CN117326557A - 一种反应烧结陶瓷结构件用碳化硅高纯微粉制备方法 - Google Patents
一种反应烧结陶瓷结构件用碳化硅高纯微粉制备方法 Download PDFInfo
- Publication number
- CN117326557A CN117326557A CN202311275708.3A CN202311275708A CN117326557A CN 117326557 A CN117326557 A CN 117326557A CN 202311275708 A CN202311275708 A CN 202311275708A CN 117326557 A CN117326557 A CN 117326557A
- Authority
- CN
- China
- Prior art keywords
- silicon carbide
- powder
- training
- granularity
- carbide powder
- 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
- HBMJWWWQQXIZIP-UHFFFAOYSA-N silicon carbide Chemical compound [Si+]#[C-] HBMJWWWQQXIZIP-UHFFFAOYSA-N 0.000 title claims abstract description 184
- 229910010271 silicon carbide Inorganic materials 0.000 title claims abstract description 62
- 239000000919 ceramic Substances 0.000 title claims abstract description 51
- 238000002360 preparation method Methods 0.000 title claims abstract description 25
- 238000005245 sintering Methods 0.000 title claims abstract description 25
- 238000006243 chemical reaction Methods 0.000 title claims abstract description 20
- 239000000843 powder Substances 0.000 title claims description 61
- 238000000034 method Methods 0.000 claims abstract description 76
- 238000000498 ball milling Methods 0.000 claims abstract description 65
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims abstract description 31
- 239000000463 material Substances 0.000 claims abstract description 30
- 239000002994 raw material Substances 0.000 claims abstract description 14
- 238000005406 washing Methods 0.000 claims abstract description 14
- 229910052799 carbon Inorganic materials 0.000 claims abstract description 13
- 229910002804 graphite Inorganic materials 0.000 claims abstract description 12
- 239000010439 graphite Substances 0.000 claims abstract description 12
- 238000002156 mixing Methods 0.000 claims abstract description 8
- 238000006722 reduction reaction Methods 0.000 claims abstract description 8
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 claims abstract description 7
- 239000002253 acid Substances 0.000 claims abstract description 7
- 238000001816 cooling Methods 0.000 claims abstract description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 7
- 229920000742 Cotton Polymers 0.000 claims abstract description 6
- 239000011863 silicon-based powder Substances 0.000 claims abstract description 6
- 239000006185 dispersion Substances 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 88
- 239000013598 vector Substances 0.000 claims description 85
- 239000002245 particle Substances 0.000 claims description 51
- 230000008859 change Effects 0.000 claims description 39
- 230000008569 process Effects 0.000 claims description 33
- 238000012546 transfer Methods 0.000 claims description 28
- 239000011159 matrix material Substances 0.000 claims description 27
- 238000004519 manufacturing process Methods 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 10
- 238000001354 calcination Methods 0.000 claims description 6
- 238000004806 packaging method and process Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 14
- 238000012545 processing Methods 0.000 description 9
- 238000009826 distribution Methods 0.000 description 8
- 239000011858 nanopowder Substances 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 229910010293 ceramic material Inorganic materials 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 238000003980 solgel method Methods 0.000 description 4
- 239000013078 crystal Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000001308 synthesis method Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 239000003575 carbonaceous material Substances 0.000 description 2
- 238000005229 chemical vapour deposition Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010130 dispersion processing Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000002513 implantation Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000010532 solid phase synthesis reaction Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 239000012808 vapor phase Substances 0.000 description 1
Classifications
-
- C—CHEMISTRY; METALLURGY
- C01—INORGANIC CHEMISTRY
- C01B—NON-METALLIC ELEMENTS; COMPOUNDS THEREOF; METALLOIDS OR COMPOUNDS THEREOF NOT COVERED BY SUBCLASS C01C
- C01B32/00—Carbon; Compounds thereof
- C01B32/90—Carbides
- C01B32/914—Carbides of single elements
- C01B32/956—Silicon carbide
- C01B32/963—Preparation from compounds containing silicon
- C01B32/984—Preparation from elemental silicon
-
- C—CHEMISTRY; METALLURGY
- C04—CEMENTS; CONCRETE; ARTIFICIAL STONE; CERAMICS; REFRACTORIES
- C04B—LIME, MAGNESIA; SLAG; CEMENTS; COMPOSITIONS THEREOF, e.g. MORTARS, CONCRETE OR LIKE BUILDING MATERIALS; ARTIFICIAL STONE; CERAMICS; REFRACTORIES; TREATMENT OF NATURAL STONE
- C04B35/00—Shaped ceramic products characterised by their composition; Ceramics compositions; Processing powders of inorganic compounds preparatory to the manufacturing of ceramic products
- C04B35/515—Shaped ceramic products characterised by their composition; Ceramics compositions; Processing powders of inorganic compounds preparatory to the manufacturing of ceramic products based on non-oxide ceramics
- C04B35/56—Shaped ceramic products characterised by their composition; Ceramics compositions; Processing powders of inorganic compounds preparatory to the manufacturing of ceramic products based on non-oxide ceramics based on carbides or oxycarbides
- C04B35/565—Shaped ceramic products characterised by their composition; Ceramics compositions; Processing powders of inorganic compounds preparatory to the manufacturing of ceramic products based on non-oxide ceramics based on carbides or oxycarbides based on silicon carbide
-
- C—CHEMISTRY; METALLURGY
- C01—INORGANIC CHEMISTRY
- C01P—INDEXING SCHEME RELATING TO STRUCTURAL AND PHYSICAL ASPECTS OF SOLID INORGANIC COMPOUNDS
- C01P2006/00—Physical properties of inorganic compounds
- C01P2006/80—Compositional purity
Landscapes
- Chemical & Material Sciences (AREA)
- Organic Chemistry (AREA)
- Engineering & Computer Science (AREA)
- Ceramic Engineering (AREA)
- Inorganic Chemistry (AREA)
- Manufacturing & Machinery (AREA)
- Materials Engineering (AREA)
- Structural Engineering (AREA)
- Carbon And Carbon Compounds (AREA)
Abstract
公开了一种反应烧结陶瓷结构件用碳化硅高纯微粉制备方法。其首先将硅粉与可膨胀石墨进行配料，并混合均匀以得到混合原料，接着，将所述混合原料放入坩埚中，并通过石墨纸、耐火棉、石墨粉组成的覆盖层进行埋碳封装以得到埋碳后物料，然后，将所述埋碳后物料放入高温烧结炉中进行碳热还原反应以得到反应后物料，接着，将所述反应后物料进行冷却后取出，并去除所述覆盖层以得到碳化硅粉体，然后，将所述碳化硅粉体放入马弗炉中进行煅烧以得到煅烧后碳化硅粉体，接着，将所述煅烧后碳化硅粉体进行球磨处理后再进行分散处理以得到分散后碳化硅粉体，最后，将所述分散后碳化硅粉体经酸洗、水洗后得到碳化硅高纯微粉。这样，可以使制备工艺更简捷。
Description
技术领域
本申请涉及智能化制备领域，且更为具体地，涉及一种反应烧结陶瓷结构件用碳化硅高纯微粉制备方法。
背景技术
烧结陶瓷结构件是一种具有高温、高硬度、耐腐蚀等优异性能的材料，广泛应用于先进结构陶瓷和功能陶瓷领域。碳化硅(SiC)是一种重要的陶瓷材料，具有优异的高温力学性能、化学稳定性和良好的热导性能，因此在烧结陶瓷结构件的制备中得到广泛应用。
β型碳化硅微纳粉体具有很好的烧结性能，其是制备碳化硅陶瓷的重要原料之一，在先进结构陶瓷、功能陶瓷等领域有着非常广阔的应用前景。SiC粉体的纯度、粒度和晶型等对生长SiC单晶质量及陶瓷烧结性能都有重要影响。因此，开发高产率高纯度β型碳化硅微纳粉体的制备技术对高性能碳化硅陶瓷及晶体的制备有着重要意义。
目前，β型碳化硅微纳粉体的制备方法主要有自蔓延合成法、溶胶凝胶法、化学气相沉积、激光法、等离子法和固相合成法等。自蔓延合成法是一种常用的制备β型碳化硅微纳粉体的方法，该方法通过在高温下使碳源与硅源反应生成碳化硅粉体。自蔓延合成法具有原料成本低、工序相对简单等优点，但会引入杂质，影响粉体的纯度，并且工艺难以控制，容易造成反应的不均匀性。溶胶凝胶法是另一种常用的制备β型碳化硅微纳粉体的方法，该方法通过溶胶凝胶过程和碳热还原反应得到碳化硅粉体。溶胶凝胶法制备的粉体纯度较高，但由于氧含量较高，成本较高。激光法、等离子法等方法可以制备纳米级和亚微米级的碳化硅粉末，但设备要求高，产量低，成本较高。化学气相沉积法是一种通过化学反应在气相中沉积碳化硅粉体的方法，该方法成本高，产量低，具有一定的技术难度。
因此，期望一种优化的反应烧结陶瓷结构件用碳化硅高纯微粉制备方案。
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反应烧结陶瓷结构件用碳化硅高纯微粉制备方法。其可以使得制备工艺更加简捷，粉体粒径大小可控，且粉体产率高、纯度高。
根据本申请的一个方面，提供了一种反应烧结陶瓷结构件用碳化硅高纯微粉制备方法，其包括：
将硅粉与可膨胀石墨进行配料，并混合均匀以得到混合原料；
将所述混合原料放入坩埚中，并通过石墨纸、耐火棉、石墨粉组成的覆盖层进行埋碳封装以得到埋碳后物料；
将所述埋碳后物料放入高温烧结炉中进行碳热还原反应以得到反应后物料；
将所述反应后物料进行冷却后取出，并去除所述覆盖层以得到碳化硅粉体；
将所述碳化硅粉体放入马弗炉中进行煅烧以得到煅烧后碳化硅粉体；
将所述煅烧后碳化硅粉体进行球磨处理后再进行分散处理以得到分散后碳化硅粉体；以及
将所述分散后碳化硅粉体经酸洗、水洗后得到碳化硅高纯微粉。
与现有技术相比，本申请提供的反应烧结陶瓷结构件用碳化硅高纯微粉制备方法，其首先将硅粉与可膨胀石墨进行配料，并混合均匀以得到混合原料，接着，将所述混合原料放入坩埚中，并通过石墨纸、耐火棉、石墨粉组成的覆盖层进行埋碳封装以得到埋碳后物料，然后，将所述埋碳后物料放入高温烧结炉中进行碳热还原反应以得到反应后物料，接着，将所述反应后物料进行冷却后取出，并去除所述覆盖层以得到碳化硅粉体，然后，将所述碳化硅粉体放入马弗炉中进行煅烧以得到煅烧后碳化硅粉体，接着，将所述煅烧后碳化硅粉体进行球磨处理后再进行分散处理以得到分散后碳化硅粉体，最后，将所述分散后碳化硅粉体经酸洗、水洗后得到碳化硅高纯微粉。这样，可以使制备工艺更简捷。
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，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反应烧结陶瓷结构件用碳化硅高纯微粉制备方法的流程图。
图2为根据本申请实施例的反应烧结陶瓷结构件用碳化硅高纯微粉制备方法的子步骤S160的流程图。
图3为根据本申请实施例的反应烧结陶瓷结构件用碳化硅高纯微粉制备方法的子步骤S160的架构示意图。
图4为根据本申请实施例的反应烧结陶瓷结构件用碳化硅高纯微粉制备方法的子步骤S162的流程图。
图5为根据本申请实施例的反应烧结陶瓷结构件用碳化硅高纯微粉制备系统的框图。
图6为根据本申请实施例的反应烧结陶瓷结构件用碳化硅高纯微粉制备方法的应用场景图。
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。
图1为根据本申请实施例的反应烧结陶瓷结构件用碳化硅高纯微粉制备方法的流程图。如图1所示，根据本申请实施例的反应烧结陶瓷结构件用碳化硅高纯微粉制备方法，包括步骤：S110，将硅粉与可膨胀石墨进行配料，并混合均匀以得到混合原料；S120，将所述混合原料放入坩埚中，并通过石墨纸、耐火棉、石墨粉组成的覆盖层进行埋碳封装以得到埋碳后物料；S130，将所述埋碳后物料放入高温烧结炉中进行碳热还原反应以得到反应后物料；S140，将所述反应后物料进行冷却后取出，并去除所述覆盖层以得到碳化硅粉体；S150，将所述碳化硅粉体放入马弗炉中进行煅烧以得到煅烧后碳化硅粉体；S160，将所述煅烧后碳化硅粉体进行球磨处理后再进行分散处理以得到分散后碳化硅粉体；以及，S170，将所述分散后碳化硅粉体经酸洗、水洗后得到碳化硅高纯微粉。
针对上述技术问题，在本申请的技术方案中，提出了一种反应烧结陶瓷结构件用碳化硅高纯微粉制备方法，其通过碳化硅气固反应热力学计算以及埋碳烧结工艺设计，经进一步球磨提纯等工艺制备出β型碳化硅微纳粉体，以使得制备工艺更加简捷，粉体粒径大小可控，且粉体产率高、纯度高。
相应地，考虑到在实际进行β型碳化硅微纳粉体的制备过程中，对于球磨过程进行监测尤为重要，这是由于通过球磨过程，可以将初始的煅烧后碳化硅粉体颗粒进行细化，使其达到所需的目标粒度。粒度的控制对于最终制备的陶瓷材料的性能具有重要影响。因此，对球磨过程进行监测可以及时了解粉体的粒度变化情况，以便调整球磨条件，确保得到所需的粒度分布，并且能够提高制备过程的效率和产率。
基于此，本申请的技术构思为在球磨过程中，通过摄像头实时采集所述煅烧后碳化硅粉体的图像，并在后端引入图像处理和分析算法来进行该碳化硅粉体图像的分析，以此来对于球磨过程进行监测，并判断何时停止球磨，通过这样的方式，能够提高碳化硅粉体球磨的质量和效率，确保得到所需的粒度分布，保证陶瓷材料的性能。
图2为根据本申请实施例的反应烧结陶瓷结构件用碳化硅高纯微粉制备方法的子步骤S160的流程图。图3为根据本申请实施例的反应烧结陶瓷结构件用碳化硅高纯微粉制备方法的子步骤S160的架构示意图。如图2和图3所示，根据本申请实施例的反应烧结陶瓷结构件用碳化硅高纯微粉制备方法，将所述煅烧后碳化硅粉体进行球磨处理后再进行分散处理以得到分散后碳化硅粉体，包括步骤：S161，通过摄像头采集球磨过程中多个预定时间点的碳化硅粉体图像；S162，对所述多个预定时间点的碳化硅粉体图像进行特征分析以得到粉体粒度变化时序特征；以及，S163，基于所述粉体粒度变化时序特征，确定是否停止球磨。应可以理解，步骤S161的目的是获取球磨过程中不同时间点的碳化硅粉体图像，以便后续的特征分析和处理。在步骤S162中，通过分析图像中的粉体粒度特征，可以了解碳化硅粉体在球磨过程中的粒度变化趋势，这些时序特征可以用于评估球磨的效果、优化球磨参数以及预测碳化硅粉体的最终粒度。在步骤S163中，通过分析粉体粒度的变化趋势，可以判断球磨过程是否已经达到了预期的粒度要求，如果粒度已经达到要求，可以停止球磨过程，否则可以继续球磨以进一步细化粉体的粒度。综合来看，步骤S161用于获取球磨过程中的碳化硅粉体图像，S162用于分析图像以得到粉体粒度的时序特征，S163则基于这些特征来决定球磨是否停止。这些步骤的组合可以帮助优化球磨过程，控制碳化硅粉体的粒度，并提高生产效率和产品质量。
具体地，在本申请的技术方案中，首先，获取由摄像头采集的球磨过程中多个预定时间点的碳化硅粉体图像。接着，使用在图像的隐含特征提取方面具有优异表现的卷积神经网络模型来分别进行所述多个预定时间点的碳化硅粉体图像的特征挖掘，但是由于卷积运算的固有局限性，纯CNN的方法很难学习明确的全局和远程语义信息交互。因此，为了能够进一步提高对于所述各个预定时间点的碳化硅粉体图像特征分析的充分性和准确性，从而对于球磨过程进行更为准确地控制，在本申请的技术方案中，需要将所述多个预定时间点的碳化硅粉体图像通过基于ViT模型的碳化硅粉体粒度特征提取器中进行特征挖掘，以分别提取出每个所述预定时间点的碳化硅粉体图像中有关于粉体球磨粒度的隐含局部上下文语义关联特征信息，从而得到多个碳化硅粉体粒度特征向量。
然后，在对于每个预定时间点下的所述碳化硅粉体图像进行特征分析后，考虑到由于所述碳化硅粉体的球磨粒度在时间维度上是不断变化的，也就是说，所述各个预定时间点的碳化硅粉体图像中关于碳化硅粉体的球磨特征信息在时间维度上具有着时序的关联关系。因此，为了能够对于粉体的粒度时序变化进行充分地分析和特征刻画，在本申请的技术方案中，进一步计算所述多个碳化硅粉体粒度特征向量中每相邻两个碳化硅粉体粒度特征向量之间的粒度特征时序转移矩阵，并分别计算所述粒度特征时序转移矩阵的全局均值以得到由多个粒度特征时序转移特征值组成的粒度变化时序特征向量。应可以理解，通过计算每相邻两个所述碳化硅粉体粒度特征向量之间的粒度特征时序转移矩阵，能够捕捉并刻画出球磨过程中关于碳化硅粉体的粒度时序转移变化特征信息，从而有利于对于球磨过程进行更为精准地监测和控制。
相应地，如图4所示，对所述多个预定时间点的碳化硅粉体图像进行特征分析以得到粉体粒度变化时序特征，包括：S1621，将所述多个预定时间点的碳化硅粉体图像通过基于ViT模型的碳化硅粉体粒度特征提取器以得到多个碳化硅粉体粒度特征向量；以及，S1622，计算所述多个碳化硅粉体粒度特征向量中每相邻两个碳化硅粉体粒度特征向量之间的粒度特征时序转移矩阵，并分别计算所述粒度特征时序转移矩阵的全局均值以得到由多个粒度特征时序转移特征值组成的粒度变化时序特征向量作为所述粉体粒度变化时序特征。应可以理解，S1621步骤的目的是通过基于ViT模型的碳化硅粉体粒度特征提取器，从多个预定时间点的碳化硅粉体图像中提取出多个碳化硅粉体粒度特征向量，这一步骤的作用是将图像数据转换为特征向量表示，以便后续的分析和处理。S1622步骤的目的是计算多个碳化硅粉体粒度特征向量中每相邻两个特征向量之间的粒度特征时序转移矩阵，并计算这些转移矩阵的全局均值，这一步骤的作用是从粒度特征的时序变化中提取出特征值，用于表示粉体粒度的变化趋势。通过计算时序转移矩阵的全局均值，可以得到一个综合的特征向量，其中包含了多个粒度特征时序转移特征值，用于描述粉体粒度的变化特征。综合来看，S1621步骤将图像数据转换为特征向量，而S1622步骤则从特征向量中提取出粉体粒度的时序变化特征，通过计算时序转移矩阵的全局均值得到一个综合的特征向量。这些特征向量可以用于进一步的分析、建模和预测，以了解碳化硅粉体的粒度变化趋势。
值得一提的是，ViT(Vision Transformer)模型是一种基于Transformer架构的图像处理模型。传统的卷积神经网络(CNN)在图像处理任务中取得了巨大成功，但它们在处理长程依赖性和全局上下文信息时存在一定的局限性。ViT模型通过引入Transformer的自注意力机制，使得模型可以在不依赖卷积操作的情况下对图像进行处理。ViT模型将输入的图像分割成一系列的图像块(patches)，并将每个图像块转换为一个向量表示。这些向量表示作为输入序列传递给Transformer编码器，其中自注意力机制用于建模图像块之间的关系。Transformer编码器将图像块的向量表示进行编码和整合，最终生成一个全局的图像表示。通过使用Transformer的自注意力机制，ViT模型能够捕捉到图像中不同区域之间的关系和上下文信息，从而实现对图像的全局理解。ViT模型在图像分类、目标检测、图像生成等任务上取得了很好的效果，并且在一些数据集上超越了传统的CNN模型。它为图像处理领域带来了新的思路和方法。
继而，再将所述粒度变化时序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是否停止球磨。也就是说，利用球磨过程中的有关于碳化硅粉体的粒度时序转移变化特征信息来进行分类处理，从而对于球磨过程进行监测，并更为准确地判断何时停止球磨，通过这样的方式，能够提高碳化硅粉体球磨的质量和效率，确保得到所需的粒度分布，保证陶瓷材料的性能。
相应地，在步骤S163中，基于所述粉体粒度变化时序特征，确定是否停止球磨，包括：将所述粒度变化时序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是否停止球磨。
更具体地，将所述粒度变化时序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是否停止球磨，包括：使用所述分类器的全连接层对所述粒度变化时序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。
也就是，在本公开的技术方案中，所述分类器的标签包括停止球磨(第一标签)，以及，不停止球磨(第二标签)，其中，所述分类器通过软最大值函数来确定所述粒度变化时序特征向量属于哪个分类标签。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“是否停止球磨”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，是否停止球磨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“是否停止球磨”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。
值得一提的是，全连接编码(Fully Connected Encoding)是指将输入向量通过一个全连接层进行编码的过程。全连接层是神经网络中的一种常见层类型，其中每个神经元与前一层的所有神经元相连接。在全连接层中，每个输入特征都与权重相乘，然后通过激活函数进行非线性变换，得到编码后的特征表示。在上述描述中，粒度变化时序特征向量通过全连接编码来得到编码分类特征向量。这意味着将时序特征向量输入到一个全连接层中，其中每个神经元都与时序特征向量中的每个维度相连接。每个连接都具有一个权重，用于将时序特征向量的每个维度与对应的神经元进行线性组合。然后，通过激活函数对线性组合的结果进行非线性变换，得到编码分类特征向量。全连接编码的目的是对时序特征向量进行特征提取和编码，以获得更具有代表性和区分性的特征表示。这些编码后的特征向量可以更好地用于分类任务，如使用Softmax分类函数来判断是否停止球磨。全连接编码在深度学习中被广泛应用于特征提取和表示学习的任务中，可以帮助提高模型的性能和泛化能力。
进一步地，在本申请的技术方案中，所述的反应烧结陶瓷结构件用碳化硅高纯微粉制备方法，其还包括训练步骤：用于对所述基于ViT模型的碳化硅粉体粒度特征提取器和所述分类器进行训练。
应可以理解，训练步骤在基于ViT模型的碳化硅粉体粒度特征提取器和分类器中起到关键作用，其目的是通过大量的训练数据来优化模型的参数，使其能够更准确地提取粒度特征并进行分类。
具体来说，训练步骤的作用如下：1.特征提取器训练：通过训练步骤，可以使用大量的标注数据来训练基于ViT模型的碳化硅粉体粒度特征提取器。这使得特征提取器能够学习到对粒度特征具有较好判别能力的表示。通过训练，特征提取器可以学习到如何从输入的碳化硅粉体图像中提取出与粒度变化相关的特征表示。2.分类器训练：训练步骤还包括对分类器进行训练。分类器的作用是将从特征提取器获得的特征向量映射到不同类别的分类结果。通过训练，分类器可以学习到如何根据特征向量中的信息对碳化硅粉体进行分类，例如判断是否停止球磨。通过训练步骤，模型可以通过大量的训练数据进行优化，从而提高特征提取器和分类器的性能。训练步骤可以帮助模型学习到更具有区分性的特征表示，并且能够更准确地对碳化硅粉体进行分类。这样，在实际应用中，模型就可以更可靠地进行粒度特征分析和停止球磨的判断。
更具体地，所述训练步骤，包括：获取训练数据，所述训练数据包括球磨过程中多个预定时间点的训练碳化硅粉体图像；将所述多个预定时间点的训练碳化硅粉体图像通过所述基于ViT模型的碳化硅粉体粒度特征提取器以得到多个训练碳化硅粉体粒度特征向量；计算所述多个训练碳化硅粉体粒度特征向量中每相邻两个训练碳化硅粉体粒度特征向量之间的训练粒度特征时序转移矩阵，并分别计算所述训练粒度特征时序转移矩阵的全局均值以得到由多个训练粒度特征时序转移特征值组成的训练粒度变化时序特征向量；将所述训练粒度变化时序特征向量通过所述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ViT模型的碳化硅粉体粒度特征提取器和所述分类器进行训练，其中，在所述训练的每次迭代时，对所述训练粒度变化时序特征向量进行权重空间迭代递归的定向提议化优化。
在一个示例中，将所述训练粒度变化时序特征向量通过所述分类器以得到分类损失函数值，包括：所述分类器以如下分类损失公式对所述训练粒度变化时序特征向量进行处理以得到训练分类结果，所述分类损失公式为：softmax{(Wn,Bn):…:(W1,B1)│X}，其中，W1到Wn为权重矩阵，B1到Bn为偏置向量，X为所述训练粒度变化时序特征向量；以及，计算所述训练分类结果与真实值之间的交叉熵值作为所述分类损失函数值。
特别地，在本申请的技术方案中，每个训练碳化硅粉体粒度特征向量表达训练碳化硅粉体图像的局部图像邻域关联的图像语义特征，由此，计算所述多个训练碳化硅粉体粒度特征向量中每相邻两个训练碳化硅粉体粒度特征向量之间的训练粒度特征时序转移矩阵，可以获得相邻局部时域下的时序相关的图像语义特征的训练粒度特征时序转移矩阵，由此，每个训练粒度特征时序转移矩阵包含跨时序-空间维度下的图像语义特征表示，这样，在进一步计算所述训练粒度特征时序转移矩阵的全局均值以得到由多个训练粒度特征时序转移特征值组成的粒度变化时序特征向量后，所述训练粒度变化时序特征向量会具有在跨时序-空间维度下的不同时空特征分布尺度的表达，在提升所述训练粒度变化时序特征向量在时序方向下的结合图像空间语义的表达效果的同时，也会使得在通过分类器进行分类时，所述分类器的权重矩阵相对于预定类标签的收敛困难，影响分类器的训练效果。
因此，本申请的申请人在将所述训练粒度变化时序特征向量通过分类器进行分类时，在每个迭代时，对所述训练粒度变化时序特征向量进行权重空间迭代递归的定向提议化优化。
相应地，在一个具体示例中，在所述训练的每次迭代时，以如下优化公式对所述训练粒度变化时序特征向量进行权重空间迭代递归的定向提议化优化以得到优化训练粒度变化时序特征向量；其中，所述优化公式为：
其中，M1和M2分别是上次和本次迭代的权重矩阵，其中在首次迭代时，采用不同的初始化策略设置M1和M2，(例如，M1设置为单位矩阵而M2设置为待分类特征向量的均值对角矩阵)，Vc是所述训练粒度变化时序特征向量，表示矩阵乘法，⊙表示按位置点乘，/>表示矩阵加法，exp(·)表示向量的指数运算，所述向量的指数运算表示计算以向量中的各个位置的特征值为幂的自然指数函数值，/>表示所述优化训练粒度变化时序特征向量。
这里，所述权重空间迭代递归的定向提议化优化可以通过将初始的待分类的所述训练粒度变化时序特征向量Vc作为锚点，来在权重空间内基于权重矩阵迭代的对应于所述训练粒度变化时序特征向量Vc的不同时空变换方向获得不同时空特征分布尺度下的锚点足迹(anchor footprint)，以作为在权重空间迭代递归的定向提议(oriented proposal)，从而基于预测提议地提升权重矩阵收敛的类置信度和局部精确性，以提升分类器的训练效果。这样，能够对于碳化硅粉体的球磨过程进行自动化监测和控制，以提高碳化硅粉体球磨的质量和效率，从而确保得到所需的粒度分布，保证陶瓷材料的性能。
综上，基于本申请实施例的反应烧结陶瓷结构件用碳化硅高纯微粉制备方法被阐明，其可以提高碳化硅粉体球磨的质量和效率，确保得到所需的粒度分布，保证陶瓷材料的性能。
图5为根据本申请实施例的反应烧结陶瓷结构件用碳化硅高纯微粉制备系统100的框图。如图5所示，根据本申请实施例的反应烧结陶瓷结构件用碳化硅高纯微粉制备系统100，包括：均匀混合模块110，用于将硅粉与可膨胀石墨进行配料，并混合均匀以得到混合原料；埋碳封装模块120，用于将所述混合原料放入坩埚中，并通过石墨纸、耐火棉、石墨粉组成的覆盖层进行埋碳封装以得到埋碳后物料；碳热还原模块130，用于将所述埋碳后物料放入高温烧结炉中进行碳热还原反应以得到反应后物料；冷却模块140，用于将所述反应后物料进行冷却后取出，并去除所述覆盖层以得到碳化硅粉体；煅烧模块150，用于将所述碳化硅粉体放入马弗炉中进行煅烧以得到煅烧后碳化硅粉体；球磨和分散处理模块160，用于将所述煅烧后碳化硅粉体进行球磨处理后再进行分散处理以得到分散后碳化硅粉体；以及，酸洗和水洗模块170，用于将所述分散后碳化硅粉体经酸洗、水洗后得到碳化硅高纯微粉。
在一个示例中，在上述反应烧结陶瓷结构件用碳化硅高纯微粉制备系统100中，所述球磨和分散处理模块160，包括：图像采集单元，用于通过摄像头采集球磨过程中多个预定时间点的碳化硅粉体图像；特征分析单元，用于对所述多个预定时间点的碳化硅粉体图像进行特征分析以得到粉体粒度变化时序特征；以及，控制单元，用于基于所述粉体粒度变化时序特征，确定是否停止球磨。
这里，本领域技术人员可以理解，上述反应烧结陶瓷结构件用碳化硅高纯微粉制备系统100中的各个模块的具体功能和操作已经在上面参考图1到图4的反应烧结陶瓷结构件用碳化硅高纯微粉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反应烧结陶瓷结构件用碳化硅高纯微粉制备系统100可以实现在各种无线终端中，例如具有反应烧结陶瓷结构件用碳化硅高纯微粉制备算法的服务器等。在一个示例中，根据本申请实施例的反应烧结陶瓷结构件用碳化硅高纯微粉制备系统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，该反应烧结陶瓷结构件用碳化硅高纯微粉制备系统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，该反应烧结陶瓷结构件用碳化硅高纯微粉制备系统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，该反应烧结陶瓷结构件用碳化硅高纯微粉制备系统100与该无线终端也可以是分立的设备，并且该反应烧结陶瓷结构件用碳化硅高纯微粉制备系统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6为根据本申请实施例的反应烧结陶瓷结构件用碳化硅高纯微粉制备方法的应用场景图。如图6所示，在该应用场景中，首先，获取球磨过程中多个预定时间点的碳化硅粉体图像(例如，图6中所示意的D)，然后，将所述多个预定时间点的碳化硅粉体图像输入至部署有反应烧结陶瓷结构件用碳化硅高纯微粉制备算法的服务器中(例如，图6中所示意的S)，其中，所述服务器能够使用所述反应烧结陶瓷结构件用碳化硅高纯微粉制备算法对所述多个预定时间点的碳化硅粉体图像进行处理以得到用于表示是否停止球磨的分类结果。
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 (8)
1.一种反应烧结陶瓷结构件用碳化硅高纯微粉制备方法，其特征在于，包括：
将硅粉与可膨胀石墨进行配料，并混合均匀以得到混合原料；
将所述混合原料放入坩埚中，并通过石墨纸、耐火棉、石墨粉组成的覆盖层进行埋碳封装以得到埋碳后物料；
将所述埋碳后物料放入高温烧结炉中进行碳热还原反应以得到反应后物料；
将所述反应后物料进行冷却后取出，并去除所述覆盖层以得到碳化硅粉体；
将所述碳化硅粉体放入马弗炉中进行煅烧以得到煅烧后碳化硅粉体；
将所述煅烧后碳化硅粉体进行球磨处理后再进行分散处理以得到分散后碳化硅粉体；以及
将所述分散后碳化硅粉体经酸洗、水洗后得到碳化硅高纯微粉。
2.根据权利要求1所述的反应烧结陶瓷结构件用碳化硅高纯微粉制备方法，其特征在于，将所述煅烧后碳化硅粉体进行球磨处理后再进行分散处理以得到分散后碳化硅粉体，包括：
通过摄像头采集球磨过程中多个预定时间点的碳化硅粉体图像；
对所述多个预定时间点的碳化硅粉体图像进行特征分析以得到粉体粒度变化时序特征；以及
基于所述粉体粒度变化时序特征，确定是否停止球磨。
3.根据权利要求2所述的反应烧结陶瓷结构件用碳化硅高纯微粉制备方法，其特征在于，对所述多个预定时间点的碳化硅粉体图像进行特征分析以得到粉体粒度变化时序特征，包括：
将所述多个预定时间点的碳化硅粉体图像通过基于ViT模型的碳化硅粉体粒度特征提取器以得到多个碳化硅粉体粒度特征向量；以及
计算所述多个碳化硅粉体粒度特征向量中每相邻两个碳化硅粉体粒度特征向量之间的粒度特征时序转移矩阵，并分别计算所述粒度特征时序转移矩阵的全局均值以得到由多个粒度特征时序转移特征值组成的粒度变化时序特征向量作为所述粉体粒度变化时序特征。
4.根据权利要求3所述的反应烧结陶瓷结构件用碳化硅高纯微粉制备方法，其特征在于，基于所述粉体粒度变化时序特征，确定是否停止球磨，包括：
将所述粒度变化时序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是否停止球磨。
5.根据权利要求4所述的反应烧结陶瓷结构件用碳化硅高纯微粉制备方法，其特征在于，还包括训练步骤：用于对所述基于ViT模型的碳化硅粉体粒度特征提取器和所述分类器进行训练。
6.根据权利要求5所述的反应烧结陶瓷结构件用碳化硅高纯微粉制备方法，其特征在于，所述训练步骤，包括：
获取训练数据，所述训练数据包括球磨过程中多个预定时间点的训练碳化硅粉体图像；
将所述多个预定时间点的训练碳化硅粉体图像通过所述基于ViT模型的碳化硅粉体粒度特征提取器以得到多个训练碳化硅粉体粒度特征向量；
计算所述多个训练碳化硅粉体粒度特征向量中每相邻两个训练碳化硅粉体粒度特征向量之间的训练粒度特征时序转移矩阵，并分别计算所述训练粒度特征时序转移矩阵的全局均值以得到由多个训练粒度特征时序转移特征值组成的训练粒度变化时序特征向量；
将所述训练粒度变化时序特征向量通过所述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ViT模型的碳化硅粉体粒度特征提取器和所述分类器进行训练，其中，在所述训练的每次迭代时，对所述训练粒度变化时序特征向量进行权重空间迭代递归的定向提议化优化。
7.根据权利要求6所述的反应烧结陶瓷结构件用碳化硅高纯微粉制备方法，其特征在于，将所述训练粒度变化时序特征向量通过所述分类器以得到分类损失函数值，包括：
所述分类器以如下分类损失公式对所述训练粒度变化时序特征向量进行处理以得到训练分类结果，所述分类损失公式为：softmax{(Wn,Bn):…:(W1,B1)│X}，其中，W1到Wn为权重矩阵，B1到Bn为偏置向量，X为所述训练粒度变化时序特征向量；以及
计算所述训练分类结果与真实值之间的交叉熵值作为所述分类损失函数值。
8.根据权利要求7所述的反应烧结陶瓷结构件用碳化硅高纯微粉制备方法，其特征在于，在所述训练的每次迭代时，以如下优化公式对所述训练粒度变化时序特征向量进行权重空间迭代递归的定向提议化优化以得到优化训练粒度变化时序特征向量；
其中，所述优化公式为：
其中，M1和M2分别是上次和本次迭代的权重矩阵，Vc是所述训练粒度变化时序特征向量，表示矩阵乘法，⊙表示按位置点乘，/>表示矩阵加法，exp(·)表示向量的指数运算，所述向量的指数运算表示计算以向量中的各个位置的特征值为幂的自然指数函数值，/>表示所述优化训练粒度变化时序特征向量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311275708.3A CN117326557A (zh) | 2023-09-28 | 2023-09-28 | 一种反应烧结陶瓷结构件用碳化硅高纯微粉制备方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311275708.3A CN117326557A (zh) | 2023-09-28 | 2023-09-28 | 一种反应烧结陶瓷结构件用碳化硅高纯微粉制备方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117326557A true CN117326557A (zh) | 2024-01-02 |
Family
ID=89294698
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311275708.3A Pending CN117326557A (zh) | 2023-09-28 | 2023-09-28 | 一种反应烧结陶瓷结构件用碳化硅高纯微粉制备方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117326557A (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN207300812U (zh) * | 2017-08-29 | 2018-05-01 | 连云港市沃鑫高新材料有限公司 | 一种碳化硅微粉粒径在线监测装置 |
| US20200034645A1 (en) * | 2018-07-27 | 2020-01-30 | International Business Machines Corporation | Sparse region-of-interest pooling for object detection |
| US20210034907A1 (en) * | 2019-07-29 | 2021-02-04 | Walmart Apollo, Llc | System and method for textual analysis of images |
| CN112777598A (zh) * | 2021-01-12 | 2021-05-11 | 浙江理工大学 | 一种高温埋碳碳热还原制备高纯β型-碳化硅微纳粉体的方法 |
| CN114768986A (zh) * | 2022-06-20 | 2022-07-22 | 江苏中腾石英材料科技股份有限公司 | 高纯熔融石英粉的精细化研磨装置及其研磨方法 |
| CN115830402A (zh) * | 2023-02-21 | 2023-03-21 | 华东交通大学 | 一种细粒度图像识别分类模型训练方法、装置及设备 |
| CN116287138A (zh) * | 2023-05-23 | 2023-06-23 | 杭州华得森生物技术有限公司 | 基于fish的细胞检测系统及其方法 |
| CN116475905A (zh) * | 2023-05-05 | 2023-07-25 | 浙江闽立电动工具有限公司 | 角磨机的控制系统及其方法 |
| CN116797533A (zh) * | 2023-03-24 | 2023-09-22 | 东莞市冠锦电子科技有限公司 | 电源适配器的外观缺陷检测方法及其系统 |
-
2023
- 2023-09-28 CN CN202311275708.3A patent/CN117326557A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN207300812U (zh) * | 2017-08-29 | 2018-05-01 | 连云港市沃鑫高新材料有限公司 | 一种碳化硅微粉粒径在线监测装置 |
| US20200034645A1 (en) * | 2018-07-27 | 2020-01-30 | International Business Machines Corporation | Sparse region-of-interest pooling for object detection |
| US20210034907A1 (en) * | 2019-07-29 | 2021-02-04 | Walmart Apollo, Llc | System and method for textual analysis of images |
| CN112777598A (zh) * | 2021-01-12 | 2021-05-11 | 浙江理工大学 | 一种高温埋碳碳热还原制备高纯β型-碳化硅微纳粉体的方法 |
| CN114768986A (zh) * | 2022-06-20 | 2022-07-22 | 江苏中腾石英材料科技股份有限公司 | 高纯熔融石英粉的精细化研磨装置及其研磨方法 |
| CN115830402A (zh) * | 2023-02-21 | 2023-03-21 | 华东交通大学 | 一种细粒度图像识别分类模型训练方法、装置及设备 |
| CN116797533A (zh) * | 2023-03-24 | 2023-09-22 | 东莞市冠锦电子科技有限公司 | 电源适配器的外观缺陷检测方法及其系统 |
| CN116475905A (zh) * | 2023-05-05 | 2023-07-25 | 浙江闽立电动工具有限公司 | 角磨机的控制系统及其方法 |
| CN116287138A (zh) * | 2023-05-23 | 2023-06-23 | 杭州华得森生物技术有限公司 | 基于fish的细胞检测系统及其方法 |
Non-Patent Citations (2)
| Title |
|---|
| 吴茂贵 等作: "《智能系统与技术丛书 Python深度学习 基于PyTorch》", 31 January 2023, 机械工业出版社, pages: 306 - 307 * |
| 张仕达: ""研磨控制系统设计及其粒径预测研究"", 《中国优秀硕士学位论文全文数据库信息科技辑》, 15 February 2023 (2023-02-15), pages 140 - 1638 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | Robust and sparse linear discriminant analysis via an alternating direction method of multipliers | |
| Du et al. | Recognition of concurrent control chart patterns using wavelet transform decomposition and multiclass support vector machines | |
| CN110378044B (zh) | 基于注意力机制的多时间尺度卷积神经网络软测量方法 | |
| CN112987664B (zh) | 一种基于深度强化学习的流水车间调度方法 | |
| CN112102890B (zh) | 一种基于机器学习模型的mcs合成装置反应温度预测方法 | |
| WO2024045244A1 (zh) | 用于无水氟化氢生产的能源管理控制系统及其控制方法 | |
| CN116832588B (zh) | 酸再生烟气净化装置及其方法 | |
| CN115147655A (zh) | 油气集输监控系统及其方法 | |
| CN117308077A (zh) | 一种反应堆核电机组蒸发器给水控制系统 | |
| CN116703642A (zh) | 基于数字孪生技术的产品制造生产线智能管理系统 | |
| CN116680987A (zh) | 石墨坩埚的成型方法及其系统 | |
| CN117227005A (zh) | 混凝土原料加工用生产控制系统及其方法 | |
| CN111833970A (zh) | 一种水泥熟料质量表征参数预测模型构建方法及其应用 | |
| CN117326557A (zh) | 一种反应烧结陶瓷结构件用碳化硅高纯微粉制备方法 | |
| CN114326639A (zh) | 基于混合注意力卷积神经网络的工业过程性能评估方法 | |
| CN109409407A (zh) | 一种基于le算法的工业监测数据聚类方法 | |
| CN116890405A (zh) | 塑料颗粒生产用控制系统及其方法 | |
| Liu et al. | Focusformer: Focusing on what we need via architecture sampler | |
| Tamura et al. | Structural analysis based on unsupervised learning: Search for a characteristic low-dimensional space by local structures in atomistic simulations | |
| CN116177858A (zh) | 高纯石英坩埚的制备方法及其系统 | |
| CN114368768B (zh) | 基于lstm的氢氧化铝晶种粒度细化爆发预测模型及方法 | |
| CN115392102A (zh) | 能耗预测模型的建立方法及装置、能耗预测方法及系统 | |
| Cao et al. | A brief overview on parameter optimization of support vector machine | |
| Chen et al. | A nonlinear clustering algorithm via kernel function and locality structure learning | |
| CN116619562A (zh) | 一种混凝土制备混合装置及其方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |