CN116149280A - 电子级氢氧化钾的智能生产系统 - Google Patents
电子级氢氧化钾的智能生产系统 Download PDFInfo
- Publication number
- CN116149280A CN116149280A CN202310350735.6A CN202310350735A CN116149280A CN 116149280 A CN116149280 A CN 116149280A CN 202310350735 A CN202310350735 A CN 202310350735A CN 116149280 A CN116149280 A CN 116149280A
- Authority
- CN
- China
- Prior art keywords
- feature
- vector
- time sequence
- scale
- centrifugal
- 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.)
- Granted
Links
- KWYUFKZDYYNOTN-UHFFFAOYSA-M Potassium hydroxide Chemical compound [OH-].[K+] KWYUFKZDYYNOTN-UHFFFAOYSA-M 0.000 title claims abstract description 240
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 75
- WCUXLLCKKVVCTQ-UHFFFAOYSA-M Potassium chloride Chemical compound [Cl-].[K+] WCUXLLCKKVVCTQ-UHFFFAOYSA-M 0.000 claims abstract description 158
- 239000001103 potassium chloride Substances 0.000 claims abstract description 79
- 235000011164 potassium chloride Nutrition 0.000 claims abstract description 79
- 239000013078 crystal Substances 0.000 claims abstract description 74
- 230000008859 change Effects 0.000 claims abstract description 63
- 238000000926 separation method Methods 0.000 claims abstract description 43
- 239000013598 vector Substances 0.000 claims description 314
- 239000011159 matrix material Substances 0.000 claims description 147
- 238000000605 extraction Methods 0.000 claims description 94
- 238000005119 centrifugation Methods 0.000 claims description 70
- 238000009826 distribution Methods 0.000 claims description 38
- 238000005457 optimization Methods 0.000 claims description 30
- 230000004927 fusion Effects 0.000 claims description 27
- 230000006870 function Effects 0.000 claims description 23
- 230000003247 decreasing effect Effects 0.000 claims description 22
- 230000004043 responsiveness Effects 0.000 claims description 21
- 238000010586 diagram Methods 0.000 claims description 19
- 230000004044 response Effects 0.000 claims description 15
- 230000019771 cognition Effects 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 23
- 238000000034 method Methods 0.000 abstract description 17
- 238000003062 neural network model Methods 0.000 abstract description 9
- 238000013135 deep learning Methods 0.000 abstract description 8
- 238000013507 mapping Methods 0.000 abstract description 8
- 230000008901 benefit Effects 0.000 description 10
- 238000012545 processing Methods 0.000 description 10
- 238000003860 storage Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 238000004590 computer program Methods 0.000 description 8
- 238000001556 precipitation Methods 0.000 description 7
- VEXZGXHMUGYJMC-UHFFFAOYSA-N Hydrochloric acid Chemical compound Cl VEXZGXHMUGYJMC-UHFFFAOYSA-N 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 239000003153 chemical reaction reagent Substances 0.000 description 3
- 229910001385 heavy metal Inorganic materials 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 229910001415 sodium ion Inorganic materials 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000005094 computer simulation Methods 0.000 description 2
- 238000002425 crystallisation Methods 0.000 description 2
- 230000008025 crystallization Effects 0.000 description 2
- 150000002500 ions Chemical class 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 238000013341 scale-up Methods 0.000 description 2
- DGAQECJNVWCQMB-PUAWFVPOSA-M Ilexoside XXIX Chemical compound C[C@@H]1CC[C@@]2(CC[C@@]3(C(=CC[C@H]4[C@]3(CC[C@@H]5[C@@]4(CC[C@@H](C5(C)C)OS(=O)(=O)[O-])C)C)[C@@H]2[C@]1(C)O)C)C(=O)O[C@H]6[C@@H]([C@H]([C@@H]([C@H](O6)CO)O)O)O.[Na+] DGAQECJNVWCQMB-PUAWFVPOSA-M 0.000 description 1
- FKNQFGJONOIPTF-UHFFFAOYSA-N Sodium cation Chemical compound [Na+] FKNQFGJONOIPTF-UHFFFAOYSA-N 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 239000003513 alkali Substances 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005868 electrolysis reaction Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- IXCSERBJSXMMFS-UHFFFAOYSA-N hydrogen chloride Substances Cl.Cl IXCSERBJSXMMFS-UHFFFAOYSA-N 0.000 description 1
- 229910000041 hydrogen chloride Inorganic materials 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000005342 ion exchange Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 229910001414 potassium ion Inorganic materials 0.000 description 1
- CHWRSCGUEQEHOH-UHFFFAOYSA-N potassium oxide Chemical compound [O-2].[K+].[K+] CHWRSCGUEQEHOH-UHFFFAOYSA-N 0.000 description 1
- 229910001950 potassium oxide Inorganic materials 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000011734 sodium Substances 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32252—Scheduling production, machining, job shop
-
- 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
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Separation Of Solids By Using Liquids Or Pneumatic Power (AREA)
Abstract
本申请涉及智能控制领域，其具体地公开了一种电子级氢氧化钾的智能生产系统，其通过采用基于深度学习的神经网络模型挖掘出离心分离的过程中离心速率值的时序变化与分离得到的氯化钾晶体的重量值时序变化间的映射关系，以基于实际氯化钾晶体的分离析出量来进行离心速率的自适应控制，进而优化离心效率和效果，且确保离心分离能够稳定地进行。
Description
技术领域
本申请涉及智能控制领域，且更为具体地，涉及一种电子级氢氧化钾的智能生产系统。
背景技术
目前国内生产电子级氢氧化钾主要从终端入手，将得到的氢氧化钾片碱配制为不同浓度的氢氧化钾溶液，采用冷冻结晶或者离子交换等方法去除重金属及钠离子，但是这样得到氢氧化钾重金属离子仍然很高，钠离子降低并不明显，且产率较低，氢氧化钾损失较大，能耗较高。
鉴于上述不足，中国专利CN111910204A揭露了一种电子级氢氧化钾提纯工艺，其通过利用氯化氢气体通入氯化钾溶液中，形成同离子效应，氯化钾结晶析出，同时也利用到钠钾离子在盐酸溶液中的溶解度差异，其他重金属离子更易溶解在酸性溶液中，离心结晶得到高纯度试剂级氯化钾，然后利用双极膜设备进行电解来制得电子级氢氧化钾。
但是在该专利所揭露的方案中，在离心得到高纯度试剂级氯化钾时，离心的速率只是固定在某个范围内，并没有充分考虑到离心速率与氯化钾晶体的离心状态适配关系，导致在实际制备的过程中，离心得到的氯化钾晶体较少，大部分的氯化钾溶于溶液中，使得离心的效率和效果并不能满足生产要求所需。
因此，期望一种优化的电子级氢氧化钾的智能生产系统。
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子级氢氧化钾的智能生产系统，其通过采用基于深度学习的神经网络模型挖掘出离心分离的过程中离心速率值的时序变化与分离得到的氯化钾晶体的重量值时序变化间的映射关系，以基于实际氯化钾晶体的分离析出量来进行离心速率的自适应控制，进而优化离心效率和效果，且确保离心分离能够稳定地进行。
根据本申请的一个方面，提供了一种电子级氢氧化钾的智能生产系统，其包括：数据采集模块，用于获取预定时间段内多个预定时间点的离心速率值和所述多个预定时间点的分离得到的氯化钾晶体的重量值；相对重量计算模块，用于将所述多个预定时间点的分离得到的氯化钾晶体的重量值按照时间维度排列为重量输入向量后，计算所述重量输入向量中每相邻两个位置的重量值之间的差值以得到增量输入向量；重量时序变化特征提取模块，用于将所述增量输入向量通过多尺度邻域特征提取模块以得到增强时序特征向量；离心速率时序变化特征提取模块，用于将所述多个预定时间点的离心速率值按照时间维度排列为离心速率输入向量后通过所述多尺度邻域特征提取模块以得到离心速率时序特征向量；关联编码模块，用于计算所述增强时序特征向量相对于所述离心速率时序特征向量的响应性估计以得到分类特征矩阵；特征优化模块，用于基于所述增强时序特征向量和所述离心速率时序特征向量，对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵；以及离心速率控制模块，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，所述分类结果用于表示当前时间点的离心速率值应增大或应减小。
在上述电子级氢氧化钾的智能生产系统中，所述多尺度邻域特征提取模块，包括：第一卷积层、与所述第一卷积层并行的第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层，其中，所述第一卷积层使用具有第一长度的一维卷积核，所述第二卷积层使用具有第二长度的一维卷积核。
在上述电子级氢氧化钾的智能生产系统中，所述重量时序变化特征提取模块，包括:第一尺度增强时序特征提取单元，用于将所述增量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增强时序特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；第二尺度增强时序特征提取单元，用于将所述增量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增强时序特征向量，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；以及，第一多尺度级联单元，用于将所述第一邻域尺度增强时序特征向量和所述第二邻域尺度增强时序特征向量进行级联以得到所述增强时序特征向量。其中，所述第一尺度增强时序特征提取单元，用于：使用所述多尺度邻域特征提取模块的第一卷积层以如下公式对所述增量输入向量进行一维卷积编码以得到第一邻域尺度增强时序特征向量；其中，所述公式为：
，其中，/>
为第一卷积核在/>
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，/>
为第一卷积核的尺寸，/>
表示所述增量输入向量；以及，所述第二尺度增强时序特征提取单元，用于：使用所述多尺度邻域特征提取模块的第二卷积层以如下公式对所述增量输入向量进行一维卷积编码以得到所述第二邻域尺度增强时序特征向量；其中，所述公式为：
，其中，/>
为第二卷积核在/>
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，/>
为第二卷积核的尺寸，/>
表示所述增量输入向量。
在上述电子级氢氧化钾的智能生产系统中，所述离心速率时序变化特征提取模块，包括：第一尺度离心速率时序特征提取单元，用于将所述离心速率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离心速率时序特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；第二尺度离心速率时序特征提取单元，用于将所述离心速率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离心速率时序特征向量，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；以及，第二多尺度级联单元，用于将所述第一邻域尺度离心速率时序特征向量和所述第二邻域尺度离心速率时序特征向量进行级联以得到所述离心速率时序特征向量。
在上述电子级氢氧化钾的智能生产系统中，所述关联编码模块，包括：高斯密度图构造单元，用于分别构造所述增强时序特征向量和所述离心速率时序特征向量的高斯密度图以得到增强高斯密度图和离心速率高斯密度图；高斯响应性估计单元，用于计算所述增强高斯密度图相对于所述离心速率高斯密度图的响应性估计以得到响应性高斯密度图；以及，高斯离散化单元，用于对所述响应性高斯密度图进行高斯离散化处理以得到所述分类特征矩阵。
在上述电子级氢氧化钾的智能生产系统中，所述高斯密度图构造单元，用于：构造所述增强时序特征向量的增强高斯密度图，其中，所述增强高斯密度图的均值向量为所述增强时序特征向量，所述增强高斯密度图的协方差矩阵中各个位置的值为所述增强时序特征向量中相应两个位置的特征值之间的方差；以及，构造所述离心速率时序特征向量的离心速率高斯密度图，其中，所述离心速率高斯密度图的均值向量为所述离心速率时序特征向量，所述离心速率高斯密度图的协方差矩阵中各个位置的值为所述离心速率时序特征向量中相应两个位置的特征值之间的方差；
在上述电子级氢氧化钾的智能生产系统中，所述高斯响应性估计单元，用于：以如下公式计算所述增强高斯密度图相对于所述离心速率高斯密度图的响应性估计以得到响应性高斯密度图；其中，所述公式为：
，其中/>
表示所述增/>
，/>
表示所述离心速率高斯密度图，/>
表示所述响应性高斯密度图。
在上述电子级氢氧化钾的智能生产系统中，所述特征优化模块，包括：特征关联单元，用于计算所述增强时序特征向量和所述离心速率时序特征向量的逐位置关联以获得关联特征矩阵；以及，优化融合单元，用于将所述关联特征矩阵和所述分类特征矩阵进行基于尺度认知的高斯联合密度融合以得到所述优化分类特征图。
在上述电子级氢氧化钾的智能生产系统中，所述优化融合单元，用于：以如下优化公式将所述关联特征矩阵和所述分类特征矩阵进行基于尺度认知的高斯联合密度融合以得到所述优化分类特征图；其中，所述优化公式为：
其中，/>
和/>
分别表示所述关联特征矩阵和所述分类特征矩阵，/>
和/>
分别是所述关联特征矩阵和所述分类特征矩阵中各个位置的特征值，/>
和/>
分别是所述关联特征矩阵和所述分类特征矩阵的所有特征值的特征集合的均值和方差，/>
和/>
分别是特征矩阵的宽度和高度，/>
表示特征尺度，/>
表示和，且/>
是所述优化分类特征矩阵的各个位置特征值。
在上述电子级氢氧化钾的智能生产系统中，所述离心速率控制模块，包括：展开单元，用于将所述优化分类特征矩阵基于行向量或列向量展开为分类特征向量；全连接编码单元，用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，分类结果生成单元，用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
根据本申请的另一方面，提供了一种电子级氢氧化钾的智能生产方法，其包括：获取预定时间段内多个预定时间点的离心速率值和所述多个预定时间点的分离得到的氯化钾晶体的重量值；将所述多个预定时间点的分离得到的氯化钾晶体的重量值按照时间维度排列为重量输入向量后，计算所述重量输入向量中每相邻两个位置的重量值之间的差值以得到增量输入向量；将所述增量输入向量通过多尺度邻域特征提取模块以得到增强时序特征向量；将所述多个预定时间点的离心速率值按照时间维度排列为离心速率输入向量后通过所述多尺度邻域特征提取模块以得到离心速率时序特征向量；计算所述增强时序特征向量相对于所述离心速率时序特征向量的响应性估计以得到分类特征矩阵；基于所述增强时序特征向量和所述离心速率时序特征向量，对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵；以及将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的离心速率值应增大或应减小。
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子级氢氧化钾的智能生产方法。
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子级氢氧化钾的智能生产方法。
与现有技术相比，本申请提供的一种电子级氢氧化钾的智能生产系统，其通过采用基于深度学习的神经网络模型挖掘出离心分离的过程中离心速率值的时序变化与分离得到的氯化钾晶体的重量值时序变化间的映射关系，以基于实际氯化钾晶体的分离析出量来进行离心速率的自适应控制，进而优化离心效率和效果，且确保离心分离能够稳定地进行。
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子级氢氧化钾的智能生产系统的应用场景图。
图2为根据本申请实施例的电子级氢氧化钾的智能生产系统的框图。
图3为根据本申请实施例的电子级氢氧化钾的智能生产系统的系统架构图。
图4为根据本申请实施例的电子级氢氧化钾的智能生产系统中重量时序变化特征提取模块的框图。
图5为根据本申请实施例的电子级氢氧化钾的智能生产系统中关联编码模块的框图。
图6为根据本申请实施例的电子级氢氧化钾的智能生产系统中特征优化模块的框图。
图7为根据本申请实施例的电子级氢氧化钾的智能生产方法的流程图。
图8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。
申请概述:如前背景技术所言，中国专利CN111910204A揭露的一种电子级氢氧化钾提纯工艺，在离心得到高纯度试剂级氯化钾时，离心的速率只是固定在某个范围内，并没有充分考虑到离心速率与氯化钾晶体的离心状态适配关系，导致在实际制备的过程中，离心得到的氯化钾晶体较少，大部分的氯化钾溶于溶液中，使得离心的效率和效果并不能满足生产要求所需。因此，期望一种优化的电子级氢氧化钾的智能生产系统。
相应地，考虑到在离心分离的过程中，期待尽量减少离心分离的时间，其原因为当时间延长，溶液温度会发生变化，导致部分晶体会重新溶解入溶液，但如果离心速率过快会导致离心分离无法稳定地运转。因此，对于离心速率的控制应适配于分离得到的氯化钾晶体的变化情况，也就是说，基于分离得到的氯化钾晶体的重量值变化特征来自适应地调整离心速率，以在优化离心效率和效果的同时使得离心分离能够稳定地进行。但是，由于分离得到的氯化钾晶体的重量值和离心速率都在时间维度上有着时序的动态变化特性，并且这两者之间还具有着关于离心分离的协同的关联关系。因此，在此过程中，难点在于如何建立所述离心速率值的时序变化与所述分离得到的氯化钾晶体的重量值时序变化间的映射关系，以基于实际氯化钾晶体的分离析出量来进行离心速率的自适应控制，进而优化离心效率和效果，且确保离心分离能够稳定地进行。
近年来，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、文本信号处理等领域。深度学习以及神经网络的发展为挖掘所述离心速率值的时序变化与所述分离得到的氯化钾晶体的重量值时序变化之间的复杂映射关系提供了新的解决思路和方案。本领域普通技术人员应知晓，基于深度学习的深度神经网络模型可以通过适当的训练策略，例如通过梯度下降的反向传播算法来调整所述深度神经网络模型的参数以使之能够模拟事物之间的复杂的非线性关联，而这显然适合于模拟并建立所述离心速率值的时序变化与所述分离得到的氯化钾晶体的重量值时序变化之间的复杂映射关系。
具体地，在本申请的技术方案中，首先，获取预定时间段内多个预定时间点的离心速率值和所述多个预定时间点的分离得到的氯化钾晶体的重量值。接着，为了探究所述离心速率的时序变化与所述氯化钾晶体的重量时序变化之间的关联关系，需要挖掘出所述分离得到的氯化钾晶体的重量值的时序动态变化特征分布信息，考虑到若以绝对变化信息来进行氯化钾晶体的重量值的时序变化特征提取不仅会使得计算量较大造成过拟合，而且还会使得分离得到的氯化钾晶体的重量值的细微时序变化特征难以被察觉，进而影响后续实时控制离心速率的精准度。因此，在本申请的技术方案中，期望采用所述分离得到的氯化钾晶体的重量值的时序相对变化特征来进行后续的离心速率控制。具体地，将所述多个预定时间点的分离得到的氯化钾晶体的重量值按照时间维度排列为重量输入向量后，计算所述重量输入向量中每相邻两个位置的重量值之间的差值，以表示所述多个预定时间点中每相邻两个预定时间点的关于氯化钾晶体的重量值的相对变化信息，从而得到增量输入向量。
然后，考虑到由于所述分离得到的氯化钾晶体的重量值在时间维度上具有着不确定性，其在所述预定时间段内的不同时间周期跨度下具有着不同的动态变化特性，因此，在本申请的技术方案中，进一步将所述增量输入向量通过多尺度邻域特征提取模块中进行处理，以提取出所述分离得到的氯化钾晶体的重量值的相对量在不同时间周期跨度下的多尺度时序变化特征信息，从而得到增强时序特征向量。
进一步地，对于所述离心速率来说，考虑到所述离心速率也在时间维度上有着时序的动态变化规律性，其在所述预定时间段内的不同时间周期跨度下也具有着不同的动态变化特征信息。因此，在本申请的技术方案中，将所述多个预定时间点的离心速率值按照时间维度排列为离心速率输入向量后通过所述多尺度邻域特征提取模块中进行特征挖掘，以提取出所述离心速率在所述预定时间段内不同时间跨度下的动态多尺度邻域关联特征，从而得到离心速率时序特征向量。
然后，还考虑到由于所述氯化钾晶体的重量值的时序动态变化和所述离心速率值的时序动态变化在实际监测的过程中并不明显，因此，在得到所述增强时序特征向量和所述离心速率时序特征向量后，期望对其进行特征表达强化。应可以理解，作为神经网络模型的学习目标，高斯密度图可以表示特征分布的单个特征值由于其概率密度而在多个特征值构成整体分布情况下的联合分布，也就是，以特征分布作为先验分布，来获得每个先验分布位置下由于其它先验分布位置的相关性作用下的概率密度以作为后验分布，从而在更高维度上更准确地描述特征分布。因此，在本申请的技术方案中，可以通过所述氯化钾晶体的重量值和所述离心速率值的先验分布，即高斯分布，来对于所述增强时序特征向量和所述离心速率时序特征向量进行数据增强，也就是，基于高斯密度图对所述增强时序特征向量和所述离心速率时序特征向量进行特征表达强化。具体地，分别构造所述增强时序特征向量和所述离心速率时序特征向量的高斯密度图以得到增强高斯密度图和离心速率高斯密度图。
接着，再计算所述增强高斯密度图相对于所述离心速率高斯密度图的响应性估计，以此来表示所述分离得到的氯化钾晶体的重量值的时序动态多尺度变化特征和所述离心速率时序动态多尺度变化特征间的关联性特征分布信息，即在所述氯化钾晶体的分离重量时序变化特征下关于所述离心速度的时序变化特征信息，从而得到响应性高斯密度图。然后，对所述响应性高斯密度图进行高斯离散化处理，以在数据特征增广时不产生信息损失，从而得到分类特征矩阵。
进一步地，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离心速率值应增大或应减小。也就是，在本申请的技术方案中，所述分类器的标签包括当前时间点的离心速率值应增大(第一标签)，以及，当前时间点的离心速率值应减小(第二标签)，其中，所述分类器通过软最大值函数来确定所述分类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“当前时间点的离心速率值应增大或应减小”这种概念，其只是有两种分类标签且输出特征在这两个分类标签下的概率，即p1和p2 之和为一。因此，离心速率值应增大或应减小的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布，实质上用到的是标签的自然概率分布的物理意义，而不是“当前时间点的离心速率值应增大或应减小”的语言文本意义。应可以理解，在本申请的技术方案中，所述分类器的分类标签为所述当前时间点的离心速率值应增大或应减小的控制策略标签，因此，在得到所述分类结果后，可基于所述分类结果来自适应地调整所述当前时间点的离心速率值增大或减小，以此来优化离心效率和效果，且确保离心分离能够稳定地进行。
特别地，在本申请的技术方案中，这里，在使用高斯密度图计算所述增强时序特征向量相对于所述离心速率时序特征向量的响应性估计得到所述分类特征矩阵时，考虑到在高斯离散化过程中引入的随机特性，使得所述分类特征矩阵可能会模糊特征值尺度上的所述增强时序特征向量和所述离心速率时序特征向量的关联特征。因此，本申请的申请人考虑通过所述增强时序特征向量和所述离心速率时序特征向量的逐位置细粒度特征值尺度关联来对所述分类特征矩阵进行优化，从而提升所述分类特征矩阵的特征表达效果。
基于此，本申请的申请人首先计算所述增强时序特征向量和所述离心速率时序特征向量的逐位置关联以获得关联特征矩阵，例如记为
，并将所述关联特征矩阵/>
和所述分类特征矩阵，例如记为/>
进行基于尺度认知的高斯联合密度融合，以得到优化后的分类特征矩阵，具体表示为：/>
，/>
和/>
分别是/>
的特征集合（即，所述关联特征矩阵/>
和所述分类特征矩阵/>
的所有特征值的特征集合）的均值和方差，/>
表示属于所述特征集合的元素，/>
和/>
分别是特征矩阵的宽度和高度，且/>
是所述优化后的分类特征矩阵的特征值。
这里，所述基于尺度认知的高斯联合密度融合考虑到待融合特征的尺度最优表达特性，为了提高特征融合的有效性和相对于待融合特征的泛化性能，将具有尺度认知的高斯联合密度作为优势函数（advantage function），来对基于均值和方差的特征分布的分类表现差异（performance gap）进行策略表达（policy representation），从而提升特征融合的特征-尺度自依赖性，以实现所述优化后的分类特征矩阵对所述关联特征矩阵和所述分类特征矩阵的基于尺度的关联融合效果，从而提升了所述分类特征矩阵的特征表达效果，以改善其通过分类器得到的分类结果的准确性。这样，能够实时准确地基于实际氯化钾晶体的分离析出情况来进行离心速率的自适应控制，进而优化离心效率和效果，且确保离心分离能够稳定地进行。
基于此，本申请提出了一种电子级氢氧化钾的智能生产系统，其包括：数据采集模块，用于获取预定时间段内多个预定时间点的离心速率值和所述多个预定时间点的分离得到的氯化钾晶体的重量值；相对重量计算模块，用于将所述多个预定时间点的分离得到的氯化钾晶体的重量值按照时间维度排列为重量输入向量后，计算所述重量输入向量中每相邻两个位置的重量值之间的差值以得到增量输入向量；重量时序变化特征提取模块，用于将所述增量输入向量通过多尺度邻域特征提取模块以得到增强时序特征向量；离心速率时序变化特征提取模块，用于将所述多个预定时间点的离心速率值按照时间维度排列为离心速率输入向量后通过所述多尺度邻域特征提取模块以得到离心速率时序特征向量；关联编码模块，用于计算所述增强时序特征向量相对于所述离心速率时序特征向量的响应性估计以得到分类特征矩阵；特征优化模块，用于基于所述增强时序特征向量和所述离心速率时序特征向量，对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵；以及，离心速率控制模块，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，所述分类结果用于表示当前时间点的离心速率值应增大或应减小。
图1为根据本申请实施例的电子级氢氧化钾的智能生产系统的应用场景图。如图1所示，在该应用场景中，通过离心速率传感器（例如，如图1中所示意的V1）获取预定时间段内多个预定时间点的离心速率值，以及，通过重量传感器（例如，如图1中所示意的V2）获取所述多个预定时间点的分离得到的氯化钾晶体的重量值。接着，将上述信息输入至部署有用于电子级氢氧化钾的智能生产算法的服务器（例如，图1中的S）中，其中，所述服务器能够以所述电子级氢氧化钾的智能生产算法对上述输入的信息进行处理，以生成用于表示当前时间点的离心速率值应增大或应减小的分类结果。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性系统:图2为根据本申请实施例的电子级氢氧化钾的智能生产系统的框图。如图2所示，根据本申请实施例的电子级氢氧化钾的智能生产系统300，包括：数据采集模块310；相对重量计算模块320；重量时序变化特征提取模块330；离心速率时序变化特征提取模块340；关联编码模块350；特征优化模块360；以及，离心速率控制模块370。
其中，所述数据采集模块310，用于获取预定时间段内多个预定时间点的离心速率值和所述多个预定时间点的分离得到的氯化钾晶体的重量值；所述相对重量计算模块320，用于将所述多个预定时间点的分离得到的氯化钾晶体的重量值按照时间维度排列为重量输入向量后，计算所述重量输入向量中每相邻两个位置的重量值之间的差值以得到增量输入向量；所述重量时序变化特征提取模块330，用于将所述增量输入向量通过多尺度邻域特征提取模块以得到增强时序特征向量；所述离心速率时序变化特征提取模块340，用于将所述多个预定时间点的离心速率值按照时间维度排列为离心速率输入向量后通过所述多尺度邻域特征提取模块以得到离心速率时序特征向量；所述关联编码模块350，用于计算所述增强时序特征向量相对于所述离心速率时序特征向量的响应性估计以得到分类特征矩阵；所述特征优化模块360，用于基于所述增强时序特征向量和所述离心速率时序特征向量，对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵；以及，所述离心速率控制模块370，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，所述分类结果用于表示当前时间点的离心速率值应增大或应减小。
图3为根据本申请实施例的电子级氢氧化钾的智能生产系统的系统架构图。如图3所示，在该网络架构中，首先通过所述数据采集模块310获取预定时间段内多个预定时间点的离心速率值和所述多个预定时间点的分离得到的氯化钾晶体的重量值；接着，所述相对重量计算模块320将所述数据采集模块310获取的多个预定时间点的分离得到的氯化钾晶体的重量值按照时间维度排列为重量输入向量后，计算所述重量输入向量中每相邻两个位置的重量值之间的差值以得到增量输入向量；所述重量时序变化特征提取模块330将所述相对重量计算模块320得到的增量输入向量通过多尺度邻域特征提取模块以得到增强时序特征向量；所述离心速率时序变化特征提取模块340将所述数据采集模块310获取的多个预定时间点的离心速率值按照时间维度排列为离心速率输入向量后通过所述多尺度邻域特征提取模块以得到离心速率时序特征向量；然后，所述关联编码模块350计算所述重量时序变化特征提取模块330得到的增强时序特征向量相对于所述离心速率时序变化特征提取模块340得到的离心速率时序特征向量的响应性估计以得到分类特征矩阵；所述特征优化模块360基于所述增强时序特征向量和所述离心速率时序特征向量，对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵；进而，所述离心速率控制模块370将所述特征优化模块360得到的优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的离心速率值应增大或应减小。
具体地，在所述电子级氢氧化钾的智能生产系统300的运行过程中，所述数据采集模块310，用于获取预定时间段内多个预定时间点的离心速率值和所述多个预定时间点的分离得到的氯化钾晶体的重量值。应可以理解，在离心分离的过程中，期待尽量减少离心分离的时间，其原因为当时间延长，溶液温度会发生变化，导致部分晶体会重新溶解入溶液，但如果离心速率过快会导致离心分离无法稳定地运转。因此，对于离心速率的控制应适配于分离得到的氯化钾晶体的变化情况，因此，在本申请的技术方案中，可通过建立离心分离的过程中离心速率值的时序变化与分离得到的氯化钾晶体的重量值时序变化间的映射关系，以基于实际氯化钾晶体的分离析出量来进行离心速率的自适应控制，进而优化离心效率和效果，且确保离心分离能够稳定地进行。更具体地，首先，可通过离心速率传感器来获取预定时间段内多个预定时间点的离心速率值，以及，通过重量传感器来获取所述多个预定时间点的分离得到的氯化钾晶体的重量值。
具体地，在所述电子级氢氧化钾的智能生产系统300的运行过程中，所述相对重量计算模块320，用于将所述多个预定时间点的分离得到的氯化钾晶体的重量值按照时间维度排列为重量输入向量后，计算所述重量输入向量中每相邻两个位置的重量值之间的差值以得到增量输入向量。为了探究所述离心速率的时序变化与所述氯化钾晶体的重量时序变化之间的关联关系，需要挖掘出所述分离得到的氯化钾晶体的重量值的时序动态变化特征分布信息，考虑到若以绝对变化信息来进行氯化钾晶体的重量值的时序变化特征提取不仅会使得计算量较大造成过拟合，而且还会使得分离得到的氯化钾晶体的重量值的细微时序变化特征难以被察觉，进而影响后续实时控制离心速率的精准度。因此，在本申请的技术方案中，期望采用所述分离得到的氯化钾晶体的重量值的时序相对变化特征来进行后续的离心速率控制。具体地，将所述多个预定时间点的分离得到的氯化钾晶体的重量值按照时间维度排列为重量输入向量后，计算所述重量输入向量中每相邻两个位置的重量值之间的差值，以表示所述多个预定时间点中每相邻两个预定时间点的关于氯化钾晶体的重量值的相对变化信息，从而得到增量输入向量。
具体地，在所述电子级氢氧化钾的智能生产系统300的运行过程中，所述重量时序变化特征提取模块330，用于将所述增量输入向量通过多尺度邻域特征提取模块以得到增强时序特征向量。考虑到由于所述分离得到的氯化钾晶体的重量值在时间维度上具有着不确定性，其在所述预定时间段内的不同时间周期跨度下具有着不同的动态变化特性，因此，在本申请的技术方案中，进一步将所述增量输入向量通过多尺度邻域特征提取模块中进行处理，以提取出所述分离得到的氯化钾晶体的重量值的相对量在不同时间周期跨度下的多尺度时序变化特征信息，从而得到增强时序特征向量。其中，所述多尺度邻域特征提取模块，包括：第一卷积层、与所述第一卷积层并行的第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层，其中，所述第一卷积层使用具有第一长度的一维卷积核，所述第二卷积层使用具有第二长度的一维卷积核。
图4为根据本申请实施例的电子级氢氧化钾的智能生产系统中重量时序变化特征提取模块的框图。如图4所示，所述重量时序变化特征提取模块330，包括:第一尺度增强时序特征提取单元331，用于将所述增量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增强时序特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；第二尺度增强时序特征提取单元332，用于将所述增量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增强时序特征向量，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；以及，第一多尺度级联单元333，用于将所述第一邻域尺度增强时序特征向量和所述第二邻域尺度增强时序特征向量进行级联以得到所述增强时序特征向量。其中，所述第一尺度增强时序特征提取单元，用于：使用所述多尺度邻域特征提取模块的第一卷积层以如下公式对所述增量输入向量进行一维卷积编码以得到第一邻域尺度增强时序特征向量；其中，所述公式为：
，其中，/>
为第一卷积核在/>
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，/>
为第一卷积核的尺寸，/>
表示所述增量输入向量；以及，所述第二尺度增强时序特征提取单元，用于：使用所述多尺度邻域特征提取模块的第二卷积层以如下公式对所述增量输入向量进行一维卷积编码以得到所述第二邻域尺度增强时序特征向量；其中，所述公式为：/>
，其中，/>
为第二卷积核在/>
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，/>
为第二卷积核的尺寸，/>
表示所述增量输入向量。
具体地，在所述电子级氢氧化钾的智能生产系统300的运行过程中，所述离心速率时序变化特征提取模块340，用于将所述多个预定时间点的离心速率值按照时间维度排列为离心速率输入向量后通过所述多尺度邻域特征提取模块以得到离心速率时序特征向量。应可以理解，所述离心速率也在时间维度上有着时序的动态变化规律性，其在所述预定时间段内的不同时间周期跨度下也具有着不同的动态变化特征信息。因此，在本申请的技术方案中，将所述多个预定时间点的离心速率值按照时间维度排列为离心速率输入向量后通过所述多尺度邻域特征提取模块中进行特征挖掘，以提取出所述离心速率在所述预定时间段内不同时间跨度下的动态多尺度邻域关联特征，从而得到离心速率时序特征向量。更具体地，在本申请的一个具体示例中，首先，将所述离心速率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离心速率时序特征向量，再将所述离心速率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离心速率时序特征向量，最后，将所述第一邻域尺度离心速率时序特征向量和所述第二邻域尺度离心速率时序特征向量进行级联以得到所述离心速率时序特征向量。
具体地，在所述电子级氢氧化钾的智能生产系统300的运行过程中，所述关联编码模块350，用于计算所述增强时序特征向量相对于所述离心速率时序特征向量的响应性估计以得到分类特征矩阵。考虑到由于所述氯化钾晶体的重量值的时序动态变化和所述离心速率值的时序动态变化在实际监测的过程中并不明显，因此，在得到所述增强时序特征向量和所述离心速率时序特征向量后，期望对其进行特征表达强化。应可以理解，作为神经网络模型的学习目标，高斯密度图可以表示特征分布的单个特征值由于其概率密度而在多个特征值构成整体分布情况下的联合分布，也就是，以特征分布作为先验分布，来获得每个先验分布位置下由于其它先验分布位置的相关性作用下的概率密度以作为后验分布，从而在更高维度上更准确地描述特征分布。因此，在本申请的技术方案中，可以通过所述氯化钾晶体的重量值和所述离心速率值的先验分布，即高斯分布，来对于所述增强时序特征向量和所述离心速率时序特征向量进行数据增强，也就是，基于高斯密度图对所述增强时序特征向量和所述离心速率时序特征向量进行特征表达强化。具体地，分别构造所述增强时序特征向量和所述离心速率时序特征向量的高斯密度图以得到增强高斯密度图和离心速率高斯密度图，在一个具体示例中，构造所述增强时序特征向量的增强高斯密度图，其中，所述增强高斯密度图的均值向量为所述增强时序特征向量，所述增强高斯密度图的协方差矩阵中各个位置的值为所述增强时序特征向量中相应两个位置的特征值之间的方差；以及，构造所述离心速率时序特征向量的离心速率高斯密度图，其中，所述离心速率高斯密度图的均值向量为所述离心速率时序特征向量，所述离心速率高斯密度图的协方差矩阵中各个位置的值为所述离心速率时序特征向量中相应两个位置的特征值之间的方差。接着，再计算所述增强高斯密度图相对于所述离心速率高斯密度图的响应性估计，以此来表示所述分离得到的氯化钾晶体的重量值的时序动态多尺度变化特征和所述离心速率时序动态多尺度变化特征间的关联性特征分布信息，即在所述氯化钾晶体的分离重量时序变化特征下关于所述离心速度的时序变化特征信息，从而得到响应性高斯密度图。然后，对所述响应性高斯密度图进行高斯离散化处理，以在数据特征增广时不产生信息损失，从而得到分类特征矩阵。
图5为根据本申请实施例的电子级氢氧化钾的智能生产系统中关联编码模块的框图。如图5所示，所述关联编码模块350，包括：高斯密度图构造单元351，用于分别构造所述增强时序特征向量和所述离心速率时序特征向量的高斯密度图以得到增强高斯密度图和离心速率高斯密度图；高斯响应性估计单元352，用于计算所述增强高斯密度图相对于所述离心速率高斯密度图的响应性估计以得到响应性高斯密度图；以及，高斯离散化单元353，用于对所述响应性高斯密度图进行高斯离散化处理以得到所述分类特征矩阵。在一个示例中，所述高斯响应性估计单元352，用于：以如下公式计算所述增强高斯密度图相对于所述离心速率高斯密度图的响应性估计以得到响应性高斯密度图；其中，所述公式为：
，其中/>
表示所述增/>
，/>
表示所述离心速率高斯密度图，/>
表示所述响应性高斯密度图。
具体地，在所述电子级氢氧化钾的智能生产系统300的运行过程中，所述特征优化模块360，用于基于所述增强时序特征向量和所述离心速率时序特征向量，对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵。在本申请的技术方案中，这里，在使用高斯密度图计算所述增强时序特征向量相对于所述离心速率时序特征向量的响应性估计得到所述分类特征矩阵时，考虑到在高斯离散化过程中引入的随机特性，使得所述分类特征矩阵可能会模糊特征值尺度上的所述增强时序特征向量和所述离心速率时序特征向量的关联特征。因此，本申请的申请人考虑通过所述增强时序特征向量和所述离心速率时序特征向量的逐位置细粒度特征值尺度关联来对所述分类特征矩阵进行优化，从而提升所述分类特征矩阵的特征表达效果。基于此，本申请的申请人首先计算所述增强时序特征向量和所述离心速率时序特征向量的逐位置关联以获得关联特征矩阵，例如记为
，并将所述关联特征矩阵/>
和所述分类特征矩阵，例如记为/>
进行基于尺度认知的高斯联合密度融合，以得到优化后的分类特征矩阵，具体表示为：/>
其中，/>
和/>
分别表示所述关联特征矩阵和所述分类特征矩阵，/>
和/>
分别是所述关联特征矩阵和所述分类特征矩阵中各个位置的特征值，/>
和/>
分别是所述关联特征矩阵和所述分类特征矩阵的所有特征值的特征集合的均值和方差，/>
和/>
分别是特征矩阵的宽度和高度，/>
表示特征尺度，/>
表示和，且/>
是所述优化分类特征矩阵的各个位置特征值。这里，所述基于尺度认知的高斯联合密度融合考虑到待融合特征的尺度最优表达特性，为了提高特征融合的有效性和相对于待融合特征的泛化性能，将具有尺度认知的高斯联合密度作为优势函数（advantage function），来对基于均值和方差的特征分布的分类表现差异（performance gap）进行策略表达（policyrepresentation），从而提升特征融合的特征-尺度自依赖性，以实现所述优化后的分类特征矩阵对所述关联特征矩阵和所述分类特征矩阵的基于尺度的关联融合效果，从而提升了所述分类特征矩阵的特征表达效果，以改善其通过分类器得到的分类结果的准确性。这样，能够实时准确地基于实际氯化钾晶体的分离析出情况来进行离心速率的自适应控制，进而优化离心效率和效果，且确保离心分离能够稳定地进行。
图6为根据本申请实施例的电子级氢氧化钾的智能生产系统中特征优化模块的框图。如图6所示，所述特征优化模块360，包括：特征关联单元361，用于计算所述增强时序特征向量和所述离心速率时序特征向量的逐位置关联以获得关联特征矩阵；以及，优化融合单元362，用于将所述关联特征矩阵和所述分类特征矩阵进行基于尺度认知的高斯联合密度融合以得到所述优化分类特征图。
具体地，在所述电子级氢氧化钾的智能生产系统300的运行过程中，所述离心速率控制模块370，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，所述分类结果用于表示当前时间点的离心速率值应增大或应减小。也就是，在本申请的技术方案中，将所述优化分类特征矩阵作为分类特征矩阵通过分类器以得到分类结果，具体地，使用所述分类器以如下公式对所述优化分类特征矩阵进行处理以获得分类结果，其中，所述公式为：
，其中/>
表示将所述优化分类特征矩阵投影为向量，/>
至/>
为各层全连接层的权重矩阵，/>
至/>
表示各层全连接层的偏置向量。具体地，所述分类器包括多个全连接层和与所述多个全连接层最后一个全连接层级联的Softmax层。其中，在所述分类器的分类处理中，首先将所述优化分类特征矩阵投影为向量，例如，在一个具体的示例中，将所述优化分类特征矩阵沿着行向量或者列向量进行展开为分类特征向量；然后，使用所述分类器的多个全连接层对所述分类特征向量进行多次全连接编码以得到编码分类特征向量；进而，将所述编码分类特征向量输入所述分类器的Softmax层，即，使用所述Softmax分类函数对所述编码分类特征向量进行分类处理以得到分类标签。在本申请的技术方案中，所述分类器的标签包括当前时间点的离心速率值应增大(第一标签)，以及，当前时间点的离心速率值应减小(第二标签)，其中，所述分类器通过软最大值函数来确定所述分类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“当前时间点的离心速率值应增大或应减小”这种概念，其只是有两种分类标签且输出特征在这两个分类标签下的概率，即p1和p2 之和为一。因此，离心速率值应增大或应减小的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布，实质上用到的是标签的自然概率分布的物理意义，而不是“当前时间点的离心速率值应增大或应减小”的语言文本意义。应可以理解，在本申请的技术方案中，所述分类器的分类标签为所述当前时间点的离心速率值应增大或应减小的控制策略标签，因此，在得到所述分类结果后，可基于所述分类结果来自适应地调整所述当前时间点的离心速率值增大或减小，以此来优化离心效率和效果，且确保离心分离能够稳定地进行。
综上，根据本申请实施例的电子级氢氧化钾的智能生产系统300被阐明，其通过采用基于深度学习的神经网络模型挖掘出离心分离的过程中离心速率值的时序变化与分离得到的氯化钾晶体的重量值时序变化间的映射关系，以基于实际氯化钾晶体的分离析出量来进行离心速率的自适应控制，进而优化离心效率和效果，且确保离心分离能够稳定地进行。
如上所述，根据本申请实施例的电子级氢氧化钾的智能生产系统可以实现在各种终端设备中。在一个示例中，根据本申请实施例的电子级氢氧化钾的智能生产系统300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，该电子级氢氧化钾的智能生产系统300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，该电子级氢氧化钾的智能生产系统300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，该电子级氢氧化钾的智能生产系统300与该终端设备也可以是分立的设备，并且该电子级氢氧化钾的智能生产系统300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7为根据本申请实施例的电子级氢氧化钾的智能生产方法的流程图。如图7所示，根据本申请实施例的电子级氢氧化钾的智能生产方法，包括步骤：S110，获取预定时间段内多个预定时间点的离心速率值和所述多个预定时间点的分离得到的氯化钾晶体的重量值；S120，将所述多个预定时间点的分离得到的氯化钾晶体的重量值按照时间维度排列为重量输入向量后，计算所述重量输入向量中每相邻两个位置的重量值之间的差值以得到增量输入向量；S130，将所述增量输入向量通过多尺度邻域特征提取模块以得到增强时序特征向量；S140，将所述多个预定时间点的离心速率值按照时间维度排列为离心速率输入向量后通过所述多尺度邻域特征提取模块以得到离心速率时序特征向量；S150，计算所述增强时序特征向量相对于所述离心速率时序特征向量的响应性估计以得到分类特征矩阵；S160，基于所述增强时序特征向量和所述离心速率时序特征向量，对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵；以及，S170，将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的离心速率值应增大或应减小。
在一个示例中，在上述电子级氢氧化钾的智能生产方法中，所述步骤S130，包括：将所述增量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增强时序特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；将所述增量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增强时序特征向量，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；以及，将所述第一邻域尺度增强时序特征向量和所述第二邻域尺度增强时序特征向量进行级联以得到所述增强时序特征向量。其中，所述多尺度邻域特征提取模块，包括：第一卷积层、与所述第一卷积层并行的第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层，其中，所述第一卷积层使用具有第一长度的一维卷积核，所述第二卷积层使用具有第二长度的一维卷积核。更具体地，将所述增量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增强时序特征向量，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公式对所述增量输入向量进行一维卷积编码以得到第一邻域尺度增强时序特征向量；其中，所述公式为：
，其中，/>
为第一卷积核在/>
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，/>
为第一卷积核的尺寸，/>
表示所述增量输入向量；以及，将所述增量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增强时序特征向量，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公式对所述增量输入向量进行一维卷积编码以得到所述第二邻域尺度增强时序特征向量；其中，所述公式为：/>
，其中，/>
为第二卷积核在/>
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，/>
为第二卷积核的尺寸，/>
表示所述增量输入向量。
在一个示例中，在上述电子级氢氧化钾的智能生产方法中，所述步骤S140，包括：将所述离心速率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离心速率时序特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；将所述离心速率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离心速率时序特征向量，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；以及，将所述第一邻域尺度离心速率时序特征向量和所述第二邻域尺度离心速率时序特征向量进行级联以得到所述离心速率时序特征向量。
在一个示例中，在上述电子级氢氧化钾的智能生产方法中，所述步骤S150，包括：分别构造所述增强时序特征向量和所述离心速率时序特征向量的高斯密度图以得到增强高斯密度图和离心速率高斯密度图；计算所述增强高斯密度图相对于所述离心速率高斯密度图的响应性估计以得到响应性高斯密度图；以及，对所述响应性高斯密度图进行高斯离散化处理以得到所述分类特征矩阵。其中，分别构造所述增强时序特征向量和所述离心速率时序特征向量的高斯密度图以得到增强高斯密度图和离心速率高斯密度图，包括：构造所述增强时序特征向量的增强高斯密度图，其中，所述增强高斯密度图的均值向量为所述增强时序特征向量，所述增强高斯密度图的协方差矩阵中各个位置的值为所述增强时序特征向量中相应两个位置的特征值之间的方差；以及，构造所述离心速率时序特征向量的离心速率高斯密度图，其中，所述离心速率高斯密度图的均值向量为所述离心速率时序特征向量，所述离心速率高斯密度图的协方差矩阵中各个位置的值为所述离心速率时序特征向量中相应两个位置的特征值之间的方差；更具体地，计算所述增强高斯密度图相对于所述离心速率高斯密度图的响应性估计以得到响应性高斯密度图，包括：以如下公式计算所述增强高斯密度图相对于所述离心速率高斯密度图的响应性估计以得到响应性高斯密度图；其中，所述公式为：
，其中/>
表示所述增/>
，/>
表示所述离心速率高斯密度图，
表示所述响应性高斯密度图。
在一个示例中，在上述电子级氢氧化钾的智能生产方法中，所述步骤S160，包括：计算所述增强时序特征向量和所述离心速率时序特征向量的逐位置关联以获得关联特征矩阵；以及，将所述关联特征矩阵和所述分类特征矩阵进行基于尺度认知的高斯联合密度融合以得到所述优化分类特征图。其中，将所述关联特征矩阵和所述分类特征矩阵进行基于尺度认知的高斯联合密度融合以得到所述优化分类特征图，包括：以如下优化公式将所述关联特征矩阵和所述分类特征矩阵进行基于尺度认知的高斯联合密度融合以得到所述优化分类特征图；其中，所述优化公式为：
其中，/>
和/>
分别表示所述关联特征矩阵和所述分类特征矩阵，/>
和/>
分别是所述关联特征矩阵和所述分类特征矩阵中各个位置的特征值，/>
和/>
分别是所述关联特征矩阵和所述分类特征矩阵的所有特征值的特征集合的均值和方差，/>
和/>
分别是特征矩阵的宽度和高度，/>
表示特征尺度，/>
表示和，且/>
是所述优化分类特征矩阵的各个位置特征值。
在一个示例中，在上述电子级氢氧化钾的智能生产方法中，所述步骤S170，包括：将所述优化分类特征矩阵基于行向量或列向量展开为分类特征向量；使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
综上，根据本申请实施例的电子级氢氧化钾的智能生产方法被阐明，其通过采用基于深度学习的神经网络模型挖掘出离心分离的过程中离心速率值的时序变化与分离得到的氯化钾晶体的重量值时序变化间的映射关系，以基于实际氯化钾晶体的分离析出量来进行离心速率的自适应控制，进而优化离心效率和效果，且确保离心分离能够稳定地进行。
示例性电子设备:下面，参考图8来描述根据本申请实施例的电子设备。
图8图示了根据本申请实施例的电子设备的框图。
如图8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子级氢氧化钾的智能生产系统中的功能以及/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分类特征矩阵等各种内容。
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，包括分类结果等。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8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“示例性系统”部分中描述的根据本申请各种实施例的电子级氢氧化钾的智能生产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“示例性系统”部分中描述的根据本申请各种实施例的电子级氢氧化钾的智能生产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)
1.一种电子级氢氧化钾的智能生产系统，其特征在于，包括：数据采集模块，用于获取预定时间段内多个预定时间点的离心速率值和所述多个预定时间点的分离得到的氯化钾晶体的重量值；相对重量计算模块，用于将所述多个预定时间点的分离得到的氯化钾晶体的重量值按照时间维度排列为重量输入向量后，计算所述重量输入向量中每相邻两个位置的重量值之间的差值以得到增量输入向量；重量时序变化特征提取模块，用于将所述增量输入向量通过多尺度邻域特征提取模块以得到增强时序特征向量；离心速率时序变化特征提取模块，用于将所述多个预定时间点的离心速率值按照时间维度排列为离心速率输入向量后通过所述多尺度邻域特征提取模块以得到离心速率时序特征向量；关联编码模块，用于计算所述增强时序特征向量相对于所述离心速率时序特征向量的响应性估计以得到分类特征矩阵；特征优化模块，用于基于所述增强时序特征向量和所述离心速率时序特征向量，对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵；以及离心速率控制模块，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，所述分类结果用于表示当前时间点的离心速率值应增大或应减小。
2.根据权利要求1所述的电子级氢氧化钾的智能生产系统，其特征在于，所述多尺度邻域特征提取模块，包括：第一卷积层、与所述第一卷积层并行的第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层，其中，所述第一卷积层使用具有第一长度的一维卷积核，所述第二卷积层使用具有第二长度的一维卷积核，所述第一长度不同于所述第二长度。
3.根据权利要求2所述的电子级氢氧化钾的智能生产系统，其特征在于，所述重量时序变化特征提取模块，包括:第一尺度增强时序特征提取单元，用于将所述增量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增强时序特征向量；第二尺度增强时序特征提取单元，用于将所述增量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增强时序特征向量；以及第一多尺度级联单元，用于将所述第一邻域尺度增强时序特征向量和所述第二邻域尺度增强时序特征向量进行级联以得到所述增强时序特征向量；其中，所述第一尺度增强时序特征提取单元，用于：使用所述多尺度邻域特征提取模块的第一卷积层以如下公式对所述增量输入向量进行一维卷积编码以得到第一邻域尺度增强时序特征向量；其中，所述公式为：
，其中，/>
为第一卷积核在/>
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，/>
为第一卷积核的尺寸，/>
表示所述增量输入向量；以及所述第二尺度增强时序特征提取单元，用于：使用所述多尺度邻域特征提取模块的第二卷积层以如下公式对所述增量输入向量进行一维卷积编码以得到所述第二邻域尺度增强时序特征向量；其中，所述公式为：/>
，其中，/>
为第二卷积核在/>
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，/>
为第二卷积核的尺寸，/>
表示所述增量输入向量。
4.根据权利要求3所述的电子级氢氧化钾的智能生产系统，其特征在于，所述离心速率时序变化特征提取模块，包括：第一尺度离心速率时序特征提取单元，用于将所述离心速率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离心速率时序特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；第二尺度离心速率时序特征提取单元，用于将所述离心速率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离心速率时序特征向量，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；以及第二多尺度级联单元，用于将所述第一邻域尺度离心速率时序特征向量和所述第二邻域尺度离心速率时序特征向量进行级联以得到所述离心速率时序特征向量。
5.根据权利要求4所述的电子级氢氧化钾的智能生产系统，其特征在于，所述关联编码模块，包括：高斯密度图构造单元，用于分别构造所述增强时序特征向量和所述离心速率时序特征向量的高斯密度图以得到增强高斯密度图和离心速率高斯密度图；高斯响应性估计单元，用于计算所述增强高斯密度图相对于所述离心速率高斯密度图的响应性估计以得到响应性高斯密度图；以及高斯离散化单元，用于对所述响应性高斯密度图进行高斯离散化处理以得到所述分类特征矩阵。
6.根据权利要求5所述的电子级氢氧化钾的智能生产系统，其特征在于，所述高斯密度图构造单元，用于：构造所述增强时序特征向量的增强高斯密度图，其中，所述增强高斯密度图的均值向量为所述增强时序特征向量，所述增强高斯密度图的协方差矩阵中各个位置的值为所述增强时序特征向量中相应两个位置的特征值之间的方差；以及构造所述离心速率时序特征向量的离心速率高斯密度图，其中，所述离心速率高斯密度图的均值向量为所述离心速率时序特征向量，所述离心速率高斯密度图的协方差矩阵中各个位置的值为所述离心速率时序特征向量中相应两个位置的特征值之间的方差。
7.根据权利要求6所述的电子级氢氧化钾的智能生产系统，其特征在于，所述高斯响应性估计单元，用于：以如下公式计算所述增强高斯密度图相对于所述离心速率高斯密度图的响应性估计以得到响应性高斯密度图；其中，所述公式为：
，其中/>
表示所述增/>
，/>
表示所述离心速率高斯密度图，/>
表示所述响应性高斯密度图。
8.根据权利要求7所述的电子级氢氧化钾的智能生产系统，其特征在于，所述特征优化模块，包括：特征关联单元，用于计算所述增强时序特征向量和所述离心速率时序特征向量的逐位置关联以获得关联特征矩阵；以及优化融合单元，用于将所述关联特征矩阵和所述分类特征矩阵进行基于尺度认知的高斯联合密度融合以得到所述优化分类特征图。
9.根据权利要求8所述的电子级氢氧化钾的智能生产系统，其特征在于，所述优化融合单元，用于：以如下优化公式将所述关联特征矩阵和所述分类特征矩阵进行基于尺度认知的高斯联合密度融合以得到所述优化分类特征图；其中，所述优化公式为：
其中，
和/>
分别表示所述关联特征矩阵和所述分类特征矩阵，/>
和/>
分别是所述关联特征矩阵和所述分类特征矩阵中各个位置的特征值，/>
和/>
分别是所述关联特征矩阵和所述分类特征矩阵的所有特征值的特征集合的均值和方差，/>
和/>
分别是特征矩阵的宽度和高度，/>
表示特征尺度，/>
表示和，且/>
是所述优化分类特征矩阵的各个位置特征值。
10.根据权利要求9所述的电子级氢氧化钾的智能生产系统，其特征在于，所述离心速率控制模块，包括：展开单元，用于将所述优化分类特征矩阵基于行向量或列向量展开为分类特征向量；全连接编码单元，用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及分类结果生成单元，用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310350735.6A CN116149280B (zh) | 2023-04-04 | 2023-04-04 | 电子级氢氧化钾的智能生产系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310350735.6A CN116149280B (zh) | 2023-04-04 | 2023-04-04 | 电子级氢氧化钾的智能生产系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116149280A true CN116149280A (zh) | 2023-05-23 |
| CN116149280B CN116149280B (zh) | 2023-07-07 |
Family
ID=86362079
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310350735.6A Active CN116149280B (zh) | 2023-04-04 | 2023-04-04 | 电子级氢氧化钾的智能生产系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116149280B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116551466A (zh) * | 2023-05-24 | 2023-08-08 | 深圳市捷辉创科技有限公司 | Cnc加工过程中的智能监控系统及其方法 |
| CN116630857A (zh) * | 2023-05-26 | 2023-08-22 | 宁波开员塑业科技有限公司 | 一种含生物蛋白面料的制备方法及其系统 |
| CN118424809A (zh) * | 2024-04-25 | 2024-08-02 | 上海锦测医学检验所有限公司 | 一种蛋白质组学样品前处理装置及其处理方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101215547A (zh) * | 2008-01-15 | 2008-07-09 | 刘岱良 | 一种分离、纯化及提取脂肪间充质干细胞的方法 |
| CN102108346A (zh) * | 2009-12-25 | 2011-06-29 | 南通远大生物科技发展有限公司 | 一种溶菌酶的制备方法 |
| CN111289512A (zh) * | 2020-02-28 | 2020-06-16 | 中国水稻研究所 | 一种基于深度卷积神经网络的水稻籽粒碱消值高通量测定方法 |
| CN111910204A (zh) * | 2020-07-30 | 2020-11-10 | 华融化学股份有限公司 | 一种电子级氢氧化钾提纯工艺 |
| CN115202265A (zh) * | 2022-07-29 | 2022-10-18 | 福建天甫电子材料有限公司 | 电子级氢氧化钾的智慧产线的控制系统及其控制方法 |
| CN115797708A (zh) * | 2023-02-06 | 2023-03-14 | 南京博纳威电子科技有限公司 | 一种输配电同步数据采集方法 |
-
2023
- 2023-04-04 CN CN202310350735.6A patent/CN116149280B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101215547A (zh) * | 2008-01-15 | 2008-07-09 | 刘岱良 | 一种分离、纯化及提取脂肪间充质干细胞的方法 |
| CN102108346A (zh) * | 2009-12-25 | 2011-06-29 | 南通远大生物科技发展有限公司 | 一种溶菌酶的制备方法 |
| CN111289512A (zh) * | 2020-02-28 | 2020-06-16 | 中国水稻研究所 | 一种基于深度卷积神经网络的水稻籽粒碱消值高通量测定方法 |
| CN111910204A (zh) * | 2020-07-30 | 2020-11-10 | 华融化学股份有限公司 | 一种电子级氢氧化钾提纯工艺 |
| CN115202265A (zh) * | 2022-07-29 | 2022-10-18 | 福建天甫电子材料有限公司 | 电子级氢氧化钾的智慧产线的控制系统及其控制方法 |
| CN115797708A (zh) * | 2023-02-06 | 2023-03-14 | 南京博纳威电子科技有限公司 | 一种输配电同步数据采集方法 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116551466A (zh) * | 2023-05-24 | 2023-08-08 | 深圳市捷辉创科技有限公司 | Cnc加工过程中的智能监控系统及其方法 |
| CN116551466B (zh) * | 2023-05-24 | 2024-05-14 | 深圳市捷辉创科技有限公司 | Cnc加工过程中的智能监控系统及其方法 |
| CN116630857A (zh) * | 2023-05-26 | 2023-08-22 | 宁波开员塑业科技有限公司 | 一种含生物蛋白面料的制备方法及其系统 |
| CN118424809A (zh) * | 2024-04-25 | 2024-08-02 | 上海锦测医学检验所有限公司 | 一种蛋白质组学样品前处理装置及其处理方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116149280B (zh) | 2023-07-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116149280B (zh) | 电子级氢氧化钾的智能生产系统 | |
| CN116052050A (zh) | 洗涤剂智能化生产系统及其方法 | |
| CN115896817B (zh) | 氟氮混合气的生产方法及其系统 | |
| CN115202265A (zh) | 电子级氢氧化钾的智慧产线的控制系统及其控制方法 | |
| CN116015837A (zh) | 用于计算机网络信息安全的入侵检测方法及系统 | |
| CN116182471B (zh) | 智能化的节能冷库制冷系统及方法 | |
| CN116434117A (zh) | 一种复合聚丙烯酰胺驱油剂的制备方法 | |
| CN117315585B (zh) | 电解槽智能控制系统及其方法 | |
| CN117077075A (zh) | 用于环境保护的水质监测系统及其方法 | |
| CN116477663B (zh) | 电池级五氧化二钒的提纯制备方法及其系统 | |
| CN116036639A (zh) | 超声波诱导六氟磷酸盐结晶的控制系统及其方法 | |
| CN116164497A (zh) | 液氧制备过程中的精馏控制系统及其方法 | |
| CN115983126A (zh) | 异麦芽糖酐铁1000的智能化制备方法 | |
| CN116820052A (zh) | Pbt材料生产设备及其控制方法 | |
| CN116483132A (zh) | 基于驱动电机电流控制协同的煤流量控制系统及其方法 | |
| Wang et al. | Incomplete multi-view clustering via structure exploration and missing-view inference | |
| CN116434123A (zh) | 一种用于玫瑰蒸馏加工的控制方法及系统 | |
| CN116530952A (zh) | 基于智能穿戴设备的生命安全监测系统及其方法 | |
| CN117094651A (zh) | 一体化储能管理系统及能量管理方法 | |
| CN115984745A (zh) | 用于黑蒜发酵的水分控制方法 | |
| CN116624977B (zh) | 一种基于人工智能的楼宇自控系统及其方法 | |
| CN116785967B (zh) | 用于电子级六氟磷酸锂制备的自动配料系统 | |
| CN116678258A (zh) | 用于压力容器的冷热交换器及其控制方法 | |
| CN117404853A (zh) | 隧道掘进机外用循环水冷却系统及方法 | |
| CN116177858A (zh) | 高纯石英坩埚的制备方法及其系统 |
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 |