具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
镀锌钢带广泛应用在汽车、家电、建筑和农业机械等行业,连续热镀锌技术是镀锌钢带的主要生产工艺。在连续热镀锌生产过程中,冷轧或热轧后的钢带以一定的速度在产线上不间断地运行,并分别经历退火和热镀锌两个主要工艺过程。退火的目的是改善钢带的力学性能,热镀锌的目的是让钢带具备更优良的耐腐蚀性。其中,退火炉的温度会影响钢带退火后的力学性能、热镀锌层的粘附能力、钢带表面质量、产线产能、单位产能能耗等,因此退火炉温度是整个生产过程中关键的因素之一。
要实现对退火炉温度的准确控制,需要知道退火炉的换热特性数据,换热特性数据例如包括退火炉的热物性参数和热过程参数。热物性参数例如包括退火炉炉膛的发射率、钢带的发射率等,热过程参数例如包括退火炉的对流换热系数。实际生产中,退火炉热参数受到众多炉温控制参数(如燃气流量、炉温、产能等)的影响,且随着时间的推移,退火炉热参数逐渐发生偏移,从而无法对退火炉热参数进行准确的定量计算,这对炉温的准确控制带来挑战。实际生产中退火炉的炉温控制过于依赖工人经验,导致退火炉的温度调节效果较差,从而导致加热过程中钢带温度波动大。
在一些示例中,可以通过实验测量得到退火炉的换热特性数据。一般在退火炉制造之前,对退火炉内壁的材料进行热物性参数的测量,结合理论分析和实验数据推理得到材料的发射率等热物性参数。通过对流换热实验,得到退火炉的对流换热系数,进而得到退火炉炉膛内的对流换热系数等热过程参数。该方式通常仅能够在退火炉设计制造阶段进行测量,难以对退火炉全生命周期的热参数进行跟踪测量,且实验测量的成本高、周期长。
在另一些示例中,可以通过数值模拟得到退火炉的换热特性数据。例如,可以采用有限元、有限差分等数值计算方法,对退火炉内的换热过程进行数值模拟。该方式在建模过程中会过渡简化,使得模拟得到的结果需要进行实验验证。该方式依赖于价格高昂的数值仿真软件,由于需要仿真不同的环境条件和运行工况,算例数量庞大,对计算资源要求高;无法对退火炉全生命周期的热参数进行跟踪测量;仿真模型往往会过度简化,导致数值仿真结果的精度较低。
有鉴于此,本公开的实施例提供了一种优化的深度学习模型的训练方法,经训练的深度学习模型能够用于预测得到退火炉的换热特性数据。
本公开的实施例提供的深度学习模型的训练方法,基于连续热镀锌产线的工业大数据和物理信息深度学习(physics-informed deep learning)对退火炉热参数进行辨识。该方法可以适用于冶金行业的连续热镀锌退火炉智能温控、工业炉窑(熔炼炉、熔化炉、煅烧炉、加热炉、热处理炉、干燥炉、焦炉、煤气发生炉等)智能温控、石油化工反应釜智能温控、电厂加热设备智能温控、航天器设备智能热管理等。
具体地,基于连续热镀锌产线中退火炉的监测大数据,采用物理信息神经网络的建模方法,耦合深度学习与热物理微分控制方程,反演得到退火炉的换热特性数据(热物性参数、热过程参数)。该方法得到的换热特性数据能够反映退火炉当前状态下的换热特性,为退火炉炉温的精确调控和钢带速度的调控提供基础。另外,还可以基于换热特性数据为退火炉的设计改进提供依据。该方法具有成本低、精度高、能够实时跟踪退火炉换热特性变化等优势。
本公开的实施例以具有1个预热炉段和3个明火加热炉段的退火炉为例。生产过程中,钢带依次通过退火炉的预热炉段和明火加热炉段。明火加热炉段内有燃烧器,采用天然气直接加热炉膛和钢带,钢带与烟气和炉膛的换热方式包括辐射和对流。预热炉段没有燃烧器,明火加热炉段的烟气流向预热炉段,利用烟气余热对预热炉段中的钢带进行加热,钢带在预热炉段升高温度后再进入明火加热炉段进行加热,钢带在预热炉段中与烟气和炉膛的换热方式同样包括辐射和对流。下面,将介绍如何训练用于预测退火炉的换热特性数据的深度学习模型。下文中的加热装置例如包括退火炉。
示例性地,深度学习模型的训练方法包括:获取待处理数据,待处理数据包括加热装置的历史温度数据以及处于加热装置中的待加热对象的状态数据。然后,利用待训练的第一深度学习模型处理待处理数据,得到与加热装置相关联的换热特性数据和待加热对象的目标温度数据,基于物理约束条件处理待处理数据、换热特性数据和待加热对象的目标温度数据,得到目标损失值。接下来,基于目标损失值,调整待训练的第一深度学习模型的模型参数。
图1示意性示出了根据本公开一实施例的深度学习模型的训练方法的流程图。
如图1所示,本公开实施例的深度学习模型的训练方法100例如可以包括操作S110~操作S140。
在操作S110,获取待处理数据,待处理数据包括加热装置的历史温度数据以及处于加热装置中的待加热对象的状态数据。
在操作S120,利用待训练的第一深度学习模型处理待处理数据,得到与加热装置相关联的换热特性数据和待加热对象的目标温度数据。
在操作S130,基于物理约束条件处理待处理数据、换热特性数据和待加热对象的目标温度数据,得到目标损失值。
在操作S140,基于目标损失值,调整待训练的第一深度学习模型的模型参数。
示例性地,加热装置例如包括退火炉,待加热对象例如包括钢带。加热装置用于对钢带进行加热,以改变钢带的力学性能。与加热装置相关联的换热特性数据表征了加热装置的加热效果或性能,因此确定换热特性数据并基于换热特性数据可以改进加热装置的加热效果。
示例性地,可以通过训练第一深度学习模型来预测换热特性数据。第一深度学习模型例如包括神经网络模型。例如,获取用于训练第一深度学习模型的待处理数据,将待处理数据作为训练样本,待处理数据包括加热装置的历史温度数据和待加热对象的状态数据。待加热对象的状态数据例如包括待加热对象的尺寸数据、待加热对象相对于加热装置的运动速度数据。尺寸数据例如包括钢带的宽度、厚度等。
接下来,利用待训练的第一深度学习模型处理待处理数据,得到换热特性数据和待加热对象的目标温度数据,目标温度数据为第一深度学习模型预测得到的预测值。然后,基于物理约束条件处理待处理数据、预测得到的换热特性数据和预测得到的待加热对象的目标温度数据,得到第一深度学习模型的目标损失值。然后,基于目标损失值调整第一深度学习模型的模型参数,使得后续目标损失值逐渐趋近于特定值(例如零),以此实现模型的训练。
根据本公开的实施例,基于物理约束条件得到目标损失值,使得第一深度学习模型的预测结果符合物理规律,提高深度学习模型的预测准确性,使得深度学习模型输出的换热特性数据更加准确。另外,深度学习模型的输入包括加热装置的历史温度数据和待加热对象的状态数据,输出包括换热特性数据,输入数据和输出数据之间存在物理联系,使得模型的可解释性强,提高模型的预测效果。
图2示意性示出了根据本公开一实施例的深度学习模型的训练方法的原理图。
如图2所示,物理约束条件例如包括温度约束条件和能量约束条件。
在一示例中,可以通过待训练的第一深度学习模型处理待处理数据,得到待加热对象的目标温度数据和加热装置的换热特性数据,待加热对象的目标温度数据为预测值。另外,可以获取待加热对象的参考温度数据,参考温度数据例如为目标加热对象的实际测量值。然后,基于温度约束条件处理待加热对象的目标温度数据和待加热对象的参考温度数据,得到温度损失值。基于能量约束条件处理待处理数据、换热特性数据和待加热对象的目标温度数据,得到能量损失值。将温度损失值和能量损失值,确定为目标损失值。
继续参考图2,在另一示例中,加热装置例如包括退火炉,退火炉例如包括预热炉段和明火加热炉段。加热装置的历史温度数据例如与明火加热炉段相关联,例如加热装置的历史温度数据为明火加热炉段的炉膛温度。
根据本公开的实施例,还可以利用经训练的第二深度学习模型处理待处理数据,得到预热炉段的局部温度数据,局部温度数据例如为预热炉段的炉膛温度。例如,预热炉段的局部温度数据通常受到明火加热炉段的温度的影响,因此可以利用经训练的第二深度学习模型与明火加热炉段相关联的历史温度数据来预测预热炉段的局部温度数据。
在预测得到预热炉段的局部温度数据之后,可以基于物理约束条件(例如能量约束条件)处理待处理数据、换热特性数据、待加热对象的目标温度数据和预热炉段的局部温度数据,得到目标损失值(例如能量损失值)。
根据本公开的实施例,基于温度约束条件和能量约束条件来训练第一深度学习模型,使得第一深度学习模型的预测结果受到实际温度的约束以及受到能量的约束,使得第一深度学习模型的预测结果符合物理约束,提高第一深度学习模型的预测准确性。
图3示意性示出了根据本公开另一实施例的深度学习模型的训练方法的原理图。
如图3所示,加热装置例如包括退火炉,退火炉例如包括预热炉段和明火加热炉段。本公开的实施例以退火炉包括1个预热炉段和3个明火加热炉段为例进行说明。3个明火加热炉段包括第一明火加热炉段、第二明火加热炉段、第三明火加热炉段。预热炉段包括入口和出口,预热炉段的出口例如与第一明火加热炉段的入口连接,第一明火加热炉段的出口例如与第二明火加热炉段的入口连接,第二明火加热炉段的出口例如与第三明火加热炉段的入口连接。
示例性地,待处理数据包括加热装置的历史温度数据和待加热对象的状态数据,历史温度数据例如包括第一明火加热炉段的炉膛温度Tw1、第二明火加热炉段的炉膛温度Tw2、第三明火加热炉段的炉膛温度Tw3,待加热对象的状态数据包括待加热对象的宽度w、待加热对象的厚度δ、待加热对象在加热装置中运动的速度v。
待训练的第一深度学习模型例如包括多个子网络,多个子网络例如包括第一子网络M_11、第二子网络M_12、第三子网络M_13、第四子网络M_14。每个子网络例如均为独立的神经网络。经训练的第二深度学习模型M_2用于基于w、δ、v、Tw1、Tw2、Tw3预测预热炉段的局部温度数据Tw0。
示例性地,待处理数据例如还包括与加热装置相关联的位置数据。例如,以预热炉段的入口为原点,原点经由第一明火加热炉段、第二明火加热炉段、第三明火加热炉段的方向为x轴,位置数据包括x坐标,x坐标例如包括x1、x2、x3、x4、x5,x1为预热炉段的入口处(例如接近外界环境),x2为预热炉段的出口处,x3为第一明火加热炉段的出口处、x4为第二明火加热炉段的出口处,x5为第三明火加热炉段的出口处。当然x1、x2之间、x2、x3之间、x3、x4之间、x4、x5之间还具有多个位置数据。其中,位置数据包括非边界位置数据和边界位置数据,非边界位置数据例如包括x2、x3、x4,边界位置数据例如包括x1、x5。
换热特性数据例如包括加热装置的对流换热系数h、加热装置的发射率εw、待加热对象的发射率εs。
第一子网络M_11用于基于待处理数据w、δ、v、Tw1、Tw2、Tw3、位置数据x,预测得到对流换热系数h,流换热系数h为x的函数,也可以表示为h(x)。第二子网络M_12用于基于位置数据x,预测得到加热装置的发射率εw,εw为x的函数。第三子网络M_13用于基于位置数据x,预测得到待加热对象的发射率εs,εs为x的函数。
另外,第四子网络M_14用于基于待处理数据w、δ、v、Tw1、Tw2、Tw3、位置数据x,预测得到待加热对象的目标温度数据TS,TS为x的函数,也可以表示为TS(x)。
示例性地,待加热对象的参考温度数据为真实测量值,参考温度数据例如包括第一参考温度数据和第二参考温度数据,第一参考温度数据与非边界位置数据相关联。第一参考温度数据包括TS2、TS3、TS4,TS2、TS3、TS4表示待加热对象分别位于x2、x3、x4处的测量温度。第二参考温度数据与边界位置数据相关联,第二参考温度数据包括TS1、TS5,TS1、TS5表示待加热对象分别位于x1、x5处的测量温度。
示例性地,待加热对象的目标温度数据TS由待训练的第一深度学习模型(第四子网络M_14)预测得到,目标温度数据TS包括第一目标温度数据和第二目标温度数据,第一目标温度数据与非边界位置数据相关联,第二目标温度数据与边界位置数据相关联。换言之,目标温度数据TS与参考温度数据一一对应。
示例性地,温度约束条件包括第一温度约束条件L_1和第二温度约束条件L_2。第一温度约束条件L_1为非边界条件,第二温度约束条件L_2为边界条件。
例如,基于第一温度约束条件L_1,确定第一目标温度数据和第一参考温度数据TS2、TS3、TS4之间的第一差值。以第一参考温度数据TS2为例,第一参考温度数据TS2对应一个第一目标温度数据TS,第一参考温度数据TS2与对应的第一目标温度数据TS均关联于位置数据x2。第一温度约束条件L_1如公式(1)所示,f表示第一参考温度数据TS2、TS3、TS4:
L_1=TS(x)-f(x) x∈x2,x3,x4 (1)
同理,基于第二温度约束条件L_2,确定第二目标温度数据和第二参考温度数据TS1、TS5之间的第二差值。以第二参考温度数据TS1为例,第二参考温度数据TS1对应一个第一目标温度数据TS,第二参考温度数据TS1与对应的第一目标温度数据TS均关联于位置数据x1。第二温度约束条件L_2如公式(2)所示,g表示第二参考温度数据TS1、TS5:
L_2=TS(x)-g(x) x∈x1,x5 (2)
接下来,将第一差值和第二差值,确定为温度损失值。
另外,能量约束条件L_3例如如公式(3)所示:
公式(3)中的x坐标例如包括x1、x2、x3、x4、x5,以及包括x1、x2之间、x2、x3之间、x3、x4之间、x4、x5之间的多个位置数据。
公式(3)示出的能量约束条件L_3例如与待加热对象的能量微分方程相关联。能量微分方程如公式(4)所示:
由公式(4)可以得知待加热对象的目标温度数据TS是位置数据x的函数。ρ为待加热对象的密度,cp为待加热对象的比热容,v为待加热对象的运行速度,w为待加热对象的宽度,δ为待加热对象的厚度,Φr,c为待加热对象的换热量。Φr,c例如由如下公式(5)~(7)得到。
Φr,c=Φr+Φc (5)
Φc=2hw(Tw-Ts) (7)
其中,Φr为辐射换热量;Φc为对流换热量;εs为待加热对象的发射率;εw为加热装置的炉膛发射率;Tw为加热装置的炉膛温度,Tw例如包括上文的Tw0、Tw1、Tw2、Tw3;p为加热装置的炉膛内截面周长,σ为斯特藩玻尔兹曼常量(5.67×10-8W m-2K-4);h为加热装置的对流换热系数。
根据本公开的实施例,通过第一温度约束条件来约束非边界温度,通过第二温度约束条件来约束边界温度,并结合能量约束条件进行能量约束,使得第一深度学习模型的输出数据受到待加热对象的能量微分方程、待加热对象处于加热装置入口的边界条件、待加热对象处于加热装置出口的边界条件的约束,使得第一深度学习模型的预测结果满足温度约束条件和能量约束条件,预测过程无需监督数据,而是由观测量(测量值)进行模型优化,降低了模型训练的成本,提高了模型预测的准确性。
图4示意性示出了根据本公开一实施例的第二深度学习模型的训练方法的原理图。
如图4所示,第二深度学习模型例如包括子网络M_21和子网络M_22,子网络M_21和子网络M_22可以相互独立。子网络M_21基于待处理数据w、δ、v、Tw1、Tw2、Tw3进行训练,输出为预设炉段入口处的温度Tw0,in。子网络M_22基于待处理数据w、δ、v、Tw1、Tw2、Tw3进行训练,输出为预热炉段出口处的温度Tw0,out。基于入口处的预测温度Tw0,in和入口处的标签温度,以及基于出口处的预测温度Tw0,out和出口处的标签温度得到第二深度学习模型的损失值,基于损失值调整第二深度学习模型的模型参数,从而训练得到第二深度学习模型。由于预热炉段入口和出口之间的温度成线性关系,因此可以基于Tw0,in和Tw0,out得到预热炉段任意位置的局部温度数据Tw0。
本公开的实施例通过深度学习模型预测加热装置的换热特性数据,降低了确定换热特性数据过程中对人工经验的依赖,提高换热特性数据的准确性。
图5示意性示出了根据本公开一实施例的换热特性数据的确定方法的流程图。
如图5所示,本公开实施例的换热特性数据的确定方法500例如可以包括操作S510~操作S520。
在操作S510,获取待处理数据,待处理数据包括加热装置的历史温度数据以及处于加热装置中的待加热对象的状态数据。
在操作S520,利用经训练的深度学习模型处理待处理数据,得到与加热装置相关联的换热特性数据。
示例性地,经训练的深度学习模型例如与上文提及的第一深度学习模型类似。通过深度学习模型预测换热特性数据,降低了确定换热特性数据过程中人工干预的成本,提高了换热特性数据的预测准确性。
图6示意性示出了根据本公开一实施例的基于换热特性数据的控制方法的流程图。
如图6所示,本公开实施例的基于换热特性数据的控制方法600例如可以包括操作S610~操作S620。
在操作S610,获取与加热装置相关联的换热特性数据。
在操作S620,基于换热特性数据,执行以下控制操作中的至少一个:控制加热装置的温度和控制待加热对象相对于加热装置的运动状态。
示例性地,换热特性数据例如是通过深度学习模型预测得到的。换热特性数据表征了加热装置的加热性能,可以根据换热特性装置控制加热装置的加热温度,或者控制待加热对象在加热装置中的运动速度,以此提高加热装置对待加热对象的加热效果。另外,还可以根据换热特性数据对加热装置进行设计以提高加热装置的性能。
图7示意性示出了根据本公开一实施例的退火方法的流程图。
如图7所示,本公开实施例的退火方法700例如可以包括操作S710~操作S730。
在操作S710,获取与加热装置相关联的换热特性数据。
在操作S720,基于换热特性数据,确定加热装置的目标温度和待加热对象相对于加热装置的目标运动状态中的至少一个。
在操作S730,基于目标温度和目标运动状态中的至少一个,控制加热装置对待加热对象进行退火处理。
示例性地,加热装置包括退火炉,基于上文的方法得到加热装置的换热特性数据之后,可以基于换热特性数据智能地控制加热装置的温度和待加热对象在加热装置中的运动状态,运动状态包括运动速度。
例如,基于换热特性数据,确定较佳的目标温度和目标运动状态,然后基于目标温度和目标运动状态中的至少一个,控制加热装置对待加热对象进行退火处理。例如,当加热装置对待加热对象进行退火时,控制加热装置的当前温度为目标温度,还可以控制待加热对象的当前运动状态为目标运动状态,以此提高退火效果和退火效率。
图8示意性示出了根据本公开一实施例的深度学习模型的训练装置的框图。
如图8所示,本公开实施例的深度学习模型的训练装置800例如包括获取模块810、第一处理模块820、第二处理模块830和调整模块840。
获取模块810可以用于获取待处理数据,待处理数据包括加热装置的历史温度数据以及处于加热装置中的待加热对象的状态数据。根据本公开实施例,获取模块810例如可以执行上文参考图1描述的操作S110,在此不再赘述。
第一处理模块820可以用于利用待训练的第一深度学习模型处理待处理数据,得到与加热装置相关联的换热特性数据和待加热对象的目标温度数据。根据本公开实施例,第一处理模块820例如可以执行上文参考图1描述的操作S120,在此不再赘述。
第二处理模块830可以用于基于物理约束条件处理待处理数据、换热特性数据和待加热对象的目标温度数据,得到目标损失值。根据本公开实施例,第二处理模块830例如可以执行上文参考图1描述的操作S130,在此不再赘述。
调整模块840可以用于基于目标损失值,调整待训练的第一深度学习模型的模型参数。根据本公开实施例,调整模块840例如可以执行上文参考图1描述的操作S140,在此不再赘述。
根据本公开的实施例,物理约束条件包括温度约束条件和能量约束条件;其中,第二处理模块830包括:第一处理子模块、第二处理子模块和确定子模块。第一处理子模块,用于基于温度约束条件处理待加热对象的目标温度数据和待加热对象的参考温度数据,得到温度损失值;第二处理子模块,用于基于能量约束条件处理待处理数据、换热特性数据和待加热对象的目标温度数据,得到能量损失值;确定子模块,用于将温度损失值和能量损失值,确定为目标损失值。
根据本公开的实施例,待处理数据还包括:与加热装置相关联的位置数据,位置数据包括非边界位置数据和边界位置数据;待加热对象的参考温度数据包括第一参考温度数据和第二参考温度数据,第一参考温度数据与非边界位置数据相关联,第二参考温度数据与边界位置数据相关联;待加热对象的目标温度数据包括第一目标温度数据和第二目标温度数据,第一目标温度数据与非边界位置数据相关联,第二目标温度数据与边界位置数据相关联。
根据本公开的实施例,温度约束条件包括第一温度约束条件和第二温度约束条件;其中,第一处理子模块包括:第一确定单元、第二确定单元和第三确定单元。第一确定单元,用于基于第一温度约束条件,确定第一目标温度数据和第一参考温度数据之间的第一差值;第二确定单元,用于基于第二温度约束条件,确定第二目标温度数据和第二参考温度数据之间的第二差值;第三确定单元,用于将第一差值和第二差值,确定为温度损失值。
根据本公开的实施例,换热特性数据包括以下至少一个:加热装置的对流换热系数、加热装置的发射率、待加热对象的发射率;待训练的第一深度学习模型包括以下至少一个:第一子网络、第二子网络、第三子网络、第四子网络;第一子网络用于基于待处理数据,得到对流换热系数;第二子网络用于基于位置数据,得到加热装置的发射率;第三子网络用于基于位置数据,得到待加热对象的发射率;第四子网络用于基于待处理数据,得到待加热对象的目标温度数据。
根据本公开的实施例,加热装置包括预热炉段和明火加热炉段;加热装置的历史温度数据与明火加热炉段相关联;装置800还可以包括:第三处理模块,用于利用经训练的第二深度学习模型处理待处理数据,得到预热炉段的局部温度数据;其中,第二处理模块830包括:第三处理子模块,用于基于物理约束条件处理待处理数据、换热特性数据、待加热对象的目标温度数据和预热炉段的局部温度数据,得到目标损失值。
根据本公开的实施例,待加热对象的状态数据包括以下至少一个:待加热对象的尺寸数据、待加热对象相对于加热装置的运动速度数据。
图9示意性示出了根据本公开一实施例的换热特性数据的确定装置的框图。
如图9所示,本公开实施例的换热特性数据的确定装置900例如包括获取模块910以及处理模块920。
获取模块910可以用于获取待处理数据,待处理数据包括加热装置的历史温度数据以及处于加热装置中的待加热对象的状态数据。根据本公开实施例,获取模块910例如可以执行上文参考图5描述的操作S510,在此不再赘述。
处理模块920可以用于利用经训练的深度学习模型处理待处理数据,得到与加热装置相关联的换热特性数据。根据本公开实施例,处理模块920例如可以执行上文参考图5描述的操作S520,在此不再赘述。
图10示意性示出了根据本公开一实施例的基于换热特性数据的控制装置的框图。
如图10所示,本公开实施例的基于换热特性数据的控制装置1000例如包括获取模块1010以及控制模块1020。
获取模块1010可以用于获取与加热装置相关联的换热特性数据。根据本公开实施例,获取模块1010例如可以执行上文参考图6描述的操作S610,在此不再赘述。
控制模块1020可以用于基于换热特性数据,执行以下控制操作中的至少一个:控制加热装置的温度和控制待加热对象相对于加热装置的运动状态。根据本公开实施例,控制模块1020例如可以执行上文参考图6描述的操作S620,在此不再赘述。
图11示意性示出了根据本公开一实施例的退火装置的框图。
如图11所示,本公开实施例的退火装置1100例如包括获取模块1110、确定模块1120以及控制模块1130。
获取模块1110可以用于获取与加热装置相关联的换热特性数据。根据本公开实施例,获取模块1110例如可以执行上文参考图7描述的操作S710,在此不再赘述。
确定模块1120可以用于基于换热特性数据,确定加热装置的目标温度和待加热对象相对于加热装置的目标运动状态中的至少一个。根据本公开实施例,确定模块1120例如可以执行上文参考图7描述的操作S720,在此不再赘述。
控制模块1130可以用于基于目标温度和目标运动状态中的至少一个,控制加热装置对待加热对象进行退火处理。根据本公开实施例,控制模块1130例如可以执行上文参考图7描述的操作S730,在此不再赘述。
在本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供、公开和应用等处理,均符合相关法律法规的规定,采取了必要保密措施,且不违背公序良俗。
在本公开的技术方案中,在获取或采集用户个人信息之前,均获取了用户的授权或同意。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
根据本公开实施例,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,计算机指令用于使计算机执行上文所描述的深度学习模型的训练方法、换热特性数据的确定方法、基于换热特性数据的控制方法、退火方法中的至少一个。
根据本公开实施例,提供了一种计算机程序产品,包括计算机程序/指令,计算机程序/指令存储于可读存储介质和电子设备其中至少之一上,计算机程序/指令被处理器执行时实现上文所描述的深度学习模型的训练方法、换热特性数据的确定方法、基于换热特性数据的控制方法、退火方法中的至少一个。
图12是用来实现本公开实施例的用于执行深度学习模型的训练方法、换热特性数据的确定方法、基于换热特性数据的控制方法、退火方法中的至少一个的电子设备的框图。
图12示出了可以用来实施本公开实施例的示例电子设备1200的示意性框图。电子设备1200旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图12所示,设备1200包括计算单元1201,其可以根据存储在只读存储器(ROM)1202中的计算机程序或者从存储单元1208加载到随机访问存储器(RAM)1203中的计算机程序,来执行各种适当的动作和处理。在RAM 1203中,还可存储设备1200操作所需的各种程序和数据。计算单元1201、ROM 1202以及RAM 1203通过总线1204彼此相连。输入/输出(I/O)接口1205也连接至总线1204。
设备1200中的多个部件连接至I/O接口1205,包括:输入单元1206,例如键盘、鼠标等;输出单元1207,例如各种类型的显示器、扬声器等;存储单元1208,例如磁盘、光盘等;以及通信单元1209,例如网卡、调制解调器、无线通信收发机等。通信单元1209允许设备1200通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元1201可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1201的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元1201执行上文所描述的各个方法和处理,例如深度学习模型的训练方法、换热特性数据的确定方法、基于换热特性数据的控制方法、退火方法中的至少一个。例如,在一些实施例中,深度学习模型的训练方法、换热特性数据的确定方法、基于换热特性数据的控制方法、退火方法中的至少一个可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元1208。在一些实施例中,计算机程序的部分或者全部可以经由ROM 1202和/或通信单元1209而被载入和/或安装到设备1200上。当计算机程序加载到RAM 1203并由计算单元1201执行时,可以执行上文描述的深度学习模型的训练方法、换热特性数据的确定方法、基于换热特性数据的控制方法、退火方法中的至少一个方法的一个或多个步骤。备选地,在其他实施例中,计算单元1201可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行深度学习模型的训练方法、换热特性数据的确定方法、基于换热特性数据的控制方法、退火方法中的至少一个。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程深度学习模型的训练装置、换热特性数据的确定装置、基于换热特性数据的控制装置、退火装置中的至少一个的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。