基于含钒矿石的氧化钒提取方法及其系统与流程

本技术涉及智能调控领域，且更为具体地，涉及一种基于含钒矿石的氧化钒提取方法及其系统。

背景技术：

1、从含钒矿石中提取氧化钒主要包括以下步骤：将含钒矿石破碎和磨细，增加矿石表面积，方便后续的化学反应；将磨细的矿石与适当的浸出剂混合，通常使用硫酸，这样可以与氧化反应形成可溶性的钒酸盐；将浸出液通过过滤器进行固液分离；通过一系列的化学反应和物理处理，将钒与其他杂质分离以获得纯度较高的钒化合物；通过调节浸出液的ph值或添加适当的沉淀剂，使钒形成沉淀，然后通过过滤的方法将沉淀分离出来；将钒沉淀物进行还原处理，将其转化为氧化钒；将还原后的钒化合物进行高温焙烧，使其转化为稳定的氧化钒；对焙烧后的氧化钒进行进一步的精炼处理，以提高其纯度和质量。

2、在氧化钒提取过程中的焙烧步骤，温度控制是非常重要的。焙烧是将还原后的钒化合物转换为稳定的氧化钒的过程，如果温度控制不精准，可能导致焙烧不完全，部分钒化合物无法转化为氧化钒，从而降低产品的纯度和质量。过高的焙烧温度会增加能源消耗，而过低的温度需要更长的焙烧时间，导致能耗增加。

3、因此，需要一种优化的基于含钒矿石的氧化钒提取方案。

技术实现思路

1、为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种基于含钒矿石的氧化钒提取方法及其系统，其采用人工智能的监控技术，基于焙烧过程中钒化合物的状态变化特征来自适应调整焙烧的温度。这样，可以实现精准控制焙烧温度，避免温度过高或过低影响产品纯度和质量的同时还可以减少能源消耗。

2、根据本技术的一个方面，提供了一种基于含钒矿石的氧化钒提取方法,其包括：

3、获取预定时间段内多个预定时间点的焙烧温度值以及所述预定时间段的焙烧监控视频；

4、从所述焙烧监控视频提取多个焙烧监控关键帧；

5、将所述多个焙烧监控关键帧分别通过作为过滤器的卷积神经网络模型以得到多个焙烧状态特征向量；

6、将所述多个焙烧状态特征向量通过基于转换器的上下文编码器以得到焙烧状态语义关联特征向量；

7、将所述多个预定时间点的焙烧温度值按照时间维度排列为焙烧温度输入向量后通过多尺度邻域特征提取模块以得到焙烧温度特征向量；

8、计算所述焙烧语义关联特征向量相对于所述焙烧温度特征向量的响应性估计以得到分类特征向量；以及

9、将所述分类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当前时间点的焙烧温度值应增大、保持不变，或应减小。

10、在上述基于含钒矿石的氧化钒提取方法中，所述从所述焙烧监控视频提取多个焙烧监控关键帧，包括：以预定采样频率从所述焙烧监控视频提取多个焙烧监控关键帧。

11、在上述基于含钒矿石的氧化钒提取方法中，所述将所述多个焙烧监控关键帧分别通过作为过滤器的卷积神经网络模型以得到多个焙烧状态特征向量，包括：使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行沿通道维度的池化以得到池化特征图；以及，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，所述作为过滤器的卷积神经网络模型的最后一层的输出为所述焙烧状态特征向量，所述作为过滤器的卷积神经网络模型的第一层的输入为所述焙烧监控关键帧。

12、在上述基于含钒矿石的氧化钒提取方法中，所述将所述多个焙烧状态特征向量通过基于转换器的上下文编码器以得到焙烧状态语义关联特征向量，包括：将所述多个焙烧状态特征向量排列为输入向量；将所述输入向量通过可学习嵌入矩阵分别转化为查询向量和关键向量；计算所述查询向量和所述关键向量的转置向量之间的乘积以得到自注意关联矩阵；对所述自注意关联矩阵进行标准化处理以得到标准化自注意关联矩阵；将所述标准化自注意关联矩阵输入softmax激活函数进行激活以得到自注意力特征矩阵；将所述自注意力特征矩阵与以多个焙烧状态特征向量中各个焙烧状态特征向量作为值向量分别进行相乘以得到所述多个焙烧状态关联特征向量；以及，将所述多个焙烧状态关联特征向量进行级联以得到所述焙烧状态语义关联特征向量。

13、在上述基于含钒矿石的氧化钒提取方法中，所述将所述多个预定时间点的焙烧温度值按照时间维度排列为焙烧温度输入向量后通过多尺度邻域特征提取模块以得到焙烧温度特征向量，包括：将所述焙烧温度输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一尺度焙烧温度特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；将所述焙烧温度输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二尺度焙烧温度特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及，将所述第一尺度焙烧温度特征向量和所述第二尺度焙烧温度特征向量进行融合以得到所述焙烧温度特征向量。

14、在上述基于含钒矿石的氧化钒提取方法中，所述将所述第一尺度焙烧温度特征向量和所述第二尺度焙烧温度特征向量进行融合以得到所述焙烧温度特征向量，包括：计算所述第一尺度焙烧温度特征向量和所述第二尺度焙烧温度特征向量在各自高维特征空间中的局部线性嵌入矩阵以得到第一局部线性嵌入矩阵和第二局部线性嵌入矩阵；对所述第一局部线性嵌入矩阵和所述第二局部线性嵌入矩阵进行奇异值分解以得到所述第一局部线性嵌入矩阵的左奇异向量矩阵、右奇异向量矩阵和奇异值矩阵，以及，所述第二局部线性嵌入矩阵的左奇异向量矩阵、右奇异向量矩阵和奇异值矩阵；基于所述第一局部线性嵌入矩阵和所述第二局部线性嵌入矩阵的左奇异向量矩阵、右奇异向量矩阵和奇异值矩阵，计算所述第一尺度焙烧温度特征向量和所述第二尺度焙烧温度特征向量之间的特征流形的维度几何相关系数；以及，以所述第一尺度焙烧温度特征向量和所述第二尺度焙烧温度特征向量之间的特征流形的维度几何相关系数作为权重来融合所述第一尺度焙烧温度特征向量和所述第二尺度焙烧温度特征向量以得到所述焙烧温度特征向量。

15、在上述基于含钒矿石的氧化钒提取方法中，所述计算所述焙烧语义关联特征向量相对于所述焙烧温度特征向量的响应性估计以得到分类特征向量，包括：以如下响应性估计公式计算所述焙烧语义关联特征向量相对于所述焙烧温度特征向量的响应性估计以得到所述分类特征向量；其中，所述响应性估计公式为：

16、

17、其中va表示所述焙烧语义关联特征向量，vb表示所述焙烧温度特征向量，vc表示所述分类特征向量，表示矩阵相乘。

18、在上述基于含钒矿石的氧化钒提取方法中，所述将所述分类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当前时间点的焙烧温度值应增大、保持不变，或应减小，包括：使用所述分类器的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。

19、根据本技术的另一方面，提供了一种基于含钒矿石的氧化钒提取系统，其包括：

20、焙烧数据获取模块，用于获取预定时间段内多个预定时间点的焙烧温度值以及所述预定时间段的焙烧监控视频；

21、关键帧提取模块，用于从所述焙烧监控视频提取多个焙烧监控关键帧；

22、焙烧状态特征提取模块，用于将所述多个焙烧监控关键帧分别通过作为过滤器的卷积神经网络模型以得到多个焙烧状态特征向量；

23、焙烧语义状态特征提取模块，用于将所述多个焙烧状态特征向量通过基于转换器的上下文编码器以得到焙烧状态语义关联特征向量；

24、焙烧温度特征提取模块，用于将所述多个预定时间点的焙烧温度值按照时间时间维度排列为焙烧温度输入向量后通过多尺度邻域特征提取模块以得到焙烧温度特征向量；

25、响应性估计模块，用于计算所述焙烧语义关联特征向量的响应性估计相对于所述焙烧温度特征向量以得到分类特征向量；以及

26、焙烧温度调控结果模块，用于将所述分类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当前时间点的焙烧温度值应增大、保持不变，或应减小。

27、与现有技术相比，本技术提供的基于含钒矿石的氧化钒提取方法及其系统，其采用人工智能的监控技术，基于焙烧过程中钒化合物的状态变化特征来自适应调整焙烧的温度。这样，可以实现精准控制焙烧温度，避免温度过高或过低影响产品纯度和质量的同时还可以减少能源消耗。