CN116059681B - 用于控制结晶成核的超声控制方法及其系统 - Google Patents
用于控制结晶成核的超声控制方法及其系统 Download PDFInfo
- Publication number
- CN116059681B CN116059681B CN202310208860.3A CN202310208860A CN116059681B CN 116059681 B CN116059681 B CN 116059681B CN 202310208860 A CN202310208860 A CN 202310208860A CN 116059681 B CN116059681 B CN 116059681B
- Authority
- CN
- China
- Prior art keywords
- vector
- ultrasonic
- feature vector
- gaussian
- feature
- 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
- 238000002425 crystallisation Methods 0.000 title claims abstract description 136
- 230000008025 crystallization Effects 0.000 title claims abstract description 136
- 238000010899 nucleation Methods 0.000 title claims abstract description 76
- 230000006911 nucleation Effects 0.000 title claims abstract description 76
- 238000000034 method Methods 0.000 title claims abstract description 60
- 239000013598 vector Substances 0.000 claims abstract description 552
- 230000009471 action Effects 0.000 claims abstract description 121
- 239000011159 matrix material Substances 0.000 claims abstract description 107
- 239000013078 crystal Substances 0.000 claims abstract description 83
- 230000004043 responsiveness Effects 0.000 claims abstract description 42
- 238000000605 extraction Methods 0.000 claims abstract description 39
- 230000003247 decreasing effect Effects 0.000 claims abstract description 22
- 238000009826 distribution Methods 0.000 claims description 117
- 238000002604 ultrasonography Methods 0.000 claims description 52
- 238000010586 diagram Methods 0.000 claims description 20
- 230000004044 response Effects 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000004927 fusion Effects 0.000 claims description 9
- -1 lithium hexafluorophosphate Chemical compound 0.000 abstract description 86
- 230000000694 effects Effects 0.000 abstract description 13
- 230000001276 controlling effect Effects 0.000 description 49
- 230000008859 change Effects 0.000 description 22
- 230000008569 process Effects 0.000 description 19
- 230000006870 function Effects 0.000 description 17
- 239000000243 solution Substances 0.000 description 17
- 239000000284 extract Substances 0.000 description 8
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- OKKJLVBELUTLKV-UHFFFAOYSA-N Methanol Chemical compound OC OKKJLVBELUTLKV-UHFFFAOYSA-N 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 239000003792 electrolyte Substances 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 229910001416 lithium ion Inorganic materials 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000001953 recrystallisation Methods 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000009210 therapy by ultrasound Methods 0.000 description 2
- HZNVUJQVZSTENZ-UHFFFAOYSA-N 2,3-dichloro-5,6-dicyano-1,4-benzoquinone Chemical compound ClC1=C(Cl)C(=O)C(C#N)=C(C#N)C1=O HZNVUJQVZSTENZ-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000006555 catalytic reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 150000002739 metals Chemical class 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000012047 saturated solution Substances 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D9/00—Crystallisation
- B01D9/0063—Control or regulation
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D9/00—Crystallisation
- B01D9/0081—Use of vibrations, e.g. ultrasound
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D9/00—Crystallisation
- B01D9/02—Crystallisation from solutions
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Landscapes
- Chemical & Material Sciences (AREA)
- Crystallography & Structural Chemistry (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
公开了一种用于控制结晶成核的超声控制方法及其系统。其首先将多个预定时间点的超声功率值和超声频率值分别排列后通过多尺度邻域特征提取模块以得到超声功率时序特征向量和超声频率时序特征向量,接着,计算所述超声功率时序特征向量和所述超声频率时序特征向量的按位置点乘以得到超声作用特征向量,并将多个预定时间点的六氟磷酸锂的含量值排列后通过时序编码器以得到结晶物生成特征向量,接着,计算所述结晶物生成特征向量相对于所述超声作用特征向量的响应性估计以得到分类特征矩阵,最后,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超声功率值和超声频率值应增大或应减小的分类结果。这样,可以提高结晶成核的效率和效果。
Description
技术领域
本申请涉及智能控制领域,且更为具体地,涉及一种用于控制结晶成核的超声控制方法及其系统。
背景技术
六氟磷酸盐包括六氟磷酸锂、六氟磷酸钠、六氟磷酸钾、六氟磷酸铵等,广泛应用于锂离子电池、催化反应和金属的电抛光中。六氟磷酸锂是最新一代的绿色高能充电电池电解液中重要的电解质,近年来得到了飞速发展,并以其卓越的性能价格比优势在笔记本电脑、移动电话、摄录机、武器装备等移动电子终端设备领域的二次锂离子电池中占据了主导地位。
在六氟磷酸锂的制备过程中,需要对于溶液中的六氟磷酸锂进行结晶成核。超声结晶是利用超声波的能量控制结晶过程,由于利用超声波可以对成核和生长过程进行控制,从而使结晶过程更加优化,因而现有的方案通过控制超声波以控制溶液的过饱和度,并改变溶液中晶体的生长速率,以实现溶液中的六氟磷酸锂结晶成核。
但是,传统的方案在实际进行六氟磷酸锂结晶过程中,将超声功率和超声频率控制在一个固定的范围来完成六氟磷酸锂结晶成核,并没有关注到在六氟磷酸锂的结晶过程的不同阶段所需的超声波功率和频率是不同的,导致六氟磷酸锂的结晶效率较低,且六氟磷酸锂结晶成核的结晶体晶粒质量较差,并不能够满足应有要求。
因此,期望一种优化的用于控制结晶成核的超声控制方案。
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用于控制结晶成核的超声控制方法及其系统。其首先将多个预定时间点的超声功率值和超声频率值分别排列后通过多尺度邻域特征提取模块以得到超声功率时序特征向量和超声频率时序特征向量,接着,计算所述超声功率时序特征向量和所述超声频率时序特征向量的按位置点乘以得到超声作用特征向量,然后,将多个预定时间点的六氟磷酸锂的含量值排列后通过时序编码器以得到结晶物生成特征向量,接着,计算所述结晶物生成特征向量相对于所述超声作用特征向量的响应性估计以得到分类特征矩阵,最后,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超声功率值和超声频率值应增大或应减小的分类结果。这样,可以提高结晶成核的效率和效果。
根据本申请的一个方面,提供了一种用于控制结晶成核的超声控制方法,其包括:获取预定时间段内多个预定时间点的超声功率值和超声频率值,以及,所述多个预定时间点的六氟磷酸锂的含量值;将所述多个预定时间点的超声功率值和超声频率值分别按照时间维度排列为超声功率输入向量和超声频率输入向量后通过多尺度邻域特征提取模块以得到超声功率时序特征向量和超声频率时序特征向量;计算所述超声功率时序特征向量和所述超声频率时序特征向量的按位置点乘以得到超声作用特征向量;将所述多个预定时间点的六氟磷酸锂的含量值按照时间维度排列为结晶物含量输入向量后通过包含全连接层和一维卷积层的时序编码器以得到结晶物生成特征向量;计算所述结晶物生成特征向量相对于所述超声作用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超声功率值应增大或应减小,且当前时间点的超声频率值应增大或应减小。
在上述的用于控制结晶成核的超声控制方法中,所述多尺度邻域特征提取模块包括并行的第一卷积层和第二卷积层,以及,与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层,其中,所述第一卷积层和所述第二卷积层使用具有不同尺度的一维卷积核。
在上述的用于控制结晶成核的超声控制方法中,将所述多个预定时间点的超声功率值和超声频率值分别按照时间维度排列为超声功率输入向量和超声频率输入向量后通过多尺度邻域特征提取模块以得到超声功率时序特征向量和超声频率时序特征向量,包括:使用所述多尺度邻域特征提取模块的所述第一卷积层对所述超声功率输入向量进行一维卷积编码以得到第一尺度超声功率时序特征向量;其中,所述公式为:
,其中,/>为第一一维卷积核在/>方向上的宽度、/>为第一一维卷积核参数向量、/>为与卷积核函数运算的局部向量矩阵,/>为第一一维卷积核的尺寸,/>表示所述超声功率输入向量;使用所述多尺度邻域特征提取模块的所述第二卷积层对所述超声功率输入向量进行一维卷积编码以得到第二尺度超声功率时序特征向量;其中,所述公式为:/> ,其中,/>为第二一维卷积核在/>方向上的宽度、/>为第二一维卷积核参数向量、为与卷积核函数运算的局部向量矩阵,/>为第二一维卷积核的尺寸,/>表示所述超声功率输入向量;以及使用所述多尺度邻域特征提取模块的所述多尺度特征融合层对所述第一尺度超声功率时序特征向量和所述第二尺度超声功率时序特征向量进行级联以得到所述超声功率时序特征向量。
在上述的用于控制结晶成核的超声控制方法中,计算所述超声功率时序特征向量和所述超声频率时序特征向量的按位置点乘以得到超声作用特征向量,包括:以如下公式计算所述超声功率时序特征向量和所述超声频率时序特征向量的按位置点乘以得到所述超声作用特征向量;其中,所述公式为: ,其中,/>表示所述超声功率时序特征向量,/>表示所述超声频率时序特征向量,/>表示所述超声作用特征向量,/>表示按位置点乘。
在上述的用于控制结晶成核的超声控制方法中,将所述多个预定时间点的六氟磷酸锂的含量值按照时间维度排列为结晶物含量输入向量后通过包含全连接层和一维卷积层的时序编码器以得到结晶物生成特征向量,包括:使用所述时序编码器的全连接层以如下公式对所述结晶物含量输入向量进行全连接编码以提取出所述结晶物含量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/>是输入向量,/>是输出向量,/>是权重矩阵,/>是偏置向量,/>表示矩阵乘;使用所述时序编码器的一维卷积层以如下公式对所述结晶物含量输入向量进行一维卷积编码以提取出所述结晶物含量输入向量中各个位置的特征值间的关联的高维隐含关联特征,其中,所述公式为:
在上述的用于控制结晶成核的超声控制方法中,计算所述结晶物生成特征向量相对于所述超声作用特征向量的响应性估计以得到分类特征矩阵,包括:计算所述结晶物生成特征向量和所述超声作用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结晶物生成特征向量和所述超声作用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结晶物生成特征向量和所述超声作用特征向量的按位置方差构成的协方差矩阵;分别计算所述结晶物生成特征向量和所述超声作用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的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的高斯概率密度分布距离指数分别作为权重,对所述结晶物生成特征向量和所述超声作用特征向量进行加权以得到校正后结晶物生成特征向量和校正后超声作用特征向量;构造所述校正后结晶物生成特征向量和所述校正后超声作用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。
在上述的用于控制结晶成核的超声控制方法中,计算所述结晶物生成特征向量和所述超声作用特征向量的联合高斯密度图,包括:使用如下公式计算所述结晶物生成特征向量和所述超声作用特征向量的所述联合高斯密度图;其中,所述公式为: ,
在上述的用于控制结晶成核的超声控制方法中,分别计算所述结晶物生成特征向量和所述超声作用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的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结晶物生成特征向量和所述超声作用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的高斯概率密度分布距离指数;其中,所述公式为:
其中,和/>分别是所述结晶物生成特征向量和所述超声作用特征向量,/>和/>是所述联合高斯密度图的均值向量和协方差矩阵,所述结晶物生成特征向量和所述超声作用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的高斯概率密度分布距离指数。
在上述的用于控制结晶成核的超声控制方法中,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所述响应性高斯密度图;其中,所述公式为: ,其中,/>表示所述第一高斯密度图的均值向量,/>表示所述第二高斯密度图的均值向量,/>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。
根据本申请的另一个方面,提供了一种用于控制结晶成核的超声控制系统,其包括:数据获取模块,用于获取预定时间段内多个预定时间点的超声功率值和超声频率值,以及,所述多个预定时间点的六氟磷酸锂的含量值;多尺度编码模块,用于将所述多个预定时间点的超声功率值和超声频率值分别按照时间维度排列为超声功率输入向量和超声频率输入向量后通过多尺度邻域特征提取模块以得到超声功率时序特征向量和超声频率时序特征向量;向量计算模块,用于计算所述超声功率时序特征向量和所述超声频率时序特征向量的按位置点乘以得到超声作用特征向量;时序编码模块,用于将所述多个预定时间点的六氟磷酸锂的含量值按照时间维度排列为结晶物含量输入向量后通过包含全连接层和一维卷积层的时序编码器以得到结晶物生成特征向量;响应性估计模块,用于计算所述结晶物生成特征向量相对于所述超声作用特征向量的响应性估计以得到分类特征矩阵;以及分类模块,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超声功率值应增大或应减小,且当前时间点的超声频率值应增大或应减小。
与现有技术相比,本申请提供的用于控制结晶成核的超声控制方法及其系统,其首先将多个预定时间点的超声功率值和超声频率值分别排列后通过多尺度邻域特征提取模块以得到超声功率时序特征向量和超声频率时序特征向量,接着,计算所述超声功率时序特征向量和所述超声频率时序特征向量的按位置点乘以得到超声作用特征向量,然后,将多个预定时间点的六氟磷酸锂的含量值排列后通过时序编码器以得到结晶物生成特征向量,接着,计算所述结晶物生成特征向量相对于所述超声作用特征向量的响应性估计以得到分类特征矩阵,最后,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超声功率值和超声频率值应增大或应减小的分类结果。这样,可以提高结晶成核的效率和效果。
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而言,在没有做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。以下附图并未刻意按实际尺寸等比例缩放绘制,重点在于示出本申请的主旨。
图1为根据本申请实施例的用于控制结晶成核的超声控制方法的场景示意图。
图2为根据本申请实施例的用于控制结晶成核的超声控制方法的流程图。
图3为根据本申请实施例的用于控制结晶成核的超声控制方法的架构示意图。
图4为根据本申请实施例的用于控制结晶成核的超声控制方法中子步骤S150的流程图。
图5为根据本申请实施例的用于控制结晶成核的超声控制系统的框图。
具体实施方式
下面将结合附图对本申请实施例中的技术方案进行清楚、完整地描述,显而易见地,所描述的实施例仅仅是本申请的部分实施例,而不是全部的实施例。基于本申请实施例,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,也属于本申请保护的范围。
如本申请和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其他的步骤或元素。
虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用,然而,任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的,并且所述系统和方法的不同方面可以使用不同模块。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是,前面或下面操作不一定按照顺序来精确地执行。相反,根据需要,可以按照倒序或同时处理各种步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
如上所述,传统的方案在实际进行六氟磷酸锂结晶过程中,将超声功率和超声频率控制在一个固定的范围来完成六氟磷酸锂结晶成核,并没有关注到在六氟磷酸锂的结晶过程的不同阶段所需的超声波功率和频率是不同的,导致六氟磷酸锂的结晶效率较低,且六氟磷酸锂结晶成核的结晶体晶粒质量较差,并不能够满足应有要求。因此,期望一种优化的用于控制结晶成核的超声控制方案。
相应地,在本申请的技术方案中,考虑到强度较大的超声波可以有效代替晶种,在难于成核的低过饱和度的环境中,利用超声波可有效地促进成核。在物系中引入超声波可有效减小介稳区的宽度。具体地,己二烯酸醋酸(HDA)在甲醇溶剂中的冷冻结晶试验中,当40℃的饱和溶液以0.5K/min的冷冻速率冷却时,若物系中不引入超声波,则当冷却至33.2℃时溶液中才开始出现晶核,若引入超声波,则晶核可在36.8℃析出。超声的引入可以使介稳区的宽度由6.8K下降为3.2K。因此,通过控制超声波可以有效控制溶液的过饱和度,并改变溶液中晶体的生长速率。超声结晶是利用超声波的能量控制结晶过程。利用超声波可以对成核和生长过程进行控制,从而使结晶过程更加优化。
基于此,在本申请的技术方案中,考虑到在实际进行六氟磷酸锂的制备过程中,在通过超声波来进行超声结晶控制时,超声功率值和超声频率值都会影响超声波的效果,即溶液超声结晶成核的效率,进而影响六氟磷酸锂的含量值变化。因此,在本申请的技术方案中,期望通过对于六氟磷酸锂的含量值的时序变化分析来进行超声功率和超声频率的实时控制,但是,考虑到在实际控制的过程中,由于所述六氟磷酸锂的含量值与所述超声功率值和所述超声频率值之间在时间维度上都具有着动态性的关联关系,并且所述超声功率值和所述超声频率值之间也具有着时序协同关联特征,这两者共同决定了超声波处理的结晶效果和效率。因此,在此过程中,难点在于如何挖掘所述六氟磷酸锂的含量值的时序变化与所述超声功率值和所述超声频率值的时序协同关联变化之间的映射关系,以基于实际的六氟磷酸锂的含量值变化情况来对于超声功率值和超声频率值进行实时准确地控制,从而提高结晶成核的效率和效果。
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挖掘所述六氟磷酸锂的含量值的时序变化与所述超声功率值和所述超声频率值的时序协同关联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六氟磷酸锂的含量值的时序变化与所述超声功率值和所述超声频率值的时序协同关联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超声功率值和超声频率值,以及,所述多个预定时间点的六氟磷酸锂的含量值。接着,考虑到由于所述超声功率值和所述超声频率值分别在时间维度上的不同时间周期跨度下都具有着不同的模式状态变化特征,因此,为了能够充分且准确地提取出所述超声功率值和所述超声频率值分别在时间维度上的动态变化特征信息,进一步将所述多个预定时间点的超声功率值和超声频率值分别按照时间维度排列为超声功率输入向量和超声频率输入向量后通过多尺度邻域特征提取模块中进行特征挖掘,以分别提取出所述超声功率值和所述超声频率值在不同时间跨度下的动态多尺度邻域关联特征,从而得到超声功率时序特征向量和超声频率时序特征向量。
然后,考虑到所述超声功率值和所述超声频率值在时间维度上具有着相当程度的关联,也就是说,在结晶成核过程中,所述超声功率值和所述超声频率值的时序协同关联信息决定了六氟磷酸锂的含量值,因此,为了探究所述超声功率值和所述超声频率值的时序协同变化特征信息与六氟磷酸锂的含量值间的隐含关联关系,需要建立所述超声功率值和所述超声频率值的时序动态特征的关联性关系。具体地,在本申请的技术方案中,计算所述超声功率时序特征向量和所述超声频率时序特征向量的按位置点乘以得到超声作用特征向量。
进一步地,对于所述六氟磷酸锂的含量值来说,考虑到所述六氟磷酸锂的含量值在时间维度上也具有着动态性的变化规律,也就是说,所述六氟磷酸锂的含量值再结晶成核的过程中是在不断变化的,并且这种变化规律与所述超声功率值和所述超声频率值的时序协同动态关联特征有关。因此,在本申请的技术方案中,为了能够充分地提取出所述六氟磷酸锂的含量值在时间维度上的动态变化特征,进一步将所述多个预定时间点的六氟磷酸锂的含量值按照时间维度排列为结晶物含量输入向量后通过包含全连接层和一维卷积层的时序编码器以得到结晶物生成特征向量。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六氟磷酸锂的含量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六氟磷酸锂的含量值的高维隐含特征。
接着,进一步再计算所述结晶物生成特征向量相对于所述超声作用特征向量的响应性估计,以此来表示所述超声功率值和所述超声频率值的时序协同动态关联特征与所述六氟磷酸锂的含量值的动态变化特征间的关联性特征分布信息,从而得到分类特征矩阵。
特别地,考虑到所述超声功率值和所述超声频率值的时序协同变化信息和所述六氟磷酸锂的含量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超声功率值和所述超声频率值的控制精准度,需要在高维特征空间中对于所述超声功率值和所述超声频率值的时序协同动态关联特征与所述六氟磷酸锂的含量值的动态变化特征进行数据增强。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,可以通过所述超声功率值和所述超声频率值的时序协同变化信息和所述六氟磷酸锂的含量值的先验分布,即高斯分布,来对于所述超声功率值和所述超声频率值的时序协同动态关联特征与所述六氟磷酸锂的含量值的动态变化特征进行数据增强。
具体地,首先,分别构造所述结晶物生成特征向量和所述超声作用特征向量的高斯密度图以得到结晶物生成高斯密度图和超声作用高斯密度图;接着,就可以计算所述结晶物生成高斯密度图相对于所述超声作用高斯密度图的响应性估计,以此来表示所述超声功率值和所述超声频率值的时序协同动态关联特征与所述六氟磷酸锂的含量值的动态变化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分类结果,所述分类结果用于表示当前时间点的超声功率值应增大或应减小,且当前时间点的超声频率值应增大或应减小。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超声功率值控制策略标签,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超声功率值,以此来优化结晶成核的效率和效果。
特别地,这里,在基于高斯密度图计算所述结晶物生成特征向量相对于所述超声作用特征向量的响应性估计得到所述分类特征矩阵时,考虑到所述结晶物生成特征向量表达六氟磷酸锂的含量值的时序关联特征分布,而所述超声作用特征向量表达超声功率值和超声频率值的时序多邻域关联特征的时序位置叠加特征,虽然两者都基本遵循时序分布,但由于源数据沿时序的内在自然分布不可能一致,这就会导致两者的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,计算所述结晶物生成特征向量和所述超声作用特征向量的联合高斯密度图,并进一步计算所述结晶物生成特征向量和所述超声作用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/>分别是所述结晶物生成特征向量和所述超声作用特征向量,/>和/>是联合高斯密度图的均值向量和协方差矩阵,即/>表示所述结晶物生成特征向量和所述超声作用特征向量的均值向量,且/>表示所述结晶物生成特征向量和所述超声作用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,通过计算所述结晶物生成特征向量和所述超声作用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结晶物生成特征向量和所述超声作用特征向量进行加权,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实际六氟磷酸锂结晶含量情况来自适应地调控超声功率值和超声频率值,以优化六氟磷酸锂的结晶效率和效果。
图1为根据本申请实施例的用于控制结晶成核的超声控制方法的应用场景图。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超声功率值(例如,图1中所示意的D1)和超声频率值(例如,图1中所示意的D2),以及,所述多个预定时间点的六氟磷酸锂的含量值(例如,图1中所示意的D3),然后,将预定时间段内多个预定时间点的超声功率值和超声频率值,以及,所述多个预定时间点的六氟磷酸锂的含量值输入至部署有用于控制结晶成核的超声控制算法的服务器中(例如,图1中所示意的S),其中,所述服务器能够使用所述用于控制结晶成核的超声控制算法对预定时间段内多个预定时间点的超声功率值和超声频率值,以及,所述多个预定时间点的六氟磷酸锂的含量值进行处理以得到用于表示当前时间点的超声功率值应增大或应减小,且当前时间点的超声频率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。
图2为根据本申请实施例的用于控制结晶成核的超声控制方法的流程图。如图2所示,根据本申请实施例的用于控制结晶成核的超声控制方法,包括步骤:S110,获取预定时间段内多个预定时间点的超声功率值和超声频率值,以及,所述多个预定时间点的六氟磷酸锂的含量值;S120,将所述多个预定时间点的超声功率值和超声频率值分别按照时间维度排列为超声功率输入向量和超声频率输入向量后通过多尺度邻域特征提取模块以得到超声功率时序特征向量和超声频率时序特征向量;S130,计算所述超声功率时序特征向量和所述超声频率时序特征向量的按位置点乘以得到超声作用特征向量;S140,将所述多个预定时间点的六氟磷酸锂的含量值按照时间维度排列为结晶物含量输入向量后通过包含全连接层和一维卷积层的时序编码器以得到结晶物生成特征向量;S150,计算所述结晶物生成特征向量相对于所述超声作用特征向量的响应性估计以得到分类特征矩阵;以及,S160,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超声功率值应增大或应减小,且当前时间点的超声频率值应增大或应减小。
图3为根据本申请实施例的用于控制结晶成核的超声控制方法的架构示意图。如图3所示,在该网络架构中,首先,获取预定时间段内多个预定时间点的超声功率值和超声频率值,以及,所述多个预定时间点的六氟磷酸锂的含量值;接着,将所述多个预定时间点的超声功率值和超声频率值分别按照时间维度排列为超声功率输入向量和超声频率输入向量后通过多尺度邻域特征提取模块以得到超声功率时序特征向量和超声频率时序特征向量;然后,计算所述超声功率时序特征向量和所述超声频率时序特征向量的按位置点乘以得到超声作用特征向量;接着,将所述多个预定时间点的六氟磷酸锂的含量值按照时间维度排列为结晶物含量输入向量后通过包含全连接层和一维卷积层的时序编码器以得到结晶物生成特征向量;然后,计算所述结晶物生成特征向量相对于所述超声作用特征向量的响应性估计以得到分类特征矩阵;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超声功率值应增大或应减小,且当前时间点的超声频率值应增大或应减小。
更具体地,在步骤S110中,获取预定时间段内多个预定时间点的超声功率值和超声频率值,以及,所述多个预定时间点的六氟磷酸锂的含量值。在实际控制的过程中,由于所述六氟磷酸锂的含量值与所述超声功率值和所述超声频率值之间在时间维度上都具有着动态性的关联关系,并且所述超声功率值和所述超声频率值之间也具有着时序协同关联特征,这两者共同决定了超声波处理的结晶效果和效率。因此,在此过程中,通过挖掘所述六氟磷酸锂的含量值的时序变化与所述超声功率值和所述超声频率值的时序协同关联变化之间的映射关系,以基于实际的六氟磷酸锂的含量值变化情况来对于超声功率值和超声频率值进行实时准确地控制,从而提高结晶成核的效率和效果。
更具体地,在步骤S120中,将所述多个预定时间点的超声功率值和超声频率值分别按照时间维度排列为超声功率输入向量和超声频率输入向量后通过多尺度邻域特征提取模块以得到超声功率时序特征向量和超声频率时序特征向量。由于所述超声功率值和所述超声频率值分别在时间维度上的不同时间周期跨度下都具有着不同的模式状态变化特征,因此,为了能够充分且准确地提取出所述超声功率值和所述超声频率值分别在时间维度上的动态变化特征信息,进一步将所述多个预定时间点的超声功率值和超声频率值分别按照时间维度排列为超声功率输入向量和超声频率输入向量后通过多尺度邻域特征提取模块中进行特征挖掘,以分别提取出所述超声功率值和所述超声频率值在不同时间跨度下的动态多尺度邻域关联特征,从而得到超声功率时序特征向量和超声频率时序特征向量。
相应地,在一个具体示例中,所述多尺度邻域特征提取模块包括并行的第一卷积层和第二卷积层,以及,与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层,其中,所述第一卷积层和所述第二卷积层使用具有不同尺度的一维卷积核。
相应地,在一个具体示例中,将所述多个预定时间点的超声功率值和超声频率值分别按照时间维度排列为超声功率输入向量和超声频率输入向量后通过多尺度邻域特征提取模块以得到超声功率时序特征向量和超声频率时序特征向量,包括:使用所述多尺度邻域特征提取模块的所述第一卷积层对所述超声功率输入向量进行一维卷积编码以得到第一尺度超声功率时序特征向量;其中,所述公式为:,其中,/>为第一一维卷积核在/>方向上的宽度、/>为第一一维卷积核参数向量、为与卷积核函数运算的局部向量矩阵,/>为第一一维卷积核的尺寸,/>表示所述超声功率输入向量;使用所述多尺度邻域特征提取模块的所述第二卷积层对所述超声功率输入向量进行一维卷积编码以得到第二尺度超声功率时序特征向量;其中,所述公式为: ,其中,/>为第二一维卷积核在/>方向上的宽度、为第二一维卷积核参数向量、/>为与卷积核函数运算的局部向量矩阵,/>为第二一维卷积核的尺寸,/>表示所述超声功率输入向量;以及,使用所述多尺度邻域特征提取模块的所述多尺度特征融合层对所述第一尺度超声功率时序特征向量和所述第二尺度超声功率时序特征向量进行级联以得到所述超声功率时序特征向量。
相应地,在一个具体示例中,将所述多个预定时间点的超声功率值和超声频率值分别按照时间维度排列为超声功率输入向量和超声频率输入向量后通过多尺度邻域特征提取模块以得到超声功率时序特征向量和超声频率时序特征向量,包括:使用所述多尺度邻域特征提取模块的所述第一卷积层对所述超声频率输入向量进行一维卷积编码以得到第一尺度超声频率时序特征向量;其中,所述公式为:
其中,为第一一维卷积核在/>方向上的宽度、/>为第一一维卷积核参数向量、/>为与卷积核函数运算的局部向量矩阵,/>为第一一维卷积核的尺寸,/>表示所述超声频率输入向量;使用所述多尺度邻域特征提取模块的所述第二卷积层对所述超声频率输入向量进行一维卷积编码以得到第二尺度超声频率时序特征向量;其中,所述公式为:
其中,为第二一维卷积核在/>方向上的宽度、/>为第二一维卷积核参数向量、/>为与卷积核函数运算的局部向量矩阵,/>为第二一维卷积核的尺寸,/>表示所述超声频率输入向量;以及,使用所述多尺度邻域特征提取模块的所述多尺度特征融合层对所述第一尺度超声频率时序特征向量和所述第二尺度超声频率时序特征向量进行级联以得到所述超声频率时序特征向量。
应可以理解,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一个最终的结果。卷积神经网络模型利用卷积核作为特征过滤因子在图像局部特征提取方面具有非常优异的性能表现,且相较于传统的基于统计或者基于特征工程的图像特征提取算法,所述卷积神经网络模型具有更强的特征提取泛化能力和拟合能力。
更具体地,在步骤S130中,计算所述超声功率时序特征向量和所述超声频率时序特征向量的按位置点乘以得到超声作用特征向量。所述超声功率值和所述超声频率值在时间维度上具有着相当程度的关联,也就是说,在结晶成核过程中,所述超声功率值和所述超声频率值的时序协同关联信息决定了六氟磷酸锂的含量值,因此,为了探究所述超声功率值和所述超声频率值的时序协同变化特征信息与六氟磷酸锂的含量值间的隐含关联关系,需要建立所述超声功率值和所述超声频率值的时序动态特征的关联性关系。
相应地,在一个具体示例中,计算所述超声功率时序特征向量和所述超声频率时序特征向量的按位置点乘以得到超声作用特征向量,包括:以如下公式计算所述超声功率时序特征向量和所述超声频率时序特征向量的按位置点乘以得到所述超声作用特征向量;其中,所述公式为:,其中,/>表示所述超声功率时序特征向量,/>表示所述超声频率时序特征向量,/>表示所述超声作用特征向量,/>表示按位置点乘。
更具体地,在步骤S140中,将所述多个预定时间点的六氟磷酸锂的含量值按照时间维度排列为结晶物含量输入向量后通过包含全连接层和一维卷积层的时序编码器以得到结晶物生成特征向量。进一步地,对于所述六氟磷酸锂的含量值来说,考虑到所述六氟磷酸锂的含量值在时间维度上也具有着动态性的变化规律,也就是说,所述六氟磷酸锂的含量值再结晶成核的过程中是在不断变化的,并且这种变化规律与所述超声功率值和所述超声频率值的时序协同动态关联特征有关。因此,在本申请的技术方案中,为了能够充分地提取出所述六氟磷酸锂的含量值在时间维度上的动态变化特征,进一步将所述多个预定时间点的六氟磷酸锂的含量值按照时间维度排列为结晶物含量输入向量后通过包含全连接层和一维卷积层的时序编码器以得到结晶物生成特征向量。
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六氟磷酸锂的含量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六氟磷酸锂的含量值的高维隐含特征。
相应地,在一个具体示例中,将所述多个预定时间点的六氟磷酸锂的含量值按照时间维度排列为结晶物含量输入向量后通过包含全连接层和一维卷积层的时序编码器以得到结晶物生成特征向量,包括:使用所述时序编码器的全连接层以如下公式对所述结晶物含量输入向量进行全连接编码以提取出所述结晶物含量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/>是输入向量,/>是输出向量,/>是权重矩阵,/>是偏置向量,/>表示矩阵乘;使用所述时序编码器的一维卷积层以如下公式对所述结晶物含量输入向量进行一维卷积编码以提取出所述结晶物含量输入向量中各个位置的特征值间的关联的高维隐含关联特征,其中,所述公式为:
更具体地,在步骤S150中,计算所述结晶物生成特征向量相对于所述超声作用特征向量的响应性估计以得到分类特征矩阵。以此来表示所述超声功率值和所述超声频率值的时序协同动态关联特征与所述六氟磷酸锂的含量值的动态变化特征间的关联性特征分布信息,从而得到分类特征矩阵。
特别地,考虑到所述超声功率值和所述超声频率值的时序协同变化信息和所述六氟磷酸锂的含量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超声功率值和所述超声频率值的控制精准度,需要在高维特征空间中对于所述超声功率值和所述超声频率值的时序协同动态关联特征与所述六氟磷酸锂的含量值的动态变化特征进行数据增强。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,可以通过所述超声功率值和所述超声频率值的时序协同变化信息和所述六氟磷酸锂的含量值的先验分布,即高斯分布,来对于所述超声功率值和所述超声频率值的时序协同动态关联特征与所述六氟磷酸锂的含量值的动态变化特征进行数据增强。
相应地,在一个具体示例中,如图4所示,计算所述结晶物生成特征向量相对于所述超声作用特征向量的响应性估计以得到分类特征矩阵,包括:S151,计算所述结晶物生成特征向量和所述超声作用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结晶物生成特征向量和所述超声作用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结晶物生成特征向量和所述超声作用特征向量的按位置方差构成的协方差矩阵;S152,分别计算所述结晶物生成特征向量和所述超声作用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的高斯概率密度分布距离指数;S153,以所述第一高斯概率密度分布距离指数和所述第二的高斯概率密度分布距离指数分别作为权重,对所述结晶物生成特征向量和所述超声作用特征向量进行加权以得到校正后结晶物生成特征向量和校正后超声作用特征向量;S154,构造所述校正后结晶物生成特征向量和所述校正后超声作用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;S155,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,S156,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。
相应地,在一个具体示例中,计算所述结晶物生成特征向量和所述超声作用特征向量的联合高斯密度图,包括:使用如下公式计算所述结晶物生成特征向量和所述超声作用特征向量的所述联合高斯密度图;其中,所述公式为: ,其中,/>表示所述结晶物生成特征向量和所述超声作用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结晶物生成特征向量和所述超声作用特征向量中各个位置的特征值之间的方差。
特别地,这里,在基于高斯密度图计算所述结晶物生成特征向量相对于所述超声作用特征向量的响应性估计得到所述分类特征矩阵时,考虑到所述结晶物生成特征向量表达六氟磷酸锂的含量值的时序关联特征分布,而所述超声作用特征向量表达超声功率值和超声频率值的时序多邻域关联特征的时序位置叠加特征,虽然两者都基本遵循时序分布,但由于源数据沿时序的内在自然分布不可能一致,这就会导致两者的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,计算所述结晶物生成特征向量和所述超声作用特征向量的联合高斯密度图,并进一步计算所述结晶物生成特征向量和所述超声作用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。
相应地,在一个具体示例中,分别计算所述结晶物生成特征向量和所述超声作用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的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结晶物生成特征向量和所述超声作用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的高斯概率密度分布距离指数;其中,所述公式为:
其中,和/>分别是所述结晶物生成特征向量和所述超声作用特征向量,/>和/>是所述联合高斯密度图的均值向量和协方差矩阵,所述结晶物生成特征向量和所述超声作用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的高斯概率密度分布距离指数。
因此,通过计算所述结晶物生成特征向量和所述超声作用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结晶物生成特征向量和所述超声作用特征向量进行加权,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实际六氟磷酸锂结晶含量情况来自适应地调控超声功率值和超声频率值,以优化六氟磷酸锂的结晶效率和效果。
相应地,在一个具体示例中,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所述响应性高斯密度图;其中,所述公式为:
,其中,/>表示所述第一高斯密度图的均值向量,/>表示所述第二高斯密度图的均值向量,/>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。
更具体地,在步骤S160中,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超声功率值应增大或应减小,且当前时间点的超声频率值应增大或应减小。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超声功率值控制策略标签,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超声功率值,以此来优化结晶成核的效率和效果。
综上,基于本申请实施例的用于控制结晶成核的超声控制方法,其首先将多个预定时间点的超声功率值和超声频率值分别排列后通过多尺度邻域特征提取模块以得到超声功率时序特征向量和超声频率时序特征向量,接着,计算所述超声功率时序特征向量和所述超声频率时序特征向量的按位置点乘以得到超声作用特征向量,然后,将多个预定时间点的六氟磷酸锂的含量值排列后通过时序编码器以得到结晶物生成特征向量,接着,计算所述结晶物生成特征向量相对于所述超声作用特征向量的响应性估计以得到分类特征矩阵,最后,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超声功率值和超声频率值应增大或应减小的分类结果。这样,可以提高结晶成核的效率和效果。
图5为根据本申请实施例的用于控制结晶成核的超声控制系统100的框图。如图5所示,根据本申请实施例的用于控制结晶成核的超声控制系统100,包括:数据获取模块110,用于获取预定时间段内多个预定时间点的超声功率值和超声频率值,以及,所述多个预定时间点的六氟磷酸锂的含量值;多尺度编码模块120,用于将所述多个预定时间点的超声功率值和超声频率值分别按照时间维度排列为超声功率输入向量和超声频率输入向量后通过多尺度邻域特征提取模块以得到超声功率时序特征向量和超声频率时序特征向量;向量计算模块130,用于计算所述超声功率时序特征向量和所述超声频率时序特征向量的按位置点乘以得到超声作用特征向量;时序编码模块140,用于将所述多个预定时间点的六氟磷酸锂的含量值按照时间维度排列为结晶物含量输入向量后通过包含全连接层和一维卷积层的时序编码器以得到结晶物生成特征向量;响应性估计模块150,用于计算所述结晶物生成特征向量相对于所述超声作用特征向量的响应性估计以得到分类特征矩阵;以及,分类模块160,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超声功率值应增大或应减小,且当前时间点的超声频率值应增大或应减小。
在一个示例中,在上述用于控制结晶成核的超声控制系统100中,所述多尺度邻域特征提取模块包括并行的第一卷积层和第二卷积层,以及,与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层,其中,所述第一卷积层和所述第二卷积层使用具有不同尺度的一维卷积核。
在一个示例中,在上述用于控制结晶成核的超声控制系统100中,所述多尺度编码模块120,用于:使用所述多尺度邻域特征提取模块的所述第一卷积层对所述超声功率输入向量进行一维卷积编码以得到第一尺度超声功率时序特征向量;其中,所述公式为:
,其中,/>为第一一维卷积核在/>方向上的宽度、/>为第一一维卷积核参数向量、/>为与卷积核函数运算的局部向量矩阵,/>为第一一维卷积核的尺寸,/>表示所述超声功率输入向量;使用所述多尺度邻域特征提取模块的所述第二卷积层对所述超声功率输入向量进行一维卷积编码以得到第二尺度超声功率时序特征向量;其中,所述公式为:/> ,其中,/>为第二一维卷积核在/>方向上的宽度、/>为第二一维卷积核参数向量、为与卷积核函数运算的局部向量矩阵,/>为第二一维卷积核的尺寸,/>表示所述超声功率输入向量;以及,使用所述多尺度邻域特征提取模块的所述多尺度特征融合层对所述第一尺度超声功率时序特征向量和所述第二尺度超声功率时序特征向量进行级联以得到所述超声功率时序特征向量。
在一个示例中,在上述用于控制结晶成核的超声控制系统100中,所述向量计算模块130,用于:以如下公式计算所述超声功率时序特征向量和所述超声频率时序特征向量的按位置点乘以得到所述超声作用特征向量;其中,所述公式为: ,
在一个示例中,在上述用于控制结晶成核的超声控制系统100中,所述时序编码模块140,用于:使用所述时序编码器的全连接层以如下公式对所述结晶物含量输入向量进行全连接编码以提取出所述结晶物含量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/>是输入向量,/>是输出向量,/>是权重矩阵,是偏置向量,/>表示矩阵乘;使用所述时序编码器的一维卷积层以如下公式对所述结晶物含量输入向量进行一维卷积编码以提取出所述结晶物含量输入向量中各个位置的特征值间的关联的高维隐含关联特征,其中,所述公式为:
在一个示例中,在上述用于控制结晶成核的超声控制系统100中,所述响应性估计模块150,用于:计算所述结晶物生成特征向量和所述超声作用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结晶物生成特征向量和所述超声作用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结晶物生成特征向量和所述超声作用特征向量的按位置方差构成的协方差矩阵;分别计算所述结晶物生成特征向量和所述超声作用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的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的高斯概率密度分布距离指数分别作为权重,对所述结晶物生成特征向量和所述超声作用特征向量进行加权以得到校正后结晶物生成特征向量和校正后超声作用特征向量;构造所述校正后结晶物生成特征向量和所述校正后超声作用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。
在一个示例中,在上述用于控制结晶成核的超声控制系统100中,计算所述结晶物生成特征向量和所述超声作用特征向量的联合高斯密度图,包括:使用如下公式计算所述结晶物生成特征向量和所述超声作用特征向量的所述联合高斯密度图;其中,所述公式为:
在一个示例中,在上述用于控制结晶成核的超声控制系统100中,分别计算所述结晶物生成特征向量和所述超声作用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的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结晶物生成特征向量和所述超声作用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的高斯概率密度分布距离指数;其中,所述公式为:
其中,和/>分别是所述结晶物生成特征向量和所述超声作用特征向量,/>和/>是所述联合高斯密度图的均值向量和协方差矩阵,所述结晶物生成特征向量和所述超声作用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的高斯概率密度分布距离指数。
在一个示例中,在上述用于控制结晶成核的超声控制系统100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所述响应性高斯密度图;其中,所述公式为: ,其中,/>表示所述第一高斯密度图的均值向量,/>表示所述第二高斯密度图的均值向量,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。
这里,本领域技术人员可以理解,上述用于控制结晶成核的超声控制系统100中的各个单元和模块的具体功能和操作已经在上面参考图1到图4的用于控制结晶成核的超声控制方法的描述中得到了详细介绍,并因此,将省略其重复描述。
如上所述,根据本申请实施例的用于控制结晶成核的超声控制系统100可以实现在各种无线终端中,例如具有用于控制结晶成核的超声控制算法的服务器等。在一个示例中,根据本申请实施例的用于控制结晶成核的超声控制系统100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如,该用于控制结晶成核的超声控制系统100可以是该无线终端的操作系统中的一个软件模块,或者可以是针对于该无线终端所开发的一个应用程序;当然,该用于控制结晶成核的超声控制系统100同样可以是该无线终端的众多硬件模块之一。
替换地,在另一示例中,该用于控制结晶成核的超声控制系统100与该无线终端也可以是分立的设备,并且该用于控制结晶成核的超声控制系统100可以通过有线和/或无线网络连接到该无线终端,并且按照约定的数据格式来传输交互信息。
根据本申请的另一方面,还提供了一种非易失性的计算机可读存储介质,其上存储有计算机可读的指令,当利用计算机执行所述指令时可以执行如前所述的方法。
技术中的程序部分可以被认为是以可执行的代码和/或相关数据的形式而存在的“产品”或“制品”,通过计算机可读的介质所参与或实现的。有形的、永久的储存介质可以包括任何计算机、处理器、或类似设备或相关的模块所用到的内存或存储器。例如,各种半导体存储器、磁带驱动器、磁盘驱动器或者类似任何能够为软件提供存储功能的设备。
所有软件或其中的一部分有时可能会通过网络进行通信,如互联网或其他通信网络。此类通信可以将软件从一个计算机设备或处理器加载到另一个。例如:从视频目标检测设备的一个服务器或主机计算机加载至一个计算机环境的硬件平台,或其他实现系统的计算机环境,或与提供目标检测所需要的信息相关的类似功能的系统。因此,另一种能够传递软件元素的介质也可以被用作局部设备之间的物理连接,例如光波、电波、电磁波等,通过电缆、光缆或者空气等实现传播。用来载波的物理介质如电缆、无线连接或光缆等类似设备,也可以被认为是承载软件的介质。在这里的用法除非限制了有形的“储存”介质,其他表示计算机或机器“可读介质”的术语都表示在处理器执行任何指令的过程中参与的介质。
本申请使用了特定词语来描述本申请的实施例。如“第一/第二实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外,本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,本领域技术人员可以理解,本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的工序、机器、产品或物质的组合,或对他们的任何新的和有用的改进。相应地,本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外,本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品,该产品包括计算机可读程序编码。
除非另有定义,这里使用的所有术语(包括技术和科学术语)具有与本发明所属领域的普通技术人员共同理解的相同含义。还应当理解,诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义,而不应用理想化或极度形式化的意义来解释,除非这里明确地这样定义。
上面是对本发明的说明,而不应被认为是对其的限制。尽管描述了本发明的若干示例性实施例,但本领域技术人员将容易地理解,在不背离本发明的新颖教学和优点的前提下可以对示例性实施例进行许多修改。因此,所有这些修改都意图包含在权利要求书所限定的本发明范围内。应当理解,上面是对本发明的说明,而不应被认为是限于所公开的特定实施例,并且对所公开的实施例以及其他实施例的修改意图包含在所附权利要求书的范围内。本发明由权利要求书及其等效物限定。
Claims (6)
1.一种用于控制结晶成核的超声控制方法,其特征在于,包括:
获取预定时间段内多个预定时间点的超声功率值和超声频率值,以及,所述多个预定时间点的LiPF6的含量值;
将所述多个预定时间点的超声功率值和超声频率值分别按照时间维度排列为超声功率输入向量和超声频率输入向量后通过多尺度邻域特征提取模块以得到超声功率时序特征向量和超声频率时序特征向量;
计算所述超声功率时序特征向量和所述超声频率时序特征向量的按位置点乘以得到超声作用特征向量;
将所述多个预定时间点的LiPF6的含量值按照时间维度排列为结晶物含量输入向量后通过包含全连接层和一维卷积层的时序编码器以得到结晶物生成特征向量;
计算所述结晶物生成特征向量相对于所述超声作用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超声功率值应增大或应减小,且当前时间点的超声频率值应增大或应减小;
其中,计算所述结晶物生成特征向量相对于所述超声作用特征向量的响应性估计以得到分类特征矩阵,包括:
计算所述结晶物生成特征向量和所述超声作用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结晶物生成特征向量和所述超声作用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结晶物生成特征向量和所述超声作用特征向量的按位置方差构成的协方差矩阵;
分别计算所述结晶物生成特征向量和所述超声作用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的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的高斯概率密度分布距离指数分别作为权重,对所述结晶物生成特征向量和所述超声作用特征向量进行加权以得到校正后结晶物生成特征向量和校正后超声作用特征向量;
构造所述校正后结晶物生成特征向量和所述校正后超声作用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;
其中,计算所述结晶物生成特征向量和所述超声作用特征向量的联合高斯密度图,包括:
使用如下公式计算所述结晶物生成特征向量和所述超声作用特征向量的所述联合高斯密度图;
其中,所述公式为:
其中,分别计算所述结晶物生成特征向量和所述超声作用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的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结晶物生成特征向量和所述超声作用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的高斯概率密度分布距离指数;
其中,所述公式为:
其中,和/>分别是所述结晶物生成特征向量和所述超声作用特征向量,/>和是所述联合高斯密度图的均值向量和协方差矩阵,所述结晶物生成特征向量和所述超声作用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的高斯概率密度分布距离指数;
其中,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所述响应性高斯密度图;
其中,所述公式为:
2.根据权利要求1所述的用于控制结晶成核的超声控制方法,其特征在于,所述多尺度邻域特征提取模块包括并行的第一卷积层和第二卷积层,以及,与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层,其中,所述第一卷积层和所述第二卷积层使用具有不同尺度的一维卷积核。
3.根据权利要求2所述的用于控制结晶成核的超声控制方法,其特征在于,将所述多个预定时间点的超声功率值和超声频率值分别按照时间维度排列为超声功率输入向量和超声频率输入向量后通过多尺度邻域特征提取模块以得到超声功率时序特征向量和超声频率时序特征向量,包括:
使用所述多尺度邻域特征提取模块的所述第一卷积层以如下公式对所述超声功率输入向量进行一维卷积编码以得到第一尺度超声功率时序特征向量;
其中,所述公式为:
使用所述多尺度邻域特征提取模块的所述第二卷积层以如下公式对所述超声功率输入向量进行一维卷积编码以得到第二尺度超声功率时序特征向量;
其中,所述公式为:
使用所述多尺度邻域特征提取模块的所述多尺度特征融合层对所述第一尺度超声功率时序特征向量和所述第二尺度超声功率时序特征向量进行级联以得到所述超声功率时序特征向量。
5.根据权利要求4所述的用于控制结晶成核的超声控制方法,其特征在于,将所述多个预定时间点的LiPF6的含量值按照时间维度排列为结晶物含量输入向量后通过包含全连接层和一维卷积层的时序编码器以得到结晶物生成特征向量,包括:
使用所述时序编码器的全连接层以如下公式对所述结晶物含量输入向量进行全连接编码以提取出所述结晶物含量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/>是输入向量,/>是输出向量,/>是权重矩阵,/>是偏置向量,/>表示矩阵乘;
使用所述时序编码器的一维卷积层以如下公式对所述结晶物含量输入向量进行一维卷积编码以提取出所述结晶物含量输入向量中各个位置的特征值间的关联的高维隐含关联特征,其中,所述公式为:
6.一种用于控制结晶成核的超声控制系统,其特征在于,包括:
数据获取模块,用于获取预定时间段内多个预定时间点的超声功率值和超声频率值,以及,所述多个预定时间点的LiPF6的含量值;
多尺度编码模块,用于将所述多个预定时间点的超声功率值和超声频率值分别按照时间维度排列为超声功率输入向量和超声频率输入向量后通过多尺度邻域特征提取模块以得到超声功率时序特征向量和超声频率时序特征向量;
向量计算模块,用于计算所述超声功率时序特征向量和所述超声频率时序特征向量的按位置点乘以得到超声作用特征向量;
时序编码模块,用于将所述多个预定时间点的LiPF6的含量值按照时间维度排列为结晶物含量输入向量后通过包含全连接层和一维卷积层的时序编码器以得到结晶物生成特征向量;
响应性估计模块,用于计算所述结晶物生成特征向量相对于所述超声作用特征向量的响应性估计以得到分类特征矩阵;以及
分类模块,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超声功率值应增大或应减小,且当前时间点的超声频率值应增大或应减小;
其中,所述响应性估计模块,用于:
计算所述结晶物生成特征向量和所述超声作用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结晶物生成特征向量和所述超声作用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结晶物生成特征向量和所述超声作用特征向量的按位置方差构成的协方差矩阵;
分别计算所述结晶物生成特征向量和所述超声作用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的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的高斯概率密度分布距离指数分别作为权重,对所述结晶物生成特征向量和所述超声作用特征向量进行加权以得到校正后结晶物生成特征向量和校正后超声作用特征向量;
构造所述校正后结晶物生成特征向量和所述校正后超声作用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;
其中,计算所述结晶物生成特征向量和所述超声作用特征向量的联合高斯密度图,包括:
使用如下公式计算所述结晶物生成特征向量和所述超声作用特征向量的所述联合高斯密度图;
其中,所述公式为:
其中,分别计算所述结晶物生成特征向量和所述超声作用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的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结晶物生成特征向量和所述超声作用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的高斯概率密度分布距离指数;
其中,所述公式为:
其中,和/>分别是所述结晶物生成特征向量和所述超声作用特征向量,/>和是所述联合高斯密度图的均值向量和协方差矩阵,所述结晶物生成特征向量和所述超声作用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的高斯概率密度分布距离指数;
其中,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所述响应性高斯密度图;
其中,所述公式为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310208860.3A CN116059681B (zh) | 2023-03-07 | 2023-03-07 | 用于控制结晶成核的超声控制方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310208860.3A CN116059681B (zh) | 2023-03-07 | 2023-03-07 | 用于控制结晶成核的超声控制方法及其系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116059681A CN116059681A (zh) | 2023-05-05 |
CN116059681B true CN116059681B (zh) | 2023-06-09 |
Family
ID=86175077
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310208860.3A Active CN116059681B (zh) | 2023-03-07 | 2023-03-07 | 用于控制结晶成核的超声控制方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116059681B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003200002A (ja) * | 2001-12-28 | 2003-07-15 | Nippon Chem Ind Co Ltd | 晶析装置の制御システムおよびコンピュータ読みとり可能な記録媒体 |
TW200519503A (en) * | 2003-09-30 | 2005-06-16 | Adv Lcd Tech Dev Ct Co Ltd | Crystallization apparatus, crystallization method, device and phase modulation element |
WO2006027780A2 (en) * | 2004-09-08 | 2006-03-16 | Ramot At Tel Aviv University Ltd. | Peptide nanostructures containing end-capping modified peptides and methods of generating and using the same |
DE102007062422A1 (de) * | 2007-12-20 | 2009-06-25 | Bayer Materialscience Ag | Verfahren und Anlage zur Regelung eines kontinuierlichen Kristallisationsprozesses |
RU2472717C1 (ru) * | 2011-07-12 | 2013-01-20 | Российская Федерация в лице Министерства промышленности и торговли Российской Федерации (Минпромторг России) | Система автоматического управления технологическим процессом очистки воды с непрерывным контролем ее качества в различных точках технологической схемы |
CN105802729B (zh) * | 2014-12-29 | 2020-09-04 | 丰益(上海)生物技术研发中心有限公司 | 一种脂肪酸或其酯的结晶分离方法及设备 |
US10761072B2 (en) * | 2015-08-28 | 2020-09-01 | Dow Global Technologies Llc | Chromatography of polymers with reduced co-crystallization |
CN205412285U (zh) * | 2015-12-24 | 2016-08-03 | 江苏瑞升华能源科技有限公司 | 氯化钠废水的蒸发结晶设备控制系统 |
CN107008028B (zh) * | 2017-05-22 | 2023-09-08 | 天津晶润锐拓科技发展有限公司 | 一种通过超声波控制结晶成核过程的结晶器 |
CN114930256A (zh) * | 2019-11-19 | 2022-08-19 | 西门子股份公司 | 用于在过程控制工厂中管理结晶过程的系统和方法 |
CN114758304B (zh) * | 2022-06-13 | 2022-09-02 | 江苏中腾石英材料科技股份有限公司 | 一种高纯圆角石英粉的过筛设备及其过筛控制方法 |
CN115079572B (zh) * | 2022-06-30 | 2023-02-03 | 福建省龙德新能源有限公司 | 用于六氟磷酸锂制备的能源管理控制系统及其控制方法 |
CN115453990B (zh) * | 2022-08-31 | 2023-02-17 | 福建天甫电子材料有限公司 | 用于氟化铵生产的生产管理控制系统及其控制方法 |
-
2023
- 2023-03-07 CN CN202310208860.3A patent/CN116059681B/zh active Active
Non-Patent Citations (1)
Title |
---|
基于超声波调控六氟磷酸锂结晶过程的研究;郭贤慧;王永勤;朱志文;许胜霞;;化工管理(第05期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116059681A (zh) | 2023-05-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116059681B (zh) | 用于控制结晶成核的超声控制方法及其系统 | |
CN116036639B (zh) | 超声波诱导六氟磷酸盐结晶的控制系统及其方法 | |
Soro et al. | Joint time-frequency RSSI features for convolutional neural network-based indoor fingerprinting localization | |
EP4287144A1 (en) | Video behavior recognition method and apparatus, and computer device and storage medium | |
CN116272363B (zh) | 船舶废气混合式脱硫系统及其方法 | |
US20230400301A1 (en) | Tropical instability wave early warning method and device based on temporal-spatial cross-scale attention fusion | |
CN115723287B (zh) | 基于温度控制聚氨酯发泡的生产设备 | |
CN115845428A (zh) | 用于诱导六氟磷酸结晶的超声波装置及其控制方法 | |
CN116385945B (zh) | 基于随机帧补帧和注意力的视频交互动作检测方法及系统 | |
Tian et al. | Joint learning model for underwater acoustic target recognition | |
CN116862080A (zh) | 一种基于双视角对比学习的碳排放预测方法及系统 | |
Zhang et al. | Target tracking method of Siamese networks based on the broad learning system | |
CN111929641A (zh) | 一种基于宽度学习的快速室内指纹定位方法 | |
CN116177858A (zh) | 高纯石英坩埚的制备方法及其系统 | |
Lei et al. | A new transferable bearing fault diagnosis approach with adaptive manifold embedded distribution alignment | |
EP3955166A2 (en) | Training in neural networks | |
Fu et al. | EdgeCog: A real-time bearing fault diagnosis system based on lightweight edge computing | |
Gao et al. | Supervised Contrastive Learning-Based Modulation Classification of Underwater Acoustic Communication | |
CN114330450A (zh) | 一种多物理场融合探测识别潜航器的方法及系统 | |
CN109215057B (zh) | 一种高性能视觉跟踪方法及装置 | |
Huo et al. | An improved kernel correlation filter for complex scenes target tracking | |
Wei et al. | A variational auto-encoder model for underwater acoustic channels | |
Wang et al. | Edge-Enabled Modulation Classification in the Internet of Underwater Things Based on Network Pruning and Ensemble Learning | |
Ge et al. | Shuffle-RDSNet: A Method for Side-Scan Sonar Image Classification with Residual Dual-Path Shrinkage Network. | |
CN116819957B (zh) | 电子级六氟磷酸锂的尾气处理系统及其方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |