CN117669838B - 钕铁硼磁铁生产的优化控制系统及方法 - Google Patents
钕铁硼磁铁生产的优化控制系统及方法 Download PDFInfo
- Publication number
- CN117669838B CN117669838B CN202410131836.9A CN202410131836A CN117669838B CN 117669838 B CN117669838 B CN 117669838B CN 202410131836 A CN202410131836 A CN 202410131836A CN 117669838 B CN117669838 B CN 117669838B
- Authority
- CN
- China
- Prior art keywords
- training
- pressing process
- process parameter
- feature
- scale
- 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
- 229910001172 neodymium magnet Inorganic materials 0.000 title claims abstract description 91
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 claims abstract description 280
- 230000008569 process Effects 0.000 claims abstract description 265
- 238000005457 optimization Methods 0.000 claims abstract description 60
- 239000013598 vector Substances 0.000 claims description 255
- 238000003825 pressing Methods 0.000 claims description 208
- 238000012549 training Methods 0.000 claims description 143
- 238000012544 monitoring process Methods 0.000 claims description 95
- 238000000605 extraction Methods 0.000 claims description 50
- 238000012545 processing Methods 0.000 claims description 43
- 230000008859 change Effects 0.000 claims description 40
- 238000007906 compression Methods 0.000 claims description 34
- 238000013527 convolutional neural network Methods 0.000 claims description 30
- 230000006870 function Effects 0.000 claims description 30
- QJVKUMXDEUEQLH-UHFFFAOYSA-N [B].[Fe].[Nd] Chemical compound [B].[Fe].[Nd] QJVKUMXDEUEQLH-UHFFFAOYSA-N 0.000 claims description 27
- 230000001629 suppression Effects 0.000 claims description 21
- 230000006835 compression Effects 0.000 claims description 19
- 230000007246 mechanism Effects 0.000 claims description 17
- 238000010586 diagram Methods 0.000 claims description 16
- 238000003062 neural network model Methods 0.000 claims description 15
- 230000004927 fusion Effects 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 6
- 230000004931 aggregating effect Effects 0.000 claims description 5
- 238000007405 data analysis Methods 0.000 claims description 5
- 238000011958 production data acquisition Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000005056 compaction Methods 0.000 description 16
- 238000004458 analytical method Methods 0.000 description 14
- 230000000007 visual effect Effects 0.000 description 11
- 238000009826 distribution Methods 0.000 description 8
- 230000001276 controlling effect Effects 0.000 description 5
- 239000000463 material Substances 0.000 description 5
- 238000003909 pattern recognition Methods 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000000875 corresponding effect Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000000227 grinding Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Biology (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Databases & Information Systems (AREA)
- Manufacturing & Machinery (AREA)
- Educational Administration (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Computational Linguistics (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及钕铁硼磁铁生产技术领域,且更为具体地公开了一种钕铁硼磁铁生产的优化控制系统及方法,其通过监控摄像头采集压制过程的监控视频和各个时间点的压制工艺参数,包括压力和温度,然后从监控视频中提取压制变化特征向量,并通过特征提取将各个时间点的压制工艺参数转化为多尺度压制工艺参数关联特征向量,接着,将压制变化特征向量和多尺度压制工艺参数关联特征向量融合,得到工艺参数优化特征向量,最后,通过分类器对工艺参数优化特征向量进行分类,以确定是否需要调整参数。这样可以解决现有钕铁硼磁铁生产中工艺繁琐、效率低下以及生产良率低的问题。
Description
技术领域
本申请涉及钕铁硼磁铁生产技术领域,且更为具体地,涉及一种钕铁硼磁铁生产的优化控制系统及方法。
背景技术
钕铁硼磁铁可广泛应用于电动机、发动机、音圈马达、磁共振成像仪、音响设备等方面。通过将多个钕铁硼磁铁进行组合,可以得到磁性能较好的组合磁铁。然而,经过加工处理流程得到的单个钕铁硼磁铁,其性能往往存在差异,例如,不同钕铁硼磁铁的磁力大小、极化角度等存在差异。在将多个钕铁硼磁铁进行组合时,往往需要逐一尝试将各个钕铁硼磁铁进行组合,得到所需要的磁性能的组合磁铁。
由于磁铁物料(钕铁硼)自身较脆的特性限制,磁铁物料(钕铁硼制品)在切割、磨削、钻孔、压制等加工过程中往往容易碎裂而制造不良。如此,现有钕铁硼磁铁的加工制作工艺繁琐,生产加工效率较低,且生产加工良率也较低,不满满足实际生产加工制作的需要。
因此,期望一种钕铁硼磁铁生产的优化控制系统及方法。
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钕铁硼磁铁生产的优化控制系统及方法,通过监控视频和压制工艺参数,提取特征并应用分类器,实现钕铁硼磁铁生产过程的优化控制。
相应地,根据本申请的一个方面,提供了一种钕铁硼磁铁生产的优化控制系统,其包括:
钕铁硼磁铁生产数据采集模块,用于获取由监控摄像头采集压制过程的预定时间段的监控视频,以及获取在各个时间点的压制工艺参数,所述压制工艺参数包括压制过程的压力和温度;
钕铁硼磁铁生产数据处理模块,用于从所述监控视频提取压制变化特征向量,以及从所述各个时间点的各项压制工艺参数通过特征提取以得到多尺度压制工艺参数关联特征向量;
钕铁硼磁铁生产数据融合模块,用于融合所述压制变化特征向量和所述多尺度压制工艺参数关联特征向量以获得工艺参数优化特征向量;
钕铁硼磁铁生产数据分析模块,用于将所述工艺参数优化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参数是否需要调整。
根据本申请的另一个方面,提供了一种钕铁硼磁铁生产的优化控制方法,其包括:
获取由监控摄像头采集压制过程的预定时间段的监控视频,以及获取在各个时间点的压制工艺参数,所述压制工艺参数包括压制过程的压力和温度;
从所述监控视频提取压制变化特征向量,以及从所述各个时间点的各项压制工艺参数通过特征提取以得到多尺度压制工艺参数关联特征向量;
融合所述压制变化特征向量和所述多尺度压制工艺参数关联特征向量以获得工艺参数优化特征向量;
将所述工艺参数优化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参数是否需要调整。
与现有技术相比,本申请提供的一种钕铁硼磁铁生产的优化控制系统及方法,其通过监控摄像头采集压制过程的监控视频和各个时间点的压制工艺参数,包括压力和温度,然后从监控视频中提取压制变化特征向量,并通过特征提取将各个时间点的压制工艺参数转化为多尺度压制工艺参数关联特征向量,接着,将压制变化特征向量和多尺度压制工艺参数关联特征向量融合,得到工艺参数优化特征向量,最后,通过分类器对工艺参数优化特征向量进行分类,以确定是否需要调整参数。这样可以解决现有钕铁硼磁铁生产中工艺繁琐、效率低下以及生产良率低的问题。
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钕铁硼磁铁生产的优化控制系统的框图示意图。
图2为根据本申请实施例的钕铁硼磁铁生产的优化控制系统中钕铁硼磁铁生产数据处理模块的框图示意图。
图3为根据本申请实施例的钕铁硼磁铁生产的优化控制系统中监控视频处理单元的框图示意图。
图4为根据本申请实施例的钕铁硼磁铁生产的优化控制系统中压制工艺参数处理单元的框图示意图。
图5为根据本申请实施例的钕铁硼磁铁生产的优化控制方法的流程图。
具体实施方式
以下将参考附图详细说明本申请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。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
另外,为了更好地说明本申请,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,本申请同样可以实施。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,以便于凸显本申请的主旨。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
图1图示了根据本申请实施例的钕铁硼磁铁生产的优化控制系统的框图示意图。如图1所示,根据本申请实施例的钕铁硼磁铁生产的优化控制系统100,包括:钕铁硼磁铁生产数据采集模块110,用于获取由监控摄像头采集压制过程的预定时间段的监控视频,以及获取在各个时间点的压制工艺参数,所述压制工艺参数包括压制过程的压力和温度;钕铁硼磁铁生产数据处理模块120,用于从所述监控视频提取压制变化特征向量,以及从所述各个时间点的各项压制工艺参数通过特征提取以得到多尺度压制工艺参数关联特征向量;钕铁硼磁铁生产数据融合模块130,用于融合所述压制变化特征向量和所述多尺度压制工艺参数关联特征向量以获得工艺参数优化特征向量;钕铁硼磁铁生产数据分析模块140,用于将所述工艺参数优化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参数是否需要调整。
在本申请实施例中,钕铁硼磁铁生产数据采集模块110,用于获取由监控摄像头采集压制过程的预定时间段的监控视频,以及获取在各个时间点的压制工艺参数,所述压制工艺参数包括压制过程的压力和温度。应可以理解,获取由监控摄像头采集的压制过程监控视频可以提供直观的视觉信息,可以通过观察视频来了解钕铁硼磁铁的压制过程中的变化和状态。而获取在各个时间点的压制工艺参数,包括压力和温度等,可以提供定量的数据信息,用于分析和评估压制过程中的工艺条件。具体地,监控视频可以提供直观的视觉信息,通过观察视频,可以观察到压制过程中的材料流动、形状变化、表面质量等情况。视觉信息能够直观地反映出生产过程中的问题和异常,帮助工作人员及时发现并解决问题。压制工艺参数,如压力和温度等,可以定量地反映出生产过程中的工艺条件。通过收集和记录这些参数的变化,可以建立数据模型,分析和评估不同参数对产品质量的影响,找出最佳的工艺参数组合,以实现优化控制。通过结合监控视频和压制工艺参数,可以综合利用视觉信息和数据信息,从而更全面地了解和控制生产过程。视觉信息提供了直观的观察结果,可以帮助发现问题和异常情况,而数据信息则提供了定量的参数数值,可以进行更深入的分析和优化。综合利用这两方面的信息,可以更准确地评估生产过程中的状态和品质,并采取相应的控制措施。
在本申请实施例中,钕铁硼磁铁生产数据处理模块120,用于从所述监控视频提取压制变化特征向量,以及从所述各个时间点的各项压制工艺参数通过特征提取以得到多尺度压制工艺参数关联特征向量。应可以理解,监控视频可以提供钕铁硼磁铁压制过程中的视觉信息,包括材料流动、形状变化、表面质量等方面的变化。通过提取这些变化的特征向量,可以将复杂的压制过程转化为数值化的描述,方便后续的分析和处理。压制工艺参数,如压力和温度等,可以反映出生产过程中的工艺条件。然而,单一的参数无法完全描述复杂的生产过程。通过从各个时间点获取多个压制工艺参数,并将它们结合起来提取特征向量,可以在多个尺度上分析和描述压制过程的变化。这样可以捕捉到不同时间点的工艺参数之间的关联性和相互影响,提供更全面的信息。通过提取压制变化特征向量和多尺度压制工艺参数关联特征向量,可以将视觉信息和数据信息融合在一起,实现对生产过程的全面分析。这些特征向量可以用于建立模型、进行数据挖掘和机器学习等分析方法,从而发现潜在的规律和关联性。通过综合分析特征向量,可以更好地理解和控制钕铁硼磁铁的生产过程,优化工艺参数的选择和调整,提高产品质量和生产效率。
具体地,在本申请的一个实施例中,图2图示了根据本申请实施例的钕铁硼磁铁生产的优化控制系统中钕铁硼磁铁生产数据处理模块的框图示意图。如图2所示,在上述钕铁硼磁铁生产的优化控制系统100中,所述钕铁硼磁铁生产数据处理模块120,包括:监控视频处理单元121,用于从所述监控视频提取关键帧后通过三维卷积编码以得到所述压制变化特征向量;压制工艺参数处理单元122,用于将所述各个时间点的各项压制工艺参数排列为向量后通过特征提取以得到所述多尺度压制工艺参数关联特征向量。
相应地,在本申请一个具体的示例中,所述监控视频处理单元121,用于从所述监控视频提取关键帧后通过三维卷积编码以得到所述压制变化特征向量。应可以理解,监控视频通常以连续的帧序列形式记录。由于压制过程中的变化可能是连续的,但并非所有帧都包含关键信息。因此,从视频中提取关键帧有助于减少数据量和冗余信息,同时保留重要的时间点和变化。针对提取的关键帧,使用三维卷积编码可以捕捉到时空信息的特征。三维卷积将考虑关键帧中的时间维度、空间维度和通道维度,能够有效地提取出视频中的结构和模式。通过卷积操作,可以提取出关键帧中的空间特征、运动模式和纹理等信息。通过三维卷积编码,从关键帧中提取的特征可以被组织成一个特征向量。该特征向量可以包含关键帧中的各种视觉特征,如形状、纹理、颜色等。这样,通过对关键帧进行编码,可以将视频中的压制变化转化为数值化的特征向量,方便后续的分析和处理。
进一步,图3图示了根据本申请实施例的钕铁硼磁铁生产的优化控制系统中监控视频处理单元的框图示意图。如图3所示,在上述钕铁硼磁铁生产的优化控制系统100的钕铁硼磁铁生产数据处理模块120中,所述监控视频处理单元121,包括:关键帧提取子单元1211,用于从所述监控视频提取多个监控关键帧;空间注意力编码子单元1212,用于将所述多个监控关键帧分别通过使用空间注意力机制的第一卷积神经网络模型以得到多个压制监控特征矩阵;三维卷积编码子单元1213,用于将所述多个压制监控特征矩阵沿着通道维度聚合为三维输入张量后通过使用三维卷积核的第二卷积神经网络模型以得到所述压制变化特征向量。
具体地,所述关键帧提取子单元1211,用于从所述监控视频提取多个监控关键帧。应可以理解,监控视频通常以连续的帧序列记录,包含了从开始到结束的完整过程。然而,不是每一帧都包含关键信息或变化。提取多个监控关键帧可以选择具有代表性和信息丰富度的帧,以捕捉到钕铁硼磁铁压制过程中的关键信息。这些关键帧可以包括压制过程的起始、结束、关键转折点等。监控视频通常是高维的数据,包含大量的帧和像素信息。提取多个监控关键帧可以将视频数据进行降维,减少数据量和计算复杂度。通过选择关键帧,可以保留重要的时间点和变化,同时减少冗余信息,使后续分析和处理更加高效。关键帧代表了钕铁硼磁铁压制过程中的重要视觉信息。通过提取多个监控关键帧,可以获得不同时间点的视觉信息,包括材料流动、形状变化、表面质量等方面的变化。这些关键帧可以用于后续的特征提取、模式识别和分析,从而更好地理解和控制压制过程。相应地,所述关键帧提取子单元,用于:以预定采样频率从所述监控视频提取多个监控关键帧。
具体地,所述空间注意力编码子单元1212,用于将所述多个监控关键帧分别通过使用空间注意力机制的第一卷积神经网络模型以得到多个压制监控特征矩阵。应可以理解,关键帧中包含了钕铁硼磁铁压制过程中的空间信息,如形状、纹理、边缘等。通过使用卷积神经网络模型,可以有效地提取关键帧中的空间特征。卷积层可以通过滤波器操作捕捉到不同尺度和方向的特征,从而提取出关键帧中的结构和模式。在关键帧中,不同区域的空间特征可能具有不同的重要性。通过使用空间注意力机制,可以对关键帧进行加权,使得网络模型更加关注重要的区域。这样做可以提高关键信息的表示能力,减少冗余特征的干扰,从而更好地捕捉到钕铁硼磁铁压制过程中的关键特征。通过将多个关键帧分别输入网络模型,可以得到多个压制监控特征矩阵。每个特征矩阵代表了对应关键帧的空间特征表示。这样做可以保留每个关键帧的独立信息,同时充分利用关键帧之间的差异性。多个特征矩阵可以用于后续的特征融合、模式识别和分析,提供更全面的视角和更准确的结果。
相应地,卷积神经网络是一种强大的图像处理工具,能够有效地提取图像中的空间特征。通过将关键帧输入到卷积神经网络模型中,卷积层可以捕捉到不同尺度和方向的特征,如边缘、纹理、形状等。这些空间特征对于理解和分析钕铁硼磁铁压制过程中的关键信息非常重要。空间注意力机制可以帮助网络模型更加关注关键帧中的重要区域。在钕铁硼磁铁压制过程中,不同区域的变化可能具有不同的重要性。通过引入空间注意力机制,可以对每个关键帧中的特征进行加权,使得模型更加关注那些对于压制过程具有关键作用的区域。这样做可以增强关键信息的表示能力,提高后续分析和处理的准确性。
相应地,所述所述空间注意力编码子单元,包括:深度卷积编码二级子单元,用于使用所述第一卷积神经网络模型的卷积编码部分对所述监控关键帧进行深度卷积编码以得到初始卷积特征图;空间注意力二级子单元,用于将所述初始卷积特征图输入所述第一卷积神经网络模型的空间注意力部分以得到空间注意力图;Softmax激活二级子单元,用于将所述空间注意力图通过Softmax激活函数以得到空间注意力特征图;位置点乘二级子单元,用于计算所述空间注意力特征图和所述初始卷积特征图的按位置点乘以得到监控特征图;降维二级子单元,用于对所述监控特征图进行沿通道维度的全局均值池化处理以得到所述压制监控特征矩阵。
具体地,所述三维卷积编码子单元1213,用于将所述多个压制监控特征矩阵沿着通道维度聚合为三维输入张量后通过使用三维卷积核的第二卷积神经网络模型以得到所述压制变化特征向量。应可以理解,通过将多个压制监控特征矩阵沿着通道维度聚合为三维输入张量,可以将每个特征矩阵中的空间特征和通道特征进行整合。这样做的好处是可以保留每个特征矩阵的独立信息,并充分利用它们之间的相关性。通过聚合特征矩阵,可以提供更全面和丰富的特征表示,捕捉到压制过程中的多样化特征。三维卷积神经网络可以处理具有时间维度的数据。在这种情况下,压制监控特征矩阵可以被看作是一个时间序列,其中每个特征矩阵代表一个时刻的特征。通过使用三维卷积核,可以在时间维度上捕捉特征之间的时序关系,从而更好地理解压制过程中的动态变化。这有助于提取压制变化的特征,并将其编码为特征向量。通过使用三维卷积神经网络模型,可以对聚合后的特征张量进行特征提取和编码。这样得到的压制变化特征向量包含了压制过程中的关键信息,其中包括了空间特征、通道特征和时序关系。这个特征向量可以作为后续分析和处理的输入,用于进一步的模式识别、分类、预测等任务。
相应地,所述三维卷积编码子单元,包括:压制监控特征卷积单元,用于基于所述三维卷积核对输入数据进行三维卷积处理以得到卷积特征图;压制监控特征池化单元,用于对所述卷积特征图沿通道维度的各个特征矩阵进行池化以得到池化特征图;压制监控特征激活单元,用于对所述池化特征图进行非线性激活以得到激活特征图;其中,所述第二卷积神经网络模型的最后一层的输出为所述压制变化特征向量,所述第二卷积神经网络模型的第一层的输入为所述三维输入张量。
相应地,在本申请一个具体的示例中,所述压制工艺参数处理单元122,用于将所述各个时间点的各项压制工艺参数排列为向量后通过特征提取以得到所述多尺度压制工艺参数关联特征向量。应可以理解,在压制过程中,各个时间点的各项压制工艺参数之间可能存在一定的关联性。这些参数之间的相互作用和变化可以提供有关压制过程的重要信息。通过将各个时间点的各项压制工艺参数排列为向量,可以将这些参数的关联性捕捉到,并在特征提取过程中加以利用。特征提取是一种将原始数据转换为更具代表性的特征表示的过程。通过对排列后的压制工艺参数向量进行特征提取,可以提取出与压制过程相关的重要特征。这些特征可以是各项参数之间的统计特征、频域特征、时间序列特征等。通过特征提取,可以降低数据的维度,并提取出对于描述压制过程关键的特征信息。压制工艺参数可能存在多个尺度的变化,如微小变化、中等变化和大幅度变化等。通过将各个时间点的各项压制工艺参数排列为向量,并进行特征提取,可以得到多尺度的压制工艺参数关联特征。这样可以综合考虑不同尺度上的压制过程变化,提高特征的表达能力和鲁棒性。通过特征提取得到的多尺度压制工艺参数关联特征可以组成一个特征向量。这个特征向量包含了各个时间点的各项压制工艺参数之间的关联信息,可以作为后续分析和处理的输入。例如,可以将特征向量用于模式识别、异常检测、预测等任务,从而实现对压制过程的监控和控制。
进一步,图4图示了根据本申请实施例的钕铁硼磁铁生产的优化控制系统中监控视频处理单元的框图示意图。如图4所示,在上述钕铁硼磁铁生产的优化控制系统100的钕铁硼磁铁生产数据处理模块120中,所述压制工艺参数处理单元122,包括:工艺参数排列向量子单元1221,用于将所述各个时间点的各项压制工艺参数按照参数样本维度以时间维度排列为多个压制工艺参数输入向量;多尺度特征提取子单元1222,用于将所述多个压制工艺参数输入向量排列为一维压制工艺参数特征向量后通过多尺度邻域特征提取模块以得到所述多尺度压制工艺参数关联特征向量。
具体地,所述工艺参数排列向量子单元1221,用于将所述各个时间点的各项压制工艺参数按照参数样本维度以时间维度排列为多个压制工艺参数输入向量。应可以理解,压制工艺参数通常是随时间变化的。将各个时间点的各项压制工艺参数按照时间维度排列可以保留参数之间的时序关系。这样做可以捕捉到参数随时间的变化趋势和模式,有助于分析和理解压制过程的动态特征。在实际的压制过程中,各个时间点的压制工艺参数往往是连续变化的。通过按照时间维度排列参数,可以保持这种连续性,并将其编码为多个压制工艺参数输入向量。这样可以更好地捕捉到参数之间的变化趋势和关联性,提供更全面和准确的特征表示。按照时间维度排列的压制工艺参数可以作为输入数据,通过特征提取方法提取出更有代表性的特征。例如,可以使用时间序列分析方法,如滑动窗口、傅里叶变换、小波变换等,提取出与压制过程相关的频域特征、时域特征等。这些特征可以更好地描述和区分不同时间点的压制工艺参数,为后续的分析和处理提供更有意义的信息。将各个时间点的各项压制工艺参数按照参数样本维度以时间维度排列为多个压制工艺参数输入向量,可以保持数据表示的一致性。每个压制工艺参数输入向量都包含了相同时间点的不同参数值,使得输入数据具有相同的维度和结构。这样可以方便地应用各种机器学习和深度学习方法进行模型训练和预测。
具体地,所述多尺度特征提取子单元1222,用于将所述多个压制工艺参数输入向量排列为一维压制工艺参数特征向量后通过多尺度邻域特征提取模块以得到所述多尺度压制工艺参数关联特征向量。应可以理解,将多个压制工艺参数输入向量排列为一维特征向量可以统一它们的表示形式。这样做有助于处理和分析,使得不同时间点和不同参数的数据具有相同的维度和结构。统一的特征表示方便后续的特征提取和模型训练。通过将多个压制工艺参数输入向量排列为一维特征向量,可以利用多尺度邻域特征提取模块来提取不同尺度上的关联特征。多尺度特征提取可以捕捉到不同时间点和不同参数之间的关联性,从而更好地描述压制过程的动态特征。例如,可以使用滑动窗口或卷积神经网络等方法,在一维特征向量上提取局部邻域特征。通过多尺度邻域特征提取,可以增加特征的表达能力。不同尺度的特征提取可以捕捉到不同层次的特征信息,从而更全面地描述压制过程中参数的关联性。这有助于提高特征的判别能力和鲁棒性,使得后续的任务(如模式识别、异常检测等)更准确和可靠。将多个压制工艺参数输入向量排列为一维特征向量后,可以通过多尺度邻域特征提取模块来降低特征向量的维度。这有助于减少数据的冗余信息,并提高特征的紧凑性和有效性。降低维度可以减少计算复杂度,并提高后续任务的效率。
进一步,所述多尺度特征提取子单元,包括:第一尺度压制工艺参数编码二级子单元,用于使用所述多尺度邻域特征提取模块的第一卷积层以具有第一尺度的一维卷积核对所述一维压制工艺参数特征向量进行一维卷积编码以得到第一尺度压制工艺参数特征向量,其中,所述第一卷积层具有第一长度的第一一维卷积核;第二尺度压制工艺参数编码二级子单元,用于使用所述多尺度邻域特征提取模块的第二卷积层以具有第二尺度的一维卷积核对所述一维压制工艺参数特征向量进行一维卷积编码以得到第二尺度压制工艺参数特征向量,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;多尺度压制工艺参数级联二级子单元,用于将所述第一尺度压制工艺参数特征向量和所述第二尺度压制工艺参数特征向量进行级联以得到所述多尺度压制工艺参数关联特征向量。
在本申请实施例中,钕铁硼磁铁生产数据融合模块130,用于融合所述压制变化特征向量和所述多尺度压制工艺参数关联特征向量以获得工艺参数优化特征向量。应可以理解,压制变化特征向量和多尺度压制工艺参数关联特征向量分别捕捉了不同方面的信息。压制变化特征向量反映了参数随时间的变化趋势和模式,而多尺度压制工艺参数关联特征向量则描述了不同参数之间的关联性。融合这两个特征向量可以综合利用它们所包含的信息,提供更全面和准确的特征表示。融合压制变化特征向量和多尺度压制工艺参数关联特征向量可以丰富特征的表达能力。压制变化特征向量和多尺度压制工艺参数关联特征向量从不同角度描述了压制过程中参数的变化和关联性,它们之间存在互补性。通过融合这两个特征向量,可以更好地捕捉到参数变化和关联性之间的细微差异,提高特征的判别能力和鲁棒性。融合压制变化特征向量和多尺度压制工艺参数关联特征向量可以得到工艺参数优化特征向量。这个特征向量可以作为工艺参数优化的输入,用于指导和优化压制过程。通过综合考虑参数变化趋势和关联性,工艺参数优化特征向量能够提供更准确和全面的特征表示,有助于找到最佳的工艺参数组合,提高压制过程的效果和质量。融合压制变化特征向量和多尺度压制工艺参数关联特征向量可以简化特征的表示形式。将它们融合为一个特征向量可以减少数据的维度和冗余信息,提高特征的紧凑性和效率。这样可以简化后续任务的处理和计算过程,提高系统的整体性能。
相应地,在本申请的一个实施例中,所述钕铁硼磁铁生产数据融合模块,用于:以如下融合所述压制变化特征向量和所述多尺度压制工艺参数关联特征向量以获得所述工艺参数优化特征向量;
其中,所述融合公式为:其中,/>为所述工艺参数优化特征向量,/>为所述压制变化特征向量,/>为所述多尺度压制工艺参数关联特征向量,“/>”表示所述压制变化特征向量和所述多尺度压制工艺参数关联特征向量相对应位置处的元素相加,/>为用于控制所述工艺参数优化特征向量中所述压制变化特征向量和所述多尺度压制工艺参数关联特征向量之间的平衡的加权参数。
在本申请实施例中,钕铁硼磁铁生产数据分析模块140,用于将所述工艺参数优化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参数是否需要调整。应可以理解,通过将工艺参数优化特征向量输入分类器,可以得到分类结果,即判断参数是否需要调整。这个分类结果可以作为决策的依据,帮助确定是否需要进行参数调整。分类器可以基于已有的训练数据学习参数调整的模式和规律,从而预测出最可能的调整结果。使用分类器进行参数调整决策可以实现自动化的决策过程。通过将工艺参数优化特征向量输入分类器,可以自动判断参数是否需要调整,而不需要人工干预。这样可以提高决策的效率和准确性,减少人力成本和时间消耗。利用分类器进行参数调整决策可以提高参数调整的效率和精确度。分类器可以根据工艺参数优化特征向量的特征表示,对参数调整进行预测和推断。这有助于快速找到最佳的参数调整策略,提高压制过程的效果和质量。通过将工艺参数优化特征向量输入分类器,可以实现实时的反馈和调整。分类器可以快速判断参数是否需要调整,并及时给出调整建议。这样可以在压制过程中实时监控参数的状态,并根据分类结果进行相应的调整,以保证良好的压制效果。
相应地,在本申请的一个实施例中,所述钕铁硼磁铁生产数据分析模块,包括:全连接编码单元,用于使用所述分类器的全连接层对所述工艺参数优化特征向量进行全连接编码以得到全连接编码特征向量;概率获得单元,用于将所述全连接编码特征向量通过所述分类器的Softmax分类函数以得到归属于参数需要调整的第一概率以及归属于参数不需要调整的第二概率;分类结果确定单元,用于基于所述第一概率和所述第二概率之间的比较,确定所述分类结果。
应可以理解,在利用上述神经网络模型进行推断之前,需要对所述空间注意力机制的第一卷积神经网络模型、所述第二卷积神经网络模型、所述多尺度邻域特征提取模块和所述分类器进行训练。也就是说,根据本申请的钕铁硼磁铁生产的优化控制系统100,还包括训练模块200,用于对所述空间注意力机制的第一卷积神经网络模型、所述第二卷积神经网络模型、所述多尺度邻域特征提取模块和所述分类器进行训练。
具体地,所述训练模块200,包括:训练数据采集单元,用于获取训练数据,所述训练数据包括训练预定时间段的监控视频,以及训练各个时间点的压制工艺参数;训练关键帧单元,用于从所述训练预定时间段的监控视频提取多个训练监控关键帧;训练压制监控特征单元,用于将所述多个训练监控关键帧分别通过使用空间注意力机制的第一卷积神经网络模型以得到多个训练压制监控特征矩阵;训练三维卷积单元,用于将所述多个训练压制监控特征矩阵沿着通道维度聚合为训练三维输入张量后通过使用三维卷积核的第二卷积神经网络模型以得到训练压制变化特征向量;训练压制工艺参数单元,用于将所述训练各个时间点的各项压制工艺参数按照参数样本维度以时间维度排列为多个训练压制工艺参数输入向量;训练多尺度参数单元,用于将所述多个训练压制工艺参数输入向量排列为训练一维压制工艺参数特征向量后通过多尺度邻域特征提取模块以得到训练多尺度压制工艺参数关联特征向量;训练参数优化单元,用于融合所述训练压制变化特征向量和所述训练多尺度压制工艺参数关联特征向量以获得训练工艺参数优化特征向量;计算损失函数值单元,用于计算所述训练压制变化特征向量和所述训练多尺度压制工艺参数关联特征向量之间的目标维度概率密度联合相关兼容系数作为损失函数值;分类损失单元,用于将所述训练工艺参数优化特征向量通过分类器以得到分类损失函数值;模型训练单元,用于计算所述损失函数值和所述分类损失函数值的加权和作为最终损失函数值,对所述空间注意力机制的第一卷积神经网络模型、所述第二卷积神经网络模型、所述多尺度邻域特征提取模块和所述分类器进行训练。
特别地,在本申请的技术方案中,考虑到由于训练压制变化特征向量和训练多尺度压制工艺参数关联特征向量在高维特征空间中指向不同维度,类似地,它们与目标维度也可能具有不同的高维分歧。这导致在融合训练压制变化特征向量和训练多尺度压制工艺参数关联特征向量以得到训练工艺参数优化特征向量的过程中,存在目标维度概率密度方向异性的问题,从而导致训练工艺参数优化特征向量的整体概率密度分布不均一。具体来说,训练压制变化特征向量反映了压制过程中的变化情况,而训练多尺度压制工艺参数关联特征向量则反映了压制工艺参数的关联特征。由于它们在高维特征空间中指向不同维度,特征融合时存在目标维度概率密度方向异性的问题。在特征融合过程中,将训练压制变化特征向量和训练多尺度压制工艺参数关联特征向量进行融合,旨在将它们的信息综合起来,以得到更全面的训练工艺参数优化特征向量。然而,由于它们在目标维度上的分布方向可能不一致,特征融合后的训练工艺参数优化特征向量的整体概率密度分布不均一。这种不均一的概率密度分布可能对分类结果产生影响,基于此,计算所述训练压制变化特征向量和所述训练多尺度压制工艺参数关联特征向量之间的目标维度概率密度联合相关兼容系数作为损失函数值,以提高分类结果的准确性和稳定性。
具体地,以如下公式计算所述训练压制变化特征向量和所述训练多尺度压制工艺参数关联特征向量之间的目标维度概率密度联合相关兼容系数作为损失函数值;其中,所述公式为:其中,/>表示所述训练压制变化特征向量,/>表示所述训练多尺度压制工艺参数关联特征向量,/>表示向量的Frobenius范数,/>表示向量的指数运算,/>表示特征向量之间的余弦相似性,/>表示所述目标维度概率密度联合相关兼容系数。
也就是,考虑到所述训练压制变化特征向量和所述训练多尺度压制工艺参数关联特征向量在高维特征空间内分别指向不同维度,因此所述训练压制变化特征向量和所述训练多尺度压制工艺参数关联特征向量分别与目标维度具有不同的高维分歧,这使得在融合所述训练压制变化特征向量和所述训练多尺度压制工艺参数关联特征向量以得到训练工艺参数优化特征向量的过程中,所述训练压制变化特征向量和所述训练多尺度压制工艺参数关联特征向量存在目标维度概率密度方向异性,导致所述训练工艺参数优化特征向量的整体概率密度分布的不均一。为了解决这个问题,在本申请的技术方案中,计算所述训练压制变化特征向量和所述训练多尺度压制工艺参数关联特征向量之间的目标维度概率密度联合相关兼容系数,所述目标维度概率密度联合相关兼容系数反映了所述训练压制变化特征向量和所述训练多尺度压制工艺参数关联特征向量在目标维度上的概率密度分布的相似程度,其值越接近于1,表示所述训练压制变化特征向量和所述训练多尺度压制工艺参数关联特征向量在目标维度上的概率密度分布越一致,越有利于融合,其值越接近于0,表示所述训练压制变化特征向量和所述训练多尺度压制工艺参数关联特征向量在目标维度上的概率密度分布越无关,对融合的影响不大。以所述目标维度概率密度联合相关兼容系数作为损失函数值,可以使得所述训练压制变化特征向量和所述训练多尺度压制工艺参数关联特征向量能够根据其在高维特征空间内的子区域间和子区域内的相关性或依赖性,来促进特征向量间向着与目标维度方向双向逼近,以满足特征向量的融合表达在特征概率上的相关性,从而提高特征向量的表征能力和分类性能。
综上,基于本申请实施例的所述钕铁硼磁铁生产的优化控制系统及方法,其通过监控摄像头采集压制过程的监控视频和各个时间点的压制工艺参数,包括压力和温度,然后从监控视频中提取压制变化特征向量,并通过特征提取将各个时间点的压制工艺参数转化为多尺度压制工艺参数关联特征向量,接着,将压制变化特征向量和多尺度压制工艺参数关联特征向量融合,得到工艺参数优化特征向量,最后,通过分类器对工艺参数优化特征向量进行分类,以确定是否需要调整参数。这样可以解决现有钕铁硼磁铁生产中工艺繁琐、效率低下以及生产良率低的问题。
如上所述,根据本申请实施例的所述钕铁硼磁铁生产的优化控制系统100可以实现在各种终端设备中,例如钕铁硼磁铁生产的优化控制系统的服务器等。在一个示例中,根据钕铁硼磁铁生产的优化控制系统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,该钕铁硼磁铁生产的优化控制系统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,该钕铁硼磁铁生产的优化控制系统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,该钕铁硼磁铁生产的优化控制系统100与该终端设备也可以是分立的设备,并且该钕铁硼磁铁生产的优化控制系统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。
图5为根据本申请实施例的钕铁硼磁铁生产的优化控制方法的流程图。如图5所示,根据本申请实施例的所述钕铁硼磁铁生产的优化控制方法,包括步骤:S110,获取由监控摄像头采集压制过程的预定时间段的监控视频,以及获取在各个时间点的压制工艺参数,所述压制工艺参数包括压制过程的压力和温度;S120,从所述监控视频提取压制变化特征向量,以及从所述各个时间点的各项压制工艺参数通过特征提取以得到多尺度压制工艺参数关联特征向量;S130,融合所述压制变化特征向量和所述多尺度压制工艺参数关联特征向量以获得工艺参数优化特征向量;S140,将所述工艺参数优化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参数是否需要调整。
这里,本领域技术人员可以理解,上述钕铁硼磁铁生产的优化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4的钕铁硼磁铁生产的优化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。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接,也可以是电的,机械的或其它的形式连接。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可通过以上的实施方式的描述,所属领域的技术人员可以清楚地了解到本发明可以
用硬件实现,或固件实现,或它们的组合方式来实现。当使用软件实现时,可以将上述功能存储在计算机可读介质中或作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计算机存储介质和通信介质,其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是计算机能够存取的任何可用介质。以此为例但不限于:计算机可读介质可以包括RAM、ROM、EEPROM、CD-ROM或其他光盘存储、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质。此外。任何连接可以适当的成为计算机可读介质。例如,如果软件是使用同轴电缆、光纤光缆、双绞线、数字用户线(DSL )或者诸如红外线、无线电和微波之类的无线技术从网站、服务器或者其他远程源传输的,那么同轴电缆、光纤光缆、双绞线、DSL或者诸如红外线、无线和微波之类的无线技术包括在所属介质的 定影中。如本发明所使用的,盘(Disk )和碟(disc)包括压缩光碟(CD)、激光碟、光碟、数字通用光碟( DVD )、软盘和蓝光光碟,其中盘通常磁性的复制数据,而碟则用激光来光学的复制数据。上面的组合也应当包括在计算机可读介质的保护范围之内。
总之,以上所述仅为本发明技术方案的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种钕铁硼磁铁生产的优化控制系统,其特征在于,包括:
钕铁硼磁铁生产数据采集模块,用于获取由监控摄像头采集压制过程的预定时间段的监控视频,以及获取在各个时间点的压制工艺参数,所述压制工艺参数包括压制过程的压力和温度;
钕铁硼磁铁生产数据处理模块,用于从所述监控视频提取压制变化特征向量,以及从所述各个时间点的各项压制工艺参数通过特征提取以得到多尺度压制工艺参数关联特征向量;
钕铁硼磁铁生产数据融合模块,用于融合所述压制变化特征向量和所述多尺度压制工艺参数关联特征向量以获得工艺参数优化特征向量;
钕铁硼磁铁生产数据分析模块,用于将所述工艺参数优化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参数是否需要调整;
其中,还包括用于对空间注意力机制的第一卷积神经网络模型、第二卷积神经网络模型、多尺度邻域特征提取模块和分类器进行训练的训练模块;
其中,所述训练模块,包括:
训练数据采集单元,用于获取训练数据,所述训练数据包括训练预定时间段的监控视频,以及训练各个时间点的压制工艺参数;
训练关键帧单元,用于从所述训练预定时间段的监控视频提取多个训练监控关键帧;
训练压制监控特征单元,用于将所述多个训练监控关键帧分别通过使用空间注意力机制的第一卷积神经网络模型以得到多个训练压制监控特征矩阵;
训练三维卷积单元,用于将所述多个训练压制监控特征矩阵沿着通道维度聚合为训练三维输入张量后通过使用三维卷积核的第二卷积神经网络模型以得到训练压制变化特征向量;
训练压制工艺参数单元,用于将所述训练各个时间点的各项压制工艺参数按照参数样本维度以时间维度排列为多个训练压制工艺参数输入向量;
训练多尺度参数单元,用于将所述多个训练压制工艺参数输入向量排列为训练一维压制工艺参数特征向量后通过多尺度邻域特征提取模块以得到训练多尺度压制工艺参数关联特征向量;
训练参数优化单元,用于融合所述训练压制变化特征向量和所述训练多尺度压制工艺参数关联特征向量以获得训练工艺参数优化特征向量;
计算损失函数值单元,用于计算所述训练压制变化特征向量和所述训练多尺度压制工艺参数关联特征向量之间的目标维度概率密度联合相关兼容系数作为损失函数值;
分类损失单元,用于将所述训练工艺参数优化特征向量通过分类器以得到分类损失函数值;
模型训练单元,用于计算所述损失函数值和所述分类损失函数值的加权和作为最终损失函数值,对所述空间注意力机制的第一卷积神经网络模型、所述第二卷积神经网络模型、所述多尺度邻域特征提取模块和所述分类器进行训练;
其中,所述计算损失函数值单元,用于:以如下公式计算所述训练压制变化特征向量和所述训练多尺度压制工艺参数关联特征向量之间的目标维度概率密度联合相关兼容系数作为损失函数值;其中,所述公式为:其中,/>表示所述训练压制变化特征向量,/>表示所述训练多尺度压制工艺参数关联特征向量,/>表示向量的Frobenius范数,/>表示向量的指数运算,/>表示特征向量之间的余弦相似性,/>表示所述目标维度概率密度联合相关兼容系数。
2.根据权利要求1所述的钕铁硼磁铁生产的优化控制系统,其特征在于,所述钕铁硼磁铁生产数据处理模块,包括:
监控视频处理单元,用于从所述监控视频提取关键帧后通过三维卷积编码以得到所述压制变化特征向量;
压制工艺参数处理单元,用于将所述各个时间点的各项压制工艺参数排列为向量后通过特征提取以得到所述多尺度压制工艺参数关联特征向量。
3.根据权利要求2所述的钕铁硼磁铁生产的优化控制系统,其特征在于,所述监控视频处理单元,包括:
关键帧提取子单元,用于从所述监控视频提取多个监控关键帧;
空间注意力编码子单元,用于将所述多个监控关键帧分别通过使用空间注意力机制的第一卷积神经网络模型以得到多个压制监控特征矩阵;
三维卷积编码子单元,用于将所述多个压制监控特征矩阵沿着通道维度聚合为三维输入张量后通过使用三维卷积核的第二卷积神经网络模型以得到所述压制变化特征向量。
4.根据权利要求3所述的钕铁硼磁铁生产的优化控制系统,其特征在于,所述空间注意力编码子单元,包括:
深度卷积编码二级子单元,用于使用所述第一卷积神经网络模型的卷积编码部分对所述监控关键帧进行深度卷积编码以得到初始卷积特征图;
空间注意力二级子单元,用于将所述初始卷积特征图输入所述第一卷积神经网络模型的空间注意力部分以得到空间注意力图;
Softmax激活二级子单元,用于将所述空间注意力图通过Softmax激活函数以得到空间注意力特征图;
位置点乘二级子单元,用于计算所述空间注意力特征图和所述初始卷积特征图的按位置点乘以得到监控特征图;
降维二级子单元,用于对所述监控特征图进行沿通道维度的全局均值池化处理以得到所述压制监控特征矩阵。
5.根据权利要求4所述的钕铁硼磁铁生产的优化控制系统,其特征在于,所述三维卷积编码子单元,包括:
压制监控特征卷积单元,用于基于所述三维卷积核对输入数据进行三维卷积处理以得到卷积特征图;
压制监控特征池化单元,用于对所述卷积特征图沿通道维度的各个特征矩阵进行池化以得到池化特征图;
压制监控特征激活单元,用于对所述池化特征图进行非线性激活以得到激活特征图;
其中,所述第二卷积神经网络模型的最后一层的输出为所述压制变化特征向量,所述第二卷积神经网络模型的第一层的输入为所述三维输入张量。
6.根据权利要求5所述的钕铁硼磁铁生产的优化控制系统,其特征在于,所述压制工艺参数处理单元,包括:
工艺参数排列向量子单元,用于将所述各个时间点的各项压制工艺参数按照参数样本维度以时间维度排列为多个压制工艺参数输入向量;
多尺度特征提取子单元,用于将所述多个压制工艺参数输入向量排列为一维压制工艺参数特征向量后通过多尺度邻域特征提取模块以得到所述多尺度压制工艺参数关联特征向量。
7.根据权利要求6所述的钕铁硼磁铁生产的优化控制系统,其特征在于,所述多尺度特征提取子单元,包括:
第一尺度压制工艺参数编码二级子单元,用于使用所述多尺度邻域特征提取模块的第一卷积层以具有第一尺度的一维卷积核对所述一维压制工艺参数特征向量进行一维卷积编码以得到第一尺度压制工艺参数特征向量,其中,所述第一卷积层具有第一长度的第一一维卷积核;
第二尺度压制工艺参数编码二级子单元,用于使用所述多尺度邻域特征提取模块的第二卷积层以具有第二尺度的一维卷积核对所述一维压制工艺参数特征向量进行一维卷积编码以得到第二尺度压制工艺参数特征向量,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;
多尺度压制工艺参数级联二级子单元,用于将所述第一尺度压制工艺参数特征向量和所述第二尺度压制工艺参数特征向量进行级联以得到所述多尺度压制工艺参数关联特征向量。
8.一种钕铁硼磁铁生产的优化控制方法,其特征在于,包括:
获取由监控摄像头采集压制过程的预定时间段的监控视频,以及获取在各个时间点的压制工艺参数,所述压制工艺参数包括压制过程的压力和温度;
从所述监控视频提取压制变化特征向量,以及从所述各个时间点的各项压制工艺参数通过特征提取以得到多尺度压制工艺参数关联特征向量;
融合所述压制变化特征向量和所述多尺度压制工艺参数关联特征向量以获得工艺参数优化特征向量;
将所述工艺参数优化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参数是否需要调整;
其中,还包括:对空间注意力机制的第一卷积神经网络模型、第二卷积神经网络模型、多尺度邻域特征提取模块和分类器进行训练;
其中,对空间注意力机制的第一卷积神经网络模型、第二卷积神经网络模型、多尺度邻域特征提取模块和分类器进行训练,包括:
获取训练数据,所述训练数据包括训练预定时间段的监控视频,以及训练各个时间点的压制工艺参数;
从所述训练预定时间段的监控视频提取多个训练监控关键帧;
将所述多个训练监控关键帧分别通过使用空间注意力机制的第一卷积神经网络模型以得到多个训练压制监控特征矩阵;
将所述多个训练压制监控特征矩阵沿着通道维度聚合为训练三维输入张量后通过使用三维卷积核的第二卷积神经网络模型以得到训练压制变化特征向量;
将所述训练各个时间点的各项压制工艺参数按照参数样本维度以时间维度排列为多个训练压制工艺参数输入向量;
将所述多个训练压制工艺参数输入向量排列为训练一维压制工艺参数特征向量后通过多尺度邻域特征提取模块以得到训练多尺度压制工艺参数关联特征向量;
融合所述训练压制变化特征向量和所述训练多尺度压制工艺参数关联特征向量以获得训练工艺参数优化特征向量;
计算所述训练压制变化特征向量和所述训练多尺度压制工艺参数关联特征向量之间的目标维度概率密度联合相关兼容系数作为损失函数值;
将所述训练工艺参数优化特征向量通过分类器以得到分类损失函数值;
计算所述损失函数值和所述分类损失函数值的加权和作为最终损失函数值,对所述空间注意力机制的第一卷积神经网络模型、所述第二卷积神经网络模型、所述多尺度邻域特征提取模块和所述分类器进行训练;
其中,计算所述训练压制变化特征向量和所述训练多尺度压制工艺参数关联特征向量之间的目标维度概率密度联合相关兼容系数作为损失函数值,包括:以如下公式计算所述训练压制变化特征向量和所述训练多尺度压制工艺参数关联特征向量之间的目标维度概率密度联合相关兼容系数作为损失函数值;其中,所述公式为:其中,/>表示所述训练压制变化特征向量,/>表示所述训练多尺度压制工艺参数关联特征向量,/>表示向量的Frobenius范数,/>表示向量的指数运算,/>表示特征向量之间的余弦相似性,/>表示所述目标维度概率密度联合相关兼容系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410131836.9A CN117669838B (zh) | 2024-01-31 | 2024-01-31 | 钕铁硼磁铁生产的优化控制系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410131836.9A CN117669838B (zh) | 2024-01-31 | 2024-01-31 | 钕铁硼磁铁生产的优化控制系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117669838A CN117669838A (zh) | 2024-03-08 |
CN117669838B true CN117669838B (zh) | 2024-05-10 |
Family
ID=90064511
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410131836.9A Active CN117669838B (zh) | 2024-01-31 | 2024-01-31 | 钕铁硼磁铁生产的优化控制系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117669838B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN116052050A (zh) * | 2023-02-03 | 2023-05-02 | 深圳市橙洁士日用化工科技有限公司 | 洗涤剂智能化生产系统及其方法 |
CN117058622A (zh) * | 2023-08-28 | 2023-11-14 | 海宁市立洁环保有限公司 | 污水处理设备的智能监测系统及其方法 |
CN117315585A (zh) * | 2023-10-11 | 2023-12-29 | 湖南盛翔自控有限公司 | 电解槽智能控制系统及其方法 |
WO2024000800A1 (zh) * | 2022-06-30 | 2024-01-04 | 福建省龙德新能源有限公司 | 用于六氟磷酸锂制备的能源管理控制系统及其控制方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114724012B (zh) * | 2022-06-10 | 2022-08-23 | 天津大学 | 基于时空跨尺度注意力融合热带不稳定波预警方法及装置 |
-
2024
- 2024-01-31 CN CN202410131836.9A patent/CN117669838B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024000800A1 (zh) * | 2022-06-30 | 2024-01-04 | 福建省龙德新能源有限公司 | 用于六氟磷酸锂制备的能源管理控制系统及其控制方法 |
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 |
CN116052050A (zh) * | 2023-02-03 | 2023-05-02 | 深圳市橙洁士日用化工科技有限公司 | 洗涤剂智能化生产系统及其方法 |
CN117058622A (zh) * | 2023-08-28 | 2023-11-14 | 海宁市立洁环保有限公司 | 污水处理设备的智能监测系统及其方法 |
CN117315585A (zh) * | 2023-10-11 | 2023-12-29 | 湖南盛翔自控有限公司 | 电解槽智能控制系统及其方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117669838A (zh) | 2024-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ma et al. | dipIQ: Blind image quality assessment by learning-to-rank discriminable image pairs | |
KR101457284B1 (ko) | 콘텐츠 기반 이미지 검색을 가능하게 하는 방법 및 장치 | |
CN116599857B (zh) | 一种适用于物联网多场景的数字孪生应用系统 | |
CN115358281B (zh) | 一种基于机器学习的冷热一体机监测控制方法及系统 | |
CN109145940B (zh) | 图像识别方法和装置 | |
CN116546023A (zh) | 一种油气作业区暴力行为识别方法及系统 | |
CN117784710B (zh) | 数控机床远程状态监控系统及其方法 | |
CN116232696A (zh) | 基于深度神经网络的加密流量分类方法 | |
CN117669838B (zh) | 钕铁硼磁铁生产的优化控制系统及方法 | |
Kumar et al. | Deep feature based forgery detection in video using parallel convolutional neural network: VFID-Net | |
CN116233479A (zh) | 基于数据处理的直播信息内容审核系统及方法 | |
CN111178244A (zh) | 一种异常生产场景的识别方法 | |
JP4312143B2 (ja) | ルール発見プログラム、ルール発見方法およびルール発見装置 | |
CN109215057B (zh) | 一种高性能视觉跟踪方法及装置 | |
CN114283301A (zh) | 一种基于Transformer的自适应医学影像分类方法及系统 | |
CN113837107A (zh) | 模型训练方法、视频处理方法、电子设备及可读存储介质 | |
CN107025462B (zh) | 一种无人机遥测数据实时并行压缩处理方法 | |
CN113139496A (zh) | 一种基于时序多尺度融合的行人重识别方法及系统 | |
Lamichhane et al. | A no reference deep learning based model for quality assessment of UGC videos | |
CN117790353B (zh) | 一种el检测系统及el检测方法 | |
CN116595889B (zh) | 基于peek材料的薄型筋体均布结构加工方法及系统 | |
Lin et al. | Video steganography network based on 3DCNN | |
CN117221494A (zh) | 基于物联网和大数据的音视频综合管控平台 | |
CN116636660A (zh) | 一种电子烟烟油信息处理方法、系统及电子烟 | |
CN118211149A (zh) | 五金制品智能加工控制系统 |
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 |