CN116177858A - 高纯石英坩埚的制备方法及其系统 - Google Patents
高纯石英坩埚的制备方法及其系统 Download PDFInfo
- Publication number
- CN116177858A CN116177858A CN202310179678.XA CN202310179678A CN116177858A CN 116177858 A CN116177858 A CN 116177858A CN 202310179678 A CN202310179678 A CN 202310179678A CN 116177858 A CN116177858 A CN 116177858A
- Authority
- CN
- China
- Prior art keywords
- feature
- time sequence
- vector
- matrix
- parameter
- 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- Withdrawn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
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 title claims abstract description 129
- 239000010453 quartz Substances 0.000 title claims abstract description 123
- 238000002360 preparation method Methods 0.000 title claims abstract description 45
- 238000002844 melting Methods 0.000 claims abstract description 70
- 230000008018 melting Effects 0.000 claims abstract description 70
- 238000000034 method Methods 0.000 claims abstract description 40
- 238000000465 moulding Methods 0.000 claims abstract description 24
- 239000000463 material Substances 0.000 claims abstract description 20
- 239000006004 Quartz sand Substances 0.000 claims abstract description 6
- 229910052788 barium Inorganic materials 0.000 claims abstract description 6
- DSAJWYNOEDNPEQ-UHFFFAOYSA-N barium atom Chemical compound [Ba] DSAJWYNOEDNPEQ-UHFFFAOYSA-N 0.000 claims abstract description 6
- 238000007664 blowing Methods 0.000 claims abstract description 6
- 238000002156 mixing Methods 0.000 claims abstract description 6
- 239000000843 powder Substances 0.000 claims abstract description 6
- 239000002994 raw material Substances 0.000 claims abstract description 6
- 239000013598 vector Substances 0.000 claims description 229
- 239000011159 matrix material Substances 0.000 claims description 169
- 229910052751 metal Inorganic materials 0.000 claims description 63
- 239000002184 metal Substances 0.000 claims description 63
- 238000013527 convolutional neural network Methods 0.000 claims description 48
- 238000000605 extraction Methods 0.000 claims description 41
- 230000007246 mechanism Effects 0.000 claims description 28
- 238000010606 normalization Methods 0.000 claims description 27
- 238000011084 recovery Methods 0.000 claims description 26
- 238000004519 manufacturing process Methods 0.000 claims description 18
- 238000010586 diagram Methods 0.000 claims description 13
- 238000011176 pooling Methods 0.000 claims description 13
- 230000003247 decreasing effect Effects 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 8
- 238000012546 transfer Methods 0.000 claims description 8
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 230000002829 reductive effect Effects 0.000 claims description 5
- 230000003213 activating effect Effects 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 239000000203 mixture Substances 0.000 claims description 3
- 238000009826 distribution Methods 0.000 description 20
- 230000006870 function Effects 0.000 description 20
- 230000008859 change Effects 0.000 description 16
- 239000013078 crystal Substances 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000012935 Averaging Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 5
- 238000005065 mining Methods 0.000 description 5
- 229910021421 monocrystalline silicon Inorganic materials 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000003672 processing method Methods 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
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- C—CHEMISTRY; METALLURGY
- C30—CRYSTAL GROWTH
- C30B—SINGLE-CRYSTAL GROWTH; UNIDIRECTIONAL SOLIDIFICATION OF EUTECTIC MATERIAL OR UNIDIRECTIONAL DEMIXING OF EUTECTOID MATERIAL; REFINING BY ZONE-MELTING OF MATERIAL; PRODUCTION OF A HOMOGENEOUS POLYCRYSTALLINE MATERIAL WITH DEFINED STRUCTURE; SINGLE CRYSTALS OR HOMOGENEOUS POLYCRYSTALLINE MATERIAL WITH DEFINED STRUCTURE; AFTER-TREATMENT OF SINGLE CRYSTALS OR A HOMOGENEOUS POLYCRYSTALLINE MATERIAL WITH DEFINED STRUCTURE; APPARATUS THEREFOR
- C30B15/00—Single-crystal growth by pulling from a melt, e.g. Czochralski method
- C30B15/10—Crucibles or containers for supporting the melt
-
- C—CHEMISTRY; METALLURGY
- C03—GLASS; MINERAL OR SLAG WOOL
- C03B—MANUFACTURE, SHAPING, OR SUPPLEMENTARY PROCESSES
- C03B20/00—Processes specially adapted for the production of quartz or fused silica articles, not otherwise provided for
-
- 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
- Y02P40/00—Technologies relating to the processing of minerals
- Y02P40/50—Glass production, e.g. reusing waste heat during processing or shaping
- Y02P40/57—Improving the yield, e-g- reduction of reject rates
Landscapes
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Materials Engineering (AREA)
- Organic Chemistry (AREA)
- Crystallography & Structural Chemistry (AREA)
- Metallurgy (AREA)
- Crystals, And After-Treatments Of Crystals (AREA)
Abstract
公开了一种高纯石英坩埚的制备方法及其系统。该方法包括:将纯度大于99.99%的石英砂原料与钡粉进行混合以得到混合物料;对所述混合物料进行真空装料成型以得到石英坩埚透明层;以及,对所述石英坩埚透明层进行吹气熔制以得到高纯度石英坩埚。通过这样的方式,可以获得高纯度石英坩埚。
Description
技术领域
本申请涉及智能控制领域,且更为具体地,涉及一种高纯石英坩埚的制备方法及其系统。
背景技术
石英坩埚是拉制单晶硅的主要耗材,每生产一炉单晶硅就需要用掉一只石英坩埚,目前太阳能级用单晶硅的发展主要向大尺寸、薄片化以及高转化效率方向发展,而石英坩埚是是保证单晶硅生长的重要材料,石英坩埚的好坏直接决定着单晶硅的质量和使用寿命。
石英坩埚的透明层没有或很少有气泡,透明层对石英坩埚拉晶有很大的影响,透明层越好单晶得料率越高,而透明层没有气泡破裂等造成的单晶氧含量过高、产生空穴等问题,然而目前市场上的石英坩埚在熔制透明层的过程中十分容易造成其气泡含量过多,从而导致石英坩埚不合格导致浪费了大量的资源成本,不能满足人们的要求。
因此,期待一种优化的石英坩埚的制备方案以制得高纯石英坩埚。
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高纯石英坩埚的制备方法及其系统。该方法包括:将纯度大于99.99%的石英砂原料与钡粉进行混合以得到混合物料;对所述混合物料进行真空装料成型以得到石英坩埚透明层;以及,对所述石英坩埚透明层进行吹气熔制以得到高纯度石英坩埚。通过这样的方式,可以获得高纯度石英坩埚。
根据本申请的一个方面,提供了一种高纯石英坩埚的制备方法,其包括:将纯度大于99.99%的石英砂原料与钡粉进行混合以得到混合物料;对所述混合物料进行真空装料成型以得到石英坩埚透明层;以及对所述石英坩埚透明层进行吹气熔制以得到高纯度石英坩埚。
在上述的高纯石英坩埚的制备方法中,对所述混合物料进行真空装料成型以得到石英坩埚透明层,包括:获取预定时间段内多个预定时间点的熔制温度值、熔制功率值和电弧起弧位置,以及,所述多个预定时间点的金属模具内真空度;将所述多个预定时间点的金属模具内真空度按照时间维度排列为真空度时序向量;将所述多个预定时间点的熔制温度值、熔制功率值和电弧起弧位置按照时间维度和样本维度排列为多参数协同时序输入矩阵;将所述多参数协同时序输入矩阵通过使用空间注意力机制的卷积神经网络模型以得到多参数协同时序特征矩阵;将所述真空度时序向量通过多尺度邻域特征提取模块以得到真空度时序特征向量;计算所述真空度时序特征向量与所述多参数协同时序特征矩阵之间的乘积以得到分类特征向量;基于所述多参数协同时序特征矩阵,对所述分类特征向量进行优化以得到优化后分类特征向量;以及将所述优化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金属模具内真空度应增大或应减小。
在上述的高纯石英坩埚的制备方法中,将所述多参数协同时序输入矩阵通过使用空间注意力机制的卷积神经网络模型以得到多参数协同时序特征矩阵,包括:所述使用空间注意力机制的卷积神经网络模型的各层在层的正向传递过程中对输入数据分别进行:对输入数据进行卷积处理以生成第一卷积特征图;对所述第一卷积特征图进行池化处理以生成第一池化特征图;对所述第一池化特征图进行非线性激活以生成第一激活特征图;计算所述第一激活特征图的各个位置沿通道维度的均值以生成空间特征矩阵;计算所述空间特征矩阵中各个位置的类Softmax函数值以获得空间得分矩阵;以及计算所述空间特征矩阵和所述空间得分图的按位置点乘以获得特征矩阵;其中,所述使用空间注意力机制的卷积神经网络模型的最后一层输出的所述多参数协同时序特征矩阵。
在上述的高纯石英坩埚的制备方法中,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。
在上述的高纯石英坩埚的制备方法中,将所述真空度时序向量通过多尺度邻域特征提取模块以得到真空度时序特征向量,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真空度时序向量进行一维卷积编码以得到第一尺度真空度时序特征向量;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,/>表示所述真空度时序向量;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真空度时序向量进行一维卷积编码以得到第二尺度真空度时序特征向量;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,/>表示所述真空度时序向量;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真空度时序特征向量和所述第二尺度真空度时序特征向量进行级联以得到所述真空度时序特征向量。
在上述的高纯石英坩埚的制备方法中,计算所述真空度时序特征向量与所述多参数协同时序特征矩阵之间的乘积以得到分类特征向量,包括:以如下公式计算所述真空度时序特征向量与所述多参数协同时序特征矩阵之间的乘积以得到所述分类特征向量;其中,所述公式为: ,其中,/>表示所述分类特征向量,/>表示所述真空度时序特征向量,/>表示所述多参数协同时序特征矩阵。
在上述的高纯石英坩埚的制备方法中,基于所述多参数协同时序特征矩阵,对所述分类特征向量进行优化以得到优化后分类特征向量,包括:将所述多参数协同时序特征矩阵通过作为特征提取器的卷积神经网络模型以获得多参数协同时序特征图;计算所述多参数协同时序特征图的每个特征矩阵的全局均值池化的实例归一化和一致性相关恢复因数以得到由多个实例归一化和一致性相关恢复因数组成的加权特征向量;以及计算所述加权特征向量与所述分类特征向量之间的按位置点乘以得到优化分类特征向量。
在上述的高纯石英坩埚的制备方法中,将所述多参数协同时序特征矩阵通过作为特征提取器的卷积神经网络模型以获得多参数协同时序特征图,包括:所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中分别进行:对输入数据进行卷积处理以得到第二卷积特征图;对所述第二卷积特征图进行基于局部特征矩阵的均值池化以得到第二池化特征图;以及对所述第二池化特征图进行非线性激活以得到第二激活特征图;其中,所述作为特征提取器的卷积神经网络模型的最后一层的输出为所述多参数协同时序特征图,所述作为特征提取器的卷积神经网络模型的第一层的输入为所述多参数协同时序特征矩阵。
在上述的高纯石英坩埚的制备方法中,计算所述多参数协同时序特征图的每个特征矩阵的全局均值池化的实例归一化和一致性相关恢复因数以得到由多个实例归一化和一致性相关恢复因数组成的加权特征向量,包括:以如下公式计算所述多参数协同时序特征图的每个特征矩阵的全局均值池化的实例归一化和一致性相关恢复因数以得到由多个实例归一化和一致性相关恢复因数组成的所述加权特征向量;其中,所述公式为:
其中,表示所述多参数协同时序特征图的每个特征矩阵的第/>位置的特征值,/>和/>分别是所述多参数协同时序特征图的每个特征矩阵的各个位置的特征值集合的均值和方差,且/>和/>分别是所述多参数协同时序特征图的每个特征矩阵的宽度和高度,表示以2为底的对数函数值,/>表示自然指数函数值,/>表示所述多个实例归一化和一致性相关恢复因数中的各个实例归一化和一致性相关恢复因数。
根据本申请的另一个方面,提供了一种高纯石英坩埚的制备系统,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熔制温度值、熔制功率值和电弧起弧位置,以及,所述多个预定时间点的金属模具内真空度;向量排列模块,用于将所述多个预定时间点的金属模具内真空度按照时间维度排列为真空度时序向量;输入矩阵排列模块,用于将所述多个预定时间点的熔制温度值、熔制功率值和电弧起弧位置按照时间维度和样本维度排列为多参数协同时序输入矩阵;空间卷积编码模块,用于将所述多参数协同时序输入矩阵通过使用空间注意力机制的卷积神经网络模型以得到多参数协同时序特征矩阵;多尺度编码模块,用于将所述真空度时序向量通过多尺度邻域特征提取模块以得到真空度时序特征向量;矩阵相乘模块,用于计算所述真空度时序特征向量与所述多参数协同时序特征矩阵之间的乘积以得到分类特征向量;向量优化模块,用于基于所述多参数协同时序特征矩阵,对所述分类特征向量进行优化以得到优化后分类特征向量;以及分类模块,用于将所述优化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金属模具内真空度应增大或应减小。
与现有技术相比,本申请提供的高纯石英坩埚的制备方法及其系统,该方法包括:将纯度大于99.99%的石英砂原料与钡粉进行混合以得到混合物料;对所述混合物料进行真空装料成型以得到石英坩埚透明层;以及,对所述石英坩埚透明层进行吹气熔制以得到高纯度石英坩埚。通过这样的方式,可以获得高纯度石英坩埚。
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高纯石英坩埚的制备方法的流程图。
图2为根据本申请实施例的高纯石英坩埚的制备方法中子步骤S200的场景示意图。
图3为根据本申请实施例的高纯石英坩埚的制备方法中子步骤S200的流程图。
图4为根据本申请实施例的高纯石英坩埚的制备方法中子步骤S200的架构示意图。
图5为根据本申请实施例的高纯石英坩埚的制备方法中子步骤S270的流程图。
图6为根据本申请实施例的高纯石英坩埚的制备系统的框图。
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,石英坩埚的透明层没有或很少有气泡,透明层对石英坩埚拉晶有很大的影响,透明层越好单晶得料率越高,而透明层没有气泡破裂等造成的单晶氧含量过高、产生空穴等问题,然而目前市场上的石英坩埚在熔制透明层的过程中十分容易造成其气泡含量过多,从而导致石英坩埚不合格导致浪费了大量的资源成本,不能满足人们的要求。因此,期待一种优化的石英坩埚的制备方案以制得高纯石英坩埚。
具体地,如图1所示,在本申请的技术方案中,提出了一种高纯石英坩埚的制备方法,其包括:S100,将纯度大于99.99%的石英砂原料与钡粉进行混合以得到混合物料;S200,对所述混合物料进行真空装料成型以得到石英坩埚透明层;以及,S300,对所述石英坩埚透明层进行吹气熔制以得到高纯度石英坩埚。这里,所述高纯石英坩埚的界定为透明层的气泡含量低于预定阈值的石英坩埚。
相应地,考虑到在实际对所述混合物料进行真空装料成型以得到石英坩埚透明层的制备过程中,熔制温度值、熔制功率值、电弧起弧位置和金属模具内真空度是决定真空装料成型后石英坩埚透明层制备质量的关键。并且,在实际的石英坩埚透明层制备过程中,对于金属模具内真空度的控制应适配于熔制温度值、熔制功率值和电弧起弧位置各参数的变化情况,也就是说,基于真空装料成型的各个控制参数的变化特征来自适应地调整金属模具内真空度,以此来提高石英坩埚透明层的制备质量和效率。但是,考虑到由于所述真空装料成型的控制参数中的各个参数项间在时间维度上具有着关联关系,并不能仅仅依据所述控制参数中的各个参数项单独与所述金属模具内真空度建立关联。因此,在石英坩埚透明层的制备过程中,难点在于如何建立所述真空装料成型的控制参数的各个参数项的时序关联特征与所述金属模具内真空度变化特征间的映射关系,以此来基于真空装料成型的各个控制参数变化来自适应地对于金属模具内真空度进行相应调整,从而提高石英坩埚透明层的制备质量和效率。
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真空装料成型的控制参数的各个参数项的时序关联特征信息与所述金属模具内真空度变化特征信息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真空装料成型的控制参数的各个参数项的时序关联特征信息与所述金属模具内真空度变化特征信息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熔制温度值、熔制功率值和电弧起弧位置,以及,所述多个预定时间点的金属模具内真空度。接着,考虑到由于所述金属模具内真空度在时间维度上的不同时间周期跨度下具有着不同的动态变化特征,因此,为了能够充分且准确地提取出所述金属模具内真空度在时序上的变化规律,在本申请的技术方案中,将所述多个预定时间点的金属模具内真空度按照时间维度排列为真空度时序向量,以整合所述金属模具内真空度在时间维度上的分布信息。进一步地,将所述真空度时序向量通过多尺度邻域特征提取模块中进行特征挖掘,以提取出所述金属模具内真空度在不同时间跨度下的动态多尺度邻域关联特征,从而得到真空度时序特征向量。
然后,对于所述熔制温度值、所述熔制功率值和所述电弧起弧位置来说,考虑到由于对所述混合物料进行真空装料成型的各个控制参数间在时间维度上具有着关联性关系,因此,为了能够提取出所述各个控制参数间的时序关联特征信息,首先,将所述多个预定时间点的熔制温度值、熔制功率值和电弧起弧位置按照时间维度和样本维度排列为多参数协同时序输入矩阵。接着,使用在隐含关联特征提取方面具有优异表现的卷积神经网络模型来进行所述多参数协同时序输入矩阵中关于所述各个控制参数间的时序关联特征挖掘。
特别地,考虑到在实际进行金属模具内真空度的控制时,为了提高石英坩埚透明层的制备质量和效率,对所述混合物料进行真空装料成型的各个控制参数间的关联性参数协同控制特征的提取应关注于空间位置上关于石英坩埚透明层的气泡含量特征信息,而忽略其他无关的干扰特征。鉴于注意力机制能够选择聚焦位置,产生更具分辨性的特征表示,且加入注意力模块后的特征会随着网络的加深产生适应性的改变。因此,在本申请的技术方案中,将所述多参数协同时序输入矩阵通过使用空间注意力机制的卷积神经网络模型中进行处理,以提取出所述熔制温度值、所述熔制功率值和所述电弧起弧位置聚焦于空间位置上关于石英坩埚透明层的气泡含量特征的各个控制参数的关联性特征分布信息,从而得到多参数协同时序特征矩阵。值得一提的是,这里,所述空间注意力所提取到的图像特征则反映了空间维度特征差异的权重,用来抑制或强化不同空间位置的特征,以此来提取出空间上聚焦于石英坩埚透明层的气泡含量的参数控制关联特征信息。
进一步地,计算所述真空度时序特征向量与所述多参数协同时序特征矩阵之间的乘积,以此来表示所述金属模具内真空度的时序动态多尺度变化特征与所述真空装料成型的各个控制参数的时序关联特征的关联性特征分布信息,并以此作为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金属模具内真空度应增大或应减小。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金属模具内真空度应增大(第一标签),以及,当前时间点的金属模具内真空度应减小(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金属模具内真空度控制策略标签,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金属模具内真空度,以此来提高石英坩埚透明层的制备质量和效率。
特别地,在本申请的技术方案中,在计算所述真空度时序特征向量与所述多参数协同时序特征矩阵之间的乘积以进行特征域的映射时,为了提升所述分类特征向量的表达效果,期望能够基于所述多参数协同时序特征矩阵所表达的时序维度的多参数关联特征来对所述分类特征向量进行优化。
基于此,本申请的申请人将所述多参数协同时序特征矩阵通过作为特征提取的卷积神经网络以获得多参数协同时序特征图,并通过所述多参数协同时序特征图的通道维度特征分布来确定所述多参数协同时序特征图的各个通道维度的特征重要程度,即所述多参数协同时序特征矩阵表达的多个参数的时序分布下的特征关联程度的表达特征。
例如,在一个示例中,可以通过对所述多参数协同时序特征图的沿通道维度排列的各个特征矩阵进行全局均值池化的方式来得到用于对所述分类特征向量进行加权的加权特征向量。但是,考虑到特征矩阵的全局均值池化不可避免地损失特征矩阵所表达的区别性特征空间分布信息,即多个参数的时序-样本二维关联度信息,因此期望对于所述加权特征向量进行优化,以尽量恢复所述多参数协同时序特征图所表达的由各个特征矩阵之间的整体分布相关而表达的加权特征向量的特征分布信息,从而提升所述加权特征向量对于所述多参数协同时序特征图的各个通道维度的特征重要程度的表达效果。
基于此,计算所述多参数协同时序特征图的每个特征矩阵的全局均值池化的实例归一化和一致性相关恢复因数,表示为:
这里,所述全局均值池化的实例归一化和一致性相关恢复因数针对特征矩阵的全局均值池化不可避免地损失区别性特征信息的问题,在特征矩阵所表达的通道实例的空间分布特征的实例归一化(Instance Normalization:IN)的基础上,通过从类概率的统计残差特征中蒸馏一致性相关(identity-relevant)的特征,来将统计信息中的一致性相关的相干性恢复到特征值表示中,以实现所述加权特征向量相对于所述多参数协同时序特征图的由特征矩阵的空间分布引起的通道因果关系约束(causalityconstraint)的恢复。这样,通过以该因数构成所述加权特征向量来对所述分类特征向量进行加权,就可以提升所述分类特征向量的表达效果,从而改进所述分类特征向量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真空装料成型的各个控制参数变化来自适应地对于金属模具内真空度进行相应调整,从而降低石英坩埚透明层的气泡含量,提高石英坩埚透明层的制备质量和效率。
图2为根据本申请实施例的高纯石英坩埚的制备方法中子步骤S200的应用场景图。如图2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熔制温度值(例如,图2中所示意的D1)、熔制功率值(例如,图2中所示意的D2)和电弧起弧位置(例如,图2中所示意的D3),以及,所述多个预定时间点的金属模具内真空度(例如,图2中所示意的D4),然后,将所述多个预定时间点的金属模具内真空度和所述多个预定时间点的熔制温度值、熔制功率值和电弧起弧位置输入至部署有高纯石英坩埚的制备算法的服务器中(例如,图2中所示意的S),其中,所述服务器能够使用所述高纯石英坩埚的制备算法对所述多个预定时间点的金属模具内真空度和所述多个预定时间点的熔制温度值、熔制功率值和电弧起弧位置进行处理以得到用于表示当前时间点的金属模具内真空度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3为根据本申请实施例的高纯石英坩埚的制备方法中子步骤S200的流程图。如图3所示,根据本申请实施例的高纯石英坩埚的制备方法中子步骤S200,包括步骤:S210,获取预定时间段内多个预定时间点的熔制温度值、熔制功率值和电弧起弧位置,以及,所述多个预定时间点的金属模具内真空度;S220,将所述多个预定时间点的金属模具内真空度按照时间维度排列为真空度时序向量;S230,将所述多个预定时间点的熔制温度值、熔制功率值和电弧起弧位置按照时间维度和样本维度排列为多参数协同时序输入矩阵;S240,将所述多参数协同时序输入矩阵通过使用空间注意力机制的卷积神经网络模型以得到多参数协同时序特征矩阵;S250,将所述真空度时序向量通过多尺度邻域特征提取模块以得到真空度时序特征向量;S260,计算所述真空度时序特征向量与所述多参数协同时序特征矩阵之间的乘积以得到分类特征向量;S270,基于所述多参数协同时序特征矩阵,对所述分类特征向量进行优化以得到优化后分类特征向量;以及,S280,将所述优化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金属模具内真空度应增大或应减小。
图4为根据本申请实施例的高纯石英坩埚的制备方法中子步骤S200的架构示意图。如图4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熔制温度值、熔制功率值和电弧起弧位置,以及,所述多个预定时间点的金属模具内真空度;接着,将所述多个预定时间点的金属模具内真空度按照时间维度排列为真空度时序向量;然后,将所述多个预定时间点的熔制温度值、熔制功率值和电弧起弧位置按照时间维度和样本维度排列为多参数协同时序输入矩阵;接着,将所述多参数协同时序输入矩阵通过使用空间注意力机制的卷积神经网络模型以得到多参数协同时序特征矩阵;然后,将所述真空度时序向量通过多尺度邻域特征提取模块以得到真空度时序特征向量;接着,计算所述真空度时序特征向量与所述多参数协同时序特征矩阵之间的乘积以得到分类特征向量;然后,基于所述多参数协同时序特征矩阵,对所述分类特征向量进行优化以得到优化后分类特征向量;最后,将所述优化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金属模具内真空度应增大或应减小。
更具体地,在步骤S210中,获取预定时间段内多个预定时间点的熔制温度值、熔制功率值和电弧起弧位置,以及,所述多个预定时间点的金属模具内真空度。到在实际对所述混合物料进行真空装料成型以得到石英坩埚透明层的制备过程中,熔制温度值、熔制功率值、电弧起弧位置和金属模具内真空度是决定真空装料成型后石英坩埚透明层制备质量的关键。并且,在实际的石英坩埚透明层制备过程中,对于金属模具内真空度的控制应适配于熔制温度值、熔制功率值和电弧起弧位置各参数的变化情况,也就是说,基于真空装料成型的各个控制参数的变化特征来自适应地调整金属模具内真空度,以此来提高石英坩埚透明层的制备质量和效率。
更具体地,在步骤S220中,将所述多个预定时间点的金属模具内真空度按照时间维度排列为真空度时序向量。考虑到由于所述金属模具内真空度在时间维度上的不同时间周期跨度下具有着不同的动态变化特征,因此,为了能够充分且准确地提取出所述金属模具内真空度在时序上的变化规律,在本申请的技术方案中,将所述多个预定时间点的金属模具内真空度按照时间维度排列为真空度时序向量,以整合所述金属模具内真空度在时间维度上的分布信息。
更具体地,在步骤S230中,将所述多个预定时间点的熔制温度值、熔制功率值和电弧起弧位置按照时间维度和样本维度排列为多参数协同时序输入矩阵。考虑到由于对所述混合物料进行真空装料成型的各个控制参数间在时间维度上具有着关联性关系,因此,为了能够提取出所述各个控制参数间的时序关联特征信息,首先,将所述多个预定时间点的熔制温度值、熔制功率值和电弧起弧位置按照时间维度和样本维度排列为多参数协同时序输入矩阵。
更具体地,在步骤S240中,将所述多参数协同时序输入矩阵通过使用空间注意力机制的卷积神经网络模型以得到多参数协同时序特征矩阵。使用在隐含关联特征提取方面具有优异表现的卷积神经网络模型来进行所述多参数协同时序输入矩阵中关于所述各个控制参数间的时序关联特征挖掘。
特别地,考虑到在实际进行金属模具内真空度的控制时,为了提高石英坩埚透明层的制备质量和效率,对所述混合物料进行真空装料成型的各个控制参数间的关联性参数协同控制特征的提取应关注于空间位置上关于石英坩埚透明层的气泡含量特征信息,而忽略其他无关的干扰特征。鉴于注意力机制能够选择聚焦位置,产生更具分辨性的特征表示,且加入注意力模块后的特征会随着网络的加深产生适应性的改变。因此,在本申请的技术方案中,将所述多参数协同时序输入矩阵通过使用空间注意力机制的卷积神经网络模型中进行处理,以提取出所述熔制温度值、所述熔制功率值和所述电弧起弧位置聚焦于空间位置上关于石英坩埚透明层的气泡含量特征的各个控制参数的关联性特征分布信息,从而得到多参数协同时序特征矩阵。值得一提的是,这里,所述空间注意力所提取到的图像特征则反映了空间维度特征差异的权重,用来抑制或强化不同空间位置的特征,以此来提取出空间上聚焦于石英坩埚透明层的气泡含量的参数控制关联特征信息。
注意力机制是机器学习中的一种数据处理方法,广泛应用在自然语言处理、图像识别及语音识别等各种不同类型的机器学习任务中。一方面,注意力机制就是希望网络能够自动学出来图片或者文字序列中的需要注意的地方;另一方面,注意力机制通过神经网络的操作生成一个掩码mask,mask上的值的权重。一般来说,空间注意力机制对于同一像素点不同通道求均值,再经过一些卷积和上采样的运算得到空间特征,空间特征每层的像素点就被赋予不同的权重。
相应地,在一个具体示例中,将所述多参数协同时序输入矩阵通过使用空间注意力机制的卷积神经网络模型以得到多参数协同时序特征矩阵,包括:所述使用空间注意力机制的卷积神经网络模型的各层在层的正向传递过程中对输入数据分别进行:对输入数据进行卷积处理以生成第一卷积特征图;对所述第一卷积特征图进行池化处理以生成第一池化特征图;对所述第一池化特征图进行非线性激活以生成第一激活特征图;计算所述第一激活特征图的各个位置沿通道维度的均值以生成空间特征矩阵;计算所述空间特征矩阵中各个位置的类Softmax函数值以获得空间得分矩阵;以及,计算所述空间特征矩阵和所述空间得分图的按位置点乘以获得特征矩阵;其中,所述使用空间注意力机制的卷积神经网络模型的最后一层输出的所述多参数协同时序特征矩阵。
更具体地,在步骤S250中,将所述真空度时序向量通过多尺度邻域特征提取模块以得到真空度时序特征向量。将所述真空度时序向量通过多尺度邻域特征提取模块中进行特征挖掘,以提取出所述金属模具内真空度在不同时间跨度下的动态多尺度邻域关联特征,从而得到真空度时序特征向量。值得一提的是,相较于传统的特征工程,所述多尺度邻域特征提取模块本质上是一个基于深度学习的深度神经网络模型,其能够通过预定训练策略来拟合任何函数功能,且具有更高的特征提取泛化能力。
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,将所述真空度时序向量通过多尺度邻域特征提取模块以得到真空度时序特征向量,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真空度时序向量进行一维卷积编码以得到第一尺度真空度时序特征向量;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,/>表示所述真空度时序向量;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真空度时序向量进行一维卷积编码以得到第二尺度真空度时序特征向量;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,/>表示所述真空度时序向量;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真空度时序特征向量和所述第二尺度真空度时序特征向量进行级联以得到所述真空度时序特征向量。
更具体地,在步骤S260中,计算所述真空度时序特征向量与所述多参数协同时序特征矩阵之间的乘积以得到分类特征向量。计算所述真空度时序特征向量与所述多参数协同时序特征矩阵之间的乘积,以此来表示所述金属模具内真空度的时序动态多尺度变化特征与所述真空装料成型的各个控制参数的时序关联特征的关联性特征分布信息。
相应地,在一个具体示例中,计算所述真空度时序特征向量与所述多参数协同时序特征矩阵之间的乘积以得到分类特征向量,包括:以如下公式计算所述真空度时序特征向量与所述多参数协同时序特征矩阵之间的乘积以得到所述分类特征向量;其中,所述公式为:
更具体地,在步骤S270中,基于所述多参数协同时序特征矩阵,对所述分类特征向量进行优化以得到优化后分类特征向量。
特别地,在本申请的技术方案中,在计算所述真空度时序特征向量与所述多参数协同时序特征矩阵之间的乘积以进行特征域的映射时,为了提升所述分类特征向量的表达效果,期望能够基于所述多参数协同时序特征矩阵所表达的时序维度的多参数关联特征来对所述分类特征向量进行优化。基于此,本申请的申请人将所述多参数协同时序特征矩阵通过作为特征提取的卷积神经网络以获得多参数协同时序特征图,并通过所述多参数协同时序特征图的通道维度特征分布来确定所述多参数协同时序特征图的各个通道维度的特征重要程度,即所述多参数协同时序特征矩阵表达的多个参数的时序分布下的特征关联程度的表达特征。
相应地,在一个具体示例中,如图5所示,基于所述多参数协同时序特征矩阵,对所述分类特征向量进行优化以得到优化后分类特征向量,包括:S271,将所述多参数协同时序特征矩阵通过作为特征提取器的卷积神经网络模型以获得多参数协同时序特征图;S272,计算所述多参数协同时序特征图的每个特征矩阵的全局均值池化的实例归一化和一致性相关恢复因数以得到由多个实例归一化和一致性相关恢复因数组成的加权特征向量;以及,S273,计算所述加权特征向量与所述分类特征向量之间的按位置点乘以得到优化分类特征向量。
相应地,在一个具体示例中,将所述多参数协同时序特征矩阵通过作为特征提取器的卷积神经网络模型以获得多参数协同时序特征图,包括:所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中分别进行:对输入数据进行卷积处理以得到第二卷积特征图;对所述第二卷积特征图进行基于局部特征矩阵的均值池化以得到第二池化特征图;以及,对所述第二池化特征图进行非线性激活以得到第二激活特征图;其中,所述作为特征提取器的卷积神经网络模型的最后一层的输出为所述多参数协同时序特征图,所述作为特征提取器的卷积神经网络模型的第一层的输入为所述多参数协同时序特征矩阵。
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。
在一个示例中,可以通过对所述多参数协同时序特征图的沿通道维度排列的各个特征矩阵进行全局均值池化的方式来得到用于对所述分类特征向量进行加权的加权特征向量。但是,考虑到特征矩阵的全局均值池化不可避免地损失特征矩阵所表达的区别性特征空间分布信息,即多个参数的时序-样本二维关联度信息,因此期望对于所述加权特征向量进行优化,以尽量恢复所述多参数协同时序特征图所表达的由各个特征矩阵之间的整体分布相关而表达的加权特征向量的特征分布信息,从而提升所述加权特征向量对于所述多参数协同时序特征图的各个通道维度的特征重要程度的表达效果。基于此,计算所述多参数协同时序特征图的每个特征矩阵的全局均值池化的实例归一化和一致性相关恢复因数。
相应地,在一个具体示例中,计算所述多参数协同时序特征图的每个特征矩阵的全局均值池化的实例归一化和一致性相关恢复因数以得到由多个实例归一化和一致性相关恢复因数组成的加权特征向量,包括:以如下公式计算所述多参数协同时序特征图的每个特征矩阵的全局均值池化的实例归一化和一致性相关恢复因数以得到由多个实例归一化和一致性相关恢复因数组成的所述加权特征向量;其中,所述公式为:
其中,表示所述多参数协同时序特征图的每个特征矩阵的第/>位置的特征值,/>和/>分别是所述多参数协同时序特征图的每个特征矩阵的各个位置的特征值集合的均值和方差,且/>和/>分别是所述多参数协同时序特征图的每个特征矩阵的宽度和高度,表示以2为底的对数函数值,/>表示自然指数函数值,/>表示所述多个实例归一化和一致性相关恢复因数中的各个实例归一化和一致性相关恢复因数。
这里,所述全局均值池化的实例归一化和一致性相关恢复因数针对特征矩阵的全局均值池化不可避免地损失区别性特征信息的问题,在特征矩阵所表达的通道实例的空间分布特征的实例归一化(Instance Normalization:IN)的基础上,通过从类概率的统计残差特征中蒸馏一致性相关(identity-relevant)的特征,来将统计信息中的一致性相关的相干性恢复到特征值表示中,以实现所述加权特征向量相对于所述多参数协同时序特征图的由特征矩阵的空间分布引起的通道因果关系约束(causalityconstraint)的恢复。这样,通过以该因数构成所述加权特征向量来对所述分类特征向量进行加权,就可以提升所述分类特征向量的表达效果,从而改进所述分类特征向量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真空装料成型的各个控制参数变化来自适应地对于金属模具内真空度进行相应调整,从而降低石英坩埚透明层的气泡含量,提高石英坩埚透明层的制备质量和效率。
更具体地,在步骤S280中,将所述优化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金属模具内真空度应增大或应减小。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金属模具内真空度应增大(第一标签),以及,当前时间点的金属模具内真空度应减小(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金属模具内真空度控制策略标签,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金属模具内真空度,以此来提高石英坩埚透明层的制备质量和效率。
相应地,在一个具体示例中,将所述优化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金属模具内真空度应增大或应减小,包括:使用所述分类器的多个全连接层对所述优化后分类特征向量进行全连接编码以得到优化编码分类特征向量;以及,将所述调制后编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
综上,基于本申请实施例的高纯石英坩埚的制备方法,其首先获取预定时间段内多个预定时间点的熔制温度值、熔制功率值和电弧起弧位置,以及,所述多个预定时间点的金属模具内真空度;接着,将所述多个预定时间点的金属模具内真空度按照时间维度排列为真空度时序向量;然后,将所述多个预定时间点的熔制温度值、熔制功率值和电弧起弧位置按照时间维度和样本维度排列为多参数协同时序输入矩阵;接着,将所述多参数协同时序输入矩阵通过使用空间注意力机制的卷积神经网络模型以得到多参数协同时序特征矩阵;然后,将所述真空度时序向量通过多尺度邻域特征提取模块以得到真空度时序特征向量;接着,计算所述真空度时序特征向量与所述多参数协同时序特征矩阵之间的乘积以得到分类特征向量;然后,基于所述多参数协同时序特征矩阵,对所述分类特征向量进行优化以得到优化后分类特征向量;最后,将所述优化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金属模具内真空度应增大或应减小。这样,可以获取高纯石英坩埚。
图6为根据本申请实施例的高纯石英坩埚的制备系统200的框图。如图6所示,根据本申请实施例的高纯石英坩埚的制备系统200,包括:数据获取模块210,用于获取预定时间段内多个预定时间点的熔制温度值、熔制功率值和电弧起弧位置,以及,所述多个预定时间点的金属模具内真空度;向量排列模块220,用于将所述多个预定时间点的金属模具内真空度按照时间维度排列为真空度时序向量;输入矩阵排列模块230,用于将所述多个预定时间点的熔制温度值、熔制功率值和电弧起弧位置按照时间维度和样本维度排列为多参数协同时序输入矩阵;空间卷积编码模块240,用于将所述多参数协同时序输入矩阵通过使用空间注意力机制的卷积神经网络模型以得到多参数协同时序特征矩阵;多尺度编码模块250,用于将所述真空度时序向量通过多尺度邻域特征提取模块以得到真空度时序特征向量;矩阵相乘模块260,用于计算所述真空度时序特征向量与所述多参数协同时序特征矩阵之间的乘积以得到分类特征向量;向量优化模块270,用于基于所述多参数协同时序特征矩阵,对所述分类特征向量进行优化以得到优化后分类特征向量;以及,分类模块280,用于将所述优化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金属模具内真空度应增大或应减小。
在一个示例中,在上述高纯石英坩埚的制备系统200中,所述空间卷积编码模块240,用于:所述使用空间注意力机制的卷积神经网络模型的各层在层的正向传递过程中对输入数据分别进行:对输入数据进行卷积处理以生成第一卷积特征图;对所述第一卷积特征图进行池化处理以生成第一池化特征图;对所述第一池化特征图进行非线性激活以生成第一激活特征图;计算所述第一激活特征图的各个位置沿通道维度的均值以生成空间特征矩阵;计算所述空间特征矩阵中各个位置的类Softmax函数值以获得空间得分矩阵;以及,计算所述空间特征矩阵和所述空间得分图的按位置点乘以获得特征矩阵;其中,所述使用空间注意力机制的卷积神经网络模型的最后一层输出的所述多参数协同时序特征矩阵。
在一个示例中,在上述高纯石英坩埚的制备系统200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,在上述高纯石英坩埚的制备系统200中,所述多尺度编码模块250,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真空度时序向量进行一维卷积编码以得到第一尺度真空度时序特征向量;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,/>表示所述真空度时序向量;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真空度时序向量进行一维卷积编码以得到第二尺度真空度时序特征向量;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,/>表示所述真空度时序向量;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真空度时序特征向量和所述第二尺度真空度时序特征向量进行级联以得到所述真空度时序特征向量。
在一个示例中,在上述高纯石英坩埚的制备系统200中,所述矩阵相乘模块260,用于:以如下公式计算所述真空度时序特征向量与所述多参数协同时序特征矩阵之间的乘积以得到所述分类特征向量;其中,所述公式为: ,其中,/>表示所述分类特征向量,/>表示所述真空度时序特征向量,/>表示所述多参数协同时序特征矩阵。
在一个示例中,在上述高纯石英坩埚的制备系统200中,所述向量优化模块270,用于:将所述多参数协同时序特征矩阵通过作为特征提取器的卷积神经网络模型以获得多参数协同时序特征图;计算所述多参数协同时序特征图的每个特征矩阵的全局均值池化的实例归一化和一致性相关恢复因数以得到由多个实例归一化和一致性相关恢复因数组成的加权特征向量;以及,计算所述加权特征向量与所述分类特征向量之间的按位置点乘以得到优化分类特征向量。
在一个示例中,在上述高纯石英坩埚的制备系统200中,将所述多参数协同时序特征矩阵通过作为特征提取器的卷积神经网络模型以获得多参数协同时序特征图,包括:所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中分别进行:对输入数据进行卷积处理以得到第二卷积特征图;对所述第二卷积特征图进行基于局部特征矩阵的均值池化以得到第二池化特征图;以及,对所述第二池化特征图进行非线性激活以得到第二激活特征图;其中,所述作为特征提取器的卷积神经网络模型的最后一层的输出为所述多参数协同时序特征图,所述作为特征提取器的卷积神经网络模型的第一层的输入为所述多参数协同时序特征矩阵。
在一个示例中,在上述高纯石英坩埚的制备系统200中,计算所述多参数协同时序特征图的每个特征矩阵的全局均值池化的实例归一化和一致性相关恢复因数以得到由多个实例归一化和一致性相关恢复因数组成的加权特征向量,包括:以如下公式计算所述多参数协同时序特征图的每个特征矩阵的全局均值池化的实例归一化和一致性相关恢复因数以得到由多个实例归一化和一致性相关恢复因数组成的所述加权特征向量;其中,所述公式为:
其中,表示所述多参数协同时序特征图的每个特征矩阵的第/>位置的特征值,/>和/>分别是所述多参数协同时序特征图的每个特征矩阵的各个位置的特征值集合的均值和方差,且/>和/>分别是所述多参数协同时序特征图的每个特征矩阵的宽度和高度,表示以2为底的对数函数值,/>表示自然指数函数值,/>表示所述多个实例归一化和一致性相关恢复因数中的各个实例归一化和一致性相关恢复因数。
这里,本领域技术人员可以理解,上述高纯石英坩埚的制备系统200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2到图5的高纯石英坩埚的制备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高纯石英坩埚的制备系统200可以实现在各种无线终端中,例如具有高纯石英坩埚的制备算法的服务器等。在一个示例中,根据本申请实施例的高纯石英坩埚的制备系统200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,该高纯石英坩埚的制备系统200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,该高纯石英坩埚的制备系统200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,该高纯石英坩埚的制备系统200与该无线终端也可以是分立的设备,并且该高纯石英坩埚的制备系统200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 (10)
1.一种高纯石英坩埚的制备方法,其特征在于,包括:将纯度大于99.99%的石英砂原料与钡粉进行混合以得到混合物料;对所述混合物料进行真空装料成型以得到石英坩埚透明层;以及对所述石英坩埚透明层进行吹气熔制以得到高纯度石英坩埚。
2.根据权利要求1所述的高纯石英坩埚的制备方法,其特征在于,对所述混合物料进行真空装料成型以得到石英坩埚透明层,包括:获取预定时间段内多个预定时间点的熔制温度值、熔制功率值和电弧起弧位置,以及,所述多个预定时间点的金属模具内真空度;将所述多个预定时间点的金属模具内真空度按照时间维度排列为真空度时序向量;将所述多个预定时间点的熔制温度值、熔制功率值和电弧起弧位置按照时间维度和样本维度排列为多参数协同时序输入矩阵;将所述多参数协同时序输入矩阵通过使用空间注意力机制的卷积神经网络模型以得到多参数协同时序特征矩阵;将所述真空度时序向量通过多尺度邻域特征提取模块以得到真空度时序特征向量;计算所述真空度时序特征向量与所述多参数协同时序特征矩阵之间的乘积以得到分类特征向量;基于所述多参数协同时序特征矩阵,对所述分类特征向量进行优化以得到优化后分类特征向量;以及将所述优化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金属模具内真空度应增大或应减小。
3.根据权利要求2所述的高纯石英坩埚的制备方法,其特征在于,将所述多参数协同时序输入矩阵通过使用空间注意力机制的卷积神经网络模型以得到多参数协同时序特征矩阵,包括:所述使用空间注意力机制的卷积神经网络模型的各层在层的正向传递过程中对输入数据分别进行:对输入数据进行卷积处理以生成第一卷积特征图;对所述第一卷积特征图进行池化处理以生成第一池化特征图;对所述第一池化特征图进行非线性激活以生成第一激活特征图;计算所述第一激活特征图的各个位置沿通道维度的均值以生成空间特征矩阵;计算所述空间特征矩阵中各个位置的类Softmax函数值以获得空间得分矩阵;以及计算所述空间特征矩阵和所述空间得分图的按位置点乘以获得特征矩阵;其中,所述使用空间注意力机制的卷积神经网络模型的最后一层输出的所述多参数协同时序特征矩阵。
4.根据权利要求3所述的高纯石英坩埚的制备方法,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。
5.根据权利要求4所述的高纯石英坩埚的制备方法,其特征在于,将所述真空度时序向量通过多尺度邻域特征提取模块以得到真空度时序特征向量,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真空度时序向量进行一维卷积编码以得到第一尺度真空度时序特征向量;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,/>表示所述真空度时序向量;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真空度时序向量进行一维卷积编码以得到第二尺度真空度时序特征向量;其中,所述公式为:/>
7.根据权利要求6所述的高纯石英坩埚的制备方法,其特征在于,基于所述多参数协同时序特征矩阵,对所述分类特征向量进行优化以得到优化后分类特征向量,包括:将所述多参数协同时序特征矩阵通过作为特征提取器的卷积神经网络模型以获得多参数协同时序特征图;计算所述多参数协同时序特征图的每个特征矩阵的全局均值池化的实例归一化和一致性相关恢复因数以得到由多个实例归一化和一致性相关恢复因数组成的加权特征向量;以及计算所述加权特征向量与所述分类特征向量之间的按位置点乘以得到优化分类特征向量。
8.根据权利要求7所述的高纯石英坩埚的制备方法,其特征在于,将所述多参数协同时序特征矩阵通过作为特征提取器的卷积神经网络模型以获得多参数协同时序特征图,包括:所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中分别进行:对输入数据进行卷积处理以得到第二卷积特征图;对所述第二卷积特征图进行基于局部特征矩阵的均值池化以得到第二池化特征图;以及对所述第二池化特征图进行非线性激活以得到第二激活特征图;其中,所述作为特征提取器的卷积神经网络模型的最后一层的输出为所述多参数协同时序特征图,所述作为特征提取器的卷积神经网络模型的第一层的输入为所述多参数协同时序特征矩阵。
9.根据权利要求8所述的高纯石英坩埚的制备方法,其特征在于,计算所述多参数协同时序特征图的每个特征矩阵的全局均值池化的实例归一化和一致性相关恢复因数以得到由多个实例归一化和一致性相关恢复因数组成的加权特征向量,包括:以如下公式计算所述多参数协同时序特征图的每个特征矩阵的全局均值池化的实例归一化和一致性相关恢复因数以得到由多个实例归一化和一致性相关恢复因数组成的所述加权特征向量;其中,所述公式为:
10.一种高纯石英坩埚的制备系统,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熔制温度值、熔制功率值和电弧起弧位置,以及,所述多个预定时间点的金属模具内真空度;向量排列模块,用于将所述多个预定时间点的金属模具内真空度按照时间维度排列为真空度时序向量;输入矩阵排列模块,用于将所述多个预定时间点的熔制温度值、熔制功率值和电弧起弧位置按照时间维度和样本维度排列为多参数协同时序输入矩阵;空间卷积编码模块,用于将所述多参数协同时序输入矩阵通过使用空间注意力机制的卷积神经网络模型以得到多参数协同时序特征矩阵;多尺度编码模块,用于将所述真空度时序向量通过多尺度邻域特征提取模块以得到真空度时序特征向量;矩阵相乘模块,用于计算所述真空度时序特征向量与所述多参数协同时序特征矩阵之间的乘积以得到分类特征向量;向量优化模块,用于基于所述多参数协同时序特征矩阵,对所述分类特征向量进行优化以得到优化后分类特征向量;以及分类模块,用于将所述优化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金属模具内真空度应增大或应减小。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310179678.XA CN116177858A (zh) | 2023-02-22 | 2023-02-22 | 高纯石英坩埚的制备方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310179678.XA CN116177858A (zh) | 2023-02-22 | 2023-02-22 | 高纯石英坩埚的制备方法及其系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116177858A true CN116177858A (zh) | 2023-05-30 |
Family
ID=86442061
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310179678.XA Withdrawn CN116177858A (zh) | 2023-02-22 | 2023-02-22 | 高纯石英坩埚的制备方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116177858A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117021409A (zh) * | 2023-07-25 | 2023-11-10 | 杭州帝凯工业布有限公司 | 一种增强尼龙复合材料及其制备方法 |
-
2023
- 2023-02-22 CN CN202310179678.XA patent/CN116177858A/zh not_active Withdrawn
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117021409A (zh) * | 2023-07-25 | 2023-11-10 | 杭州帝凯工业布有限公司 | 一种增强尼龙复合材料及其制备方法 |
CN117021409B (zh) * | 2023-07-25 | 2024-03-08 | 杭州帝凯工业布有限公司 | 一种增强尼龙复合材料及其制备方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2023040510A1 (zh) | 图像异常检测模型训练方法、图像异常检测方法和装置 | |
CN112308081B (zh) | 一种基于注意力机制的图像目标预测方法 | |
CN112115967B (zh) | 一种基于数据保护的图像增量学习方法 | |
CN115896817A (zh) | 氟氮混合气的生产方法及其系统 | |
CN113033570A (zh) | 一种改进空洞卷积和多层次特征信息融合的图像语义分割方法 | |
WO2021042857A1 (zh) | 图像分割模型的处理方法和处理装置 | |
CN113516133B (zh) | 一种多模态图像分类方法及系统 | |
CN113554599B (zh) | 一种基于人类视觉效应的视频质量评价方法 | |
CN116680987A (zh) | 石墨坩埚的成型方法及其系统 | |
CN116177858A (zh) | 高纯石英坩埚的制备方法及其系统 | |
CN112464816A (zh) | 基于二次迁移学习的地方手语识别方法、装置 | |
CN110111365B (zh) | 基于深度学习的训练方法和装置以及目标跟踪方法和装置 | |
CN116258990A (zh) | 一种基于跨模态亲和力的小样本参考视频目标分割方法 | |
CN116143127A (zh) | 石英砂的自动化生产系统及其方法 | |
CN112668543B (zh) | 一种手模型感知的孤立词手语识别方法 | |
CN113436224A (zh) | 一种基于显式构图规则建模的智能图像裁剪方法及装置 | |
CN115294405B (zh) | 农作物病害分类模型的构建方法、装置、设备及介质 | |
CN116524352A (zh) | 一种遥感图像水体提取方法及装置 | |
An | Xception network for weather image recognition based on transfer learning | |
CN113537325B (zh) | 一种用于图像分类的基于提取高低层特征逻辑的深度学习方法 | |
CN115908697A (zh) | 基于点云概率分布学习的生成模型及其方法 | |
CN115375922A (zh) | 一种基于多尺度空间注意力的轻量化显著性检测方法 | |
CN115063374A (zh) | 模型训练、人脸图像质量评分方法、电子设备及存储介质 | |
CN113177599A (zh) | 一种基于gan的强化样本生成方法 | |
CN116835540B (zh) | 一种五氟化磷的制备方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20230530 |
|
WW01 | Invention patent application withdrawn after publication |