用于氟化锂制备的能源管理控制系统及其控制方法与流程

1.本发明涉及制备智能控制的领域，且更为具体地，涉及一种用于氟化锂制备的能源管理控制系统及其控制方法。


背景技术：

2.氟化锂是一种重要的锂基材料，在常温下为白色非吸潮性立方晶体。作为一种重要的无机氟化物，高纯氟化锂大量用于氟化玻璃和光学纤维的制备。同时，高纯氟化锂还是锂离子电池用电解质材料的重要原料。
3.常用的氟化锂的制备方法主要包括直接制备法、离子交换制备法和萃取制备方法。不管采用哪种制备方案，制备过程中能源管理都是非常重要的关注点，尤其是当下在节能环保的大背景下。
4.具体地，在氟化锂的制备过程中，大都涉及到煅烧、冷却等温度控制，应可以理解，温度控制不仅仅涉及到能源管理，还涉及到最终氟化锂的成品质量。在现有的氟化锂的制备方案中，大多采用预设温度的技术方案，这不仅不利于能源优化，且不利于把控最终氟化锂的成品质量。
5.因此，期望一种用于氟化锂制备的能源管理控制系统来对于煅烧器的温度进行智能控制，以在优化能源的同时保证最终氟化锂的成品质量。


技术实现要素：

6.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用于氟化锂制备的能源管理控制系统及其控制方法，其通过基于深度学习的卷积神经网络模型来对于煅烧器内部的温度关联特征进行实时动态地提取，以及对于煅烧产物的结构变化特征以及内部的热量分布特征进行深层次地挖掘，进而结合这三者在时序上的特征信息来智能地调整所述煅烧器的温度，以在优化能源的同时保证最终氟化锂的成品质量。
7.根据本技术的一个方面，提供了一种用于氟化锂制备的能源管理控制系统，其包括：煅烧温度采集模块，用于通过部署于煅烧器内的温度传感器获取煅烧器在多个预定时间点的煅烧温度值，其中，所述煅烧器用于煅烧形成氟化锂成品的晶体；产物数据采集模块，用于通过部署于所述煅烧器内的热红外相机和x-ray扫描仪获取所述多个预定时间点的煅烧产物的热红外图像和x-ray扫描图；热红外编码模块，用于将所述多个预定时间点的煅烧产物的热红外图像通过使用空间注意力机制的第一卷积神经网络以得到热红外特征图；透视图编码模块，用于将所述多个预定时间点的煅烧产物的x-ray扫描图通过使用三维卷积核的第二卷积神经网络以得到x-ray特征图；关联编码模块，用于将所述热红外特征图和所述x-ray特征图进行级联后通过作为过滤器的第三卷积神经网络以得到产物特征向量；能源数据编码模块，用于将所述煅烧器在多个预定时间点的煅烧温度值通过包含一维卷积层和全连接层的时序编码器以得到温度特征向量；特征融合模块，用于融合所述产物特征向量和所述温度特征向量以得到分类特征向量；以及能源管理结果生成模块，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煅烧器的温度应增大或应减小。
8.在上述用于氟化锂制备的能源管理控制系统中，所述热红外编码模块，进一步用于使用所述第一卷积神经网络的各层在层的正向传递中对输入数据进行：对所述输入数据进行基于二维卷积核的卷积处理以生成卷积特征图；对所述卷积特征图进行池化处理以生成池化特征图；对所述池化特征图进行激活处理以生成激活特征图；对所述激活特征图进行沿通道维度的全局平均池化以获得空间特征矩阵；对所述空间特征矩阵进行卷积处理和激活处理以生成权重向量；以及，以所述权重向量中各个位置的权重值分别对所述激活特征图的各个特征矩阵进行加权以获得生成特征图；其中，所述第一卷积神经网络模型的最后一层输出的所述生成特征图为所述热红外特征图。
9.在上述用于氟化锂制备的能源管理控制系统中，所述透视图编码模块，进一步用于所述使用三维卷积核的第二卷积神经网络在层的正向传递中对输入数据分别进行：基于所述三维卷积核对所述输入数据进行三维卷积处理以得到卷积特征图；对所述卷积特征图进行池化处理以得到池化特征图；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，所述第二卷积神经网络的最后一层的输出为所述x-ray特征图，所述第二卷积神经网络的第一层的输入为所述多个预定时间点的煅烧产物的x-ray扫描图。
10.在上述用于氟化锂制备的能源管理控制系统中，所述关联编码模块，级联单元，用于将所述热红外特征图和所述x-ray特征图进行级联以获得级联特征图；以及。特征提取单元，用于使用作为过滤器的所述第三卷积神经网络的各层在层的正向传递中对输入数据进行卷积处理、沿特征矩阵的池化处理和激活处理以由所述第三卷积神经网络的最后一层生成所述产物特征向量，其中，所述第三卷积神经网络的第一层的输入为所述级联特征图。
11.在上述用于氟化锂制备的能源管理控制系统中，所述能源数据编码模块，包括：输入向量构造单元，用于将所述煅烧器在多个预定时间点的煅烧温度值按照时间维度排列为一维的输入向量；全连接编码单元，用于使用所述时序编码器的全连接层以如下公式对所述输入向量进行全连接编码以提取出所述输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为：，其中是所述输入向量，是输出向量，是权重矩阵，是偏置向量，表示矩阵乘；一维卷积编码单元，用于使用所述时序编码器的一维卷积层以如下公式对所述输入向量进行一维卷积编码以提取出所述输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述公式为：其中，a为卷积核在x方向上的宽度、f为卷积核参数向量、g为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸。
12.在上述用于氟化锂制备的能源管理控制系统中，所述特征融合模块，包括：向量差分单元，用于计算所述产物特征向量和所述温度特征向量之间的差分特征向量；对数运算单元，用于计算所述差分特征向量中各个位置的特征值的对数函数值以得到对数差分特征向量；深度信息特性值计算单元，用于计算所述差分特征向量的一范数；全场景单应关联矩
阵构造单元，用于计算所述产物特征向量与所述温度特征向量的转置向量之间的乘积以得到全场景单应关联矩阵；深度感知单元，用于计算所述全场景单应关联矩阵的frobenius范数；对齐单元，用于以所述差分特征向量的一范数作为加权系数以及以所述全场景单应关联矩阵的frobenius范数作为偏置项对所述对数差分特征向量进行处理以得到与所述产物特征向量在深度上单应对齐的修正后温度特征向量；融合单元，用于计算所述修正后温度特征向量和所述产物特征向量的按位置加权和以得到所述分类特征向量。
13.在上述用于氟化锂制备的能源管理控制系统中，所述对齐单元，用于以所述差分特征向量的一范数作为加权系数以及以所述全场景单应关联矩阵的frobenius范数作为偏置项以如下公式对所述对数差分特征向量进行处理以得到所述修正后温度特征向量；其中，所述公式为：其中，表示所述差分特征向量的一范数，且表示所述全场景单应关联矩阵的frobenius范数，表示按位置点乘、表示按位置相加，表示按位置相减。
14.在上述用于氟化锂制备的能源管理控制系统中，所述能源管理结果生成模块，进一步用于：使用所述分类器以如下公式对所述分类特征向量进行处理以获得所述分类结果，其中，所述公式为：，其中，到为权重矩阵，到为偏置向量，为所述分类特征向量。
15.在上述用于氟化锂制备的能源管理控制系统中，还包括能源控制模块，用于基于所述分类结果，调整所述煅烧器的温度。
16.根据本技术的另一方面，一种用于氟化锂制备的能源管理控制系统的控制方法，其包括：通过部署于煅烧器内的温度传感器获取煅烧器在多个预定时间点的煅烧温度值，其中，所述煅烧器用于煅烧形成氟化锂成品的晶体；通过部署于所述煅烧器内的热红外相机和x-ray扫描仪获取所述多个预定时间点的煅烧产物的热红外图像和x-ray扫描图；将所述多个预定时间点的煅烧产物的热红外图像通过使用空间注意力机制的第一卷积神经网络以得到热红外特征图；将所述多个预定时间点的煅烧产物的x-ray扫描图通过使用三维卷积核的第二卷积神经网络以得到x-ray特征图；将所述热红外特征图和所述x-ray特征图进行级联后通过作为过滤器的第三卷积神经网络以得到产物特征向量；将所述煅烧器在多个预定时间点的煅烧温度值通过包含一维卷积层和全连接层的时序编码器以得到温度特征向量；融合所述产物特征向量和所述温度特征向量以得到分类特征向量；以及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煅烧器的温度应增大或应减小。
17.在上述用于氟化锂制备的能源管理控制系统的控制方法中，将所述多个预定时间点的煅烧产物的热红外图像通过使用空间注意力机制的第一卷积神经网络以得到热红外特征图，包括：使用所述第一卷积神经网络的各层在层的正向传递中对输入数据进行：对所述输入数据进行基于二维卷积核的卷积处理以生成卷积特征图；对所述卷积特征图进行池化处理以生成池化特征图；对所述池化特征图进行激活处理以生成激活特征图；对所述激活特征图进行沿通道维度的全局平均池化以获得空间特征矩阵；对所述空间特征矩阵进行
卷积处理和激活处理以生成权重向量；以及，以所述权重向量中各个位置的权重值分别对所述激活特征图的各个特征矩阵进行加权以获得生成特征图；其中，所述第一卷积神经网络模型的最后一层输出的所述生成特征图为所述热红外特征图。
18.在上述用于氟化锂制备的能源管理控制系统的控制方法中，将所述多个预定时间点的煅烧产物的x-ray扫描图通过使用三维卷积核的第二卷积神经网络以得到x-ray特征图，包括：所述使用三维卷积核的第二卷积神经网络在层的正向传递中对输入数据分别进行：基于所述三维卷积核对所述输入数据进行三维卷积处理以得到卷积特征图；对所述卷积特征图进行池化处理以得到池化特征图；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，所述第二卷积神经网络的最后一层的输出为所述x-ray特征图，所述第二卷积神经网络的第一层的输入为所述多个预定时间点的煅烧产物的x-ray扫描图。
19.在上述用于氟化锂制备的能源管理控制系统的控制方法中，将所述热红外特征图和所述x-ray特征图进行级联后通过作为过滤器的第三卷积神经网络以得到产物特征向量，包括：将所述热红外特征图和所述x-ray特征图进行级联以获得级联特征图；以及，使用作为过滤器的所述第三卷积神经网络的各层在层的正向传递中对输入数据进行卷积处理、沿特征矩阵的池化处理和激活处理以由所述第三卷积神经网络的最后一层生成所述产物特征向量，其中，所述第三卷积神经网络的第一层的输入为所述级联特征图。
20.在上述用于氟化锂制备的能源管理控制系统的控制方法中，将所述煅烧器在多个预定时间点的煅烧温度值通过包含一维卷积层和全连接层的时序编码器以得到温度特征向量，包括：将所述煅烧器在多个预定时间点的煅烧温度值按照时间维度排列为一维的输入向量；使用所述时序编码器的全连接层以如下公式对所述输入向量进行全连接编码以提取出所述输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为：，其中是所述输入向量，是输出向量，是权重矩阵，是偏置向量，表示矩阵乘；使用所述时序编码器的一维卷积层以如下公式对所述输入向量进行一维卷积编码以提取出所述输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述公式为：其中，a为卷积核在x方向上的宽度、f为卷积核参数向量、g为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸。
21.在上述用于氟化锂制备的能源管理控制系统的控制方法中，融合所述产物特征向量和所述温度特征向量以得到分类特征向量，包括：计算所述产物特征向量和所述温度特征向量之间的差分特征向量；计算所述差分特征向量中各个位置的特征值的对数函数值以得到对数差分特征向量；计算所述差分特征向量的一范数；计算所述产物特征向量与所述温度特征向量的转置向量之间的乘积以得到全场景单应关联矩阵；计算所述全场景单应关联矩阵的frobenius范数；以所述差分特征向量的一范数作为加权系数以及以所述全场景单应关联矩阵的frobenius范数作为偏置项对所述对数差分特征向量进行处理以得到与所述产物特征向量在深度上单应对齐的修正后温度特征向量；计算所述修正后温度特征向量
和所述产物特征向量的按位置加权和以得到所述分类特征向量。
22.在上述用于氟化锂制备的能源管理控制系统的控制方法中，融合所述产物特征向量和所述温度特征向量以得到分类特征向量，包括：以所述差分特征向量的一范数作为加权系数以及以所述全场景单应关联矩阵的frobenius范数作为偏置项以如下公式对所述对数差分特征向量进行处理以得到所述修正后温度特征向量；其中，所述公式为：其中，表示所述差分特征向量的一范数，且表示所述全场景单应关联矩阵的frobenius范数，表示按位置点乘、表示按位置相加，表示按位置相减。
23.在上述用于氟化锂制备的能源管理控制系统的控制方法中，将所述分类特征向量通过分类器以得到分类结果，包括：使用所述分类器以如下公式对所述分类特征向量进行处理以获得所述分类结果，其中，所述公式为：，其中，到为权重矩阵，到为偏置向量，为所述分类特征向量。
24.在上述用于氟化锂制备的能源管理控制系统的控制方法中，将所述分类特征向量通过分类器以得到分类结果，还包括：基于所述分类结果，调整所述煅烧器的温度。
25.与现有技术相比，本技术提供的用于氟化锂制备的能源管理控制系统及其控制方法，其通过基于深度学习的卷积神经网络模型来对于煅烧器内部的温度关联特征进行实时动态地提取，以及对于煅烧产物的结构变化特征以及内部的热量分布特征进行深层次地挖掘，进而结合这三者在时序上的特征信息来智能地调整所述煅烧器的温度，以在优化能源的同时保证最终氟化锂的成品质量。
附图说明
26.通过结合附图对本技术实施例进行更详细的描述，本技术的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本技术实施例的进一步理解，并且构成说明书的一部分，与本技术实施例一起用于解释本技术，并不构成对本技术的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
27.图1为根据本技术实施例的用于氟化锂制备的能源管理控制系统的应用场景图。
28.图2为根据本技术实施例的用于氟化锂制备的能源管理控制系统的框图。
29.图3为根据本技术实施例的用于氟化锂制备的能源管理控制系统中特征融合模块的框图。
30.图4为根据本技术实施例的用于氟化锂制备的能源管理控制系统的控制方法的流程图。
31.图5为根据本技术实施例的用于氟化锂制备的能源管理控制系统的控制方法的架构示意图。
具体实施方式
32.下面，将参考附图详细地描述根据本技术的示例实施例。显然，所描述的实施例仅
仅是本技术的一部分实施例，而不是本技术的全部实施例，应理解，本技术不受这里描述的示例实施例的限制。
33.场景概述如前所述，氟化锂是一种重要的锂基材料，在常温下为白色非吸潮性立方晶体。作为一种重要的无机氟化物，高纯氟化锂大量用于氟化玻璃和光学纤维的制备。同时，高纯氟化锂还是锂离子电池用电解质材料的重要原料。
34.常用的氟化锂的制备方法主要包括直接制备法、离子交换制备法和萃取制备方法。不管采用哪种制备方案，制备过程中能源管理都是非常重要的关注点，尤其是当下在节能环保的大背景下。
35.具体地，在氟化锂的制备过程中，大都涉及到煅烧、冷却等温度控制，应可以理解，温度控制不仅仅涉及到能源管理，还涉及到最终氟化锂的成品质量。在现有的氟化锂的制备方案中，大多采用预设温度的技术方案，这不仅不利于能源优化，且不利于把控最终氟化锂的成品质量。因此，期望一种用于氟化锂制备的能源管理控制系统来对于煅烧器的温度进行智能控制，以在优化能源的同时保证最终氟化锂的成品质量。
36.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、文本信号处理等领域。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。
37.近年来，深度学习以及神经网络的发展，为煅烧器的温度控制提供了解决思路和方案。
38.基于此，本技术发明人考虑到若想对于煅烧器的温度进行智能准确地控制，以提高氟化锂成品的质量，就需要对于煅烧器内部的温度进行实时动态地测量，并且还需要对于煅烧产物的结构特征以及热量分布进行分析。因此，在本技术中，采用温度传感器来采集所述煅烧器中的热量信息，以及通过热红外相机和x-ray扫描仪来采集所述煅烧产物的内部热量分布以及内部的结构信息，进一步通过基于深度学习的卷积神经网络模型来对其隐含的关联特征分布进行深层挖掘，进而在分类时能够保证对于当前时间点的煅烧器的温度调节更适于氟化锂的制备。
39.具体地，在本技术的技术方案中，首先，通过部署于煅烧器内的温度传感器获取煅烧器在多个预定时间点的煅烧温度值，其中，所述煅烧器用于煅烧形成氟化锂成品的晶体。并且通过部署于所述煅烧器内的热红外相机和x-ray扫描仪获取所述多个预定时间点的煅烧产物的热红外图像和x-ray扫描图，这里，所述热红外相机能够采集到所述煅烧产物的内部热量分布情况，以更准确地对于所述煅烧器内部的温度进行控制，且所述x-ray扫描仪能够采集到所述煅烧产物的内部结构以及形状的变化信息，以对于氟化锂产物的形成制备进行更好地监控。
40.然后，使用在图像的局部隐含特征提取方面具有优异表现的卷积神经网络模型来对所述煅烧产物的热红外图像进行特征挖掘，但是，考虑到在对于所述煅烧产物的热红外图像进行特征挖掘时，应该更加关注于所述煅烧产物的热量变化特征，而需要去除其周围的干扰热量特征，因此，在本技术的技术方案中，使用空间注意力机制的第一卷积神经网络来对所述多个预定时间点的煅烧产物的热红外图像进行特征提取，以提取出所述多个预定时间点的煅烧产物的热红外图像的局部隐含热量特征分布，从而得到热红外特征图。
41.同时，考虑到在利用x-ray扫描仪来挖掘所述煅烧产物的内部空间结构特征时，需要关注到所述煅烧产物的动态变化特征，以防止反应过快而导致氟化锂成品的质量达不到应有的要求，因此，在本技术的技术方案中，使用三维卷积核的第二卷积神经网络来对所述多个预定时间点的煅烧产物的x-ray扫描图进行处理，以得到具有所述煅烧产物动态变化特征的x-ray特征图。这样，进一步将所述热红外特征图和所述x-ray特征图进行级联以融合所述煅烧产物中热量特征分布以及内部结构变化的特征信息，再将得到的级联特征图通过作为过滤器的第三卷积神经网络中进行特征提取，以得到产物特征向量。
42.对于所述煅烧器在多个预定时间点的煅烧温度值，考虑到所述各个时间点的煅烧温度值之间存在着关联性，因此，使用包含嵌入层的上下文编码器对所述煅烧器在多个预定时间点的煅烧温度值进行编码以提取所述多个预定时间点的煅烧温度值之间的基于全局的高维语义特征以更适于表征所述煅烧器内部温度关联的本质特征，从而得到温度特征向量。
43.应可以理解，考虑到所述产物特征向量是通过级联的所述第一卷积神经网络和所述第三卷积神经网络以及所述三维卷积神经网络和所述第三卷积神经网络获得的，其在特征深度方面会大于通过所述时序编码器获得的所述温度特征向量，因此，在将所述产物特征向量，例如记为与所述温度特征向量，例如记为融合之前，首先将其进行深度单应对齐，表示为：其中，表示向量的一范数，且表示矩阵的frobenius范数。
44.这里，该所述深度单应对齐通过根据向量差分表征的特征深度信息特性，来进行向量间的基于场景深度流的单应性对齐，并通过向量间的全场景单应关联矩阵进行深度感知，从而在向量之间存在特征分布的深度差异的基础上进行向量之间的稠密深度拟合，以获得与所述产物特征向量在深度上单应对齐的所述修正的温度特征向量，进而提高后续分类的准确性。
45.进一步地，计算所述修正的温度特征向量和所述产物特征向量的按位置加权和以融合这两者的特征信息，从而得到所述分类特征向量。再将所述分类特征向量通过分类器中进行分类处理，以获得用于表示当前时间点的煅烧器的温度应增大或应减小的分类结果。
46.基于此，本技术提出了一种用于氟化锂制备的能源管理控制系统，其包括：煅烧温度采集模块，用于通过部署于煅烧器内的温度传感器获取煅烧器在多个预定时间点的煅烧温度值，其中，所述煅烧器用于煅烧形成氟化锂成品的晶体；产物数据采集模块，用于通过部署于所述煅烧器内的热红外相机和x-ray扫描仪获取所述多个预定时间点的煅烧产物的热红外图像和x-ray扫描图；热红外编码模块，用于将所述多个预定时间点的煅烧产物的热红外图像通过使用空间注意力机制的第一卷积神经网络以得到热红外特征图；透视图编码模块，用于将所述多个预定时间点的煅烧产物的x-ray扫描图通过使用三维卷积核的第二卷积神经网络以得到x-ray特征图；关联编码模块，用于将所述热红外特征图和所述x-ray特征图进行级联后通过作为过滤器的第三卷积神经网络以得到产物特征向量；能源数据编码模块，用于将所述煅烧器在多个预定时间点的煅烧温度值通过包含一维卷积层和全连接
层的时序编码器以得到温度特征向量；特征融合模块，用于融合所述产物特征向量和所述温度特征向量以得到分类特征向量；以及，能源管理结果生成模块，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煅烧器的温度应增大或应减小。
47.图1图示了根据本技术实施例的用于氟化锂制备的能源管理控制系统的应用场景图。如图1所示，在该应用场景中，首先，通过部署于煅烧器（例如，如图1中所示意的r）内的温度传感器（例如，如图1中所示意的t）获取煅烧器在多个预定时间点的煅烧温度值，其中，所述煅烧器用于煅烧形成氟化锂成品的晶体，并且通过部署于所述煅烧器内的热红外相机（例如，如图1中所示意的c）和x-ray扫描仪（例如，如图1中所示意的e）获取所述多个预定时间点的煅烧产物（例如，如图1中所示意的p）的热红外图像和x-ray扫描图。然后，将获得的所述煅烧器在多个预定时间点的煅烧温度值以及所述煅烧产物的热红外图像和x-ray扫描图输入至部署有用于氟化锂制备的能源管理控制算法的服务器中（例如，如图1中所示意的服务器s），其中，所述服务器能够以用于氟化锂制备的能源管理控制算法对所述煅烧器在多个预定时间点的煅烧温度值以及所述煅烧产物的热红外图像和x-ray扫描图进行处理，以生成用于表示当前时间点的煅烧器的温度应增大或应减小的分类结果。进而，基于所述分类结果，调整所述煅烧器的温度。
48.在介绍了本技术的基本原理之后，下面将参考附图来具体介绍本技术的各种非限制性实施例。
49.示例性系统图2图示了根据本技术实施例的用于氟化锂制备的能源管理控制系统的框图。如图2所示，根据本技术实施例的用于氟化锂制备的能源管理控制系统 200，包括：煅烧温度采集模块 210，用于通过部署于煅烧器内的温度传感器获取煅烧器在多个预定时间点的煅烧温度值，其中，所述煅烧器用于煅烧形成氟化锂成品的晶体；产物数据采集模块 220，用于通过部署于所述煅烧器内的热红外相机和x-ray扫描仪获取所述多个预定时间点的煅烧产物的热红外图像和x-ray扫描图；热红外编码模块 230，用于将所述多个预定时间点的煅烧产物的热红外图像通过使用空间注意力机制的第一卷积神经网络以得到热红外特征图；透视图编码模块 240，用于将所述多个预定时间点的煅烧产物的x-ray扫描图通过使用三维卷积核的第二卷积神经网络以得到x-ray特征图；关联编码模块 250，用于将所述热红外特征图和所述x-ray特征图进行级联后通过作为过滤器的第三卷积神经网络以得到产物特征向量；能源数据编码模块 260，用于将所述煅烧器在多个预定时间点的煅烧温度值通过包含一维卷积层和全连接层的时序编码器以得到温度特征向量；特征融合模块 270，用于融合所述产物特征向量和所述温度特征向量以得到分类特征向量；以及，能源管理结果生成模块 280，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煅烧器的温度应增大或应减小。
50.具体地，在本技术实施例中，所述煅烧温度采集模块 210和所述产物数据采集模块 220，用于通过部署于煅烧器内的温度传感器获取煅烧器在多个预定时间点的煅烧温度值，其中，所述煅烧器用于煅烧形成氟化锂成品的晶体，并通过部署于所述煅烧器内的热红外相机和x-ray扫描仪获取所述多个预定时间点的煅烧产物的热红外图像和x-ray扫描图。如前所述，应可以理解，考虑到若想对于煅烧器的温度进行智能准确地控制，以提高氟化锂
成品的质量，就需要对于所述煅烧器内部的温度进行实时动态地测量，并且还需要对于煅烧产物的结构特征以及热量分布进行分析。因此，在本技术的技术方案中，采用温度传感器来采集所述煅烧器中的热量信息，以及通过热红外相机和x-ray扫描仪来采集所述煅烧产物的内部热量分布以及内部的结构信息，进一步再通过基于深度学习的卷积神经网络模型来对其隐含的关联特征分布进行深层挖掘，进而在分类时能够保证对于当前时间点的煅烧器的温度调节更适于氟化锂的制备。
51.也就是，具体地，在本技术的技术方案中，首先，通过部署于煅烧器内的温度传感器获取煅烧器在多个预定时间点的煅烧温度值，其中，所述煅烧器用于煅烧形成氟化锂成品的晶体。并且通过部署于所述煅烧器内的热红外相机和x-ray扫描仪获取所述多个预定时间点的煅烧产物的热红外图像和x-ray扫描图，这里，所述热红外相机能够采集到所述煅烧产物的内部热量分布情况，以更准确地对于所述煅烧器内部的温度进行控制，且所述x-ray扫描仪能够采集到所述煅烧产物的内部结构以及形状的变化信息，以对于氟化锂产物的形成制备进行更好地监控。
52.具体地，在本技术实施例中，所述热红外编码模块 230，用于将所述多个预定时间点的煅烧产物的热红外图像通过使用空间注意力机制的第一卷积神经网络以得到热红外特征图。也就是，在本技术的技术方案中，使用在图像的局部隐含特征提取方面具有优异表现的卷积神经网络模型来对所述煅烧产物的热红外图像进行特征挖掘，但是，考虑到在对于所述煅烧产物的热红外图像进行特征挖掘时，应该更加关注于所述煅烧产物的热量变化特征，而需要去除其周围的干扰热量特征。因此，在本技术的技术方案中，使用空间注意力机制的第一卷积神经网络来对所述多个预定时间点的煅烧产物的热红外图像进行特征提取，以提取出所述多个预定时间点的煅烧产物的热红外图像的局部隐含热量特征分布，从而得到热红外特征图。
53.更具体地，在本技术实施例中，所述热红外编码模块，进一步用于使用所述第一卷积神经网络的各层在层的正向传递中对输入数据进行：对所述输入数据进行基于二维卷积核的卷积处理以生成卷积特征图；对所述卷积特征图进行池化处理以生成池化特征图；对所述池化特征图进行激活处理以生成激活特征图；对所述激活特征图进行沿通道维度的全局平均池化以获得空间特征矩阵；对所述空间特征矩阵进行卷积处理和激活处理以生成权重向量；以及，以所述权重向量中各个位置的权重值分别对所述激活特征图的各个特征矩阵进行加权以获得生成特征图；其中，所述第一卷积神经网络模型的最后一层输出的所述生成特征图为所述热红外特征图。
54.具体地，在本技术实施例中，所述透视图编码模块 240和所述关联编码模块 250，用于将所述多个预定时间点的煅烧产物的x-ray扫描图通过使用三维卷积核的第二卷积神经网络以得到x-ray特征图，并将所述热红外特征图和所述x-ray特征图进行级联后通过作为过滤器的第三卷积神经网络以得到产物特征向量。应可以理解，考虑到在利用所述x-ray扫描仪来挖掘所述煅烧产物的内部空间结构特征时，需要关注到所述煅烧产物的动态变化特征，以防止反应过快而导致氟化锂成品的质量达不到应有的要求。因此，在本技术的技术方案中，使用三维卷积核的第二卷积神经网络来对所述多个预定时间点的煅烧产物的x-ray扫描图进行处理，以得到具有所述煅烧产物动态变化特征的x-ray特征图。这样，进一步将所述热红外特征图和所述x-ray特征图进行级联以融合所述煅烧产物中热量特征分布以
及内部结构变化的特征信息以获得级联特征图，再将得到的级联特征图通过作为过滤器的第三卷积神经网络中进行特征提取，以得到产物特征向量。相应地，在一个具体示例中，使用作为过滤器的所述第三卷积神经网络的各层在层的正向传递中对输入数据进行卷积处理、沿特征矩阵的池化处理和激活处理以由所述第三卷积神经网络的最后一层生成所述产物特征向量，其中，所述第三卷积神经网络的第一层的输入为所述级联特征图。
55.更具体地，在本技术实施例中，所述透视图编码模块，进一步用于所述使用三维卷积核的第二卷积神经网络在层的正向传递中对输入数据分别进行：基于所述三维卷积核对所述输入数据进行三维卷积处理以得到卷积特征图；对所述卷积特征图进行池化处理以得到池化特征图；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，所述第二卷积神经网络的最后一层的输出为所述x-ray特征图，所述第二卷积神经网络的第一层的输入为所述多个预定时间点的煅烧产物的x-ray扫描图。
56.具体地，在本技术实施例中，所述能源数据编码模块 260，用于将所述煅烧器在多个预定时间点的煅烧温度值通过包含一维卷积层和全连接层的时序编码器以得到温度特征向量。应可以理解，对于所述煅烧器在多个预定时间点的煅烧温度值，考虑到所述各个时间点的煅烧温度值之间存在着关联性，因此，在本技术的技术方案中，使用包含嵌入层的上下文编码器对所述煅烧器在多个预定时间点的煅烧温度值进行编码以提取所述多个预定时间点的煅烧温度值之间的基于全局的高维语义特征以更适于表征所述煅烧器内部温度关联的本质特征，从而得到温度特征向量。
57.更具体地，在本技术实施例中，所述能源数据编码模块，包括：输入向量构造单元，用于将所述煅烧器在多个预定时间点的煅烧温度值按照时间维度排列为一维的输入向量；全连接编码单元，用于使用所述时序编码器的全连接层以如下公式对所述输入向量进行全连接编码以提取出所述输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为：，其中是所述输入向量，是输出向量，是权重矩阵，是偏置向量，表示矩阵乘；一维卷积编码单元，用于使用所述时序编码器的一维卷积层以如下公式对所述输入向量进行一维卷积编码以提取出所述输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述公式为：其中，a为卷积核在x方向上的宽度、f为卷积核参数向量、g为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸。
58.具体地，在本技术实施例中，所述特征融合模块 270，用于融合所述产物特征向量和所述温度特征向量以得到分类特征向量。应可以理解，考虑到所述产物特征向量是通过级联的所述第一卷积神经网络和所述第三卷积神经网络以及所述三维卷积神经网络和所述第三卷积神经网络获得的，其在特征深度方面会大于通过所述时序编码器获得的所述温度特征向量，因此，在本技术的技术方案中，在将所述产物特征向量，例如记为与所述温度特征向量，例如记为融合之前，首先需要将所述温度特征向量进行深度单应对齐。
59.也就是，具体地，在本技术实施例中，首先，计算所述产物特征向量和所述温度特征向量之间的差分特征向量。接着，计算所述差分特征向量中各个位置的特征值的对数函数值以得到对数差分特征向量。然后，计算所述差分特征向量的一范数。接着，计算所述产物特征向量与所述温度特征向量的转置向量之间的乘积以得到全场景单应关联矩阵。然后，计算所述全场景单应关联矩阵的frobenius范数。接着，以所述差分特征向量的一范数作为加权系数以及以所述全场景单应关联矩阵的frobenius范数作为偏置项对所述对数差分特征向量进行处理以得到与所述产物特征向量在深度上单应对齐的修正后温度特征向量。相应地，在一个具体示例中，以所述差分特征向量的一范数作为加权系数以及以所述全场景单应关联矩阵的frobenius范数作为偏置项以如下公式对所述对数差分特征向量进行处理以得到所述修正后温度特征向量；其中，所述公式为：其中，表示所述差分特征向量的一范数，且表示所述全场景单应关联矩阵的frobenius范数，表示按位置点乘、表示按位置相加，表示按位置相减。最后，计算所述修正后温度特征向量和所述产物特征向量的按位置加权和以得到所述分类特征向量。应可以理解，该所述深度单应对齐通过根据向量差分表征的特征深度信息特性，来进行向量间的基于场景深度流的单应性对齐，并通过向量间的全场景单应关联矩阵进行深度感知，从而在向量之间存在特征分布的深度差异的基础上进行向量之间的稠密深度拟合，以获得与所述产物特征向量在深度上单应对齐的所述修正的温度特征向量，进而提高后续分类的准确性。
60.图3图示了根据本技术实施例的用于氟化锂制备的能源管理控制系统中特征融合模块的框图。如图3所示，所述特征融合模块 270，包括：向量差分单元 271，用于计算所述产物特征向量和所述温度特征向量之间的差分特征向量；对数运算单元 272，用于计算所述差分特征向量中各个位置的特征值的对数函数值以得到对数差分特征向量；深度信息特性值计算单元 273，用于计算所述差分特征向量的一范数；全场景单应关联矩阵构造单元 274，用于计算所述产物特征向量与所述温度特征向量的转置向量之间的乘积以得到全场景单应关联矩阵；深度感知单元 275，用于计算所述全场景单应关联矩阵的frobenius范数；对齐单元 276，用于以所述差分特征向量的一范数作为加权系数以及以所述全场景单应关联矩阵的frobenius范数作为偏置项对所述对数差分特征向量进行处理以得到与所述产物特征向量在深度上单应对齐的修正后温度特征向量；融合单元 277，用于计算所述修正后温度特征向量和所述产物特征向量的按位置加权和以得到所述分类特征向量。
61.具体地，在本技术实施例中，所述能源管理结果生成模块 280，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煅烧器的温度应增大或应减小。也就是，在本技术的技术方案中，在融合所述修正的温度特征向量和所述产物特征向量后，进一步将所述分类特征向量通过分类器中进行分类处理，以获得用于表示当前时间点的煅烧器的温度应增大或应减小的分类结果。
62.更具体地，在本技术实施例中，所述能源管理结果生成模块，进一步用于：使用所
述分类器以如下公式对所述分类特征向量进行处理以获得所述分类结果，其中，所述公式为：，其中，到为权重矩阵，到为偏置向量，为所述分类特征向量。
63.ꢀꢀ
综上，基于本技术实施例的所述用于氟化锂制备的能源管理控制系统 200被阐明，其通过基于深度学习的卷积神经网络模型来对于煅烧器内部的温度关联特征进行实时动态地提取，以及对于煅烧产物的结构变化特征以及内部的热量分布特征进行深层次地挖掘，进而结合这三者在时序上的特征信息来智能地调整所述煅烧器的温度，以在优化能源的同时保证最终氟化锂的成品质量。
64.如上所述，根据本技术实施例的用于氟化锂制备的能源管理控制系统 200可以实现在各种终端设备中，例如用于氟化锂制备的能源管理控制算法的服务器等。在一个示例中，根据本技术实施例的用于氟化锂制备的能源管理控制系统 200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，该用于氟化锂制备的能源管理控制系统 200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，该用于氟化锂制备的能源管理控制系统 200同样可以是该终端设备的众多硬件模块之一。
65.替换地，在另一示例中，该用于氟化锂制备的能源管理控制系统 200与该终端设备也可以是分立的设备，并且该用于氟化锂制备的能源管理控制系统 200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。
66.示例性方法图4图示了用于氟化锂制备的能源管理控制系统的控制方法的流程图。如图4所示，根据本技术实施例的用于氟化锂制备的能源管理控制系统的控制方法，包括步骤：s110，通过部署于煅烧器内的温度传感器获取煅烧器在多个预定时间点的煅烧温度值，其中，所述煅烧器用于煅烧形成氟化锂成品的晶体；s120，通过部署于所述煅烧器内的热红外相机和x-ray扫描仪获取所述多个预定时间点的煅烧产物的热红外图像和x-ray扫描图；s130，将所述多个预定时间点的煅烧产物的热红外图像通过使用空间注意力机制的第一卷积神经网络以得到热红外特征图；s140，将所述多个预定时间点的煅烧产物的x-ray扫描图通过使用三维卷积核的第二卷积神经网络以得到x-ray特征图；s150，将所述热红外特征图和所述x-ray特征图进行级联后通过作为过滤器的第三卷积神经网络以得到产物特征向量；s160，将所述煅烧器在多个预定时间点的煅烧温度值通过包含一维卷积层和全连接层的时序编码器以得到温度特征向量；s170，融合所述产物特征向量和所述温度特征向量以得到分类特征向量；以及，s180，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煅烧器的温度应增大或应减小。
67.图5图示了根据本技术实施例的用于氟化锂制备的能源管理控制系统的控制方法的架构示意图。如图5所示，在所述用于氟化锂制备的能源管理控制系统的控制方法的网络架构中，首先，将获得的所述多个预定时间点的煅烧产物的热红外图像（例如，如图5中所示意的p1）通过使用空间注意力机制的第一卷积神经网络（例如，如图5中所示意的cnn1）以得到热红外特征图（例如，如图5中所示意的f1）；接着，将获得的所述多个预定时间点的煅烧产物的x-ray扫描图（例如，如图5中所示意的p2）通过使用三维卷积核的第二卷积神经网络
（例如，如图5中所示意的cnn2）以得到x-ray特征图（例如，如图5中所示意的f2）；然后，将所述热红外特征图和所述x-ray特征图进行级联后通过作为过滤器的第三卷积神经网络（例如，如图5中所示意的cnn3）以得到产物特征向量（例如，如图5中所示意的vf1）；接着，将获得的所述煅烧器在多个预定时间点的煅烧温度值（例如，如图5中所示意的q）通过包含一维卷积层和全连接层的时序编码器（例如，如图5中所示意的e）以得到温度特征向量（例如，如图5中所示意的vf2）；然后，融合所述产物特征向量和所述温度特征向量以得到分类特征向量（例如，如图5中所示意的vf）；以及，最后，将所述分类特征向量通过分类器（例如，如图5中所示意的圈s）以得到分类结果，所述分类结果用于表示当前时间点的煅烧器的温度应增大或应减小。
68.更具体地，在步骤s110和s120中，通过部署于煅烧器内的温度传感器获取煅烧器在多个预定时间点的煅烧温度值，其中，所述煅烧器用于煅烧形成氟化锂成品的晶体，并通过部署于所述煅烧器内的热红外相机和x-ray扫描仪获取所述多个预定时间点的煅烧产物的热红外图像和x-ray扫描图。应可以理解，考虑到若想对于煅烧器的温度进行智能准确地控制，以提高氟化锂成品的质量，就需要对于所述煅烧器内部的温度进行实时动态地测量，并且还需要对于煅烧产物的结构特征以及热量分布进行分析。因此，在本技术的技术方案中，采用温度传感器来采集所述煅烧器中的热量信息，以及通过热红外相机和x-ray扫描仪来采集所述煅烧产物的内部热量分布以及内部的结构信息，进一步再通过基于深度学习的卷积神经网络模型来对其隐含的关联特征分布进行深层挖掘，进而在分类时能够保证对于当前时间点的煅烧器的温度调节更适于氟化锂的制备。
69.也就是，具体地，在本技术的技术方案中，首先，通过部署于煅烧器内的温度传感器获取煅烧器在多个预定时间点的煅烧温度值，其中，所述煅烧器用于煅烧形成氟化锂成品的晶体。并且通过部署于所述煅烧器内的热红外相机和x-ray扫描仪获取所述多个预定时间点的煅烧产物的热红外图像和x-ray扫描图，这里，所述热红外相机能够采集到所述煅烧产物的内部热量分布情况，以更准确地对于所述煅烧器内部的温度进行控制，且所述x-ray扫描仪能够采集到所述煅烧产物的内部结构以及形状的变化信息，以对于氟化锂产物的形成制备进行更好地监控。
70.更具体地，在步骤s130中，将所述多个预定时间点的煅烧产物的热红外图像通过使用空间注意力机制的第一卷积神经网络以得到热红外特征图。也就是，在本技术的技术方案中，使用在图像的局部隐含特征提取方面具有优异表现的卷积神经网络模型来对所述煅烧产物的热红外图像进行特征挖掘，但是，考虑到在对于所述煅烧产物的热红外图像进行特征挖掘时，应该更加关注于所述煅烧产物的热量变化特征，而需要去除其周围的干扰热量特征。因此，在本技术的技术方案中，使用空间注意力机制的第一卷积神经网络来对所述多个预定时间点的煅烧产物的热红外图像进行特征提取，以提取出所述多个预定时间点的煅烧产物的热红外图像的局部隐含热量特征分布，从而得到热红外特征图。
71.更具体地，在步骤s140和步骤s150中，将所述多个预定时间点的煅烧产物的x-ray扫描图通过使用三维卷积核的第二卷积神经网络以得到x-ray特征图，并将所述热红外特征图和所述x-ray特征图进行级联后通过作为过滤器的第三卷积神经网络以得到产物特征向量。应可以理解，考虑到在利用所述x-ray扫描仪来挖掘所述煅烧产物的内部空间结构特征时，需要关注到所述煅烧产物的动态变化特征，以防止反应过快而导致氟化锂成品的质
量达不到应有的要求。因此，在本技术的技术方案中，使用三维卷积核的第二卷积神经网络来对所述多个预定时间点的煅烧产物的x-ray扫描图进行处理，以得到具有所述煅烧产物动态变化特征的x-ray特征图。这样，进一步将所述热红外特征图和所述x-ray特征图进行级联以融合所述煅烧产物中热量特征分布以及内部结构变化的特征信息以获得级联特征图，再将得到的级联特征图通过作为过滤器的第三卷积神经网络中进行特征提取，以得到产物特征向量。相应地，在一个具体示例中，使用作为过滤器的所述第三卷积神经网络的各层在层的正向传递中对输入数据进行卷积处理、沿特征矩阵的池化处理和激活处理以由所述第三卷积神经网络的最后一层生成所述产物特征向量，其中，所述第三卷积神经网络的第一层的输入为所述级联特征图。
72.更具体地，在步骤s160中，将所述煅烧器在多个预定时间点的煅烧温度值通过包含一维卷积层和全连接层的时序编码器以得到温度特征向量。应可以理解，对于所述煅烧器在多个预定时间点的煅烧温度值，考虑到所述各个时间点的煅烧温度值之间存在着关联性，因此，在本技术的技术方案中，使用包含嵌入层的上下文编码器对所述煅烧器在多个预定时间点的煅烧温度值进行编码以提取所述多个预定时间点的煅烧温度值之间的基于全局的高维语义特征以更适于表征所述煅烧器内部温度关联的本质特征，从而得到温度特征向量。
73.更具体地，在步骤s170中，融合所述产物特征向量和所述温度特征向量以得到分类特征向量。应可以理解，考虑到所述产物特征向量是通过级联的所述第一卷积神经网络和所述第三卷积神经网络以及所述三维卷积神经网络和所述第三卷积神经网络获得的，其在特征深度方面会大于通过所述时序编码器获得的所述温度特征向量，因此，在本技术的技术方案中，在将所述产物特征向量，例如记为与所述温度特征向量，例如记为融合之前，首先需要将所述温度特征向量进行深度单应对齐。
74.更具体地，在步骤s180中，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煅烧器的温度应增大或应减小。也就是，在本技术的技术方案中，在融合所述修正的温度特征向量和所述产物特征向量后，进一步将所述分类特征向量通过分类器中进行分类处理，以获得用于表示当前时间点的煅烧器的温度应增大或应减小的分类结果。
75.综上，基于本技术实施例的所述用于氟化锂制备的能源管理控制系统的控制方法被阐明，其通过基于深度学习的卷积神经网络模型来对于煅烧器内部的温度关联特征进行实时动态地提取，以及对于煅烧产物的结构变化特征以及内部的热量分布特征进行深层次地挖掘，进而结合这三者在时序上的特征信息来智能地调整所述煅烧器的温度，以在优化能源的同时保证最终氟化锂的成品质量。
76.以上结合具体实施例描述了本技术的基本原理，但是，需要指出的是，在本技术中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本技术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技术为必须采用上述具体的细节来实现。
77.本技术中涉及的器件、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。
78.还需要指出的是，在本技术的装置、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技术的等效方案。
79.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技术。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技术的范围。因此，本技术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。
80.为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本技术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。