CN115990983A - 一种可调节式加工模具及其方法 - Google Patents
一种可调节式加工模具及其方法 Download PDFInfo
- Publication number
- CN115990983A CN115990983A CN202310192370.9A CN202310192370A CN115990983A CN 115990983 A CN115990983 A CN 115990983A CN 202310192370 A CN202310192370 A CN 202310192370A CN 115990983 A CN115990983 A CN 115990983A
- Authority
- CN
- China
- Prior art keywords
- feature
- vector
- feature vector
- flow velocity
- collaborative
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000012545 processing Methods 0.000 title claims abstract description 23
- 239000013598 vector Substances 0.000 claims abstract description 275
- 238000012937 correction Methods 0.000 claims abstract description 24
- 230000004927 fusion Effects 0.000 claims abstract description 7
- 238000012544 monitoring process Methods 0.000 claims abstract description 4
- 239000000110 cooling liquid Substances 0.000 claims description 91
- 239000011159 matrix material Substances 0.000 claims description 90
- 239000010410 layer Substances 0.000 claims description 53
- 238000013527 convolutional neural network Methods 0.000 claims description 43
- 238000009826 distribution Methods 0.000 claims description 37
- 230000006870 function Effects 0.000 claims description 31
- 238000011176 pooling Methods 0.000 claims description 24
- 230000007246 mechanism Effects 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 13
- 230000003247 decreasing effect Effects 0.000 claims description 12
- 229940050561 matrix product Drugs 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 9
- 238000009825 accumulation Methods 0.000 claims description 6
- 230000001186 cumulative effect Effects 0.000 claims description 5
- 239000002356 single layer Substances 0.000 claims description 4
- 230000003213 activating effect Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 230000004069 differentiation Effects 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 230000009471 action Effects 0.000 claims description 2
- 238000003754 machining Methods 0.000 claims 1
- 238000001816 cooling Methods 0.000 abstract description 17
- 239000007788 liquid Substances 0.000 abstract description 7
- 239000002826 coolant Substances 0.000 abstract description 5
- 230000003044 adaptive effect Effects 0.000 abstract description 4
- 230000002349 favourable effect Effects 0.000 abstract 1
- 238000007493 shaping process Methods 0.000 abstract 1
- 230000008859 change Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 11
- 238000000465 moulding Methods 0.000 description 11
- 239000000243 solution Substances 0.000 description 10
- 238000003062 neural network model Methods 0.000 description 9
- 238000013135 deep learning Methods 0.000 description 7
- 238000002347 injection Methods 0.000 description 7
- 239000007924 injection Substances 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000010438 heat treatment Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 238000001746 injection moulding Methods 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 239000004033 plastic Substances 0.000 description 3
- 229920003023 plastic Polymers 0.000 description 3
- 230000001105 regulatory effect Effects 0.000 description 3
- 229920001169 thermoplastic Polymers 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 239000004416 thermosoftening plastic Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- 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
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Moulds For Moulding Plastics Or The Like (AREA)
Abstract
本申请涉及加工模具技术领域，其具体地公开了一种可调节式加工模具及其方法，其使用监控模块获取预定时间段内多个预定时间点的模具本体的温度值以及所述多个预定时间点的冷却液的流速值，并依次经过结构化、时序特征提、基于高斯密度图的融合、查询校正、特征校正以得到校正后分类特征向量，并最终输入调节结果生成模块进行分类处理以得到用于表示当前时间点的冷却液的流速值应增大或应减小的分类结果，其能够实时准确地基于模具本体的温度变化情况来对于当前时间点的冷却液的流速值进行自适应控制，以此来使得模具本体的降温比较平滑，以利于提高成型质量。
Description
技术领域
本申请涉及加工模具技术领域，且更为具体地，涉及一种可调节式加工模具及其方法。
背景技术
注塑模具是生产各种工业产品的重要工艺装备，随着塑料工业的迅速发展，以及塑料制品在航空、航天、电子、机械船舶和汽车等工业部门的推广应用，注塑模具广泛应用于各个行业中。
传统注塑模具由动模和定模两部分组成，动模安装在注射成型机的移动模板上，定模安装在注射成型机的固定模板上。在注射成型时动模与定模闭合构成浇注系统和型腔，开模时动模和定模分离以便取出塑料制品。注塑模具主要由浇注系统、调温系统、成型零件和结构零件组成。
对于热塑性塑料用注塑模，调温系统主要是设计冷却系统使模具冷却。模具冷却的常用办法是在模具内开设液体通道，利用循环流动的冷却液带走模具的热量；模具的加热是利用液体通道通入热水或蒸汽。这种模具的加热或冷却一般都是根据工作者的经验进行调节，所以模具的温度得不到精确的控制，从而影响了产品的成型质量。
因此，期待一种优化的可调节式加工模具。
发明内容
本申请提供一种可调节式加工模具及其方法，能够实时准确地基于模具本体的温度变化情况来对于当前时间点的冷却液的流速值进行自适应控制，以此来使得模具本体的降温比较平滑，以利于提高成型质量。
第一方面，提供了一种可调节式加工模具，该加工模具包括：监控模块，用于获取预定时间段内多个预定时间点的模具本体的温度值以及所述多个预定时间点的冷却液的流速值；结构化模块，用于将所述多个预定时间点的冷却液的流速值和所述多个预定时间点的模具本体的温度值分别按照时间维度排列为流速输入向量和温度输入向量；时序特征提取模块，用于将所述流速输入向量和所述温度输入向量分别通过一维卷积神经网络模型以得到流速时序特征向量和温度时序特征向量;融合模块，用于基于高斯密度图来融合所述流速时序特征向量和所述温度时序特征向量以得到协同特征矩阵；查询校正模块，用于以所述流速时序特征向量作为查询特征向量，计算其与所述协同特征矩阵之间的矩阵乘积以得到分类特征向量；特征校正模块，用于基于所述协同特征矩阵，对所述分类特征向量进行特征分布校正以得到校正后分类特征向量；以及，调节结果生成模块，用于将所述校正后分类特征向量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冷却液的流速值应增大或应减小。
结合第一方面，在第一方面的一种实现方式中，所述时序特征提取模块，用于：使用所述一维卷积神经网络模型的各层在层的正向传递中对输入数据分别进行：对所述输入数据进行基于三维卷积核的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，所述一维卷积神经网络模型的第一层的输入为所述流速输入向量和所述温度输入向量，所述一维卷积神经网络模型的最后一层的输出为所述流速时序特征向量和所述温度时序特征向量。
结合第一方面，在第一方面的一种实现方式中，所述融合模块，包括：高斯密度图构造单元，用于使用高斯密度图以如下公式来构造所述流速时序特征向量和所述温度时序特征向量的高斯密度图以得到协同高斯密度图；其中，所述公式为：
结合第一方面，在第一方面的一种实现方式中，所述特征校正模块，包括：特征提取单元，用于将所述协同特征矩阵通过作为特征提取器的卷积神经网络模型以得到协同特征图；区分建模单元，用于对所述协同特征图进行特征相关性累积区分机制建模以获得加权特征向量；以及，作用单元，用于以所述加权特征向量对所述分类特征向量进行点乘以得到所述校正后分类特征向量。
结合第一方面，在第一方面的一种实现方式中，所述特征提取单元，用于，使用所述作为特征提取器的卷积神经网络模型以如下公式对所述协同特征矩阵进行处理以得到所述协同特征图；其中，所述公式为：
，
其中，
为第i层卷积神经网络模型的输入，
为第i层卷积神经网络模型的输出，
为第i层卷积神经网络模型的过滤器，且
为第i层卷积神经网络模型的偏置矩阵，
表示非线性激活函数。
结合第一方面，在第一方面的一种实现方式中，所述区分建模单元，用于：以如下公式对所述协同特征图进行特征相关性累积区分机制建模以获得所述加权特征向量；其中，所述公式为：
，其中
表示所述协同特征图，
和
分别表示对特征图进行基于不同卷积核的单层卷积操作，
表示
激活函数，
表示
激活函数，且
表示对特征图的每个特征矩阵进行全局池化操作，
表示按位置加法，
表示所述加权特征向量。
结合第一方面，在第一方面的一种实现方式中，所述调节结果生成模块，包括：全连接单元，用于使用所述分类器的全连接层对所述校正后分类特征向量进行全连接编码以得到全连接编码特征向量；概率化单元，用于将所述全连接编码特征向量输入所述分类器的Softmax分类函数以得到所述校正后分类特征向量归属于各个分类标签的概率值，所述分类标签包括用于表示当前时间点的冷却液的流速值应增大和用于表示当前时间点的冷却液的流速值应减小；以及，分类单元，用于将所述概率值中最大者对应的分类标签确定为所述分类结果。
第二方面，提供了一种可调节式加工模具的控制方法，该方法包括：获取预定时间段内多个预定时间点的模具本体的温度值以及所述多个预定时间点的冷却液的流速值；将所述多个预定时间点的冷却液的流速值和所述多个预定时间点的模具本体的温度值分别按照时间维度排列为流速输入向量和温度输入向量；将所述流速输入向量和所述温度输入向量分别通过一维卷积神经网络模型以得到流速时序特征向量和温度时序特征向量;基于高斯密度图来融合所述流速时序特征向量和所述温度时序特征向量以得到协同特征矩阵；以所述流速时序特征向量作为查询特征向量，计算其与所述协同特征矩阵之间的矩阵乘积以得到分类特征向量；基于所述协同特征矩阵，对所述分类特征向量进行特征分布校正以得到校正后分类特征向量；以及，将所述校正后分类特征向量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冷却液的流速值应增大或应减小。
结合第二方面，在第二方面的一种实现方式中，基于高斯密度图来融合所述流速时序特征向量和所述温度时序特征向量以得到协同特征矩阵，包括：使用高斯密度图以如下公式来构造所述流速时序特征向量和所述温度时序特征向量的高斯密度图以得到协同高斯密度图；其中，所述公式为：
，
其中，
表示所述协同高斯密度图的均值向量，
表示所述协同高斯密度图的协方差矩阵，
表示所述流速时序特征向量，
表示所述温度时序特征向量，
表示所述协同高斯密度图的变量，
表示高斯概率密度函数，以及，对所述协同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协同特征矩阵。
结合第二方面，在第二方面的一种实现方式中，基于所述协同特征矩阵，对所述分类特征向量进行特征分布校正以得到校正后分类特征向量，包括：将所述协同特征矩阵通过作为特征提取器的卷积神经网络模型以得到协同特征图；对所述协同特征图进行特征相关性累积区分机制建模以获得加权特征向量；以及，以所述加权特征向量对所述分类特征向量进行点乘以得到所述校正后分类特征向量。
本申请提供的一种基于数据智能的可调节式加工模具及其方法，能够实时准确地基于模具本体的温度变化情况来对于当前时间点的冷却液的流速值进行自适应控制，以此来使得模具本体的降温比较平滑，以利于提高成型质量。
附图说明
图1是本申请实施例的可调节式加工模具及其方法的应用场景图。
图2是本申请实施例的可调节式加工模具的示意性框图。
图3是本申请实施例的可调节式加工模具中特征校正模块的示意性框图。
图4是本申请实施例的可调节式加工模具中调节结果生成模块的示意性框图。
图5是本申请实施例的可调节式加工模具的控制方法的示意性流程图。
图6是本申请实施例的可调节式加工模具的控制方法的系统架构的示意图。
具体实施方式
下面将结合附图，对本申请中的技术方案进行描述。
这里由于涉及到基于深度学习的深度神经网络模型，下面先对本申请实施例可能涉及的深度神经网络模型的相关术语和概念进行介绍。
1、深度神经网络模型
在深度神经网络模型中，隐藏层可以是卷积层和池化层。卷积层对应的一组权重值被称为滤波器，也被称为卷积核。滤波器和输入特征值都被表示为一个多维矩阵，对应地，表示成多维矩阵的滤波器也称为滤波器矩阵，表示成多维矩阵的输入特征值也称为输入特征矩阵，当然，除了可以输入特征矩阵，也可以输入特征图像，特征向量，这里只是以输入特征矩阵进行举例。卷积层的运算称为卷积运算，该卷积运算指的是，输入特征矩阵的一部分特征值与滤波器矩阵的权重值进行内积操作。
深度神经网络模型中每一个卷积层的运算过程可以被编成软件，然后通过在运算装置中运行该软件，得到每层网络的输出结果，即输出特征矩阵。例如，软件通过滑动窗口的方式，以每层网络的输入特征矩阵的左上角为起点，以滤波器大小为窗口，每次从特征值矩阵中提取一个窗口的数据与滤波器进行内积操作。当输入特征矩阵的右下角窗口的数据与滤波器完成内积操作后，便可得到每层网络的一个二维的输出特征矩阵。软件重复上述过程，直至产生每层网络的整个输出特征矩阵。
卷积层运算的过程为，将一个滤波器大小的窗口滑动过整个输入图像(即输入特征矩阵)，在每个时刻对窗口内覆盖的输入特征值与该滤波器进行内积运算，其中，窗口滑动的步长为1。具体地，以输入特征矩阵的左上角为起点，以滤波器大小为窗口，窗口滑动的步长为1，每次从特征值矩阵中提取一个窗口的输入特征值与滤波器进行内积操作，当输入特征矩阵的右下角的数据与滤波器完成内积操作后，便可得到该输入特征矩阵的一个二维的输出特征矩阵。
由于常常需要减少训练参数的数量，因此卷积层之后常常需要周期性的引入池化层，在图像处理过程中，池化层的唯一目的就是减少图像的空间大小。池化层可以包括平均池化算子和/或最大池化算子，以用于对输入图像进行采样得到较小尺寸的图像。平均池化算子可以在特定范围内对图像中的像素值进行计算产生平均值作为平均池化的结果。最大池化算子可以在特定范围内取该范围内值最大的像素作为最大池化的结果。另外，就像卷积层中用权重矩阵的大小应该与图像尺寸相关一样，池化层中的运算符也应该与图像的大小相关。通过池化层处理后输出的图像尺寸可以小于输入池化层的图像的尺寸，池化层输出的图像中每个像素点表示输入池化层的图像的对应子区域的平均值或最大值。
由于实际在深度神经网络中需要模拟的函数往往是非线性的，而前面卷积和池化只能模拟线性函数，为了在深度神经网络模型中，引入非线性因素，以增加整个网络的表征能力，在池化层过后还会设置有激活层，激活层中设置有激活函数，常用的激励函数有sigmoid、tanh、ReLU函数等。
2、Softmax分类函数
Softmax分类函数又称软最大函数，归一化指数函数。能将一个含任意实数的K维向量“压缩”到另一个K维实向量中，使得每一个元素的范围都在(0,1)之间，并且所有元素的和为1。Softmax分类函数常用于分类问题。
在对本申请实施例可能涉及的深度神经网络模型的相关术语和概念进行介绍后，为了便于本领域技术人员的理解，下面将对本申请的基本原理进行介绍。
如上所述，对于热塑性塑料用注塑模，调温系统主要是设计冷却系统使模具冷却。模具冷却的常用办法是在模具内开设液体通道，利用循环流动的冷却液带走模具的热量；模具的加热是利用液体通道通入热水或蒸汽。这种模具的加热或冷却一般都是根据工作者的经验进行调节，所以模具的温度得不到精确的控制，从而影响了产品的成型质量。因此，期待一种优化的可调节式加工模具。
相应地，考虑到在实际的热塑性塑料用注塑模的调温系统中，传统的调温系统通过人工经验进行冷却液的流速控制，从而实现注塑温度的调节控制，这种方案不仅使得温度的控制精度达不到要求，而且浪费人力。因此，在本申请的技术方案中，期望通过模具本体的温度变化和冷却液的流速变化间的协同关联来对于当前时间点的冷却液的流速值进行精准控制，以此通过冷却液的自适应控制来使得模具本体的降温比较平滑以利于提高成型质量。在此过程中，难点在于如何建立所述模具本体的温度时序变化与所述冷却液的流速时序变化间的映射关系，以使得基于这两者的协同关联来对于冷却液的流速值进行实时准确地控制，从而提高产品的成型质量。
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，也展现出了接近甚至超越人类的水平。
深度学习以及神经网络的发展为挖掘所述模具本体的温度时序变化与所述冷却液的流速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模具本体的温度时序变化与所述冷却液的流速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模具本体的温度值以及所述多个预定时间点的冷却液的流速值。接着，考虑到由于所述模具本体的温度值与所述冷却液的流速值在时间维度上都具有着动态性的协同关联信息，因此，为了能够提取出这种协同变化特征来对于当前时间点的冷却液温度值进行精准控制，在本申请的技术方案中，将所述多个预定时间点的冷却液的流速值和所述多个预定时间点的模具本体的温度值分别按照时间维度排列为流速输入向量和温度输入向量，以此来整合所述模具本体的温度值与所述冷却液的流速值分别在时序上的参数分布信息。
然后，考虑到由于所述模具本体的温度值与所述冷却液的流速值在时序上都有着特定的变化规律，也就是说，所述模具本体的温度值与所述冷却液的流速值在时间维度上的各个预定时间点下的参数数据间具有着时序的动态关联关系。因此，在本申请的技术方案中，将所述流速输入向量和所述温度输入向量分别通过一维卷积神经网络模型中进行特征挖掘，以分别提取出所述模具本体的温度值与所述冷却液的流速值在时间维度上的时序动态关联特征分布信息，从而得到流速时序特征向量和温度时序特征向量。
具体地，融合所述流速时序特征向量和所述温度时序特征向量，以此来融合所述模具本体的温度值与所述冷却液的流速值在时序上的动态关联特征，特别地，考虑到所述流速时序特征向量和所述温度时序特征向量在高维特征空间中都各自对应着一个特征分布流形，而这些特征分布流形由于本身的不规则形状和散布位置，如果仅通过将所述流速时序特征向量和所述温度时序特征向量级联来表示各项水质数据的全局的特征表示，将相当于简单地将这些特征分布流形按原位置和形状来进行叠加，使得新获得的特征分布流形的边界变得非常不规则和复杂，在通过梯度下降来寻找最优点时，非常容易陷入局部极值点中而无法获得全局最优点。因此，需要地对所述流速时序特征向量和所述温度时序特征向量进行适当的融合，使得各个特征分布能够相对于彼此在型面上收敛。
具体地，考虑到高斯密度图在深度学习中，广泛地用于基于先验的目标后验的估计，因此可以用于修正数据分布，从而实现上述目的。因此，在本申请的技术方案中，首先，基于高斯分布构造所述流速时序特征向量和所述温度时序特征向量的高斯密度图，以此来融合这两者的高维空间特征信息，以得到所述模具本体的温度值与所述冷却液的流速值在时间维度上的时序协同关联特征分布信息。接着，对所述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，有利于提高后续分类的精准度，从而得到协同特征矩阵。
然后，以所述流速时序特征向量作为查询特征向量，计算其与所述协同特征矩阵之间的矩阵乘积，以此来表示基于所述模具本体的温度值与所述冷却液的流速值的时序协同关联变化特征为基础的关于所述冷却液的流速值在时间维度上的高维动态关联特征信息，从而得到分类特征向量。接着，将所述分类特征向量通过分类器中进行分类处理，以得到用于表示当前时间点的冷却液的流速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冷却液的流速值应增大(第一标签)，以及，当前时间点的冷却液的流速值应减小(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向量属于哪个分类标签。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当前时间点的冷却液的流速值控制策略标签，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所述当前时间点的冷却液的流速值，以此通过冷却液的自适应控制来使得模具本体的降温比较平滑以利于提高成型质量。
特别地，在本申请的技术方案中，这里，在以所述流速时序特征向量作为查询特征向量，计算其与所述协同特征矩阵之间的矩阵乘积得到所述分类特征向量时，是将所述协同特征矩阵表达的流速时序特征和温度时序特征的关联特征整体映射到所述流速时序特征向量表达的流速时序特征域内，但是，如果能够基于所述协同特征矩阵的特征分布对所述分类特征向量的各个位置的特征值进行适当的加权以区分所述分类特征向量的各个位置的特征值的重要性，即，以关联特征来反应特征的置信度，则显然能够提升所述分类特征向量的表达效果。
基于此，优选地，首先将所述协同特征矩阵通过作为特征提取器的卷积神经网络模型以得到协同特征图，例如记为
，再对所述协同特征图
进行特征相关性累积区分机制建模以获得加权特征向量，例如记为
，
表示为：
其中，
和
分别表示对特征图进行基于不同卷积核的单层卷积操作，且
表示对所述特征图的每个特征矩阵的全局池化操作。
这里，所述特征相关性累积区分机制建模首先通过卷积操作来生成特征图的两种新的局部关联单元，再利用Sigmoid函数和ReLU函数对局部关联特征进行类似神经网络架构的简单的嵌入、复位和更新，之后通过全局平均池化操作来累积局部特征相对于整体特征的相关性，从而使用特征区分机制来显式地建模特征重要性序列，就可以基于特征图的各个特征矩阵的特征累积区分机制来确定通道维度下适当的加权因数。这样，通过以所述加权特征向量
对所述分类特征向量进行点乘，就可以使得优化后的所述分类特征向量能够区分各个位置的特征值的重要性，从而提升其表达效果。这样，能够实时准确地基于模具本体的温度变化情况来对于当前时间点的冷却液的流速值进行自适应控制，以此来使得模具本体的降温比较平滑，以利于提高成型质量。
图1为根据本申请实施例的可调节式加工模具及其方法的应用场景图。如图1所示，在该应用场景中，通过温度传感器11采集预定时间段内多个预定时间点的模具本体12的温度值，同时通过流速传感器13采集所述多个预定时间点的冷却液的流速值。然后，将采集的所述多个预定时间点的冷却液的流速值和所述多个预定时间点的模具本体的温度值输入至部署有可调节式加工模具的控制算法的服务器14中，其中，所述服务器14能够使用所述可调节式加工模具的控制算法对输入数据进行处理以生成用于表示当前时间点的冷却液的流速值应增大或应减小的分类结果，并基于所述分类结果控制当前时间点的冷却液的流速值。
以上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。
图2是本申请实施例的可调节式加工模具的示意性框图。如图1所示，所述可调节式加工模具100，该加工模具包括：监控模块110，用于获取预定时间段内多个预定时间点的模具本体的温度值以及所述多个预定时间点的冷却液的流速值。
应理解，在本申请的技术方案中，期望通过模具本体的温度变化和冷却液的流速变化间的协同关联来对于当前时间点的冷却液的流速值进行精准控制，以此通过冷却液的自适应控制来使得模具本体的降温比较平滑以利于提高成型质量。在此过程中，难点在于如何建立所述模具本体的温度时序变化与所述冷却液的流速时序变化间的映射关系，以使得基于这两者的协同关联来对于冷却液的流速值进行实时准确地控制，从而提高产品的成型质量。
可选地，在本申请一实施例中，通过温度传感器采集预定时间段内多个预定时间点的模具本体的温度值，同时通过流速传感器采集所述多个预定时间点的冷却液的流速值。这里，可以从预定时间段内多个预定时间点的模具本体的温度值中提取到所述模具本体的温度时序变化，从所述多个预定时间点的冷却液的流速值中提取到所述冷却液的流速时序变化。
结构化模块120，用于将所述多个预定时间点的冷却液的流速值和所述多个预定时间点的模具本体的温度值分别按照时间维度排列为流速输入向量和温度输入向量。
应理解，考虑到由于所述模具本体的温度值与所述冷却液的流速值在时间维度上都具有着动态性的协同关联信息，因此，为了能够提取出这种协同变化特征来对于当前时间点的冷却液温度值进行精准控制，在本申请的技术方案中，将所述多个预定时间点的冷却液的流速值和所述多个预定时间点的模具本体的温度值分别按照时间维度排列为流速输入向量和温度输入向量，以此来整合所述模具本体的温度值与所述冷却液的流速值分别在时序上的参数分布信息。
时序特征提取模块130，用于将所述流速输入向量和所述温度输入向量分别通过一维卷积神经网络模型以得到流速时序特征向量和温度时序特征向量。
应理解，考虑到由于所述模具本体的温度值与所述冷却液的流速值在时序上都有着特定的变化规律，也就是说，所述模具本体的温度值与所述冷却液的流速值在时间维度上的各个预定时间点下的参数数据间具有着时序的动态关联关系。因此，在本申请的技术方案中，将所述流速输入向量和所述温度输入向量分别通过一维卷积神经网络模型中进行特征挖掘，以分别提取出所述模具本体的温度值与所述冷却液的流速值在时间维度上的时序动态关联特征分布信息，从而得到流速时序特征向量和温度时序特征向量。
可选地，在本申请一实施例中，所述时序特征提取模块130，用于：使用所述一维卷积神经网络模型的各层在层的正向传递中对输入数据分别进行：对所述输入数据进行基于一维卷积核的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，所述一维卷积神经网络模型的第一层的输入为所述流速输入向量和所述温度输入向量，所述一维卷积神经网络模型的最后一层的输出为所述流速时序特征向量和所述温度时序特征向量。所述一维卷积神经网络模型的第二层至最后一层的输入为上一层的输出。
融合模块140，用于基于高斯密度图来融合所述流速时序特征向量和所述温度时序特征向量以得到协同特征矩阵。
应理解，融合所述流速时序特征向量和所述温度时序特征向量，以此来融合所述模具本体的温度值与所述冷却液的流速值在时序上的动态关联特征，特别地，考虑到所述流速时序特征向量和所述温度时序特征向量在高维特征空间中都各自对应着一个特征分布流形，而这些特征分布流形由于本身的不规则形状和散布位置，如果仅通过将所述流速时序特征向量和所述温度时序特征向量级联来表示各项水质数据的全局的特征表示，将相当于简单地将这些特征分布流形按原位置和形状来进行叠加，使得新获得的特征分布流形的边界变得非常不规则和复杂，在通过梯度下降来寻找最优点时，非常容易陷入局部极值点中而无法获得全局最优点。因此，需要地对所述流速时序特征向量和所述温度时序特征向量进行适当的融合，使得各个特征分布能够相对于彼此在型面上收敛。
具体地，考虑到高斯密度图在深度学习中，广泛地用于基于先验的目标后验的估计，因此可以用于修正数据分布，从而实现上述目的。因此，在本申请的技术方案中，首先，基于高斯分布构造所述流速时序特征向量和所述温度时序特征向量的高斯密度图，以此来融合这两者的高维空间特征信息，以得到所述模具本体的温度值与所述冷却液的流速值在时间维度上的时序协同关联特征分布信息。接着，对所述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，有利于提高后续分类的精准度，从而得到协同特征矩阵。
可选地，在本申请一实施例中，所述融合模块140，包括：高斯密度图构造单元，用于使用高斯密度图以如下公式来构造所述流速时序特征向量和所述温度时序特征向量的高斯密度图以得到协同高斯密度图；其中，所述公式为：
其中，
表示所述协同高斯密度图的均值向量，
表示所述协同高斯密度图的协方差矩阵，
表示所述流速时序特征向量，
表示所述温度时序特征向量，
表示所述协同高斯密度图的变量，
表示高斯概率密度函数；以及，高斯离散化单元，用于对所述协同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协同特征矩阵。
查询校正模块150，用于以所述流速时序特征向量作为查询特征向量，计算其与所述协同特征矩阵之间的矩阵乘积以得到分类特征向量。
应理解，通过以所述流速时序特征向量作为查询特征向量，计算其与所述协同特征矩阵之间的矩阵乘积，以此来表示基于所述模具本体的温度值与所述冷却液的流速值的时序协同关联变化特征为基础的关于所述冷却液的流速值在时间维度上的高维动态关联特征信息，从而得到分类特征向量。
可选地，在本申请一实施例中，所述查询校正模块150，用于：以所述流速时序特征向量作为查询特征向量，以如下公式计算其与所述协同特征矩阵之间的矩阵乘积以得到分类特征向量；其中，所述公式为：
，其中
表示矩阵乘法，
表示所述流速时序特征向量，
表示所述分类特征向量，
表示所述协同特征矩阵。
特征校正模块160，用于基于所述协同特征矩阵，对所述分类特征向量进行特征分布校正以得到校正后分类特征向量。
应理解，在本申请的技术方案中，这里，在以所述流速时序特征向量作为查询特征向量，计算其与所述协同特征矩阵之间的矩阵乘积得到所述分类特征向量时，是将所述协同特征矩阵表达的流速时序特征和温度时序特征的关联特征整体映射到所述流速时序特征向量表达的流速时序特征域内，但是，如果能够基于所述协同特征矩阵的特征分布对所述分类特征向量的各个位置的特征值进行适当的加权以区分所述分类特征向量的各个位置的特征值的重要性，即，以关联特征来反应特征的置信度，则显然能够提升所述分类特征向量的表达效果。基于此，优选地，首先将所述协同特征矩阵通过作为特征提取器的卷积神经网络模型以得到协同特征图，例如记为
，再对所述协同特征图
进行特征相关性累积区分机制建模以获得加权特征向量。
图3是本申请实施例的可调节式加工模具中特征校正模块的示意性框图。如图3所示，所述特征校正模块160，包括：特征提取单元161，用于将所述协同特征矩阵通过作为特征提取器的卷积神经网络模型以得到协同特征图；区分建模单元162，用于对所述协同特征图进行特征相关性累积区分机制建模以获得加权特征向量；以及，作用单元163，用于以所述加权特征向量对所述分类特征向量进行点乘以得到所述校正后分类特征向量。
可选地，在上述实施例的子实施例中，所述特征提取单元161，用于，使用所述卷积神经网络模型以如下公式对所述协同特征矩阵进行处理以得到所述协同特征图；其中，所述公式为：
，其中，
为第i层卷积神经网络模型的输入，
为第i层卷积神经网络模型的输出，
为第i层卷积神经网络模型的过滤器，且
为第i层卷积神经网络模型的偏置矩阵，
表示非线性激活函数。
可选地，在上述实施例的另一个子实施例中，所述区分建模单元162，用于：以如下公式对所述协同特征图进行特征相关性累积区分机制建模以获得所述加权特征向量；其中，所述公式为：
，
其中
表示所述协同特征图，
和
分别表示对特征图进行基于不同卷积核的单层卷积操作，
表示
激活函数，
表示
激活函数，且
表示对特征图的每个特征矩阵进行全局池化操作，
表示按位置加法，
表示所述加权特征向量。
这里，所述特征相关性累积区分机制建模首先通过卷积操作来生成特征图的两种新的局部关联单元，再利用Sigmoid函数和ReLU函数对局部关联特征进行类似神经网络架构的简单的嵌入、复位和更新，之后通过全局平均池化操作来累积局部特征相对于整体特征的相关性，从而使用特征区分机制来显式地建模特征重要性序列，就可以基于特征图的各个特征矩阵的特征累积区分机制来确定通道维度下适当的加权因数。这样，通过以所述加权特征向量
对所述分类特征向量进行点乘，就可以使得优化后的所述分类特征向量能够区分各个位置的特征值的重要性，从而提升其表达效果。这样，能够实时准确地基于模具本体的温度变化情况来对于当前时间点的冷却液的流速值进行自适应控制，以此来使得模具本体的降温比较平滑，以利于提高成型质量。
调节结果生成模块170，用于将所述校正后分类特征向量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冷却液的流速值应增大或应减小。
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冷却液的流速值应增大(第一标签)，以及，当前时间点的冷却液的流速值应减小(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向量属于哪个分类标签。应理解，在本申请的技术方案中，所述分类器的分类标签为当前时间点的冷却液的流速值控制策略标签，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所述当前时间点的冷却液的流速值，以此通过冷却液的自适应控制来使得模具本体的降温比较平滑以利于提高成型质量。
图4是本申请实施例的可调节式加工模具中调节结果生成模块的示意性框图。如图4所示，所述调节结果生成模块170，包括：全连接单元171，用于使用所述分类器的全连接层对所述校正后分类特征向量进行全连接编码以得到全连接编码特征向量；概率化单元172，用于将所述全连接编码特征向量输入所述分类器的Softmax分类函数以得到所述校正后分类特征向量归属于各个分类标签的概率值，所述分类标签包括用于表示当前时间点的冷却液的流速值应增大和用于表示当前时间点的冷却液的流速值应减小；以及,分类单元173，用于将所述概率值中最大者对应的分类标签确定为所述分类结果。也就是，当归属与第一标签的概率大于归属与第二标签的概率时，所述分类器的分类结果为当前时间点的冷却液的流速值应增大，这里，可以根据实际生产情况，设置流速值增大的数值，根据所述分类结果对当前时间点的冷却液的流速值进行增大。同理，当归属与第一标签的概率小于归属与第二标签的概率时，所述分类器的分类结果为当前时间点的冷却液的流速值应减小，可以根据实际生产情况，设置流速值减小的数值，这里，设置的数值可以和增大的数值相同，也可以不同，根据所述分类结果对当前时间点的冷却液的流速值进行减小。通过不断的循环往复这个过程，从而实现对于当前时间点的冷却液的流速值进行自适应控制，以此来使得模具本体的降温比较平滑，以利于提高成型质量。
综上，本申请提供的一种可调节式加工模具，能够实时准确地基于模具本体的温度变化情况来对于当前时间点的冷却液的流速值进行自适应控制，以此来使得模具本体的降温比较平滑，以利于提高成型质量。
图5是本申请实施例的可调节式加工模具的控制方法的示意性流程图。如图5所示，该方法包括：S110，获取预定时间段内多个预定时间点的模具本体的温度值以及所述多个预定时间点的冷却液的流速值；S120，将所述多个预定时间点的冷却液的流速值和所述多个预定时间点的模具本体的温度值分别按照时间维度排列为流速输入向量和温度输入向量；S130，将所述流速输入向量和所述温度输入向量分别通过一维卷积神经网络模型以得到流速时序特征向量和温度时序特征向量;S140，基于高斯密度图来融合所述流速时序特征向量和所述温度时序特征向量以得到协同特征矩阵；S150，以所述流速时序特征向量作为查询特征向量，计算其与所述协同特征矩阵之间的矩阵乘积以得到分类特征向量；S160，基于所述协同特征矩阵，对所述分类特征向量进行特征分布校正以得到校正后分类特征向量；以及，S170，将所述校正后分类特征向量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冷却液的流速值应增大或应减小。
图6是本申请实施例的可调节式加工模具的控制方法的系统架构的示意图，如图6所示，所述可调节式加工模具的控制方法的系统架构的输入分别为预定时间段内多个预定时间点的模具本体的温度值和所述多个预定时间点的冷却液的流速值。然后，分别对两个输入进行处理，也就是，将所述多个预定时间点的冷却液的流速值按照时间维度排列为流速输入向量，并将所述流速输入向量通过一维卷积神经网络模型以得到流速时序特征向量。同时，将所述多个预定时间点的模具本体的温度值分别按照时间维度排列为温度输入向量，并将所述温度输入向量通过一维卷积神经网络模型以得到温度时序特征向量。接着，两个输出汇入同一个总干，也就是，基于高斯密度图来融合所述流速时序特征向量和所述温度时序特征向量以得到协同特征矩阵。再然后，以所述流速时序特征向量作为查询特征向量，计算其与所述协同特征矩阵之间的矩阵乘积以得到分类特征向量。最后，基于所述协同特征矩阵，对所述分类特征向量进行特征分布校正以得到校正后分类特征向量，并将所述校正后分类特征向量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冷却液的流速值应增大或应减小。
可选地，在本申请一实施例中，基于高斯密度图来融合所述流速时序特征向量和所述温度时序特征向量以得到协同特征矩阵，包括：使用高斯密度图以如下公式来构造所述流速时序特征向量和所述温度时序特征向量的高斯密度图以得到协同高斯密度图；其中，所述公式为：
，其中，
表示所述协同高斯密度图的均值向量，
表示所述协同高斯密度图的协方差矩阵，
表示所述流速时序特征向量，
表示所述温度时序特征向量，
表示所述协同高斯密度图的变量，
表示高斯概率密度函数；以及，对所述协同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协同特征矩阵。
可选地，在本申请一实施例中，基于所述协同特征矩阵，对所述分类特征向量进行特征分布校正以得到校正后分类特征向量，包括：将所述协同特征矩阵通过作为特征提取器的卷积神经网络模型以得到协同特征图；对所述协同特征图进行特征相关性累积区分机制建模以获得加权特征向量；以及，以所述加权特征向量对所述分类特征向量进行点乘以得到所述校正后分类特征向量。
这里，本领域技术人员可以理解，上述可调节式加工模具的控制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的可调节式加工模具的描述中得到了详细介绍，并因此，将省略其重复描述。
应理解，本文中的具体的例子只是为了帮助本领域技术人员更好地理解本申请实施例，而非限制本申请实施例的范围。
还应理解，在本申请的各种实施例中，各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
还应理解，本说明书中描述的各种实施方式，既可以单独实施，也可以组合实施，本申请实施例对此并不限定。
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。本申请所使用的术语“和/或”包括一个或多个相关的所列项的任意的和所有的组合。在本申请实施例和所附权利要求书中所使用的单数形式的“一种”、“上述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种可调节式加工模具，其特征在于，包括：监控模块，用于获取预定时间段内多个预定时间点的模具本体的温度值以及所述多个预定时间点的冷却液的流速值；结构化模块，用于将所述多个预定时间点的冷却液的流速值和所述多个预定时间点的模具本体的温度值分别按照时间维度排列为流速输入向量和温度输入向量；时序特征提取模块，用于将所述流速输入向量和所述温度输入向量分别通过一维卷积神经网络模型以得到流速时序特征向量和温度时序特征向量；融合模块，用于基于高斯密度图来融合所述流速时序特征向量和所述温度时序特征向量以得到协同特征矩阵；查询校正模块，用于以所述流速时序特征向量作为查询特征向量，计算其与所述协同特征矩阵之间的矩阵乘积以得到分类特征向量；特征校正模块，用于基于所述协同特征矩阵，对所述分类特征向量进行特征分布校正以得到校正后分类特征向量；以及调节结果生成模块，用于将所述校正后分类特征向量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冷却液的流速值应增大或应减小。
2.根据权利要求1所述的可调节式加工模具，其特征在于，所述时序特征提取模块，用于：使用所述一维卷积神经网络模型的各层在层的正向传递中对输入数据分别进行：对所述输入数据进行基于一维卷积核的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，所述一维卷积神经网络模型的第一层的输入为所述流速输入向量和所述温度输入向量，所述一维卷积神经网络模型的最后一层的输出为所述流速时序特征向量和所述温度时序特征向量。
3.根据权利要求2所述的可调节式加工模具，其特征在于，所述融合模块，包括：高斯密度图构造单元，用于使用高斯密度图以如下公式来构造所述流速时序特征向量和所述温度时序特征向量的高斯密度图以得到协同高斯密度图；其中，所述公式为：
4.根据权利要求3所述的可调节式加工模具，其特征在于，所述特征校正模块，包括：特征提取单元，用于将所述协同特征矩阵通过作为特征提取器的卷积神经网络模型以得到协同特征图；区分建模单元，用于对所述协同特征图进行特征相关性累积区分机制建模以获得加权特征向量；以及作用单元，用于以所述加权特征向量对所述分类特征向量进行点乘以得到所述校正后分类特征向量。
5.根据权利要求4所述的可调节式加工模具，其特征在于，所述特征提取单元，用于，使用所述作为特征提取器的卷积神经网络模型以如下公式对所述协同特征矩阵进行处理以得到所述协同特征图；其中，所述公式为：
，其中，
为第i层卷积神经网络模型的输入，
为第i层卷积神经网络模型的输出，
为第i层卷积神经网络模型的过滤器，且
为第i层卷积神经网络模型的偏置矩阵，
表示非线性激活函数。
6.根据权利要求5所述的可调节式加工模具，其特征在于，所述区分建模单元，用于：以如下公式对所述协同特征图进行特征相关性累积区分机制建模以获得所述加权特征向量；其中，所述公式为：
，
其中
表示所述协同特征图，
和
分别表示对特征图进行基于不同卷积核的单层卷积操作，
表示
激活函数，
表示
激活函数，且
表示对特征图的每个特征矩阵进行全局池化操作，
表示按位置加法，
表示所述加权特征向量。
7.根据权利要求6所述的可调节式加工模具，其特征在于，所述调节结果生成模块，包括：全连接单元，用于使用所述分类器的全连接层对所述校正后分类特征向量进行全连接编码以得到全连接编码特征向量；概率化单元，用于将所述全连接编码特征向量输入所述分类器的Softmax分类函数以得到所述校正后分类特征向量归属于各个分类标签的概率值，所述分类标签包括用于表示当前时间点的冷却液的流速值应增大和用于表示当前时间点的冷却液的流速值应减小；以及分类单元，用于将所述概率值中最大者对应的分类标签确定为所述分类结果。
8.一种可调节式加工模具的使用方法，其特征在于，包括：获取预定时间段内多个预定时间点的模具本体的温度值以及所述多个预定时间点的冷却液的流速值；将所述多个预定时间点的冷却液的流速值和所述多个预定时间点的模具本体的温度值分别按照时间维度排列为流速输入向量和温度输入向量；将所述流速输入向量和所述温度输入向量分别通过一维卷积神经网络模型以得到流速时序特征向量和温度时序特征向量;基于高斯密度图来融合所述流速时序特征向量和所述温度时序特征向量以得到协同特征矩阵；以所述流速时序特征向量作为查询特征向量，计算其与所述协同特征矩阵之间的矩阵乘积以得到分类特征向量；基于所述协同特征矩阵，对所述分类特征向量进行特征分布校正以得到校正后分类特征向量；以及将所述校正后分类特征向量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冷却液的流速值应增大或应减小。
9.根据权利要求8所述的可调节式加工模具的使用方法，其特征在于，基于高斯密度图来融合所述流速时序特征向量和所述温度时序特征向量以得到协同特征矩阵，包括：使用高斯密度图以如下公式来构造所述流速时序特征向量和所述温度时序特征向量的高斯密度图以得到协同高斯密度图；其中，所述公式为：
，其中，
表示所述协同高斯密度图的均值向量，
表示所述协同高斯密度图的协方差矩阵，
表示所述流速时序特征向量，
表示所述温度时序特征向量，
表示所述协同高斯密度图的变量，
表示高斯概率密度函数；以及对所述协同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协同特征矩阵。
10.根据权利要求9所述的可调节式加工模具的使用方法，其特征在于，基于所述协同特征矩阵，对所述分类特征向量进行特征分布校正以得到校正后分类特征向量，包括：将所述协同特征矩阵通过作为特征提取器的卷积神经网络模型以得到协同特征图；对所述协同特征图进行特征相关性累积区分机制建模以获得加权特征向量；以及以所述加权特征向量对所述分类特征向量进行点乘以得到所述校正后分类特征向量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310192370.9A CN115990983A (zh) | 2023-03-02 | 2023-03-02 | 一种可调节式加工模具及其方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310192370.9A CN115990983A (zh) | 2023-03-02 | 2023-03-02 | 一种可调节式加工模具及其方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115990983A true CN115990983A (zh) | 2023-04-21 |
Family
ID=85992168
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310192370.9A Withdrawn CN115990983A (zh) | 2023-03-02 | 2023-03-02 | 一种可调节式加工模具及其方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115990983A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116690949A (zh) * | 2023-05-12 | 2023-09-05 | 深圳市赛卓塑业有限公司 | 基于玉米淀粉的餐盒加工工艺及其系统 |
| CN117036089A (zh) * | 2023-08-22 | 2023-11-10 | 哈尔滨辰昌农业科技有限公司 | 生物质水稻育秧盘的制备方法及其系统 |
-
2023
- 2023-03-02 CN CN202310192370.9A patent/CN115990983A/zh not_active Withdrawn
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116690949A (zh) * | 2023-05-12 | 2023-09-05 | 深圳市赛卓塑业有限公司 | 基于玉米淀粉的餐盒加工工艺及其系统 |
| CN116690949B (zh) * | 2023-05-12 | 2024-09-10 | 深圳市赛卓塑业有限公司 | 基于玉米淀粉的餐盒加工工艺及其系统 |
| CN117036089A (zh) * | 2023-08-22 | 2023-11-10 | 哈尔滨辰昌农业科技有限公司 | 生物质水稻育秧盘的制备方法及其系统 |
| CN117036089B (zh) * | 2023-08-22 | 2024-05-28 | 哈尔滨辰昌农业科技有限公司 | 生物质水稻育秧盘的制备方法及其系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Luo et al. | Decomposition algorithm for depth image of human health posture based on brain health | |
| CN115990983A (zh) | 一种可调节式加工模具及其方法 | |
| Jolly et al. | Vehicle segmentation and classification using deformable templates | |
| CN109934158B (zh) | 基于局部强化运动历史图和递归卷积神经网络的视频情感识别方法 | |
| Cai et al. | Multi-AUV collaborative target recognition based on transfer-reinforcement learning | |
| CN113592894B (zh) | 一种基于边界框和同现特征预测的图像分割方法 | |
| CN105976397B (zh) | 一种目标跟踪方法 | |
| CN107563312A (zh) | 人脸表情识别方法 | |
| US11645328B2 (en) | 3D-aware image search | |
| Aamir et al. | ML-DCNNet: multi-level deep convolutional neural network for facial expression recognition and intensity estimation | |
| CN113673313B (zh) | 一种基于分层卷积神经网络的手势姿态识别方法 | |
| Guo et al. | A deep-learning-based surrogate model for thermal signature prediction in laser metal deposition | |
| CN116704267B (zh) | 一种基于改进yolox算法的深度学习3d打印缺陷检测方法 | |
| EP3588441B1 (en) | Imagification of multivariate data sequences | |
| Sen et al. | Face recognition using deep convolutional network and one-shot learning | |
| CN111462184B (zh) | 基于孪生神经网络线性表示模型的在线稀疏原型跟踪方法 | |
| Hashimoto et al. | Process planning for die and mold machining based on pattern recognition and deep learning | |
| CN110503148B (zh) | 一种具有尺度不变性的点云对象识别方法 | |
| Drass et al. | Semantic segmentation with deep learning: detection of cracks at the cut edge of glass | |
| CN114297237B (zh) | 基于类别融合的三维点云数据检索方法、装置及计算机设备 | |
| CN115239760A (zh) | 一种目标跟踪方法、系统、设备及存储介质 | |
| CN105160336B (zh) | 基于Sigmoid函数的人脸识别方法 | |
| Deng et al. | View-invariant gait recognition based on deterministic learning and knowledge fusion | |
| CN117445367A (zh) | 吹塑模具的自动控制系统及其方法 | |
| CN116901388A (zh) | 基于注塑成型的pvc配件缺陷智能修正方法 |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20230421 |
|
| WW01 | Invention patent application withdrawn after publication |