CN115896817B - 氟氮混合气的生产方法及其系统 - Google Patents
氟氮混合气的生产方法及其系统 Download PDFInfo
- Publication number
- CN115896817B CN115896817B CN202310215433.8A CN202310215433A CN115896817B CN 115896817 B CN115896817 B CN 115896817B CN 202310215433 A CN202310215433 A CN 202310215433A CN 115896817 B CN115896817 B CN 115896817B
- Authority
- CN
- China
- Prior art keywords
- vector
- electrolysis temperature
- gaussian
- feature
- state
- 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
Links
- YPDSOAPSWYHANB-UHFFFAOYSA-N [N].[F] Chemical compound [N].[F] YPDSOAPSWYHANB-UHFFFAOYSA-N 0.000 title claims abstract description 68
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 66
- 239000007789 gas Substances 0.000 title abstract description 25
- 238000005868 electrolysis reaction Methods 0.000 claims abstract description 257
- 239000003792 electrolyte Substances 0.000 claims abstract description 130
- 238000012544 monitoring process Methods 0.000 claims abstract description 121
- 230000008859 change Effects 0.000 claims abstract description 47
- 239000013598 vector Substances 0.000 claims description 352
- 238000009826 distribution Methods 0.000 claims description 112
- 239000011159 matrix material Substances 0.000 claims description 98
- 239000000203 mixture Substances 0.000 claims description 54
- 238000010586 diagram Methods 0.000 claims description 36
- 238000013527 convolutional neural network Methods 0.000 claims description 32
- 230000004043 responsiveness Effects 0.000 claims description 32
- 238000012545 processing Methods 0.000 claims description 25
- 238000003062 neural network model Methods 0.000 claims description 24
- 230000004044 response Effects 0.000 claims description 21
- 238000000605 extraction Methods 0.000 claims description 15
- 230000003247 decreasing effect Effects 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000011176 pooling Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 8
- 239000000284 extract Substances 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- 230000003213 activating effect Effects 0.000 claims description 4
- 238000000034 method Methods 0.000 abstract description 26
- 238000013135 deep learning Methods 0.000 abstract description 14
- 238000013507 mapping Methods 0.000 abstract description 10
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 15
- 230000008569 process Effects 0.000 description 14
- 238000004590 computer program Methods 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 9
- 239000000243 solution Substances 0.000 description 9
- 238000002360 preparation method Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000005065 mining Methods 0.000 description 5
- YCKRFDGAMUMZLT-UHFFFAOYSA-N Fluorine atom Chemical compound [F] YCKRFDGAMUMZLT-UHFFFAOYSA-N 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000000875 corresponding effect Effects 0.000 description 4
- 239000008151 electrolyte solution Substances 0.000 description 4
- 229910052731 fluorine Inorganic materials 0.000 description 4
- 239000011737 fluorine Substances 0.000 description 4
- 230000017525 heat dissipation Effects 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000002411 adverse Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 229910001873 dinitrogen Inorganic materials 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000013519 translation Methods 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- ASZZHBXPMOVHCU-UHFFFAOYSA-N 3,9-diazaspiro[5.5]undecane-2,4-dione Chemical compound C1C(=O)NC(=O)CC11CCNCC1 ASZZHBXPMOVHCU-UHFFFAOYSA-N 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Landscapes
- Electrolytic Production Of Non-Metals, Compounds, Apparatuses Therefor (AREA)
Abstract
一种氟氮混合气的生产方法及其系统，其获取预定时间段内多个预定时间点的电解温度值以及由摄像头采集的预定时间段的电解液的状态监控视频；采用基于深度学习的人工智能技术，建立电解液的状态时序变化与电解温度的时序变化间的映射关系，基于电解液的状态实际变化情况来实时准确地对于电解温度值进行自适应控制，以优化电解效率和质量。
Description
技术领域
本申请涉及智能化生产技术领域，并且更具体地，涉及一种氟氮混合气的生产方法及其系统。
背景技术
氟气是一种非常活泼的非金属元素，其具有极强的腐蚀性和氧化性，在化工领域中为了增强氟气的使用安全性，可配制高纯氟气与氮气的混合气。
在使用电解法来制备高纯氟气与氮气的混合气时，现有氟氮混合气的制备设备中需要人工进行电解质的添加，这不仅会增强工作人员的工作强度，降低制备效率，而且使得氟氮混合气的制备质量也难以保证。并且，在电解过程中产生的热量也很难散发出去，从而影响电解质量。
针对上述问题，中国专利CN114561657A揭露了一种氟氮混合气的生产工艺，其通过将电解质氟化氢钾和HF气体进行混合配制为KF·2HF电解液来进行氟氮混合气的制备。在制备过程中，热组件带走电解产生的热量，以在通过电解质自动添加来优化制备效率的同时，避免电解过程中产生的热量对电解产生不良影响。
但是，在实际制备过程中，由于电解过程是放热过程，并且其在各个阶段所放的热量不同，若只是通过换热组件将电解产生的热量进行散热来达到降温的目的，这种散热方案没有考虑到电解的实际状态变化，导致散热控制与实际电解情况不适配，使得电解的效率和质量难以被可控地优化。
因此，期望一种优化的氟氮混合气的生产方案。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种氟氮混合气的生产方法及其系统，其获取预定时间段内多个预定时间点的电解温度值以及由摄像头采集的预定时间段的电解液的状态监控视频；采用基于深度学习的人工智能技术，建立电解液的状态时序变化与电解温度的时序变化间的映射关系，基于电解液的状态实际变化情况来实时准确地对于电解温度值进行自适应控制，以优化电解效率和质量。
第一方面，提供了一种氟氮混合气的生产系统，其包括：数据采集模块，用于获取预定时间段内多个预定时间点的电解温度值以及由摄像头采集的所述预定时间段的电解液的状态监控视频；关键帧提取模块，用于从所述电解液的状态监控视频提取多个电解液的状态监控关键帧；图像特征提取模块，用于将所述多个电解液的状态监控关键帧分别通过作为过滤器的第一卷积神经网络模型以得到多个状态监控特征向量；图像时序关联编码模块，用于将所述多个状态监控特征向量排列为一维特征向量后通过使用一维卷积核的第二卷积神经网络模型以得到状态时序关联特征向量；电解温度时序变化模块，用于将所述多个预定时间点的电解温度值按照时间维度排列为电解温度输入向量后通过包含一维卷积层和全连接层的时序编码器以得到电解温度特征向量；响应性估计模块，用于计算所述状态时序关联特征向量相对于所述电解温度特征向量的响应性估计以得到分类特征矩阵；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电解温度值应增大或应减小。
在上述氟氮混合气的生产系统中，所述关键帧提取模块，用于：以预定采样频率对所述电解液的状态监控视频进行关键帧采样，以从所述电解液的状态监控视频提取多个电解液的状态监控关键帧。
在上述氟氮混合气的生产系统中，所述图像特征提取模块，用于：使用所述作为过滤器的第一卷积神经网络模型的各层分别对输入数据进行：对所述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，所述作为过滤器的第一卷积神经网络模型的最后一层的输出为所述多个状态监控特征向量，所述作为过滤器的第一卷积神经网络模型的第一层的输入为所述多个电解液的状态监控关键帧。
在上述氟氮混合气的生产系统中，所述图像时序关联编码模块，用于：使用一维卷积核的第二卷积神经网络模型的各层分别对输入数据进行基于一维卷积核的卷积处理、基于特征矩阵的均值池化处理和激活处理以由所述使用一维卷积核的第二卷积神经网络模型的最后一层的输出为所述状态时序关联特征向量，其中，所述使用一维卷积核的第二卷积神经网络模型的第一层的输入为所述一维特征向量。
在上述氟氮混合气的生产系统中，所述电解温度时序变化模块，包括：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分别对所述电解温度输入向量进行全连接编码以分别提取出所述电解温度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/>
是所述电解温度输入向量，/>
是电解温度输出向量，/>
是权重矩阵，/>
是偏置向量，/>
表示矩阵乘法；以及，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分别对所述电解温度输入向量进行一维卷积编码以分别提取出所述电解温度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：/>
其中，a为卷积核在x方向上的宽度、
为卷积核参数向量、/>
为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸，/>
表示所述电解温度输入向量。
在上述氟氮混合气的生产系统中，所述响应性估计模块，包括：联合高斯密度图构造单元，用于计算所述状态时序关联特征向量和所述电解温度特征向量的联合高斯密度图，所述联合高斯密度图的均值向量为所述状态时序关联特征向量和所述电解温度特征向量之间的按位置均值向量，所述联合高斯密度图的协方差矩阵为所述状态时序关联特征向量和所述电解温度特征向量的按位置方差构成的协方差矩阵；加权因数计算单元，用于分别计算所述状态时序关联特征向量和所述电解温度特征向量与所述联合高斯密度图的高斯概率密度分布距离指数以得到第一高斯概率密度分布距离指数和第二高斯概率密度分布距离指数；加权优化单元，用于以所述第一高斯概率密度分布距离指数和所述第二高斯概率密度分布距离指数分别作为权重，对所述状态时序关联特征向量和所述电解温度特征向量进行加权以得到校正后状态时序关联特征向量和校正后电解温度特征向量；高斯密度图优化单元，用于构造所述校正后状态时序关联特征向量和所述校正后电解温度特征向量的高斯密度图以得到第一高斯密度图和第二高斯密度图；响应性估计单元，用于计算所述第一高斯密度图相对于所述第二高斯密度图的响应性估计以得到响应性高斯密度图；以及，高斯离散化单元，用于对所述响应性高斯密度图中各个位置的高斯分布进行高斯离散化以得到所述分类特征矩阵。
在上述氟氮混合气的生产系统中，所述联合高斯密度图构造单元，用于：使用如下公式计算所述状态时序关联特征向量和所述电解温度特征向量的联合高斯密度图；其中，所述公式为：
，其中，/>
表示所述状态时序关联特征向量和所述电解温度特征向量之间的按位置均值向量，且/>
的每个位置的值表示所述状态时序关联特征向量和所述电解温度特征向量中各个位置的特征值之间的方差，/>
表示所述联合高斯密度图的变量，
表示所述联合高斯密度图的高斯概率密度函数。
在上述氟氮混合气的生产系统中，所述加权因数计算单元，进一步用于：以如下公式分别计算所述状态时序关联特征向量和所述电解温度特征向量与所述联合高斯密度图的高斯概率密度分布距离指数以得到所述第一高斯概率密度分布距离指数和所述第二高斯概率密度分布距离指数；其中，所述公式为：
其中，
和/>
分别是所述状态时序关联特征向量和所述电解温度特征向量，
和/>
是所述联合高斯密度图的均值向量和协方差矩阵，所述状态时序关联特征向量和所述电解温度特征向量均为列向量形式，/>
表示矩阵的指数运算，所述矩阵的指数运算表示以矩阵中各个位置的特征值为幂的自然指数函数值，/>
表示按位置减法，/>
表示矩阵乘法，/>
和/>
分别表示所述第一高斯概率密度分布距离指数和所述第二高斯概率密度分布距离指数。
在上述氟氮混合气的生产系统中，所述响应性估计单元，用于：以如下公式计算所述第一高斯密度图相对于所述第二高斯密度图的响应性估计以得到响应性高斯密度图；其中，所述公式为：
，其中，/>
表示所述响应性高斯密度图的均值向量，/>
表示所述响应性高斯密度图的协方差矩阵，/>
表示所述第二高斯密度图的均值向量，/>
表示所述第二高斯密度图的协方差矩阵，/>
表示所述第一高斯密度图的均值向量，/>
表示所述第一高斯密度图的协方差矩阵，/>
表示向量点乘，/>
表示对向量的每个位置的值取倒数，且/>
表示矩阵乘法，/>
表示所述响应性高斯密度图的变量，/>
表示所述响应性高斯密度图的高斯概率密度函数。
第二方面，提供了一种氟氮混合气的生产方法，其包括：获取预定时间段内多个预定时间点的电解温度值以及由摄像头采集的所述预定时间段的电解液的状态监控视频；从所述电解液的状态监控视频提取多个电解液的状态监控关键帧；将所述多个电解液的状态监控关键帧分别通过作为过滤器的第一卷积神经网络模型以得到多个状态监控特征向量；将所述多个状态监控特征向量排列为一维特征向量后通过使用一维卷积核的第二卷积神经网络模型以得到状态时序关联特征向量；将所述多个预定时间点的电解温度值按照时间维度排列为电解温度输入向量后通过包含一维卷积层和全连接层的时序编码器以得到电解温度特征向量；计算所述状态时序关联特征向量相对于所述电解温度特征向量的响应性估计以得到分类特征矩阵；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电解温度值应增大或应减小。
与现有技术相比，本申请提供的氟氮混合气的生产方法及其系统，其获取预定时间段内多个预定时间点的电解温度值以及由摄像头采集的预定时间段的电解液的状态监控视频；采用基于深度学习的人工智能技术，建立电解液的状态时序变化与电解温度的时序变化间的映射关系，基于电解液的状态实际变化情况来实时准确地对于电解温度值进行自适应控制，以优化电解效率和质量。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为根据本申请实施例的氟氮混合气的生产系统的应用场景图。
图2为根据本申请实施例的氟氮混合气的生产系统的框图。
图3为根据本申请实施例的氟氮混合气的生产系统中所述电解温度时序变化模块的框图。
图4为根据本申请实施例的氟氮混合气的生产系统中所述响应性估计模块的框图。
图5为根据本申请实施例的氟氮混合气的生产方法的流程图。
图6为根据本申请实施例的氟氮混合气的生产方法的系统架构的示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
除非另有说明，本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的，不是旨在限制本申请的范围。
在本申请实施例记载中，需要说明的是，除非另有说明和限定，术语“连接”应做广义理解，例如，可以是电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
需要说明的是，本申请实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换，以使这里描述的本申请的实施例可以除了在这里图示或描述的那些以外的顺序实施。
如上所述，中国专利CN114561657A揭露的一种氟氮混合气的生产工艺在实际制备过程中发现，由于电解过程是放热过程，并且其在各个阶段所放的热量不同，若只是通过换热组件将电解产生的热量进行散热来达到降温的目的，这种散热方案没有考虑到电解的实际状态变化，导致散热控制与实际电解情况不适配，使得电解的效率和质量难以被可控地优化。因此，期望一种优化的氟氮混合气的生产方案。
相应地，考虑到在实际通过换热组件进行电解散热时，应基于电解的实际变化情况来进行电解温度的实时散热控制，也就是说，对于电解温度的控制应适配于电解液的状态变化特征。具体地，对于电解温度的状态变化特征信息的提取可以通过对于电解液的状态监控视频的分析来实现，但是，由于所述电解液的状态监控视频中有关于电解液的状态特征信息在时间维度上具有着动态性的变化规律，并且该所述电解液的状态变化特征在监控视频中为小尺度的隐含特征，难以进行捕捉获取。因此，在此过程中，难点在于如何建立所述电解液的状态时序变化与所述电解温度的时序变化间的映射关系，以此来基于电解液的状态实际变化情况来实时准确地对于电解温度值进行自适应控制，以优化电解效率和质量。
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，也展现出了接近人类的水平。
深度学习以及神经网络的发展为挖掘所述电解液的状态时序变化与所述电解温度的时序变化之间的复杂映射关系提供了新的解决思路和方案。本领域普通技术人员应知晓，基于深度学习的深度神经网络模型可以通过适当的训练策略，例如通过梯度下降的反向传播算法来调整所述深度神经网络模型的参数以使之能够模拟事物之间的复杂的非线性关联，而这显然适合于模拟并建立所述电解液的状态时序变化与所述电解温度的时序变化之间的复杂映射关系。
具体地，在本申请的技术方案中，首先，获取预定时间段内多个预定时间点的电解温度值以及由摄像头采集的所述预定时间段的电解液的状态监控视频。接着，考虑到所述电解液的状态监控视频中，关于所述电解液的状态变化特征可以通过所述电解液的状态监控视频中相邻监控帧之间的差分来表示，也就是，通过相邻图像帧的图像表征来表示所述电解液的状态时序变化情况。但是，考虑到监控视频中相邻帧的差异较小，存在大量数据冗余，因此，为了降低计算量，且避免数据冗余给检测带来的不良影响，以预定采样频率对所述电解液的状态监控视频进行关键帧采样，以从所述电解液的状态监控视频提取多个电解液的状态监控关键帧。
然后，考虑到由于所述电解液的状态监控关键帧为图像数据，因此，使用在图像的隐含特征提取方面具有优异表现的作为过滤器的第一卷积神经网络模型来进行所述多个电解液的状态监控关键帧的特征挖掘，以分别提取出所述各个电解液的状态监控关键帧中关于电解液状态的隐含特征分布信息，从而得到多个状态监控特征向量。
接着，还考虑到由于所述电解液的状态特征在时间维度上具有着动态性的变化规律，也就是说，所述各个状态监控特征向量中有关于电解液的状态隐含特征信息间具有着时序的关联性关系。因此，在本申请的技术方案中，为了能够充分且准确地挖掘出所述电解液的状态时序变化特征信息，进一步将所述多个状态监控特征向量排列为一维特征向量后通过使用一维卷积核的第二卷积神经网络模型中进行处理，以提取出所述各个电解液的状态监控关键帧中关于电解液的状态隐含特征在时间维度上的时序关联特征分布信息，从而得到状态时序关联特征向量。
进一步地，对于所述多个预定时间点的电解温度值，考虑到所述电解温度值在时间维度上也具有着动态性的变化规律，其在所述预定时间段内的各个预定时间点的温度值之间具有着时序的关联关系，因此，为了挖掘出所述电解温度值的时序动态变化特征信息，在本申请的技术方案中，将所述多个预定时间点的电解温度值按照时间维度排列为电解温度输入向量后通过包含一维卷积层和全连接层的时序编码器以得到电解温度特征向量。特别地，这里，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，其通过一维卷积层进行一维卷积编码来提取出所述电解温度值在时序维度上的关联特征，以及通过全连接层进行全连接编码来提取所述电解温度值的高维隐含特征。
接着，进一步计算所述状态时序关联特征向量相对于所述电解温度特征向量的响应性估计，以此来表示所述电解液的状态时序关联特征与所述电解温度值的时序动态特征间的关联性特征分布信息，并以此作为分类特征矩阵。
特别地，考虑到所述电解液的状态隐含特征信息和所述电解温度值在时间维度上都存在波动性和不确定性，因此为了提高对于所述电解温度值的控制精准度，需要在高维特征空间中对于所述电解液的状态时序关联特征与所述电解温度值的时序动态特征进行数据增强。应可以理解，作为神经网络模型的学习目标，高斯密度图可以表示特征分布的单个特征值由于其概率密度而在多个特征值构成整体分布情况下的联合分布，也就是，以特征分布作为先验分布，来获得每个先验分布位置下由于其它先验分布位置的相关性作用下的概率密度以作为后验分布，从而在更高维度上更准确地描述特征分布。因此，在本申请的技术方案中，可以通过所述电解液的状态隐含特征信息和所述电解温度值的先验分布，即高斯分布，来对于所述电解液的状态时序关联特征与所述电解温度值的时序动态特征进行数据增强。
具体地，首先，分别构造所述状态时序关联特征向量和所述电解温度特征向量的高斯密度图以得到状态时序关联高斯密度图和电解温度高斯密度图；接着，就可以计算所述时序关联高斯密度图相对于所述电解温度高斯密度图的响应性估计，以此来表示所述电解液的状态时序关联特征与所述电解温度值的时序动态特征间的关联性特征分布信息，从而得到关联高斯密度图；然后，再对于所述关联高斯密度图进行高斯离散化处理，以在数据特征增广时不产生信息损失，从而得到分类特征向量。
然后，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电解温度值应增大或应减小的分类结果。也就是，在本申请的技术方案中，所述分类器的标签包括当前时间点的电解温度值应增大(第一标签)，以及，当前时间点的电解温度值应减小(第二标签），其中，所述分类器通过软最大值函数来确定所述分类特征矩阵属于哪个分类标签。应可以理解，在本申请的技术方案中，所述分类器的分类标签为电解温度值控制策略标签，因此，在得到所述分类结果后，可基于所述分类结果来自适应地调整当前时间点的电解温度值，以此来优化电解效率和质量。
这里，在基于高斯密度图计算所述状态时序关联特征向量相对于所述电解温度特征向量的响应性估计得到所述分类特征矩阵时，考虑到所述状态时序关联特征向量表达状态监控关键帧的图像语义的时序关联，而所述电解温度特征向量表达电解温的时序关联特征分布，虽然两者都基本遵循时序分布，但所述状态时序关联特征向量既包含每个状态监控关键帧的帧内语义分布，又包括各个状态监控关键帧的帧间语义分布，这使得其特征分布并不严格与所述电解温度特征向量的时序关联分布一致。由此，两者的高斯概率密度分布在高斯密度图的响应性估计在计算目标维度上就会存在一致性和相关性差的问题，从而影响基于高斯密度图的响应性估计计算的准确性，降低了所述分类特征矩阵通过分类器得到的分类结果的准确性。
因此，首先计算所述状态时序关联特征向量和所述电解温度特征向量的联合高斯密度图，并进一步计算所述状态时序关联特征向量和所述电解温度特征向量与所述联合高斯密度图的高斯概率密度分布距离指数，表示为：
其中，
和/>
分别是所述状态时序关联特征向量和所述电解温度特征向量，
和/>
是联合高斯密度图的均值向量和协方差矩阵，即/>
表示所述状态时序关联特征向量和所述电解温度特征向量的均值向量，且/>
表示所述状态时序关联特征向量和所述电解温度特征向量的按位置方差构成的协方差矩阵，其中，向量均为列向量形式。
因此，通过计算所述状态时序关联特征向量和所述电解温度特征向量分别与其相应的联合高斯密度图的高斯概率密度分布距离指数，可以表示目标特征向量的特征分布相对于联合高斯概率密度分布的特征分布距离，通过以其分别对于所述状态时序关联特征向量和所述电解温度特征向量进行加权，就可以提高目标特征向量到高斯概率密度在目标域上的概率密度联合分布相关迁移的兼容性，从而提升其高斯概率密度分布在高斯密度图的响应性估计计算目标维度上的一致性和相关性，也就改进了所述分类特征矩阵通过分类器得到的分类结果的准确性。这样，能够实时准确地基于电解液的状态实际变化情况来对于电解温度值进行自适应控制，以优化电解效率和质量。
图1为根据本申请实施例的氟氮混合气的生产系统的应用场景图。如图1所示，在该应用场景中，首先，获取预定时间段内多个预定时间点的电解温度值（例如，如图1中所示意的C1）以及由摄像头采集的所述预定时间段的电解液的状态监控视频（例如，如图1中所示意的C2）；然后，将获取的电解温度值和电解液的状态监控视频输入至部署有氟氮混合气的生产算法的服务器（例如，如图1中所示意的S）中，其中所述服务器能够基于氟氮混合气的生产算法对所述电解温度值和所述电解液的状态监控视频进行处理，以生成用于表示当前时间点的电解温度值应增大或应减小的分类结果。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
在本申请的一个实施例中，图2为根据本申请实施例的氟氮混合气的生产系统的框图。如图2所示，根据本申请实施例的氟氮混合气的生产系统100，包括：数据采集模块110，用于获取预定时间段内多个预定时间点的电解温度值以及由摄像头采集的所述预定时间段的电解液的状态监控视频；关键帧提取模块120，用于从所述电解液的状态监控视频提取多个电解液的状态监控关键帧；图像特征提取模块130，用于将所述多个电解液的状态监控关键帧分别通过作为过滤器的第一卷积神经网络模型以得到多个状态监控特征向量；图像时序关联编码模块140，用于将所述多个状态监控特征向量排列为一维特征向量后通过使用一维卷积核的第二卷积神经网络模型以得到状态时序关联特征向量；电解温度时序变化模块150，用于将所述多个预定时间点的电解温度值按照时间维度排列为电解温度输入向量后通过包含一维卷积层和全连接层的时序编码器以得到电解温度特征向量；响应性估计模块160，用于计算所述状态时序关联特征向量相对于所述电解温度特征向量的响应性估计以得到分类特征矩阵；以及，控制结果生成模块170，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电解温度值应增大或应减小。
具体地，在本申请实施例中，所述数据采集模块110，用于获取预定时间段内多个预定时间点的电解温度值以及由摄像头采集的所述预定时间段的电解液的状态监控视频。相应地，考虑到在实际通过换热组件进行电解散热时，应基于电解的实际变化情况来进行电解温度的实时散热控制，也就是说，对于电解温度的控制应适配于电解液的状态变化特征。具体地，对于电解温度的状态变化特征信息的提取可以通过对于电解液的状态监控视频的分析来实现，但是，由于所述电解液的状态监控视频中有关于电解液的状态特征信息在时间维度上具有着动态性的变化规律，并且该所述电解液的状态变化特征在监控视频中为小尺度的隐含特征，难以进行捕捉获取。因此，在此过程中，难点在于如何建立所述电解液的状态时序变化与所述电解温度的时序变化间的映射关系，以此来基于电解液的状态实际变化情况来实时准确地对于电解温度值进行自适应控制，以优化电解效率和质量。
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，也展现出了接近人类的水平。
深度学习以及神经网络的发展为挖掘所述电解液的状态时序变化与所述电解温度的时序变化之间的复杂映射关系提供了新的解决思路和方案。本领域普通技术人员应知晓，基于深度学习的深度神经网络模型可以通过适当的训练策略，例如通过梯度下降的反向传播算法来调整所述深度神经网络模型的参数以使之能够模拟事物之间的复杂的非线性关联，而这显然适合于模拟并建立所述电解液的状态时序变化与所述电解温度的时序变化之间的复杂映射关系。
具体地，在本申请的技术方案中，首先，获取预定时间段内多个预定时间点的电解温度值以及由摄像头采集的所述预定时间段的电解液的状态监控视频。
具体地，在本申请实施例中，所述关键帧提取模块120，用于从所述电解液的状态监控视频提取多个电解液的状态监控关键帧。接着，考虑到所述电解液的状态监控视频中，关于所述电解液的状态变化特征可以通过所述电解液的状态监控视频中相邻监控帧之间的差分来表示，也就是，通过相邻图像帧的图像表征来表示所述电解液的状态时序变化情况。但是，考虑到监控视频中相邻帧的差异较小，存在大量数据冗余，因此，为了降低计算量，且避免数据冗余给检测带来的不良影响，以预定采样频率对所述电解液的状态监控视频进行关键帧采样，以从所述电解液的状态监控视频提取多个电解液的状态监控关键帧。
具体地，在本申请实施例中，所述图像特征提取模块130，用于将所述多个电解液的状态监控关键帧分别通过作为过滤器的第一卷积神经网络模型以得到多个状态监控特征向量。然后，考虑到由于所述电解液的状态监控关键帧为图像数据，因此，使用在图像的隐含特征提取方面具有优异表现的作为过滤器的第一卷积神经网络模型来进行所述多个电解液的状态监控关键帧的特征挖掘，以分别提取出所述各个电解液的状态监控关键帧中关于电解液状态的隐含特征分布信息，从而得到多个状态监控特征向量。
其中，所述图像特征提取模块，用于：使用所述作为过滤器的第一卷积神经网络模型的各层分别对输入数据进行：对所述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，所述作为过滤器的第一卷积神经网络模型的最后一层的输出为所述多个状态监控特征向量，所述作为过滤器的第一卷积神经网络模型的第一层的输入为所述多个电解液的状态监控关键帧。
卷积神经网络(Convolutional Neural Network，CNN)是一种人工神经网络，在图像识别等领域有着广泛的应用。卷积神经网络可以包括输入层、隐藏层和输出层，其中，隐藏层可以包括卷积层、池化(pooling)层、激活层和全连接层等，上一层根据输入的数据进行相应的运算，将运算结果输出给下一层，输入的初始数据经过多层的运算之后得到输出数据，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，也展现出了接近人类的水平。深度学习以及神经网络的发展为挖掘所述电解液的状态隐含特征的关联性特征分布信息提供了新的解决思路和方案。
具体地，在本申请实施例中，所述图像时序关联编码模块140，用于将所述多个状态监控特征向量排列为一维特征向量后通过使用一维卷积核的第二卷积神经网络模型以得到状态时序关联特征向量。接着，还考虑到由于所述电解液的状态特征在时间维度上具有着动态性的变化规律，也就是说，所述各个状态监控特征向量中有关于电解液的状态隐含特征信息间具有着时序的关联性关系。
因此，在本申请的技术方案中，为了能够充分且准确地挖掘出所述电解液的状态时序变化特征信息，进一步将所述多个状态监控特征向量排列为一维特征向量后通过使用一维卷积核的第二卷积神经网络模型中进行处理，以提取出所述各个电解液的状态监控关键帧中关于电解液的状态隐含特征在时间维度上的时序关联特征分布信息，从而得到状态时序关联特征向量。
其中，所述图像时序关联编码模块，用于：使用一维卷积核的第二卷积神经网络模型的各层分别对输入数据进行基于一维卷积核的卷积处理、基于特征矩阵的均值池化处理和激活处理以由所述使用一维卷积核的第二卷积神经网络模型的最后一层的输出为所述状态时序关联特征向量，其中，所述使用一维卷积核的第二卷积神经网络模型的第一层的输入为所述一维特征向量。
具体地，在本申请实施例中，所述电解温度时序变化模块150，用于将所述多个预定时间点的电解温度值按照时间维度排列为电解温度输入向量后通过包含一维卷积层和全连接层的时序编码器以得到电解温度特征向量。进一步地，对于所述多个预定时间点的电解温度值，考虑到所述电解温度值在时间维度上也具有着动态性的变化规律，其在所述预定时间段内的各个预定时间点的温度值之间具有着时序的关联关系。
因此，为了挖掘出所述电解温度值的时序动态变化特征信息，在本申请的技术方案中，将所述多个预定时间点的电解温度值按照时间维度排列为电解温度输入向量后通过包含一维卷积层和全连接层的时序编码器以得到电解温度特征向量。特别地，这里，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，其通过一维卷积层进行一维卷积编码来提取出所述电解温度值在时序维度上的关联特征，以及通过全连接层进行全连接编码来提取所述电解温度值的高维隐含特征。
图3为根据本申请实施例的氟氮混合气的生产系统中所述电解温度时序变化模块的框图，如图3所示，所述电解温度时序变化模块150，包括：全连接编码单元151，用于使用所述时序编码器的全连接层以如下公式分别对所述电解温度输入向量进行全连接编码以分别提取出所述电解温度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/>
是所述电解温度输入向量，/>
是电解温度输出向量，/>
是权重矩阵，/>
是偏置向量，/>
表示矩阵乘法；以及，一维卷积编码单元152，用于使用所述时序编码器的一维卷积层以如下公式分别对所述电解温度输入向量进行一维卷积编码以分别提取出所述电解温度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：
其中，a为卷积核在x方向上的宽度、
为卷积核参数向量、/>
为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸，/>
表示所述电解温度输入向量。
具体地，在本申请实施例中，所述响应性估计模块160，用于计算所述状态时序关联特征向量相对于所述电解温度特征向量的响应性估计以得到分类特征矩阵。接着，进一步计算所述状态时序关联特征向量相对于所述电解温度特征向量的响应性估计，以此来表示所述电解液的状态时序关联特征与所述电解温度值的时序动态特征间的关联性特征分布信息，并以此作为分类特征矩阵。
图4为根据本申请实施例的氟氮混合气的生产系统中所述响应性估计模块的框图，如图4所示，所述响应性估计模块160，包括：联合高斯密度图构造单元161，用于计算所述状态时序关联特征向量和所述电解温度特征向量的联合高斯密度图，所述联合高斯密度图的均值向量为所述状态时序关联特征向量和所述电解温度特征向量之间的按位置均值向量，所述联合高斯密度图的协方差矩阵为所述状态时序关联特征向量和所述电解温度特征向量的按位置方差构成的协方差矩阵；加权因数计算单元162，用于分别计算所述状态时序关联特征向量和所述电解温度特征向量与所述联合高斯密度图的高斯概率密度分布距离指数以得到第一高斯概率密度分布距离指数和第二高斯概率密度分布距离指数；加权优化单元163，用于以所述第一高斯概率密度分布距离指数和所述第二高斯概率密度分布距离指数分别作为权重，对所述状态时序关联特征向量和所述电解温度特征向量进行加权以得到校正后状态时序关联特征向量和校正后电解温度特征向量；高斯密度图优化单元164，用于构造所述校正后状态时序关联特征向量和所述校正后电解温度特征向量的高斯密度图以得到第一高斯密度图和第二高斯密度图；响应性估计单元165，用于计算所述第一高斯密度图相对于所述第二高斯密度图的响应性估计以得到响应性高斯密度图；以及，高斯离散化单元166，用于对所述响应性高斯密度图中各个位置的高斯分布进行高斯离散化以得到所述分类特征矩阵。
特别地，考虑到所述电解液的状态隐含特征信息和所述电解温度值在时间维度上都存在波动性和不确定性，因此为了提高对于所述电解温度值的控制精准度，需要在高维特征空间中对于所述电解液的状态时序关联特征与所述电解温度值的时序动态特征进行数据增强。应可以理解，作为神经网络模型的学习目标，高斯密度图可以表示特征分布的单个特征值由于其概率密度而在多个特征值构成整体分布情况下的联合分布，也就是，以特征分布作为先验分布，来获得每个先验分布位置下由于其它先验分布位置的相关性作用下的概率密度以作为后验分布，从而在更高维度上更准确地描述特征分布。因此，在本申请的技术方案中，可以通过所述电解液的状态隐含特征信息和所述电解温度值的先验分布，即高斯分布，来对于所述电解液的状态时序关联特征与所述电解温度值的时序动态特征进行数据增强。
具体地，首先，分别构造所述状态时序关联特征向量和所述电解温度特征向量的高斯密度图以得到状态时序关联高斯密度图和电解温度高斯密度图；接着，就可以计算所述时序关联高斯密度图相对于所述电解温度高斯密度图的响应性估计，以此来表示所述电解液的状态时序关联特征与所述电解温度值的时序动态特征间的关联性特征分布信息，从而得到关联高斯密度图；然后，再对于所述关联高斯密度图进行高斯离散化处理，以在数据特征增广时不产生信息损失，从而得到分类特征向量。
其中，所述联合高斯密度图构造单元，用于：使用如下公式计算所述状态时序关联特征向量和所述电解温度特征向量的联合高斯密度图；其中，所述公式为：
，其中，/>
表示所述状态时序关联特征向量和所述电解温度特征向量之间的按位置均值向量，且/>
的每个位置的值表示所述状态时序关联特征向量和所述电解温度特征向量中各个位置的特征值之间的方差，/>
表示所述联合高斯密度图的变量，/>
表示所述联合高斯密度图的高斯概率密度函数。
这里，在基于高斯密度图计算所述状态时序关联特征向量相对于所述电解温度特征向量的响应性估计得到所述分类特征矩阵时，考虑到所述状态时序关联特征向量表达状态监控关键帧的图像语义的时序关联，而所述电解温度特征向量表达电解温的时序关联特征分布，虽然两者都基本遵循时序分布，但所述状态时序关联特征向量既包含每个状态监控关键帧的帧内语义分布，又包括各个状态监控关键帧的帧间语义分布，这使得其特征分布并不严格与所述电解温度特征向量的时序关联分布一致。由此，两者的高斯概率密度分布在高斯密度图的响应性估计在计算目标维度上就会存在一致性和相关性差的问题，从而影响基于高斯密度图的响应性估计计算的准确性，降低了所述分类特征矩阵通过分类器得到的分类结果的准确性。
因此，首先计算所述状态时序关联特征向量和所述电解温度特征向量的联合高斯密度图，并进一步计算所述状态时序关联特征向量和所述电解温度特征向量与所述联合高斯密度图的高斯概率密度分布距离指数，也就是，以如下公式分别计算所述状态时序关联特征向量和所述电解温度特征向量与所述联合高斯密度图的高斯概率密度分布距离指数以得到所述第一高斯概率密度分布距离指数和所述第二高斯概率密度分布距离指数；其中，所述公式为：
其中，
和/>
分别是所述状态时序关联特征向量和所述电解温度特征向量，
和/>
是所述联合高斯密度图的均值向量和协方差矩阵，所述状态时序关联特征向量和所述电解温度特征向量均为列向量形式，/>
表示矩阵的指数运算，所述矩阵的指数运算表示以矩阵中各个位置的特征值为幂的自然指数函数值，/>
表示按位置减法，/>
表示矩阵乘法，/>
和/>
分别表示所述第一高斯概率密度分布距离指数和所述第二高斯概率密度分布距离指数。
因此，通过计算所述状态时序关联特征向量和所述电解温度特征向量分别与其相应的联合高斯密度图的高斯概率密度分布距离指数，可以表示目标特征向量的特征分布相对于联合高斯概率密度分布的特征分布距离，通过以其分别对于所述状态时序关联特征向量和所述电解温度特征向量进行加权，就可以提高目标特征向量到高斯概率密度在目标域上的概率密度联合分布相关迁移的兼容性，从而提升其高斯概率密度分布在高斯密度图的响应性估计计算目标维度上的一致性和相关性，也就改进了所述分类特征矩阵通过分类器得到的分类结果的准确性。这样，能够实时准确地基于电解液的状态实际变化情况来对于电解温度值进行自适应控制，以优化电解效率和质量。
进一步地，所述响应性估计单元，用于：以如下公式计算所述第一高斯密度图相对于所述第二高斯密度图的响应性估计以得到响应性高斯密度图；其中，所述公式为：
其中，
表示所述响应性高斯密度图的均值向量，/>
表示所述响应性高斯密度图的协方差矩阵，/>
表示所述第二高斯密度图的均值向量，/>
表示所述第二高斯密度图的协方差矩阵，/>
表示所述第一高斯密度图的均值向量，/>
表示所述第一高斯密度图的协方差矩阵，/>
表示向量点乘，/>
表示对向量的每个位置的值取倒数，且/>
表示矩阵乘法，/>
表示所述响应性高斯密度图的变量，/>
表示所述响应性高斯密度图的高斯概率密度函数。
具体地，在本申请实施例中，所述控制结果生成模块170，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电解温度值应增大或应减小。然后，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电解温度值应增大或应减小的分类结果。
也就是，在本申请的技术方案中，所述分类器的标签包括当前时间点的电解温度值应增大(第一标签)，以及，当前时间点的电解温度值应减小(第二标签），其中，所述分类器通过软最大值函数来确定所述分类特征矩阵属于哪个分类标签。应可以理解，在本申请的技术方案中，所述分类器的分类标签为电解温度值控制策略标签，因此，在得到所述分类结果后，可基于所述分类结果来自适应地调整当前时间点的电解温度值，以此来优化电解效率和质量。
在本申请一具体示例中，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得到所述分类结果；其中，所述公式为：
综上，基于本申请实施例的氟氮混合气的生产系统100被阐明，其获取预定时间段内多个预定时间点的电解温度值以及由摄像头采集的预定时间段的电解液的状态监控视频；采用基于深度学习的人工智能技术，建立电解液的状态时序变化与电解温度的时序变化间的映射关系，基于电解液的状态实际变化情况来实时准确地对于电解温度值进行自适应控制，以优化电解效率和质量。
如上所述，根据本申请实施例的氟氮混合气的生产系统100可以实现在各种终端设备中，例如用于氟氮混合气的生产的服务器等。在一个示例中，根据本申请实施例的氟氮混合气的生产系统100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，该氟氮混合气的生产系统100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，该氟氮混合气的生产系统100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，该氟氮混合气的生产系统100与该终端设备也可以是分立的设备，并且该氟氮混合气的生产系统100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。
在本申请的一个实施例中，图5为根据本申请实施例的氟氮混合气的生产方法的流程图。如图5所示，根据本申请实施例的氟氮混合气的生产方法，其包括：210，获取预定时间段内多个预定时间点的电解温度值以及由摄像头采集的所述预定时间段的电解液的状态监控视频；220，从所述电解液的状态监控视频提取多个电解液的状态监控关键帧；230，将所述多个电解液的状态监控关键帧分别通过作为过滤器的第一卷积神经网络模型以得到多个状态监控特征向量；240，将所述多个状态监控特征向量排列为一维特征向量后通过使用一维卷积核的第二卷积神经网络模型以得到状态时序关联特征向量；250，将所述多个预定时间点的电解温度值按照时间维度排列为电解温度输入向量后通过包含一维卷积层和全连接层的时序编码器以得到电解温度特征向量；260，计算所述状态时序关联特征向量相对于所述电解温度特征向量的响应性估计以得到分类特征矩阵；以及，270，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电解温度值应增大或应减小。
图6为根据本申请实施例的氟氮混合气的生产方法的系统架构的示意图。如图6所示，在所述氟氮混合气的生产方法的系统架构中，首先，获取预定时间段内多个预定时间点的电解温度值以及由摄像头采集的所述预定时间段的电解液的状态监控视频；然后，从所述电解液的状态监控视频提取多个电解液的状态监控关键帧；接着，将所述多个电解液的状态监控关键帧分别通过作为过滤器的第一卷积神经网络模型以得到多个状态监控特征向量；然后，将所述多个状态监控特征向量排列为一维特征向量后通过使用一维卷积核的第二卷积神经网络模型以得到状态时序关联特征向量；接着，将所述多个预定时间点的电解温度值按照时间维度排列为电解温度输入向量后通过包含一维卷积层和全连接层的时序编码器以得到电解温度特征向量；然后，计算所述状态时序关联特征向量相对于所述电解温度特征向量的响应性估计以得到分类特征矩阵；以及，最后，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电解温度值应增大或应减小。
在一个具体示例中，在上述氟氮混合气的生产方法中，从所述电解液的状态监控视频提取多个电解液的状态监控关键帧，包括：以预定采样频率对所述电解液的状态监控视频进行关键帧采样，以从所述电解液的状态监控视频提取多个电解液的状态监控关键帧。
在一个具体示例中，在上述氟氮混合气的生产方法中，将所述多个电解液的状态监控关键帧分别通过作为过滤器的第一卷积神经网络模型以得到多个状态监控特征向量，包括：使用所述作为过滤器的第一卷积神经网络模型的各层分别对输入数据进行：对所述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，所述作为过滤器的第一卷积神经网络模型的最后一层的输出为所述多个状态监控特征向量，所述作为过滤器的第一卷积神经网络模型的第一层的输入为所述多个电解液的状态监控关键帧。
在一个具体示例中，在上述氟氮混合气的生产方法中，将所述多个状态监控特征向量排列为一维特征向量后通过使用一维卷积核的第二卷积神经网络模型以得到状态时序关联特征向量，包括：使用一维卷积核的第二卷积神经网络模型的各层分别对输入数据进行基于一维卷积核的卷积处理、基于特征矩阵的均值池化处理和激活处理以由所述使用一维卷积核的第二卷积神经网络模型的最后一层的输出为所述状态时序关联特征向量，其中，所述使用一维卷积核的第二卷积神经网络模型的第一层的输入为所述一维特征向量。
在一个具体示例中，在上述氟氮混合气的生产方法中，将所述多个预定时间点的电解温度值按照时间维度排列为电解温度输入向量后通过包含一维卷积层和全连接层的时序编码器以得到电解温度特征向量，包括：使用所述时序编码器的全连接层以如下公式分别对所述电解温度输入向量进行全连接编码以分别提取出所述电解温度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/>
是所述电解温度输入向量，/>
是电解温度输出向量，/>
是权重矩阵，/>
是偏置向量，/>
表示矩阵乘法；以及，使用所述时序编码器的一维卷积层以如下公式分别对所述电解温度输入向量进行一维卷积编码以分别提取出所述电解温度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：
其中，a为卷积核在x方向上的宽度、
为卷积核参数向量、/>
为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸，/>
表示所述电解温度输入向量。
在一个具体示例中，在上述氟氮混合气的生产方法中，计算所述状态时序关联特征向量相对于所述电解温度特征向量的响应性估计以得到分类特征矩阵，包括：计算所述状态时序关联特征向量和所述电解温度特征向量的联合高斯密度图，所述联合高斯密度图的均值向量为所述状态时序关联特征向量和所述电解温度特征向量之间的按位置均值向量，所述联合高斯密度图的协方差矩阵为所述状态时序关联特征向量和所述电解温度特征向量的按位置方差构成的协方差矩阵；分别计算所述状态时序关联特征向量和所述电解温度特征向量与所述联合高斯密度图的高斯概率密度分布距离指数以得到第一高斯概率密度分布距离指数和第二高斯概率密度分布距离指数；以所述第一高斯概率密度分布距离指数和所述第二高斯概率密度分布距离指数分别作为权重，对所述状态时序关联特征向量和所述电解温度特征向量进行加权以得到校正后状态时序关联特征向量和校正后电解温度特征向量；构造所述校正后状态时序关联特征向量和所述校正后电解温度特征向量的高斯密度图以得到第一高斯密度图和第二高斯密度图；计算所述第一高斯密度图相对于所述第二高斯密度图的响应性估计以得到响应性高斯密度图；以及，对所述响应性高斯密度图中各个位置的高斯分布进行高斯离散化以得到所述分类特征矩阵。
在一个具体示例中，在上述氟氮混合气的生产方法中，计算所述状态时序关联特征向量和所述电解温度特征向量的联合高斯密度图，包括：使用如下公式计算所述状态时序关联特征向量和所述电解温度特征向量的联合高斯密度图；其中，所述公式为：
，其中，/>
表示所述状态时序关联特征向量和所述电解温度特征向量之间的按位置均值向量，且/>
的每个位置的值表示所述状态时序关联特征向量和所述电解温度特征向量中各个位置的特征值之间的方差，/>
表示所述联合高斯密度图的变量，/>
表示所述联合高斯密度图的高斯概率密度函数。
在一个具体示例中，在上述氟氮混合气的生产方法中，分别计算所述状态时序关联特征向量和所述电解温度特征向量与所述联合高斯密度图的高斯概率密度分布距离指数以得到第一高斯概率密度分布距离指数和第二高斯概率密度分布距离指数，包括：以如下公式分别计算所述状态时序关联特征向量和所述电解温度特征向量与所述联合高斯密度图的高斯概率密度分布距离指数以得到所述第一高斯概率密度分布距离指数和所述第二高斯概率密度分布距离指数；其中，所述公式为：
其中，
和/>
分别是所述状态时序关联特征向量和所述电解温度特征向量，
和/>
是所述联合高斯密度图的均值向量和协方差矩阵，所述状态时序关联特征向量和所述电解温度特征向量均为列向量形式，/>
表示矩阵的指数运算，所述矩阵的指数运算表示以矩阵中各个位置的特征值为幂的自然指数函数值，/>
表示按位置减法，/>
表示矩阵乘法，/>
和/>
分别表示所述第一高斯概率密度分布距离指数和所述第二高斯概率密度分布距离指数。
在一个具体示例中，在上述氟氮混合气的生产方法中，计算所述第一高斯密度图相对于所述第二高斯密度图的响应性估计以得到响应性高斯密度图，包括：以如下公式计算所述第一高斯密度图相对于所述第二高斯密度图的响应性估计以得到响应性高斯密度图；其中，所述公式为：
，其中，/>
表示所述响应性高斯密度图的均值向量，/>
表示所述响应性高斯密度图的协方差矩阵，/>
表示所述第二高斯密度图的均值向量，/>
表示所述第二高斯密度图的协方差矩阵，/>
表示所述第一高斯密度图的均值向量，/>
表示所述第一高斯密度图的协方差矩阵，/>
表示向量点乘，/>
表示对向量的每个位置的值取倒数，且/>
表示矩阵乘法，/>
表示所述响应性高斯密度图的变量，/>
表示所述响应性高斯密度图的高斯概率密度函数。/>
本领域技术人员可以理解，上述氟氮混合气的生产方法中的各个步骤的具体操作已经在上面参考图1到图4的氟氮混合气的生产系统的描述中得到了详细介绍，并因此，将省略其重复描述。
本申请还提供了一种计算机程序产品，所述计算机程序产品包括指令，当所述指令被执行时，以使得装置执行对应于上述方法中的操作。
在本申请的一个实施例中，还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述所述方法的计算机程序。
应可以理解，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等) 上实施的计算机程序产品的形式。
本申请实施例的方法、系统、和计算机程序产品的流程图和/或框图来描述的。应理解可由计算机程序指令实现流程图和/或框图中的每一流程和/或方框、以及流程图和/或框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能的步骤。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请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申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、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，在本申请的装置、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申请的等效方案。
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申请。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申请的范围。因此，本申请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。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请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)
1.一种氟氮混合气的生产系统，其特征在于，包括：数据采集模块，用于获取预定时间段内多个预定时间点的电解温度值以及由摄像头采集的所述预定时间段的电解液的状态监控视频；关键帧提取模块，用于从所述电解液的状态监控视频提取多个电解液的状态监控关键帧；图像特征提取模块，用于将所述多个电解液的状态监控关键帧分别通过作为过滤器的第一卷积神经网络模型以得到多个状态监控特征向量；图像时序关联编码模块，用于将所述多个状态监控特征向量排列为一维特征向量后通过使用一维卷积核的第二卷积神经网络模型以得到状态时序关联特征向量；电解温度时序变化模块，用于将所述多个预定时间点的电解温度值按照时间维度排列为电解温度输入向量后通过包含一维卷积层和全连接层的时序编码器以得到电解温度特征向量；响应性估计模块，用于计算所述状态时序关联特征向量相对于所述电解温度特征向量的响应性估计以得到分类特征矩阵；以及控制结果生成模块，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电解温度值应增大或应减小。
2.根据权利要求1所述的氟氮混合气的生产系统，其特征在于，所述关键帧提取模块，用于：以预定采样频率对所述电解液的状态监控视频进行关键帧采样，以从所述电解液的状态监控视频提取多个电解液的状态监控关键帧。
3.根据权利要求2所述的氟氮混合气的生产系统，其特征在于，所述图像特征提取模块，用于：使用所述作为过滤器的第一卷积神经网络模型的各层分别对输入数据进行：对所述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，所述作为过滤器的第一卷积神经网络模型的最后一层的输出为所述多个状态监控特征向量，所述作为过滤器的第一卷积神经网络模型的第一层的输入为所述多个电解液的状态监控关键帧。
4.根据权利要求3所述的氟氮混合气的生产系统，其特征在于，所述图像时序关联编码模块，用于：使用一维卷积核的第二卷积神经网络模型的各层分别对输入数据进行基于一维卷积核的卷积处理、基于特征矩阵的均值池化处理和激活处理以由所述使用一维卷积核的第二卷积神经网络模型的最后一层的输出为所述状态时序关联特征向量，其中，所述使用一维卷积核的第二卷积神经网络模型的第一层的输入为所述一维特征向量。
5.根据权利要求4所述的氟氮混合气的生产系统，其特征在于，所述电解温度时序变化模块，包括：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分别对所述电解温度输入向量进行全连接编码以分别提取出所述电解温度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/>
是所述电解温度输入向量，/>
是电解温度输出向量，/>
是权重矩阵，/>
是偏置向量，/>
表示矩阵乘法；以及一维卷积编码单元，用于使用所述时序编码器的一维卷积层以如下公式分别对所述电解温度输入向量进行一维卷积编码以分别提取出所述电解温度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：/>
其中，a为卷积核在x方向上的宽度、
为卷积核参数向量、/>
为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸，/>
表示所述电解温度输入向量。
6.根据权利要求5所述的氟氮混合气的生产系统，其特征在于，所述响应性估计模块，包括：联合高斯密度图构造单元，用于计算所述状态时序关联特征向量和所述电解温度特征向量的联合高斯密度图，所述联合高斯密度图的均值向量为所述状态时序关联特征向量和所述电解温度特征向量之间的按位置均值向量，所述联合高斯密度图的协方差矩阵为所述状态时序关联特征向量和所述电解温度特征向量的按位置方差构成的协方差矩阵；加权因数计算单元，用于分别计算所述状态时序关联特征向量和所述电解温度特征向量与所述联合高斯密度图的高斯概率密度分布距离指数以得到第一高斯概率密度分布距离指数和第二高斯概率密度分布距离指数；加权优化单元，用于以所述第一高斯概率密度分布距离指数和所述第二高斯概率密度分布距离指数分别作为权重，对所述状态时序关联特征向量和所述电解温度特征向量进行加权以得到校正后状态时序关联特征向量和校正后电解温度特征向量；高斯密度图优化单元，用于构造所述校正后状态时序关联特征向量和所述校正后电解温度特征向量的高斯密度图以得到第一高斯密度图和第二高斯密度图；响应性估计单元，用于计算所述第一高斯密度图相对于所述第二高斯密度图的响应性估计以得到响应性高斯密度图；以及高斯离散化单元，用于对所述响应性高斯密度图中各个位置的高斯分布进行高斯离散化以得到所述分类特征矩阵。
7.根据权利要求6所述的氟氮混合气的生产系统，其特征在于，所述联合高斯密度图构造单元，用于：使用如下公式计算所述状态时序关联特征向量和所述电解温度特征向量的联合高斯密度图；其中，所述公式为：
，其中，/>
表示所述状态时序关联特征向量和所述电解温度特征向量之间的按位置均值向量，且/>
的每个位置的值表示所述状态时序关联特征向量和所述电解温度特征向量中各个位置的特征值之间的方差，/>
表示所述联合高斯密度图的变量，/>
表示所述联合高斯密度图的高斯概率密度函数。
8.根据权利要求7所述的氟氮混合气的生产系统，其特征在于，所述加权因数计算单元，进一步用于：以如下公式分别计算所述状态时序关联特征向量和所述电解温度特征向量与所述联合高斯密度图的高斯概率密度分布距离指数以得到所述第一高斯概率密度分布距离指数和所述第二高斯概率密度分布距离指数；其中，所述公式为：
其中，
和/>
分别是所述状态时序关联特征向量和所述电解温度特征向量，/>
和
是所述联合高斯密度图的均值向量和协方差矩阵，所述状态时序关联特征向量和所述电解温度特征向量均为列向量形式，/>
表示矩阵的指数运算，所述矩阵的指数运算表示以矩阵中各个位置的特征值为幂的自然指数函数值，/>
表示按位置减法，/>
表示矩阵乘法，/>
和/>
分别表示所述第一高斯概率密度分布距离指数和所述第二高斯概率密度分布距离指数。
9.根据权利要求8所述的氟氮混合气的生产系统，其特征在于，所述响应性估计单元，用于：以如下公式计算所述第一高斯密度图相对于所述第二高斯密度图的响应性估计以得到响应性高斯密度图；其中，所述公式为：
其中，
表示所述响应性高斯密度图的均值向量，/>
表示所述响应性高斯密度图的协方差矩阵，/>
表示所述第二高斯密度图的均值向量，/>
表示所述第二高斯密度图的协方差矩阵，/>
表示所述第一高斯密度图的均值向量，/>
表示所述第一高斯密度图的协方差矩阵，/>
表示向量点乘，/>
表示对向量的每个位置的值取倒数，且/>
表示矩阵乘法，/>
表示所述响应性高斯密度图的变量，/>
表示所述响应性高斯密度图的高斯概率密度函数。
10.一种氟氮混合气的生产方法，其特征在于，包括：获取预定时间段内多个预定时间点的电解温度值以及由摄像头采集的所述预定时间段的电解液的状态监控视频；从所述电解液的状态监控视频提取多个电解液的状态监控关键帧；将所述多个电解液的状态监控关键帧分别通过作为过滤器的第一卷积神经网络模型以得到多个状态监控特征向量；将所述多个状态监控特征向量排列为一维特征向量后通过使用一维卷积核的第二卷积神经网络模型以得到状态时序关联特征向量；将所述多个预定时间点的电解温度值按照时间维度排列为电解温度输入向量后通过包含一维卷积层和全连接层的时序编码器以得到电解温度特征向量；计算所述状态时序关联特征向量相对于所述电解温度特征向量的响应性估计以得到分类特征矩阵；以及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电解温度值应增大或应减小。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310215433.8A CN115896817B (zh) | 2023-03-08 | 2023-03-08 | 氟氮混合气的生产方法及其系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310215433.8A CN115896817B (zh) | 2023-03-08 | 2023-03-08 | 氟氮混合气的生产方法及其系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115896817A CN115896817A (zh) | 2023-04-04 |
| CN115896817B true CN115896817B (zh) | 2023-05-19 |
Family
ID=85733746
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310215433.8A Active CN115896817B (zh) | 2023-03-08 | 2023-03-08 | 氟氮混合气的生产方法及其系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115896817B (zh) |
Families Citing this family (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116135797B (zh) * | 2023-04-19 | 2023-07-04 | 江苏海峡环保科技发展有限公司 | 污水处理智能控制系统 |
| CN116149397B (zh) * | 2023-04-20 | 2023-06-23 | 福建天甫电子材料有限公司 | 电子级双氧水存储的温度自适应控制系统 |
| CN116819379A (zh) * | 2023-04-23 | 2023-09-29 | 东莞市冠锦电子科技有限公司 | 电源适配器的故障监测系统及其方法 |
| CN116321620B (zh) * | 2023-05-11 | 2023-08-11 | 杭州行至云起科技有限公司 | 智能照明开关控制系统及其方法 |
| CN116744511B (zh) * | 2023-05-22 | 2024-01-05 | 杭州行至云起科技有限公司 | 智能调光调色照明系统及其方法 |
| CN116630857A (zh) * | 2023-05-26 | 2023-08-22 | 宁波开员塑业科技有限公司 | 一种含生物蛋白面料的制备方法及其系统 |
| CN117037028A (zh) * | 2023-07-31 | 2023-11-10 | 邵阳阳光发品有限公司 | 假发的智能化制备方法及其系统 |
| CN116716622B (zh) * | 2023-08-07 | 2023-12-15 | 福建德尔科技股份有限公司 | 一种基于电解条件的氟气制备方法和系统 |
| CN116694129B (zh) * | 2023-08-07 | 2023-10-17 | 济宁九德半导体科技有限公司 | 用于紫外固化型油墨制备的自动控制系统及其方法 |
| CN117116498A (zh) * | 2023-10-23 | 2023-11-24 | 吉林大学 | 移动查房数据处理系统及其方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112163527A (zh) * | 2020-09-29 | 2021-01-01 | 华中科技大学 | 一种基于融合模型的烟叶烘烤状态识别方法、装置和系统 |
| CN114241294A (zh) * | 2021-11-09 | 2022-03-25 | 国网浙江省电力有限公司信息通信分公司 | 一种设备异常检测的方法、系统、设备及存储介质 |
| CN114549955A (zh) * | 2022-01-27 | 2022-05-27 | 中南大学 | 一种高炉出铁终点在线智能识别方法及系统 |
| CN114757935A (zh) * | 2022-05-05 | 2022-07-15 | 河钢数字技术股份有限公司 | 一种钢铁冷轧退火炉元器件多目标自动测温与预警方法 |
| CN114813457A (zh) * | 2022-04-24 | 2022-07-29 | 北京石油化工学院 | 一种用于悬浮细胞培养的实时监测系统及方法 |
| CN115063418A (zh) * | 2022-08-10 | 2022-09-16 | 北京航空航天大学 | 一种基于图像识别的动力电池温度检测方法 |
| CN115127617A (zh) * | 2022-07-21 | 2022-09-30 | 湖南博立农业科技发展有限公司 | 用于食用菌仿生态种植的智能管控系统 |
| CN115326049A (zh) * | 2022-07-11 | 2022-11-11 | 深圳市安威无线科技有限公司 | 一种基于nb-iot的天线姿态远程数据采集系统 |
| CN115457451A (zh) * | 2022-06-13 | 2022-12-09 | 广东众志检测仪器有限公司 | 基于物联网的恒温恒湿试验箱的监控方法及装置 |
| CN115723287A (zh) * | 2022-12-16 | 2023-03-03 | 河北科技大学 | 基于温度控制聚氨酯发泡的生产设备 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2021089687A (ja) * | 2019-12-06 | 2021-06-10 | ソニーグループ株式会社 | 情報処理システムおよび学習方法 |
-
2023
- 2023-03-08 CN CN202310215433.8A patent/CN115896817B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112163527A (zh) * | 2020-09-29 | 2021-01-01 | 华中科技大学 | 一种基于融合模型的烟叶烘烤状态识别方法、装置和系统 |
| CN114241294A (zh) * | 2021-11-09 | 2022-03-25 | 国网浙江省电力有限公司信息通信分公司 | 一种设备异常检测的方法、系统、设备及存储介质 |
| CN114549955A (zh) * | 2022-01-27 | 2022-05-27 | 中南大学 | 一种高炉出铁终点在线智能识别方法及系统 |
| CN114813457A (zh) * | 2022-04-24 | 2022-07-29 | 北京石油化工学院 | 一种用于悬浮细胞培养的实时监测系统及方法 |
| CN114757935A (zh) * | 2022-05-05 | 2022-07-15 | 河钢数字技术股份有限公司 | 一种钢铁冷轧退火炉元器件多目标自动测温与预警方法 |
| CN115457451A (zh) * | 2022-06-13 | 2022-12-09 | 广东众志检测仪器有限公司 | 基于物联网的恒温恒湿试验箱的监控方法及装置 |
| CN115326049A (zh) * | 2022-07-11 | 2022-11-11 | 深圳市安威无线科技有限公司 | 一种基于nb-iot的天线姿态远程数据采集系统 |
| CN115127617A (zh) * | 2022-07-21 | 2022-09-30 | 湖南博立农业科技发展有限公司 | 用于食用菌仿生态种植的智能管控系统 |
| CN115063418A (zh) * | 2022-08-10 | 2022-09-16 | 北京航空航天大学 | 一种基于图像识别的动力电池温度检测方法 |
| CN115723287A (zh) * | 2022-12-16 | 2023-03-03 | 河北科技大学 | 基于温度控制聚氨酯发泡的生产设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115896817A (zh) | 2023-04-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115896817B (zh) | 氟氮混合气的生产方法及其系统 | |
| CN111523422B (zh) | 一种关键点检测模型训练方法、关键点检测方法和装置 | |
| CN112434655B (zh) | 一种基于自适应置信度图卷积网络的步态识别方法 | |
| CN116052050A (zh) | 洗涤剂智能化生产系统及其方法 | |
| CN115723287B (zh) | 基于温度控制聚氨酯发泡的生产设备 | |
| CN109218134B (zh) | 一种基于神经风格迁移的测试用例生成系统 | |
| CN112307883B (zh) | 训练方法、装置、电子设备以及计算机可读存储介质 | |
| US11823490B2 (en) | Non-linear latent to latent model for multi-attribute face editing | |
| CN116184972A (zh) | 空气分离装置的控制系统及其方法 | |
| CN116832588A (zh) | 酸再生烟气净化装置及其方法 | |
| CN116768206A (zh) | 石墨的纯化工艺及其系统 | |
| CN112923523A (zh) | 一种基于物联网数据链的智能型新风系统调控方法 | |
| CN111402303A (zh) | 一种基于kfstrcf的目标跟踪架构 | |
| CN115960144A (zh) | 低聚异麦芽糖铁配合物的智能化生产系统及其方法 | |
| CN116434123A (zh) | 一种用于玫瑰蒸馏加工的控制方法及系统 | |
| CN116178422A (zh) | 蛋黄卵磷脂的制备方法 | |
| CN114444811A (zh) | 一种基于注意力机制的铝电解混频数据过热度预测方法 | |
| CN117029838B (zh) | 一种水下机器人导航控制方法和系统 | |
| CN116524601A (zh) | 辅助养老机器人监控的自适应多阶段人体行为识别模型 | |
| Chai et al. | Modernn: Towards fine-grained motion details for spatiotemporal predictive learning | |
| Ren | The advance of generative model and variational autoencoder | |
| CN116825217B (zh) | 制备高纯五氟化磷的方法 | |
| CN109215057B (zh) | 一种高性能视觉跟踪方法及装置 | |
| EP4376399A1 (en) | Latent representation of color space and its transformation | |
| Data et al. | Advanced Deep Learning |
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 |