CN116110507B - 镁碳砖智能化生产方法及系统 - Google Patents
镁碳砖智能化生产方法及系统 Download PDFInfo
- Publication number
- CN116110507B CN116110507B CN202310166569.4A CN202310166569A CN116110507B CN 116110507 B CN116110507 B CN 116110507B CN 202310166569 A CN202310166569 A CN 202310166569A CN 116110507 B CN116110507 B CN 116110507B
- Authority
- CN
- China
- Prior art keywords
- surface state
- classification
- feature
- post
- matrix
- 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
- CPLXHLVBOLITMK-UHFFFAOYSA-N Magnesium oxide Chemical compound [Mg]=O CPLXHLVBOLITMK-UHFFFAOYSA-N 0.000 title claims abstract description 160
- 239000000395 magnesium oxide Substances 0.000 title claims abstract description 80
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 78
- 239000011449 brick Substances 0.000 title claims abstract description 78
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 78
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 50
- 238000003825 pressing Methods 0.000 claims abstract description 120
- 239000011159 matrix material Substances 0.000 claims abstract description 104
- 239000000463 material Substances 0.000 claims abstract description 52
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 43
- 230000003247 decreasing effect Effects 0.000 claims abstract description 23
- 239000013598 vector Substances 0.000 claims description 191
- 238000001514 detection method Methods 0.000 claims description 35
- 238000000034 method Methods 0.000 claims description 19
- 238000003062 neural network model Methods 0.000 claims description 19
- 230000004044 response Effects 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 8
- 230000002123 temporal effect Effects 0.000 claims description 8
- 230000002452 interceptive effect Effects 0.000 claims description 7
- 230000002787 reinforcement Effects 0.000 claims description 6
- 230000004043 responsiveness Effects 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 5
- 230000005284 excitation Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 abstract description 43
- 238000013507 mapping Methods 0.000 abstract description 19
- 239000000126 substance Substances 0.000 description 26
- 238000009826 distribution Methods 0.000 description 15
- 238000002360 preparation method Methods 0.000 description 12
- 238000005056 compaction Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 10
- 238000012549 training Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 7
- 238000006243 chemical reaction Methods 0.000 description 6
- 239000000284 extract Substances 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 6
- 238000007792 addition Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 5
- 230000001105 regulatory effect Effects 0.000 description 5
- 230000003190 augmentative effect Effects 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 238000004898 kneading Methods 0.000 description 4
- 239000002994 raw material Substances 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000004069 differentiation Effects 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 239000002893 slag Substances 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000003416 augmentation Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000002844 melting Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000035939 shock Effects 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 239000011230 binding agent Substances 0.000 description 1
- 239000003575 carbonaceous material Substances 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010891 electric arc Methods 0.000 description 1
- 238000009851 ferrous metallurgy Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 239000011819 refractory material Substances 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000004901 spalling Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 230000008646 thermal stress Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/10—Analysis or design of chemical reactions, syntheses or processes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/62—Extraction of image or video features relating to a temporal dimension, e.g. time-based feature extraction; Pattern tracking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/18—Manufacturability analysis or optimisation for manufacturability
-
- 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
Abstract
本申请涉及智能生产技术领域,其具体地公开了一种镁碳砖智能化生产方法及系统,其通过卷积神经网络模型模拟并建立所述混炼后物质的表面状态变化和所述压制压力值的时序变化之间的复杂映射关系,并以此作为分类特征矩阵通过分类器中进行分类处理以得到分类结果,所述分类结果用于表示当前时间点的压制压力值应增大或应减小,通过这样的方式,能够实时准确地基于混炼后物质的表面状态变化情况来自适应地调控压制压力值,以提高镁碳砖的制备质量和性能。
Description
技术领域
本申请涉及智能生产技术领域,且更为具体地,涉及一种镁碳砖智能化生产方法及系统。
背景技术
镁碳砖是以高熔点碱性氧化物氧化镁和难以被炉渣侵润的高熔点碳素材料作为原料,添加各种非氧化物添加剂。用炭质结合剂结合而成的不烧炭复合耐火材料。镁碳砖因其具有高抗渣侵能力、高抗热震性、高抗剥落性以及不易被炉渣和钢液润湿的特性而在钢铁冶金领域得到广泛的应用,使电弧炉、转炉、钢包精炼炉的寿命大大提高。但是现有技术中,镁碳砖中所加入的碱性高熔点氧化物-高品位电熔镁砂具有较大的热膨胀系数,在高温使用条件下,镁碳砖因膨胀系数较大导致砖体开裂,从而会影响实际的使用性能。
针对上述问题,中国专利CN 108863414A揭露了一种高性能的镁碳砖及其制备方法,其通过在镁碳砖的配方中通过添加尖晶石-铝酸钙复相材料,以在镁碳砖的表面形成了低熔点的物质,缓解了热应力,从而达到减少热震损伤和机械损伤的目的,以此提高镁碳砖的性能,避免其开裂的现象发生。
但是,在实际的镁碳砖的制备过程中,发现生产出的镁碳砖的质量不佳,其会在烘烤工艺时产生的裂纹,使得最终制得的镁碳砖的质量难以达到预期。这是由于在将混炼后的物质进行压制时只是将压制压力值控制在一个适宜的范围内,并没有关注到混炼后物质的表面状态变化情况。
因此,期望一种优化的镁碳砖智能化生产方案,以此来提高镁碳砖的制备质量和性能。
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镁碳砖智能化生产方法及系统,其通过卷积神经网络模型模拟并建立所述混炼后物质的表面状态变化和所述压制压力值的时序变化之间的复杂映射关系,并以此作为分类特征矩阵通过分类器中进行分类处理以得到分类结果,所述分类结果用于表示当前时间点的压制压力值应增大或应减小,通过这样的方式,能够实时准确地基于混炼后物质的表面状态变化情况来自适应地调控压制压力值,以提高镁碳砖的制备质量和性能。
根据本申请的一个方面,提供了一种镁碳砖智能化生产方法,其包括:
获取预定时间段内多个预定时间点的压制压力值和所述多个预定时间点的混炼后物质的表面状态检测图像:
将所述多个预定时间点的混炼后物质的表面状态检测图像分别通过作为过滤器的卷积神经网络模型以得到多个压制后表面状态特征向量;
将所述多个压制后表面状态特征向量通过基于转换器的上下文编码器以得到压制后表面状态时序语义关联特征向量;
将所述多个预定时间点的压制压力值按照时间维度排列为压制压力输入向量后通过一维卷积神经网络模型以得到压制压力时序特征向量;
计算所述压制后表面状态时序语义关联特征向量相对于所述压制压力时序特征向量的响应性估计以得到分类特征矩阵;
对所述分类特征矩阵进行特征区分以得到优化分类特征矩阵;以及
将所述优化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压制压力值应增大或应减小。
在上述镁碳砖智能化生产方法中,将所述多个预定时间点的混炼后物质的表面状态检测图像分别通过作为过滤器的卷积神经网络模型以得到多个压制后表面状态特征向量,包括:使用基于过滤器的所述卷积神经网络模型以如下公式分别对所述多个预定时间点的混炼后物质的表面状态检测图像进行处理以得到多个压制后表面状态特征向量;
其中,所述公式为:
fi=Sigmoid(Ni×fi-1+Bi)
其中,fi-1为第i层卷积神经网络模型的输入,fi为第i层卷积神经网络模型的输出,Ni为第i层卷积神经网络模型的过滤器,且Bi为第i层卷积神经网络模型的偏置矩阵,Sigmoid表示非线性激活函数。
在上述镁碳砖智能化生产方法中,将所述多个压制后表面状态特征向量通过基于转换器的上下文编码器以得到压制后表面状态时序语义关联特征向量,包括:将所述多个压制后表面状态特征向量输入所述基于转化器的上下文编码器以得到多个上下文压制后表面状态特征向量;以及,将所述多个上下文压制后表面状态特征向量进行级联以得到所述压制后表面状态时序语义关联特征向量。
在上述镁碳砖智能化生产方法中,将所述多个压制后表面状态特征向量输入所述基于转化器的上下文编码器以得到多个上下文压制后表面状态特征向量,包括:使用所述上下文编码器的基于转换器的Bert模型对所述多个反应状态监测特征向量中各个反应状态监测特征向量进行基于全局的上下文语义编码以得到以所述多个反应状态监测特征向量的整体语义关联为上下文背景的所述多个上下文压制后表面状态特征向量。
在上述镁碳砖智能化生产方法中,将所述多个预定时间点的压制压力值按照时间维度排列为压制压力输入向量后通过一维卷积神经网络模型以得到压制压力时序特征向量,包括:
使用所述一维卷积神经网络模型以如下公式对所述压制压力输入向量进行一维卷积编码以得到所述压制压力时序特征向量;
其中,所述公式为:
其中,a为一维卷积核在x方向上的宽度、F(a)为一维卷积核参数向量、G(x-b)为与卷积核函数运算的局部向量矩阵,m为一维卷积核的尺寸,X表示所述压制压力时序特征向量,Cov(X)表示对所述压制压力时序特征向量进行一维卷积编码。
在上述镁碳砖智能化生产方法中,计算所述压制后表面状态时序语义关联特征向量相对于所述压制压力时序特征向量的响应性估计以得到分类特征矩阵,包括:以如下公式计算所述压制后表面状态时序语义关联特征向量相对于所述压制压力时序特征向量的响应性估计以得到所述分类特征矩阵;
其中,所述公式为:
V1=M*V2
其中V1表示所述压制后表面状态时序语义关联特征向量,V2表示所述压制压力时序特征向量,M表示所述分类特征矩阵。
在上述镁碳砖智能化生产方法中,对所述分类特征矩阵进行特征区分以得到优化分类特征矩阵,包括:以如下公式对所述分类特征矩阵进行基于可区分性物理激励的交互强化以得到所述优化分类特征矩阵;
其中,所述公式为:
其中M是所述分类特征矩阵,a和b是预定超参数,和/>表示特征矩阵的按位置加法和减法,除法表示特征矩阵的每个位置除以相应值,且Cov(·)表示通过单个卷积层的卷积操作,M′是所述优化分类特征矩阵。
在上述镁碳砖智能化生产方法中,将所述优化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压制压力值应增大或应减小,包括:使用所述分类器的全连接层对所述优化分类特征矩阵进行全连接编码以得到全连接编码特征向量;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,所述分类标签包括当前时间点的压制压力值应增大和当前时间点的压制压力值应减小;以及,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。
根据本申请的另一方面,提供了一种镁碳砖智能化生产系统,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压制压力值和所述多个预定时间点的混炼后物质的表面状态检测图像;
卷积编码模块,用于将所述多个预定时间点的混炼后物质的表面状态检测图像分别通过作为过滤器的卷积神经网络模型以得到多个压制后表面状态特征向量;
上下文编码模块,用于将所述多个压制后表面状态特征向量通过基于转换器的上下文编码器以得到压制后表面状态时序语义关联特征向量;
一维卷积编码模块,用于将所述多个预定时间点的压制压力值按照时间维度排列为压制压力输入向量后通过一维卷积神经网络模型以得到压制压力时序特征向量;
响应性估计计算模块,用于计算所述压制后表面状态时序语义关联特征向量相对于所述压制压力时序特征向量的响应性估计以得到分类特征矩阵;
特征区分模块,用于对所述分类特征矩阵进行特征区分以得到优化分类特征矩阵;以及
分类模块,用于将所述优化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压制压力值应增大或应减小。
在上述镁碳砖智能化生产系统中,所述卷积编码模块,用于:使用基于过滤器的所述卷积神经网络模型以如下公式分别对所述多个预定时间点的混炼后物质的表面状态检测图像进行处理以得到多个压制后表面状态特征向量;
其中,所述公式为:
fi=Sigmoid(Ni×fi-1+Bi)
其中,fi-1为第i层卷积神经网络模型的输入,fi为第i层卷积神经网络模型的输出,Ni为第i层卷积神经网络模型的过滤器,且Bi为第i层卷积神经网络模型的偏置矩阵,Sigmoid表示非线性激活函数。
与现有技术相比,本申请提供的一种镁碳砖智能化生产方法及系统,其通过卷积神经网络模型模拟并建立所述混炼后物质的表面状态变化和所述压制压力值的时序变化之间的复杂映射关系,并以此作为分类特征矩阵通过分类器中进行分类处理以得到分类结果,所述分类结果用于表示当前时间点的压制压力值应增大或应减小,通过这样的方式,能够实时准确地基于混炼后物质的表面状态变化情况来自适应地调控压制压力值,以提高镁碳砖的制备质量和性能。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的镁碳砖智能化生产方法及系统的应用场景图。
图2为根据本申请实施例的镁碳砖智能化生产方法的流程图。
图3为根据本申请实施例的镁碳砖智能化生产方法的系统架构的示意图。
图4为根据本申请实施例的镁碳砖智能化生产方法中,将所述多个压制后表面状态特征向量通过基于转换器的上下文编码器以得到压制后表面状态时序语义关联特征向量的流程图。
图5为根据本申请实施例的镁碳砖智能化生产方法中,将所述优化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压制压力值应增大或应减小的流程图。
图6为根据本申请实施例的镁碳砖智能化生产系统的框图示意图。
具体实施方式
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。
场景概述
如上所述,在使用中国专利CN 108863414A揭露的一种高性能的镁碳砖及其制备方法来进行实际的镁碳砖的制备过程中,发现生产出的镁碳砖的质量不佳,其会在烘烤工艺时产生的裂纹,使得最终制得的镁碳砖的质量难以达到预期。这是由于在将混炼后的物质进行压制时只是将压制压力值控制在一个适宜的范围内,并没有关注到混炼后物质的表面状态变化情况。因此,期望一种优化的镁碳砖智能化生产方案,以此来提高镁碳砖的制备质量和性能。
相应地,考虑到在将混炼后的物质进行压制时,由于原料的质量不同会导致混炼后物质的表面初始状态不同,并且在实际进行压制的过程中,也会因各个原料的质量加入情况不同导致混炼后物质的表面状态情况随时间发生不同的时序变化,这都给压制压力值的自适应控制带来了困难,进而降低镁碳砖的制备质量。因此,在本申请的技术方案中,期望基于混炼后物质的表面状态的变化特征来自适应地调整所述压制压力值,也就是,对于所述压制压力值的控制应适配于混炼后物质的表面状态变化情况。在此过程中,难点在于如何建立所述混炼后物质的表面状态变化和所述压制压力值的时序变化之间的映射关系,以此来基于所述混炼后物质的表面状态变化情况来自适应地调控当前时间点的压制压力值,从而提高镁碳砖的制备质量。
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混炼后物质的表面状态变化和所述压制压力值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混炼后物质的表面状态变化和所述压制压力值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压制压力值和所述多个预定时间点的混炼后物质的表面状态检测图像。接着,考虑到由于所述各个预定时间点下的混炼后物质的表面状态检测图像为图像数据,因此,进一步使用在图像特征提取领域具有优异表现性能的作为过滤器的卷积神经网络模型来进行所述各个预定时间点的混炼后物质的表面状态检测图像的特征挖掘,以分别提取出所述各个预定时间点下的关于混炼后物质的表面状态的高维隐含特征分布信息,从而得到多个压制后表面状态特征向量。
然后,考虑到所述各个预定时间点下的关于混炼后物质的表面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,所述各个预定时间点下的关于混炼后物质的表面状态隐含特征在所述预定时间段内具有着时序关联特征信息。因此,为了能够充分挖掘出所述预定时间段内关于所述混炼后物质的表面状态的时序动态关联特征,以此来建立其与所述压制压力的时序动态特征的映射关联关系,在本申请的技术方案中,进一步将所述多个压制后表面状态特征向量通过基于转换器的上下文编码器中进行编码,以提取出所述各个预定时间点下的关于所述混炼后物质的表面状态特征在时间维度上基于时序全局的关联特征分布信息,从而得到温度时序特征向量。也就是,基于transformer思想,利用转换器能够捕捉长距离上下文依赖的特性,对所述多个压制后表面状态特征向量中各个压制后表面状态特征向量进行基于全局的上下文语义编码以得到以所述多个压制后表面状态特征向量的整体语义关联为上下文背景的上下文语义关联特征表示,即,所述压制后表面状态时序语义关联特征向量。应可以理解,在本申请的技术方案中,通过所述基于转换器的上下文编码器可以捕捉所述各个预定时间点下的关于所述混炼后物质的表面状态特征相对于所述预定时间段内基于时序全局的关于所述混炼后物质的表面状态的时序动态变化特征的上下文语义关联特征表示。
进一步地,对于所述压制压力值来说,考虑到所述压制压力值在时间维度上也具有着动态性的变化特征信息,为了能够准确地提取出所述压制压力值在所述预定时间段内的动态关联,在本申请的技术方案中,将所述多个预定时间点的压制压力值按照时间维度排列为压制压力输入向量后通过一维卷积神经网络模型中进行编码,以提取出所述压制压力值在时间维度上的高维关联隐含特征信息,从而得到压制压力时序特征向量。
接着,进一步再计算所述压制后表面状态时序语义关联特征向量相对于所述压制压力时序特征向量的响应性估计,以此来表示所述混炼后物质的表面状态变化的时序动态特征和所述压制压力值的时序关联特征的关联性特征分布信息,即在高维空间中关于所述混炼后物质的表面状态变化和所述压制压力值的时序变化之间的映射关联特征信息,并以此作为分类特征矩阵通过分类器中进行分类处理以得到分类结果,所述分类结果用于表示当前时间点的压制压力值应增大或应减小。
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压制压力值应增大(第一标签),以及,当前时间点的压制压力值应减小(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所述当前时间点的压制压力值控制策略标签,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压制压力值,以此基于混炼后物质的表面状态变化情况来自适应地调控当前时间点的压制压力值,从而提高镁碳砖的制备质量。
特别地,在本申请的技术方案中,这里,基于高斯密度图计算所述压制后表面状态时序语义关联特征向量相对于所述压制压力时序特征向量的响应性估计来得到所述分类特征矩阵,本申请的申请人进一步考虑到高斯分布在均值附近的致密分布特性结合在远离均值位置的长尾部分的稀疏分布特性,这就使得计算响应性估计所得到的所述分类特征矩阵的某些位置的特征值(例如,表达相同致密程度分布关联的特征)相对于其它位置的特征值(例如,表达不同致密程度分布关联的特征)具有更显著的重要性,因此,如果可以在分类任务中对于所述分类特征矩阵的特征值进行有效区分,显然可以提高模型的训练速度和分类结果的准确性。
因此,本申请的申请人对所述分类特征矩阵,例如表示为M进行基于可区分性物理激励的交互强化,具体为:
其中M′是强化后的分类特征矩阵,a和b是预定超参数,和/>表示特征矩阵的按位置加法和减法,除法表示特征矩阵的每个位置除以相应值,且Cov(·)表示通过单个卷积层的卷积操作。
这里,所述基于可区分性物理激励的交互强化用于在通过梯度下降的反向传播过程当中提升特征空间与分类问题的解空间之间的交互,其以类似物理激励的方式来提取和模仿可行特征(actionab le feature),由此,使用通用目的低维可导式物理激励方式,来获得具有梯度可区分性的可行特征的物理性表达,从而在训练过程中强化所述分类特征矩阵M内的活跃部分,以提升强化后的分类特征矩阵M′在分类任务下的训练速度和训练后的分类特征的分类结果的准确性。这样,能够实时准确地基于混炼后物质的表面状态变化情况来自适应地调控压制压力值,以提高镁碳砖的制备质量和性能。
图1为根据本申请实施例的镁碳砖智能化生产方法及系统的应用场景图。如图1所示,在该应用场景中,首先,通过压力传感器(例如,如图1中所示意的P)采集预定时间段内多个预定时间点的压制压力值,并通过相机(例如,如图1中所示意的C)采集所述多个预定时间点的混炼后物质(例如,如图1中所示意的M)的表面状态检测图像。然后,将采集的数据输入至部署有镁碳砖智能化生产算法的服务器中(例如,图1中所示意的S),其中,所述服务器能够使用所述镁碳砖智能化生产算法算法对所述预定时间段内多个预定时间点的压制压力值和所述多个预定时间点的混炼后物质的表面状态检测图像进行处理以生成用于表示当前时间点的压制压力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。
示例性方法
图2为根据本申请实施例的镁碳砖智能化生产方法的流程图。如图2所示,根据本申请实施例的镁碳砖智能化生产方法,包括:S110,获取预定时间段内多个预定时间点的压制压力值和所述多个预定时间点的混炼后物质的表面状态检测图像;S120,将所述多个预定时间点的混炼后物质的表面状态检测图像分别通过作为过滤器的卷积神经网络模型以得到多个压制后表面状态特征向量;S130,将所述多个压制后表面状态特征向量通过基于转换器的上下文编码器以得到压制后表面状态时序语义关联特征向量;S140,将所述多个预定时间点的压制压力值按照时间维度排列为压制压力输入向量后通过一维卷积神经网络模型以得到压制压力时序特征向量;S150,计算所述压制后表面状态时序语义关联特征向量相对于所述压制压力时序特征向量的响应性估计以得到分类特征矩阵;S160,对所述分类特征矩阵进行特征区分以得到优化分类特征矩阵;以及,S170,将所述优化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压制压力值应增大或应减小。
图3为根据本申请实施例的镁碳砖智能化生产方法的系统架构的示意图。如图3所示,在本申请实施例的所述镁碳砖智能化生产方法的系统架构中,输入分别为预定时间段内多个预定时间点的压制压力值和多个预定时间点的混炼后物质的表面状态检测图像。然后,两个输入分别进行两个分支的运算,第一个分支,首先,将所述多个预定时间点的混炼后物质的表面状态检测图像分别通过作为过滤器的卷积神经网络模型以得到多个压制后表面状态特征向量。然后,将所述多个压制后表面状态特征向量通过基于转换器的上下文编码器以得到压制后表面状态时序语义关联特征向量。第二个分支,将所述多个预定时间点的压制压力值按照时间维度排列为压制压力输入向量后通过一维卷积神经网络模型以得到压制压力时序特征向量。然后,两个分支的输出会和到一个总干中进行运算,也就是,计算所述压制后表面状态时序语义关联特征向量相对于所述压制压力时序特征向量的响应性估计以得到分类特征矩阵。接着,对所述分类特征矩阵进行特征区分以得到优化分类特征矩阵。最后,将所述优化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压制压力值应增大或应减小。
在本申请实施例的步骤S110中,获取预定时间段内多个预定时间点的压制压力值和所述多个预定时间点的混炼后物质的表面状态检测图像。如上所述,考虑到在将混炼后的物质进行压制时,由于原料的质量不同会导致混炼后物质的表面初始状态不同,并且在实际进行压制的过程中,也会因各个原料的质量加入情况不同导致混炼后物质的表面状态情况随时间发生不同的时序变化,这都给压制压力值的自适应控制带来了困难,进而降低镁碳砖的制备质量。因此,在本申请的技术方案中,期望基于混炼后物质的表面状态的变化特征来自适应地调整所述压制压力值,也就是,对于所述压制压力值的控制应适配于混炼后物质的表面状态变化情况。在此过程中,难点在于如何建立所述混炼后物质的表面状态变化和所述压制压力值的时序变化之间的映射关系,以此来基于所述混炼后物质的表面状态变化情况来自适应地调控当前时间点的压制压力值,从而提高镁碳砖的制备质量。
在本申请一个具体的实施例中,通过压力传感器采集预定时间段内多个预定时间点的压制压力值,并通过相机采集所述多个预定时间点的混炼后物质的表面状态检测图像,这里可以根据实际生产情况设定预定时间段内多个时间点的时间间隔。如上所述,难点在于如何建立所述混炼后物质的表面状态变化和所述压制压力值的时序变化之间的映射关系,也就是难点在于如何从预定时间段内多个预定时间点的压制压力值中提取所述压制压力值的时序变化特征,如何从所述多个预定时间点的混炼后物质的表面状态检测图像中提取所述混炼后物质的表面状态变化特征,并建复杂的非线性关联的映射关系。而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混炼后物质的表面状态变化和所述压制压力值的时序变化之间的复杂映射关系。
在本申请实施例的步骤S120中,将所述多个预定时间点的混炼后物质的表面状态检测图像分别通过作为过滤器的卷积神经网络模型以得到多个压制后表面状态特征向量。应可以理解,考虑到由于所述各个预定时间点下的混炼后物质的表面状态检测图像为图像数据,因此,进一步使用在图像特征提取领域具有优异表现性能的作为过滤器的卷积神经网络模型来进行所述各个预定时间点的混炼后物质的表面状态检测图像的特征挖掘,以分别提取出所述各个预定时间点下的关于混炼后物质的表面状态的高维隐含特征分布信息,从而得到多个压制后表面状态特征向量。
在本申请一个具体的实施例中,将所述多个预定时间点的混炼后物质的表面状态检测图像分别通过作为过滤器的卷积神经网络模型以得到多个压制后表面状态特征向量,包括:使用基于过滤器的所述卷积神经网络模型以如下公式分别对所述多个预定时间点的混炼后物质的表面状态检测图像进行处理以得到多个压制后表面状态特征向量;
其中,所述公式为:
fi=Sigmoid(Ni×fi-1+Bi)
其中,fi-1为第i层卷积神经网络模型的输入,fi为第i层卷积神经网络模型的输出,Ni为第i层卷积神经网络模型的过滤器,且Bi为第i层卷积神经网络模型的偏置矩阵,Sigmoid表示非线性激活函数。
在本申请实施例的步骤S130中,将所述多个压制后表面状态特征向量通过基于转换器的上下文编码器以得到压制后表面状态时序语义关联特征向量。应可以理解,考虑到所述各个预定时间点下的关于混炼后物质的表面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,所述各个预定时间点下的关于混炼后物质的表面状态隐含特征在所述预定时间段内具有着时序关联特征信息。因此,为了能够充分挖掘出所述预定时间段内关于所述混炼后物质的表面状态的时序动态关联特征,以此来建立其与所述压制压力的时序动态特征的映射关联关系,在本申请的技术方案中,进一步将所述多个压制后表面状态特征向量通过基于转换器的上下文编码器中进行编码,以提取出所述各个预定时间点下的关于所述混炼后物质的表面状态特征在时间维度上基于时序全局的关联特征分布信息,从而得到温度时序特征向量。也就是,基于transformer思想,利用转换器能够捕捉长距离上下文依赖的特性,对所述多个压制后表面状态特征向量中各个压制后表面状态特征向量进行基于全局的上下文语义编码以得到以所述多个压制后表面状态特征向量的整体语义关联为上下文背景的上下文语义关联特征表示,即,所述压制后表面状态时序语义关联特征向量。
图4为根据本申请实施例的镁碳砖智能化生产方法中,将所述多个压制后表面状态特征向量通过基于转换器的上下文编码器以得到压制后表面状态时序语义关联特征向量的流程图。如图4所示,在本申请一个具体的实施例中,将所述多个压制后表面状态特征向量通过基于转换器的上下文编码器以得到压制后表面状态时序语义关联特征向量,包括:S210,将所述多个压制后表面状态特征向量输入所述基于转化器的上下文编码器以得到多个上下文压制后表面状态特征向量;以及,S220,将所述多个上下文压制后表面状态特征向量进行级联以得到所述压制后表面状态时序语义关联特征向量。
在本申请实施例中,所述上下文编码器为基于转换器的Bert模型,其中,所述Bert模型能够基于所述转换器的内在掩码结构对输入序列中各个输入量进行基于输入序列全局的上下文语义编码。也就是,所述基于转换器的Bert模型能够提取出输入序列中各个输入量的基于全局的特征表示。对应到本申请方案中,使用所述上下文编码器的基于转换器的Bert模型对所述多个反应状态监测特征向量中各个反应状态监测特征向量进行基于全局的上下文语义编码以得到以所述多个反应状态监测特征向量的整体语义关联为上下文背景的所述多个上下文压制后表面状态特征向量,其中,一个上下文压制后表面状态特征向量对应一个时间点的所述混炼后物质的表面状态变化隐含特征。应可以理解,所述各个预定时间点下关于混炼后物质的表面状态隐含特征相对于所述预定时间段整体的关于所述混炼后物质的表面状态变化隐含特征的基于时序全局的上下文语义关联特征表示。接着,将所述多个上下文压制后表面状态特征向量进行级联以得到所述压制后表面状态时序语义关联特征向量,也就是,在高维特征空间中,将各个预定时间点对应的所述混炼后物质的表面状态变化隐含特征的基于时序全局的上下文语义关联特征表示进行无损融合以得到所述混炼后物质的表面状态变化隐含特征的基于时序全局的高维特征表示。
在本申请实施例的步骤S140中,将所述多个预定时间点的压制压力值按照时间维度排列为压制压力输入向量后通过一维卷积神经网络模型以得到压制压力时序特征向量。应可以理解,考虑到所述压制压力值在时间维度上也具有着动态性的变化特征信息,为了能够准确地提取出所述压制压力值在所述预定时间段内的动态关联,在本申请的技术方案中,将所述多个预定时间点的压制压力值按照时间维度排列为压制压力输入向量后通过一维卷积神经网络模型中进行编码,以提取出所述压制压力值在时间维度上的高维关联隐含特征信息,从而得到压制压力时序特征向量。
在本申请一个具体的实施例中,将所述多个预定时间点的压制压力值按照时间维度排列为压制压力输入向量后通过一维卷积神经网络模型以得到压制压力时序特征向量,包括:使用所述一维卷积神经网络模型以如下公式对所述压制压力输入向量进行一维卷积编码以得到所述压制压力时序特征向量;
其中,所述公式为:
其中,a为一维卷积核在x方向上的宽度、F(a)为一维卷积核参数向量、G(x-b)为与卷积核函数运算的局部向量矩阵,m为一维卷积核的尺寸,X表示所述压制压力时序特征向量,Cov(X)表示对所述压制压力时序特征向量进行一维卷积编码。
在本申请实施例的步骤S150中,计算所述压制后表面状态时序语义关联特征向量相对于所述压制压力时序特征向量的响应性估计以得到分类特征矩阵。也就是,计算所述压制后表面状态时序语义关联特征向量相对于所述压制压力时序特征向量的响应性估计,以此来表示所述混炼后物质的表面状态变化的时序动态特征和所述压制压力值的时序关联特征的关联性特征分布信息,即在高维空间中关于所述混炼后物质的表面状态变化和所述压制压力值的时序变化之间的映射关联特征信息.
在本申请一个具体的实施例中,计算所述压制后表面状态时序语义关联特征向量相对于所述压制压力时序特征向量的响应性估计以得到分类特征矩阵,包括:以如下公式计算所述压制后表面状态时序语义关联特征向量相对于所述压制压力时序特征向量的响应性估计以得到所述分类特征矩阵;
其中,所述公式为:
V1=M*V2
其中V1表示所述压制后表面状态时序语义关联特征向量,V2表示所述压制压力时序特征向量,M表示所述分类特征矩阵。
在本申请实施例的步骤S160中,对所述分类特征矩阵进行特征区分以得到优化分类特征矩阵。应可以理解,基于高斯密度图计算所述压制后表面状态时序语义关联特征向量相对于所述压制压力时序特征向量的响应性估计来得到所述分类特征矩阵,本申请的申请人进一步考虑到高斯分布在均值附近的致密分布特性结合在远离均值位置的长尾部分的稀疏分布特性,这就使得计算响应性估计所得到的所述分类特征矩阵的某些位置的特征值(例如,表达相同致密程度分布关联的特征)相对于其它位置的特征值(例如,表达不同致密程度分布关联的特征)具有更显著的重要性,因此,如果可以在分类任务中对于所述分类特征矩阵的特征值进行有效区分,显然可以提高模型的训练速度和分类结果的准确性。因此,本申请的申请人对所述分类特征矩阵,例如表示为M进行基于可区分性物理激励的交互强化。
在本申请一个具体的实施例中,对所述分类特征矩阵进行特征区分以得到优化分类特征矩阵,包括:以如下公式对所述分类特征矩阵进行基于可区分性物理激励的交互强化以得到所述优化分类特征矩阵;
其中,所述公式为:
其中M是所述分类特征矩阵,a和b是预定超参数,和/>表示特征矩阵的按位置加法和减法,除法表示特征矩阵的每个位置除以相应值,且Cov(·)表示通过单个卷积层的卷积操作,M′是所述优化分类特征矩阵。
这里,所述基于可区分性物理激励的交互强化用于在通过梯度下降的反向传播过程当中提升特征空间与分类问题的解空间之间的交互,其以类似物理激励的方式来提取和模仿可行特征(actionab le feature),由此,使用通用目的低维可导式物理激励方式,来获得具有梯度可区分性的可行特征的物理性表达,从而在训练过程中强化所述分类特征矩阵M内的活跃部分,以提升强化后的分类特征矩阵M′在分类任务下的训练速度和训练后的分类特征的分类结果的准确性。这样,能够实时准确地基于混炼后物质的表面状态变化情况来自适应地调控压制压力值,以提高镁碳砖的制备质量和性能。
在本申请实施例的步骤S170中,将所述优化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压制压力值应增大或应减小。
图5为根据本申请实施例的镁碳砖智能化生产方法中,将所述优化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压制压力值应增大或应减小的流程图。如图5所示,在本申请一个具体的实施例中,将所述优化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压制压力值应增大或应减小,包括:S310,使用所述分类器的全连接层对所述优化分类特征矩阵进行全连接编码以得到全连接编码特征向量;S320,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,所述分类标签包括当前时间点的压制压力值应增大和当前时间点的压制压力值应减小;以及,S330,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,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压制压力值应增大(第一标签),以及,当前时间点的压制压力值应减小(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所述当前时间点的压制压力值控制策略标签,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压制压力值,以此基于混炼后物质的表面状态变化情况来自适应地调控当前时间点的压制压力值,从而提高镁碳砖的制备质量。
综上,本申请实施例的镁碳砖智能化生产方法已被阐明,其通过卷积神经网络模型模拟并建立所述混炼后物质的表面状态变化和所述压制压力值的时序变化之间的复杂映射关系,并以此作为分类特征矩阵通过分类器中进行分类处理以得到分类结果,所述分类结果用于表示当前时间点的压制压力值应增大或应减小,通过这样的方式,能够实时准确地基于混炼后物质的表面状态变化情况来自适应地调控压制压力值,以提高镁碳砖的制备质量和性能。
示例性系统
图6为根据本申请实施例的镁碳砖智能化生产系统的框图示意图。如图6所示,根据本申请实施例的所述镁碳砖智能化生产系统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压制压力值和所述多个预定时间点的混炼后物质的表面状态检测图像;卷积编码模块120,用于将所述多个预定时间点的混炼后物质的表面状态检测图像分别通过作为过滤器的卷积神经网络模型以得到多个压制后表面状态特征向量;上下文编码模块130,用于将所述多个压制后表面状态特征向量通过基于转换器的上下文编码器以得到压制后表面状态时序语义关联特征向量;一维卷积编码模块140,用于将所述多个预定时间点的压制压力值按照时间维度排列为压制压力输入向量后通过一维卷积神经网络模型以得到压制压力时序特征向量;响应性估计计算模块150,用于计算所述压制后表面状态时序语义关联特征向量相对于所述压制压力时序特征向量的响应性估计以得到分类特征矩阵;特征区分模块160,用于对所述分类特征矩阵进行特征区分以得到优化分类特征矩阵;以及,分类模块170,用于将所述优化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压制压力值应增大或应减小。
这里,本领域技术人员可以理解,上述镁碳砖智能化生产系统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5的镁碳砖智能化生产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所述镁碳砖智能化生产系统100可以实现在各种终端设备中,例如部署有镁碳砖智能化生产算法的服务器等。在一个示例中,镁碳砖智能化生产系统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,该镁碳砖智能化生产系统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,该镁碳砖智能化生产系统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,该镁碳砖智能化生产系统100与该终端设备也可以是分立的设备,并且镁碳砖智能化生产系统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。
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。
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 (7)
1.一种镁碳砖智能化生产方法,其特征在于,包括:
获取预定时间段内多个预定时间点的压制压力值和所述多个预定时间点的混炼后物质的表面状态检测图像;
将所述多个预定时间点的混炼后物质的表面状态检测图像分别通过作为过滤器的卷积神经网络模型以得到多个压制后表面状态特征向量;
将所述多个压制后表面状态特征向量通过基于转换器的上下文编码器以得到压制后表面状态时序语义关联特征向量;
将所述多个预定时间点的压制压力值按照时间维度排列为压制压力输入向量后通过一维卷积神经网络模型以得到压制压力时序特征向量;
计算所述压制后表面状态时序语义关联特征向量相对于所述压制压力时序特征向量的响应性估计以得到分类特征矩阵;
对所述分类特征矩阵进行特征区分以得到优化分类特征矩阵;以及
将所述优化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压制压力值应增大或应减小;
其中,将所述多个压制后表面状态特征向量通过基于转换器的上下文编码器以得到压制后表面状态时序语义关联特征向量,包括:
将所述多个压制后表面状态特征向量输入所述基于转化器的上下文编码器以得到多个上下文压制后表面状态特征向量;以及
将所述多个上下文压制后表面状态特征向量进行级联以得到所述压制后表面状态时序语义关联特征向量;
其中,将所述多个压制后表面状态特征向量输入所述基于转化器的上下文编码器以得到多个上下文压制后表面状态特征向量,包括:使用所述上下文编码器的基于转换器的Bert模型对所述多个压制后表面状态特征向量中各个压制后表面状态特征向量进行基于全局的上下文语义编码以得到以所述多个压制后表面状态特征向量的整体语义关联为上下文背景的所述多个上下文压制后表面状态特征向量;
其中,对所述分类特征矩阵进行特征区分以得到优化分类特征矩阵,包括:
以如下公式对所述分类特征矩阵进行基于可区分性物理激励的交互强化以得到所述优化分类特征矩阵;
其中,所述公式为:
其中M是所述分类特征矩阵,a和b是预定超参数,和/>表示特征矩阵的按位置加法和减法,除法表示特征矩阵的每个位置除以相应值,且Cov(·)表示通过单个卷积层的卷积操作,M′是所述优化分类特征矩阵。
2.根据权利要求1所述的镁碳砖智能化生产方法,其特征在于,将所述多个预定时间点的混炼后物质的表面状态检测图像分别通过作为过滤器的卷积神经网络模型以得到多个压制后表面状态特征向量,包括:使用基于过滤器的所述卷积神经网络模型以如下公式分别对所述多个预定时间点的混炼后物质的表面状态检测图像进行处理以得到所述多个压制后表面状态特征向量;
其中,所述公式为:
fi=Sigmoid(Ni×fi-1+Bi)
其中,fi-1为第i层卷积神经网络模型的输入,fi为第i层卷积神经网络模型的输出,Ni为第i层卷积神经网络模型的过滤器,且Bi为第i层卷积神经网络模型的偏置矩阵,Sigmoid表示非线性激活函数。
3.根据权利要求2所述的镁碳砖智能化生产方法,其特征在于,将所述多个预定时间点的压制压力值按照时间维度排列为压制压力输入向量后通过一维卷积神经网络模型以得到压制压力时序特征向量,包括:
使用所述一维卷积神经网络模型以如下公式对所述压制压力输入向量进行一维卷积编码以得到所述压制压力时序特征向量;
其中,所述公式为:
其中,a为一维卷积核在x方向上的宽度、F(a)为一维卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵,m为一维卷积核的尺寸,X表示所述压制压力时序特征向量,Cov(X)表示对所述压制压力时序特征向量进行一维卷积编码。
4.根据权利要求3所述的镁碳砖智能化生产方法,其特征在于,计算所述压制后表面状态时序语义关联特征向量相对于所述压制压力时序特征向量的响应性估计以得到分类特征矩阵,包括:
以如下公式计算所述压制后表面状态时序语义关联特征向量相对于所述压制压力时序特征向量的响应性估计以得到所述分类特征矩阵;
其中,所述公式为:
V1=M*V2
其中V1表示所述压制后表面状态时序语义关联特征向量,V2表示所述压制压力时序特征向量,M表示所述分类特征矩阵。
5.根据权利要求4所述的镁碳砖智能化生产方法,其特征在于,将所述优化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压制压力值应增大或应减小,包括:
使用所述分类器的全连接层对所述优化分类特征矩阵进行全连接编码以得到全连接编码特征向量;
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,所述分类标签包括当前时间点的压制压力值应增大和当前时间点的压制压力值应减小;以及
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。
6.一种镁碳砖智能化生产系统,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压制压力值和所述多个预定时间点的混炼后物质的表面状态检测图像;
卷积编码模块,用于将所述多个预定时间点的混炼后物质的表面状态检测图像分别通过作为过滤器的卷积神经网络模型以得到多个压制后表面状态特征向量;
上下文编码模块,用于将所述多个压制后表面状态特征向量通过基于转换器的上下文编码器以得到压制后表面状态时序语义关联特征向量;
一维卷积编码模块,用于将所述多个预定时间点的压制压力值按照时间维度排列为压制压力输入向量后通过一维卷积神经网络模型以得到压制压力时序特征向量;
响应性估计计算模块,用于计算所述压制后表面状态时序语义关联特征向量相对于所述压制压力时序特征向量的响应性估计以得到分类特征矩阵;
特征区分模块,用于对所述分类特征矩阵进行特征区分以得到优化分类特征矩阵;以及
分类模块,用于将所述优化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压制压力值应增大或应减小;
其中,将所述多个压制后表面状态特征向量通过基于转换器的上下文编码器以得到压制后表面状态时序语义关联特征向量,包括:
将所述多个压制后表面状态特征向量输入所述基于转化器的上下文编码器以得到多个上下文压制后表面状态特征向量;以及
将所述多个上下文压制后表面状态特征向量进行级联以得到所述压制后表面状态时序语义关联特征向量;
其中,将所述多个压制后表面状态特征向量输入所述基于转化器的上下文编码器以得到多个上下文压制后表面状态特征向量,包括:使用所述上下文编码器的基于转换器的Bert模型对所述多个压制后表面状态特征向量中各个压制后表面状态特征向量进行基于全局的上下文语义编码以得到以所述多个压制后表面状态特征向量的整体语义关联为上下文背景的所述多个上下文压制后表面状态特征向量;
其中,所述特征区分模块,包括:
以如下公式对所述分类特征矩阵进行基于可区分性物理激励的交互强化以得到所述优化分类特征矩阵;
其中,所述公式为:
其中M是所述分类特征矩阵,a和b是预定超参数,和/>表示特征矩阵的按位置加法和减法,除法表示特征矩阵的每个位置除以相应值,且Cov(·)表示通过单个卷积层的卷积操作,M′是所述优化分类特征矩阵。
7.根据权利要求6所述的镁碳砖智能化生产系统,其特征在于,所述卷积编码模块,用于:使用基于过滤器的所述卷积神经网络模型以如下公式分别对所述多个预定时间点的混炼后物质的表面状态检测图像进行处理以得到多个压制后表面状态特征向量;
其中,所述公式为:
fi=Sigmoid(Ni×fi-1+Bi)
其中,fi-1为第i层卷积神经网络模型的输入,fi为第i层卷积神经网络模型的输出,Ni为第i层卷积神经网络模型的过滤器,且Bi为第i层卷积神经网络模型的偏置矩阵,Sigmoid表示非线性激活函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310166569.4A CN116110507B (zh) | 2023-02-15 | 2023-02-15 | 镁碳砖智能化生产方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310166569.4A CN116110507B (zh) | 2023-02-15 | 2023-02-15 | 镁碳砖智能化生产方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116110507A CN116110507A (zh) | 2023-05-12 |
CN116110507B true CN116110507B (zh) | 2024-02-06 |
Family
ID=86256108
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310166569.4A Active CN116110507B (zh) | 2023-02-15 | 2023-02-15 | 镁碳砖智能化生产方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116110507B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116884536B (zh) * | 2023-08-29 | 2024-03-12 | 济南明泉数字商务有限公司 | 一种工业废渣砖生产配方自动优化方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115079572A (zh) * | 2022-06-30 | 2022-09-20 | 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 |
CN115128663A (zh) * | 2022-07-11 | 2022-09-30 | 江西中科冠物联网科技有限公司 | 基于物联网的矿山安全生产检测系统及其检测方法 |
CN115147655A (zh) * | 2022-07-12 | 2022-10-04 | 温州宁酷科技有限公司 | 油气集输监控系统及其方法 |
CN115294532A (zh) * | 2022-09-06 | 2022-11-04 | 丽水市鱼跃酿造食品有限公司 | 酒、酱、醋的智能化制备方法及其系统 |
CN115437416A (zh) * | 2022-10-17 | 2022-12-06 | 杭州市燃气集团有限公司 | 一种天然气透平膨胀发电系统压力控制方法 |
CN115453990A (zh) * | 2022-08-31 | 2022-12-09 | 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 |
CN115481677A (zh) * | 2022-08-25 | 2022-12-16 | 华能新能源股份有限公司 | 海上风机叶片吊装智能控制系统及其方法 |
CN115599049A (zh) * | 2022-08-31 | 2023-01-13 | 福建省龙氟新材料有限公司(Cn) | 用于无水氟化氢生产的能源管理控制系统及其控制方法 |
CN115693918A (zh) * | 2022-09-07 | 2023-02-03 | 浙江心友机电设备安装有限公司 | 一种建筑综合智能用电系统及其方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8374687B2 (en) * | 2006-01-21 | 2013-02-12 | Honeywell International Inc. | Rapid serial visual presentation triage prioritization based on user state assessment |
-
2023
- 2023-02-15 CN CN202310166569.4A patent/CN116110507B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115079572A (zh) * | 2022-06-30 | 2022-09-20 | 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 |
CN115128663A (zh) * | 2022-07-11 | 2022-09-30 | 江西中科冠物联网科技有限公司 | 基于物联网的矿山安全生产检测系统及其检测方法 |
CN115147655A (zh) * | 2022-07-12 | 2022-10-04 | 温州宁酷科技有限公司 | 油气集输监控系统及其方法 |
CN115481677A (zh) * | 2022-08-25 | 2022-12-16 | 华能新能源股份有限公司 | 海上风机叶片吊装智能控制系统及其方法 |
CN115453990A (zh) * | 2022-08-31 | 2022-12-09 | 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 |
CN115599049A (zh) * | 2022-08-31 | 2023-01-13 | 福建省龙氟新材料有限公司(Cn) | 用于无水氟化氢生产的能源管理控制系统及其控制方法 |
CN115294532A (zh) * | 2022-09-06 | 2022-11-04 | 丽水市鱼跃酿造食品有限公司 | 酒、酱、醋的智能化制备方法及其系统 |
CN115693918A (zh) * | 2022-09-07 | 2023-02-03 | 浙江心友机电设备安装有限公司 | 一种建筑综合智能用电系统及其方法 |
CN115437416A (zh) * | 2022-10-17 | 2022-12-06 | 杭州市燃气集团有限公司 | 一种天然气透平膨胀发电系统压力控制方法 |
Non-Patent Citations (1)
Title |
---|
基于变压器特性数据聚类的电力负荷分布式预测;吴琼 等;《广东电力》;第33卷(第8期);第69-76页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116110507A (zh) | 2023-05-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116110507B (zh) | 镁碳砖智能化生产方法及系统 | |
CN115909171B (zh) | 钢包透气砖生产方法及其系统 | |
CN108564025A (zh) | 一种基于可变形卷积神经网络的红外图像物体识别方法 | |
CN115393779B (zh) | 用于激光熔覆金属球制造的控制系统及其控制方法 | |
CN109583507A (zh) | 一种基于深度卷积神经网络的猪体识别方法 | |
CN116680987A (zh) | 石墨坩埚的成型方法及其系统 | |
CN205845067U (zh) | 基于图像动静态特征的转炉炼钢吹炼状态识别系统 | |
CN114417522A (zh) | 一种铝锆碳滑板的工艺参数优化方法、系统和电子设备 | |
CN116048031A (zh) | 用于石油助剂生产的控制系统及其方法 | |
CN116140786A (zh) | 搅拌摩擦焊接方法及其系统 | |
CN116003126A (zh) | 静电吸盘表面陶瓷材料的制备方法及其系统 | |
CN115731513A (zh) | 基于数字孪生的智慧园区管理系统 | |
CN116596900A (zh) | 石墨坩埚的制造方法及其系统 | |
CN109034192B (zh) | 一种基于深度学习的轨道-车体振动状态预测方法 | |
CN116274931A (zh) | 镁牺牲阳极合金的铸造方法及其系统 | |
CN116188870A (zh) | 一种基于脉冲卷积神经网络的钢材表面缺陷图像分类方法 | |
CN117094937B (zh) | 耐火浇注料节能生产方法及系统 | |
CN109063782B (zh) | 一种自适应泵站故障智能诊断方法 | |
CN106407550A (zh) | 一种工业过程软测量建模方法 | |
CN108259914B (zh) | 基于物体库的云图像编码方法 | |
CN115857359A (zh) | 高强度泥土的制备工艺及其系统 | |
CN115861235A (zh) | 一种基于多特征数据融合的浮选尾煤灰分预测方法 | |
CN112580710A (zh) | 基于参数矩阵的特征提取的球墨铸铁冶炼的加料控制方法 | |
CN114742800B (zh) | 基于改进Transformer的强化学习电熔镁炉工况识别方法 | |
CN117155041B (zh) | 外转子电机及其智能化生产方法 |
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 |