色谱仪和X射线荧光分析仪获取黄金矿山含氰尾矿渣和碳酸钠的混合物在煅烧器中被煅烧的过程中的多个预定时间点的气态产物的气相色谱图和固态产物的X射线荧光光谱图，且通过温度传感器获取所述多个预定时间点的温度值。
更具体地，在步骤S120和步骤S130中，将所述多个预定时间点的气相色谱图和所述多个预定时间点的温度值通过使用时间注意力机制的第一神经网络模型以得到第一跟踪特征图，并将所述多个预定时间点的X射线荧光光谱图和所述多个预定时间点的温度值通过使用时间注意力机制的第二神经网络模型以得到第二跟踪特征图。应可以理解，由于考虑到卷积神经网络模型在提取隐含关联特征方面具有优异的表现，因此，在本发明的技术方案中，进一步使用卷积神经网络模型对所述多个预定时间点的气相色谱图以及所述多个预定时间点的X射线荧光光谱图进行高维隐含的关联特征提取。但是，考虑到在煅烧的过程中，煅烧温度是影响气态产物和固态产物的响应性特征，因此为了更准确地描述聚焦于这种关联响应性特征信息，需要对所述多个预定时间点的气态产物的气相色谱图和固态产物的X射线荧光光谱图进行时间维度上的温度值动态关联特征提取。也就是，在本发明的技术方案中，使用时间注意力机制的神经网络模型来分别对所述多个预定时间点的气相色谱图和所述多个预定时间点的温度值，以及所述多个预定时间点的X射线荧光光谱图和所述多个预定时间点的温度值进行时间维度上的动态关联特征提取，以得到所述第一跟踪特征图和所述第二跟踪特征图。
更具体地，在步骤S140中，将所述多个预定时间点的气相色谱图和所述多个预定时间点的X射线荧光光谱图分别通过第一卷积神经网络和第二卷积神经网络以得到第一参考特征图和第二参考特征图。应可以理解，由于所述时间注意力机制在对特征图进行时序维度的加权时，会导致所述特征图在时间维度上的特征分布密集，因此，在本发明的技术方案中，进一步对获得的所述第一跟踪特征图和所述第二跟踪特征图进行时序数据密集度修正。具体地，首先将所述多个预定时间点的气相色谱图和X射线荧光光谱图通过不包含时间注意力机制的第三卷积神经网络和第四卷积神经网络以获得第三特征图F 3 和第四特征图F 4 ，以作为第一参考特征图和第二参考特征图。
更具体地，在步骤S150和步骤S160中，计算所述第一跟踪特征图相对于所述第一参考特征图的修正系数以得到第一加权向量，其中，所述第一跟踪特征图相对于所述第一参考特征图的修正系数基于所述第一跟踪特征图中各个特征张量通过分类器得到的概率值、所述第一跟踪特征图中各个特征张量与所述第一参考特征图中各个特征张量之间的按位置乘积，以及，所述第一跟踪特征图中各个特征张量与所述第一参考特征图中各个特征张量之间的距离来生成，并计算所述第二跟踪特征图相对于所述第二参考特征图的修正系数以得到第二加权向量，其中，所述第二跟踪特征图相对于所述第二参考特征图的修正系数基于所述第二跟踪特征图中各个特征张量通过分类器得到的概率值、所述第二跟踪特征图中各个特征张量与所述第二参考特征图中各个特征张量之间的按位置乘积，以及，所述第二跟踪特征图中各个特征张量与所述第二参考特征图中各个特征张量之间的距离来生成。也就是，在本发明的技术方案中，在得到所述第一参考特征图和所述第二参考特征图后，进一步分别计算所述第一跟踪特征图相对于所述第一参考特征图F 3 的修正系数以及所述第二跟踪特征图相对于所述第二参考特征图F 4 的修正系数。应可以理解，这样，就得到了长度为时间点数目T的第一加权向量和第二加权向量，以其分别在时间维度上对所述第一跟踪特征图F 1 和所述第二跟踪特征图F 2 进行加权。由此，通过基于所述参考特征图的注意力机制来进行时间维度上的特征密集簇的修正，并基于特征图的特征相异性和特征密集对象实例之间的相似度来确定特征密集簇的自适应依赖，从而提升融合后的分类特征图对于分类目标函数的参数自适应性。
更具体地，在步骤S170和步骤S180中，以所述第一加权向量和所述第二加权向量分别对所述第一跟踪特征图和所述第二跟踪特征图进行加权以得到第一加权后跟踪特征图和第二加权后跟踪特征图，并融合所述第一加权后跟踪特征图和所述第二加权后跟踪特征图以得到分类特征图。也就是，在本发明的技术方案中，在得到所述第一加权向量和所述第二加权向量后，进一步以其分别在时间维度上对第一跟踪特征图F 1 和第二跟踪特征图F 2 进行加权。应可以理解，这样，通过基于所述参考特征图的注意力机制来进行时间维度上的特征密集簇的修正，并基于特征图的特征相异性和特征密集对象实例之间的相似度来确定特征密集簇的自适应依赖，从而提升融合后的所述分类特征图对于分类目标函数的参数自适应性。
更具体地，在步骤S190中，将所述分类特征图通过所述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温度值应增大或应减小。也就是，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图进行处理以生成分类结果，其中，所述公式为：
Figure DEST_PATH_IMAGE021
，其中
Figure 337610DEST_PATH_IMAGE020
表示将所述分类特征图投影为向量，W 1 至W n 为各层全连接层的权重矩阵，B 1 至B n 表示各层全连接层的偏置矩阵。
综上，基于本发明实施例的所述煅烧器的温度控制系统的温度控制方法被阐明，其通过具有时间注意力机制的卷积神经网络模型来对煅烧的过程中的多个预定时间点的气态产物的气相色谱图和固态产物的X射线荧光光谱图以及所述多个预定时间点的温度值进行时间维度上的动态隐含关联特征提取，进一步基于参考特征图的注意力机制来进行时间维度上的特征密集簇的修正，并基于特征图的特征相异性和特征密集对象实例之间的相似度来确定特征密集簇的自适应依赖，从而提升融合后的分类特征图对于分类目标函数的参数自适应性。这样，就能够对煅烧温度进行实时动态地控制，进而可以提高尾渣处理的效率以及优化尾渣处理的效果。
工作原理和工作过程：
具体地，在本发明的技术方案中，首先，通过气相色谱仪和X射线荧光分析仪获取黄金矿山含氰尾矿渣和碳酸钠的混合物在煅烧器中被煅烧的过程中的多个预定时间点的气态产物的气相色谱图和固态产物的X射线荧光光谱图，且通过温度传感器获取所述多个预定时间点的温度值。应可以理解，由于卷积神经网络模型在提取隐含关联特征方面具有优异的表现，因此，在本发明的技术方案中，进一步使用卷积神经网络模型对所述多个预定时间点的气相色谱图以及所述多个预定时间点的X射线荧光光谱图进行高维隐含的关联特征提取。但是，考虑到在煅烧的过程中，煅烧温度是影响气态产物和固态产物的响应性特征，因此为了更准确地描述聚焦于这种关联响应性特征信息，需要对所述多个预定时间点的气态产物的气相色谱图和固态产物的X射线荧光光谱图进行时间维度上的温度值动态关联特征提取。
也就是，在本发明的技术方案中，使用时间注意力机制的神经网络模型来分别对所述多个预定时间点的气相色谱图和所述多个预定时间点的温度值，以及所述多个预定时间点的X射线荧光光谱图和所述多个预定时间点的温度值进行时间维度上的动态关联特征提取，以得到所述第一跟踪特征图和所述第二跟踪特征图。具体地，在本发明实施例中，首先，将所述多个预定时间点的气相色谱图中各个气相色谱图分别通过第一卷积神经网络，以提取出所述多个预定时间点的气相色谱图中各个气相色谱图的局部高维隐含特征分布，从而得到多个气相色谱特征图。接着，将所述多个预定时间点的温度值分别通过包含一维卷积层和全连接层的时序编码器中进行编码，以提取出所述多个预定时间点的温度值的高维关联特征，从而得到时序加权特征向量。然后，以所述时序加权特征向量中各个位置的特征值作为权重分别对所述多个气相色谱特征图中各个气相色谱特征图进行加权以得到所述第一跟踪特征图。
应可以理解，由于时间注意力机制在对特征图进行时序维度的加权时，会导致特征图在时间维度上的特征分布密集，因此进一步对获得的所述第一跟踪特征图和所述第二跟踪特征图进行时序数据密集度修正。
具体地，首先将气相色谱图和X射线荧光光谱图通过不包含时间注意力机制的第三卷积神经网络和第四卷积神经网络以获得第三特征图F 3 和第四特征图F 4 ，以作为第一参考特征图和第二参考特征图，再分别计算第一跟踪特征图相对于第一参考特征图F 3 的修正系数以及第二跟踪特征图相对于第二参考特征图F 4 的修正系数，表示为：
Figure 467240DEST_PATH_IMAGE022
Figure 484874DEST_PATH_IMAGE012
Figure 307337DEST_PATH_IMAGE023
，
Figure 308791DEST_PATH_IMAGE015
，
Figure 992844DEST_PATH_IMAGE024
和
Figure 130564DEST_PATH_IMAGE025
分别为第一跟踪特征图F 1 、第二跟踪特征图F 2 和第一参考特征图F 3 和第二参考特征图F 4 时间维度上的每个三维特征张量，
Figure 123928DEST_PATH_IMAGE009
表示点乘。
这样，就得到了长度为时间点数目T的第一加权向量和第二加权向量，以其分别在时间维度上对第一跟踪特征图F 1 和第二跟踪特征图F 2 进行加权。由此，通过基于参考特征图的注意力机制来进行时间维度上的特征密集簇的修正，并基于特征图的特征相异性和特征密集对象实例之间的相似度来确定特征密集簇的自适应依赖，从而提升融合后的分类特征图对于分类目标函数的参数自适应性。
以上结合具体实施例描述了本发明的基本原理，但是，需要指出的是，在本发明中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本发明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发明为必须采用上述具体的细节来实现。
本发明中涉及的器件、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。
还需要指出的是，在本发明的装置、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发明的等效方案。
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发明。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发明的范围。因此，本发明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。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本发明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。

Claims (10)

1.一种煅烧器的温度控制系统，其特征在于，包括：
数据采集模块，用于通过气相色谱仪和X射线荧光分析仪获取黄金矿山含氰尾矿渣和碳酸钠的混合物在煅烧器中被煅烧的过程中的多个预定时间点的气态产物的气相色谱图和固态产物的X射线荧光光谱图，且通过温度传感器获取所述多个预定时间点的温度值；
第一编码模块，用于将所述多个预定时间点的气相色谱图和所述多个预定时间点的温度值通过使用时间注意力机制的第一神经网络模型以得到第一跟踪特征图；
第二编码模块，用于将所述多个预定时间点的X射线荧光光谱图和所述多个预定时间点的温度值通过使用时间注意力机制的第二神经网络模型以得到第二跟踪特征图；
参考特征图生成模块，用于将所述多个预定时间点的气相色谱图和所述多个预定时间点的X射线荧光光谱图分别通过第一卷积神经网络和第二卷积神经网络以得到第一参考特征图和第二参考特征图；
第一时间聚类修正系数模块，用于计算所述第一跟踪特征图相对于所述第一参考特征图的修正系数以得到第一加权向量，其中，所述第一跟踪特征图相对于所述第一参考特征图的修正系数基于所述第一跟踪特征图中各个特征张量通过分类器得到的概率值、所述第一跟踪特征图中各个特征张量与所述第一参考特征图中各个特征张量之间的按位置乘积，以及，所述第一跟踪特征图中各个特征张量与所述第一参考特征图中各个特征张量之间的距离来生成；
第二时间聚类修正系数模块，用于计算所述第二跟踪特征图相对于所述第二参考特征图的修正系数以得到第二加权向量，其中，所述第二跟踪特征图相对于所述第二参考特征图的修正系数基于所述第二跟踪特征图中各个特征张量通过分类器得到的概率值、所述第二跟踪特征图中各个特征张量与所述第二参考特征图中各个特征张量之间的按位置乘积，以及，所述第二跟踪特征图中各个特征张量与所述第二参考特征图中各个特征张量之间的距离来生成；
特征调整模块，用于以所述第一加权向量和所述第二加权向量分别对所述第一跟踪特征图和所述第二跟踪特征图进行加权以得到第一加权后跟踪特征图和第二加权后跟踪特征图；
特征融合模块，用于融合所述第一加权后跟踪特征图和所述第二加权后跟踪特征图以得到分类特征图；以及
控制结果生成模块，用于将所述分类特征图通过所述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温度值应增大或应减小。
2.根据权利要求1所述的煅烧器的温度控制系统，其特征在于，所述第一编码模块，包括：
第一卷积编码单元，用于将所述多个预定时间点的气相色谱图中各个气相色谱图分别通过第一卷积神经网络以得到多个气相色谱特征图；
第一时序编码单元，用于将所述多个预定时间点的温度值分别通过包含一维卷积层和全连接层的时序编码器以得到时序加权特征向量；
时间注意力单元，用于以所述时序加权特征向量中各个位置的特征值作为权重分别对所述多个气相色谱特征图中各个气相色谱特征图进行加权以得到所述第一跟踪特征图。
3.根据权利要求2所述的煅烧器的温度控制系统，其特征在于，所述第一时序编码单元，包括：
输入向量构造子单元，用于将所述多个预定时间点的温度值按照时间维度排列输入向量；
全连接编码子单元，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：Y=W
Figure 2325DEST_PATH_IMAGE001
X+B，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，
Figure 21097DEST_PATH_IMAGE001
表示矩阵乘；
一维卷积编码子单元，用于使用所述时序编码器的一维卷积层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以得到时序特征向量，其中，所述时序特征向量的长度与所述多个预定时间点的时间点的数量相等；
概率转化单元，用于将所述时序特征向量通过Sigmoid激活函数以将所述时序特征向量中各个位置的特征值转化到概率空间内以得到所述时序加权特征向量。
4.根据权利要求3所述的煅烧器的温度控制系统，其特征在于，所述时间注意力单元，包括：
加权子单元，用于以所述时序加权特征向量中各个位置的特征值对所述多个气相色谱特征图中同一预定时间点的气相色谱特征图进行加权以得到所述多个加权后色相色谱特征图；以及
排列子单元，用于将所述多个加权后色相色谱特征图按时间维度进行排列以得到所述第一跟踪特征图。
5.根据权利要求4所述的煅烧器的温度控制系统，其特征在于，所述参考特征图生成模块，包括：
第一特征提取单元，用于所述第一卷积神经网络的各层在层的正向传递中分别进行：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池化处理以得到池化特征图；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，所述第一卷积神经网络的最后一层的输出为所述第一参考特征图，所述第一卷积神经网络的第一层的输入为所述多个预定时间点的气相色谱图；
第二特征提取单元，用于所述第二卷积神经网络的各层在层的正向传递中分别进行：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池化处理以得到池化特征图；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第二参考特征图，所述第二卷积神经网络的第一层的输入为所述多个预定时间点的X射线荧光光谱图。
6.根据权利要求5所述的煅烧器的温度控制系统，其特征在于，所述第一时间聚类修正系数模块，进一步用于：以如下公式计算所述第一跟踪特征图相对于所述第一参考特征图的修正系数以得到所述第一加权向量；
其中，所述公式为：
Figure 168044DEST_PATH_IMAGE002
其中
Figure 179732DEST_PATH_IMAGE003
表示
Figure 95735DEST_PATH_IMAGE004
将计算得到的三维张量通过分类器得到的概率值，
Figure 19829DEST_PATH_IMAGE005
为所述第一跟踪特征图F 1 在时间维度上的各个三维特征张量，
Figure 654072DEST_PATH_IMAGE006
为所述第一参考特征图F 3 在时间维度上的各个三维特征张量，
Figure 689024DEST_PATH_IMAGE007
表示点乘，
Figure 725114DEST_PATH_IMAGE008
表示所述第一跟踪特征图F 1 在时间维度上的各个三维特征张量与所述第一参考特征图F 3 在时间维度上的各个三维特征张量之间的距离，
Figure 820109DEST_PATH_IMAGE009
表示将所述第一跟踪特征图F 1 在时间维度上的各个三维特征张量通过分类器得到的概率值。
7.根据权利要求6所述的煅烧器的温度控制系统，其特征在于，所述第二时间聚类修正系数模块，进一步用于：以如下公式计算所述第二跟踪特征图相对于所述第二参考特征图的修正系数以得到所述第二加权向量；
其中，所述公式为：
Figure 704099DEST_PATH_IMAGE010
其中
Figure 808322DEST_PATH_IMAGE011
表示将
Figure 433338DEST_PATH_IMAGE012
计算得到的三维张量通过分类器得到的概率值，其中
Figure 964814DEST_PATH_IMAGE013
为所述第二跟踪特征图F 2 在时间维度上的各个三维特征张量，
Figure 308070DEST_PATH_IMAGE014
为所述第二参考特征图F 4 在时间维度上的各个三维特征张量，
Figure 215983DEST_PATH_IMAGE007
表示点乘，
Figure 961085DEST_PATH_IMAGE015
表示所述第二跟踪特征图F 2 在时间维度上的各个三维特征张量与所述第二参考特征图F 4 在时间维度上的各个三维特征张量之间的距离，
Figure 663462DEST_PATH_IMAGE016
表示将所述第二跟踪特征图F 2 在时间维度上的各个三维特征张量通过分类器得到的概率值。
8.根据权利要求7所述的煅烧器的温度控制系统，其特征在于，所述控制结果生成模块，进一步用于：所述分类器以如下公式对所述分类特征图进行处理以生成分类结果；
其中，所述公式为：
Figure 743283DEST_PATH_IMAGE017
，其中
Figure 189307DEST_PATH_IMAGE018
表示将所述分类特征图投影为向量，W 1 至W n 为各层全连接层的权重矩阵，B 1 至B n 表示各层全连接层的偏置矩阵。
9.一种煅烧器的温度控制系统的温度控制方法，其特征在于，包括：
通过气相色谱仪和X射线荧光分析仪获取黄金矿山含氰尾矿渣和碳酸钠的混合物在煅烧器中被煅烧的过程中的多个预定时间点的气态产物的气相色谱图和固态产物的X射线荧光光谱图，且通过温度传感器获取所述多个预定时间点的温度值；
将所述多个预定时间点的气相色谱图和所述多个预定时间点的温度值通过使用时间注意力机制的第一神经网络模型以得到第一跟踪特征图；
将所述多个预定时间点的X射线荧光光谱图和所述多个预定时间点的温度值通过使用时间注意力机制的第二神经网络模型以得到第二跟踪特征图；
将所述多个预定时间点的气相色谱图和所述多个预定时间点的X射线荧光光谱图分别通过第一卷积神经网络和第二卷积神经网络以得到第一参考特征图和第二参考特征图；
计算所述第一跟踪特征图相对于所述第一参考特征图的修正系数以得到第一加权向量，其中，所述第一跟踪特征图相对于所述第一参考特征图的修正系数基于所述第一跟踪特征图中各个特征张量通过分类器得到的概率值、所述第一跟踪特征图中各个特征张量与所述第一参考特征图中各个特征张量之间的按位置乘积，以及，所述第一跟踪特征图中各个特征张量与所述第一参考特征图中各个特征张量之间的距离来生成；
计算所述第二跟踪特征图相对于所述第二参考特征图的修正系数以得到第二加权向量，其中，所述第二跟踪特征图相对于所述第二参考特征图的修正系数基于所述第二跟踪特征图中各个特征张量通过分类器得到的概率值、所述第二跟踪特征图中各个特征张量与所述第二参考特征图中各个特征张量之间的按位置乘积，以及，所述第二跟踪特征图中各个特征张量与所述第二参考特征图中各个特征张量之间的距离来生成；
以所述第一加权向量和所述第二加权向量分别对所述第一跟踪特征图和所述第二跟踪特征图进行加权以得到第一加权后跟踪特征图和第二加权后跟踪特征图；
融合所述第一加权后跟踪特征图和所述第二加权后跟踪特征图以得到分类特征图；以及
将所述分类特征图通过所述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温度值应增大或应减小。
10.根据权利要求9所述的煅烧器的温度控制系统的温度控制方法，其特征在于，将所述多个预定时间点的气相色谱图和所述多个预定时间点的温度值通过使用时间注意力机制的第一神经网络模型以得到第一跟踪特征图，包括：
将所述多个预定时间点的气相色谱图中各个气相色谱图分别通过第一卷积神经网络以得到多个气相色谱特征图；
将所述多个预定时间点的温度值分别通过包含一维卷积层和全连接层的时序编码器以得到时序加权特征向量；
以所述时序加权特征向量中各个位置的特征值作为权重分别对所述多个气相色谱特征图中各个气相色谱特征图进行加权以得到所述第一跟踪特征图。
CN202210753789.2A 2022-06-30 2022-06-30 煅烧器的温度控制系统及其温度控制方法 Active CN114815930B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210753789.2A CN114815930B (zh) 2022-06-30 2022-06-30 煅烧器的温度控制系统及其温度控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210753789.2A CN114815930B (zh) 2022-06-30 2022-06-30 煅烧器的温度控制系统及其温度控制方法

Publications (2)

Publication Number Publication Date
CN114815930A CN114815930A (zh) 2022-07-29
CN114815930B true CN114815930B (zh) 2022-09-02

Family

ID=82522643

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210753789.2A Active CN114815930B (zh) 2022-06-30 2022-06-30 煅烧器的温度控制系统及其温度控制方法

Country Status (1)

Country Link
CN (1) CN114815930B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115309215B (zh) * 2022-08-05 2023-03-07 福建省龙氟新材料有限公司 氟化铵制备用的自动配料控制系统及其控制方法
CN115599049B (zh) * 2022-08-31 2023-04-07 福建省龙氟新材料有限公司 用于无水氟化氢生产的能源管理控制系统及其控制方法
CN115471674B (zh) * 2022-09-20 2023-06-27 浙江科达利实业有限公司 基于图像处理的新能源车二氧化碳管的性能监测系统
CN115932140A (zh) * 2022-11-16 2023-04-07 福建省杭氟电子材料有限公司 一种电子级六氟丁二烯的质检系统及其方法
CN115841644B (zh) * 2022-12-29 2023-12-22 吕梁市经开区信息化投资建设有限公司 基于物联网的城市基础建设工程设备的控制系统及其方法
CN116000297A (zh) * 2023-01-03 2023-04-25 赣州市光华有色金属有限公司 高强度钨镧丝的制备装置及其方法
CN116106457B (zh) * 2023-04-13 2023-06-27 天津海河标测技术检测有限公司 空气采样检测一体化装置
CN116907214B (zh) * 2023-05-09 2024-03-08 广东夏和瓷业有限公司 环保日用陶瓷的制备工艺及其系统
CN116271667B (zh) * 2023-05-12 2023-08-04 陕西开来机电设备制造有限公司 一种矿用皮带机电控防灭火系统
CN117658208B (zh) * 2023-12-20 2024-06-04 潮州市丰业新材料有限公司 一种高纯度的氧化锆粉体及其制备方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101410674A (zh) * 2003-04-04 2009-04-15 德士古发展公司 在燃烧过程中的温度控制
CN104495919A (zh) * 2015-01-09 2015-04-08 攀钢集团攀枝花钢铁研究院有限公司 金红石型钛白粉煅烧温度调节方法及其自动控制方法
CN209746431U (zh) * 2019-05-05 2019-12-06 杭州青化社化工有限公司 氰化亚铜合成的温度控制装置
CN111763787A (zh) * 2020-07-03 2020-10-13 北京金熔节能环保科技有限公司 一种利用高温熔渣还原金属氧化物与渣温调控系统及方法
JP2020203829A (ja) * 2020-09-01 2020-12-24 日立金属株式会社 焼成容器内の温度制御方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101410674A (zh) * 2003-04-04 2009-04-15 德士古发展公司 在燃烧过程中的温度控制
CN104495919A (zh) * 2015-01-09 2015-04-08 攀钢集团攀枝花钢铁研究院有限公司 金红石型钛白粉煅烧温度调节方法及其自动控制方法
CN209746431U (zh) * 2019-05-05 2019-12-06 杭州青化社化工有限公司 氰化亚铜合成的温度控制装置
CN111763787A (zh) * 2020-07-03 2020-10-13 北京金熔节能环保科技有限公司 一种利用高温熔渣还原金属氧化物与渣温调控系统及方法
JP2020203829A (ja) * 2020-09-01 2020-12-24 日立金属株式会社 焼成容器内の温度制御方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
浅谈测金方法的发展现状;佟红格尔等;《内蒙古科技与经济》;20100430;全文 *
焙烧氰化尾渣综合利用与新工艺探讨;党晓娥等;《有色金属(冶炼部分)》;20200912(第09期);全文 *

Also Published As

Publication number Publication date
CN114815930A (zh) 2022-07-29

Similar Documents

Publication Publication Date Title
CN114815930B (zh) 煅烧器的温度控制系统及其温度控制方法
US11188813B2 (en) Hybrid architecture system and method for high-dimensional sequence processing
CN116832588B (zh) 酸再生烟气净化装置及其方法
WO2024045244A1 (zh) 用于无水氟化氢生产的能源管理控制系统及其控制方法
CN112819019B (zh) 分类模型生成装置及其分类模型生成方法
CN114581767A (zh) 图像处理系统、方法及其计算机装置
CN103456030B (zh) 基于散射描述子的目标跟踪方法
Chen et al. Attention-based dual-stream vision transformer for radar gait recognition
Stiefmeier et al. Fusion of string-matched templates for continuous activity recognition
CN115100427A (zh) 锂电池制造的石墨矿石破碎装置及其处理方法
CN112818407A (zh) 一种基于生成对抗网络的视频隐私保护方法
Wang et al. Balanced one-stage object detection by enhancing the effect of positive samples
US9805246B2 (en) Method and system for enhancing ridges of fingerprint images
Wang et al. Hardness-aware dictionary learning: Boosting dictionary for recognition
CN116880198B (zh) 一种用于超声速无人机的动力装备自适应控制系统及其方法
Xiang et al. Transformer-based person search model with symmetric online instance matching
CN106851106A (zh) 一种增强ar追踪稳定性的电子稳像方法
CN115982573A (zh) 多功能送料机及其控制方法
KR20160107742A (ko) Svm기반 레이더 스캔형태 인식방법 및 장치
Lee et al. Token adaptive vision transformer with efficient deployment for fine-grained image recognition
CN112580710A (zh) 基于参数矩阵的特征提取的球墨铸铁冶炼的加料控制方法
CN116870654B (zh) 工业废气处理系统及其方法
Ling et al. A Study of Quantisation-aware Training on Time Series Transformer Models for Resource-constrained FPGAs
Joo et al. Under sampling bagging shapelet transformation for hydraulic system
Eo et al. A differentiable framework for end-to-end learning of hybrid structured compression

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant