CN117070741B - 酸洗机组的控制方法及其系统 - Google Patents
酸洗机组的控制方法及其系统 Download PDFInfo
- Publication number
- CN117070741B CN117070741B CN202311080672.3A CN202311080672A CN117070741B CN 117070741 B CN117070741 B CN 117070741B CN 202311080672 A CN202311080672 A CN 202311080672A CN 117070741 B CN117070741 B CN 117070741B
- Authority
- CN
- China
- Prior art keywords
- time sequence
- temperature
- feature
- temperature time
- 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
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000005554 pickling Methods 0.000 title claims abstract description 37
- 229910000831 Steel Inorganic materials 0.000 claims abstract description 45
- 239000010959 steel Substances 0.000 claims abstract description 45
- 238000001816 cooling Methods 0.000 claims abstract description 33
- 239000000498 cooling water Substances 0.000 claims abstract description 23
- 239000002253 acid Substances 0.000 claims abstract description 22
- 230000003247 decreasing effect Effects 0.000 claims abstract description 21
- 238000002347 injection Methods 0.000 claims abstract description 21
- 239000007924 injection Substances 0.000 claims abstract description 21
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 15
- 238000012300 Sequence Analysis Methods 0.000 claims abstract description 13
- 238000005406 washing Methods 0.000 claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims description 99
- 239000013598 vector Substances 0.000 claims description 55
- 238000009826 distribution Methods 0.000 claims description 23
- 238000013527 convolutional neural network Methods 0.000 claims description 18
- 238000003062 neural network model Methods 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000009529 body temperature measurement Methods 0.000 claims description 8
- 238000012098 association analyses Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 238000010219 correlation analysis Methods 0.000 claims description 2
- 238000012731 temporal analysis Methods 0.000 claims description 2
- 238000000700 time series analysis Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 19
- 230000000694 effects Effects 0.000 abstract description 9
- 238000004519 manufacturing process Methods 0.000 abstract description 6
- 239000010410 layer Substances 0.000 description 27
- 238000011176 pooling Methods 0.000 description 17
- 238000013528 artificial neural network Methods 0.000 description 16
- 230000006870 function Effects 0.000 description 13
- 230000008859 change Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 6
- 238000000547 structure data Methods 0.000 description 6
- 230000004913 activation Effects 0.000 description 5
- 239000000284 extract Substances 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 5
- 230000035882 stress Effects 0.000 description 5
- 230000002776 aggregation Effects 0.000 description 4
- 238000004220 aggregation Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 239000000243 solution Substances 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000004931 aggregating effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012732 spatial analysis Methods 0.000 description 2
- 238000005507 spraying Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 1
- 238000000137 annealing Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 239000000306 component Substances 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000265 homogenisation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000010079 rubber tapping Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000002344 surface layer Substances 0.000 description 1
- 230000008646 thermal stress Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- C—CHEMISTRY; METALLURGY
- C21—METALLURGY OF IRON
- C21D—MODIFYING THE PHYSICAL STRUCTURE OF FERROUS METALS; GENERAL DEVICES FOR HEAT TREATMENT OF FERROUS OR NON-FERROUS METALS OR ALLOYS; MAKING METAL MALLEABLE, e.g. BY DECARBURISATION OR TEMPERING
- C21D11/00—Process control or regulation for heat treatments
- C21D11/005—Process control or regulation for heat treatments for cooling
-
- C—CHEMISTRY; METALLURGY
- C21—METALLURGY OF IRON
- C21D—MODIFYING THE PHYSICAL STRUCTURE OF FERROUS METALS; GENERAL DEVICES FOR HEAT TREATMENT OF FERROUS OR NON-FERROUS METALS OR ALLOYS; MAKING METAL MALLEABLE, e.g. BY DECARBURISATION OR TEMPERING
- C21D1/00—General methods or devices for heat treatment, e.g. annealing, hardening, quenching or tempering
- C21D1/26—Methods of annealing
-
- C—CHEMISTRY; METALLURGY
- C21—METALLURGY OF IRON
- C21D—MODIFYING THE PHYSICAL STRUCTURE OF FERROUS METALS; GENERAL DEVICES FOR HEAT TREATMENT OF FERROUS OR NON-FERROUS METALS OR ALLOYS; MAKING METAL MALLEABLE, e.g. BY DECARBURISATION OR TEMPERING
- C21D9/00—Heat treatment, e.g. annealing, hardening, quenching or tempering, adapted for particular articles; Furnaces therefor
- C21D9/52—Heat treatment, e.g. annealing, hardening, quenching or tempering, adapted for particular articles; Furnaces therefor for wires; for strips ; for rods of unlimited length
-
- C—CHEMISTRY; METALLURGY
- C23—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; CHEMICAL SURFACE TREATMENT; DIFFUSION TREATMENT OF METALLIC MATERIAL; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL; INHIBITING CORROSION OF METALLIC MATERIAL OR INCRUSTATION IN GENERAL
- C23G—CLEANING OR DE-GREASING OF METALLIC MATERIAL BY CHEMICAL METHODS OTHER THAN ELECTROLYSIS
- C23G1/00—Cleaning or pickling metallic material with solutions or molten salts
- C23G1/02—Cleaning or pickling metallic material with solutions or molten salts with acid solutions
- C23G1/08—Iron or steel
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Physics & Mathematics (AREA)
- Mechanical Engineering (AREA)
- Materials Engineering (AREA)
- Metallurgy (AREA)
- Organic Chemistry (AREA)
- Theoretical Computer Science (AREA)
- Thermal Sciences (AREA)
- Crystallography & Structural Chemistry (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- General Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Control Of Metal Rolling (AREA)
- Feedback Control In General (AREA)
Abstract
公开了一种酸洗机组的控制方法及其系统。其首先获取由常化酸洗机组水冷段上的多个测温装置采集的带钢在预定时间段内多个预定时间点的温度值,接着,对所述多个预定时间点的温度值进行时序分析以得到温度时序特征,然后,基于所述温度时序特征,确定所述冷却水喷射装置的电磁阀开度值应增大或减小。这样,可以改善常化酸洗过程中的冷却效果,提高产品的质量稳定性和生产效率。
Description
技术领域
本公开涉及酸洗机组领域,且更为具体地,涉及一种酸洗机组的控制方法及其系统。
背景技术
在常化酸洗机组中,常化是一种工艺过程,将钢卷加热至完全奥氏体化温度以上30~50℃,保温一段时间后,通过冷却处理来实现晶粒细化和碳化物分布均匀化的目的。常化退火机组出炉温度往往达到700℃以上,然后通过快速冷却将带钢温度降到100℃以下,以确保后续工序设备的稳定性和安全性。
水冷是常用的冷却方式,因其具有冷却速度快、生产效率高、介质环保且可重复利用等优点而被广泛应用。然而,水冷过程中由于冷却速度较快,会导致带钢表层、内部以及中部与边部的冷却状态不同,从而产生热应力和残余应力。这些应力会导致带钢产生浪形,给后续工序的轧制带来困难,并加剧本工序辊系的磨损。此外,带钢头部、尾部以及中部与边部的冷却状态不同还会导致各部位温度不均,使得带钢在横向方向性能存在较大差异,对成品质量的稳定性产生重要影响。
因此,期望一种优化的酸洗机组的控制方案。
发明内容
有鉴于此,本公开提出了一种酸洗机组的控制方法及其系统,其可以在常化冷却过程中均匀控制带钢横向及纵向温度,避免应力和温度差异对带钢造成的负面影响,从而保证带钢不论在纵向和横向的板形良好和性能稳定。
根据本公开的一方面,提供了一种酸洗机组的控制方法,其包括:
获取由常化酸洗机组水冷段上的多个测温装置采集的带钢在预定时间段内多个预定时间点的温度值;
对所述多个预定时间点的温度值进行时序分析以得到温度时序特征;以及
基于所述温度时序特征,确定所述冷却水喷射装置的电磁阀开度值应增大或减小。
根据本公开的另一方面,提供了一种酸洗机组的控制系统,其包括:
温度值采集模块,用于获取由常化酸洗机组水冷段上的多个测温装置采集的带钢在预定时间段内多个预定时间点的温度值;
时序分析模块,用于对所述多个预定时间点的温度值进行时序分析以得到温度时序特征;以及
电磁阀开度值控制模块,用于基于所述温度时序特征,确定所述冷却水喷射装置的电磁阀开度值应增大或减小。
根据本公开的实施例,其首先获取由常化酸洗机组水冷段上的多个测温装置采集的带钢在预定时间段内多个预定时间点的温度值,接着,对所述多个预定时间点的温度值进行时序分析以得到温度时序特征,然后,基于所述温度时序特征,确定所述冷却水喷射装置的电磁阀开度值应增大或减小。这样,可以改善常化酸洗过程中的冷却效果,提高产品的质量稳定性和生产效率。
根据下面参考附图对示例性实施例的详细说明,本公开的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面,并且用于解释本公开的原理。
图1示出根据本公开的实施例的酸洗机组的控制方法的流程图。
图2示出根据本公开的实施例的酸洗机组的控制方法的架构示意图。
图3示出根据本公开的实施例的酸洗机组的控制方法的子步骤S120的流程图。
图4示出根据本公开的实施例的酸洗机组的控制方法的子步骤S123的流程图。
图5示出根据本公开的实施例的酸洗机组的控制方法的子步骤S130的流程图。
图6示出根据本公开的实施例的酸洗机组的控制方法的子步骤S132的流程图。
图7示出根据本公开的实施例的酸洗机组的控制系统的框图。
图8示出根据本公开的实施例的酸洗机组的控制方法的应用场景图。
具体实施方式
下面将结合附图对本公开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公开的部分实施例,而不是全部的实施例。基于本公开实施例,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,也属于本公开保护的范围。
如本公开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。
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
另外,为了更好的说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
针对上述技术问题,本公开的技术构思为通过在常化酸洗机组的水冷段上部署有多对呈上下布置的冷却水喷射装置和测温装置来实现基于实际带钢各部位的温度变化进行带钢冷却速度的自适应控制,通过这样的方式,能够在常化冷却过程中均匀控制带钢横向及纵向温度,避免应力和温度差异对带钢造成的负面影响,从而保证带钢不论在纵向和横向的板形良好和性能稳定。这样,可以改善常化酸洗过程中的冷却效果,提高产品的质量稳定性和生产效率。
图1示出根据本公开的实施例的酸洗机组的控制方法的流程图。图2示出根据本公开的实施例的酸洗机组的控制方法的架构示意图。如图1和图2所示,根据本公开实施例的酸洗机组的控制方法,包括步骤:S110,获取由常化酸洗机组水冷段上的多个测温装置采集的带钢在预定时间段内多个预定时间点的温度值;S120,对所述多个预定时间点的温度值进行时序分析以得到温度时序特征;以及,S130,基于所述温度时序特征,确定所述冷却水喷射装置的电磁阀开度值应增大或减小。
具体地,在本公开的技术方案中,首先,获取由酸洗机组水冷段上的所述多个测温装置采集的带钢在预定时间段内多个预定时间点的温度值。接着,考虑到由于所述带钢各个部位的温度值在时间维度上都具有着时序的动态变化规律,并且所述带钢各个部位的温度值之间还会相互影响,共同对于整体的带钢温度变化和水冷控制产生作用。因此,在本公开的技术方案中,进一步将所述多个测温装置采集的带钢在预定时间段内多个预定时间点的温度值分别按照时间维度排列为输入向量以得到多个温度时序输入向量,以此来分别整合所述多个测温装置采集的带钢各个部位的温度值在时序上的分布信息。
继而,再将所述多个温度时序输入向量分别通过基于一维卷积神经网络模型的温度时序特征提取器中进行特征挖掘,以提取出所述带钢各个部位的温度值在时间维度上的时序分布信息,从而得到多个温度时序特征向量,以便于后续更准确地分析带钢的全局温度时序变化情况和进行水冷控制。
进一步地,考虑到由于所述多个测温装置采集的温度值之间具有着关联关系,这种关联关系是存在于所述各个测温装置的空间位置上且对于带钢的整体温度分析产生影响。因此,在本公开的技术方案中,需要构造所述多个测温装置之间的空间拓扑矩阵。特别地,这里,所述空间拓扑矩阵中非对角线位置上各个位置的特征值为相应两个测温装置之间的欧式距离。
然后,将所述空间拓扑矩阵通过基于卷积神经网络模型的温度传感器空间拓扑特征提取器中进行特征挖掘,以提取出所述各个测温装置之间的空间拓扑关联特征分布信息,从而得到关于所述多个测温装置之间的空间拓扑特征矩阵。
进而,以所述各个温度时序特征向量作为节点的特征表示,而以所述空间拓扑特征矩阵作为节点与节点之间的边的特征表示,将由所述多个温度时序特征向量经二维排列得到的温度全局时序特征矩阵和所述空间拓扑特征矩阵通过图神经网络模型以得到拓扑全局温度时序特征矩阵。具体地,所述图神经网络模型通过可学习的神经网络参数对所述温度全局时序特征矩阵和所述空间拓扑特征矩阵进行图结构数据编码以得到包含不规则的所述多个测温装置空间拓扑关联特征和所述带钢各个部位温度的时序变化特征信息的所述拓扑全局温度时序特征矩阵。
相应地,如图3所示,对所述多个预定时间点的温度值进行时序分析以得到温度时序特征,包括:S121,将所述多个测温装置采集的带钢在预定时间段内多个预定时间点的温度值分别按照时间维度排列为输入向量以得到多个温度时序输入向量;S122,通过基于深度神经网络模型的温度时序特征提取器分别对所述多个温度时序输入向量进行时序特征提取以得到多个温度时序特征向量;S123,对所述多个测温装置进行空间拓扑关联分析以得到空间拓扑特征矩阵;以及,S124,对所述多个温度时序特征向量和所述空间拓扑特征矩阵进行基于图结构的关联编码以得到拓扑全局温度时序特征矩阵作为所述温度时序特征。应可以理解,步骤S121的目的是将采集到的温度数据按照时间维度进行排列,形成多个温度时序输入向量,每个向量代表了一个时间点的温度值,这样可以保留温度随时间变化的时序信息;在步骤S122中,使用基于深度神经网络模型的温度时序特征提取器,对每个温度时序输入向量进行处理,提取出其中的时序特征,这些特征向量可以捕捉到温度变化的模式、趋势和周期性等信息,用于后续的分析和建模;步骤S123的目的是对多个测温装置之间的空间关系进行分析和建模,通过分析测温装置之间的位置关系、距离等信息,可以得到一个空间拓扑特征矩阵,用于描述不同测温装置之间的拓扑结构;在步骤S124中,将多个温度时序特征向量和空间拓扑特征矩阵进行关联编码,通过基于图结构的方法,将温度时序特征和空间拓扑特征进行结合,得到一个拓扑全局温度时序特征矩阵,这个特征矩阵综合考虑了温度变化的时序信息和测温装置之间的空间关系,用于表示温度时序的特征。
更具体地,在步骤S122中,所述深度神经网络模型为一维卷积神经网络模型。值得一提的是,一维卷积神经网络模型是一种用于处理序列数据的神经网络模型。与传统的全连接神经网络不同,一维卷积神经网络在输入数据的维度上引入了卷积操作,从而能够有效地捕捉序列数据中的局部模式和特征。在温度时序数据的处理中,一维卷积神经网络可以用于提取温度序列中的时序特征。它通过对温度时序输入向量进行卷积操作和非线性激活函数的处理,可以自动学习和提取出温度序列中的局部模式和变化趋势。通过不同深度的卷积层和池化层的组合,一维卷积神经网络可以逐渐提取出更高层次的抽象特征。一维卷积神经网络在温度时序分析中的应用可以帮助发现温度序列中的重要特征,例如温度的上升或下降趋势、周期性变化、异常点等。它可以自动学习温度序列中的模式,无需手动定义特征,从而提高了特征提取的效率和准确性。这些提取到的时序特征可以用于后续的分析、预测和决策。
更具体地,在步骤S123中,如图4所示,对所述多个测温装置进行空间拓扑关联分析以得到空间拓扑特征矩阵,包括:S1231,构造所述多个测温装置之间的空间拓扑矩阵,其中,所述空间拓扑矩阵中非对角线位置上各个位置的特征值为相应两个测温装置之间的欧式距离;以及,S1232,将所述空间拓扑矩阵通过基于卷积神经网络模型的温度传感器空间拓扑特征提取器以得到所述空间拓扑特征矩阵。应可以理解,在步骤S1231中,根据多个测温装置的位置信息,构建一个空间拓扑矩阵,该矩阵的维度与测温装置的数量相同,矩阵中的每个元素表示对应两个测温装置之间的欧式距离,通过计算测温装置之间的距离,可以捕捉到它们之间的空间关系。在步骤S1232中,使用基于卷积神经网络模型的温度传感器空间拓扑特征提取器,对构建的空间拓扑矩阵进行处理,提取出其中的空间拓扑特征,通过卷积操作和非线性激活函数的组合,该模型可以学习和提取出空间拓扑矩阵中的重要特征,这些特征可以反映测温装置之间的空间关系,例如相对位置、邻近性等。通过S1231和S1232两个步骤,可以将多个测温装置之间的空间关系转化为一个空间拓扑特征矩阵,这个矩阵综合考虑了测温装置之间的距离信息,用于后续的关联编码和特征提取。
值得一提的是,欧式距离是指在欧几里得空间中,两个点之间的直线距离。对于二维空间中的两个点(x1,y1)和(x2,y2),欧式距离可以通过以下公式计算:其中,sqrt表示平方根,对于更高维的空间,欧式距离的计算方法类似。
欧式距离在空间分析和数据分析中具有广泛的应用,包括但不限于以下方面:1.距离度量:欧式距离可以度量两个点之间的相似性或差异性,当两个点的欧式距离越小,它们在空间中越接近,表示它们具有更相似的特征或属性。2.特征提取:欧式距离可以用于提取特征之间的相似性,通过计算特征向量之间的欧式距离,可以评估它们在特征空间中的相似程度,进而用于聚类、分类或降维等任务。3.空间分析:欧式距离可以用于空间数据的分析和处理。4.数据聚类:欧式距离常用于聚类分析中的距离度量,通过计算数据点之间的欧式距离,可以将相似的数据点聚集在一起,形成簇或群组。换言之,欧式距离是一种常用的距离度量方法,可以用于衡量点之间的距离、相似性或差异性。它在数据分析、特征提取和空间分析等领域具有重要的应用价值。
值得一提的是,卷积神经网络(Convolutional Neural Network,CNN)是一种深度学习模型,卷积神经网络的主要特点是通过卷积层和池化层来自动提取输入数据的特征,然后通过全连接层进行分类或回归等任务。卷积层(Convolutional Layer)通过卷积操作在输入数据上提取特征,卷积操作使用一组可学习的滤波器(也称为卷积核)对输入数据进行局部区域的乘积累加,从而得到特征图,卷积层可以捕捉输入数据的局部空间关系,例如图像中的边缘、纹理等。池化层(Pooling Layer)用于减小特征图的空间尺寸,同时保留重要的特征,常见的池化操作包括最大池化(Max Pooling)和平均池化(Average Pooling),它们分别选取局部区域中的最大值或平均值作为池化结果,池化层可以减少模型的参数数量,提高模型的计算效率,并具有一定的平移不变性。全连接层(Fully Connected Layer)将前面的卷积层和池化层的输出连接起来,并通过激活函数进行非线性变换,全连接层可以学习输入数据之间的复杂关系,并输出最终的分类或回归结果。激活函数(ActivationFunction)引入非线性变换,使得卷积神经网络能够学习非线性模式和复杂的特征,常用的激活函数包括ReLU(Rectified Linear Unit)、Sigmoid和Tanh等。卷积神经网络可以通过多个卷积层和池化层逐层提取抽象的特征,从而实现层级的特征学习。卷积层中的参数在整个输入空间上共享,大大减少了模型的参数数量,提高了模型的效率和泛化能力。由于卷积操作的局部性质,卷积神经网络对输入数据的平移具有一定的不变性,使得模型对于输入的微小变化具有鲁棒性。
更具体地,在步骤S124中,对所述多个温度时序特征向量和所述空间拓扑特征矩阵进行基于图结构的关联编码以得到拓扑全局温度时序特征矩阵作为所述温度时序特征,包括:将所述多个温度时序特征向量和所述空间拓扑特征矩阵通过图神经网络模型以得到所述拓扑全局温度时序特征矩阵。值得一提的是,图神经网络(Graph Neural Network,GNN)是一类用于处理图结构数据的深度学习模型。与传统的神经网络模型适用于处理规则网格结构数据(如图像)不同,图神经网络的主要目标是学习图中节点之间的关系和节点的特征表示,它通过在节点之间传递信息来捕捉图的全局结构和局部特征,并生成对节点的预测或图级别的输出。以下是图神经网络的一些重要组成部分和用途:1.图卷积层(GraphConvolutional Layer):图卷积层是图神经网络的核心组件,用于在图上进行信息传递和特征更新,它通过聚合节点的邻居信息来更新节点的特征表示,不同的图卷积层可以使用不同的聚合策略和权重共享方式,例如邻居平均聚合、邻居加权聚合等。2.图池化层(GraphPooling Layer):图池化层用于减小图的规模,同时保留重要的节点和边,它可以通过聚合节点或边来生成更小的子图,从而提取更高级别的图结构特征,常见的图池化操作包括图邻域采样和图注意力机制等。3.图注意力机制(Graph Attention Mechanism):图注意力机制允许图神经网络对不同节点之间的关系进行不同程度的关注,它通过学习注意力权重来调整节点之间的信息传递,使得重要的节点和边得到更多的注意,图注意力机制可以提高模型对于图中重要节点的感知能力。4.图生成模型(Graph Generation Model):除了节点分类和图级别预测,图神经网络还可以用于生成图结构数据,图生成模型通过学习图的生成过程来生成具有特定特征的图,例如生成分子结构或社交网络。图神经网络可以通过信息传递和聚合操作捕捉图中节点之间的关系和全局结构,从而提取图的特征表示。图神经网络可以处理非规则的图结构数据,适用于各种领域中的复杂关系建模和预测任务。图神经网络在训练过程中可以从一部分节点的信息中推断其他节点的特征,具有较强的泛化能力。即,图神经网络在图结构数据的分析、预测和生成等任务中具有重要的应用价值,它可以通过学习图的全局结构和局部特征,提取有用的信息,并对节点和图进行分类、回归、聚类等操作。在温度时序分析中,使用图神经网络可以有效地处理多个温度时序特征向量和空间拓扑特征矩阵,生成拓扑全局温度时序特征矩阵,从而更好地理解和预测温度数据的行为和模式。
接着,再将所述拓扑全局温度时序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冷却水喷射装置的电磁阀开度值应增大或减小。也就是说,利用包含有所述各个测温装置的空间拓扑特征信息和所述带钢各个部位温度的时序变化特征信息的所述拓扑全局温度时序特征矩阵来进行分类处理,以此来基于实际带钢各部位的温度变化进行带钢冷却速度的自适应控制,通过这样的方式,能够在常化冷却过程中均匀控制带钢横向及纵向温度,避免应力和温度差异对带钢造成的负面影响,从而保证带钢不论在纵向和横向的板形良好和性能稳定。
相应地,如图5所示,基于所述温度时序特征,确定所述冷却水喷射装置的电磁阀开度值应增大或减小,包括:S131,对所述拓扑全局温度时序特征矩阵进行基于概率密度特征模仿范式的分布增益以得到增益后拓扑全局温度时序特征矩阵;以及,S132,将所述增益后拓扑全局温度时序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所述冷却水喷射装置的电磁阀开度值应增大或减小。
特别地,在本公开的技术方案中,所述多个温度时序特征向量中的每个表达相应的测温装置的温度值的局部时序关联特征,由此,在将所述多个温度时序特征向量和所述空间拓扑特征矩阵通过图神经网络模型以得到拓扑全局温度时序特征矩阵时,可以表达单个测温装置的温度值的局部时序关联特征在各个测温装置的空间拓扑特征下的拓扑关联表示,这样,相对于单个测温装置的温度值的局部时序关联特征作为前景对象特征,在进行空间拓扑分布关联时,也会引入与各个局部时序关联下的特征分布干涉相关的背景分布噪声,并且,所述拓扑全局温度时序特征矩阵也具有局部时序分布和全局拓扑分布下的时空分级关联特征表达,由此,期望基于所述拓扑全局温度时序特征矩阵的分布特性来增强其表达效果。因此,本公开的申请人对所述拓扑全局温度时序特征矩阵进行基于概率密度特征模仿范式的分布增益。
相应地,在一个具体示例中,对所述拓扑全局温度时序特征矩阵进行基于概率密度特征模仿范式的分布增益以得到增益后拓扑全局温度时序特征矩阵,包括:以如下优化公式对所述拓扑全局温度时序特征矩阵进行基于概率密度特征模仿范式的分布增益以得到增益后拓扑全局温度时序特征矩阵;其中,所述优化公式为:其中,/>是所述拓扑全局温度时序特征矩阵,/>是所述拓扑全局温度时序特征矩阵的第/>位置的特征值,/>是所述拓扑全局温度时序特征矩阵的尺度,/>表示所述拓扑全局温度时序特征矩阵的/>范数的平方,且/>是加权超参数,/>表示指数运算,/>是所述增益后拓扑全局温度时序特征矩阵的第/>位置的特征值。
这里,基于标准柯西分布对于自然高斯分布在概率密度上的特征模仿范式,所述基于概率密度特征模仿范式的分布增益可以将特征尺度作为模仿掩码,在高维特征空间内区分前景对象特征和背景分布噪声,从而基于高维特征的时空分级关联来对高维空间进行特征空间映射的关联语义认知的分布软匹配,来获得高维特征分布的无约束的分布增益,提升所述拓扑全局温度时序特征矩阵基于特征分布特性的表达效果,也就提升了所述拓扑全局温度时序特征矩阵通过分类器得到的分类结果的准确性。这样,能够基于实际带钢各部位的温度变化进行带钢冷却速度的自适应控制,以在常化冷却过程中避免应力和温度差异对带钢造成的负面影响,从而保证带钢不论在纵向和横向的板形良好和性能稳定,通过这样的方式,可以改善常化酸洗过程中的冷却效果,提高产品的质量稳定性和生产效率。
进一步地,在步骤S132中,如图6所示,将所述增益后拓扑全局温度时序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所述冷却水喷射装置的电磁阀开度值应增大或减小,包括:S1321,将所述增益后拓扑全局温度时序特征矩阵按照行向量或者列向量展开为分类特征向量;S1322,使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及,S1323,将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
也就是,在本公开的技术方案中,所述分类器的标签包括所述冷却水喷射装置的电磁阀开度值应增大(第一标签),以及,所述冷却水喷射装置的电磁阀开度值应减小(第二标签),其中,所述分类器通过软最大值函数来确定所述增益后拓扑全局温度时序特征矩阵属于哪个分类标签。值得注意的是,这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念,实际上在训练过程当中,计算机模型并没有“所述冷却水喷射装置的电磁阀开度值应增大或减小”这种概念,其只是有两种分类标签且输出特征在这两个分类标签下的概率,即p1和p2之和为一。因此,所述冷却水喷射装置的电磁阀开度值应增大或减小的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布,实质上用到的是标签的自然概率分布的物理意义,而不是“所述冷却水喷射装置的电磁阀开度值应增大或减小”的语言文本意义。
应可以理解,分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器,然后对未知数据进行分类(或预测)。逻辑回归(logistics)、SVM等常用于解决二分类问题,对于多分类问题(multi-class classification),同样也可以用逻辑回归或SVM,只是需要多个二分类来组成多分类,但这样容易出错且效率不高,常用的多分类方法有Softmax分类函数。
综上,基于本公开实施例的酸洗机组的控制方法,其可以改善常化酸洗过程中的冷却效果,提高产品的质量稳定性和生产效率。
图7示出根据本公开的实施例的酸洗机组的控制系统100的框图。如图7所示,根据本公开实施例的酸洗机组的控制系统100,包括:温度值采集模块110,用于获取由常化酸洗机组水冷段上的多个测温装置采集的带钢在预定时间段内多个预定时间点的温度值;时序分析模块120,用于对所述多个预定时间点的温度值进行时序分析以得到温度时序特征;以及,电磁阀开度值控制模块130,用于基于所述温度时序特征,确定所述冷却水喷射装置的电磁阀开度值应增大或减小。
在一种可能的实现方式中,所述时序分析模块120,包括:输入向量排列单元,用于将所述多个测温装置采集的带钢在预定时间段内多个预定时间点的温度值分别按照时间维度排列为输入向量以得到多个温度时序输入向量;温度时序特征提取单元,用于通过基于深度神经网络模型的温度时序特征提取器分别对所述多个温度时序输入向量进行时序特征提取以得到多个温度时序特征向量;空间拓扑关联分析单元,用于对所述多个测温装置进行空间拓扑关联分析以得到空间拓扑特征矩阵;以及,关联编码单元,用于对所述多个温度时序特征向量和所述空间拓扑特征矩阵进行基于图结构的关联编码以得到拓扑全局温度时序特征矩阵作为所述温度时序特征。
这里,本领域技术人员可以理解,上述酸洗机组的控制系统100中的各个单元和模块的具体功能和操作已经在上面参考图1到图6的酸洗机组的控制方法的描述中得到了详细介绍,并因此,将省略其重复描述。
如上所述,根据本公开实施例的酸洗机组的控制系统100可以实现在各种无线终端中,例如具有酸洗机组的控制算法的服务器等。在一种可能的实现方式中,根据本公开实施例的酸洗机组的控制系统100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如,该酸洗机组的控制系统100可以是该无线终端的操作系统中的一个软件模块,或者可以是针对于该无线终端所开发的一个应用程序;当然,该酸洗机组的控制系统100同样可以是该无线终端的众多硬件模块之一。
替换地,在另一示例中,该酸洗机组的控制系统100与该无线终端也可以是分立的设备,并且该酸洗机组的控制系统100可以通过有线和/或无线网络连接到该无线终端,并且按照约定的数据格式来传输交互信息。
图8示出根据本公开的实施例的酸洗机组的控制方法的应用场景图。如图8所示,在该应用场景中,首先,获取由常化酸洗机组水冷段上的多个测温装置采集的带钢在预定时间段内多个预定时间点的温度值(例如,图8中所示意的D),然后,将所述多个预定时间点的温度值输入至部署有酸洗机组的控制算法的服务器中(例如,图8中所示意的S),其中,所述服务器能够使用所述酸洗机组的控制算法对所述多个预定时间点的温度值进行处理以得到用于表示所述冷却水喷射装置的电磁阀开度值应增大或减小的分类结果。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (8)
1.一种酸洗机组的控制方法,其特征在于,包括:
获取由常化酸洗机组水冷段上的多个测温装置采集的带钢在预定时间段内多个预定时间点的温度值;
对所述多个预定时间点的温度值进行时序分析以得到拓扑全局温度时序特征矩阵作为所述温度时序特征;以及
基于所述温度时序特征,确定冷却水喷射装置的电磁阀开度值应增大或减小;
其中,基于所述温度时序特征,确定冷却水喷射装置的电磁阀开度值应增大或减小,包括:
对所述拓扑全局温度时序特征矩阵进行基于概率密度特征模仿范式的分布增益以得到增益后拓扑全局温度时序特征矩阵;以及
将所述增益后拓扑全局温度时序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所述冷却水喷射装置的电磁阀开度值应增大或减小;
其中,对所述拓扑全局温度时序特征矩阵进行基于概率密度特征模仿范式的分布增益以得到增益后拓扑全局温度时序特征矩阵,包括:
以如下优化公式对所述拓扑全局温度时序特征矩阵进行基于概率密度特征模仿范式的分布增益以得到增益后拓扑全局温度时序特征矩阵;
其中,所述优化公式为:
其中,M是所述拓扑全局温度时序特征矩阵,mi,j是所述拓扑全局温度时序特征矩阵的第(i,j)位置的特征值,N是所述拓扑全局温度时序特征矩阵的尺度,表示所述拓扑全局温度时序特征矩阵的F范数的平方,且α是加权超参数,exp(·)表示指数运算,m'i,j是所述增益后拓扑全局温度时序特征矩阵的第(i,j)位置的特征值。
2.根据权利要求1所述的酸洗机组的控制方法,其特征在于,对所述多个预定时间点的温度值进行时序分析以得到温度时序特征,包括:
将所述多个测温装置采集的带钢在预定时间段内多个预定时间点的温度值分别按照时间维度排列为输入向量以得到多个温度时序输入向量;
通过基于深度神经网络模型的温度时序特征提取器分别对所述多个温度时序输入向量进行时序特征提取以得到多个温度时序特征向量;
对所述多个测温装置进行空间拓扑关联分析以得到空间拓扑特征矩阵;以及
对所述多个温度时序特征向量和所述空间拓扑特征矩阵进行基于图结构的关联编码以得到拓扑全局温度时序特征矩阵作为所述温度时序特征。
3.根据权利要求2所述的酸洗机组的控制方法,其特征在于,所述深度神经网络模型为一维卷积神经网络模型。
4.根据权利要求3所述的酸洗机组的控制方法,其特征在于,对所述多个测温装置进行空间拓扑关联分析以得到空间拓扑特征矩阵,包括:
构造所述多个测温装置之间的空间拓扑矩阵,其中,所述空间拓扑矩阵中非对角线位置上各个位置的特征值为相应两个测温装置之间的欧式距离;以及
将所述空间拓扑矩阵通过基于卷积神经网络模型的温度传感器空间拓扑特征提取器以得到所述空间拓扑特征矩阵。
5.根据权利要求4所述的酸洗机组的控制方法,其特征在于,对所述多个温度时序特征向量和所述空间拓扑特征矩阵进行基于图结构的关联编码以得到拓扑全局温度时序特征矩阵作为所述温度时序特征,包括:
将所述多个温度时序特征向量和所述空间拓扑特征矩阵通过图神经网络模型以得到所述拓扑全局温度时序特征矩阵。
6.根据权利要求5所述的酸洗机组的控制方法,其特征在于,将所述增益后拓扑全局温度时序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所述冷却水喷射装置的电磁阀开度值应增大或减小,包括:
将所述增益后拓扑全局温度时序特征矩阵按照行向量或者列向量展开为分类特征向量;
使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及
将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
7.一种酸洗机组的控制系统,其特征在于,包括:
温度值采集模块,用于获取由常化酸洗机组水冷段上的多个测温装置采集的带钢在预定时间段内多个预定时间点的温度值;
时序分析模块,用于对所述多个预定时间点的温度值进行时序分析以得到拓扑全局温度时序特征矩阵作为所述温度时序特征;以及
电磁阀开度值控制模块,用于基于所述温度时序特征,确定冷却水喷射装置的电磁阀开度值应增大或减小;
其中,所述电磁阀开度值控制模块,包括:
对所述拓扑全局温度时序特征矩阵进行基于概率密度特征模仿范式的分布增益以得到增益后拓扑全局温度时序特征矩阵;以及
将所述增益后拓扑全局温度时序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所述冷却水喷射装置的电磁阀开度值应增大或减小;
其中,对所述拓扑全局温度时序特征矩阵进行基于概率密度特征模仿范式的分布增益以得到增益后拓扑全局温度时序特征矩阵,包括:
以如下优化公式对所述拓扑全局温度时序特征矩阵进行基于概率密度特征模仿范式的分布增益以得到增益后拓扑全局温度时序特征矩阵;
其中,所述优化公式为:
其中,M是所述拓扑全局温度时序特征矩阵,mi,j是所述拓扑全局温度时序特征矩阵的第(i,j)位置的特征值,N是所述拓扑全局温度时序特征矩阵的尺度,表示所述拓扑全局温度时序特征矩阵的F范数的平方,且α是加权超参数,exp(·)表示指数运算,m'i,j是所述增益后拓扑全局温度时序特征矩阵的第(i,j)位置的特征值。
8.根据权利要求7所述的酸洗机组的控制系统,其特征在于,所述时序分析模块,包括:
输入向量排列单元,用于将所述多个测温装置采集的带钢在预定时间段内多个预定时间点的温度值分别按照时间维度排列为输入向量以得到多个温度时序输入向量;
温度时序特征提取单元,用于通过基于深度神经网络模型的温度时序特征提取器分别对所述多个温度时序输入向量进行时序特征提取以得到多个温度时序特征向量;
空间拓扑关联分析单元,用于对所述多个测温装置进行空间拓扑关联分析以得到空间拓扑特征矩阵;以及
关联编码单元,用于对所述多个温度时序特征向量和所述空间拓扑特征矩阵进行基于图结构的关联编码以得到拓扑全局温度时序特征矩阵作为所述温度时序特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311080672.3A CN117070741B (zh) | 2023-08-25 | 2023-08-25 | 酸洗机组的控制方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311080672.3A CN117070741B (zh) | 2023-08-25 | 2023-08-25 | 酸洗机组的控制方法及其系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117070741A CN117070741A (zh) | 2023-11-17 |
CN117070741B true CN117070741B (zh) | 2024-03-12 |
Family
ID=88701983
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311080672.3A Active CN117070741B (zh) | 2023-08-25 | 2023-08-25 | 酸洗机组的控制方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117070741B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118030040A (zh) * | 2024-04-11 | 2024-05-14 | 克拉玛依市富城油气研究院有限公司 | 用于采油工程的生产动态监测系统及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202119560U (zh) * | 2011-05-24 | 2012-01-18 | 宝山钢铁股份有限公司 | 常化酸洗机组水冷却段的带钢温度检测装置 |
CN202836764U (zh) * | 2012-09-14 | 2013-03-27 | 浙江联鑫板材科技有限公司 | 常化酸洗机组水冷却段的带钢温度检测装置 |
CN203976883U (zh) * | 2014-04-15 | 2014-12-03 | 天津太钢天管不锈钢有限公司 | 连续退火酸洗线退火炉冷却系统 |
CN110184447A (zh) * | 2018-02-23 | 2019-08-30 | 宝山钢铁股份有限公司 | 一种常化酸洗机组智能化精细冷却控制方法 |
CN116511261A (zh) * | 2023-05-04 | 2023-08-01 | 首钢集团有限公司 | 三段冷工艺中带钢温度的控制方法、装置、介质和设备 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR3088463A1 (fr) * | 2018-11-09 | 2020-05-15 | Adagos | Procede de construction de reseau de neurones pour la simulation de systemes reels |
US20220092240A1 (en) * | 2019-01-29 | 2022-03-24 | Siemens Aktiengesellschaft | System for Machine Learning-Based Acceleration of a Topology Optimization Process |
-
2023
- 2023-08-25 CN CN202311080672.3A patent/CN117070741B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202119560U (zh) * | 2011-05-24 | 2012-01-18 | 宝山钢铁股份有限公司 | 常化酸洗机组水冷却段的带钢温度检测装置 |
CN202836764U (zh) * | 2012-09-14 | 2013-03-27 | 浙江联鑫板材科技有限公司 | 常化酸洗机组水冷却段的带钢温度检测装置 |
CN203976883U (zh) * | 2014-04-15 | 2014-12-03 | 天津太钢天管不锈钢有限公司 | 连续退火酸洗线退火炉冷却系统 |
CN110184447A (zh) * | 2018-02-23 | 2019-08-30 | 宝山钢铁股份有限公司 | 一种常化酸洗机组智能化精细冷却控制方法 |
CN116511261A (zh) * | 2023-05-04 | 2023-08-01 | 首钢集团有限公司 | 三段冷工艺中带钢温度的控制方法、装置、介质和设备 |
Also Published As
Publication number | Publication date |
---|---|
CN117070741A (zh) | 2023-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Springenberg et al. | Improving deep neural networks with probabilistic maxout units | |
Basly et al. | CNN-SVM learning approach based human activity recognition | |
Barman et al. | Transfer learning for small dataset | |
CN117070741B (zh) | 酸洗机组的控制方法及其系统 | |
Das et al. | NAS-SGAN: a semi-supervised generative adversarial network model for atypia scoring of breast cancer histopathological images | |
CN112232395B (zh) | 一种基于联合训练生成对抗网络的半监督图像分类方法 | |
Gabourie et al. | Learning a domain-invariant embedding for unsupervised domain adaptation using class-conditioned distribution alignment | |
Ramasinghe et al. | A context-aware capsule network for multi-label classification | |
CN117308077A (zh) | 一种反应堆核电机组蒸发器给水控制系统 | |
Sun et al. | Optimized light-weight convolutional neural networks for histopathologic cancer detection | |
CN111325259A (zh) | 一种基于深度学习和二进制编码的遥感图像分类方法 | |
Gao et al. | Deep learning for sequence pattern recognition | |
Pham et al. | A deep learning approach for real-time 3D human action recognition from skeletal data | |
Petrovska et al. | Classification of small sets of images with pre-trained neural networks | |
Passalis et al. | Deep temporal logistic bag-of-features for forecasting high frequency limit order book time series | |
CN107993311B (zh) | 一种用于半监督人脸识别门禁系统的代价敏感隐语义回归方法 | |
Wang et al. | ST-MAML: A stochastic-task based method for task-heterogeneous meta-learning | |
Wirayasa et al. | Comparison of Convolutional Neural Networks Model Using Different Optimizers for Image Classification | |
Xiao et al. | Comparison studies on classification for remote sensing image based on data mining method | |
Wang et al. | Image target recognition based on improved convolutional neural network | |
Jun et al. | Two-view correspondence learning via complex information extraction | |
Perez et al. | Face Patches Designed through Neuroevolution for Face Recognition with Large Pose Variation | |
CN117127005B (zh) | 在线淬火的水冷控制系统及其方法 | |
Ibrahim et al. | A preliminary lightweight random forest approach-based image classification for plant disease detection | |
Thakur et al. | Machine Learning and Deep Learning Techniques |
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 |