CN116641125A - 钨镧丝的智能加工设备及其方法 - Google Patents
钨镧丝的智能加工设备及其方法 Download PDFInfo
- Publication number
- CN116641125A CN116641125A CN202310725679.XA CN202310725679A CN116641125A CN 116641125 A CN116641125 A CN 116641125A CN 202310725679 A CN202310725679 A CN 202310725679A CN 116641125 A CN116641125 A CN 116641125A
- Authority
- CN
- China
- Prior art keywords
- current density
- wire
- film forming
- passivation film
- time sequence
- 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.)
- Pending
Links
- FAYUQEZUGGXARF-UHFFFAOYSA-N lanthanum tungsten Chemical compound [La].[W] FAYUQEZUGGXARF-UHFFFAOYSA-N 0.000 title claims abstract description 118
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000012545 processing Methods 0.000 title claims abstract description 23
- 238000002161 passivation Methods 0.000 claims abstract description 111
- 238000011282 treatment Methods 0.000 claims abstract description 24
- 239000012535 impurity Substances 0.000 claims abstract description 20
- 238000005498 polishing Methods 0.000 claims abstract description 19
- 239000002253 acid Substances 0.000 claims abstract description 18
- KRHYYFGTRYWZRS-UHFFFAOYSA-N Fluorane Chemical compound F KRHYYFGTRYWZRS-UHFFFAOYSA-N 0.000 claims abstract description 14
- QAOWNCQODCNURD-UHFFFAOYSA-N Sulfuric acid Chemical compound OS(O)(=O)=O QAOWNCQODCNURD-UHFFFAOYSA-N 0.000 claims abstract description 14
- 238000004140 cleaning Methods 0.000 claims abstract description 12
- 239000003792 electrolyte Substances 0.000 claims abstract description 11
- BFNBIHQBYMNNAN-UHFFFAOYSA-N ammonium sulfate Chemical compound N.N.OS(O)(=O)=O BFNBIHQBYMNNAN-UHFFFAOYSA-N 0.000 claims abstract description 8
- 229910052921 ammonium sulfate Inorganic materials 0.000 claims abstract description 8
- 235000011130 ammonium sulphate Nutrition 0.000 claims abstract description 8
- 229910000365 copper sulfate Inorganic materials 0.000 claims abstract description 8
- ARUVKPQLZAKDPS-UHFFFAOYSA-L copper(II) sulfate Chemical compound [Cu+2].[O-][S+2]([O-])([O-])[O-] ARUVKPQLZAKDPS-UHFFFAOYSA-L 0.000 claims abstract description 8
- NWONKYPBYAMBJT-UHFFFAOYSA-L zinc sulfate Chemical compound [Zn+2].[O-]S([O-])(=O)=O NWONKYPBYAMBJT-UHFFFAOYSA-L 0.000 claims abstract description 8
- 229910000368 zinc sulfate Inorganic materials 0.000 claims abstract description 8
- 229960001763 zinc sulfate Drugs 0.000 claims abstract description 8
- GRYLNZFGIOXLOG-UHFFFAOYSA-N Nitric acid Chemical compound O[N+]([O-])=O GRYLNZFGIOXLOG-UHFFFAOYSA-N 0.000 claims abstract description 7
- 229910017604 nitric acid Inorganic materials 0.000 claims abstract description 7
- 239000010935 stainless steel Substances 0.000 claims abstract description 7
- 229910001220 stainless steel Inorganic materials 0.000 claims abstract description 7
- 238000004806 packaging method and process Methods 0.000 claims abstract description 6
- 238000001035 drying Methods 0.000 claims abstract description 5
- 238000005406 washing Methods 0.000 claims abstract description 5
- 239000013598 vector Substances 0.000 claims description 140
- 238000012549 training Methods 0.000 claims description 63
- 238000012544 monitoring process Methods 0.000 claims description 44
- 239000011159 matrix material Substances 0.000 claims description 29
- 238000013527 convolutional neural network Methods 0.000 claims description 25
- 238000003672 processing method Methods 0.000 claims description 22
- 238000000605 extraction Methods 0.000 claims description 14
- 238000003062 neural network model Methods 0.000 claims description 11
- 125000004122 cyclic group Chemical group 0.000 claims description 10
- 230000004927 fusion Effects 0.000 claims description 8
- 238000011217 control strategy Methods 0.000 claims description 6
- 230000003247 decreasing effect Effects 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000007517 polishing process Methods 0.000 abstract description 11
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 238000013135 deep learning Methods 0.000 abstract description 4
- 238000004519 manufacturing process Methods 0.000 abstract description 4
- 238000003908 quality control method Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 27
- 238000011176 pooling Methods 0.000 description 20
- 230000008569 process Effects 0.000 description 19
- 238000004458 analytical method Methods 0.000 description 9
- 230000004913 activation Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 7
- 238000005554 pickling Methods 0.000 description 7
- WFKWXMTUELFFGS-UHFFFAOYSA-N tungsten Chemical compound [W] WFKWXMTUELFFGS-UHFFFAOYSA-N 0.000 description 7
- 229910052721 tungsten Inorganic materials 0.000 description 7
- 239000010937 tungsten Substances 0.000 description 7
- 238000011049 filling Methods 0.000 description 5
- 238000004381 surface treatment Methods 0.000 description 5
- 230000015572 biosynthetic process Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 229910052746 lanthanum Inorganic materials 0.000 description 4
- FZLIPJUXYLNCLC-UHFFFAOYSA-N lanthanum atom Chemical compound [La] FZLIPJUXYLNCLC-UHFFFAOYSA-N 0.000 description 4
- 238000003754 machining Methods 0.000 description 4
- 230000007797 corrosion Effects 0.000 description 3
- 238000005260 corrosion Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 239000012459 cleaning agent Substances 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005868 electrolysis reaction Methods 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000002791 soaking Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000003746 surface roughness Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000002378 acidificating effect Effects 0.000 description 1
- 239000013543 active substance Substances 0.000 description 1
- 239000000956 alloy Substances 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000004090 dissolution Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000003411 electrode reaction Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 150000002500 ions Chemical class 0.000 description 1
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 229910021645 metal ion Inorganic materials 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000004078 waterproofing Methods 0.000 description 1
Classifications
-
- C—CHEMISTRY; METALLURGY
- C25—ELECTROLYTIC OR ELECTROPHORETIC PROCESSES; APPARATUS THEREFOR
- C25F—PROCESSES FOR THE ELECTROLYTIC REMOVAL OF MATERIALS FROM OBJECTS; APPARATUS THEREFOR
- C25F3/00—Electrolytic etching or polishing
- C25F3/16—Polishing
- C25F3/22—Polishing of heavy metals
-
- 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
- Y02P10/00—Technologies related to metal processing
- Y02P10/20—Recycling
Landscapes
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- Materials Engineering (AREA)
- Metallurgy (AREA)
- Organic Chemistry (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及钨镧丝加工技术领域，其具体地公开了一种钨镧丝的智能加工设备及其方法，其包括：将钨镧丝浸入含有硫酸、硝酸和氢氟酸的混合酸溶液中进行酸洗处理以得到除杂后钨镧丝；将所述除杂后钨镧丝进行清洗后，将其作为阴极放入含有硫酸铵、硫酸铜和硫酸锌电解液中进行电化学抛光处理以使得所述除杂后钨镧丝的表面形成一层钝化膜，其中，不锈钢板作为阳极，连接直流电源；以及，将所述经过电化学抛光处理的除杂后钨镧丝取出清洗，并进行干燥和包装以得到成品钨镧丝。特别地，其使用深度学习与人工智能技术对电化学抛光过程中的电流密度进行实时监测与控制，实现钨镧丝表面钝化膜的质量控制，从而提高生产效率和降低人工操作风险。
Description
技术领域
本申请涉及钨镧丝加工技术领域，且更为具体地，涉及一种钨镧丝的智能加工设备及其方法。
背景技术
钨镧丝是一种具有高强度、高韧性和高耐热性的合金材料，广泛应用于电子、航空、核工业等领域。然而，钨镧丝的表面粗糙度较高，不利于其在高温、高压、高速等极端条件下的使用。因此，需要对钨镧丝进行表面处理，以改善其表面质量和性能。
现有的表面处理方法都存在一些问题，例如机械加工的方法需要使用切削工具，容易引起表面微观形貌的破坏，同时也会产生切屑和热影响区，影响钨镧丝的性能。并且，现有的表面处理方法都需要耗费大量的能源和人力物力，成本较高。
因此，期待一种优化的方案。
发明内容
本申请提供一种钨镧丝的智能加工设备及其方法，其使用深度学习与人工智能技术对电化学抛光过程中的电流密度进行实时监测与控制，实现钨镧丝表面钝化膜的质量控制，从而提高生产效率和降低人工操作风险。
第一方面，提供了一种钨镧丝的智能加工方法，所述系统钨镧丝的智能加工方法包括：将钨镧丝浸入含有硫酸、硝酸和氢氟酸的混合酸溶液中进行酸洗处理以得到除杂后钨镧丝；将所述除杂后钨镧丝进行清洗后，将其作为阴极放入含有硫酸铵、硫酸铜和硫酸锌电解液中进行电化学抛光处理以使得所述除杂后钨镧丝的表面形成一层钝化膜，其中，不锈钢板作为阳极，连接直流电源；以及，将所述经过电化学抛光处理的除杂后钨镧丝取出清洗，并进行干燥和包装以得到成品钨镧丝
第二方面，提供了一种钨镧丝的智能加工设备，所述钨镧丝的智能加工设备以上述第一方面中的方法运行。
本申请提供的一种钨镧丝的智能加工设备及其方法，其使用深度学习与人工智能技术对电化学抛光过程中的电流密度进行实时监测与控制，实现钨镧丝表面钝化膜的质量控制，从而提高生产效率和降低人工操作风险。
附图说明
图1为本申请实施例的钨镧丝的智能加工方法的示意性流程图。
图2为本申请实施例的将所述除杂后钨镧丝进行清洗后，将其作为阴极放入含有硫酸铵、硫酸铜和硫酸锌电解液中进行电化学抛光处理以使得所述除杂后钨镧丝的表面形成一层钝化膜的示意性流程图。
图3为本申请实施例的对所述预定时间段的钝化膜成型监控视频和所述多个预定时间点的电流密度值进行特征提取和特征融合以得到关联模式特征向量的示意性流程图。
图4为本申请实施例的钨镧丝的智能加工方法的模型架构的示意图。
图5为本申请实施例的钨镧丝的智能加工方法中训练步骤的示意性流程图。
图6为本申请实施例的钨镧丝的智能加工方法中训练步骤的模型架构的示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。
以上在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
如上所述，钨镧丝的表面粗糙度较高，这会影响其在高温、高压、高速等极端条件下的使用。为了改善钨镧丝的表面质量和性能，需要对其进行表面处理。然而，现有的表面处理方法都存在一些问题。例如，机械加工需要使用切削工具，这容易引起表面微观形貌的破坏，同时也会产生切屑和热影响区，这些都会影响钨镧丝的性能。此外，现有的表面处理方法需要耗费大量的能源和人力物力，成本较高。
图1为本申请实施例的钨镧丝的智能加工方法的示意性流程图。如图本申请提供了一种钨镧丝的加工方案，其具体步骤，包括：S1、将钨镧丝浸入含有硫酸、硝酸和氢氟酸的混合酸溶液中进行酸洗处理以得到除杂后钨镧丝。应理解，硫酸和硝酸可以氧化钨镧丝表面的氧化物和其他杂质，而氢氟酸可以溶解钨镧丝表面的氧化物和其他杂质。这样，通过将钨镧丝浸泡在混合酸溶液中，可以有效地去除钨镧丝表面的杂质，从而得到除杂后的钨镧丝。
具体地，在本申请的一个具体实施例中，将钨镧丝浸入含有硫酸、硝酸和氢氟酸的混合酸溶液中进行酸洗处理以得到除杂后钨镧丝。包括：准备混合酸溶液：将硫酸、硝酸和氢氟酸按一定比例混合，制成混合酸溶液。将钨镧丝浸泡在混合酸溶液中。将钨镧丝放入混合酸溶液中，浸泡一定时间，让混合酸溶液中的活性物质与钨镧丝表面的氧化物和杂质发生反应，使其溶解或脱落，需要注意的是，在进行酸洗处理时，应该控制好酸洗的时间和温度，以免过度处理导致钨镧丝表面的损坏或者形变。将钨镧丝取出，用水清洗干净，去除混合酸溶液残留，在这步时，应该将钨镧丝进行彻底的清洗和干燥，这样是为了，避免酸性残留物对钨镧丝的影响。将钨镧丝放在通风干燥的地方晾干，去除水分。通过检测钨镧丝的表面纯度和杂质含量，验证酸洗处理的效果是否达到要求。通过以上步骤，可以将钨镧丝表面的氧化物和杂质去除，提高钨镧丝的表面纯度，为后续的加工提供了基础保障。
在本申请的另一种实施方式中还提供一种电解酸洗方法用于对钨镧丝进行处理以得到除杂后钨镧丝。在这种方法需要将钨镧丝作为阳极，将不锈钢作为阴极，然后将它们放入酸性电解液中进行电解酸洗。在这个过程中，阳极上的杂质会被氧化并脱落到电解液中，从而实现钨镧丝的除杂。这种方法也可以有效地去除钨镧丝表面的氧化物和其他杂质，并且可以控制酸洗的时间和温度，以达到更好的处理效果。
S2、将所述除杂后钨镧丝进行清洗后，将其作为阴极放入含有硫酸铵、硫酸铜和硫酸锌电解液中进行电化学抛光处理以使得所述除杂后钨镧丝的表面形成一层钝化膜，其中，不锈钢板作为阳极，连接直流电源。应理解，将除杂后的钨镧丝进行清洗后，再将其作为阴极放入含有硫酸铵、硫酸铜和硫酸锌电解液中进行电化学抛光处理的目的是为了在钨镧丝表面形成一层钝化膜。这层钝化膜可以增强钨镧丝表面的耐腐蚀性和机械强度，同时也可以改善钨镧丝的表面光洁度和外观。在这个过程中，不锈钢板作为阳极，连接直流电源，通过电解作用，将钨镧丝表面的金属离子还原成金属，并在表面形成一层均匀的氧化物膜，从而实现电化学抛光处理的目的。
S3、将所述经过电化学抛光处理的除杂后钨镧丝取出清洗，并进行干燥和包装以得到成品钨镧丝。应理解，在电化学抛光处理过程中，钨镧丝表面形成了一层钝化膜，这层钝化膜可以保护钨镧丝表面免受腐蚀和损伤。但是，这层钝化膜也可能会受到污染或者其他的影响，因此需要将钨镧丝取出清洗，以保证钨镧丝表面的干净和光洁度。此外，干燥和包装也是非常重要的步骤，因为钨镧丝在潮湿的环境中容易生锈或者变形，而在包装过程中，也需要采取一些措施来防止钨镧丝的损坏或者污染。因此，将经过电化学抛光处理的除杂后钨镧丝进行清洗、干燥和包装，可以得到高质量的成品钨镧丝，以满足各种应用领域的需求。
进一步地，在S2步骤中，电流密度值会直接影响到电化学抛光处理的效果和钝化膜的质量。如果电流密度值过高，会导致电解液中的离子过于集中，从而引起局部电解和局部电极反应，导致表面出现坑洞和不均匀的钝化膜，甚至可能造成阳极溶解和阴极极化等问题。而电流密度值过低，则会使电化学抛光处理效果不理想，导致钝化膜质量不均匀或者根本无法形成。因此，通常为了保证电化学抛光处理的效果和钝化膜质量，需要通过控制电流密度值来实现最佳的抛光效果和钝化膜质量。传统的电流密度控制方法主要依靠手动调节来实现，这种方法需要经验丰富的技术人员进行调试，操作复杂，容易出现误差。因此，期待一种优化的方案。
对此，本申请的技术构思为：使用深度学习与人工智能技术对电化学抛光过程中的电流密度进行实时监测与控制，实现钨镧丝表面钝化膜的质量控制，从而提高生产效率和降低人工操作风险。
将所述除杂后钨镧丝进行清洗后，将其作为阴极放入含有硫酸铵、硫酸铜和硫酸锌电解液中进行电化学抛光处理以使得所述除杂后钨镧丝的表面形成一层钝化膜，包括：
S11，在相应位置安装摄像头和电流密度测量仪。应理解，在相应位置安装摄像头和电流密度测量仪是为了采集电化学抛光过程中的监控视频和电流密度值，以便进行实时监测和控制。摄像头可以采集钨镧丝表面的图像，并通过图像处理技术来分析钝化膜的形成情况。电流密度测量仪可以测量钨镧丝表面的电流密度，以便确定电流密度的控制策略。具体的，在本申请的一个具体的实施例中，在安装摄像头和电流密度测量仪时，需要注意以下几点：一、选择合适的位置，摄像头和电流密度测量仪应该安装在电化学抛光设备的合适位置，以便能够准确地采集监控视频和电流密度值。二、避免干扰，摄像头和电流密度测量仪应该避免受到其他设备的干扰，以免影响数据采集的准确性。三、注意安全：在安装摄像头和电流密度测量仪时，应该注意安全，避免因不当操作而导致意外事故的发生。四、保护设备：摄像头和电流密度测量仪是非常重要的设备，需要进行保护，以免受到损坏或者影响数据采集的准确性。更具体地，在实际工作中，要对防尘防水处理和防震防摔。由于电化学抛光过程中会产生化学液体，因此需要确保摄像头和电流密度测量仪具有防尘防水的功能，以免受到化学液体的腐蚀，同时，在电化学抛光过程中，设备会不断地震动，因此需要确保摄像头和电流密度测量仪具有防震防摔的功能，以免受到震动而受损。除此之外，需要定期对摄像头和电流密度测量仪进行定期清洁，以确保设备的正常运行。清洁时需要使用专门的清洁剂，并避免使用过于刺激性的清洁剂，以免对设备造成损害。需要定期对摄像头和电流密度测量仪进行校准，以确保数据的准确性。校准时需要使用专门的校准仪器，并按照操作说明进行校准。需要定期对摄像头和电流密度测量仪进行维护，以确保设备的正常运行。维护时需要按照操作说明进行操作，并避免对设备进行不当操作，以免对设备造成损害。
S12，接受由摄像头采集的预定时间段的钝化膜成型监控视频，以及，由电流密度测量仪采集的所述预定时间段内多个预定时间点的电流密度值。应理解，通过服务器接受由摄像头采集的预定时间段的钝化膜成型监控视频和由电流密度测量仪采集的所述预定时间段内多个预定时间点的电流密度值，是为了后续对钝化膜成型监控视频和电流密度值进行处理以便于钝化膜成型的过程进行监控和控制，以确保钝化膜的质量和稳定性。这里，电流密度是指单位面积或单位Qu mm(横截面积)电流的大小，通常用符号J表示。其单位为A/mm2或mA/mm2。在电化学加工中，电流密度可以影响电极表面的反应速率、沉积速率和表面形貌等电化学加工过程的指标。在钨钢抛光和钝化膜加工中，电流密度值的调节可以影响抛光和钝化效果。
S13，对所述预定时间段的钝化膜成型监控视频和所述多个预定时间点的电流密度值进行特征提取和特征融合以得到关联模式特征向量。应理解，通过对监控视频和电流密度值进行特征提取，可以提取出一些与钝化膜成型过程相关的隐含特征，减少噪声和冗余信息，从而为后续的分析和控制提供依据。特征融合是将多个特征融合成一个综合的特征向量，从而更全面地描述钝化膜成型过程中的状态和变化。通过将监控视频和电流密度值的特征进行融合，可以得到更全面、更准确的描述钝化膜成型过程的特征向量，以便于后续的分析和控制。
图3为本申请实施例的对所述预定时间段的钝化膜成型监控视频和所述多个预定时间点的电流密度值进行特征提取和特征融合以得到关联模式特征向量的示意性流程图。图4为本申请实施例的钨镧丝的智能加工方法的模型架构的示意图。如图3所示，所述步骤S13，包括：
S110，对所述钝化膜成型监控视频进行预处理以得到多个钝化膜成型监控关键帧。应理解，由于电化学抛光过程需要较长时间，在一个较长时间段内采集到的监控视频是非常庞大的，但若仅选择其中某一帧图像来进行分析，则等于丢失了其它时刻的信息。因此，在本申请的一个具体实施例中，从所述钝化膜成型监控视频中提取所述多个预定时间点对应的图像帧以得到多个钝化膜成型监控关键帧。通过这样的方式，既能减小后续模型的计算量，同时又保留有时序信息。
在本申请的另一个具体实施例中，步骤S110，包括：将视频分解为多个帧，这样可以方便后续的处理和分析，同时也可以减少计算量，提高处理效率。使用帧差法可以检测视频中的运动物体，即钝化膜成型过程中的钨镧丝，从而可以更准确地跟踪它们的运动轨迹。对于检测到的钨镧丝，使用目标跟踪算法可以跟踪它们的运动轨迹，从而可以更好地了解钝化膜成型过程中钨镧丝的运动状态和轨迹。选取一些具有代表性的关键帧，可以更好地反映钝化膜成型过程的不同阶段和状态，从而可以更全面地了解钝化膜成型过程的特点和规律。根据关键帧的质量和数量进行筛选，可以保留最具代表性和信息量的关键帧，从而可以更准确地进行后续的特征提取和分析，提高分析结果的准确性和可信度。
S120，从所述多个钝化膜成型监控关键帧中提取钝化膜成型状态时序关联特征向量。应理解，考虑到卷积神经网络模型因具有自学习的能力，可以自动识别和区分图像中的不同特征，可以有效提取图像的特征信息，因而，在本申请的技术方案中，将所述多个钝化膜成型监控关键帧分别通过基于卷积神经网络模型的成型状态特征提取器以得到多个钝化膜成型状态特征向量。也就是，通过所述基于卷积神经网络模型的成型状态特征提取器来提取各个钝化膜成型监控关键帧的图像局部隐含特征信息。
在本申请的一个具体实施例中，所述卷积神经网络模型的网络结构为输入层->卷积层1->池化层1->卷积层2->池化层2->全连接层->输出层。也就是说，所述卷积神经网络模型包括：输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、全连接层和输出层。其中，第一卷积层使用32个大小为3x3的卷积核，步长为1，填充方式为same，激活函数为ReLU，所述第二卷积层使用64个大小为3x3的卷积核，步长为1，填充方式为same，激活函数为ReLU，所述第一池化层和所述第二池化层都采用池化核大小为2x2的最大池化操作，步长为2，所述全连接层的隐藏节点个数为128，激活函数为sigmoid。
应当可以理解，钝化膜成型过程具有时序性，不同的图像帧通过时间关系紧密相连，成型状态也随着时间变化而变化。单独处理和提取每个关键帧的状态特征，难以反映出成型状态之间的时序关联关系。因而，在本申请的技术方案中，将所述多个钝化膜成型状态特征向量通过基于循环神经网络模型的时序关联特征提取器以得到钝化膜成型状态时序关联特征向量。其中，循环神经网络模型可以有效地处理时间序列数据，具有较强的时序关联能力，可以学习和捕捉时间序列数据之间的时序关系，从而提取出更为丰富和全面的时序关联特征。通过将所述多个钝化膜成型状态特征向量输入到循环神经网络模型中，可得到一个钝化膜成型状态时序关联特征向量，该向量能够更好地描述钝化膜成型状态的时序特征，有助于更加精准地控制电流密度值进行钝化膜成型监测和评估。
在本申请的一个具体实施例中，将所述多个钝化膜成型状态特征向量通过基于循环神经网络模型的时序关联特征提取器以得到所述钝化膜成型状态时序关联特征向量，包括：首先，将所述多个钝化膜成型状态特征向量排列为钝化膜成型状态输入向量。然后，使用所述基于循环神经网络模型的时序关联特征提取器以如下公式对所述钝化膜成型状态输入向量进行处理以得到所述钝化膜成型状态时序关联特征向量；其中，所述公式为：
st＝f(Uxt+Wst-1)
Ot＝g(Vst
其中，xt表示当前时刻的输入，st-1表示上一时刻隐藏层的输出，U表示当前时刻输入样本的权重，W表示上一时刻隐藏层输出的权重，st表示当前时刻隐藏层的输入，V表示输出的样本权重，f和g为激活函数，Ot表示当前时刻隐藏层的输出。
在本申请的另一个实施方式中，从所述多个钝化膜成型监控关键帧中提取钝化膜成型状态时序关联特征向量，包括：对每个关键帧进行去除噪声、图像增强和边缘检测等，以便更好地提取特征。对于每个关键帧，需要提取与钝化膜成型状态时序关联的特征向量。这些特征向量可以包括电流密度值、时间戳、温度等物理参数，以及图像特征，如颜色、纹理和形状等。将不同关键帧提取出的特征向量进行融合，得到一个完整的特征向量序列。可以使用一些常见的特征融合方法，如加权平均、最大池化等。将特征向量序列输入到时序建模算法中，如隐马尔可夫模型(HMM)、条件随机场(CRF)等，以学习序列之间的时序关系。对于学习到的时序关系，可以使用特征选择算法选择最相关的特征以得到钝化膜成型状态时序关联特征向量，以便更好地理解钝化膜成型状态时序关联的规律和特征。
S130，对所述多个预定时间点的电流密度值进行时序特征提取以得到电流密度时序特征向量。应理解，考虑到电流密度在钝化膜成型过程中具有较强的变化趋势和时序特征，因此，在本申请的技术方案中，也期待捕捉电流密度的时序变化特征。具体地，在本申请的一个具体实施例中，将所述多个预定时间点的电流密度值按照时间维度排列为电流密度时序输入向量后通过基于一维卷积神经网络模型的电流密度时序特征提取器以得到电流密度时序特征向量。这里，按照时间维度排列多个预定时间点的电流密度值可以反映出电流密度在涂覆过程中的整体变化情况，提供更全面的信息，同时，这样操作可以使得离散的时序数据变得更为结构化。其中，一维卷积神经网络模型能够有效地提取时序数据中的关键特征，通过对电流密度时序输入向量进行卷积操作，可以提取出电流密度的时序特征。
在本申请实施例中，所述一维卷积神经网络模型的网络结构为输入层->卷积层1->池化层1->卷积层2->池化层2->卷积层3->池化层3->输出层。也就是，所述一维卷积神经网络模型包括输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层和输出层。其中，所述第一卷积层采用32个大小为3的卷积核，填充方式为same，激活函数为ReLU，所述第二卷积层采用64个大小为3的卷积核，填充方式为same，激活函数为ReLU，所述第三卷积层使用128个大小为3的卷积核，填充方式为same，激活函数为ReLU，所述第一池化层、所述第二池化层和所述第三池化层皆采用池化核大小为2的最大池化操作，步长为2。
在本申请的另一个实施方式中，对所述多个预定时间点的电流密度值进行时序特征提取以得到电流密度时序特征向量，包括：首先，所述多个预定时间点的电流密度值进行对归一化处理，应理解，对于不同的时间点，电流密度值的取值范围可能不同，因此需要对提取到的电流密度值进行归一化处理，以便后续的特征提取和分析。然后，选择特征提取方法，根据实际需要，可以选择不同的特征提取方法来提取电流密度时序特征向量。例如，可以使用时域特征、频域特征、小波变换特征等方法来提取特征。接着，提取时序特征向量，根据选择的特征提取方法，对归一化后的电流密度值进行处理，提取出相应的时序特征向量。最后，进行特征融合，通过将不同的特征向量进行融合，可以提取更为全面和准确的特征向量，从而得到更为综合的电流密度时序特征向量。
S140，融合所述钝化膜成型状态时序关联特征向量和所述电流密度时序特征向量以得到所述关联模式特征向量。应理解，钝化膜成型状态和电流密度是相互关联的，它们之间存在一定的时序关系和规律。通过将两个特征向量进行融合，可以更好地反映这种关联关系和规律，进而得到更为准确和全面的关联模式特征向量。例如，在钝化膜成型过程中，电流密度的变化会对钝化膜的形成和性质产生影响，而钝化膜的形成和性质又会反过来影响电流密度的变化。如果只考虑其中一个特征向量，可能无法全面反映这种相互影响的关系，而通过将两个特征向量进行融合，可以更好地反映这种关联关系和规律，进而得到更为准确和全面的关联模式特征向量。这样可以便于后面的电流密度的控制。
具体地，在本申请的一个实施例中，融合所述钝化膜成型状态时序关联特征向量和所述电流密度时序特征向量以得到所述关联模式特征向量，包括：使用级联函数来融合所述钝化膜成型状态时序关联特征向量和所述电流密度时序特征向量以将两者联合起来对钝化膜成型过程进行综合分析，从而得到关联模式特征向量。其中，级联函数可以将两个特征向量拼接在一起，保持特征向量的维度稳定。
具体地，在该实施例中，使用如下级联函数来融合所述钝化膜成型状态时序关联特征向量和所述电流密度时序特征向量以得到所述关联模式特征向量；
其中，所述级联函数为：
f(Xi,Xj)＝Relu(Wf[θ(Xi),φ(Xj)])
其中，Xi表示所述钝化膜成型状态时序关联特征向量，θ(Xi)表示对所述钝化膜成型状态时序关联特征向量进行点卷积，Xj表示所述电流密度时序特征向量，φ(Xj)表示对所述电流密度时序特征向量进行点卷积，Wf表示对输入进行点卷积，Relu为激活函数，[]表示拼接操作，f(Xi,Xj)表示所述关联模式特征向量。
具体地，在本申请的另一个实施例中，融合所述钝化膜成型状态时序关联特征向量和所述电流密度时序特征向量以得到所述关联模式特征向量，包括：将所述钝化膜成型状态时序关联特征向量和所述电流密度时序特征向量进行时间对齐，以确保它们的时间轴是一致的，这样有利于进行后续的特征融合和分析。将钝化膜成型状态时序关联特征向量和电流密度时序特征向量进行归一化处理，以消除它们之间的单位差异。确定要使用的特征选择方法，例如主成分分析(PCA)或线性判别分析(LDA)，以减少特征向量的维度。将两个特征向量进行特征选择，以得到新的降维特征向量。将两个新的降维特征向量进行融合，以得到关联模式特征向量。
S14，基于所述关联模式特征向量，确定电流密度的控制策略。具体地，在本申请的一个实施例中，将所述关联模式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电流密度值应增大或应减小。基于所述分类结果，确定电流密度的控制策略。在模型学习阶段，通过训练分类器来学习不同关联模式特征向量和电流密度之间的关系，在推断阶段就可以实现对输入的关联模式特征向量进行自动分类，从而实现对电流密度的自适应调节。在实际应用中，所述分类结果可以用于指导电流密度的调整与控制，以实现电流密度的实时监测和自动调节。
对于本领域技术人员来说应当知晓，神经网络是一种基于大量数据训练的模型，通过对数据进行学习和训练，可以使神经网络具备更强的泛化能力和预测能力。在神经网络中，训练模型的过程就是通过不断调整神经网络的权重和偏置，使其可以更好地拟合训练数据，从而得到更为准确和可靠的预测结果。
图5为本申请实施例的钨镧丝的智能加工方法中训练步骤的示意性流程图。图6为本申请实施例的钨镧丝的智能加工方法中训练步骤的模型架构的示意图。如图5和图6所示，所述钨镧丝的智能加工方法还包括训练步骤：对所述基于卷积神经网络模型的成型状态特征提取器、所述基于一维卷积神经网络模型的电流密度时序特征提取器和所述分类器进行训练；其中，所述训练步骤，包括：S210，获取训练数据，所述训练数据包括预定时间段的训练钝化膜成型监控视频和所述预定时间段内多个预定时间点的训练电流密度值，以及，当前时间点的电流密度值应增大或应减小的真实值；S220，从所述训练钝化膜成型监控视频中提取所述多个预定时间点对应的图像帧以得到多个训练钝化膜成型监控关键帧；S230，将所述多个训练钝化膜成型监控关键帧分别通过所述基于卷积神经网络模型的成型状态特征提取器以得到多个训练钝化膜成型状态特征向量；S240，将所述多个训练钝化膜成型状态特征向量通过所述基于循环神经网络模型的时序关联特征提取器以得到训练钝化膜成型状态时序关联特征向量；S250，将所述多个预定时间点的训练电流密度值按照时间维度排列为训练电流密度时序输入向量后通过所述基于一维卷积神经网络模型的电流密度时序特征提取器以得到训练电流密度时序特征向量；S260，使用级联函数来融合所述训练钝化膜成型状态时序关联特征向量和所述训练电流密度时序特征向量以得到训练关联模式特征向量；S270，将所述训练关联模式特征向量通过分类器以得到分类损失函数值；以及，S280，基于所述分类损失函数值并通过梯度下降的方向传播来对所述基于卷积神经网络模型的成型状态特征提取器、基于循环神经网络模型的时序关联特征提取器、所述基于一维卷积神经网络模型的电流密度时序特征提取器和所述分类器进行训练，其中，在所述训练的每一轮迭代中，对所述分类器的权重矩阵进行权重本征支持的半空间结构化约束。
这里步骤S210至步骤S260可以参考上述的步骤S11至步骤S13，在此不做过多的赘述。步骤S270，将所述训练关联模式特征向量通过分类器以得到分类损失函数值。应理解，在神经网络中，分类损失函数是用来衡量模型预测的输出与真实标签之间的差异的一种方法，通常用于监督学习任务中。获取分类损失函数值的目的是为了评估模型的性能，以便进行优化。分类损失函数值越小，说明模型的预测越准确，相应的模型性能也越好。在训练神经网络时，通常会使用反向传播算法来计算模型参数的梯度，并使用梯度下降等优化算法来更新模型参数，以最小化分类损失函数。
步骤S280，基于所述分类损失函数值并通过梯度下降的方向传播来对所述基于卷积神经网络模型的成型状态特征提取器、基于循环神经网络模型的时序关联特征提取器、所述基于一维卷积神经网络模型的电流密度时序特征提取器和所述分类器进行训练，其中，在所述训练的每一轮迭代中，对所述分类器的权重矩阵进行权重本征支持的半空间结构化约束。应理解，在本申请的技术方案中，在使用级联函数融合所述钝化膜成型状态时序关联特征向量和所述电流密度时序特征向量得到所述关联模式特征向量时，由于所述钝化膜成型状态时序关联特征向量和所述电流密度时序特征向量分别表达钝化膜成型监控关键帧的图像语义的时序关联表达和电流密度值的参数时序关联特征表达，源数据模态上的差异会导致所述级联函数的点卷积操作针对所述钝化膜成型状态时序关联特征向量和所述电流密度时序特征向量具有不同的特征拟合方向，例如过拟合和欠拟合。
这样，当所述关联模式特征向量通过分类器进行分类时，所述关联模式特征向量的分别对应于级联的所述钝化膜成型状态时序关联特征向量和所述电流密度时序特征向量的部分特征分布相对于分类器的权重矩阵对应的部分也会具有不同的权重拟合方向，这样，所述关联模式特征向量的整体特征分布相对于分类器的权重矩阵就会具有收敛性差的问题，从而影响所述分类器的训练速度。
基于此，本申请的申请人在所述关联模式特征向量，例如记为V的训练过程中，在每次分类器的权重矩阵，例如记为M的迭代过程中，对权重矩阵M进行权重本征支持的半空间结构化约束。
具体地，在本申请的一个实施例中，在所述训练的每一轮迭代中，对所述分类器的权重矩阵进行权重本征支持的半空间结构化约束，包括：以如下迭代公式对所述分类器的权重矩阵进行权重本征支持的半空间结构化约束以得到迭代后的分类器的权重矩阵；
其中，所述迭代公式为：
其中，M是所述分类器的权重矩阵，V是所述训练关联模式特征向量，T表示矩阵的转置，Ve是矩阵MTM的本征值组成的本征集合向量，表示矩阵乘法，/>表示矩阵的按位置加法，M'是迭代后的分类器的权重矩阵。
这里，所述权重本征支持的半空间结构化约束以所述分类器的权重矩阵M的结构化矩阵的本征值集合与待分类的关联模式特征向量V的关联性集成作为支持，来对所述权重矩阵M表示的用于与所述待分类的关联模式特征向量V的高维流形相耦合的半空间(half-space)进行作为决策边界的超平面的结构化支持约束，以使得所述待分类的关联模式特征向量V的高维流形能够在所述权重矩阵M表示的半空间开放域内相对于超平面有效收敛，从而改进所述分类器的训练速度。
本发明实施例还提供一种钨镧丝的智能加工设备，所述钨镧丝的智能加工设备以如上所述的钨镧丝的智能加工方法运行。
应理解，本文中的具体的例子只是为了帮助本领域技术人员更好地理解本申请实施例，而非限制本申请实施例的范围。
还应理解，在本申请的各种实施例中，各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
还应理解，本说明书中描述的各种实施方式，既可以单独实施，也可以组合实施，本申请实施例对此并不限定。
除非另有说明，本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的，不是旨在限制本申请的范围。本申请所使用的术语“和/或”包括一个或多个相关的所列项的任意的和所有的组合。在本申请实施例和所附权利要求书中所使用的单数形式的“一种”、“上述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种钨镧丝的智能加工方法，其特征在于，包括：
将钨镧丝浸入含有硫酸、硝酸和氢氟酸的混合酸溶液中进行酸洗处理以得到除杂后钨镧丝；
将所述除杂后钨镧丝进行清洗后，将其作为阴极放入含有硫酸铵、硫酸铜和硫酸锌电解液中进行电化学抛光处理以使得所述除杂后钨镧丝的表面形成一层钝化膜，其中，不锈钢板作为阳极，连接直流电源；以及
将所述经过电化学抛光处理的除杂后钨镧丝取出清洗，并进行干燥和包装以得到成品钨镧丝。
2.根据权利要求1所述的钨镧丝的智能加工方法，其特征在于，将所述除杂后钨镧丝进行清洗后，将其作为阴极放入含有硫酸铵、硫酸铜和硫酸锌电解液中进行电化学抛光处理以使得所述除杂后钨镧丝的表面形成一层钝化膜，包括：
在相应位置安装摄像头和电流密度测量仪；
接受由摄像头采集的预定时间段的钝化膜成型监控视频，以及，由电流密度测量仪采集的所述预定时间段内多个预定时间点的电流密度值；
对所述预定时间段的钝化膜成型监控视频和所述多个预定时间点的电流密度值进行特征提取和特征融合以得到关联模式特征向量；以及
基于所述关联模式特征向量，确定电流密度的控制策略。
3.根据权利要求2所述的钨镧丝的智能加工方法，其特征在于，对所述预定时间段的钝化膜成型监控视频和所述多个预定时间点的电流密度值进行特征提取和特征融合以得到关联模式特征向量，包括：
对所述钝化膜成型监控视频进行预处理以得到多个钝化膜成型监控关键帧；
从所述多个钝化膜成型监控关键帧中提取钝化膜成型状态时序关联特征向量；
对所述多个预定时间点的电流密度值进行时序特征提取以得到电流密度时序特征向量；以及
融合所述钝化膜成型状态时序关联特征向量和所述电流密度时序特征向量以得到所述关联模式特征向量。
4.根据权利要求3所述的钨镧丝的智能加工方法，其特征在于，对所述钝化膜成型监控视频进行预处理以得到多个钝化膜成型监控关键帧，包括：
从所述钝化膜成型监控视频中提取所述多个预定时间点对应的图像帧以得到所述多个钝化膜成型监控关键帧。
5.根据权利要求4所述的钨镧丝的智能加工方法，其特征在于，从所述多个钝化膜成型监控关键帧中提取钝化膜成型状态时序关联特征向量，包括：
将所述多个钝化膜成型监控关键帧分别通过基于卷积神经网络模型的成型状态特征提取器以得到多个钝化膜成型状态特征向量；以及
将所述多个钝化膜成型状态特征向量通过基于循环神经网络模型的时序关联特征提取器以得到所述钝化膜成型状态时序关联特征向量。
6.根据权利要求5所述的钨镧丝的智能加工方法，其特征在于，对所述多个预定时间点的电流密度值进行时序特征提取以得到电流密度时序特征向量，包括：
将所述多个预定时间点的电流密度值按照时间维度排列为电流密度时序输入向量后通过基于一维卷积神经网络模型的电流密度时序特征提取器以得到所述电流密度时序特征向量。
7.根据权利要求6所述的钨镧丝的智能加工方法，其特征在于，融合所述钝化膜成型状态时序关联特征向量和所述电流密度时序特征向量以得到所述关联模式特征向量，包括：
使用级联函数来融合所述钝化膜成型状态时序关联特征向量和所述电流密度时序特征向量以得到关联模式特征向量。
8.根据权利要求7所述的钨镧丝的智能加工方法，其特征在于，基于所述关联模式特征向量，确定电流密度的控制策略，包括：
将所述关联模式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电流密度值应增大或应减小；以及
基于所述分类结果，确定电流密度的控制策略。
9.根据权利要求8所述的钨镧丝的智能加工方法，其特征在于，还包括训练步骤：对所述基于卷积神经网络模型的成型状态特征提取器、所述基于一维卷积神经网络模型的电流密度时序特征提取器和所述分类器进行训练；
其中，所述训练步骤，包括：
获取训练数据，所述训练数据包括预定时间段的训练钝化膜成型监控视频和所述预定时间段内多个预定时间点的训练电流密度值，以及，当前时间点的电流密度值应增大或应减小的真实值；
从所述训练钝化膜成型监控视频中提取所述多个预定时间点对应的图像帧以得到多个训练钝化膜成型监控关键帧；
将所述多个训练钝化膜成型监控关键帧分别通过所述基于卷积神经网络模型的成型状态特征提取器以得到多个训练钝化膜成型状态特征向量；
将所述多个训练钝化膜成型状态特征向量通过所述基于循环神经网络模型的时序关联特征提取器以得到训练钝化膜成型状态时序关联特征向量；
将所述多个预定时间点的训练电流密度值按照时间维度排列为训练电流密度时序输入向量后通过所述基于一维卷积神经网络模型的电流密度时序特征提取器以得到训练电流密度时序特征向量；
使用级联函数来融合所述训练钝化膜成型状态时序关联特征向量和所述训练电流密度时序特征向量以得到训练关联模式特征向量；
将所述训练关联模式特征向量通过分类器以得到分类损失函数值；以及
基于所述分类损失函数值并通过梯度下降的方向传播来对所述基于卷积神经网络模型的成型状态特征提取器、基于循环神经网络模型的时序关联特征提取器、所述基于一维卷积神经网络模型的电流密度时序特征提取器和所述分类器进行训练，其中，在所述训练的每一轮迭代中，对所述分类器的权重矩阵进行权重本征支持的半空间结构化约束；
其中，在所述训练的每一轮迭代中，对所述分类器的权重矩阵进行权重本征支持的半空间结构化约束，包括：以如下迭代公式对所述分类器的权重矩阵进行权重本征支持的半空间结构化约束以得到迭代后的分类器的权重矩阵；
其中，所述迭代公式为：
其中，M是所述分类器的权重矩阵，V是所述训练关联模式特征向量，T表示矩阵的转置，Ve是矩阵MTM的本征值组成的本征集合向量，表示矩阵乘法，⊕表示矩阵的按位置加法，M'是迭代后的分类器的权重矩阵。
10.一种钨镧丝的智能加工设备，其特征在于，所述钨镧丝的智能加工设备以如权利要求1至9所述的方法运行。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310725679.XA CN116641125A (zh) | 2023-06-19 | 2023-06-19 | 钨镧丝的智能加工设备及其方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310725679.XA CN116641125A (zh) | 2023-06-19 | 2023-06-19 | 钨镧丝的智能加工设备及其方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116641125A true CN116641125A (zh) | 2023-08-25 |
Family
ID=87640028
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310725679.XA Pending CN116641125A (zh) | 2023-06-19 | 2023-06-19 | 钨镧丝的智能加工设备及其方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116641125A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117166873A (zh) * | 2023-08-28 | 2023-12-05 | 广东福临门世家智能家居有限公司 | 用于移动门窗的智能控制方法及系统 |
| CN117960814A (zh) * | 2024-03-28 | 2024-05-03 | 赣州市光华有色金属有限公司 | 一种用于切割母线细钨丝的拉拔工艺 |
-
2023
- 2023-06-19 CN CN202310725679.XA patent/CN116641125A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117166873A (zh) * | 2023-08-28 | 2023-12-05 | 广东福临门世家智能家居有限公司 | 用于移动门窗的智能控制方法及系统 |
| CN117166873B (zh) * | 2023-08-28 | 2024-03-22 | 广东福临门世家智能家居有限公司 | 用于移动门窗的智能控制方法及系统 |
| CN117960814A (zh) * | 2024-03-28 | 2024-05-03 | 赣州市光华有色金属有限公司 | 一种用于切割母线细钨丝的拉拔工艺 |
| CN117960814B (zh) * | 2024-03-28 | 2024-06-11 | 赣州市光华有色金属有限公司 | 一种用于切割母线细钨丝的拉拔工艺 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116641125A (zh) | 钨镧丝的智能加工设备及其方法 | |
| Gao et al. | A multilevel information fusion-based deep learning method for vision-based defect recognition | |
| CN110334726A (zh) | 一种基于密度聚类和lstm的电力负荷异常数据的识别与修复方法 | |
| Zhang et al. | Fault detection strategy based on weighted distance of $ k $ nearest neighbors for semiconductor manufacturing processes | |
| JP2006024195A (ja) | 生産工程の品質予測システムおよびその方法 | |
| CN114619292B (zh) | 一种基于小波降噪和注意力机制融合gru网络的铣削加工刀具磨损监测方法 | |
| CN112085252B (zh) | 一种关于集合类型决策效果的反事实预测方法 | |
| CN108268632A (zh) | 异常情报数据识别机器学习方法 | |
| CN113781585B (zh) | 一种增材制造零件表面缺陷在线检测方法及系统 | |
| CN112504682A (zh) | 基于粒子群优化算法的底盘发动机故障诊断方法及系统 | |
| CN112001115B (zh) | 一种半监督动态软测量网络的软测量建模方法 | |
| Alelaumi et al. | A predictive abnormality detection model using ensemble learning in stencil printing process | |
| Chaudhari | Steel surface defect detection using glcm, gabor wavelet, hog, and random forest classifier | |
| CN114298134A (zh) | 风电功率预测方法及装置、电子设备 | |
| CN114841076A (zh) | 基于时空图模型的动力电池生产工艺波动异常检测方法 | |
| Li et al. | Partial domain adaptation in remaining useful life prediction with incomplete target data | |
| CN113496499B (zh) | 一种基于卷积神经网络的低质量粒子速度场图像修正方法 | |
| Hang et al. | Surface defect detection in sanitary ceramics based on lightweight object detection network | |
| CN117586838A (zh) | 一种列车制动阀清洗剂及其制备方法 | |
| CN116680639A (zh) | 一种基于深度学习的深海潜水器传感器数据的异常检测方法 | |
| Bezsonov et al. | Intelligent Identification System of the Process Liquid Solutions Composition. | |
| Yau et al. | Construction of an Online Machine Tool Wear Prediction System by Using a Time-Delay Phase Space Reconstruction-Based Dilation Convolutional Neural Network | |
| Guo et al. | Learning the temporal effect in infrared thermal videos with long short-Term memory for quality prediction in resistance spot welding | |
| Shi et al. | Machine vision-based segmentation and classification method for intelligent roller surface monitoring | |
| CN107767401A (zh) | 基于核相关滤波的红外目标实时跟踪方法及装置 |
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 |