CN117447068A - 多晶莫来石纤维生产线及方法 - Google Patents
多晶莫来石纤维生产线及方法 Download PDFInfo
- Publication number
- CN117447068A CN117447068A CN202311404034.2A CN202311404034A CN117447068A CN 117447068 A CN117447068 A CN 117447068A CN 202311404034 A CN202311404034 A CN 202311404034A CN 117447068 A CN117447068 A CN 117447068A
- Authority
- CN
- China
- Prior art keywords
- feature matrix
- scale
- feature
- matrix
- depth
- 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
- KZHJGOXRZJKJNY-UHFFFAOYSA-N dioxosilane;oxo(oxoalumanyloxy)alumane Chemical compound O=[Si]=O.O=[Si]=O.O=[Al]O[Al]=O.O=[Al]O[Al]=O.O=[Al]O[Al]=O KZHJGOXRZJKJNY-UHFFFAOYSA-N 0.000 title claims abstract description 66
- 229910052863 mullite Inorganic materials 0.000 title claims abstract description 66
- 238000007380 fibre production Methods 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000009987 spinning Methods 0.000 claims abstract description 100
- 230000003247 decreasing effect Effects 0.000 claims abstract description 17
- 239000011159 matrix material Substances 0.000 claims description 225
- 239000013598 vector Substances 0.000 claims description 85
- 230000004927 fusion Effects 0.000 claims description 54
- 238000013527 convolutional neural network Methods 0.000 claims description 31
- 238000000605 extraction Methods 0.000 claims description 25
- 238000003062 neural network model Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 6
- 238000013136 deep learning model Methods 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 13
- 238000003860 storage Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 7
- 239000000835 fiber Substances 0.000 description 7
- 230000008901 benefit Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000002657 fibrous material Substances 0.000 description 1
- -1 for example Substances 0.000 description 1
- 238000000227 grinding Methods 0.000 description 1
- 229920006253 high performance fiber Polymers 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- C—CHEMISTRY; METALLURGY
- C03—GLASS; MINERAL OR SLAG WOOL
- C03B—MANUFACTURE, SHAPING, OR SUPPLEMENTARY PROCESSES
- C03B37/00—Manufacture or treatment of flakes, fibres, or filaments from softened glass, minerals, or slags
- C03B37/01—Manufacture of glass fibres or filaments
- C03B37/06—Manufacture of glass fibres or filaments by blasting or blowing molten glass, e.g. for making staple fibres
-
- C—CHEMISTRY; METALLURGY
- C03—GLASS; MINERAL OR SLAG WOOL
- C03B—MANUFACTURE, SHAPING, OR SUPPLEMENTARY PROCESSES
- C03B37/00—Manufacture or treatment of flakes, fibres, or filaments from softened glass, minerals, or slags
- C03B37/07—Controlling or regulating
-
- C—CHEMISTRY; METALLURGY
- C03—GLASS; MINERAL OR SLAG WOOL
- C03C—CHEMICAL COMPOSITION OF GLASSES, GLAZES OR VITREOUS ENAMELS; SURFACE TREATMENT OF GLASS; SURFACE TREATMENT OF FIBRES OR FILAMENTS MADE FROM GLASS, MINERALS OR SLAGS; JOINING GLASS TO GLASS OR OTHER MATERIALS
- C03C13/00—Fibre or filament compositions
- C03C13/06—Mineral fibres, e.g. slag wool, mineral wool, rock wool
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
- 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)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Organic Chemistry (AREA)
- Geochemistry & Mineralogy (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Materials Engineering (AREA)
- Computational Linguistics (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Chemical Kinetics & Catalysis (AREA)
- General Chemical & Material Sciences (AREA)
- Inorganic Fibers (AREA)
Abstract
本申请涉及智能控制领域,其具体公开了一种多晶莫来石纤维生产线及方法,其使用基于深度学习模型的人工智能技术来对喷丝速度、喷嘴与收集器之间的距离、喷丝角度进行特征提取和编码,以得到用于表示当前时间点的喷丝速度应增大或减小的分类结果。这样通过智能控制喷丝速度,提高了控制效率,降低了人工成本。
Description
技术领域
本申请涉及智能控制领域,且更为具体的涉及一种多晶莫来石纤维生产线及方法。
背景技术
多晶莫来石纤维是一种高性能的纤维材料,具有优异的耐高温、耐化学腐蚀和机械强度等特性。多晶莫来石纤维的生产过程包括:莫来石矿石的破碎和磨粉、熔融、纤维化、固化和后处理。在进行纤维化的过程中通常采用旋转喷丝法,即将熔融的莫来石液体从喷嘴中喷出,并在喷出的同时通过高速旋转的离心力拉伸成纤维。在传统的旋转喷丝法中,往往是人工控制喷丝过程中的各项参数来控制纤维的直径和长度分布,以获得所需的纤维性能。然而,这种控制方法对人工的熟练度要求较高,且容易存在误差。
因此,期待一种优化的多晶莫来石纤维生产方案。
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多晶莫来石纤维生产线及方法,其使用基于深度学习模型的人工智能技术来对喷丝速度、喷嘴与收集器之间的距离、喷丝角度进行特征提取和编码,以得到用于表示当前时间点的喷丝速度应增大或减小的分类结果。这样通过智能控制喷丝速度,提高了控制效率,降低了人工成本。
根据本申请的一个方面,提供了一种多晶莫来石纤维生产线,其包括:
数据获取模块,用于获取多个预定时间点的喷丝速度值、喷嘴与收集器之间的距离值、喷丝角度值;
向量构造模块,用于将所述喷丝速度值、喷嘴与收集器之间的距离值、喷丝角度值分别按照时间维度排列为第一输入向量、第二输入向量和第三输入向量;
融合模块,用于将所述第一输入向量、所述第二输入向量和所述第三输入向量进行融合以得到融合特征矩阵;
深浅特征融合模块,用于将所述融合特征矩阵通过包含深浅融合模块的第一卷积神经网络模型以得到深浅特征矩阵;
第一尺度特征提取模块,用于将所述深浅特征矩阵输入使用具有第一尺度的第二卷积神经网络模型以得到第一尺度关联特征矩阵;
第二尺度特征提取模块,用于将所述深浅特征矩阵输入使用具有第二尺度的第二卷积神经网络模型以得到第二尺度关联特征矩阵;
优化模块,用于对所述第一尺度关联特征矩阵和所述第二尺度关联特征矩阵进行单应密度域一致化以得到优化第一尺度关联特征矩阵和优化第二尺度关联特征矩阵;
特征融合模块,用于计算所述优化第一尺度关联特征矩阵和所述优化第二尺度关联特征矩阵的按位置加权和以得到分类特征矩阵;
喷丝速度控制模块,用于将所述分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示当前时间点的喷丝速度应增大或减小。
在上述的多晶莫来石纤维生产线中,所述深浅特征融合模块,包括:
浅层特征提取单元,用于从所述第一卷积神经网络模型的第M层提取浅层特征矩阵,其中,M大于等于1且小于等于6;
深层特征提取单元,用于从所述第一卷积神经网络模型的第N层提取深层特征矩阵,其中,N/M大于等于5且小于等于10;
深浅融合单元,用于使用所述第一卷积神经网络模型的深浅特征融合模块融合所述浅层特征矩阵和所述深层特征矩阵以得到深浅特征矩阵。
在上述的多晶莫来石纤维生产线中,所述第一尺度特征提取模块,用于:
将所述深浅特征矩阵输入所述使用具有第一尺度的第二卷积神经网络模型的第一卷积层以得到第一尺度关联特征矩阵,其中,所述第一卷积层具有第一长度的第一二维卷积核。
在上述的多晶莫来石纤维生产线中,所述第二尺度特征提取模块,用于:
将所述深浅特征矩阵输入所述使用具有第二尺度的第二卷积神经网络模型的第二卷积层以得到第二尺度关联特征矩阵,其中,所述第二卷积层具有第二长度的第二二维卷积核,所述第一长度不同于所述第二长度。
在上述的多晶莫来石纤维生产线中,所述优化模块,包括:
语义编码单元,用于对所述第一尺度关联特征矩阵和所述第二尺度关联特征矩阵进行语义编码以得到第一语义特征向量和第二语义特征向量;
关联编码单元,用于对所述第一语义特征向量和所述第二语义特征向量进行语义关联编码以得到共同语义关联特征矩阵;
单应密度域概率化单元,用于将所述共同语义关联特征矩阵通过Softmax激活函数以得到共同语义关联单应密度域概率化特征矩阵;
按位置点乘单元,用于将所述第一尺度关联特征矩阵和所述第二尺度关联特征矩阵分别与所述共同语义关联单应密度域概率化特征矩阵进行按位置点乘以得到所述优化第一尺度关联特征矩阵和所述优化第二尺度关联特征矩阵。
在上述的多晶莫来石纤维生产线中,所述喷丝速度控制模块,用于:
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:O=softmax{(Wc,Bc)|Project(F)},其中Project(F)表示将所述分类特征矩阵投影为向量,Wc为权重矩阵,Bc表示偏置向量,softmax表示归一化指数函数,O表示所述分类结果。
根据本申请的另一方面,还提供了一种多晶莫来石纤维生产线的控制方法,其包括:
获取多个预定时间点的喷丝速度值、喷嘴与收集器之间的距离值、喷丝角度值;
将所述喷丝速度值、喷嘴与收集器之间的距离值、喷丝角度值分别按照时间维度排列为第一输入向量、第二输入向量和第三输入向量;
将所述第一输入向量、所述第二输入向量和所述第三输入向量进行融合以得到融合特征矩阵;
将所述融合特征矩阵通过包含深浅融合模块的第一卷积神经网络模型以得到深浅特征矩阵;
将所述深浅特征矩阵输入使用具有第一尺度的第二卷积神经网络模型以得到第一尺度关联特征矩阵;
将所述深浅特征矩阵输入使用具有第二尺度的第二卷积神经网络模型以得到第二尺度关联特征矩阵;
对所述第一尺度关联特征矩阵和所述第二尺度关联特征矩阵进行单应密度域一致化以得到优化第一尺度关联特征矩阵和优化第二尺度关联特征矩阵;
计算所述优化第一尺度关联特征矩阵和所述优化第二尺度关联特征矩阵的按位置加权和以得到分类特征矩阵;
将所述分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示当前时间点的喷丝速度应增大或减小。
与现有技术相比,本申请提供的多晶莫来石纤维生产线及方法,其使用基于深度学习模型的人工智能技术来对喷丝速度、喷嘴与收集器之间的距离、喷丝角度进行特征提取和编码,以得到用于表示当前时间点的喷丝速度应增大或减小的分类结果。这样通过智能控制喷丝速度,提高了控制效率,降低了人工成本。
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图示了根据本申请实施例的多晶莫来石纤维生产线的框图。
图2图示了根据本申请实施例的多晶莫来石纤维生产线的系统架构图。
图3图示了根据本申请实施例的多晶莫来石纤维生产线中深浅特征融合模块的框图。
图4图示了根据本申请实施例的多晶莫来石纤维生产线的控制方法的流程图。
图5图示了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图示了根据本申请实施例的多晶莫来石纤维生产线的框图。如图1所示,根据本申请实施例的多晶莫来石纤维生产线100,包括:数据获取模块110,用于获取多个预定时间点的喷丝速度值、喷嘴与收集器之间的距离值、喷丝角度值;向量构造模块120,用于将所述喷丝速度值、喷嘴与收集器之间的距离值、喷丝角度值分别按照时间维度排列为第一输入向量、第二输入向量和第三输入向量;融合模块130,用于将所述第一输入向量、所述第二输入向量和所述第三输入向量进行融合以得到融合特征矩阵;深浅特征融合模块140,用于将所述融合特征矩阵通过包含深浅融合模块的第一卷积神经网络模型以得到深浅特征矩阵;第一尺度特征提取模块150,用于将所述深浅特征矩阵输入使用具有第一尺度的第二卷积神经网络模型以得到第一尺度关联特征矩阵;第二尺度特征提取模块160,用于将所述深浅特征矩阵输入使用具有第二尺度的第二卷积神经网络模型以得到第二尺度关联特征矩阵;优化模块170,用于对所述第一尺度关联特征矩阵和所述第二尺度关联特征矩阵进行单应密度域一致化以得到优化第一尺度关联特征矩阵和优化第二尺度关联特征矩阵;特征融合模块180,用于计算所述优化第一尺度关联特征矩阵和所述优化第二尺度关联特征矩阵的按位置加权和以得到分类特征矩阵;以及喷丝速度控制模块190,用于将所述分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示当前时间点的喷丝速度应增大或减小。
图2图示了根据本申请实施例的多晶莫来石纤维生产线的系统架构图。如图2所示,在该系统架构中,首先,获取多个预定时间点的喷丝速度值、喷嘴与收集器之间的距离值、喷丝角度值。然后,将所述喷丝速度值、喷嘴与收集器之间的距离值、喷丝角度值分别按照时间维度排列为第一输入向量、第二输入向量和第三输入向量。接着,将所述第一输入向量、所述第二输入向量和所述第三输入向量进行融合以得到融合特征矩阵。然后,将所述融合特征矩阵通过包含深浅融合模块的第一卷积神经网络模型以得到深浅特征矩阵。接着,将所述深浅特征矩阵输入使用具有第一尺度的第二卷积神经网络模型以得到第一尺度关联特征矩阵。然后,将所述深浅特征矩阵输入使用具有第二尺度的第二卷积神经网络模型以得到第二尺度关联特征矩阵。接着,融合所述第一尺度关联特征矩阵和所述第二尺度关联特征矩阵以得到分类特征矩阵。进而,将所述分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示当前时间点的喷丝速度应增大或减小。
在上述的多晶莫来石纤维生产线100中,所述数据获取模块110,用于获取多个预定时间点的喷丝速度值、喷嘴与收集器之间的距离值、喷丝角度值。如上述背景技术所言,在传统的旋转喷丝法中,往往是人工控制喷丝过程中的各项参数来控制纤维的直径和长度分布,以获得所需的纤维性能。然而,这种控制方法对人工的熟练度要求较高,且容易存在误差。因此,期待一种优化的多晶莫来石纤维生产方案。
针对上述技术问题,提出了一种优化的多晶莫来石纤维生产线,其使用基于深度学习模型的人工智能技术来对喷丝速度、喷嘴与收集器之间的距离、喷丝角度进行特征提取和编码,以得到用于表示当前时间点的喷丝速度应增大或减小的分类结果。这样通过智能控制喷丝速度,提高了控制效率,降低了人工成本。
目前,深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、语音信号处理等领域。此外,深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域,也展现出了接近甚至超越人类的水平。
近年来,深度学习以及神经网络的发展为多晶莫来石纤维生产线提供了新的解决思路和方案。
具体地,首先,获取多个预定时间点的喷丝速度值、喷嘴与收集器之间的距离值、喷丝角度值。获取的多个预定时间点的喷丝速度值、喷嘴与收集器之间的距离值和喷丝角度值可以用于建立一个准确的模型,通过这些数据来学习和预测喷丝速度的变化趋势。
在上述的多晶莫来石纤维生产线100中,所述向量构造模块120,用于将所述喷丝速度值、喷嘴与收集器之间的距离值、喷丝角度值分别按照时间维度排列为第一输入向量、第二输入向量和第三输入向量。在多晶莫来石纤维生产线中,喷丝速度、距离和角度的变化通常与时间相关。通过按照时间维度排列,可以保留这种时间依赖性,使得模型能够更好地捕捉到参数之间的动态变化。将不同时间点的参数值分别作为不同的输入向量,有助于模型从不同时间点的数据中提取特征。这样可以更全面地描述参数之间的关系,并提供更多信息供模型学习和预测。将参数按照时间维度排列为不同的输入向量,使得模型可以根据需要选择使用哪些时间点的数据。这样可以灵活地调整模型的输入,以适应不同的生产需求和场景。
在上述的多晶莫来石纤维生产线100中,所述融合模块130,用于将所述第一输入向量、所述第二输入向量和所述第三输入向量进行融合以得到融合特征矩阵。第一输入向量、第二输入向量和第三输入向量分别包含了不同的参数信息,通过将它们融合在一起,可以综合考虑这些参数的影响。这有助于模型更全面地理解和预测喷丝速度的变化趋势,提高模型的准确性和鲁棒性。融合特征矩阵可以促使不同参数之间的特征交互。通过将不同的输入向量融合在一起,模型可以学习到参数之间的相互作用和关联,进一步提取更丰富的特征表示。同时,融合特征矩阵将不同输入向量的维度对齐,使得模型能够更方便地处理和分析这些特征。这样可以简化模型的结构和计算,并提高模型的效率和可解释性。进一步地,通过融合特征矩阵,可以减少信息的丢失。不同的输入向量可能包含互补的信息,通过融合,可以综合利用这些信息,提供更完整和准确的特征表示。
在上述的多晶莫来石纤维生产线100中,所述深浅特征融合模块140,用于将所述融合特征矩阵通过包含深浅融合模块的第一卷积神经网络模型以得到深浅特征矩阵。深浅融合模块可以通过卷积神经网络对融合特征矩阵进行特征提取。卷积神经网络在处理图像和序列数据方面具有出色的特征提取能力。通过将融合特征矩阵输入到卷积神经网络中,模型可以学习到更抽象和高级的特征表示,从而更好地捕捉到参数之间的关系和模式。深浅融合模块可以同时提取深度特征和浅层特征。深度特征是指通过多层卷积神经网络学习到的高级抽象特征,具有更强的表达能力和语义信息。而浅层特征是指通过少数几层卷积神经网络学习到的低级特征,更接近原始输入数据。通过同时提取深度特征和浅层特征,可以综合考虑不同层次的特征表示,提高模型的鲁棒性和泛化能力。
图3图示了根据本申请实施例的多晶莫来石纤维生产线中深浅特征融合模块的框图。如图3所示,所述深浅特征融合模块140,包括:浅层特征提取单元141,用于从所述第一卷积神经网络模型的第M层提取浅层特征矩阵,其中,M大于等于1且小于等于6;深层特征提取单元142,用于从所述第一卷积神经网络模型的第N层提取深层特征矩阵,其中,N/M大于等于5且小于等于10;以及深浅融合单元143,用于使用所述第一卷积神经网络模型的深浅特征融合模块融合所述浅层特征矩阵和所述深层特征矩阵以得到深浅特征矩阵。
在上述的多晶莫来石纤维生产线100中,所述第一尺度特征提取模块150,用于将所述深浅特征矩阵输入使用具有第一尺度的第二卷积神经网络模型以得到第一尺度关联特征矩阵。通过使用具有第一尺度的卷积神经网络模型,可以使模型对输入数据的尺度变化更加敏感。在多晶莫来石纤维生产线中,不同尺度的特征对喷丝速度的影响不同。因此,使用具有第一尺度的模型可以更好地捕捉到与喷丝速度相关的尺度信息。第一尺度关联特征矩阵可以帮助模型学习到参数之间的关联性。在纤维生产线中,不同参数之间存在复杂的关联关系,例如喷丝速度与喷嘴与收集器之间的距离、喷丝角度等。通过使用第一尺度关联特征矩阵,模型可以更好地捕捉到这些关联特征,从而提高对喷丝速度的预测准确性。
具体地,在本申请实施例中,所述第一尺度特征提取模块150,用于:将所述深浅特征矩阵输入所述使用具有第一尺度的第二卷积神经网络模型的第一卷积层以得到第一尺度关联特征矩阵,其中,所述第一卷积层具有第一长度的第一二维卷积核。
在上述的多晶莫来石纤维生产线100中,所述第二尺度特征提取模块160,用于将所述深浅特征矩阵输入使用具有第二尺度的第二卷积神经网络模型以得到第二尺度关联特征矩阵。第二卷积神经网络模型具有更强的特征表达能力。通过将深浅特征矩阵输入到具有第一尺度的模型中,可以进一步提取更高级、更抽象的特征表示。这有助于模型更好地理解和表示参数之间的关系,从而提高预测的准确性。第二尺度关联特征矩阵有助于模型学习到更复杂的参数关联性。在纤维生产线中,不同参数之间的关联关系涉及到多个尺度上的特征。通过使用具有第二尺度的模型,可以更好地学习到这些尺度之间的关联特征,从而提高对喷丝速度的预测准确性。
具体地,在本申请实施例中,所述第二尺度特征提取模块160,用于:将所述深浅特征矩阵输入所述使用具有第二尺度的第二卷积神经网络模型的第二卷积层以得到第二尺度关联特征矩阵,其中,所述第二卷积层具有第二长度的第二二维卷积核,所述第一长度不同于所述第二长度。
在上述的多晶莫来石纤维生产线100中,所述优化模块170,用于对所述第一尺度关联特征矩阵和所述第二尺度关联特征矩阵进行单应密度域一致化以得到优化第一尺度关联特征矩阵和优化第二尺度关联特征矩阵。在本申请的技术方案中,所述第一尺度关联特征矩阵和所述第二尺度关联特征矩阵为分布在不同高维特征空间中的数据流形,因此如果能够将所述第一尺度关联特征矩阵和所述第二尺度关联特征矩阵映射到一个共同的特征空间中,则有利于减少所述第一尺度关联特征矩阵和所述第二尺度关联特征矩阵之间的特征域间差异,以解决不同域数据的领域自适应和领域生成等问题,提高模型的泛化能力和迁移能力。具体地,在本申请的技术方案中,首先对所述第一尺度关联特征矩阵和所述第二尺度关联特征矩阵进行语义编码,例如对所述第一尺度关联特征矩阵和所述第二尺度关联特征矩阵进行矩阵展开,以得到第一语义特征向量和第二语义特征向量。接着,对所述第一语义特征向量和所述第二语义特征向量进行语义关联编码以得到共同语义关联特征矩阵,所述共同语义关联特征矩阵用于表示所述第一尺度关联特征矩阵和所述第二尺度关联特征矩阵在语义空间中的协同高维流形面,并将所述共同语义关联特征矩阵通过Softmax激活函数以得到共同语义关联单应密度域概率化特征矩阵,也就是,使用所述Softmax激活函数对所述共同语义关联特征矩阵进行单应密度化激活以将所述共同语义关联特征矩阵中各个位置的特征值映射到概率密度域空间中,进而,将所述第一尺度关联特征矩阵和所述第二尺度关联特征矩阵分别与所述共同语义关联单应密度域概率化特征矩阵进行按位置点乘以得到所述优化第一尺度关联特征矩阵和所述优化第二尺度关联特征矩阵,这样,所述共同语义关联单应密度域概率化特征矩阵相当于一个变换函数使得变换的特征空间中,不同域的数据有相同或近似相同的密度函数,这样,模型就可以在一个统一的特征空间中进行训练和测试,而不需要考虑域间的差异。
具体地,在本申请实施例中,所述优化模块170,包括:语义编码单元,用于对所述第一尺度关联特征矩阵和所述第二尺度关联特征矩阵进行语义编码以得到第一语义特征向量和第二语义特征向量;关联编码单元,用于对所述第一语义特征向量和所述第二语义特征向量进行语义关联编码以得到共同语义关联特征矩阵;单应密度域概率化单元,用于将所述共同语义关联特征矩阵通过Softmax激活函数以得到共同语义关联单应密度域概率化特征矩阵;以及按位置点乘单元,用于将所述第一尺度关联特征矩阵和所述第二尺度关联特征矩阵分别与所述共同语义关联单应密度域概率化特征矩阵进行按位置点乘以得到所述优化第一尺度关联特征矩阵和所述优化第二尺度关联特征矩阵。
在上述的多晶莫来石纤维生产线100中,所述特征融合模块180,用于计算所述优化第一尺度关联特征矩阵和所述优化第二尺度关联特征矩阵的按位置加权和以得到分类特征矩阵。
在上述的多晶莫来石纤维生产线100中,所述喷丝速度控制模块190,用于将所述分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示当前时间点的喷丝速度应增大或减小。分类器通过学习分类特征矩阵与喷丝速度之间的关联关系,可以建立一个模型来预测当前时间点的喷丝速度应该是增大还是减小。分类器可以根据已有的训练数据学习到特征与喷丝速度之间的模式和规律,然后将这些模式和规律应用于新的输入数据,从而得到对应的分类结果。通过将分类结果与当前时间点的喷丝速度进行匹配,可以实现实时的速度控制和调整。如果分类结果表示应该增大喷丝速度,控制系统可以相应地增加喷丝速度;如果分类结果表示应该减小喷丝速度,控制系统可以相应地减小喷丝速度。这样可以使喷丝速度能够根据实时需求进行动态调整,以提高产品质量和生产效率。
具体地,在本申请实施例中,所述喷丝速度控制模块190,用于: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:O=softmax{(Wc,Bc)|Project(F)},其中Project(F)表示将所述分类特征矩阵投影为向量,Wc为权重矩阵,Bc表示偏置向量,softmax表示归一化指数函数,O表示所述分类结果。
综上,根据本申请实施例的多晶莫来石纤维生产线已被阐明,其使用基于深度学习模型的人工智能技术来对喷丝速度、喷嘴与收集器之间的距离、喷丝角度进行特征提取和编码,以得到用于表示当前时间点的喷丝速度应增大或减小的分类结果。这样通过智能控制喷丝速度,提高了控制效率,降低了人工成本。
如上所述,根据本申请实施例的多晶莫来石纤维生产线100可以实现在各种终端设备中,例如多晶莫来石纤维生产线的服务器等。在一个示例中,根据本申请实施例的多晶莫来石纤维生产线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,该多晶莫来石纤维生产线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,该多晶莫来石纤维生产线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,该多晶莫来石纤维生产线100与该终端设备也可以是分立的设备,并且该多晶莫来石纤维生产线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4图示了根据本申请实施例的多晶莫来石纤维生产线的控制方法的流程图。如图4所示,根据本申请实施例的所述多晶莫来石纤维生产线的控制方法,包括步骤:S110,获取多个预定时间点的喷丝速度值、喷嘴与收集器之间的距离值、喷丝角度值;S120,将所述喷丝速度值、喷嘴与收集器之间的距离值、喷丝角度值分别按照时间维度排列为第一输入向量、第二输入向量和第三输入向量;S130,将所述第一输入向量、所述第二输入向量和所述第三输入向量进行融合以得到融合特征矩阵;S140,将所述融合特征矩阵通过包含深浅融合模块的第一卷积神经网络模型以得到深浅特征矩阵;S150,将所述深浅特征矩阵输入使用具有第一尺度的第二卷积神经网络模型以得到第一尺度关联特征矩阵;S160,将所述深浅特征矩阵输入使用具有第二尺度的第二卷积神经网络模型以得到第二尺度关联特征矩阵;S170,融合所述第一尺度关联特征矩阵和所述第二尺度关联特征矩阵以得到分类特征矩阵;以及S180,将所述分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示当前时间点的喷丝速度应增大或减小。
这里,本领域技术人员可以理解,上述多晶莫来石纤维生产线的控制方法中的各个步骤的具体操作已经在上面参考图1到图3的多晶莫来石纤维生产线的描述中得到了详细介绍,并因此,将省略其重复描述。
综上,根据本申请实施例的多晶莫来石纤维生产线的控制方法已被阐明,其使用基于深度学习模型的人工智能技术来对喷丝速度、喷嘴与收集器之间的距离、喷丝角度进行特征提取和编码,以得到用于表示当前时间点的喷丝速度应增大或减小的分类结果。这样通过智能控制喷丝速度,提高了控制效率,降低了人工成本。
示例性电子设备
下面,参考图5来描述根据本申请实施例的电子设备。图5为根据本申请实施例的电子设备的框图。如图5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多晶莫来石纤维生产线的控制方法中的功能以及/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点的喷丝速度值、喷嘴与收集器之间的距离值、喷丝角度值等各种内容。
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,包括当前时间点的喷丝速度应增大或减小等。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5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多晶莫来石纤维生产线的控制方法中的功能中的步骤。
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多晶莫来石纤维生产线的控制方法中的功能中的步骤。
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 (10)
1.一种多晶莫来石纤维生产线,其特征在于,包括:
数据获取模块,用于获取多个预定时间点的喷丝速度值、喷嘴与收集器之间的距离值、喷丝角度值;
向量构造模块,用于将所述喷丝速度值、喷嘴与收集器之间的距离值、喷丝角度值分别按照时间维度排列为第一输入向量、第二输入向量和第三输入向量;
融合模块,用于将所述第一输入向量、所述第二输入向量和所述第三输入向量进行融合以得到融合特征矩阵;
深浅特征融合模块,用于将所述融合特征矩阵通过包含深浅融合模块的第一卷积神经网络模型以得到深浅特征矩阵;
第一尺度特征提取模块,用于将所述深浅特征矩阵输入使用具有第一尺度的第二卷积神经网络模型以得到第一尺度关联特征矩阵;
第二尺度特征提取模块,用于将所述深浅特征矩阵输入使用具有第二尺度的第二卷积神经网络模型以得到第二尺度关联特征矩阵;
优化模块,用于对所述第一尺度关联特征矩阵和所述第二尺度关联特征矩阵进行单应密度域一致化以得到优化第一尺度关联特征矩阵和优化第二尺度关联特征矩阵;
特征融合模块,用于计算所述优化第一尺度关联特征矩阵和所述优化第二尺度关联特征矩阵的按位置加权和以得到分类特征矩阵;
喷丝速度控制模块,用于将所述分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示当前时间点的喷丝速度应增大或减小。
2.根据权利要求1所述的多晶莫来石纤维生产线,其特征在于,所述深浅特征融合模块,包括:
浅层特征提取单元,用于从所述第一卷积神经网络模型的第M层提取浅层特征矩阵,其中,M大于等于1且小于等于6;
深层特征提取单元,用于从所述第一卷积神经网络模型的第N层提取深层特征矩阵,其中,N/M大于等于5且小于等于10;
深浅融合单元,用于使用所述第一卷积神经网络模型的深浅特征融合模块融合所述浅层特征矩阵和所述深层特征矩阵以得到深浅特征矩阵。
3.根据权利要求2所述的多晶莫来石纤维生产线,其特征在于,所述第一尺度特征提取模块,用于:
将所述深浅特征矩阵输入所述使用具有第一尺度的第二卷积神经网络模型的第一卷积层以得到第一尺度关联特征矩阵,其中,所述第一卷积层具有第一长度的第一二维卷积核。
4.根据权利要求3所述的多晶莫来石纤维生产线,其特征在于,所述第二尺度特征提取模块,用于:
将所述深浅特征矩阵输入所述使用具有第二尺度的第二卷积神经网络模型的第二卷积层以得到第二尺度关联特征矩阵,其中,所述第二卷积层具有第二长度的第二二维卷积核,所述第一长度不同于所述第二长度。
5.根据权利要求4所述的多晶莫来石纤维生产线,其特征在于,所述优化模块,包括:
语义编码单元,用于对所述第一尺度关联特征矩阵和所述第二尺度关联特征矩阵进行语义编码以得到第一语义特征向量和第二语义特征向量;
关联编码单元,用于对所述第一语义特征向量和所述第二语义特征向量进行语义关联编码以得到共同语义关联特征矩阵;
单应密度域概率化单元,用于将所述共同语义关联特征矩阵通过Softmax激活函数以得到共同语义关联单应密度域概率化特征矩阵;
按位置点乘单元,用于将所述第一尺度关联特征矩阵和所述第二尺度关联特征矩阵分别与所述共同语义关联单应密度域概率化特征矩阵进行按位置点乘以得到所述优化第一尺度关联特征矩阵和所述优化第二尺度关联特征矩阵。
6.根据权利要求5所述的多晶莫来石纤维生产线,其特征在于,所述喷丝速度控制模块,用于:
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:O=softmax{(Wc,Bc)|Project(F)},其中Project(F)表示将所述分类特征矩阵投影为向量,Wc为权重矩阵,Bc表示偏置向量,softmax表示归一化指数函数,O表示所述分类结果。
7.一种多晶莫来石纤维生产线的控制方法,其特征在于,包括:
获取多个预定时间点的喷丝速度值、喷嘴与收集器之间的距离值、喷丝角度值;
将所述喷丝速度值、喷嘴与收集器之间的距离值、喷丝角度值分别按照时间维度排列为第一输入向量、第二输入向量和第三输入向量;
将所述第一输入向量、所述第二输入向量和所述第三输入向量进行融合以得到融合特征矩阵;
将所述融合特征矩阵通过包含深浅融合模块的第一卷积神经网络模型以得到深浅特征矩阵;
将所述深浅特征矩阵输入使用具有第一尺度的第二卷积神经网络模型以得到第一尺度关联特征矩阵;
将所述深浅特征矩阵输入使用具有第二尺度的第二卷积神经网络模型以得到第二尺度关联特征矩阵;
对所述第一尺度关联特征矩阵和所述第二尺度关联特征矩阵进行单应密度域一致化以得到优化第一尺度关联特征矩阵和优化第二尺度关联特征矩阵;
计算所述优化第一尺度关联特征矩阵和所述优化第二尺度关联特征矩阵的按位置加权和以得到分类特征矩阵;
将所述分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示当前时间点的喷丝速度应增大或减小。
8.根据权利要求7所述的多晶莫来石纤维生产线的控制方法,其特征在于,将所述融合特征矩阵通过包含深浅融合模块的第一卷积神经网络模型以得到深浅特征矩阵,包括:
从所述第一卷积神经网络模型的第M层提取浅层特征矩阵,其中,M大于等于1且小于等于6;
从所述第一卷积神经网络模型的第N层提取深层特征矩阵,其中,N/M大于等于5且小于等于10;
使用所述第一卷积神经网络模型的深浅特征融合模块融合所述浅层特征矩阵和所述深层特征矩阵以得到深浅特征矩阵。
9.根据权利要求8所述的多晶莫来石纤维生产线的控制方法,其特征在于,将所述深浅特征矩阵输入使用具有第一尺度的第二卷积神经网络模型以得到第一尺度关联特征矩阵,用于:
将所述深浅特征矩阵输入所述使用具有第一尺度的第二卷积神经网络模型的第一卷积层以得到第一尺度关联特征矩阵,其中,所述第一卷积层具有第一长度的第一二维卷积核。
10.根据权利要求9所述的多晶莫来石纤维生产线的控制方法,其特征在于,将所述分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示当前时间点的喷丝速度应增大或减小,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:O=softmax{(Wc,Bc)|Project(F)},其中Project(F)表示将所述分类特征向量投影为向量,Wc为权重矩阵,Bc表示偏置向量,softmax表示归一化指数函数,O表示所述分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311404034.2A CN117447068A (zh) | 2023-10-26 | 2023-10-26 | 多晶莫来石纤维生产线及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311404034.2A CN117447068A (zh) | 2023-10-26 | 2023-10-26 | 多晶莫来石纤维生产线及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117447068A true CN117447068A (zh) | 2024-01-26 |
Family
ID=89586789
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311404034.2A Pending CN117447068A (zh) | 2023-10-26 | 2023-10-26 | 多晶莫来石纤维生产线及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117447068A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021114809A1 (zh) * | 2020-05-27 | 2021-06-17 | 平安科技(深圳)有限公司 | 车辆损伤特征检测方法、装置、计算机设备及存储介质 |
CN115936682A (zh) * | 2022-12-21 | 2023-04-07 | 江西有源工业废物回收处理有限公司 | 印制线路板的废料回收系统及其方法 |
CN116597198A (zh) * | 2023-04-13 | 2023-08-15 | 江西拓本科技有限公司 | 一种节能环保陶瓷砂锅的制备方法 |
CN116627040A (zh) * | 2023-05-23 | 2023-08-22 | 滁州市伟博电气有限公司 | 烘干器控制系统及其方法 |
CN116652823A (zh) * | 2023-06-26 | 2023-08-29 | 浙江钱祥工具股份有限公司 | 磨床的自动监测系统及其方法 |
CN116820052A (zh) * | 2023-07-13 | 2023-09-29 | 滁州优胜高分子材料有限公司 | Pbt材料生产设备及其控制方法 |
CN116844088A (zh) * | 2023-06-29 | 2023-10-03 | 滁州市伟博电气有限公司 | 在线除尘器控制系统及其方法 |
CN116872089A (zh) * | 2023-07-11 | 2023-10-13 | 浙江钱祥工具股份有限公司 | 数控磨床的磨削自适应控制系统及其方法 |
-
2023
- 2023-10-26 CN CN202311404034.2A patent/CN117447068A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021114809A1 (zh) * | 2020-05-27 | 2021-06-17 | 平安科技(深圳)有限公司 | 车辆损伤特征检测方法、装置、计算机设备及存储介质 |
CN115936682A (zh) * | 2022-12-21 | 2023-04-07 | 江西有源工业废物回收处理有限公司 | 印制线路板的废料回收系统及其方法 |
CN116597198A (zh) * | 2023-04-13 | 2023-08-15 | 江西拓本科技有限公司 | 一种节能环保陶瓷砂锅的制备方法 |
CN116627040A (zh) * | 2023-05-23 | 2023-08-22 | 滁州市伟博电气有限公司 | 烘干器控制系统及其方法 |
CN116652823A (zh) * | 2023-06-26 | 2023-08-29 | 浙江钱祥工具股份有限公司 | 磨床的自动监测系统及其方法 |
CN116844088A (zh) * | 2023-06-29 | 2023-10-03 | 滁州市伟博电气有限公司 | 在线除尘器控制系统及其方法 |
CN116872089A (zh) * | 2023-07-11 | 2023-10-13 | 浙江钱祥工具股份有限公司 | 数控磨床的磨削自适应控制系统及其方法 |
CN116820052A (zh) * | 2023-07-13 | 2023-09-29 | 滁州优胜高分子材料有限公司 | Pbt材料生产设备及其控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111767405B (zh) | 文本分类模型的训练方法、装置、设备及存储介质 | |
CN110069709B (zh) | 意图识别方法、装置、计算机可读介质及电子设备 | |
WO2021103761A1 (zh) | 化合物的性质分析方法、模型训练方法、装置及存储介质 | |
CN116720004B (zh) | 推荐理由生成方法、装置、设备及存储介质 | |
CN112818159A (zh) | 一种基于生成对抗网络的图像描述文本生成方法 | |
CN111639186B (zh) | 动态嵌入投影门控的多类别多标签文本分类模型及装置 | |
CN111538841B (zh) | 基于知识互蒸馏的评论情感分析方法、装置及系统 | |
CN114528374A (zh) | 一种基于图神经网络的电影评论情感分类方法及装置 | |
CN116049397A (zh) | 基于多模态融合的敏感信息发现并自动分类分级方法 | |
CN116431919A (zh) | 基于用户意图特征的智能新闻推荐方法和系统 | |
CN116432184A (zh) | 基于语义分析和双向编码表征的恶意软件检测方法 | |
CN115205788A (zh) | 食材质量监控系统 | |
CN112966676B (zh) | 一种基于零样本学习的文档关键信息抽取方法 | |
CN116737939B (zh) | 元学习方法、文本分类方法、装置、电子设备及存储介质 | |
CN110019952B (zh) | 视频描述方法、系统及装置 | |
CN110889290B (zh) | 文本编码方法和设备、文本编码有效性检验方法和设备 | |
CN117291185A (zh) | 任务处理方法、实体识别方法及任务处理的数据处理方法 | |
CN117447068A (zh) | 多晶莫来石纤维生产线及方法 | |
CN116257632A (zh) | 基于图对比学习的未知目标立场检测方法、装置 | |
CN112650861A (zh) | 一种基于任务分层的人格预测方法、系统及装置 | |
KR20200099966A (ko) | 명목형 데이터를 포함하는 데이터를 기반으로 하는 학습 방법 및 장치 | |
Deng et al. | CodeeGAN: Code generation via adversarial training | |
CN117786234B (zh) | 一种基于两阶段对比学习的多模态资源推荐方法 | |
WO2024016945A1 (zh) | 图像分类模型的训练方法、图像分类方法及相关设备 | |
CN118246537A (zh) | 基于大模型的问答方法、装置、设备及存储介质 |
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 |