CN117315585B - 电解槽智能控制系统及其方法 - Google Patents

电解槽智能控制系统及其方法 Download PDF

Info

Publication number
CN117315585B
CN117315585B CN202311309591.6A CN202311309591A CN117315585B CN 117315585 B CN117315585 B CN 117315585B CN 202311309591 A CN202311309591 A CN 202311309591A CN 117315585 B CN117315585 B CN 117315585B
Authority
CN
China
Prior art keywords
feature
current density
vector
classification
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
Application number
CN202311309591.6A
Other languages
English (en)
Other versions
CN117315585A (zh
Inventor
李伯立
代述东
阳智
刘春炎
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hunan Shengxiang Controls Co ltd
Original Assignee
Hunan Shengxiang Controls Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hunan Shengxiang Controls Co ltd filed Critical Hunan Shengxiang Controls Co ltd
Priority to CN202311309591.6A priority Critical patent/CN117315585B/zh
Publication of CN117315585A publication Critical patent/CN117315585A/zh
Application granted granted Critical
Publication of CN117315585B publication Critical patent/CN117315585B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • C—CHEMISTRY; METALLURGY
    • C25—ELECTROLYTIC OR ELECTROPHORETIC PROCESSES; APPARATUS THEREFOR
    • C25B—ELECTROLYTIC OR ELECTROPHORETIC PROCESSES FOR THE PRODUCTION OF COMPOUNDS OR NON-METALS; APPARATUS THEREFOR
    • C25B15/00—Operating or servicing cells
    • C25B15/02—Process control or regulation
    • C—CHEMISTRY; METALLURGY
    • C25—ELECTROLYTIC OR ELECTROPHORETIC PROCESSES; APPARATUS THEREFOR
    • C25C—PROCESSES FOR THE ELECTROLYTIC PRODUCTION, RECOVERY OR REFINING OF METALS; APPARATUS THEREFOR
    • C25C7/00—Constructional parts, or assemblies thereof, of cells; Servicing or operating of cells
    • C25C7/06—Operating or servicing
    • C—CHEMISTRY; METALLURGY
    • C25—ELECTROLYTIC OR ELECTROPHORETIC PROCESSES; APPARATUS THEREFOR
    • C25D—PROCESSES FOR THE ELECTROLYTIC OR ELECTROPHORETIC PRODUCTION OF COATINGS; ELECTROFORMING; APPARATUS THEREFOR
    • C25D21/00—Processes for servicing or operating cells for electrolytic coating
    • C25D21/12—Process control or regulation
    • C—CHEMISTRY; METALLURGY
    • C25—ELECTROLYTIC OR ELECTROPHORETIC PROCESSES; APPARATUS THEREFOR
    • C25F—PROCESSES FOR THE ELECTROLYTIC REMOVAL OF MATERIALS FROM OBJECTS; APPARATUS THEREFOR
    • C25F7/00—Constructional parts, or assemblies thereof, of cells for electrolytic removal of material from objects; Servicing or operating
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Materials Engineering (AREA)
  • Metallurgy (AREA)
  • Organic Chemistry (AREA)
  • Electrochemistry (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Automation & Control Theory (AREA)
  • Databases & Information Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Electrolytic Production Of Non-Metals, Compounds, Apparatuses Therefor (AREA)

Abstract

本申请涉及智能控制领域，其具体地公开了一种电解槽智能控制系统及其方法，其首先获取多个预定时间段的电解槽表面监控视频和多个预定时间点的的电流密度值，然后，将所述多个预定时间段的电解槽表面监控视频通过卷积神经网络模型后进行全局均值池化以得到表面特征向量，进一步地，将所述多个预定时间点的电流密度值排列为电流密度输入向量后通过多尺度邻域特征提取模块以得到多尺度电流密度特征向量，接着，将所述表面特征向量和所述多尺度电流密度特征向量进行融合并优化后通过分类器以得到分类结果，以自适应地判断电流密度增加或减小，以降低电解槽堵料的风险，实现了对电解槽状态的智能控制和风险判断，以提高生产效率和设备稳定性。

Description

电解槽智能控制系统及其方法
技术领域
本申请涉及智能控制领域，且更为具体地，涉及一种电解槽智能控制系统及其方法。
背景技术
电解槽是一种用于电化学过程的设备，常见的应用包括金属电解、电镀和电池制造等。在电解槽中，溶质往往会沉积在电极表面或其他部件上，这些沉积物可能是金属离子、盐类或其他杂质，随着时间的推移，沉积物会逐渐积累并形成堵塞，影响电解槽的正常运行。同时，电解槽中的电极在电流通过过程中会发生极化现象，导致电极表面产生气体泡沫或析出产物，这些气泡或析出物可能会聚集在电极表面或其他部件上，造成电解槽堵料的现象。
目前现有技术中，采用人工定期监测和检查电解槽的运行状态，定期清洗和维护电解槽，以及时发现和解决堵料问题。由于人工监测的时间间隔，堵料问题可能在两次检查之间发生，导致延迟发现，在延迟发现的情况下，堵料问题可能已经严重影响了电解槽的运行效率和产品质量。
因此，期望一种电解槽智能控制系统及其方法。
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电解槽智能控制系统及其方法，其首先获取多个预定时间段的电解槽表面监控视频和多个预定时间点的的电流密度值，然后，将所述多个预定时间段的电解槽表面监控视频通过卷积神经网络模型后进行全局均值池化以得到表面特征向量，进一步地，将所述多个预定时间点的电流密度值排列为电流密度输入向量后通过多尺度邻域特征提取模块以得到多尺度电流密度特征向量，接着，将所述表面特征向量和所述多尺度电流密度特征向量进行融合并优化后通过分类器以得到分类结果，以自适应地判断电流密度增加或减小，以降低电解槽堵料的风险，实现了对电解槽状态的智能控制和风险判断，以提高生产效率和设备稳定性。
根据本申请的一个方面，提供了一种电解槽智能控制系统，其包括：
数据获取模块，用于获取多个预定时间段的电解槽表面监控视频和多个预定时间点的的电流密度值；
监控视频编码模块，用于将所述多个预定时间段的电解槽表面监控视频通过使用时间注意力机制的卷积神经网络模型以得到表面特征图；
特征降维模块，用于对所述表面特征图的沿通道维度的各个特征矩阵进行全局均值池化处理以得到表面特征向量；
电流密度编码模块，用于将所述多个预定时间点的电流密度值排列为电流密度输入向量后通过多尺度邻域特征提取模块以得到多尺度电流密度特征向量；
融合模块，用于融合所述表面特征向量和所述多尺度电流密度特征向量以得到分类特征矩阵；
优化模块，用于对所述分类特征矩阵进行基于参数化特征的先验优化以得到优化分类特征矩阵；
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，所述分类结果用于判断电流密度增加或减小。
在上述电解槽智能控制系统中，所述监控视频编码模块，包括:采样单元，用于以预定采样频率从所述多个预定时间段的电解槽表面监控视频提取多个表面关键帧；时间注意力卷积编码单元，用于将所述多个表面关键帧输入所述使用时间注意力机制的卷积神经网络模型以得到所述表面特征图。
在上述电解槽智能控制系统中，所述时间注意力卷积编码单元，包括：相邻帧提取子单元，用于从所述多个表面关键帧中提取相邻的第一表面关键帧和第二表面关键帧；第一卷积编码子单元，用于将所述第一表面关键帧所述第二表面关键帧分别通过所述卷积神经网络模型的第一卷积层和第二卷积层以得到第一卷积特征图和第二卷积特征图；时间注意力子单元，用于计算所述第一卷积特征图和所述第二卷积特征图之间的按位置点乘以得到时间注意力图；注意力激活子单元，用于将所述时间注意力图输入Softmax激活函数以得到时间注意力特征图；第二卷积编码子单元，用于将所述第二表面关键帧通过所述卷积神经网络模型的第三卷积层以得到第三卷积特征图；注意力施加子单元，用于计算所述第三卷积特征图和所述时间注意力特征图之间的按位置点乘以得到对应于所述第二表面关键帧的时间注意力特征图。
在上述电解槽智能控制系统中，所述电流密度编码模块，包括：第一尺度邻域特征提取单元，用于将所述电流密度输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度电流密度特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；第二尺度邻域特征提取单元，用于将所述电流密度输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度电流密度特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；多尺度级联单元，用于将所述第一邻域尺度电流密度特征向量和所述第二邻域尺度电流密度特征向量进行级联以得到所述多尺度电流密度特征向量。
在上述电解槽智能控制系统中，所述第一尺度邻域特征提取单元，包括：
使用所述多尺度邻域特征提取模块的第一卷积层以如下第一提取公式对所述电流密度输入向量进行一维卷积编码以得到第一邻域尺度电流密度特征向量；
其中，所述第一提取公式为：,其中，a为第一卷积核在x方向上的宽度、/>为第一卷积核参数向量、/>为与卷积核函数运算的局部向量矩阵，w为第一卷积核的尺寸，X表示所述电流密度输入向量，/>表示对所述一维特征向量分别进行一维卷积编码。
在上述电解槽智能控制系统中，所述第二尺度邻域特征提取单元，包括：
使用所述多尺度邻域特征提取模块的第二卷积层以如下第二提取公式对所述电流密度输入向量进行一维卷积编码以得到所述第二邻域尺度电流密度特征向量；
其中，所述第二提取公式为：,其中，b为第二卷积核在x方向上的宽度、/>为第二卷积核参数向量、/>为与卷积核函数运算的局部向量矩阵，m为第二卷积核的尺寸，Y表示所述电流密度输入向量，/>表示对所述一维特征向量分别进行一维卷积编码。
在上述电解槽智能控制系统中，所述融合模块，包括：使用联合编码器以如下融合公式对所述表面特征向量和所述多尺度电流密度特征向量进行联合编码以生成所述分类特征矩阵；
其中，所述融合公式为：,其中表示向量相乘，表示所述分类特征矩 阵，表示所述表面特征向量，表示所述多尺度电流密度特征向量，表示所述多尺度 电流密度特征向量的转置。
在上述电解槽智能控制系统中，所述优化模块，包括：将所述分类特征矩阵沿着行向量方向进行切分以得到多个分类特征行向量；计算所述多个分类特征行向量之间的按位置均值向量以得到参数化参考特征向量；计算所述多个分类特征行向量中任意两个分类特征行向量之间的余弦相似度以得到由多个余弦相似度组成的相似度矩阵；以所述参数化参考特征向量作为均值向量和以所述相似度矩阵作为协方差矩阵，构造所述分类特征矩阵的高斯密度图；对所述高斯密度图中各个位置的高斯分布进行离散采样以得到所述优化分类特征矩阵。
在上述电解槽智能控制系统中，所述分类模块，包括：使用所述分类器以如下分类公式对所述分类特征矩阵进行处理以获得所述分类结果；
其中，所述分类公式为：,其中表 示将所述优化分类特征矩阵为向量，为权重矩阵，表示偏置向量，表示归 一化指数函数，表示所述分类结果。
根据本申请的另一方面，提供了一种电解槽智能控制方法，其包括：
获取多个预定时间段的电解槽表面监控视频和多个预定时间点的的电流密度值；
将所述多个预定时间段的电解槽表面监控视频通过使用时间注意力机制的卷积神经网络模型以得到表面特征图；
对所述表面特征图的沿通道维度的各个特征矩阵进行全局均值池化处理以得到表面特征向量；
将所述多个预定时间点的电流密度值排列为电流密度输入向量后通过多尺度邻域特征提取模块以得到多尺度电流密度特征向量；
融合所述表面特征向量和所述多尺度电流密度特征向量以得到分类特征矩阵；
对所述分类特征矩阵进行基于参数化特征的先验优化以得到优化分类特征矩阵；
将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于判断电流密度增加或减小。
根据本申请的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的电解槽智能控制方法。
根据本申请的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的电解槽智能控制方法。
与现有技术相比，本申请提供的一种电解槽智能控制系统及其方法，其首先获取多个预定时间段的电解槽表面监控视频和多个预定时间点的的电流密度值，然后，将所述多个预定时间段的电解槽表面监控视频通过卷积神经网络模型后进行全局均值池化以得到表面特征向量，进一步地，将所述多个预定时间点的电流密度值排列为电流密度输入向量后通过多尺度邻域特征提取模块以得到多尺度电流密度特征向量，接着，将所述表面特征向量和所述多尺度电流密度特征向量进行融合并优化后通过分类器以得到分类结果，以自适应地判断电流密度增加或减小，以降低电解槽堵料的风险，实现了对电解槽状态的智能控制和风险判断，以提高生产效率和设备稳定性。
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电解槽智能控制系统的框图。
图2为根据本申请实施例的电解槽智能控制系统中监控视频编码模块的框图。
图3为根据本申请实施例的电解槽智能控制系统中时间注意力卷积编码单元的框图。
图4为根据本申请实施例的电解槽智能控制系统中电流密度编码模块的框图。
图5为根据本申请实施例的电解槽智能控制方法的流程图。
图6为根据本申请实施例的电解槽智能控制方法的架构示意图。
图7为根据本申请实施例的电子设备的框图。
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。
示例性系统
图1为根据本申请实施例的电解槽智能控制系统的框图。如图1所示，根据本申请实施例的电解槽智能控制系统100，包括：数据获取模块110，用于获取多个预定时间段的电解槽表面监控视频和多个预定时间点的的电流密度值；监控视频编码模块120，用于将所述多个预定时间段的电解槽表面监控视频通过使用时间注意力机制的卷积神经网络模型以得到表面特征图；特征降维模块130，用于对所述表面特征图的沿通道维度的各个特征矩阵进行全局均值池化处理以得到表面特征向量；电流密度编码模块140，用于将所述多个预定时间点的电流密度值排列为电流密度输入向量后通过多尺度邻域特征提取模块以得到多尺度电流密度特征向量；融合模块150，用于融合所述表面特征向量和所述多尺度电流密度特征向量以得到分类特征矩阵；优化模块160，用于对所述分类特征矩阵进行基于参数化特征的先验优化以得到优化分类特征矩阵；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，所述分类结果用于判断电流密度增加或减小。
在上述电解槽智能控制系统100中，所述数据获取模块110，用于获取多个预定时间段的电解槽表面监控视频和多个预定时间点的的电流密度值。应可以理解，电解槽的表面特征反映了电解过程中的物理和化学变化，例如金属表面的腐蚀、沉积等情况，而电流密度与电解过程中的反应速率和金属离子的析出或沉积有关，例如，电解槽中过高的电流密度可能会导致电解反应过程中的局部高温区域，这可能促使某些物质在该区域发生析出或沉积，导致堵料问题。通过综合考虑电解槽表面特征和电流密度，可以更全面地了解电解槽的堵料情况，从而实现对电解槽的智能控制。
在上述电解槽智能控制系统100中，所述监控视频编码模块120，用于将所述多个预定时间段的电解槽表面监控视频通过使用时间注意力机制的卷积神经网络模型以得到表面特征图。这里，相较于传统的视频分析技术，卷积神经网络模型已经证明在图像特征提取方面具有优异性能表现，其不仅拥有更强的特征提取能力，且不需要依赖于专家知识。具体地，在本申请的技术方案中，所述使用时间注意力机制的卷积神经网络模型对所述多个预定时间段的电解槽表面监控视频的编码过程，包括：首先对所述多个预定时间段的电解槽表面监控视频进行关键帧提取，例如，以预定采样频率从所述多个预定时间段的电解槽表面监控视频提取多个表面关键帧，这样处理的原因为电解槽表面监控视频中有诸多冗余信息，如果直接以电解槽表面监控视频作为神经网络的输入，不仅会带来额外的计算负载，而且冗余信息的干扰会降低特征提取的精准度。然后，将所述多个表面关键帧作为神经网络的输入进行表面动态特征提取。
图2为根据本申请实施例的电解槽智能控制系统中监控视频编码模块的框图。如图2所示，在本申请一个具体的实施例中，所述监控视频编码模块120，包括:采样单元121，用于以预定采样频率从所述多个预定时间段的电解槽表面监控视频提取多个表面关键帧；时间注意力卷积编码单元122，用于将所述多个表面关键帧输入所述使用时间注意力机制的卷积神经网络模型以得到所述表面特征图。
图3为根据本申请实施例的电解槽智能控制系统中时间注意力卷积编码单元的框图。如图3所示，在本申请一个具体的实施例中，所述时间注意力卷积编码单元122，包括：相邻帧提取子单元1221，用于从所述多个表面关键帧中提取相邻的第一表面关键帧和第二表面关键帧；第一卷积编码子单元1222，用于将所述第一表面关键帧所述第二表面关键帧分别通过所述卷积神经网络模型的第一卷积层和第二卷积层以得到第一卷积特征图和第二卷积特征图；时间注意力子单元1223，用于计算所述第一卷积特征图和所述第二卷积特征图之间的按位置点乘以得到时间注意力图；注意力激活子单元1224，用于将所述时间注意力图输入Softmax激活函数以得到时间注意力特征图；第二卷积编码子单元1225，用于将所述第二表面关键帧通过所述卷积神经网络模型的第三卷积层以得到第三卷积特征图；注意力施加子单元1226，用于计算所述第三卷积特征图和所述时间注意力特征图之间的按位置点乘以得到对应于所述第二表面关键帧的时间注意力特征图。
在上述电解槽智能控制系统100中，所述特征降维模块130，用于对所述表面特征图的沿通道维度的各个特征矩阵进行全局均值池化处理以得到表面特征向量。应可以理解，考虑到后续需要将表面特征向量和多尺度电流密度特征向量进行融合，而后续处理得到的多尺度电流密度特征向量是向量，而所述表面特征图是三维特征张量，两者在数据结构维度上存在异构性，因此，需要对所述表面特征图和所述多尺度电流密度特征向量进行维度统一。
在上述电解槽智能控制系统100中，所述电流密度编码模块140，用于将所述多个预定时间点的电流密度值排列为电流密度输入向量后通过多尺度邻域特征提取模块以得到多尺度电流密度特征向量。应可以理解，卷积神经网络最初是应用在图像领域中的模型，但其局部特征提取的思想同样可以应用到时序数据分析中，对于时序数据输入，卷积核以滑动窗口的形式沿时间维度移动，并输出每个时序片段内数据的加权和。每个卷积单元堆叠了多个卷积核从而输出多维特征，大卷积核会从大尺度时序邻域内提取特征，其中邻域内每项数值产生的影响更小，从而减弱输入数据的波动，减轻其中噪点对输出特征的影响，但大尺度卷积核减弱了数值变化的差异，容易导致平滑过度的问题，使得输出特征失去判别能力。与之相对的，小尺度卷积核能够较好地保留输入数据中的信息，但是也更容易受到其中噪点的干扰。考虑到不同尺度卷积的特点，组合使用不同大小的卷积单元提取不同时序尺度的特征。然后采用特征拼接的方式完成特征融合，从而得到多尺度邻域特征。通过这种方式，输出的特征既包含了平滑后的特征，也保存了原始输入的特征，也就是，使用具有多个一维卷积层的多尺度邻域特征提取模块对所述电流密度输入向量进行不同尺度的一维卷积编码以提取所述电流密度输入向量中不同时间跨度范围内的电流密度分布的高维隐含关联特征，这样可充分挖掘电流密度分布在时间序列上的高维隐含关联信息。
图4为根据本申请实施例的电解槽智能控制系统中电流密度编码模块的框图。如图4所示，在本申请一个具体的实施例中，所述电流密度编码模块140，包括：第一尺度邻域特征提取单元141，用于将所述电流密度输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度电流密度特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；第二尺度邻域特征提取单元142，用于将所述电流密度输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度电流密度特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；多尺度级联单元143，用于将所述第一邻域尺度电流密度特征向量和所述第二邻域尺度电流密度特征向量进行级联以得到所述多尺度电流密度特征向量。
在本申请一个具体的实施例中，所述第一尺度邻域特征提取单元141，包括：使用所述多尺度邻域特征提取模块的第一卷积层以如下第一提取公式对所述电流密度输入向量进行一维卷积编码以得到第一邻域尺度电流密度特征向量；
其中，所述第一提取公式为：,其中，a为第一卷积核在x方向上的宽度、/>为第一卷积核参数向量、/>为与卷积核函数运算的局部向量矩阵，w为第一卷积核的尺寸，X表示所述电流密度输入向量，/>表示对所述一维特征向量分别进行一维卷积编码。
在本申请一个具体的实施例中，所述第二尺度邻域特征提取单元142，包括：使用所述多尺度邻域特征提取模块的第二卷积层以如下第二提取公式对所述电流密度输入向量进行一维卷积编码以得到所述第二邻域尺度电流密度特征向量；
其中，所述第二提取公式为：,
其中，b为第二卷积核在x方向上的宽度、为第二卷积核参数向量、/>为与卷积核函数运算的局部向量矩阵，m为第二卷积核的尺寸，Y表示所述电流密度输入向量，表示对所述一维特征向量分别进行一维卷积编码。
在上述电解槽智能控制系统100中，所述融合模块150，用于融合所述表面特征向量和所述多尺度电流密度特征向量以得到分类特征矩阵。应可以理解，将表面特征向量和多尺度电流密度特征向量融合起来，可以综合考虑电解槽的表面特征和电流密度这两个重要变量，这样的融合可以帮助我们更全面地了解电解槽的堵料状态，并提供更丰富和准确的信息用于分类任务，而通过将两个特征向量组合成一个分类特征矩阵，可以将不同特征之间的关联性考虑在内，从而提高分类模型的性能和鲁棒性。
在本申请一个具体的实施例中，所述融合模块150，包括：使用联合编码器以如下 融合公式对所述表面特征向量和所述多尺度电流密度特征向量进行联合编码以生成所述 分类特征矩阵；其中，所述融合公式为：,其中表示向量相乘，表示所述分类 特征矩阵，表示所述表面特征向量，表示所述多尺度电流密度特征向量，表示所述 多尺度电流密度特征向量的转置。在上述电解槽智能控制系统100中，所述优化模块160，对 所述分类特征矩阵进行基于参数化特征的先验优化以得到优化分类特征矩阵。应可以理 解，在本申请的技术方案中，所述分类特征矩阵的特征分布满足预定先验分布，因此，可利 用先验知识来对所述分类特征矩阵进行特征分布约束和调制以去除所述分类特征矩阵中 的的冗余信息，以使得优化后的所述分类特征矩阵能够反映数据的真实分布，降低了噪声 和异常值的影响，提高了数据的质量和可信度，且所述优化后的分类特征矩阵更好地区分 不同类别的数据，增强了数据的判别能力和分类边界，提高了分类的精度和灵敏度。这样， 优化后的所述分类特征矩阵能够适应不同的分类任务和数据分布，增加分类特征矩阵的泛 化能力，提高分类鲁棒性。
具体地，在本申请的技术方案中，可将所述分类特征矩阵视为多个行向量的特征集合，而所述多个行向量满足高斯分布的先验分布，在利用所述先验分布知识来对所述分类特征矩阵进行特征分布约束和调制的过程中，关键在于确定所述分类特征矩阵的高斯密度图的均值向量和协方差矩阵。特别地，在本申请的技术方案中，为了充分利用所述分类特征矩阵的先验信息，计算所述多个分类特征行向量之间的按位置均值向量以得到参数化参考特征向量作为所述高斯密度图的均值向量，且计算所述多个分类特征行向量中任意两个分类特征行向量之间的余弦相似度以得到由多个余弦相似度组成的相似度矩阵作为所述高斯密度图的协方差矩阵，以此来构造所述分类特征矩阵的高斯密度图。进而，对所述高斯密度图中各个位置的高斯分布进行离散采样以得到所述优化分类特征矩阵。
在本申请一个具体的实施例中，所述优化模块160，包括：将所述分类特征矩阵沿着行向量方向进行切分以得到多个分类特征行向量；计算所述多个分类特征行向量之间的按位置均值向量以得到参数化参考特征向量；计算所述多个分类特征行向量中任意两个分类特征行向量之间的余弦相似度以得到由多个余弦相似度组成的相似度矩阵；以所述参数化参考特征向量作为均值向量和以所述相似度矩阵作为协方差矩阵，构造所述分类特征矩阵的高斯密度图；对所述高斯密度图中各个位置的高斯分布进行离散采样以得到所述优化分类特征矩阵。
在上述电解槽智能控制系统100中，所述分类模块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，所述分类结果用于判断电流密度增加或减小。
在本申请一个具体的实施例中，所述分类模块170，包括：使用所述分类器以如下分类公式对所述分类特征矩阵进行处理以获得所述分类结果；
其中，所述分类公式为：，其中表 示将所述优化分类特征矩阵为向量，为权重矩阵，表示偏置向量，表示归 一化指数函数，表示所述分类结果。
综上，本申请实施例首先获取多个预定时间段的电解槽表面监控视频和多个预定时间点的的电流密度值，然后，将所述多个预定时间段的电解槽表面监控视频通过卷积神经网络模型后进行全局均值池化以得到表面特征向量，进一步地，将所述多个预定时间点的电流密度值排列为电流密度输入向量后通过多尺度邻域特征提取模块以得到多尺度电流密度特征向量，接着，将所述表面特征向量和所述多尺度电流密度特征向量进行融合并优化后通过分类器以得到分类结果，以自适应地判断电流密度增加或减小，以降低电解槽堵料的风险，实现了对电解槽状态的智能控制和风险判断，以提高生产效率和设备稳定性。
如上所述，根据本申请实施例的所电解槽智能控制系统100可以实现在各种终端设备中，例如部署有电解槽智能控制算法的服务器等。在一个示例中，根据电解槽智能控制系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该电解槽智能控制系统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，该电解槽智能控制系统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，该电解槽智能控制系统100与该终端设备也可以是分立的设备，并且电解槽智能控制系统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。
示例性方法
图5为根据本申请实施例的电解槽智能控制方法的流程图。图6为根据本申请实施例的电解槽智能控制系统的架构图。如图5和图6所示，根据本申请实施例的电解槽智能控制方法，其包括：S110，获取多个预定时间段的电解槽表面监控视频和多个预定时间点的的电流密度值；S120，将所述多个预定时间段的电解槽表面监控视频通过使用时间注意力机制的卷积神经网络模型以得到表面特征图；S130，对所述表面特征图的沿通道维度的各个特征矩阵进行全局均值池化处理以得到表面特征向量；S140，将所述多个预定时间点的电流密度值排列为电流密度输入向量后通过多尺度邻域特征提取模块以得到多尺度电流密度特征向量；S150，融合所述表面特征向量和所述多尺度电流密度特征向量以得到分类特征矩阵；S160，对所述分类特征矩阵进行基于参数化特征的先验优化以得到优化分类特征矩阵；S170，将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于判断电流密度增加或减小。
这里，本领域技术人员可以理解，上述电解槽智能控制方法中的各个步骤的具体操作已经在上面参考图1至图4的电解槽智能控制系统的描述中得到了详细介绍，并因此，将省略其重复描述。
示例性电子设备
下面，参考图7来描述根据本申请实施例的电子设备。
图7图示了根据本申请实施例的电子设备的框图。
如图7所示，电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元（CPU）或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器（RAM）和/或高速缓冲存储器（cache）等。所述非易失性存储器例如可以包括只读存储器（ROM）、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的电解槽智能控制以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如多个预定时间段的电解槽表面监控视频和多个预定时间点的的电流密度值等各种内容。
在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构（未示出）互连。
该输入装置13可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息，包括判断电流密度增加或减小等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图7中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的电解槽智能控制方法的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的用于电解槽智能控制方法的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
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 (9)

1.一种电解槽智能控制系统，其特征在于，包括：
数据获取模块，用于获取多个预定时间段的电解槽表面监控视频和多个预定时间点的的电流密度值；
监控视频编码模块，用于将所述多个预定时间段的电解槽表面监控视频通过使用时间注意力机制的卷积神经网络模型以得到表面特征图；
特征降维模块，用于对所述表面特征图的沿通道维度的各个特征矩阵进行全局均值池化处理以得到表面特征向量；
电流密度编码模块，用于将所述多个预定时间点的电流密度值排列为电流密度输入向量后通过多尺度邻域特征提取模块以得到多尺度电流密度特征向量；
融合模块，用于融合所述表面特征向量和所述多尺度电流密度特征向量以得到分类特征矩阵；
优化模块，用于对所述分类特征矩阵进行基于参数化特征的先验优化以得到优化分类特征矩阵；
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，所述分类结果用于判断电流密度增加或减小；
其中，所述优化模块，包括：
将所述分类特征矩阵沿着行向量方向进行切分以得到多个分类特征行向量；
计算所述多个分类特征行向量之间的按位置均值向量以得到参数化参考特征向量；
计算所述多个分类特征行向量中任意两个分类特征行向量之间的余弦相似度以得到由多个余弦相似度组成的相似度矩阵；
以所述参数化参考特征向量作为均值向量和以所述相似度矩阵作为协方差矩阵，构造所述分类特征矩阵的高斯密度图；
对所述高斯密度图中各个位置的高斯分布进行离散采样以得到所述优化分类特征矩阵。
2.根据权利要求1所述的电解槽智能控制系统，其特征在于，所述监控视频编码模块，包括:
采样单元，用于以预定采样频率从所述多个预定时间段的电解槽表面监控视频提取多个表面关键帧；
时间注意力卷积编码单元，用于将所述多个表面关键帧输入所述使用时间注意力机制的卷积神经网络模型以得到所述表面特征图。
3.根据权利要求2所述的电解槽智能控制系统，其特征在于，所述时间注意力卷积编码单元，包括：
相邻帧提取子单元，用于从所述多个表面关键帧中提取相邻的第一表面关键帧和第二表面关键帧；
第一卷积编码子单元，用于将所述第一表面关键帧所述第二表面关键帧分别通过所述卷积神经网络模型的第一卷积层和第二卷积层以得到第一卷积特征图和第二卷积特征图；
时间注意力子单元，用于计算所述第一卷积特征图和所述第二卷积特征图之间的按位置点乘以得到时间注意力图；
注意力激活子单元，用于将所述时间注意力图输入Softmax激活函数以得到时间注意力特征图；
第二卷积编码子单元，用于将所述第二表面关键帧通过所述卷积神经网络模型的第三卷积层以得到第三卷积特征图；
注意力施加子单元，用于计算所述第三卷积特征图和所述时间注意力特征图之间的按位置点乘以得到对应于所述第二表面关键帧的时间注意力特征图。
4.根据权利要求3所述的电解槽智能控制系统，其特征在于，所述电流密度编码模块，包括：
第一尺度邻域特征提取单元，用于将所述电流密度输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度电流密度特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；
第二尺度邻域特征提取单元，用于将所述电流密度输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度电流密度特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；
多尺度级联单元，用于将所述第一邻域尺度电流密度特征向量和所述第二邻域尺度电流密度特征向量进行级联以得到所述多尺度电流密度特征向量。
5.根据权利要求4所述的电解槽智能控制系统，其特征在于，所述第一尺度邻域特征提取单元，包括：
使用所述多尺度邻域特征提取模块的第一卷积层以如下第一提取公式对所述电流密度输入向量进行一维卷积编码以得到第一邻域尺度电流密度特征向量；
其中，所述第一提取公式为：
，
其中，为第一卷积核在x方向上的宽度、/>为第一卷积核参数向量、/>为与卷积核函数运算的局部向量矩阵，w为第一卷积核的尺寸，X表示所述电流密度输入向量，表示对所述一维特征向量分别进行一维卷积编码。
6.根据权利要求5所述的电解槽智能控制系统，其特征在于，所述第二尺度邻域特征提取单元，包括：
使用所述多尺度邻域特征提取模块的第二卷积层以如下第二提取公式对所述电流密度输入向量进行一维卷积编码以得到所述第二邻域尺度电流密度特征向量；
其中，所述第二提取公式为：
，
其中，b为第二卷积核在x方向上的宽度、为第二卷积核参数向量、/>为与卷积核函数运算的局部向量矩阵，m为第二卷积核的尺寸，Y表示所述电流密度输入向量，表示对所述一维特征向量分别进行一维卷积编码。
7.根据权利要求6所述的电解槽智能控制系统，其特征在于，所述融合模块，包括：
使用联合编码器以如下融合公式对所述表面特征向量和所述多尺度电流密度特征向量进行联合编码以生成所述分类特征矩阵；
其中，所述融合公式为：
，
其中表示向量相乘，M表示所述分类特征矩阵，V1表示所述表面特征向量，V2表示所述多尺度电流密度特征向量，/>表示所述多尺度电流密度特征向量的转置。
8.根据权利要求7所述的电解槽智能控制系统，其特征在于，所述分类模块，包括：
使用所述分类器以如下分类公式对所述分类特征矩阵进行处理以获得所述分类结果；
其中，所述分类公式为：，其中表示将所述优化分类特征矩阵为向量，Wc为权重矩阵，Bc表示偏置向量，表示归一化指数函数，/>表示所述分类结果。
9.一种电解槽智能控制方法，其特征在于，包括：
获取多个预定时间段的电解槽表面监控视频和多个预定时间点的的电流密度值；
将所述多个预定时间段的电解槽表面监控视频通过使用时间注意力机制的卷积神经网络模型以得到表面特征图；
对所述表面特征图的沿通道维度的各个特征矩阵进行全局均值池化处理以得到表面特征向量；
将所述多个预定时间点的电流密度值排列为电流密度输入向量后通过多尺度邻域特征提取模块以得到多尺度电流密度特征向量；
融合所述表面特征向量和所述多尺度电流密度特征向量以得到分类特征矩阵；
对所述分类特征矩阵进行基于参数化特征的先验优化以得到优化分类特征矩阵；
将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于判断电流密度增加或减小；
其中，对所述分类特征矩阵进行基于参数化特征的先验优化以得到优化分类特征矩阵，包括：
将所述分类特征矩阵沿着行向量方向进行切分以得到多个分类特征行向量；
计算所述多个分类特征行向量之间的按位置均值向量以得到参数化参考特征向量；
计算所述多个分类特征行向量中任意两个分类特征行向量之间的余弦相似度以得到由多个余弦相似度组成的相似度矩阵；
以所述参数化参考特征向量作为均值向量和以所述相似度矩阵作为协方差矩阵，构造所述分类特征矩阵的高斯密度图；
对所述高斯密度图中各个位置的高斯分布进行离散采样以得到所述优化分类特征矩阵。
CN202311309591.6A 2023-10-11 2023-10-11 电解槽智能控制系统及其方法 Active CN117315585B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311309591.6A CN117315585B (zh) 2023-10-11 2023-10-11 电解槽智能控制系统及其方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311309591.6A CN117315585B (zh) 2023-10-11 2023-10-11 电解槽智能控制系统及其方法

Publications (2)

Publication Number Publication Date
CN117315585A CN117315585A (zh) 2023-12-29
CN117315585B true CN117315585B (zh) 2024-03-22

Family

ID=89249673

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311309591.6A Active CN117315585B (zh) 2023-10-11 2023-10-11 电解槽智能控制系统及其方法

Country Status (1)

Country Link
CN (1) CN117315585B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117669838B (zh) * 2024-01-31 2024-05-10 江西荧光磁业有限公司 钕铁硼磁铁生产的优化控制系统及方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107066559A (zh) * 2017-03-30 2017-08-18 天津大学 一种基于深度学习的三维模型检索方法
CN115647819A (zh) * 2022-09-20 2023-01-31 玉环仪表机床制造厂 车磨一体复合机及其控制方法
CN116127385A (zh) * 2023-03-06 2023-05-16 高州市石生源生物科技发展有限公司 一种香蕉粉及其制备方法
CN116680987A (zh) * 2023-06-15 2023-09-01 宁波同耀新材料科技有限公司 石墨坩埚的成型方法及其系统
CN116822577A (zh) * 2023-05-29 2023-09-29 国家计算机网络与信息安全管理中心 一种数据生成系统、方法、介质及设备
CN116825650A (zh) * 2023-03-07 2023-09-29 江西蓝微电子科技有限公司 一种铜银钯合金键合引线及其制备方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107066559A (zh) * 2017-03-30 2017-08-18 天津大学 一种基于深度学习的三维模型检索方法
CN115647819A (zh) * 2022-09-20 2023-01-31 玉环仪表机床制造厂 车磨一体复合机及其控制方法
CN116127385A (zh) * 2023-03-06 2023-05-16 高州市石生源生物科技发展有限公司 一种香蕉粉及其制备方法
CN116825650A (zh) * 2023-03-07 2023-09-29 江西蓝微电子科技有限公司 一种铜银钯合金键合引线及其制备方法
CN116822577A (zh) * 2023-05-29 2023-09-29 国家计算机网络与信息安全管理中心 一种数据生成系统、方法、介质及设备
CN116680987A (zh) * 2023-06-15 2023-09-01 宁波同耀新材料科技有限公司 石墨坩埚的成型方法及其系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
高维数据降维方法研究脉络及进展;刘翠霞 等;《统计学报》;20230831;11-21 *

Also Published As

Publication number Publication date
CN117315585A (zh) 2023-12-29

Similar Documents

Publication Publication Date Title
Wen et al. Stock market trend prediction using high-order information of time series
CN111797122B (zh) 高维重现概念漂移流数据的变化趋势预测方法及装置
CN114297936A (zh) 一种数据异常检测方法及装置
Guo et al. A feature fusion based forecasting model for financial time series
CN117315585B (zh) 电解槽智能控制系统及其方法
Yang et al. An incipient fault diagnosis methodology using local Mahalanobis distance: Detection process based on empirical probability density estimation
CN111177224B (zh) 一种基于条件式规整化流模型的时间序列无监督异常检测方法
CN117041017B (zh) 数据中心的智能运维管理方法及系统
CN114548592A (zh) 一种基于cemd和lstm的非平稳时间序列数据预测方法
CN115982235A (zh) 一种异常时序数据检测方法、设备及介质
CN116151845A (zh) 基于工业物联网技术的产品全生命周期管理系统及其方法
CN117154263A (zh) 锂电池梯次利用充放电系统及控制方法
CN115205788A (zh) 食材质量监控系统
Li et al. An adaptive prognostics method based on a new health index via data fusion and diffusion process
CN114898167A (zh) 基于视图间差异性检测的多视图子空间聚类方法及系统
Koskela Neural network methods in analysing and modelling time varying processes
Sun et al. A dynamic spatial distributed information clustering method for aluminum electrolysis cell
CN113487223A (zh) 一种基于信息融合的风险评估方法和评估系统
Pan et al. An inferential modeling method using enumerative PLS based nonnegative garrote regression
CN113688875B (zh) 工业系统故障识别方法及装置
CN115079660A (zh) 一种多工况过程故障监测与诊断方法
Shen et al. Long-term multivariate time series forecasting in data centers based on multi-factor separation evolutionary spatial–temporal graph neural networks
Zhao et al. Financial time series data prediction by combination model Adaboost-KNN-LSTM
CN112200254A (zh) 一种网络入侵检测模型生成方法、检测方法及电子设备
Jeong et al. Aerodynamic optimization design with Kriging model

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